Page 85 - 摩擦学学报2025年第8期

第 8 期 王大刚, 等: 钢丝绳摩擦损伤定量识别研究 1183

2.8 4.8
Average 1.4 Peaking factor 3.2
0.0
Standard deviation 2 1 0 Wave form factor 1.6
1.6
1.2
Skewness 3.6 Pulse factor 12 9 6 3
1.8
0.0
Kurtosis 18 9 0 Margin factor 8 4

Root-mean- square 3.2 Peak-to- peak value 10 5 0
1.6
0.0
150
100
150
0
50
100
Sample sequence number 200 250 0 50 Sample sequence number 200 250
(a) The eigenvalues are 1 to 5 (b) The eigenvalues are 6 to 10
Wave width 120
80
Area under waveform 480
40
320
160
Power spectrum entropy 1.5
1.2
0.9
Barycentric frequency 9 6 3

Wavelet energy 32
16
0
0 50 100 150 200 250
Sample sequence number
(c) The eigenvalues are 11 to 15
Fig. 9 Signal characteristic value curve after noise reduction of damaged wire rope
图 9 损伤钢丝绳降噪后信号特征值曲线

表5中，不同特征值间相关性显著，适合进行主成分分 3 钢丝绳截面积损失定量识别

析降维. 3.1 数据库构建
使用主成分分析方法对归一化后的损伤钢丝绳
数据库为定量识别算法训练与测试提供了数据
降噪后的信号特征值进行降维处理，各成分贡献率和 基础，依照定量识别算法所需的输入数据类型不同，
累计贡献率列于表6中，可以看出前7个主成分的累计
对钢丝绳截面积损失机器学习数据库和钢丝绳截面
贡献率为99.19%，能够很大程度上反映原来15个特征
积损失深度学习数据库进行构建. 经主成分分析后，
所携带的信息. 通过主成分分析得到各成分的得分系
将主成分分析后得到的成分F 、F 、···、F 共7个数值
1
2
7
数列于表7中，共有F 、F 、···F 分析特征成分. 型数据归一化后作为机器学习网络的输入，损伤钢丝
1
7
2
记损伤钢丝绳原始特征值集合中15维数据分别
绳截面积损失作为响应输出，得到钢丝绳截面积损失
为x 、x 、···x ，记降维后的成分表达式为
15
2
1
机器学习数据库列于表8中.
F i = k 1 x 1 +k 2 x 2 +···+k 15 x 15 (i = 1,2,··· ,7) (5) 设置采样频率为200，依次对270个降噪后信号
式中：k 、k 、···、k 为各成分的得分系数. 通过对降噪 进行cwt分解并求各降噪后信号的小波系数绝对值的
2
15
1
后信号特征值进行主成分分析，将特征值维度由15降 最大值与最小值，从270个降噪后信号的小波系数最
至7，结合表7中各成分得分系数和公式(5)对主成分分 大值与最小值集合中选取最大值和最小值，作为全
析后的成分进行计算，主成分分析降维后的7种成分 局小波系数最大值与最小值，并进行小波时频图生
如图11所示. 成，获得钢丝绳截面积损失深度学习数据库. 不同截