基于缺陷理论的起重机械钢丝绳无损检测方法分析

麦晓俊，潘灿威，戴建芯

（广东省特种设备检测研究院佛山检测院，广东 佛山 52800）

起重机械钢丝绳在吊载时，受到钢丝之间及钢丝与绳槽或筒壁之间的磨擦、挤压而产生的交变应力，致使钢丝绳疲劳、弯折甚至破断。钢丝绳在这复杂交变应力作用下发生的缺陷不可控制和不可预测，而这些缺陷时刻关系着设备的安全使用，因此，起重机械钢丝绳需要定期检验和日常检验。常使用的方法主要有人工目视检测和磁检测法，这两种方法难以达到实时性和全面性的工作需求。为了更科学地检测出钢丝绳缺陷，更合理使用钢丝绳，本文在研究起重机械钢丝绳缺陷理论的基础上分析相应的检测方法。

1 起重机械钢丝绳缺陷理论

1.1 起重机械钢丝绳结构与特性

钢丝绳是起重机械的垂直承重部件，普遍用于起重机械的起升、变幅、旋转等机构。钢丝绳的结构由钢丝、股芯、绳芯三大部件组成，首先，将若干结构相同钢丝和股芯捻制成股，再将一定数量的绳股紧紧缠绕绳芯捻制而成。相比其他索链，具有强度高、柔性好、重量轻、操作平稳、突然断裂少的优势。考虑钢丝绳表面特征，根据股中相邻两层钢丝的接触状态将钢丝绳分为点接触型、线接触型和面接触型。起重机械钢丝绳应优先采用线接触型钢丝绳，因为其钢丝间接触应力小，使磨损减小，延长钢丝绳的寿命，钢丝间易于滑动，提高钢丝绳的挠性。为达到面填充率高、承重能力好，生产线接触型钢丝绳时使用粗、细两种钢丝。所以表现出的钢丝绳表面的特征为每层钢丝的节距相同，内外钢丝的接触形成一条螺旋线。

1.2 起重机械钢丝绳缺陷类型和缺陷位置

钢丝绳无损检测研究主要基于钢丝绳损伤的两大类：第一类简称LF（Localized Fault）局部缺陷，主要通过整体角度宏观分析，再集中到特定的区域研究，主要的特点是钢丝绳的断丝，断丝的另一种表现形式为局部集中断丝，即断丝集中分布在一窄段钢丝绳内。第二类损伤简称LMA（Loss of metal cross-sectional area）型缺陷，是钢丝绳钢丝受到疲劳、腐蚀、划伤，挤压而造成。这种缺陷最显著的特征是钢丝绳的直径变化，承载能力降低，最终钢丝绳断丝破裂。

起重机械钢丝绳最容易损伤的位置是发生在钢丝绳受到交变应力最复杂的地方，找出其位置对钢丝绳检测至关重要。起重机械钢丝绳损伤位置常见以下几个区段：交叉重叠区和发生最严重干涉的区段；载荷吊起时钢丝绳进入顶部滑轮的区段；载荷吊起时钢丝绳进人下部滑轮组的区段。

综上分析，钢丝绳的安全状态检测时，必须时刻监测这两个特征，这也是钢丝绳无损检测的钢丝绳理论基础。

2 起重机械钢丝绳检测方法分析

起重机械钢丝绳检测目前常用的方法有两种：传统的人工检测和磁检测。传统方法主要通过目测和游标卡尺测量钢丝绳绳径检测LMA型缺陷，通过在钢丝绳表面包裹一层布检测LF型缺陷。这种方法效率低、效果差，受人主观因素影响较大，尤其对高空作业的起重机械钢丝绳无能为力。针对钢丝绳不同的缺陷，磁检测法的原理有所不同。对于LF型缺陷，通过传感器探测钢丝绳断丝处泄漏的磁场来判断缺陷信息，对于LMA型缺陷，通过对比钢丝绳内部穿过磁通量的变化检测钢丝绳金属截面变化情况。根据磁化方式可分为三种：交流磁化、直流磁化、永磁磁化。交流磁化会造成传感器发热，精度不足，直流磁化的设备庞大，操作麻烦，所以这两种方法已经被永磁替代。永磁磁化装置携带方便，测量精度高，已广泛在工业场所使用。传感器中常见的有两种：感应线圈和霍尔元件。在起重机械钢丝绳检测过程中，传感器要沿着钢丝绳移动，感应线圈传感器容易受到移动速度的影响，造成无信号或者检测位置不准确，霍尔传感器而不受移动速度影响。钢丝绳钢丝绳电磁检测仪结构如图1所示。

图1 钢丝绳电磁检测仪结构

电磁检测仪虽然在检测起重机械钢丝绳中具有众多优点，但起重机械使用的环境复杂，受高空、油污影响，在实际使用过程中存在以下不足。

（1）钢丝绳结构对检测影响：起重机械使用的钢丝绳多为线接触的八股钢丝绳，传感器在对钢丝绳检测时，股与股之间产生磁泄漏，容易误判为断丝缺陷。锈蚀、磨损的钢丝绳，磁传感器输出的信号较为相似，这两种缺陷难以分辨识别。在缺陷的位置上，磁检测仪的空间分辨率也较低，尤其是两个缺陷距离比较接近时，更难判断。

（2）检测仪受使用环境影响：磁检测仪在使用时，要在卷筒上方固定一点，方便传感器爬升，对于臂架式或者电动单梁起重机几乎是不能完成的。

（3）检测仪智能程度低：普遍使用的磁检测仪检测后期需要人工辅助判断缺陷类型和损伤程度，而这些需专业知识和经验技术，因此，检测结果准确度和可靠度低。

鉴于现有人工目视检测法和磁检测法的不足，本文提出基于图像检测的方法对起重机械钢丝绳进行检测，丰富起重机械钢丝绳的检验方法。以数字图像处理的理论基础为背景对钢丝绳进行全面的断丝缺陷识别与定位判断。图像检测是指对图像感兴趣的区域进行提取分割，然后智能识别的过程，包括图像特征提取、归纳，最终通过相应算法分离出来。图像检测一般可分为四部分，即图像预处理、图像分割、图像特征提取以及识别判断。

图像分割指根据图像目标和背景的先验知识，对其进行标识、定位，然后将目标从背景中分离出来。常见的分割方法有阀值分割、边缘检测、区域提取。

图像特征提取是指从图像众多特征中提取出最有效的特征，以达到降低空间维度的目的，方便检测处理。图像特征可分为颜色、纹理、形状、表面等，其中纹理用来表征图像中局部的不规则而整体有规律的特性，通过像素分布的方向性和位置获取。特征提取的方法有以下四类：统计法是基于像素与邻域间的灰度一阶、二阶或者高阶统计特性提取，结构法是基于图像不同方向、不同类型的纹理基元提取，模型法是基于估计模型的参数提取，信号处理法是基于图像的变换域提取。各种方法既有区别，又有联系，具体需根据图像特征来提取。

图像缺陷分类识别传统方法主要有Fisher准则、贝叶斯方法、K-近邻分类方法、线性分类法等。这些方法都是在统计的基础上，将最小化期望风险转化成最小化经验风险。训练样本数越大，两种风险间的偏差就越小，但在实际的应用中，训练样本数越大工作越难实现。另一方面，这些传统方法需要先验知识和模型结构，在实际操作中，这些信息很难确定。所以传统方法有较大的局限性。

随着生物学理论的发展，神经网络方法开始广泛地运用，例如BP神经网络、径向基网络、随机神经网络等。神经网络方法具有自学习、自适应能力，适用于未知的系统。因此能在一定程度上避免传统方法的缺点，在实际工作中得到很好的应用。

3 结语

随着GB/T 28264-2017《起重机械安全监控管理系统》的实施，其中要求大型起重设备安装安全监控系统，监控起重机械吊点、运行的状态，大量视频、照相设备应用到起重设备中。采集起重机械钢丝绳图像成本在降低和方便性方面在提高，为起重机械钢丝绳图像检测提供了硬件基础，再者起重机械使用环境恶劣复杂，基于起重机械钢丝绳结构特性和图像的分析，发现无损钢丝绳与存在缺陷钢丝绳在图像纹理特征中有差异，起重机械钢丝绳图像检测法将成为新的趋势。