钢丝绳作为一种铁磁性构件,具有承载能力强、自重轻、局部小缺陷不会发生骤断特点,普遍应用于港口、煤矿、起重等领域,其工作环境恶劣,经过长时间的使用必然发生磨损、疲劳、锈蚀等缺陷,最终导致断丝或骤断,这将对人的安全造成重大的威胁。本文以钢丝绳出现的断丝缺陷检测为目标,采用嵌入式ARM技术、模式识别和神经网络等方法对钢丝绳断丝进行检测与定量识别,主要完成了以下研究和工程实践:1.介绍了钢丝绳断丝损伤形式,分析了钢丝绳缺陷漏磁场形成机理,构建了基于磁荷理论的钢丝绳漏磁信号仿真模型,为后续断丝损伤信号分析和识别提供了理论基础。2.设计了钢丝绳磁化装置,介绍了霍尔传感器的检测原理及其在钢丝绳磁化装置中排布的位置。搭建了基于STM32的钢丝绳检测系统软硬件平台,并对系统各个电路模块性能进行了测试分析。系统采用等空间采样避免了检测速度的影响,同时记录钢丝绳缺陷出现的位置,设计的检测系统工作稳定可靠。3.研究了钢丝绳缺陷信号的频谱特性,提出了两种股波信号的抑制方法。针对股波信号幅值大,但频带较窄的特点,设计了陷波滤波器,消除股波信号;研究了小波分析方法,利用Mallat算法对钢丝绳缺陷信号进行分解,设定阈值后重构,最终滤除噪声的同时凸显出了真实损伤信号。在滤除噪声后,提取出断丝信号中幅值,波形态等时频特征,并将特征值归一化处理,为钢丝绳断丝损伤量化识别模型的构建奠定了基础。4.分析了BP神经网络和支持向量机(SVM)分类原理,分别构建了BP神经网络和支持向量机的两种钢丝绳断丝损伤量化识别模型,并对比并分析了两种钢丝绳断丝损伤识别模型的性能。针对BP网络初始权值和阈值及支持向量机分类模型中惩罚系数和核函数参数均为随机性问题,提出了一种改进的自适应粒子群算法,对模型参数进行优化。结果表明:改进的粒子群算法寻优速度快、精度高,构建的两种模型都能以较高的精度识别出钢丝绳断丝数量,SVM模型对小样本的断丝损伤分类识别性能更优。