Essendo una delle tecnologie di test non distruttivi più efficaci perfuni con anima in acciaio, la tecnologia di rilevamento elettromagnetico presenta i vantaggi di un elevato tasso di riconoscimento dei difetti e di una buona stabilità e negli ultimi anni ha ottenuto risultati di ricerca fruttuosi. Tuttavia, ci sono ancora alcuni problemi che devono essere risolti nella tecnologia dei controlli non distruttivi sulle funi di acciaio. La ricerca futura dovrà concentrarsi sui seguenti aspetti:
1. L'influenza del tipo e della struttura della fune con anima in acciaio sui risultati del test non può essere ignorata.
In base alla forma della sezione trasversale dei trefoli, le funi con anima in acciaio sono suddivise in funi metalliche a trefoli rotondi e funi metalliche a trefoli a forma speciale. Attualmente, la ricerca sui difetti delle funi di acciaio utilizza principalmente funi di acciaio a trefoli tondi, mentre c'è meno ricerca sui difetti delle funi di fili di acciaio a forma speciale. A causa delle differenze nei metodi di torsione, nei materiali dell'anima della fune e nel numero di strati di intrecciatura, anche lo stesso tipo di fune in acciaio presenta grandi differenze nella magnetizzazione e nel rilevamento dei difetti. Pertanto, sono necessarie ulteriori ricerche sulle caratteristiche della forma d'onda delle vibrazioni e sull'identificazione dei danni dei diversi tipi di segnali di difetti delle funi metalliche.
2. Prestare attenzione all'impatto della forma del difetto di impatto della fune metallica e della distribuzione spaziale sull'identificazione del danno.
La forma della frattura, la profondità della frattura e la larghezza del difetto di impatto della fune metallica sono fattori importanti che influenzano l'accuratezza dell'identificazione del difetto. La distribuzione spaziale dei difetti da impatto nelle funi metalliche è diversa, cioè difetti interni/esterni, difetti concentrati nello stesso trefolo/trefoli diversi, ecc., che hanno un impatto importante sulla precisione dell'analisi quantitativa dei difetti. Pertanto, una ricerca approfondita sulla forma e sulla distribuzione spaziale dei difetti da impatto nelle funi metalliche è di grande importanza per l'identificazione dei danni e l'analisi quantitativa.
3. Migliorare il rapporto segnale-rumore e la velocità di calcolo del segnale di difetto della fune metallica.
Il segnale di difetto di impatto non periodico della fune metallica è mescolato con il rumore delle onde, il rumore delle vibrazioni e il rumore di fondo, che influenzano gravemente l'identificazione del segnale del difetto. In particolare, l'identificazione e l'estrazione di segnali deboli da funi metalliche in condizioni di forte rumore richiedono ulteriori ricerche. Lo studio di nuovi metodi adatti a identificare ed estrarre segnali deboli da funi di acciaio in condizioni di forte rumore di fondo, nonché il miglioramento della praticità dei metodi esistenti, sono al centro della ricerca futura. L’applicazione di idee come l’ottimizzazione della popolazione e l’ottimizzazione adattiva per migliorare la selezione dei parametri di questi algoritmi può migliorare l’efficienza e l’accuratezza dell’identificazione dei danni.
4. Prestare attenzione alla ricerca sull'analisi quantitativa dei difetti delle funi metalliche e sulla previsione della vita.
L'analisi quantitativa dei difetti delle funi metalliche e la previsione della loro durata sono questioni difficili e scottanti nella ricerca attuale. La selezione della struttura della fune metallica, la morfologia del difetto, l'elaborazione del segnale e i metodi di analisi quantitativa hanno tutti un impatto cruciale sull'accuratezza della quantificazione del difetto. L'evoluzione della forma e del grado dei difetti dovuti all'impatto del filo è solitamente un parametro importante che influenza la previsione della durata della fune metallica. Pertanto, l’analisi quantitativa dei difetti di impatto e la previsione della durata delle funi di acciaio richiedono ricerche più approfondite.
5. Migrare l'applicazione integrata di nuove tecnologie e nuovi metodi.
Attualmente, la tecnologia di rilevamento elettromagnetico delle funi metalliche comprende principalmente tre fasi: preelaborazione del segnale, estrazione delle caratteristiche, determinazione qualitativa del danno e analisi quantitativa. Tuttavia, i metodi di selezione ed estrazione dei valori delle caratteristiche hanno un grande impatto sui risultati dell’identificazione qualitativa e dell’analisi quantitativa e i passaggi sono macchinosi. Pertanto, basato sul metodo di deep learning, ovvero la sostituzione diretta nella rete neurale profonda per l'addestramento senza estrazione di caratteristiche, diventerà una tendenza di ricerca nel giudizio qualitativo e nell'analisi quantitativa dei danni alle funi metalliche. Inoltre, una singola tecnologia di rilevamento non può risolvere tutti i problemi di danneggiamento delle funi metalliche. È necessario studiare la tecnologia di rilevamento della fusione multimetodo e multiindice nell'ambito della tecnologia multirilevamento per migliorare la precisione dell'identificazione dei danni alle funi metalliche e dell'analisi quantitativa.
6. Rafforzare la trasformazione e l'applicazione in loco dei risultati teorici.
A causa della diversità delle strutture delle funi metalliche, delle specifiche e delle condizioni di lavoro in miniera, le apparecchiature di prova non distruttive esistenti non possono eseguire test universali. Per le diverse caratteristiche del segnale apportate dalle diverse strutture della fune metallica, dovrebbero essere studiati alcuni algoritmi per indebolire le caratteristiche strutturali del segnale. Per le variazioni del valore di distacco causate da diverse specifiche della fune metallica, si dovrebbe studiare un determinato algoritmo per compensare o dovrebbe essere adottata una struttura di regolazione del valore di distacco variabile. Per quanto riguarda la diversità delle condizioni di lavoro in loco delle funi metalliche, come il rilevamento dell'alta velocità, il rilevamento di carichi pesanti, il rilevamento dell'arresto offline e il monitoraggio online in tempo reale, dovrebbe essere condotta una ricerca approfondita su condizioni di lavoro speciali.
