一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)及方法

技術(shù)領(lǐng)域

1.本發(fā)明涉及輸送皮帶檢測(cè)技術(shù)領(lǐng)域，具體為一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)及方法。

背景技術(shù)：

2.皮帶是帶式輸送機(jī)的牽引和運(yùn)載的關(guān)鍵部件，已廣泛應(yīng)用于煤炭、礦山、港口、電力、冶金、化工等領(lǐng)域，其成本占整機(jī)的40％以上，皮帶故障一直是影響原料運(yùn)輸效率，生產(chǎn)穩(wěn)定的痛點(diǎn)。皮帶撕裂的事故時(shí)有發(fā)生，價(jià)值幾十萬(wàn)甚至上千萬(wàn)的輸送皮帶，一旦發(fā)生縱向撕裂，礦石、原煤等原料通過(guò)撕裂口侵入到設(shè)備機(jī)械系統(tǒng)，造成設(shè)備損傷，生產(chǎn)停滯，甚至造成人員傷害等重大事故及巨大的經(jīng)濟(jì)損失，因此，需要對(duì)皮帶進(jìn)行實(shí)時(shí)監(jiān)測(cè)，預(yù)警，預(yù)測(cè)，皮帶撕裂狀態(tài)，即時(shí)發(fā)現(xiàn)、解決生產(chǎn)安全隱患，應(yīng)急報(bào)警、制動(dòng)設(shè)備，修補(bǔ)、更換皮帶，保證生產(chǎn)穩(wěn)定運(yùn)行。

3.現(xiàn)有主流皮帶檢測(cè)方式可分為兩大類：第一類是人工巡檢，這種方法由巡檢員定時(shí)定期對(duì)皮帶進(jìn)行檢查，發(fā)現(xiàn)皮帶跑偏或撕裂時(shí)則進(jìn)行停機(jī)維護(hù)。這種檢測(cè)方法效率低，具有滯后性，不能有效降低皮帶故障造成的生產(chǎn)停滯和安全問(wèn)題；第二類是機(jī)器視覺(jué)檢測(cè)，通過(guò)攝像頭實(shí)時(shí)監(jiān)測(cè)皮帶，并運(yùn)用人工智能技術(shù)實(shí)現(xiàn)故障的識(shí)別、預(yù)警。這種方法不需要人員巡檢，但受環(huán)境影響比較大，如灰塵阻擋，光源影響而且成本也比較高。

4.所以，人們需要一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)及方法來(lái)解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

5.本發(fā)明的目的在于提供一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問(wèn)題。

6.為了解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)，所述系統(tǒng)包括：設(shè)備狀態(tài)識(shí)別模塊、數(shù)據(jù)庫(kù)、皮帶檢測(cè)模塊和設(shè)備響應(yīng)模塊。

7.所述設(shè)備狀態(tài)識(shí)別模塊用于對(duì)采集到的聲音數(shù)據(jù)進(jìn)行分析，判斷設(shè)備是否發(fā)生異常；

8.所述數(shù)據(jù)庫(kù)用于存儲(chǔ)并管理采集到的所有數(shù)據(jù)；

9.所述皮帶檢測(cè)模塊用于對(duì)拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；

10.所述設(shè)備響應(yīng)模塊用于根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

11.進(jìn)一步的，所述設(shè)備狀態(tài)識(shí)別模塊包括聲音數(shù)據(jù)采集單元、聲紋識(shí)別單元和異常判斷單元；所述聲音數(shù)據(jù)采集單元的輸出端連接所述數(shù)據(jù)庫(kù)的輸入端；所述數(shù)據(jù)庫(kù)的輸出端連接所述聲紋識(shí)別單元的輸入端；所述聲紋識(shí)別單元的輸出端連接所述異常判斷單元的輸入端；所述聲音數(shù)據(jù)采集單元用于采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)；所述聲紋識(shí)別單元用于

對(duì)采集到的聲音進(jìn)行特征提取，得到聲音的特征參數(shù)；所述異常判斷單元用于將異常聲紋模型數(shù)據(jù)庫(kù)中的聲音與采集到的聲音的特征參數(shù)進(jìn)行比較，判斷設(shè)備是否出現(xiàn)異常，再根據(jù)異常情況進(jìn)一步判斷設(shè)備異常產(chǎn)生的原因。

12.進(jìn)一步的，所述皮帶檢測(cè)模塊包括圖像分析單元和皮帶狀態(tài)判斷單元；所述異常判斷單元的輸出端連接所述圖像分析單元的輸入端；所述圖像分析單元的輸出端連接所述皮帶狀態(tài)判斷單元的輸入端；所述圖像分析單元用于對(duì)拍攝到輸送皮帶異常的圖片和數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像進(jìn)行分析；所述皮帶狀態(tài)判斷單元用于將異常圖片和數(shù)據(jù)庫(kù)中的撕裂圖像進(jìn)行比較，進(jìn)一步判斷皮帶是否出現(xiàn)撕裂。

13.進(jìn)一步的，所述設(shè)備響應(yīng)模塊包括皮帶撕裂分析單元、設(shè)備停機(jī)分析單元和皮帶更換判斷單元；所述皮帶狀態(tài)判斷單元的輸出端連接所述皮帶撕裂分析單元的輸入端；所述皮帶撕裂分析單元的輸出端連接所述設(shè)備停機(jī)分析單元的輸入端；所述設(shè)備停機(jī)分析單元的輸出端連接所述皮帶更換判斷單元的輸入端；所述皮帶撕裂分析單元用于分析皮帶的撕裂長(zhǎng)度；所述設(shè)備停機(jī)分析單元用于根據(jù)皮帶的撕裂長(zhǎng)度分析皮帶的撕裂程度，從而判斷設(shè)備是否發(fā)出停機(jī)命令；所述皮帶更換判斷單元用于判斷輸送皮帶是否可以通過(guò)維修進(jìn)行二次利用。

14.一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，包括以下步驟：

15.z1：采集聲音數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析和識(shí)別，判斷設(shè)備是否發(fā)生異常；

16.z2：通過(guò)異常判斷，對(duì)采集到的圖像進(jìn)行分析，判斷皮帶的狀態(tài)；

17.z3：根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

18.進(jìn)一步的，在步驟z1中：采集設(shè)備運(yùn)行時(shí)產(chǎn)生的聲音數(shù)據(jù)，首先對(duì)聲音進(jìn)行去噪處理，避免對(duì)關(guān)鍵數(shù)據(jù)干擾，利用梅爾頻譜倒譜方法對(duì)聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫(kù)中存儲(chǔ)的異常聲音進(jìn)行比對(duì)，獲取到有c段曲線的頻率波動(dòng)相似，設(shè)置曲線頻率波動(dòng)相似段數(shù)的閾值為d，若c＜d，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度低，則判斷設(shè)備未出現(xiàn)異常；若c≥d，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常；異常聲紋模型數(shù)據(jù)庫(kù)用于存儲(chǔ)過(guò)往設(shè)備出現(xiàn)異常的聲音，梅爾頻譜倒譜主要用于語(yǔ)音的特征提取，抽取頻譜圖的輪廓信息，把音頻信號(hào)中具有辨識(shí)性的成分提取出來(lái)，然后去掉干擾信息，將設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中的故障聲音進(jìn)行比較，判斷設(shè)備是否發(fā)生異常，有利于作業(yè)人員及時(shí)對(duì)設(shè)備故障采取措施，減小設(shè)備故障帶來(lái)的影響。

19.進(jìn)一步的，在步驟z2中：根據(jù)設(shè)備的異常情況，利用svm算法對(duì)故障聲音進(jìn)行二分類，若故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；若故障聲音屬于-1類，則表示輸送皮帶未發(fā)生故障；svm算法是一種二類分類算法，它是將所有的樣本分成兩類，位于正側(cè)的樣本為一類，值為+1；位于負(fù)一側(cè)的樣本為另一類，值為-1，svm的優(yōu)點(diǎn)是具有良好的學(xué)習(xí)能力且學(xué)到的結(jié)果具有很好的推廣性，能夠解決小樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題和高維問(wèn)題，得到較小的錯(cuò)誤率，可以對(duì)訓(xùn)練集之外的數(shù)據(jù)點(diǎn)做很好的分類決策；通過(guò)判斷設(shè)備產(chǎn)生故障的原因，對(duì)故障位置進(jìn)行定位，節(jié)省工作人員檢修的時(shí)間，提高了工作效率，有利于進(jìn)一步判斷皮帶的狀態(tài)；

20.在皮帶機(jī)中心線配置激光位移傳感器，實(shí)時(shí)監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中

采集到的圖像，利用深度學(xué)習(xí)算法對(duì)圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h的尺寸，一共得到了f個(gè)像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過(guò)下列公式計(jì)算所有元素的平均值e：

[0021][0022]

從左到右依次遍歷矩陣b中的每一個(gè)元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣k；再?gòu)淖笸乙来伪闅v矩陣k中的每個(gè)元素，得到輸送皮帶異常圖像的哈希值為m，以相同的方法計(jì)算數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像的哈希值為a；通過(guò)哈希值間的比較，計(jì)算異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像的漢明距離為w，設(shè)置漢明距離的閾值為q，若w《q，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度高，則判斷皮帶撕裂；若w≥q，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度低，則判斷皮帶未發(fā)生撕裂；灰度圖像相較于彩色圖像，其內(nèi)存占比更小，運(yùn)算速度更快，而且可以在視覺(jué)上增加對(duì)比，突出目標(biāo)區(qū)域，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對(duì)比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行。

[0023]

進(jìn)一步的，在步驟z3中：根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有u處撕裂，隨機(jī)一處的起點(diǎn)坐標(biāo)為(xe,ye)，終點(diǎn)坐標(biāo)為(xe,ye)，根據(jù)下列公式計(jì)算隨機(jī)一次輸送皮帶撕裂長(zhǎng)度se：

[0024][0025]

以相同的方式計(jì)算得到撕裂長(zhǎng)度的集合s＝{s1,s2,se...,su}，通過(guò)比較得到撕裂長(zhǎng)度的最大值為s

max

，依據(jù)下列公式計(jì)算撕裂長(zhǎng)度的平均值w：

[0026][0027]

設(shè)置輸送皮帶平均撕裂長(zhǎng)度的閾值為r，若w≥r，則需要設(shè)備發(fā)出停機(jī)指令；若w＜r，則不需要設(shè)備發(fā)出停機(jī)指令；輸送皮帶是輸送機(jī)的核心部件，制造成本昂貴，通過(guò)對(duì)輸送皮帶的撕裂長(zhǎng)度進(jìn)行分析，有利于設(shè)備及時(shí)做出判斷，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益，同時(shí)也能夠延長(zhǎng)輸送帶的使用時(shí)間，保證輸送帶在運(yùn)行過(guò)程中狀態(tài)良好；

[0028]

獲取到輸送皮帶的長(zhǎng)度為g米，依據(jù)下列公式計(jì)算輸送皮帶撕裂程度的最大值h

max

:

[0029][0030]

設(shè)置輸送皮帶撕裂程度最大閾值為l，若h

max

＞l，則表示輸送皮帶不可以通過(guò)維修再次使用；若h

max

≤l，則表示輸送皮帶可以通過(guò)維修再次使用；通過(guò)輸送皮帶的可維修率預(yù)

測(cè)，能夠了解輸送皮帶的狀態(tài)，有利于企業(yè)及時(shí)更換輸送皮帶。

[0031]

與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：

[0032]

本發(fā)明通過(guò)判斷設(shè)備是否出現(xiàn)異常，有利于作業(yè)人員及時(shí)對(duì)設(shè)備故障采取措施，減小設(shè)備故障帶來(lái)的影響，再根據(jù)設(shè)備異常情況分析設(shè)備故障的原因，對(duì)故障位置進(jìn)行定位，節(jié)省工作人員檢修的時(shí)間，提高了工作效率，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對(duì)比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行，對(duì)輸送皮帶的撕裂長(zhǎng)度進(jìn)行分析，有利于設(shè)備及時(shí)做出停機(jī)響應(yīng)，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益。

附圖說(shuō)明

[0033]

附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，并且構(gòu)成說(shuō)明書的一部分，與本發(fā)明的實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的限制。在附圖中：

[0034]

圖1是本發(fā)明一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)的結(jié)構(gòu)圖；

[0035]

圖2是本發(fā)明一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法的流程圖。

具體實(shí)施方式

[0036]

以下結(jié)合附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說(shuō)明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實(shí)施例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本發(fā)明。

[0037]

請(qǐng)參閱圖1-圖2，本發(fā)明提供技術(shù)方案：一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)，系統(tǒng)包括：設(shè)備狀態(tài)識(shí)別模塊、數(shù)據(jù)庫(kù)、皮帶檢測(cè)模塊和設(shè)備響應(yīng)模塊；

[0038]

設(shè)備狀態(tài)識(shí)別模塊用于對(duì)采集到的聲音數(shù)據(jù)進(jìn)行分析，判斷設(shè)備是否發(fā)生異常；

[0039]

數(shù)據(jù)庫(kù)用于存儲(chǔ)并管理采集到的所有數(shù)據(jù)；

[0040]

皮帶檢測(cè)模塊用于對(duì)拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；

[0041]

設(shè)備響應(yīng)模塊用于用于根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

[0042]

設(shè)備狀態(tài)識(shí)別模塊包括聲音數(shù)據(jù)采集單元、聲紋識(shí)別單元和異常判斷單元；聲音數(shù)據(jù)采集單元的輸出端連接數(shù)據(jù)庫(kù)的輸入端；數(shù)據(jù)庫(kù)的輸出端連接聲紋識(shí)別單元的輸入端；聲紋識(shí)別單元的輸出端連接異常判斷單元的輸入端；聲音數(shù)據(jù)采集單元用于采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)；聲紋識(shí)別單元用于對(duì)采集到的聲音進(jìn)行特征提取，得到聲音的特征參數(shù)；異常判斷單元用于將異常聲紋模型數(shù)據(jù)庫(kù)中的聲音與采集到的聲音的特征參數(shù)進(jìn)行比較，判斷設(shè)備是否出現(xiàn)異常，再根據(jù)異常情況進(jìn)一步判斷設(shè)備異常產(chǎn)生的原因。

[0043]

皮帶檢測(cè)模塊包括圖像分析單元和皮帶狀態(tài)判斷單元；異常判斷單元的輸出端連接圖像分析單元的輸入端；圖像分析單元的輸出端連接皮帶狀態(tài)判斷單元的輸入端；圖像分析單元用于對(duì)拍攝到輸送皮帶異常的圖片和數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像進(jìn)行分析；皮帶狀態(tài)判斷單元用于根據(jù)異常圖片和數(shù)據(jù)庫(kù)中的撕裂圖像進(jìn)行比較，進(jìn)一步判斷皮帶是否出現(xiàn)撕裂。

[0044]

設(shè)備響應(yīng)模塊包括皮帶撕裂分析單元、設(shè)備停機(jī)分析單元和皮帶更換判斷單元；皮帶狀態(tài)判斷單元的輸出端連接皮帶撕裂分析單元的輸入端；皮帶撕裂分析單元的輸出端連接設(shè)備停機(jī)分析單元的輸入端；設(shè)備停機(jī)分析單元的輸出端連接皮帶更換判斷單元的輸

入端；皮帶撕裂分析單元用于分析皮帶的撕裂長(zhǎng)度；設(shè)備停機(jī)分析單元用于根據(jù)皮帶的撕裂長(zhǎng)度分析皮帶的撕裂程度，從而判斷設(shè)備是否發(fā)出停機(jī)命令；所述皮帶更換判斷單元用于判斷輸送皮帶是否可以通過(guò)維修進(jìn)行二次利用。

[0045]

一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，包括以下步驟：

[0046]

z1：采集聲音數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析和識(shí)別，判斷設(shè)備是否發(fā)生異常；

[0047]

z2：通過(guò)異常判斷，對(duì)采集到的圖像進(jìn)行分析，判斷皮帶的狀態(tài)；

[0048]

z3：根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

[0049]

在步驟z1中：采集設(shè)備運(yùn)行時(shí)產(chǎn)生的聲音數(shù)據(jù)，首先對(duì)聲音進(jìn)行去噪處理，避免對(duì)關(guān)鍵數(shù)據(jù)干擾，利用梅爾頻譜倒譜方法對(duì)聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫(kù)中存儲(chǔ)的異常聲音進(jìn)行比對(duì)，獲取到有c段曲線的頻率波動(dòng)相似，設(shè)置曲線頻率波動(dòng)相似段數(shù)的閾值為d，若c＜d，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度低，則判斷設(shè)備未出現(xiàn)異常；若c≥d，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常；異常聲紋模型數(shù)據(jù)庫(kù)用于存儲(chǔ)過(guò)往設(shè)備出現(xiàn)異常的聲音，梅爾頻譜倒譜主要用于語(yǔ)音的特征提取，抽取頻譜圖的輪廓信息，把音頻信號(hào)中具有辨識(shí)性的成分提取出來(lái)，然后去掉干擾信息，將設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中的故障聲音進(jìn)行比較，判斷設(shè)備是否發(fā)生異常，有利于作業(yè)人員及時(shí)對(duì)設(shè)備故障采取措施，減小設(shè)備故障帶來(lái)的影響。

[0050]

在步驟z2中：根據(jù)設(shè)備的異常情況，利用svm算法對(duì)故障聲音進(jìn)行二分類，若故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；若故障聲音屬于-1類，則表示輸送皮帶未發(fā)生故障；svm算法是一種二類分類算法，它是將所有的樣本分成兩類，位于正側(cè)的樣本為一類，值為+1；位于負(fù)一側(cè)的樣本為另一類，值為-1，svm的優(yōu)點(diǎn)是具有良好的學(xué)習(xí)能力且學(xué)到的結(jié)果具有很好的推廣性，能夠解決小樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題和高維問(wèn)題，得到較小的錯(cuò)誤率，可以對(duì)訓(xùn)練集之外的數(shù)據(jù)點(diǎn)做很好的分類決策；通過(guò)判斷設(shè)備產(chǎn)生故障的原因，對(duì)故障位置進(jìn)行定位，節(jié)省工作人員檢修的時(shí)間，提高了工作效率，有利于進(jìn)一步判斷皮帶的狀態(tài)；

[0051]

在皮帶機(jī)中心線配置激光位移傳感器，實(shí)時(shí)監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中采集到的圖像，利用深度學(xué)習(xí)算法對(duì)圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h的尺寸，一共得到了f個(gè)像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過(guò)下列公式計(jì)算所有元素的平均值e：

[0052][0053]

從左到右依次遍歷矩陣b中的每一個(gè)元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣k；再?gòu)淖笸乙来伪闅v矩陣k中的每個(gè)元素，得到輸送皮帶

異常圖像的哈希值為m，以相同的方法計(jì)算數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像的哈希值為a；通過(guò)哈希值間的比較，計(jì)算異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像的漢明距離為w，設(shè)置漢明距離的閾值為q，若w《q，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度高，則判斷皮帶撕裂；若w≥q，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度低，則判斷皮帶未發(fā)生撕裂；灰度圖像相較于彩色圖像，其內(nèi)存占比更小，運(yùn)算速度更快，而且可以在視覺(jué)上增加對(duì)比，突出目標(biāo)區(qū)域，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對(duì)比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行。

[0054]

進(jìn)一步的，在步驟z3中：根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有u處撕裂，隨機(jī)一處的起點(diǎn)坐標(biāo)為(xe,ye)，終點(diǎn)坐標(biāo)為(xe,ye)，根據(jù)下列公式計(jì)算隨機(jī)一次輸送皮帶撕裂長(zhǎng)度se：

[0055][0056]

以相同的方式計(jì)算得到撕裂長(zhǎng)度的集合s＝{s1,s2,se...,su}，通過(guò)比較得到撕裂長(zhǎng)度的最大值為s

max

，依據(jù)下列公式計(jì)算撕裂長(zhǎng)度的平均值w：

[0057][0058]

設(shè)置輸送皮帶平均撕裂長(zhǎng)度的閾值為r，若w≥r，則需要設(shè)備發(fā)出停機(jī)指令；若w＜r，則不需要設(shè)備發(fā)出停機(jī)指令；輸送皮帶是輸送機(jī)的核心部件，制造成本昂貴，通過(guò)對(duì)輸送皮帶的撕裂長(zhǎng)度進(jìn)行分析，有利于設(shè)備及時(shí)做出判斷，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益，同時(shí)也能夠延長(zhǎng)輸送帶的使用時(shí)間，保證輸送帶在運(yùn)行過(guò)程中狀態(tài)良好；

[0059]

獲取到輸送皮帶的長(zhǎng)度為g米，依據(jù)下列公式計(jì)算輸送皮帶撕裂程度的最大值h

max

:

[0060][0061]

設(shè)置輸送皮帶撕裂程度最大閾值為l，若h

max

＞l，則表示輸送皮帶不可以通過(guò)維修再次使用；若h

max

≤l，則表示輸送皮帶可以通過(guò)維修再次使用；通過(guò)輸送皮帶的可維修率預(yù)測(cè)，能夠了解輸送皮帶的狀態(tài)，有利于企業(yè)及時(shí)更換輸送皮帶。

[0062]

實(shí)施例一：采集設(shè)備運(yùn)行時(shí)產(chǎn)生的聲音數(shù)據(jù)，首先對(duì)聲音進(jìn)行處理，避免對(duì)關(guān)鍵數(shù)據(jù)干擾，利用梅爾頻譜倒譜方法對(duì)聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫(kù)中存儲(chǔ)的異常聲音進(jìn)行比對(duì)，獲取到有10段曲線的頻率波動(dòng)相似，設(shè)置曲線頻率波動(dòng)相似段數(shù)的閾值為5；10≥5，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常；利用梅爾頻譜倒譜的方法，提取聲音特征與數(shù)據(jù)庫(kù)中的故障聲音進(jìn)行比較，判斷設(shè)備是否發(fā)生異常，有利于作業(yè)人員及時(shí)對(duì)設(shè)備故障采取措施，減小設(shè)備故障帶來(lái)的影響；

[0063]

利用svm算法對(duì)故障聲音進(jìn)行二分類，得到故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；svm算法是一種二類分類算法，它是將所有的樣本分成兩類，位于正側(cè)的樣本為一類，值為+1；位于負(fù)一側(cè)的樣本為另一類，值為-1，svm的優(yōu)點(diǎn)是具有良好的學(xué)習(xí)能力且學(xué)到

的結(jié)果具有很好的推廣性，能夠解決小樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題和高維問(wèn)題，得到較小的錯(cuò)誤率，可以對(duì)訓(xùn)練集之外的數(shù)據(jù)點(diǎn)做很好的分類決策；通過(guò)判斷設(shè)備產(chǎn)生故障的原因，對(duì)故障位置進(jìn)行定位，節(jié)省工作人員檢修的時(shí)間，提高了工作效率，有利于進(jìn)一步判斷皮帶的狀態(tài)；

[0064]

在皮帶機(jī)中心線配置激光位移傳感器，實(shí)時(shí)監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中采集到的圖像，利用深度學(xué)習(xí)算法對(duì)圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h＝6*6的尺寸，一共得到了36個(gè)像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過(guò)下列公式計(jì)算所有元素的平均值從左到右依次遍歷矩陣b中的每一個(gè)元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣再?gòu)淖笸乙来伪闅v矩陣k中的每個(gè)元素，得到輸送皮帶異常圖像的哈希值為011101000001110000001001111000111000，以相同的方法計(jì)算數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像的哈希值為101101000001110000001001111000111001；通過(guò)哈希值間的比較，計(jì)算兩張圖像的漢明距離為3，設(shè)置漢明距離的閾值為15，若3《15，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度高，則判斷皮帶撕裂；灰度圖像相較于彩色圖像，其內(nèi)存占比更小，運(yùn)算速度更快，而且可以在視覺(jué)上增加對(duì)比，突出目標(biāo)區(qū)域，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對(duì)比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行；

[0065]

根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有3處撕裂，起始坐標(biāo)分別為(3,5)、(3,9)、(7,2)，終點(diǎn)坐標(biāo)分別為(9，15)、(11,5)、(6,4)，計(jì)算輸送皮帶間的撕裂長(zhǎng)度集合s＝{11.66,8.94,2.24}，通過(guò)比較得到撕裂長(zhǎng)度的最大值為s

max

＝11.66：計(jì)算撕裂長(zhǎng)度的平均值w：

[0066]

設(shè)置輸送皮帶撕裂長(zhǎng)度的閾值為5，7.61＞5，則需要設(shè)備發(fā)出停機(jī)指令；輸送皮帶是輸送機(jī)的核心部件，制造成本昂貴，通過(guò)對(duì)輸送皮帶的撕裂長(zhǎng)度進(jìn)行分析，有利于設(shè)備及時(shí)做出判斷，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益，同時(shí)也能夠延長(zhǎng)輸

送帶的使用時(shí)間，保證輸送帶在運(yùn)行過(guò)程中狀態(tài)良好；

[0067]

獲取輸送皮帶的長(zhǎng)度為50米，輸送皮帶的撕裂程度設(shè)置輸送皮帶撕裂程度的閾值為10％，10％《23％，則表示輸送皮帶不可以通過(guò)維修再次使用；通過(guò)輸送皮帶的撕裂程度，判斷輸送皮帶的能否繼續(xù)使用，有利于了解輸送皮帶的狀態(tài)，企業(yè)及時(shí)更換輸送皮帶。

[0068]

最后應(yīng)說(shuō)明的是：以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。技術(shù)特征：

1.一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)，其特征在于：所述系統(tǒng)包括：設(shè)備狀態(tài)識(shí)別模塊、數(shù)據(jù)庫(kù)、皮帶檢測(cè)模塊和設(shè)備響應(yīng)模塊；所述設(shè)備狀態(tài)識(shí)別模塊的輸出端連接所述數(shù)據(jù)庫(kù)的輸入端；所述設(shè)備狀態(tài)識(shí)別模塊的輸出端連接所述皮帶檢測(cè)模塊的輸入端；所述皮帶檢測(cè)模塊的輸出端連接所述設(shè)備響應(yīng)模塊的輸入端；所述設(shè)備狀態(tài)識(shí)別模塊用于對(duì)采集到的聲音數(shù)據(jù)進(jìn)行分析，判斷設(shè)備是否發(fā)生異常；所述數(shù)據(jù)庫(kù)用于存儲(chǔ)并管理采集到的所有數(shù)據(jù)；所述皮帶檢測(cè)模塊用于對(duì)拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；所述設(shè)備響應(yīng)模塊用于根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。2.根據(jù)權(quán)利要求1所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)，其特征在于：所述設(shè)備狀態(tài)識(shí)別模塊包括聲音數(shù)據(jù)采集單元、聲紋識(shí)別單元和異常判斷單元；所述聲音數(shù)據(jù)采集單元的輸出端連接所述數(shù)據(jù)庫(kù)的輸入端；所述數(shù)據(jù)庫(kù)的輸出端連接所述聲紋識(shí)別單元的輸入端；所述聲紋識(shí)別單元的輸出端連接所述異常判斷單元的輸入端；所述聲音數(shù)據(jù)采集單元用于采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)；所述聲紋識(shí)別單元用于對(duì)采集到的聲音進(jìn)行特征提取，得到聲音的特征參數(shù)；所述異常判斷單元用于將異常聲紋模型數(shù)據(jù)庫(kù)中的聲音與采集到的聲音的特征參數(shù)進(jìn)行比較，判斷設(shè)備是否出現(xiàn)異常，再根據(jù)異常情況進(jìn)一步判斷設(shè)備異常產(chǎn)生的原因。3.根據(jù)權(quán)利要求2所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)，其特征在于：所述皮帶檢測(cè)模塊包括圖像分析單元和皮帶狀態(tài)判斷單元；所述異常判斷單元的輸出端連接所述圖像分析單元的輸入端；所述圖像分析單元的輸出端連接所述皮帶狀態(tài)判斷單元的輸入端；所述圖像分析單元用于對(duì)拍攝到輸送皮帶異常的圖片和數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像進(jìn)行分析；所述皮帶狀態(tài)判斷單元用于將異常圖片和數(shù)據(jù)庫(kù)中的撕裂圖像進(jìn)行比較，進(jìn)一步判斷皮帶是否出現(xiàn)撕裂。4.根據(jù)權(quán)利要求3所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)，其特征在于：所述設(shè)備響應(yīng)模塊包括皮帶撕裂分析單元、設(shè)備停機(jī)分析單元和皮帶更換判斷單元；所述皮帶狀態(tài)判斷單元的輸出端連接所述皮帶撕裂分析單元的輸入端；所述皮帶撕裂分析單元的輸出端連接所述設(shè)備停機(jī)分析單元的輸入端；所述設(shè)備停機(jī)分析單元的輸出端連接所述皮帶更換判斷單元的輸入端；所述皮帶撕裂分析單元用于分析皮帶的撕裂長(zhǎng)度；所述設(shè)備停機(jī)分析單元用于根據(jù)皮帶的撕裂長(zhǎng)度分析皮帶的撕裂程度，從而判斷設(shè)備是否發(fā)出停機(jī)命令；所述皮帶更換判斷單元用于判斷輸送皮帶是否可以通過(guò)維修進(jìn)行二次利用。5.一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，其特征在于：包括以下步驟：z1：采集聲音數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析和識(shí)別，判斷設(shè)備是否發(fā)生異常；z2：通過(guò)異常判斷，對(duì)采集到的圖像進(jìn)行分析，判斷皮帶的狀態(tài)；z3：根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

6.根據(jù)權(quán)利要求5所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，其特征在于：在步驟z1中：采集設(shè)備運(yùn)行時(shí)產(chǎn)生的聲音數(shù)據(jù)，首先對(duì)聲音進(jìn)行去噪處理，利用梅爾頻譜倒譜方法對(duì)聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫(kù)中存儲(chǔ)的異常聲音進(jìn)行比對(duì)，獲取到有c段曲線的頻率波動(dòng)相似，設(shè)置曲線頻率波動(dòng)相似段數(shù)的閾值為d，若c＜d，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度低，則判斷設(shè)備未出現(xiàn)異常；若c≥d，表示設(shè)備運(yùn)行時(shí)的聲音與數(shù)據(jù)庫(kù)中存儲(chǔ)的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常。7.根據(jù)權(quán)利要求6所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，其特征在于：在步驟z2中：利用svm算法對(duì)故障聲音進(jìn)行二分類，若故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；若故障聲音屬于-1類，則表示輸送皮帶未發(fā)生故障。8.根據(jù)權(quán)利要求7所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，其特征在于：在皮帶機(jī)中心線配置激光位移傳感器，實(shí)時(shí)監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中采集到的圖像，利用深度學(xué)習(xí)算法對(duì)圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h的尺寸，一共得到了f個(gè)像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過(guò)下列公式計(jì)算所有元素的平均值e：從左到右依次遍歷矩陣b中的每一個(gè)元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣k；再?gòu)淖笸乙来伪闅v矩陣k中的每個(gè)元素，得到輸送皮帶異常圖像的哈希值為m，以相同的方法計(jì)算數(shù)據(jù)庫(kù)中存儲(chǔ)的輸送皮帶撕裂圖像的哈希值為a；通過(guò)哈希值間的比較，計(jì)算異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像的漢明距離為w，設(shè)置漢明距離的閾值為q，若w<q，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度高，則判斷皮帶撕裂；若w≥q，表示異常圖像和數(shù)據(jù)庫(kù)中的撕裂圖像相似度低，則判斷皮帶未發(fā)生撕裂。9.根據(jù)權(quán)利要求8所述的一種基于ai與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)方法，其特征在于：在步驟z3中：根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有u處撕裂，隨機(jī)一處的起點(diǎn)坐標(biāo)為(x

e

,y

e

)，終點(diǎn)坐標(biāo)為(x

e

,y

e

)，根據(jù)下列公式計(jì)算隨機(jī)一次輸送皮帶撕裂長(zhǎng)度s

e

：以相同的方式計(jì)算得到撕裂長(zhǎng)度的集合s＝{s1,s2,s

e

...,s

u

}，通過(guò)比較得到撕裂長(zhǎng)度的最大值為s

max

，依據(jù)下列公式計(jì)算撕裂長(zhǎng)度的平均值w：設(shè)置輸送皮帶平均撕裂長(zhǎng)度的閾值為r，若w≥r，則需要設(shè)備發(fā)出停機(jī)指令；若w＜r，則不需要設(shè)備發(fā)出停機(jī)指令；

獲取到輸送皮帶的長(zhǎng)度為g米，依據(jù)下列公式計(jì)算輸送皮帶撕裂程度的最大值h

max

:設(shè)置輸送皮帶撕裂程度最大閾值為l，若h

max

＞l，則表示輸送皮帶不可以通過(guò)維修再次使用；若h

max

≤l，則表示輸送皮帶可以通過(guò)維修再次使用。

技術(shù)總結(jié)

本發(fā)明涉及輸送皮帶檢測(cè)技術(shù)領(lǐng)域，具體為一種基于AI與激光監(jiān)測(cè)技術(shù)的輸送皮帶檢測(cè)系統(tǒng)及方法，包括：設(shè)備狀態(tài)識(shí)別模塊、皮帶檢測(cè)模塊和設(shè)備響應(yīng)模塊，通過(guò)設(shè)備狀態(tài)識(shí)別模塊采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析和識(shí)別，判斷設(shè)備是否發(fā)生異常，將所有采集到的數(shù)據(jù)信息存儲(chǔ)到數(shù)據(jù)庫(kù)中并對(duì)數(shù)據(jù)進(jìn)行管理；通過(guò)皮帶檢測(cè)模塊對(duì)拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；通過(guò)設(shè)備響應(yīng)模塊根據(jù)皮帶的狀態(tài)，設(shè)備判斷是否發(fā)出停機(jī)指令；通過(guò)聲紋識(shí)別，判斷皮帶是否出現(xiàn)異常，檢測(cè)皮帶的狀態(tài)，進(jìn)行預(yù)警，保證生產(chǎn)穩(wěn)定運(yùn)行。保證生產(chǎn)穩(wěn)定運(yùn)行。保證生產(chǎn)穩(wěn)定運(yùn)行。

技術(shù)研發(fā)人員：劉魁 劉勝杰 郭強(qiáng) 袁明華 王嬌 王芳

受保護(hù)的技術(shù)使用者：聯(lián)通雄安產(chǎn)業(yè)互聯(lián)網(wǎng)有限公司

技術(shù)研發(fā)日：2023.01.29

技術(shù)公布日：2023/5/31