CN103144937B - 煤矿钢丝绳芯带式输送机智能监控系统及监控方法 - Google Patents

Abstract

本发明公开了一种煤矿钢丝绳芯带式输送机智能监控系统及监控方法，其监控平台包括变频控制系统、对钢丝绳芯输送带运行状态进行监控的运行监控系统和对钢丝绳芯输送带内是否存在缺陷及所存在缺陷的类别与位置进行监测的电磁在线监测系统；其监控方法包括步骤：一、输送机启动及电磁加载；二、输送带上各接头位置定位；三、信号实时采集及同步分类：钢丝绳芯输送带连续转动过程中，通过电磁在线监测系统对钢丝绳芯输送带内是否存在缺陷及所存在缺陷的类别与位置进行确定，同时通过运行监控系统对钢丝绳芯输送带的运行状态进行监控。本发明设计合理、使用操作简便、实现方便且使用效果好、实用价值高，集变频控制、运行监控和电磁在线监测于一体。

Description

煤矿钢丝绳芯带式输送机智能监控系统及监控方法

技术领域

本发明属于煤矿钢丝绳芯带式输送机智能监控技术领域，尤其是涉及一种煤矿钢丝绳芯带式输送机智能监控系统及监控方法。

背景技术

现如今，带式运输是大多数矿山所采用的主作为一种重要的运输系统，通常情况下要承担65%以上煤量的运输工作，在现代化煤矿生产系统中发挥着极其重要的作用。全国原煤产量呈逐年上升趋势，随着科技的发展和生产规模的不断扩大，煤炭产量的不断增加，带式输送机正朝着大运量、大功率、长距离的方向发展，同时，也导致带式输送机故障和断带事故频发。因此，必须对煤矿运输系统，特别是广泛应用于主井提升的钢丝绳芯带式输送机的运行安全性进行有效监控。

目前，钢丝绳芯带式输送机主要存在以下问题：

（1）带式输送机起停冲击问题

对于大功率带式输送机，直接起动和停止会对整个设备带来强大的冲击，甚至发生断带事故，这对带式输送机的寿命和整个煤矿的生产有着非常大的影响，而软起停技术能较好解决该问题。

（2）带式输送机运行过程中的故障

带式输送机运行过程中容易产生跑偏、撕裂、超温、打滑、堆煤、烟雾等故障。带式输送机一旦发生以上各种事故，轻则影响输送机寿命和生产效率，重则发生设备损毁和人员伤亡等严重后果。

（3）钢丝绳芯输送带断带问题

钢丝绳芯输送带由于长时间的高强度运行，钢丝绳会出现断绳、断丝、疲劳等缺陷，同时输送带现场硫化工艺和水平不足也会引起硫化接头隐患，若遇大倾角提升以及起停和块煤等冲击载荷，将直接引发输送带断裂。国内近年来由于输送带断裂事故已经给煤矿安全生产带来了极大的影响。

针对上述问题，国内外分别采取了相应的解决措施，具体解决方法如下：

第一、采用带式输送机软起停自动控制技术防止冲击：带式输送机的软起动控制，主要是防止带式输送机起动和停止时的冲击，目前具体的软起停方式主要是分为以下几种方式：①液力耦合器；②可控硅交流调压调速；③变频调速。采用变频器技术来改造传统的带式输送机驱动系统，不管是技术的先进性方面，还是社会经济效益方面都会带来巨大的提高，随着社会的发展，最终在带式输送机的驱动上变频器将取代液力耦合器的主导地位。

第二、采用综合保护系统对带式输送机运行过程故障进行监测：对于带式输送机运行过程中主要出现的跑偏、堆煤、打滑、撕带张力超限等故障，目前国内有关单位开发了带式输送机综合监控系统。系统的解决措施是在输送机的机架上安装跑偏、堆煤、打滑、撕带、烟雾、张力等传感器，系统实时检测传感器数据，并把传感器数据实时传输到监控系统，监控系统根据故障发出声光报警，甚至控制输送机停机。

第三、钢丝绳芯输送带内部缺陷监测：

目前煤矿对检测钢丝绳芯输送带的主要办法是人工检测和定期更换输送带，只有少部分煤矿应用强磁检测方法、X射线检测方法或弱磁检测方法。并且实际应用过程中，由于钢丝绳芯输送带缺陷种类较多，信号特征比较复杂，钢丝绳芯输送带的缺陷信号模式识别属于多分类识别。现有检测系统在缺陷信号模式识别方面的研究严重不足，并且存在实时性差和可靠性低等问题。

另外，现如今带式输送机所采用的实时监控系统中各子系统相互独立，不能实现信息融合和智能判断。因此，研究一种集变频控制、运行监控与电磁在线监测于一体的煤矿钢丝绳芯输送带智能监控平台及监控方法，保证带式输送机高效、节能、安全运行，对煤矿安全生产具有重要意义。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种设计合理、使用操作简便且使用效果好、功能全面的煤矿钢丝绳芯带式输送机智能监控系统。

为解决上述技术问题，本发明采用的技术方案是：一种煤矿钢丝绳芯带式输送机智能监控系统，其特征在于：包括对被监控钢丝绳芯带式输送机进行驱动控制的变频控制系统、对被监控钢丝绳芯带式输送机上所安装钢丝绳芯输送带的运行状态进行监控的运行监控系统和对钢丝绳芯输送带内是否存在缺陷及所存在缺陷的类别与位置进行实时监测的电磁在线监测系统；所述被监控钢丝绳芯带式输送机包括机架、主滚筒和副滚筒以及对主滚筒进行驱动的驱动电机，所述钢丝绳芯输送带安装在所述主滚筒和所述副滚筒之间，所述主滚筒同轴安装在传动轴上且所述传动轴与驱动电机之间通过传动机构进行传动连接；所述驱动电机由变频控制系统进行控制且其与变频控制系统相接；所述运行监控系统包括对钢丝绳芯输送带的运行状态进行实时检测的运行状态检测装置、对运行状态检测装置所检测信息进行采集的数据采集模块和与数据采集模块相接的主控机，所述运行状态检测装置与数据采集模块相接；所述电磁在线监测系统包括对钢丝绳芯输送带进行电磁加载的电磁加载装置、电磁加载后对钢丝绳芯输送带内的剩磁进行实时检测的电磁检测装置和对所述电磁检测装置所检测信号进行分析处理并自动输出钢丝绳芯输送带内是否存在缺陷及所存在缺陷的类别与位置的数据处理器，所述电磁检测装置与信号调理电路相接，所述信号调理电路与A/D转换电路相接，所述A/D转换电路与数据处理器相接。

上述煤矿钢丝绳芯带式输送机智能监控系统，其特征是：所述运行状态检测装置包括分别对钢丝绳芯输送带的表面温度进行实时检测的温度传感器、对钢丝绳芯输送带的运行速度进行实时检测的速度传感器、对钢丝绳芯输送带上是否存在撕裂现象进行实时检测的撕裂传感器、对钢丝绳芯输送带是否跑偏进行实时检测的跑偏传感器和对钢丝绳芯输送带周侧所存在烟雾进行实时检测的烟雾传感器，所述温度传感器、速度传感器、撕裂传感器、跑偏传感器和烟雾传感器均与所述数据采集模块相接。

上述煤矿钢丝绳芯带式输送机智能监控系统，其特征是：所述数据采集模块与主控机之间通过串行接口进行连接，所述数据处理器与主控机之间通过以太网连接。

上述煤矿钢丝绳芯带式输送机智能监控系统，其特征是：所述变频控制系统为手动变频控制系统，所述驱动电机为三相异步电机；所述手动变频控制系统包括手动变频控制电路、对所述三相异步电机进行控制的变频控制器和与变频控制器相接的调速电位器；所述变频控制器串接在驱动电机的供电回路中，所述三相异步电机的U、V和W接线端分别与变频控制器的U、V和W接线端相接，且变频控制器的L1、L2和L3接线端分别与火线L1、L2和L3相接；所述手动变频控制电路包括通电控制按钮SB5、电机正转控制按钮SB2、电机反转控制按钮SB3、停止运行控制按钮SB1、断电控制按钮SB4、交流接触器KM1以及继电器KA1和KA2，所述手动变频控制电路的一端接在零线N上且其另一端为接线端子L0，所述接线端子L0布设在火线L1、L2或L3上；

所述接线端子L0分四路，一路经常开触点KM1、停止运行控制按钮SB1、电机正转控制电路和常闭触点KA2后接零线N，所述电机正转控制电路上并接有电机反转控制电路，且所述电机反转控制电路经常闭触点KA1后接零线N，所述常闭触点KA2与常闭触点KA1相并接；另一路经断电控制按钮SB4、通电控制按钮SB5和交流接触器电子线圈KM1接零线N；第三路经常开触点KA1、常开触点KM1和通电指示灯L3后接零线N；第四路经常开触点KA2、常闭触点KM1和断电指示灯L4后接零线N；所述常开触点KA1和常开触点KA2均与断电控制按钮SB4相并接，所述常开触点KM1与通电控制按钮SB5相并接；

所述电机正转控制电路包括相串接的电机正转控制按钮SB2和继电器电子线圈KA1，所述电机正转控制按钮SB2上并接有常开触点KA1，且继电器电子线圈KA1上并接有电机正转指示灯L1；所述电机反转控制电路包括相串接的电机反转控制按钮SB3和继电器电子线圈KA2，所述电机反转控制按钮SB3上并接有常开触点KA2，且继电器电子线圈KA2上并接有电机反转指示灯L2。

上述煤矿钢丝绳芯带式输送机智能监控系统，其特征是：所述变频控制器为富士变频器，所述富士变频器的Y5A端与接线端子L0相接，所述富士变频器的FW端经常开触点KA1后接其CM端，且所述富士变频器的REV端经常开触点KA2后接其CM端。

上述煤矿钢丝绳芯带式输送机智能监控系统，其特征是：所述手动变频控制系统还包括由变频控制器进行控制且与变频控制器相接的报警器。

上述煤矿钢丝绳芯带式输送机智能监控系统，其特征是：所述被监控钢丝绳芯带式输送机为布设于实验室内的钢丝绳芯带式输送机。

同时，本发明还公开了一种方法步骤简便、实现方便且监控效果好的煤矿钢丝绳芯带式输送机监控方法，其特征在于该方法包括以下步骤：

步骤一、输送机启动及电磁加载：通过变频控制系统控制驱动电机启动，并通过驱动电机带动钢丝绳芯输送带连续转动，且驱动电机启动之前先通过变频控制系统对驱动电机的驱动状态进行相应控制；同时，采用所述电磁加载装置对钢丝绳芯输送带进行电磁加载；

步骤二、输送带上各接头位置定位：步骤一中所述驱动电机启动并带动钢丝绳芯输送带转动一周过程中，通过行程检测单元对钢丝绳芯输送带的行程进行检测，并将所检测的行程信息同步传送至数据处理器；与此同时，通过所述电磁检测装置对钢丝绳芯输送带内各位置处的剩磁进行实时检测，并将所检测信号同步输入至数据处理器；

并且，所述驱动电机带动钢丝绳芯输送带转动一周过程中，所述数据处理器调用接头位置定位模块对钢丝绳芯输送带上L个接头所处位置分别进行确定，且其确定过程如下：

步骤201、接头信号识别及接头位置确定：所述数据处理器将所述电磁检测装置所检测到的钢丝绳芯输送带内各位置处的剩磁信息均送至预先建立的多分类模型中进行分类识别，并由先至后自动输出所述钢丝绳芯输送带上L个接头所处位置的剩磁信息，L个接头所处位置按照钢丝绳芯输送带的转动方向由前至后进行布设；同时，所述数据处理器结合行程检测单元所检测的行程信息，对L个接头所处位置的行程信息进行确定；其中L个接头所处位置的剩磁信息均为接头信号；

步骤202、接头间距计算：所述数据处理器根据所确定的L个接头所处位置的行程信息，计算得出钢丝绳芯输送带上相邻两个接头之间的间距Δs_r，其中r=1、2…L；

步骤203、接头特征间距确定：所述数据处理器根据公式Δs’_r=min（|Δs_r-Δs_r-1|，|Δs_r-Δs_r+1|），计算得出每一个间距Δs_r与其左右相邻两个间距Δs_r-1和Δs_r+1之间的差值最小值Δs’_r，其中Δs₀=Δs_L+1=0，r=1、2…L；之后，所述数据处理器自步骤203中计算得出的L个Δs’_r中找出最大值Δs’_B，则此时与Δs’_B相对应的Δs_B便为接头特征间距；

步骤204、接头编号确定：所述数据处理器根据步骤201中所确定的L个接头所处位置的行程信息，并按照钢丝绳芯输送带的转动方向，将间距为Δs_B的前后相邻两个接头中位于后侧的接头记作1#接头，并将位于所述1#接头后侧的L-1个接头由前至后分别记作2#接头、3#接头…L#接头，同时将重新编号后的1#接头、2#接头、3#接头…L#接头位置的行程信息进行同步记录；

步骤205、人为根据输送带制造厂家提供的钢丝绳芯输送带的硫化接头分布位置图，确定步骤204中重新编号后的1#接头、2#接头、3#接头…L#接头与所述硫化接头分布位置图中L个接头所处位置之间的一一对应关系；

步骤201中所述多分类模型为能对钢丝绳芯输送带的接头信号和N-1个不同缺陷信号进行分类的分类模型，且步骤二中进行输送带上各接头位置定位之前，先建立所述多分类模型，且其建立过程如下：

2011、接头信号与缺陷信号采集：采用所述电磁检测装置对钢丝绳芯输送带上接头位置处的剩磁进行检测，并将所检测信号同步传送至数据处理器，相应获得一组接头状态检测信息；同时，采用所述电磁检测装置对多种不同缺陷状态时钢丝绳芯输送带内的剩磁分别进行检测，并将所检测信号同步传送至数据处理器，相应获得与N-1种不同缺陷状态相对应的N-1组缺陷状态检测信息；所述接头状态检测信息和N-1组所述缺陷状态检测信息中均包括所述电磁检测装置在不同采样时段检测到的多个检测信号，其中N为正整数且N≥3；

多个所述检测信号均为所述电磁检测装置在一个采样时段内所检测到的一个采样序列，且该采样序列中包括所述电磁检测装置在多个采样时刻所检测的多个采样值；

步骤2012、特征提取：待数据处理器接收到所述电磁检测装置所传送的检测信号时，自各检测信号中分别提取出能代表并区别该检测信号的一组特征参数，且该组特征参数包括M个特征量，并对M个所述特征量进行编号，M个所述特征量组成一个特征向量，其中M≥2；

步骤2013、训练样本获取：分别在经特征提取后的所述接头状态检测信息和N-1组所述缺陷状态检测信息中，随机抽取m个检测信号组成训练样本集；

所述训练样本集中相应包括l个训练样本，其中m≥2，l=m×N；l个所述训练样本分属于N个样本类，N个所述样本类中包括一个接头信号样本类，且N-1个缺陷信号样本类；其中，所述接头信号样本类中包括钢丝绳芯输送带上接头位置的m个训练样本，每一个所述缺陷信号样本类中均包括钢丝绳芯输送带工作于同一个缺陷状态时的m个训练样本，N-1个所述缺陷信号样本类分别为与钢丝绳芯输送带的N-1种不同缺陷状态相对应的样本类1、样本类2…样本类N-1；N个所述样本类中的每一个训练样本均记作X_Qs，其中Q为样本类的类别标号且Q=1、2…N，s为各样本类中所包括m个训练样本的样本序号且s=1、2…m；X_Qs为样本类k中第s个训练样本的特征向量，X_Qs∈R^d，其中d为X_Qs的向量维数且d=M；

步骤2014、分类优先级别确定，其确定过程如下：

步骤20141、样本类的类中心计算：采用数据处理器对N个所述样本类中任一个样本类q的类中心进行计算；

且对样本类q的类中心进行计算时，根据公式计算得出样本类q中所有训练样本的各特征量均值；式中q=1、2…N，p=1、2…d，X_qs(p)为样本类q中第s个训练样本的第p个特征量，为样本类q中所有训练样本的第p个特征量均值；

步骤20142、类间距离计算：采用数据处理器且根据公式对步骤501中所述任一个样本类q与N个所述样本类中任一个样本类h之间的间距分别进行计算，其中为样本类q中所有训练样本的第p个特征量均值，为样本类h中所有训练样本的第p个特征量均值，且h=1、2…N；

步骤20143、类间距之和计算：采用数据处理器且根据公式对步骤20141中所述任一个样本类k的类间距之和；

步骤20144、多次重复步骤20141至步骤20143，直至计算得出N个所述样本类中所有样本类的类间距之和；

步骤20145、按照步骤20144中计算得出的所有样本类的类间距之和由大到小的顺序，采用数据处理器确定出N个所述样本类的分类优先级别Y，其中Y=1、2…N；其中，类间距之和最大的样本类的分类优先级别最高且其分类级别为1，类间距之和最大的样本类的分类优先级别最低且其分类级别为N；

步骤2015、多分类模型建立：所建立的多分类模型包括N-1个二分类模型，且N-1个所述二分类模型均为支持向量机模型；N-1个所述二分类模型按照步骤20145中所确定的分类优先级别，将N个所述样本类自所述训练样本集中由先至后逐类分出来，N-1个所述二分类模型的建立方法均相同且均采用数据处理器进行建立；

对于N-1个所述二分类模型中的任一个二分类模型z来说，其建立过程如下：

步骤20151、核函数选取：选用径向基函数作为二分类模型z的核函数；

步骤20152、分类函数确定：待惩罚参数C与步骤20151中所选用径向基函数的核参数γ确定后，获得二分类模型z的分类函数，完成二分类模型z的建立过程；其中，0＜C≤1000，0＜γ≤1000；

所建立的二分类模型z为待分类优先级别高于z的所有样本类自所述训练样本集中分出来后，将分类优先级别为z的样本类自所述训练样本集中剩余的N-z+1个样本类中分出来的二分类模型，其中z=1、2…N-1；

步骤20153、二分类模型分类优先级别设定：根据步骤20152中所述二分类模型z自所述训练样本集中剩余的N-z+1个样本类中分出来的样本类的分类优先级别z，对二分类模型z的分类优先级别R进行设定，且R=z；

步骤20154、多次重复步骤20151至步骤20153，直至获得N-1个所述二分类模型的分类函数，便完成N-1个所述二分类模型的建立过程，获得建立完成的多分类模型；所建立的多分类模型为将所述训练样本集中的多个样本类逐一分出来的多分类模型；

步骤2016、多分类模型训练：将步骤2013中所述训练样本集中的l个训练样本输入到步骤2015中所建立的多分类模型进行训练；

步骤三、信号实时采集及同步分类：所述驱动电机带动钢丝绳芯输送带连续转动过程中，通过所述行程检测单元对钢丝绳芯输送带的行程进行检测，并将所检测的行程信息同步传送至数据处理器；与此同时，通过所述电磁检测装置对钢丝绳芯输送带内各位置处的剩磁进行实时检测，并将所检测信号同步输入至数据处理器；并且，所述数据处理器将所述电磁检测装置所检测到的钢丝绳芯输送带内各位置处的剩磁信息，均同步送至步骤201中所述多分类模型中进行分类识别；

当钢丝绳芯输送带上出现缺陷时，则所述数据处理器通过所述多分类模型能自动输出当前状态下钢丝绳芯输送带所出现的缺陷类别；与此同时，所述钢丝绳芯输送带调用缺陷定位模块对当前状态下所出现缺陷的位置进行定位，且其定位过程如下：

步骤301、缺陷位置行程信息确定：所述数据处理器结合所述行程检测单元所检测的行程信息，确定出当前状态下所出现缺陷位置的行程信息；

步骤302、缺陷位置前后接头编号确定：所述数据处理器根据步骤301中所确定的当前状态下所出现缺陷位置的行程信息，并结合钢丝绳芯输送带的总长度和步骤204中所记录的1#接头、2#接头、3#接头…L#接头位置的行程信息，自动判断出当前状态下所出现缺陷位置前后两侧的接头编号；

并且，所述驱动电机带动钢丝绳芯输送带连续转动过程中，通过运行监控系统对钢丝绳芯输送带的运行状态进行监控。

上述方法，其特征是：步骤二中所述的电磁检测装置包括对钢丝绳芯输送带内竖直方向上的剩磁进行实时检测的竖直向电磁检测单元；

步骤201中所述数据处理器由先至后自动输出所述钢丝绳芯输送带上L个接头所处位置的剩磁信息的同时，所述数据处理器还需调用接头长度计算模块由先至后对L个所述接头的接头长度进行计算，并对计算得出的L个所述接头的接头长度进行同步记录，且此时所记录的L个所述接头的接头长度为参考接头长度；其中，所述数据处理器调用所述接头长度计算模块对L个所述接头的接头长度的计算方法均相同，对于任一个接头的接头长度进行计算时，其计算方法如下：

步骤Ⅰ、自数据处理器所输出的当前所分析接头所处位置的剩磁信息中，提取出竖直方向上的剩磁信息；

步骤Ⅱ、结合所述行程检测单元所检测的行程信息，对步骤Ⅰ中所提取出竖直方向上的剩磁信息中波峰位置的行程信息和波谷位置的行程信息进行确定；

步骤Ⅲ、对步骤Ⅱ中所确定的波峰位置的行程信息和波谷位置的行程信息进行作差，所得差值便为当前所分析接头的接头长度；

相应地，步骤三中所述驱动电机带动钢丝绳芯输送带连续转动过程中，所述数据处理器还需调用所述接头长度计算模块对所述钢丝绳芯输送带上各接头的接头长度进行计算，并根据计算结果对当前状态下各接头是否发生位移进行判断；所述数据处理器对当前状态下各接头是否发生位移的判断方法均相同，对于任一个接头来说，所述数据处理器均先将当前状态下计算得出的该接头的接头长度与步骤201中所存储的该接头的参考接头长度进行作差，且当作差得出二者间差值大于预先设定的接头位移值δ时，则说明当前所判断的接头发生位移；否则，说明当前所判断的接头未发生位移。

上述方法，其特征是：步骤二中所述的电磁检测装置还包括对钢丝绳芯输送带内水平方向上的剩磁进行实时检测的水平向电磁检测单元，所述水平向电磁检测单元与所述竖直向电磁检测单元的采样频率相同。

本发明与现有技术相比具有以下优点：

1、所采用的智能监控系统电路设计合理、接线方便、安装布设方便且投入成本较低、使用效果好，所采用的监控方法步骤简单、识别速度快且识别精度高。

2、功能全面，将对被监控钢丝绳芯带式输送机进行驱动控制的变频控制系统、对被监控钢丝绳芯带式输送机上所安装钢丝绳芯输送带的运行状态进行监控的运行监控系统和对钢丝绳芯输送带内是否存在缺陷及所存在缺陷的类别与位置进行实时监测的电磁在线监测系统有机联系为一体，各系统之间相互联系，当运行监控系统监测到钢丝绳芯输送带出现运行故障时，则立即控制输送机停机，同时发出故障报警提示；同时，一旦电磁在线监测系统判断得出钢丝绳芯输送带存在接头位移或N-1中缺陷中任一缺陷且有断带危险时，主控机与变频控制器通讯，控制被监控带式输送机停机。因而，本发明所采用的智能监控系统集变频软起停自动控制、运行故障实时监测及保护和钢丝绳芯输送带缺陷电磁检测于一体，旨在保证带式输送机高效、节能、安全运行，对煤矿安全生产具有重要意义。

3、能实现接头位移的定位与定量。首先，能对接头位移进行定位，即识别第几个接头发生了位移，首先根据采集的接头样本信号对接头进行重新编号，然后将重新编号后的接头编号与煤矿上相应输送带接头硫化时编号进行对应，并运用编码器实时记录接头起始点和终止点位置，从而实现对接头位移进行定位。其次，能对钢丝绳芯的接头位移进行准确定量且其实现方便，由于对接头位移进行定量时，需要找到一个评价接头是否发生位移的特征量，该特征量在无接头位移时重复性要好，发生接头位移时该特征量能反映接头位移量的准确变化。根据煤矿钢丝绳芯输送带接头磁场空间分布研究得出，接头位移定量采用垂直传感器的波峰与波谷间距作为输送带接头长度，可以准确对接头位移定量，因此本发明采用垂直传感器的波峰与波谷间距作为输送带接头长度来对接头位移进行定量。综上，本发明提出了一种基于接头特征间距的接头编号方法对接头进行定位，对于接头位移的定量分析，运用多个垂直向电磁检测单元所检测信号的波峰与波谷之间的间距加权平均值作为接头长度，并根据接头长度的变化量来对接头位移进行定量，运用本发明对煤矿钢丝绳芯输送带两个接头进行在线智能识别时的定量误差为4mm。

4、使用效果好且实用价值高，本发明所采用的智能监控平台借助于弱磁检测技术、变频控制技术、机电一体化技术和计算机技术，系统监测发现运行故障或钢丝绳芯输送带具有断带危险时，可以控制带式输送机停机。实际使用时，本发明所采用的智能监控平台不仅实现了带式输送机的平稳起停、无级调速、电机运行状态的监测和运行故障监测及保护，而且能够对钢丝绳芯输送带缺陷进行实时在线监测，实现监测数据实时的显示、处理、存储和输送带接头识别等功能。该监控平台能够实现对带式输送机的故障进行智能监控，确保带式输送机安全运行，对煤矿安全生产具有重要的意义。因而，该监控平台具有变频控制、运行监控和电磁在线监测系统，其中变频控制主要实现带式输送机软起动和平稳停车，并能方便的进行调速以满足在线监测速度的需要；运行监控实现对输送带跑偏、撕裂、超温、打滑等故障及系统动态特性进行监测；电磁在线监测系统实现对钢丝绳芯输送带内部断股、断丝、锈蚀、腐蚀等缺陷和接头位移进行在线监测，防止输送带断裂事故的发生。综上，本发明实现了钢丝绳芯带式输送机的在线综合保护，具有界面友好、系统集成度高、可靠性高等特点，实现了钢丝绳芯带式输送机的在线智能监控，能够保证钢丝绳芯带式输送机地安全运行。

综上所述，本发明设计合理、使用操作简便、实现方便且使用效果好、实用价值高，集变频控制、运行监控和电磁在线监测于一体。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明智能监控平台的电路原理框图。

图2为本发明手动变频控制系统的电路原理图。

图3为本发明所采用监控方法的流程框图。

附图标记说明:

1-1—钢丝绳芯输送带；  1-2—驱动电机；      2—变频控制系统；

2-1—变频控制器；      2-2—调速电位器；    2-3—报警器；

3—运行监控系统；      3-1—运行状态检测装置；

3-2—数据采集模块；    3-3—主控机；

4—电磁在线监测系统；  4-1—数据处理器；    4-2—信号调理电路；

4-3—A/D转换电路；     4-4—电磁检测装置；  4-5—行程编码器。

具体实施方式

如图1所示的一种煤矿钢丝绳芯带式输送机智能监控系统，包括对被监控钢丝绳芯带式输送机进行驱动控制的变频控制系统2、对被监控钢丝绳芯带式输送机上所安装钢丝绳芯输送带1-1的运行状态进行监控的运行监控系统3和对钢丝绳芯输送带1-1内是否存在缺陷及所存在缺陷的类别与位置进行实时监测的电磁在线监测系统4。所述被监控钢丝绳芯带式输送机包括机架、主滚筒和副滚筒以及对主滚筒进行驱动的驱动电机1-2，所述钢丝绳芯输送带1-1安装在所述主滚筒和所述副滚筒之间，所述主滚筒同轴安装在传动轴上且所述传动轴与驱动电机1-2之间通过传动机构进行传动连接。所述驱动电机1-2由变频控制系统2进行控制且其与变频控制系统2相接。所述运行监控系统3包括对钢丝绳芯输送带1-1的运行状态进行实时检测的运行状态检测装置3-1、对运行状态检测装置3-1所检测信息进行采集的数据采集模块3-2和与数据采集模块3-2相接的主控机3-3，所述运行状态检测装置3-1与数据采集模块3-2相接。所述电磁在线监测系统4包括对钢丝绳芯输送带1-1进行电磁加载的电磁加载装置、电磁加载后对钢丝绳芯输送带1-1内的剩磁进行实时检测的电磁检测装置4-4和对所述电磁检测装置4-4所检测信号进行分析处理并自动输出钢丝绳芯输送带1-1内是否存在缺陷及所存在缺陷的类别与位置的数据处理器4-1，所述电磁检测装置4-4与信号调理电路4-2相接，所述信号调理电路4-2与A/D转换电路4-3相接，所述A/D转换电路4-3与数据处理器4-1相接。所述主滚筒和所述副滚筒均安装在所述机架上。

本实施例中，所述运行状态检测装置3-1包括分别对钢丝绳芯输送带1-1的表面温度进行实时检测的温度传感器、对钢丝绳芯输送带1-1的运行速度进行实时检测的速度传感器、对钢丝绳芯输送带1-1上是否存在撕裂现象进行实时检测的撕裂传感器、对钢丝绳芯输送带1-1是否跑偏进行实时检测的跑偏传感器和对钢丝绳芯输送带1-1周侧所存在烟雾进行实时检测的烟雾传感器，所述温度传感器、速度传感器、撕裂传感器、跑偏传感器和烟雾传感器均与所述数据采集模块3-2相接。

实际使用时，所述运行状态检测装置3-1包括对钢丝绳芯输送带1-1上是否存在堆煤进行实时检测的堆煤检测单元，所述堆煤检测单元与所述数据采集模块3-2相接。本实施例中，所述堆煤检测单元为对钢丝绳芯输送带1-1上的煤位进行实时检测的煤位传感器。

同时，所述运行状态检测装置3-1还包括对被监控钢丝绳芯带式输送机进行紧急停机的急停开关，所述急停开关与与所述数据采集模块3-2相接。

本实施例中，所述主控机3-3为PC机，所述数据处理器4-1与主控机3-3相接。

实际使用时，所述主控机3-3也可以采用其它类型的控制器。

本实施例中，实际布设安装时，所述温度传感器、速度传感器、撕裂传感器、跑偏传感器和烟雾传感器均布设在所述机架上。并且，所述煤位传感器也安装在所述机架上。

实际进行接线时，所述数据采集模块3-2与主控机3-3之间通过串行接口进行连接，所述数据处理器4-1与主控机3-3之间通过以太网连接。所述串行接口为RS232接口或RS485接口。

本实施例中，所述串行接口为RS485接口。

实际使用时，所述运行状态检测装置3-1对钢丝绳芯输送带1-1的运行状态进行实时检测，且通过数据采集模块3-2对运行状态检测装置3-1所采集信号进行实时采集和处理，并通过RS485总线将所检测信号同步传送至主控机3-3，通过主控机3-3对钢丝绳芯输送带1-1当前是否存在故障进行判断，且当判断得出钢丝绳芯输送带1-1存在故障时，则主控机3-3发出报警并控制被监控钢丝绳芯带式输送机停止运行。

本实施例中，所述变频控制系统2为手动变频控制系统，所述驱动电机1-2为三相异步电机。实际使用时，所述变频控制系统2也可以采用自动变频控制系统。

如图2所示，所述手动变频控制系统包括手动变频控制电路、对所述三相异步电机进行控制的变频控制器2-1和与变频控制器2-1相接的调速电位器2-2；所述变频控制器2-1串接在驱动电机1-2的供电回路中，所述三相异步电机的U、V和W接线端分别与变频控制器2-1的U、V和W接线端相接，且变频控制器2-1的L1、L2和L3接线端分别与火线L1、L2和L3相接；所述手动变频控制电路包括通电控制按钮SB5、电机正转控制按钮SB2、电机反转控制按钮SB3、停止运行控制按钮SB1、断电控制按钮SB4、交流接触器KM1以及继电器KA1和KA2，所述手动变频控制电路的一端接在零线N上且其另一端为接线端子L0，所述接线端子L0布设在火线L1、L2或L3上。

所述接线端子L0分四路，一路经常开触点KM1、停止运行控制按钮SB1、电机正转控制电路和常闭触点KA2后接零线N，所述电机正转控制电路上并接有电机反转控制电路，且所述电机反转控制电路经常闭触点KA1后接零线N，所述常闭触点KA2与常闭触点KA1相并接；另一路经断电控制按钮SB4、通电控制按钮SB5和交流接触器电子线圈KM1接零线N；第三路经常开触点KA1、常开触点KM1和通电指示灯L3后接零线N；第四路经常开触点KA2、常闭触点KM1和断电指示灯L4后接零线N；所述常开触点KA1和常开触点KA2均与断电控制按钮SB4相并接，所述常开触点KM1与通电控制按钮SB5相并接。

所述电机正转控制电路包括相串接的电机正转控制按钮SB2和继电器电子线圈KA1，所述电机正转控制按钮SB2上并接有常开触点KA1，且继电器电子线圈KA1上并接有电机正转指示灯L1；所述电机反转控制电路包括相串接的电机反转控制按钮SB3和继电器电子线圈KA2，所述电机反转控制按钮SB3上并接有常开触点KA2，且继电器电子线圈KA2上并接有电机反转指示灯L2。

本实施例中，所述变频控制器2-1为富士变频器，所述富士变频器的Y5A端与接线端子L0相接，所述富士变频器的FW端经常开触点KA1后接其CM端，且所述富士变频器的REV端经常开触点KA2后接其CM端。

实际使用时，所述变频控制器2-1也可以采用其它类型的变频器。

本实施例中，所述手动变频控制系统还包括由变频控制器2-1进行控制且与变频控制器2-1相接的报警器2-3。

本实施例中，所述变频控制器2-1与主控机3-3相接。

实际进行接线时，所述变频控制器2-1通过RS485总线与RS485转RS232电路相接，所述RS485转RS232电路通过RS232总线与主控机3-3相接。所述变频控制器2-1的U、V和W接线端，分别与所述三相异步电机的U、V和W接线端相接。

实际使用时，所述手动变频控制系统的主要功能是对被监控钢丝绳芯带式输送机进行起停控制和运行速度的控制。所述手动变频控制系统采用LC1-D1801型交流接触器和变频控制器2-1对所述三相异步电机的起动和停止进行控制；采用DZ47-63系列额定电流为16A的空气开关DZ1对所述三相异步电机进行过载保护和短路保护；通过所述富士变频器对所述三相异步电机进行5Hz～50Hz的变频控制，控制方式采用变频控制方式实现，主要分为面板控制和上位软件控制，软件控制数据传输采用RS485通讯协议，通常情况下采用上位软件控制被监控钢丝绳芯带式输送机的运行，从而实现其对所述三相异步电机的平稳起停、调速和保护等功能。所述手动变频控制系统的工作过程如下：

①手动起动、停止控制：

通电控制按钮SB5按下时，交流接触器电子线圈KM1通电，常开触点KM1闭合，常闭触点KM1断开，从而使被监控钢丝绳芯带式输送机的整个系统开始供电，通电指示灯L3亮。电机正转控制按钮SB2按下时，继电器电子线圈KA1通电，常开触点KA1闭合，接通变频控制器2-1的正转开关实现所述三相异步电机正转，电机正转指示灯L1亮；同理，电机反转控制按钮SB3按下时，实现所述三相异步电机反转，电机正转指示灯L2亮，电机的正反转通过中间继电器的常闭触点KA1和常闭触点KA2实现互锁。停止运行控制按钮SB1按下时，继电器电子线圈KA1和继电器电子线圈KA2断电，常开触点KA1和常开触点KA2均断开，变频控制器2-1的的正反转开关同时也断开，从而使所述三相异步电机停止运行。当所述三相异步电机停止运行后，由于常开触点KA1和常开触点KA2与断电控制按钮SB4并联，通过断电控制按钮SB4能实现系统的断电功能，而当所述三相异步电机运行时，常开触点KA1和常开触点KA2处于闭合状态，可保持交流接触器电子线圈KM1通电，确保只有当三相异步电机停机才能断电，防止直接断电对电机造成冲击。

②手动调速控制电机

通过调速电位器2-2调节所述三相异步电机的运行频率，从而实现手动调速。

③软件变频控制

通过主控机3-3且依靠RS485总线进行通信的输入输出，通过主控机3-3上位软件对所述三相异步电机的运行频率进行设定，发送起动和停止命令，控制所述三相异步电机的起停，并能通过软件实时获取所述三相异步电机运行时的电压、电流、扭矩和频率值，以对关键参数进行监测。

实际使用时，所述被监控钢丝绳芯带式输送机为布设于实验室内的钢丝绳芯带式输送机。另外，所述被监控钢丝绳芯带式输送机也可以为煤矿中所用的钢丝绳芯带式输送机。

如图3所示的一种煤矿钢丝绳芯带式输送机监控方法，包括以下步骤：

步骤一、输送机启动及电磁加载：通过变频控制系统2控制驱动电机1-2启动，并通过驱动电机1-2带动钢丝绳芯输送带1-1连续转动，且驱动电机1-2启动之前先通过变频控制系统2对驱动电机1-2的驱动状态进行相应控制；同时，采用所述电磁加载装置对钢丝绳芯输送带1-1进行电磁加载。

本实施例中，所采用的电磁加载装置为弱磁加载模块。实际加载时，具体采用TCK-GMS型弱磁加载装置，也可以采用其它类型的弱磁加载装置。

步骤二、输送带上各接头位置定位：步骤一中所述驱动电机1-2启动并带动钢丝绳芯输送带1-1转动一周过程中，通过行程检测单元对钢丝绳芯输送带1-1的行程进行检测，并将所检测的行程信息同步传送至数据处理器4-1；与此同时，通过所述电磁检测装置4-4对钢丝绳芯输送带1-1内各位置处的剩磁进行实时检测，并将所检测信号同步输入至数据处理器4-1。本实施例中，所述行程检测单元为行程编码器4-5，所述行程编码器4-5与数据处理器4-1相接。

并且，所述驱动电机1-2带动钢丝绳芯输送带1-1转动一周过程中，所述数据处理器4-1调用接头位置定位模块对钢丝绳芯输送带1-1上L个接头所处位置分别进行确定，且其确定过程如下：

步骤201、接头信号识别及接头位置确定：所述数据处理器4-1将所述电磁检测装置4-4所检测到的钢丝绳芯输送带1-1内各位置处的剩磁信息均送至预先建立的多分类模型中进行分类识别，并由先至后自动输出所述钢丝绳芯输送带1-1上L个接头所处位置的剩磁信息，L个接头所处位置按照钢丝绳芯输送带1-1的转动方向由前至后进行布设；同时，所述数据处理器4-1结合行程检测单元所检测的行程信息，对L个接头所处位置的行程信息进行确定；其中L个接头所处位置的剩磁信息均为接头信号；

步骤202、接头间距计算：所述数据处理器4-1根据所确定的L个接头所处位置的行程信息，计算得出钢丝绳芯输送带1-1上相邻两个接头之间的间距Δs_r，其中r=1、2…L；

步骤203、接头特征间距确定：所述数据处理器4-1根据公式Δs’_r=min|Δs_r-Δs_r-1|，|Δs_r-Δs_r+1|，计算得出每一个间距Δs_r与其左右相邻两个间距Δs_r-1和Δs_r+1之间的差值最小值Δs’_r，其中Δs₀=Δs_L+1=0，r=1、2…L；之后，所述数据处理器4-1自步骤203中计算得出的L个Δs’_r中找出最大值Δs’_B，则此时与Δs’_B相对应的Δs_B便为接头特征间距；

步骤204、接头编号确定：所述数据处理器4-1根据步骤201中所确定的L个接头所处位置的行程信息，并按照钢丝绳芯输送带1-1的转动方向，将间距为Δs_B的前后相邻两个接头中位于后侧的接头记作1#接头，并将位于所述1#接头后侧的L-1个接头由前至后分别记作2#接头、3#接头…L#接头，同时将重新编号后的1#接头、2#接头、3#接头…L#接头位置的行程信息进行同步记录；

步骤205、人为根据输送带制造厂家提供的钢丝绳芯输送带1-1的硫化接头分布位置图，确定步骤204中重新编号后的1#接头、2#接头、3#接头…L#接头与所述硫化接头分布位置图中L个接头所处位置之间的一一对应关系。

步骤201中所述多分类模型为能对钢丝绳芯输送带1-1的接头信号和N-1个不同缺陷信号进行分类的分类模型，且步骤二中进行输送带上各接头位置定位之前，先建立所述多分类模型，且其建立过程如下：

2011、接头信号与缺陷信号采集：采用所述电磁检测装置4-4对钢丝绳芯输送带1-1上接头位置处的剩磁进行检测，并将所检测信号同步传送至数据处理器4-1，相应获得一组接头状态检测信息；同时，采用所述电磁检测装置4-4对多种不同缺陷状态时钢丝绳芯输送带1-1内的剩磁分别进行检测，并将所检测信号同步传送至数据处理器4-1，相应获得与N-1种不同缺陷状态相对应的N-1组缺陷状态检测信息；所述接头状态检测信息和N-1组所述缺陷状态检测信息中均包括所述电磁检测装置4-4在不同采样时段检测到的多个检测信号，其中N为正整数且N≥3。

多个所述检测信号均为所述电磁检测装置4-4在一个采样时段内所检测到的一个采样序列，且该采样序列中包括所述电磁检测装置4-4在多个采样时刻所检测的多个采样值。

本实施例中，所述采样序列中所包括的采样值的数量不少于3个。其中，多种不同缺陷状态包括钢丝绳断绳、断丝、疲劳等缺陷状态。

本实施例中，所述检测信号均为一个采样序列X(i)，其中i=1、2、3…n，n为采样序列X(i)中的采样点数量。

步骤2012、特征提取：待数据处理器4-1接收到所述电磁检测装置4-4所传送的检测信号时，自各检测信号中分别提取出能代表并区别该检测信号的一组特征参数，且该组特征参数包括M个特征量，并对M个所述特征量进行编号，M个所述特征量组成一个特征向量，其中M≥2。

步骤2013、训练样本获取：分别在经特征提取后的所述接头状态检测信息和N-1组所述缺陷状态检测信息中，随机抽取m个检测信号组成训练样本集。

所述训练样本集中相应包括l个训练样本，其中m≥2，l=m×N；l个所述训练样本分属于N个样本类，N个所述样本类中包括一个接头信号样本类，且N-1个缺陷信号样本类；其中，所述接头信号样本类中包括钢丝绳芯输送带1-1上接头位置的m个训练样本，每一个所述缺陷信号样本类中均包括钢丝绳芯输送带1-1工作于同一个缺陷状态时的m个训练样本，N-1个所述缺陷信号样本类分别为与钢丝绳芯输送带1-1的N-1种不同缺陷状态相对应的样本类1、样本类2…样本类N-1；N个所述样本类中的每一个训练样本均记作X_Qs，其中Q为样本类的类别标号且Q=1、2…N，s为各样本类中所包括m个训练样本的样本序号且s=1、2…m；X_Qs为样本类k中第s个训练样本的特征向量，X_Qs∈R^d，其中d为X_Qs的向量维数且d=M。

步骤2014、分类优先级别确定，其确定过程如下：

步骤20141、样本类的类中心计算：采用数据处理器4-1对N个所述样本类中任一个样本类q的类中心进行计算；

且对样本类q的类中心进行计算时，根据公式计算得出样本类q中所有训练样本的各特征量均值；式中q=1、2…N，p=1、2…d，X_qs(p)为样本类q中第s个训练样本的第p个特征量，为样本类q中所有训练样本的第p个特征量均值；

步骤20142、类间距离计算：采用数据处理器4-1且根据公式对步骤501中所述任一个样本类q与N个所述样本类中任一个样本类h之间的间距分别进行计算，其中为样本类q中所有训练样本的第p个特征量均值，为样本类h中所有训练样本的第p个特征量均值，且h=1、2…N；

步骤20143、类间距之和计算：采用数据处理器4-1且根据公式对步骤20141中所述任一个样本类k的类间距之和；

步骤20144、多次重复步骤20141至步骤20143，直至计算得出N个所述样本类中所有样本类的类间距之和；

步骤20145、按照步骤20144中计算得出的所有样本类的类间距之和由大到小的顺序，采用数据处理器4-1确定出N个所述样本类的分类优先级别Y，其中Y=1、2…N；其中，类间距之和最大的样本类的分类优先级别最高且其分类级别为1，类间距之和最大的样本类的分类优先级别最低且其分类级别为N；

步骤2015、多分类模型建立：所建立的多分类模型包括N-1个二分类模型，且N-1个所述二分类模型均为支持向量机模型；N-1个所述二分类模型按照步骤20145中所确定的分类优先级别，将N个所述样本类自所述训练样本集中由先至后逐类分出来，N-1个所述二分类模型的建立方法均相同且均采用数据处理器4-1进行建立。

对于N-1个所述二分类模型中的任一个二分类模型z来说，其建立过程如下：

步骤20151、核函数选取：选用径向基函数作为二分类模型z的核函数；

步骤20152、分类函数确定：待惩罚参数C与步骤20151中所选用径向基函数的核参数γ确定后，获得二分类模型z的分类函数，完成二分类模型z的建立过程；其中，0＜C≤1000，0＜γ≤1000；

所建立的二分类模型z为待分类优先级别高于z的所有样本类自所述训练样本集中分出来后，将分类优先级别为z的样本类自所述训练样本集中剩余的N-z+1个样本类中分出来的二分类模型，其中z=1、2…N-1；

步骤20153、二分类模型分类优先级别设定：根据步骤20152中所述二分类模型z自所述训练样本集中剩余的N-z+1个样本类中分出来的样本类的分类优先级别z，对二分类模型z的分类优先级别R进行设定，且R=z；

步骤20154、多次重复步骤20151至步骤20153，直至获得N-1个所述二分类模型的分类函数，便完成N-1个所述二分类模型的建立过程，获得建立完成的多分类模型；所建立的多分类模型为将所述训练样本集中的多个样本类逐一分出来的多分类模型；

步骤2016、多分类模型训练：将步骤2013中所述训练样本集中的l个训练样本输入到步骤2015中所建立的多分类模型进行训练。

步骤三、信号实时采集及同步分类：所述驱动电机1-2带动钢丝绳芯输送带1-1连续转动过程中，通过所述行程检测单元对钢丝绳芯输送带1-1的行程进行检测，并将所检测的行程信息同步传送至数据处理器4-1；与此同时，通过所述电磁检测装置4-4对钢丝绳芯输送带1-1内各位置处的剩磁进行实时检测，并将所检测信号同步输入至数据处理器4-1；并且，所述数据处理器4-1将所述电磁检测装置4-4所检测到的钢丝绳芯输送带1-1内各位置处的剩磁信息，均同步送至步骤201中所述多分类模型中进行分类识别。

当钢丝绳芯输送带1-1上出现缺陷时，则所述数据处理器4-1通过所述多分类模型能自动输出当前状态下钢丝绳芯输送带1-1所出现的缺陷类别；与此同时，所述钢丝绳芯输送带1-1调用缺陷定位模块对当前状态下所出现缺陷的位置进行定位，且其定位过程如下：

步骤301、缺陷位置行程信息确定：所述数据处理器4-1结合所述行程检测单元所检测的行程信息，确定出当前状态下所出现缺陷位置的行程信息；

步骤302、缺陷位置前后接头编号确定：所述数据处理器4-1根据步骤301中所确定的当前状态下所出现缺陷位置的行程信息，并结合钢丝绳芯输送带1-1的总长度和步骤204中所记录的1#接头、2#接头、3#接头…L#接头位置的行程信息，自动判断出当前状态下所出现缺陷位置前后两侧的接头编号；

并且，所述驱动电机1-2带动钢丝绳芯输送带1-1连续转动过程中，通过运行监控系统3对钢丝绳芯输送带1-1的运行状态进行监控。

综上，当钢丝绳芯输送带1-1上出现缺陷时，则所述数据处理器4-1通过所述多分类模型能自动输出当前状态下钢丝绳芯输送带1-1所出现的缺陷类别；与此同时，所述钢丝绳芯输送带1-1调用缺陷定位模块对当前状态下所出现缺陷的位置进行定位，并得出当前状态下所出现缺陷位置前后两侧的接头编号。

实际使用过程中，一旦电磁在线监测系统4（具体是数据处理器4-1）判断得出钢丝绳芯输送带1-1存在接头位移或上述N-1中缺陷中任一缺陷且有断带危险时，主控机3-3与变频控制器2-1通讯，控制被监控带式输送机停机。

本实施例中，步骤二中所述的电磁检测装置4-4包括对钢丝绳芯输送带1-1内竖直方向上的剩磁进行实时检测的竖直向电磁检测单元；

步骤201中所述数据处理器4-1由先至后自动输出所述钢丝绳芯输送带1-1上L个接头所处位置的剩磁信息的同时，所述数据处理器4-1还需调用接头长度计算模块由先至后对L个所述接头的接头长度进行计算，并对计算得出的L个所述接头的接头长度进行同步记录，且此时所记录的L个所述接头的接头长度为参考接头长度；其中，所述数据处理器4-1调用所述接头长度计算模块对L个所述接头的接头长度的计算方法均相同，对于任一个接头的接头长度进行计算时，其计算方法如下：

步骤Ⅰ、自数据处理器4-1所输出的当前所分析接头所处位置的剩磁信息中，提取出竖直方向上的剩磁信息；

步骤Ⅱ、结合所述行程检测单元所检测的行程信息，对步骤Ⅰ中所提取出竖直方向上的剩磁信息中波峰位置的行程信息和波谷位置的行程信息进行确定；

步骤Ⅲ、对步骤Ⅱ中所确定的波峰位置的行程信息和波谷位置的行程信息进行作差，所得差值便为当前所分析接头的接头长度；

相应地，步骤三中所述驱动电机1-2带动钢丝绳芯输送带1-1连续转动过程中，所述数据处理器4-1还需调用所述接头长度计算模块对所述钢丝绳芯输送带1-1上各接头的接头长度进行计算，并根据计算结果对当前状态下各接头是否发生位移进行判断；所述数据处理器4-1对当前状态下各接头是否发生位移的判断方法均相同，对于任一个接头来说，所述数据处理器4-1均先将当前状态下计算得出的该接头的接头长度与步骤201中所存储的该接头的参考接头长度进行作差，且当作差得出二者间差值大于预先设定的接头位移值δ时，则说明当前所判断的接头发生位移；否则，说明当前所判断的接头未发生位移。

实际使用时，当判断得出当前所判断的接头发生位移时，则说明该编号的接头可能出现断裂，此时通过主控机3-3输出发生位移的接头编号。

本实施例中，所述电磁检测装置4-4还包括对钢丝绳芯输送带1-1内水平方向上的剩磁进行实时检测的水平向电磁检测单元，所述水平向电磁检测单元与所述竖直向电磁检测单元的采样频率相同。

所述水平向电磁检测单元和所述竖直向电磁检测单元均布设在所述机架上。本实施例中，所述水平向电磁检测单元和竖直向电磁检测单元同步对钢丝绳芯输送带1-1内同一位置处的剩磁进行检测。相应地，步骤2011中所获得的一组接头状态检测信息分为两类，包括一组水平向接头剩磁检测信息和一组竖直向接头剩磁检测信息；N-1组所述缺陷状态检测信息分为两类，包括N-1组水平向缺陷剩磁检测信息和N-1组竖直向缺陷剩磁检测信息。其中，所述水平向接头剩磁检测信息和N-1组所述水平向缺陷剩磁检测信息均包括所述水平向电磁检测单元在不同采样时段检测到的多个检测信号，且所述竖直向接头剩磁检测信息和N-1组所述竖直向缺陷剩磁检测信息均包括所述竖直向电磁检测单元在不同采样时段检测到的多个检测信号。相应地，所述水平向电磁检测单元和所述竖直向剩磁检测信息所检测到的每一个所述检测信号均为一个采样时段所检测到的一个采样序列。

本实施例中，所述水平向电磁检测单元和竖直向电磁检测单元均为弱磁传感器，且具体为TCK弱磁传感器。TCK弱磁检测是基于“空间磁场矢量合成”原理，采用宽距、非接触式弱磁能势感应装置，通过提取已施加磁载的铁磁性材料上弱磁能势分布差异信息，完成定位、定量和定性识别钢丝绳内外部各种缺陷的电磁无损检测方法。所采用的TCK弱磁传感器为高灵敏度传感器，且其由释磁元件和磁衡元件组成，其中释磁元件提供一定的弱磁场B_x，与经过弱磁规划后的钢丝绳芯体积元剩余弱磁场B关联出磁场B_y，磁衡元件则能够灵敏并准确地将B_y变化量并转换为对应的电信号，B_y与被检测钢丝绳芯输送带中钢丝绳芯缺陷产生的漏磁场和钢丝绳芯内部磁场有关，根据B_y的变化量，可以反映钢丝绳芯的缺陷状况，从而实现对钢丝绳芯输送带的缺陷检测。

实际进行信号采集时，所述水平向电磁检测单元和竖直向电磁检测单元均按照空域进行采集,采样间隔可调。本实施例中，所述水平向电磁检测单元和竖直向电磁检测单元的采样间隔为0.05mm，实际使用时，可根据具体需要，对所述水平向电磁检测单元和竖直向电磁检测单元的采样间隔在0.05mm-1mm范围内进行相应调整。

本实施例中，所述水平向电磁检测单元和竖直向电磁检测单元所检测的检测信号均为一个采样序列X(i)，其中i=1、2、3…n，n为采样序列X(i)中的采样点数量。

步骤2012中进行特征提取时，所提出的特征参数包括检测信号的12个时域特征，即M=12，12个时域特征分别是峰峰值、均方根值、平均幅值、方差、方根幅值、峭度、波宽、波形指标、峰值指标、脉冲指标、裕度指标和峭度指标。

实际进行特征提取时，按照步骤2012中所述的特征提取方法，对步骤2011中所获得的一组接头状态检测信息和N-1组所述缺陷状态检测信息分别进行特征提取。也就是说，对各检测信号进行特征提取时，对所述水平向电磁检测单元和竖直向电磁检测单元所检测的各检测信号分别进行特征提取。

对于所述水平向电磁检测单元所检测的任一个检测信号（即采样序列X(i)）进行特征提取时，12个时域特征的求解过程如下：根据公式X_p-p=max{x_i}-min{x_i}，计算得出峰峰值X_p-p，式中max{x_i}为采样序列X(i)中的最大值，min{x_i}为采样序列X(i)中的最小值；根据公式计算得出均方根值X_rms；根据公式计算得出平均幅值X_av；根据公式计算得出方差σ_x ²，式中根据公式计算得出方根幅值X_r；根据公式计算得出峭度β'；对宽度W进行计算时，当钢丝绳芯输送带1-1的缺陷状态为接头位移时，宽度W为同一采样时刻所述竖直向电磁检测单元所检测信号中波峰与波谷之间的间距；当被检测钢丝绳芯输送带的缺陷状态为接头位移之外的上述N-1个中任一缺陷状态时，宽度W的起始点为同一采样时刻所述竖直向电磁检测单元所检测信号中幅值大于0.244V的上升沿，且其终止点为同一采样时刻所述竖直向电磁检测单元所检测信号中幅值小于0.244V的下降沿；根据公式计算得出波形指标S，式中X_rms为均方根值，X_av为平均幅值；根据公式计算得出峰值指标C，式中X_max为采样序列X(i)中的最大值，X_rms为均方根值；根据公式计算得出脉冲指标I，式中X_max为采样序列X(i)中的最大值，X_av为平均幅值；根据公式计算得出裕度指标L，式中X_max为采样序列X(i)中的最大值，X_r为方根幅值；根据公式计算得出峭度指标K，式中β'为峭度，X_rms为均方根值。

对于所述竖直向电磁检测单元所检测的任一个检测信号进行特征提取时，除宽度W之外，其余特征量的提取方法与所述水平向电磁检测单元所检测信号的特征提取方法相同。对于宽度W而言，当被检测钢丝绳芯输送带的缺陷状态为接头位移时，宽度W为该检测信号中波峰与波谷之间的间距；当被检测钢丝绳芯输送带的缺陷状态为接头位移之外的上述N-1个中任一缺陷状态时，宽度W的起始点为该检测信号中幅值大于0.244V的上升沿，且其终止点为该检测信号中幅值小于0.244V的下降沿。步骤Ⅲ中所得差值便为宽度W。

步骤2013中进行训练样本获取时，由于N-1个缺陷信号样本类的类别分别与钢丝绳芯输送带1-1的N-1种不同缺陷状态相对应，因而按照钢丝绳芯输送带1-1的N-1种不同缺陷状态名称对N-1个缺陷信号样本类的类别分别进行命名。

实际操作过程中，分别在经特征提取后的所述接头状态检测信息和N-1组所述缺陷状态检测信息中，随机抽取m个检测信号组成训练样本集时，采用数据处理器4-1进行随机抽取。本实施例中，m=50。实际进行训练样本集获取时，也可以根据具体需要，对m的取值进行相应调整。

本实施例中，步骤2013中进行训练样本获取时，按照本步骤中所述的训练样本集获取方法，相应获得训练样本集一和训练样本集二；其中，所述训练样本集一为分别在经特征提取后的N组所述水平向剩磁检测信息（包括一组水平向接头剩磁检测信息和N-1组水平向缺陷剩磁检测信息）中，随机抽取m个检测信号组成的一个训练样本集；所述训练样本集二为分别在经特征提取后的N组所述竖直向剩磁检测信息（包括一组竖直向接头剩磁检测信息和N-1组竖直向缺陷剩磁检测信息）中，随机抽取m个检测信号组成的一个训练样本集；所述训练样本集一和所述训练样本集二的结构相同，二者均包括l个训练样本，所述训练样本集一和所述训练样本集二中的l个所述训练样本均分属于N个样本类。

本实施例中，步骤20142中计算得出样本类q与N个所述样本类中任一个样本类h之间的间距d_qh后，获得样本类q的类间距离数据；步骤20144中多次重复步骤20141至步骤20143后，获得N个所述样本类的类间距离数据和类间距之和；随后，所述数据处理器4-1将N个所述样本类的类间距离数据组成一个类间距离对称矩阵D_N×N，且每一个所述样本类的类间距离数据位于类间距离对称矩阵D_N×N同一行上的同行数据；N个所述样本类的类间距之和分别为类间距离对称矩阵D_N×N中的各行数据之和，且类间距离对称矩阵D_N×N中的各行数据之和组成一个数组（Sumd(1)，Sumd(2)…Sumd(N)）。

相应地，步骤20145中对N个所述样本类的分类优先级别Y进行确定时，其确定过程如下：

步骤201451、初始参数设定：对分类优先级别Y和样本总数n'的初始值分别进行设定，其中分类优先级别Y=0，样本总数n'=N；

步骤201452、比较数组（Sumd(1)，Sumd(2)…Sumd(N)）中当前所有数据的大小，从中选出最大值Sumd(L)，其中L=1、2…N，并将样本类L的分类优先级别为Y+1，且此时Y=Y+1，n'=N-1；同时，将类间距离对称矩阵D_N×N中的第L行数据全部置0，将数组（Sumd(1)，Sumd(2)…Sumd(N)）中的Sumd(L)置0；

步骤201453、多次重复步骤201452，直至n'=0为止。

实际进行分类优先级别确定时，按照步骤20141至步骤20145中所述的分类优先级别确定方法，分别对所述训练样本集一和所述训练样本集二中多个样本类的分类优先级别分别进行确定。

实际进行分类时，支持向量机通过最优超平面将训练样本划分为互相对立的两个类。然而实际应用中，由于每个样本并不能完全划归到某一类，并且样本中可能存在噪声或孤立点，因而采用模糊支持向量机(Fuzzy Support Vector Machine FSVM)通过给样本增加一个模糊隶属度，使孤立点或噪声的模糊隶属度很小，从而减少孤立点和噪声对最优分类超平面的影响。因而，模糊支持向量机根据训练样本对分类作用的不同，给不同样本加以不同的错分惩罚来克服孤立点和噪声对分类的不利影响，而模糊隶属度的确定非常重要。因此，本实施例中，步骤2015中N-1个所述二分类模型均为模糊支持向量机模型，且步骤2013中进行训练样本获取时，N个样本类中的每一个训练样本中均包括模糊隶属度μ_Qs，其中μ_Qs为X_Qs对其所属样本类Q的模糊隶属度。

实际对模糊隶属度μ_ks进行确定时，可以采用模糊统计法、例证法、专家经验法或二元对比排序法进行确定。其中，模糊统计法的基本思想是对论域U（研究的范围，一般指实数集）中的一个确定元素A₀是否属于论域中的一个可变动的清晰集合A^*做出清晰的判断。对于不同的试验者，清晰集合A^*可以有不同的边界，但它相对应于同一个模糊集A。模糊统计法的计算步骤是：在每次统计中，A₀是确定的，A^*的值是可变的，作n次试验，其模糊统计可按照下式进行计算：A₀对A的隶属频率=A₀∈A的次数/试验总次数n。随着n的增大，隶属频率也会趋向稳定，这个稳定就是A₀对A的隶属度值。这种方法较直观地反映了模糊概念中的隶属程度，但其计算量非常大。

例证法的主要思想是从已知有限个μ_A的值来估计论域中模糊子集A的隶属函数。如论域U代表全体人类，A是“高个子的人”，显然A是一个模糊子集。为了确定μ_A，先确定一个高度值h，然后选定一个语言真值（即一句话的真实程度）中的一个来回答某人是否算“高个子”。如语言真值可分为“真的”“大致真的”“似真似假”“大致假的”和“假的”五种情况，并且分别用数据1、0.75、0.5、0.25、0来表示这些语言真值。对N种不同高度h1、h2、h3…hn都做同样的询问，即可以得到A的隶属度函数的离散表示。

专家经验法是根据专家的实际经验给出模糊信息的处理算式或相应权系数值来确定隶属度函数的一种方法。在许多情况下，通常是初步确定粗略的隶属度函数，然后再通过“学习”和实践经验逐步修改和完善，而实际效果正是检验和调整隶属度函数的依据。

二元对比排序法是一种较实用的确定隶属度函数的方法，它通过对多个事物之间的两两对比来确定某种特征下的顺序，由此来决定这些事物对该特征的隶属函数的大体形状。二元对比排序法根据对比测度不同，可分为相对比较法、对比平均法、优先关系定序法和相似优先对比法等。

本实施例中，对μ_Qs进行确定时，通过数据处理器2且采用基于线性距离的隶属度函数进行确定，其中基于线性距离的隶属度函数的确定是将样本的隶属度看作是特征空间中样本与其所在样本类的类中心之间距离的函数，样本离类中心的距离越近，隶属度越大，反之隶属度越小，详见2009年8月公开的《兰州理工大学学报》第35卷第4期，张秋余、竭洋等发表的《模糊支持向量机中隶属度确定的新方法》一文。

由于所选用的径向基函数为RBF核函数，则核参数为RBF核函数中的参数 $\mathrm{\γ}=\frac{1}{2{\mathrm{\σ}}^2}.$

本实施例中，步骤20152中对惩罚参数C与核参数γ进行确定时，通过数据处理器4-1且采用改进的遗传算法对所选取的惩罚参数C与核参数γ进行优化，其优化过程如下：

步骤201521、种群初始化：将惩罚参数C的一个取值与核参数γ的一个取值作为一个个体，并将多个个体集合为一个种群，同时所述种群中的所有个体均进行二进制编码后形成初始化种群；其中，惩罚参数C的一个取值和核参数γ的一个取值均为自区间(0，1000]中随机抽取的一个数值；

步骤201522、初始化种群中各个体适应度值计算：初始化种群中所有个体的适应度值计算方法均相同；初始化种群中多个所述个体，分别对应多个不同的分类模型z；

对于所述初始化种群中的任一个个体来说，采用步骤20152中所述训练样本集中剩余的N-Z+1个样本类，对与该个体对应的分类模型z进行训练，且以该分类模型z的分类准确率作为该个体的适应度值；

待所述初始化种群中所有个体的适应度值均计算出来后，再相应计算出所述初始化种群的种群平均适应度值；

其中，与各个体对应的分类模型，即为各个体中惩罚参数C与核参数γ确定后对应的支持向量机分类模型；

步骤201523、选择操作：根据步骤201522中计算得出的所述初始化种群中所有个体的适应度值，选出所述初始化种群中适应度值高的多个个体作为子代群体；

步骤201524、交叉操作与变异操作：对选取的子代群体进行交叉操作与变异操作，获得新一代的子代群体；

步骤201525、子代群体中各个体适应度值计算：子代群体中所有个体的适应度值计算方法均相同；子代群体中多个所述个体，分别对应多个不同的分类模型z；

对于所述子代群体中的任一个个体来说，采用步骤五中所述训练样本集中剩余的N-Z+1个样本类，对与该个体对应的分类模型z进行训练，且以该分类模型z的分类准确率作为该个体的适应度值；

待所述子代群体中所有个体的适应度值均计算出来后，再相应计算出所述子代群体的种群平均适应度值；

步骤201526、选择操作：根据步骤201525中计算得出的所述子代群体中所有个体的适应度值，选出所述子代群体中适应度值高的多个个体作为子代群体；

步骤201527、判断是否满足终止条件：当进化代数超过预先设定的最大进化代数it max或者子代群体中个体的最大适应度值大于或等于预先设定的适应度设定值时，遗传算法终止并输出当前所获得所述子代群体中适应度值最高的个体；否则，返回步骤201524。

本实施例中，预先设定的最大交叉概率p_cmax=0.6，预先设定的最小交叉概率p_cmin=0.9，预先设定的最大变异概率p_mmax=0.1，预先设定的最小变异概率p_mmin=0.0001，预先设定的最大进化代数it max=100。

步骤201521中进行种群初始化之前，对进化代数iter的初始值设定为1。

本实施例中，步骤201523进行选择操作之前，按照轮盘赌选择法，计算出所述初始化种群中所有个体的适应度值。步骤201526中进行选择操作之前，按照轮盘赌选择法，计算出所述子代群体中所有个体的适应度值。

实际进行参数确定时，步骤201524中进行交叉操作与变异操作时，交叉操作采用多点交叉，且变异操作采用实值变异。本实施例中，步骤201524中进行交叉操作与变异操作时，交叉操作采用两点交叉。

本实施例中，步骤201524中进行交叉操作与变异操作时，还需对当前的进化代数iter进行统计。

本实施例中，步骤201524中进行交叉操作与变异操作时，按照交叉概率p_c进行交叉操作，且按照变异概率p_m进行变异操作；其中，

$p_c=\left\{\begin{array}{cc}{p}_{c\max }-\left(\frac{p_{c\max }-p_{c\min }}{\mathrm{it}\max }\right)\×\mathrm{iter},& f^{\′}>f_{\mathrm{avg}}\\ P_{c\max },& f^{\′}\≤f_{\mathrm{avg}}\end{array}\right.,$ $p_m=\left\{\begin{array}{cc}{p}_{m\max }-\left(\frac{p_{m\max }-p_{m\min }}{\mathrm{it}\max }\right)\×\mathrm{iter},& f>f_{\mathrm{avg}}\\ P_{m\max },& f\≤f_{\mathrm{avg}}\end{array}\right.;$ 式中，p_cmax为预先设定的最大交叉概率，p_cmin为预先设定的最小交叉概率，p_mmax为预先设定的最大变异概率，p_mmin为预先设定的最小变异概率，it max为预先设定的最大进化代数，iter为当前的进化代数，f_avg为当前进行交叉操作与变异操作的子代群体的种群平均适应度值，f'表示在要交叉的两个个体中较大的适应度值，f表示要变异的个体适应度值。

也就是说，根据适应度值及进化代数来调节个体的交叉概率p_c和变异概率p_m，如果个体适应度值小于种群平均适应度值，对其给予较大的交叉概率和变异概率；如果个体比较优良，即其适应度值大于种群平均适应度值，则根据其迭代状态和优良程度赋予此个体相应的交叉概率和变异概率，迭代代数越接近最大设定代数it max，个体交叉概率和变异概率就越小，此种交叉概率、变异概率调节方法在进化初期具有较强的全局搜索能力和较弱的局部搜索能力，随着进化的进行，全局优化能力逐渐减弱，局部优化能力逐渐增强。该改进方法有利于保护优良个体，便于获得全局最优解，可以防止出现“早熟”现象。

步骤201523和步骤201526中进行选择操作时，采用最优个体保留策略。由于在遗传算法的操作算子中，选择算子可以确保选出的个体都是优良的，但是交叉算子和变异算子只是引入了新的个体，这两个操作算子不能确保产生的新个体是优良的。因此采用最优个体保留策略来获得最优个体。最优保留策略是在进行交叉和变异后比较产生的新个体适应度值是增加还是减小，如果产生的新个体适应度值增加就保留该新个体，否则保留原个体。该改进策略可以有效地保证遗传操作所产生的都是优良新个体，确定了进化的方向，避免了个别个体在进化过程中退化现象，增强了算法的收敛性能。

实际对惩罚参数C与所选用径向基函数的核参数γ进行确定时，也可以采用网格搜索法进行确定，并利用步骤四中所述训练样本集中的l个训练样本，且采用K折交叉验证法对所建立的二分类模型z进行验证。

相应地，实际进行多分类模型建立时，按照步骤2015中所述的多分类模型建立方法，相应获得多分类模型一和/或多分类模型二；其中，所述多分类模型一为将所述训练样本集一中的多个样本类逐一分出来的多分类模型，所述多分类模型二为将所述训练样本集二中的多个样本类逐一分出来的多分类模型。

本实施例中，按照步骤2015中所述的多分类模型建立方法，分别建立将所述训练样本集一中的多个样本类逐一分出来的多分类模型一和将所述训练样本集二中的多个样本类逐一分出来的多分类模型二。

相应地，步骤2016中进行多分类模型训练时，相应对所述多分类模型一和多分类模型二分别进行训练；其中，对所述多分类模型一进行训练时，将所述训练样本集一中的l个训练样本输入到所述多分类模型一进行训练；对所述多分类模型二进行训练时，将所述训练样本集二中的l个训练样本输入到所述多分类模型二进行训练。

本实施例中，步骤三中当钢丝绳芯输送带1-1上出现缺陷时，所述数据处理器4-1通过所述多分类模型能自动输出当前状态下钢丝绳芯输送带1-1所出现的缺陷类别，且此时所输出的缺陷类别包括钢丝绳断绳、断丝、疲劳等类别。另外，所述数据处理器4-1调用所述接头长度计算模块对L个所述接头的接头长度分别进行计算，并根据计算结果对当前状态下各接头是否发生位移进行判断。

本实施例中，步骤三中采用数据处理器4-1对所检测信号进行特征提取之前，还需对所检测信号进行降噪处理；且特征提取之后，还应对所提取的特征参数进行特征约简，且其特征提取方法与步骤2012中所述的特征提取方法相同。

实际使用过程中，当钢丝绳芯输送带1-1出现缺陷时，采用所述电磁检测装置4-4对被检测钢丝绳芯输送带内的剩磁进行实时检测，且此时所检测信号为缺陷信号，且将所述缺陷信号输入至步骤2015中所建立的多分类模型中，自动输出当前状态下钢丝绳芯输送带1-1的缺陷类别。并且，所述缺陷信号为一个采样序列。

步骤三中进行信号实时采集及同步分类时，相应对水平向电磁检测单元和竖直向电磁检测单元实时所检测信号，分别进行同步分类。其中，对水平向电磁检测单元实时所检测信号分别进行同步分类时，所述水平向电磁检测单元对钢丝绳芯输送带1-1内水平方向上的剩磁进行实时检测，且对所检测信号进行特征提取后输入至所建立的多分类模型一中，之后自动输出钢丝绳芯输送带1-1的缺陷类别；对所述竖直向电磁检测单元实时所检测信号分别进行同步分类时，所述竖直向电磁检测单元对钢丝绳芯输送带1-1内竖直方向上的剩磁进行实时检测，且对所检测信号进行特征提取后输入至所建立的多分类模型二中，之后自动输出钢丝绳芯输送带1-1的缺陷类别，与此同时对钢丝绳芯输送带1-1上各接头是否发生位移进行判断

本实施例中，步骤2012中进行特征提取之后，所述数据处理器4-1还需对所述电磁检测装置4-4所检测的所有检测信号分别进行降噪处理，且所有检测信号的降噪处理方法均相同。

本实施例中，由于所述电磁检测装置4-4包括所述水平向电磁检测单元和竖直向电磁检测单元，因而步骤2012中进行特征提取之后，所述数据处理器4-1需对所述水平向电磁检测单元和竖直向电磁检测单元所检测的所有检测信号均进行降噪处理，且所述水平向电磁检测单元和竖直向电磁检测单元所检测的所有检测信号的降噪处理方法均相同。

实际对所述水平向电磁检测单元或竖直向电磁检测单元所检测的检测信号进行降噪处理时，采用基于小波变换与变步长LMS自适应滤波的信号降噪方法进行降噪处理。对于所述水平向电磁检测单元和竖直向电磁检测单元所检测的任一个检测信号（即采样序列X(k)）来说，其中k=1、2、3…n，n为采样序列X(k)中的采样点数量,该采样序列X(k)为一维信号，且一维信号X(k)中包含n个采样点的信号采样值。对一维信号X(k)进行降噪处理时，其降噪处理过程如下：

步骤20121、高频信号提取：采用数据处理器4-1对当前所接收的一维信号X(k)进行小波变换并提取高频信号，且其提取过程如下：

步骤201211、小波分解：调用小波变换模块，对一维信号X(k)进行小波分解，并获得小波分解后的各层近似系数和各层细节系数；其中，所述细节系数记作d_j,k，j=1，2…J，且J为小波分解的层数，k=1、2、3…n且其表示一维信号X(k)中由前至后n个采样点的序号。

步骤201212、细节系数阈值处理：

按照公式 $d_{j,k}^{\&prime;}=\left\{\begin{array}{c}\mathrm{sign}\left(d_{j,k}\right)\left[\left(\right|d_{j,k}|-\frac{{\mathrm{\&lambda;}}^2}{\left|d_{j,k}\right|\exp ({\left|d_{j,k}\right|}^2-{\mathrm{\&lambda;}}^2)})\right],\left|d_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|d_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.,$ 对步骤201211中所获得各层细节系数d_j,k分别进行阈值处理，并获得阈值处理后的各层细节系数d'_j,k；式中，λ为根据一维信号X(k)的信噪比确定的阈值。

其中，sign(x)为符号函数。

现如今，确定阈值后标准小波变换有以下两种阈值处理方法：一种是令绝对值小于阈值的信号点的值为零，称为硬阈值，该方法的缺点是在某些点会产生间断；另一种软阈值处理方法是在硬阈值的基础上边界出现不连续点收缩到零，这样可以有效避免间断，使信号变得比较光滑。软阈值和硬降噪方法虽然在实际中被广泛应用，并且取得了较好的降噪效果，但这两种方法自身都存在一些缺点。其中，硬阈值处理后的细节系数w'_j,k在λ处不连续，运用w'_j,k重构后的细节信号会产生一些振荡。而软阈值处理中，w'_j,k虽然连续性较好，但当|w_j,k|≥λ时，w'_j,k与硬阈值处理前的细节系数w_j,k之间存在恒定偏差，影响了降噪信号与真实信号的逼近程度。在实际应用中，软阈值处理的降噪信号比较光滑，但信号失真较大；而硬阈值处理的降噪效果不理想，尤其对于时变信号降噪效果较差。因此，本发明所采用的步骤2012中所述阈值处理方法，能有效克服软硬阈值的缺点，阈值处理后的各层细节系数d'_j,k的取值介于硬阈值处理方法和软阈值处理方法之间，使得d'_j,k更接近于硬阈值处理前的细节系数d_j,k，并且d'_j,k在|d_j,k|=λ处连续，随着小波系数的增大，d'_j,k与d_j,k之间的偏差绝对值逐渐减少，当d_j,k趋于无穷大时以直线y=d_j,k为渐近线，即当|w_j,k|趋于无穷大时，d'_j,k趋近于d_j,k。因而，步骤201212中所采用的阈值处理方法，克服了硬阈值处理函数在阈值λ处不连续缺点和软阈值处理函数的小波系数与量化后的小波系数之间存在恒定偏差的缺点。

实际进行降噪处理时，步骤201211中J=8或9。本实施例中，步骤201211中J=8，即对对一维信号X(k)进行八层二进制小波分解。

实际进行降噪处理过程中，步骤201212中对细节系数阈值处理进行处理之前，先对阈值λ进行确定；所述阈值λ为缺省阈值、penalty阈值或者采用Birge-Massart策略、基于Stein的无偏似然估计原理进行自适应阈值选择的rigrsure规则、采用固定的阈值形式的sqtMolog规则、采取启发式阈值选择方式的heursure规则或基于极大极小原理的minimaxi规则确定的阈值。

本实施例中所述阈值λ为采用Birge-Massart策略确定的阈值。

步骤201213、细节信号重构：调用小波逆变换模块，且根据步骤201212中阈值处理后的各层细节系数d'_j,k，对小波分解后的各层细节信号进行重构，并获得重构后的高频信号N₂(k)，其中k=1、2、3…n；所述高频信号N₂(k)中包含n个高频信号采样值，且N₂(k)=[n₂(1)，n₂(2)，…，n₂(n)]。

步骤20122、LMS自适应滤波处理：所述数据处理器4-1调用LMS自适应滤波器，对信号N₂(n)进行最小均方差计算并获得滤波后输出信号y(n)，再根据误差信号e(n)且按照公式W(n+1)=W(n)+2μ(n)e(n)N₂(n)对W(n)进行调整，使得输出信号y(n)趋于信号N₁(n)，其中e(n)=d(n)-y(n)；且所述LMS自适应滤波器处理结束后，获得降噪后的信号e(n)；

其中信号N₂(n)为输入信号矢量且N₂(n)=[n₂(n)，n₂(n-1)，…，n₂(n-M+1)]^T，而n₂(n)，n₂(n-1)，…，n₂(n-M+1)对应分别为步骤203中所述高频信号N₂(k)中最近的M个高频信号采样值，M为所述LMS自适应滤波器的长度；d(n)为期望输出信号，且d(n)为步骤2011中所述的采样序列X(k)（即一维信号），N₁(n)为X(k)中含有的噪声信号；y(n)=N₂ ^T(n)W(n)，W(n)为当前状态下所述LMS自适应滤波器的系数列矩阵；μ(n)为步长因子，μ(n)=β(1-exp(-α|e(n)|))，式中α为控制函数形状的常数且α>0；β为控制函数取值范围的常数且β>0。

降噪处理结束后，进行对降噪后的信号e(n)进行特征提取。

本实施例中，所述数据处理器4-1接收到电磁检测单元所检测信号后，还需将所接收信号同步存储至数据存储器内。同时，所述数据处理器4-1还需对所检测信号中各采样点所对应的采样时刻同步进行记录。

本实施例中，步骤201211中对一维信号X(k)进行小波分解时，采用MALLAT算法且根据公式 $\left\{\begin{array}{c}{c}_{j,k}=\underset{n}{\mathrm{\&Sigma;}}{h}_{k-2n}{c}_{j-1,n}\\ d_{j,k}=\underset{n}{\mathrm{\&Sigma;}}{g}_{k-2n}{d}_{j-1,n}\end{array}\right.,$ 对一维信号X(k)进行离散分解，式中k=1、2、3…n，j=1、2、3…J，n为采样序列X(k)中的采样点数量，J为小波分解的层数，c_j,k为小波分解后获得各层近似系数，h_k-2n为与尺度函数相关的低通滤波器的脉冲响应，且d_j,k为小波分解后获得的各层细节信号，g_k-2n为与小波函数相关的带通滤波器的脉冲响应；

步骤201213中对小波分解后的各层细节信号进行重构时，根据公式n₂(k)=进行重构，其中j=J，J-1…1。

本实施例中，步骤20122中0<β<1/λ_max，其中λ_max为输入信号矢量N₂(n)的自相关矩阵的最大特征值。

实际进行降噪处理过程中，步骤20122中当α值越大时，所述LMS自适应滤波器的收敛速度和跟踪速度越快，且所述LMS自适应滤波器的稳态误差越大；反之，当α值越小时，所述LMS自适应滤波器的收敛速度和跟踪速度越慢，且所述LMS自适应滤波器的稳态误差越小；

当β值越大时，所述LMS自适应滤波器的收敛速度和跟踪速度越快；反之，当β值越小时，所述LMS自适应滤波器的收敛速度和跟踪速度越慢。

实际处理时，α=10～10000，β=0.0001～0.2。本实施例中，α=3000，β=0.0015。具体进行降噪处理时，可根据实际需要，对α和β的取值在上述范围内进行相应调整。

相应地，本实施例中，步骤三中采用所述电磁检测装置4-4对被检测钢丝绳芯输送带内的剩磁进行实时检测，且将所检测信号同步输入至步骤2015中所建立的多分类模型之前，先采用数据处理器4-1且按照步骤20121至步骤20122所述的方法，对所述电磁检测装置4-4实时所检测信号进行降噪处理。具体来说，对水平向电磁检测单元和竖直向电磁检测单元实时所检测信号分别进行同步分类之前，先按照步骤20121至步骤20122所述的方法，分别对水平向电磁检测单元和竖直向电磁检测单元实时所检测信号进行降噪处理。

由于自适应滤波器（具体指LMS自适应滤波器）是一种能够自动调整自身参数的特殊维纳滤波器，如果输入信号的统计特性发生变化，它能够跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。

变步长LMS自适应滤波算法主要是改进步长因子μ(n)，把固定的步长因子改进为可以变化的。减少步长因子μ(n)可提高算法的收敛精度和降低算法的稳态失调噪声，但是步长因子μ(n)的减少导致算法的跟踪速度和收敛速度降低。因此，固定步长的LMS自适应滤波算法在跟踪速度、收敛速度和收敛精度方面对算法调整步长因子要求是相互矛盾的。本发明步骤20122中所采用的步长调整公式μ(n)=β(1-exp(-α|e(n)|))，其在初始收敛阶段或未知系统参数发生变化时，步长较大，因而具有较快的对时变系统的跟踪速度和收敛速度；而在收敛后，不管输入多大干扰信号，都保持较小的调整步长以达到很小的稳态失调噪声。经试验得出，与固定步长的降噪处理效果相比，采用步骤20122中所述步长调整公式μ(n)=β(1-exp(-α|e(n)|))进行降噪处理后，收敛速度、稳态误差和降噪后的信噪比均得到大幅改进。

综上，小波降噪过程中最关键的是如何选择合适的阈值和如何进行阈值处理，其直接影响小波变换对信号的降噪质量。采用步骤20121至步骤20122所述的方法进行降噪处理时，信噪比得到很大提高。通过对软阈值处理方法、硬阈值处理方法和步骤201212中所采用的阈值处理方法的降噪处理结果进行对比可知，采用软阈值处理方法进行降噪处理后，信号的平滑度较好，但失真比较大；而硬阈值处理方法的平滑度较差，但信号失真较小，而步骤201212中所采用的硬阈值处理方法不仅降噪效果最好，而且平滑度较高，降噪效果好。

另外，降噪处理过程中，小波分解层数为8层或9层时降噪处理效果最好。

本发明所述的降噪处理方法进行处理时，输入信号X(k)包括有用信号s(n)和噪声信号N₁(n)，且其为期望输出信号d(n)，小波变换对X(k)进行分解后的高频细节信号N₂(n)作为LMS自适应滤波器的输入信号，因此N₂(n)与N₁(n)相关，但与s(n)不相关。之后，运用变步长的LMS自适应滤波器调整自身参数，以使其输出信号y(n)≈N₁(n)，则误差e(n)即称为对有用信号s(n)的最佳估计。因而，本发明所采用的降噪处理方法利用小波变换多尺度分解为LMS自适应滤波器提供了较好的输入干扰信号，且LMS自适应滤波器良好的自适应性和收敛过程中动态调整步长的优势有效地提高了滤波效果和跟踪速度。

综上，对于弱磁检测信号等非平稳噪声，难以用维纳滤波或卡尔曼滤波实现最优滤波，而自适应滤波能提供较好的滤波效果，但由于固定步长的LMS算法在收敛速率、跟踪速率及稳态误差之间的要求是矛盾的，因而本发明所采用的降噪处理方法中，当LMS自适应滤波器的输入干扰信号与期望输出信号中干扰信号相关，与有用信号不相关时，其具有较好的滤波效果，采用小波变换与变步长LMS自适应滤波结合的方法实现缺陷信号的降噪处理，信号的信噪比高，均方根误差小，且处理速度快。

本实施例中，步骤2013中获取训练样本的同时，还需分别在所述街头状态检测信息和N-1组所述缺陷状态检测信息中随机抽取b个检测信号组成测试样本集；所述测试样本集中相应包括F个测试样本，其中b≥2，F=b×N；F个所述测试样本分属于N个所述样本类；步骤2016中对所建立的多分类模型进行训练后，还需输入F个所述测试样本，对所建立多分类模型的分类正确率进行测试。

本实施例中，b=150。实际进行训练样本集获取时，也可以根据具体需要，对b的取值进行相应调整。

本实施例中，步骤2013中获取训练样本的同时，按照本步骤中所述训练样本集的获取方法，在N组所述水平向剩磁检测信息中，随机抽取b个检测信号组成一个测试样本集（即测试样本集一）；与此同时，按照步骤四中所述训练样本集的获取方法，分别在经特征提取后的N组所述竖直向剩磁检测信息中，随机抽取b个检测信号组成另一个测试样本集（即测试样本集二）。所述测试样本集一和所述测试样本集二的结构相同，二者均包括F个训练样本，所述测试样本集一和所述测试样本集二中的l个所述训练样本均分属于N个样本类。

相应地，步骤2016中对所建立的多分类模型一和多分类模型二进行训练后，还需输入所述测试样本集一中的F个所述测试样本，对所建立多分类模型一的分类正确率进行测试；与此同时，还需输入所述测试样本集二中的F个所述测试样本，对所建立多分类模型二的分类正确率进行测试。

实际使用过程中，由于钢丝绳芯输送带1-1内部钢丝绳较多，磁场覆盖范围宽，需要多个同类型传感器同时检测输送带缺陷，因此必须采用多个传感器信息融合来获取缺陷信息。

本实施例中，所述水平向电磁检测单元和所述竖直向电磁检测单元的数量均为多个，多个所述水平向电磁检测单元和多个所述竖直向电磁检测单元均沿钢丝绳芯输送带1-1的宽度方向进行均匀布设。

且步骤2012中进行特征提取之后，所述数据处理器4-1还需调用多传感器数据融合处理模块，对多个所述水平向电磁检测单元和多个所述竖直向电磁检测单元所检测信号分别进行融合处理。本实施例中，进行融合处理时，采用加权平均法，且具体是特征级加权融合。

另外，由于步骤2012中所提取的特征量较多，计算量大，因而需要从多个特征量中提取出主要特征量，即对特征进行约简。也就是说，步骤2012中进行特征提取后，还需采用数据处理器4-1对所提取出的特征参数进行特征约简。粗糙集理论是一种很好的特征约简方法，在特征约简领域具有广泛的应用，提取出缺陷信号的主要特征，减少缺陷识别的特征量，以有效提高缺陷识别的速度。

实际进行特征约简时，可以采用以下常用的几种粗糙集属性约简方法：Pawlak属性约简算法、区别矩阵属性约简算法、属性重要度约简算法、信息熵属性约简算法和邻域粗糙集约简算法。对步骤三中所提取特征参数进行特征约简后，不仅大量降低数据维数，而且提高了分类精度。

本实施例中，所述水平向电磁检测单元和所述竖直向电磁检测单元的数量均为多个且二者的数量相同。多个所述水平向电磁检测单元布设在与被检测钢丝绳芯输送带的中心线相垂直的一条直线上，且多个所述竖直向电磁检测单元1-2布设在与被检测钢丝绳芯输送带的中心线相垂直的一条直线上。

步骤2012中进行特征提取之后，所述数据处理器4-1调用多传感器数据融合处理模块，对多个所述水平向电磁检测单元在同一采样时刻所检测信号进行融合处理，随后再对经融合处理后所获得的检测信号一进行特征提取；与此同时，所述数据处理器4-1调用多传感器数据融合处理模块，对多个所述竖直向电磁检测单元在同一采样时刻所检测信号进行融合处理，随后再对经融合处理后所获得的检测信号二进行特征提取。

本实施例中，钢丝绳芯输送带1-1为ST系列钢丝绳芯输送带，实际使用时，也可以对其它类型的钢丝绳芯输送带缺陷进行智能识别。

另外，实际使用过程中，步骤二中所述的电磁检测装置4-4也可以仅包括对钢丝绳芯输送带1-1内竖直方向上的剩磁进行实时检测的竖直向电磁检测单元。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (9)

1.一种煤矿钢丝绳芯带式输送机智能监控方法，该智能监控方法采用的智能监控系统包括对被监控钢丝绳芯带式输送机进行驱动控制的变频控制系统(2)、对被监控钢丝绳芯带式输送机上所安装钢丝绳芯输送带(1-1)的运行状态进行监控的运行监控系统(3)和对钢丝绳芯输送带(1-1)内是否存在缺陷及所存在缺陷的类别与位置进行实时监测的电磁在线监测系统(4)；所述被监控钢丝绳芯带式输送机包括机架、主滚筒和副滚筒以及对主滚筒进行驱动的驱动电机(1-2)，所述钢丝绳芯输送带(1-1)安装在所述主滚筒和所述副滚筒之间，所述主滚筒同轴安装在传动轴上且所述传动轴与驱动电机(1-2)之间通过传动机构进行传动连接；所述驱动电机(1-2)由变频控制系统(2)进行控制且其与变频控制系统(2)相接；所述运行监控系统(3)包括对钢丝绳芯输送带(1-1)的运行状态进行实时检测的运行状态检测装置(3-1)、对运行状态检测装置(3-1)所检测信息进行采集的数据采集模块(3-2)和与数据采集模块(3-2)相接的主控机(3-3)，所述运行状态检测装置(3-1)与数据采集模块(3-2)相接；所述电磁在线监测系统(4)包括对钢丝绳芯输送带(1-1)进行电磁加载的电磁加载装置、电磁加载后对钢丝绳芯输送带(1-1)内的剩磁进行实时检测的电磁检测装置(4-4)和对所述电磁检测装置(4-4)所检测信号进行分析处理并自动输出钢丝绳芯输送带(1-1)内是否存在缺陷及所存在缺陷的类别与位置的数据处理器(4-1)，所述电磁检测装置(4-4)与信号调理电路(4-2)相接，所述信号调理电路(4-2)与A/D转换电路(4-3)相接，所述A/D转换电路(4-3)与数据处理器(4-1)相接，其特征在于，该智能监控方法包括以下步骤：

步骤一、输送机启动及电磁加载：通过变频控制系统(2)控制驱动电机(1-2)启动，并通过驱动电机(1-2)带动钢丝绳芯输送带(1-1)连续转动，且驱动电机(1-2)启动之前先通过变频控制系统(2)对驱动电机(1-2)的驱动状态进行相应控制；同时，采用所述电磁加载装置对钢丝绳芯输送带(1-1)进行电磁加载；

步骤二、输送带上各接头位置定位：步骤一中所述驱动电机(1-2)启动并带动钢丝绳芯输送带(1-1)转动一周过程中，通过行程检测单元对钢丝绳芯输送带(1-1)的行程进行检测，并将所检测的行程信息同步传送至数据处理器(4-1)；与此同时，通过所述电磁检测装置(4-4)对钢丝绳芯输送带(1-1)内各位置处的剩磁进行实时检测，并将所检测信号同步输入至数据处理器(4-1)；

并且，所述驱动电机(1-2)带动钢丝绳芯输送带(1-1)转动一周过程中，所述数据处理器(4-1)调用接头位置定位模块对钢丝绳芯输送带(1-1)上L个接头所处位置分别进行确定，且其确定过程如下：

步骤201、接头信号识别及接头位置确定：所述数据处理器(4-1)将所述电磁检测装置(4-4)所检测到的钢丝绳芯输送带(1-1)内各位置处的剩磁信息均送至预先建立的多分类模型中进行分类识别，并由先至后自动输出所述钢丝绳芯输送带(1-1)上L个接头所处位置的剩磁信息，L个接头所处位置按照钢丝绳芯输送带(1-1)的转动方向由前至后进行布设；同时，所述数据处理器(4-1)结合行程检测单元所检测的行程信息，对L个接头所处位置的行程信息进行确定；其中L个接头所处位置的剩磁信息均为接头信号；

步骤202、接头间距计算：所述数据处理器(4-1)根据所确定的L个接头所处位置的行程信息，计算得出钢丝绳芯输送带(1-1)上相邻两个接头之间的间距Δs_r，其中r＝1、2…L；

步骤203、接头特征间距确定：所述数据处理器(4-1)根据公式Δs^’ _r＝min(|Δs_r-Δs_r-1|，|Δs_r-Δs_r+1|)，计算得出每一个间距Δs_r与其左右相邻两个间距Δs_r-1和Δs_r+1之间的差值最小值Δs^’ _r，其中Δs₀＝Δs_L+1＝0，r＝1、2…L；之后，所述数据处理器(4-1)自步骤203中计算得出的L个Δs^’ _r中找出最大值Δs^’ _B，则此时与Δs^’ _B相对应的Δs_B便为接头特征间距；

步骤204、接头编号确定：所述数据处理器(4-1)根据步骤201中所确定的L个接头所处位置的行程信息，并按照钢丝绳芯输送带(1-1)的转动方向，将间距为Δs_B的前后相邻两个接头中位于后侧的接头记作1#接头，并将位于所述1#接头后侧的L-1个接头由前至后分别记作2#接头、3#接头…L#接头，同时将重新编号后的1#接头、2#接头、3#接头…L#接头位置的行程信息进行同步记录；

步骤205、人为根据输送带制造厂家提供的钢丝绳芯输送带(1-1)的硫化接头分布位置图，确定步骤204中重新编号后的1#接头、2#接头、3#接头…L#接头与所述硫化接头分布位置图中L个接头所处位置之间的一一对应关系；

步骤201中所述多分类模型为能对钢丝绳芯输送带(1-1)的接头信号和N-1个不同缺陷信号进行分类的分类模型，且步骤二中进行输送带上各接头位置定位之前，先建立所述多分类模型，且其建立过程如下：

2011、接头信号与缺陷信号采集：采用所述电磁检测装置(4-4)对钢丝绳芯输送带(1-1)上接头位置处的剩磁进行检测，并将所检测信号同步传送至数据处理器(4-1)，相应获得一组接头状态检测信息；同时，采用所述电磁检测装置(4-4)对多种不同缺陷状态时钢丝绳芯输送带(1-1)内的剩磁分别进行检测，并将所检测信号同步传送至数据处理器(4-1)，相应获得与N-1种不同缺陷状态相对应的N-1组缺陷状态检测信息；所述接头状态检测信息和N-1组所述缺陷状态检测信息中均包括所述电磁检测装置(4-4)在不同采样时段检测到的多个检测信号，其中N为正整数且N≥3；

多个所述检测信号均为所述电磁检测装置(4-4)在一个采样时段内所检测到的一个采样序列，且该采样序列中包括所述电磁检测装置(4-4)在多个采样时刻所检测的多个采样值；

步骤2012、特征提取：待数据处理器(4-1)接收到所述电磁检测装置(4-4)所传送的检测信号时，自各检测信号中分别提取出能代表并区别该检测信号的一组特征参数，且该组特征参数包括M个特征量，并对M个所述特征量进行编号，M个所述特征量组成一个特征向量，其中M≥2；

步骤2013、训练样本获取：分别在经特征提取后的所述接头状态检测信息和N-1组所述缺陷状态检测信息中，随机抽取m个检测信号组成训练样本集；

所述训练样本集中相应包括l个训练样本，其中m≥2，l＝m×N；l个所述训练样本分属于N个样本类，N个所述样本类中包括一个接头信号样本类，且N-1个缺陷信号样本类；其中，所述接头信号样本类中包括钢丝绳芯输送带(1-1)上接头位置的m个训练样本，每一个所述缺陷信号样本类中均包括钢丝绳芯输送带(1-1)工作于同一个缺陷状态时的m个训练样本，N-1个所述缺陷信号样本类分别为与钢丝绳芯输送带(1-1)的N-1种不同缺陷状态相对应的样本类1、样本类2…样本类N-1；N个所述样本类中的每一个训练样本均记作X_Qs，其中Q为样本类的类别标号且Q＝1、2…N，s为各样本类中所包括m个训练样本的样本序号且s＝1、2…m；X_Qs为样本类k中第s个训练样本的特征向量，X_Qs∈R^d，其中d为X_Qs的向量维数且d＝M；

步骤2014、分类优先级别确定，其确定过程如下：

步骤20141、样本类的类中心计算：采用数据处理器(4-1)对N个所述样本类中任一个样本类q的类中心进行计算；

且对样本类q的类中心进行计算时，根据公式计算得出样本类q中所有训练样本的各特征量均值；式中q＝1、2…N，p＝1、2…d，X_qs(p)为样本类q中第s个训练样本的第p个特征量，为样本类q中所有训练样本的第p个特征量均值；

步骤20142、类间距离计算：采用数据处理器(4-1)且根据公式对步骤501中所述任一个样本类q与N个所述样本类中任一个样本类h之间的间距分别进行计算，其中为样本类q中所有训练样本的第p个特征量均值，为样本类h中所有训练样本的第p个特征量均值，且h＝1、2…N；

步骤20143、类间距之和计算：采用数据处理器(4-1)且根据公式对步骤20141中所述任一个样本类k的类间距之和；

步骤20144、多次重复步骤20141至步骤20143，直至计算得出N个所述样本类中所有样本类的类间距之和；

步骤20145、按照步骤20144中计算得出的所有样本类的类间距之和由大到小的顺序，采用数据处理器(4-1)确定出N个所述样本类的分类优先级别Y，其中Y＝1、2…N；其中，类间距之和最大的样本类的分类优先级别最高且其分类级别为1，类间距之和最大的样本类的分类优先级别最低且其分类级别为N；

步骤2015、多分类模型建立：所建立的多分类模型包括N-1个二分类模型，且N-1个所述二分类模型均为支持向量机模型；N-1个所述二分类模型按照步骤20145中所确定的分类优先级别，将N个所述样本类自所述训练样本集中由先至后逐类分出来，N-1个所述二分类模型的建立方法均相同且均采用数据处理器(4-1)进行建立；

对于N-1个所述二分类模型中的任一个二分类模型z来说，其建立过程如下：

步骤20151、核函数选取：选用径向基函数作为二分类模型z的核函数；

步骤20152、分类函数确定：待惩罚参数C与步骤20151中所选用径向基函数的核参数γ确定后，获得二分类模型z的分类函数，完成二分类模型z的建立过程；其中，0＜C≤1000，0＜γ≤1000；

所建立的二分类模型z为待分类优先级别高于z的所有样本类自所述训练样本集中分出来后，将分类优先级别为z的样本类自所述训练样本集中剩余的N-z+1个样本类中分出来的二分类模型，其中z＝1、2…N-1；

步骤20153、二分类模型分类优先级别设定：根据步骤20152中所述二分类模型z自所述训练样本集中剩余的N-z+1个样本类中分出来的样本类的分类优先级别z，对二分类模型z的分类优先级别R进行设定，且R＝z；

步骤20154、多次重复步骤20151至步骤20153，直至获得N-1个所述二分类模型的分类函数，便完成N-1个所述二分类模型的建立过程，获得建立完成的多分类模型；所建立的多分类模型为将所述训练样本集中的多个样本类逐一分出来的多分类模型；

步骤2016、多分类模型训练：将步骤2013中所述训练样本集中的l个训练样本输入到步骤2015中所建立的多分类模型进行训练；

步骤三、信号实时采集及同步分类：所述驱动电机(1-2)带动钢丝绳芯输送带(1-1)连续转动过程中，通过所述行程检测单元对钢丝绳芯输送带(1-1)的行程进行检测，并将所检测的行程信息同步传送至数据处理器(4-1)；与此同时，通过所述电磁检测装置(4-4)对钢丝绳芯输送带(1-1)内各位置处的剩磁进行实时检测，并将所检测信号同步输入至数据处理器(4-1)；并且，所述数据处理器(4-1)将所述电磁检测装置(4-4)所检测到的钢丝绳芯输送带(1-1)内各位置处的剩磁信息，均同步送至步骤201中所述多分类模型中进行分类识别；

当钢丝绳芯输送带(1-1)上出现缺陷时，则所述数据处理器(4-1)通过所述多分类模型能自动输出当前状态下钢丝绳芯输送带(1-1)所出现的缺陷类别；与此同时，所述钢丝绳芯输送带(1-1)调用缺陷定位模块对当前状态下所出现缺陷的位置进行定位，且其定位过程如下：

步骤301、缺陷位置行程信息确定：所述数据处理器(4-1)结合所述行程检测单元所检测的行程信息，确定出当前状态下所出现缺陷位置的行程信息；

步骤302、缺陷位置前后接头编号确定：所述数据处理器(4-1)根据步骤301中所确定的当前状态下所出现缺陷位置的行程信息，并结合钢丝绳芯输送带(1-1)的总长度和步骤204中所记录的1#接头、2#接头、3#接头…L#接头位置的行程信息，自动判断出当前状态下所出现缺陷位置前后两侧的接头编号；

并且，所述驱动电机(1-2)带动钢丝绳芯输送带(1-1)连续转动过程中，通过运行监控系统(3)对钢丝绳芯输送带(1-1)的运行状态进行监控。

2.按照权利要求1所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：所述运行状态检测装置(3-1)包括分别对钢丝绳芯输送带(1-1)的表面温度进行实时检测的温度传感器、对钢丝绳芯输送带(1-1)的运行速度进行实时检测的速度传感器、对钢丝绳芯输送带(1-1)上是否存在撕裂现象进行实时检测的撕裂传感器、对钢丝绳芯输送带(1-1)是否跑偏进行实时检测的跑偏传感器和对钢丝绳芯输送带(1-1)周侧所存在烟雾进行实时检测的烟雾传感器，所述温度传感器、速度传感器、撕裂传感器、跑偏传感器和烟雾传感器均与所述数据采集模块(3-2)相接。

3.按照权利要求1或2所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：所述数据采集模块(3-2)与主控机(3-3)之间通过串行接口进行连接，所述数据处理器(4-1)与主控机(3-3)之间通过以太网连接。

4.按照权利要求1或2所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：所述变频控制系统(2)为手动变频控制系统，所述驱动电机(1-2)为三相异步电机；所述手动变频控制系统包括手动变频控制电路、对所述三相异步电机进行控制的变频控制器(2-1)和与变频控制器(2-1)相接的调速电位器(2-2)；所述变频控制器(2-1)串接在驱动电机(1-2)的供电回路中，所述三相异步电机的U、V和W接线端分别与变频控制器(2-1)的U、V和W接线端相接，且变频控制器(2-1)的L1、L2和L3接线端分别与火线L1、L2和L3相接；所述手动变频控制电路包括通电控制按钮SB5、电机正转控制按钮SB2、电机反转控制按钮SB3、停止运行控制按钮SB1、断电控制按钮SB4、交流接触器KM1以及继电器KA1和KA2，所述手动变频控制电路的一端接在零线N上且其另一端为接线端子L0，所述接线端子L0布设在火线L1、L2或L3上；

所述接线端子L0分四路，一路经常开触点KM1、停止运行控制按钮SB1、电机正转控制电路和常闭触点KA2后接零线N，所述电机正转控制电路上并接有电机反转控制电路，且所述电机反转控制电路经常闭触点KA1后接零线N，所述常闭触点KA2与常闭触点KA1相并接；另一路经断电控制按钮SB4、通电控制按钮SB5和交流接触器电子线圈KM1接零线N；第三路经常开触点KA1、常开触点KM1和通电指示灯L3后接零线N；第四路经常开触点KA2、常闭触点KM1和断电指示灯L4后接零线N；所述常开触点KA1和常开触点KA2均与断电控制按钮SB4相并接，所述常开触点KM1与通电控制按钮SB5相并接；

所述电机正转控制电路包括相串接的电机正转控制按钮SB2和继电器电子线圈KA1，所述电机正转控制按钮SB2上并接有常开触点KA1，且继电器电子线圈KA1上并接有电机正转指示灯L1；所述电机反转控制电路包括相串接的电机反转控制按钮SB3和继电器电子线圈KA2，所述电机反转控制按钮SB3上并接有常开触点KA2，且继电器电子线圈KA2上并接有电机反转指示灯L2。

5.按照权利要求4所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：所述变频控制器(2-1)为富士变频器，所述富士变频器的Y5A端与接线端子L0相接，所述富士变频器的FW端经常开触点KA1后接其CM端，且所述富士变频器的REV端经常开触点KA2后接其CM端。

6.按照权利要求4所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：所述手动变频控制系统还包括由变频控制器(2-1)进行控制且与变频控制器(2-1)相接的报警器(2-3)。

7.按照权利要求1或2所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：所述被监控钢丝绳芯带式输送机为布设于实验室内的钢丝绳芯带式输送机。

8.按照权利要求1所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：步骤二中所述的电磁检测装置(4-4)包括对钢丝绳芯输送带(1-1)内竖直方向上的剩磁进行实时检测的竖直向电磁检测单元；

步骤201中所述数据处理器(4-1)由先至后自动输出所述钢丝绳芯输送带(1-1)上L个接头所处位置的剩磁信息的同时，所述数据处理器(4-1)还需调用接头长度计算模块由先至后对L个所述接头的接头长度进行计算，并对计算得出的L个所述接头的接头长度进行同步记录，且此时所记录的L个所述接头的接头长度为参考接头长度；其中，所述数据处理器(4-1)调用所述接头长度计算模块对L个所述接头的接头长度的计算方法均相同，对于任一个接头的接头长度进行计算时，其计算方法如下：

步骤Ⅰ、自数据处理器(4-1)所输出的当前所分析接头所处位置的剩磁信息中，提取出竖直方向上的剩磁信息；

步骤Ⅱ、结合所述行程检测单元所检测的行程信息，对步骤Ⅰ中所提取出竖直方向上的剩磁信息中波峰位置的行程信息和波谷位置的行程信息进行确定；

步骤Ⅲ、对步骤Ⅱ中所确定的波峰位置的行程信息和波谷位置的行程信息进行作差，所得差值便为当前所分析接头的接头长度；

相应地，步骤三中所述驱动电机(1-2)带动钢丝绳芯输送带(1-1)连续转动过程中，所述数据处理器(4-1)还需调用所述接头长度计算模块对所述钢丝绳芯输送带(1-1)上各接头的接头长度进行计算，并根据计算结果对当前状态下各接头是否发生位移进行判断；所述数据处理器(4-1)对当前状态下各接头是否发生位移的判断方法均相同，对于任一个接头来说，所述数据处理器(4-1)均先将当前状态下计算得出的该接头的接头长度与步骤201中所存储的该接头的参考接头长度进行作差，且当作差得出二者间差值大于预先设定的接头位移值δ时，则说明当前所判断的接头发生位移；否则，说明当前所判断的接头未发生位移。

9.按照权利要求8所述的煤矿钢丝绳芯带式输送机智能监控方法，其特征在于：步骤二中所述的电磁检测装置(4-4)还包括对钢丝绳芯输送带(1-1)内水平方向上的剩磁进行实时检测的水平向电磁检测单元，所述水平向电磁检测单元与所述竖直向电磁检测单元的采样频率相同。