CN111965246B - 一种基于多信息融合的刮板机故障检测方法及其检测系统 - Google Patents

一种基于多信息融合的刮板机故障检测方法及其检测系统 Download PDF

Info

Publication number
CN111965246B
CN111965246B CN202010803083.3A CN202010803083A CN111965246B CN 111965246 B CN111965246 B CN 111965246B CN 202010803083 A CN202010803083 A CN 202010803083A CN 111965246 B CN111965246 B CN 111965246B
Authority
CN
China
Prior art keywords
defect
information
scraper
chain
central controller
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010803083.3A
Other languages
English (en)
Other versions
CN111965246A (zh
Inventor
乔铁柱
屈鼎然
张海涛
杨毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202010803083.3A priority Critical patent/CN111965246B/zh
Publication of CN111965246A publication Critical patent/CN111965246A/zh
Application granted granted Critical
Publication of CN111965246B publication Critical patent/CN111965246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
    • G01N27/84—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields by applying magnetic powder or magnetic ink
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/267—Welds
    • G01N2291/2675—Seam, butt welding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092

Abstract

本发明一种基于多信息融合的刮板机故障检测方法及其检测系统，属于刮板机故障检测方法及其检测系统技术领域；所要解决的技术问题为：提供一种基于多信息融合的刮板机故障检测方法的改进；解决上述技术问题采用的技术方案为：步骤一：控制中央控制器获取刮板机的刮板和链条工作时的目标信息；步骤二：中央控制器对步骤一中获取的目标信息分别进行数据分析处理，并将分析处理后的计算结果分别进行缺陷判断；步骤三：建立缺陷诊断模型，中央控制器通过对步骤二中的缺陷判断结果在缺陷诊断模型中进行数据融合；步骤四：所述中央控制器的内部设置有不同刮板机故障对应的预警响应等级；本发明应用于刮板机故障检测。

Description

一种基于多信息融合的刮板机故障检测方法及其检测系统
技术领域
本发明一种基于多信息融合的刮板机故障检测方法及其检测系统，属于刮板机故障检测系统及其检测方法技术领域。
背景技术
刮板机运输系统是原煤生产运输的命脉，是煤矿采掘工作面时必要的、价格昂贵的大型工作系统。刮板机具有运输能力不受货载块度和湿度影响，机身高度小便于装载，机身长度调节方便，机体坚固能蹋于瀑破装，媒的工作面等优点，是进行采煤工作面和采区顺槽运输，煤巷，半煤岩巷道掘进工作面的主要运输装备。
刮板机刮板和链条如链条环接处、刮板链接处等易发生应力集中的部位由于工作过程中高强度的运作与磨损，以及一些意外因素，可能会造成刮板与链条的这些部位发生形变、裂纹甚至断裂，从而造成刮板脱落、链条脱节，这会影响生产、使刮板机受损，甚至造成人员伤亡的严重后果。在刮板和链条被原煤层层掩埋的恶劣工作环境中，对刮板和链条的易发生应力集中的薄弱部位进行准确智能的实时诊断监测，在某一节刮板或链条产生金属疲劳的时候及时预警止损是世界范围内亟待解决的技术难题。因此，需要一种可以精确诊断、实时监测刮板机刮板和链条工作中发生故障并且及时止损报警的故障检测方法及其检测系统，来解决上述问题。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于多信息融合的刮板机故障检测方法的改进及其刮板机故障检测系统硬件结构的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种基于多信息融合的刮板机故障检测方法，包括如下步骤：
步骤一：控制中央控制器获取刮板机的刮板和链条工作时的目标信息，所述目标信息包括图像信息、声音信息、漏磁场信息、直接物理形变信息、超声波脉冲反射信息、电机电流信息，所述图像信息通过安装在防护支架上的摄像头采集，所述声音信息通过麦克风阵列采集，所述麦克风阵列安装在刮板机机头的链条上方，所述漏磁场信息通过安装在防护支架下方的金属磁记忆检测仪采集，所述直接物理形变信息通过RFID读写器采集缺陷感知标签的信息获取，所述缺陷感知标签设置在链环连接处，所述超声波脉冲反射信息通过安装在防护支架下方的超声波探伤仪采集，所述电机电流信息通过与电机相连的电流检测仪采集；
步骤二：中央控制器对步骤一中获取的目标信息分别进行数据分析处理，并将分析处理后的计算结果分别进行缺陷判断；
步骤三：建立缺陷诊断模型，中央控制器通过对步骤二中的缺陷判断结果在缺陷诊断模型中进行数据融合，在数据融合之后，中央控制器将缺陷诊断模型的诊断结果输出至显示屏；
步骤四：所述中央控制器的内部设置有不同刮板机故障对应的预警响应等级，所述预警响应等级的触发通过中央控制器实现，所述中央控制器根据缺陷诊断模型得出的数据控制刮板机向报警装置发送报警信号。
所述步骤二中对图像信息的分析处理采用YOLOv1算法，以刮板机链条正常状态、缺陷状态的图片为训练集，将图片全部缩放为448*448像素，通过卷积神经网络模型提取特征图，具体步骤为：
步骤2.1：将输入图片划分为S*S个单元格区域，用于实现将缺陷部分中心的定位检测，每个单元格输出B个边界框，所述边界框包含目标缺陷的矩形区域；
步骤2.2：边界框输出经过当前单元格预测后得到的目标缺陷的边界框的实际宽度、高度，定义所述实际宽度、高度相对于整图的比例分别为ω和h，定义目标缺陷中心位置的坐标x，y；
步骤2.3：对每一个边界框的值预测出一个置信度并输出，所述置信度的计算公式为：confidence＝PObject)＊IOU，
上式中：confidence为置信度，设定[0.7，1]为置信区间；P(Object)为边界框包含物体的概率，P(Object)＝1表示边界框包含物体，P(Object)＝0表示边界框不包含物体；IOU为预测后的边界框与目标物体实际区域所交集的面积，以像素为单位；
步骤2.4：通过步骤2.3计算出边界框的置信度后，通过卷积神经网络模型提取特征图，所述的YOLOv1算法在卷积神经网络模型评估中，损失函数全部采用均方差，所述损失函数计算公式为：损失＝坐标误差+IOU误差+分类误差，损失函数具体计算公式为：
其中：
上式中：为选取的B个边界框中预测后得到的目标缺陷的边界框，/>为未选出部分的边界框中预测后得到的目标缺陷的边界框；为置信度，具体为0或1；λcoord为坐标误差权重，具体设置为5；λnoobj为用于修正IOU误差的值，具体设置为0.5；s2为图片单元格个数；∑c∈classes为置信度处于置信区间的值。
所述步骤二中对声音信息进行分析处理主要通过GMM-UBM方法实现，具体步骤如下：
步骤3.1：中央控制器对麦克风阵列采集到的刮板机刮板和链条发生金属疲劳的声音进行预处理、特征提取、声音训练和声音识别；
步骤3.2：通过实验情况以及具体工作环境为识别似然分数设定缺陷决策阈值，实现声音信号对目标检测点缺陷状态的诊断。
所述步骤二中的直接物理形变信息对缺陷的判断通过RFID标签实现，具体为：
利用特种强力胶粘剂将缺陷感知标签黏置于刮板结构易断裂内侧面处以及每一环节链条互相间应力集中部位；
在刮板机工作过程中，缺陷感知标签都有唯一标识，当刮板机在工作中某一个目标检测点因应力集中发生形变或断裂而连带造成该刮板相应标号的标签失去信号时，RFID读写器未能接收到此时应该收到的序列标签信号，则表明此时该序列的易碎标签已被损坏，即该处的刮板或链条已产生缺陷，此时中央控制器接收RFID读写器的信息，对缺陷进行判断。
所述步骤三中建立的缺陷诊断模型具体根据实际检测需要，通过图像信息、声音信息、漏磁场信息、直接物理形变信息、超声波脉冲反射信息、电机电流信息中的一种或几种建立缺陷诊断模型。
包括刮板机，所述刮板机的机尾链轮上方设置有防护支架，所述防护支架上安装有摄像头，所述摄像头对准链环外部可视处设置，所述防护支架的下方安装有超声波探伤仪、金属磁记忆检测仪，所述超声波探伤仪的信号发射端对准链条及链环连接处设置，所述金属磁记忆检测仪的信号发射端对准链条及链环连接处设置；
所述刮板机的链环连接处均粘贴有缺陷感知标签，所述缺陷感知标签与设置在防护支架下方的RFID读写器进行信号传输；
所述刮板机机头的链条上方设置有麦克风阵列，用于采集刮板和链条之间的声音信息；
所述刮板机的机头处设置有电机，所述电机的一侧设置有电流检测仪，所述电流检测仪用于检测电机的输出电流的连续信号，对刮板机的卡链故障进行分析诊断；
所述刮板机的一侧设置有控制台，所述控制台内部的控制电路板上集成有中央控制器，所述中央控制器通过导线分别与摄像头、超声波探伤仪、金属磁记忆检测仪、RFID读写器、电流检测仪、麦克风阵列相连，所述中央控制器还通过导线与电机的控制端相连，所述中央控制器还通过导线与报警装置相连。
所述控制台上设置有操作面板，所述操作面板包括显示屏、键盘、鼠标，所述显示屏连接导线通过分屏器与中央控制器相连，所述键盘、鼠标分别通过导线与中央控制器相连。
所述摄像头的一侧还设置有补光灯，所述补光灯的控制端通过导线与中央控制器相连。
所述缺陷感知标签具体采用UHF易碎标签，并将标签按照序列号粘贴在链环连接处。
所述报警装置包括警报器和报警指示灯，所述警报器安装在刮板机的机头，用于中央控制器诊断出故障时发出报警信号。
本发明相对于现有技术具备的有益效果为：本发明提供的刮板机故障检测方法，通过对刮板机链条及刮板工作时的目标信息进行数据采集，通过分别对采集的目标信息进行分析处理，将每一种目标信息进行缺陷诊断，然后根据多种目标信息的诊断结果建立缺陷诊断模型，从而对刮板机当前的工作状态进行监测并预警，提高了检测效率及缺陷判断准确率，能及时对缺陷进行处理，提高了刮板机的使用寿命。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明检测方法的流程示意图；
图2为本发明检测系统的结构示意图；
图3为本发明检测系统的电路结构示意图；
图4为本发明实施例一中的缺陷诊断模型流程图；
图5为本发明实施例二中的缺陷诊断模型流程图；
图6为本发明实施例三中的缺陷诊断模型流程图。
图中：1为刮板机、2为防护支架、3为摄像头、4为超声波探伤仪、5为金属磁记忆检测仪、6为RFID读写器、7为电机、8为电流检测仪、9为报警装置、10为麦克风阵列、11为显示屏、12为键盘、13为鼠标、14为分屏器、15为补光灯、91为警报器、92为报警指示灯、101为中央控制器。
具体实施方式
如图1至图6所示，本发明一种基于多信息融合的刮板机故障检测方法，包括如下步骤：
步骤一：控制中央控制器101获取刮板机的刮板和链条工作时的目标信息，所述目标信息包括图像信息、声音信息、漏磁场信息、直接物理形变信息、超声波脉冲反射信息、电机电流信息，所述图像信息通过安装在防护支架2上的摄像头3采集，所述声音信息通过麦克风阵列10采集，所述麦克风阵列10安装在刮板机1机头的链条上方，所述漏磁场信息通过安装在防护支架2下方的金属磁记忆检测仪5采集，所述直接物理形变信息通过RFID读写器6采集缺陷感知标签的信息获取，所述缺陷感知标签设置在链环连接处，所述超声波脉冲反射信息通过安装在防护支架2下方的超声波探伤仪4采集，所述电机电流信息通过与电机7相连的电流检测仪8采集；
步骤二：中央控制器101对步骤一中获取的目标信息分别进行数据分析处理，并将分析处理后的计算结果分别进行缺陷判断；
步骤三：建立缺陷诊断模型，中央控制器101通过对步骤二中的缺陷判断结果在缺陷诊断模型中进行数据融合，在数据融合之后，中央控制器101将缺陷诊断模型的诊断结果输出至显示屏；
步骤四：所述中央控制器101的内部设置有不同刮板机故障对应的预警响应等级，所述预警响应等级的触发通过中央控制器101实现，所述中央控制器101根据缺陷诊断模型得出的数据控制刮板机1向报警装置9发送报警信号。
所述步骤二中对图像信息的分析处理采用YOLOv1算法，以刮板机链条正常状态、缺陷状态的图片为训练集，将图片全部缩放为448*448像素，通过卷积神经网络模型提取特征图，具体步骤为：
步骤2.1：将输入图片划分为S*S个单元格区域，用于实现将缺陷部分中心的定位检测，每个单元格输出B个边界框，所述边界框包含目标缺陷的矩形区域；
步骤2.2：边界框输出经过当前单元格预测后得到的目标缺陷的边界框的实际宽度、高度，定义所述实际宽度、高度相对于整图的比例分别为ω和h，定义目标缺陷中心位置的坐标x，y；
步骤2.3：对每一个边界框的值预测出一个置信度并输出，所述置信度的计算公式为：confidence＝P(Object)＊IOU，
上式中：confidence为置信度，设定[0.7，1]为置信区间；P(Object)为边界框包含物体的概率，P(Object)＝1表示边界框包含物体，P(Object)＝0表示边界框不包含物体；IOU为预测后的边界框与目标物体实际区域所交集的面积，以像素为单位；
步骤2.4：通过步骤2.3计算出边界框的置信度后，通过卷积神经网络模型提取特征图，所述的YOLOv1算法在卷积神经网络模型评估中，损失函数全部采用均方差，所述损失函数计算公式为：损失＝坐标误差+IOU误差+分类误差，损失函数具体计算公式为：
其中：
上式中：为选取的B个边界框中预测后得到的目标缺陷的边界框，/>为未选出部分的边界框中预测后得到的目标缺陷的边界框；为置信度，具体为0或1；λcoord为坐标误差权重，具体设置为5；λnoobj为用于修正IOU误差的值，具体设置为0.5；s2为图片单元格个数；∑c∈classes为置信度处于置信区间的值。
所述步骤二中对声音信息进行分析处理主要通过GMM-UBM方法实现，具体步骤如下：
步骤3.1：中央控制器101对麦克风阵列10采集到的刮板机刮板和链条发生金属疲劳的声音进行预处理、特征提取、声音训练和声音识别；
步骤3.2：通过实验情况以及具体工作环境为识别似然分数设定缺陷决策阈值，实现声音信号对目标检测点缺陷状态的诊断。
所述步骤二中的直接物理形变信息对缺陷的判断通过RFID标签实现，具体为：
利用特种强力胶粘剂将缺陷感知标签黏置于刮板结构易断裂内侧面处以及每一环节链条互相间应力集中部位；
在刮板机工作过程中，缺陷感知标签都有唯一标识，当刮板机在工作中某一个目标检测点因应力集中发生形变或断裂而连带造成该刮板相应标号的标签失去信号时，RFID读写器未能接收到此时应该收到的序列标签信号，则表明此时该序列的易碎标签已被损坏，即该处的刮板或链条已产生缺陷，此时中央控制器101接收RFID读写器的信息，对缺陷进行判断。
所述步骤三中建立的缺陷诊断模型具体根据实际检测需要，通过图像信息、声音信息、漏磁场信息、直接物理形变信息、超声波脉冲反射信息、电机电流信息中的一种或几种建立缺陷诊断模型。
一种基于多信息融合的刮板机故障检测系统，包括刮板机1，所述刮板机1的机尾链轮上方设置有防护支架2，所述防护支架2上安装有摄像头3，所述摄像头3对准链环外部可视处设置，所述防护支架2的下方安装有超声波探伤仪4、金属磁记忆检测仪5，所述超声波探伤仪4的信号发射端对准链条及链环连接处设置，所述金属磁记忆检测仪5的信号发射端对准链条及链环连接处设置；
所述刮板机1的链环连接处均粘贴有缺陷感知标签，所述缺陷感知标签与设置在防护支架2下方的RFID读写器6进行信号传输；
所述刮板机1机头的链条上方设置有麦克风阵列10，用于采集刮板和链条之间的声音信息；
所述刮板机1的机头处设置有电机7，所述电机7的一侧设置有电流检测仪8，所述电流检测仪8用于检测电机7的输出电流的连续信号，对刮板机的卡链故障进行分析诊断；
所述刮板机1的一侧设置有控制台，所述控制台内部的控制电路板上集成有中央控制器101，所述中央控制器101通过导线分别与摄像头3、超声波探伤仪4、金属磁记忆检测仪5、RFID读写器6、电流检测仪8、麦克风阵列10相连，所述中央控制器101还通过导线与电机7的控制端相连，所述中央控制器101还通过导线与报警装置9相连。
所述控制台上设置有操作面板，所述操作面板包括显示屏11、键盘12、鼠标13，所述显示屏11连接导线通过分屏器14与中央控制器101相连，所述键盘12、鼠标13分别通过导线与中央控制器101相连。
所述摄像头3的一侧还设置有补光灯15，所述补光灯15的控制端通过导线与中央控制器101相连。
所述缺陷感知标签具体采用UHF易碎标签，并将标签按照序列号粘贴在链环连接处。
所述报警装置9包括警报器91和报警指示灯92，所述警报器91安装在刮板机1的机头，用于中央控制器101诊断出故障时发出报警信号。
本发明提供的故障检测方法及检测系统，通过综合采用机器视觉技术、金属磁记忆技术、射频识别技术、视听检测技术、超声波探伤技术对矿用刮板机链条发生的故障进行检测的方法及系统，通过刮板机链条工作时的图像信息、漏磁场信息、物理形变信息、超声波脉冲反射信息、声音信息以及电机电流信息六个方面综合对其进行故障诊断，并根据上述六种检测信息通过采用一种信息或几种信息融合的方法构建合理诊断模型，获得不同类别的设备故障，并且选择触发警报或者停止设备工作，从而实现对矿用刮板机链条故障情况的实时诊断、预警与处理。本发明解决了矿用刮板机工作中链条易发生应力集中情况部位的实时诊断监测问题。
下面根据几种不同的实施例的诊断模型对本发明的检测方法进行进一步详细说明。
实施例一：
本实施例通过采用刮板和链条工作时的图像信息、声音信息、漏磁场信息以及物理形变信息四个方面综合对其故障进行诊断，并构建缺陷诊断模型一，在不同级别的设备缺陷情况下，触发不同级别的警报，从而实现对矿用刮板机刮板和链条金属疲劳情况的实时诊断与预警。
本实施例中的缺陷检测方法具体步骤如下：
步骤一：图像信息采集使用防爆的摄像头3，安装于刮板机1链条靠机头部位上方；图像处理采用深度学习办法，采用机器视觉技术，搭建神经网络模型，以刮板机链条(正常状态、缺陷状态)图片为训练集，对缺陷状态特征像素进行计数，通过为特征像素数量设定缺陷判断阈值诊断目标检测点的状态，实现深度学习识别链条缺陷状态图像，输入数字诊断模型不断优化诊断精度及可靠性，对缺陷深度学习进行缺陷预警预示；
具体为：图像处理采用YOLOv1算法，以刮板机链条(正常状态、缺陷状态)图片为训练集，将图片全部缩放为448*448的像素，通过卷积神经网络模型提取特征图。首先将输入图片划分为S*S个单元格区域，负责将缺陷部分中心进行定位检测，每个单元格输出B个边界框(包含目标缺陷的矩形区域)，边界框输出经过当前单元格预测后得到的目标缺陷的边界框真实宽高相对于整图的比例ω和h以及其中心位置的坐标(x，y)，上述参数的区间都为[0，1]之，并同时为每一个边界框的值预测出一个置信度然后输出，置信度反映当前的边界框是否包含了目标缺陷，以及反映出目标缺陷位置的准确性，置信公式为
confidence＝P(Object)＊IOU，
上式中：confidence表示置信度，设定[0.7，1]为置信区间；P(Object)代表边界框包含物体的概率，P(Object)＝1表示边界框包含物体，P(Object)＝0表示边界框不包含物体；IOU表示预测后的边界框与目标物体实际区域所交集的面积，并以像素为单位。
根据YOLOv1在卷积神经网络模型评估中，损失函数全部采用均方差，它的损失函数计算为：损失＝坐标误差+IOU误差+分类误差。损失函数公式具体表达为：
其中：
上式中：表示选取的B个边界框中预测后得到的目标缺陷的边界框，/>为未选出的部分/>为置信度，0或1；λcoord为坐标误差权重，设置为5；λnoobj用于修正IOU误差，设置为0.5；s2为图片单元个数；∑c∈classes为置信度处于置信区间的值。
步骤二：声音信息采集使用麦克风阵列10，安装于刮板机1链条靠机头部位边部，声音处理采用GMM-UBM方法，对经麦克风阵列10采集到的刮板机1刮板和链条发生金属疲劳的声音进行预处理、特征提取、声音训练和声音识别，通过根据实验情况以及具体工作环境为识别似然分数设定缺陷决策阈值，实现声音信号对目标检测点缺陷状态的诊断。
步骤三：漏磁场信息采用金属磁记忆办法，刮板和链条金属部件由于疲劳、蠕变而产生的微裂纹会导致缺陷处出现应力集中，铁磁性金属链条存在着机械效应，其表面上的磁场分布与金属部件应力载荷具有特定关系。通过磁记忆敏感器件表面的磁场分布情况，即判断目标检测点漏磁场的切向分量是否出现最大值，且法向分量是否改变符号并具有零点，间接的对部件缺陷或应力集中位置进行信号提取，从而确定缺陷的产生以及应力集中的区域。
步骤四：直接物理形变信息采用基于RFID的变形及裂纹感知技术，通过一种超高频缺陷感知标签，利用特种强力胶粘剂黏置于刮板结构易断裂内侧面处以及每一环节链条互相间应力集中部位，每一个检测点都黏贴该种缺陷感知标签，在刮板机1工作过程中，裂纹感知标签都有唯一标识，当刮板机1在工作中某一个目标检测点因应力集中发生形变或断裂而连带造成该刮板相应标号的标签失去信号时，RFID读写器6未能接收到此时应该收到的序列标签信号，则表明此时该序列的易碎标签已被损坏，即该处的刮板或链条已产生缺陷。
本实施例一的缺陷诊断模型一根据上述步骤一至四的缺陷判断结果进行建立，具体为：基于图像、声音、漏磁场、RFID信号的四种检测模式分别给予各自的缺陷评定得分。四种单体检测结果均分为“正常”与“缺陷”，设定四种缺陷得分s1、s2、s3、s4分别对应四种检测模式，其中s1＝0表示图像信息检测结果为正常，s1＝1表示图像信息检测结果为缺陷；s2＝0表示声音信息检测结果为正常，s2＝1表示声音信息检测结果为缺陷；由于刮板机1工作时的光线较差，噪音较大，对于视听检测结果的干扰性较金属磁记忆办法和RFID办法更强，因此s3＝0表示漏磁场信息检测结果为正常，s3＝2表示漏磁场信息检测结果为缺陷；s4＝0表示直接物理形变信息检测结果为正常，s4＝2表示直接物理形变信息检测结果为缺陷。
最终缺陷得分S＝s1+s2+s3+s4，当S＝0时，中央控制器101输出判断结果为正常，刮板机1继续运行；当0＜S≤2时，中央控制器101输出判断结果为缺陷，同时触发报警装置9的一级报警响应；当2＜S≤4时，中央控制器101输出判断结果为缺陷，同时触发报警装置9的二级报警响应；当S＞4时，中央控制器101输出判断结果为缺陷，同时触发报警装置9的三级报警响应，同时中央控制器101控制刮板机停止工作。
本实施例的目标缺陷判定得分设计的三级阈值，分别对应三级预警报警系统，一级最轻，三级最严重，并且三级警报触发刮板机停工。
实施例二：
本实施例通过刮板机链条工作时的图像信息、超声波脉冲反射信息、漏磁场信息、物理形变信息以及电机电流信息五个方面综合对其进行故障诊断，并构建缺陷诊断模型二，获得不同类别的设备故障，并且选择触发警报或者停止设备工作，从而实现对矿用刮板机链条故障情况的实时诊断、预警与处理。
本实施例中的缺陷检测方法具体步骤如下：
步骤一：对图像信息进行采集并发送至中控控制器101进行分析处理，本实施例中对图像信息的分析处理方法与实施例一中的方法相同，本实施例不再赘述；
步骤二：使用脉冲反射式的超声波探伤仪4，探头安装于刮板机1机尾部位链条上方防护支架2下方；在超声波探伤仪4工作时，探头以A扫描方式按一定频率朝向链条被测点发射脉冲信号，在脉冲信号接触到被测点底面或缺陷时会被反射并接收，在示波屏上以平面坐标显示，横轴为传播时间，纵轴为回波幅值，当超声波探伤仪4探测到被测点存在缺陷时，则会在波形坐标图上出现一个峰值，表明被测点产生了磨损或者裂纹。
步骤三：对漏磁场信息的采集及分析处理与实施例一种的方法相同，本实施例不再赘述；
步骤四：对直接物理形变信息的采集及分析处理与实施例一种的方法相同，本实施例不再赘述；
步骤五：电流信息的检测通过安装于刮板机1电机位置的电流测量设备检测，用于测量电机7输出电流的连续信号，电机电流大小可以反映电机的输出扭矩，从而间接反映刮板机1工作时链条所承受的张力大小，将连续输出电流信号经滤波去噪后得到平面直角坐标系图像，横轴为工作时间，纵轴为电流大小，当刮板机1链条发生卡链时，链条间相互张力急剧增大，刮板机输出扭矩急剧增大，因此电流图像会在短时间内出现突破阈值的大峰值，表明刮板机工作过程中发生了卡链故障。具体采用硬阈值法，阈值设置为正常态平均电流的150％，超过该阈值则判断为出现卡链故障。
本实施例二的缺陷诊断模型二根据上述步骤一至五的缺陷判断结果进行建立，具体为：将图像信息、超声波反射信息、漏磁场信息、RFID信号、电机电流信号五种不同信号进行了有机融合，建立了链条的故障分类诊断模型，对检测点故障综合进行诊断。基于机器视觉的图像检测针对检测的故障分类为链环可视处的外部裂纹；反射脉冲式超声波探伤仪针对检测的故障分类为链条检测点的外部裂纹、金属内部裂纹以及链环链接处的磨损；金属磁记忆检测仪针对检测的故障分类为链条检测点的外部裂纹、金属内部裂纹、链环链接处的磨损以及链环的形变拉伸；RFID检测法针对检测的故障分类为链条检测点的外部裂纹、链环链接处的磨损以及链环的形变拉伸；电机电流示图法针对检测的故障分类为刮板机的卡链故障。
故障诊断分类分为链环可视处与链环链接处的外部裂纹、链环链接处的外部磨损、链环金属内部裂纹、链环拉伸形变以及卡链故障。链环处存在三种检测点，分别为链环链接处、链环金属内部、链环外部可视处。链环链接处作为磨损、外部裂纹以及拉伸形变的检测点，对应设备为超声波探伤仪4、金属磁记忆检测仪5、UHF易碎标签；链环金属内部作为内部裂纹的检测点，对应设备为超声波探伤仪4、金属磁记忆检测仪5；链环外部可视处为外部裂纹的检测点，对应设备为摄像头3。
目标检测链条为刮板机机尾链轮处的链条，在机尾处搭建防护支架2，将摄像头3、超声波探伤仪4、金属磁记忆检测仪5以及RFID读写器6安装在机尾部防护支架2下方，对链轮处链条的目标检测点进行检测诊断。电流检测仪8安装在机头电机7处，用于测量与绘制电机电流波形图。报警装置9安装在刮板机1机头部位，用于在诊断出故障时触发报警。
缺陷诊断模型二的具体缺陷判断方法如图5所示，●表示“与”，即必然发生的事件；■表示“或”，即至少发生一种事件。
如图5所示，当五种信号事件全部为正常时判定系统正常，刮板机1正常工作；当图像检测与超声波探伤仪4显示正常且金属磁记忆检测仪5与RFID读写器6至少有一个判定缺陷，则判定链条可能发生形变拉伸；当图像检测、超声波探伤仪4、金属磁记忆检测仪5、RFID读写器6至少有一个判定缺陷，则判定链条可能发生外部裂纹；当图像检测与RFID读写器6判定正常，且超声波探伤仪4或金属磁记忆检测仪5判定缺陷时，判定链条可能发生内部裂纹；当图像检测判定正常，且超声波探伤仪4、金属磁记忆检测仪5、RFID读写器6至少有一个判定缺陷，则判定链条可能发生磨损；当电机电流滤波模型在短暂时间内产生超阈值峰值，则判定刮板机1发生卡链故障。
如图5所示，当五种缺陷信号均不存在，则刮板机1正常运行；当外部裂纹、内部裂纹、磨损、形变四种缺陷有一至三种判定可能性，则触发警报器91，但刮板机1正常运行；当外部裂纹、内部裂纹、磨损、形变四种缺陷全部存在发生可能性，则触发报警装置9的警报器91及报警指示灯92同时报警并且停止刮板机1工作；当判定卡链时，触发警报，且刮板机1停止工作。
实施例三：
本实施例通过刮板机链条工作时的图像信息、漏磁场信息、直接物理形变信息以及电机电流信息，根据多源信号检测技术以及建立缺陷诊断模型三，从而实现对刮板机链条故障进行实时诊断监测的目的。
步骤一：对图像信息进行采集并发送至中控控制器101进行分析处理，本实施例中对图像信息的分析处理方法与实施例一中的方法相同，本实施例不再赘述；
步骤二：对漏磁场信息的采集及分析处理与实施例一种的方法相同，本实施例不再赘述；
步骤四：对直接物理形变信息的采集及分析处理与实施例一种的方法相同，本实施例不再赘述；
步骤五：对电流信息的检测及分析处理与实施例二中的方法相应，本实施例不再赘述。
本实施例三的缺陷诊断模型三根据上述步骤一至四的缺陷判断结果进行建立，具体为：将图像信息、漏磁场信息、RFID信号、电机电流信号四种不同信号进行了有机融合，建立了链条的故障分类诊断模型，对检测点故障综合进行诊断。基于机器视觉的图像检测针对检测的故障分类为链环可视处的外部裂纹；金属磁记忆检测仪针对检测的故障分类为链条检测点的外部裂纹、金属内部裂纹、链环链接处的磨损以及链环的形变拉伸；RFID检测法针对检测的故障分类为链条检测点的外部裂纹、链环链接处的磨损以及链环的形变拉伸；电机电流示图法针对检测的故障分类为刮板机的卡链故障。
故障诊断分类分为链环可视处与链环链接处的外部裂纹、链环链接处的外部磨损、链环金属内部裂纹、链环拉伸形变以及卡链故障。链环处存在三种检测点，分别为链环链接处、链环金属内部、链环外部可视处。链环链接处作为磨损、外部裂纹以及拉伸形变的检测点，对应设备为金属磁记忆检测仪5、UHF易碎标签；链环金属内部作为内部裂纹的检测点，对应设备为金属磁记忆检测仪5；链环外部可视处为外部裂纹的检测点，对应设备为摄像头3。
目标检测链条为刮板机1尾链轮处的链条，在机尾处搭建防护支架2，将摄像头3、金属磁记忆检测仪5以及RFID读写器6安装在机尾部防护支架2下方，对链轮处链条的目标检测点进行检测诊断。电流检测仪8安装在机头电机7处，用于测量与绘制电机电流波形图。报警装置9安装在刮板机1机头部位，用于在诊断出故障时触发报警。
缺陷诊断模型三的具体缺陷判断方法如图6所示，●表示“与”，即必然发生的事件；■表示“或”，即至少发生一种事件。
如图6所示，当四种信号事件全部为正常时判定系统正常，刮板机1正常工作；当图像检测显示正常且金属磁记忆检测仪5与RFID读写器6至少有一个判定缺陷，则判定链条可能发生形变拉伸；当图像检测、金属磁记忆检测仪5、RFID读写器6至少有一个判定缺陷，则判定链条可能发生外部裂纹；当图像检测与RFID读写器6判定正常，且金属磁记忆检测仪5判定缺陷时，判定链条可能发生内部裂纹；当图像检测判定正常，且金属磁记忆检测仪5、RFID读写器6至少有一个判定缺陷，则判定链条可能发生磨损；当电机电流滤波模型在短暂时间内产生超阈值峰值，则判定刮板机1发生卡链故障。
如图6所示，当四种缺陷信号均不存在，则刮板机1正常运行；当外部裂纹、内部裂纹、磨损、形变四种缺陷有一至三种判定可能性，则触发警报器91，但刮板机1正常运行；当外部裂纹、内部裂纹、磨损、形变四种缺陷全部存在发生可能性，则触发报警装置9的警报器91与报警指示灯92同时发生报警信号并且停止刮板机1工作；当判定卡链时，触发警报，且刮板机1停止工作。
本发明基于多信号融合的刮板机链故障检测方法及其检测系统，具有以下优点：检测精度高，本发明将刮板机链条如链条环接处等易发生应力集中的部位由于工作过程中高强度的运作与磨损发生的缺陷状况通过多种不同信号综合得分判定刮板机链条缺陷。无损检测：本发明的采集各路信号的摄像头3、金属磁记忆检测仪5、UHF读写器、电流检测仪8，都采用了非接触方法，只需在被检测部位粘贴上RFID超高频易碎标签，无需更多预处理，并且不会对被检测部位产生损坏，适合于现场检测。智能预警：本发明将故障分为四种不同类别，根据诊断严重程度判定触发警报以及是否停止工作。便于定位：RFID方法可根据损坏标签的序列号定位故障目标大致在于哪个刮板或链条，金属磁记忆办法可根据目标漏磁场法向分量的零点位置判断故障目标在刮板或链条上的具体位置。
本发明的中央控制器101采用的型号为SIMATIC S7-300PLC，摄像头3具体采用防爆摄像头，型号为DS-2XE6222F-IS，超声波探伤仪4具体采用脉冲反射式的超声波探伤仪，型号为JBT10061-1999A，金属磁记忆检测仪5采用的型号为TSC-1M-4，RFID读写器6采用的型号为YZ-P002，电流检测仪8采用的型号为LOAHG500，警报器91采用的型号为MS390。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种基于多信息融合的刮板机故障检测方法，采用基于多信息融合的刮板机故障检测系统，所述系统包括刮板机(1)，所述刮板机(1)的机尾链轮上方设置有防护支架(2)，所述防护支架(2)上安装有摄像头(3)，所述摄像头(3)对准链环外部可视处设置，所述防护支架(2)的下方安装有超声波探伤仪(4)、金属磁记忆检测仪(5)，所述超声波探伤仪(4)的信号发射端对准链条及链环连接处设置，所述金属磁记忆检测仪(5)的信号发射端对准链条及链环连接处设置；
所述刮板机(1)的链环连接处均粘贴有缺陷感知标签，所述缺陷感知标签与设置在防护支架(2)下方的RFID读写器(6)进行信号传输；
所述刮板机(1)机头的链条上方设置有麦克风阵列(10)，用于采集刮板和链条之间的声音信息；
所述刮板机(1)的机头处设置有电机(7)，所述电机(7)的一侧设置有电流检测仪(8)，所述电流检测仪(8)用于检测电机(7)的输出电流的连续信号，对刮板机的卡链故障进行分析诊断；
所述刮板机(1)的一侧设置有控制台，所述控制台内部的控制电路板上集成有中央控制器(101)，所述中央控制器(101)通过导线分别与摄像头(3)、超声波探伤仪(4)、金属磁记忆检测仪(5)、RFID读写器(6)、电流检测仪(8)、麦克风阵列(10)相连，所述中央控制器(101)还通过导线与电机(7)的控制端相连，所述中央控制器(101)还通过导线与报警装置(9)相连；
其特征在于：包括如下步骤：
步骤一：控制中央控制器(101)获取刮板机的刮板和链条工作时的目标信息，所述目标信息包括图像信息、声音信息、漏磁场信息、直接物理形变信息、超声波脉冲反射信息、电机电流信息，所述图像信息通过安装在防护支架(2)上的摄像头(3)采集，所述声音信息通过麦克风阵列(10)采集，所述漏磁场信息通过金属磁记忆检测仪(5)采集，所述直接物理形变信息通过RFID读写器(6)采集缺陷感知标签的信息获取，所述超声波脉冲反射信息通过超声波探伤仪(4)采集，所述电机电流信息通过与电机(7)相连的电流检测仪(8)采集；
步骤二：中央控制器(101)对步骤一中获取的目标信息分别进行数据分析处理，并将分析处理后的计算结果分别进行缺陷判断；
步骤三：建立缺陷诊断模型，中央控制器(101)通过对步骤二中的缺陷判断结果在缺陷诊断模型中进行数据融合，在数据融合之后，中央控制器(101)将缺陷诊断模型的诊断结果输出至显示屏；基于机器视觉的图像检测针对检测的故障分类为链环可视处的外部裂纹；反射脉冲式超声波探伤仪针对检测的故障分类为链条检测点的外部裂纹、金属内部裂纹以及链环链接处的磨损；金属磁记忆检测仪针对检测的故障分类为链条检测点的外部裂纹、金属内部裂纹、链环链接处的磨损以及链环的形变拉伸；RFID检测法针对检测的故障分类为链条检测点的外部裂纹、链环链接处的磨损以及链环的形变拉伸；电机电流示图法针对检测的故障分类为刮板机的卡链故障；
步骤四：所述中央控制器(101)的内部设置有不同刮板机故障对应的预警响应等级，所述预警响应等级的触发通过中央控制器(101)实现，所述中央控制器(101)根据缺陷诊断模型得出的数据控制刮板机(1)向报警装置(9)发送报警信号；
缺陷诊断模型根据上述步骤一至四的缺陷判断结果进行建立，具体为：基于图像、声音、漏磁场、RFID信号的四种检测模式分别给予各自的缺陷评定得分，四种单体检测结果均分为“正常”与“缺陷”，设定四种缺陷得分s1、s2、s3、s4分别对应上述四种检测模式，其中s1＝0表示图像信息检测结果为正常，s1＝1表示图像信息检测结果为缺陷；s2＝0表示声音信息检测结果为正常，s2＝1表示声音信息检测结果为缺陷；s3＝0表示漏磁场信息检测结果为正常，s3＝2表示漏磁场信息检测结果为缺陷；s4＝0表示直接物理形变信息检测结果为正常，s4＝2表示直接物理形变信息检测结果为缺陷；
最终缺陷得分S＝s1+s2+s3+s4，当S＝0时，中央控制器(101)输出判断结果为正常，刮板机(1)继续运行；当0＜S≤2时，中央控制器(101)输出判断结果为缺陷，同时触发报警装置(9)的一级报警响应；当2＜S≤4时，中央控制器(101)输出判断结果为缺陷，同时触发报警装置(9)的二级报警响应；当S＞4时，中央控制器(101)输出判断结果为缺陷，同时触发报警装置(9)的三级报警响应，同时中央控制器(101)控制刮板机停止工作。
2.根据权利要求1所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述步骤二中对图像信息的分析处理采用YOLOv1算法，以刮板机链条正常状态、缺陷状态的图片为训练集，将图片全部缩放为448*448像素，通过卷积神经网络模型提取特征图，具体步骤为：步骤2.1：将输入图片划分为S*S个单元格区域，用于实现将缺陷部分中心的定位检测，每个单元格输出B个边界框，所述边界框包含目标缺陷的矩形区域；
步骤2.2：边界框输出经过当前单元格预测后得到的目标缺陷的边界框的实际宽度、高度，定义所述实际宽度、高度相对于整图的比例分别为ω和h，定义目标缺陷中心位置的坐标(x，y)；
步骤2.3：对每一个边界框的值预测出一个置信度并输出，所述置信度的计算公式为：
confidence＝P(Object)*IOU，
上式中：confidence为置信度，设定[0.7，1]为置信区间；P(Object)为边界框包含物体的概率，P(Object)＝1表示边界框包含物体，P(Object)＝0表示边界框不包含物体；IOU为预测后的边界框与目标物体实际区域所交集的面积，以像素为单位；
步骤2.4：通过步骤2.3计算出边界框的置信度后，通过卷积神经网络模型提取特征图，所述的YOLOv1算法在卷积神经网络模型评估中，损失函数全部采用均方差，所述损失函数计算公式为：损失＝坐标误差+IOU误差+分类误差，损失函数具体计算公式为：
其中：
上式中：为选取的B个边界框中预测后得到的目标缺陷的边界框，/>为未选出部分的边界框中预测后得到的目标缺陷的边界框；/>为置信度，具体为0或1；λcoord为坐标误差权重，具体设置为5；λnoobj为用于修正IOU误差的值，具体设置为0.5；s2为图片单元格个数；∑c∈classes为置信度处于置信区间的值。
3.根据权利要求2所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：
所述步骤二中对声音信息进行分析处理通过GMM-UBM方法实现，具体步骤如下：
步骤3.1：中央控制器(101)对麦克风阵列(10)采集到的刮板机刮板和链条发生金属疲劳的声音进行预处理、特征提取、声音训练和声音识别；
步骤3.2：通过实验情况以及具体工作环境为识别似然分数设定缺陷决策阈值，实现声音信号对目标检测点缺陷状态的诊断。
4.根据权利要求3所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述步骤二中的直接物理形变信息对缺陷的判断通过RFID标签实现，具体为：
利用特种强力胶粘剂将缺陷感知标签黏置于刮板结构易断裂内侧面处以及每一环节链条互相间应力集中部位；在刮板机工作过程中，缺陷感知标签都有唯一标识，当刮板机在工作中某一个目标检测点因应力集中发生形变或断裂而连带造成该刮板相应标号的标签失去信号时，RFID读写器未能接收到此时应该收到的序列标签信号，则表明此时该序列的易碎标签已被损坏，即该处的刮板或链条已产生缺陷，此时中央控制器(101)接收RFID读写器的信息，对缺陷进行判断。
5.根据权利要求4所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述步骤三中建立的缺陷诊断模型具体根据实际检测需要，通过图像信息、声音信息、漏磁场信息、直接物理形变信息、超声波脉冲反射信息、电机电流信息中的一种或几种建立缺陷诊断模型。
6.根据权利要求1所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述控制台上设置有操作面板，所述操作面板包括显示屏(11)、键盘(12)、鼠标(13)，所述显示屏(11)连接导线通过分屏器(14)与中央控制器(101)相连，所述键盘(12)、鼠标(13)分别通过导线与中央控制器(101)相连。
7.根据权利要求6所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述摄像头(3)的一侧还设置有补光灯(15)，所述补光灯(15)的控制端通过导线与中央控制器(101)相连。
8.根据权利要求7所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述缺陷感知标签具体采用UHF易碎标签，并将标签按照序列号粘贴在链环连接处。
9.根据权利要求8所述的一种基于多信息融合的刮板机故障检测方法，其特征在于：所述报警装置(9)包括警报器(91)和报警指示灯(92)，所述警报器(91)安装在刮板机(1)的机头，用于中央控制器(101)诊断出故障时发出报警信号。
CN202010803083.3A 2020-08-11 2020-08-11 一种基于多信息融合的刮板机故障检测方法及其检测系统 Active CN111965246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010803083.3A CN111965246B (zh) 2020-08-11 2020-08-11 一种基于多信息融合的刮板机故障检测方法及其检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010803083.3A CN111965246B (zh) 2020-08-11 2020-08-11 一种基于多信息融合的刮板机故障检测方法及其检测系统

Publications (2)

Publication Number Publication Date
CN111965246A CN111965246A (zh) 2020-11-20
CN111965246B true CN111965246B (zh) 2023-10-31

Family

ID=73365725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010803083.3A Active CN111965246B (zh) 2020-08-11 2020-08-11 一种基于多信息融合的刮板机故障检测方法及其检测系统

Country Status (1)

Country Link
CN (1) CN111965246B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112951273B (zh) * 2021-02-02 2024-03-29 郑州大学 基于麦克风阵列和机器视觉的数控机床刀具磨损监控装置
CN113029951B (zh) * 2021-03-16 2024-03-29 太原理工大学 一种输送带损伤多谱视听调频融合检测方法及装置
CN113409249A (zh) * 2021-05-17 2021-09-17 上海电力大学 一种基于端到端算法的绝缘子缺陷检测的方法
CN113791318A (zh) * 2021-09-01 2021-12-14 上海交通大学 基于多光谱检测阵列的局部放电故障识别方法及系统
CN113671506A (zh) * 2021-09-08 2021-11-19 国家能源集团宁夏煤业有限责任公司 基于超声波测距原理的刮板机保护装置
CN113899752B (zh) * 2021-09-30 2023-01-10 湖北天宜机械股份有限公司 采用双排链刮板机内链板裂纹的视觉检测装置进行链板裂纹的检测方法
CN114199992B (zh) * 2021-12-02 2024-04-05 国家石油天然气管网集团有限公司 一种储油罐罐壁腐蚀检测方法及系统
CN114426187B (zh) * 2022-03-10 2023-08-22 郑州恒达智控科技股份有限公司 一种数据融合及深度学习的刮板链条预警系统
CN115639006B (zh) * 2022-12-21 2023-03-17 太原理工大学 模拟掘进装备第一刮板运输机的故障诊断实验装置
CN116595470B (zh) * 2023-07-17 2023-09-15 北京云摩科技股份有限公司 一种刮板机链条载荷监测的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103983689A (zh) * 2014-05-15 2014-08-13 太原理工大学 钢绳芯输送带超声磁记忆检测传感器
CN105173616A (zh) * 2015-09-06 2015-12-23 中国矿业大学 一种刮板输送机链条断裂检测系统及方法
WO2017197874A1 (zh) * 2016-05-17 2017-11-23 中国矿业大学 一种刮板输送机链条故障诊断系统及方法
CN107380955A (zh) * 2017-08-11 2017-11-24 中煤张家口煤矿机械有限责任公司 一种基于pnn的刮板输送机故障诊断方法
CN109738512A (zh) * 2019-01-08 2019-05-10 重庆大学 基于多物理场融合的无损检测系统及方法
CN110163075A (zh) * 2019-03-01 2019-08-23 东南大学 一种基于权值训练的多信息融合故障诊断方法
CN111104810A (zh) * 2019-12-16 2020-05-05 太原理工大学 一种基于射频识别的刮板机刮板结构断裂监测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103983689A (zh) * 2014-05-15 2014-08-13 太原理工大学 钢绳芯输送带超声磁记忆检测传感器
CN105173616A (zh) * 2015-09-06 2015-12-23 中国矿业大学 一种刮板输送机链条断裂检测系统及方法
WO2017197874A1 (zh) * 2016-05-17 2017-11-23 中国矿业大学 一种刮板输送机链条故障诊断系统及方法
CN107380955A (zh) * 2017-08-11 2017-11-24 中煤张家口煤矿机械有限责任公司 一种基于pnn的刮板输送机故障诊断方法
CN109738512A (zh) * 2019-01-08 2019-05-10 重庆大学 基于多物理场融合的无损检测系统及方法
CN110163075A (zh) * 2019-03-01 2019-08-23 东南大学 一种基于权值训练的多信息融合故障诊断方法
CN111104810A (zh) * 2019-12-16 2020-05-05 太原理工大学 一种基于射频识别的刮板机刮板结构断裂监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
oseph Redmon et al..You Only Look Once: Unified, Real-Time Object Detection.《2016 IEEE Conference on Computer Vision and Pattern Recognition》.2016,第1、2、2.1、2.2节. *
刮板输送机断链监测系统设计与研究;高昌乐 等;《煤炭科学技术》;第47卷;第55-58页 *

Also Published As

Publication number Publication date
CN111965246A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111965246B (zh) 一种基于多信息融合的刮板机故障检测方法及其检测系统
CN111486893A (zh) 一种桥梁结构健康监测与预警系统及预警方法
CN111896625A (zh) 钢轨伤损实时监测方法及其监测系统
US20080255778A1 (en) Detecting damage in metal structures with structural health monitoring systems
CN107220969A (zh) 产品灯位的测试方法及检测系统
CN105548185A (zh) 基于机器视觉的汽车轮毂螺孔识别方法、遮盖方法及系统
CN102928435A (zh) 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN112173636B (zh) 一种巡检机器人对皮带机托辊故障的检测方法
CN107844067A (zh) 一种水电站闸门在线状态监测控制方法及监测系统
JP6876589B2 (ja) 異常検知装置及び異常検知方法並びに異常検知プログラム
CN111565024A (zh) 一种太阳能电池板故障检测与运行效率预测装置和方法
CN112147221B (zh) 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统
JP7046760B2 (ja) 信号解析装置及び信号解析方法並びに信号解析プログラム
CN111767913A (zh) 一种基于深度学习的动车组车辆故障动态图像检测方法
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN116448764A (zh) 一种面向飞行器结构疲劳试验的裂纹自动检测方法
CN109612995A (zh) 一种产品缺失检测装置及方法
CN101131353A (zh) 一种激光照射红外成像气体探测仪器
KR20230072164A (ko) 불량률 제로를 위한 제품의 품질 관리 시스템
CN114279728A (zh) 一种振动筛机体的故障诊断方法及系统
CN210271176U (zh) 一种人体行为识别装置
CN114488129A (zh) 飞机跑道异物实时监测应急处理系统及方法
KR20210106038A (ko) 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치
CN112446320A (zh) 一种模糊识别逻辑门多重互补局放判别装置及方法
CN111583176B (zh) 一种基于图像的防雷模拟盘元件故障检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant