CN113213101A - 一种托辊异常检测方法和系统 - Google Patents

一种托辊异常检测方法和系统 Download PDF

Info

Publication number
CN113213101A
CN113213101A CN202110489667.2A CN202110489667A CN113213101A CN 113213101 A CN113213101 A CN 113213101A CN 202110489667 A CN202110489667 A CN 202110489667A CN 113213101 A CN113213101 A CN 113213101A
Authority
CN
China
Prior art keywords
carrier roller
roller
sound
temperature
time domain
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.)
Pending
Application number
CN202110489667.2A
Other languages
English (en)
Inventor
姜利辉
任建国
刘金虹
杨春
黄文选
王小亮
陈佳路
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.)
China Resource Power Technology Research Institute
Original Assignee
China Resource Power Technology Research Institute
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 China Resource Power Technology Research Institute filed Critical China Resource Power Technology Research Institute
Priority to CN202110489667.2A priority Critical patent/CN113213101A/zh
Publication of CN113213101A publication Critical patent/CN113213101A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2207/00—Indexing codes relating to constructional details, configuration and additional features of a handling device, e.g. Conveyors
    • B65G2207/22—Heat or fire protection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了托辊异常检测方法，包括采集托辊的声音信号并滤波；利用时域特征参数函数处理声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时初步报警；利用快速傅里叶变换处理声音信号，得到整体声音频谱图波形，与时域特征参数对比确定报警准确性；当确定发生故障时，对声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常发生区间；对声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊。该方法能够综合检测托辊是否存在异常现象，从而达到全自动化检测的效果，有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。本申请还公开了托辊异常检测系统。

Description

一种托辊异常检测方法和系统
技术领域
本发明属于智能巡检技术领域，特别是涉及一种托辊异常检测方法和系统。
背景技术
托辊是承托输送带或钢丝绳及其运载物料的滚动构件，输送机的托辊按一定间距及要求设置，在输送带的承载段和回空段下面，输送带在托辊上运行时，带动托辊的辊子围绕其心轴自转。托辊是带式输送机的主要构件，占整机成本比较大，托辊也是易损件，经常会发生卡塞、停转等故障，其质量好坏直接影响输送机的稳定，损坏的托辊甚至会划伤皮带造成皮带自燃造成更大的经济损失，严重时还有可能造成人身伤亡等重大事故。
为了避免托辊故障所带来的上述影响，迫切需要一种有效的托辊检测方式。目前，往往是通过人工巡回检查的方式来确定托辊故障，但是这种人工检测方式存在诸多问题：首先，在检查环境恶劣时不便于实施人工检查，且实施人工检查易造成人员伤亡，例如，在高空作业的环境下，或黑暗狭窄的矿井环境下等；其次，人工检查还存在着检查成本高、效率低等明显缺陷。另一种方式是利用温度来间接检测托辊的故障，托辊在彻底卡死之前是转动的，通过间接测量托辊的轴承温度，可以判断托辊是否卡死及卡的程度，但是对于带式输送方式来说，其具有大量的托辊，因此该方式存在成本高、数据传输处理量大以及故障率高的问题，而且托辊的故障种类繁多，各故障的征兆和表现又极其相似，不同故障产生的原因是错综复杂的，因此基于温度单一信号的判断方法存在不确定性大和诊断精度差等问题。
发明内容
为解决上述问题，本发明提供了一种托辊异常检测方法和系统，能够综合检测托辊是否存在异常现象，从而达到全自动化检测的效果，有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。
本发明提供的一种托辊异常检测方法包括：
采集托辊的声音信号并滤波；
利用时域特征参数函数处理所述声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；
利用快速傅里叶变换处理所述声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与所述时域特征参数对比以确定故障报警的准确性；
当确定发生故障时，对所述声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；
对所述声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊。
优选的，在上述托辊异常检测方法中，利用安装在巡检装置上的噪音传感器采集所述托辊的声音信号，且所述巡检装置可在平行于所述托辊延伸方向的轨道上往复运动。
优选的，在上述托辊异常检测方法中，还包括：
利用安装在所述巡检装置上的图像采集部件采集所述托辊的图像并进行灰度化处理和滤波；
对滤波后的图像进行canny边缘检测，进行轮廓检测和筛选；
对所述图像进行概率霍夫变换提取图像的线条，利用K-means算法依据斜率将线条递归聚为k类；
通过每簇直线位置关系判断得到托辊的上下边界，并对托辊的左右边界进行直线拟合，利用四条边界直线确定的四边形区域分割出托辊的图像；
当托辊偏离目标区域时，判断出现了托辊异常。
优选的，在上述托辊异常检测方法中，还包括：
利用安装在所述巡检装置上的红外热像仪测定托辊轴承的温度；
当所述托辊轴承的温度不小于正常运行温度且小于托辊轴承失效温度时，进行预警；
当所述托辊轴承的温度不小于所述托辊轴承失效温度且小于输送带摩擦着火临界温度时，在预警的同时短信通知管理人员；
当所述托辊轴承的温度不小于所述输送带摩擦着火临界温度时，对失效的托辊喷淋灭火。
优选的，在上述托辊异常检测方法中，所述巡检装置为智能巡检机器人。
本发明提供的一种托辊异常检测系统包括：
声音信号采集装置，用于采集托辊的声音信号并滤波；
第一处理装置，用于利用时域特征参数函数处理所述声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；
第二处理装置，用于利用快速傅里叶变换处理所述声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与所述时域特征参数对比以确定故障报警的准确性；
异常区间确定装置，用于当确定发生故障时，对所述声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；
异常托辊确定装置，用于对所述声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊。
优选的，在上述托辊异常检测系统中，所述声音信号采集装置为安装在巡检装置上的噪音传感器，且所述巡检装置可在平行于所述托辊延伸方向的轨道上往复运动。
优选的，在上述托辊异常检测系统中，还包括：
灰度化和滤波模块，用于采集所述托辊的图像并进行灰度化处理和滤波；
轮廓检测和筛选模块，用于对滤波后的图像进行canny边缘检测，进行轮廓检测和筛选；
线条提取模块，用于对所述图像进行概率霍夫变换提取图像的线条，利用K-means算法依据斜率将线条递归聚为k类；
托辊图像分割模块，用于通过每簇直线位置关系判断得到托辊的上下边界，并对托辊的左右边界进行直线拟合，利用四条边界直线确定的四边形区域分割出托辊的图像；
托辊脱落判断模块，用于当托辊偏离目标区域时，判断出现了托辊异常。
优选的，在上述托辊异常检测系统中，还包括：
安装在所述巡检装置上的红外热像仪，用于测定托辊轴承的温度，当所述托辊轴承的温度不小于正常运行温度且小于托辊轴承失效温度时，进行预警，当所述托辊轴承的温度不小于所述托辊轴承失效温度且小于输送带摩擦着火临界温度时，在预警的同时短信通知管理人员，当所述托辊轴承的温度不小于所述输送带摩擦着火临界温度时，对失效的托辊喷淋灭火。
优选的，在上述托辊异常检测系统中，所述巡检装置为智能巡检机器人。
通过上述描述可知，本发明提供的上述托辊异常检测方法，由于包括采集托辊的声音信号并滤波；利用时域特征参数函数处理所述声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；利用快速傅里叶变换处理所述声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与所述时域特征参数对比以确定故障报警的准确性；当确定发生故障时，对所述声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；对所述声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊，可见利用该方法就能够综合检测托辊是否存在异常现象，无需人工检测，也无需用温度逐个检测，从而达到全自动化检测的效果，有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。本发明提供的上述托辊异常检测系统具有与上述方法同样的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种托辊异常检测方法的实施例的示意图；
图2为时域诊断程序的示意图；
图3为利用声音信号检测托辊异常的一个具体例子的示意图；
图4为利用巡检装置进行托辊异常检测的示意图；
图5为利用红外热像仪检测托辊异常的流程示意图；
图6为基于多传感器融合的托辊异常检测方法的示意图；
图7为本发明提供的一种托辊异常检测系统的实施例的示意图。
具体实施方式
本发明的核心是提供一种托辊异常检测方法和系统，能够综合检测托辊是否存在异常现象，从而达到全自动化检测的效果，有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的一种托辊异常检测方法的实施例如图1所示，图1为本发明提供的一种托辊异常检测方法的实施例的示意图，该方法可以包括如下步骤：
S1：采集托辊的声音信号并滤波；
这里所说的声音信号包括一些振动和异响情况，通过对比轴承噪音与其他异响的差异，并根据现有的轴承噪音标准来进一步判断轴承的状态，就能够得出其异响位置，这里所说的滤波指的是可以用带通滤波器对环境噪声进行初步滤除。
S2：利用时域特征参数函数处理声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；
具体的，可以利用时域特征参数函数处理托辊声音信号，输出时域特征参数分析的结果。这种时域诊断程序如图2所示，图2为时域诊断程序的示意图，具体的，巡检系统可以选取均方根、反峰值、正峰值、峰峰值等时域特征参数进行声音信号诊断，当这些特征参数中有超过设定的阈值时，警示灯便会亮起，进行初步故障报警。
S3：利用快速傅里叶变换处理声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与时域特征参数对比以确定故障报警的准确性；
需要说明的是，这样结合着频谱波形图，就能够进一步保证报警的准确性，从而避免报假警带来的麻烦。
S4：当确定发生故障时，对声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；
需要说明的是，因为EMD分解不需要构造基函数，因此本质上有别于小波分析法，理论上可以应用于任何信号的处理，非常适合处理非线性、非平稳信号，经常被应用于信号处理领域。EMD降噪程序的目标是对滚动轴承信号进行降噪，滤除外界声音的干扰，得到托辊滚动轴承的运转声音特性。
S5：对声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊。
需要说明的是，小波包是为了进一步提高频率分辨率而发展起来的一种数学工具，它对信号分解与重构的实际应用具有举足轻重的作用，希尔伯特(Hilbert)变换可使原始信号产生90°的相移，定义出任意时刻的瞬时频率、瞬时相位及瞬时幅度，找到短信号与复杂信号的瞬时参数，通过希尔伯特变换可以得到解析信号，其实部是实信号本体，虚部是希尔伯特变换得到的，以解析信号的模作为信号的包络。
参考图3，图3为利用声音信号检测托辊异常的一个具体例子的示意图，综合来说，上述实施例的检测方法可以总结如下：如果时域特征参数大于设定的阈值，进行初步故障报警，并与频域显示对比，以确定托辊是否发生故障，如确定发生故障，可通过EMD的时域显示并结合带式输送机带速确定托辊故障发生区间，进而确定是哪个方位的托辊发生了故障，最后通过小波分解与重构和希尔伯特包络分析可确定轴承故障的部件。
通过上述描述可知，本发明提供的上述托辊异常检测方法的实施例中，由于包括采集托辊的声音信号并滤波；利用时域特征参数函数处理声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；利用快速傅里叶变换处理声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与时域特征参数对比以确定故障报警的准确性；当确定发生故障时，对声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；对声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊，可见利用该方法就能够综合检测托辊是否存在异常现象，无需人工检测，也无需用温度逐个检测，从而达到全自动化检测的效果，有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。
在上述托辊异常检测方法的一个具体实施例中，参考图4，图4为利用巡检装置进行托辊异常检测的示意图，可见，利用安装在巡检装置401上的噪音传感器采集托辊402的声音信号，且巡检装置401可在平行于托辊402延伸方向的轨道403上往复运动。
上述巡检装置可优选为智能巡检机器人，具体的，该可在轨道上往复运动的智能巡检机器人包括本体，该本体里面有防爆电机、防爆电池、导向/驱动轮，该智能巡检机器人还包括运动控制单元、定位单元等，该智能巡检机器人安装在导轨上，带着其上面的噪音传感器往复运动，监测托辊的状态，检测单元通过云台安装在轨道智能巡检机器人顶部，云台可水平±180°、垂直±90°旋转，该导轨平行于输送带，且安装在皮带工作面下方的托辊三角区域，导轨两端均固定有行程开关，当智能巡检机器人接触行程开关后接通或切断控制电路，达到自动往返运动控制的目的。该运动控制单元主要控制运动机构的水平和升降运动，充电开关切换、云台三维旋转、检测单元和刹车机构动作。该控制单元可控制运动机构驱动检测单元沿着轨道运行，并根据接收的可见光图像、红外热图、振动及声音，判断托辊的运行状态是否正常。该智能巡检机器人沿轨道运行，通过RFID这种定位装置进行定位，通过码盘进行测距，实现精确定点停站，并对带式输送机托辊进行检测。该智能巡检机器人采用自动行走的悬挂轨道式设计，由电机驱动智能巡检机器人行走，从机械设计上保证智能巡检机器人爬坡时对摩擦力的要求，同时智能巡检机器人具有姿态分析功能，当遇到上坡、下坡以及转弯等情况时，自动调整运行速度。该智能巡检机器人还可以具有自动充电单元，其采用电池和分布式接触充电系统结合的供电方式，同时具备紧急手动充电功能，充放电及能源管理单元负责智能巡检机器人的电源供应及管理工作，正常作业时使用电池组供电，需要充电时智能巡检机器人运动到指定位置给电池组充电，为提高智能巡检机器人作业效率，可以在悬挂轨道上设置多个充电点，智能巡检机器人可根据自身位置选择最近充电点进行充电，分布式充电站采用接触式防打火安全充电技术，具有良好的防打火性能，该智能巡检机器人的通信单元负责通信连接的建立和数据的收发、校验、解析等，可以采用无线通信，智能巡检机器人上的通用可配置软硬件平台和视频装置通过以太网连接到无线集线器上，在舱室内布置若干个无线路由器组成无线局域网，监控后台也通过无线集线器连接到无线局域网中，这样，整个移动监控系统内的设备可以实现互相访问，网络带宽可以有效实现负载平衡。另外，还具有后台监控单元，用于分析并存储所有巡检数据，具备实时自检、实时监控、巡检计划编排、遥控、巡检报表、历史数据统计查询等多个子系统。
在上述托辊异常检测方法的另一个具体实施例中，还可以包括：
利用安装在巡检装置上的图像采集部件采集托辊的图像并进行灰度化处理和滤波；
对滤波后的图像进行canny边缘检测，进行轮廓检测和筛选；
对图像进行概率霍夫变换提取图像的线条，利用K-means算法依据斜率将线条递归聚为k类；
通过每簇直线位置关系判断得到托辊的上下边界，并对托辊的左右边界进行直线拟合，利用四条边界直线确定的四边形区域分割出托辊的图像；
当托辊偏离目标区域时，判断出现了托辊异常。
需要说明的是，可以采用聚类算法将托辊图像中检测到的直线依据斜率和斜率方差进行递归分类，在不知道托辊图像中值直线数据类别数量的情况下可自动完成加图像中直线的分类，为快速高效的找到托辊上下边界直线提供依据；通过将在上边界直线的平移直线上设置左右边界查找的起始点，并通过领域内直线拟合方法，不仅可有效避免干扰直线，进一步简化了左右边界直线的计算，最终在只需计算四条边界直线的交点，来确定托辊的分割区域，再采用图像掩膜的方法就可高效快速分割出图像的托辊目标区域。当发现托辊偏离目标区域时，则可判断托辊异常。
在上述托辊异常检测方法的又一个具体实施例中，还可以包括如下步骤：
利用安装在巡检装置上的红外热像仪测定托辊轴承的温度；
当托辊轴承的温度不小于正常运行温度且小于托辊轴承失效温度时，进行预警；
当托辊轴承的温度不小于托辊轴承失效温度且小于输送带摩擦着火临界温度时，在预警的同时短信通知管理人员；
当托辊轴承的温度不小于输送带摩擦着火临界温度时，对失效的托辊喷淋灭火。
具体的，还可以参考图5，图5为利用红外热像仪检测托辊异常的流程示意图。
当然，作为进一步的优选，还可以同时采集上述三种传感器信号，参考图6，图6为基于多传感器融合的托辊异常检测方法的示意图，该方法基于摄像头、红外热像仪和噪音传感器的配合，实时生成关于带式输送机托辊的热感图像、振动频谱和声音频谱，通过扩展卡尔曼滤波(ekf)进行融合及数据分析，综合判断托辊异常，这样能够用三种方法互相印证，提高检测的准确性。另外结合移动组件，实现检测机器人的往复移动，进而保证整体检测的全面性，综上，基于检测机器人的检测，能有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。在检测系统中，结合后台监控系统实行远程监控，以便于工作人员能实时了解检测机器人的检测结果。通过对带式传输机的改进，实现了托辊失效的在线检测，可适用各种托辊的检测，具有良好的应用前景。
本发明提供的一种托辊异常检测系统的实施例如图7所示，图7为本发明提供的一种托辊异常检测系统的实施例的示意图，该系统包括：
声音信号采集装置701，用于采集托辊的声音信号并滤波，这里所说的声音信号包括一些振动和异响情况，通过对比轴承噪音与其他异响的差异，并根据现有的轴承噪音标准来进一步判断轴承的状态，就能够得出其异响位置，这里所说的滤波指的是可以用带通滤波器对环境噪声进行初步滤除；
第一处理装置702，用于利用时域特征参数函数处理声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警，具体的，可以利用时域特征参数函数处理托辊声音信号，输出时域特征参数分析的结果，具体的，巡检系统可以选取均方根、反峰值、正峰值、峰峰值等时域特征参数进行声音信号诊断，当这些特征参数中有超过设定的阈值时，警示灯便会亮起，进行初步故障报警；
第二处理装置703，用于利用快速傅里叶变换处理声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与时域特征参数对比以确定故障报警的准确性，需要说明的是，这样结合着频谱波形图，就能够进一步保证报警的准确性，从而避免报假警带来的麻烦；
异常区间确定装置704，用于当确定发生故障时，对声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间，需要说明的是，因为EMD分解不需要构造基函数，因此本质上有别于小波分析法，理论上可以应用于任何信号的处理，非常适合处理非线性、非平稳信号，经常被应用于信号处理领域。EMD降噪程序的目标是对滚动轴承信号进行降噪，滤除外界声音的干扰，得到托辊滚动轴承的运转声音特性；
异常托辊确定装置705，用于对声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊，需要说明的是，小波包是为了进一步提高频率分辨率而发展起来的一种数学工具，它对信号分解与重构的实际应用具有举足轻重的作用，希尔伯特(Hilbert)变换可使原始信号产生90°的相移，定义出任意时刻的瞬时频率、瞬时相位及瞬时幅度，找到短信号与复杂信号的瞬时参数，通过希尔伯特变换可以得到解析信号，其实部是实信号本体，虚部是希尔伯特变换得到的，以解析信号的模作为信号的包络。
在上述托辊异常检测系统的一个具体实施例中，声音信号采集装置为安装在巡检装置上的噪音传感器，且巡检装置可在平行于托辊延伸方向的轨道上往复运动。上述巡检装置可优选为智能巡检机器人，具体的，该可在轨道上往复运动的智能巡检机器人包括本体，该本体里面有防爆电机、防爆电池、导向/驱动轮，该智能巡检机器人还包括运动控制单元、定位单元等，该智能巡检机器人安装在导轨上，带着其上面的噪音传感器往复运动，监测托辊的状态，检测单元通过云台安装在智能巡检机器人顶部，云台可水平±180°、垂直±90°旋转，该导轨平行于输送带，且安装在皮带工作面下方的托辊三角区域，导轨两端均固定有行程开关，当智能巡检机器人接触行程开关后接通或切断控制电路，达到自动往返运动控制的目的。该运动控制单元主要控制运动机构(水平、升降)运动，充电开关切换、云台三维旋转、检测单元和刹车机构动作。该控制单元可控制运动机构驱动检测单元沿着轨道运行，并根据接收的可见光图像、红外热图、振动及声音，判断托辊的运行状态是否正常。该机器人沿轨道运行，通过RFID这种定位装置进行定位，通过码盘进行测距，实现精确定点停站，并对带式输送机托辊进行检测。该智能巡检机器人采用自动行走的悬挂轨道式设计，由电机驱动智能巡检机器人行走，从机械设计上保证智能巡检机器人爬坡时对摩擦力的要求，同时智能巡检机器人具有姿态分析功能，当遇到上坡、下坡以及转弯等情况时，自动调整运行速度。该智能巡检机器人还可以具有自动充电单元，其采用电池和分布式接触充电系统结合的供电方式，同时具备紧急手动充电功能，充放电及能源管理单元负责智能巡检机器人的电源供应及管理工作，正常作业时使用电池组供电，需要充电时智能巡检机器人运动到指定位置给电池组充电，为提高智能巡检机器人的作业效率，可以在悬挂轨道上设置多个充电点，智能巡检机器人可根据自身位置选择最近充电点进行充电，分布式充电站采用接触式防打火安全充电技术，具有良好的防打火性能，该智能巡检机器人的通信单元负责通信连接的建立和数据的收发、校验、解析等，可以采用无线通信，智能巡检机器人上的通用可配置软硬件平台和视频装置通过以太网连接到无线集线器上，在舱室内布置若干个无线路由器组成无线局域网，监控后台也通过无线集线器连接到无线局域网中，这样，整个移动监控系统内的设备可以实现互相访问，网络带宽可以有效实现负载平衡。另外，还具有后台监控单元，用于分析并存储所有巡检数据，具备实时自检、实时监控、巡检计划编排、遥控、巡检报表、历史数据统计查询等多个子系统。
在上述托辊异常检测系统的另一个具体实施例中，还可以包括：
灰度化和滤波模块，用于采集托辊的图像并进行灰度化处理和滤波；
轮廓检测和筛选模块，用于对滤波后的图像进行canny边缘检测，进行轮廓检测和筛选；
线条提取模块，用于对图像进行概率霍夫变换提取图像的线条，利用K-means算法依据斜率将线条递归聚为k类；
托辊图像分割模块，用于通过每簇直线位置关系判断得到托辊的上下边界，并对托辊的左右边界进行直线拟合，利用四条边界直线确定的四边形区域分割出托辊的图像；
托辊脱落判断模块，用于当托辊偏离目标区域时，判断出现了托辊异常。
需要说明的是，可以采用聚类算法将托辊图像中检测到的直线依据斜率和斜率方差进行递归分类，在不知道托辊图像中值直线数据类别数量的情况下可自动完成加图像中直线的分类，为快速高效的找到托辊上下边界直线提供依据；通过将在上边界直线的平移直线上设置左右边界查找的起始点，并通过领域内直线拟合方法，不仅可有效避免干扰直线，进一步简化了左右边界直线的计算，最终在只需计算四条边界直线的交点，来确定托辊的分割区域，再采用图像掩膜的方法就可高效快速分割出图像的托辊目标区域。当发现托辊偏离目标区域时，则可判断托辊异常。
在上述托辊异常检测系统的又一个具体实施例中，还可以包括：
安装在巡检装置上的红外热像仪，用于测定托辊轴承的温度，当托辊轴承的温度不小于正常运行温度且小于托辊轴承失效温度时，进行预警，当托辊轴承的温度不小于托辊轴承失效温度且小于输送带摩擦着火临界温度时，在预警的同时短信通知管理人员，当托辊轴承的温度不小于输送带摩擦着火临界温度时，对失效的托辊喷淋灭火。
作为进一步的优选，上述系统还可以同时采集上述三种传感器信号，基于摄像头、红外热像仪和噪音传感器的配合，实时生成关于带式输送机托辊的热感图像、振动频谱和声音频谱，通过扩展卡尔曼滤波(ekf)进行融合及数据分析，综合判断托辊异常，这样能够用三种方式互相印证，提高检测的准确性。另外结合移动组件，实现智能巡检机器人的往复移动，进而保证整体检测的全面性，综上，基于检测机器人的检测，能有效减少带式输送机因为托辊损坏而引起的安全事故，保障物料输送安全。在检测系统中，结合后台监控系统实行远程监控，以便于工作人员能实时了解智能巡检机器人的检测结果。通过对带式传输机的改进，实现了托辊失效的在线检测，可适用各种托辊的检测，具有良好的应用前景。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种托辊异常检测方法，其特征在于，包括：
采集托辊的声音信号并滤波；
利用时域特征参数函数处理所述声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；
利用快速傅里叶变换处理所述声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与所述时域特征参数对比以确定故障报警的准确性；
当确定发生故障时，对所述声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；
对所述声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊。
2.根据权利要求1所述的托辊异常检测方法，其特征在于，利用安装在巡检装置上的噪音传感器采集所述托辊的声音信号，且所述巡检装置可在平行于所述托辊延伸方向的轨道上往复运动。
3.根据权利要求2所述的托辊异常检测方法，其特征在于，还包括：
利用安装在所述巡检装置上的图像采集部件采集所述托辊的图像并进行灰度化处理和滤波；
对滤波后的图像进行canny边缘检测，进行轮廓检测和筛选；
对所述图像进行概率霍夫变换提取图像的线条，利用K-means算法依据斜率将线条递归聚为k类；
通过每簇直线位置关系判断得到托辊的上下边界，并对托辊的左右边界进行直线拟合，利用四条边界直线确定的四边形区域分割出托辊的图像；
当托辊偏离目标区域时，判断出现了托辊异常。
4.根据权利要求3所述的托辊异常检测方法，其特征在于，还包括：
利用安装在所述巡检装置上的红外热像仪测定托辊轴承的温度；
当所述托辊轴承的温度不小于正常运行温度且小于托辊轴承失效温度时，进行预警；
当所述托辊轴承的温度不小于所述托辊轴承失效温度且小于输送带摩擦着火临界温度时，在预警的同时短信通知管理人员；
当所述托辊轴承的温度不小于所述输送带摩擦着火临界温度时，对失效的托辊喷淋灭火。
5.根据权利要求4所述的托辊异常检测方法，其特征在于，所述巡检装置为智能巡检机器人。
6.一种托辊异常检测系统，其特征在于，包括：
声音信号采集装置，用于采集托辊的声音信号并滤波；
第一处理装置，用于利用时域特征参数函数处理所述声音信号，输出时域特征参数分析结果，当其中的时域特征参数超过预设阈值时发出初步故障报警；
第二处理装置，用于利用快速傅里叶变换处理所述声音信号，输出声音信号频谱图，得到整体声音频谱图波形，与所述时域特征参数对比以确定故障报警的准确性；
异常区间确定装置，用于当确定发生故障时，对所述声音信号进行经验模态分解，滤除外界声音干扰，结合输送机带速确定托辊异常的发生区间；
异常托辊确定装置，用于对所述声音信号进行小波包分解与重构和希尔伯特变换包络分析，确定出现异常的托辊。
7.根据权利要求6所述的托辊异常检测系统，其特征在于，所述声音信号采集装置为安装在巡检装置上的噪音传感器，且所述巡检装置可在平行于所述托辊延伸方向的轨道上往复运动。
8.根据权利要求7所述的托辊异常检测系统，其特征在于，还包括：
灰度化和滤波模块，用于采集所述托辊的图像并进行灰度化处理和滤波；
轮廓检测和筛选模块，用于对滤波后的图像进行canny边缘检测，进行轮廓检测和筛选；
线条提取模块，用于对所述图像进行概率霍夫变换提取图像的线条，利用K-means算法依据斜率将线条递归聚为k类；
托辊图像分割模块，用于通过每簇直线位置关系判断得到托辊的上下边界，并对托辊的左右边界进行直线拟合，利用四条边界直线确定的四边形区域分割出托辊的图像；
托辊脱落判断模块，用于当托辊偏离目标区域时，判断出现了托辊异常。
9.根据权利要求8所述的托辊异常检测系统，其特征在于，还包括：
安装在所述巡检装置上的红外热像仪，用于测定托辊轴承的温度，当所述托辊轴承的温度不小于正常运行温度且小于托辊轴承失效温度时，进行预警，当所述托辊轴承的温度不小于所述托辊轴承失效温度且小于输送带摩擦着火临界温度时，在预警的同时短信通知管理人员，当所述托辊轴承的温度不小于所述输送带摩擦着火临界温度时，对失效的托辊喷淋灭火。
10.根据权利要求9所述的托辊异常检测系统，其特征在于，所述巡检装置为智能巡检机器人。
CN202110489667.2A 2021-05-06 2021-05-06 一种托辊异常检测方法和系统 Pending CN113213101A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110489667.2A CN113213101A (zh) 2021-05-06 2021-05-06 一种托辊异常检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110489667.2A CN113213101A (zh) 2021-05-06 2021-05-06 一种托辊异常检测方法和系统

Publications (1)

Publication Number Publication Date
CN113213101A true CN113213101A (zh) 2021-08-06

Family

ID=77090930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110489667.2A Pending CN113213101A (zh) 2021-05-06 2021-05-06 一种托辊异常检测方法和系统

Country Status (1)

Country Link
CN (1) CN113213101A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004832A (zh) * 2021-12-29 2022-02-01 深圳江行联加智能科技有限公司 输煤皮带异常振动检测方法、装置、设备及存储介质
CN114751150A (zh) * 2022-03-31 2022-07-15 国能神东煤炭集团有限责任公司 一种胶带机故障检测方法、装置、系统及存储介质
CN114940355A (zh) * 2022-03-24 2022-08-26 中国矿业大学 具有收声阵列的带式输送机声信号巡检系统及其收声模块
CN114972349A (zh) * 2022-08-01 2022-08-30 山东西曼克技术有限公司 基于图像处理的托辊运行状态检测方法及系统
CN115096375A (zh) * 2022-08-22 2022-09-23 启东亦大通自动化设备有限公司 基于托辊搬运小车检测的托辊运行状态监测方法和装置
CN115285621A (zh) * 2022-09-28 2022-11-04 常州海图信息科技股份有限公司 基于人工智能的皮带托辊故障监测系统
CN116081186A (zh) * 2023-04-07 2023-05-09 合肥金星智控科技股份有限公司 传输带托辊速度异常判别方法、存储介质和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07267330A (ja) * 1994-03-24 1995-10-17 Chichibu Onoda Cement Corp ベルトコンベアのキャリアローラ異常検出装置
CN106289775A (zh) * 2016-04-07 2017-01-04 成都铁安科技有限责任公司 一种列车轴承检测信号包络谱分析方法及装置
CN107316653A (zh) * 2016-04-27 2017-11-03 南京理工大学 一种基于改进的经验小波变换的基频检测方法
CN108177945A (zh) * 2018-04-23 2018-06-19 辽宁工程技术大学 一种用于带式输送机托辊的在线检测系统及方法
KR101895221B1 (ko) * 2018-01-30 2018-09-07 정명구 이음 감지에 의한 회전체 이상 진단 시스템
CN108706308A (zh) * 2018-05-29 2018-10-26 华电重工股份有限公司 一种输送机的故障识别方法、装置及系统
CN110589405A (zh) * 2019-09-23 2019-12-20 北京华方智汇科技有限公司 用于带式输送机巡检机器人的托辊异常检测系统及方法
CN111476804A (zh) * 2020-05-15 2020-07-31 天地（常州）自动化股份有限公司 托辊图像高效分割方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07267330A (ja) * 1994-03-24 1995-10-17 Chichibu Onoda Cement Corp ベルトコンベアのキャリアローラ異常検出装置
CN106289775A (zh) * 2016-04-07 2017-01-04 成都铁安科技有限责任公司 一种列车轴承检测信号包络谱分析方法及装置
CN107316653A (zh) * 2016-04-27 2017-11-03 南京理工大学 一种基于改进的经验小波变换的基频检测方法
KR101895221B1 (ko) * 2018-01-30 2018-09-07 정명구 이음 감지에 의한 회전체 이상 진단 시스템
CN108177945A (zh) * 2018-04-23 2018-06-19 辽宁工程技术大学 一种用于带式输送机托辊的在线检测系统及方法
CN108706308A (zh) * 2018-05-29 2018-10-26 华电重工股份有限公司 一种输送机的故障识别方法、装置及系统
CN110589405A (zh) * 2019-09-23 2019-12-20 北京华方智汇科技有限公司 用于带式输送机巡检机器人的托辊异常检测系统及方法
CN111476804A (zh) * 2020-05-15 2020-07-31 天地（常州）自动化股份有限公司 托辊图像高效分割方法、装置、设备及存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004832A (zh) * 2021-12-29 2022-02-01 深圳江行联加智能科技有限公司 输煤皮带异常振动检测方法、装置、设备及存储介质
CN114940355A (zh) * 2022-03-24 2022-08-26 中国矿业大学 具有收声阵列的带式输送机声信号巡检系统及其收声模块
CN114751150A (zh) * 2022-03-31 2022-07-15 国能神东煤炭集团有限责任公司 一种胶带机故障检测方法、装置、系统及存储介质
CN114972349A (zh) * 2022-08-01 2022-08-30 山东西曼克技术有限公司 基于图像处理的托辊运行状态检测方法及系统
CN114972349B (zh) * 2022-08-01 2022-10-25 山东西曼克技术有限公司 基于图像处理的托辊运行状态检测方法及系统
CN115096375A (zh) * 2022-08-22 2022-09-23 启东亦大通自动化设备有限公司 基于托辊搬运小车检测的托辊运行状态监测方法和装置
CN115096375B (zh) * 2022-08-22 2022-11-04 启东亦大通自动化设备有限公司 基于托辊搬运小车检测的托辊运行状态监测方法和装置
CN115285621A (zh) * 2022-09-28 2022-11-04 常州海图信息科技股份有限公司 基于人工智能的皮带托辊故障监测系统
CN115285621B (zh) * 2022-09-28 2023-01-24 常州海图信息科技股份有限公司 基于人工智能的皮带托辊故障监测系统
CN116081186A (zh) * 2023-04-07 2023-05-09 合肥金星智控科技股份有限公司 传输带托辊速度异常判别方法、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN113213101A (zh) 一种托辊异常检测方法和系统
CN103550883A (zh) 变电站消防机器人
CN103259206A (zh) 基于计算机视觉定位技术的变电站作业安全管控系统
CN111908060A (zh) 一种电厂输煤皮带跑偏监测预警装置及方法
CN104792796A (zh) 基于机器视觉的矿用胶带运行工况在线监测系统
CN110286682A (zh) 一种电力仓储多功能安防探测机器人、方法及系统
KR20220085125A (ko) 이동식 무인탐지장치를 이용한 인공지능 기반 안전관리 시스템
CN208548969U (zh) 一种安全帽佩戴智能监控系统
CN112112629A (zh) 一种钻井作业过程中的安全业务管理系统和方法
CN210100021U (zh) 变电站自动排障机器人系统
CN112578724A (zh) 输电线路监测系统
CN112282819B (zh) 基于视觉的综采工作面人员目标安全监控方法及系统
CN108279365A (zh) 一种gil管廊内空间电磁波监测定位装置、系统及方法
CN111523386B (zh) 一种基于机器视觉的高速铁路站台门监测防护方法及系统
CN115027903A (zh) 一种用于皮带运输机的实时监控和排障装置
CN113771053A (zh) 一种具有智能巡检预警功能的机器人
CN107336971A (zh) 胶带输送机输送故障在线监测保护系统及方法
CN109019349B (zh) 故障检测方法、检测器、计算机存储介质及起重机
CN113866778A (zh) 一种基于边缘计算激光雷达的屏蔽门间隙障碍物探测方法
CN116610061B (zh) 一种河道垃圾清理全过程数字化管控系统
CN112377264A (zh) 基于图像识别加速度特征的煤与瓦斯突出报警方法
CN112377265A (zh) 基于图像识别加速度特征的冲击地压报警方法
CN113194284B (zh) 塔吊智能监测系统及方法
CN114165288B (zh) 基于图像识别深度特征的煤矿动力灾害监测报警方法
CN210442657U (zh) 一种风力发电机组及部件的运输智能监控系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806