CN114275483B - 一种带式输送机的智能在线监测系统 - Google Patents
一种带式输送机的智能在线监测系统 Download PDFInfo
- Publication number
- CN114275483B CN114275483B CN202111671594.5A CN202111671594A CN114275483B CN 114275483 B CN114275483 B CN 114275483B CN 202111671594 A CN202111671594 A CN 202111671594A CN 114275483 B CN114275483 B CN 114275483B
- Authority
- CN
- China
- Prior art keywords
- belt
- data
- belt conveyor
- vibration
- monitoring system
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 230000036541 health Effects 0.000 claims abstract description 37
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 23
- 239000010959 steel Substances 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000009659 non-destructive testing Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Conveyors (AREA)
Abstract
本申请公开了一种带式输送机的智能在线监测系统,包括:传感器模块,用于采集输送带的图像,采集各目标装置的温度数据与振动数据;弱磁无损检测模块,用于检测输送带的带内钢丝绳内芯的损伤情况;边缘智能终端,用于分析图像、温度数据以及振动数据,并根据分析结果进行报警,以及将图像的分析结果、温度数据、振动数据以及带内钢丝绳内芯的损伤情况上传云端服务器;云端服务器,用于通过CNN卷积神经网络模型融合分析各项数据,通过模糊分析机分析CNN卷积神经网络模型输出的特征预测,得到带式输送机的健康状态。该系统能够对带式输送机进行全方位全生命周期监测,实现输送带断裂或撕裂预警、关键装置故障分析以及全生命周期的健康诊断。
Description
技术领域
本申请涉及带式输送机技术领域,特别涉及一种带式输送机的智能在线监测系统。
背景技术
带式输送机主要应用于矿业、港口等散杂货长距离输送领域。随着现代工业的快速发展,散料输送量日益增加,为提高生产效率及设备稳定性,适应发展需要,带式输送机向着长距离输送、高效率、高稳定性方向不断发展。长距离带式输送机通过钢绳芯来增加传输带的横向抗拉强度以确保足够的运行拉力,但在拉力较大时,若超过胶带本身的纵向抗撕拉强度就会造成纵向撕裂。一旦撕裂,将会使整个传输带失效。另外,受接头老化损伤、材质缺陷、超负荷等因素的影响,传输带还可能发生横向断裂。运行中的传输带一旦发生横向断裂,受运动惯性影响,断开的传输带和运输的物料会快速堆积到机头位置,体积庞大的传输带和碎散的货物,需耗费大量人内物力来清理障碍,如果在向下运行过程中断带则可能引起飞车,极其危险。因此,对带式输送机的状态进行监控尤为重要。然而,现有方案多采用点检、巡检这种传统的现场人工维护方式,难以快速发现并处理皮带跑偏、打滑、撕裂和堵料、洒料等设备故障。
因此,如何提高监控水平和故障诊断的准确性,进行预防性维护,减少故障发生率,提高带式输送机运行效率,延长设备健康运行周期已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种带式输送机的智能在线监测系统,能够对带式输送机进行全方位全生命周期监测,实现输送带断裂或撕裂预警、关键装置故障分析以及全生命周期的健康诊断,提高监控水平和故障诊断的准确性,进行预防性维护,减少故障发生率,提高带式输送机运行效率,延长设备健康运行周期。
为解决上述技术问题,本申请提供了一种带式输送机的智能在线监测系统,包括:
传感器模块,用于采集带式输送机的输送带的图像,采集所述带式输送机的各目标装置的温度数据与振动数据;
弱磁无损检测模块,用于采用弱磁无损检测技术检测所述输送带的带内钢丝绳内芯的损伤情况;
边缘智能终端,用于分析所述图像、所述温度数据以及所述振动数据,并根据分析结果进行报警,以及将所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况上传云端服务器;
云端服务器,用于通过CNN卷积神经网络模型融合分析所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况,并通过模糊分析机的健康规则分析所述CNN卷积神经网络模型输出的特征预测,得到所述带式输送机的健康状态。
可选的,所述边缘智能终端具体用于从所述图像中提取所述输送带表面条纹的条纹骨架,并计算所述条纹骨架的畸变值;当所述畸变值大于预设阈值时,进行报警。
可选的,所述边缘智能终端具体用于分析所述图像,得到所述输送带上的散杂货特征。
可选的,所述边缘智能终端具体用于比较所述温度数据与预设温度阈值的大小,当所述温度数据大于所述预设温度阈值时,进行报警。
可选的,所述边缘智能终端具体用于比较所述振动数据与预设振动阈值的大小,当所述振动数据大于所述预设温度阈值时,进行报警。
可选的,所述边缘智能终端还用于当所述温度数据参与所述预设温度阈值时,根据所述温度数据评估故障等级。
可选的,所述边缘智能终端还用于当所述温度数据参与所述预设振动阈值时,根据所述振动数据评估故障等级。
可选的,所述云端服务器还用于将所述带式输送机的健康状态数据推送到人机交互模块进行展示。
可选的,还包括:
清洁模块,用于当触发自清洁机制后,清洁CMOS传感器。
可选的,建立所述健康规则的方式为:
基于遗传优化算法建立适应度函数,以所述适应度函数的值最小为优化目标,得到所述健康规则。
本申请所提供的带式输送机的智能在线监测系统,包括:传感器模块,用于采集带式输送机的输送带的图像,采集所述带式输送机的各目标装置的温度数据与振动数据;弱磁无损检测模块,用于采用弱磁无损检测技术检测所述输送带的带内钢丝绳内芯的损伤情况;边缘智能终端,用于分析所述图像、所述温度数据以及所述振动数据,并根据分析结果进行报警,以及将所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况上传云端服务器;云端服务器,用于通过CNN卷积神经网络模型融合分析所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况,并通过模糊分析机的健康规则分析所述CNN卷积神经网络模型输出的特征预测,得到所述带式输送机的健康状态。
可见,较之传统的现场人工维护方式,本申请所提供的带式输送机的智能在线监测系统,利用传感器模块、弱磁无损检测模块、边缘智能终端与云端服务器可以在线采集数据并进行智能分析诊断,能够对带式输送机进行全方位全生命周期监测,实现输送带断裂或撕裂预警、关键装置故障分析以及全生命周期的健康诊断。另外,云端服务器对采集到温度数据、振动数据等进行融合分析,可以有效规避单个传感器自身的局限,提高监控水平和故障诊断的准确性,进行预防性维护,减少故障发生率,提高带式输送机运行效率,延长设备健康运行周期。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种带式输送机的智能在线监测系统的示意图;
图2为本申请实施例所提供的一种图像采集模块的示意图;
图3为本申请实施例所提供的一种弱磁无损检测的示意图;
图4为本申请实施例所提供的一种神经网络模型的示意图。
具体实施方式
本申请的核心是提供一种带式输送机的智能在线监测系统,能够对带式输送机进行全方位全生命周期监测,实现输送带断裂或撕裂预警、关键装置故障分析以及全生命周期的健康诊断,提高监控水平和故障诊断的准确性,进行预防性维护,减少故障发生率,提高带式输送机运行效率,延长设备健康运行周期。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种带式输送机的智能在线监测系统的示意图,参考图1所示,该智能在线监测系统主要包括:
传感器10,用于采集带式输送机的输送带的图像,采集所述带式输送机的各目标装置的温度数据与振动数据;
弱磁无损检测模块20,用于采用弱磁无损检测技术检测所述输送带的带内钢丝绳内芯的损伤情况;
边缘智能终端30,用于分析所述图像、所述温度数据以及所述振动数据,并根据分析结果进行报警,以及将所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况上传云端服务器40;
云端服务器40,用于通过CNN卷积神经网络模型融合分析所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况,并通过模糊分析机的健康规则分析所述CNN卷积神经网络模型输出的特征预测,得到所述带式输送机的健康状态。
传感器10包括图像采集模块、温度采集模块以及振动采集模块。图像采集模块负责采集输送带的图像。温度采集模块负责采集带式输送机的各目标装置的温度数据。振动采集模块负责采集带式输送机的各目标装置的振动数据。
参考图2所示,图像采集模块包括线阵CMOS传感器单元、信号采集控制单元以及图像预处理单元。其中,线阵CMOS传感器单元包括CMOS传感器、信号调理电路以及电源电路。CMOS传感器负责采集输送带的图像。信号调理电路负责对线阵CMOS传感器输出的模拟信号进行滤波放大。信号采集控制单元包括模数转换电路、数据采集控制电路(例如MCU(Microcontroller Unit,微控制器)、FPGA(Field Programmable Gate Array,现场可编辑门阵列))。模数转换电路负责对经过信号调理电路进行滤波放大处理后的模拟信号进行模数转换。数据采集控制电路主要为线阵CMOS传感器与模数转换器提供驱动时序以及对采集的图像信息进行处理。图像预处理单元主要完成对图像信息的特征提取、编码等工作。
其中,为了确保CMOS传感器可以采集到清晰的图像,在一些实施方式中,还包括:清洁模块,用于当触发自清洁机制后,清洁CMOS传感器。
清洁模块可以连接图像采集模块。触发自清洁机制的方式可以为图像采集模块定期向清洁模块发送清洁指令而触发自清洁机制,或者可以为边缘智能终端分析图像的清晰度,当图像的清晰度低于某个阈值时,向清洁模块下发清洁指令触发自清洁机制。还可以是清洁模块自身定时触发自清洁机制。或者还可以为其他触发方式,可以进行差异性设置。
清洁模块清洁CMOS传感器的方式可以为清洁模块向CMOS传感器喷洒清洁溶剂,并在一段之间后对CMS传感器进行烘干处理。或者也可以通过类似雨刷的装置对CMOS传感器进行清洁。自然,也可以为其他清洁方式,对此本申请不做唯一限定。
温度采集模块可以包括温度传感器、红外热像仪的任意一种。通过温度传感器或者红外热像仪采集带式输送机的各关键装置即目标装置的温度数据。目标装置可以包括电机、滚筒以及托辊。
振动采集模块可以包括任意一种振动传感器。通过振动传感器采集带式输送机的各关键装置的振动数据。
弱磁无损检测模块20负责采用弱磁无损检测技术检测所述输送带的带内钢丝绳内芯的损伤情况。具体而言,弱磁无损检测技术是建立在稳定地磁场理论基础上的一种无损检测新技术,待检工件处于地磁场环境下,凭借材料本身与缺陷处相对磁导率的差异,通过测量材料表面的磁感应强度对材料内部损伤进行检测和评估。
参考图3所示,弱磁无损检测模块20基于弱磁无损检测技术,将钢丝绳芯输送带进行磁化处理,然后采集运输工作状态下输送带内钢丝绳内芯的异常信息,并将异常信息降噪,提取降噪后信息的异常特征,根据异常特征进行输送带的异常判别。
对于弱磁无损检测技术的技术实现过程,本申请在此不做赘述,参考现有关于弱磁无损检测技术的相关记载即可。
边缘智能终端30一方面负责分析所述图像、所述温度数据以及所述振动数据,并根据分析结果进行报警;另一方面通过WIFI、4G、5G等传输方式将所述图像、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况上传云端服务器40。
在一些实施例中,所述边缘智能终端30具体用于从所述图像中提取所述输送带表面条纹的条纹骨架,并计算所述条纹骨架的畸变值;当所述畸变值大于预设阈值时,进行报警。
具体而言,边缘智能终端30驱动线阵CMOS传感器采集线性光源投射到上输送带下表面的条纹,并对采集到的每帧图像进行分析,提取条纹骨架,计算出畸变值。如果畸变值大于预设阈值,表明输送带出现了纵向撕裂,此时边缘智能终端30可驱动报警器进行报警。相反,如果畸变值不大于预设阈值,表明输送带工作正常。
报警的方式可以为语音报警,还可以为其他报警方式,例如,以报警灯闪烁的方式报警等。
在畸变值大于预设阈值时,边缘智能终端30还可以将相应的图像以ID+时间+NG的形式进行命名,NG是指Not Good。在畸变值不大于预设阈值时,边缘智能终端30可以将相应的图像以ID+时间+OK的形式进行命名。
在一些实施例中,所述边缘智能终端30具体用于分析所述图像,得到所述输送带上的散杂货特征。边缘智能终端30分析图像得到输送带上的散杂货特征是指边缘智能终端30分析图像识别出输送带上传送的货物的类型。例如,识别出输送带上传送的货物为铁矿石,或者识别出输送上传送的货物为煤炭等。边缘智能终端30进一步将识别结果上传云端服务器40。
在一些实施例中,所述边缘智能终端30具体用于比较所述温度数据与预设温度阈值的大小,当所述温度数据大于所述预设温度阈值时,进行报警。例如进行语音报警等。
具体而言,针对各关键装置,在温度传感器或红外热像仪采集关键装置的温度数据的基础上,边缘智能终端30将采集的温度数据进行序列化处理,并将温度数据与预设温度阈值进行比较。如果关键装置的温度数据大于预设温度阈值,表明该关键装置有温度过高的风险,此时可予以报警,例如进行语音报警等。如果关键装置的温度数据不大于预设温度阈值,表明该关键装置的温度正常。
例如,预设温度阈值为50℃,如果关键装置的温度数据大于50℃,表明该关键装置有温度过高的风险,此时可予以示警。如果关键装置的温度数据不大于50℃,表明该关键装置的温度正常。
不同关键装置的预设温度阈值可以设置为不同数值。
例如,电机的预设温度阈值为60℃,滚筒的预设温度阈值为50℃,托辊的预设温度阈值为65℃。
或者,不同关键装置的预设温度阈值可以设置为相同的数值。
例如,电机、滚筒以及托辊的预设温度阈值均为50℃。
在一些实施例中,所述边缘智能终端30还用于当所述温度数据参与所述预设温度阈值时,根据所述温度数据评估故障等级。
当所述温度数据大于所述预设温度阈值时,进一步根据所述温度数据以及经验数据库,评估故障等级。例如,故障等级包括一般故障、严重故障以及紧急故障三个等级。往往温度越高,故障等级越高,故障越严重。
进一步,针对不同的故障等级,可以采取不同的报警方式。例如,对于一般故障,可以只进行语音报警。对于紧急故障,除可以进行语音报警外,同时可以发送报警信息给相关维护人员。
在一些实施例中,所述边缘智能终端30具体用于比较所述振动数据与预设振动阈值的大小,当所述振动数据大于所述预设温度阈值时,进行报警。
具体而言,针对各关键装置,在振动传感器采集关键装置的振动数据的基础上,边缘智能终端30将采集的振动数据进行序列化处理,并将振动数据与预设振动阈值进行比较。如果关键装置的振动数据大于预设振动阈值,表明该关键装置有振动幅度过大的风险,此时可予以示警。如果关键装置的振动数据不大于预设振动阈值,表明该关键装置振动正常。
同样,不同关键装置的预设振动阈值可以设置为不同数值,也可以设置为相同数值。
在一些实施例中,所述边缘智能终端30还用于当所述温度数据参与所述预设振动阈值时,根据所述振动数据评估故障等级。
当所述振动数据大于所述预设振动阈值时,进一步根据所述振动数据以及经验数据库,评估故障等级。例如,故障等级包括一般故障、严重故障以及紧急故障三个等级。往往振动幅度越高,故障等级越高,故障越严重。
类似的,针对不同的故障等级,可以采取不同的程度的报警方式。例如,对于一般故障,可以只进行语音报警。对于紧急故障,除可以进行语音报警外,同时可以发送报警信息给相关维护人员。
云端服务器40主要用于通过CNN卷积神经网络模型融合分析所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况,并通过模糊分析机的健康规则分析所述CNN卷积神经网络模型输出的特征预测,得到所述带式输送机的健康状态。
CNN卷积神经网络的输出结果,只是浅层次的预测分析。本申请结合CNN卷积神经网络建立的数据模型、工业机理模型、先验知识库,建立模糊推理机,由模糊推理机在CNN卷积神经网络分析的基础上,进一步进行分析,从而进一步提升健康诊断的可靠性。
参考图4所示,CNN卷积神经网络模型为解决多元化非线性复杂问题提供了一种便捷有效的途径,具有良好的自学习、高速寻优能力。CNN卷积神经网络模型输入参数可以为:装置工艺参数、设备运行参数、散杂货特征、环境参数、扰动因子等;输出参数为:特征或预测结果。在预先完成对CNN卷积神经网络模型训练的基础上,可以将图像分析结果(可以包括输送带表面条纹的畸变值、输送带上的散杂货特征)、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况作为CNN卷积神经网络模型的输入,利用CNN卷积神经网络模型进行分析。进一步,利用模糊推理机的健康规则对CNN卷积神经网络模型输出的特征预测进行分析,得到带式输送机的健康状态,实现对带式输送机的健康诊断。模糊推理机预先基于数据模型、机理模型、先验知识库等建立。
其中,可根据历史记录对CNN卷积神经网络模型的权重系数进行调整,以提高模型的泛化能力以及工程实用性。
另外,在一些实施例中,建立所述健康规则的方式为:基于遗传优化算法建立适应度函数,以所述适应度函数的值最小为优化目标,得到所述健康规则。
具体而言,人工制定健康规则存在一定难度,且很难做到合理,为此,本实施例基于遗传优化算法建立适应度函数(例如温度偏差、振动偏差、畸变偏差等的二次型函数),以适应度函数的值最小为优化目标,得到健康规则输出面即健康规则,进而基于模糊推理机对带式输送机的健康状态进行推理。
适应度函数可表示如下:
上式中,T为温度向量,V为振动向量,δ为畸变向量,J为适应度函数,Tref为温度参考向量,Vref为振动参考向量,δref为畸变参考向量,w1(k)、w2(k)以及w3(k)为权重。
云端服务器除可以利用模糊推理机对CNN卷积神经网络模型输出的特征预测进行分析,得到带式输送机的健康状态外,还可以利用模糊推理机对CNN卷积神经网络模型输出的特征预测进行分析,实现预警推送、控制优化等功能。
长距离、大容量的带式输送机由于功率大,距离长,通常采用多级传动,必须使用软启动方式,降低输送机的制动张力,特别是多电机驱动,以解决长距离带式输送机的启动过程中的功率平衡和同步问题。在对长距离大倾角带式输送机的动态特性分析的基础上,云端服务器40还可以综合考虑驱动电机启动过程中的静、动态阻力变化,基于Bayes理论和专家系统融合对带式输送机进行优化控制。
进一步,在一些实施例中,所述云端服务器还用于将所述带式输送机的健康状态数据推送到人机交互模块进行展示。例如,将带式输送机的健康状态数据推送到电子看板、Web网页以及手机APP进行展示,如此更加便于维护人员及时掌握带式输送机的健康状态。
此外,带式输送机的智能在线监测系统,还可以提供远程实时视频监控、运载超负荷监控、尖锐货物检测预警等功能。
综上所述,本申请所提供的带式输送机的智能在线监测系统,包括:传感器模块,用于采集带式输送机的输送带的图像,采集所述带式输送机的各目标装置的温度数据与振动数据;弱磁无损检测模块,用于采用弱磁无损检测技术检测所述输送带的带内钢丝绳内芯的损伤情况;边缘智能终端,用于分析所述图像、所述温度数据以及所述振动数据,并根据分析结果进行报警,以及将所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况上传云端服务器;云端服务器,用于通过CNN卷积神经网络模型融合分析所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况,并通过模糊分析机的健康规则分析所述CNN卷积神经网络模型输出的特征预测,得到所述带式输送机的健康状态。该带式输送机的智能在线监测系统,利用传感器模块、弱磁无损检测模块、边缘智能终端与云端服务器可以在线采集数据并进行智能分析诊断,能够对带式输送机进行全方位全生命周期监测,实现输送带断裂或撕裂预警、关键装置故障分析以及全生命周期的健康诊断。另外,云端服务器对采集到温度数据、振动数据等进行融合分析,可以有效规避单个传感器自身的局限,提高监控水平和故障诊断的准确性,进行预防性维护,减少故障发生率,提高带式输送机运行效率,延长设备健康运行周期。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的带式输送机的智能在线监测系统进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围。
Claims (9)
1.一种带式输送机的智能在线监测系统,其特征在于,包括:
传感器模块,用于采集带式输送机的输送带的图像,采集所述带式输送机的各目标装置的温度数据与振动数据;
弱磁无损检测模块,用于采用弱磁无损检测技术检测所述输送带的带内钢丝绳内芯的损伤情况;
边缘智能终端,用于分析所述图像、所述温度数据以及所述振动数据,并根据分析结果进行报警,以及将所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况上传云端服务器;
云端服务器,用于通过CNN卷积神经网络模型融合分析所述图像的分析结果、所述温度数据、所述振动数据以及所述带内钢丝绳内芯的损伤情况,并通过模糊分析机的健康规则分析所述CNN卷积神经网络模型输出的特征预测,得到所述带式输送机的健康状态;
建立所述健康规则的方式为:
基于遗传优化算法建立适应度函数,以所述适应度函数的值最小为优化目标,得到所述健康规则;适应度函数为:
T为温度向量,V为振动向量,δ为畸变向量,J为适应度函数,Tref为温度参考向量,Vref为振动参考向量,δref为畸变参考向量,w1(k)、w2(k)以及w3(k)为权重。
2.根据权利要求1所述的智能在线监测系统,其特征在于,所述边缘智能终端具体用于从所述图像中提取所述输送带表面条纹的条纹骨架,并计算所述条纹骨架的畸变值;当所述畸变值大于预设阈值时,进行报警。
3.根据权利要求1所述的智能在线监测系统,其特征在于,所述边缘智能终端具体用于分析所述图像,得到所述输送带上的散杂货特征。
4.根据权利要求1所述的智能在线监测系统,其特征在于,所述边缘智能终端具体用于比较所述温度数据与预设温度阈值的大小,当所述温度数据大于所述预设温度阈值时,进行报警。
5.根据权利要求1所述的智能在线监测系统,其特征在于,所述边缘智能终端具体用于比较所述振动数据与预设振动阈值的大小,当所述振动数据大于所述预设振动阈值时,进行报警。
6.根据权利要求4所述的智能在线监测系统,其特征在于,所述边缘智能终端还用于当所述温度数据大于所述预设温度阈值时,根据所述温度数据评估故障等级。
7.根据权利要求5所述的智能在线监测系统,其特征在于,所述边缘智能终端还用于当所述振动数据大于所述预设振动阈值时,根据所述振动数据评估故障等级。
8.根据权利要求1所述的智能在线监测系统,其特征在于,所述云端服务器还用于将所述带式输送机的健康状态数据推送到人机交互模块进行展示。
9.根据权利要求1所述的智能在线监测系统,其特征在于,还包括:
清洁模块,用于当触发自清洁机制后,清洁CMOS传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671594.5A CN114275483B (zh) | 2021-12-31 | 2021-12-31 | 一种带式输送机的智能在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671594.5A CN114275483B (zh) | 2021-12-31 | 2021-12-31 | 一种带式输送机的智能在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114275483A CN114275483A (zh) | 2022-04-05 |
CN114275483B true CN114275483B (zh) | 2023-12-19 |
Family
ID=80879476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111671594.5A Active CN114275483B (zh) | 2021-12-31 | 2021-12-31 | 一种带式输送机的智能在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114275483B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977438B (zh) * | 2023-09-22 | 2024-04-02 | 广东佳德自动化设备有限公司 | 一种物流用伸缩机振动检测方法、系统及使用设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246144A (zh) * | 2007-02-13 | 2008-08-20 | 上海海事大学 | 一种钢丝绳芯输送带损伤的检测方法及其装置 |
CN102275723A (zh) * | 2011-05-16 | 2011-12-14 | 天津工业大学 | 一种基于机器视觉的输送带在线监测系统和方法 |
CN103144937A (zh) * | 2013-03-06 | 2013-06-12 | 西安科技大学 | 煤矿钢丝绳芯带式输送机智能监控系统及监控方法 |
CN103487749A (zh) * | 2013-09-18 | 2014-01-01 | 国家电网公司 | 高压断路器机械状态在线监测诊断系统及方法 |
WO2018195488A1 (en) * | 2017-04-21 | 2018-10-25 | SSI America INC. | Condition monitoring system and method |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
CN109961014A (zh) * | 2019-02-25 | 2019-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿输送带危险区域监测方法及系统 |
CN110163852A (zh) * | 2019-05-13 | 2019-08-23 | 北京科技大学 | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 |
CN111369538A (zh) * | 2020-03-05 | 2020-07-03 | 北京科技大学 | 一种基于深度卷积神经网络的传输机胶带跑偏检测方法 |
CN111432179A (zh) * | 2020-04-26 | 2020-07-17 | 上海发电设备成套设计研究院有限责任公司 | 基于计算机视觉的输煤皮带智能巡检系统及方法 |
CN111591715A (zh) * | 2020-05-28 | 2020-08-28 | 华中科技大学 | 一种皮带纵向撕裂检测方法及装置 |
CN111862083A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法 |
CN112149791A (zh) * | 2020-09-22 | 2020-12-29 | 国网河南省电力公司鹤壁供电公司 | 一种基于神经网络识别和模糊分析的低电压风险评估系统 |
CN212862908U (zh) * | 2020-03-08 | 2021-04-02 | 太原理工大学 | 一种钢丝绳牵引式煤矿井下带式输送机循环检测系统 |
CN112633052A (zh) * | 2020-09-15 | 2021-04-09 | 北京华电天仁电力控制技术有限公司 | 一种皮带撕裂检测方法 |
CN113076895A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 |
CN113297885A (zh) * | 2020-08-10 | 2021-08-24 | 湖南长天自控工程有限公司 | 基于卷积神经网络的皮带机表面状态检测方法及装置 |
CN113697424A (zh) * | 2021-09-03 | 2021-11-26 | 中煤科工集团上海有限公司 | 一种基于云技术的带式输送机监测与故障诊断系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7187811B2 (en) * | 2003-03-18 | 2007-03-06 | Advanced & Wise Technology Corp. | Method for image resolution enhancement |
-
2021
- 2021-12-31 CN CN202111671594.5A patent/CN114275483B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246144A (zh) * | 2007-02-13 | 2008-08-20 | 上海海事大学 | 一种钢丝绳芯输送带损伤的检测方法及其装置 |
CN102275723A (zh) * | 2011-05-16 | 2011-12-14 | 天津工业大学 | 一种基于机器视觉的输送带在线监测系统和方法 |
CN103144937A (zh) * | 2013-03-06 | 2013-06-12 | 西安科技大学 | 煤矿钢丝绳芯带式输送机智能监控系统及监控方法 |
CN103487749A (zh) * | 2013-09-18 | 2014-01-01 | 国家电网公司 | 高压断路器机械状态在线监测诊断系统及方法 |
WO2018195488A1 (en) * | 2017-04-21 | 2018-10-25 | SSI America INC. | Condition monitoring system and method |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109961014A (zh) * | 2019-02-25 | 2019-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿输送带危险区域监测方法及系统 |
CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
CN110163852A (zh) * | 2019-05-13 | 2019-08-23 | 北京科技大学 | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 |
CN111369538A (zh) * | 2020-03-05 | 2020-07-03 | 北京科技大学 | 一种基于深度卷积神经网络的传输机胶带跑偏检测方法 |
CN212862908U (zh) * | 2020-03-08 | 2021-04-02 | 太原理工大学 | 一种钢丝绳牵引式煤矿井下带式输送机循环检测系统 |
CN111432179A (zh) * | 2020-04-26 | 2020-07-17 | 上海发电设备成套设计研究院有限责任公司 | 基于计算机视觉的输煤皮带智能巡检系统及方法 |
CN111591715A (zh) * | 2020-05-28 | 2020-08-28 | 华中科技大学 | 一种皮带纵向撕裂检测方法及装置 |
CN111862083A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法 |
CN113297885A (zh) * | 2020-08-10 | 2021-08-24 | 湖南长天自控工程有限公司 | 基于卷积神经网络的皮带机表面状态检测方法及装置 |
CN112633052A (zh) * | 2020-09-15 | 2021-04-09 | 北京华电天仁电力控制技术有限公司 | 一种皮带撕裂检测方法 |
CN112149791A (zh) * | 2020-09-22 | 2020-12-29 | 国网河南省电力公司鹤壁供电公司 | 一种基于神经网络识别和模糊分析的低电压风险评估系统 |
CN113076895A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 |
CN113697424A (zh) * | 2021-09-03 | 2021-11-26 | 中煤科工集团上海有限公司 | 一种基于云技术的带式输送机监测与故障诊断系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114275483A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xianguo et al. | Laser-based on-line machine vision detection for longitudinal rip of conveyor belt | |
CN114275483B (zh) | 一种带式输送机的智能在线监测系统 | |
CN109823941B (zh) | 一种应用于主动安全电梯上的钢丝绳监测装置 | |
CN106395557A (zh) | 一种电梯曳引机钢丝绳状态在线检测系统及其检测方法 | |
CN104792796A (zh) | 基于机器视觉的矿用胶带运行工况在线监测系统 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN108298273A (zh) | 皮带机智能巡检系统 | |
CN110040469A (zh) | 一种刮板输送机链条张力监测系统及方法 | |
CN206813891U (zh) | 刮板机链条弛垂程度检测装置 | |
CN112215352A (zh) | 基于bp神经网络算法输送带跑偏预测预警的系统及预测预警方法 | |
CN115027903A (zh) | 一种用于皮带运输机的实时监控和排障装置 | |
CN114671215A (zh) | 一种基于图像识别和ai算法在皮带无人值守的应用 | |
Dube et al. | Cost effective railway track fault detection using image processing | |
CN112235741A (zh) | 一种基于深度学习的巡检机器人车间状态检测系统 | |
CN112744540A (zh) | 输送带撕裂监测装置、带有撕裂监测装置的输送线及其监测方法 | |
CN115096375B (zh) | 基于托辊搬运小车检测的托辊运行状态监测方法和装置 | |
Li et al. | Automatic defect detection method for the steel cord conveyor belt based on its X-ray images | |
CN116086677B (zh) | 一种多钢丝绳张力平衡监测方法、系统及电子设备 | |
CN116767753A (zh) | 一种利用温变材料对胶带机系统进行监控的视频识别方法 | |
CN114359779A (zh) | 一种基于深度学习的皮带撕裂检测方法 | |
CN214398635U (zh) | 输送带撕裂监测装置和带有撕裂监测装置的输送线 | |
CN115180364A (zh) | 基于gmi磁传感器的矿用输送带异物监测装置及方法 | |
CN114877935A (zh) | 一种多源传感器一体化监测方法、装置及巡检机器人 | |
US10427920B2 (en) | Method of detecting a worn link in a chain, and a hoist arrangement | |
EP3741606B1 (de) | Vorrichtung und verfahren zur verschleisserkennung eines fördersystems mit gleitkontakten |
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 |