CN115082456A - 一种煤矿带式输送机故障诊断方法及装置 - Google Patents
一种煤矿带式输送机故障诊断方法及装置 Download PDFInfo
- Publication number
- CN115082456A CN115082456A CN202210894088.0A CN202210894088A CN115082456A CN 115082456 A CN115082456 A CN 115082456A CN 202210894088 A CN202210894088 A CN 202210894088A CN 115082456 A CN115082456 A CN 115082456A
- Authority
- CN
- China
- Prior art keywords
- conveyor
- image
- fault
- belt
- conveying belt
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000003245 coal Substances 0.000 title claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Control Of Conveyors (AREA)
Abstract
本申请提出的煤矿带式输送机故障诊断方法、装置及存储介质中，获取输送机对应输送带的图像，对图像进行预处理，并利用预处理后的图像进行边缘检测，基于边缘检测的结果，利用霍夫变换提取输送带边缘直线特征，并计算输送带的跑偏角，当跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。由此，本申请可以通过输送带的图像，得到对应输送带的跑偏角度，并根据输送带的跑偏角度，得到输送机的故障诊断，以使得故障诊断结果是根据输送机当前状态得到的，并不是主观得到的，从而提高了故障诊断的精确度，以便用户可以及时调整，避免发生故障。
Description
技术领域
本公开涉及故障诊断技术领域，尤其涉及一种煤矿带式输送机故障诊断方法、装置以及存储介质。
背景技术
带式输送机是煤矿井下开采的一种重要运输设备，具有运输能力大、工作阻力小以及耗电量低等优点，在采平区巷、采区上下山和运输大巷等场所应用广泛。但是煤矿带式输送机系统结构复杂，所处工作环境恶劣，若发生事故，极易造成设备损坏或经济损失，甚至出现人员伤亡的严重事故。因此，需要对煤矿带式输送机进行故障诊断，以避免出现严重事故。
相关技术中，基于事故致因理论研究煤矿带式输送机故障成因，结合统计分析提出了减少或糸边带式输送机故障的有效措施。但是，相关技术中单一的定性分析煤矿带式输送机故障，故障诊断结果具有较强的主观性，精确度较低。
发明内容
本公开提出了一种煤矿带式输送机故障诊断方法、装置以及存储介质，旨在解决相关技术中故障诊断精确度低的技术问题。
本公开第一方面实施例提出了一种煤矿带式输送机故障诊断方法，包括：
获取输送机对应输送带的图像；
对所述图像进行预处理，并利用预处理后的图像进行边缘检测；
基于边缘检测的结果，利用霍夫变换提取所述输送带边缘直线特征，并计算所述输送带的跑偏角；
当所述跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。
本公开第二方面实施例提出了一种煤矿带式输送机故障诊断装置，包括：
获取模块，用于获取输送机对应输送带的图像；
处理模块，用于对所述图像进行预处理，并利用预处理后的图像进行边缘检测；
计算模块，用于基于边缘检测的结果，利用霍夫变换提取所述输送带边缘直线特征，并计算所述输送带的跑偏角；
输出模块，用于当所述跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。
本申请第三方面实施例提出的计算机设备，其中，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，能够实现如上第一方面所述的方法。
本申请第四方面实施例提出的计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如上第一方面所述的方法。
本申请提出的煤矿带式输送机故障诊断方法、系统及存储介质中，获取输送机对应输送带的图像，对图像进行预处理，并利用预处理后的图像进行边缘检测，基于边缘检测的结果，利用霍夫变换提取输送带边缘直线特征，并计算输送带的跑偏角，当跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。由此，本申请可以通过输送带的图像，得到对应输送带的跑偏角度，并根据输送带的跑偏角度，得到输送机的故障诊断，以使得故障诊断结果是根据输送机当前状态得到的，并不是主观得到的，从而提高了故障诊断的精确度，以便用户可以及时调整，避免发生故障。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本公开一实施例提供的煤矿带式输送机故障诊断方法的流程示意图；
图2是根据本公开一实施例提供的以带式输送机故障事件为根节点建立的故障树的结构示意图；
图3是根据本公开另一实施例提供的煤矿带式输送机故障诊断装置的结构示意图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
实施例一
图1是根据本公开一实施例提供的煤矿带式输送机故障诊断方法的流程示意图，如图1所示，该方法包括：
步骤101、获取输送机对应输送带的图像。
其中，在本发明的实施例中，输送机的输送带是正规矩形，由此可以仅回去输送机对应输送带的一侧图像。
具体的，在本发明的一个实施例之中，可以获取输送机对应输送带的左侧图像。在本发明的另一个实施例之中，可以获取输送机对应输送带右侧的图像。
步骤102、对图像进行预处理，并利用预处理后的图像进行边缘检测。
其中，在本发明的一个实施例之中，对图像进行预处理，并利用预处理后的图像进行边缘检测的方法可以包括以下步骤：
步骤a、对图像进行灰度化处理。
其中，在本发明的一个实施例之中，对图像进行灰度化处理的方法，可以包括：
其中，
为灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
步骤b、通过导向滤波对得到的灰度图像进行降噪处理。
其中，在本发明的实施例中，通过导向滤波对得到的灰度图像进行降噪处理的方法可以包括：
其中，
和
表示像素点，
是输出图像的像素点，
是导向图像，
是输入图像，
是导向图像
和输入图像
的核函数。
步骤c、计算降噪处理后的每个像素点的梯度强度和方向。
其中，计算降噪处理后的每个像素点的梯度强度和方向的方法可以包括：定义
为像素
的滤波窗口，则输出图像
和导向图像
之间的局部线性模型表示为：
进一步地，对窗口
进行最小化处理：
以及，可以计算出
和
的数值：
其中，
是平滑因子，
，
是窗口内像素的个数，
和
是口内像素点灰度的均值和方差。
进一步地，利用求解后的
和
的值，对上述局部线性模型两边求解梯度，得到
，得到输出图像的梯度。
步骤d、对每个像素点的梯度强度和方向进行过滤。
其中，在本发明的一个实施例之中，将在梯度方向上具有最大梯度值的像素作为边缘像素保留，将其它像素删除。
步骤e、利用第一像素阈值和第二像素阈值对过滤后的像素点进行筛选，得到边缘检测结果。
其中，在本发明的一个实施例之中，确定第一像素阈值和第二像素阈值的方法可以包括：利用灰度阈值T划分图片前景和后景，当图片的前景与后景之间的类间方差最大时，对应的灰度阈值为第二像素阈值。
具体的，在本发明的一个实施例之中，针对目标图像，属于前景像素点数（目标的像素点数）占整幅图像的比例
，背景像素点数占整幅图像的比例为
，其中
，
，
前景像素点数，
是背景像素点数，
整幅图像的像素点数。
以及，在本发明的一个实施例之中，
为目标像素点的平均灰度，
为背景像素点的平均灰度，则图像总平均灰度
如下所示：
进一步地，在本发明的一个实施例之中，图片的前景与后景之间的类间方差为：
其中，在本发明的一个实施例之中，当c的值最大时，此时对应的灰度阈值T为第二像素阈值。以及，在本发明的一个实施例之中，第一像素阈值为第二像素阈值的0.3倍。
步骤103、基于边缘检测的结果，利用霍夫变换提取输送带边缘直线特征，并计算所述输送带的跑偏角。
其中，在本发明的一个实施例之中，基于边缘检测的结果，利用霍夫变换提取输送带边缘直线特征，并计算所述输送带的跑偏角的方法包括：
通过转换公式将边缘检测的结果从图像空间转换到参数空间，计算出输送带的跑边角，转换公式为：
以及，
为原点到直线的距离，
为
与X轴的夹角，m，n为边缘检测图像像素点的横纵坐标。
进一步地，在本发明的实施例中，当输送带跑偏时，通过上述方法得到的
为输送带的跑边角。
步骤104、当跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。
其中，在本发明的一个实施例之中，当跑偏角大于第一角度阈值且小于第二角度阈值时，输送带仅发生轻微跑偏，基于此需要以带式输送机故障事件建立故障树，以判断输送带当前轻微跑偏时，是否会发生相关故障。
具体地，在本发明的一个实施例之中，以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果的方法，可以包括以下步骤：
步骤1、通过输送机在输送带跑偏时的系统故障库，构建以带式输送机故障事件为根节点，输送带跑偏事件为中间节点，其余故障事件均为中间节点的子节点，建立故障树，其中，输送带跑偏事件与其余故障事件均为基本故障事件。
其中，在本发明的实施例中，输送机在输送带跑偏时的系统故障库可以根据历史数据与专家经验得到。
以及，在本发明的实施例中，图2为本公开实施例提供的以带式输送机故障事件为根节点建立的故障树。
参考图2所示，
是故障树中的“与”，
是故障树中的“或”，A1为输送带跑偏，B1为输送带跑偏，X1为输送机纠正失效，X2为输送机老化变形，X3为托辊、滚筒轴线基面不平，X4为导料槽损坏，X5为张紧不平衡，B2为滚筒粘物料，X7为清扫设备失效，X8为回程输送带有物料，X6为输送带偏载。
步骤2、将故障树转换为对应的贝叶斯网络。
其中，在本发明的实施例中，贝叶斯网络可以利用公式一计算子节点的先验概率，再利用公式二计算父节点的后验概率。
以及，在本发明的一个实施例中，假设事件组B1，B2，…，Bt，满足B1，B2，……，Bt两两互斥，
，且P（Bu）>0，其中，
，任一关联事件A，则公式一为：
进一步地，在本发明的一个实施例之中，公式二为：
其中，P（Bu）表示事件Bu发生的概率，P（Bw|A）表示在事件A 发生的前提下袁事件Bw发生的概率。
步骤3、通过历史数据得出各个基本故障事件发生故障的风险值。
其中，在本发明的一个实施例之中，可以通过历史数据得出各个基本故障事件发生故障的风险值的方法可以包括：风险值=基本故障事件发生概率×基本故障事件发生故障的影响值。
示例的，在本发明的一个实施例之中，假设导料槽损坏发生的概率为0.4，以及当导料槽损坏对输送机的影响值为0.7，则导料槽损坏发生产生的风险值=0.4×0.7=0.28。
进一步地，通过历史数据得出上述各个基本故障事件发生故障的风险值之后，还可以对所有风险值做归一化处理，以便后续与贝叶斯网络进行结合。
步骤4、基于各个基本故障事件的风险值与贝叶斯网络，得出当前输送机发生故障的风险值。
其中，在本发明的一个实施例之中，将得到各个基本故障事件的风险值作为贝叶斯网络中的发生概率进行计算，得出根节点带式输送机故障事件的概率，即为当前输送机发生故障的风险值。
步骤5、根据风险值确定当前输送机发生故障的风险等级，基于风险等级进行告警。
其中，在本发明的一个实施例之中，风险等级可以包括低风险、较低风险、中风险、较高风险、高风险。以及，在本发明的一个实施例之中，风险等级与风险值的对应关系如表1所示。
表1
| 风险值 | 风险等级 |
| [0.8,1.0) | 高风险 |
| [0.6,0.8) | 较高风险 |
| [0.4,0.6) | 中风险 |
| [0.2,0.4) | 较低风险 |
| [0,0.2) | 低风险 |
进一步地，在本发明的一个实施例之中，不同风险等级对应的告警方式也有所不同。
以及，在本发明的一个实施例之中，当跑偏角大于第二角度阈值时，此时输送带已发生严重跑偏，基于此需要输出报警提示，并在现场皮带走廊发出声光报警，并通知检修人员到现场进行维护检修。在本发明的另一个实施例之中，当跑偏角小于第一角度阈值时，此时认为输送带没有发生跑偏，可以不进行任何处理。
本申请提出的煤矿带式输送机故障诊断方法中，获取输送机对应输送带的图像，对图像进行预处理，并利用预处理后的图像进行边缘检测，基于边缘检测的结果，利用霍夫变换提取输送带边缘直线特征，并计算输送带的跑偏角，当跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。由此，本申请可以通过输送带的图像，得到对应输送带的跑偏角度，并根据输送带的跑偏角度，得到输送机的故障诊断，以使得故障诊断结果是根据输送机当前状态得到的，并不是主观得到的，从而提高了故障诊断的精确度，以便用户可以及时调整，避免发生故障。
图3是根据本公开另一实施例提供的煤矿带式输送机故障诊断装置的结构示意图，如图3所示，该装置包括：
获取模块301，用于获取输送机对应输送带的图像；
处理模块302，用于对图像进行预处理，并利用预处理后的图像进行边缘检测；
计算模块303，用于基于边缘检测的结果，利用霍夫变换提取输送带边缘直线特征，并计算输送带的跑偏角；
输出模块304，用于当跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。
为了实现上述实施例，本公开还提出一种计算机存储介质。
本公开实施例提供的计算机存储介质，存储有可执行程序；所述可执行程序被处理器执行后，能够实现如图1任一所示的方法。
为了实现上述实施例，本公开还提出一种计算机设备。
本公开实施例提供的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述处理器执行所述程序时，能够实现如图1任一所示的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种煤矿带式输送机故障诊断方法，其特征在于，包括：
获取输送机对应输送带的图像；
对所述图像进行预处理，并利用预处理后的图像进行边缘检测；
基于边缘检测的结果，利用霍夫变换提取所述输送带边缘直线特征，并计算所述输送带的跑偏角；
当所述跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。
2.如权利要求1所述的方法，其特征在于，所述方法，还包括：
当所述跑偏角大于第二角度阈值，则诊断所述输送机的输送带发生严重跑偏，输出严重告警，并发出声光报警。
3.如权利要求2所述的方法，其特征在于，所述获取输送机对应输送带的图像，包括：
获取所述输送机对应输送带左侧的图像；或
获取所述输送机对应输送带右侧的图像。
4.如权利要求1所述的方法，其特征在于，所述对所述图像进行预处理，并利用预处理后的图像进行边缘检测，包括：
对所述图像进行灰度化处理；
通过导向滤波对得到的灰度图像进行降噪处理；
计算所述降噪处理后的每个像素点的梯度强度和方向；
对每个像素点的梯度强度和方向进行过滤；
利用第一像素阈值和第二像素阈值对过滤后的像素点进行筛选，得到边缘检测结果。
5.如权利要求1所述的方法，其特征在于，所述基于边缘检测的结果，利用霍夫变换提取所述输送带边缘直线特征，并计算所述输送带的跑偏角，包括：
通过转换公式将边缘检测的结果从图像空间转换到参数空间，计算出所述输送带的跑边角，所述转换公式为：
其中，
为原点到直线的距离，
为
与X轴的夹角，m，n为边缘检测图像像素点的横纵坐标。
6.如权利要求1所述的方法，其特征在于，所述当所述跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果，包括：
通过输送机在输送带跑偏时的系统故障库，构建以带式输送机故障事件为根节点，输送带跑偏事件为中间节点，其余故障事件均为中间节点的子节点，建立故障树，其中，输送带跑偏事件与其余故障事件均为基本故障事件；
将所述故障树转换为对应的贝叶斯网络；
通过历史数据得出所述各个基本故障事件发生故障的风险值；
基于所述各个基本故障事件的风险值与所述贝叶斯网络，得出当前输送机发生故障的风险值；
根据所述风险值确定当前输送机发生故障的风险等级，基于所述风险等级进行告警。
7.如权利要求1所述的方法，其特征在于，所述风险等级包括低风险、较低风险、中风险、较高风险、高风险。
8.一种煤矿带式输送机故障诊断装置，其特征在于，包括：
获取模块，用于获取输送机对应输送带的图像；
处理模块，用于对所述图像进行预处理，并利用预处理后的图像进行边缘检测；
计算模块，用于基于边缘检测的结果，利用霍夫变换提取所述输送带边缘直线特征，并计算所述输送带的跑偏角；
输出模块，用于当所述跑偏角大于第一角度阈值且小于第二角度阈值，则以带式输送机故障事件建立故障树，并利用贝叶斯网络进行输送机的故障诊断，得出输送机故障诊断的结果。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-7中任一所述的方法。
10.一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210894088.0A CN115082456A (zh) | 2022-07-27 | 2022-07-27 | 一种煤矿带式输送机故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210894088.0A CN115082456A (zh) | 2022-07-27 | 2022-07-27 | 一种煤矿带式输送机故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115082456A true CN115082456A (zh) | 2022-09-20 |
Family
ID=83242028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210894088.0A Pending CN115082456A (zh) | 2022-07-27 | 2022-07-27 | 一种煤矿带式输送机故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115082456A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309565A (zh) * | 2023-05-17 | 2023-06-23 | 山东晨光胶带有限公司 | 基于计算机视觉的高强传送带跑偏检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
| CN106600127A (zh) * | 2016-12-06 | 2017-04-26 | 贵州电网有限责任公司电力科学研究院 | 一种基于贝叶斯网络可靠性修正模型的继电保护系统风险评估方法 |
| US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
| CN109969736A (zh) * | 2019-01-17 | 2019-07-05 | 上海大学 | 一种大型运载皮带跑偏故障智能检测方法 |
| CN110092137A (zh) * | 2019-05-06 | 2019-08-06 | 燕山大学 | 一种皮带机跑偏检测系统 |
| CN110902315A (zh) * | 2019-12-10 | 2020-03-24 | 浙江蓝卓工业互联网信息技术有限公司 | 皮带偏移状态检测方法及系统 |
-
2022
- 2022-07-27 CN CN202210894088.0A patent/CN115082456A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
| CN106600127A (zh) * | 2016-12-06 | 2017-04-26 | 贵州电网有限责任公司电力科学研究院 | 一种基于贝叶斯网络可靠性修正模型的继电保护系统风险评估方法 |
| US20190087294A1 (en) * | 2018-05-11 | 2019-03-21 | Beihang University | Method for establishing fault diagnosis technique based on contingent Bayesian networks |
| CN109969736A (zh) * | 2019-01-17 | 2019-07-05 | 上海大学 | 一种大型运载皮带跑偏故障智能检测方法 |
| CN110092137A (zh) * | 2019-05-06 | 2019-08-06 | 燕山大学 | 一种皮带机跑偏检测系统 |
| CN110902315A (zh) * | 2019-12-10 | 2020-03-24 | 浙江蓝卓工业互联网信息技术有限公司 | 皮带偏移状态检测方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309565A (zh) * | 2023-05-17 | 2023-06-23 | 山东晨光胶带有限公司 | 基于计算机视觉的高强传送带跑偏检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
| CN115082456A (zh) | 一种煤矿带式输送机故障诊断方法及装置 | |
| CN113837991B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN106168539A (zh) | 基于卷积神经网络的滚动轴承故障诊断方法及系统 | |
| CN106960438A (zh) | 基于霍夫直线变换对输电线路的异物识别方法 | |
| CN103686148A (zh) | 一种基于图像处理的自动检测视频图像清晰度的方法 | |
| CN113306991A (zh) | 基于立体视觉的煤炭运输机监测管理系统 | |
| CN109391844A (zh) | 基于视频会议场景的视频质量诊断方法和系统 | |
| CN107818563B (zh) | 一种输电线路分裂导线间距空间测量与定位方法 | |
| CN105828065A (zh) | 一种视频画面过曝检测方法及装置 | |
| CN104966285A (zh) | 一种显著性区域的检测方法 | |
| CN112598054A (zh) | 基于深度学习的输变电工程质量通病防治检测方法 | |
| CN115914573B (zh) | 一种基于大数据的生产线用卷绕辊运行监测系统 | |
| CN113920324B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN101867787A (zh) | 一种带摄像头的lcd显示屏的自检方法 | |
| CN107036545A (zh) | 一种坝体监测预警方法和装置 | |
| US6377297B1 (en) | Detection of repeated and frozen frames in a video signal | |
| CN111815616A (zh) | 一种基于深度学习的x光安检图像中危险品检测方法 | |
| CN117689651A (zh) | 一种基于语义分割和目标检测的煤矿皮带跑偏检测方法 | |
| CN105389825A (zh) | 图像处理方法及系统 | |
| CN113298426A (zh) | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 | |
| CN112487925B (zh) | 一种桥梁载荷损伤识别方法及系统 | |
| CN114120109A (zh) | 基于神经网络的皮带纵撕检测方法 | |
| US7263229B2 (en) | Method and apparatus for detecting the location and luminance transition range of slant image edges | |
| CN114120175A (zh) | 基于计算机视觉的输煤皮带异物识别方法 |
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 |
Application publication date: 20220920 |
|
| RJ01 | Rejection of invention patent application after publication |