煤礦膠帶輸送機運行狀態智能監測方法設計

張 濤

（國家能源集團寧夏煤業有限責任公司棗泉煤礦,寧夏靈武 750408）

引言

膠帶輸送機又稱帶式輸送機，是一種煤礦工作時常用的傳送機械設備，主要由傳送帶、傳送裝置、驅動裝置、拉緊裝置、滾筒等部件組成，廣泛應用于家電、電子、電器、機械、印刷等各行各業。由于在礦產工作時，膠帶輸送機在井下作業，由于井下空間比較狹小，杰塵和礦渣比較多，導致杰塵和礦渣容易進入膠帶輸送機滾筒軸承內，增加軸承摩擦，對軸承造成不同程度的損壞。此外，輸送帶上的煤炭在輸送過程中與輸送帶不斷摩擦，長時間的摩擦會造成輸送帶斷裂。正因為井下作業環境惡劣以及膠帶輸送機長時間不停產，導致膠帶輸送機故障率較高。膠帶輸送機運行狀態是否正常，直接關系到煤礦生產質量和井下作業安全。為了保證煤礦井下作業安全與生產效率，需要采取有效的手段和技術對膠帶輸送機運行狀態進行實時監測。隨著人工智能技術的不斷發展，膠帶輸送機運行狀態監測逐漸開始進入智能化階段，但國內關于膠帶輸送機運行狀態智能監測研究起步比較晚，現有的理論和技術還不夠成熟，傳統方法在實際應用中經常出現誤判、錯判現象，監測結果與實際情況一致性系數較低，為此本文設計一種煤礦膠帶輸送機運行狀態智能監測方法。

1 膠帶輸送機運行狀態智能監測方法

膠帶輸送機故障種類比較多，比如輸送帶斷裂、滾動軸破損、輸送帶跑偏、輸送帶打滑、主滾筒不轉、輸送機悶車等，每個故障特征都有所不同，如果要對所有故障特征進行識別和判斷，需要進行大量的計算和數據采集，膠帶輸送機運行狀態具有時效性特性，復雜的監測程序會增加監測結果的延時率，從而無法保證監測精度[1]。

綜合以上考慮，本文提出一種視頻智能監測思路，無論膠帶輸送機出現何種故障，其最直接的表現方式是膠帶輸送機運行速度下降或者提升，因此利用視頻中角點位置坐標，確定膠帶輸送機運行速度，以此判斷其運行狀態是否正常，其具體監測流程見圖1。

圖1 膠帶輸送機運行狀態智能監測流程圖

如圖1 所示，此次提出的監測方法主要包括運行視頻圖像獲取、視頻圖像坐標系轉化及濾波、視頻圖像增強及對比度調整以及運行狀態評估監測四部分，以下將從該四部分出發，對本文提出監測方法進行詳細說明。

1.1 膠帶輸送機運行視頻圖像獲取

此次以膠帶輸送機運行速度為監測量，在對膠帶輸送機運行狀態評估前，首先需要獲取到膠帶輸送機運行數據，根據實際需求此次選擇監控器作為膠帶輸送機運行數據采集裝置，獲取到膠帶輸送機運行視頻圖像數據。數據采集裝置主要由線形光源、工業線陣CCD 相機、計算機三部分組成，根據煤礦井下作業環境以及運行數據質量要求，選擇型號為KFHA-45647工業線陣CCD 相機，將其安裝在膠帶輸送機輸送帶一端上部，相機鏡頭采用ADGF-4A5F4 高清鏡頭，考慮到井下比較黑暗，空間比較狹小，為工業線陣CCD相機配備一個型號為IHFA-1454 線行光源，將其安裝在工業線陣CCD 相機正上方，間距控制在35 cm～45 cm 之間，該光源呈散射狀，將其作為工業線陣CCD 相機補充光源[2]。將工業線陣CCD 相機與線行光源電源線路采用串聯的方式接入膠帶輸送機伺服電機上，采用同一個開關，只要膠帶輸送機開啟電源處于運行狀態，工業線陣CCD 相機與線行光源也會同時開啟[3]。根據實際情況，對工業線陣CCD 相機分辨率、拍攝范圍、焦距等參數進行設定，利用打卡器將工業線陣CCD 相機拍攝到的視頻圖像自動讀取，并通過無線網絡將數據發送到計算機上，用于后續監測分析。

1.2 視頻圖像坐標系轉化及濾波

在膠帶輸送機運行視頻圖像數據采集過程中，工業線陣CCD 相機成像過程是將運行過程中的膠帶輸送機投影變換到計算機圖像中，工業線陣CCD 相機采集到的視頻圖像數據上傳到計算機上，涉及到視頻圖像坐標系轉化，其轉化過程首先需要將世界坐標系轉化為相機坐標系，這一過程為剛體變換過程，不存在變形問題，只需要將世界坐標系平移、旋轉到相機坐標系即可，其轉化公式為：

式中，x、y、z 分別表示轉化得到的相機坐標系橫軸、縱軸和斜軸；α 表示大地坐標系旋轉角度；h 表示大地坐標系平移距離；r 表示旋轉變換矩陣[4]。完成上述轉化后，再將相機坐標系轉化為圖像坐標系，這一過程屬于透視投影變換過程，將相機坐標系中三維空間轉換為二維平面，因此該轉化過程中會發生變形，利用變形矩陣對其進行轉化，其用公式表示為：

式中，X、Y 分別表示圖像二維坐標系橫軸與縱軸；Y表示變形矩陣；Z 表示相機坐標系光軸所在直線。由于井下機械設備比較多，工業線陣CCD 相機采集數據過程中會受到不同程度干擾，導致采集的視頻圖像會存在噪聲，為了改善視頻圖像數據質量，采用均值濾波算法對視頻圖像數據除噪處理，即針對帶標記膠帶輸送機視頻圖像中的像素進行處理，假設視頻圖像中任意一點像素為（n，m），以該像素點為中心，將其放到濾波模板內，將該點像素調整為均值，以此去除視頻圖像噪聲，其除噪操作用公式表示為：

1.3 視頻圖像增強及對比度調整

考慮到井下拍攝環境光線不足，采集到的視頻圖像存在不同程度模糊，為了后續可以精準跟蹤到圖像角點，以Iand 理論為理論依據，對視頻圖像增強，隨機選取一個視頻圖像，假設視頻圖像為I，其用公式可以表示為：

式中，R 表示環境亮度函數；K 表示景物反射函數[6]。通過對視頻圖像I 卷積操作，實現對其增強，提升圖像清晰度[8]。為了突出視頻圖像中的膠帶輸送機目標，更好地區分圖像背景與目標，采用LUT 算法對視頻圖像對比度調整，將原始視頻圖像中初始杰度值調整為另一個杰度級值，其用公式表示為：

式中，S（μ）表示對比度調整后的視頻圖像；φ 表示杰度值轉換函數；ρmax表示動態最大值；ρmin表示動態最小值；Vmin、Vmax分別表示視頻圖像杰度級人為設定范圍的最小值和最大值。利用以上公式對視頻圖像對比度調整，將圖像杰度值調整到范圍內，為后續角點檢測及運行狀態評估奠定基礎。

1.4 運行狀態評估監測

在上述基礎上，利用幀間差分法計算出膠帶輸送機運行速度，其主要是在視頻圖像上隨機選取一個點，將其定義為角點，已知角點位置坐標，根據該角點在相鄰兩幀或者三幀之間的時差，確定膠帶輸送機運行速度，假設τ 為膠帶輸送機視頻圖像序列，τt與τt-1為視頻中連續兩幀，根據連續兩幀圖像中像素點杰度值差值計算，對視頻圖像差分處理，其用公式表示為：

式中，κ 表示差分后的視頻圖像；τt（x，y）、τt-1（x，y）分別為連續兩幀圖像中像素點杰度值。對差分處理后的視頻圖像閾值化處理。如果差分后的視頻圖像杰度值小于設定閾值，則認為該視頻像素為前景像素，如果差分后的視頻圖像杰度值大于設定閾值，則認為該視頻像素為背景像素。在前景像素中隨機選取一點，設定為角點J，該角點在連續兩幀中的表示為J1與J2，根據該兩個角點在圖像坐標系中的位置坐標，計算出角點運動速度，即輸送機運行速度，其計算公式為：

式中，d1表示角點J1到圖像坐標系原點距離；J2表示角點J1到圖像坐標系原點距離；t1-t2表示視頻中帶有角點J 的連續兩幀時間差。利用上述公式計算出膠帶輸送機運行速度，正常情況下膠帶輸送機處于勻速運行，但允許有一定的運行速度誤差，根據實際情況設定一個閾值，如果公式（7）計算結果不在初始運行速度到設定閾值范圍內，則輸出監測結果為運行異常，如果公式（7）計算結果在初始運行速度到設定閾值范圍內，則輸出監測結果為運行正常，以此實現對膠帶輸送機運行狀態智能監測。

2 實驗論證

為了驗證本次提出的膠帶輸送機運行狀態智能監測思路的可行性與可靠性，選擇某煤礦膠帶輸送機為實驗對象， 該煤礦膠帶輸送機型號為SFHAG-564F4，皮帶共五層，皮帶厚度為11.26 mm，機身重量為564.62 kg，輸送距離為35.45 m，最大提升角度為30°，輸送能力為20 t/h，功率為3.56 kW，在該煤礦主要用于輸送煤炭，輸送機的輸送速度范圍為0.56～2.15 m/s，由于該膠帶輸送機使用時間比較長，部分零部件已經出現明顯的老化現象，經常出現故障，符合實驗需求，故選擇將本文設計方法與傳統方法（文獻[5]、文獻[6]方法）對該膠帶輸送機運行狀態進行智能監測。

使用IFHA 軟件計算出一致性系數，一致性系數可以反映出監測結果與實際情況的相似程度，一致性系數越高表示監測精度越高，根據實驗數據繪制三種方法監測結果與實際一致性系數對比圖見圖2。

圖2 三種方法監測結果與實際一致性系數對比圖

通過分析圖2 中的數據，可以得出以下結論：與兩種傳統方法相比，設計方法對于煤礦膠帶輸送機運行狀態智能監測，監測結果與實際一致性系數比較大，基本接近1，說明監測結果基本與實際情況一致，最大一致性系數為0.99，最小一致性系數為0.91，平均一致性系數為0.94，可以將監測結果與實際一致性系數控制在0.9 以上，說明設計方法具有較高的監測精度。

3 結論

此次針對傳統方法存在的不足和缺陷，提出一種視頻智能監測方法，用于煤礦膠帶輸送機運行狀態智能監測，有效提高了監測精度，此次研究對豐富膠帶輸送機運行狀態智能監測理論，保證膠帶輸送機運行穩定性與安全性以及煤礦生產效率，具有良好的現實意義。