一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)及方法

技術(shù)領(lǐng)域

1.本發(fā)明涉及輸送皮帶檢測技術(shù)領(lǐng)域，具體為一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)及方法。

背景技術(shù)：

2.皮帶是帶式輸送機(jī)的牽引和運(yùn)載的關(guān)鍵部件，已廣泛應(yīng)用于煤炭、礦山、港口、電力、冶金、化工等領(lǐng)域，其成本占整機(jī)的40％以上，皮帶故障一直是影響原料運(yùn)輸效率，生產(chǎn)穩(wěn)定的痛點(diǎn)。皮帶撕裂的事故時有發(fā)生，價值幾十萬甚至上千萬的輸送皮帶，一旦發(fā)生縱向撕裂，礦石、原煤等原料通過撕裂口侵入到設(shè)備機(jī)械系統(tǒng)，造成設(shè)備損傷，生產(chǎn)停滯，甚至造成人員傷害等重大事故及巨大的經(jīng)濟(jì)損失，因此，需要對皮帶進(jìn)行實時監(jiān)測，預(yù)警，預(yù)測，皮帶撕裂狀態(tài)，即時發(fā)現(xiàn)、解決生產(chǎn)安全隱患，應(yīng)急報警、制動設(shè)備，修補(bǔ)、更換皮帶，保證生產(chǎn)穩(wěn)定運(yùn)行。

3.現(xiàn)有主流皮帶檢測方式可分為兩大類：第一類是人工巡檢，這種方法由巡檢員定時定期對皮帶進(jìn)行檢查，發(fā)現(xiàn)皮帶跑偏或撕裂時則進(jìn)行停機(jī)維護(hù)。這種檢測方法效率低，具有滯后性，不能有效降低皮帶故障造成的生產(chǎn)停滯和安全問題；第二類是機(jī)器視覺檢測，通過攝像頭實時監(jiān)測皮帶，并運(yùn)用人工智能技術(shù)實現(xiàn)故障的識別、預(yù)警。這種方法不需要人員巡檢，但受環(huán)境影響比較大，如灰塵阻擋，光源影響而且成本也比較高。

4.所以，人們需要一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)及方法來解決上述問題。

技術(shù)實現(xiàn)要素：

5.本發(fā)明的目的在于提供一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問題。

6.為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)，所述系統(tǒng)包括：設(shè)備狀態(tài)識別模塊、數(shù)據(jù)庫、皮帶檢測模塊和設(shè)備響應(yīng)模塊。

7.所述設(shè)備狀態(tài)識別模塊用于對采集到的聲音數(shù)據(jù)進(jìn)行分析，判斷設(shè)備是否發(fā)生異常；

8.所述數(shù)據(jù)庫用于存儲并管理采集到的所有數(shù)據(jù)；

9.所述皮帶檢測模塊用于對拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；

10.所述設(shè)備響應(yīng)模塊用于根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

11.進(jìn)一步的，所述設(shè)備狀態(tài)識別模塊包括聲音數(shù)據(jù)采集單元、聲紋識別單元和異常判斷單元；所述聲音數(shù)據(jù)采集單元的輸出端連接所述數(shù)據(jù)庫的輸入端；所述數(shù)據(jù)庫的輸出端連接所述聲紋識別單元的輸入端；所述聲紋識別單元的輸出端連接所述異常判斷單元的輸入端；所述聲音數(shù)據(jù)采集單元用于采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)；所述聲紋識別單元用于

對采集到的聲音進(jìn)行特征提取，得到聲音的特征參數(shù)；所述異常判斷單元用于將異常聲紋模型數(shù)據(jù)庫中的聲音與采集到的聲音的特征參數(shù)進(jìn)行比較，判斷設(shè)備是否出現(xiàn)異常，再根據(jù)異常情況進(jìn)一步判斷設(shè)備異常產(chǎn)生的原因。

12.進(jìn)一步的，所述皮帶檢測模塊包括圖像分析單元和皮帶狀態(tài)判斷單元；所述異常判斷單元的輸出端連接所述圖像分析單元的輸入端；所述圖像分析單元的輸出端連接所述皮帶狀態(tài)判斷單元的輸入端；所述圖像分析單元用于對拍攝到輸送皮帶異常的圖片和數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像進(jìn)行分析；所述皮帶狀態(tài)判斷單元用于將異常圖片和數(shù)據(jù)庫中的撕裂圖像進(jìn)行比較，進(jìn)一步判斷皮帶是否出現(xiàn)撕裂。

13.進(jìn)一步的，所述設(shè)備響應(yīng)模塊包括皮帶撕裂分析單元、設(shè)備停機(jī)分析單元和皮帶更換判斷單元；所述皮帶狀態(tài)判斷單元的輸出端連接所述皮帶撕裂分析單元的輸入端；所述皮帶撕裂分析單元的輸出端連接所述設(shè)備停機(jī)分析單元的輸入端；所述設(shè)備停機(jī)分析單元的輸出端連接所述皮帶更換判斷單元的輸入端；所述皮帶撕裂分析單元用于分析皮帶的撕裂長度；所述設(shè)備停機(jī)分析單元用于根據(jù)皮帶的撕裂長度分析皮帶的撕裂程度，從而判斷設(shè)備是否發(fā)出停機(jī)命令；所述皮帶更換判斷單元用于判斷輸送皮帶是否可以通過維修進(jìn)行二次利用。

14.一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，包括以下步驟：

15.z1：采集聲音數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析和識別，判斷設(shè)備是否發(fā)生異常；

16.z2：通過異常判斷，對采集到的圖像進(jìn)行分析，判斷皮帶的狀態(tài)；

17.z3：根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

18.進(jìn)一步的，在步驟z1中：采集設(shè)備運(yùn)行時產(chǎn)生的聲音數(shù)據(jù)，首先對聲音進(jìn)行去噪處理，避免對關(guān)鍵數(shù)據(jù)干擾，利用梅爾頻譜倒譜方法對聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫中存儲的異常聲音進(jìn)行比對，獲取到有c段曲線的頻率波動相似，設(shè)置曲線頻率波動相似段數(shù)的閾值為d，若c＜d，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度低，則判斷設(shè)備未出現(xiàn)異常；若c≥d，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常；異常聲紋模型數(shù)據(jù)庫用于存儲過往設(shè)備出現(xiàn)異常的聲音，梅爾頻譜倒譜主要用于語音的特征提取，抽取頻譜圖的輪廓信息，把音頻信號中具有辨識性的成分提取出來，然后去掉干擾信息，將設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中的故障聲音進(jìn)行比較，判斷設(shè)備是否發(fā)生異常，有利于作業(yè)人員及時對設(shè)備故障采取措施，減小設(shè)備故障帶來的影響。

19.進(jìn)一步的，在步驟z2中：根據(jù)設(shè)備的異常情況，利用svm算法對故障聲音進(jìn)行二分類，若故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；若故障聲音屬于-1類，則表示輸送皮帶未發(fā)生故障；svm算法是一種二類分類算法，它是將所有的樣本分成兩類，位于正側(cè)的樣本為一類，值為+1；位于負(fù)一側(cè)的樣本為另一類，值為-1，svm的優(yōu)點(diǎn)是具有良好的學(xué)習(xí)能力且學(xué)到的結(jié)果具有很好的推廣性，能夠解決小樣本情況下的機(jī)器學(xué)習(xí)問題和高維問題，得到較小的錯誤率，可以對訓(xùn)練集之外的數(shù)據(jù)點(diǎn)做很好的分類決策；通過判斷設(shè)備產(chǎn)生故障的原因，對故障位置進(jìn)行定位，節(jié)省工作人員檢修的時間，提高了工作效率，有利于進(jìn)一步判斷皮帶的狀態(tài)；

20.在皮帶機(jī)中心線配置激光位移傳感器，實時監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中

采集到的圖像，利用深度學(xué)習(xí)算法對圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h的尺寸，一共得到了f個像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過下列公式計算所有元素的平均值e：

[0021][0022]

從左到右依次遍歷矩陣b中的每一個元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣k；再從左往右依次遍歷矩陣k中的每個元素，得到輸送皮帶異常圖像的哈希值為m，以相同的方法計算數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像的哈希值為a；通過哈希值間的比較，計算異常圖像和數(shù)據(jù)庫中的撕裂圖像的漢明距離為w，設(shè)置漢明距離的閾值為q，若w《q，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度高，則判斷皮帶撕裂；若w≥q，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度低，則判斷皮帶未發(fā)生撕裂；灰度圖像相較于彩色圖像，其內(nèi)存占比更小，運(yùn)算速度更快，而且可以在視覺上增加對比，突出目標(biāo)區(qū)域，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行。

[0023]

進(jìn)一步的，在步驟z3中：根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有u處撕裂，隨機(jī)一處的起點(diǎn)坐標(biāo)為(xe,ye)，終點(diǎn)坐標(biāo)為(xe,ye)，根據(jù)下列公式計算隨機(jī)一次輸送皮帶撕裂長度se：

[0024][0025]

以相同的方式計算得到撕裂長度的集合s＝{s1,s2,se...,su}，通過比較得到撕裂長度的最大值為s

max

，依據(jù)下列公式計算撕裂長度的平均值w：

[0026][0027]

設(shè)置輸送皮帶平均撕裂長度的閾值為r，若w≥r，則需要設(shè)備發(fā)出停機(jī)指令；若w＜r，則不需要設(shè)備發(fā)出停機(jī)指令；輸送皮帶是輸送機(jī)的核心部件，制造成本昂貴，通過對輸送皮帶的撕裂長度進(jìn)行分析，有利于設(shè)備及時做出判斷，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益，同時也能夠延長輸送帶的使用時間，保證輸送帶在運(yùn)行過程中狀態(tài)良好；

[0028]

獲取到輸送皮帶的長度為g米，依據(jù)下列公式計算輸送皮帶撕裂程度的最大值h

max

:

[0029][0030]

設(shè)置輸送皮帶撕裂程度最大閾值為l，若h

max

＞l，則表示輸送皮帶不可以通過維修再次使用；若h

max

≤l，則表示輸送皮帶可以通過維修再次使用；通過輸送皮帶的可維修率預(yù)

測，能夠了解輸送皮帶的狀態(tài)，有利于企業(yè)及時更換輸送皮帶。

[0031]

與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：

[0032]

本發(fā)明通過判斷設(shè)備是否出現(xiàn)異常，有利于作業(yè)人員及時對設(shè)備故障采取措施，減小設(shè)備故障帶來的影響，再根據(jù)設(shè)備異常情況分析設(shè)備故障的原因，對故障位置進(jìn)行定位，節(jié)省工作人員檢修的時間，提高了工作效率，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行，對輸送皮帶的撕裂長度進(jìn)行分析，有利于設(shè)備及時做出停機(jī)響應(yīng)，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益。

附圖說明

[0033]

附圖用來提供對本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實施例一起用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中：

[0034]

圖1是本發(fā)明一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)的結(jié)構(gòu)圖；

[0035]

圖2是本發(fā)明一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法的流程圖。

具體實施方式

[0036]

以下結(jié)合附圖對本發(fā)明的優(yōu)選實施例進(jìn)行說明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

[0037]

請參閱圖1-圖2，本發(fā)明提供技術(shù)方案：一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)，系統(tǒng)包括：設(shè)備狀態(tài)識別模塊、數(shù)據(jù)庫、皮帶檢測模塊和設(shè)備響應(yīng)模塊；

[0038]

設(shè)備狀態(tài)識別模塊用于對采集到的聲音數(shù)據(jù)進(jìn)行分析，判斷設(shè)備是否發(fā)生異常；

[0039]

數(shù)據(jù)庫用于存儲并管理采集到的所有數(shù)據(jù)；

[0040]

皮帶檢測模塊用于對拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；

[0041]

設(shè)備響應(yīng)模塊用于用于根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

[0042]

設(shè)備狀態(tài)識別模塊包括聲音數(shù)據(jù)采集單元、聲紋識別單元和異常判斷單元；聲音數(shù)據(jù)采集單元的輸出端連接數(shù)據(jù)庫的輸入端；數(shù)據(jù)庫的輸出端連接聲紋識別單元的輸入端；聲紋識別單元的輸出端連接異常判斷單元的輸入端；聲音數(shù)據(jù)采集單元用于采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)；聲紋識別單元用于對采集到的聲音進(jìn)行特征提取，得到聲音的特征參數(shù)；異常判斷單元用于將異常聲紋模型數(shù)據(jù)庫中的聲音與采集到的聲音的特征參數(shù)進(jìn)行比較，判斷設(shè)備是否出現(xiàn)異常，再根據(jù)異常情況進(jìn)一步判斷設(shè)備異常產(chǎn)生的原因。

[0043]

皮帶檢測模塊包括圖像分析單元和皮帶狀態(tài)判斷單元；異常判斷單元的輸出端連接圖像分析單元的輸入端；圖像分析單元的輸出端連接皮帶狀態(tài)判斷單元的輸入端；圖像分析單元用于對拍攝到輸送皮帶異常的圖片和數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像進(jìn)行分析；皮帶狀態(tài)判斷單元用于根據(jù)異常圖片和數(shù)據(jù)庫中的撕裂圖像進(jìn)行比較，進(jìn)一步判斷皮帶是否出現(xiàn)撕裂。

[0044]

設(shè)備響應(yīng)模塊包括皮帶撕裂分析單元、設(shè)備停機(jī)分析單元和皮帶更換判斷單元；皮帶狀態(tài)判斷單元的輸出端連接皮帶撕裂分析單元的輸入端；皮帶撕裂分析單元的輸出端連接設(shè)備停機(jī)分析單元的輸入端；設(shè)備停機(jī)分析單元的輸出端連接皮帶更換判斷單元的輸

入端；皮帶撕裂分析單元用于分析皮帶的撕裂長度；設(shè)備停機(jī)分析單元用于根據(jù)皮帶的撕裂長度分析皮帶的撕裂程度，從而判斷設(shè)備是否發(fā)出停機(jī)命令；所述皮帶更換判斷單元用于判斷輸送皮帶是否可以通過維修進(jìn)行二次利用。

[0045]

一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，包括以下步驟：

[0046]

z1：采集聲音數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析和識別，判斷設(shè)備是否發(fā)生異常；

[0047]

z2：通過異常判斷，對采集到的圖像進(jìn)行分析，判斷皮帶的狀態(tài)；

[0048]

z3：根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

[0049]

在步驟z1中：采集設(shè)備運(yùn)行時產(chǎn)生的聲音數(shù)據(jù)，首先對聲音進(jìn)行去噪處理，避免對關(guān)鍵數(shù)據(jù)干擾，利用梅爾頻譜倒譜方法對聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫中存儲的異常聲音進(jìn)行比對，獲取到有c段曲線的頻率波動相似，設(shè)置曲線頻率波動相似段數(shù)的閾值為d，若c＜d，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度低，則判斷設(shè)備未出現(xiàn)異常；若c≥d，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常；異常聲紋模型數(shù)據(jù)庫用于存儲過往設(shè)備出現(xiàn)異常的聲音，梅爾頻譜倒譜主要用于語音的特征提取，抽取頻譜圖的輪廓信息，把音頻信號中具有辨識性的成分提取出來，然后去掉干擾信息，將設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中的故障聲音進(jìn)行比較，判斷設(shè)備是否發(fā)生異常，有利于作業(yè)人員及時對設(shè)備故障采取措施，減小設(shè)備故障帶來的影響。

[0050]

在步驟z2中：根據(jù)設(shè)備的異常情況，利用svm算法對故障聲音進(jìn)行二分類，若故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；若故障聲音屬于-1類，則表示輸送皮帶未發(fā)生故障；svm算法是一種二類分類算法，它是將所有的樣本分成兩類，位于正側(cè)的樣本為一類，值為+1；位于負(fù)一側(cè)的樣本為另一類，值為-1，svm的優(yōu)點(diǎn)是具有良好的學(xué)習(xí)能力且學(xué)到的結(jié)果具有很好的推廣性，能夠解決小樣本情況下的機(jī)器學(xué)習(xí)問題和高維問題，得到較小的錯誤率，可以對訓(xùn)練集之外的數(shù)據(jù)點(diǎn)做很好的分類決策；通過判斷設(shè)備產(chǎn)生故障的原因，對故障位置進(jìn)行定位，節(jié)省工作人員檢修的時間，提高了工作效率，有利于進(jìn)一步判斷皮帶的狀態(tài)；

[0051]

在皮帶機(jī)中心線配置激光位移傳感器，實時監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中采集到的圖像，利用深度學(xué)習(xí)算法對圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h的尺寸，一共得到了f個像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過下列公式計算所有元素的平均值e：

[0052][0053]

從左到右依次遍歷矩陣b中的每一個元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣k；再從左往右依次遍歷矩陣k中的每個元素，得到輸送皮帶

異常圖像的哈希值為m，以相同的方法計算數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像的哈希值為a；通過哈希值間的比較，計算異常圖像和數(shù)據(jù)庫中的撕裂圖像的漢明距離為w，設(shè)置漢明距離的閾值為q，若w《q，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度高，則判斷皮帶撕裂；若w≥q，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度低，則判斷皮帶未發(fā)生撕裂；灰度圖像相較于彩色圖像，其內(nèi)存占比更小，運(yùn)算速度更快，而且可以在視覺上增加對比，突出目標(biāo)區(qū)域，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行。

[0054]

進(jìn)一步的，在步驟z3中：根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有u處撕裂，隨機(jī)一處的起點(diǎn)坐標(biāo)為(xe,ye)，終點(diǎn)坐標(biāo)為(xe,ye)，根據(jù)下列公式計算隨機(jī)一次輸送皮帶撕裂長度se：

[0055][0056]

以相同的方式計算得到撕裂長度的集合s＝{s1,s2,se...,su}，通過比較得到撕裂長度的最大值為s

max

，依據(jù)下列公式計算撕裂長度的平均值w：

[0057][0058]

設(shè)置輸送皮帶平均撕裂長度的閾值為r，若w≥r，則需要設(shè)備發(fā)出停機(jī)指令；若w＜r，則不需要設(shè)備發(fā)出停機(jī)指令；輸送皮帶是輸送機(jī)的核心部件，制造成本昂貴，通過對輸送皮帶的撕裂長度進(jìn)行分析，有利于設(shè)備及時做出判斷，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益，同時也能夠延長輸送帶的使用時間，保證輸送帶在運(yùn)行過程中狀態(tài)良好；

[0059]

獲取到輸送皮帶的長度為g米，依據(jù)下列公式計算輸送皮帶撕裂程度的最大值h

max

:

[0060][0061]

設(shè)置輸送皮帶撕裂程度最大閾值為l，若h

max

＞l，則表示輸送皮帶不可以通過維修再次使用；若h

max

≤l，則表示輸送皮帶可以通過維修再次使用；通過輸送皮帶的可維修率預(yù)測，能夠了解輸送皮帶的狀態(tài)，有利于企業(yè)及時更換輸送皮帶。

[0062]

實施例一：采集設(shè)備運(yùn)行時產(chǎn)生的聲音數(shù)據(jù)，首先對聲音進(jìn)行處理，避免對關(guān)鍵數(shù)據(jù)干擾，利用梅爾頻譜倒譜方法對聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫中存儲的異常聲音進(jìn)行比對，獲取到有10段曲線的頻率波動相似，設(shè)置曲線頻率波動相似段數(shù)的閾值為5；10≥5，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常；利用梅爾頻譜倒譜的方法，提取聲音特征與數(shù)據(jù)庫中的故障聲音進(jìn)行比較，判斷設(shè)備是否發(fā)生異常，有利于作業(yè)人員及時對設(shè)備故障采取措施，減小設(shè)備故障帶來的影響；

[0063]

利用svm算法對故障聲音進(jìn)行二分類，得到故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；svm算法是一種二類分類算法，它是將所有的樣本分成兩類，位于正側(cè)的樣本為一類，值為+1；位于負(fù)一側(cè)的樣本為另一類，值為-1，svm的優(yōu)點(diǎn)是具有良好的學(xué)習(xí)能力且學(xué)到

的結(jié)果具有很好的推廣性，能夠解決小樣本情況下的機(jī)器學(xué)習(xí)問題和高維問題，得到較小的錯誤率，可以對訓(xùn)練集之外的數(shù)據(jù)點(diǎn)做很好的分類決策；通過判斷設(shè)備產(chǎn)生故障的原因，對故障位置進(jìn)行定位，節(jié)省工作人員檢修的時間，提高了工作效率，有利于進(jìn)一步判斷皮帶的狀態(tài)；

[0064]

在皮帶機(jī)中心線配置激光位移傳感器，實時監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中采集到的圖像，利用深度學(xué)習(xí)算法對圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h＝6*6的尺寸，一共得到了36個像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過下列公式計算所有元素的平均值從左到右依次遍歷矩陣b中的每一個元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣再從左往右依次遍歷矩陣k中的每個元素，得到輸送皮帶異常圖像的哈希值為011101000001110000001001111000111000，以相同的方法計算數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像的哈希值為101101000001110000001001111000111001；通過哈希值間的比較，計算兩張圖像的漢明距離為3，設(shè)置漢明距離的閾值為15，若3《15，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度高，則判斷皮帶撕裂；灰度圖像相較于彩色圖像，其內(nèi)存占比更小，運(yùn)算速度更快，而且可以在視覺上增加對比，突出目標(biāo)區(qū)域，利用異常圖像和輸送皮帶撕裂圖像進(jìn)行對比，判斷輸送皮帶的狀態(tài)，有利于提高輸送機(jī)的使用壽命，保證其工作的高效進(jìn)行；

[0065]

根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有3處撕裂，起始坐標(biāo)分別為(3,5)、(3,9)、(7,2)，終點(diǎn)坐標(biāo)分別為(9，15)、(11,5)、(6,4)，計算輸送皮帶間的撕裂長度集合s＝{11.66,8.94,2.24}，通過比較得到撕裂長度的最大值為s

max

＝11.66：計算撕裂長度的平均值w：

[0066]

設(shè)置輸送皮帶撕裂長度的閾值為5，7.61＞5，則需要設(shè)備發(fā)出停機(jī)指令；輸送皮帶是輸送機(jī)的核心部件，制造成本昂貴，通過對輸送皮帶的撕裂長度進(jìn)行分析，有利于設(shè)備及時做出判斷，防止因輸送皮帶故障造成巨大損失，影響企業(yè)的經(jīng)濟(jì)效益，同時也能夠延長輸

送帶的使用時間，保證輸送帶在運(yùn)行過程中狀態(tài)良好；

[0067]

獲取輸送皮帶的長度為50米，輸送皮帶的撕裂程度設(shè)置輸送皮帶撕裂程度的閾值為10％，10％《23％，則表示輸送皮帶不可以通過維修再次使用；通過輸送皮帶的撕裂程度，判斷輸送皮帶的能否繼續(xù)使用，有利于了解輸送皮帶的狀態(tài)，企業(yè)及時更換輸送皮帶。

[0068]

最后應(yīng)說明的是：以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，對于本領(lǐng)域的技術(shù)人員來說，其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。技術(shù)特征：

1.一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)，其特征在于：所述系統(tǒng)包括：設(shè)備狀態(tài)識別模塊、數(shù)據(jù)庫、皮帶檢測模塊和設(shè)備響應(yīng)模塊；所述設(shè)備狀態(tài)識別模塊的輸出端連接所述數(shù)據(jù)庫的輸入端；所述設(shè)備狀態(tài)識別模塊的輸出端連接所述皮帶檢測模塊的輸入端；所述皮帶檢測模塊的輸出端連接所述設(shè)備響應(yīng)模塊的輸入端；所述設(shè)備狀態(tài)識別模塊用于對采集到的聲音數(shù)據(jù)進(jìn)行分析，判斷設(shè)備是否發(fā)生異常；所述數(shù)據(jù)庫用于存儲并管理采集到的所有數(shù)據(jù)；所述皮帶檢測模塊用于對拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；所述設(shè)備響應(yīng)模塊用于根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。2.根據(jù)權(quán)利要求1所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)，其特征在于：所述設(shè)備狀態(tài)識別模塊包括聲音數(shù)據(jù)采集單元、聲紋識別單元和異常判斷單元；所述聲音數(shù)據(jù)采集單元的輸出端連接所述數(shù)據(jù)庫的輸入端；所述數(shù)據(jù)庫的輸出端連接所述聲紋識別單元的輸入端；所述聲紋識別單元的輸出端連接所述異常判斷單元的輸入端；所述聲音數(shù)據(jù)采集單元用于采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)；所述聲紋識別單元用于對采集到的聲音進(jìn)行特征提取，得到聲音的特征參數(shù)；所述異常判斷單元用于將異常聲紋模型數(shù)據(jù)庫中的聲音與采集到的聲音的特征參數(shù)進(jìn)行比較，判斷設(shè)備是否出現(xiàn)異常，再根據(jù)異常情況進(jìn)一步判斷設(shè)備異常產(chǎn)生的原因。3.根據(jù)權(quán)利要求2所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)，其特征在于：所述皮帶檢測模塊包括圖像分析單元和皮帶狀態(tài)判斷單元；所述異常判斷單元的輸出端連接所述圖像分析單元的輸入端；所述圖像分析單元的輸出端連接所述皮帶狀態(tài)判斷單元的輸入端；所述圖像分析單元用于對拍攝到輸送皮帶異常的圖片和數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像進(jìn)行分析；所述皮帶狀態(tài)判斷單元用于將異常圖片和數(shù)據(jù)庫中的撕裂圖像進(jìn)行比較，進(jìn)一步判斷皮帶是否出現(xiàn)撕裂。4.根據(jù)權(quán)利要求3所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)，其特征在于：所述設(shè)備響應(yīng)模塊包括皮帶撕裂分析單元、設(shè)備停機(jī)分析單元和皮帶更換判斷單元；所述皮帶狀態(tài)判斷單元的輸出端連接所述皮帶撕裂分析單元的輸入端；所述皮帶撕裂分析單元的輸出端連接所述設(shè)備停機(jī)分析單元的輸入端；所述設(shè)備停機(jī)分析單元的輸出端連接所述皮帶更換判斷單元的輸入端；所述皮帶撕裂分析單元用于分析皮帶的撕裂長度；所述設(shè)備停機(jī)分析單元用于根據(jù)皮帶的撕裂長度分析皮帶的撕裂程度，從而判斷設(shè)備是否發(fā)出停機(jī)命令；所述皮帶更換判斷單元用于判斷輸送皮帶是否可以通過維修進(jìn)行二次利用。5.一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，其特征在于：包括以下步驟：z1：采集聲音數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析和識別，判斷設(shè)備是否發(fā)生異常；z2：通過異常判斷，對采集到的圖像進(jìn)行分析，判斷皮帶的狀態(tài)；z3：根據(jù)皮帶的狀態(tài)，判斷設(shè)備是否發(fā)出停機(jī)指令以及判斷輸送皮帶是否需要更換或維修。

6.根據(jù)權(quán)利要求5所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，其特征在于：在步驟z1中：采集設(shè)備運(yùn)行時產(chǎn)生的聲音數(shù)據(jù)，首先對聲音進(jìn)行去噪處理，利用梅爾頻譜倒譜方法對聲音進(jìn)行特征提取，將其與以往異常聲紋模型數(shù)據(jù)庫中存儲的異常聲音進(jìn)行比對，獲取到有c段曲線的頻率波動相似，設(shè)置曲線頻率波動相似段數(shù)的閾值為d，若c＜d，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度低，則判斷設(shè)備未出現(xiàn)異常；若c≥d，表示設(shè)備運(yùn)行時的聲音與數(shù)據(jù)庫中存儲的故障聲音相似度高，則判斷設(shè)備出現(xiàn)異常。7.根據(jù)權(quán)利要求6所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，其特征在于：在步驟z2中：利用svm算法對故障聲音進(jìn)行二分類，若故障聲音屬于+1類，則表示輸送皮帶發(fā)生故障；若故障聲音屬于-1類，則表示輸送皮帶未發(fā)生故障。8.根據(jù)權(quán)利要求7所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，其特征在于：在皮帶機(jī)中心線配置激光位移傳感器，實時監(jiān)控皮帶狀態(tài)，提取設(shè)備異常狀態(tài)中采集到的圖像，利用深度學(xué)習(xí)算法對圖像進(jìn)行分析，首先為了統(tǒng)一輸入標(biāo)準(zhǔn)，將拍攝到的異常圖像縮放為h*h的尺寸，一共得到了f個像素點(diǎn)，然后將彩色圖像進(jìn)行灰度轉(zhuǎn)化，得到新的圖像通過下列公式計算所有元素的平均值e：從左到右依次遍歷矩陣b中的每一個元素，若b

[i][j]

≥e，則元素置為1；若b

[i][j]

＜e，則元素置為0，由此可得矩陣k；再從左往右依次遍歷矩陣k中的每個元素，得到輸送皮帶異常圖像的哈希值為m，以相同的方法計算數(shù)據(jù)庫中存儲的輸送皮帶撕裂圖像的哈希值為a；通過哈希值間的比較，計算異常圖像和數(shù)據(jù)庫中的撕裂圖像的漢明距離為w，設(shè)置漢明距離的閾值為q，若w<q，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度高，則判斷皮帶撕裂；若w≥q，表示異常圖像和數(shù)據(jù)庫中的撕裂圖像相似度低，則判斷皮帶未發(fā)生撕裂。9.根據(jù)權(quán)利要求8所述的一種基于ai與激光監(jiān)測技術(shù)的輸送皮帶檢測方法，其特征在于：在步驟z3中：根據(jù)輸送皮帶的撕裂圖像，利用激光位移傳感器采集到輸送皮帶上有u處撕裂，隨機(jī)一處的起點(diǎn)坐標(biāo)為(x

e

,y

e

)，終點(diǎn)坐標(biāo)為(x

e

,y

e

)，根據(jù)下列公式計算隨機(jī)一次輸送皮帶撕裂長度s

e

：以相同的方式計算得到撕裂長度的集合s＝{s1,s2,s

e

...,s

u

}，通過比較得到撕裂長度的最大值為s

max

，依據(jù)下列公式計算撕裂長度的平均值w：設(shè)置輸送皮帶平均撕裂長度的閾值為r，若w≥r，則需要設(shè)備發(fā)出停機(jī)指令；若w＜r，則不需要設(shè)備發(fā)出停機(jī)指令；

獲取到輸送皮帶的長度為g米，依據(jù)下列公式計算輸送皮帶撕裂程度的最大值h

max

:設(shè)置輸送皮帶撕裂程度最大閾值為l，若h

max

＞l，則表示輸送皮帶不可以通過維修再次使用；若h

max

≤l，則表示輸送皮帶可以通過維修再次使用。

技術(shù)總結(jié)

本發(fā)明涉及輸送皮帶檢測技術(shù)領(lǐng)域，具體為一種基于AI與激光監(jiān)測技術(shù)的輸送皮帶檢測系統(tǒng)及方法，包括：設(shè)備狀態(tài)識別模塊、皮帶檢測模塊和設(shè)備響應(yīng)模塊，通過設(shè)備狀態(tài)識別模塊采集設(shè)備運(yùn)行中的聲音數(shù)據(jù)，對數(shù)據(jù)進(jìn)行分析和識別，判斷設(shè)備是否發(fā)生異常，將所有采集到的數(shù)據(jù)信息存儲到數(shù)據(jù)庫中并對數(shù)據(jù)進(jìn)行管理；通過皮帶檢測模塊對拍攝到皮帶異常圖片進(jìn)行分析，判斷皮帶的狀態(tài)；通過設(shè)備響應(yīng)模塊根據(jù)皮帶的狀態(tài)，設(shè)備判斷是否發(fā)出停機(jī)指令；通過聲紋識別，判斷皮帶是否出現(xiàn)異常，檢測皮帶的狀態(tài)，進(jìn)行預(yù)警，保證生產(chǎn)穩(wěn)定運(yùn)行。保證生產(chǎn)穩(wěn)定運(yùn)行。保證生產(chǎn)穩(wěn)定運(yùn)行。

技術(shù)研發(fā)人員：劉魁 劉勝杰 郭強(qiáng) 袁明華 王嬌 王芳

受保護(hù)的技術(shù)使用者：聯(lián)通雄安產(chǎn)業(yè)互聯(lián)網(wǎng)有限公司

技術(shù)研發(fā)日：2023.01.29

技術(shù)公布日：2023/5/31