礦井帶式輸送機智能監控系統的設計及應用

張忠偉

（陽泉煤業集團七元煤業有限責任公司，山西 壽陽 045000）

引言

帶式輸送機的正常運行是保證煤礦開采安全的重要條件，因此，監控帶式輸送機的運行情況非常重要。本文主要關注皮帶運行環境中的以下四種異常情況：一是皮帶是否轉動。皮帶的怠速意味著皮帶仍在運行，而不運輸任何材料。如果皮帶閑置了很長一段時間，它就會在一定程度上消耗電力資源，而且不會帶來任何生產收入，這是對資源的浪費。二是皮帶是否偏離。在正常運行環境下，皮帶根據一定的運行軌道在滾筒上反復運行。皮帶偏差表示皮帶偏離正常運行軌道[1]。相對于正常的軌道，皮帶可能會向左或向右轉向。更嚴重的是，皮帶可能與輥子分離，這可能導致材料滑動、皮帶撕裂等。三是皮帶上是否有異物。由于一些外部事故或人員疏忽，可能導致木材、石材甚至生產工具等異常物品通過皮帶輸送機運輸。監測系統需要發現這些異物，并及時通知工作人員。四為是否有人太靠近皮帶。在正常情況下，人們需要與皮帶保持一定的安全距離，以避免發生安全事故。當保持距離小于安全距離時，會提前預警。

1 智能監控系統功能實現設計

常用的方法是利用傳感器、PLC 等工業技術對皮帶運行現場進行實時監測和狀態分析。該方法可以取得一定的效果，但成本高，硬件設備容易損壞。近年來，隨著深度學習技術和計算機視覺技術的發展，提出了利用計算機視覺技術監測和分析傳送帶異常情況的方法，該方法更便宜，更易于維護[2]。利用分布式光纖測量技術監測帶式輸送機的狀態，利用深度學習和極端學習機器在線檢測皮帶偏差的情況，還可以利用基于深度卷積網絡的帶邊檢測方法監測皮帶偏差異常，并且采用機器視覺技術監測皮帶撕裂、偏差等異常情況。監控系統的核心算法是采用YOLO 目標檢測算法，分析YOLO 目標檢測算法的檢測結果，結合一些分析技巧，實現帶式輸送機運行的實時監控，具體流程如圖1 所示。

圖1 系統設計流程示意圖

2 基于局部像素差的帶式輸送機運行與停機判斷

2.1 相鄰幀數算法簡介

首先確定皮帶是否處于運行狀態。當皮帶未處于運行狀態時，不需要對皮帶進行其他異常監測。通過計算圖像的相似度來測量皮帶運行和關閉的監控方法，在一個固定的攝像機區域中，記錄皮帶運行的圖像。監控算法通過計算相鄰視頻幀之間的圖像相似度來判斷帶的狀態，圖像相似度的范圍為0～1[3]。理論上，當圖像相似度接近1 時，表示相鄰視頻幀的圖像非常相似，皮帶處于關機狀態；相反，當圖像相似度接近0 時，表示相鄰視頻幀的圖像變化較大，皮帶處于運行狀態。但是皮帶怠速時，相鄰幀圖像相似度高，容易引起誤識別；而皮帶處于關閉狀態時，相鄰視頻畫面的圖像因攝像機輕微抖動而變化，也容易導致誤識別。因此提出的方法結合了相鄰視頻幀之間的局部像素差異及其方差的大小，可以更好地區分傳送帶的運行和停機狀態[4]。如圖2 所示，比較選定矩形區域中相鄰10 幀的兩個圖像之間的像素差異。

圖2 相鄰10 幀的皮帶運行圖像

2.2 圖像識別算法的判決

判斷算法是比較圖像t 幀中兩幅圖像之間的差異，記錄實時的圖像尺寸V 和數據方差S2。然后判斷皮帶在每個時間t 幀中的狀態。判斷指數是綜合考慮t 幀中差分矩陣的大小和方差。如果皮帶速度V 和行程S 的大小在設定的閾值內，就認為皮帶已經停止了[5]；否則，如果皮帶速度V 和行程S 超過設定閾值，目標檢測算法不檢測煤物，認為皮帶處于空轉狀態。常采用方差S2的平均值作為判定，或由其他的方法進行判定。例如使用時間t 幀中差分矩陣的元素值的中值來描述速度V，使用方差的中值來描述S2[6]。如圖3 為T-S 模型，可以根據該模型實現圖像識別算法的初始設定。

圖3 T-S 模型預測效果圖

3 智能監控系統現場工程應用

監測系統判斷皮帶運行后將進行異常監測，主要包括怠速監測、偏差監測、異物監測、人員違規四種類型。檢測對象模型的檢測類別為煤、無煤、輥、人、木、石、鐵。監控系統的對象檢測模型使用YOLOv3 軟件的檢測模型。攝像機錄制的視頻傳輸到YOLOv3 檢測模型作為訓練數據集，獲得訓練后的皮帶數據質量文件。然后，將使用質量文件來檢測攝像機的實時視頻輸入。

1）第一個方法是監測皮帶是否處于怠速狀態。目標檢測模型在一段時間內沒有檢測到煤炭對象時，該類別為“無煤”。同時，檢測到皮帶處于運行狀態，因此認為皮帶處于空轉狀態，此時不運輸煤炭。系統將輸出“皮帶怠速”的異常信息，并將輸出信息傳輸至廣播系統進行預警，提醒員工此時皮帶處于怠速狀態。

2）第二種方法是監測皮帶是否偏離。此時，關注的重點是“滾子”的檢測類別。在皮帶正常運行的條件下，目標檢測模型應檢測6 個滾輪（或超過6個），即皮帶左側3 個滾輪、右側3 個滾輪，如圖4-1 所示為正常的檢測情況，圖4-2 為偏差情況下的檢測情況。

圖4 皮帶檢查的工程監測情況

3）第三個問題是監測傳送帶上是否有異物。此時，對于異物包括“木材”“石頭”“鐵”的探測類別。當目標檢測算法的輸出結果包含這三類時，系統認為皮帶上輸送的煤含有異物，系統會輸出“帶異物”的異常信息。

4）第四個問題是監控人們是否太靠近皮帶。在這種情況下，系統關注的檢測類別是“煤”和“人”。在此情況下，人員始終處于活動狀態，移動范圍相對較大，皮帶的移動范圍相對固定，因此以皮帶作為參考，設定安全臨界值的范圍。通常使用工作經驗來設置。具體操作方法如下：將人、安全帶的安全臨界值范圍設置為[L-c，L+c]，其中c 為相對較小的正數，表示預警臨界值的誤差范圍。只要人與皮帶距離大于L+c，為正常工作現場，沒有人與皮帶距離太近。

如果人與皮帶之間的距離為[L-c，L+c]范圍內，系統會提醒您可能離皮帶太近。如果人與皮帶距離小于L-c，系統會報警，表明人與皮帶距離過近，小于安全范圍，可能發生安全事故。另外，如果對象檢測算法沒有在相機區域中檢測到人，則表示人與皮帶之間的距離很遠，并且沒有人靠近皮帶的異常情況。應注意的是，皮帶與人員的距離計算如下：當人員位于皮帶左側時，通過計算“人”中心的橫坐標與“煤”中心的橫坐標的差，得出皮帶與人員的距離。同樣，當人員在皮帶右側時，通過計算“人員”檢查框左上角橫坐標與“煤”類檢查框中心橫坐標的差，得到皮帶與人員之間的距離，如下頁圖5 所示。

圖5 安全帶附近人員距離預警示意圖

4 結語

利用現代化智能技術對帶式輸送機在日常運行過程中的不安全因素進行實時監測。基于計算機視覺技術，構建了一套監測傳送帶異常情況的智能系統。主要使用的方法是基于局部像素差的帶式輸送機運行和停機判斷算法和YOLO 目標檢測算法。然后，對兩種算法的輸出結果進行了分析，實現了對帶四種異常情況的實時監測。研究成果提升了帶式輸送機的本質安全化管理水平，為礦井設備電氣系統的智能化方向發展提供了依據。