電廠輸煤皮帶運行缺陷類型及智能檢測技術分析

蘇晉朔州煤矸石發電有限公司 楊 浩

電廠中的帶式輸送機主要由驅動滾筒、張緊滾筒、托輥以及皮帶等部分組成。其中，驅動滾筒可以為皮帶提供足夠的運行動力，牽引皮帶朝著前方運行；張緊滾筒可為皮帶提供充足的張力，使皮帶與驅動滾筒間的摩擦力充足，保障二者可以同步運行；托輥可支撐上下段皮帶工作，降低皮帶運行期間的阻力；皮帶可有效傳遞牽引力，同時承載來自煤料的重量。

輸送機的工作原理具體如下：皮帶繞過不同的滾筒，最終形成完整的閉合結構，支持不同滾筒的相互協作，保障輸煤皮帶能夠時刻處于緊繃的工作狀態。設備運行期間，電機可以帶動滾筒轉動，隨后驅動滾筒與皮帶的摩擦力可以帶動皮帶朝著前方運行，基于托輥的作用皮帶沿著設備機架中心線進行運動，使煤料可以從進料槽快速地運輸到卸料槽中。設備長距離運行過程中，皮帶需要負載幾噸以上的煤料，皮帶在傳遞牽引力的同時，還要帶動煤料運輸，所以輸煤皮帶的運行安全性，將直接關系到輸送機的實際輸送能力。

1 電廠輸煤皮帶運行缺陷類型分析

筆者在電廠輸煤皮帶運行過程中進行了故障檢測分析，從中發現了跑偏故障和打滑故障問題，為了更好地解決故障，需根據輸煤皮帶的缺陷類型完成故障處理。

1.1 跑偏故障

在觀察設備運行時，筆者發現輸煤皮帶時常會出現輕微的跑偏現象，但是當地勢發生變化或輸送路徑出現一定角度的轉彎時，皮帶會通過扭轉或偏移完成對煤料的順利輸送。因皮帶具有彈性，可克服適當的跑偏，但是一旦皮帶扭轉角度或橫向偏離距離過大，皮帶的運行將會遇到跑偏故障問題，如果不及時調整將會造成皮帶損毀或設備撒煤等問題。

跑偏故障問題的產生會影響皮帶的照常使用及電廠生產安全，分析輸煤皮帶跑偏故障的產生原因，一般包含以下幾點：一是皮帶歪斜。因安裝環節的誤差或運行期間的劇烈振動，或滾筒間距離過長，導致皮帶與輸送機架之間的中心線偏差較大，從而引發故障問題；二是托輥歪斜。荷載較大造成托輥組的軸線和皮帶中心線無法垂直，在橫向偏移力的作用影響下，皮帶發生跑偏問題；三是機架歪斜。因輸送機的荷載偏大，機架在橫向位置存在高度差，使皮帶橫向無法水平。受重力的影響，皮帶負載運行時存在著從高向低一側的移動，長此以往發生跑偏故障問題。

根據故障問題的實際情況，本文對不同的跑偏形式加深研究。根據相關工程設計規范，如果輸煤皮帶沿著帶寬的方向進行偏移，偏移量超出帶寬的5%，此時就可以判定皮帶發生跑偏故障問題[1]。

1.2 打滑故障

除了跑偏故障，筆者在工作中也發現輸煤皮帶存在嚴重的滑動現象，具體主要有彈性打滑與打滑兩種。由于皮帶屬于一種彈性體，運行期間皮帶因受力而發生形變，皮帶彈性形變而造成的滑動現象就叫做彈性滑動，這種滑動無法避免。只要彈性體間存在拉力差，滑動現象就一定會存在。相比之下，打滑是因皮帶過載而出現的全面滑動故障現象，這是機器傳動失效的一種表現形式。如果滾筒和皮帶間速度差超過安全范圍，同時打滑現象持續較長時間，輸煤皮帶將會面臨著嚴重的打滑故障，甚至會造成堆煤與撒煤等問題。

輸煤皮帶的運輸距離通常較長，應加強對皮帶運行的全程監控，做好啟動與運行、制動時的打滑監測，本文主要針對皮帶運行環節進行打滑分析。如圖1所示對皮帶的受力情況加以研究，靜止時滾筒上下端輸煤皮帶的受力是相等的，F0為初始值拉力情況，隨著設備的運行驅動滾筒經過摩擦力帶動皮帶開始運行，滾筒一側的皮帶拉力從F0轉為F1，從動滾筒一側的皮帶拉力從F0轉為F2。

圖1 皮帶輸送機受力示意圖

造成輸煤皮帶打滑故障的原因大致為：皮帶預緊力F0過小，這與張緊滾筒調整與實際操作規范不相符有關，或皮帶松弛老化；包角減少，受地勢坡度的影響，皮帶運輸處于靜止狀態時皮帶會緊貼托輥，而運動狀態下，在驅動滾筒的牽引之下，上端皮帶與托輥發生脫離，造成包角減小，皮帶因此而打滑；摩擦系數減小，出現該問題與滾筒粘煤和皮帶更換不及時有關，皮帶難以與滾筒表面進行充分的接觸，由于皮帶未更換，皮帶與滾筒表面的紋路逐漸被磨平[2]。

不管出于什么原因，打滑故障都是因皮帶受力不足而造成的，故障發生時皮帶無法與滾筒進行同步運動，二者間產生偏大的速度差。當速度滑差率≥8%的時候，監測系統需要予以報警警告，如果打滑現象的持續時間≥20s，有必要及時對設備停機警告。

2 電廠輸煤皮帶運行狀態的智能檢測技術

2.1 智能視覺監測方案

2.1.1 跑偏故障智能視覺監測方案

為進一步解決跑偏故障問題，筆者采用圖像增強的方法，對皮帶邊緣位置進行檢測分析，再按照邊緣位置信息對當前皮帶跑偏故障加以識別。確定提取皮帶的特征信息，以此作為皮帶位置的判斷依據，一般以顏色直方圖和紋理特征作為特征，其中顏色特征可以表示圖像全局顏色情況，這一特征不會受到目標形狀與大小的影響。紋理特征可表示圖像灰度分布情況，該特征對光照的變化并不敏感。為了更好地完善監測方案，筆者決定以皮帶邊緣輪廓直線特征為主，提高特征信息的抗干擾能力，采用直線段檢測算法，按照皮帶坐標信息進行跑偏故障的識別分析，科學設置故障判定規則。

經過故障檢測分析，筆者采用GEJ30煤礦皮帶機綜保用跑偏傳感器，這是一種礦用設備，可作為帶式輸送機輸送帶跑偏檢測之用，具有體積小、重量輕、便于安裝的特點。傳感器安裝在皮帶兩邊的支架上，正常時皮帶不接觸跑偏探桿，傳感器的兩接線端子不接通。出現跑偏故障時，傳感器的兩接線端子接通，皮帶停車，關聯控制箱語音報警。

對于輸送皮帶因扭曲而造成的跑偏故障問題，在設備標準運行狀態下皮帶斜率為，皮帶角度偏移安全閾值為+3°。一旦皮帶的斜率超出安全閾值，說明當前皮帶已經發生跑偏故障問題。對于皮帶整體發生左右偏移而造成的故障問題，記錄皮帶寬度是W，正常偏移范圍處于5%W之內，以該處為邊界，監測皮帶邊緣與邊界的交集情況，判斷當前皮帶是否發生故障問題。面對皮帶跑偏故障問題，應及時安裝攝像設備，對皮帶運行中的托輥展開實時圖像采集分析，后臺系統根據攝像裝置捕捉實時圖像信息，將其與輸煤皮帶正常運轉情況下的圖像對比研究，當皮帶運行出現偏移問題時，系統捕捉到的圖像如果與正常圖像之間存在偏差，此時系統即可立即發出報警。

2.1.2 打滑故障智能視覺監測方案

筆者采用目標跟蹤算法對單場景與多場景下進行跟蹤。在皮帶正上方位置設攝像機，使其向下俯視皮帶，跟蹤范圍縮小。為了降低計算量，先提取運動區域，檢測其中的角點特征，對其跟蹤分析。在皮帶圖像內，攝像頭位置與背景畫面固定，采用ViBe算法提取運動區域，檢測其中的角點，再用光流法跟蹤角點。根據皮帶速度信息識別故障問題，要求皮帶滾筒間的速度差≤8%，可設置最大與最小閾值，以此用來判斷皮帶的打滑故障問題，利用監測系統分析當前輸煤皮帶的運行情況。

根據輸煤皮帶運行中的缺陷類型，采用適應的智能檢測技術，比如皮帶運行出現異常噪聲或打滑故障，可根據噪聲的強弱來判別分析，在皮帶周圍安裝聲音采集器，采集設備運行期間的聲音信號，將其與皮帶正常運行環節的聲音頻譜進行對比，一旦出現異常情況，系統將會立即報警處理。在系統中安裝激光發射器，使其能夠自覺照射皮帶，激光束會在輸煤皮帶的表面產生與皮帶表面相符合的輪廓線，攝像機對運行期間的皮帶持續拍攝，再將最終的成像傳輸給系統主機，完成對劃傷、打滑等故障問題的識別與監控，提出報警信號，處理攝像機拍攝的圖像。

2.2 基于長距離軌道機器人自動跟蹤技術

電廠安全生產過程中，輸煤皮帶的長度可以達到數百米，上下坡或阻礙物的存在會導致機器人軌道安裝難度較大，軌道的牢固性、粉塵對軌道設備的可靠性存在影響，筆者根據不同場景掌握輸煤線的作業情況，防止設備實際運行狀態受到影響，隨后再根據軌道設計安裝的實際情況，明確長軌道對供電的嚴格要求，選擇無線電源傳輸方式，防止危險電源火花造成的火災或爆炸等事故問題，避免智能檢測系統給輸煤線帶來風險隱患。

采用機器人視覺自動跟蹤技術，筆者通過檢測的方式與匹配的方法，在軌道機器人上安裝紅外與高清攝像儀器，支持攝像裝置360°的旋轉，以此完成對視覺的自動跟蹤，按照現場環境采用機器人視覺檢測技術，完成對圖像的高效處理，隨后再利用噴淋系統降低粉塵對鏡頭的不良影響，保障皮帶實時檢測效果。

2.3 多設備數據集成與皮帶自動檢測系統

筆者在工作中觀察系統的實際運行情況，利用智能化巡檢機器人，使其較好地代替人工，在電廠惡劣的環境下執行獨立巡檢作業，合理選擇技術路線，解決人工巡檢的盲點問題，擴大系統運行覆蓋范圍，提高系統運行效率。憑借大數據與云計算等技術，依靠機器人和激光檢測技術，創建輸煤皮帶自動化智能檢測平臺，提高系統運行的安全管理水平。

創建煤炭傳輸系統，筆者憑借該系統的運行通常會涉及機器人、傳感器、攝像裝置與撕裂檢測裝置等設施。與此同時，系統內還具備不同的模塊，比如數據采集、數據傳輸與數據計算模塊，聯合圖像分析模塊，通過對軟硬件設施的應用，實現數據之間的交互集成，通過對XML技術、數據庫底層、WebService等數據交互技術的應用，完善系統建設。筆者選用OPC技術，聯合消息總線與文件傳輸技術，提高數據交互水平。智能化數據采集系統為輸煤皮帶運行的大數據分析與機器學習提供了多維度原始數據，立足于多設備數據集成處理系統，提高智能檢測系統對設備故障報警動作的響應效率，及時響應報警問題，完成故障處理，盡可能地防止保護裝置出現誤操作現象[3]。

創建輸煤皮帶運行自動檢測系統，筆者在設備檢測與運行工作中及時發現了皮帶打滑與跑偏故障問題，隨后系統會自動進行報警保護動作，防止保護誤動拒動引發故障停運問題，降低故障巡檢的工作強度，減少人員對粉塵的接觸時間，使輸煤皮帶智能檢測系統運行更加可靠。創建巡檢機器人平臺，利用撕裂監測系統、編碼器、跑偏開關與溫度速度傳感器，將系統檢測到的數據和圖像根據參數規則情況，科學計算檢測結果，使最終檢測結果與數據可以顯示在屏幕中，隨后為操作人員提供遠程操作按鈕，完成對異常數據的記錄，為接下來的大數據分析與機器學習提供科學參考依據。