一种大型运载皮带跑偏故障智能检测方法技术

本发明专利技术涉及一种基于动态图像的大型运载皮带跑偏故障智能检测方法，包括，步骤1、针对大型运载皮带运输系统，确定运载皮带正常运行时离两边缘的坐标值；步骤2、确定某一皮带边缘智能相机的安装位置。将皮带正常运行时离皮带架边缘的距离有效值和转换成在图像中的像素值，标定横坐标像素值分别为

An Intelligent Detection Method for Running Off Fault of Large Carrier Belt

【技术实现步骤摘要】
一种大型运载皮带跑偏故障智能检测方法
本专利技术涉及工业自动化生产线大型运载皮带设备智能检测领域，尤其是涉及一种大型运载皮带跑偏故障智能检测方法。
技术介绍
运载皮带在煤矿生产、冶金等工业领域广泛使用，由于皮带上方所运输物料分布不均匀，长期运行造成运载皮带跑偏，增加了皮带磨损，严重影响皮带的使用寿命，皮带重度跑偏甚至会造成皮带撕裂等恶性故障，影响了煤矿的正常生产。目前对皮带的跑偏检测大都是基于机械式传感器的接触式检测方法，一方面检测物理设备安装的位置固定，跑偏检测的物理装置在工作一段时间后会因碰撞、磨损而损坏，检测的精度下降，稳定性较差。另一方面，只有当皮带跑偏比较大的时候，装置才会起作用，不能实时对皮带的跑偏量进行定量检测。因此，皮带跑偏故障检测方法问题的研究是很有价值，也是亟待解决的。机器视觉技术具有非接触，检测速度快，检测精度高，检测结果客观可靠的优点，匹配合适的智能检测算法可以快速准确地检测运载皮带是否发生跑偏故障。机器视觉在很多检测领域已有应用，在皮带跑偏检测领域也有应用先例但是大部分是对工业相机的安装装置进行设计，根据采集图像人工识别是否发生跑偏故障(例如专利CN207703158U)。因为需要人工干预，进行底座的滑动来实现工业相机焦距的粗调，再通过工业相机本身的精度调旋按钮来调节焦距。采集工业现场皮带动态图像而不配合检测算法对图像进行处理，只是人工查看图像进而判断皮带是否跑偏。这种方式工业相机只是起了一个采集图像和监控的作用，未对采集图像进行实时处理，进而检测出皮带跑偏故障。一般情况下，对动态图像进行处理和运动物体故障的检测计算复杂度较高，耗时长，很难满足工业生产故障讯速检测，快速排除的目标，特别是在煤矿生产线中，运载皮带对煤矿的运输至关重要，如何能够在无需人工干预的情况下实现快速准确的对运载皮带是否发生跑偏检测是生产技术人员多年的期盼。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷，提供了一种大型运载皮带跑偏故障智能检测方法，该方法较现有方法检测速度快，检测精度高，不用人工干预等优点。为达到上述目的，本专利技术的构思是：本方法利用高速工业智能相机安装到煤矿物料运输生产线上的待检测工位，利用专用光源照明待测皮带工位的下皮带面，采集运载皮带运行图像信息，对采集的图像信息进行在线实时处理。本专利技术的关键是对皮带跑偏故障进行检测的快速算法，所述皮带表面图像进行处理的智能检测算法包括皮带边缘离皮带架坐标位置的快速定位、皮带表面图像特征参数的提取、皮带边缘直线的检测等。所述智能相机在线图像处理系统对所述皮带表面图像处理后输出故障信息，传输到上位机界面进行动态显示。所述工业照相机为单色或彩色面阵扫描高速工业照相机，所述工业照相机可附加到现有煤矿物料运输生产线或附加到皮带故障检测专用流水线上，安装位置为能对皮带边缘和皮带架图像方便拍照的工段位置。所述专用光源为环形LED光源，为所述工业照相机提供照明。所述工业照相机位于所述专用光源的正上方，所述工业照相机的镜头通过所述专用光源的环形中间取景。所述上位机界面包括工业计算机及皮带跑偏故障监测软件。根据上述构思，本专利技术采用如下技术方案：一种大型运载皮带跑偏故障智能检测方法，用于获得运载皮带运动控制系统中皮带的跑偏量和故障等级，所述的方法包括以下步骤：步骤1、针对大型运载皮带运行系统，确定运载皮带正常运行时皮带边缘离皮带架的距离：基于大型运载皮带具有左右平行跑偏的特点，只需确定运载皮带正常运行时皮带某一边缘离皮带架的横向距离有效值d1和d2；步骤2、基于所获得的皮带正常运行时皮带边缘离皮带架的距离，在皮带机尾处某一边缘选择恰当的位置安装智能相机，以便更好地实时采集皮带运行的动态图像；通过多次采集图像样本，对图像进行坐标变换，将皮带正常运行时离左或右皮带架边缘的距离有效值d1和d2转换成在图像中对应的像素值，标定其横坐标像素值分别为f1和f2；步骤3、基于智能相机采集的视频图像，采用图像处理中的霍夫变换方法对图像进行实时处理，确定皮带两边缘的直线横坐标值s1和s2；若p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判定为二级故障，即中度跑偏；若|s1-f1|＞p1或|s2-f2|＞p2，对应运载皮带实际跑偏距离大于c3，判定为一级故障，即严重跑偏；从而确定了皮带的跑偏量和跑偏故障等级。其中p1,p2分别为预先确定的皮带跑偏的坐标像素阈值。所述步骤1具体包括以下步骤：步骤1.1、对大型运载皮带运行状态进行跟踪，记录相关数据，分析后发现大型运载皮带具有左右平行跑偏的特征；只要确定皮带边直线的横坐标是否超出皮带正常运行时离左或右皮带架边缘的距离即能够判断皮带是否发生跑偏；步骤1.2、在运载皮带处于运行状态时，确定皮带中心离左或右皮带架边缘的距离l1和l2，大型运载皮带长度为L，宽度为W，则d1＝l1-W/2，d2＝l2-W/2。所述步骤2具体包括以下步骤：步骤2.1、基于所获得的皮带边横坐标正常运行区间，确定在全程L米的大型运载皮带机尾、重锤、机头三个工位智能相机的安装位置；步骤2.2、基于相机的安装位置，相机采集目标图像，在所处理的图像中建立坐标系，标定坐标原点为图像的左上方位置；在图像中标定皮带边缘的位置，输出距离单位为像素值s3，测定运行状态的皮带边缘至所安装相机的实际横向直线距离d3；通过测定多组数据，训练模型，获得图像中距离的像素值和实际距离的对应关系为1cm＝25px。所述步骤3具体包括以下步骤：步骤3.1、根据图像处理中的霍夫变换方法，对采集的运载皮带运行图像进行处理获得皮带边缘的直线，标定图像中皮带边直线的横坐标：一条直线在笛卡尔坐标系下可由两个点A＝(x1,y1)和B＝(x2,y2)确定；设直线方程为y＝kx+q，将其转化在霍夫空间下关于(k,q)的函数表达式笛卡尔坐标系下的一条直线对应于霍夫空间中的一个点，如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于一点，当多条直线相交的点也为多个时，采用霍夫变换后通常的处理方式，即选择尽可能多直线汇成的点；但笛卡尔坐标转换成霍夫空间存在局限性，当k＝∞时是不好描述的，且q的取值存在无限多种情况；因此，考虑将笛卡尔坐标系转换为极坐标系：直线的求解：细化成坐标形式，取整后将交点对应的坐标进行累加，找到数值最大的点就是最终要求解的(ρ,θ)，进而求解出了直线；其中ρ为直线的极径，θ为极角。步骤3.2、根据霍夫变换的基本原理编写图像处理程序，获得皮带边的直线横坐标，当p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判别为二级故障，即中度跑偏；|s1-f1|＞p3或|s2-f2|＞p3，对应运载皮带实际跑偏距离大于c3，判别为一级故障，即严重跑偏；确定皮带的跑偏量和跑偏故障等级。与现有技术相比，本专利技术具有以下优点：1、方法简单，易于实现，不需要人工干预，实时自动检测故障。2、皮带跑偏检测速度快且精度高。3、可实现皮带跑偏故障在线实时诊断。4、可对大型运载皮带运行系统进行跑偏故障诊断、及时发现故障，为调整皮带跑偏量提供参考附图说明图1为本专利技术方法的流程图；图2为笛卡尔坐标和霍夫变换空间极坐标转换图；图3为本本文档来自技高网...

【技术保护点】
1.一种大型运载皮带跑偏故障智能检测方法，用于获得运载皮带运动控制系统中皮带的跑偏量和故障等级，其特征在于，所述的方法包括以下步骤：步骤1、针对大型运载皮带运行系统，确定运载皮带正常运行时皮带边缘离皮带架的距离：基于大型运载皮带具有左右平行跑偏的特点，只需确定运载皮带正常运行时皮带某一边缘离皮带架的横向距离有效值d1和d2；步骤2、基于所获得的皮带正常运行时皮带边缘离皮带架的距离，在皮带机尾处某一边缘选择恰当的位置安装智能相机，以便更好地实时采集皮带运行的动态图像；通过多次采集图像样本，对图像进行坐标变换，将皮带正常运行时离左或右皮带架边缘的距离有效值d1和d2转换成在图像中对应的像素值，标定其横坐标像素值分别为f1和f2；步骤3、基于智能相机采集的视频图像，采用图像处理中的霍夫变换方法对图像进行实时处理，确定皮带两边缘的直线横坐标值s1和s2；若p1＜|s1‑f1|≤p2或p1＜|s2‑f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判定为二级故障，即中度跑偏；若|s1‑f1|＞p1或|s2‑f2|＞p2，对应运载皮带实际跑偏距离大于c3，判定为一级故障，即严重跑偏；从而确定了皮带的跑偏量和跑偏故障等级；其中p1,p2分别为预先确定的皮带跑偏的坐标像素阈值。...

【技术特征摘要】
1.一种大型运载皮带跑偏故障智能检测方法，用于获得运载皮带运动控制系统中皮带的跑偏量和故障等级，其特征在于，所述的方法包括以下步骤：步骤1、针对大型运载皮带运行系统，确定运载皮带正常运行时皮带边缘离皮带架的距离：基于大型运载皮带具有左右平行跑偏的特点，只需确定运载皮带正常运行时皮带某一边缘离皮带架的横向距离有效值d1和d2；步骤2、基于所获得的皮带正常运行时皮带边缘离皮带架的距离，在皮带机尾处某一边缘选择恰当的位置安装智能相机，以便更好地实时采集皮带运行的动态图像；通过多次采集图像样本，对图像进行坐标变换，将皮带正常运行时离左或右皮带架边缘的距离有效值d1和d2转换成在图像中对应的像素值，标定其横坐标像素值分别为f1和f2；步骤3、基于智能相机采集的视频图像，采用图像处理中的霍夫变换方法对图像进行实时处理，确定皮带两边缘的直线横坐标值s1和s2；若p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判定为二级故障，即中度跑偏；若|s1-f1|＞p1或|s2-f2|＞p2，对应运载皮带实际跑偏距离大于c3，判定为一级故障，即严重跑偏；从而确定了皮带的跑偏量和跑偏故障等级；其中p1,p2分别为预先确定的皮带跑偏的坐标像素阈值。2.根据权利要求1所述的大型运载皮带跑偏故障智能检测方法，其特征在于，所述步骤1具体包括以下步骤：步骤1.1、对大型运载皮带运行状态进行跟踪，记录相关数据，分析后发现大型运载皮带具有左右平行跑偏的特征；只要确定皮带边直线的横坐标是否超出皮带正常运行时离左或右皮带架边缘的距离即能够判断皮带是否发生跑偏；步骤1.2、在运载皮带处于运行状态时，确定皮带中心离左或右皮带架边缘的距离l1和l2，大型运载皮带长度为L，宽度为W，则d1＝l1-W/2，d2＝l2-W/2。3.根据权利要求1所述的大型运载皮带跑偏故障智能检测方法，其特征在于，所述步骤2具体包括以下步...

【专利技术属性】
技术研发人员：彭晨，谢斌，杨明锦，周文举，张帅帅，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31