一种无位置传感的人工智能罐道故障定位方法技术

本发明专利技术涉及一种无位置传感的人工智能罐道故障定位方法，包括以下步骤：A、制作数据集，B、模型训练，C、模型效果测试，D、实现轨道级故障粗定位，E、设计故障微分推理机，F、图片等跨度固定帧抽取检测，G、模型对故障状态图像帧识别并保存，H、对故障状态图像帧间隔收缩逼近定位，I、根据时间戳信息得到故障精确定位。本发明专利技术具有智能巡检、安装简便、操作容易等特点，提供一种无位置传感的人工智能罐道故障定位方法。法。法。

【技术实现步骤摘要】
一种无位置传感的人工智能罐道故障定位方法


[0001]本专利技术属于罐道故障检测
，尤其涉及一种无位置传感的人工智能罐道故障定位方法。

技术介绍

[0002]立井刚性罐道罐梁提升系统在煤矿中应用广泛。刚性罐道作为立井提升系统中提升容器的运行轨道，作用是在提升容器的过程中，限制提升容器在水平方向的转动与摆动，保证提升容器能够在竖直方向上平稳运行。刚性罐道随着使用时长的增加，会出现一系列故障，如接头间隙或罐道间距超限等，而不平顺是刚性罐道使用过程中极易出现的故障，会引起提升系统振动响应，不仅影响运行平稳性，还可能产生安全隐患。这些故障通常会影响矿井提升作业的正常运行，甚至会带来安全事故，所以对刚性罐道进行故障检测是保证矿井提升作业能够正常进行的基础。
[0003]刚性罐道是提升系统安全运行的保障机构，为防止其故障引发安全事故，需要定期对罐道进行巡检。目前，罐道监测依靠人工监测，检测人员需要站于罐笼顶，虽然有安全伞保护，但是仍然存在重大安全隐患，另外，检测工作量大且效率低，导致罐道监测存在费时费力，并且检测结果受主观因素的限制，准确率低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无位置传感的人工智能罐道故障定位方法，其特征在于，包括以下步骤：A、制作数据集，制作数据集模块来构建图像训练集；B、模型训练，将制作好的数据集投入设置好训练参数的yolov5m网络进行立井刚性罐道故障检测模型的训练，训练数据标注模块来对图像训练集中的图像打上标签，进行标注，得到标签文件；C、模型效果测试，模型训练模块用于模型的训练，训练集为制作好的图像训练集，得到训练好的识别模型，进行效果测试；D、实现轨道级故障粗定位；E、设计故障微分推理机；F、图片等跨度固定帧抽取检测；G、模型对故障状态图像帧识别并保存；H、对故障状态图像帧间隔收缩逼近定位；I、根据时间戳信息得到故障精确定位。2.根据权利要求1所述的一种无位置传感的人工智能罐道故障定位方法，其特征在于，所述步骤A中，收集立井刚性罐道变形、接头错位图片，采用labelimg软件对其进行标注，生成符合yolov5模型训练要求的txt格式文件。3.根据权利要求1所述的一种无位置传感的人工智能罐道故障定位方法，其特征在于，所述步骤B中，yolov5m网络的FPN特征金字塔结构中引入了CSP结构，在特征提取部分，YoloV5提取多特征层进行目标检测，一共提取三个特征层，三个特征层位于主干部分CSPdarknet的不同位置，分别位于中间层、中下层和底层。4.根据权利要求3所述的一种无位置传感的人工智能罐道故障定位方法，其特征在于，三个特征层的shape分别为feat1、feat2和feat3，利用三个特征层进行FPN层的构建方法包括以下步骤：a、feat3特征层进行1次1X1卷积调整通道后获得P5，P5进行上采样UmSampling2d后与feat2特征层进行结合，然后使用CSPLayer进行特征提取获得P5_upsample；b、P5_upsample特征层进行1次1X1卷积调整通道后获得P4，P4进行上采样UmSampling2d后与fea...

【专利技术属性】
技术研发人员：张亚邦，孔二伟，王满利，张航，王娇，王景艳，赵磊，袁胜凯，
申请(专利权)人：平顶山天安煤业股份有限公司六矿，
类型：发明
国别省市：