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，准确率低且成本较高。
[0004]一些国内外研究者提出多种检测刚性罐道的方法来进行罐道故障检测，包含有几何测量法、振动加速度法、激光测距法和线激光扫描技术等。
[0005]其中几何测量法易受环境干扰、测量准确度低；振动加速度法无法直接测量出罐道各指标具体参数；激光测距法可间接测得罐道形变，但对于罐道接缝处的错位检测精度不够，线激光扫描技术可直接对罐道整体扫描，采集罐道轮廓的高精度数据，通过数据分析提取罐道等信息，但该方法对装置安装和数据处理方面要求过于苛刻，实施难度较大。
[0006]上述方法都因其自身局限性的限制，无法得到广泛的推广应用。
[0007]随着人工智能的不断发展与成熟，将人工智能与立井罐道提升系统相结合成为可能。因此，需要开发高效快捷准确的检测方法用来诊断罐道状态是否异常，有鉴于此，综合考虑罐道监测方法的应用实施难度和设备易维护性问题，本专利技术提出了无位置传感的立井刚性罐道检测系统。通过研究不同罐道故障特征，将人工智能与机器视觉的方法应用到刚性罐道故障监测识别上，能够有效提高罐道隐患排查、诊断的准确率和效率，对于支持煤矿安全和高效生产具有重大意义。
[0008]无位置传感的立井刚性罐道检测方法，具有巡检智能、安装简单、使用方便等特点，将极大地提高罐道检修效率，可以有效避免立井罐道带来的安全隐患，减少检修人员的工作成本，提高立井刚性罐道故障检测系统运行的安全性与可靠性，实现罐道巡检的管理信息化、智能化，顺应矿山智能化的建设需求，提高立井罐道巡检智能化水平，该系统在各个矿区内具有广泛的推广价值。

技术实现思路

[0009]本专利技术的目的在于克服现有技术中的不足，综合考虑罐道监测方法的应用实施难度和设备易维护性问题，提供一种无位置传感的人工智能罐道故障定位方法。
[0010]本专利技术是通过以下技术方案实现的：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，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。
[0011]为了进一步实现本专利技术，可优先选用以下技术方案：优选的，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。
[0012]优选的，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。
[0013]优选的，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feat1特征层进行结合，然后使用CSPLayer进行特征提取P3_out；c、P3_out特征层进行一次3x3卷积进行下采样，下采样后与P4堆叠，然后使用CSPLayer进行特征提取P4_out；d、P4_out特征层进行一次3x3卷积进行下采样，下采样后与P5堆叠，然后使用CSPLayer进行特征提取P5_out。
[0014]优选的，所述步骤C中，制作好的标签文件按一定的比例划分为训练集、测试集与验证集；然后，设置网络的超参数，根据数据集及硬件设备情况设置Epoch、Batchsize、Patchsize、初始学习率等参数进行训练，采用深度机器学习工作站进行训练加速。
[0015]优选的，所述步骤D中，设计罐道轨道反光标签识别深度神经网络，利用制作的标签数据集，训练测试罐道轨道定位网络，依据识别效果，调整网络的局部结构和损失函数，并再次训练测试罐道轨道定位网络，不断重复训练迭代，直至获得定位准确率满足要求的
罐道轨道定位模型，实现轨道级的罐道故障粗定位。
[0016]优选的，所述步骤E中，在轨道级定位的基础上，设定检测的跨度固定帧，对图片进行抽取检测，模型会对处于变形或错位故障状态的罐道图像帧识别并存储，图像帧上存有时间戳信息，当接头的反光标签进入感兴趣区域时，通过网络进行特征提取，根据已知的距离与时间信息，可以得到罐道接头进入感兴趣区域时的初始速度，当接头标签离开感兴趣区域时，通过网络进行特征提取，根据已知的距离与时间信息得到罐道接头离开感兴趣区域时的离开速度，将二者与基准速度进行比较，大致得到故障点的偏差情况，进行粗校正，取二者的均值作为运行的平均速度，在这段距离内，罐道的运行速度以该平均速度匀速运行。
[0017]通过上述技术方案，本专利技术的有益效果是：本专利技术具有智能巡检、安装简便、操作容易等特点。
[0018]1.本专利技术将极大地提高罐道检修效率，可以有效避免立井罐道引起的安全事故，减少运行成本，无需安装新设备，提高立井刚性罐道故障检测系统运行的安全性和可靠性，实现罐道巡检的管理信息化、智能化，顺应矿山智能化建设需求，提高立井罐道巡检智能化水平，该系统在各矿区具有广泛推广价值。
[0019]2.通过对深度学习算法的本文档来自技高网...

【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：