【技术实现步骤摘要】
本专利技术涉及带式输送机智能监测领域，具体涉及基于机器学习的悬索带式输送机风振监测方法与系统。
技术介绍
1、本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。
2、在我国具有恶劣地形条件的地区，矿石等物料的输送方式通常采用曲线带式输送机或圆管带式输送机的方案，但无论采用哪种方式，输送机线路的布置都会非常困难，都不可避免要采用极高的支撑塔架和大跨桁架，且还可能挖掘隧道、架设桥梁等。
3、针对地形条件较为复杂的情况，还有一种悬索带式输送机的方案，但这种输送机在输送的过程中，由于物料、皮带张力、风、雨、雪等因素，悬索会出现类似“钟摆”的位移变化。由于其结构与常规带式输送机有所不同，没有现成可用的监测系统，且位移过大时可能导致撒料、结构应力变化等异常情况。这些隐患不仅会运行带式输送机的正常运行，严重时可能会造成经济损失，甚至导致安全事故。
4、机器学习技术通过其强大的非线性拟合能力，构建起输入与输出的映射关系，可实现多因素多结果的分析和预测。机器学习技术的发展拓宽了智能监控的应用场景，并为悬索带式输送机的风振监测提供了理论基础。
技术实现思路
1、本专利技术的目的在于：针对现有技术中存在的问题，提供了基于机器学习的悬索带式输送机风振监测方法与系统，解决了悬索带式输送机风振智能监测的问题。
2、本专利技术的技术方案如下：
3、基于机器学习的悬索带式输送机风振监测方法，包括：
4、步骤s1：数据采集与传输
5、步骤s2：图像修正与数据处理；确定视频帧间隔，并截取时序数据对应于视频帧；标定出摄像头的内参并实时测定外参，完成对视频帧的修正；对得到的数据片段预处理，得到时域特征和时频域特征；
6、步骤s3：模型建立与映射构建；建立目标检测模型，并得到标杆距离及标杆处的风振偏移量；基于采集的数据与悬索带式输送机实时检测结果建立风振预测模型；构建标杆处风振数据与最大风振点风振数据的映射关系；
7、步骤s4：自动监控与预警；实时获取目标检测模型计算出的风振数据，并与风振阈值分析对比；到达深度学习模型预测的风振异常时间点前，及时通知维护人员或介入控制悬索带式输送机减速或停机。
8、进一步地，所述目标检测标杆是一个长条形标记，需根据检测距离设置为固定长度，且颜色应与环境颜色不同，横向放置在悬索带式输送机中某一跨内。
9、进一步地，所述目标检测标杆所需长度或宽度，按照下式选取：
10、
11、其中：
12、l为目标检测标杆长度；
13、α为标杆占屏幕比例；
14、f为焦距；
15、wcam为摄像头图像传感器实际宽度；
16、d为预计标杆与摄像头之间的距离。
17、进一步地，所述步骤s1，包括：
18、步骤s1-1：通过摄像头获取带有目标检测标杆的悬索带式输送机运行视频数据，并传输；
19、步骤s1-2：通过风速仪获取风向风速数据，并按时间顺序存储；通过雨雪传感器获取风雨荷载信息，并按时间顺序存储和传输；
20、步骤s1-3：通过振动传感器获取悬索带式输送机振动数据并按时间顺序存储；通过转速仪获取输送机带速，并按时间顺序存储和传输。
21、进一步地，所述步骤s2，包括：
22、步骤s2-1：根据监控视频的帧数，选取合适的视频帧间隔；将对风速仪、雨雪传感器、振动传感器和转速仪的数据采集的数据截取为时序片段，并对应于视频帧的时间间隔；
23、步骤s2-2：对摄像头进行内参的测定，通过张正友标定法得到摄像头的焦距、像素尺寸、光轴主点坐标以及相机畸变参数；并实时对摄像头外参进行测定，即旋转矩阵和平移矩阵；
24、步骤s2-3：对截取的时序数据进行预处理，风速仪、雨雪传感器和转速仪得到其时频特征，振动传感器得到其时频域特征。
25、进一步地，所述步骤s3，包括：
26、步骤s3-1：建立目标检测模型，并基于标杆的数据集训练；将视频帧传入模型得到标杆距离和标杆处的风振偏移量。
27、步骤s3-2：基于风向风速、雨雪荷载、悬索带式输送机运行的时序数据，建立并训练风振预测模型，直至评价指标满足要求；
28、步骤s3-3：根据两索塔和标杆的坐标，构建起悬索带式输送机理论最大风振位置坐标及其风振数据与标杆处风振数据的映射关系。
29、进一步地，所述步骤s4，包括：
30、步骤s4-1：建立自主监控算法，实时接收视频数据；利用目标检测模型，计算出理论最大风振位置坐标及其风振数据，并与危险判断阈值比对分析，实时判断风振异常；
31、步骤s4-2：实时接收环境条件和悬索带式输送机运行数据，预测并计算出风振危险时间点及其风振数据；
32、步骤s4-3：构建自动化预警及控制系统；当观测或预测到风振异常时，自动启用预警控制功能，推送预警信息至值班人员，紧急时介入输送机控制系统，实现降速或停机。
33、本专利技术还提出了基于机器学习的悬索带式输送机风振监测系统，用于实现上述的悬索带式输送机风振监测方法，包括：
34、数据采集模块、信息处理模块、风振监测模块、预警控制模块；
35、所述数据采集模块包括：风速仪、雨雪传感器、高清摄像头、振动传感器和转速仪；用于收集现场风、雨、雪的环境数据、带有标杆的视频以及悬索带式输送机运行数据，并将数据传输至信息处理模块；
36、所述信息处理模块包括：镜头畸变校正算法、快速傅里叶变换算法、时域特征提取方法、时频域特征提取方法；用于处理接收数据采集模块传输的各类数据，并将数据传输至风振监测模块；
37、所述风振监测模块包括：机器视觉算法、测距偏移算法、风振预测算法、最大风振计算方法；用于接收数据采集模块传输的各类数据，建立并训练模型；观测和预测悬索带式输送机的风振数据及异常时间点，并将数据传输至预警控制模块；
38、所述预警控制模块包括：自主监控算法、警报推送设备、自动控制算法、控制联动系统；用于接收风振监测模块传输的风振数据，实时监控悬索带式输送机的运行情况，实现自主监控、提前预警。
39、进一步地，所述机器视觉算法用于识别标杆，并得出其在图像中的位置信息；所述测距偏移算法用于计算标杆到摄像头的距离，并得出标杆处相对静态位置的风振偏移量；所述风振预测算法用于预测标杆在当前数据下的未来风振数据，并得到危险时间点；所述最大风振计算方法用于计算标杆所在跨最大风振点的位置信息以及风振数据。
40、进一步地，所述自主监控算法用于实时监控悬索带式输送机运行状态，并判断悬索带式输送机风振数据是否超过阈值；所本文档来自技高网...
【技术保护点】
1.基于机器学习的悬索带式输送机风振监测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述目标检测标杆是一个长条形标记，需根据检测距离设置为固定长度，且颜色应与环境颜色不同，横向放置在悬索带式输送机中某一跨内。
3.根据权利要求2所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述目标检测标杆所需长度或宽度，按照下式选取：
4.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤S1，包括：
5.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤S2，包括：
6.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤S3，包括：
7.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤S4，包括：
8.基于机器学习的悬索带式输送机风振监测系统，其特征在于，用于实现权利要求1-7中任意一项所述的悬索带式输送机风振
9.根据权利要求8所述的基于机器学习的悬索带式输送机风振监测系统，其特征在于，所述机器视觉算法用于识别标杆，并得出其在图像中的位置信息；所述测距偏移算法用于计算标杆到摄像头的距离，并得出标杆处相对静态位置的风振偏移量；所述风振预测算法用于预测标杆在当前数据下的未来风振数据，并得到危险时间点；所述最大风振计算方法用于计算标杆所在跨最大风振点的位置信息以及风振数据。
10.根据权利要求8所述的基于机器学习的悬索带式输送机风振监测系统，其特征在于，所述自主监控算法用于实时监控悬索带式输送机运行状态，并判断悬索带式输送机风振数据是否超过阈值；所述自动控制算法用于启动预警设备，提醒值班人员减少输送量、减速或紧急停机，紧急时介入控制悬索带式输送机。
...【技术特征摘要】
1.基于机器学习的悬索带式输送机风振监测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述目标检测标杆是一个长条形标记，需根据检测距离设置为固定长度，且颜色应与环境颜色不同，横向放置在悬索带式输送机中某一跨内。
3.根据权利要求2所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述目标检测标杆所需长度或宽度，按照下式选取：
4.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤s1，包括：
5.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤s2，包括：
6.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征在于，所述步骤s3，包括：
7.根据权利要求1所述的基于机器学习的悬索带式输送机风振监测方法，其特征...
【专利技术属性】
技术研发人员：何洋洋，蔡东成，曹旻昊，周铁，余雷，
申请(专利权)人：四川省自贡运输机械集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。