一种巡检机器人对皮带机托辊故障的检测方法

摘要

一种巡检机器人对皮带机托辊故障的检测方法，涉及一种带式皮带机托辊故障的检测方法，巡检机器人上搭载的高清摄像机对机架边缘处的变形量进行识别获取，根据机架部署，分析机架变形处对托辊受力影响的程度，依据机架整体变形量归一化的函数关系加权；巡检机器人上搭载的声音传感器对皮带机沿线托辊运行时产生的噪音进行采集，托辊声音异响由时频域特征提取检测判断，归一化处理获取基于机架变形程度对托辊早期故障检测的加权序列，综合加权得出托辊异常信息融合判断值；本发明极大降低了皮带机现场巡视，提高了人工智能故障检测精确，优化检测资源的利用效率。

权利要求

1.一种巡检机器人对皮带机托辊故障的检测方法，其特征是：包括如下步骤：(1)、巡检机器人上搭载的高清摄像机对机架边缘处的变形量进行识别获取，通过图像坐标转换成实际的变形程度量序列Jl(l＝1，2，3…，N)；l表示此时托辊位置序号；

根据机架部署，分析机架变形处对托辊受力影响的程度，机架无变形处的影响为0，机架变形量为Jmk处导致托辊受力等于正常的3倍，机架变形严重程度归一化0.9，依据机架整体变形量归一化的函数关系加权，加权序列函数为

(2)、巡检机器人上搭载的声音传感器对皮带机沿线托辊运行时产生的噪音进行采集，托辊声音异响由时频域特征提取检测判断，归一化处理表示声音的故障程度；

(3)、托辊早期故障与机架变形加权系数设为0.37，获取基于机架变形程度对托辊早期故障的加权序列0.37K1，l，中间按规定的测试加权序列函数对应设立；

(4)、提取相应的托辊声音异响特征序列，理想的正常托辊特征归一化为0，各特征指标达到或超过托辊故障界限归一化为1，取相应的托辊声音异响特征距离托辊故障界限的线性最大值，并计算特征序列归一化值，获得异响特征序列K2，l，加权系数为0.63，得到异响特征加权托辊早期故障序列0.63K2，l；

(5)、综合加权得出托辊异常信息融合判断值Kl＝0.37K1，l+0.63K2，l；Kl小于0.5为正常，Kl大于等于0.5异响显著并报警；大于等于0.60显著异响，报警通知工作人员及时重点关注，数据导入托辊异响知识库，显示于人机界面。

说明书

一种巡检机器人对皮带机托辊故障的检测方法

技术领域

[0001] 本发明涉及一种带式皮带机托辊故障的检测方法，尤其是涉及一种巡检机器人基于皮带机机架变形和托辊异响信息融合的托辊早期故障检测方法。

背景技术

[0002] 公知的，巡检机器人利用多传感器采集数据和人工智能检测算法，预期实现对巡检目标状态的实时检测，及时反馈巡检发现的各类故障，协助或取代人类进行巡检的工作
任务。散料带式皮带机适用长距离输送，带式皮带机一般可长达数公里甚至数十公里，广泛
应用于港口、电力、矿山、钢铁、水泥、化工等行业，所以其巡检保障的工作量尤为繁重。带式
皮带机运维巡检为了能够及时有效地发现皮带机运行时发生的安全隐患与故障，需要大量
皮带机巡检人员进行不间断巡检，以便能及时上报，并进行检修；但由于巡检人员的能力参
差不齐，人员管理偶有疏忽，问题依然不能避免。除此之外，无法对皮带机进行实时监控，一
旦发生故障问题，会造成相关不必要的损失，并增加了巡检运维人员的劳动强度。因而，急
需一款可以对皮带机自行巡检的机器人来代替人工巡检，需要一种高效的故障检测方法来
实现智能检测。

[0003] 据现有的故障数据统计，目前带式皮带机的托辊故障主要诊断来源于对托辊异响或温度的判断，一般托辊异响是一个渐变过程；而皮带机的机架变形比较稳定，一般随皮带
机运行时间缓慢渐变；根据物理模型，不同程度的机架变形直接影响到托辊和皮带之间接
触的作用力的大小；根据现有数据统计显示：机架变形和托辊异响在空域两者显著相关；为
充分利用数据，有效提高对托辊的早期故障诊断效率，本发明提出一种基于带式皮带机的
机架变形和托辊故障信息融合的托辊早期故障检测方法。

发明内容

[0004] 为了克服背景技术中的不足，本发明公开了一种巡检机器人对皮带机托辊故障的检测方法。

[0005] 为了实现所述发明目的，本发明采用如下技术方案：

[0006] 一种巡检机器人对皮带机托辊故障的检测方法，包括如下步骤：

[0007] (1)、巡检机器人上搭载的高清摄像机对机架边缘处的变形量进行识别获取，通过图像坐标转换成实际的变形程度量序列Jl(l＝1，2，3…，N)；l表示此时托辊位置序号；

[0008] 根据机架部署，分析机架变形处对托辊受力影响的程度，机架无变形处的影响为0，机架变形量为Jmk处导致托辊受力等于正常的3倍，机架变形严重程度归一化0.9，依据机架整体
变形量归一化的函数关系加权，加权序列函数为

[0009] (2)、巡检机器人上搭载的声音传感器对皮带机沿线托辊运行时产生的噪音进行采集，托辊声音异响由时频域特征提取检测判断，归一化处理表示声音的故障程度；

[0010] (3)、托辊早期故障与机架变形加权系数设为0.37，获取基于机架变形程度对托辊早期故障的加权序列0.37K1，l，中间按规定的测试加权序列函数对应设立；

[0011] (4)、提取相应的托辊声音异响特征序列，理想的正常托辊特征归一化为0，各特征指标达到或超过托辊故障界限归一化为1，取相应的托辊声音异响特征距离托辊故障界限
线性最大值(取1范数)为特征序列归一化值，获得异响特征序列K2，l，加权系数为0.63，得到
异响特征加权托辊早期故障序列0.63K2，l；

[0012] (5)、综合加权得出托辊异常信息融合判断值Kl＝0.37K1，l+0.63K2，l；Kl小于0.5为正常，Kl大于等于0.5异响显著并报警；大于等于0.60显著异响，报警通知工作人员及时重
点关注，数据导入托辊异响知识库，显示于人机界面。

[0013] 由于采用了上述技术方案，本发明具有如下有益效果：

[0014] 本发明所述的巡检机器人对皮带机托辊故障的检测方法，通过对托辊声音的时间序列采集、时频域分析，从拾音器获取托辊声音数据；通过上期或目前视频采集的机架变形
图像的人工智能识别，获取在对应的时空域机架处的变形程度数据；将所提取的声音数据
和机架变形程度输入人工智能模式识别器，进行数据融合；信息融合优化故障诊断决策，并
显示于人机界面；本发明极大降低了皮带机现场巡视，提高了人工智能故障检测精确，优化
检测资源的利用效率。

附图说明

[0015] 图1是本发明检测方法的流程图；

具体实施方式

[0016] 通过下面的实施例可以详细的解释本发明，公开本发明的目的旨在保护本发明范围内的一切技术改进。

[0017] 结合附图1所述的巡检机器人对皮带机托辊故障的检测方法，包括如下步骤：

[0018] (1)、巡检机器人上搭载的高清摄像机对机架边缘处的变形量进行识别获取，通过图像坐标转换成实际的变形程度量序列Jl(l＝1，2，3…，N)；l表示此时托辊位置序号；

[0019] 根据机架部署，分析机架变形处对托辊受力影响的程度，机架无变形处的影响为0，机架变形量为Jmk处导致托辊受力等于正常的3倍，机架变形严重程度归一化0.9，依据机架整体变
形量归一化的函数关系加权，加权序列函数为

[0020] (2)、巡检机器人上搭载的声音传感器对皮带机沿线托辊运行时产生的噪音进行采集，托辊声音异响由时频域特征提取检测判断，归一化处理表示声音的故障程度；

[0021] (3)、机架变形加权系数设为0.37，获取基于机架变形程度对托辊早期故障检测的加权序列0.37K1，l，中间按规定的测试加权序列函数对应设立；

[0022] (4)、提取相应的托辊声音异响特征序列，理想的正常托辊特征归一化为0，各特征指标达到或超过托辊故障界限归一化为1，取相应的托辊声音异响特征距离托辊故障界限
线性最大值(取1范数)为特征序列归一化值，获得异响特征序列K2，l，加权系数为0.63，得到
异响特征加权序列0.63K2，l；

[0023] (5)、综合加权得出托辊异常信息融合判断值Kl＝0.37K1，l+0.63K2，l；Kl小于0.5为正常，Kl大于等于0.5异响显著并报警；大于等于0.60显著异响，报警通知工作人员及时重
点关注，数据导入托辊异响知识库，显示于人机界面。

[0024] 实施例1‑10

[0025] 从多个托辊中，任意选取81‑90号托辊，作为检测对象，托辊异响判断值如下表所示：

[0026]

[0027] 本发明未详述部分为现有技术。

[0028] 为了公开本发明的发明目的而在本文中选用的实施例，当前认为是适宜的，但是，应了解的是，本发明旨在包括一切属于本构思和发明范围内的实施例的所有变化和改进。