利用机器视觉远程监测煤矿带式输送机故障

文 灵，谢元媛

(乌鲁木齐职业大学，新疆 乌鲁木齐 830002)

煤矿产业在工业领域中表现突出，科技飞速发展促进煤矿业的自动化水平不断攀升。煤矿带式输送机凭借简易、高效、远程等优势，对散状、大型等物料均具有良好的输送能力，作为工业生产工艺环节中重要的运输设备，该设备为降低输送成本、减小劳动强度、提升生产效率作出了重大贡献[1]。输送机由数以千计的托辊、滚筒及驱动滚筒等元件构成，若任意旋转元件出现性能退化现象，均会导致输送机异常故障发生，设备始终处于不间断的负载运行状态，一旦未及时发现、处理，使故障突发，就会形成链式反应，引发生命、财产损失等不可估量的严重后果[2]。为此，国内外诸多学者纷纷就此课题展开深入研究。在国外，部分工作者基于常见的旋转机械故障机理[3]，建立故障诊断模型；在国内，杨林顺研究小组与周从军[4-5]分别采用图像处理技术与蚁群算法，构建出输送带跑偏故障在线检测技术与输送机运行状态监控系统。虽然上述方法均取得了较好的研究成效，但综合性能欠佳，国外建立的诊断模型仅用于输送机设备自身故障，检测技术仅用于输送带跑偏故障，而监控系统采用的蚁群算法收敛速度较慢。

综上，本文采用机器视觉技术，通过模拟人眼视觉，实现带式输送机异常故障远程监测。机器视觉技术灵活性较强，适用于煤矿业的复杂工作环境，有助于及时发现设备及环境异常，提升自动化程度与监测精准度，确保输送机安全可靠运行，加快生产效率，减小工作量，确保人员安全。

1 机器视觉远程监测架构搭建

运用机器视觉技术来远程监测煤矿带式输送机的异常故障，从本质上讲，就是利用计算机视觉与图像处理技术[6-7]，通过模拟人眼视觉，提取输送机有效图像信息，经处理、预判，以非接触形式自动化地检测出输送机存在的异常故障。

采用电荷耦合器件工业相机、图像处理器、计算机等主要部件，发光二极管照明装置、除尘装置等辅助部件，建立机器视觉远程监测架构，如图1所示。

图1 机器视觉远程监测架构示意Fig.1 Schematic diagram of machine vision remote monitoring architecture

将电荷耦合器件工业相机同步采集的输送机工作图像，经以太网[8]实时传输至图像处理器；根据光反射理论[9]，异常故障发生时，光源会产生漫反射现象[10]，照射在输送机上形成的反射光线平行进入视觉传感器后，因反射光差异得到灰度值呈不同分布特点的图像，利用图像处理器，根据连续多帧图像的灰度差[11]，提取出故障信息，呈现在计算机上，实现异常故障监测。开始监测前，将输送机异常故障类别及工作环境的几何特征、纹理特征等属性[12-13]输入图像处理器中，以便后续故障判定。

为更准确、更全面地监测输送机异常故障，在输送机托辊、胶带等主要部件[14-15]上安装不同类型、不同功能的传感器，提升故障监测结果的可靠性。传感器的具体选型与用途见表1。

表1 基于不同监测目标的传感器选取Tab.1 Sensor selection based on different monitoring targets

在输送机持续运转的过程中，为准确处理连续多帧的视觉图像，采用下列方程式，计算监测目标的移动速度：

v=Δs/Δt

(1)

式内，Δs、Δt分别为监测目标的相对位移与连续两帧间的时隙，计算公式如下：

Δs=si-si-1

(2)

Δt=ti-ti-1

(3)

式中，si、ti为第i时刻下监测目标的空间位置与帧时间；si-1、ti-1为第i-1时刻下监测目标的空间位置与帧时间。

3 实例验证与分析

针对某企业一台运行中的KM-SSJ型输送机，搭建试验场景。根据输送机的驱动方向与运行方向，布置照明装置、除尘装置等辅助设备，明确视觉方向后，利用监测架构对该输送机展开远程监测。

机器视觉的根本为图像，按照监测架构采集、传输、处理、呈现的实现流程，从图像角度将其重新划分为对比度增强、滤波降噪、阈值分割、故障定位及故障判定5个阶段。从工业相机采集的图像中任意选取一张输送带撕裂图像，如图2(a)所示。对于该初始图像，每个阶段采取的处理方法与所得视觉结果分别如下。

(1)对比度增强。采用直方图均衡化方法[16]处理工业相机采集的初始图像，通过非线性拉伸，重新分配图像像素值，使灰度直方图较为集中的灰度区间均匀分布在整个灰度范围里。均衡化处理前后的图像如图2所示。

图2 直方图均衡化图像示意Fig.2 Schematic diagram of histogram equalization image

比较处理前后的图像可以看出，经过直方图均衡化处理后，不仅突出了初始图像中的特定信息，显著强调图像的兴趣特征，而且无效信息受到极大程度削弱，拉大了感兴趣部分与不感兴趣部分的差异性，为图像的下一步处理奠定了良好的对比度基础。

(2)图像滤波降噪。利用改进的小波域均值滤波法[17]，滤除增强图像中含有的混合噪声。针对图像各像素点移动模板，令各点与滤波模板中心依次重叠。因模板尺寸对滤波效果存在一定影响，故先基于初始图像探讨两者之间的关系。此环节的实验结果如下：模板规格为3 mm×3 mm、4 mm×4 mm、5 mm×5 mm、6 mm×6 mm、7 mm×7 mm、8 mm×8 mm、9 mm×9 mm、10 mm×10 mm时，对应的峰值信噪比为87.46、86.28、84.88、83.91、81.71、80.11、77.57、77.06 dB。

由此可见，模板规格越大，峰值信噪比越小。因此，选取尺寸为3 mm×3 mm的滤波模板(注：模板尺寸最小规格是3 mm×3 mm)，则通过式(4)进行图像滤波处理，滤波后的图像如图3所示。

g(x，y)=[g(x-1，y-1)+g(x，y-1)+g(x+1，y-1)+g(x-1，y)+g(x，y)+g(x+1，y)+g(x-1,y+1)+g(x,y+1)+g(x+1,y+1)]/9

(4)

图3 均值滤波图像示意Fig.3 Schematic diagram of mean filtered image

对比图2(b)的增强图像可知，经均值滤波降噪处理过的图像，在未降低图像对比度的基础上，图像细节更加清晰，且能有效去除增强图像中含有的混合噪声。根据模板尺寸与滤波效果之间的负相关性，今后投入应用时均选取3×3的滤波模板，提升去噪效果，减小模糊度。

(3)图像阈值分割。为快速定位与判定异常故障，根据图像灰度分布的不同，通过阈值分割去除图像背景，保留存在潜在故障的目标图像。该环节中先利用canny算子[18]，获取图像边缘，提升细节精度，再依据像素点的邻域灰度分布形式，利用式(5)明确滤波图像的阈值大小，得到目标与背景的阈值分割图像，如图4所示。

图4 阈值分割后故障范围示意Fig.4 Schematic diagram of threshold segmentation image

(5)

式中，σ为标准差，为满足实验环境需求，手动调整标准差；c为偏移量。

结合图3所示的均值滤波图像可以看出，分割后的图像边缘精准度更高，背景里也不存在明亮噪声，更好地实现了监测目标与背景的分离，保证了故障定位与判定的图像质量，有助于提升远程监测准度。

(4)异常故障判定。融合支持向量机[19]与组合核函数[20]，构建基于组合核函数的支持向量机。该支持向量机用于配比故障定位图像与图像处理器显示的几何特征、纹理特征等属性，判定异常故障的类别。该支持向量机的判定实现模式如图5所示。

图5 基于支持向量机的异常故障种类判定结构图Fig.5 Structure diagram of abnormal fault type determination based on support vector machine

根据计算机上显示的异常故障监测结果可以看出，异常故障判定结果吻合故障发生的实际情况，均为输送带撕裂故障。

所得监测结果可以直观获取到输送机异常故障的远程监测结果，为工作人员迅速作出相应举措提供有效依据，加快故障检修速度，防止产生一系列连锁反应，导致事态升级。

3 结论

煤炭需求逐年升高，煤矿带式输送机凭借大输送量、长输送距离、高输送效率等诸多优点，在煤矿行业的生产领域中得以广泛应用，并逐渐演变成不可或缺的输送设备。输送机作为旋转机械，如若故障发生、升级，势必会造成无法预计的财产损失与人员伤亡。为降低人工巡检强度，及时、准确地发现异常故障，以机器视觉为技术支撑，提出异常故障远程监测方法。各项技术迅猛发展，输送机日益呈复杂化、大型化方向发展，故障类型也越来越多样化，因此，从以下两点完善监测方法，增加适用性与实用价值：持续更新故障数据库，尽可能覆盖所有故障类型；结合新型元件与图像处理算法，进一步优化视觉质量。