电厂输煤皮带运行缺陷类型及智能检测技术分析

苏晋朔州煤矸石发电有限公司 杨 浩

电厂中的带式输送机主要由驱动滚筒、张紧滚筒、托辊以及皮带等部分组成。其中，驱动滚筒可以为皮带提供足够的运行动力，牵引皮带朝着前方运行；张紧滚筒可为皮带提供充足的张力，使皮带与驱动滚筒间的摩擦力充足，保障二者可以同步运行；托辊可支撑上下段皮带工作，降低皮带运行期间的阻力；皮带可有效传递牵引力，同时承载来自煤料的重量。

输送机的工作原理具体如下：皮带绕过不同的滚筒，最终形成完整的闭合结构，支持不同滚筒的相互协作，保障输煤皮带能够时刻处于紧绷的工作状态。设备运行期间，电机可以带动滚筒转动，随后驱动滚筒与皮带的摩擦力可以带动皮带朝着前方运行，基于托辊的作用皮带沿着设备机架中心线进行运动，使煤料可以从进料槽快速地运输到卸料槽中。设备长距离运行过程中，皮带需要负载几吨以上的煤料，皮带在传递牵引力的同时，还要带动煤料运输，所以输煤皮带的运行安全性，将直接关系到输送机的实际输送能力。

1 电厂输煤皮带运行缺陷类型分析

笔者在电厂输煤皮带运行过程中进行了故障检测分析，从中发现了跑偏故障和打滑故障问题，为了更好地解决故障，需根据输煤皮带的缺陷类型完成故障处理。

1.1 跑偏故障

在观察设备运行时，笔者发现输煤皮带时常会出现轻微的跑偏现象，但是当地势发生变化或输送路径出现一定角度的转弯时，皮带会通过扭转或偏移完成对煤料的顺利输送。因皮带具有弹性，可克服适当的跑偏，但是一旦皮带扭转角度或横向偏离距离过大，皮带的运行将会遇到跑偏故障问题，如果不及时调整将会造成皮带损毁或设备撒煤等问题。

跑偏故障问题的产生会影响皮带的照常使用及电厂生产安全，分析输煤皮带跑偏故障的产生原因，一般包含以下几点：一是皮带歪斜。因安装环节的误差或运行期间的剧烈振动，或滚筒间距离过长，导致皮带与输送机架之间的中心线偏差较大，从而引发故障问题；二是托辊歪斜。荷载较大造成托辊组的轴线和皮带中心线无法垂直，在横向偏移力的作用影响下，皮带发生跑偏问题；三是机架歪斜。因输送机的荷载偏大，机架在横向位置存在高度差，使皮带横向无法水平。受重力的影响，皮带负载运行时存在着从高向低一侧的移动，长此以往发生跑偏故障问题。

根据故障问题的实际情况，本文对不同的跑偏形式加深研究。根据相关工程设计规范，如果输煤皮带沿着带宽的方向进行偏移，偏移量超出带宽的5%，此时就可以判定皮带发生跑偏故障问题[1]。

1.2 打滑故障

除了跑偏故障，笔者在工作中也发现输煤皮带存在严重的滑动现象，具体主要有弹性打滑与打滑两种。由于皮带属于一种弹性体，运行期间皮带因受力而发生形变，皮带弹性形变而造成的滑动现象就叫做弹性滑动，这种滑动无法避免。只要弹性体间存在拉力差，滑动现象就一定会存在。相比之下，打滑是因皮带过载而出现的全面滑动故障现象，这是机器传动失效的一种表现形式。如果滚筒和皮带间速度差超过安全范围，同时打滑现象持续较长时间，输煤皮带将会面临着严重的打滑故障，甚至会造成堆煤与撒煤等问题。

输煤皮带的运输距离通常较长，应加强对皮带运行的全程监控，做好启动与运行、制动时的打滑监测，本文主要针对皮带运行环节进行打滑分析。如图1所示对皮带的受力情况加以研究，静止时滚筒上下端输煤皮带的受力是相等的，F0为初始值拉力情况，随着设备的运行驱动滚筒经过摩擦力带动皮带开始运行，滚筒一侧的皮带拉力从F0转为F1，从动滚筒一侧的皮带拉力从F0转为F2。

图1 皮带输送机受力示意图

造成输煤皮带打滑故障的原因大致为：皮带预紧力F0过小，这与张紧滚筒调整与实际操作规范不相符有关，或皮带松弛老化；包角减少，受地势坡度的影响，皮带运输处于静止状态时皮带会紧贴托辊，而运动状态下，在驱动滚筒的牵引之下，上端皮带与托辊发生脱离，造成包角减小，皮带因此而打滑；摩擦系数减小，出现该问题与滚筒粘煤和皮带更换不及时有关，皮带难以与滚筒表面进行充分的接触，由于皮带未更换，皮带与滚筒表面的纹路逐渐被磨平[2]。

不管出于什么原因，打滑故障都是因皮带受力不足而造成的，故障发生时皮带无法与滚筒进行同步运动，二者间产生偏大的速度差。当速度滑差率≥8%的时候，监测系统需要予以报警警告，如果打滑现象的持续时间≥20s，有必要及时对设备停机警告。

2 电厂输煤皮带运行状态的智能检测技术

2.1 智能视觉监测方案

2.1.1 跑偏故障智能视觉监测方案

为进一步解决跑偏故障问题，笔者采用图像增强的方法，对皮带边缘位置进行检测分析，再按照边缘位置信息对当前皮带跑偏故障加以识别。确定提取皮带的特征信息，以此作为皮带位置的判断依据，一般以颜色直方图和纹理特征作为特征，其中颜色特征可以表示图像全局颜色情况，这一特征不会受到目标形状与大小的影响。纹理特征可表示图像灰度分布情况，该特征对光照的变化并不敏感。为了更好地完善监测方案，笔者决定以皮带边缘轮廓直线特征为主，提高特征信息的抗干扰能力，采用直线段检测算法，按照皮带坐标信息进行跑偏故障的识别分析，科学设置故障判定规则。

经过故障检测分析，笔者采用GEJ30煤矿皮带机综保用跑偏传感器，这是一种矿用设备，可作为带式输送机输送带跑偏检测之用，具有体积小、重量轻、便于安装的特点。传感器安装在皮带两边的支架上，正常时皮带不接触跑偏探杆，传感器的两接线端子不接通。出现跑偏故障时，传感器的两接线端子接通，皮带停车，关联控制箱语音报警。

对于输送皮带因扭曲而造成的跑偏故障问题，在设备标准运行状态下皮带斜率为，皮带角度偏移安全阈值为+3°。一旦皮带的斜率超出安全阈值，说明当前皮带已经发生跑偏故障问题。对于皮带整体发生左右偏移而造成的故障问题，记录皮带宽度是W，正常偏移范围处于5%W之内，以该处为边界，监测皮带边缘与边界的交集情况，判断当前皮带是否发生故障问题。面对皮带跑偏故障问题，应及时安装摄像设备，对皮带运行中的托辊展开实时图像采集分析，后台系统根据摄像装置捕捉实时图像信息，将其与输煤皮带正常运转情况下的图像对比研究，当皮带运行出现偏移问题时，系统捕捉到的图像如果与正常图像之间存在偏差，此时系统即可立即发出报警。

2.1.2 打滑故障智能视觉监测方案

笔者采用目标跟踪算法对单场景与多场景下进行跟踪。在皮带正上方位置设摄像机，使其向下俯视皮带，跟踪范围缩小。为了降低计算量，先提取运动区域，检测其中的角点特征，对其跟踪分析。在皮带图像内，摄像头位置与背景画面固定，采用ViBe算法提取运动区域，检测其中的角点，再用光流法跟踪角点。根据皮带速度信息识别故障问题，要求皮带滚筒间的速度差≤8%，可设置最大与最小阈值，以此用来判断皮带的打滑故障问题，利用监测系统分析当前输煤皮带的运行情况。

根据输煤皮带运行中的缺陷类型，采用适应的智能检测技术，比如皮带运行出现异常噪声或打滑故障，可根据噪声的强弱来判别分析，在皮带周围安装声音采集器，采集设备运行期间的声音信号，将其与皮带正常运行环节的声音频谱进行对比，一旦出现异常情况，系统将会立即报警处理。在系统中安装激光发射器，使其能够自觉照射皮带，激光束会在输煤皮带的表面产生与皮带表面相符合的轮廓线，摄像机对运行期间的皮带持续拍摄，再将最终的成像传输给系统主机，完成对划伤、打滑等故障问题的识别与监控，提出报警信号，处理摄像机拍摄的图像。

2.2 基于长距离轨道机器人自动跟踪技术

电厂安全生产过程中，输煤皮带的长度可以达到数百米，上下坡或阻碍物的存在会导致机器人轨道安装难度较大，轨道的牢固性、粉尘对轨道设备的可靠性存在影响，笔者根据不同场景掌握输煤线的作业情况，防止设备实际运行状态受到影响，随后再根据轨道设计安装的实际情况，明确长轨道对供电的严格要求，选择无线电源传输方式，防止危险电源火花造成的火灾或爆炸等事故问题，避免智能检测系统给输煤线带来风险隐患。

采用机器人视觉自动跟踪技术，笔者通过检测的方式与匹配的方法，在轨道机器人上安装红外与高清摄像仪器，支持摄像装置360°的旋转，以此完成对视觉的自动跟踪，按照现场环境采用机器人视觉检测技术，完成对图像的高效处理，随后再利用喷淋系统降低粉尘对镜头的不良影响，保障皮带实时检测效果。

2.3 多设备数据集成与皮带自动检测系统

笔者在工作中观察系统的实际运行情况，利用智能化巡检机器人，使其较好地代替人工，在电厂恶劣的环境下执行独立巡检作业，合理选择技术路线，解决人工巡检的盲点问题，扩大系统运行覆盖范围，提高系统运行效率。凭借大数据与云计算等技术，依靠机器人和激光检测技术，创建输煤皮带自动化智能检测平台，提高系统运行的安全管理水平。

创建煤炭传输系统，笔者凭借该系统的运行通常会涉及机器人、传感器、摄像装置与撕裂检测装置等设施。与此同时，系统内还具备不同的模块，比如数据采集、数据传输与数据计算模块，联合图像分析模块，通过对软硬件设施的应用，实现数据之间的交互集成，通过对XML技术、数据库底层、WebService等数据交互技术的应用，完善系统建设。笔者选用OPC技术，联合消息总线与文件传输技术，提高数据交互水平。智能化数据采集系统为输煤皮带运行的大数据分析与机器学习提供了多维度原始数据，立足于多设备数据集成处理系统，提高智能检测系统对设备故障报警动作的响应效率，及时响应报警问题，完成故障处理，尽可能地防止保护装置出现误操作现象[3]。

创建输煤皮带运行自动检测系统，笔者在设备检测与运行工作中及时发现了皮带打滑与跑偏故障问题，随后系统会自动进行报警保护动作，防止保护误动拒动引发故障停运问题，降低故障巡检的工作强度，减少人员对粉尘的接触时间，使输煤皮带智能检测系统运行更加可靠。创建巡检机器人平台，利用撕裂监测系统、编码器、跑偏开关与温度速度传感器，将系统检测到的数据和图像根据参数规则情况，科学计算检测结果，使最终检测结果与数据可以显示在屏幕中，随后为操作人员提供远程操作按钮，完成对异常数据的记录，为接下来的大数据分析与机器学习提供科学参考依据。