利用機器視覺遠程監(jiān)測煤礦帶式輸送機故障

文 靈，謝元媛

(烏魯木齊職業(yè)大學，新疆 烏魯木齊 830002)

煤礦產(chǎn)業(yè)在工業(yè)領(lǐng)域中表現(xiàn)突出，科技飛速發(fā)展促進煤礦業(yè)的自動化水平不斷攀升。煤礦帶式輸送機憑借簡易、高效、遠程等優(yōu)勢，對散狀、大型等物料均具有良好的輸送能力，作為工業(yè)生產(chǎn)工藝環(huán)節(jié)中重要的運輸設(shè)備，該設(shè)備為降低輸送成本、減小勞動強度、提升生產(chǎn)效率作出了重大貢獻[1]。輸送機由數(shù)以千計的托輥、滾筒及驅(qū)動滾筒等元件構(gòu)成，若任意旋轉(zhuǎn)元件出現(xiàn)性能退化現(xiàn)象，均會導致輸送機異常故障發(fā)生，設(shè)備始終處于不間斷的負載運行狀態(tài)，一旦未及時發(fā)現(xiàn)、處理，使故障突發(fā)，就會形成鏈式反應(yīng)，引發(fā)生命、財產(chǎn)損失等不可估量的嚴重后果[2]。為此，國內(nèi)外諸多學者紛紛就此課題展開深入研究。在國外，部分工作者基于常見的旋轉(zhuǎn)機械故障機理[3]，建立故障診斷模型；在國內(nèi)，楊林順研究小組與周從軍[4-5]分別采用圖像處理技術(shù)與蟻群算法，構(gòu)建出輸送帶跑偏故障在線檢測技術(shù)與輸送機運行狀態(tài)監(jiān)控系統(tǒng)。雖然上述方法均取得了較好的研究成效，但綜合性能欠佳，國外建立的診斷模型僅用于輸送機設(shè)備自身故障，檢測技術(shù)僅用于輸送帶跑偏故障，而監(jiān)控系統(tǒng)采用的蟻群算法收斂速度較慢。

綜上，本文采用機器視覺技術(shù)，通過模擬人眼視覺，實現(xiàn)帶式輸送機異常故障遠程監(jiān)測。機器視覺技術(shù)靈活性較強，適用于煤礦業(yè)的復雜工作環(huán)境，有助于及時發(fā)現(xiàn)設(shè)備及環(huán)境異常，提升自動化程度與監(jiān)測精準度，確保輸送機安全可靠運行，加快生產(chǎn)效率，減小工作量，確保人員安全。

1 機器視覺遠程監(jiān)測架構(gòu)搭建

運用機器視覺技術(shù)來遠程監(jiān)測煤礦帶式輸送機的異常故障，從本質(zhì)上講，就是利用計算機視覺與圖像處理技術(shù)[6-7]，通過模擬人眼視覺，提取輸送機有效圖像信息，經(jīng)處理、預判，以非接觸形式自動化地檢測出輸送機存在的異常故障。

采用電荷耦合器件工業(yè)相機、圖像處理器、計算機等主要部件，發(fā)光二極管照明裝置、除塵裝置等輔助部件，建立機器視覺遠程監(jiān)測架構(gòu)，如圖1所示。

圖1 機器視覺遠程監(jiān)測架構(gòu)示意Fig.1 Schematic diagram of machine vision remote monitoring architecture

將電荷耦合器件工業(yè)相機同步采集的輸送機工作圖像，經(jīng)以太網(wǎng)[8]實時傳輸至圖像處理器；根據(jù)光反射理論[9]，異常故障發(fā)生時，光源會產(chǎn)生漫反射現(xiàn)象[10]，照射在輸送機上形成的反射光線平行進入視覺傳感器后，因反射光差異得到灰度值呈不同分布特點的圖像，利用圖像處理器，根據(jù)連續(xù)多幀圖像的灰度差[11]，提取出故障信息，呈現(xiàn)在計算機上，實現(xiàn)異常故障監(jiān)測。開始監(jiān)測前，將輸送機異常故障類別及工作環(huán)境的幾何特征、紋理特征等屬性[12-13]輸入圖像處理器中，以便后續(xù)故障判定。

為更準確、更全面地監(jiān)測輸送機異常故障，在輸送機托輥、膠帶等主要部件[14-15]上安裝不同類型、不同功能的傳感器，提升故障監(jiān)測結(jié)果的可靠性。傳感器的具體選型與用途見表1。

表1 基于不同監(jiān)測目標的傳感器選取Tab.1 Sensor selection based on different monitoring targets

在輸送機持續(xù)運轉(zhuǎn)的過程中，為準確處理連續(xù)多幀的視覺圖像，采用下列方程式，計算監(jiān)測目標的移動速度：

v=Δs/Δt

(1)

式內(nèi)，Δs、Δt分別為監(jiān)測目標的相對位移與連續(xù)兩幀間的時隙，計算公式如下：

Δs=si-si-1

(2)

Δt=ti-ti-1

(3)

式中，si、ti為第i時刻下監(jiān)測目標的空間位置與幀時間；si-1、ti-1為第i-1時刻下監(jiān)測目標的空間位置與幀時間。

3 實例驗證與分析

針對某企業(yè)一臺運行中的KM-SSJ型輸送機，搭建試驗場景。根據(jù)輸送機的驅(qū)動方向與運行方向，布置照明裝置、除塵裝置等輔助設(shè)備，明確視覺方向后，利用監(jiān)測架構(gòu)對該輸送機展開遠程監(jiān)測。

機器視覺的根本為圖像，按照監(jiān)測架構(gòu)采集、傳輸、處理、呈現(xiàn)的實現(xiàn)流程，從圖像角度將其重新劃分為對比度增強、濾波降噪、閾值分割、故障定位及故障判定5個階段。從工業(yè)相機采集的圖像中任意選取一張輸送帶撕裂圖像，如圖2(a)所示。對于該初始圖像，每個階段采取的處理方法與所得視覺結(jié)果分別如下。

(1)對比度增強。采用直方圖均衡化方法[16]處理工業(yè)相機采集的初始圖像，通過非線性拉伸，重新分配圖像像素值，使灰度直方圖較為集中的灰度區(qū)間均勻分布在整個灰度范圍里。均衡化處理前后的圖像如圖2所示。

圖2 直方圖均衡化圖像示意Fig.2 Schematic diagram of histogram equalization image

比較處理前后的圖像可以看出，經(jīng)過直方圖均衡化處理后，不僅突出了初始圖像中的特定信息，顯著強調(diào)圖像的興趣特征，而且無效信息受到極大程度削弱，拉大了感興趣部分與不感興趣部分的差異性，為圖像的下一步處理奠定了良好的對比度基礎(chǔ)。

(2)圖像濾波降噪。利用改進的小波域均值濾波法[17]，濾除增強圖像中含有的混合噪聲。針對圖像各像素點移動模板，令各點與濾波模板中心依次重疊。因模板尺寸對濾波效果存在一定影響，故先基于初始圖像探討兩者之間的關(guān)系。此環(huán)節(jié)的實驗結(jié)果如下：模板規(guī)格為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時，對應(yīng)的峰值信噪比為87.46、86.28、84.88、83.91、81.71、80.11、77.57、77.06 dB。

由此可見，模板規(guī)格越大，峰值信噪比越小。因此，選取尺寸為3 mm×3 mm的濾波模板(注：模板尺寸最小規(guī)格是3 mm×3 mm)，則通過式(4)進行圖像濾波處理，濾波后的圖像如圖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)

圖3 均值濾波圖像示意Fig.3 Schematic diagram of mean filtered image

對比圖2(b)的增強圖像可知，經(jīng)均值濾波降噪處理過的圖像，在未降低圖像對比度的基礎(chǔ)上，圖像細節(jié)更加清晰，且能有效去除增強圖像中含有的混合噪聲。根據(jù)模板尺寸與濾波效果之間的負相關(guān)性，今后投入應(yīng)用時均選取3×3的濾波模板，提升去噪效果，減小模糊度。

(3)圖像閾值分割。為快速定位與判定異常故障，根據(jù)圖像灰度分布的不同，通過閾值分割去除圖像背景，保留存在潛在故障的目標圖像。該環(huán)節(jié)中先利用canny算子[18]，獲取圖像邊緣，提升細節(jié)精度，再依據(jù)像素點的鄰域灰度分布形式，利用式(5)明確濾波圖像的閾值大小，得到目標與背景的閾值分割圖像，如圖4所示。

圖4 閾值分割后故障范圍示意Fig.4 Schematic diagram of threshold segmentation image

(5)

式中，σ為標準差，為滿足實驗環(huán)境需求，手動調(diào)整標準差；c為偏移量。

結(jié)合圖3所示的均值濾波圖像可以看出，分割后的圖像邊緣精準度更高，背景里也不存在明亮噪聲，更好地實現(xiàn)了監(jiān)測目標與背景的分離，保證了故障定位與判定的圖像質(zhì)量，有助于提升遠程監(jiān)測準度。

(4)異常故障判定。融合支持向量機[19]與組合核函數(shù)[20]，構(gòu)建基于組合核函數(shù)的支持向量機。該支持向量機用于配比故障定位圖像與圖像處理器顯示的幾何特征、紋理特征等屬性，判定異常故障的類別。該支持向量機的判定實現(xiàn)模式如圖5所示。

圖5 基于支持向量機的異常故障種類判定結(jié)構(gòu)圖Fig.5 Structure diagram of abnormal fault type determination based on support vector machine

根據(jù)計算機上顯示的異常故障監(jiān)測結(jié)果可以看出，異常故障判定結(jié)果吻合故障發(fā)生的實際情況，均為輸送帶撕裂故障。

所得監(jiān)測結(jié)果可以直觀獲取到輸送機異常故障的遠程監(jiān)測結(jié)果，為工作人員迅速作出相應(yīng)舉措提供有效依據(jù)，加快故障檢修速度，防止產(chǎn)生一系列連鎖反應(yīng)，導致事態(tài)升級。

3 結(jié)論

煤炭需求逐年升高，煤礦帶式輸送機憑借大輸送量、長輸送距離、高輸送效率等諸多優(yōu)點，在煤礦行業(yè)的生產(chǎn)領(lǐng)域中得以廣泛應(yīng)用，并逐漸演變成不可或缺的輸送設(shè)備。輸送機作為旋轉(zhuǎn)機械，如若故障發(fā)生、升級，勢必會造成無法預計的財產(chǎn)損失與人員傷亡。為降低人工巡檢強度，及時、準確地發(fā)現(xiàn)異常故障，以機器視覺為技術(shù)支撐，提出異常故障遠程監(jiān)測方法。各項技術(shù)迅猛發(fā)展，輸送機日益呈復雜化、大型化方向發(fā)展，故障類型也越來越多樣化，因此，從以下兩點完善監(jiān)測方法，增加適用性與實用價值：持續(xù)更新故障數(shù)據(jù)庫，盡可能覆蓋所有故障類型；結(jié)合新型元件與圖像處理算法，進一步優(yōu)化視覺質(zhì)量。