矿井带式输送机智能监控系统的设计及应用

张忠伟

（阳泉煤业集团七元煤业有限责任公司，山西 寿阳 045000）

引言

带式输送机的正常运行是保证煤矿开采安全的重要条件，因此，监控带式输送机的运行情况非常重要。本文主要关注皮带运行环境中的以下四种异常情况：一是皮带是否转动。皮带的怠速意味着皮带仍在运行，而不运输任何材料。如果皮带闲置了很长一段时间，它就会在一定程度上消耗电力资源，而且不会带来任何生产收入，这是对资源的浪费。二是皮带是否偏离。在正常运行环境下，皮带根据一定的运行轨道在滚筒上反复运行。皮带偏差表示皮带偏离正常运行轨道[1]。相对于正常的轨道，皮带可能会向左或向右转向。更严重的是，皮带可能与辊子分离，这可能导致材料滑动、皮带撕裂等。三是皮带上是否有异物。由于一些外部事故或人员疏忽，可能导致木材、石材甚至生产工具等异常物品通过皮带输送机运输。监测系统需要发现这些异物，并及时通知工作人员。四为是否有人太靠近皮带。在正常情况下，人们需要与皮带保持一定的安全距离，以避免发生安全事故。当保持距离小于安全距离时，会提前预警。

1 智能监控系统功能实现设计

常用的方法是利用传感器、PLC 等工业技术对皮带运行现场进行实时监测和状态分析。该方法可以取得一定的效果，但成本高，硬件设备容易损坏。近年来，随着深度学习技术和计算机视觉技术的发展，提出了利用计算机视觉技术监测和分析传送带异常情况的方法，该方法更便宜，更易于维护[2]。利用分布式光纤测量技术监测带式输送机的状态，利用深度学习和极端学习机器在线检测皮带偏差的情况，还可以利用基于深度卷积网络的带边检测方法监测皮带偏差异常，并且采用机器视觉技术监测皮带撕裂、偏差等异常情况。监控系统的核心算法是采用YOLO 目标检测算法，分析YOLO 目标检测算法的检测结果，结合一些分析技巧，实现带式输送机运行的实时监控，具体流程如图1 所示。

图1 系统设计流程示意图

2 基于局部像素差的带式输送机运行与停机判断

2.1 相邻帧数算法简介

首先确定皮带是否处于运行状态。当皮带未处于运行状态时，不需要对皮带进行其他异常监测。通过计算图像的相似度来测量皮带运行和关闭的监控方法，在一个固定的摄像机区域中，记录皮带运行的图像。监控算法通过计算相邻视频帧之间的图像相似度来判断带的状态，图像相似度的范围为0～1[3]。理论上，当图像相似度接近1 时，表示相邻视频帧的图像非常相似，皮带处于关机状态；相反，当图像相似度接近0 时，表示相邻视频帧的图像变化较大，皮带处于运行状态。但是皮带怠速时，相邻帧图像相似度高，容易引起误识别；而皮带处于关闭状态时，相邻视频画面的图像因摄像机轻微抖动而变化，也容易导致误识别。因此提出的方法结合了相邻视频帧之间的局部像素差异及其方差的大小，可以更好地区分传送带的运行和停机状态[4]。如图2 所示，比较选定矩形区域中相邻10 帧的两个图像之间的像素差异。

图2 相邻10 帧的皮带运行图像

2.2 图像识别算法的判决

判断算法是比较图像t 帧中两幅图像之间的差异，记录实时的图像尺寸V 和数据方差S2。然后判断皮带在每个时间t 帧中的状态。判断指数是综合考虑t 帧中差分矩阵的大小和方差。如果皮带速度V 和行程S 的大小在设定的阈值内，就认为皮带已经停止了[5]；否则，如果皮带速度V 和行程S 超过设定阈值，目标检测算法不检测煤物，认为皮带处于空转状态。常采用方差S2的平均值作为判定，或由其他的方法进行判定。例如使用时间t 帧中差分矩阵的元素值的中值来描述速度V，使用方差的中值来描述S2[6]。如图3 为T-S 模型，可以根据该模型实现图像识别算法的初始设定。

图3 T-S 模型预测效果图

3 智能监控系统现场工程应用

监测系统判断皮带运行后将进行异常监测，主要包括怠速监测、偏差监测、异物监测、人员违规四种类型。检测对象模型的检测类别为煤、无煤、辊、人、木、石、铁。监控系统的对象检测模型使用YOLOv3 软件的检测模型。摄像机录制的视频传输到YOLOv3 检测模型作为训练数据集，获得训练后的皮带数据质量文件。然后，将使用质量文件来检测摄像机的实时视频输入。

1）第一个方法是监测皮带是否处于怠速状态。目标检测模型在一段时间内没有检测到煤炭对象时，该类别为“无煤”。同时，检测到皮带处于运行状态，因此认为皮带处于空转状态，此时不运输煤炭。系统将输出“皮带怠速”的异常信息，并将输出信息传输至广播系统进行预警，提醒员工此时皮带处于怠速状态。

2）第二种方法是监测皮带是否偏离。此时，关注的重点是“滚子”的检测类别。在皮带正常运行的条件下，目标检测模型应检测6 个滚轮（或超过6个），即皮带左侧3 个滚轮、右侧3 个滚轮，如图4-1 所示为正常的检测情况，图4-2 为偏差情况下的检测情况。

图4 皮带检查的工程监测情况

3）第三个问题是监测传送带上是否有异物。此时，对于异物包括“木材”“石头”“铁”的探测类别。当目标检测算法的输出结果包含这三类时，系统认为皮带上输送的煤含有异物，系统会输出“带异物”的异常信息。

4）第四个问题是监控人们是否太靠近皮带。在这种情况下，系统关注的检测类别是“煤”和“人”。在此情况下，人员始终处于活动状态，移动范围相对较大，皮带的移动范围相对固定，因此以皮带作为参考，设定安全临界值的范围。通常使用工作经验来设置。具体操作方法如下：将人、安全带的安全临界值范围设置为[L-c，L+c]，其中c 为相对较小的正数，表示预警临界值的误差范围。只要人与皮带距离大于L+c，为正常工作现场，没有人与皮带距离太近。

如果人与皮带之间的距离为[L-c，L+c]范围内，系统会提醒您可能离皮带太近。如果人与皮带距离小于L-c，系统会报警，表明人与皮带距离过近，小于安全范围，可能发生安全事故。另外，如果对象检测算法没有在相机区域中检测到人，则表示人与皮带之间的距离很远，并且没有人靠近皮带的异常情况。应注意的是，皮带与人员的距离计算如下：当人员位于皮带左侧时，通过计算“人”中心的横坐标与“煤”中心的横坐标的差，得出皮带与人员的距离。同样，当人员在皮带右侧时，通过计算“人员”检查框左上角横坐标与“煤”类检查框中心横坐标的差，得到皮带与人员之间的距离，如下页图5 所示。

图5 安全带附近人员距离预警示意图

4 结语

利用现代化智能技术对带式输送机在日常运行过程中的不安全因素进行实时监测。基于计算机视觉技术，构建了一套监测传送带异常情况的智能系统。主要使用的方法是基于局部像素差的带式输送机运行和停机判断算法和YOLO 目标检测算法。然后，对两种算法的输出结果进行了分析，实现了对带四种异常情况的实时监测。研究成果提升了带式输送机的本质安全化管理水平，为矿井设备电气系统的智能化方向发展提供了依据。