一种数据融合及深度学习的刮板链条预警系统和检测方法技术方案

本发明专利技术提供了一种数据融合及深度学习的刮板链条预警系统和检测方法，包括链条检测装置和上位机，所述链条检测装置安装于刮板机的机尾，所述链条检测装置包括防爆箱体和设于防爆箱体中的激光3D轮廓相机，所述防爆箱体的可视面设置为透明防爆玻璃，所述激光3D轮廓相机通过透明防爆玻璃对刮板机机尾处的链条进行扫描取景，所述防爆箱体上设置有针对透明防爆玻璃的雨刷结构，所述上位机通过控制线路连接激光3D轮廓相机和所述雨刷结构的控制端。该系统和检测方法在井下实时检测，及时预警，精准定位，大幅提高矿下生产的安全。大幅提高矿下生产的安全。大幅提高矿下生产的安全。

【技术实现步骤摘要】
一种数据融合及深度学习的刮板链条预警系统和检测方法


[0001]本专利技术涉及煤矿机械领域，具体的说，涉及了一种数据融合及深度学习的刮板链条预警系统和检测方法。

技术介绍

[0002]刮板输送机是用于矿下煤矿输送的设备，其工作原理是电机驱动链条、链条带动刮板做往复运动，刮板推动煤炭进行输送，但由于刮板机在承受煤炭重量后，链条会发生弹性形变和塑性形变，在链条加剧形变后，会发生断链的情况，影响设备正常运行的同时，极易引发安全事故增加安全风险。
[0003]目前市场上仅有地面应用的表面检测装置，由于井下光线环境差等问题，暂无可适用于井下使用场景的产品，将链条取下拿到地面检测后再装回十分繁琐，还影响工期，且有可能在装卸的过程中导致链条受损。
[0004]另外，目前井下使用的断链检测方法目前滞后性较强，均为断链后的停机保护，无法做到提前预警。
[0005]因为无法实时准确检测链条状态，进而引发断链事故，导致生产停滞，增加安全风险等问题，故该问题已经成为煤矿开采过程中的痛点。
[0006]为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

技术实现思路

[0007]本专利技术的目的是针对现有技术的不足，从而提供一种井下实时检测，及时预警，精准定位，大幅提高矿下生产的安全的一种数据融合及深度学习的刮板链条预警系统和检测方法。
[0008]为了实现上述目的，本专利技术所采用的技术方案是：一种数据融合及深度学习的刮板链条预警系统，包括链条检测装置和上位机，所述链条检测装置安装于刮板机的机尾，所述链条检测装置包括防爆箱体和设于防爆箱体中的激光3D轮廓相机，所述防爆箱体的可视面设置为透明防爆玻璃，所述激光3D轮廓相机通过透明防爆玻璃对刮板机机尾处的链条进行扫描取景，所述防爆箱体上设置有针对透明防爆玻璃的雨刷结构，所述上位机通过控制线路连接激光3D轮廓相机和所述雨刷结构的控制端。
[0009]基上所述，所述上位机中部署点云数据处理系统和深度学习系统；所述点云数据处理系统用于提取链条信息，并构建链条的三维曲面模型，所述深度学习系统用于识别裂纹。
[0010]基上所述，所述链条检测装置通过安装架安装在刮板机上。
[0011]一种数据融合及深度学习的刮板链条预警检测方法，包括激光3D轮廓相机和上位机，所述上位机中部署，点云数据处理系统和深度学习系统，其中，点云数据处理系统根据链条点云的几何数据、散射率数据进行测量训练，以便从获取的数据中提取处链条数据；深度学习系统包括神经网络模型，是这样形成的：导入具有链条点云的几何数据、散射率数据
的数据样本集，将数据转化为灰度共生矩阵，并对其中的特征值进行训练，用训练结果对链条上的裂纹进行识别，并进行分类；然后通过以下步骤进行检测：步骤1）激光3D轮廓相机对链条进行扫描拍摄，将获取的数据发送至上位机；步骤2）上位机中的点云数据处理系统接收到数据后，从获取的数据中辨别出链条特征，剔除不相关数据和误差数据，通过融合分析的点云分割方法对点云数据进行分割，然后再根据曲面拟合方法，构建链条的三维曲面模型；步骤3）深度学习系统获取链条的三维曲面模型后，根据内置的神经网络训练模型，识别出链条上的裂纹信息，并根据裂纹信息进行分级。
[0012]基上所述，所述的深度学习系统中，通过多参数融合的方式提高识别率，结合深度学习神经网络结构，建立多参数链条裂纹识别模型，模型中包括：输入层：用于表示预处理后的传感器信号；输出层：用于表示结果；根据深度学习神经网络模型的训练，将裂纹程度分为轻度、重度预警。
[0013]基上所述，所述上位机根据裂纹程度进行预警和报警后，启动计数器，计算报警后经过的链环数量N，根据计数结果，准确定位问题链环的位置。
[0014]本专利技术相对现有技术具有突出的实质性特点和显著的进步，具体的说，本专利技术依托于激光3D轮廓相机、点云数据处理系统，和深度学习神经网络，对井下运行状态下的刮板机链条进行实时的检测和预警，发现裂纹后能够及时报警，避免引发断链事故，保证生产的连续和连贯。
[0015]进一步的，链条检测装置部署在刮板机尾端，刮板机尾端的煤量较少，链条经过机尾时，多数时间为裸露状态，可提高检测的准确率。
[0016]进一步的，通过点云数据处理系统，可以将激光3D轮廓相机获取的数据进行除杂，仅留存链条数据，减小数据冗余，然后通过点云分割、曲面拟合的方式，构建链条的三维数据模型。
[0017]进一步的，通过深度学习神经网络的构建，对链条的裂纹进行识别和分级，进而完成对链条状态的检测和预警工作。
[0018]进一步的，通过计数器的引入，结合报警器，可以准确定位出问题链条，及时更换维修，避免引发安全事故。
附图说明
[0019]图1是本专利技术中数据融合及深度学习的刮板链条预警系统的结构示意图。
[0020]图2是本专利技术中距离点云图对比图。
[0021]图3是本专利技术中散射率点云图对比图。
[0022]图4是本专利技术中强度点云图对比图。
[0023]图5是本专利技术中3D轮廓图对比图。
[0024]图6是本专利技术中深度学习神经网络结构图。
[0025]图中：1.刮板机；2.链条；3.上位机；4.激光3D轮廓相机；5.防爆箱体。
具体实施方式
[0026]下面通过具体实施方式，对本专利技术的技术方案做进一步的详细描述。
[0027]如图1所示，一种数据融合及深度学习的刮板链条预警系统，包括链条检测装置和上位机3，所述链条检测装置通过安装架安装于刮板机1的机尾，也可以安装在刮板机1的任意位置，以能够排到链条2为准。
[0028]所述链条检测装置包括防爆箱体5和设于防爆箱体中的激光3D轮廓相机4，所述防爆箱体5的可视面设置为透明防爆玻璃，所述激光3D轮廓相机4通过透明防爆玻璃对刮板机机尾处的链条进行扫描取景，所述防爆箱体上设置有针对透明防爆玻璃的雨刷结构，所述上位机通过控制线路连接激光3D轮廓相机和所述雨刷结构的控制端。
[0029]激光3D轮廓相机主要用于取景，获取包含有链条的数据信息，防爆箱体主要用于保护激光3D轮廓相机和线路，雨刷结构主要用于定时的对防爆箱体进行清扫，避免影响激光3D轮廓相机的工作环境，雨刷由上位机控制，既可以定时启动，也可以根据激光3D轮廓相机所获取的图像判断是否需要清理。
[0030]所述上位机中部署点云数据处理系统和深度学习系统；如图2
‑
图5所示，点云数据处理系统根据链条点云的几何数据、散射率数据进行测量训练，其中，几何数据包括距离、强度、外轮廓形状等，以便从获取的数据中提取处链条数据，再根据曲面拟合原理和方法，构建链条的三维曲面模型。
[0031]所述深度学习系统神经网络模型，是这样形成的：导入具有链条点云的几何数据、散射率数据的数据样本集，将数据转化为灰度共生矩阵，并对其中的特征值进行训练，用训练结果对链条上的裂纹进行识别，并进行分类。
[0032]如图6所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据融合及深度学习的刮板链条预警系统，其特征在于：包括链条检测装置和上位机，所述链条检测装置安装于刮板机的机尾，所述链条检测装置包括防爆箱体和设于防爆箱体中的激光3D轮廓相机，所述防爆箱体的可视面设置为透明防爆玻璃，所述激光3D轮廓相机通过透明防爆玻璃对刮板机机尾处的链条进行扫描取景，所述防爆箱体上设置有针对透明防爆玻璃的雨刷结构，所述上位机通过控制线路连接激光3D轮廓相机和所述雨刷结构的控制端。2.根据权利要求1所述的数据融合及深度学习的刮板链条预警系统，其特征在于：所述上位机中部署点云数据处理系统和深度学习系统；所述点云数据处理系统用于提取链条信息，并构建链条的三维曲面模型，所述深度学习系统用于识别裂纹。3.根据权利要求2所述的数据融合及深度学习的刮板链条预警系统，其特征在于：所述链条检测装置通过安装架安装在刮板机上。4.一种数据融合及深度学习的刮板链条预警检测方法，其特征在于：包括激光3D轮廓相机和上位机，所述上位机中部署，点云数据处理系统和深度学习系统，其中，点云数据处理系统根据链条点云的几何数据、散射率数据进行测量训练，以便从获取的数据中提取处链条数据；深度学习系统包括神经网络模型，是这样形成的：导入具有链条点云的几何数据、散射...

【专利技术属性】
技术研发人员：王永强，张幸福，李春鹏，徐沐，任乐乐，张佳，杨文明，崔科飞，李国威，王东安，李平辉，张翅，董梦磊，黄莹，杨元凯，朱轩成，
申请(专利权)人：郑州煤机液压电控有限公司郑州煤机长壁机械有限公司，
类型：发明
国别省市：