【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于鋼絲繩芯輸送帶缺陷智能識(shí)別
，尤其是涉及一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法及系統(tǒng)。
技術(shù)介紹
鋼絲繩芯帶式輸送機(jī)是目前大多數(shù)煤礦的主運(yùn)輸設(shè)備，通常情況下要承擔(dān)65%以上煤量的運(yùn)輸，在現(xiàn)代化煤礦生產(chǎn)中發(fā)揮著極其重要的作用。由于輸送帶的長(zhǎng)期、高負(fù)荷運(yùn)轉(zhuǎn)和一些意外因素，如從其他煤炭輸送系統(tǒng)轉(zhuǎn)載的矸石、煤塊和其他堅(jiān)硬物體的沖擊或卡阻，會(huì)造成輸送帶受損，受損后造成內(nèi)部產(chǎn)生鋼絲繩斷繩、斷絲、疲勞和接頭位移等缺陷，大大降低輸送帶的抗拉強(qiáng)度。經(jīng)分析，煤礦鋼絲繩芯輸送帶橫向斷帶的主要原因是輸送帶接 頭損傷和輸送帶受損后造成內(nèi)部鋼絲繩斷絲、斷繩和疲勞等造成輸送帶強(qiáng)度降低，進(jìn)而造成橫向斷帶。長(zhǎng)期以來(lái)，煤礦鋼絲繩芯輸送帶運(yùn)行過(guò)程缺乏有效檢測(cè)設(shè)備和方法，輸送帶經(jīng)常發(fā)生損傷、斷裂等事故，輕則造成輸送帶倒滑，煤炭堵塞巷道，輸送帶大架受損，重則造成斷帶，系統(tǒng)損毀和人員傷亡，給國(guó)家財(cái)產(chǎn)和人民生命造成巨大損失。鋼絲繩芯輸送帶是以鋼絲繩為骨架經(jīng)硫化等工藝生產(chǎn)的一種高強(qiáng)力輸送帶。目前國(guó)內(nèi)主要用ST系列鋼絲繩芯輸送帶，使用過(guò)程中鋼絲繩會(huì)出現(xiàn)斷繩、斷絲、疲勞等缺陷，同時(shí)輸送帶現(xiàn)場(chǎng)硫化工藝和水平不足也會(huì)引起硫化接頭隱患，若遇起停、塊煤等沖擊載荷，將直接引發(fā)輸送帶斷裂。分析煤礦鋼絲繩芯輸送帶斷帶事故的根本原因，就是缺乏有效、可靠的鋼絲繩芯輸送帶缺陷檢測(cè)手段和評(píng)價(jià)標(biāo)準(zhǔn)。現(xiàn)如今，大多數(shù)煤礦的鋼絲繩芯輸送帶仍采用人工目測(cè)和定期更換管理的方法，存在安全隱患和嚴(yán)重的浪費(fèi)現(xiàn)象。并且實(shí)際應(yīng)用過(guò)程中，由于鋼絲繩芯輸送帶缺陷種類較多，信號(hào)特征比較復(fù)雜，鋼絲繩芯輸送帶的缺陷信號(hào)模式識(shí)別屬于多分類識(shí)別。...
【技術(shù)保護(hù)點(diǎn)】
一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于該方法包括以下步驟：步驟一、電磁加載：采用電磁加載裝置對(duì)被檢測(cè)鋼絲繩芯輸送帶進(jìn)行電磁加載；步驟二、缺陷信號(hào)采集：采用電磁檢測(cè)單元對(duì)多種不同缺陷狀態(tài)時(shí)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁分別進(jìn)行檢測(cè)，并將所檢測(cè)信號(hào)同步傳送至數(shù)據(jù)處理器（2），相應(yīng)獲得與N種不同缺陷狀態(tài)相對(duì)應(yīng)的N組缺陷狀態(tài)檢測(cè)信息，N組所述缺陷狀態(tài)檢測(cè)信息中均包括電磁檢測(cè)單元在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，其中N為正整數(shù)且N≥3；多個(gè)所述檢測(cè)信號(hào)均為所述電磁檢測(cè)單元在一個(gè)采樣時(shí)段內(nèi)所檢測(cè)到的一個(gè)采樣序列，且該采樣序列中包括電磁檢測(cè)單元在多個(gè)采樣時(shí)刻所檢測(cè)的多個(gè)采樣值；步驟三、特征提取：待數(shù)據(jù)處理器（2）接收到電磁檢測(cè)單元所傳送的檢測(cè)信號(hào)時(shí)，自各檢測(cè)信號(hào)中分別提取出能代表并區(qū)別該檢測(cè)信號(hào)的一組特征參數(shù)，且該組特征參數(shù)包括M個(gè)特征量，并對(duì)M個(gè)所述特征量進(jìn)行編號(hào)，M個(gè)所述特征量組成一個(gè)特征向量，其中M≥2；步驟四、訓(xùn)練樣本獲取：分別在經(jīng)特征提取后的N組所述缺陷狀態(tài)檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成訓(xùn)練樣本集；所述訓(xùn)練樣本集中相應(yīng)包括l個(gè)訓(xùn)練樣本，其中m≥2，l=m×N；l個(gè)所述訓(xùn)練樣本...
【技術(shù)特征摘要】
1.一種鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于該方法包括以下步驟 步驟一、電磁加載采用電磁加載裝置對(duì)被檢測(cè)鋼絲繩芯輸送帶進(jìn)行電磁加載； 步驟ニ、缺陷信號(hào)采集采用電磁檢測(cè)単元對(duì)多種不同缺陷狀態(tài)時(shí)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁分別進(jìn)行檢測(cè)，并將所檢測(cè)信號(hào)同步傳送至數(shù)據(jù)處理器(2)，相應(yīng)獲得與N種不同缺陷狀態(tài)相對(duì)應(yīng)的N組缺陷狀態(tài)檢測(cè)信息，N組所述缺陷狀態(tài)檢測(cè)信息中均包括電磁檢測(cè)單元在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，其中N為正整數(shù)且N > 3 ； 多個(gè)所述檢測(cè)信號(hào)均為所述電磁檢測(cè)單元在ー個(gè)采樣時(shí)段內(nèi)所檢測(cè)到的一個(gè)采樣序列，且該采樣序列中包括電磁檢測(cè)單元在多個(gè)采樣時(shí)刻所檢測(cè)的多個(gè)采樣值； 步驟三、特征提取待數(shù)據(jù)處理器(2)接收到電磁檢測(cè)単元所傳送的檢測(cè)信號(hào)吋，自各檢測(cè)信號(hào)中分別提取出能代表并區(qū)別該檢測(cè)信號(hào)的ー組特征參數(shù)，且該組特征參數(shù)包括M個(gè)特征量，并對(duì)M個(gè)所述特征量進(jìn)行編號(hào)，M個(gè)所述特征量組成ー個(gè)特征向量，其中M > 2 ; 步驟四、訓(xùn)練樣本獲取分別在經(jīng)特征提取后的N組所述缺陷狀態(tài)檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成訓(xùn)練樣本集； 所述訓(xùn)練樣本集中相應(yīng)包括I個(gè)訓(xùn)練樣本，其中m > 2, l=mXN ;I個(gè)所述訓(xùn)練樣本分屬于N個(gè)樣本類，每ー個(gè)樣本類中均包括被檢測(cè)鋼絲繩芯輸送帶工作于同一個(gè)缺陷狀態(tài)時(shí)的m個(gè)訓(xùn)練樣本，N個(gè)樣本類分別為與被檢測(cè)鋼絲繩芯輸送帶的N種不同缺陷狀態(tài)相對(duì)應(yīng)的樣本類I、樣本類2…樣本類Nホ個(gè)樣本類中的每ー個(gè)訓(xùn)練樣本均記作Xqs，其中Q為樣本類的類別標(biāo)號(hào)且Q=l、2*N，s為各樣本類中所包括m個(gè)訓(xùn)練樣本的樣本序號(hào)且s=l、2···!!! ;XQs為樣本類k中第s個(gè)訓(xùn)練樣本的特征向量，Xqs e Rd，其中d為Xqs的向量維數(shù)且d=M ； 步驟五、分類優(yōu)先級(jí)別確定，其確定過(guò)程如下 步驟501、樣本類的類中心計(jì)算采用數(shù)據(jù)處理器(2)對(duì)N個(gè)所述樣本類中任一個(gè)樣本類q的類中心進(jìn)行計(jì)算； _m 且對(duì)樣本類q的類中心進(jìn)行計(jì)算時(shí)，根據(jù)公式O) ニ ΣΙ, ，計(jì)算得出樣本類q中所有訓(xùn)練樣本的各特征量均值；式中Q=HHlP=HHCbXqs(P)為樣本類q中第s個(gè)訓(xùn)練樣本的第P個(gè)特征量，(P)為樣本類q中所有訓(xùn)練樣本的第P個(gè)特征量均值； 步驟502、類間距離計(jì)算采用數(shù)據(jù)處理器(2)且根據(jù)公式ん,=Jp(ろφトXlJp))2 ,對(duì)步驟501中所述任ー個(gè)樣本類q與N個(gè)所述樣本類中任ー個(gè)樣本類h之間的間距分別進(jìn)行計(jì)算，其中為樣本類q中所有訓(xùn)練樣本的第P個(gè)特征量均值，0>為樣本類h中所有訓(xùn)練樣本的第P個(gè)特征量均值，且h=l、2··,; 步驟503、類間距之和計(jì)算:采用數(shù)據(jù)處理器(2)且根據(jù)公式= ，對(duì)步驟 A I501中所述任ー個(gè)樣本類k的類間距之和； 步驟504、多次重復(fù)步驟501至步驟503，直至計(jì)算得出N個(gè)所述樣本類中所有樣本類的類間距之和； 步驟505、按照步驟504中計(jì)算得出的所有樣本類的類間距之和由大到小的順序，采用數(shù)據(jù)處理器(2)確定出N個(gè)所述樣本類的分類優(yōu)先級(jí)別Y，其中Υ=1、2···Ν ;其中，類間距之和最大的樣本類的分類優(yōu)先級(jí)別最高且其分類級(jí)別為1，類間距之和最大的樣本類的分類優(yōu)先級(jí)別最低且其分類級(jí)別為N ； 步驟六、多分類模型建立所建立的多分類模型包括N-I個(gè)二分類模型，且N-I個(gè)所述二分類模型均為支持向量機(jī)模型；N-1個(gè)所述二分類模型按照步驟405中所確定的分類優(yōu)先級(jí)別，將N個(gè)所述樣本類自所述訓(xùn)練樣本集中由先至后逐類分出來(lái)，N-I個(gè)所述二分類模型的建立方法均相同且均采用數(shù)據(jù)處理器(2)進(jìn)行建立； 對(duì)于N-I個(gè)所述二分類模型中的任ー個(gè)二分類模型z來(lái)說(shuō)，其建立過(guò)程如下 步驟601、核函數(shù)選取選用徑向基函數(shù)作為二分類模型z的核函數(shù)； 步驟602、分類函數(shù)確定待懲罰參數(shù)C與步驟601中所選用徑向基函數(shù)的核參數(shù)Y確定后，獲得二分類模型z的分類函數(shù)，完成二分類模型z的建立過(guò)程；其中，O < C < 1000，O < Y ^ 1000 ； 所建立的二分類模型z為待分類優(yōu)先級(jí)別高于z的所有樣本類自所述訓(xùn)練樣本集中分出來(lái)后，將分類優(yōu)先級(jí)別為Z的樣本類自所述訓(xùn)練樣本集中剰余的N-Z+1個(gè)樣本類中分出來(lái)的二分類模型，其中z=l、2…N-I ； 步驟603、二分類模型分類優(yōu)先級(jí)別設(shè)定根據(jù)步驟602中所述二分類模型z自所述訓(xùn)練樣本集中剰余的N-z+1個(gè)樣本類中分出來(lái)的樣本類的分類優(yōu)先級(jí)別z，對(duì)二分類模型z的分類優(yōu)先級(jí)別R進(jìn)行設(shè)定，且R=Z ; 步驟604、多次重復(fù)步驟601至步驟603，直至獲得N-I個(gè)所述二分類模型的分類函數(shù)，便完成N-I個(gè)所述二分類模型的建立過(guò)程，獲得建立完成的多分類模型；所建立的多分類模型為將所述訓(xùn)練樣本集中的多個(gè)樣本類逐一分出來(lái)的多分類模型； 步驟七、多分類模型訓(xùn)練將步驟四中所述訓(xùn)練樣本集中的I個(gè)訓(xùn)練樣本輸入到步驟六中所建立的多分類模型進(jìn)行訓(xùn)練； 步驟八、信號(hào)實(shí)時(shí)采集及同步分類采用電磁檢測(cè)單元對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)的剩磁進(jìn)行實(shí)時(shí)檢測(cè)，并將所檢測(cè)信號(hào)同步輸入至數(shù)據(jù)處理器(2)進(jìn)行特征提取后送至步驟六中所建立的多分類模型中，便自動(dòng)輸出被檢測(cè)鋼絲繩芯輸送帶的缺陷類別。2.按照權(quán)利要求I所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟ニ中所述電磁檢測(cè)單元的數(shù)量為多個(gè)，多個(gè)所述電磁檢測(cè)單元沿被檢測(cè)鋼絲繩芯輸送帶的寬度方向進(jìn)行均勻布設(shè)；且步驟三中進(jìn)行特征提取之后，所述數(shù)據(jù)處理器(2)還需調(diào)用多傳感器數(shù)據(jù)融合處理模塊，對(duì)多個(gè)所述電磁檢測(cè)單元所檢測(cè)信號(hào)進(jìn)行融合處理。3.按照權(quán)利要求I或2所述的鋼絲繩芯輸送帶缺陷智能識(shí)別方法，其特征在于步驟ニ中所述的電磁檢測(cè)単元包括對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)水平方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的水平向電磁檢測(cè)單元(1-1)和/或?qū)Ρ粰z測(cè)鋼絲繩芯輸送帶內(nèi)豎直方向上的剩磁進(jìn)行實(shí)時(shí)檢測(cè)的豎直向電磁檢測(cè)單元(1-2);所述水平向電磁檢測(cè)單元(1-1)和豎直向電磁檢測(cè)単元(1-2)均布設(shè)在被檢測(cè)鋼絲繩芯輸送帶上；當(dāng)所述電磁檢測(cè)單元包括水平向電磁檢測(cè)単元(1-1)和豎直向電磁檢測(cè)單元(1-2 )時(shí)，所述水平向電磁檢測(cè)單元(1-1)和豎直向電磁檢測(cè)單元(1-2)同步對(duì)被檢測(cè)鋼絲繩芯輸送帶內(nèi)同一位置處的剩磁進(jìn)行檢測(cè)，且所述水平向電磁檢測(cè)單元(1-1)和豎直向電磁檢測(cè)單元(1-2)的采樣頻率相同； 步驟一中所獲得的N組所述缺陷狀態(tài)檢測(cè)信息相應(yīng)為N組水平向剩磁檢測(cè)信息和/或N組豎直向剩磁檢測(cè)信息；其中，N組所述水平向剩磁檢測(cè)信息均包括所述水平向電磁檢測(cè)単元(1-1)在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)，且N組所述豎直向剩磁檢測(cè)信息均包括所述豎直向電磁檢測(cè)單元(1-2)在不同采樣時(shí)段檢測(cè)到的多個(gè)檢測(cè)信號(hào)； 步驟三中進(jìn)行特征提取時(shí)，對(duì)N組所述水平向剩磁檢測(cè)信息和/或N組所述豎直向剩磁檢測(cè)信息分別進(jìn)行特征提取，相應(yīng)獲得經(jīng)特征提取后的N組所述水平向剩磁檢測(cè)信息和/或經(jīng)特征提取后的N組所述豎直向剩磁檢測(cè)信息； 步驟四中獲取訓(xùn)練樣本集時(shí)，相應(yīng)獲得訓(xùn)練樣本集一和/或訓(xùn)練樣本集ニ ；其中，所述訓(xùn)練樣本集一為分別在經(jīng)特征提取后的N組所述水平向剩磁檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成的一個(gè)訓(xùn)練樣本集；所述訓(xùn)練樣本集ニ為分別在經(jīng)特征提取后的N組所述豎直向剩磁檢測(cè)信息中，隨機(jī)抽取m個(gè)檢測(cè)信號(hào)組成的一個(gè)訓(xùn)練樣本集；所述訓(xùn)練樣本集一和所述訓(xùn)練樣本集ニ的結(jié)構(gòu)相同，二者均包括I個(gè)訓(xùn)練樣本，所述訓(xùn)練樣本集一和所述訓(xùn)練樣本集ニ中的I個(gè)所述訓(xùn)練樣本均分屬于N個(gè)樣本類； 步驟五中進(jìn)行分類優(yōu)先級(jí)別確定時(shí)，按照步驟501至步驟505中所述的分類優(yōu)先級(jí)別確定方法，分別對(duì)所述訓(xùn)練樣本集一和/或所述訓(xùn)練樣本集ニ中多個(gè)樣本類的分類優(yōu)先級(jí)別分別進(jìn)行確定； 步驟六進(jìn)行多分類模型建立時(shí)，相應(yīng)獲得多分類模型一和/或多分類模型ニ ；其中，所述多分類模...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：馬宏偉，張旭輝，毛清華，陳海瑜，曹現(xiàn)剛，張大偉，姜俊英，
申請(qǐng)(專利權(quán))人：西安科技大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。