摘要：为解决带式输送机清扫装置智能运维准确率低、可视化不足等问题,设计了一种基于数字孪生的清扫装置智能运维系统。结合实际工况,建立了基于数字孪生的智能运维系统框架,并构建融合物理模型、逻辑模式、功能模型的孪生模型,提出一种融合Dropout的LSTM-ELM轴承故障诊断模型,进一步结合WebGL等技术进行可视化展示。结果表明:该系统平均诊断精度达95.34%,可视化展示充分,达到实际运维需求。可为推动数字孪生技术落地提供参考。

摘要：为研究深井坚硬顶板综放开采覆岩裂隙演化规律,将布里渊散射的光频域散射技术(BOFDA)应用于物理相似模型试验。以千米深井信湖煤矿首采综放工作面地质条件为工程背景,在实验室构建采场覆岩模型,通过预先埋设的传感光纤,探究回采过程中覆岩变形与光纤应变的响应特征。设计了2个钻孔并将光纤植入工作面顶板,实现了采场顶板走向65 m、倾向24.5 m、垂高119 m空间范围内覆岩运移破断规律的监测,获得了工作面推进期间采场顶板光纤的应变数据。结果表明:光纤应变曲线与覆岩变形特征存在明显对应关系;覆岩离层、断裂、切落点光纤应变呈现凸峰状,可以表征采场覆岩“横三区,竖三带”边界特征演化过程;光纤应变曲线凸峰范围和峰值大小变化与采场覆岩运移强度发展趋势基本一致;基于光纤应变与覆岩结构演化的响应关系,结合818工作面覆岩岩性组合,分析现场光纤应变数据确定的工作面“三带”高度与模型试验、理论计算数值吻合,符合矿井实际情况,验证了分布式光纤监测技术在深井坚硬顶板覆岩结构演化监测中的可靠性与准确性。试验结果可为类似条件下采场覆岩变形移动规律的研究提供参考。

摘要：目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。

摘要：针对非接触式散状物料堆积检测方法存在检测速度慢、在图像模糊场景下检测精度低、深度学习模型内存需求大等问题,提出了一种基于轻量化Mask-RCNN(掩码-区域卷积神经网络)的带式输送机上散状物料堆积视频实时检测方法。首先,通过暗通道先验算法对采集的图像进行预处理,以减少运输装载过程中粉尘造成的图像雾化现象,提高图像边缘特征。针对传统的Mask-RCNN的主干网络ResNet无法满足在嵌入式平台上对散状物料堆积进行实时检测的需求问题,将去雾预处理后的图像输入到基于MobileNetV2+特征金字塔网络(FPN)的主干网络中进行特征提取,生成特征图,并对主干网络进行轻量化设计,以部署在嵌入式平台上,对实时采集图像数据进行实例分割。为更精确地找到分割物体的边缘,提出了在传统Mask-RCNN的掩码分支中添加边缘损失的方法,利用全卷积网络层生成掩码,结合Scharr算子构造边缘损失函数,融合目标分类、边界框回归、语义信息得到实例分割图像。最后,通过判断散状物料堆积掩码内的像素值是否超过预设阈值实现散状物料堆积检测。实验结果表明:所提方法的模型内存需求降低到以ResNet101为主干网络的模型的1/5,经图像去雾预处理后的平均精度均值提高了8%,单张图像平均检测时间为0.56 s,检测精度可达91.8%。

摘要：基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明:(1)Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2)Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、Faster-YOLOv7目标检测算法应用到煤矿井下带式输送机运煤图像及视频中,发现SSD在视频检测时发生了漏检现象,YOLO系列模型均有效地识别出待测异物,且Faster-YOLOv7识别结果的置信度更高。

摘要：为提高井下输煤皮带跑偏检测效率,减少安全隐患,提出一种基于机器视觉的皮带输煤机智能纠偏系统设计,运用线阵CCD(Charge Coupled Device,电荷耦合器件)相机对皮带运输机运行状况进行实时监测,利用计算机对相机采集到的图片进行分析处理,具体过程包括图像灰度化处理、滤波降噪。提出运用Canny算子对采集到的皮带运输机的图片进行处理,将图片处理后的结果与事先标定的皮带基准值进行比较,进而对皮带跑偏进行判断。若发生跑偏,系统可以实时语音报警,再通过PLC可编程控制箱控制纠偏装置进行纠偏,以有效解决井下输煤皮带跑偏问题。

摘要：驱动电机是带式输送机的动力来源,其声音与运行状态密切相关,为有效监测带式输送机的健康状态,设计了一种基于MA-DBNN的带式输送机健康监测系统。采集驱动电机运行时的音频数据,提取音频特征,使用由蜉蝣算法(MA)优化的深度信念神经网络(DBNN)进行故障诊断。实验结果表明,优化后的模型能更准确地识别出驱动电机的故障类型,更有效实现对带式输送机的健康监测。

摘要：在散状物料运输过程中,经常出现带式输送机跑偏现象。基于多智能体协同控制思想,采用STOA-PNN方法,设计了带式输送机自适应纠偏系统。通过STOA算法优化概率神经网络(PNN)的平滑参数,将传感器采集到的不同情况下的偏移数据作为输入,PNN控制器根据输送带偏移情况,自适应地输出控制参数,结合调整电机完成输送机运行过程的动态纠偏。现场应用表明,基于STOA-PNN方法的纠偏系统应用到带式输送机上,有效避免了偏移故障的发生,保证了输送机稳定运行,实现无偏移运输。