一种采矿输送带托辊智能检测方法及系统与流程

本发明涉及智能冶金工程，尤其涉及一种采矿输送带托辊智能检测方法及系统。

背景技术：

1、在矿业冶金领域中，面对大重量的矿物原料，人们需要将矿物原料经由一系列的处理才能获取所需的材料，而在此过程中，需要由托辊和输送带来执行托运功能，然而面对输送量大、工作环境复杂、输送距离长等工作条件，常常导致输送带和托辊损坏，而托辊的损坏，往往意味着托运效率降低，影响整体的处理流程。

2、针对以上问题，常规处理方法是通过人工的巡检，来对托辊的工作状态进行检查，然而人工巡检的方法面对大量的托辊检测需求，十分费时，且因巡检时因矿山环境和覆盖的灰尘，人们无法通过人眼对托辊进行细致的核查，容易误检，无法确定托辊是否出现问题，而当托辊出现问题后，只能停止整体的处理流程，进行托辊维修，在此过程造成经济损失无法挽回且十分耽误工序进度。

技术实现思路

1、本发明提供了一种采矿输送带托辊智能检测方法及系统，以解决现有的托辊检测费时且不精准的问题。

2、为了实现上述目的，本发明通过如下的技术方案来实现：

3、第一方面，本发明提供一种采矿输送带托辊智能检测方法，包括如下步骤：

4、步骤1：建立transformer托辊检测模型；

5、步骤2：获取托辊托运矿物过程中的托辊工作信息；

6、步骤3：将托辊工作信息进行归一化处理；将归一化处理后的托辊工作信息输入到transformer托辊检测模型中，得到托辊状态的预测结果，完成预测。

7、通过上述设计，通过transformer托辊检测模型实现多元数据融合，通过智能的算法和模型构建实现托辊故障的早期预警和精准诊断，相较于传统的人工目测，这种技术更为全面、准确的监测和预测托辊的状态，提高检测效率和工作安全性，降低维护成本。

8、进一步的，所述transformer托辊检测模型通过如下步骤建立：

9、步骤1.1：采集托辊工作信息，对托辊工作信息进行状态分类，将带有状态类别的的托辊工作信息作为初始数据集，将初始数据集中并将初始数据集按比例分为训练集与测试集，将transformer模型中的relu激活函数替换为gelu激活函数；

10、步骤1.2：将训练集进行输入替换了激活函数的transformer模型中，得到托辊状态的分类结果；

11、步骤1.3：通过损失函数计算托辊状态分类结果与托辊状态类别的损失误差，并通过adamw算法减小损失误差，通过余弦退火学习率自适应周期调整学习率；

12、步骤1.4：重复步骤1.2与步骤1.3，当训练次数达到预定次数时，保存训练过程中损失函数最小的transformer模型作为transformer托辊检测模型。

13、通过上述设计，通过transformer托辊检测模型，能够有效结合托辊运行过程中的多种托辊工作信息，对多种托辊工作信息进行融合分析和处理，提高托辊检测的可靠性和准确性，且通过adamw算法不断修正transformer托辊检测模型的参数，减小损失误差，克服了局部收敛，提升训练稳定性，相较于传统的人工目测方式，可以更为全面的捕捉托辊故障的特征的变化，并实现快速精准的故障预警和预测。

14、进一步的，所述gelu激活函数表达式为：

15、；

16、其中，为特征值；为双曲正切函数；

17、所述损失函数对托辊状态的预测结果与托辊状态类别的损失误差进行比较表述为均方根误差与交叉信息熵函数之和，损失函数表达式如下：

18、；

19、式中，的表达式如下：

20、；

21、式中，是均方根误差函数，是样本的标签，是特征的维度序号，是特征的维度总数；

22、式中，的表达式如下：

23、；

24、式中，是交叉信息熵函数，是类别维度，是预测输出，是实际输入。

25、进一步的，所述托辊工作信息包括图像数据、声音数据、振动数据以及温度数据。

26、通过上述设计，多类别的托辊工作信息可以更为全面的监测托辊的工作状态，使transformer托辊检测模型预测的更为精准。

27、进一步的，在步骤1.1中，所述训练集为经过数据处理后的优化训练集；

28、所述数据处理包括数据增强和归一化处理，所述数据增强包括单样本增强和多样本增强；

29、所述图像数据执行数据增强和归一化处理，所述声音数据、振动数据以及温度数据执行归一化处理。

30、进一步的，所述单样本增强包括随机裁剪、旋转、水平翻转、垂直翻转、亮度以及对比度中的至少一种；

31、所述多样本增强为cutmix混合数据增强。

32、进一步的，所述随机裁剪为将图像数据按30%比例进行裁剪，所述旋转为将图像数据旋转角度控制为-60°～60°，所述亮度和对比度为将图像数据调整至50%～150%；

33、所述图像数据的归一化处理为将图像数据调整至224*224且像素点的值使像素值分布在[-1,1]区间内；

34、声音数据、振动数据以及温度数据的归一化处理通过以下公式实现：

35、；

36、其中，，；表示数据点的最小值；表示数据点的最大值。

37、进一步的，所述cutmix混合数据增强的表达式为：

38、；

39、式中，和为两个不同的训练样本；

40、和为对应的标签值；

41、和分别为新的训练样本和对应标签；

42、为丢弃部分区域和进行填充的二进制掩码，为逐像素相乘，为beat分布且的均匀分布。

43、进一步的，所述托辊状态包括震动异常、温度升高、噪音增加、漏液、滑动能力下降、寿命异常、滚动阻力增大、凹凸磨损以及扭曲变形。

44、通过上述设计，划分多种托辊的状态，细分不同的托辊问题类型，有利于针对性的预测和问题的解决。

45、第二方面，本发明还提供一种采矿输送带托辊智能检测系统，包括处理器、存储器以及采集装置；

46、所述采集装置，用于采集托辊工作信息并向所述存储器发送托辊工作信息；

47、所述存储器，用于接收所述托辊工作信息，还存储有transformer托辊检测模型；

48、所述处理器，用于调取所述存储器中的托辊工作信息，执行存储于所述存储器中的transformer托辊检测模型并实现上述任一项所述的方法步骤，获取托辊状态的预测结果。

49、有益效果：

50、本发明提供的一种采矿输送带托辊智能检测方法及系统，通过transformer托辊检测模型实现多元数据融合，通过智能的算法和模型构建实现托辊故障的早期预警和精准诊断，相较于传统的人工目测，这种技术更为全面、准确的监测和预测托辊的状态，提高检测效率和工作安全性，降低维护成本。

51、在本法明的优选方案中，通过对托辊工作信息进行细分，并对应不同类型的托辊工作信息执行不同的处理，进一步的提升了transformer托辊检测模型对托辊状态预测的准确性。