面向长距离输煤皮带的边缘-云协同计算架构与异常检测加速策略研究

0引言

长距离输煤皮带广泛应用于煤炭、电力、冶金等多个行业,是实现煤炭大规模、长距离运输的重要设施。输煤皮带发生异常(如跑偏、撕裂或托辊损坏等)时,会导致生产中断,造成经济损失,还容易引发安全事故。传统的检测方法无法满足工业生产对输煤皮带运行状态实时、精准监测的需求。在此背景下,开展面向长距离输煤皮带的边缘—云协同计算架构与异常检测加速策略研究具有重要的现实意义和应用价值。

通过研究可实现输煤皮带异常的快速、准确检测,及时发现潜在故障隐患,避免故障扩大,保障生产的连续性和安全性,且能降低数据传输压力,减少网络带宽占用,提升检测系统的运行效率。并且,基于边缘—云协同的检测模式,可推动工业设备故障检测从被动响应向主动预测转变,助力工业生产向智能化、数字化转型。

1 边缘-云协同计算系统构成及异常检测优势

边缘—云协同计算架构是一种深度融合边缘计算与云计算能力的分布式计算范式,其核心在于通过资源与任务的动态协同,构建从数据源头到远程云端的多层次智能化处理体系。该架构以物理空间分布的边缘节点为前端载体,依托近场部署的计算设备对本地传感器、摄像头等终端产生的数据进行实时预处理,减少网络传输负载的同时实现毫秒级响应;云端则凭借其强大的算力资源与存储能力,承担复杂模型训练、全局数据分析及跨域协同决策等任务。二者通过双向交互机制形成闭环:边缘层将筛选后的高价值数据上传至云端,云端通过迭代优化算法模型并动态下发至边缘端,使其具备持续进化的本地决策能力,如此即弥补了边缘计算在算力与数据广度上的不足,形成“边缘重实时、云端重深度”的高效互补架构。

在长距离运输皮带系统的故障检测场景中,常规检测手段受限于人工巡检的主观性、单点传感器的信息孤立性及云端集中式处理的延迟性,难以应对皮带撕裂、跑偏、堵料等复杂故障的精准识别需求。通过沿皮带运输线分布式部署边缘计算节点,可实时接入振动加速度计、红外热成像仪、声发射传感器等多模态传感设备,在本地完成振动频谱分析、温度场重构及声纹特征提取等计算密集型任务,避免故障扩散。与此同时,云端平台持续汇聚多边缘节点的结构化特征数据与历史运维记录,利用图神经网络挖掘托辊磨损、轴承失效等隐性故障与多传感器数据间的关联规律,并通过知识蒸馏技术将训练优化的故障预测模型压缩后部署至边缘端,形成检测能力的持续迭代,降低全天候视频流传输对工业网络带宽的占用,更通过云端对全域设备健康状态的深度洞察,实现从“阈值告警”到“寿命预测”的维护模式升级。

2长距离输煤皮带常见异常表现

2.1输煤带跑偏现象

在正常运行状态下,输煤带应沿着输送机的中心线平稳运行,而发生跑偏时,输煤带会向一侧偏移,偏离预定的运行轨迹。

从外观上看,可明显观察到输煤带边缘与输送机机架或其他部件发生摩擦,导致输煤带边缘磨损、起毛,甚至出现破损。跑偏严重时,物料会从输煤带上洒落,造成物料浪费,同时增加了清理成本和劳动强度^[1]。

输煤带跑偏的原因较为复杂,常见原因是安装精度不足,如输煤带接头不平直,会使得皮带两边张力不均匀,皮带会始终往张紧力大的一边跑偏;或者是因为机架歪斜、机架中心线歪斜或机架两边高低倾斜,导致皮带在运行中受到侧向拉力,进而造成跑偏。

张紧度不合理也是引起输煤带跑偏的主要原因,当输煤带张紧力不足,皮带出现松弛时,在运行过程中容易发生跑偏;而张紧力过大,又会使输煤带承受过大的拉力,加速皮带的磨损,同时也可能导致跑偏。

2.2皮带撕裂问题

皮带撕裂会导致生产中断,其主要表现形式为皮带纵向出现裂口,裂口的长度和深度不一,严重时皮带会完全断裂。当皮带发生撕裂时,物料会从裂口处泄漏,影响生产的正常进行。物料中的尖锐异物是导致皮带撕裂的主要原因之一。

在输煤过程中,如果物料中混入了铁块、石块等尖锐物体,当皮带经过时,这些异物会卡在皮带与其他部件之间,随着皮带的运行,逐渐划伤皮带,最终导致皮带撕裂。另一种引发皮带撕裂的原因是皮带老化,在长期的高负荷运行和频繁的弯曲、拉伸作用下,皮带表面会出现磨损、龟裂等现象,这些缺陷会逐渐扩大,最终导致皮带撕裂^[2]。另外,皮带接头是皮带连接的薄弱环节,如果接头质量不佳,如接头处的硫化工艺不合格、接头强度不够等,在皮带运行过程中,接头部位容易受到较大的拉力,从而导致接头开裂,进而引发皮带撕裂。

2.3输煤带的托辊损坏

托辊是长距离输煤皮带的重要组成部件,当托辊损坏时,输煤带运行会不稳定,出现抖动、跑偏等问题。轴承磨损是托辊损坏的常见原因之一,因为在长期运行过程中,轴承不断受到旋转力和径向力的作用,会逐渐出现磨损,当轴承磨损到一定程度时,其转动精度会下降,摩擦力增大,导致托辊运行不顺畅甚至卡死。润滑不良也是加速轴承磨损的重要因素,如果轴承缺乏润滑脂或润滑脂质量不佳,会使轴承在干摩擦或半干摩擦状态下工作,加剧轴承的磨损^[3]。

3使用边缘—云协同计算架构加速长距离输煤皮带异常检测策略

3.1使用SVM实现输煤带跑偏的加速检测

为快速准确地检测输煤带跑偏并及时进行调整,构建基于机器学习的输煤带跑偏检测模型。首先定义输煤带跑偏程度的计算思路,设输煤带实际运行位置与理想中心线位置在横向上的偏差为Δx,输煤带的宽度为W,则跑偏程度D可表示为:

利用安装在输煤带两侧的位移传感器实时采集输煤带边缘的位置信息,通过式(1)计算出不同时刻的跑偏程度D。将计算得到的跑偏程度数据以及对应的其他相关参数,如输煤带的速度U、张紧力T、托辊的倾斜角度θ等,作为训练样本,用于训练机器学习模型。

选择支持向量机(Support Vector Machine,SVM)作为输煤带跑偏检测模型。SVM是一种二分类模型,其基本思想是在特征空间中寻找一个最优分类超平面,使得不同类别的样本点能够被最大间隔地分开^[4]。对于非线性可分问题,可以通过核函数将低维特征空间映射到高维特征空间,从而实现线性可分,其空间映射如图1所示。

在训练过程中,将D超过设定阈值的样本标记为正类,如Dthreshold=5%,用以表示输煤带跑偏,未超过阈值的样本标记为负类,表示输煤带正常运行。调整SVM模型的参数,以径向基核函数为例,其调整过程表示为:

式中:K代表核函数;xi和xj是输入数据集中的两个样本向量,xi表示第i个样本,xj表示第j个样本;γ为核函数参数。

通过式(2)所示的调整方式,使得模型在训练集上具有良好的分类性能。

当模型训练完成后,将实时采集到的输煤带运行参数输入到训练好的SVM模型中,模型会快速判断输煤带是否跑偏^[5]。一旦检测到输煤带跑偏,根据跑偏程度和其他相关参数,利用控制算法计算出调整量,如调整张紧装置的张力变化量ΔT、托辊的调整角度Δθ等。通过控制执行机构对输煤带进行调整,使输煤带尽快恢复到正常运行状态。

3.2使用深度学习实现皮带撕裂的加速检测

采用基于深度学习的图像识别模型来快速检测皮带撕裂,利用安装在皮带上方的高清摄像头,以一定的帧率实时采集皮带表面的图像,一般设定为fps=25帧/s。

为了提高图像识别的准确性和效率,对采集到的图像进行预处理。预处理步骤包括图像灰度化、滤波去噪、图像增强等。图像灰度化是将彩色图像转换为灰度图像,减少数据量并方便后续处理;滤波去噪采用高斯滤波等方法,去除图像中的噪声干扰;图像增强则通过直方图均衡化等技术,提高图像的对比度和清晰度。

构建基于卷积神经网络(CNN)的皮带撕裂识别模型。CNN是专门为处理图像数据而设计的深度学习模型,通过卷积层、池化层和全连接层等组件, 自动提取图像的特征。在模型训练阶段,收集大量的正常皮带图像和带有撕裂缺陷的皮带图像,组成训练数据集。对这些图像进行标注,将正常图像标记为负样本,撕裂图像标记为正样本^[6]。将训练数据集划分为训练集和验证集,按照80%和20%的比例划分,其模型如图2所示。

在训练过程中,将图像输入CNN模型,模型通过前向传播计算出预测结果,然后根据预测结果与真实标签之间的差异,利用反向传播算法更新模型的参数,如卷积核的权重、偏置等。通过多次迭代训练,使模型能够准确识别皮带撕裂特征。训练时使用交叉熵损失函数来衡量模型的预测误差,表示如下:

式中:L为模型的误差值;yi为真实标签(0或1);pi为模型预测为正样本的概率;n为样本数量。

通过随机梯度下降SGD、Adagrad、Adadelta等优化器不断调整模型参数,使得损失函数逐渐减小。

当模型训练完成后,将实时采集并预处理后的皮带图像输入到训练好的CNN模型中,模型会快速输出皮带是否存在撕裂以及撕裂的位置和程度等信息。检测到皮带撕裂,会发出警报,并通过控制算法控制输煤皮带系统停止运行,防止皮带撕裂扩大。同时,将撕裂的图像和相关信息上传至云端进行分析和记录,以便后续维修和管理。

3.3利用检测模型加速针对托辊损坏的异常检测

建立托辊运行状态监测模型,通过实时监测托辊的振动、温度等参数来判断托辊的健康状态。设托辊正常运行时的振动幅度平均值为Anormal,振动频率平均值为f normal,温度平均值为Tnormal,实时采集到的托辊振动幅度为A,振动频率为f,温度为T。定义振动幅度偏差系数CA、振动频率偏差系数Cf和温度偏差系数CT如下:

当CA、Cf或CT超过各自设定的阈值时,认为托辊有概率出现异常。

托辊运行状态监测依然使用SVM的多分类模型来判断托辊的具体故障类型,如轴承磨损、密封失效、过载运行等。收集大量不同故障类型下托辊的振动、温度、转速等数据,组成训练数据集。

在训练过程中,将不同故障类型的样本分别标记为不同的类别,如类别1表示轴承磨损,类别2表示密封失效,类别3表示过载运行等。通过调整SVM模型的参数,如核函数参数、惩罚因子等,使模型在训练集上能够准确地对不同故障类型进行分类^[7]。

利用边缘设备实时采集托辊的振动、温度、转速等数据,根据式(4)~(6)计算出偏差系数,并将数据输入到训练好的SVM多分类模型中。边缘设备的硬件清单如表1所示。

模型会快速判断托辊的故障类型和故障程度。一旦检测到托辊出现故障,根据故障类型和程度,结合预先制定的维护策略,通过控制算法向生产管理人员发送预警信息和维护建议,如及时更换托辊、调整输煤皮带负荷等,以便及时采取措施,避免托辊损坏引发更严重的故障,保障输煤皮带系统的安全稳定运行。

4结束语

研究围绕长距离输煤皮带的异常检测展开,提出边缘—云协同计算架构与异常检测加速策略。本文阐述了边缘—云协同计算系统的构成及其在输煤皮带异常检测中的优势,分析了长距离输煤皮带常见的跑偏、撕裂、托辊损坏等异常表现及其成因。基于边缘—云协同计算架构,分别提出使用SVM实现输煤带跑偏、使用深度学习实现皮带撕裂、利用检测模型实现托辊损坏的加速检测策略,通过实时采集输煤皮带运行数据,经模型分析处理,快速判断异常类型并采取相应措施,为长距离输煤皮带的安全稳定运行提供更可靠的保障。

[参考文献]

[1]靳振宇,王哲.双目相机的输煤皮带机皮带撕裂检测技术研究[J].中国新技术新产品,2025(4):23—25.

[2]刘亚伟.发电厂输煤系统设备的管理与检修分析[J].中国设备工程,2025(4):72—74.

[3] 吕木,杜烈云,池霧禹,等.基于图像智能识别的输煤异常程控联动的应用研究 [J]. 自动化博览,2022,39 (8): 80—83.

[4] 闫博元.基于小波包与GA—BP神经网络的皮带机故障诊断研究[D].沈阳:东北大学,2022.

[5]窦如军.皮带机对输煤系统安全运行的影响及优化[J].家电维修,2024(1):89—91.

[6]朱越,刘铭涛,周定平.输煤皮带智能监测系统的研究与应用[J].设备管理与维修,2024(21):111—113.

[7] 陈志伟.基于深度学习的输煤皮带偏移检测研究[D].合肥:合肥大学,2024.

《机电信息》2025年第14期第11篇