CN116177146A - 一种基于ai与激光监测技术的输送皮带检测系统及方法 - Google Patents

Abstract

本发明涉及输送皮带检测技术领域，具体为一种基于AI与激光监测技术的输送皮带检测系统及方法，包括：设备状态识别模块、皮带检测模块和设备响应模块，通过设备状态识别模块采集设备运行中的声音数据，对数据进行分析和识别，判断设备是否发生异常，将所有采集到的数据信息存储到数据库中并对数据进行管理；通过皮带检测模块对拍摄到皮带异常图片进行分析，判断皮带的状态；通过设备响应模块根据皮带的状态，设备判断是否发出停机指令；通过声纹识别，判断皮带是否出现异常，检测皮带的状态，进行预警，保证生产稳定运行。

Description

一种基于AI与激光监测技术的输送皮带检测系统及方法

技术领域

本发明涉及输送皮带检测技术领域，具体为一种基于AI与激光监测技术的输送皮带检测系统及方法。

背景技术

皮带是带式输送机的牵引和运载的关键部件，已广泛应用于煤炭、矿山、港口、电力、冶金、化工等领域，其成本占整机的40％以上，皮带故障一直是影响原料运输效率，生产稳定的痛点。皮带撕裂的事故时有发生，价值几十万甚至上千万的输送皮带，一旦发生纵向撕裂，矿石、原煤等原料通过撕裂口侵入到设备机械系统，造成设备损伤，生产停滞，甚至造成人员伤害等重大事故及巨大的经济损失，因此，需要对皮带进行实时监测，预警，预测，皮带撕裂状态，即时发现、解决生产安全隐患，应急报警、制动设备，修补、更换皮带，保证生产稳定运行。

现有主流皮带检测方式可分为两大类：第一类是人工巡检，这种方法由巡检员定时定期对皮带进行检查，发现皮带跑偏或撕裂时则进行停机维护。这种检测方法效率低，具有滞后性，不能有效降低皮带故障造成的生产停滞和安全问题；第二类是机器视觉检测，通过摄像头实时监测皮带，并运用人工智能技术实现故障的识别、预警。这种方法不需要人员巡检，但受环境影响比较大，如灰尘阻挡，光源影响而且成本也比较高。

所以，人们需要一种基于AI与激光监测技术的输送皮带检测系统及方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于AI与激光监测技术的输送皮带检测系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于AI与激光监测技术的输送皮带检测系统，所述系统包括：设备状态识别模块、数据库、皮带检测模块和设备响应模块。

所述设备状态识别模块用于对采集到的声音数据进行分析，判断设备是否发生异常；

所述数据库用于存储并管理采集到的所有数据；

所述皮带检测模块用于对拍摄到皮带异常图片进行分析，判断皮带的状态；

所述设备响应模块用于根据皮带的状态，判断设备是否发出停机指令以及判断输送皮带是否需要更换或维修。

进一步的，所述设备状态识别模块包括声音数据采集单元、声纹识别单元和异常判断单元；所述声音数据采集单元的输出端连接所述数据库的输入端；所述数据库的输出端连接所述声纹识别单元的输入端；所述声纹识别单元的输出端连接所述异常判断单元的输入端；所述声音数据采集单元用于采集设备运行中的声音数据；所述声纹识别单元用于对采集到的声音进行特征提取，得到声音的特征参数；所述异常判断单元用于将异常声纹模型数据库中的声音与采集到的声音的特征参数进行比较，判断设备是否出现异常，再根据异常情况进一步判断设备异常产生的原因。

进一步的，所述皮带检测模块包括图像分析单元和皮带状态判断单元；所述异常判断单元的输出端连接所述图像分析单元的输入端；所述图像分析单元的输出端连接所述皮带状态判断单元的输入端；所述图像分析单元用于对拍摄到输送皮带异常的图片和数据库中存储的输送皮带撕裂图像进行分析；所述皮带状态判断单元用于将异常图片和数据库中的撕裂图像进行比较，进一步判断皮带是否出现撕裂。

进一步的，所述设备响应模块包括皮带撕裂分析单元、设备停机分析单元和皮带更换判断单元；所述皮带状态判断单元的输出端连接所述皮带撕裂分析单元的输入端；所述皮带撕裂分析单元的输出端连接所述设备停机分析单元的输入端；所述设备停机分析单元的输出端连接所述皮带更换判断单元的输入端；所述皮带撕裂分析单元用于分析皮带的撕裂长度；所述设备停机分析单元用于根据皮带的撕裂长度分析皮带的撕裂程度，从而判断设备是否发出停机命令；所述皮带更换判断单元用于判断输送皮带是否可以通过维修进行二次利用。

一种基于AI与激光监测技术的输送皮带检测方法，包括以下步骤：

Z1：采集声音数据，对数据进行分析和识别，判断设备是否发生异常；

Z2：通过异常判断，对采集到的图像进行分析，判断皮带的状态；

Z3：根据皮带的状态，判断设备是否发出停机指令以及判断输送皮带是否需要更换或维修。

进一步的，在步骤Z1中：采集设备运行时产生的声音数据，首先对声音进行去噪处理，避免对关键数据干扰，利用梅尔频谱倒谱方法对声音进行特征提取，将其与以往异常声纹模型数据库中存储的异常声音进行比对，获取到有c段曲线的频率波动相似，设置曲线频率波动相似段数的阈值为d，若c＜d，表示设备运行时的声音与数据库中存储的故障声音相似度低，则判断设备未出现异常；若c≥d，表示设备运行时的声音与数据库中存储的故障声音相似度高，则判断设备出现异常；异常声纹模型数据库用于存储过往设备出现异常的声音，梅尔频谱倒谱主要用于语音的特征提取，抽取频谱图的轮廓信息，把音频信号中具有辨识性的成分提取出来，然后去掉干扰信息，将设备运行时的声音与数据库中的故障声音进行比较，判断设备是否发生异常，有利于作业人员及时对设备故障采取措施，减小设备故障带来的影响。

进一步的，在步骤Z2中：根据设备的异常情况，利用SVM算法对故障声音进行二分类，若故障声音属于+1类，则表示输送皮带发生故障；若故障声音属于-1类，则表示输送皮带未发生故障；SVM算法是一种二类分类算法，它是将所有的样本分成两类，位于正侧的样本为一类，值为+1；位于负一侧的样本为另一类，值为-1，SVM的优点是具有良好的学习能力且学到的结果具有很好的推广性，能够解决小样本情况下的机器学习问题和高维问题，得到较小的错误率，可以对训练集之外的数据点做很好的分类决策；通过判断设备产生故障的原因，对故障位置进行定位，节省工作人员检修的时间，提高了工作效率，有利于进一步判断皮带的状态；

在皮带机中心线配置激光位移传感器，实时监控皮带状态，提取设备异常状态中采集到的图像，利用深度学习算法对图像进行分析，首先为了统一输入标准，将拍摄到的异常图像缩放为h*h的尺寸，一共得到了f个像素点，然后将彩色图像进行灰度转化，得到新的图像

通过下列公式计算所有元素的平均值E：

从左到右依次遍历矩阵b中的每一个元素，若b_[i][j]≥E，则元素置为1；若b_[i][j]＜E，则元素置为0，由此可得矩阵k；再从左往右依次遍历矩阵k中的每个元素，得到输送皮带异常图像的哈希值为M，以相同的方法计算数据库中存储的输送皮带撕裂图像的哈希值为A；通过哈希值间的比较，计算异常图像和数据库中的撕裂图像的汉明距离为w，设置汉明距离的阈值为q，若w<q，表示异常图像和数据库中的撕裂图像相似度高，则判断皮带撕裂；若w≥q，表示异常图像和数据库中的撕裂图像相似度低，则判断皮带未发生撕裂；灰度图像相较于彩色图像，其内存占比更小，运算速度更快，而且可以在视觉上增加对比，突出目标区域，利用异常图像和输送皮带撕裂图像进行对比，判断输送皮带的状态，有利于提高输送机的使用寿命，保证其工作的高效进行。

进一步的，在步骤Z3中：根据输送皮带的撕裂图像，利用激光位移传感器采集到输送皮带上有u处撕裂，随机一处的起点坐标为(x_e,y_e)，终点坐标为(X_e,Y_e)，根据下列公式计算随机一次输送皮带撕裂长度S_e：

以相同的方式计算得到撕裂长度的集合S＝{S₁,S₂,S_e...,S_u}，通过比较得到撕裂长度的最大值为S_max，依据下列公式计算撕裂长度的平均值W：

设置输送皮带平均撕裂长度的阈值为r，若W≥r，则需要设备发出停机指令；若W＜r，则不需要设备发出停机指令；输送皮带是输送机的核心部件，制造成本昂贵，通过对输送皮带的撕裂长度进行分析，有利于设备及时做出判断，防止因输送皮带故障造成巨大损失，影响企业的经济效益，同时也能够延长输送带的使用时间，保证输送带在运行过程中状态良好；

获取到输送皮带的长度为g米，依据下列公式计算输送皮带撕裂程度的最大值H_max:

设置输送皮带撕裂程度最大阈值为L，若H_max＞L，则表示输送皮带不可以通过维修再次使用；若H_max≤L，则表示输送皮带可以通过维修再次使用；通过输送皮带的可维修率预测，能够了解输送皮带的状态，有利于企业及时更换输送皮带。

与现有技术相比，本发明所达到的有益效果是：

本发明通过判断设备是否出现异常，有利于作业人员及时对设备故障采取措施，减小设备故障带来的影响，再根据设备异常情况分析设备故障的原因，对故障位置进行定位，节省工作人员检修的时间，提高了工作效率，利用异常图像和输送皮带撕裂图像进行对比，判断输送皮带的状态，有利于提高输送机的使用寿命，保证其工作的高效进行，对输送皮带的撕裂长度进行分析，有利于设备及时做出停机响应，防止因输送皮带故障造成巨大损失，影响企业的经济效益。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于AI与激光监测技术的输送皮带检测系统的结构图；

图2是本发明一种基于AI与激光监测技术的输送皮带检测方法的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

请参阅图1-图2，本发明提供技术方案：一种基于AI与激光监测技术的输送皮带检测系统，系统包括：设备状态识别模块、数据库、皮带检测模块和设备响应模块；

设备状态识别模块用于对采集到的声音数据进行分析，判断设备是否发生异常；

数据库用于存储并管理采集到的所有数据；

皮带检测模块用于对拍摄到皮带异常图片进行分析，判断皮带的状态；

设备响应模块用于用于根据皮带的状态，判断设备是否发出停机指令以及判断输送皮带是否需要更换或维修。

设备状态识别模块包括声音数据采集单元、声纹识别单元和异常判断单元；声音数据采集单元的输出端连接数据库的输入端；数据库的输出端连接声纹识别单元的输入端；声纹识别单元的输出端连接异常判断单元的输入端；声音数据采集单元用于采集设备运行中的声音数据；声纹识别单元用于对采集到的声音进行特征提取，得到声音的特征参数；异常判断单元用于将异常声纹模型数据库中的声音与采集到的声音的特征参数进行比较，判断设备是否出现异常，再根据异常情况进一步判断设备异常产生的原因。

皮带检测模块包括图像分析单元和皮带状态判断单元；异常判断单元的输出端连接图像分析单元的输入端；图像分析单元的输出端连接皮带状态判断单元的输入端；图像分析单元用于对拍摄到输送皮带异常的图片和数据库中存储的输送皮带撕裂图像进行分析；皮带状态判断单元用于根据异常图片和数据库中的撕裂图像进行比较，进一步判断皮带是否出现撕裂。

设备响应模块包括皮带撕裂分析单元、设备停机分析单元和皮带更换判断单元；皮带状态判断单元的输出端连接皮带撕裂分析单元的输入端；皮带撕裂分析单元的输出端连接设备停机分析单元的输入端；设备停机分析单元的输出端连接皮带更换判断单元的输入端；皮带撕裂分析单元用于分析皮带的撕裂长度；设备停机分析单元用于根据皮带的撕裂长度分析皮带的撕裂程度，从而判断设备是否发出停机命令；所述皮带更换判断单元用于判断输送皮带是否可以通过维修进行二次利用。

一种基于AI与激光监测技术的输送皮带检测方法，包括以下步骤：

Z1：采集声音数据，对数据进行分析和识别，判断设备是否发生异常；

Z2：通过异常判断，对采集到的图像进行分析，判断皮带的状态；

Z3：根据皮带的状态，判断设备是否发出停机指令以及判断输送皮带是否需要更换或维修。

在步骤Z1中：采集设备运行时产生的声音数据，首先对声音进行去噪处理，避免对关键数据干扰，利用梅尔频谱倒谱方法对声音进行特征提取，将其与以往异常声纹模型数据库中存储的异常声音进行比对，获取到有c段曲线的频率波动相似，设置曲线频率波动相似段数的阈值为d，若c＜d，表示设备运行时的声音与数据库中存储的故障声音相似度低，则判断设备未出现异常；若c≥d，表示设备运行时的声音与数据库中存储的故障声音相似度高，则判断设备出现异常；异常声纹模型数据库用于存储过往设备出现异常的声音，梅尔频谱倒谱主要用于语音的特征提取，抽取频谱图的轮廓信息，把音频信号中具有辨识性的成分提取出来，然后去掉干扰信息，将设备运行时的声音与数据库中的故障声音进行比较，判断设备是否发生异常，有利于作业人员及时对设备故障采取措施，减小设备故障带来的影响。

在步骤Z2中：根据设备的异常情况，利用SVM算法对故障声音进行二分类，若故障声音属于+1类，则表示输送皮带发生故障；若故障声音属于-1类，则表示输送皮带未发生故障；SVM算法是一种二类分类算法，它是将所有的样本分成两类，位于正侧的样本为一类，值为+1；位于负一侧的样本为另一类，值为-1，SVM的优点是具有良好的学习能力且学到的结果具有很好的推广性，能够解决小样本情况下的机器学习问题和高维问题，得到较小的错误率，可以对训练集之外的数据点做很好的分类决策；通过判断设备产生故障的原因，对故障位置进行定位，节省工作人员检修的时间，提高了工作效率，有利于进一步判断皮带的状态；

在皮带机中心线配置激光位移传感器，实时监控皮带状态，提取设备异常状态中采集到的图像，利用深度学习算法对图像进行分析，首先为了统一输入标准，将拍摄到的异常图像缩放为h*h的尺寸，一共得到了f个像素点，然后将彩色图像进行灰度转化，得到新的图像

通过下列公式计算所有元素的平均值E：

从左到右依次遍历矩阵b中的每一个元素，若b_[i][j]≥E，则元素置为1；若b_[i][j]＜E，则元素置为0，由此可得矩阵k；再从左往右依次遍历矩阵k中的每个元素，得到输送皮带异常图像的哈希值为M，以相同的方法计算数据库中存储的输送皮带撕裂图像的哈希值为A；通过哈希值间的比较，计算异常图像和数据库中的撕裂图像的汉明距离为w，设置汉明距离的阈值为q，若w<q，表示异常图像和数据库中的撕裂图像相似度高，则判断皮带撕裂；若w≥q，表示异常图像和数据库中的撕裂图像相似度低，则判断皮带未发生撕裂；灰度图像相较于彩色图像，其内存占比更小，运算速度更快，而且可以在视觉上增加对比，突出目标区域，利用异常图像和输送皮带撕裂图像进行对比，判断输送皮带的状态，有利于提高输送机的使用寿命，保证其工作的高效进行。

进一步的，在步骤Z3中：根据输送皮带的撕裂图像，利用激光位移传感器采集到输送皮带上有u处撕裂，随机一处的起点坐标为(x_e,y_e)，终点坐标为(X_e,Y_e)，根据下列公式计算随机一次输送皮带撕裂长度S_e：

以相同的方式计算得到撕裂长度的集合S＝{S₁,S₂,S_e...,S_u}，通过比较得到撕裂长度的最大值为S_max，依据下列公式计算撕裂长度的平均值W：

设置输送皮带平均撕裂长度的阈值为r，若W≥r，则需要设备发出停机指令；若W＜r，则不需要设备发出停机指令；输送皮带是输送机的核心部件，制造成本昂贵，通过对输送皮带的撕裂长度进行分析，有利于设备及时做出判断，防止因输送皮带故障造成巨大损失，影响企业的经济效益，同时也能够延长输送带的使用时间，保证输送带在运行过程中状态良好；

获取到输送皮带的长度为g米，依据下列公式计算输送皮带撕裂程度的最大值H_max:

设置输送皮带撕裂程度最大阈值为L，若H_max＞L，则表示输送皮带不可以通过维修再次使用；若H_max≤L，则表示输送皮带可以通过维修再次使用；通过输送皮带的可维修率预测，能够了解输送皮带的状态，有利于企业及时更换输送皮带。

实施例一：采集设备运行时产生的声音数据，首先对声音进行处理，避免对关键数据干扰，利用梅尔频谱倒谱方法对声音进行特征提取，将其与以往异常声纹模型数据库中存储的异常声音进行比对，获取到有10段曲线的频率波动相似，设置曲线频率波动相似段数的阈值为5；10≥5，表示设备运行时的声音与数据库中存储的故障声音相似度高，则判断设备出现异常；利用梅尔频谱倒谱的方法，提取声音特征与数据库中的故障声音进行比较，判断设备是否发生异常，有利于作业人员及时对设备故障采取措施，减小设备故障带来的影响；

利用SVM算法对故障声音进行二分类，得到故障声音属于+1类，则表示输送皮带发生故障；SVM算法是一种二类分类算法，它是将所有的样本分成两类，位于正侧的样本为一类，值为+1；位于负一侧的样本为另一类，值为-1，SVM的优点是具有良好的学习能力且学到的结果具有很好的推广性，能够解决小样本情况下的机器学习问题和高维问题，得到较小的错误率，可以对训练集之外的数据点做很好的分类决策；通过判断设备产生故障的原因，对故障位置进行定位，节省工作人员检修的时间，提高了工作效率，有利于进一步判断皮带的状态；

在皮带机中心线配置激光位移传感器，实时监控皮带状态，提取设备异常状态中采集到的图像，利用深度学习算法对图像进行分析，首先为了统一输入标准，将拍摄到的异常图像缩放为h*h＝6*6的尺寸，一共得到了36个像素点，然后将彩色图像进行灰度转化，得到新的图像

通过下列公式计算所有元素的平均值/>

从左到右依次遍历矩阵b中的每一个元素，若b_[i][j]≥E，则元素置为1；若b_[i][j]＜E，则元素置为0，由此可得矩阵/>

再从左往右依次遍历矩阵k中的每个元素，得到输送皮带异常图像的哈希值为011101000001110000001001111000111000，以相同的方法计算数据库中存储的输送皮带撕裂图像的哈希值为101101000001110000001001111000111001；通过哈希值间的比较，计算两张图像的汉明距离为3，设置汉明距离的阈值为15，若3<15，表示异常图像和数据库中的撕裂图像相似度高，则判断皮带撕裂；灰度图像相较于彩色图像，其内存占比更小，运算速度更快，而且可以在视觉上增加对比，突出目标区域，利用异常图像和输送皮带撕裂图像进行对比，判断输送皮带的状态，有利于提高输送机的使用寿命，保证其工作的高效进行；

根据输送皮带的撕裂图像，利用激光位移传感器采集到输送皮带上有3处撕裂，起始坐标分别为(3,5)、(3,9)、(7,2)，终点坐标分别为(9，15)、(11,5)、(6,4)，计算输送皮带间的撕裂长度集合S＝{11.66,8.94,2.24}，通过比较得到撕裂长度的最大值为S_max＝11.66：计算撕裂长度的平均值W：

设置输送皮带撕裂长度的阈值为5，7.61＞5，则需要设备发出停机指令；输送皮带是输送机的核心部件，制造成本昂贵，通过对输送皮带的撕裂长度进行分析，有利于设备及时做出判断，防止因输送皮带故障造成巨大损失，影响企业的经济效益，同时也能够延长输送带的使用时间，保证输送带在运行过程中状态良好；

获取输送皮带的长度为50米，输送皮带的撕裂程度

设置输送皮带撕裂程度的阈值为10％，10％<23％，则表示输送皮带不可以通过维修再次使用；通过输送皮带的撕裂程度，判断输送皮带的能否继续使用，有利于了解输送皮带的状态，企业及时更换输送皮带。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于AI与激光监测技术的输送皮带检测系统，其特征在于：所述系统包括：设备状态识别模块、数据库、皮带检测模块和设备响应模块；

所述设备状态识别模块的输出端连接所述数据库的输入端；所述设备状态识别模块的输出端连接所述皮带检测模块的输入端；所述皮带检测模块的输出端连接所述设备响应模块的输入端；

所述设备状态识别模块用于对采集到的声音数据进行分析，判断设备是否发生异常；

所述数据库用于存储并管理采集到的所有数据；

所述皮带检测模块用于对拍摄到皮带异常图片进行分析，判断皮带的状态；

所述设备响应模块用于根据皮带的状态，判断设备是否发出停机指令以及判断输送皮带是否需要更换或维修。

2.根据权利要求1所述的一种基于AI与激光监测技术的输送皮带检测系统，其特征在于：所述设备状态识别模块包括声音数据采集单元、声纹识别单元和异常判断单元；

所述声音数据采集单元的输出端连接所述数据库的输入端；所述数据库的输出端连接所述声纹识别单元的输入端；所述声纹识别单元的输出端连接所述异常判断单元的输入端；

所述声音数据采集单元用于采集设备运行中的声音数据；所述声纹识别单元用于对采集到的声音进行特征提取，得到声音的特征参数；所述异常判断单元用于将异常声纹模型数据库中的声音与采集到的声音的特征参数进行比较，判断设备是否出现异常，再根据异常情况进一步判断设备异常产生的原因。

3.根据权利要求2所述的一种基于AI与激光监测技术的输送皮带检测系统，其特征在于：所述皮带检测模块包括图像分析单元和皮带状态判断单元；

所述异常判断单元的输出端连接所述图像分析单元的输入端；所述图像分析单元的输出端连接所述皮带状态判断单元的输入端；

所述图像分析单元用于对拍摄到输送皮带异常的图片和数据库中存储的输送皮带撕裂图像进行分析；所述皮带状态判断单元用于将异常图片和数据库中的撕裂图像进行比较，进一步判断皮带是否出现撕裂。

4.根据权利要求3所述的一种基于AI与激光监测技术的输送皮带检测系统，其特征在于：所述设备响应模块包括皮带撕裂分析单元、设备停机分析单元和皮带更换判断单元；

所述皮带状态判断单元的输出端连接所述皮带撕裂分析单元的输入端；所述皮带撕裂分析单元的输出端连接所述设备停机分析单元的输入端；所述设备停机分析单元的输出端连接所述皮带更换判断单元的输入端；

所述皮带撕裂分析单元用于分析皮带的撕裂长度；所述设备停机分析单元用于根据皮带的撕裂长度分析皮带的撕裂程度，从而判断设备是否发出停机命令；所述皮带更换判断单元用于判断输送皮带是否可以通过维修进行二次利用。

5.一种基于AI与激光监测技术的输送皮带检测方法，其特征在于：包括以下步骤：

Z1：采集声音数据，对数据进行分析和识别，判断设备是否发生异常；

Z2：通过异常判断，对采集到的图像进行分析，判断皮带的状态；

Z3：根据皮带的状态，判断设备是否发出停机指令以及判断输送皮带是否需要更换或维修。

6.根据权利要求5所述的一种基于AI与激光监测技术的输送皮带检测方法，其特征在于：在步骤Z1中：采集设备运行时产生的声音数据，首先对声音进行去噪处理，利用梅尔频谱倒谱方法对声音进行特征提取，将其与以往异常声纹模型数据库中存储的异常声音进行比对，获取到有c段曲线的频率波动相似，设置曲线频率波动相似段数的阈值为d，若c＜d，表示设备运行时的声音与数据库中存储的故障声音相似度低，则判断设备未出现异常；若c≥d，表示设备运行时的声音与数据库中存储的故障声音相似度高，则判断设备出现异常。

7.根据权利要求6所述的一种基于AI与激光监测技术的输送皮带检测方法，其特征在于：在步骤Z2中：利用SVM算法对故障声音进行二分类，若故障声音属于+1类，则表示输送皮带发生故障；若故障声音属于-1类，则表示输送皮带未发生故障。

8.根据权利要求7所述的一种基于AI与激光监测技术的输送皮带检测方法，其特征在于：在皮带机中心线配置激光位移传感器，实时监控皮带状态，提取设备异常状态中采集到的图像，利用深度学习算法对图像进行分析，首先为了统一输入标准，将拍摄到的异常图像缩放为h*h的尺寸，一共得到了f个像素点，然后将彩色图像进行灰度转化，得到新的图像

通过下列公式计算所有元素的平均值E：

从左到右依次遍历矩阵b中的每一个元素，若b_[i][j]≥E，则元素置为1；若b_[i][j]＜E，则元素置为0，由此可得矩阵k；再从左往右依次遍历矩阵k中的每个元素，得到输送皮带异常图像的哈希值为M，以相同的方法计算数据库中存储的输送皮带撕裂图像的哈希值为A；通过哈希值间的比较，计算异常图像和数据库中的撕裂图像的汉明距离为w，设置汉明距离的阈值为q，若w<q，表示异常图像和数据库中的撕裂图像相似度高，则判断皮带撕裂；若w≥q，表示异常图像和数据库中的撕裂图像相似度低，则判断皮带未发生撕裂。

9.根据权利要求8所述的一种基于AI与激光监测技术的输送皮带检测方法，其特征在于：在步骤Z3中：根据输送皮带的撕裂图像，利用激光位移传感器采集到输送皮带上有u处撕裂，随机一处的起点坐标为(x_e,y_e)，终点坐标为(X_e,Y_e)，根据下列公式计算随机一次输送皮带撕裂长度S_e：

以相同的方式计算得到撕裂长度的集合S＝{S₁,S₂,S_e...,S_u}，通过比较得到撕裂长度的最大值为S_max，依据下列公式计算撕裂长度的平均值W：

设置输送皮带平均撕裂长度的阈值为r，若W≥r，则需要设备发出停机指令；若W＜r，则不需要设备发出停机指令；

获取到输送皮带的长度为g米，依据下列公式计算输送皮带撕裂程度的最大值H_max:

设置输送皮带撕裂程度最大阈值为L，若H_max＞L，则表示输送皮带不可以通过维修再次使用；若H_max≤L，则表示输送皮带可以通过维修再次使用。

Images