基于机器学习的输送机关键部件故障检测研究

作     者：高波 

作者单位：太原科技大学 

学位级别：硕士

导师姓名：袁媛

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：输送机 托辊 输送带 机器学习 故障检测 

摘      要：输送机作为重要的运输工具,被广泛地应用于工业生产运输中,是装卸搬运物料的重要设备,发生故障可能会导致生产线的停机,影响整个生产系统的效率,造成经济损失,因此输送机的故障检测不容忽视。目前,依靠人工巡检的输送机故障检测存在着效率低、准确性差等问题,而随着机器学习技术的快速发展,输送机的故障检测也得到更加智能化、高效化的应用,可以提高故障检测的准确率和效率,进而保障输送机的安全稳定运行。因此,本文采用理论分析与数值仿真及试验验证相结合的方法,从输送机的关键部件托辊和输送带出发,利用机器学习技术对其进行故障检测研究。主要研究成果如下:(1)分析了输送机关键部件故障的发生机理,并根据托辊的不同故障表现形式,结合现有的故障检测技术,提取托辊的声音、图像和温度信号变化特征,将托辊的故障等级划分为五等级。同时,利用RBF神经网络并融合不同的监测信号值对不同故障程度的托辊进行故障等级预测,最终可以更为准确地推断出托辊的运行情况,以判定托辊的故障程度。(2)提出了一种基于机器视觉技术和t-SNE的输送带损伤检测方法。通过搭建小型的输送机故障试验平台,对输送带进行不同的损伤破坏试验,并收集了大量的输送带划伤、撕裂及破损的数据集,利用机器视觉技术结合t-SNE数据降维处理方法,提取输送带的损伤特征并进行降维处理,最后利用SVM支持向量机对故障分类结果进行了进一步的优化。(3)提出了一种改进Faster R-CNN的输送带表面损伤检测方法。在通过试验采集的输送带损伤数据集的基础上,利用人工神经网络模型对输送带的损伤情况进行进一步的分类研究。在Faster-R-CNN神经网络模型的基础上,首选Mobile Net网络进行输送带损伤图像轻量化特征提取,然后在RPN网络中引入了anchor原始特征与卷积相融合的背景分类,以增强损伤区域的区分度,加强输送带的损伤特征信息,结果表明改进的Faster-R-CNN的算法,对输送带划伤、撕裂和破损的损伤状态均能够高精度地识别。