CN116424768B - 基于数字孪生技术的轮轨带式输送机集中监测方法及*** - Google Patents
基于数字孪生技术的轮轨带式输送机集中监测方法及*** Download PDFInfo
- Publication number
- CN116424768B CN116424768B CN202310414577.6A CN202310414577A CN116424768B CN 116424768 B CN116424768 B CN 116424768B CN 202310414577 A CN202310414577 A CN 202310414577A CN 116424768 B CN116424768 B CN 116424768B
- Authority
- CN
- China
- Prior art keywords
- data
- wheel
- time
- belt conveyor
- belt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 60
- 238000004088 simulation Methods 0.000 claims description 38
- 238000012423 maintenance Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005094 computer simulation Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000007418 data mining Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 8
- 238000001931 thermography Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明公开了一种基于数字孪生技术的轮轨带式输送机集中监测方法及***，该***通过自动化采集轮轨带式输送机的运行数据，并进行智能分析，通过与仿真模型桥接，能够分析输送机在正常情况下的运行特征，构建运行异常的判断阈值，并进一步实现智能化监控与维修。通过这种方式，可以提升监测的准确性、检修的及时性、***的可靠性，从而保证轮轨带式输送机的安全高效运行。
Description
技术领域
本发明属于数字孪生智慧输送机技术领域，具体涉及一种基于数字孪生技术的轮轨带式输送机集中监测方法及***。
背景技术
轮轨带式输送机是一种采用托车承载输送带的带式输送设备。相较于普通的带式输送机，它能够减少输送带的压陷阻力，降低物料的运输成本，具有广泛的应用前景。轮轨带式输送机通常包括输送带、托车、轨道等部件。其中，托车是轮轨带式输送机中的重要部件之一，通过数个车轮在轨道上运行，实现承载输送带、运输物料的功能。
然而，由于轮轨带式输送机的输送距离长，存在着多种潜在的故障风险。如输送带磨损和断裂，托车车轮损坏和运行脱轨等。这些故障不仅会影响输送机的正常运行，还会造成严重的经济损失和安全事故。
为了保证轮轨带式输送机的安全高效运行，一般的方法是以100米或500米的间隔安装传感器、开关或摄像头等设备，并结合人工监视的方式来对输送机进行监测。然而，这种方法所需的监测点多、成本高，并且监测准确性和及时性较低。如何设计与开发轮轨带式输送机的自动化监测手段是提升轮轨带式输送机运行可靠性、降低维护成本、提高运行效率的关键问题。
数字孪生技术通过在数字平台建立实体***的仿真模型，通过实时地收集实体***的运行数据，并将其传输到仿真模型中，可实现对物理实体的动态模拟和分析。数字孪生技术的发展为轮轨带式输送机的智能化监控提供了理论基础。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于数字孪生技术的轮轨带式输送机集中监测方法及***解决了轮轨带式输送机的自动化监测的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于数字孪生技术的轮轨带式输送机集中监测方法，包括以下步骤：
步骤S1：运行数据获取与存储：自动化获取轮轨带式输送机的运行数据，并按照时间先后顺序依序存储；
步骤S2：信息挖掘与数据预处理：从轮轨带式输送机的运行数据中识别托车编号信息，并挖掘运行数据中所包含的运行信息；
步骤S3：数字孪生体构建与数据分析：基于轮轨带式输送机的运行数据，构建轮轨带式输送机的仿真模型，通过仿真测试分析刻画托车与输送带运行异常的判断阈值；
步骤S4：自动化监控与维修：实时获取监测轮轨带式输送机的运行信息并与异常判断阈值对比分析，并预测轮轨带式输送机运行异常的时间点，将需要维修的托车或输送带自动送至维修点并通知维修人员。
进一步地：所述运行数据包括托车的运行视频数据、输送带的运行视频数据、托车车轮的温度数据、托车运行的噪声数据与振动数据。
进一步地：所述运行信息包括托车的轮廓、侧向水平位移、倾斜角，输送带的形变程度，托车车轮温度随时间变化的曲线，托车运行振幅与运行噪声分贝声音随时间变化的曲线。
进一步地：所述步骤S1具体包括：
步骤S1-1：通过高清摄像机获取托车与输送带运行的视频数据，通过红外摄像机获取托车车轮的红外热成像数据；
步骤S1-2：通过噪声传感器、振动传感器获取托车运行的噪声数据、振动数据并按照获取时间先后顺序存储；
步骤S1-3：逐帧提取拖车与输送带的运行视频图像并按时间先后顺序存储，提取托车车轮的红外热成像数据中的温度数据并按时间先后顺序存储。
进一步地：所述步骤S2具体包括：
步骤S2-1：运用计算机视觉算法分析托车运行的视频图像，识别每辆托车的编号信息；
步骤S2-2：运用计算机视觉算法分析托车与输送带运行的视频图像，分析托车的轮廓、侧向水平位移、倾斜角，分析输送带形变程度；
步骤S2-3：生成车轮温度关于时间的变化曲线；从振动数据与噪声数据识别并记录托车的运行振幅与运行噪声分贝，生成运行振幅与运行噪声分贝关于时间的变化曲线。
进一步地：所述步骤S3具体包括：
步骤S3-1：基于运行数据构造轮轨带式输送机的动态仿真模型，并采用多视角和三维呈现的方式，实时展示托车和输送带的运行状态；
步骤S3-2：分析托车与输送带正常运转下运行数据与运行信息的数据分布；
步骤S3-3：将步骤S3-2获得的数据分布作为仿真输入，运用步骤S3-1中所述的动态仿真模型进行仿真测试，模拟不同场景下的托车与输送带的运行状况，构建托车与输送带运行异常的判断阈值。
进一步地：所述步骤S4具体包括：
步骤S4-1：建立实时监控算法，实时接收带式输送机的运行数据与运行信息，并与运行异常判断阈值对比分析，实时判断轮轨带式运输机的运转情况；
步骤S4-2：利用人工神经网络拟合运行数据与运行信息的时间序列数据，挖掘时间序列数据随时间的变化规律，预测未来时间下的数据变化趋势，并利用仿真模型测算未来时间下***的运行状态，进而构建托车与输送带的寿命预测算法，实现托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点的准确预测；
步骤S4-3：构建自动化维修控制程序，若托车或输送带运行异常或已到达损坏时间点，则通过控制轮轨带式输送机驱动，把需要维修的托车或输送带移动到指定的维修点进行更换，并将托车编号与输送带所属区段自动发送至检修管理人员处。
一种基于数字孪生技术的轮轨带式输送机集中监测***，包括：数据收集模块、信息分析模块、智能监控模块；
所述数据收集模块包括：高清摄像机、振动传感器、红外摄像机、噪音传感器；用于收集轮轨带式输送机的运行数据，并将运行数据传输至信息分析模块与智能监控模块；
所述信息分析模块包括：数字孪生体、计算机视觉算法、数据挖掘算法、仿真测试平台；用于接收数据收集模块传输的运行数据，分析轮轨带式输送机的运行信息，并将分析结果传输至智能监控模块；
所述的智能监控模块包括：实时监控算法、寿命预测算法、自动控制算法、信号通知装置；用于接收数据收集模块传输的运行数据和信息分析模块传输的异常判断阈值，监控轮轨带式输送机的实时运转情况，实现智能化监测与维修。
进一步地：所述数字孪生体包括轮轨带式输送机的动态仿真模型与三维图像可视化程序；所述计算机视觉算法用于识别托车的编号信息、轮廓、侧向水平位移、倾斜角与输送带的形变程度；所述数据挖掘算法用于拟合数据分布与生成托车与输送带的运行异常判断阈值；所述仿真测试平台用于不同场景下托车与输送带的运行状况的仿真模拟。
进一步地：所述实时监控算法用于监控轮轨带式输送机的实时运行状态；所述寿命预测算法用于预测托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点；所述自动控制算法用于判断托车或输送带是否需要维修，并控制输送机将待维修的托车或输送带运送至指定维修地点；所述的信号通知装置用于实现输送机运行异常时自动通知维修人员。
本发明的有益效果为：
(1)本发明通过在一个固定位置安装高清摄像机、振动传感器、红外摄像机、噪音传感器，从而在保证轮轨带式输送机运行数据的实时收集的目标下，实现了所需监测设备数量少的效果，降低了安装和维护的成本。
(2)本发明通过计算机视觉算法、机器学习算法处理运行数据，保证了轮轨带式输送机的运行信息分析的准确性，同时提高了监测过程的智能化程度与抗干扰能力。
(3)本发明通过结合数字仿真模型与数据挖掘算法，精准刻画轮轨带式输送机正常运行下的数据特征，能够准确构建运行异常的判断阈值，从而保证了智能化监控的准确性。
(4)本发明通过实时监控算法与寿命预测算法，实现了轮轨带式输送机运行情况的实时监控，同时提供了托车与输送带的损坏时间预测功能，提升了轮轨带式输送机的运行可靠性。
(5)本发明通过自动控制算法与信号通知装置，能够自动化地识别待维修的托车与输送，并将其带运送至指定维修地点，同时通知维修人员，提高了轮轨带式输送机维修工作的智能化程度，提升了轮轨带式输送机检查与维修的工作效率。
附图说明
图1为本发明提出的一种基于数字孪生技术的轮轨带式输送机集中监测方法流程示意图；
图2为本发明提出的一种基于数字孪生技术的轮轨带式输送机集中监测***结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，本发明提供了一种基于数字孪生技术的轮轨带式输送机集中监测方法，包括：
步骤S1：运行数据获取与存储：自动化获取轮轨带式输送机的运行数据，并按照时间先后顺序依序存储；
其中，所述运行数据包括托车的运行视频数据、输送带的运行视频数据、托车车轮的温度数据、托车运行的噪声数据与振动数据；
步骤S1具体包括：
步骤S1-1：通过高清摄像机获取托车与输送带运行的视频数据，通过红外摄像机获取托车车轮的红外热成像数据。利用高清摄像机实时拍摄并存储回程段的托车与输送带的视频数据，以30秒的时间长度将所拍摄的视频数据打包存储；同时利用红外摄像机实时拍摄并存储回程段的托车车轮的热成像数据，以30秒的时间长度将所拍摄的视频数据打包存储。
步骤S1-2：通过噪声传感器、振动传感器获取托车运行的噪声数据、振动数据并按照获取时间先后顺序存储。振动传感器与噪音传感器每间隔0.1秒钟记录一次振动与噪音数据，以30秒的时间长度将所记录的数据打包存储；
步骤S1-3：逐帧提取拖车与输送带的运行视频图像并按时间先后顺序存储，提取托车车轮的红外热成像数据中的温度数据并按时间先后顺序存储。以一秒24帧的标准，将每段时长为30秒的运行视频数据逐帧提取为图像数据；以0.1秒的间隔时间提取托车车轮热成像数据中的托车车轮温度数据。然后将所有收集打包的数据按时间先后顺序存储。
步骤S2：信息挖掘与数据预处理：从轮轨带式输送机的运行数据中识别托车编号信息，并挖掘运行数据中所包含的运行信息；
所述运行信息包括托车的轮廓、侧向水平位移、倾斜角，输送带的形变程度，托车车轮温度随时间变化的曲线，托车运行振幅与运行噪声分贝声音随时间变化的曲线。
所述步骤S2具体包括：
步骤S2-1：运用计算机视觉算法分析托车运行的视频图像，识别每辆托车的编号信息。在本实施例中，每辆托车在面向摄像机的方向贴有二维码，通过计算机视觉算法识别二维码，可以获得每辆托车的编号信息；
步骤S2-2：运用计算机视觉算法分析托车与输送带运行的视频图像，分析托车的轮廓、侧向水平位移、倾斜角，分析输送带形变程度。首先基于视频图像判断图像中托车的轮廓，进一步识别图像中托车发生的侧向水平位移的大小，并以此判断托车与轨道的相对位置是否发生明显改变，进一步基于托车的轮廓判断其是否发生倾斜，若发生倾斜，则计算并记录倾斜角的大小；
步骤S2-3：生成车轮温度关于时间的变化曲线；从振动数据与噪声数据识别并记录托车的运行振幅与运行噪声分贝，生成运行振幅与运行噪声分贝关于时间的变化曲线。
步骤S3：数字孪生体构建与数据分析：基于轮轨带式输送机的运行数据，构建轮轨带式输送机的仿真模型，通过仿真测试分析刻画托车与输送带运行异常的判断阈值；
所述步骤S3具体包括：
步骤S3-1：基于运行数据构造轮轨带式输送机的动态仿真模型，并采用多视角和三维呈现的方式，实时展示托车和输送带的运行状态。所述的动态仿真模型具备仿真模拟的功能，以不同的运行信息为输入，可以模拟不同场景下仿真托车和输送带的运行状况，通过与三维图像可视化程序连接，在数字平台上以多视角的形式展现托车与输送带的运行状态；
步骤S3-2：分析托车与输送带正常运转下运行数据与运行信息的数据分布。利用统计分析方法拟合侧向水平位移、倾斜角、温度、噪声、振幅、输送带形变的数据分布；
步骤S3-3：以步骤S3-2获得的数据分布作为仿真输入，运用步骤S3-1中所述的动态仿真模型进行仿真测试，模拟不同场景下的托车与输送带的运行状况，构建托车与输送带运行异常的判断阈值。通过仿真模型，可以测试并记录在不同场景下托车与输送带是否能够正常运转，并基于仿真结果生成轮轨带式输送机在正常运行下的运行水平位移、倾斜角、温度、噪声、振幅、输送带形变等数据波动范围，从而构建异常判断的阈值。
步骤S4：自动化监控与维修：实时获取监测轮轨带式输送机的运行信息并与异常判断阈值对比分析，并预测轮轨带式输送机运行异常的时间点，将需要维修的托车或输送带自动送至维修点并通知维修人员。
所述步骤S4具体包括：
步骤S4-1：建立实时监控算法，实时接收带式输送机的运行数据与运行信息，并与运行异常判断阈值对比分析，实时判断轮轨带式运输机的运转情况。本实施例所述的实时监控算法的运行逻辑为：若运输机正常运转，则循环执行监控算法；若运行异常，则触发自动化维修控制程序，等待重启；
步骤S4-2：利用人工神经网络拟合运行数据与运行信息的时间序列数据，挖掘时间序列数据随时间的变化规律，预测未来时间下的数据变化趋势，并利用仿真模型测算未来时间下***的运行状态，进而构建托车与输送带的寿命预测算法，实现托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点的准确预测。本实施例采用长短期记忆人工神经网络(Long Short-Term Memory，LSTM)对运行数据与运行特征进行拟合。本实施例所述的寿命预测算法的运行逻辑为：实时计算并更新托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点，并将结果传输至自动化维修控制程序；
步骤S4-3：构建自动化维修控制程序，若托车或输送带运行异常或已到达损坏时间点，则通过控制轮轨带式输送机驱动，把需要维修的托车或输送带移动到指定的维修点进行更换，并将托车编号与输送带所属区段自动发送至检修管理人员处。其中，所述输送带所属区段由两辆相邻托车所界定。
实施例2：
如图2所示，本发明提供了一种基于数字孪生技术的轮轨带式输送机集中监测***，用于具体实现所述集中监测方法，包括：数据收集模块、信息分析模块、智能监控模块。
本实施例所述数据收集模块用于收集轮轨带式输送机的运行数据，并将运行数据传输至数据分析模块与智能监控模块，具体包括：高清摄像机、振动传感器、红外摄像机、噪音传感器。本实施例中，轮轨带式输送机具有10公里的输送距离，数据收集模块安装在回程段第1公里末尾处。数据收集模块持续运行，每间隔30秒将收集的所有运行数据打包传输至信息分析模块与智能监控模块，随后在数据收集模块删除本地数据并进行下一轮监控。
本实施例所述的信息分析模块用于接收数据收集模块传输的运行数据，分析轮轨带式输送机的运行信息，并将分析结果传输至智能监控模块，其特征在于，具体包括：数字孪生体、计算机视觉算法、数据挖掘算法、仿真测试平台。
所述数字孪生体包括轮轨带式输送机的动态仿真模型与三维图像可视化程序，并连接至仿真测试平台。本实施例所述的动态仿真模型包括输入接口、运行主程序与输出接口，并同时连接至三维图像可视化程序。动态仿真模型基于托车与输送带的运行数据实时模拟还原带式输送机的运行状况，并以多视角的三维图像的形式呈现。
所述计算机视觉算法用于识别托车的编号信息、轮廓、侧向水平位移、倾斜角与输送带的形变程度，并连接至数据挖掘算法。所述数据挖掘算法用于拟合数据分布与生成托车与输送带的运行异常判断阈值。所述仿真测试平台用于不同场景下托车与输送带的运行状况的仿真模拟。所述数据挖掘算法与仿真测试平台相互连接。其中，数据挖掘算法可基于计算机视觉算法提供的运行信息拟合数据分布，并将其传输至仿真测试平台，也可以接收仿真测试平台的仿真作为输入，进一步构建运行异常的判断阈值；仿真测试平台基于数据挖掘算法提供的数据分布进行仿真测试，并将仿真结果返回至数据挖掘算法。
本实施例所述的智能监控模块用于接收数据收集模块传输的运行数据和信息分析模块传输的异常判断阈值，监控轮轨带式输送机的实时运转情况，实现智能化监测与维修，包括：实时监控算法、寿命预测算法、信号通知装置、自动控制算法。
所述实时监控算法用于监控轮轨带式输送机的实时运行状态，并连接至自动控制算法。所述寿命预测算法用于预测托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点，并连接至自动控制算法。所述自动控制算法用于判断托车或输送带是否需要维修，并控制输送机将待维修的托车或输送带运送至指定维修地点，并触发信号通知装置。在本实施例中，指定维修地点设置在回程段最后1公里起始处。所述的信号通知装置用于实现输送机运行异常时自动通知维修人员，包括LED警报灯、警报扬声器、电子显示屏。所述电子显示屏用于显示待维修的托车编号与输送带所属的区段。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
Claims (6)
1.一种基于数字孪生技术的轮轨带式输送机集中监测方法，其特征在于，包括以下步骤：
步骤S1：运行数据获取与存储：自动化获取轮轨带式输送机的运行数据，并按照时间先后顺序依序存储；获取的运行数据包括：托车与输送带的运行视频数据、托车运行的噪声数据与振动数据、托车车轮的温度数据；
步骤S2：信息挖掘与数据预处理：从轮轨带式输送机的运行数据中识别托车编号信息，并挖掘运行数据中所包含的运行信息；挖掘的运行信息包括：托车轮廓、托车侧向水平位移、托车倾斜角、输送带形变程度、托车车轮温度随时间变化曲线、托车运行振幅随时间变化曲线、托车运行噪声分贝随时间变化曲线；
步骤S3：数字孪生体构建与数据分析：基于轮轨带式输送机的运行数据，构建轮轨带式输送机的仿真模型，分析正常运转下运行数据与运行信息的数据分布，并将数据分布作为仿真模型的输入；通过运用仿真模型进行仿真测试，分析刻画托车与输送带运行异常的判断阈值；
步骤S4：自动化监控与维修：实时获取监测轮轨带式输送机的运行信息并与异常判断阈值对比分析；利用人工神经网络拟合运行数据与运行信息的时间序列数据，预测出轮轨带式输送机的运行异常时间点，包括托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点；到达运行异常时间点后，将需要维修的托车或输送带自动送至维修点并通知维修人员；
所述步骤S1具体包括：
步骤S1-1：通过高清摄像机获取托车与输送带的运行视频数据，通过红外摄像机获取托车车轮的红外热成像数据；
步骤S1-2：通过噪声传感器、振动传感器获取托车运行的噪声数据、振动数据，并按照获取时间先后顺序存储；
步骤S1-3：逐帧提取托车与输送带的运行视频图像并按时间先后顺序存储，提取托车车轮的红外热成像数据中的温度数据并按时间先后顺序存储；
所述步骤S2具体包括：
步骤S2-1：运用计算机视觉算法分析托车运行的视频图像，识别每辆托车的编号信息；
步骤S2-2：运用计算机视觉算法分析托车与输送带运行的视频图像，分析托车的轮廓、侧向水平位移、倾斜角，分析输送带形变程度；
步骤S2-3：生成车轮温度关于时间的变化曲线；从振动数据与噪声数据识别并记录托车的运行振幅与运行噪声分贝，生成运行振幅与运行噪声分贝关于时间的变化曲线；
所述步骤S4中，在利用人工神经网络拟合运行数据与运行信息的时间序列数据时，挖掘时间序列数据随时间的变化规律，预测未来时间下的数据变化趋势，并利用仿真模型测算未来时间下***的运行状态，进而构建托车与输送带的寿命预测算法，实现托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点的准确预测。
2.根据权利要求1所述的基于数字孪生技术的轮轨带式输送机集中监测方法，其特征在于，所述步骤S3具体包括：
步骤S3-1：基于运行数据构造轮轨带式输送机的动态仿真模型，并采用多视角和三维呈现的方式，实时展示托车和输送带的运行状态；
步骤S3-2：分析托车与输送带正常运转下运行数据与运行信息的数据分布；
步骤S3-3：将步骤S3-2获得的数据分布作为仿真输入，运用步骤S3-1中所述的动态仿真模型进行仿真测试，模拟不同场景下的托车与输送带的运行状况，构建托车与输送带运行异常的判断阈值。
3.根据权利要求1所述的基于数字孪生技术的轮轨带式输送机集中监测方法，其特征在于，所述步骤S4具体包括：
步骤S4-1：建立实时监控算法，实时接收带式输送机的运行数据与运行信息，并与运行异常判断阈值对比分析，实时判断轮轨带式输送机的运转情况；
步骤S4-2：利用人工神经网络拟合运行数据与运行信息的时间序列数据，预测出轮轨带式输送机的运行异常时间点；
步骤S4-3：构建自动化维修控制程序，若托车或输送带运行异常或已到达损坏时间点，则通过控制轮轨带式输送机驱动，把需要维修的托车或输送带移动到指定的维修点进行更换，并将托车编号与输送带所属区段自动发送至检修管理人员处。
4.一种基于数字孪生技术的轮轨带式输送机集中监测***，用于实现权利要求1-3中任意一项所述的轮轨带式输送机集中监测方法，其特征在于，包括：数据收集模块、信息分析模块、智能监控模块；
所述数据收集模块包括：高清摄像机、振动传感器、红外摄像机、噪音传感器；用于收集轮轨带式输送机的运行数据，并将运行数据传输至信息分析模块与智能监控模块；
所述信息分析模块包括：数字孪生体、计算机视觉算法、数据挖掘算法、仿真测试平台；用于接收数据传输模块传输的运行数据，分析轮轨带式输送机的运行信息，并将分析结果传输至智能监控模块；
所述智能监控模块包括：实时监控算法、寿命预测算法、自动控制算法、信号通知装置；用于接收数据收集模块传输的运行数据和信息分析模块传输的异常判断阈值，监控轮轨带式输送机的实时运转情况，实现智能化监测与维修。
5.根据权利要求4所述的基于数字孪生技术的轮轨带式输送机集中监测***，其特征在于，所述数字孪生体包括轮轨带式输送机的动态仿真模型与三维图像可视化程序；所述计算机视觉算法用于识别托车的编号信息、轮廓、侧向水平位移、倾斜角与输送带的形变程度；所述数据挖掘算法用于拟合数据分布与生成托车与输送带的运行异常判断阈值；所述仿真测试平台用于不同场景下托车与输送带的运行状况的仿真模拟。
6.根据权利要求4所述的基于数字孪生技术的轮轨带式输送机集中监测***，其特征在于，所述实时监控算法用于监控轮轨带式输送机的实时运行状态；所述寿命预测算法用于预测托车脱轨时间点、托车车轮损坏时间点、输送带破损时间点；所述自动控制算法用于判断托车或输送带是否需要维修，并控制输送机将待维修的托车或输送带运送至指定维修地点；所述的信号通知装置用于实现输送机运行异常时自动通知维修人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310414577.6A CN116424768B (zh) | 2023-04-18 | 2023-04-18 | 基于数字孪生技术的轮轨带式输送机集中监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310414577.6A CN116424768B (zh) | 2023-04-18 | 2023-04-18 | 基于数字孪生技术的轮轨带式输送机集中监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116424768A CN116424768A (zh) | 2023-07-14 |
| CN116424768B true CN116424768B (zh) | 2024-01-23 |
Family
ID=87090539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310414577.6A Active CN116424768B (zh) | 2023-04-18 | 2023-04-18 | 基于数字孪生技术的轮轨带式输送机集中监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116424768B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020204821A1 (en) * | 2019-03-29 | 2020-10-08 | Agency For Science, Technology And Research | System and method for detecting abnormalities in objects traveling along a track |
| CN112633532A (zh) * | 2020-12-29 | 2021-04-09 | 上海工程技术大学 | 一种基于数字孪生技术的列车车轮维修管理*** |
| WO2021169598A1 (zh) * | 2020-02-27 | 2021-09-02 | 广东工业大学 | 生产线基于数字孪生的物理仿真方法及其*** |
| CN115783694A (zh) * | 2022-11-17 | 2023-03-14 | 昆山世度机械科技有限公司 | 三合一滚筒线的输送***及方法 |
-
2023
- 2023-04-18 CN CN202310414577.6A patent/CN116424768B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020204821A1 (en) * | 2019-03-29 | 2020-10-08 | Agency For Science, Technology And Research | System and method for detecting abnormalities in objects traveling along a track |
| WO2021169598A1 (zh) * | 2020-02-27 | 2021-09-02 | 广东工业大学 | 生产线基于数字孪生的物理仿真方法及其*** |
| CN112633532A (zh) * | 2020-12-29 | 2021-04-09 | 上海工程技术大学 | 一种基于数字孪生技术的列车车轮维修管理*** |
| CN115783694A (zh) * | 2022-11-17 | 2023-03-14 | 昆山世度机械科技有限公司 | 三合一滚筒线的输送***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116424768A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107433962B (zh) | 一种用于轨道交通故障监控与智能预警的方法和*** | |
| CN108214554B (zh) | 一种用于轨道交通智能巡检机器人的自检*** | |
| CN106647819B (zh) | 移动式图像采集装置及高速列车一级检修智能辅助*** | |
| CN103115647B (zh) | 轨道交通弓网工况监测*** | |
| CN110059631A (zh) | 接触网非接触式监测缺陷识别方法 | |
| CN110262355A (zh) | 基于智慧矿山管控平台的智慧矿山管理***及方法 | |
| CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
| CN112948457B (zh) | 客运索道检测监测与健康诊断***、方法、介质、设备 | |
| JP6271400B2 (ja) | 鉄道地上設備の劣化推定システム及びその方法 | |
| CN104792796A (zh) | 基于机器视觉的矿用胶带运行工况在线监测*** | |
| CN103617110A (zh) | 服务器设备状态检修*** | |
| KR20120005360A (ko) | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 | |
| US9676402B2 (en) | System for monitoring the operating conditions of a train | |
| CN111591319B (zh) | 一种用于高速铁路的轨道状况动态监测方法 | |
| CN111289529A (zh) | 一种基于ai智能分析的输送皮带撕裂检测***及检测方法 | |
| CN101958046A (zh) | 一种车辆轨迹识别***及车辆轨迹识别的方法 | |
| CN110451204A (zh) | 一种用于传送带实时检视*** | |
| CN111332130A (zh) | 一种基于数字孪生技术的磁浮列车悬浮***调试方法 | |
| CN108038556A (zh) | 一种跨座式单轨道岔健康保障*** | |
| CN114565845A (zh) | 一种地下隧道智能巡检*** | |
| CN115937213A (zh) | 一种矿用单轨吊轨道自动巡检机器人可视化缺陷识别*** | |
| CN116424768B (zh) | 基于数字孪生技术的轮轨带式输送机集中监测方法及*** | |
| Li et al. | Smart railway based on the Internet of Things | |
| CN116664343A (zh) | 一种基于智慧工地数字模型的***及方法 | |
| CN113592916B (zh) | 一种烧结机台车车轴故障检测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |