选煤厂煤炭输送带自动巡检系统研究
发布时间：2020-12-07 17:29
煤炭输送带作为一种连续运输设备,在长时间的负荷运行过程中,故障时有发生,如跑偏、撕裂等,严重影响选煤厂的安全生产。传统的选煤厂煤炭输送带巡检工作主要依赖于人工巡检,工作效率低、劳动强度大。输送带跑偏的故障检测过分依赖跑偏传感器,覆盖范围小、检测效果不佳且存在一定检测盲区。针对上述问题,本课题设计了一套选煤厂煤炭输送带自动巡检装置,可以实现对煤炭输送带的自动巡检。该装置采用轨道行走的方式在输送带上方进行往返巡检,通过在装置上携带多种传感器,能够完成对输送带跑偏故障和选煤厂环境如温湿度、烟雾浓度等检测。巡检装置通过WiFi通信的方式,将采集到的数据发送至上位机进行处理和显示。本课题详细研究了输送带跑偏这一故障发生的原因和类型,在此基础上对自动巡检装置的整体结构、驱动系统、检测系统和充电装置进行了设计。完成了巡检装置的硬件设计,包括器件选型、基本的硬件电路以及软件程序的设计。针对输送带的跑偏故障,提出了一种基于深度学习的检测方法,并详细阐述了这一检测方法的基本原理。利用了深度学习强大的图像处理能力,采用TensorFlow平台搭建具有7层网络的卷积神经网络模型,利用该模型对煤炭输送带正常运行...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
选煤厂煤炭输送带
图 1-2 一种悬挂式电力巡检装置kind of suspended electrical equipment insp输送带安全运行十分重要的一个环节水平的提高，对于煤炭输送带自动巡根据现有输送带的巡检状况，对其式输送带巡检系统[10]，实现了对输送带据无人机的工作原理和使用方式，设巡检系统，该系统能够对输送带进行在理论研究阶段，并没有被实际应用成度与自动化程度较低，还需要人好地适应煤矿生产环境，无法有效地研究现状输送带常见故障主要有跑偏、打滑、
拍立淘识别Figure1-3RecognitionofPaiLiTao
【参考文献】：
期刊论文
[1]基于Canny算子的改进型图像边缘提取算法[J]. 范晞,费胜巍,储有兵. 自动化与仪表. 2019(01)
[2]基于TensorFlow的卷积神经网络的研究与实现[J]. 郑攀海,郭凌,丁立兵. 电子技术与软件工程. 2018(18)
[3]基于机器视觉和DSP技术的输煤皮带跑偏检测控制器[J]. 杨明花,高继严. 电子世界. 2018(16)
[4]人工智能深度学习概念研究与综述[J]. 董慧慧. 电脑编程技巧与维护. 2018(08)
[5]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[6]基于多源信息融合技术的皮带机故障诊断研究[J]. 商元吉. 电脑知识与技术. 2018(20)
[7]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[8]深度学习在图像处理领域中的应用综述[J]. 殷琪林,王金伟. 高教学刊. 2018(09)
[9]深度学习及其在图像分类识别中的研究综述[J]. 孙瑜阳. 信息技术与信息化. 2018(01)
[10]矿用胶带输送机常见故障分析与预防[J]. 崔璐潮. 煤. 2017(10)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]基于深度学习的工业系统在线状态监测与诊断方法研究[D]. Ahmad Shaheryar（艾默徳）.北京科技大学 2017
[3]基于人工智能的室内指纹定位技术研究[D]. 丁根明.北京交通大学 2015
[4]基于机器视觉的工程机械行走速度测量系统研究[D]. 金守峰.长安大学 2015
硕士论文
[1]一种基于卷积神经网络的轻量级木材图像识别模型研究[D]. 李楠.浙江农林大学 2018
[2]基于深度学习的不良图片过滤技术研究[D]. 杨源.北方工业大学 2018
[3]基于深度学习的大规模商品图像分类研究[D]. 艾姗姗.北京交通大学 2018
[4]基于LabVIEW和MATLAB的滚动轴承综合监测与诊断系统[D]. 孙晓涛.青岛大学 2018
[5]基于卷积神经网络的图像分类算法研究[D]. 梁栋.郑州大学 2018
[6]基于ARM的智能接触器控制方案及相关软件的设计与实现[D]. 张倩文.北京交通大学 2018
[7]基于深度学习的交通标志图像识别研究[D]. 王猛.兰州理工大学 2018
[8]基于深度卷积网络的图像分类技术研究[D]. 王平.杭州电子科技大学 2018
[9]基于深度学习的智能聊天机器人的研究[D]. 梁苗苗.浙江理工大学 2018
[10]井下带式运输机自动巡检装置设计与研究[D]. 臧勐佳.中国矿业大学 2017
本文编号：2903635
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【部分图文】：
选煤厂煤炭输送带
图 1-2 一种悬挂式电力巡检装置kind of suspended electrical equipment insp输送带安全运行十分重要的一个环节水平的提高，对于煤炭输送带自动巡根据现有输送带的巡检状况，对其式输送带巡检系统[10]，实现了对输送带据无人机的工作原理和使用方式，设巡检系统，该系统能够对输送带进行在理论研究阶段，并没有被实际应用成度与自动化程度较低，还需要人好地适应煤矿生产环境，无法有效地研究现状输送带常见故障主要有跑偏、打滑、
拍立淘识别Figure1-3RecognitionofPaiLiTao
【参考文献】：
期刊论文
[1]基于Canny算子的改进型图像边缘提取算法[J]. 范晞,费胜巍,储有兵. 自动化与仪表. 2019(01)
[2]基于TensorFlow的卷积神经网络的研究与实现[J]. 郑攀海,郭凌,丁立兵. 电子技术与软件工程. 2018(18)
[3]基于机器视觉和DSP技术的输煤皮带跑偏检测控制器[J]. 杨明花,高继严. 电子世界. 2018(16)
[4]人工智能深度学习概念研究与综述[J]. 董慧慧. 电脑编程技巧与维护. 2018(08)
[5]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[6]基于多源信息融合技术的皮带机故障诊断研究[J]. 商元吉. 电脑知识与技术. 2018(20)
[7]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[8]深度学习在图像处理领域中的应用综述[J]. 殷琪林,王金伟. 高教学刊. 2018(09)
[9]深度学习及其在图像分类识别中的研究综述[J]. 孙瑜阳. 信息技术与信息化. 2018(01)
[10]矿用胶带输送机常见故障分析与预防[J]. 崔璐潮. 煤. 2017(10)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]基于深度学习的工业系统在线状态监测与诊断方法研究[D]. Ahmad Shaheryar（艾默徳）.北京科技大学 2017
[3]基于人工智能的室内指纹定位技术研究[D]. 丁根明.北京交通大学 2015
[4]基于机器视觉的工程机械行走速度测量系统研究[D]. 金守峰.长安大学 2015
硕士论文
[1]一种基于卷积神经网络的轻量级木材图像识别模型研究[D]. 李楠.浙江农林大学 2018
[2]基于深度学习的不良图片过滤技术研究[D]. 杨源.北方工业大学 2018
[3]基于深度学习的大规模商品图像分类研究[D]. 艾姗姗.北京交通大学 2018
[4]基于LabVIEW和MATLAB的滚动轴承综合监测与诊断系统[D]. 孙晓涛.青岛大学 2018
[5]基于卷积神经网络的图像分类算法研究[D]. 梁栋.郑州大学 2018
[6]基于ARM的智能接触器控制方案及相关软件的设计与实现[D]. 张倩文.北京交通大学 2018
[7]基于深度学习的交通标志图像识别研究[D]. 王猛.兰州理工大学 2018
[8]基于深度卷积网络的图像分类技术研究[D]. 王平.杭州电子科技大学 2018
[9]基于深度学习的智能聊天机器人的研究[D]. 梁苗苗.浙江理工大学 2018
[10]井下带式运输机自动巡检装置设计与研究[D]. 臧勐佳.中国矿业大学 2017
本文编号：2903635
本文链接：https://www.wllwen.com/kejilunwen/kuangye/2903635.html
