面向長距離輸煤皮帶的邊緣-云協(xié)同計算架構與異常檢測加速策略研究

0 引言

長距離輸煤皮帶廣泛應用于煤炭、電力、冶金等多個行業(yè)，是實現(xiàn)煤炭大規(guī)模、長距離運輸?shù)闹匾O施。輸煤皮帶發(fā)生異常（如跑偏、撕裂或托輥損壞等）時，會導致生產(chǎn)中斷，造成經(jīng)濟損失，還容易引發(fā)安全事故。傳統(tǒng)的檢測方法無法滿足工業(yè)生產(chǎn)對輸煤皮帶運行狀態(tài)實時、精準監(jiān)測的需求。在此背景下，開展面向長距離輸煤皮帶的邊緣-云協(xié)同計算架構與異常檢測加速策略研究具有重要的現(xiàn)實意義和應用價值。

通過研究可實現(xiàn)輸煤皮帶異常的快速、準確檢測，及時發(fā)現(xiàn)潛在故障隱患，避免故障擴大，保障生產(chǎn)的連續(xù)性和安全性，且能降低數(shù)據(jù)傳輸壓力，減少網(wǎng)絡帶寬占用，提升檢測系統(tǒng)的運行效率。并且，基于邊緣-云協(xié)同的檢測模式，可推動工業(yè)設備故障檢測從被動響應向主動預測轉(zhuǎn)變，助力工業(yè)生產(chǎn)向智能化、數(shù)字化轉(zhuǎn)型。

1邊緣-云協(xié)同計算系統(tǒng)構成及異常檢測優(yōu)勢

邊緣-云協(xié)同計算架構是一種深度融合邊緣計算與云計算能力的分布式計算范式，其核心在于通過資源與任務的動態(tài)協(xié)同，構建從數(shù)據(jù)源頭到遠程云端的多層次智能化處理體系。該架構以物理空間分布的邊緣節(jié)點為前端載體，依托近場部署的計算設備對本地傳感器、攝像頭等終端產(chǎn)生的數(shù)據(jù)進行實時預處理，減少網(wǎng)絡傳輸負載的同時實現(xiàn)毫秒級響應；云端則憑借其強大的算力資源與存儲能力，承擔復雜模型訓練、全局數(shù)據(jù)分析及跨域協(xié)同決策等任務。二者通過雙向交互機制形成閉環(huán)：邊緣層將篩選后的高價值數(shù)據(jù)上傳至云端，云端通過迭代優(yōu)化算法模型并動態(tài)下發(fā)至邊緣端，使其具備持續(xù)進化的本地決策能力，如此即彌補了邊緣計算在算力與數(shù)據(jù)廣度上的不足，形成“邊緣重實時、云端重深度”的高效互補架構。

在長距離運輸皮帶系統(tǒng)的故障檢測場景中，常規(guī)檢測手段受限于人工巡檢的主觀性、單點傳感器的信息孤立性及云端集中式處理的延遲性，難以應對皮帶撕裂、跑偏、堵料等復雜故障的精準識別需求。通過沿皮帶運輸線分布式部署邊緣計算節(jié)點，可實時接入振動加速度計、紅外熱成像儀、聲發(fā)射傳感器等多模態(tài)傳感設備，在本地完成振動頻譜分析、溫度場重構及聲紋特征提取等計算密集型任務，避免故障擴散。與此同時，云端平臺持續(xù)匯聚多邊緣節(jié)點的結構化特征數(shù)據(jù)與歷史運維記錄，利用圖神經(jīng)網(wǎng)絡挖掘托輥磨損、軸承失效等隱性故障與多傳感器數(shù)據(jù)間的關聯(lián)規(guī)律，并通過知識蒸餾技術將訓練優(yōu)化的故障預測模型壓縮后部署至邊緣端，形成檢測能力的持續(xù)迭代，降低全天候視頻流傳輸對工業(yè)網(wǎng)絡帶寬的占用，更通過云端對全域設備健康狀態(tài)的深度洞察，實現(xiàn)從“閾值告警\"到“壽命預測\"的維護模式升級。

2長距離輸煤皮帶常見異常表現(xiàn)

2.1 輸煤帶跑偏現(xiàn)象

在正常運行狀態(tài)下，輸煤帶應沿著輸送機的中心線平穩(wěn)運行，而發(fā)生跑偏時，輸煤帶會向一側偏移，偏離預定的運行軌跡。

從外觀上看，可明顯觀察到輸煤帶邊緣與輸送機機架或其他部件發(fā)生摩擦，導致輸煤帶邊緣磨損、起毛，甚至出現(xiàn)破損。跑偏嚴重時，物料會從輸煤帶上灑落，造成物料浪費，同時增加了清理成本和勞動強度[]。

輸煤帶跑偏的原因較為復雜，常見原因是安裝精度不足，如輸煤帶接頭不平直，會使得皮帶兩邊張力不均勻，皮帶會始終往張緊力大的一邊跑偏；或者是因為機架歪斜、機架中心線歪斜或機架兩邊高低傾斜，導致皮帶在運行中受到側向拉力，進而造成跑偏。

張緊度不合理也是引起輸煤帶跑偏的主要原因，當輸煤帶張緊力不足，皮帶出現(xiàn)松弛時，在運行過程中容易發(fā)生跑偏；而張緊力過大，又會使輸煤帶承受過大的拉力，加速皮帶的磨損，同時也可能導致跑偏。

2.2 皮帶撕裂問題

皮帶撕裂會導致生產(chǎn)中斷，其主要表現(xiàn)形式為皮帶縱向出現(xiàn)裂口，裂口的長度和深度不一，嚴重時皮帶會完全斷裂。當皮帶發(fā)生撕裂時，物料會從裂口處泄漏，影響生產(chǎn)的正常進行。物料中的尖銳異物是導致皮帶撕裂的主要原因之一。

在輸煤過程中，如果物料中混入了鐵塊、石塊等尖銳物體，當皮帶經(jīng)過時，這些異物會卡在皮帶與其他部件之間，隨著皮帶的運行，逐漸劃傷皮帶，最終導致皮帶撕裂。另一種引發(fā)皮帶撕裂的原因是皮帶老化，在長期的高負荷運行和頻繁的彎曲、拉伸作用下，皮帶表面會出現(xiàn)磨損、龜裂等現(xiàn)象，這些缺陷會逐漸擴大，最終導致皮帶撕裂[2。另外，皮帶接頭是皮帶連接的薄弱環(huán)節(jié)，如果接頭質(zhì)量不佳，如接頭處的硫化工藝不合格、接頭強度不夠等，在皮帶運行過程中，接頭部位容易受到較大的拉力，從而導致接頭開裂，進而引發(fā)皮帶撕裂。

2.3 輸煤帶的托輥損壞

托輥是長距離輸煤皮帶的重要組成部件，當托輥損壞時，輸煤帶運行會不穩(wěn)定，出現(xiàn)抖動、跑偏等問題。軸承磨損是托輥損壞的常見原因之一，因為在長期運行過程中，軸承不斷受到旋轉(zhuǎn)力和徑向力的作用，會逐漸出現(xiàn)磨損，當軸承磨損到一定程度時，其轉(zhuǎn)動精度會下降，摩擦力增大，導致托輥運行不順暢甚至卡死。潤滑不良也是加速軸承磨損的重要因素，如果軸承缺乏潤滑脂或潤滑脂質(zhì)量不佳，會使軸承在干摩擦或半干摩擦狀態(tài)下工作，加劇軸承的磨損[3]。

3使用邊緣-云協(xié)同計算架構加速長距離輸煤皮帶異常檢測策略

3.1 使用SVM實現(xiàn)輸煤帶跑偏的加速檢測

為快速準確地檢測輸煤帶跑偏并及時進行調(diào)整，構建基于機器學習的輸煤帶跑偏檢測模型。首先定義輸煤帶跑偏程度的計算思路，設輸煤帶實際運行位置與理想中心線位置在橫向上的偏差為 Δx ，輸煤帶的寬度為W，則跑偏程度 D 可表示為：

利用安裝在輸煤帶兩側的位移傳感器實時采集輸煤帶邊緣的位置信息，通過式（1）計算出不同時刻的跑偏程度D。將計算得到的跑偏程度數(shù)據(jù)以及對應的其他相關參數(shù)，如輸煤帶的速度 v 、張緊力 T， 托輥的傾斜角度θ等，作為訓練樣本，用于訓練機器學習模型。

選擇支持向量機（SupportVectorMachine，SVM）作為輸煤帶跑偏檢測模型。SVM是一種二分類模型，其基本思想是在特征空間中尋找一個最優(yōu)分類超平面，使得不同類別的樣本點能夠被最大間隔地分開[4]。對于非線性可分問題，可以通過核函數(shù)將低維特征空間映射到高維特征空間，從而實現(xiàn)線性可分，其空間映射如圖1所示。

在訓練過程中，將D超過設定閾值的樣本標記為正類，如 D_threshold=5% ，用以表示輸煤帶跑偏，未超過閾值的樣本標記為負類，表示輸煤帶正常運行。調(diào)整SVM模型的參數(shù)，以徑向基核函數(shù)為例，其調(diào)整過程表示為：

K（x_i，x_j）=exp（-γ||x_i-x_j||²）

式中： K 代表核函數(shù)； x_i 和 x_j 是輸入數(shù)據(jù)集中的兩個樣本向量， x_i 表示第i個樣本， x_j 表示第j個樣本； γ 為核函數(shù)參數(shù)。

通過式（2）所示的調(diào)整方式，使得模型在訓練集上具有良好的分類性能。

當模型訓練完成后，將實時采集到的輸煤帶運行參數(shù)輸入到訓練好的SVM模型中，模型會快速判斷輸煤帶是否跑偏[5]。一旦檢測到輸煤帶跑偏，根據(jù)跑偏程度和其他相關參數(shù)，利用控制算法計算出調(diào)整量，如調(diào)整張緊裝置的張力變化量△T、托輥的調(diào)整角度 Δθ 等。通過控制執(zhí)行機構對輸煤帶進行調(diào)整，使輸煤帶盡快恢復到正常運行狀態(tài)。

3.2使用深度學習實現(xiàn)皮帶撕裂的加速檢測

采用基于深度學習的圖像識別模型來快速檢測皮帶撕裂，利用安裝在皮帶上方的高清攝像頭，以一定的幀率實時采集皮帶表面的圖像，一般設定為fp s=25 幀/s。

為了提高圖像識別的準確性和效率，對采集到的圖像進行預處理。預處理步驟包括圖像灰度化、濾波去噪、圖像增強等。圖像灰度化是將彩色圖像轉(zhuǎn)換為灰度圖像，減少數(shù)據(jù)量并方便后續(xù)處理；濾波去噪采用高斯濾波等方法，去除圖像中的噪聲干擾；圖像增強則通過直方圖均衡化等技術，提高圖像的對比度和清晰度。

構建基于卷積神經(jīng)網(wǎng)絡（CNN）的皮帶撕裂識別模型。CNN是專門為處理圖像數(shù)據(jù)而設計的深度學習模型，通過卷積層、池化層和全連接層等組件，自動提取圖像的特征。在模型訓練階段，收集大量的正常皮帶圖像和帶有撕裂缺陷的皮帶圖像，組成訓練數(shù)據(jù)集。對這些圖像進行標注，將正常圖像標記為負樣本，撕裂圖像標記為正樣本[6]。將訓練數(shù)據(jù)集劃分為訓練集和驗證集，按照 80% 和 20% 的比例劃分，其模型如圖2所示。

在訓練過程中，將圖像輸入CNN模型，模型通過前向傳播計算出預測結果，然后根據(jù)預測結果與真實標簽之間的差異，利用反向傳播算法更新模型的參數(shù)，如卷積核的權重、偏置等。通過多次迭代訓練，使模型能夠準確識別皮帶撕裂特征。訓練時使用交叉熵損失函數(shù)來衡量模型的預測誤差，表示如下：

式中： L 為模型的誤差值； y_i 為真實標簽（0或1）; p_i 為模型預測為正樣本的概率； n 為樣本數(shù)量。

通過隨機梯度下降SGD、Adagrad、Adadelta等優(yōu)化器不斷調(diào)整模型參數(shù)，使得損失函數(shù)逐漸減小。

當模型訓練完成后，將實時采集并預處理后的皮帶圖像輸入到訓練好的CNN模型中，模型會快速輸出皮帶是否存在撕裂以及撕裂的位置和程度等信息。檢測到皮帶撕裂，會發(fā)出警報，并通過控制算法控制輸煤皮帶系統(tǒng)停止運行，防止皮帶撕裂擴大。同時，將撕裂的圖像和相關信息上傳至云端進行分析和記錄，以便后續(xù)維修和管理。

3.3利用檢測模型加速針對托輥損壞的異常檢測

建立托輥運行狀態(tài)監(jiān)測模型，通過實時監(jiān)測托 輥的振動、溫度等參數(shù)來判斷托輥的健康狀態(tài)。設托 輥正常運行時的振動幅度平均值為 ，振動頻率 平均值為 ，溫度平均值為 ，實時采集到的托 輥振動幅度為A，振動頻率為f，溫度為 T 定義振動幅 度偏差系數(shù) C_A. 振動頻率偏差系數(shù) C_f 和溫度偏差系數(shù) C_T 如下：

當 C_A，C_f 或 C_T 超過各自設定的閾值時，認為托輥有概率出現(xiàn)異常。

托輥運行狀態(tài)監(jiān)測依然使用SVM的多分類模型來判斷托輥的具體故障類型，如軸承磨損、密封失效、過載運行等。收集大量不同故障類型下托輥的振動、溫度、轉(zhuǎn)速等數(shù)據(jù)，組成訓練數(shù)據(jù)集。

在訓練過程中，將不同故障類型的樣本分別標記為不同的類別，如類別1表示軸承磨損，類別2表示密封失效，類別3表示過載運行等。通過調(diào)整SVM模型的參數(shù)，如核函數(shù)參數(shù)、懲罰因子等，使模型在訓練集上能夠準確地對不同故障類型進行分類[7]。

利用邊緣設備實時采集托輥的振動、溫度、轉(zhuǎn)速等數(shù)據(jù)，根據(jù)式 （4）～（6） 計算出偏差系數(shù)，并將數(shù)據(jù)輸入到訓練好的SVM多分類模型中。邊緣設備的硬件清單如表1所示。

模型會快速判斷托輥的故障類型和故障程度。一旦檢測到托輥出現(xiàn)故障，根據(jù)故障類型和程度，結合預先制定的維護策略，通過控制算法向生產(chǎn)管理人員發(fā)送預警信息和維護建議，如及時更換托輥、調(diào)整輸煤皮帶負荷等，以便及時采取措施，避免托輥損壞引發(fā)更嚴重的故障，保障輸煤皮帶系統(tǒng)的安全穩(wěn)定運行。

4結束語

研究圍繞長距離輸煤皮帶的異常檢測展開，提出邊緣-云協(xié)同計算架構與異常檢測加速策略。本文闡述了邊緣-云協(xié)同計算系統(tǒng)的構成及其在輸煤皮帶異常檢測中的優(yōu)勢，分析了長距離輸煤皮帶常見的跑偏、撕裂、托輥損壞等異常表現(xiàn)及其成因。基于邊緣-云協(xié)同計算架構，分別提出使用SVM實現(xiàn)輸煤帶跑偏、使用深度學習實現(xiàn)皮帶撕裂、利用檢測模型實現(xiàn)托輥損壞的加速檢測策略，通過實時采集輸煤皮帶運行數(shù)據(jù)，經(jīng)模型分析處理，快速判斷異常類型并采取相應措施，為長距離輸煤皮帶的安全穩(wěn)定運行提供更可靠的保障。

[參考文獻]

[1]靳振宇，王哲.雙目相機的輸煤皮帶機皮帶撕裂檢測技術研究［J].中國新技術新產(chǎn)品，2025（4）：23-25.

[2]劉亞偉.發(fā)電廠輸煤系統(tǒng)設備的管理與檢修分析[J].中國設備工程，2025（4）：72-74.

[3]呂木，杜烈云，池霑禹，等.基于圖像智能識別的輸煤異常程控聯(lián)動的應用研究[J].自動化博覽，2022，39（8）：80-83.

[4]閆博元.基于小波包與GA-BP神經(jīng)網(wǎng)絡的皮帶機故障診斷研究[D].沈陽：東北大學，2022.

[5]竇如軍.皮帶機對輸煤系統(tǒng)安全運行的影響及優(yōu)化[J].家電維修，2024（1）：89-91.

[6]朱越，劉銘濤，周定平.輸煤皮帶智能監(jiān)測系統(tǒng)的研究與應用[J].設備管理與維修，2024（21）：111-113.

[7]陳志偉.基于深度學習的輸煤皮帶偏移檢測研究[D].合肥：合肥大學，2024.