技术领域
[0001] 本
发明涉及压风机故障监测领域，特别是一种基于红外热成像技术的压风机在线监测装置及监测方法。
背景技术
[0002] 压风机是压缩气体发生装置，一般用于
气动设备的动
力提供，将空气压缩成具备一定压力的气体，该气体连接到气动设备上，使之工作运转，实现
能量的转换。压缩空气安全可靠无污染，被广泛运用在生活和生产的各个环节。在矿山作用中，压风机是风动机械的动力来源，同时可以向井下工作面提供空气，冲淡和排除各种有害气体和矿尘，是矿井生产与安全保障的重要设备之一。
[0003] 据不完全统计，我国矿山企业中的95％均使用压缩空气，且有不停连续生产的需求，通常采用多组压风机的组合配置。因为压风机工作环境噪音大，
温度高，当压风机
箱体内部工况状态不正常或管路发生漏气故障时很难从箱体外部发现，从而造成磨损、
腐蚀管路、资源浪费等现象，对
煤矿造成巨大经济损失。
[0004] 现如今针对压风机的远程
监控系统主要基于PLC控制，对压风机进行远程控制及管理，在故障监测方面也取得了一些进展，通过在气罐和空压机上安装压力
传感器、在气罐出气管路安装温度传感器的方式来监测压风机是否出现故障。然而，上述技术方案还存在如下不足之处：
[0005] 1、传感器安装较为困难，需要对压风机进行重新设计，不易在现有设备上进行改装，花费较大。
[0006] 2、由于温度传感器属于
接触式传感器，损坏率高，检修不便。
[0007] 3、由于温度传感器属于点接触式传感器，不能对压风机的温度进行全方位的监测，故当非接触点发生故障时较难发现，且无法准确判断漏气故障程度与故障发生
位置，故如今煤矿企业对于压风机的故障检测仍然主要依靠人工定期巡检。
[0008] 因此提出本方案，在压风机箱体内成组设置可移动的红外热像仪来拍摄空压机、气罐和管路的整体温度变化及震动情况。本方案采用非接触式测温方法，无需对现有装置的连接部位进行改动，温度测量
精度较高，可直观的获取故障类型并可通过
算法获取漏气故障发生位置，效果好，成本低，能达到较好的实时性。
发明内容
[0009] 本发明要解决的技术问题是针对上述
现有技术的不足，而提供一种基于红外热成像技术的压风机在线监测装置，该基于红外热成像技术的压风机在线监测装置能用于监测压风机工作工况以及监测内部管路漏气现象，同时能够自动判断出气体
泄漏点，准确快速。
[0010] 为解决上述技术问题，本发明采用的技术方案是：
[0011] 一种基于红外热成像技术的压风机在线监测装置，包括上位机和若干组故障监测装置；若干组故障监测装置均设置在压风机箱体的内壁面上，每组故障监测装置均包括移动装置、防爆
云台和红外热像仪。
[0012] 移动装置竖向设置在压风机箱体的内壁面，包含竖向直线滑轨、滑
块和
电机，在电机的驱动下，滑块沿竖向直线滑轨上下移动。
[0013] 防爆云台的底座设置在滑块上，防爆云台能旋转和摆动。
[0014] 红外热像仪设置在防爆云台上，电机、防爆云台和红外热像仪均与上位机相连接。
[0015] 移动装置还包括供电单元，供电单元为电机提供
电能。
[0016] 红外热像仪包括光学镜片和红外探测器，其中，光学镜片用于接收被拍摄物体发出的红外
辐射，红外探测器将所接收到的红外辐射
信号转换为
电信号，经过
电子组件处理为红外图像，传入上位机。
[0017] 上位机中内置有经过
卷积神经网络训练的红外
图像识别神经网络模型。
[0018] 一种基于红外热成像的压风机在线监测方法，包括如下步骤。
[0019] 步骤1，故障监测装置位置布设：将压风机在线监测装置成组布置在压风机箱体内部
角落，使压风机在线监测装置能全面拍摄压风机内部工作状态。
[0020] 步骤2，红外图像识别神经网络模型训练：采集压风机在设定时间内工作状态下的数据作为
训练数据对卷积神经网络进行训练，得到该台压风机的红外图像识别神经网络模型；并将该红外图像识别神经网络模型内置在上位机中。
[0021] 步骤3，单点红外图像拍摄：设置红外热像仪
帧频为30Hz，在竖向直线滑轨上设置N个拍摄点，在每个拍摄点红外热像仪拍摄连续图像，并将拍摄的所有图像信息及拍摄点信息传至上位机。
[0022] 步骤4，红外图像识别：使用上位机中内置的红外图像识别神经网络模型对步骤3拍摄到的红外图像进行处理并识别，识别图中压风机、各个管路、
接口的温度值及对应的位置数据，并进行分析比较，得出压风机的当前工作状态并进行相应的存储与显示。
[0023] 步骤5，压风机全方位红外图像拍摄：红外热像仪和防爆云台在滑块上沿竖向直线
导轨进行周期性上下滑移，防爆云台带动红外热像仪进行周期性旋转摆动，在每个拍摄点均进行步骤3的单点红外图像拍摄，从而完成压风机箱体内所有需要监测的红外图像拍摄。
[0024] 步骤6，压风机全方位监测：上位机中的红外图像识别神经网络模型对步骤4接收的每个拍摄点的红外图像，均按照步骤4的方法，进行识别记录，并通过训练好的卷积神经网络对压风机各处工况进行分析，并得到工况及故障结果，于上位机进行显示，若发生故障，发出报警信息。
[0025] 本发明具有如下有益效果：本发明能用于监测压风机内部温度及震动情况，可自动检测温度异常、漏气、漏液等故障，同时能够自动判断出气体泄漏点，判断准确率高。从而解决了压风机箱体内部工况难以监测，温度异常、漏气、漏液故障难以发现、检测工作效率低等问题，减少了检查、维修人员的工作量，减少了
能源损失，另外，还解决了因泄露而造成的压风机寿命减少问题，降低了检测工作的风险，提高了作业人员的安全问题。
附图说明
[0026] 图1显示了本发明一种基于红外热成像技术的压风机在线监测装置的结构示意图。
[0027] 图2显示了图1中故障监测装置的放大结构示意图。
[0028] 图3显示了红外热像仪的成像原理图。
[0029] 其中有：10.故障监测装置；1.竖向
直线导轨；2.滑块；3.防爆云台；4.红外热像仪；5.压风机箱体；6.上位机。
具体实施方式
[0030] 下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
[0031] 如图1所示，一种基于红外热成像技术的压风机在线监测装置，包括上位机6和若干组故障监测装置10。
[0032] 若干组故障监测装置均设置在压风机箱体的内壁面上，故障监测装置优选为四组，优选设置在压风机箱体的四个内部边角位置。
[0033] 如图2所示，每组故障监测装置均包括移动装置、防爆云台3和红外热像仪4。
[0034] 移动装置竖向设置在压风机箱体的内壁面，包含竖向直线滑轨1、滑块2、电机和供电单元，在电机的驱动下，滑块沿竖向直线滑轨上下移动。
[0035] 防爆云台的底座设置在滑块上，防爆云台能旋转和摆动，云台的旋转和摆动为现有技术，这里不再赘述。防爆云台优选具有控制组件，可通过上位机控制防爆云台的旋转和摆动。
[0036] 上述供电单元为电机提供电能。
[0037] 红外热像仪设置在防爆云台上，电机、防爆云台和红外热像仪均与上位机相连接。通过上位机6远程控制电机的开启，进而控制滑块的滑移。
[0038] 通过上位机6远程控制云台3的旋转和摆动，红外热像仪4拍摄的视频图像自动传输给上位机6，上位机6优选为电脑或移动终端等。
[0039] 如图1所示，红外热像仪包括光学镜片和红外探测器，其中，光学镜片用于接收被拍摄物体发出的红外辐射，红外探测器将所接收到的红外辐射信号转换为电信号，经过电子组件处理为红外图像，传入上位机。
[0040] 上位机中内置有经过卷积神经网络训练的红外图像识别神经网络模型。上位机通过控制防爆云台的旋转和摆动和滑块的移动来调整红外热像仪的拍摄角度，获取来自红外热像仪的红外图像，并完成对来自红外热像仪的红外图像进行视觉识别及处理，提取图像中设备的温度及形状特征，当设备温度的变化满足所设定温度变化特征时则认定压风机处于非正常工作状态并进行分类，给予工作人员警报，并根据图像形状特征判断压风机的故障类型，如非正常震动、漏气故障，并找出故障发生位置。本发明可用于监测矿用压风机箱体内部工况及故障类别，同时能够自动判断出故障发生位置，实时性好，判断准确。
[0041] 一种基于红外热成像的压风机在线监测方法，包括如下步骤。
[0042] 步骤1，故障监测装置位置布设：将压风机在线监测装置成组布置在压风机箱体内部角落，使压风机在线监测装置能全面拍摄压风机内部工作状态。
[0043] 工作状态包括正常工作状态、温度过高状态(压风机、管路、接口)、温度过低状态(压风机、管路、接口)和震动异常状态(压风机、管路、接口)、漏气状态，共11种状态。
[0044] 步骤2，红外图像识别神经网络模型训练，训练步骤如下。
[0045] 步骤21，图像获取：模拟压风机在上述11类工作状态下的红外图像，并进行采集。
[0046] 步骤22，图像预处理：将步骤21获取的红外图像分解为R、G、B三分量图像，并分别对R、G、B三个分量进行n*n中值滤波，将滤波后的三分量图像合成彩红外色图像。
[0047] 步骤23，红外图像设备提取：将步骤22合成的彩色红外图像灰度化，并按照灰度值进行K-means聚类，选择聚类数为5，将聚类后灰度值最小的类还原为背景
颜色(RGB＝[0，0，0])并将其余四层还原为彩色原图，保存为RGB格式，并生成标签。标签按上述11种工作状态进行分类识别，最后将数据分为训练数据和测试数据两类。
[0048] 步骤24，卷积神经网络(CNN)结构与参数设置：因输入图片为彩色图片，设置输入形式为3*X*Y的三维神经元，其中X、Y分别代表图片的
水平、垂直
像素。设置卷积神经网络(CNN)结构与参数如下：
输入层、3个卷积层和3个
池化层、全连接层、
输出层，深度为9。
[0049] 其中输入层的宽度和高度对应于输入图像的宽度和高度，深度为1，接着第一个卷积层对输入的图像进行卷积操作，设置卷积核为3，卷积步数为1，边缘外自动补为0，采用下列公式进行卷积：
[0050]
[0051] 其中：
[0052] f：激活函数，此处选用Relu函数；
[0053] xi，j：图像的第i行第j列元素；
[0054] wm,n：第m行第n列权重；
[0055] wb：卷积核的偏置项；
[0056] ai,j：表示卷积后特征图的第i行第j列元素。
[0057] 池化层对卷积得到的三个特征图进行下
采样，即去除特征图中不重要的样本。设置池化层核大小为2，步数为2，周围补0，取最大值，得到三个更小的特征图。之后再对新的特征图进行卷积和池化，因卷积层和池化层均为3层，故一共进行三次。
[0058] 网络最后两层为全连接层和输出层，其中全连接层的每个神经元和上一层得到的特征图中的每一个神经元相连，输出层的每个神经元与全连接层的每个神经元相连，最终得到整个卷积神经网络的输出。
[0059] 步骤25，卷积神经网络训练：将步骤23生成有标签的红外采集图像，按照步骤24中的结构设计，进行训练，得到红外图像识别神经网络模型；然后，将得到的红外图像识别神经网络模型内置于上位机中。
[0060] 训练得到的红外图像识别神经网络模型能自动识别上述11种工作状态。
[0061] 步骤3，单点红外图像拍摄：设置红外热像仪帧频为30Hz，在竖向直线滑轨上设置N个拍摄点，在每个拍摄点红外热像仪拍摄连续图像，并将拍摄的所有图像信息及拍摄点信息传至上位机。
[0062] 步骤4，红外图像识别：使用上位机中内置的红外图像识别神经网络模型对步骤3拍摄到的红外图像进行处理并识别并返回识别状态。其中识别过程为：识别图中压风机、各个管路、接口的温度值及对应的位置数据，并进行分析比较，得出压风机的当前工作状态并进行相应的存储与显示。其中，当前工作状态为11种工作状态中的一种或多种。
[0063] 步骤5，压风机全方位红外图像拍摄：红外热像仪和防爆云台在滑块上沿竖向直线导轨进行周期性上下滑移，防爆云台带动红外热像仪进行周期性旋转摆动，在每个拍摄点均进行步骤3的单点红外图像拍摄，从而完成压风机箱体内所有需要监测的红外图像拍摄。
[0064] 步骤6，压风机全方位监测：上位机中的红外图像识别神经网络模型对步骤4接收的每个拍摄点的红外图像，均按照步骤4的方法，进行识别记录，并通过训练好的卷积神经网络对压风机各处工况进行分析，并得到当前工况及故障结果，于上位机进行显示，若发生故障，发出报警信息。其中，当前工况为上述11种工作状态中的一种或多种。
[0065] 以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
