燒結基于改進DeepLabv3+的燒結機車輪擺動檢測算法研究

張昊， 陳波，梅佳銳，楊虎生，王月明

（內蒙古科技大學 自動化與電氣工程學院，內蒙古 包頭 014010）

摘要：燒結機作為燒結環(huán)節(jié)的重要設備，其輪軸健康狀態(tài)對于燒結機安全生產具有重要意義。車輪擺動作為輪軸故障的典型特征，可以用來對其進行監(jiān)測與預警。本文針對生產現(xiàn)場缺少對燒結機臺車輪軸故障預警的有效手段，提出了一種基于車輪擺動角度的檢測方案，并構建了基于改進DeepLabv3+的燒結機臺車車輪擺動的檢測算法。該算法通過對比選取車輪分割性能最優(yōu)的模型；根據(jù)分割后的車輪掩膜圖像，確定基準線與車輪的最小外接矩形框，利用其夾角確定車輪的擺動角度；設定預警規(guī)則，通過車輪擺動角度與預警規(guī)則對比，對車輪擺動按照風險等級分類。試驗表明，最優(yōu)改進DeepLabv3+模型相較于初始模型平均交并比提升1.7%，模型大小減少92.9%；使用其作為分割模型對車輪擺動角度檢測，角度誤差在所設定區(qū)間達到0.6°以下；利用設定的預警規(guī)則進行車輪擺動故障的判定，測得平均正確檢出率為96.1%，在此基礎上設計了車輪擺動自動檢測系統(tǒng)，可以為輪軸故障的診斷提供技術支持。

關鍵詞：語義分割；擺動檢測；輪軸故障；燒結機臺車；檢測系統(tǒng) 

燒結機是生產燒結礦的主要設備之一。在燒結過程中，燒結機臺車車輪會時刻處在高扭矩的狀態(tài)，輪軸部位極易發(fā)生油脂皂化、保持架破裂軸承滾珠缺損等故障1-21。輪軸發(fā)生故障時，車輪會發(fā)生擺動，需及時處理，否則易造成燒結機故障停機，降低企業(yè)的經濟效益。目前，雖然生產現(xiàn)場大多依舊采用人工巡查的形式對輪軸故障進行監(jiān)測，缺乏行之有效的自動化監(jiān)測手段，容易導致故障漏檢的發(fā)生。但近年來，研究人員對輪軸故障進行了大量研究[3-4。針對于高速列車的輪軸故障問題，大多采用輪軸溫度與振動信號對故障進行監(jiān)測。基于熱電偶配合冷端補償。陳關君等5設計了一種軸承溫度監(jiān)測系統(tǒng)，通過監(jiān)測異常數(shù)據(jù)判定軸承故障。利用軸箱溫度數(shù)據(jù)與人工智能算法，LIU等提出利用軸箱軸承溫度相關變量的時間序列數(shù)據(jù)作為多變量長短時記憶網(wǎng)絡的輸人來預測未來的高速動車組列車軸箱軸承溫度，從而實現(xiàn)故障預警。基于振動與聲發(fā)射技術，徐科繁等?提出了一種基于預制故障類型進行故障診斷比對的模型，在800~1000r/min的轉速范圍取得了較好的效果。利用電機軸承的振動信號，全兆景等[】提出了一種利用改進貝葉斯網(wǎng)絡的故障診斷模型，在軸承多故障分類上取得了良好效果。

然而上述研究主要針對高速列車，燒結機臺車屬于典型的低速重載車輛，輪軸熱量不易聚集，且燒結現(xiàn)場燒結礦溫度較高，生產現(xiàn)場振動噪音較大加之燒結機臺車循環(huán)往復運行，傳統(tǒng)的溫度與振動傳感器不能很好的對車軸狀態(tài)進行監(jiān)測目前，生產現(xiàn)場仍缺少對燒結機臺車輪軸故障自動化檢測的有效手段。

隨著深度學習技術的快速發(fā)展，其與計算機視覺技術的結合也被應用在故障的監(jiān)測與狀態(tài)判斷上!9-1。通過攝像頭采集軸承等部件的圖像利用圖像邊緣識別算法實現(xiàn)圖像數(shù)據(jù)的處理，李騰宇等!2]提出了一種深井提升機軸承可視化監(jiān)測應用。基于YOLOv5 目標識別算法，袁志龍等(]

提出了一種燒結機臺車車輪踏面缺陷檢測系統(tǒng)，對車輪踏面缺陷的查全率為92%以上。基于改進的 Deeplabv3+，孫耀澤等[4]提出了一種車輪胎踏面損傷圖像的檢測方法。相較于其他測量方法:計算機視覺技術以無接觸、易安裝、能夠通過算法監(jiān)測故障的視覺特征，同時利用燒結機循環(huán)運行，僅需在一處設置檢測裝置即可，可有效節(jié)約使用成本，正在被越來越多的應用于生產現(xiàn)場[5]

針對生產現(xiàn)場缺少低速重載車輛輪軸故障的檢測方法，本文利用輪軸故障時出現(xiàn)的車輪擺動視覺特征提出了一種基于車輪擺動角度的輪軸故障檢測方案，并構建了一種基于改進DeepLabv3+的車輪擺動檢測算法，設計車輪擺動監(jiān)測系統(tǒng)以解決生產現(xiàn)場對于輪軸故障難以監(jiān)測的問題。

總體方案

臺車車輪擺動檢測的硬件示意如圖1所示圖1中，側板編號記錄攝像機安裝在支架側邊以獲取臺車車輪對應的唯一編號信息，車輪擺動檢測攝像機安裝在臺車正上方的支架上，能夠對車輪擺動情況進行檢測。兩臺攝像機將視頻數(shù)據(jù)傳入到服務器進行車輪擺動檢測算法處理與側板數(shù)字識別。當車輪擺動檢測攝像機檢測到車輪擺動角度大小超過設定的閾值時，側板編號記錄攝像機采集擺動車輪對應的側板編號并推送人工處理。

首先通過對PSPNet、U-Net、DeepLabv3+型及其改進模型進行對比，選取車輪分割的最優(yōu)模型。并采用最優(yōu)分割模型對車輪區(qū)域進行分割，得到包含車輪區(qū)域掩模的圖像，在車輪掩膜的圖像上一方面根據(jù)現(xiàn)場工況設定基準線，另一方面對掩膜進行圖像學處理，求取車輪的最小外接知形框，然后計算最小外接矩形框長邊相較于基準線的相對角度，即為車輪的擺動角度。通過車輪擺動角度與設定的預警規(guī)則對比，對車輪擺動進行不同等級的預警、并設計車輪擺動監(jiān)測系統(tǒng)

2車輪分割試驗結果與分析

2.1數(shù)據(jù)集的采集

車輪數(shù)據(jù)集采用燒結機臺車生產現(xiàn)場的圖片，采集現(xiàn)場運行車輪視頻并裁剪共得到數(shù)據(jù)集2140張，按照8:1:1劃分訓練集、驗證集、測試集。訓練集用于訓練模型，驗證集用于在訓練過程中調整模型，測試集用于評估模型性能。

2.2 分割模型的改進

本文對 DeepLabv3+分割模型進行三個方面的改進。

①主干網(wǎng)絡方面。將DeepLabv3+模型編碼階段中的特征網(wǎng)絡Xception網(wǎng)絡換為MobileNetv2網(wǎng)絡。MobileNetv2利用深度可分離卷積來拆分普通卷積，大幅減少了模型參數(shù)。替換后的模型大小大幅減少，模型推理速度提升，更適用于生產現(xiàn)場的應用。

②在編碼過程中的空洞空間卷積池化金字塔(atrous spatial pyramid pooling.ASPP)結構中人壓縮和激勵注意力機制(squeeze-and-excitation,SE)。SE注意力機制的主要思想是對于每個通道的特征圖，通過全局池化得到一個全局統(tǒng)計信息，然后再計算一個通道的權重，最后利用權重對每個通道的特征進行加權求和。通過引人SE注意力機制，可以使得模型在分割邊緣時更加精細，提高后續(xù)車輪擺動角度檢測的精度。

③ 損失函數(shù)方面。本文采用 Dice 相似系數(shù)損失所數(shù)(soft dice coefficient loss，Dice Loss)結合交叉熵損失函數(shù)(cross-entropyloss，CE Loss)作為改進 DeepLabv3+網(wǎng)絡的損失函數(shù)。改進后的損失函數(shù)F.可以由公式(1)表達:

式中:a與B為權重系數(shù)，其權值可根據(jù)模型的訓練效果進行調整;(x;)表示模型預測樣本率;y(x;)表示樣本的真實標簽概率;y;和分別表示第i個樣本的真實值與預測值;N為樣本總數(shù);ε是一個很小的數(shù)(用于避免分母為0)2.3 車輪分割模型的對比試驗

為了更好地對車輪區(qū)域進行分割，設計對比試驗來對比在車輪分割任務中各分割模型的性能指標。試驗選取分割模型PSPNet、U-Net與原始DeepLabv3+模型及其改進模型進行比較。步驟①使用 PSPNet、U-Net與原始 DeepLabv3+進行車輪分割試驗;②使用MobileNetv2網(wǎng)絡替換原DeepLabv3+中的Xception 網(wǎng)絡進行試驗，記頭D,;③ 使用替換主干網(wǎng)絡為 MobileNetv2、替換損失函數(shù)為的模型進行試驗，記為D,;4使用替換主干網(wǎng)絡為MobileNetv2、替換損失函數(shù)為F分別引人CBAM、CA、SE注意力機制的模型進行試驗分別記為 D、D、D、。試驗結果如表1所示。

由表1可以看出，在車輪分割任務中，與分割模型 PSPNet、U-Net相比，原始 DeepLabv3+模型在模型大小，Sa、S。指標均有優(yōu)勢。將原始DeepLabv3+模型的主干網(wǎng)絡_Xeeption 換為，模型大小減少90%以下，但

是Spa、Smu指標均有小幅下降。更換損失函數(shù)后，Sv、Swoy值有一定上升。在引入通道注意力機制后，Sp、Smu值進一步上升，其中引人SE注意力機制的模型D;在S、S..u指標上均優(yōu)于其他方法。相較于原始DeepLabv3+模型，D、型權重大小減少92.9%，S.提升1.7%。可以更快速精確的完成車輪區(qū)域的分割。

3 基于車輪掩膜的車輪擺動檢測算法

3.1車輪擺動角度的判定

選用第2節(jié)中改進的DeepLabv3+模型D作為車輪的分割模型，將燒結機臺車車輪區(qū)域經分割算法處理后，得到車輪的掩膜圖像。根據(jù)車輪的掩模圖像，進行車輪擺動角度的判定，效果如圖2所示。其中:圖2(a)為基準線選定示意圖:在攝像頭固定后，選取鐵軌方向作為基準直線方向;圖2(b)為對包含掩膜的圖像進行高斯濾波、灰度化之后，利用HSV顏色通道分離的方法將車輪的掩膜區(qū)域與背景進行分離，得到車輪區(qū)域的值圖;圖2(c)為利用圖像處理算法求得車輪的最小矩形包圍框與基準線的夾角圖;圖2(d)為2(c)中右方車輪的細節(jié)圖，其中所示角度(B)即為車輪擺動夾角。

根據(jù)基準線的兩端點坐標(xm,ym)、(x+1,ym+1),由公式(2)求出基準線相較于水平線的角度。

式中:0.為基準線與水平線之間的夾角，其與最小外接矩形包圍框返回參數(shù)中長邊相對于水平線的角度α，取值范圍均為[-90°,0°和[0°,90°其中負數(shù)表示逆時針方向，正數(shù)表示順時針方向。由基準線和車輪外接矩形框長邊相對于水平線角度可以計算出車輪外接矩形框長邊與基準線之間的相對角度B=lx-0，即為車輪的擺動角度。3.2 車輪擺動預警規(guī)則的設定

根據(jù)實際生產情況，設定擺動預警規(guī)則，若設車輪最小外接矩形框長邊與基準線的夾角為0其具體等級規(guī)則設定:當0°<0≤3°時，判定為車輪正常運行狀態(tài)下發(fā)生的擺動偏移，無需進行處理;當3°<0≤5°時，判定為低等級風險，需要進行持續(xù)的監(jiān)測，并在定期檢修中對輪軸進行檢查:當0>5°時，車輪處于比較危險的處境，有發(fā)生掉落的危險，判定為發(fā)生高等級擺動偏移。為了防止事故的發(fā)生，需要工作人員立即處理。

由于車輪擺動故障的隨機性，為提高擺動檢測的準確性，采用多次檢測的方法提高檢測的準確率。具體步驟:設置攝像頭視野中心區(qū)域能容納連續(xù)100幀車輪的區(qū)域作為車輪檢測的感興趣區(qū)域。在車輪完全進人感興趣區(qū)域后，每隔10幀采集圖像并執(zhí)行車輪擺動多次檢測的流程，車輪多次檢測的流程如圖3所示。

多次檢測的方法能夠較好龜紀錄生輪檢測周

期的最大擺角，進而可更準確地判定車輪的擺動風險等級。

車輪擺動檢測試驗與系統(tǒng)實現(xiàn)4

為驗證本文方法的有效性，設計車輪擺動試驗。車輪擺動角度試驗采用改進的DeepLabv3+模型D,。在車輪相較于基準線偏左擺動與偏右擺動的情況下，對車輪擺動角度進行檢測。在試驗平臺設定車輪擺動夾角為特定角度作為試驗的實際角度，范圍為[1°,11°]，每隔2°設置為特定角度。試驗時在每個特定角度點對車輪相較于基準線左偏與右偏兩種工況各進行5次測量，各個測量點共進行60組試驗，取平均值作為最后的檢測結果。車輪擺動角度預警試驗共選取100組車輪運行數(shù)據(jù)，其中正常運行狀態(tài)下的車輪50組，低風險擺動車輪35組，高風險擺動車輪15組。使用設定的車輪擺動預警規(guī)則對檢測的車輪擺動角度進行判斷，進而針對風險等級給出預警。

4.1 試驗環(huán)境

試驗所用軟件環(huán)境為Linux系統(tǒng)，系統(tǒng)版本為Ubuntu18.04。深度學習框架采用Tensorflow2.2.車輪擺動角度試驗結果與分析4.2

在各個測量點對車輪使用改進DeepLabv3+型D，進行分割，并對分割后的掩膜圖像采用車輪擺動檢測算法進行處理。采用本文方法測得車輪擺動角度與在試驗平臺預設夾角對比，判定車輪擺動檢測算法的誤差，誤差結果如表2所示。

由表2可以看出，基于改進的DeepLabv3+型，D、在車輪擺動角度測量的平均誤差與最大誤差均在0.6°以內，滿足燒結現(xiàn)場燒結機車輪擺動檢測的精度要求。

4.3 車輪擺動角度預警試驗結果分析與系統(tǒng)實現(xiàn)使用設定的車輪擺動預警規(guī)則，對基于改進的DeepLabv3+模型D、的車輪擺動檢測算法進行試驗測試。試驗結果如表3所示。由表3可以看出，正常車輪組檢出47張，誤檢3張，檢0張，檢出率為94%，誤檢為將正常車輪判定為低風險車輪。低風險組檢出 33 張，誤檢1張，檢1張，檢出率為94.29%，誤檢為將低風險車輪判定為高風險車輪，漏檢為將低風險車輪判定為正常車輪。高風險組檢出15張，檢出率為100%車輪擺動的綜合檢出率為96.1%，其中誤檢與漏檢均發(fā)生在正常與低風險情況，對生產安全影響較小，且由于燒結機臺車循環(huán)往復運行，當車輪擺動有進一步惡化風險時，可以及時檢測報警。

當檢測到車輪發(fā)生擺動故障時，側板編號記錄攝像機會記錄與故障點唯一對應的側板編號圖像進行存儲，并將側板編號圖像發(fā)送至預先訓練好的YOLOv7目標檢測模型中進行識別，識別后的編號數(shù)字推送至工作臺并送入數(shù)據(jù)庫記錄，現(xiàn)場工作人員可以根據(jù)側板數(shù)字對車輪擺動故障進行快速定位，后臺數(shù)據(jù)分析人員也可以根據(jù)車輪擺動異常數(shù)據(jù)組織定期的檢查與維修。

基于上述算法與PyOt5(創(chuàng)建圖形用戶界面的Python庫)，設計了燒結機車輪擺動監(jiān)測系統(tǒng)。系統(tǒng)包括車輪擺動的檢測、故障點側板定位、報警故障存儲等功能。系統(tǒng)運行效果如圖4所示。

經試驗，燒結機車輪擺動監(jiān)測系統(tǒng)能夠滿足生產現(xiàn)場需求，可為輪軸故障監(jiān)測與定位提供有利指導。

(1)對比分析了燒結機臺車車輪圖像的分割模型，選取DeepLabv3+語義分割模型進行改進通過更換主干網(wǎng)絡、引人注意力機制、融合損失函數(shù)，實現(xiàn)了模型的輕量化與性能的提升，改進后的最優(yōu)模型相較于原始模型大小減少92.9%，平均交并比提升了1.7%。

(2)使用改進后的模型D;分割車輪，在分割后得到的車輪掩膜基礎上，設計了車輪擺動檢測算法，計算車輪擺動角度。試驗結果表明，在設定區(qū)間內，車輪擺動角度的測量誤差在0.6°以內。(3)設定了預警規(guī)則，在設定工況下，使用車輪擺動角度與設定的預警規(guī)則對比，故障的正確檢出率為96.1%，設計了燒結機車輪擺動監(jiān)測系統(tǒng)，實現(xiàn)了車輪擺動的實時監(jiān)測與定位，基本滿足了生產的需求。