索道钢丝绳运行安全智能监测系统、计算机计算机装置和存储介质的制作方法

本发明涉及索道安全领域，尤其是索道钢丝绳安全运行智能监测系统、计算机装置和存储介质。

背景技术：

1、随着索道技术的发展和信息化网络的成熟，现在已经不再满足于索道的正常运行，索道的安全性也变得极其重要。钢丝绳是索道系统的核心承载构建，钢丝绳的运行振动状态、横向偏移量直接反映索道运行工况，异常振动，会产生钢丝绳偏磨、剐蹭和脱绳等重大安全风险，严重威胁索道运行安全。目前索道钢丝绳安全监测手段主要分为人工巡检、电磁无损探伤和机器视觉表面缺陷检测几大类。人工巡检依靠检修人员目视观测钢丝绳状态，只能在索道低速或者停机条件下开展，巡检效率低，检测结果受人员经验主观影响大，无法实现钢丝绳运行过程中连续不间断的振动姿态监测，难以捕捉短时、瞬态的异常振动现象。电磁无损探伤和机器视觉表面缺陷检测设备多用于识别钢丝绳内部断丝、截面磨损锈蚀损伤，擅长钢丝绳本体损伤检测，但难以直接获取钢丝绳横向位移。索道钢丝绳安全运行智能监测系统可以解决这个难题，目前没有索道钢丝绳安全运行智能监测系统来监测钢丝绳横向位移。

技术实现思路

1、针对上述至少一个技术问题，本发明的目的在于提供一种索道钢丝绳安全运行智能监测系统、计算机装置和存储介质。

2、一方面，本发明实施例包括一种索道钢丝绳安全运行智能监测系统，一种索道钢丝绳运行安全智能监测系统，用索道钢丝绳电涡流传感器和图像采集设备收集钢丝绳的监测数据，对这两类数据进行智能分析处理，从而得到钢丝绳的左右振动幅度，进一步保障索道的安全运行，所述数据智能分析处理，包括数据预处理、建模和预测，其特征在于，所述索道钢丝绳安全智能监测系统包括：

3、电涡流传感器数据和图像数据上传到边缘计算单元；

4、根据所述电涡流传感器数据和图像数据，对电涡流传感器数据和图像数据进行预处理，得到传感器时序数据和图像时序数据；

5、根据所述传感器时序数据和图像时序数据，对钢丝绳横向位移进行智能预测处理。

6、进一步地，所述的一种索道钢丝绳运行安全智能监测系统，其特征在于，所述的根据传感器数据和图像数据进行智能预测处理这一步骤包括：

7、对边缘计算单元收到的电涡流传感器数据进行数据预处理；

8、根据预处理后的传感器时序数据进行人工智能建模，并存储模型计算横向位移；

9、对边缘计算单元收到的图像数据进行数据预处理；

10、根据预处理后的图像数据计算钢丝绳的横向位移；

11、根据处理传感器模型的预测横向位移和图像数据计算的横向位移结果智能预测最终索道钢丝绳横向位移。

12、进一步地，所述的一种索道钢丝绳运行安全智能监测系统，其特征在于，所述的电涡流传感器数据预处理包括：

13、电涡流传感器的时序数据为：

14、

15、对于缺失值, 按下面方法进行填充：

16、

17、对于异常值, 按下面方法进行填充，首先，标记异常点的下标集合：

18、

19、取窗口的宽度的一半为，异常位置，窗口内的正常的有效样本为：

20、

21、窗口里的有效值的均值为：

22、

23、将异常值填充好之后，得到的输出为：

24、

25、进一步地，所述的一种索道钢丝绳运行安全智能监测系统，其特征在于，所述的电涡流传感器时序数据建模并计算出钢丝绳横向位移包括：

26、对于数据预处理后的时间序列，进行一维卷积为：

27、

28、上式中，为卷积核大小，为卷积输出的时间序列的下标，，为卷积输出通道数，为第个卷积核的权重，偏置为；

29、然后对卷积输出进行归一化处理：

30、

31、上式中，和是训练的缩放和偏移参数，其中是防止出现除以0；

32、接下来对上面输出进行激活处理：

33、

34、然后进行第二层卷积处理：

35、

36、接下来进行归一化处理：

37、

38、上式中，和是训练的缩放和偏移参数，其中是防止出现除以0；

39、接下来对上面输出进行激活处理：

40、

41、然后对每一条特征通道，每2个点取最大值：

42、

43、输出的序列长度，从而得到张量，其中为第二层卷积的输出通道数；

44、接下来把二维特征拉直为一维向量：

45、

46、然后是进行全连接处理，并且添加激活函数：

47、

48、

49、上式中的为全连接层系数，为全连接层偏置系数；

50、最后是输出，再进行一次全连接处理，从而得到钢丝绳横向位移：

51、

52、上式中，为预测输出，为第二次全连接系数，为第二次全连接偏置。

53、进一步地，所述的一种索道钢丝绳运行安全智能监测系统，其特征在于，所述的图像数据预处理包括：

54、对于采集到的rgb图像，进行hsv变换，得到三通道，然后对通道进行处理：

55、

56、接下来进行分块，分为块，并对每块计算直方图，并且进行剪裁：

57、

58、

59、

60、然后计算cdf累计分布：

61、

62、接下来进行变换：

63、

64、接下来进行归一化：

65、

66、然后将转回rgb通道。

67、进一步地，所述的一种索道钢丝绳运行安全智能监测系统，其特征在于，所述的根据图像数据计算钢丝绳横向位移包括：

68、对于经过预处理的roi图像区域，进行缩放和填充，得到图像，然后将图像拆分为两部分，一部分进行残差传递，一部分进行多组卷积，从而得到不同尺度的特征图，接下来进行上采样、下采样、高底层特征相互融合，然后将融合后的特征图，输入到检测头，并进行非极大抑制，然后去掉填充和缩放，得到；

69、然后将裁剪后的 roi 图像送入经过训练的多尺度深度学习边缘检测网络；网络通过多层卷积提取多尺度图像特征，分别在每一个特征层级执行边缘预测，并通过上采样将各层级预测结果恢复至 roi 图像原始分辨率；对多尺度边缘预测结果执行可学习权重加权融合，获得融合得分图；对融合得分图逐像素执行激活函数，映射得到边缘概率热力图，像素数值表征对应位置为物体边缘的置信概率，无需人工设置阈值，保留边缘连续强度信息；

70、接下来沿图像纵向选取若干有效图像行，对每一行提取水平方向边缘置信一维序列；搜索该行置信度峰值对应的整数像素位置，采用三点二次多项式插值求解亚像素偏移量，得到该行亚像素边缘坐标。对凹槽侧壁、钢丝绳侧边缘分别采集多行亚像素点集，采用最小二乘法分别拟合得到凹槽侧壁边缘直线与钢丝绳侧向边缘直线；在同一纵向坐标下计算两条直线的水平像素间距，并对多行计算结果取平均得到单帧像素间隙：

71、

72、再通过相机标定比例系数，得到物理真实间隙：

73、

74、最后计算钢丝绳横向位移：

75、

76、上式中，为凹槽的宽度，为绳索的半径。

77、进一步地，所述的一种索道钢丝绳运行安全智能监测系统，其特征在于，所述的根据处理传感器模型的预测横向位移和图像数据计算的横向位移结果智能预测最终索道钢丝绳横向位移包括：

78、根据传感器数据预测的横向位移和图像数据计算的横向位移，得到：

79、

80、上式中，、 和 为待训练系数；

81、然后进行指数变换，得到最终的钢丝绳横向位移：

82、

83、另一方面，本发明实施例还包括一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载实施例中的智能预测方法。

84、另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实施例中的智能预测方法。

85、本发明的有益效果是：实施例中的索道钢丝绳运行安全智能监测系统，通过获取电涡流传感器数据和图像数据，计算出钢丝绳的横向位移，根据钢丝绳的横向位移从而获得钢丝绳脱绳的风险，保证了索道钢丝绳的稳定运行，在索道运行时可以获得最精准的钢丝绳横向位移，大大降低了钢丝绳脱绳的风险，保障了索道的安全。