瓦斯抽采泵站智能管理系統設計

　　摘 要： 為實現煤礦瓦斯抽采泵站少人化、無人化運行，利用自動化控制技術和圖像識別技術設計瓦斯抽采泵站智能管理系統。 自動化控制技術可實現瓦斯抽采泵站遠程集中監控，提高運行可靠性和控制精度;圖像識別技術可通過對攝像頭實時采集圖像分析處理，準確識別機械儀表指針讀數、閥門閥板位置、廠區違禁物品等，識別準確度達 85%，可替代傳統人工巡檢，提高瓦斯抽采泵站安全管理水平。 相比人工手動操作機器設備、人員定時巡檢的瓦斯抽采泵站，應用瓦斯抽采泵站智能管理系統可降低瓦斯抽采泵站 60%的人力需求，且對煤礦智能化發展方向起到示范引領作用。

　　梁椿豪; 陳騁; 曹鵬， 煤礦機械 發表時間：2021-10-25

　　關鍵詞： 瓦斯抽采泵站; 自動控制系統; 智能化; 圖像識別; 目標檢測

　　0 引言

　　2020 年 4 月《全國安全生產專項整治三年計劃》中明確指出要全面推進煤礦智能化建設。 瓦斯抽采泵站是煤與瓦斯突出礦井、高瓦斯礦井瓦斯抽采系統的核心單元。 目前，多數煤礦企業瓦斯抽采泵站運行方式為工人手動啟動、停止水環真空泵，手動旋轉閥門手輪(柄)開啟、關閉閥門，人工觀察開度指示大小以調節、平衡井下抽采負壓，人工操作不僅存在控制不靈活、調節開閉精度不夠等問題，而且浪費人力資源和增加工人的勞動強度。 少數煤礦企業實現了瓦斯抽采泵站基本的自動化系統建設，可在調度室遠程控制設備運行，在一定程度上減少了瓦斯抽采泵站運行維護的人力需求，但仍需要定時進行人工巡檢。 瓦斯抽采泵站智能化建設的方向是利用自動化技術和人工智能技術在保證穩定、安全、高效運行的同時，最大程度實現無人值守，推動我國煤礦智能化發展，實現煤礦高危險現場少人化、無人化。

　　1 瓦斯抽采泵站智能管理系統總體設計

　　瓦斯抽采泵站智能管理系統由自動化控制系統和視頻圖像分析識別系統兩部分組成。

　　(1)自動化控制系統 由上位機及軟件、拼接屏幕、工業交換機、PLC 控制箱、高低壓開關、電動閥門、電纜、電源、接線盒等組成。 系統硬件和軟件共同作用，實現瓦斯抽采泵站的抽放管路、抽采泵、循環泵、電動閥門、管道參數、環境等參數的實時監測和自動控制。

　　(2)視頻圖像分析系統 由視頻分析服務器和攝像儀等組成。 視頻分析服務器內置基于深度學習技術的目標檢測算法和基于 OpenCV 的儀表盤識別算法，可自動識別視頻圖像中閥門開閉狀態、人員攜帶的違禁物品、人員違規操作、儀表盤指針讀數等。

　　2 自動化控制系統

　　自動化控制系統分為現場層和監控層。 現場層由 PLC 控制箱、參數傳感器、電動閥門、高低壓開關等組成。PLC 控制箱是現場層的核心單元，對下可采集管道參數、環境參數、供水參數、供電參數等系統核心參數，監控和調節泵站設備、閥門設備運行狀態;對上通過工業以太網發送系統運行參數，接收操作人員指令，控制系統運行方式。 監控層由上位機及軟件、工業交換機、拼接屏幕等組成。 操作人員通過上位機及軟件查看系統運行參數和設備運行狀態，下達控制指令，瀏覽數據變化趨勢及歷史記錄，實現瓦斯抽采泵站的遠程自動或手動操作。

　　瓦斯抽采泵站自動控制系統同時具備自動、手動、檢修 3 種控制模式。 ①自動控制模式 操作人員下達一鍵啟動或停止指令后，控制系統按瓦斯抽采泵站控制工藝依次打開或關閉各泵站設備;②手動模式 在系統報警故障等聯鎖條件限制下，控制系統根據操作人員控制指令控制真空泵啟停、調節閥門開度、控制循環水泵啟停;③檢修模式 控制系統跳過報警故障等所有聯鎖條件限制，直接根據操作人員控制指令控制真空泵啟停、調節閥門開度、控制循環水泵啟停。

　　系統軟件平臺采用國內外主流組態軟件，將整個瓦斯抽采泵站系統工藝流程、運行設備、傳感器參數通過工藝流程圖、設備模擬圖以及其他圖形展示的方式顯示出來，主要組態元素包括工藝流程圖、工況數據顯示、報警畫面、實時趨勢曲線、歷史趨勢圖、動態參數、實時顯示各種報表。 為實現數據遠程監測，系統軟件平臺支持 Web 發布和手機端 App 訪問等功能，管理層可通過瀏覽器和手機 App 查閱設備運行狀態及相關數據。

　　3 視頻圖像分析識別系統

　　視頻圖像分析識別系統通過視頻服務器 24 h 不間斷地分析識別圖像信息，替代傳統定時巡檢工作，降低瓦斯抽采泵站人力成本，提升安全管理水平。 其主要功能需求為識別機械儀表指針讀數和識別違禁物品及違規操作。

　　3.1 儀表盤識別算法

　　儀表盤識別算法可快速定位視頻圖像中儀表盤位置，準確識別儀表盤指針讀數，算法原理：

　　(1)利用基于 YOLO-v4 開發的目標檢測算法在攝像頭采集的圖像中迅速定位儀表盤區域， 并去除圖像的干擾信息。 YOLO-v4 是在原有 YOLO 目標檢測架構的基礎上，采用了近些年 CNN 領域中最優秀的優化策略，從數據處理、主干網絡、網絡訓練、激活函數、 損失函數等各個方面都有著不同程度的優化。 YOLO-v4 算法在實時目標檢測算法中精度最高，實現了精度和速度的最佳平衡。儀表盤圖像識別定位算法如圖 1 所示。

　　(2)獲取儀表盤圖像后，將 RGB 格式圖像轉換為灰度圖，并用 5×5 高斯核濾波，去除圖像噪點。 高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應用于圖像處理的減噪過程。

　　(3)利用 OTSU 算法對高斯濾波后的圖像進行二值化處理，對二值化處理后的圖像進行形態學膨脹運算，使表盤中心空白處僅剩下黑色表針。 OTSU 算法是一種自適應的閾值確定方法，又稱大津閾值分割法，是最小二乘法意義下的最優分割。儀表盤圖像指針提取過程示意圖如圖 2 所示。

　　(4)截取膨脹運算處理后圖片中心區域圖像，圖像尺寸為 255×255，然后使用 Canny 算法和霍夫直線算法計算輪廓坐標點和輪廓直線首尾坐標，指針輪廓直線檢測過程如圖 3 所示。 Canny 邊緣檢測算法是 John F.Canny 于 1986 年開發出來的一個多級邊緣檢測算法，也被很多人認為是邊緣檢測的最優算法。

　　(5)在霍夫直線檢測效果圖上，圖像左上角為坐標零點，零點水平右方為 X 軸正向，零點垂直下方為 Y 軸正向。 將指針間 2 條輪廓線段分別定義為 L1 和 L2，則L1 首尾坐標分別為(54，59)和(96，98)，L2首尾坐標分別為(53，61)和(91，104)。 通過線段首尾坐標計算出 L1 傾斜角度為 137.11°，L2 傾斜角度為 131.47° ，指針 中心 線傾斜 角 度為兩者平 均值 ，即 134.29°。 同理計算壓力為 0 時，指針傾斜角度為 209.6°;壓力為 2.5 MPa 時，指針傾斜角度為-51.48°。每 1°對應量程 s=2.5/(α1+α2)=0.009 6 MPa/(°) (1)式中 α1——壓力為 0 時指針傾角，α1=209.6°; α2——壓力為 2.5 MPa 時指針傾角，α2=-51.48°。儀表實際讀數 d=s(α1-α3)=0.72 MPa (2)式中 α3——指針實際位置的傾角，α3=134.29°。儀表盤識別算法計算結果與人觀察讀數基本一致。

　　3.2 目標檢測算法

　　目標檢測算法是基于 YOLO-v4 算法進行開發的深層神經網絡圖像識別模型。 開發過程：

　　(1)準備訓練數據，手動標注圖片，用矩形框覆蓋圖片中待識別的特征并標注特征種類，訓練數據庫數據量為 1 萬張圖片，識別特征包括手機、平板電腦、閥門開啟、閥門關閉、安全帽、操作人員違規動作、廠區違禁物等;

　　(2)參數調整，激活馬賽克數據增強、Mish 激活函數等技術。 馬賽克數據增強將 4 張訓練圖像按一定比例組合成 1 張。 Mosaic 是 YOLO-v4 中引入的一個新的數據增強技術，使得模型能夠學習如何識別比正常尺寸小的物體。 Mish 是一個平滑的曲線，平滑的激活函數允許更好的信息深入神經網絡，從而得到更好的準確性和泛化;

　　(3) 模 型 訓 練 ，epoch =50，literation =2 500， batchsize=4，自動存儲 loss 最低和驗證精度最高模型的權重系數;

　　(4)將訓練好的模型部署到視頻圖像分析系統中。目標檢測算法能夠準確識別視頻圖像中工作人員是否存在違規操作行為，工作人員是否攜帶手機、平板電腦等違禁物品進入抽采泵站廠區以及閥門閥板位置。

　　4 系統協同

　　視頻圖像分析系統與自動控制系統通過 OPC 協議進行數據通信，視頻圖像分析系統識別出工作人員違規操作、工作人員在廠區內攜帶違規用品以及非工作人員入侵廠區可將報警信息通過 OPC 協議發送到自動控制系統，自動控制系統接受到該信息后，控制廠區內語音播報裝置播報預設定的音頻廣播，對人員起到警示作用。

　　自動控制系統控制管路上閥門開啟后， 可通過比對圖像識別系統對閥板位置分析結果， 判斷閥門是否正常開啟，替代傳統人工檢查閥門開閉是否正常。

　　自動控制系統讀取變送器數據，并與視頻圖像分析系統識別的機械儀表指針數據進行比較，替代人工巡檢物理式儀表。

　　5 結語

　　瓦斯抽采泵站智能管理系統將自動化控制技術和圖像識別技術應用到瓦斯抽采泵站日常運行管理當中，為瓦斯抽采泵站智能化升級改造提供了一種新方案。 智能管理系統既實現了瓦斯抽采泵站遠程自動控制，又可通過圖像識別技術替代傳統人工巡檢過程，極大地提高了系統運行的安全性和穩定性，極大地減少了瓦斯抽采泵站日常運行維護的人力需求。 瓦斯抽采泵站智能管理系統是煤礦智能化升級改造的新方向，對我國煤礦智能化發展具有一定的引領作用。