瓦斯抽采泵站智能管理系统设计

　　摘 要： 为实现煤矿瓦斯抽采泵站少人化、无人化运行，利用自动化控制技术和图像识别技术设计瓦斯抽采泵站智能管理系统。 自动化控制技术可实现瓦斯抽采泵站远程集中监控，提高运行可靠性和控制精度;图像识别技术可通过对摄像头实时采集图像分析处理，准确识别机械仪表指针读数、阀门阀板位置、厂区违禁物品等，识别准确度达 85%，可替代传统人工巡检，提高瓦斯抽采泵站安全管理水平。 相比人工手动操作机器设备、人员定时巡检的瓦斯抽采泵站，应用瓦斯抽采泵站智能管理系统可降低瓦斯抽采泵站 60%的人力需求，且对煤矿智能化发展方向起到示范引领作用。

　　梁椿豪; 陈骋; 曹鹏， 煤矿机械 发表时间：2021-10-25

　　关键词： 瓦斯抽采泵站; 自动控制系统; 智能化; 图像识别; 目标检测

　　0 引言

　　2020 年 4 月《全国安全生产专项整治三年计划》中明确指出要全面推进煤矿智能化建设。 瓦斯抽采泵站是煤与瓦斯突出矿井、高瓦斯矿井瓦斯抽采系统的核心单元。 目前，多数煤矿企业瓦斯抽采泵站运行方式为工人手动启动、停止水环真空泵，手动旋转阀门手轮(柄)开启、关闭阀门，人工观察开度指示大小以调节、平衡井下抽采负压，人工操作不仅存在控制不灵活、调节开闭精度不够等问题，而且浪费人力资源和增加工人的劳动强度。 少数煤矿企业实现了瓦斯抽采泵站基本的自动化系统建设，可在调度室远程控制设备运行，在一定程度上减少了瓦斯抽采泵站运行维护的人力需求，但仍需要定时进行人工巡检。 瓦斯抽采泵站智能化建设的方向是利用自动化技术和人工智能技术在保证稳定、安全、高效运行的同时，最大程度实现无人值守，推动我国煤矿智能化发展，实现煤矿高危险现场少人化、无人化。

　　1 瓦斯抽采泵站智能管理系统总体设计

　　瓦斯抽采泵站智能管理系统由自动化控制系统和视频图像分析识别系统两部分组成。

　　(1)自动化控制系统 由上位机及软件、拼接屏幕、工业交换机、PLC 控制箱、高低压开关、电动阀门、电缆、电源、接线盒等组成。 系统硬件和软件共同作用，实现瓦斯抽采泵站的抽放管路、抽采泵、循环泵、电动阀门、管道参数、环境等参数的实时监测和自动控制。

　　(2)视频图像分析系统 由视频分析服务器和摄像仪等组成。 视频分析服务器内置基于深度学习技术的目标检测算法和基于 OpenCV 的仪表盘识别算法，可自动识别视频图像中阀门开闭状态、人员携带的违禁物品、人员违规操作、仪表盘指针读数等。

　　2 自动化控制系统

　　自动化控制系统分为现场层和监控层。 现场层由 PLC 控制箱、参数传感器、电动阀门、高低压开关等组成。PLC 控制箱是现场层的核心单元，对下可采集管道参数、环境参数、供水参数、供电参数等系统核心参数，监控和调节泵站设备、阀门设备运行状态;对上通过工业以太网发送系统运行参数，接收操作人员指令，控制系统运行方式。 监控层由上位机及软件、工业交换机、拼接屏幕等组成。 操作人员通过上位机及软件查看系统运行参数和设备运行状态，下达控制指令，浏览数据变化趋势及历史记录，实现瓦斯抽采泵站的远程自动或手动操作。

　　瓦斯抽采泵站自动控制系统同时具备自动、手动、检修 3 种控制模式。 ①自动控制模式 操作人员下达一键启动或停止指令后，控制系统按瓦斯抽采泵站控制工艺依次打开或关闭各泵站设备;②手动模式 在系统报警故障等联锁条件限制下，控制系统根据操作人员控制指令控制真空泵启停、调节阀门开度、控制循环水泵启停;③检修模式 控制系统跳过报警故障等所有联锁条件限制，直接根据操作人员控制指令控制真空泵启停、调节阀门开度、控制循环水泵启停。

　　系统软件平台采用国内外主流组态软件，将整个瓦斯抽采泵站系统工艺流程、运行设备、传感器参数通过工艺流程图、设备模拟图以及其他图形展示的方式显示出来，主要组态元素包括工艺流程图、工况数据显示、报警画面、实时趋势曲线、历史趋势图、动态参数、实时显示各种报表。 为实现数据远程监测，系统软件平台支持 Web 发布和手机端 App 访问等功能，管理层可通过浏览器和手机 App 查阅设备运行状态及相关数据。

　　3 视频图像分析识别系统

　　视频图像分析识别系统通过视频服务器 24 h 不间断地分析识别图像信息，替代传统定时巡检工作，降低瓦斯抽采泵站人力成本，提升安全管理水平。 其主要功能需求为识别机械仪表指针读数和识别违禁物品及违规操作。

　　3.1 仪表盘识别算法

　　仪表盘识别算法可快速定位视频图像中仪表盘位置，准确识别仪表盘指针读数，算法原理：

　　(1)利用基于 YOLO-v4 开发的目标检测算法在摄像头采集的图像中迅速定位仪表盘区域， 并去除图像的干扰信息。 YOLO-v4 是在原有 YOLO 目标检测架构的基础上，采用了近些年 CNN 领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、 损失函数等各个方面都有着不同程度的优化。 YOLO-v4 算法在实时目标检测算法中精度最高，实现了精度和速度的最佳平衡。仪表盘图像识别定位算法如图 1 所示。

　　(2)获取仪表盘图像后，将 RGB 格式图像转换为灰度图，并用 5×5 高斯核滤波，去除图像噪点。 高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。

　　(3)利用 OTSU 算法对高斯滤波后的图像进行二值化处理，对二值化处理后的图像进行形态学膨胀运算，使表盘中心空白处仅剩下黑色表针。 OTSU 算法是一种自适应的阈值确定方法，又称大津阈值分割法，是最小二乘法意义下的最优分割。仪表盘图像指针提取过程示意图如图 2 所示。

　　(4)截取膨胀运算处理后图片中心区域图像，图像尺寸为 255×255，然后使用 Canny 算法和霍夫直线算法计算轮廓坐标点和轮廓直线首尾坐标，指针轮廓直线检测过程如图 3 所示。 Canny 边缘检测算法是 John F.Canny 于 1986 年开发出来的一个多级边缘检测算法，也被很多人认为是边缘检测的最优算法。

　　(5)在霍夫直线检测效果图上，图像左上角为坐标零点，零点水平右方为 X 轴正向，零点垂直下方为 Y 轴正向。 将指针间 2 条轮廓线段分别定义为 L1 和 L2，则L1 首尾坐标分别为(54，59)和(96，98)，L2首尾坐标分别为(53，61)和(91，104)。 通过线段首尾坐标计算出 L1 倾斜角度为 137.11°，L2 倾斜角度为 131.47° ，指针 中心 线倾斜 角 度为两者平 均值 ，即 134.29°。 同理计算压力为 0 时，指针倾斜角度为 209.6°;压力为 2.5 MPa 时，指针倾斜角度为-51.48°。每 1°对应量程 s=2.5/(α1+α2)=0.009 6 MPa/(°) (1)式中 α1——压力为 0 时指针倾角，α1=209.6°; α2——压力为 2.5 MPa 时指针倾角，α2=-51.48°。仪表实际读数 d=s(α1-α3)=0.72 MPa (2)式中 α3——指针实际位置的倾角，α3=134.29°。仪表盘识别算法计算结果与人观察读数基本一致。

　　3.2 目标检测算法

　　目标检测算法是基于 YOLO-v4 算法进行开发的深层神经网络图像识别模型。 开发过程：

　　(1)准备训练数据，手动标注图片，用矩形框覆盖图片中待识别的特征并标注特征种类，训练数据库数据量为 1 万张图片，识别特征包括手机、平板电脑、阀门开启、阀门关闭、安全帽、操作人员违规动作、厂区违禁物等;

　　(2)参数调整，激活马赛克数据增强、Mish 激活函数等技术。 马赛克数据增强将 4 张训练图像按一定比例组合成 1 张。 Mosaic 是 YOLO-v4 中引入的一个新的数据增强技术，使得模型能够学习如何识别比正常尺寸小的物体。 Mish 是一个平滑的曲线，平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化;

　　(3) 模 型 训 练 ，epoch =50，literation =2 500， batchsize=4，自动存储 loss 最低和验证精度最高模型的权重系数;

　　(4)将训练好的模型部署到视频图像分析系统中。目标检测算法能够准确识别视频图像中工作人员是否存在违规操作行为，工作人员是否携带手机、平板电脑等违禁物品进入抽采泵站厂区以及阀门阀板位置。

　　4 系统协同

　　视频图像分析系统与自动控制系统通过 OPC 协议进行数据通信，视频图像分析系统识别出工作人员违规操作、工作人员在厂区内携带违规用品以及非工作人员入侵厂区可将报警信息通过 OPC 协议发送到自动控制系统，自动控制系统接受到该信息后，控制厂区内语音播报装置播报预设定的音频广播，对人员起到警示作用。

　　自动控制系统控制管路上阀门开启后， 可通过比对图像识别系统对阀板位置分析结果， 判断阀门是否正常开启，替代传统人工检查阀门开闭是否正常。

　　自动控制系统读取变送器数据，并与视频图像分析系统识别的机械仪表指针数据进行比较，替代人工巡检物理式仪表。

　　5 结语

　　瓦斯抽采泵站智能管理系统将自动化控制技术和图像识别技术应用到瓦斯抽采泵站日常运行管理当中，为瓦斯抽采泵站智能化升级改造提供了一种新方案。 智能管理系统既实现了瓦斯抽采泵站远程自动控制，又可通过图像识别技术替代传统人工巡检过程，极大地提高了系统运行的安全性和稳定性，极大地减少了瓦斯抽采泵站日常运行维护的人力需求。 瓦斯抽采泵站智能管理系统是煤矿智能化升级改造的新方向，对我国煤矿智能化发展具有一定的引领作用。