烧结基于改进DeepLabv3+的烧结机车轮摆动检测算法研究

张昊， 陈波，梅佳锐，杨虎生，王月明

（内蒙古科技大学 自动化与电气工程学院，内蒙古 包头 014010）

摘要：烧结机作为烧结环节的重要设备，其轮轴健康状态对于烧结机安全生产具有重要意义。车轮摆动作为轮轴故障的典型特征，可以用来对其进行监测与预警。本文针对生产现场缺少对烧结机台车轮轴故障预警的有效手段，提出了一种基于车轮摆动角度的检测方案，并构建了基于改进DeepLabv3+的烧结机台车车轮摆动的检测算法。该算法通过对比选取车轮分割性能最优的模型；根据分割后的车轮掩膜图像，确定基准线与车轮的最小外接矩形框，利用其夹角确定车轮的摆动角度；设定预警规则，通过车轮摆动角度与预警规则对比，对车轮摆动按照风险等级分类。试验表明，最优改进DeepLabv3+模型相较于初始模型平均交并比提升1.7%，模型大小减少92.9%；使用其作为分割模型对车轮摆动角度检测，角度误差在所设定区间达到0.6°以下；利用设定的预警规则进行车轮摆动故障的判定，测得平均正确检出率为96.1%，在此基础上设计了车轮摆动自动检测系统，可以为轮轴故障的诊断提供技术支持。

关键词：语义分割；摆动检测；轮轴故障；烧结机台车；检测系统 

烧结机是生产烧结矿的主要设备之一。在烧结过程中，烧结机台车车轮会时刻处在高扭矩的状态，轮轴部位极易发生油脂皂化、保持架破裂轴承滚珠缺损等故障1-21。轮轴发生故障时，车轮会发生摆动，需及时处理，否则易造成烧结机故障停机，降低企业的经济效益。目前，虽然生产现场大多依旧采用人工巡查的形式对轮轴故障进行监测，缺乏行之有效的自动化监测手段，容易导致故障漏检的发生。但近年来，研究人员对轮轴故障进行了大量研究[3-4。针对于高速列车的轮轴故障问题，大多采用轮轴温度与振动信号对故障进行监测。基于热电偶配合冷端补偿。陈关君等5设计了一种轴承温度监测系统，通过监测异常数据判定轴承故障。利用轴箱温度数据与人工智能算法，LIU等提出利用轴箱轴承温度相关变量的时间序列数据作为多变量长短时记忆网络的输人来预测未来的高速动车组列车轴箱轴承温度，从而实现故障预警。基于振动与声发射技术，徐科繁等?提出了一种基于预制故障类型进行故障诊断比对的模型，在800~1000r/min的转速范围取得了较好的效果。利用电机轴承的振动信号，全兆景等[】提出了一种利用改进贝叶斯网络的故障诊断模型，在轴承多故障分类上取得了良好效果。

然而上述研究主要针对高速列车，烧结机台车属于典型的低速重载车辆，轮轴热量不易聚集，且烧结现场烧结矿温度较高，生产现场振动噪音较大加之烧结机台车循环往复运行，传统的温度与振动传感器不能很好的对车轴状态进行监测目前，生产现场仍缺少对烧结机台车轮轴故障自动化检测的有效手段。

随着深度学习技术的快速发展，其与计算机视觉技术的结合也被应用在故障的监测与状态判断上!9-1。通过摄像头采集轴承等部件的图像利用图像边缘识别算法实现图像数据的处理，李腾宇等!2]提出了一种深井提升机轴承可视化监测应用。基于YOLOv5 目标识别算法，袁志龙等(]

提出了一种烧结机台车车轮踏面缺陷检测系统，对车轮踏面缺陷的查全率为92%以上。基于改进的 Deeplabv3+，孙耀泽等[4]提出了一种车轮胎踏面损伤图像的检测方法。相较于其他测量方法:计算机视觉技术以无接触、易安装、能够通过算法监测故障的视觉特征，同时利用烧结机循环运行，仅需在一处设置检测装置即可，可有效节约使用成本，正在被越来越多的应用于生产现场[5]

针对生产现场缺少低速重载车辆轮轴故障的检测方法，本文利用轮轴故障时出现的车轮摆动视觉特征提出了一种基于车轮摆动角度的轮轴故障检测方案，并构建了一种基于改进DeepLabv3+的车轮摆动检测算法，设计车轮摆动监测系统以解决生产现场对于轮轴故障难以监测的问题。

总体方案

台车车轮摆动检测的硬件示意如图1所示图1中，侧板编号记录摄像机安装在支架侧边以获取台车车轮对应的唯一编号信息，车轮摆动检测摄像机安装在台车正上方的支架上，能够对车轮摆动情况进行检测。两台摄像机将视频数据传入到服务器进行车轮摆动检测算法处理与侧板数字识别。当车轮摆动检测摄像机检测到车轮摆动角度大小超过设定的阈值时，侧板编号记录摄像机采集摆动车轮对应的侧板编号并推送人工处理。

首先通过对PSPNet、U-Net、DeepLabv3+型及其改进模型进行对比，选取车轮分割的最优模型。并采用最优分割模型对车轮区域进行分割，得到包含车轮区域掩模的图像，在车轮掩膜的图像上一方面根据现场工况设定基准线，另一方面对掩膜进行图像学处理，求取车轮的最小外接知形框，然后计算最小外接矩形框长边相较于基准线的相对角度，即为车轮的摆动角度。通过车轮摆动角度与设定的预警规则对比，对车轮摆动进行不同等级的预警、并设计车轮摆动监测系统

2车轮分割试验结果与分析

2.1数据集的采集

车轮数据集采用烧结机台车生产现场的图片，采集现场运行车轮视频并裁剪共得到数据集2140张，按照8:1:1划分训练集、验证集、测试集。训练集用于训练模型，验证集用于在训练过程中调整模型，测试集用于评估模型性能。

2.2 分割模型的改进

本文对 DeepLabv3+分割模型进行三个方面的改进。

①主干网络方面。将DeepLabv3+模型编码阶段中的特征网络Xception网络换为MobileNetv2网络。MobileNetv2利用深度可分离卷积来拆分普通卷积，大幅减少了模型参数。替换后的模型大小大幅减少，模型推理速度提升，更适用于生产现场的应用。

②在编码过程中的空洞空间卷积池化金字塔(atrous spatial pyramid pooling.ASPP)结构中人压缩和激励注意力机制(squeeze-and-excitation,SE)。SE注意力机制的主要思想是对于每个通道的特征图，通过全局池化得到一个全局统计信息，然后再计算一个通道的权重，最后利用权重对每个通道的特征进行加权求和。通过引人SE注意力机制，可以使得模型在分割边缘时更加精细，提高后续车轮摆动角度检测的精度。

③ 损失函数方面。本文采用 Dice 相似系数损失所数(soft dice coefficient loss，Dice Loss)结合交叉熵损失函数(cross-entropyloss，CE Loss)作为改进 DeepLabv3+网络的损失函数。改进后的损失函数F.可以由公式(1)表达:

式中:a与B为权重系数，其权值可根据模型的训练效果进行调整;(x;)表示模型预测样本率;y(x;)表示样本的真实标签概率;y;和分别表示第i个样本的真实值与预测值;N为样本总数;ε是一个很小的数(用于避免分母为0)2.3 车轮分割模型的对比试验

为了更好地对车轮区域进行分割，设计对比试验来对比在车轮分割任务中各分割模型的性能指标。试验选取分割模型PSPNet、U-Net与原始DeepLabv3+模型及其改进模型进行比较。步骤①使用 PSPNet、U-Net与原始 DeepLabv3+进行车轮分割试验;②使用MobileNetv2网络替换原DeepLabv3+中的Xception 网络进行试验，记头D,;③ 使用替换主干网络为 MobileNetv2、替换损失函数为的模型进行试验，记为D,;4使用替换主干网络为MobileNetv2、替换损失函数为F分别引人CBAM、CA、SE注意力机制的模型进行试验分别记为 D、D、D、。试验结果如表1所示。

由表1可以看出，在车轮分割任务中，与分割模型 PSPNet、U-Net相比，原始 DeepLabv3+模型在模型大小，Sa、S。指标均有优势。将原始DeepLabv3+模型的主干网络_Xeeption 换为，模型大小减少90%以下，但

是Spa、Smu指标均有小幅下降。更换损失函数后，Sv、Swoy值有一定上升。在引入通道注意力机制后，Sp、Smu值进一步上升，其中引人SE注意力机制的模型D;在S、S..u指标上均优于其他方法。相较于原始DeepLabv3+模型，D、型权重大小减少92.9%，S.提升1.7%。可以更快速精确的完成车轮区域的分割。

3 基于车轮掩膜的车轮摆动检测算法

3.1车轮摆动角度的判定

选用第2节中改进的DeepLabv3+模型D作为车轮的分割模型，将烧结机台车车轮区域经分割算法处理后，得到车轮的掩膜图像。根据车轮的掩模图像，进行车轮摆动角度的判定，效果如图2所示。其中:图2(a)为基准线选定示意图:在摄像头固定后，选取铁轨方向作为基准直线方向;图2(b)为对包含掩膜的图像进行高斯滤波、灰度化之后，利用HSV颜色通道分离的方法将车轮的掩膜区域与背景进行分离，得到车轮区域的值图;图2(c)为利用图像处理算法求得车轮的最小矩形包围框与基准线的夹角图;图2(d)为2(c)中右方车轮的细节图，其中所示角度(B)即为车轮摆动夹角。

根据基准线的两端点坐标(xm,ym)、(x+1,ym+1),由公式(2)求出基准线相较于水平线的角度。

式中:0.为基准线与水平线之间的夹角，其与最小外接矩形包围框返回参数中长边相对于水平线的角度α，取值范围均为[-90°,0°和[0°,90°其中负数表示逆时针方向，正数表示顺时针方向。由基准线和车轮外接矩形框长边相对于水平线角度可以计算出车轮外接矩形框长边与基准线之间的相对角度B=lx-0，即为车轮的摆动角度。3.2 车轮摆动预警规则的设定

根据实际生产情况，设定摆动预警规则，若设车轮最小外接矩形框长边与基准线的夹角为0其具体等级规则设定:当0°<0≤3°时，判定为车轮正常运行状态下发生的摆动偏移，无需进行处理;当3°<0≤5°时，判定为低等级风险，需要进行持续的监测，并在定期检修中对轮轴进行检查:当0>5°时，车轮处于比较危险的处境，有发生掉落的危险，判定为发生高等级摆动偏移。为了防止事故的发生，需要工作人员立即处理。

由于车轮摆动故障的随机性，为提高摆动检测的准确性，采用多次检测的方法提高检测的准确率。具体步骤:设置摄像头视野中心区域能容纳连续100帧车轮的区域作为车轮检测的感兴趣区域。在车轮完全进人感兴趣区域后，每隔10帧采集图像并执行车轮摆动多次检测的流程，车轮多次检测的流程如图3所示。

多次检测的方法能够较好龜纪录生轮检测周

期的最大摆角，进而可更准确地判定车轮的摆动风险等级。

车轮摆动检测试验与系统实现4

为验证本文方法的有效性，设计车轮摆动试验。车轮摆动角度试验采用改进的DeepLabv3+模型D,。在车轮相较于基准线偏左摆动与偏右摆动的情况下，对车轮摆动角度进行检测。在试验平台设定车轮摆动夹角为特定角度作为试验的实际角度，范围为[1°,11°]，每隔2°设置为特定角度。试验时在每个特定角度点对车轮相较于基准线左偏与右偏两种工况各进行5次测量，各个测量点共进行60组试验，取平均值作为最后的检测结果。车轮摆动角度预警试验共选取100组车轮运行数据，其中正常运行状态下的车轮50组，低风险摆动车轮35组，高风险摆动车轮15组。使用设定的车轮摆动预警规则对检测的车轮摆动角度进行判断，进而针对风险等级给出预警。

4.1 试验环境

试验所用软件环境为Linux系统，系统版本为Ubuntu18.04。深度学习框架采用Tensorflow2.2.车轮摆动角度试验结果与分析4.2

在各个测量点对车轮使用改进DeepLabv3+型D，进行分割，并对分割后的掩膜图像采用车轮摆动检测算法进行处理。采用本文方法测得车轮摆动角度与在试验平台预设夹角对比，判定车轮摆动检测算法的误差，误差结果如表2所示。

由表2可以看出，基于改进的DeepLabv3+型，D、在车轮摆动角度测量的平均误差与最大误差均在0.6°以内，满足烧结现场烧结机车轮摆动检测的精度要求。

4.3 车轮摆动角度预警试验结果分析与系统实现使用设定的车轮摆动预警规则，对基于改进的DeepLabv3+模型D、的车轮摆动检测算法进行试验测试。试验结果如表3所示。由表3可以看出，正常车轮组检出47张，误检3张，检0张，检出率为94%，误检为将正常车轮判定为低风险车轮。低风险组检出 33 张，误检1张，检1张，检出率为94.29%，误检为将低风险车轮判定为高风险车轮，漏检为将低风险车轮判定为正常车轮。高风险组检出15张，检出率为100%车轮摆动的综合检出率为96.1%，其中误检与漏检均发生在正常与低风险情况，对生产安全影响较小，且由于烧结机台车循环往复运行，当车轮摆动有进一步恶化风险时，可以及时检测报警。

当检测到车轮发生摆动故障时，侧板编号记录摄像机会记录与故障点唯一对应的侧板编号图像进行存储，并将侧板编号图像发送至预先训练好的YOLOv7目标检测模型中进行识别，识别后的编号数字推送至工作台并送入数据库记录，现场工作人员可以根据侧板数字对车轮摆动故障进行快速定位，后台数据分析人员也可以根据车轮摆动异常数据组织定期的检查与维修。

基于上述算法与PyOt5(创建图形用户界面的Python库)，设计了烧结机车轮摆动监测系统。系统包括车轮摆动的检测、故障点侧板定位、报警故障存储等功能。系统运行效果如图4所示。

经试验，烧结机车轮摆动监测系统能够满足生产现场需求，可为轮轴故障监测与定位提供有利指导。

(1)对比分析了烧结机台车车轮图像的分割模型，选取DeepLabv3+语义分割模型进行改进通过更换主干网络、引人注意力机制、融合损失函数，实现了模型的轻量化与性能的提升，改进后的最优模型相较于原始模型大小减少92.9%，平均交并比提升了1.7%。

(2)使用改进后的模型D;分割车轮，在分割后得到的车轮掩膜基础上，设计了车轮摆动检测算法，计算车轮摆动角度。试验结果表明，在设定区间内，车轮摆动角度的测量误差在0.6°以内。(3)设定了预警规则，在设定工况下，使用车轮摆动角度与设定的预警规则对比，故障的正确检出率为96.1%，设计了烧结机车轮摆动监测系统，实现了车轮摆动的实时监测与定位，基本满足了生产的需求。