本技术涉及带式输送机运行保护，尤其涉及一种带式输送机闭环保护系统及方法。
背景技术：
1、带式输送机广泛应用于煤矿、水泥制造、化肥生产以及粮食加工等领域，作为高效搬运散装物料的关键设备之一。尽管其设计初衷是为了实现平稳而连续的物料传输，但在实际应用中，仍然存在一些挑战，其中最为突出的问题包括输送带偏离轨道（即“跑偏”）以及物料堆积（如煤炭堆积）。这些问题不仅容易引起物料在运输途中的泄漏或分散，从而造成资源浪费；同时也会加速输送带表面材料的老化与损坏，对设备的整体性能构成威胁。因此，采取有效措施预防并解决这些问题显得尤为重要，以保证生产线的安全稳定运行，延长机械设备的服务周期。
2、为了解决带式输送机跑偏和堆煤问题，保障带式输送机的安全平稳运行。人们提出了多种带式输送机跑偏和堆煤方法，如接触式传感器和非接触式视觉检测。在接触式中通常采用立辊式测偏结构，优势简单便捷，但机械结构与带式输送机摩擦，容易损坏。在非接触式中常用的是利用激光和视频进行检测。然而，现有方案大都是通过各类手段获取带式输送机跑偏情况，均没有针对跑偏发生的根本原因以及发生跑偏后的智能处理方法进行解决。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本技术的第一个目的在于提出一种带式输送机闭环保护方法。
3、本技术的第二个目的在于提出一种带式输送机闭环保护系统。
4、本技术的第三个目的在于提出一种电子设备。
5、本技术的第四个目的在于提出一种计算机可读存储介质。
6、本技术的第五个目的在于提出一种计算机程序产品。
7、为达上述目的，本技术第一方面实施例提出了一种带式输送机闭环保护方法，包括：
8、实时获取带式输送机上的视频图像；
9、基于所述视频图像，结合深度学习方法以及统计学理论计算煤粒度情况、堆煤情况、煤量数据；
10、通过跑偏预测模型对所述煤粒度情况、所述堆煤情况、所述煤量数据进行计算，预测带式输送机的跑偏程度，所述跑偏预测模型以支持向量机模型作为基础框架，采用径向基函数作为所述支持向量机模型的核函数,并使用蚁群优化算法对支持向量机模型的惩罚参数和核函数参数进行优化；
11、根据所述煤粒度情况、所述堆煤情况、所述煤量数据、所述跑偏程度，对纠偏装置、破碎装置或插板的参数进行调整或对带式输送机进行闭锁。
12、可选的，所述根据所述煤粒度情况、所述堆煤情况、所述煤量数据、所述跑偏程度，对纠偏装置、破碎装置或插板的参数进行调整或对带式输送机进行闭锁，包括：
13、当跑偏程度大于预设跑偏程度阈值，调节纠偏装置的参数；
14、当煤粒度大于预设煤粒度阈值，调节破碎装置的参数；
15、当煤量数据大于预设煤量阈值，调节插板的参数，减少煤量；
16、当堆煤程度大于预设堆煤程度阈值，对带式输送机进行闭锁。
17、可选的，基于所述视频图像计算煤粒度情况的过程，包括：
18、对所述视频图像中实际煤块的大小与像素大小的匹配关系进行初始化设置，通过确定所述视频图像中每个像素代表的实际物理尺寸，确定像素与现实世界单位之间的转换比例，根据转换比例来确定煤块的实际大小与像素大小之间的关系；；
19、使用离线阶段训练并保存的煤粒度识别模型识别出的所述视频图像内视频帧中的煤块，并计算煤块的数量和粒度大小；
20、基于计算出的煤块的数量和粒度大小，计算带式输送机上的煤粒度值，计算公式为：
21、
22、其中，分别为检测煤粒度大于200像素时的数量和权重，分别为检测煤粒度为100~200像素时的数量和权重，分别为检测煤粒度为80~100像素时数的量和权重，分别为检测煤粒度为50~80像素时数量和权重，分别为检测煤粒度小于50像素时的数量和权重；
23、基于所述视频图像计算煤量数据的过程，包括：
24、通过基于视频的多特征煤量检测模型对所述视频图像依次进行预处理、感兴趣区域获取、煤流特征提取以及图像分割处理过程；
25、将处理后获得的煤流区域面积与感兴趣区域面积进行比对，将对比结果作为煤量数据，表达式为：
26、
27、其中，为识别的煤流区域面积，为感兴趣区域面积；
28、基于所述视频图像计算堆煤情况的过程，包括：
29、根据带式输送机的生产工艺关系，建立煤量堆煤模型，对于两条胶带机汇聚到一个胶带机的场景，定义实际情况下煤量关联关系为：
30、
31、其中，分别是汇聚前两个胶带机和汇聚后胶带机实时检测的胶带机煤量，是根据预测出来的胶带机煤量；
32、根据胶带机煤量计算汇聚后胶带机预测的胶带机煤量，并计算偏差程度，将所述偏差程度作为堆煤情况，表达式为：
33、
34、其中，分别为的历史最大值和最小值。
35、可选的，所述煤粒度识别模型的离线训练阶段，包括：
36、收集预设数量的带式输送机运行时的历史图片数据集，将所述历史图片数据集按预设比例分为训练集和测试集，其中，所述历史图片数据集中包含各种干扰条件下的图片；
37、对不同干扰条件的图片进行数据标注，并对yolov8网络模型的模型训练参数进行设置；
38、根据标注后的历史图片数据集对yolov8网络模型进行训练，训练结束后，得到所述煤粒度识别模型。
39、可选的，所述跑偏预测模型以支持向量机模型作为基础框架，所述跑偏预测模型的离线训练过程，包括：
40、获取样本数据集，并将所述样本数据集按预设比例分为训练集和测试集，将所述样本数据集中的样本煤粒度、样本煤量数据、样本堆煤情况、样本煤粒度增量、样本煤量数据增量、样本堆煤情况增量作为支持向量机模型的输入，将实际跑偏程度作为预测标签；
41、对所述样本数据集进行预处理和归一化处理，所述预处理包括数据清洗与数据标准化；
42、采用径向基函数作为支持向量机模型的核函数,并使用蚁群优化算法对支持向量机模型的惩罚参数和核函数参数进行优化,结合交叉验证技术，通过处理后的样本训练集数据作为控制变量来进行仿真，以评估不同参数组合下支持向量机模型的表现，将最优的惩罚参数和核函数参数下的支持向量机模型作为所述跑偏预测模型。
43、可选的，所述实际跑偏程度的获取过程为：
44、按照胶带机区域中心点将托辊分为左托辊和右托辊，根据左侧和右侧托辊的平均面积计算跑偏方向；基于所述跑偏方向和跑偏判断阈值计算托辊跑偏程度；
45、按照胶带机区域中心点将边缘分为左边缘和右边缘，设置一个固定值，根据左侧边缘线和右侧边缘线在未跑偏时对应的值、左侧边缘线和右侧边缘线对应的值以及跑偏判断阈值，计算边缘跑偏程度；
46、将所述托辊跑偏程度和所述边缘跑偏程度的平均值作为实际跑偏程度。
47、可选的，所述采用径向基函数作为支持向量机模型的核函数,并使用蚁群优化算法对支持向量机模型的惩罚参数和核函数参数进行优化,结合交叉验证技术，通过处理后的样本训练集数据作为控制变量来进行仿真，以评估不同参数组合下支持向量机模型的表现，将最优的惩罚参数和核函数参数下的支持向量机模型作为所述跑偏预测模型，包括：
48、对蚁群优化算法参数进行初始化，包括设定蚁群的数量、最大迭代次数、信息素蒸发系数以及信息素挥发因子，并设置惩罚参数和核函数参数的搜索范围；
49、通过蚁群优化算法参数算法在给定范围内搜索最佳的惩罚参数和核函数参数，蚁群根据当前的信息素浓度移动，不断更新路径上的信息素浓度，以逐步逼近最优解；
50、在每次迭代中，使用当前的参数组合训练支持向量机模型，并计算处理后的样本训练集数据上的均方误差和平均绝对百分比误差，将其作为适应度评价指标；
51、检查支持向量机模型的迭代次数是否达到最大迭代次数或适应度值是否满足预设的精度要求，若未达到，则继续执行参数搜索；否则，停止搜索并输出找到的最优的惩罚参数和核函数参数。
52、可选的，还包括：
53、确定支持向量机模型训练的目标为得到一个回归模型，使得预测值和真实值之间的误差最小，所述支持向量机模型的相关表达式包括最小化目标函数、约束条件、拉格朗日函数和回归模型，如下：
54、最小化：
55、
56、约束条件：
57、
58、拉格朗日函数：
59、
60、回归模型：
61、
62、其中，为权重向量，为松弛变量，为第个训练样本对应的松弛变量，为常数，为核函数，为第个训练样本的特征向量，为第个训练样本的真实值，为第个训练样本的预测值，为拉格朗日乘子，为额外的拉格朗日乘子，为第个训练样本对应的额外的拉格朗日乘子，用于处理等式约束，为偏置项，上标表示共轭变量，是第个训练样本对应的拉格朗日乘子，是训练样本的个数。
63、可选的，对所述跑偏预测模型的预测值进行反归一化处理，得到带式输送机的预测跑偏程度。
64、为达上述目的，本技术第二方面实施例提出了一种带式输送机闭环保护系统，包括：
65、视频采集模块，用于实时获取带式输送机上的视频图像；
66、视频分析模块，用于基于所述视频图像，结合深度学习方法以及统计学理论计算煤粒度情况、堆煤情况、煤量数据；
67、跑偏预测模块，用于通过跑偏预测模型对所述煤粒度情况、所述堆煤情况、所述煤量数据进行计算，预测带式输送机的跑偏程度，所述跑偏预测模型以支持向量机模型作为基础框架，采用径向基函数作为所述支持向量机模型的核函数,并使用蚁群优化算法对支持向量机模型的惩罚参数和核函数参数进行优化；
68、控制执行模块，用于根据所述煤粒度情况、所述堆煤情况、所述煤量数据、所述跑偏程度，对纠偏装置、破碎装置或插板的参数进行调整或对带式输送机进行闭锁；
69、可选的，所述根据所述煤粒度情况、所述堆煤情况、所述煤量数据、所述跑偏程度，对纠偏装置、破碎装置或插板的参数进行调整或对带式输送机进行闭锁，包括：
70、当跑偏程度大于预设跑偏程度阈值，调节纠偏装置的参数；
71、当煤粒度大于预设煤粒度阈值，调节破碎装置的参数；
72、当煤量数据大于预设煤量阈值，调节插板的参数，减少煤量；
73、当堆煤程度大于预设堆煤程度阈值，对带式输送机进行闭锁。
74、为达上述目的，本技术第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
75、所述存储器存储计算机执行指令；
76、所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的方法。
77、为达上述目的，本技术第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
78、为达上述目的，本技术第五方面实施例提出了一种计算机程序产品，该计算机程序被处理器执行时实现第一方面中任一项所述的方法。
79、本技术提供的带式输送机闭环保护系统及方法、电子设备及存储介质，重点对引起带式输送机事故的因素进行分析，建立各类因素下的带式输送机预测模型进而预测跑偏情况，并通过纠偏装置进行现场纠偏，并在纠偏后结合视频实时识别带式输送机纠偏反馈，从而形成闭环保护流程，弥补了现有技术只识别不控制问题，从根本上解决带式输送机跑偏和堆煤的保护问题，增加带式输送机的使用寿命，减少人员处理问题的工作强度。
80、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种带式输送机闭环保护方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述视频图像计算煤粒度情况的过程，包括：
3.根据权利要求2所述的方法，其特征在于，所述煤粒度识别模型的离线训练阶段，包括：
4.根据权利要求3所述的方法，其特征在于，所述跑偏预测模型以支持向量机模型作为基础框架，所述跑偏预测模型的离线训练过程，包括：
5.根据权利要求4所述的方法，其特征在于，所述实际跑偏程度的获取过程为：
6.根据权利要求5所述的方法，其特征在于，所述采用径向基函数作为支持向量机模型的核函数,并使用蚁群优化算法对支持向量机模型的惩罚参数和核函数参数进行优化,结合交叉验证技术，通过处理后的样本训练集数据作为控制变量来进行仿真，以评估不同参数组合下支持向量机模型的表现，将最优的惩罚参数和核函数参数下的支持向量机模型作为所述跑偏预测模型，包括：
7.根据权利要求6所述的方法，其特征在于，还包括：
8.根据权利要求1所述的方法，其特征在于，对所述跑偏预测模型的预测值进行反归一化处理，得到带式输送机的预测跑偏程度。
9.一种带式输送机闭环保护系统，其特征在于，包括：
