基于工業物聯網的推焦車遠程監控系統研究

劉懷煜，鄭愛云，劉偉民

(華北理工大學 機械工程學院，河北 唐山 063210)

0 引言

隨著德國工業4.0和《中國制造2025》的提出，第四次工業革命即智能化時代已經開啟，各種新興技術推動著傳統制造業工廠開始向智能化工廠轉變[1,2]。

以鋼鐵生產企業中的焦化過程為例，在焦化生產過程中裝煤車、推焦車、攔焦車和熄焦車合稱“四大車”[3]，裝煤車將準備好的煤炭投放入焦爐中，待焦炭燒結完成后推焦車將其推出焦爐，攔焦車在推焦過程中將導焦柵對準爐門使焦炭能推入熄焦車內，熄焦車裝入焦炭后負責將其熄滅并運出，這四輛車的連鎖以及爐號的準確識別對焦化生產至關重要[4]。

傳統的工作方式是通過現場操作者人眼識別爐號并判斷車輛是否對齊，但是工作人員在焦化生產現場會受到高溫、煙塵大等因素的影響，觀察爐號時容易做出錯誤判斷，導致發生安全事故，所以傳統的識別方式逐漸被淘汰。近些年國內外常采用的幾種爐號識別方法有編碼器技術、激光測距傳感器技術、編碼電纜技術和射頻(RFID)識別技術等[5-10]。隨著傳感器技術和互聯網技術的發展，物聯網技術也逐漸成熟并得到廣泛應用，在監測推焦車運行狀態時，常會結合GPS和北斗導航技術、圖像處理和神經網絡等技術一起使用，使爐號識別和機車定位系統更加智能化，降低了維修成本和復雜程度，提高了企業生產管理的質量。本文以工業物聯網技術為基礎，結合卷積神經網絡技術設計了推焦車遠程監控系統，為解決推焦過程的遠程監控問題提供一種解決方法。

1 推焦車遠程監控系統硬件設計

本文設計的遠程監控系統基于工業物聯網技術，系統的總體架構遵循工業物聯網的技術架構，由數據采集、網絡通信、云服務器與客戶端四部分組成，推焦車遠程監控系統架構如圖1所示。

圖1 推焦車遠程監控系統架構

數據采集終端以嵌入式開發板的ARM處理器作為核心控制模塊，選擇攝像頭模塊作為采集設備。網絡通信技術為WiFi技術。云服務器由數據處理服務器、數據庫服務器和Web服務器組成，客戶端選用B/S架構瀏覽器顯示方式。通過串口通信獲得推焦車PLC控制柜的信號，以推焦車的啟停信號控制攝像頭模塊采集煉焦現場的爐號圖像，通過WiFi通信將數據存儲至云服務器的數據庫中，Web服務器請求調取數據庫中的數據在瀏覽器顯示端展示。

本系統選用迅為iTOP-4418開發板，以S5P4418處理器為核心，該開發板可支持Android和Linux操作系統并且運行穩定，運行溫度為-25 ℃～80 ℃，滿足工業級開發需求。并且該開發板集成了WiFi、藍牙及4G通信模塊，外部接口提供可支持CMOS傳感器的DVP接口。

本系統應用嵌入式開發板作為核心控制單元，從功耗和集成度方面考慮，選擇OV5640攝像頭模塊作為圖像采集傳感器，OV5640攝像頭模塊是一種CMOS傳感器。OV5640傳感器可以支持500萬像素的圖像輸出，輸出圖像的數據格式包含RGB565、YUV(422/420)和JPEG等。OV5640攝像頭模塊還具有自動對焦等功能，采集的圖像清晰，可應用于工業監控系統。一般實際應用時，相機像素在500萬及以下時會選擇DVP接口，本系統選擇DVP接口作為圖像傳輸接口即可。

在Windows系統中對嵌入式Linux系統的開發與調試需要使用虛擬機及相應工具來實現。本系統設計選用VM Workstation虛擬機安裝Ubuntu操作系統，與Windows系統之間的文件傳輸借助于SSH軟件，編譯器采用arm-none-linux-gnueabi-gcc交叉編譯工具。

2 爐號識別算法設計

2.1 爐號識別算法流程

卷積神經網絡在數字字符識別過程中可能會出現收斂難、識別結果達不到預期的問題，因此本文采用遺傳算法改進卷積神經網絡，利用遺傳算法強大的全局搜索能力，能夠很好地解決卷積神經網絡的網絡結構參數選擇問題。將優化后的卷積神經網絡應用于爐號識別中，解決焦化生產中的實際問題。

本文的爐號識別算法流程如圖2所示，具體步驟為：

(1) 導入爐號圖像訓練數據集；對數據集圖像進行預處理；利用遺傳算法得到最優卷積神經網絡結構參數。

(2) 導入現場爐號圖像數據集；對爐號圖像數據集進行預處理；利用由步驟(1)得到的最優卷積神經網絡結構識別爐號圖像。

(3) 得到爐號圖像識別結果。

圖2 爐號識別算法流程

2.2 算法優化流程

利用遺傳算法優化卷積神經網絡結構參數，采用實數編碼，每個基因對應一個卷積神經網絡參數，引入精英遺傳策略，保留適應度值較高的個體，提高全局收斂性，并經過交叉、變異操作得到最優結果，將該結果導入卷積神經網絡結構中，能有效提高識別率。遺傳算法優化卷積神經網絡流程，如圖3所示。

圖3 遺傳算法優化卷積神經網絡流程

2.3 圖像識別驗證

將焦爐爐號圖像制作為數據集，通過一系列圖像處理技術導入優化后的神經網絡中來檢測識別效果，優化卷積神經網絡對焦爐爐號識別的結果如圖4所示。導入圖像數據集后圖像識別的主要步驟如下：

(1) 調整RGB值將彩色圖像轉換為灰度圖像，再將灰度圖像轉化為二值圖像。

(2) 對二值圖像進行膨脹處理后再填充圖像中的空洞區域。

(3) 用LOG算子進行邊緣檢測，篩選出數字區域。

(4) 提取出圖像中的數字區域，進行灰度化和二值化處理，然后進行數字字符分割，并用訓練好的網絡對數字進行識別。

圖4 爐號識別結果

經過實際生產現場圖像的測試，該算法可滿足焦爐爐號識別的需求，在光照良好的情況下對推焦現場的爐號圖像識別會獲得更好的結果。

3 顯示端設計

顯示端系統云服務器選用阿里云輕量應用服務器，該服務器可應用于各種場景，能提供多種系統鏡像和應用鏡像，價格便宜，對于學生、個人開發者和中小型企業來說是最優選擇。數據庫選用目前較為流行的開源小型關系數據庫Mysql數據庫，該數據庫具有查詢數據速度快、編程環境靈活、使用免費且開源、安裝使用簡易等優點。

本系統顯示端開發采用B/S架構，B/S架構即瀏覽器/服務器架構，主要組成有數據庫、Web服務器和瀏覽器顯示端。數據庫進行各種數據的儲存，Web服務器訪問數據庫獲取并儲存數據。這種架構基于網頁語言無關乎操作系統，可跨平臺，并且開發較為簡單，維護方便。因此。本文選擇B/S模式實現監控系統的用戶注冊、登錄頁面與功能操作頁面的設計開發。

顯示端系統采用前、后端分離的方式進行搭建，整體系統由Spring boot+Spring MVC+Mybatis-plus后臺開發框架與Vue前端框架開發。根據系統需求，整個顯示端系統分為用戶管理、查詢管理、拍照管理和生產日志管理四個功能模塊，如圖5所示。

圖5 顯示端系統功能模塊圖

顯示端系統的用戶管理功能可分為三個部分：用戶注冊、用戶登錄和用戶信息修改，方便工作人員對系統進行操作和管理。

查詢管理功能可以查看已錄入并存檔的生產日志，可從數據庫中按選定日期讀取當天生產日志，查詢結果包括爐次、爐號、計劃推焦時間、實際推焦時間、班組和記錄人員。

拍照管理功能可實現對采集端拍照后上傳圖像的顯示。

生產日志管理功能可實現員工對生產操作數據的記錄、存儲、查詢和刪除，生產日志以表格形式展示，包括爐次、爐號、計劃推焦時間、實際推焦時間、班組和記錄人員，如圖6所示。

圖6 生產日志功能界面

4 結語

針對推焦生產中爐號識別和“四車連鎖”問題，本文基于工業物聯網技術提出了一種遠程監控系統，并結合優化卷積神經網絡算法實現了爐號識別功能。本文通過推焦車控制柜的PLC信號控制攝像頭傳感器模塊采集煉焦現場圖片，通過WiFi通信技術實現焦化現場與云服務器之間的無線數據傳輸，最后在瀏覽器顯示端展示，從而實現對推焦過程的有效監控。經過分析和實驗，證明該系統能夠滿足對推焦過程的監控，為焦化生產過程中的爐號識別和“四車連鎖”問題提供了一種有效的解決方案。