近日，由鄂尔多斯应用技术学院科研团队牵头研发的烧结机台车缺陷部件智能检测系统正式完成技术攻关与系统集成。该成果聚焦钢铁冶炼烧结环节长期存在的高温巡检风险高、缺陷漏检多、设备故障预警难等行业痛点，以计算机视觉与深度学习技术为核心，打造全流程非接触式智能监测方案，为冶金装备安全稳定运行提供了新型技术支撑。
在钢铁生产流程中，烧结机台车长期处于高温、重载、高粉尘环境下运行，易出现箅条缺失、车轮锁紧螺栓缺失、车轮脱落及轴承故障引发的车轮摆动等四类高频隐患。传统依赖人工巡检的方式，不仅劳动强度大、作业风险高，还存在漏检率高、数据不连贯、故障响应滞后等问题，一旦故障扩大极易造成设备损坏、生产线停机甚至安全事故。
针对这一行业共性难题，科研团队历经长期现场实验与算法迭代，突破多项技术瓶颈，形成一套集**实时检测、精准定位、自动预警、可视化管理于一体的工业级智能检测系统。系统无需改造现有产线、不额外加装传感器，仅通过在关键点位部署工业相机采集视频流，依托自研AI算法即可实现全时段、无接触、高精度缺陷识别。
核心技术上，团队采用YOLOv11轻量化目标检测模型，实现对台车箅条、螺栓、车轮等静态部件的精准识别，综合检测精度达99.1%；针对低速重载工况下轴承故障难以通过振动、温度传感器检测的行业痛点，创新提出ViT‑GRU‑MHA视频时序建模方法，通过捕捉车轮摆动特征判断轴承健康状态，摆动检测准确率高达99.09%，填补了烧结机轴承视觉智能诊断领域的技术空白。
系统基于DeepStream实时视频流分析、Kafka消息队列、微服务架构与Web可视化平台构建全栈方案，故障响应时间≤500毫秒，可自动锁定故障台车编号并实时推送告警信息，支持历史故障查询、数据导出、视频流实时预览等功能，全面满足钢铁企业智能化运维需求。
与传统人工巡检、传感器检测方案相比，该系统具备部署简便、运行稳定、非接触、全视觉、低成本等突出优势，可有效替代高温高危岗位人工巡检，大幅降低安全事故发生率，延长设备使用寿命，减少非计划停机损失，助力企业实现少人化、无人化、智能化值守，推动设备管理从“被动维修”向“主动预警”转变。
目前，该技术已完成实验室验证与系统集成，具备现场部署条件，可广泛适配各类烧结机产线，面向钢铁、冶金等行业提供硬件+算法+软件+部署运维一体化解决方案。下一步，团队将推进技术落地试点，持续优化算法性能、拓展检测维度，以新一代信息技术赋能传统工业数字化、绿色化转型，为区域工业高质量发展与安全生产贡献科技力量。
发表评论