矿用皮带输送机在长时间、高负荷的运行下会在皮带表面产生较为明显的磨损,如果不加以监测,一旦磨损加剧,造成皮带磨通或断裂,会对生产造成不良影响,带来经济损失,甚至危及人身安全,造成严重生产事故。目前对皮带安全防护的研究较多,但大多集中在皮带撕裂、跑偏等急性故障,对于上面提到的慢性故障涉及不多,本文研究的目的是代替皮带磨损的日常人工巡检,提供更可靠、更有效、也更智能的皮带磨损故障诊断方法,因此,具有较好的新颖性和实用价值。皮带磨损会形成层次分明的磨损分层,大部分磨损分层条纹是几条与皮带机运输方向平行的直线条纹,从未磨损到磨损五层,拍摄皮带磨损图片并分类,共采集到144张磨损图片。由于工业现场环境复杂,有些皮带磨损条纹是环形,有些磨损皮带会在皮带两边呈现干扰条纹,这些情况对皮带磨损的检测都造成了较大干扰。首先,提出灰度分析法。将皮带图像在平行于磨痕方向灰度做平均后以垂直于磨痕方向为横坐标,平均灰度为纵坐标绘制出平均灰度曲线,磨损分层界面由于亮度较高会产生一个波峰,将平均灰度曲线与正弦函数拟合后求残差计算相应的波峰个数可以简单判断皮带磨损层数进而识别皮带的磨损程度,但由于工业现场皮带磨损条纹不都是线性,还存在环形条纹,因此该灰度分析方法在判断此类皮带磨损程度时存在缺陷。其次,提出基于人工图像特征提取的诊断方法。提取皮带磨损图片的7个纹理特征(灰度共生矩阵纹理特征4个、Tamura纹理特征3个)、2个灰度颜色特征以及基于皮带磨损图像的特点的2个图像统计特征(图像熵、图像标准差),共计11个图像特征。利用支持向量机(SVM)与线性判别式分析(LDA)分别对提取到的图像特征按照磨损层数进行分类学习。实验表明:基于SVM方法的分类正确率为83.8%,基于LDA方法的分类正确率为82.4%。最后,提出基于深度学习的诊断方法。将工业现场的144张图片按磨损层数分为6类分别用AlexNet深度神经网络与GoogLeNet深度神经网络进行迁移训练,其中AlexNet数据集与测试集比例为8:2,此外选14张不同类别的磨损图像作为检测集。由于5层磨损的图片数据集较少,采用加高斯噪声、鱼眼变换、傅里叶低通滤波与直方图均衡化4种方式扩充5层磨损的数据集。分别将未扩充数据集与扩充数据集后的样本用GoogLeNet做迁移训练。实验表明:AlexNet迁移训练的平均正确率为91.5%,未扩充数据集的GoogLeNet迁移训练平均正确率为87.7%,扩充5层磨损数据集后平均正确率为89.2%。可见,AlexNet深度神经网络方法识别效果最好,能够用于皮带磨损慢性故障的诊断。