矿山运输中,带式输送机是煤炭工业广泛使用的运输设备,带式输送机在运行过程会出现各种各样的异常,给煤矿生产和工作人员安全带来隐患。托辊作为带式输送机数量最多的部件,由托辊异常所引起的带式输送机异常占总异常的1/3左右。本文通过对托辊异常种类和成因机理深入分析,针对已有异常检测过程中存在的问题,设计了托辊异常自动检测方法,主要工作如下。针对已有托辊检测方法中存在的问题,提出基于视频数据的托辊异常检测方法。基于声音的检测方法,卡死托辊无法有效检测到故障信号,漏检严重;基于压力、温度和电压等需要大量传感器进行数据采集的检测方法,传感器的安装和维护成本太高。基于视频数据检测方法主要依据托辊速度反映了托辊运动状态,使用巡检机器人拍摄托辊视频,从视频中估算出托辊旋转线速度,比较估算出的托辊速度和皮带速度实现托辊异常检测,该算法的核心是从采集的视频中估算托辊旋转线速度。针对使用线速度公式计算托辊速度时托辊旋转频率不易直接测量的问题,提出使用快速傅叶变换的时频分析方法计算托辊旋转频率。首先通过提取连续视频帧中托辊灰度纹理特征将托辊周期旋转变化过程转化为一系列随时间变化的周期性数字序列。然后使用快速傅里叶变换FFT将数字序列由时域变换到频域得到对应频谱图,根据频谱图确定托辊旋转频率。针对分步计算托辊速度时、由于误差累积导致的最终托辊速度计算不准确问题,提出使用3D卷积网络端到端对托辊速度进行检测,根据托辊速度和皮带速度比值判断托辊状态,实现托辊的异常检测。实验中使用3D卷积网络提取视频中托辊的时空特征,根据提取特征结果对待测托辊速度进行分类。创建用于深度学习的托辊数据集,采用多种数据集扩充方法将原始数据集扩充为原来的10倍大小,提高了模型的检测精度。最后还使用了五个评价指标对3D托辊速度分类模型进行了评价,模型评价结果满足实验预期。基于视频的托辊异常检测实现了托辊异常的自动化检测,降低了巡检工人的负担,及时发现异常托辊。相比于需要大量传感器的检测方法和基于声音信号特征的托辊异常检测方法,基于视频的检测方法降低了传感器安装和维护难度,提高卡阻托辊检测准确率,确定异常托辊的位置,降低工人维修时二次定位异常托辊的难度和工作量。