企业官网建设流程全解析

输煤皮带机这套系统，在很多不常下现场的人眼里就是“一条带子加几个滚筒”，能出多大事？我在这个行当里待了十来年，智能巡检机器人这个方向也跟了不短时间，说句实在话，输煤皮带机的事故占比高得吓人，而且绝大多数不是修不好，是发现得太晚。井下作业安全生产这件事，最难的从来不是把设备装上去，而是让它能在粉尘、水汽、振动和强电磁干扰里，稳定地把“异常”两个字认出来。一条带宽1.4米、长1200米的输送带，纵向撕裂要是没在一两分钟内截住，接下来就是几百米皮带报废、机架被拉弯、煤流灌满整条栈桥，抢修三天起步，运气差一点还会引燃积煤。智能巡检机器人之所以这两年被大量往输煤栈桥和井下巷道里铺，本质上就是冲着“把发现时间从小时级压到分钟级”这一件事去的。下面我不打算讲概念，就按事故怎么发生、机器人该配什么、算法怎么落地、现场怎么联调、坑怎么避这个顺序，把我自己踩过的和亲眼见过的都摊开说。不管你是刚接手输煤系统的技术员，还是正在做巡检机器人选型的项目负责人，或者只是想搞清楚这套东西到底值不值这个投入，应该都能从里面抠出点能直接抄走的东西。

1. 输煤皮带机事故为什么总在“事后才被发现”

1.1 一条皮带机的真实结构与被忽视的薄弱环节

很多人做事故分析喜欢停留在“皮带断了”“电机烧了”这种结果描述上，这样分析一百遍也没用。要搞清楚巡检机器人该看什么，得先把一条皮带机的物理构成拆到能对应传感器的粒度。

一条典型的井下或栈桥输煤皮带机，从机头到机尾大致这么几块：驱动装置（电机、减速机、液力偶合器或永磁直驱、逆止器、制动器）、传动滚筒与改向滚筒、托辊组（承载托辊、回程托辊、缓冲托辊、调心托辊）、张紧装置（重锤式或液压自动张紧）、清扫器（头部一道、二道，回程清扫）、导料槽与落料管、跑偏保护与拉绳开关、以及皮带本体和接头。看起来每个部件都有标准件，但事故恰恰高发在几个“看起来最不起眼”的地方。

按我统计过的一批案例做归因，托辊卡死引发的摩擦升温、皮带跑偏导致的边缘磨损与撒料、落料管堵塞造成的堆煤压带、金属异物或大块矸石造成的纵向撕裂、接头硫化质量差导致的横向断裂，这五类能占到皮带机非计划停机的七成以上。而它们有一个共同特征：在演变成事故之前，都有几分钟到几十分钟的“可观测窗口期”。托辊卡死不是瞬间起火的，它会先升温，60℃、80℃、120℃，中间可能持续一两个小时；跑偏也不是一下就撕边的，先是偏移30毫米、50毫米、80毫米；撕裂更是从一个小口子开始，几十秒到几分钟才拉开。

人工巡检的问题就在这儿。一个班两个人，一条1200米的线走一趟四十分钟，走到机尾的时候机头发生了什么完全不知道。等下一趟走回来，窗口期早过了。这不是人的责任心问题，是物理上覆盖不了。

1.2 五类高频事故的成因链条拆解

把事故按“触发源—发展过程—可观测特征—可干预手段”这条链条过一遍，机器人的传感器配置基本就自动推导出来了。

这张表是我做方案评审时必带的，因为甲方经常一上来就问“你们机器人能测什么”，我会反过来问：“你这条线的历史故障里，哪几类占比最高？”如果托辊问题占一半，那红外测温就是第一优先级，图像反而是辅助；如果撕裂占大头，那线阵相机和高速面阵就得加钱上。**传感器不是越多越好，是跟着故障树走。**我见过太多项目为了堆参数，把气体检测、声音、振动、红外、可见光全塞上去，结果单机成本翻倍，实际高频用到的就两三个，剩下的常年吃灰。

1.3 人工巡检绕不过去的三个硬约束

有人会说，那我们加人、加频次行不行？行，但有三个绕不过去的坎。

第一是空间覆盖。输煤栈桥窄、坡度大、有落煤点扬尘区，有些位置人根本站不住或者不该站。特别是运行中的皮带，安全规程不允许人员跨越或靠近运转部位做近距离观察，很多早期特征（比如托辊端盖渗油、带面细微裂口）必须凑近了才看得见。

第二是时间连续性。人的巡检是离散采样，一个班两趟已经算勤快的。而托辊升温这类渐变故障，恰恰需要连续趋势数据——单次测温读到65℃，你不知道它是刚从40℃升上来的还是已经稳定在65℃两小时了。没有趋势，阈值就定不准，定低了全是误报，定高了漏报。

第三是数据不可追溯。老师傅凭经验能听出“这台减速机声音不对”，但他一走这个信息就没了，也没法量化对比。等到出事了要复盘，只有一句“当时感觉有点响”。

智能巡检机器人的价值，说到底不是替代人，而是把这三条补上：空间上能贴近、时间上能连续、数据上能追溯。至于它能不能真的护住井下作业安全生产，取决于后面每一个技术选择做得够不够扎实。

2. 巡检机器人方案怎么选：从巡检对象倒推配置

2.1 先定巡检对象清单，再定传感器组合

选型最容易犯的错是先看厂商册子，看谁家参数漂亮选谁。正确的顺序是反过来的：先拉一张巡检对象清单，列出每个对象要看的特征、精度要求、距离、环境，再倒推传感器。

我一般会让甲方填这样一张表，填不出来就说明需求还没想清楚：

这张表填完，配置基本就定了：可见光变焦相机负责带面、边缘、异物、料位；红外热像仪负责温度类；线阵相机专门负责带面纵向裂口的高分辨率扫描；拾音器负责异响；振动传感器布在关键减速机和大的滚筒轴承座上；气体和烟雾用本安型探头。

有个细节值得单独说：带面撕裂检测到底该用面阵还是线阵。面阵便宜、装调简单，但要在1.5米宽的带上分辨2毫米的裂口，横向至少需要1500像素的无效分辨率，考虑3倍余量就是4500像素，普通1080P面阵只有1920，差得远。这时候只能靠线阵加运动扫描——机器人以恒定速度沿轨道走，线阵相机逐行采集，走一趟相当于把整条带扫了一遍，横向分辨率轻松做到0.4毫米/像素。代价是必须保证行走速度稳定，速度波动会直接导致图像纵向拉伸失真。所以用线阵的机器人，编码器精度和轨道平顺度要求都要高一个档次。

2.2 行走机构：轨道式、吊挂式还是轮式

输煤栈桥和井下巷道的巡检机器人，主流就三种走法，各有各的适用边界。

地面轮式/履带式灵活，转弯半径小，能下到设备层近距离看，但输煤栈桥地面经常有积水、积煤、油污，轮子打滑和陷车是常态，而且地面式机器人高度低，看皮带带面得仰拍，视角很差。我在一个洗选车间试过地面式，跑了三个月，履带被煤泥糊死两次，最后改成吊挂。

侧壁轨道式是现在输煤栈桥里最常见的形式，工字钢或专用铝型材沿皮带一侧敷设，机器人挂在侧面走。优点是视野好、不受地面状况影响、供电和通信可以走滑触线或拖链。缺点是轨道本身要占空间，栈桥窄的时候会和检修通道打架，另外吊点必须打在结构梁上，不能随便焊。

顶部吊挂式把轨道吊在皮带正上方，视野最正，看带面几乎垂直俯视，图像质量最好，也最不容易被设备遮挡。问题是顶部空间往往被电缆桥架、消防管、除尘管占满，而且检修皮带时吊挂轨道会碍事。

选型上我的经验是：**带宽1.2米以上、栈桥有侧墙的，优先侧壁轨道式；带宽1米以下、顶部干净的，用吊挂式；需要跨越多个楼层、进出配电室的，才考虑地面式或复合式。**轨道材质别省钱，普通碳钢在井下潮湿环境半年就锈，用热镀锌或者铝合金型材，吊点间距按2到3米布，挠度控制在跨度的1/500以内，不然机器人走到中间会明显下沉，相机对焦全乱。

2.3 防爆与本安：井下场景绕不开的硬约束

这一条是井下项目和地面项目最本质的区别，也是成本差距最大的地方。井下有瓦斯和煤尘爆炸性环境，设备必须满足相应的防爆型式要求。常见两条路线：隔爆型和本安型。

隔爆型的思路是把可能产生火花的部分装进一个能承受内部爆炸而不向外传播的壳体里，壳体厚重，重量大，但功率不受限，电池可以做大，电机可以做强。本安型是把电路能量限制在打火能量以下，本质安全，重量轻、体积小，但功率受严格限制，通常只能做到几十瓦，续航和算力都要妥协。

工程上的现实选择是：**长距离、需要大功率驱动和较长续航的巡检机器人，基本都走隔爆路线；短距离、点位式、只需要传感器采集的固定式监测装置，走本安。**这里面有个容易被忽略的细节——隔爆壳体上了之后，散热就成了问题。机器人本体内部的算力板、电池、驱动器都在发热，密闭壳体里热量散不出去，夏天井下温度本来就高，连续跑两个小时就可能触发过温保护。我见过一个项目就是因为没算散热，机器人在环境温度32℃的巷道里跑一小时就自动降频，图像帧率掉到个位数，巡检数据全是废的。

解决办法有两个：一是把算力从本体挪到地面或硐室的边缘服务器，机器人只做采集和传输，本体发热大幅下降；二是壳体做散热齿并加装隔爆型风扇或半导体制冷，但这又会增加成本和故障点。我的倾向是前者，机器人本体越“笨”越可靠，这在粉尘环境里尤其明显，因为散热风扇的进风口迟早会被煤尘堵死。

2.4 通信与定位：冗余比带宽更值得花钱

带宽需求其实好算。四路1080P@25fps的H.265码流，每路大约2到4Mbps，加起来16Mbps；加一路红外热像仪和一路线阵相机的压缩流，再留50%余量，100Mbps的链路绰绰有余。井下用矿用阻燃单模光缆组环网，无线段落用5.8GHz或Wi-Fi 6，覆盖半径按巷道条件实测，一般直巷能到80到120米，拐弯和支护密集处可能只有30米。

真正值得花钱的是冗余和定位。无线在井下最大的问题不是带宽不够，是漫游切换掉线——机器人从一个AP走到另一个AP，切换过程如果丢包两秒，正在传的线阵图像就断了一段，撕裂检测直接出盲区。解决办法是把AP沿轨道按重叠覆盖布设，重叠区不小于20米，并且让机器人做双链路（无线+漏缆或感应环），主链路质量下降自动切换。这套东西加起来的钱，比把相机从200万像素升到500万像素值多了。

定位这块，单纯靠编码器累计误差走长了会漂。我的做法是编码器+RFID标签校准：轨道上每50米贴一个无源标签，机器人经过时读一次，把累计误差清零，实测全程定位精度能稳在±30毫米以内。这个精度对测温没问题，但对“这个裂口到底在皮带第几米”的定位要求就有点勉强，所以线阵图像还要靠里程脉冲做二次对齐，用皮带机的运行速度做补偿，误差能压到±10毫米。

3. 核心实现：让机器人真正“看得懂”皮带机状态

3.1 图像采集与补光：粉尘环境下的第一道生死线

井下和输煤栈桥的图像质量，八成的问题出在光源上，而不是相机上。煤尘浓度高的时候，可见光传不远，画面一片灰白；水汽重的时候，镜头会挂雾；皮带表面是黑色橡胶，吸光严重，漫反射很弱。这几种情况叠加，再好的相机也拍不出能用的图。

我一般的做法是主动补光+气幕保护+短曝光三件套。补光用高显色的LED线光源或条形光源，色温5000K左右，装在镜头两侧成一定夹角，形成低角度掠射，这样带面上的裂口和凸起会产生明显阴影，比正面打光更容易被算法抓出来。光源亮度要能调，因为不同煤种、不同含水率反射率差别很大，固定亮度要么过曝要么欠曝。

气幕保护是必须的。镜头前加一个环形或长条形气嘴，接压缩空气持续吹，形成一道气帘把粉尘挡在外面。压缩空气要经过三级过滤除油除水，油污一旦吹到镜头上，比煤尘还难清。压力控制在0.02到0.05MPa就够，压力太大会在镜头前产生紊流反而把粉尘卷进来。我见过一个现场直接用巷道里的压风管接过来，没做过滤，一个星期镜头上就糊了一层油泥，图像彻底报废，运维人员还以为是相机坏了。

曝光时间要短，尽量控制在1ms以内，一是为了配合机器人的行走速度避免运动模糊，二是避免强光下的过曝。光圈不要开太大，景深太浅会导致皮带边缘和中间不能同时清晰，一般F4到F5.6比较合适。

3.2 撕裂与跑偏检测的算法落地与参数计算

先说到撕裂。线阵相机的横向分辨率算法很直接：横向分辨率 = 视场宽度 ÷ 像素数。取视场宽1.5米覆盖带宽1.4米的带面，用4096像素的线阵，得到1.5÷4096≈0.37毫米/像素。要检出2毫米宽、20毫米长的早期裂口，横向占5个像素、纵向占54行，这个尺寸对算法来说是完全可以稳定识别的。

纵向分辨率取决于行走速度和行频，公式是行频 = 行走速度 ÷ 纵向分辨率。如果要求纵向分辨率0.5毫米、机器人速度0.5米/秒，那么行频需要1÷0.0005=2000Hz，这个行频对4096像素的线阵相机来说压力不小，数据量是2000×4096×1字节≈8MB/s。实际工程里我会放宽到纵向1毫米、行频1000Hz，这个配置下相机和传输都比较从容，检出也不受影响。

算法路线上，纯深度学习直接做分割在小样本下不稳定，我倾向用传统特征+深度学习复核的两段式。第一段用形态学做带面区域分割，把皮带本体从背景里抠出来；第二段用边缘和局部对比度做候选区域提取，找出所有可能是裂口的暗线；第三段用一个小型的分类网络对候选区域做真假判别，负样本重点收集水渍、皮带接头台阶、煤块阴影、清扫器刮痕这几类。这套组合比端到端分割的误报率低一个数量级，而且可解释，现场运维能看懂为什么报警。

跑偏检测相对简单，但精度要求高。用面阵相机俯拍皮带边缘，先做边缘提取拟合直线，计算边缘到标定基准线的像素距离，再按实际偏移量 = 像素偏移 × 标定比例系数换算。标定时在带面上贴已知尺寸的标定板，反算出毫米/像素。比如视场宽2米、2048像素，比例系数约0.98毫米/像素，用亚像素边缘能到0.2像素，也就是0.2毫米的检测精度，对判断50毫米、100毫米这些报警阈值绰绰有余。

阈值我一般这么定：偏移量超过带宽的5%给一级提示，超过8%给二级预警并建议降速，超过10%直接三级联动停机。这个分级的依据是，皮带边缘通常还有一定的安全余量，超过5%时已经有撒料风险，超过10%就很可能开始磨机架了。

3.3 红外测温与托辊早期故障识别

托辊测温是投入产出比最高的一项。用640×480分辨率的红外热像仪配13毫米镜头，像元尺寸17微米，瞬时视场角IFOV=17÷13000≈1.31毫弧度，在5米距离上单个像素对应约6.5毫米。托辊直径133毫米、长度380毫米，在画面里能占到58×20个像素，测温取区域平均值，精度能控制在±2℃以内，完全够用。

真正难的不是测准温度，是怎么判断这个温度是不是异常。井下环境温度本身就在25到35℃波动，夏天和冬天能差20度，用绝对温度做阈值必然大面积误报。我的做法是做相对温升：机器人每次巡检记录该托辊表面温度和环境温度的差值，同时存历史曲线。判定规则是温升超过环境+15K给预警，超过+25K给报警，绝对温度超过80℃直接三级。

这个80℃不是拍脑袋来的。输煤皮带机火灾的典型链条是托辊卡死→橡胶皮带与卡死托辊持续摩擦→皮带局部炭化→温度继续升高→引燃积煤。橡胶的摩擦起火点跟配方有关，但工程上一般认为持续摩擦部位超过100到120℃就有明显风险，取80℃作为动作阈值留了30到40度的安全余量，同时又不至于太敏感。

还有一个坑：阳光直射和热源干扰。地面栈桥的机器人巡检时会遇到阳光从窗口照进来，局部地面温度能到60℃以上，如果视野里有这样的区域，算法容易误判。解决办法一是红外图像与可见光图像做配准，只在皮带本体和设备区域的掩膜内取温；二是对每个测点建立空间位置绑定，机器人每次停在同一个位置、同一个角度拍同一个托辊，做同位置历史对比，把太阳晒这类环境因素用趋势滤波滤掉。

3.4 声音与振动的多模态融合

声音是老师傅最依赖的手段，也是最难自动化的手段。托辊的转速算法是 n = v ÷ (πD)，带速0.6米/秒、托辊直径0.133米时，n ≈ 1.44转/秒，也就是每分钟86转。正常托辊在1米外测得的声压级大约60到70dB(A)，卡死或轴承损坏的托辊会高出8到10dB，并且呈现明显的周期性冲击特征。

但井下背景噪声太复杂，皮带摩擦、落煤、通风机、水泵，全是宽带噪声，单纯比声压级根本没意义。可行的做法是频带分析+周期性检测：把拾音器的信号做频谱分析，重点关注中高频段（2到8kHz）的能量异常，同时对信号做包络谱分析，找是否存在与托辊转频成整数倍关系的冲击周期。这个特征比总声压级稳定得多，因为背景噪声通常是宽带的、无周期性的。

振动走的是另一条路。加速度传感器布在减速机高速轴轴承座和大的传动滚筒轴承座上，采样率不低于10kHz，做包络解调后看轴承故障特征频率。这块已经有比较成熟的算法体系，难点在于井下设备的振动本底值本身就高，阈值要靠前期至少两周的基线采集来确定。

多模态融合的价值在于互相印证。一个托辊如果温度升了20K、声音在对应位置有周期性冲击、可见光看到端盖渗油，三个证据叠在一起，这个报警的可信度就非常高了，现场也愿意去停机检查。反过来如果只有一项异常，就先记入待观察列表，不惊动机组。这套分级逻辑能显著降低现场的“报警疲劳”，我见过太多项目因为一天报几十条，最后运维直接把声音关了。

3.5 报警分级与联动停机的设计

机器人报警之后要不要直接停皮带？这是每个项目都要吵一遍的问题。全自动停机风险很大，一次误停可能造成上游堆煤、下游断料，损失不比一次小事故小。我的经验是三级分级+人工确认兜底。

一级是提示，只记录不动作，比如单点温升15K、跑偏小于50毫米、异物尺寸小于50毫米。这类信息推送到集控后台的值班界面，值班员看一眼决定要不要安排人去看。

二级是预警，声光报警并推送消息，同时建议降速，比如温升25K、跑偏50到100毫米、撕裂长度小于20毫米。这时候人可以介入，通过视频确认，确认后手动降速或就地停机。

三级是紧急，直接联动停机，不给人犹豫的时间。触发条件包括撕裂长度超过20毫米、跑偏超过带宽10%、检测到明火或烟雾、局部温度超过80℃并持续升温。这几类的共同特征是发展速度快、后果重，多等一分钟损失就翻倍，所以必须自动动作。

联动接口一般走硬接线，不依赖网络。机器人的三级报警信号以干接点形式直接串入皮带机的急停回路，同时给集控系统发一个软信号用于记录。硬接线的好处是网络瘫了、软件崩了，保护还在。这个设计做起来不复杂，但救命的往往就是它。

4. 部署与联调实录：从样机到常态化运行

4.1 现场勘测与轨道布设的关键尺寸

机器人进现场之前，勘测这一步千万不能省。我在一个项目里因为赶工期，靠图纸定轨道走向，结果到了现场发现，图纸上标注的一段栈桥在改造时加了一根除尘管，正好压在轨道线上，整个方案推翻重做，白扔了两周。

勘测要量清楚几件事：轨道走向上的最小净空、障碍物的位置和尺寸、结构梁的位置和承载能力、供电点和网络接入点的位置、以及检修通道的位置。最后这条特别容易被忽略，机器人轨道要是把检修通道占了，以后换托辊、换皮带都得先拆轨道，运维部门能从第一天就恨上这套系统。

轨道安装的精度要求不高，但有两条底线：一是直线度，全长范围内偏移不超过±5毫米，否则机器人走到那里会抖动，图像全糊；二是接头处的高差不超过1毫米，超过的话过缝时会有冲击，长期下来导向轮磨损很快。吊点间距按2到3米布，每个吊点要打在结构梁上或者做抱箍，不允许直接焊在栈桥的薄壁板上。

供电这块，用滑触线是主流方案，维护简单、不用换电池。滑触线的集电器压力要调好，太松会打火，太紧磨损快。用电池方案的，充电桩一般设在机头或机尾的硐室，机器人巡检一趟回来自动对接充电。充电桩的对接精度要求挺高，一般要有±20毫米的容差，靠V形导向槽和位置微调来实现。

4.2 标定与样本采集的工作量估算

这套系统上线，真正花时间的是数据。标定大概两三天，样本采集得按周算。

标定的内容分几块：相机内外参标定，把图像坐标和物理尺寸对上；红外与可见光配准，保证同一画面上温度点和设备位置一一对应；测点标定，沿轨道走一遍，把每一个要测的托辊、滚筒、落料管位置在里程上记下来，建立测点数据库。一条1200米的线，测点通常在150到300个之间，一个熟练的调试人员一天能标100个左右。

样本采集更费劲。正常样本好办，让机器人跑几趟就有了。异常样本难，你没法人为制造托辊卡死。我的做法是三条腿走路：一是现场蹲守，遇到实际故障赶紧拍，包括皮带跑偏、撒料、异物这些偶发情况；二是模拟，用加热贴片模拟托辊温升，用胶带和黑色薄膜模拟带面裂口，用金属件放在带上模拟异物，虽然是假的，但对算法来说特征是对得上的；三是公开数据和他项目数据做迁移，但要小心，不同煤种、不同光照的分布差异很大，直接迁移效果会掉得厉害。

我的经验值是，一条线要跑稳，至少需要3000张以上的合格负样本和500张以上的异常样本。负样本的量之所以要大，是因为误报主要由千奇百怪的背景造成——地上的水渍、墙上的反光、皮带上的煤块阴影、检修时挂在设备上的工具，这些都比真故障多得多。

4.3 与集控系统的对接细节

机器人采集的数据，最终要进到集控室的监控平台。对接方式主流是两种：一是机器人厂商提供SDK或协议，由集控平台对接；二是机器人侧直接按标准协议（比如Modbus TCP、OPC UA或MQTT）推数据，集控侧订阅。

我更倾向第二种，原因是接口清晰、耦合低，将来换机器人也不用改集控。数据点包括：机器人状态（位置、电量、运行模式）、实时视频流、每个测点的当前值（温度、偏移量、裂口长度）、报警事件（等级、位置、时间、截图）。数据量最大的是视频和图片，千万别把原始图片往实时库塞，用文件存储加数据库存路径的方式，不然平台很容易被拖垮。

联动逻辑的调试要单独安排时间。写代码是一回事，现场验证是另一回事。我一般会做三轮：第一轮断开皮带机做模拟触发，验证信号通不通；第二轮带载运行做阈值附近的触发，验证分级对不对；第三轮让机器人连续跑48小时，看有没有误动作。第三轮最容易被跳过，也最容易出问题——连续运行才能暴露温度漂移、定位累计误差、网络漫游丢包这类慢性的毛病。

4.4 常态化运行后的值守与误报治理

系统上线只是开始，真正的运维工作量在误报治理上。我的经验是，前期误报率能到每公里每天20到30条，三个月优化之后能降到3到5条，一年能做到1到2条，但永远到不了零。

治理的方法论就是每一周开一次误报复盘会。把上周所有报警调出来，逐条看图确认：真报警，记录下来作为正样本；误报，找出原因，是光照、是遮挡、是算法还是阈值，然后针对性处理。误报原因归类起来无非几种：水渍和油迹被当成裂口、太阳晒和热风被当成温升、检修遗留物被当成异物、机械振动导致图像模糊。每种都有对应的处理办法，但前提是有人盯着看。

另外要提前定好谁来看告警。我见过最失败的案例是机器人装好了，数据也传上来了，但集控值班员不知道这些报警该不该管，最后干脆把声音关了，屏幕也不看。责任边界必须在项目验收前写清楚：一级提示由谁在多久内响应，二级预警由谁确认，三级报警触发后由谁去现场核实。没有这条，再好的系统也是摆设。

5. 常见问题与排查技巧实录

5.1 误报与漏报的排查思路

问题：带面裂口检测整天报警，去了现场看什么都没有。

排查顺序我一般这么走：先看报警截图，判断是图像本身的问题还是算法判定的问题。如果图像上能看到一道明显的暗线，那就是真的有东西，多半是皮带接头的硫化台阶、清扫器橡胶刮出的黑印、或者是水渍反光。如果图像看起来很干净却被报了，那是阈值或模型的问题。

对应的处理：接头台阶和清扫器痕迹，靠增加负样本让模型学会；水渍反光，靠改变光源角度，把掠射角调小一点或者换偏振光源；模型问题，就调整候选区域的面积和对比度门槛，把小于20毫米长的候选直接过滤掉。

问题：托辊温度老是报高温，人去了发现是正常的。

八成是视野里混进了其他热源。检查红外图像上测温框的位置有没有对上托辊，是不是框到了电机、蒸汽管、或者阳光照到的地面。另外要确认环境温度取的是哪一个点，如果环境温度点选在了背阴处，而托辊在向阳面，温差自然大。解决办法是把环境温度取多个点做中位数，或者干脆用同一区域的相邻正常托辊做参照，用相对温差代替相对环境温升，这个思路要稳得多。

问题：某个区段一直漏报，人巡能发现的问题机器人就是看不出来。

先看那个区段的图像质量。漏报最典型的物理原因是遮挡和距离。有些位置轨道离皮带太远，或者中间隔着立柱、管线，相机根本看不到带面。这种只能靠加装辅助点位或者调整轨道走向解决，算法上无解。还有一种情况是那个区段照明特别差，虽然补了光但照度不够，图像信噪比低，特征提取就失效了。检查方法是把那个位置的原始图调出来看，如果肉眼都看不清，就别指望算法。

5.2 硬件与通信类故障的处理

机器人走到某一段就丢图或者卡顿。这是无线覆盖的问题。先查该位置的信号强度，一般在-70dBm以下就开始不稳。解决要么加密AP，要么把这一段改成漏缆覆盖。另外要检查是不是有强干扰源，变频器、大功率电机启动时会瞬间压制无线信号，这种情况要把AP的天线方向和极化方式调整一下，或者干脆把视频改成本地缓存、走到信号好的地方再回传。

机器人跑一段时间就自动返航。先看电量曲线，如果电量掉得特别快，可能是低温（井下冬天进风）或者电池老化。如果电量正常却返航，多半是某个电机电流超限保护了，检查轨道上是不是有变形、有异物卡在导向轮里，或者滑触线集电器接触不良导致瞬时断电。

红外图像上出现固定的黑点或亮斑。镜头脏了。红外镜头不能用普通镜头纸干擦，要用专用的清洁液和无尘布，动作要轻。井下环境我建议每两周做一次镜头检查，气幕过滤器的滤芯每月换一次，这个钱不能省。

图像颜色发灰、对比度低。补光灯衰减或者气幕压力不足导致镜头挂尘。LED光源的寿命一般标称三万小时，但井下高温会加速衰减，实测两年左右亮度会掉30%以上，要提前备件。

5.3 常见问题速查表

6. 效果评估：这套系统到底值不值

6.1 用哪几个指标衡量真实价值

项目验收的时候，最怕看到一份只有“巡检频次提升X倍”“人力节省Y人”的报告。这些数字好看，但没回答核心问题。我一般会盯四个指标。

首报时间，也就是从异常出现到系统发出报警的平均时长。人工巡检这条线，一个班两趟，平均首报时间在3到4小时；机器人按1.5小时一个巡检周期，平均首报时间能压到45分钟以内，针对重点区段加密到20分钟一次的话还能更短。这个指标直接对应事故损失，是最有说服力的。

有效报警率，即所有报警中经现场核实为真的比例。刚上线时这个数可能只有10%到20%，优化到位后能做到60%以上。低于30%的系统，基本上就会被现场弃用。

非计划停机时长，按月的统计，看皮带机因故障停机的总小时数变化。这个指标受煤质、检修质量等多种因素影响，不能全归功于机器人，但趋势是能看出来的。我参与过的项目里，运行一年后这类停机时长普遍能下降20%到40%。

高危故障的早发现次数，也就是那些如果没被发现、后续很可能演变成大事故的案例。这个数字不用多，一年有三五次，系统的价值就已经回来了。我印象比较深的一次是，机器人连续三个巡检周期报某一组回程托辊温升18K、20K、24K，现场去查发现是两个托辊轴承已经抱死，皮带在上面干磨，再跑半天很可能就冒烟了。这一次就够本了。

6.2 我踩过的几个坑，直接给你省时间

第一个坑是一开始就追求全自动。我最早做的方案想把报警直接接到停机回路，全自动处置。结果上线第一个月误报停了三次机，生产部门差点把系统给拆了。后来改成三级分级、只有最紧急的情况才自动停机，其余全部人工确认，接受度一下就上来了。自动化程度要和算法成熟度匹配，不能一步到位。

第二个坑是把算力堆在机器人本体上。最开始想着边缘计算响应快，本体上装了一块高性能板卡，结果散热搞不定，夏天连续跑一个多小时就降频，图像处理延迟从200毫秒涨到3秒。后来把重活挪到地面服务器，本体只做采集和轻量预处理，稳定性立刻不一样。

第三个坑是忽略运维交接。有个项目验收完，厂商撤场，现场没人会改阈值、没人会标定测点、没人知道误报该怎么反馈。半年后系统还在跑，但报警已经没人看了。后来我坚持每条线留两个懂行的自己人，接受至少两周的实操培训，并且把标定手册和阈值配置表作为交付物写进合同。

第四个坑是在粉尘最大的落料点附近堆设备。落料点扬尘最厉害，相机装在那儿三天就得擦一次。后来把主要检测点挪到落料点前后各5到8米的位置，扬尘小很多，图像质量稳定，效果反而更好。检测点不是越靠近关键部位越好，得考虑它能不能活下来。

6.3 后续还能怎么扩展

这套系统跑顺之后，往下走有几个方向比较自然。

一是从巡检走向预测。现在做的是阈值报警，下一步是把托辊温升、振动包络、声音特征的时序数据攒起来，做趋势预测，比如提前三天告诉你某个托辊的轴承劣化速度在加快。这需要至少半年的历史数据打底，不急。

二是和检修计划打通。巡检发现的隐患直接生成检修工单，按严重程度排优先级，把“什么时候该换托辊”从凭经验变成看数据。这一步的技术难度不大，难在打通检修管理系统。

三是多机协同。一条几公里的输送线，单台机器人跑一趟时间太长，可以用两三台分段负责，交接处设充电和待机位，通过调度系统统一分配巡检任务。这个在长距离输送线上已经有实际需求了。

四是把巡检数据接到培训里。把真实的历史报警案例做成带图像的案例库，新员工入职就拿这个练眼力，比看规程有效得多。这个不花钱，但见效慢，得有耐心。

最后分享一个我在实际使用中体会最深的点：智能巡检机器人能不能真正护住井下作业的安全生产，技术只占一半，另一半是人和流程。现场有人看告警、有人做复盘、有人愿意为了一个“不确定”的温升去停一次机，这套系统才活得下去。设备再聪明，也只是把异常摆到你面前，最后那一下判断和动作，还得靠人。所以我做方案的时候，从来不承诺“无人值守”，我只承诺“把发现时间从小时级压到分钟级，把该看的都看到”。这个承诺，是能兑现的。