[发明专利]一种刮板输送机飘链故障诊断方法

摘要

本发明公开了一种刮板输送机飘链故障诊断方法，该方法主要通过对一种基于深度卷积神经网络(CNN)和支持向量机(SVM)的声音信号识别模型进行相关分类，从而诊断出刮板输送机是否在其弯曲区段内发生飘链故障，该模型的组成主要包括：相关输入样本、相关声音信号特征和分类器，其中相关输入样本为经主成分分析(PCA)和白化处理的综采工作面设备运行时的声谱图，相关声音信号特征为由深度卷积神经网络(CNN)提取的声音信号特征，分类器以声音信号特征为输入的支持向量机(SVM)，通过分类器对声音信号进行分类，从而实现对刮板输送机在其弯曲区段内飘链故障的诊断。本发明方法步骤简单、设计合理且实现简便、使用效果经实验验证表现良好。

主权项

1.一种刮板输送机飘链故障诊断方法，其特征在于，该方法包括以下步骤：步骤一、声音信号识别模型的建立与组成分析：在进行刮板输送机飘链故障诊断之前，先建立相关诊断方法所需的声音信号识别模型并对其组成成分进行分析；所述声音信号识别模型包括：相关输入样本、相关声音信号特征和分类器，其中相关输入样本为经主成分分析(PCA)和白化处理的综采工作面设备运行时的声谱图，相关声音信号特征为由卷积神经网络（CNN）提取的声音信号特征，分类器采用以声音信号特征为输入的支持向量机（SVM），通过分类器对声音信号进行分类，从而实现对刮板输送机在其弯曲区段内飘链故障的诊断；提取的声音信号特征由卷积层、池化层和全连接层完成，其中C1层和C3层为卷积层，S2层和S4层为池化层即下采样层，C5层为全连接的特征层，F6为全连接层，模型的输出层F7为多类别SVM分类器；步骤二、对模型进行训练实现工作面声音信号的分类：在建立声音信号识别模型后需对建立的模型进行训练使其具备对声音信号进行正确分类的能力，从而实现对刮板输送机在其弯曲区段内飘链故障的诊断，过程如下：步骤201、对采样的几类声音信号进行切分分组以及相关处理形成输入样本集合，其中为特征向量，为相应的类别标签，并将输入样本集合分为训练样本集合Tr和测试样本集合Te，即每组输入为三段连续的声音信号，每段声音信号时长为，将连续的三段声音信号转化为声谱图的表达形式，并进行主成分分析（PCA）和白化处理得到大小均为的一组数据，其中N为训练样本数量，将输入样本集合T随机打乱后分为训练样本集合Tr和测试样本集合Te两部分，取训练样本集合Tr的样本点作为CNN‑SVM模型的训练数据；步骤202、使用训练样本集合Tr中的数据对CNN‑SVM模型进行训练，其中卷积神经网络（CNN）的卷积核的大小为25×25，池化过程采用最大池化大小为2×2，两层全连接层的神经元数量分别为120和10，其输出层为四个one‑against‑all的多类别SVM分类器；步骤三、对完成训练的CNN‑SVM模型进行测试：通过测试样本集合Te中的数据对训练完成的CNN‑SVM模型进行测试，统计出模型对工作面声音信号识别的识别率，完成对模型性能的验证，过程如下：步骤301、将测试样本集合Te中的数据作为完成训练的CNN‑SVM模型的输入，并将模型的输入类别与对应的实际类别分别比较，统计出完成训练的模型对测试样本集合中数据的识别率；步骤302、采用经典声音识别方法，即以工作面声音信号的MFCC特征为输入的GMM‑HMM模型对工作面的刮板输送机飘链故障进行诊断，其中每一帧的时长为500ms，MFCC特征的维数为24，统计不同GMM‑HMM模型阶数下的识别率，得到平均值，并与训练完成的CNN‑SVM模型的识别率进行对比，得出CNN‑SVM模型的识别率是否高于GMM‑HMM模型的识别率，同时结合步骤301所得出的测试样本集合中数据的识别率，若CNN‑SVM模型的识别率高于GMM‑HMM模型则进入步骤四，若CNN‑SVM模型的识别率低于GMM‑HMM模型则返回步骤二重新修正CNN‑SVM模型；步骤四、在综采工作面生产过程中采集工作面的声音信号，对采样的声音信号进行实时处理，即按照时长为一段描绘声谱图，并进行主成分分析（PCA）和白化处理，将处理完成的数据输入经过前三个步骤训练好的CNN‑SVM模型，集合输出当前所采样的声音信号的种类，一旦产生飘链时所发出的声音便可实时检测出刮板输送机飘链故障。