本發(fā)明屬于煤礦開采技術(shù)領(lǐng)域，尤其是涉及一種刮板輸送機飄鏈故障診斷方法。

背景技術(shù)：

刮板輸送機在綜采工作面的作用是向順槽運輸煤炭，為采煤機提供行走軌道，并為液壓支架提供拉移的錨固點，其在液壓支架的推移下隨工作面推進整體前移。在工作面推進過程中，刮板輸送機的某些區(qū)段會出現(xiàn)水平方向或垂直方向的彎曲，若同時刮板輸送機槽內(nèi)存在磨短的刮板，則短刮板在這些彎曲區(qū)段會跳出刮板輸送機的槽造成飄鏈故障，而飄鏈故障又極易引起刮板輸送機的斷鏈?zhǔn)鹿?。因此，對刮板輸送機的飄鏈故障進行檢測并及時發(fā)現(xiàn)飄鏈故障，從而避免斷鏈?zhǔn)鹿实陌l(fā)生，對提高智能化綜采工作面機械設(shè)備的安全性和可靠性具有重要的意義。目前，針對刮板輸送機的檢測技術(shù)其研究內(nèi)容主要集中在鏈條的張力檢測、運行負(fù)載檢測、刮板輸送機位置姿態(tài)檢測等方面。但是針對刮板輸送機飄鏈故障目前還沒有較好的檢測方法。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于填補上述現(xiàn)有技術(shù)中的空缺，提供一種刮板輸送機飄鏈故障診斷方法，其方法步驟簡單、設(shè)計合理且 實現(xiàn)簡便、使用效果經(jīng)實驗驗證表現(xiàn)良好，相較于傳統(tǒng)的GMM-HMM模型具有更高的識別準(zhǔn)確率，可準(zhǔn)確完成刮板輸送機在其彎曲區(qū)段內(nèi)飄鏈故障的診斷。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種刮板輸送機飄鏈故障診斷方法，其特征在于，該方法包括以下步驟：

步驟一、聲音信號識別模型的建立與組成分析：在進行刮板輸送機飄鏈故障診斷之前，先建立相關(guān)診斷方法所需的聲音信號識別模型并對其組成成分進行分析；所述聲音信號識別模型包括：相關(guān)輸入樣本、相關(guān)聲音信號特征和分類器，其中相關(guān)輸入樣本為經(jīng)主成分分析(PCA)和白化處理的綜采工作面設(shè)備運行時的聲譜圖，相關(guān)聲音信號特征為由深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取的聲音信號特征，分類器以聲音信號特征為輸入的支持向量機(SVM)，通過分類器對聲音信號進行分類，從而實現(xiàn)對刮板輸送機在其彎曲區(qū)段內(nèi)飄鏈故障的診斷；提取的聲音信號特征由卷積層、池化層和全連接層完成，其中C1層和C3層為卷積層，S2層和S4層為池化層即下采樣層，C5層為全連接的特征層，F(xiàn)6為全連接層，模型的輸出層F7為多類別SVM分類器；

步驟二、對模型進行訓(xùn)練實現(xiàn)工作面聲音信號的分類：在建立相關(guān)聲音信號識別模型后需對建立的模型進行訓(xùn)練使其具備對聲音信號進行正確分類的能力，從而實現(xiàn)對刮板輸送機在其彎曲區(qū)段內(nèi)飄鏈故障的診斷，過程如下：

步驟201、對采樣的幾類聲音信號進行切分分組以及相關(guān)處理形成輸入樣本集合并將輸入樣本集合分 為訓(xùn)練樣本集合Tr和測試樣本集合Te，即每組輸入為三段連續(xù)的聲音信號，每段聲音信號時長為ΔT，將連續(xù)的三段聲音信號轉(zhuǎn)化為聲譜圖的表達形式，并進行主成分分析(PCA)和白化處理得到大小均為N×M的一組數(shù)據(jù)為輸入樣本，其中y_i為相應(yīng)的類別標(biāo)簽，將輸入樣本集合T隨機打亂后分為訓(xùn)練樣本集合Tr和測試樣本集合Te兩部分，取訓(xùn)練樣本集合Tr的樣本點作為CNN-SVM模型的訓(xùn)練數(shù)據(jù)。

步驟202、使用訓(xùn)練樣本集合Tr中的數(shù)據(jù)對CNN-SVM模型進行訓(xùn)練，其中卷積神經(jīng)網(wǎng)絡(luò)CNN的卷積核的大小為25×25，池化過程采用最大池化大小為2×2，兩層全連接層的神經(jīng)元數(shù)量分別為120和10，其輸出層為四個one-against-all的多類別SVM分類器；

步驟三、對完成訓(xùn)練的CNN-SVM模型進行測試：通過測試樣本集合Te中的數(shù)據(jù)對訓(xùn)練完成的CNN-SVM模型進行測試，統(tǒng)計出模型對工作面聲音信號識別的識別率，完成對模型性能的驗證，過程如下：

步驟301、將測試樣本集合Te中的數(shù)據(jù)作為完成訓(xùn)練的CNN-SVM模型的輸入，并將模型的輸入類別與對應(yīng)的實際類別分別比較，統(tǒng)計出完成訓(xùn)練的模型對測試樣本集合中數(shù)據(jù)的識別率；

步驟302、采用經(jīng)典聲音識別方法，即以工作面聲音信號的MFCC特征為輸入的GMM-HMM模型對工作面的刮板輸送機飄鏈故障進行診斷，其中每一幀的時長為500ms，MFCC特征的維數(shù)為24，統(tǒng)計不同GMM-HMM模型階數(shù)下的識別率，得到平均值，并與訓(xùn)練完成的CNN-SVM模型的識別率進行對比，得出CNN-SVM模型的識別率是否高于GMM-HMM模型的識別率，同時結(jié)合步驟301所得出的測試樣 本集合中數(shù)據(jù)的識別率，若識別率高于GMM-HMM模型則進入步驟四，若識別率低于GMM-HMM模型則返回步驟二重新修正CNN-SVM模型；

步驟四、在綜采工作面生產(chǎn)過程中采集工作面的聲音信號，對采樣的聲音信號進行實時處理，即按照0.6s為一段描繪聲譜圖，并進行主成分分析(PCA)和白化處理，將處理完成的數(shù)據(jù)輸入經(jīng)過前三個步驟訓(xùn)練好的CNN-SVM模型，集合輸出當(dāng)前所采樣的聲音信號的種類，一旦產(chǎn)生飄鏈時所發(fā)出的聲音便可實時檢測出刮板輸送機飄鏈故障。

本發(fā)明方法步驟簡單、設(shè)計合理且實現(xiàn)簡便、使用效果經(jīng)實驗驗證表現(xiàn)良好，相較于傳統(tǒng)的GMM-HMM模型具有更高的識別準(zhǔn)確率，可準(zhǔn)確完成刮板輸送機在其彎曲區(qū)段內(nèi)飄鏈故障的診斷。

附圖說明

圖1第一行是時長為ΔT＝0.5s時的工作面設(shè)備五種不同狀態(tài)下的聲譜圖；第二行是圖1中五幅圖經(jīng)過主成分分析(PCA)和白化處理的聲譜圖。

圖2是深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)與支持向量機(SVM)混合模型示意圖。

圖3是本發(fā)明的流程圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明內(nèi)容進行詳細說明：

1.綜采工作面在生產(chǎn)過程中設(shè)備聲音的來源為刮板輸送機和采煤機兩種設(shè)備，其中采煤機主要是機身震動和滾筒截割煤壁的聲音， 刮板輸送機主要是刮板和鏈條摩擦槽體的聲音，這兩種設(shè)備在正常情況下發(fā)出的聲音較為平穩(wěn)，當(dāng)刮板輸送機某處發(fā)生飄鏈故障時該處則會發(fā)出刮板和鏈條撞擊槽體的金屬撞擊聲，當(dāng)采煤機滾筒截割到刮板輸送機的鏟板時亦會發(fā)出采煤機刀齒碰撞刮板輸送機鏟板的金屬撞擊聲，另外兩種設(shè)備在截割運輸過遇到多巖石或過載時也會發(fā)出不同的異常聲音；聲譜圖是一種聲音信號的時——頻2D表達方式，其通常是由聲音信號的快速傅里葉變換得到，能夠直觀的顯示聲音信號的時頻特征，針對工作面幾種不同狀況下的聲音進行采樣可以得到不同的聲譜圖，如圖1所示，其第一行的五幅圖像分別是時長為0.5s的工作面設(shè)備五種不同狀態(tài)下的聲譜圖，(a)為刮板輸送機發(fā)生飄鏈故障時的聲譜圖；(b)為采煤機正常截割煤壁時的聲譜圖；(c)為采煤機滾筒截割過多巖石時的聲譜圖；(d)為刮板輸送機正常運行時的聲譜圖；(e)為在采煤機附近發(fā)生刮板輸送機飄鏈故障時的聲譜圖；顯然，工作面在刮板輸送機和采煤機在不同工況下采樣音頻信號的聲譜圖存在差異，基于工作面的聲譜圖采用合適的識別方法能夠?qū)ぷ髅嬖O(shè)備的幾種工況聲音進行分類，從而實現(xiàn)對刮板輸送機飄鏈故障診斷以及設(shè)備工況監(jiān)測，但是從聲音信號直接得到的聲譜圖中存在大量冗余和干擾容易影響識別效果，而對聲譜圖進行主成分分析(PCA)和白化處理來減少這些影響是一種有效的方法并能夠取得更好的識別效果，圖1中第二行的五幅圖為經(jīng)過主成分分析(PCA)和白化的聲譜圖，可以看出經(jīng)過處理后幾種工況下的聲譜圖更為簡單并且特征更加明顯，所以本發(fā)明采用主成分分析(PCA)和白化處理后的聲譜圖表示工作面 采樣的聲音作為識別模型的輸入。

2.深度卷積神經(jīng)網(wǎng)絡(luò)，其顯著特點是在網(wǎng)絡(luò)的傳播過程中引入了權(quán)值共享、卷積層和池化層的概念，其中權(quán)值共享的作用是減小系統(tǒng)的運算量，卷積層是實現(xiàn)對聲音特征局部信息的抽取，池化層是增強模型對特征的魯棒性；在語音識別領(lǐng)域采用深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型時普遍以聲譜圖為輸入，其全連接層與泛化能力較強的支持向量機(SVM)與深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)構(gòu)成混合識別模型可有效提高識別系統(tǒng)的準(zhǔn)確率和可靠性；本發(fā)明提出一種深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)與支持向量機(SVM)的混合模型，如圖2所示，該模型以主成分分析(PCA)和白化處理后的聲譜圖為輸入，其中C1層和C3層為卷積層，S2層和S4層為池化層即下采樣層，C5層為全連接的特征層，F(xiàn)6為全連接的隱層，F(xiàn)7為多類SVM分類器構(gòu)成的輸出層，下面詳細介紹卷積層、池化層、全連接層及輸出層的計算方法：

卷積層的計算方法：設(shè)第d層為卷積層，卷積層有M個大小為m₁×m₂的特征平面，其第j個特征平面表示為y_j；前一層有N個大小為n₁×n₂特征平面作為卷積層的輸入，其第i個特征平面表示為x_i；該卷積層卷積核的大小為I₁×I₂表示為k_ij，用來連接輸入層的特征平面x_i和卷積層的特征平面y_j，則輸入層與卷積層的連接公式為：

其中b_j表示偏置系數(shù)，表示二維卷積運，不同的卷積核運算可以獲取輸入層不同的特征，并在計算過程中采用了權(quán)值共享的方法來提高運算效率。其輸入特征平面和卷積層特征平面的大小關(guān)系為：

m₁×m₂＝(n₁-l₁+1)×(n₂-l₂+1) (2)

池化層的計算方法：池化層的第i個特征平面y_i與前一層的第i個特征平面x_i相對應(yīng)，其與上一層的連接公式為：

y_i＝f(pool(x_i)) (3)

式中pool(.)表示大小為p×p的池化運算，通過池化運算將輸入縮小為原來的1/p，并能夠有效提高網(wǎng)絡(luò)的魯棒性，一般采用平均值池化方法或最大值池化方法，本發(fā)明采用最大值池化方法。f(.)一般為sigmoid函數(shù)或tanh函數(shù)，本發(fā)明采用sigmoid函數(shù)。

全連接層的計算方法：這一層和傳統(tǒng)的神經(jīng)元網(wǎng)絡(luò)相似，其每一個輸出單元均與輸入層的每一個元素相連接，每個輸出單元的激活函數(shù)為sigmoid函數(shù)或tanh函數(shù)，該層輸入與輸出的連接公式為：

y_j＝f(Σ_iW_ijx_i+b_j) (4)

式中x_i為輸入，y_i為輸出，W_ij為權(quán)值矩陣，b_j為偏置系數(shù)，f(.)為激活函數(shù)。

輸出層的計算方法：該模型的輸出層為多類別支持向量機分類器，其輸入為經(jīng)過兩層全連接層輸出的聲音信號作為特征向量，輸出為工作面異常狀態(tài)的類別，該層輸入與輸出的連接公式為：

式中x_i為該層輸入樣本的特征向量，y_i為樣本的類別標(biāo)簽，α_i為正實常量，K(.，.)為核函數(shù)，sign為符號函數(shù)，其輸出y(x)即為輸入特征向量x對應(yīng)的類別。式(5)所表示的為兩類別的支持向量機SVM分類器，可以將其根據(jù)實際需要拓展為多類別分類器(例如one-against-all與one-against-one兩種方式，本發(fā)明選擇使用one-against-all方式)。

3.CNN-SVM模型訓(xùn)練方法，當(dāng)輸出層采用one-against-all模式的支持向量機(SVM)分類器后可采用反向傳播的梯度法作為其模型訓(xùn)練方法，既給定訓(xùn)練集其中x_i為特征向量，y_i∈{-1，+1}為樣本標(biāo)簽，N為訓(xùn)練樣本數(shù)量，則支持向量機(SVM)的損失函數(shù)優(yōu)化表達式如下：

其中ξ_i為松弛變量，C為懲罰因子，Φ為由核函數(shù)K(.，.)的定義隱含的特征空間到高維空間的映射。為簡化表達式，將偏置量b添加到高維映射向量φ(x_i)的末位，并將常量1添加到向量w^T的末位。

通常情況下上述帶約束的優(yōu)化問題可以轉(zhuǎn)化為L2-SVM的最小平方hinge loss，其表達式如下：

基于式(7)表示的L2-SVM損失函數(shù)，從支持向量機(SVM)構(gòu)成的輸出層采用反向傳播的梯度法來逐層訓(xùn)練CNN-SVM模型，模型中倒數(shù)第二層的激活函數(shù)輸出記為h_i，將(7)式中的x_i用h_i代替，然后求導(dǎo)數(shù)可得：

若采用線性支持向量機(SVM)分類器，則(8)式可改寫為：

本發(fā)明采用(9)式作為CNN-SVM輸出層的靈敏度函數(shù)，從此處開始向前的反向傳播算法即采用標(biāo)準(zhǔn)的softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)的反向傳播算法，具體傳播過程在Jake Bouvrie的論文中有詳細的推演過程，本發(fā)明不再詳細介紹。

4.仿真實驗研究，實驗當(dāng)中所用音頻數(shù)據(jù)由48kHz的防爆錄音裝置于某綜采工作面采集獲取，其中刮板輸送機型號為830/750型，采煤機型號為930/400型，工作面高度為3.5m長度為240m，根據(jù)實際情況將采樣的聲音信號分為四個類別，如表1所示：

表1采樣聲音信號類別表

本發(fā)明實驗主要目的是對刮板輸送機的飄鏈故障進行識別，雖然現(xiàn)場各類設(shè)備異常工況的種類較多，但由于不少異常工況都很少發(fā)生難以測得實驗數(shù)據(jù)，所以本發(fā)明僅針對現(xiàn)場常見四種狀態(tài)進行實驗研究。

首先對采樣的聲音信號進行切分分組并進行處理形成實驗數(shù)據(jù)集合即每組輸入為三段連續(xù)的聲音信號，每段聲音信號時長為ΔT，將連續(xù)的三段聲音信號轉(zhuǎn)化為聲譜圖的表達形式，并進行主成分分析(PCA)和白化處理得到大小均為N×M的一組數(shù)據(jù)作為CNN-SVM模型輸入，其中y_i為相應(yīng)的類別標(biāo)簽。實驗數(shù)據(jù)集合分為訓(xùn)練集合與測試集合，當(dāng)每段聲音信號時長ΔT分別選用為0.3s、0.6s和1s時本發(fā)明實驗數(shù)據(jù)的構(gòu)成如表2所示：

表2實驗數(shù)據(jù)

在CNN-SVM模型中，深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取特征的結(jié)構(gòu)如圖2所示，其中卷積核的大小為25×25，池化過程采用最大池化大小為2×2，兩層全連接層的神經(jīng)元數(shù)量分別為120和10，其輸出層為one-against-all的多類別SVM分類器。本發(fā)明設(shè)計的刮板輸送機飄鏈故障診斷CNN-SVM的實驗結(jié)果如表3下：

表3 CNN-SVM模型實驗結(jié)果

識別率＝識別正確數(shù)/Test (10)

從實驗結(jié)果可知，選用不同的ΔT對模型的識別率具有一定的影響，其中在聲音信號截取時長為0.6s時的識別率最高為0.96，反映了工作面過短時間段的聲音信號對設(shè)備工況特征的表示能力較差，同樣較長時間段的聲音信號在表示設(shè)備工況時存在的冗余和有害信息較多，因此選取長度合適的ΔT能夠有效的避免這些缺陷對模型識別率的影響。

采用經(jīng)典聲音識別方法，即以工作面聲音信號的MFCC特征為輸入的GMM-HMM模型對工作面的刮板輸送機飄鏈故障進行診斷，其 中每一幀的時長為500ms，MFCC特征的維數(shù)為24，統(tǒng)計不同GMM-HMM階數(shù)下的識別率，實驗結(jié)果為多次實驗的平均值如表4所示：

表4 GMM-HMM模型實驗結(jié)果

通過實驗對比可知，本發(fā)明設(shè)計的CNN-SVM模型的識別率在90％以上，與經(jīng)典的GMM-HMM模型相比具有更好的實驗結(jié)果，在工作面刮板輸送機的飄鏈故障診斷當(dāng)中具有更好的應(yīng)用前景。

5.相關(guān)實驗結(jié)論，如圖3所示，本發(fā)明研究了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)和支持向量機(SVM)的工作面設(shè)備多種工況下 聲音信號的識別方法，該方法構(gòu)建了以主成分分析(PCA)和白化處理后的聲譜圖為輸入和以支持向量機(SVM)分類器為輸出層的CNN-SVM深層網(wǎng)絡(luò)模型。針對該模型的特點，本發(fā)明推導(dǎo)了模型訓(xùn)練過程中輸出層對全連接層的敏感度函數(shù)；通過實驗得出在對采樣的工作面聲音信號進行切分構(gòu)造訓(xùn)練數(shù)據(jù)集時，選擇不同的時長進行切分對模型的識別率造成影響的規(guī)律，并進一步分析了產(chǎn)生影響的原因；通過與傳統(tǒng)的GMM-HMM聲音識別模型進行對比試驗，驗證了本發(fā)明提出模型在識別率方面的優(yōu)越性。