一种刮板输送机飘链故障诊断方法技术

本发明专利技术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。本发明专利技术方法步骤简单、设计合理且实现简便、使用效果经实验验证表现良好。

【技术实现步骤摘要】

本专利技术属于煤矿开采
，尤其是涉及一种刮板输送机飘链故障诊断方法。
技术介绍
刮板输送机在综采工作面的作用是向顺槽运输煤炭，为采煤机提供行走轨道，并为液压支架提供拉移的锚固点，其在液压支架的推移下随工作面推进整体前移。在工作面推进过程中，刮板输送机的某些区段会出现水平方向或垂直方向的弯曲，若同时刮板输送机槽内存在磨短的刮板，则短刮板在这些弯曲区段会跳出刮板输送机的槽造成飘链故障，而飘链故障又极易引起刮板输送机的断链事故。因此，对刮板输送机的飘链故障进行检测并及时发现飘链故障，从而避免断链事故的发生，对提高智能化综采工作面机械设备的安全性和可靠性具有重要的意义。目前，针对刮板输送机的检测技术其研究内容主要集中在链条的张力检测、运行负载检测、刮板输送机位置姿态检测等方面。但是针对刮板输送机飘链故障目前还没有较好的检测方法。
技术实现思路
本专利技术所要解决的技术问题在于填补上述现有技术中的空缺，提供一种刮板输送机飘链故障诊断方法，其方法步骤简单、设计合理且实现简便、使用效果经实验验证表现良好，相较于传统的GMM-HMM模型具有更高的识别准确率，可准确完成刮板输送机在其弯曲区段内飘链故障的诊断。为解决上述技术问题，本专利技术采用的技术方案是：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；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：在建立相关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ΔT，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N×M的一组数据为输入样本，其中yi为相应的类别标签，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，若识别率高于GMM-HMM模型则进入步骤四，若识别率低于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0.6s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。本专利技术方法步骤简单、设计合理且实现简便、使用效果经实验验证表现良好，相较于传统的GMM-HMM模型具有更高的识别准确率，可准确完成刮板输送机在其弯曲区段内飘链故障的诊断。附图说明图1第一行是时长为ΔT＝0.5s时的工作面设备五种不同状态下的声谱图；第二行是图1中五幅图经过主成分分析(PCA)和白化处理的声谱图。图2是深度卷积神经网络(CNN)与支持向量机(SVM)混合模型示意图。图3是本专利技术的流程图。具体实施方式以下结合附图对本
技术实现思路
进行详细说明：1.综采工作面在生产过程中设备声音的来源为刮板输送机和采煤机两种设备，其中采煤机主要是机身震动和滚筒截割煤壁的声音，刮板输送机主要是刮板和链条摩擦槽体的声音，这两种设备在正常情况下发出的声音较为平稳，当刮板输送机某处发生飘链故障时该处则会发出刮板和链条撞击槽体的金属撞击声，当采煤机滚筒截割到刮板输送机的铲板时亦会发出采煤机刀齿碰撞刮板输送机铲板的金属撞击声，另外两种设备在截割运输过遇到多岩石或过载时也会发出不同的异常声音；声谱图是一种声音信号的时——频2D表达方式，其通常是由声音信号的快速傅里叶变换得到，能够直观的显示声音信号的时频特征，针对工作面几种不同状况下的声音进行采样可以得到不同的声谱图，如图1所示，其第一行的五幅图像分别是时长为0.5s的工作面设备五种不同状态下的声谱图，(a)为刮板输送机发生飘链故障时的声谱图；(b)为采煤机正常截割煤壁时的声谱图；(c)为采煤机滚筒截割过多岩石时的声谱图；(d)为刮板输送机正常运行时的声谱图；(e)为在采煤机附近发生刮板输送机飘链故障时的声谱图；显然，工作面在刮板输送机和采煤机在不同工况下采样音频信号的声谱图存在差异，基于工作面的声谱图采用合适的识别方法能够对工作面设备的几种工况声音进行分类，从而实现对刮板输送机飘链故障诊断以及设备工况监测，但是从声音信号直接得到的声谱图中存在大量冗余和干扰容易影响识别效果，而对声谱图进行主成分分析(PCA)和白化处理来减少这些影响是一种有效的方法并能够取得更好的识别效果，图1中第二行的五幅图为经过主成分分析(PCA)和白化的声谱图，可以看出经过处理后几种工况下的声谱图更为简单并且特征更加明显，所以本专利技术采用主成分分析(PCA)和白化处理后的声谱图表示工作面采样的声音作为识别模型的输入。2.深度卷积神经网络，其显著特点是在网络的传播过程中引入了权值共享、卷积层和池化层的概念，其中权值共享的作用是减小系统的运算量，卷积层是实现对声音特征局部信本文档来自技高网...

【技术保护点】
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；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：在建立相关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ΔT，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N×M的一组数据为输入样本，其中yi为相应的类别标签，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，若识别率高于GMM‑HMM模型则进入步骤四，若识别率低于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ΔT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。...

【技术特征摘要】
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；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：在建立相关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ΔT，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N×M的一组数据为输入样本，其中yi为相应的类别标签，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T...

【专利技术属性】
技术研发人员：马宏伟，董刚，南源桐，张旭辉，毛清华，聂珍，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61