[发明专利]一种基于神经网络多特征融合的托辊异常识别方法

说明书

本发明涉及一种基于神经网络多特征融合的托辊异常识别方法，属于托辊技术领域。该方法包括通过沿线布置的骨传导声传感器采集托辊声音，声音分析仪对声音信号预处理，实现托辊声音高保真还原，然后对声音信号预加重、分帧、加窗，提取时域特征、频域特征和时频特征，将这些特征融合后输入到内置的全连接神经网络识别模型，智能识别托辊异常；将所述融合后的新特征及对应识别结果加入训练数据集中，再次对全连接神经网络进行训练，优化所述识别模型，以提高识别准确率。该方法通过基于神经网络模型的多特征融合和人工标定自学习相结合的方法，解决托辊异常识别现场适应性不强、准确率不高的难题。

技术领域

本发明属于托辊技术领域，涉及一种基于神经网络多特征融合的托辊异常识别方法。

背景技术

带式输送机托辊作为重要承重部件，数量众多、容易损坏，极易引发带式输送机火灾、胶带撕裂、跑偏等事故，造成重大人员伤亡和经济损失，严重威胁煤矿安全生产。目前煤矿建立了人工巡检制度，巡检工在带式输送机运煤工作过程中靠“眼看”、“耳听”和“标记”的巡检方式来完成检修工作，但因缺乏详细的检测标准，凭人工经验存在漏检，检测质量无法保障，巡检效率低。现有测速、测温、测振托辊异常检测技术应用受限、检测效果不理想。煤矿井下声源复杂、低频噪声干扰较大、信噪比低，通过声音信号的单一时域、频域或时频域特征检测托辊异常的方法存在现场适应性差、准确率不高的问题，影响在煤矿推广应用。因此迫切需要智能化检测技术解决托辊异常识别难题，代替人工巡检，实现煤矿减人提效增安。

发明内容

有鉴于此，本发明的目的在于提供一种基于神经网络多特征融合的托辊异常识别方法，通过骨传导原理实时采集托辊运行声音，通过时域、频域和时频域多特征融合，利用神经网络技术智能识别托辊异常，及时报警，可代替人工巡检，不受环境影响，现场适应性强，准确性高，保障煤矿主煤流运输系统安全高效生产。

为达到上述目的，本发明提供如下技术方案：

一种基于神经网络多特征融合的托辊异常识别方法，该方法包括如下步骤：

S1：获取托辊声音信号，并预处理；

S2：对预处理后的信号，获取时域特征一、频域特征二、时频特征三；

S3：设计全连接神经网络识别模型，对时域特征一、频域特征二、时频特征三融合后形成的新特征四输入到模型并输出识别结果；将所述新特征四及对应的识别结果加入训练数据集中再次对全连接神经网络进行训练，优化所述全连接神经网络识别模型；

S4：当识别为异常时，发出托辊异常报警信号，根据报警信号对应的传感器及安装位置，定位托辊异常位置区间；

S5：当人工复核托辊异常报警时，若为假，则人工标定对应的声音信号，并添加到内置声纹特征库，通过自学习减小现场误报；

S6：当识别为正常时，计算所述新特征四和声音分析仪内置特征的相似度，若相似度超过设定阈值时，则匹配成功，发出相应托辊正常信号或异常报警信号。

可选的，所述S1中，托辊声音信号预处理步骤如下：

S1-1：采用小波阈值去噪，发明分解层数选取为3，小波基选取db6，表达式如下：

其中：1/exp(w_j，k-λ)为引入的指数函数倒数，a为引入的参数；

S1-2：预加重处理，一阶高通滤波器定义如下：

H(Z)＝1-μz^-1

其中，μ在0.9～1.0之间；

S1-3：分帧处理，取帧长为1s，采样频率22050Hz，对分帧后的声音信号加汉明窗，其函数定义如下：