一种刮板输送机飘链故障诊断方法与流程

本发明属于煤矿开采技术领域，尤其是涉及一种刮板输送机飘链故障诊断方法。

背景技术：

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。

技术实现要素：

本发明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，本发明采用的技术方案是：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y_i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，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是本发明的流程图。

具体实施方式

以下结合附图对本发明内容进行详细说明：

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，所以本发明采用主成分分析(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息的抽取，池化层是增强模型对特征的鲁棒性；在语音识别领域采用深度卷积神经网络(CNN)模型时普遍以声谱图为输入，其全连接层与泛化能力较强的支持向量机(SVM)与深度卷积神经网络(CNN)构成混合识别模型可有效提高识别系统的准确率和可靠性；本发明提出一种深度卷积神经网络(CNN)与支持向量机(SVM)的混合模型，如图2所示，该模型以主成分分析(PCA)和白化处理后的声谱图为输入，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为全连接的隐层，F7为多类SVM分类器构成的输出层，下面详细介绍卷积层、池化层、全连接层及输出层的计算方法：

卷积层的计算方法：设第d层为卷积层，卷积层有M个大小为m₁×m₂的特征平面，其第j个特征平面表示为y_j；前一层有N个大小为n₁×n₂特征平面作为卷积层的输入，其第i个特征平面表示为x_i；该卷积层卷积核的大小为I₁×I₂表示为k_ij，用来连接输入层的特征平面x_i和卷积层的特征平面y_j，则输入层与卷积层的连接公式为：

其中b_j表示偏置系数，表示二维卷积运，不同的卷积核运算可以获取输入层不同的特征，并在计算过程中采用了权值共享的方法来提高运算效率。其输入特征平面和卷积层特征平面的大小关系为：

m₁×m₂＝(n₁-l₁+1)×(n₂-l₂+1) (2)

池化层的计算方法：池化层的第i个特征平面y_i与前一层的第i个特征平面x_i相对应，其与上一层的连接公式为：

y_i＝f(pool(x_i)) (3)

式中pool(.)表示大小为p×p的池化运算，通过池化运算将输入缩小为原来的1/p，并能够有效提高网络的鲁棒性，一般采用平均值池化方法或最大值池化方法，本发明采用最大值池化方法。f(.)一般为sigmoid函数或tanh函数，本发明采用sigmoid函数。

全连接层的计算方法：这一层和传统的神经元网络相似，其每一个输出单元均与输入层的每一个元素相连接，每个输出单元的激活函数为sigmoid函数或tanh函数，该层输入与输出的连接公式为：

y_j＝f(Σ_iW_ijx_i+b_j) (4)

式中x_i为输入，y_i为输出，W_ij为权值矩阵，b_j为偏置系数，f(.)为激活函数。

输出层的计算方法：该模型的输出层为多类别支持向量机分类器，其输入为经过两层全连接层输出的声音信号作为特征向量，输出为工作面异常状态的类别，该层输入与输出的连接公式为：

式中x_i为该层输入样本的特征向量，y_i为样本的类别标签，α_i为正实常量，K(.，.)为核函数，sign为符号函数，其输出y(x)即为输入特征向量x对应的类别。式(5)所表示的为两类别的支持向量机SVM分类器，可以将其根据实际需要拓展为多类别分类器(例如one-against-all与one-against-one两种方式，本发明选择使用one-against-all方式)。

3.CNN-SVM模型训练方法，当输出层采用one-against-all模式的支持向量机(SVM)分类器后可采用反向传播的梯度法作为其模型训练方法，既给定训练集其中x_i为特征向量，y_i∈{-1，+1}为样本标签，N为训练样本数量，则支持向量机(SVM)的损失函数优化表达式如下：

其中ξ_i为松弛变量，C为惩罚因子，Φ为由核函数K(.，.)的定义隐含的特征空间到高维空间的映射。为简化表达式，将偏置量b添加到高维映射向量φ(x_i)的末位，并将常量1添加到向量w^T的末位。

通常情况下上述带约束的优化问题可以转化为L2-SVM的最小平方hinge loss，其表达式如下：

基于式(7)表示的L2-SVM损失函数，从支持向量机(SVM)构成的输出层采用反向传播的梯度法来逐层训练CNN-SVM模型，模型中倒数第二层的激活函数输出记为h_i，将(7)式中的x_i用h_i代替，然后求导数可得：

若采用线性支持向量机(SVM)分类器，则(8)式可改写为：

本发明采用(9)式作为CNN-SVM输出层的灵敏度函数，从此处开始向前的反向传播算法即采用标准的softmax分类器的深度卷积神经网络(CNN)的反向传播算法，具体传播过程在Jake Bouvrie的论文中有详细的推演过程，本发明不再详细介绍。

4.仿真实验研究，实验当中所用音频数据由48kHz的防爆录音装置于某综采工作面采集获取，其中刮板输送机型号为830/750型，采煤机型号为930/400型，工作面高度为3.5m长度为240m，根据实际情况将采样的声音信号分为四个类别，如表1所示：

表1采样声音信号类别表

本发明实验主要目的是对刮板输送机的飘链故障进行识别，虽然现场各类设备异常工况的种类较多，但由于不少异常工况都很少发生难以测得实验数据，所以本发明仅针对现场常见四种状态进行实验研究。

首先对采样的声音信号进行切分分组并进行处理形成实验数据集合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的一组数据作为CNN-SVM模型输入，其中y_i为相应的类别标签。实验数据集合分为训练集合与测试集合，当每段声音信号时长ΔT分别选用为0.3s、0.6s和1s时本发明实验数据的构成如表2所示：

表2实验数据

在CNN-SVM模型中，深度卷积神经网络(CNN)提取特征的结构如图2所示，其中卷积核的大小为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one-against-all的多类别SVM分类器。本发明设计的刮板输送机飘链故障诊断CNN-SVM的实验结果如表3下：

表3 CNN-SVM模型实验结果

识别率＝识别正确数/Test (10)

从实验结果可知，选用不同的ΔT对模型的识别率具有一定的影响，其中在声音信号截取时长为0.6s时的识别率最高为0.96，反映了工作面过短时间段的声音信号对设备工况特征的表示能力较差，同样较长时间段的声音信号在表示设备工况时存在的冗余和有害信息较多，因此选取长度合适的ΔT能够有效的避免这些缺陷对模型识别率的影响。

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阶数下的识别率，实验结果为多次实验的平均值如表4所示：

表4 GMM-HMM模型实验结果

通过实验对比可知，本发明设计的CNN-SVM模型的识别率在90％以上，与经典的GMM-HMM模型相比具有更好的实验结果，在工作面刮板输送机的飘链故障诊断当中具有更好的应用前景。

5.相关实验结论，如图3所示，本发明研究了一种基于深度卷积神经网络(CNN)和支持向量机(SVM)的工作面设备多种工况下 声音信号的识别方法，该方法构建了以主成分分析(PCA)和白化处理后的声谱图为输入和以支持向量机(SVM)分类器为输出层的CNN-SVM深层网络模型。针对该模型的特点，本发明推导了模型训练过程中输出层对全连接层的敏感度函数；通过实验得出在对采样的工作面声音信号进行切分构造训练数据集时，选择不同的时长进行切分对模型的识别率造成影响的规律，并进一步分析了产生影响的原因；通过与传统的GMM-HMM声音识别模型进行对比试验，验证了本发明提出模型在识别率方面的优越性。