10.13272/j.issn.1671-251x.2022100022
带式输送机托辊故障检测方法
针对现有输煤传送机托辊故障检测方法存在识别精度较低、抗环境干扰能力较差、无法长期稳定运行等问题,提出了一种基于融合信号(TFM)及多输入一维卷积神经网络(MI-1DCNN)的输煤传送机托辊故障检测方法.首先,通过拾音器采集输煤传送机沿线托辊运行的音频信号,采用dB4小波无偏风险估计阈值降噪法对信号进行预处理,消除背景噪声,提高信噪比.然后,对降噪音频信号的时域、频域和梅尔频率倒谱系数(MFCC)及其一阶二阶差分系数进行归一化处理,并进行拼接,得到特征TFM.最后,将TFM输入到多尺度卷积核的MI-1DCNN模型,在网络通道末端进行特征融合,通过Softmax函数完成对正常托辊和故障托辊的分类识别.以某煤矿实际采集的输煤传送机托辊音频信号样本对TFM-MI-1DCNN模型进行试验,结果表明:故障托辊平均识别准确率达98.65%,较改进小波阈值降噪-反向传播-径向基函数网络、MFCC-K邻近方法-支持向量机的平均识别准确率分别提高了 1.50%和1.03%.现场应用结果表明:该方法下故障托辊平均识别准确率为98.4%,说明该方法适用于现场应用.
输煤传送机、智能巡检机器人、托辊、音频信号、小波阈值降噪、MFCC、多输入一维卷积神经网络
49
TD634(矿山电工)
国家自然科学基金51905459
2023-03-09(万方平台首次上网日期,不代表论文的发表时间)
共8页
149-156