-
题名带式输送机托辊故障检测方法
被引量：3
- 1
-
-
作者
武国平
-
机构
国家能源集团准能集团有限责任公司
-
出处
《工矿自动化》
CSCD
北大核心
2023年第2期149-156,共8页
-
基金
国家自然科学基金项目(51905459)。
-
文摘
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。
-
关键词
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
-
Keywords
belt conveyor
intelligent inspection robot
idler
audio signal
wavelet threshold denoising
MFCC
multi-input one-dimensional convolutional neural network
-
分类号
TD634
[矿业工程—矿山机电]
-
