CN110375902A - 一种识别顶板压力变化的方法、装置、系统及存储介质 - Google Patents
一种识别顶板压力变化的方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110375902A CN110375902A CN201910651263.1A CN201910651263A CN110375902A CN 110375902 A CN110375902 A CN 110375902A CN 201910651263 A CN201910651263 A CN 201910651263A CN 110375902 A CN110375902 A CN 110375902A
- Authority
- CN
- China
- Prior art keywords
- sample
- sound
- feature vector
- roof pressure
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 104
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 239000003245 coal Substances 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 235000013350 formula milk Nutrition 0.000 description 18
- 239000011435 rock Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/25—Measuring force or stress, in general using wave or particle radiation, e.g. X-rays, microwaves, neutrons
- G01L1/255—Measuring force or stress, in general using wave or particle radiation, e.g. X-rays, microwaves, neutrons using acoustic waves, or acoustic emission
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Toxicology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种识别顶板压力变化的方法、装置、系统及存储介质，涉及煤矿作业安全防护领域。方法包括：采集综采工作现场的声音样本；对声音样本进行初步筛选，得到初始样本库；对初始样本库中的声音样本数据进行预处理，得到样本声音频谱；提取样本声音频谱对应的特征向量，构建特征向量库；对特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库；提取待测样本的特征矢量，利用识别模型对所述待测样本进行识别，计算待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离，对顶板压力变化进行判断，并输出异常预警指令。本发明实施例能够解决现有技术中监测顶板压力变化的方法存在覆盖面小、读数不精准的问题。
Description
技术领域
本发明实施例涉及煤矿作业安全防护领域，具体涉及一种识别顶板压力变化的方法、装置、系统及存储介质。
背景技术
近年来我国煤矿安全事故时有发生，安全形势十分严峻。在采矿生产过程中最常发生的就是冒顶事故。冒顶是因为巷道围岩变化时，作业人员未及时发现围岩应力变化对作业地点进行加强支护而导致的巷道顶板大面积垮落造成人员伤亡的现象，为防止冒顶事故发生，应及时掌握巷道顶板压力变化。因此监测顶板压力声音变化规律，同时研究顶板压力变化发出的破断声音的方法是非常需要的。
现阶段使用技术是通过实时监测顶板压力的变化，可以研究矿井顶板压力的规律，从而采取预防措施，防止事故的发生。但此技术也是存在缺点的，如监测压力表只能依附单个设备读取，范围覆盖面小；连接压力表的管道可能存在漏液情况，影响读数；液压支架可能不接顶，造成压力读数不准确；工作面设备多，线路多，维护不方便，从而未能及时发现顶板压力的变化，造成安全事故。
发明内容
本发明实施例的目的在于提供一种识别顶板压力变化的方法、装置、系统及存储介质，用以解决现有技术中监测顶板压力变化的方法存在覆盖面小、读数不精准的问题。
为实现上述目的，本发明实施例主要提供如下技术方案：
第一方面，本发明实施例提供了一种识别顶板压力变化的方法，所述方法包括以下步骤：采集综采工作现场的声音样本；对所述声音样本进行初步筛选，得到初始样本库；对所述初始样本库中的声音样本数据进行预处理，得到样本声音频谱；提取所述样本声音频谱对应的特征向量，构建特征向量库；对所述特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库；提取待测样本的特征矢量，利用所述识别模型对所述待测样本进行识别，计算所述待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离，选取距离最小值与设定阈值对比，对顶板压力变化进行判断；其中，若所述距离最小值小于设定阈值，则判定顶板压力正常，若所述距离最小值大于设定阈值，则判定顶板压力异常，输出异常预警指令。
进一步地，所述初步筛选的方法包括：设置分贝筛选范围，检测所述声音样本的分贝值，通过判断所述声音样本的分贝值是否在所述分贝筛选范围内，对声音样本进行筛选。
进一步地，所述预处理的具体步骤包括：利用汉宁窗对所述初始样本库中的声音信号进行加窗、分帧；对每一帧加窗后的声音信号进行离散傅里叶变换计算；从离散傅里叶变换后得到的每帧声音信号中得到设定频率范围内的声音频谱。
进一步地，所述构建特征向量库的方法包括：对所述样本声音频谱依次进行FFT快速傅氏变换、Mel滤波、对数变换和离散余弦变换，得到每一帧声音频谱对应的特征向量；对所述特征向量组进行加权、降维处理，得到降维后的特征向量，组成特征向量库。
进一步地，对所述特征向量组进行加权的方法包括：计算所述特征向量组第ω维分量的F比，以F比为权重对所述特征向量进行加权处理，得到的高维特征向量，其中，F比的计算公式为：
F(ω)＝[Fbetween(ω)]/[Fwhithin(ω)]
上式中:F(ω)为F比；D为识别对象的个数；uω(i)为第i个对象特征向量的第ω维分量；uω为uω(i)的均值；xω(i)为第个识别对象所有样本的第ω维分量，yi为第i个识别对象的样本数。
进一步地，采用主成分分析算法PCA对所述高维特征向量进行降维处理，所述降维处理的具体步骤包括：
计算所述高维特征向量的矩阵G，矩阵G为：
其中，e为组成矩阵G的特征向量个数，h表示每个特征向量的维数；
利用所述矩阵G计算出矩阵G的相关矩阵R，相关矩阵R的表达式为：
R＝GTG/(e-1)
并根据所述相关矩阵R的表达式，计算出相关矩阵R的特征值λ1、λ2…λh，和对应的特征向量u1、u2…uh；再根据所述相关矩阵R的特征值计算方差贡献率和累计方差贡献率确定降维后特征向量的维数；根据特征向量u1、u2…uh得到降维后的特征向量矩阵。
进一步地，利用聚类算法对所述特征向量库进行训练，所述聚类算法包括LBG算法，所述待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离为欧式距离。
第二方面，本发明实施例提供一种识别顶板压力变化的装置，所述装置包括：采集单元，用于采集综采工作现场的声音样本；筛选单元，用于利用分贝值对所述声音样本进行初步筛选；预处理单元，用于对所述初始样本库中的声音样本数据进行预处理，得到样本声音频谱；特征提取单元，用于提取所述样本声音频谱对应的特征向量，构建特征向量库；识别单元，用于对所述特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库，利用所述识别模型库对待测样本进行识别，从而对顶板压力变化进行判断；
第三方面，本发明实施例提供一种识别顶板压力变化的系统，所述系统包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行一种识别顶板压力变化的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种识别顶板压力变化的系统执行一种识别顶板压力变化的方法。
本发明实施例提供的技术方案至少具有如下优点：
本发明实施例采用拾音器对综采工作现场的声音进行采集，首先利用分贝值进行初次筛选，得到初始样本库，然后对初始样本库中的声音样本数据进行预处理，得到样本声音频谱，并提取样本声音频谱对应的特征向量，进而对特征向量进行加权优化并用PCA主成分分析算法降低其维数，构建特征向量库；然后应用矢量量化方法对特征向量库进行训练，得到最佳顶板声音码本，再计算降维后的特征向量与最佳顶板声音码本中各码字之间的距离，选取距离最小值与设定阈值对比，实现顶板声音的有效识别，通过声音对顶板压力大小进行监控，具有识别速度快，准确率高的特点。
附图说明
图1为本发明实施例1提供的一种识别顶板压力变化的方法的流程图。
图2为本发明实施例2提供的一种识别顶板压力变化的装置的结构示意图。
图3为本发明实施例3提供的一种识别顶板压力变化的系统的结构示意图。
图中：采集单元1、预处理单元2、特征提取单元3、识别单元4、处理器5、存储器6。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在介绍本发明实施例1提供的一种识别顶板压力变化的方法之前，首先对本实施例的背景做出介绍。顶板是赋存在煤层之上的邻近岩层。采矿工程中，地下的岩层或煤层是实体的，上部岩层的重量压在下部岩层上，处于平衡状态。这时岩体不变形，也不会移动，我们在煤层或岩层中掘进一条巷道后，巷道顶部的岩层就要往下落，这个顶部岩层的重量就压在巷道的两帮上，这个顶部岩层就是顶板。由于顶板承受的压力很大，经常发生冒顶事故，需要有效的措施对顶板承受的压力进行监控，及时采取措施防止事故的发生。
因此，本实施例1提供一种识别顶板压力变化的方法，具体参见图1所示，本实施例的方法主要包括以下步骤：
S1、采集综采工作现场的声音样本；
本实施例采用拾音器对样本声音进行采集，由于拾音器识别范围为10米，因此优选地在液压支架每间隔10米安装一个拾音器，拾音器为范围性声音识别采集方式，对于顶板压力变化产生的破断声音识别规律随着顶板压力的变化而变化，顶板压力越大，来压频率就越强，声音频谱变化规律越大，顶板位移发出的声音就越大，所以识别顶板压力变化特征提取是声音识别的关键所在，采用什么样的特征用于识别直接关系到识别效果。
此时采集的声音样本里包括顶板的声音和机器设备工作的声音、工作人员讨论声音、下雨声等背景噪声。因此需要对样本声音进行筛选，具体的参考步骤S2。
S2、对声音样本进行初步筛选，得到初始样本库；
本实施例首先利用傅里叶分析方法对顶板压力变化时发出的声音信号进行了频谱分析。在不同的条件下用人工智能声音识别机器学习了大量的拾音器采集到的顶板压力变化产生的声音及背景噪声的样本，背景噪声包括采煤现场的机器设备等发出的声音，通过建立顶板压力变化声音模型，对顶板压力变化产生的声音及背景噪声的样本进行了大量的统计和分析，发现拾音器拾取的顶板压力变化产生的声音及背景噪声具有较好的区分特性。为了分析拾音器拾取的顶板压力变化产生的声音及其他设备声音结构的稳定性，需要分析拾音器拾取的顶板压力变化产生的声音及其他设备声音的语谱，从拾音器拾取的顶板压力变化产生的声音及其他设备声音语谱分析可以说明拾音器拾取到的声音具有稳定的不随时间变化的结构，因此顶板压力变化产生的声音信号的特征可以作为识别信号的有效特征。由此可见，相比声音识别问题中常采用的子带、语音特征参数MFCC、线性预测倒谱系数LPCC此类特征，顶板压力变化产生的声音信号的特征更为有效，子带、MFCC在计算特征时考虑的是一个一个的频段，对拾音器拾取的顶板压力变化产生的声音及其他等设备发出的声音来说，以分贝为单位提取特征不会掩盖其特征，可以应用于压力声音识别。实际实施中可以设置分贝筛选范围，检测声音样本的分贝值，通过大量的样本分析，本发明实施例得到拾音器拾取的顶板压力变化产生的声音的分贝基本位于100dB以下，因此可以通过判断声音样本的分贝值是否在100dB左右的分贝筛选范围内，对声音样本进行筛选。因此本发明采用的是0dB，10dB，20dB，…，150dB总共15个分量的构成15维的特征矢量:{h0，h1，h2，，…，h15}。
S3、对初始样本库中的声音样本数据进行预处理，得到样本声音频谱；
一段声音信号整体上看不是平稳的，但是在局部上可以看作是平稳的。在后期的语音处理中需要输入的是平稳信号，所以要对整段语音信号分帧，也就是切分成很多段。但是分帧后，每一帧的起始段和末尾端会出现不连续的地方，所以分帧越多与原始信号的误差也就越大。因此需要加窗，使分帧后的信号变得连续，每一帧就会表现出周期函数的特征。由于信号在时域上的变换通常很难看出信号的特性，所以通常将它转换为频域上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。所以在加窗后，每帧还必须再经过快速傅里叶变换以得到在频谱上的能量分布。
具体地，在实施过程中，拾音器采用的采样频率fs为8000HZ，考虑到综采工作面一般声音为50dB，对应的周期Tb为20ms，对离散傅里叶变换来说，在分析周期信号时，同步采样条件下，即采样窗口的长度为信号基频周期的整数倍时才能得到最佳的频谱数据，非同步采样即采样窗口长度不满足信号基频周期整数倍要求时，离散傅里叶变换在频域对离散时间傅里叶变换DTFT采样得到的结果往往是频谱泄漏的能量，不能很好地反应信号本身，因此，考虑10dB频率分辨率，即5个基频周期，本发明采用的窗口长度L为800点，窗口长度L的计算公式为：L＝5Tbfs＝5×20×10-3×8000＝800。
另外，考虑到矩形窗的频谱旁瓣较大，会造成较大频谱泄漏，因此本发明采用汉宁窗，但是汉宁窗的主瓣为矩形窗的两倍，所以要继续保持10dB的分辨率，需要采用1600点的窗口长度。
上述预处理的步骤包括：
利用汉宁窗对初始样本库中的样本声音信号进行加窗、分帧；
具体地，汉宁窗的公式如下:
加窗后的信号为：xhw(n)＝x(n)·h(n),(0≤n≤N-1)其中，x(n)为原样本声音信号，N＝1600为窗口长度，n代表窗口长度内的第n个值。
对每一帧加窗后的样本声音信号进行离散傅里叶变换计算，计算公式为：
此处得到的频谱分辨率为：X(n)为加窗后的信号。
因此，对应于步骤S2中的0dB，10dB，20dB，…，150dB总共15个分量的构成15维的特征矢量{h0，h1，h2，，…，h15}。本发明实施例预处理的最后阶段从离散傅里叶变换后得到的X(n)中每帧声音信号中选取0～150 dB频率范围内的声音频谱。即对应0dB，10dB，20dB，…，150dB总共15个分量，记为Hi＝{h0，h1，h2，，…，h15}，其中，i为帧号。
S4、提取样本声音频谱对应的特征向量，构建特征向量库；
具体地，对步骤S3中得到的声音频谱依次进行FFT快速傅氏变换、Mel滤波、对数变换和离散余弦变换，得到每一帧声音频谱对应的MFCC特征向量。其中，Mel滤波由若干个三角带通滤波器组成的滤波器组实现。三角带通滤波器能够对频谱进行平滑化，消除谐波，突显原先语音的共振峰，降低运算量。设滤波器个数为p，信号经滤波后可得到p个参数mi(i＝1,2…,p)，其计算公式为：
上式中，N为FFT快速傅氏变换的点数，X(k)为快速傅氏变换；Hi(k)为滤波器参数，滤波器参数的公式为现有技术，在此不做过多说明。
将上述滤波后的参数进行对数运算，再进行离散余弦变换，得到分帧信号的MFCC特征向量c(i)，c(i)的变换公式为：
上式中，N为FFT快速傅氏变换的点数，p为滤波后参数mi的个数，j表示第j个参数，mj表示第j个的值。
另外，为了增强识别贡献率较高分量作用，削弱贡献率较低分量作用，从而提升特征向量的识别精确性及成功率。本申请以F比为权重对MFCC特征向量进行加权处理，F比指的是F值与其在相应显著性水平下的F临界值的比值，F比是常用的考察特征向量各维分量有效性的参数，F比高表明向量分量在同类信号间方差较小，在不同类信号间方差较大。
对特征向量组进行加权的方法包括：计算特征向量组第w维分量的F比，以F比为权重对MFCC特征向量进行加权处理，得到的高维MFCC特征向量，其中，F比的计算公式为：
F(ω)＝[Fbetween(ω)]/[Fwhithin(ω)]
上式中:F(ω)为F比；D为识别对象的个数；uω(i)为第i个对象特征向量的第ω维分量；uω为uω(i)的均值；xω(i)为第个识别对象所有样本的第w维分量，yi为第i个识别对象的样本数。
进一步地，经过加权的特征向量变成高维MFCC特征向量，为了提高计算效率，本发明引入PCA主成分分析算法对计算得到的高维MFCC特征向量进行降维处理，同时确保准确获取压力的特征。
降维处理的具体步骤包括：
计算高维MFCC特征向量的矩阵G，矩阵G为：
其中，e为组成矩阵G的特征向量个数，h表示每个特征向量的维数；
利用矩阵G计算出矩阵G的相关矩阵R，相关矩阵R的表达式为：
R＝GTG/(e-1)
并根据相关矩阵R的表达式，计算出相关矩阵R的特征值λ1、λ2…λh，和对应的特征向量u1、u2…uh；再根据相关矩阵R的特征值计算方差贡献率和累计方差贡献率确定降维后特征向量的维数，优选地为7维；根据特征向量u1、u2…uh得到降维后的特征向量矩阵。
S5、对特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库；
具体地，本发明采用聚类算法对特征向量库进行训练，聚类算法采用LBG算法，LBG算法是基于上述两个原则的一种码本训练递推算法。LBG算法从一个事先选定的初始码本开始迭代，直到系统性能能满足要求或不再有明显的改进为止。LBG算法已经在现有技术中得到广泛应用，在此不做过多描述。经过对预处理后的声音频谱进行反复训练试验，得出矢量量化码本数目选择11阶时，既能确保识别效果，同时也能保证识别速率，因此本发明选择J＝11阶时的码本作为最佳顶板声音码本和最佳背景噪声码本，本实施例把训练得到的最佳顶板声音码本记为：codebyq＝{yb1，yb2，…，yb11}，其中ybi代表最佳顶板声音码本的第i个码字，为7维的矢量。利用矢量量化方法建立识别模型库，该识别模型库中的矢量代表的样本为顶板压力正常时，所发出的声音，即代表该开采辖区监测压力系统的正常的运行状态。
S6、提取待测样本的特征矢量，利用识别模型对待测样本进行识别，计算待测样本的特征矢量与最佳顶板声音码本的各码字之间的距离，选取距离最小值与设定阈值对比，对顶板压力变化进行判断。
在实际检测中，同样利用拾音器对待测现场的声音进行采集，利用本实施例前文中的特征矢量提取方法对待测样本进行特征提取，然后利用识别模型库对提取的待测样本特征矢量进行识别。即通过计算测样本特征矢量与识别模型库中的最佳顶板声音码本的各码字之间的距离是否在设定阈值范围内。
具体地，本发明实施例采用利用矢量量化方法计算待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离。其中，待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离为欧式距离，计算公式为：
其中，i表示待测样本帧号，j表示码字序号，dij表示第i个待测样本和第j个码字之间的距离。通过公式可以得到各帧和11个码字之间的距离：di1，di2，…，di11。进一步，取di1，di2，…，di11中的最小值记为dmini，设定阈值为dT，其中，设定阈值dT是根据顶板压力正常时的顶板声音样本特征向量与11个码本之间的欧式距离来决定；
若dmini＜dT，则第i帧为正常状态，顶板压力正常；
若dmini＞dT，则第i帧为异常状态，顶板压力异常，输出异常预警指令，在实际作业中可以采用报警装置来接收该异常预警指令，提醒工作人员采取支护等防护措施。
本发明实施例采用拾音器对综采工作现场的声音进行采集，首先利用分贝值进行初次筛选，得到初始样本库，然后对初始样本库中的声音样本数据进行预处理，得到样本声音频谱，并提取样本声音频谱对应的特征向量，进而对特征向量进行加权优化并用PCA主成分分析算法降低其维数，构建特征向量库；然后应用矢量量化方法对特征向量库进行训练，得到最佳顶板声音码本，再计算降维后的特征向量与最佳顶板声音码本中各码字之间的距离，选取距离最小值与设定阈值对比，实现顶板声音的有效识别，通过声音对顶板压力大小进行监控，具有识别速度快，准确率高的特点。
与上述实施例1对应的，本发明实施例2还提供了一种识别顶板压力变化的装置，具体如图2所示，该装置包括：采集单元1、筛选单元2、预处理单元3、特征提取单元4和识别单元5。
采集单元1，用于采集综采工作现场的声音样本；
筛选单元2，用于利用分贝值对所述声音样本进行初步筛选
预处理单元3，用于对初始样本库中的声音样本数据进行预处理，得到样本声音频谱；
可选地，预处理单元3具体用于，利用汉宁窗对样本声音信号进行加窗、分帧；对每一帧加窗后的样本声音信号进行离散傅里叶变换计算；从离散傅里叶变换后得到的每帧声音信号中得到设定频率范围内的声音频谱。
特征提取单元4，用于提取样本声音频谱对应的特征向量，构建特征向量库；
可选地，特征提取单元4具体用于，对声音频谱依次进行FFT快速傅氏变换、Mel滤波、对数变换和离散余弦变换，以及对声音频谱中的特征向量进行提取和加权、降维处理，得到每一帧声音频谱对应的MFCC特征向量，组成特征向量库。
识别单元5，用于对特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库；提取待测样本的特征矢量，利用识别模型对待测样本进行识别，计算待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离，选取距离最小值与设定阈值对比，对顶板压力变化进行判断；其中，若所述距离最小值小于设定阈值，则判定顶板压力正常，若所述距离最小值大于设定阈值，则判定顶板压力异常，输出异常预警指令。
本发明实施例提供的一种识别顶板压力变化的装置中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
与上述实施例相对应的，本发明实施例3还提供了一种识别顶板压力变化的系统，具体如图3所示，该系统包括：至少一个处理器6和至少一个存储器7；
存储器7，用于存储一个或多个程序指令；
处理器6，用于运行一个或多个程序指令，用以执行如上述实施例介绍的一种识别顶板压力变化的方法中的任一方法步骤。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种识别顶板压力变化的系统执行一种识别顶板压力变化的方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种识别顶板压力变化的方法，其特征在于，所述方法包括以下步骤：
采集综采工作现场的声音样本；
对所述声音样本进行初步筛选，得到初始样本库；
对所述初始样本库中的声音样本数据进行预处理，得到样本声音频谱；
提取所述样本声音频谱对应的特征向量，构建特征向量库；
对所述特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库；
提取待测样本的特征矢量，利用所述识别模型对所述待测样本进行识别，计算所述待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离，选取距离最小值与设定阈值对比，对顶板压力变化进行判断；
其中，若所述距离最小值小于设定阈值，则判定顶板压力正常，若所述距离最小值大于设定阈值，则判定顶板压力异常，输出异常预警指令。
2.如权利要求1所述的一种识别顶板压力变化的方法，其特征在于，所述初步筛选的方法包括：设置分贝筛选范围，检测所述声音样本的分贝值，通过判断所述声音样本的分贝值是否在所述分贝筛选范围内，对声音样本进行筛选。
3.如权利要求1所述的一种识别顶板压力变化的方法，其特征在于，所述预处理的具体步骤包括：
利用汉宁窗对所述初始样本库中的声音信号进行加窗、分帧；
对每一帧加窗后的声音信号进行离散傅里叶变换计算；
从离散傅里叶变换后得到的每帧声音信号中得到设定频率范围内的声音频谱。
4.如权利要求1所述的一种识别顶板压力变化的方法，其特征在于，所述构建特征向量库的方法包括：对所述样本声音频谱依次进行FFT快速傅氏变换、Mel滤波、对数变换和离散余弦变换，得到每一帧声音频谱对应的特征向量；对所述特征向量组进行加权、降维处理，得到降维后的特征向量，组成特征向量库。
5.如权利要求4所述的一种识别顶板压力变化的方法，其特征在于，对所述特征向量组进行加权的方法包括：计算所述特征向量组第ω维分量的F比，以F比为权重对所述特征向量进行加权处理，得到的高维特征向量，其中，F比的计算公式为：
F(ω)＝[Fbetween(ω)]/[Fwhithin(ω)]
上式中：F(ω)为F比；D为识别对象的个数；uω(f)为第f个对象特征向量的第ω维分量；uω为uω(f)的均值；xω(f)为第个识别对象所有样本的第ω维分量，yi为第f个识别对象的样本数。
6.如权利要求5所述的一种识别顶板压力变化的方法，其特征在于，采用主成分分析算法PCA对所述高维特征向量进行降维处理，所述降维处理的具体步骤包括：
计算所述高维特征向量的矩阵G，矩阵G为：
其中，e为组成矩阵G的特征向量个数，h表示每个特征向量的维数；
利用所述矩阵G计算出矩阵G的相关矩阵R，相关矩阵R的表达式为：
R＝GTG/(e-1)
并根据所述相关矩阵R的表达式，计算出相关矩阵R的特征值λ1、λ2…λh，和对应的特征向量u1、u2…uh；再根据所述相关矩阵R的特征值计算方差贡献率和累计方差贡献率确定降维后特征向量的维数；根据特征向量u1、u2…uh得到降维后的特征向量矩阵。
7.如权利要求1所述的一种识别顶板压力变化的方法，其特征在于，利用聚类算法对所述特征向量库进行训练，所述聚类算法包括LBG算法，所述待测样本的特征矢量与所述最佳顶板声音码本的各码字之间的距离为欧式距离。
8.一种识别顶板压力变化的装置，其特征在于，所述装置包括：
采集单元，用于采集综采工作现场的声音样本；
筛选单元，用于利用分贝值对所述声音样本进行初步筛选；
预处理单元，用于对初始样本库中的声音样本数据进行预处理，得到样本声音频谱；
特征提取单元，用于提取所述样本声音频谱对应的特征向量，构建特征向量库；
识别单元，用于对所述特征向量库进行训练，得到最佳顶板声音码本，建立识别模型库，利用所述识别模型库对待测样本进行识别，从而对顶板压力变化进行判断。
9.一种识别顶板压力变化的系统，其特征在于，所述系统包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种识别顶板压力变化的系统执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910651263.1A CN110375902B (zh) | 2019-07-18 | 2019-07-18 | 一种识别顶板压力变化的方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910651263.1A CN110375902B (zh) | 2019-07-18 | 2019-07-18 | 一种识别顶板压力变化的方法、装置、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110375902A true CN110375902A (zh) | 2019-10-25 |
| CN110375902B CN110375902B (zh) | 2020-12-01 |
Family
ID=68253880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910651263.1A Active CN110375902B (zh) | 2019-07-18 | 2019-07-18 | 一种识别顶板压力变化的方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110375902B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111879538A (zh) * | 2020-07-09 | 2020-11-03 | 郑州普泽能源科技有限公司 | 一种顶板来压精准监测方法 |
| CN113418986A (zh) * | 2021-06-11 | 2021-09-21 | 安徽中科昊音智能科技有限公司 | 一种用于桥梁隧道的声纹检测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101413521A (zh) * | 2008-11-28 | 2009-04-22 | 西安建筑科技大学 | 液压设备多源诊断信息获取实验装置及其实验方法 |
| CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
| CN104975836A (zh) * | 2015-06-30 | 2015-10-14 | 中国石油天然气股份有限公司 | 岩样水力裂缝形态声发射诊断实验方法及装置 |
| CN105715253A (zh) * | 2016-01-30 | 2016-06-29 | 上海大学 | 一种气井井底流压的预测方法 |
| CN109341778A (zh) * | 2018-11-23 | 2019-02-15 | 泉州装备制造研究所 | 一种安全监控尾矿库的信息化智能控制系统及控制方法 |
-
2019
- 2019-07-18 CN CN201910651263.1A patent/CN110375902B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101413521A (zh) * | 2008-11-28 | 2009-04-22 | 西安建筑科技大学 | 液压设备多源诊断信息获取实验装置及其实验方法 |
| CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
| CN104975836A (zh) * | 2015-06-30 | 2015-10-14 | 中国石油天然气股份有限公司 | 岩样水力裂缝形态声发射诊断实验方法及装置 |
| CN105715253A (zh) * | 2016-01-30 | 2016-06-29 | 上海大学 | 一种气井井底流压的预测方法 |
| CN109341778A (zh) * | 2018-11-23 | 2019-02-15 | 泉州装备制造研究所 | 一种安全监控尾矿库的信息化智能控制系统及控制方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111879538A (zh) * | 2020-07-09 | 2020-11-03 | 郑州普泽能源科技有限公司 | 一种顶板来压精准监测方法 |
| CN111879538B (zh) * | 2020-07-09 | 2022-09-20 | 郑州普泽能源科技有限公司 | 一种顶板来压精准监测方法 |
| CN113418986A (zh) * | 2021-06-11 | 2021-09-21 | 安徽中科昊音智能科技有限公司 | 一种用于桥梁隧道的声纹检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110375902B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alim et al. | Some commonly used speech feature extraction algorithms | |
| Ekanayake | Exports and economic growth in Asian developing countries: Cointegration and error-correction models | |
| CN111048071B (zh) | 语音数据处理方法、装置、计算机设备和存储介质 | |
| US20220308568A1 (en) | System and method for monitoring soil gas and performing responsive processing on basis of result of monitoring | |
| KR20180098806A (ko) | 자연어 인식 성능 개선 방법 및 장치 | |
| Ding et al. | Feature extraction, recognition, and classification of acoustic emission waveform signal of coal rock sample under uniaxial compression | |
| CN106053074B (zh) | 一种基于stft和转动惯量熵的滚动轴承声音信号故障特征提取方法 | |
| US20080167862A1 (en) | Pitch Dependent Speech Recognition Engine | |
| CN110375902A (zh) | 一种识别顶板压力变化的方法、装置、系统及存储介质 | |
| CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN111724770A (zh) | 一种基于深度卷积生成对抗网络的音频关键词识别方法 | |
| KR20120077527A (ko) | 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 장치 및 방법 | |
| Prawin et al. | A novel Mel-frequency cepstral analysis based damage diagnostic technique using ambient vibration data | |
| Terez | Robust pitch determination using nonlinear state-space embedding | |
| Wang et al. | Speech Resampling Detection Based on Inconsistency of Band Energy. | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| Woubie et al. | Voice quality features for replay attack detection | |
| Ma et al. | A percussion method with attention mechanism and feature aggregation for detecting internal cavities in timber | |
| CN110931024A (zh) | 基于音频的圈养大熊猫自然交配结果的预测方法及系统 | |
| CN116778910A (zh) | 一种语音检测方法 | |
| CN116821804A (zh) | 一种基于多特征融合的压裂泵单向阀故障在线监测方法 | |
| CN116665649A (zh) | 基于韵律特征的合成语音检测方法 | |
| CN116451070A (zh) | 基于多分辨率窗口的轨道车门系统异常判别方法及系统 | |
| Vachhani et al. | Use of PLP cepstral features for phonetic segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |