发明内容
本发明的目的是提供一种基于声纹检测技术的放顶煤控制方法及系统,以提高自动化放煤控制的准确率。
为实现上述目的,本发明提供了如下方案:
一种基于声纹检测技术的放顶煤控制方法,所述方法包括:
步骤S1:开启液压支架放煤口,开始放顶煤过程;
步骤S2:采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号;
步骤S3:对所述声纹信号进行特征提取,得到对应的声纹特征矩阵;
步骤S4:利用声纹识别模型对所述声纹特征矩阵进行声纹识别,得到对应的识别结果;所述识别结果包括所述声纹特征矩阵来自煤块撞击液压支架尾梁的声音以及所述声纹特征矩阵来自矸石撞击液压支架尾梁的声音;
步骤S5:根据所述识别结果判断是否关闭液压支架放煤口;若关闭液压支架放煤口,则执行“步骤S6”;若不关闭液压支架放煤口,则返回“步骤S2”;
步骤S6:产生控制信号,并将所述控制信号发送给液压支架控制器,以使所述液压支架控制器根据所述控制信号控制所述液压支架放煤口关闭,放顶煤过程结束。
可选地,所述步骤S5具体包括:若所述识别结果为所述声纹特征矩阵来自矸石撞击液压支架尾梁的声音,则执行“步骤S6”;若所述识别结果为所述声纹特征矩阵来自煤块撞击液压支架尾梁的声音,则返回“步骤S2”。
可选地,在所述步骤S5之后还包括:
产生报警信号,并将所述报警信号发送给管理平台进行报警。
可选地,在所述步骤S4之前还包括构建声纹识别模型;所述构建声纹识别模型具体包括:
构建CRNN神经网络作为初始神经网络;
采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号;
分别对煤块撞击液压支架尾梁的声纹信号及矸石撞击液压支架尾梁的声纹信号进行预处理及特征提取,得到对应的声纹特征矩阵,并将各所述声纹特征矩阵及各所述声纹特征矩阵对应的类别信息作为训练数据集;所述类别信息包括煤块撞击液压支架尾梁的声音以及矸石撞击液压支架尾梁的声音;
将所述训练数据集输入至所述初始神经网络中进行训练,得到所述声纹识别模型。
可选地,在所述步骤S4之后还包括:
将所述声纹特征矩阵及对应的识别结果加入所述训练数据集,并将所述训练数据集再次输入至所述初始神经网络中进行训练,并更新所述声纹识别模型。
可选地,所述步骤S3具体包括:
对所述声纹信号进行基本特征提取,得到第一声纹特征;所述第一声纹特征包括方差、共振峰、谐波性、频率及峰度参数;
对所述声纹信号进行梅尔倒谱系数特征提取,得到对应的梅尔倒谱系数矩阵,并将所述梅尔倒谱系数矩阵作为第二声纹特征;
将所述第一声纹特征与所述第二声纹特征相结合,得到所述声纹特征矩阵。
可选地,对所述声纹信号进行梅尔倒谱系数特征提取,得到对应的梅尔倒谱系数矩阵,具体包括:
在所述声纹信号的频谱范围内设置多个三角形滤波器,作为多个梅尔滤波器组;
将各所述三角形滤波器的带宽内所有信号幅度加权之和作为所述梅尔滤波器组的输出;
对各所述梅尔滤波器组的输出的对数幅度谱进行离散余弦变化,得到所述梅尔倒谱系数矩阵。
本发明还提供一种基于声纹检测技术的放顶煤控制系统,所述系统包括:数据采集模块、液压支架控制器及主控制器;
所述数据采集模块,设置于液压支架上,用于采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号;
所述主控制器,分别与所述数据采集模块及所述液压支架控制器连接,用于根据上述基于声纹检测技术的放顶煤控制方法,产生控制信号;
所述液压支架控制器,与所述主控制器连接,用于根据所述控制信号控制所述液压支架放煤口关闭。
可选地,所述系统还包括:
管理平台,与所述液压支架控制器连接,用于产生控制信号,以使所述液压支架控制器控制所述液压支架放煤口关闭。
可选地,所述系统还包括:
报警装置,与所述主控制器连接,用于根据报警信号进行报警;所述报警信号为所述主控制器在产生控制信号的同时产生的。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于声纹检测技术的放顶煤控制方法及系统,首先,开启液压支架放煤口,开始放顶煤过程;然后,利用数据采集模块采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号;之后,利用主控制器对所述声纹信号进行特征提取,得到对应的声纹特征矩阵,并通过声纹识别模型对所述声纹特征矩阵进行声纹识别,得到对应的识别结果;最后,根据所述识别结果判断是否关闭液压支架放煤口,若关闭液压支架放煤口,则主控制器产生控制信号,并将所述控制信号发送给液压支架控制器,以使所述液压支架控制器根据所述控制信号控制所述液压支架放煤口关闭;若不关闭液压支架放煤口,则继续进行数据采集与识别,从而实现了自动化放煤控制,避免了采用现有的自动化放煤控制技术在进行煤矸识别时容易受现场环境的影响,而造成准确率不高的问题,提高了自动化放煤控制的准确率和使用效果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于声纹检测技术的放顶煤控制方法及系统,以提高自动化放煤控制的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为综采放顶煤工作面示意图,如图1所示,在采煤机1前后区域为刮板机5,采煤机1可以前后同时进行采掘。厚煤层开采包括前端采煤机1割煤和后端液压支架2放煤两部分。前端通过采煤机1割煤开拓新的采场,液压支架2前移支撑新的割煤空间,同时,液压支架2移架后,工作面顶煤失去支撑,在矿山压力的作用下垮落,通过液压支架放煤口4进行放煤。
在综采放顶煤工作面,伴随着采煤机1的滚筒割煤、破煤和液压支架2放煤,垮落的煤炭和岩石会产生大量粉尘,煤炭暴露的面积增大,煤层中的压力释放会产生大量瓦斯。顶煤垮落会对液压支架尾梁3产生冲击和振动,从而产生较大的响声,顶煤垮落与液压支架支撑力、煤层厚度、煤矸属性等多种因素相关。随着煤层厚度的增加,矿山压力更加显性化,液压支架工作阻力也相应加大。同时,液压支架对顶煤的反复支撑使得顶煤不断下沉和顶起,可以在一定程度上实现对顶煤的挤压变形,有助于顶煤的裂隙发育。利用矿压和顶煤自重,通过移架使顶煤破碎、垮落,便于顶煤冒放。采煤高度与放煤高度应控制在一定的比例,煤层构造(如夹矸等)对顶煤放落也有很大影响。
目前,由于没有通用的煤矸识别方法能够适用于不同煤层,综放部分主要采用人工操作进行放煤控制。操作人员一般通过耳朵听来判断放落的是煤块还是矸石,从而确定顶煤是否放完。人工放煤控制方式生产效率低,成为制约厚煤层安全高效开采和煤炭资源协调开发的突出问题。
而对于现有的自动放煤控制系统,其核心一般是根据人工操作实际中形成的范例和经验,通过设备学习模拟人的操作行为实现自动化放煤控制。首先,需要根据放煤特征,从范例库中检索出相似的范例,然后以知识库中的领域知识和经验为指导,根据问题的实际情况对检索到的范例加以调整、修改和综合,使之满足当前问题的求解需要。例如采用自然射线、煤矸图像识别及三维空间几何特征来识别煤矸进行放煤控制的方法,但由于上述方法很容易受现场环境的影响,准确率或者使用的效果并不理想。鉴于此,本发明提出了一种基于声纹检测技术的放顶煤控制方法。
实施例1
图2为本发明提供的基于声纹检测技术的放顶煤控制方法的流程图,如图2所示,本发明提供的基于声纹检测技术的放顶煤控制方法包括:
步骤S1:开启液压支架放煤口,开始放顶煤过程。
步骤S2:采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号。
步骤S3:对所述声纹信号进行特征提取,得到对应的声纹特征矩阵。
步骤S4:利用声纹识别模型对所述声纹特征矩阵进行声纹识别,得到对应的识别结果;所述识别结果包括所述声纹特征矩阵来自煤块撞击液压支架尾梁的声音以及所述声纹特征矩阵来自矸石撞击液压支架尾梁的声音。
步骤S5:根据所述识别结果判断是否关闭液压支架放煤口;若关闭液压支架放煤口,则执行“步骤S6”;若不关闭液压支架放煤口,则返回“步骤S2”。
步骤S6:产生控制信号,并将所述控制信号发送给液压支架控制器,以使所述液压支架控制器根据所述控制信号控制所述液压支架放煤口关闭,放顶煤过程结束。
下面对上述各步骤进行详细论述。
进一步地,所述步骤S5具体包括:若所述识别结果为所述声纹特征矩阵来自矸石撞击液压支架尾梁的声音,则执行“步骤S6”;若所述识别结果为所述声纹特征矩阵来自煤块撞击液压支架尾梁的声音,则返回“步骤S2”。
进一步地,在所述步骤S3之前还包括:对所述声纹信号依次进行放大、滤波和降噪处理,从而滤除背景声纹及除煤块或矸石撞击液压支架尾梁的声音之外的杂音,进而保证声纹识别的准确性。
进一步地,在所述步骤S5之后还包括:产生报警信号,并将所述报警信号及所述声纹信号发送给管理平台进行报警,以使处于管理平台的工作人员可以根据所述声纹信号人工判断顶煤是否放完,并在判断顶煤放完时产生控制信号,远程控制所述液压支架放煤口关闭;或根据所述报警信号人为查看所述液压支架放煤口是否自动执行关闭,并在所述液压支架放煤口未正常关闭时及时检修;本发明通过自动和人工干预双模式并存的方式进行远程放煤控制,并通过一键启动实现在一个小的时间窗内的补放控制,从而能大大提高放煤控制的准确率。
进一步地,在所述步骤S4之前还包括构建声纹识别模型。所述构建声纹识别模型具体包括:
构建CRNN神经网络作为初始神经网络。
采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号。
分别对煤块撞击液压支架尾梁的声纹信号及矸石撞击液压支架尾梁的声纹信号进行预处理及特征提取,得到对应的声纹特征矩阵,并将各所述声纹特征矩阵及各所述声纹特征矩阵对应的类别信息作为训练数据集;所述类别信息包括煤块撞击液压支架尾梁的声音以及矸石撞击液压支架尾梁的声音;所述预处理包括对所述声纹信号依次进行放大、滤波和降噪处理。
将所述训练数据集输入至所述初始神经网络中进行训练,得到所述声纹识别模型。
进一步地,在所述步骤S4之后还包括:将所述声纹特征矩阵及对应的识别结果加入所述训练数据集,并将所述训练数据集再次输入至所述初始神经网络中进行训练,以更新所述声纹识别模型,从而不断提升所述声纹识别模型的识别准确率。
进一步地,所述步骤S3具体包括:对所述声纹信号进行基本特征提取,得到第一声纹特征;所述第一声纹特征包括方差、共振峰、谐波性、频率及峰度参数;对所述声纹信号进行梅尔倒谱系数特征提取,得到对应的梅尔倒谱系数矩阵,并将所述梅尔倒谱系数矩阵作为第二声纹特征;将所述第一声纹特征与所述第二声纹特征相结合,得到所述声纹特征矩阵。
作为一种具体的实施方式,对所述声纹信号进行梅尔倒谱系数特征提取,得到对应的梅尔倒谱系数矩阵,具体包括:在所述声纹信号的频谱范围内设置多个三角形滤波器,作为多个梅尔滤波器组;将各所述三角形滤波器的带宽内所有信号幅度加权之和作为所述梅尔滤波器组的输出;对各所述梅尔滤波器组的输出的对数幅度谱进行离散余弦变化,得到所述梅尔倒谱系数矩阵。
梅尔倒谱系数(MFCC)特征提取是语音识别和声音事件识别中最经典的传统算法之一,其分析方法基于人耳的听觉特性,即在低频范围中,人耳听到的声音信号的频率与实际频率成正比,在中高频范围中,人耳听到的声音信号的频率与实际频率大致成对数分布的关系,因此,对于煤块及矸石跌落的声纹信号的识别具有超感知特性,能够高度模拟工作人员的听觉。
具体地,梅尔(Mel)频率f
Mel与音频频率f的关系为:
对各所述梅尔滤波器组的输出的对数幅度谱进行离散余弦变化,得到所述梅尔倒谱系数矩阵的公式为:
其中,L代表梅尔滤波器组的通道数量;l表示第l个梅尔滤波器组;Y(l)表示第l个梅尔滤波器组的输出。
作为一种具体的实施方式,本发明在所述声纹信号的频率范围内设置8个梅尔滤波器组,从各音频片段中提取特征,计算出8个梅尔波段,并保留8个梅尔倒谱系数,得到梅尔倒谱系数矩阵,并将所述梅尔倒谱系数矩阵与所述第一声纹特征结合,得到8×174×1(即频率×时间×通道)的声纹特征矩阵,作为所述初始神经网络输入层的输入。
在本实施例中,所述初始神经网络包括:输入层、隐藏层和输出层。
具体地,所述输入层采用提取的声纹特征矩阵作为输入,输入维度为8×174×1;所述输出层使用softmax函数获得分类概率,从而对煤块撞击液压支架尾梁和矸石撞击液压支架尾梁的声音进行分类识别;所述隐藏层设有两组“卷积+池化”结构,在每组“卷积+池化”结构中,将卷积层的步幅设置为1,卷积核的大小设置为3×3;池化层的步幅设置为2;使用线性整流函数(RELU)作为激活函数。所述初始神经网络的参数如下表1所示:
表1初始神经网络的参数表
实施例2
本发明还提供一种基于声纹检测技术的放顶煤控制系统。图3为本发明提供的基于声纹检测技术的放顶煤控制系统的模块结构图,如图3所示,所述系统包括:数据采集模块6、液压支架控制器8及主控制器7。
具体地,所述数据采集模块6设置于液压支架上;所述数据采集模块6用于采集放顶煤过程中煤块或矸石撞击液压支架尾梁的声纹信号。
所述主控制器7分别与所述数据采集模块6及所述液压支架控制器8连接;所述主控制器7用于根据上述基于声纹检测技术的放顶煤控制方法,产生控制信号。
所述液压支架控制器8与所述主控制器7连接;所述液压支架控制器8用于根据所述控制信号控制所述液压支架放煤口4关闭。
作为一种具体的实施方式,所述主控制器采用嵌入式算法移植技术,能够独立运行声纹信号预处理、声纹特征提取及声纹识别等算法,支持边缘计算,因此各监测节点可以就地进行声纹信号采集及声纹识别,不需要通过网络传输到中心服务器后再进行处理,可大幅降低中心服务器的运算压力,且不依赖井下传输网络,在井下环网出现问题时仍然保持正常工作,从而提升了系统的稳定性。
进一步地,所述数据采集模块6包括:拾音器及与所述拾音器配套的防护罩;所述拾音器安装于所述液压支架2上,用于采集放顶煤过程中煤块或矸石撞击液压支架尾梁3的声纹信号;所述防护罩设置于所述拾音器的外围,用于保护所述拾音器,避免所述拾音器被坠落的煤块或矸石砸中,影响拾音效果。
在本实施例中,本发明所采用单个拾音器的精确监控范围在±4m左右,由6通路信号组成的单节点具备40m监控范围。
优选地,所述系统还包括:管理平台9;在本实施例中,所述管理平台9与所述液压支架控制器8连接,用于产生控制信号,以使所述液压支架控制器8控制所述液压支架放煤口4关闭。
进一步地,所述系统还包括:交换机10;所述交换机10分别与所述管理平台9、所述主控制器7及所述液压支架控制器8连接,用于将所述主控制器7或所述管理平台9产生的控制信号发送给所述液压支架控制器8,以使所述液压支架控制器8控制所述液压支架放煤口4关闭。
进一步地,所述系统还包括传输部分、控制和显示部分及数据存储部分;所述传输部分具体为电缆或光缆,用于进行井下数据传输;所述控制和显示部分包括各类控制通信接口、执行器和解码器,所述解码器用于对井下传输的数据进行格式转换,所述控制通信接口用于进行井下通信控制;所述数据存储部分包括服务器和磁盘,用于存储所述数据采集模块采集的声纹信号。
优选地,所述系统还包括:报警装置;在本实施例中,所述报警装置与所述主控制器7连接,用于根据报警信号进行报警;所述报警信号为所述主控制器在产生控制信号的同时产生的。
作为一种具体的实施方式,对于应用了多台采煤机的复杂井下环境,可对应多台采煤机设置多个监测节点,分别进行监测控制。各所述监测节点均设置数据采集模块、主控制器、液压支架控制器,从而分别对各监测节点的液压支架放煤口进行控制,各所述监测节点的主控制器及液压支架控制器均与所述管理平台连接,以使所述管理平台对各所述监测节点集中进行管理。
本发明提供的基于声纹检测技术的放顶煤控制方法及系统,采用最新的语音特征提取技术,基于接近人耳听觉感知的梅尔非线性频谱特征,结合声音方差、共振峰、谐波性、频率、峰度参数等其他参数,组成多维特征,使用基于深度学习的CRNN神经网络进行训练识别,通过对煤块和矸石撞击液压支架尾梁的声纹信号样本进行学习,实现了对煤块和矸石跌落的声纹信号的高度识别率。从而能够替换传统的人盯人防的放顶煤控制方式,为无人综采面提供一种无人化的可行方案,实现了综采工作面自动放煤控制。
本发明提供的基于声纹检测技术的放顶煤控制方法及系统实现了以下功能:
1)边缘运算功能:系统的主要采集、运算功能部署在现场的监测节点中,通过边缘运算大幅降低中心服务器的运算压力。
2)实时监测功能:监测节点将拾音器采集的声纹信号进行运算处理后转换成对应的监测值并实时传送至管理平台,从而实现管理平台对各监测节点的实时监测。
3)报警功能:管理平台定时轮询所有监测节点,当液压支架放煤口开启时,若检测到矸石撞击液压支架尾梁的声纹信号后触发后台报警流程,提醒工作人员查看液压支架放煤口是否自动执行关闭。
4)现场监听功能:管理平台可以选择现场任意监测节点,并利用拾音器进行一定时长的录音,录音完毕后可以通过播放录音数据来确认现场情况,也可把有效的录音信息加入到算法的训练样本集中进行算法的训练优化。
与现有技术相比,本发明提供的基于声纹检测技术的放顶煤控制方法及系统具有以下优势:
1)采用非接触式监测方式,可以有效避免因现场环境(如粉尘大等)的原因影响识别准确率。
2)嵌入式算法移植,支持边缘计算,可大幅降低中心服务器的运算压力,在井下环网出现问题时仍然保持正常工作,提升了系统的稳定性,且有利于监测范围的扩展。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。