CN116698977A - 一种基于声音信号的煤矸识别传感器及识别方法 - Google Patents
一种基于声音信号的煤矸识别传感器及识别方法 Download PDFInfo
- Publication number
- CN116698977A CN116698977A CN202310979778.0A CN202310979778A CN116698977A CN 116698977 A CN116698977 A CN 116698977A CN 202310979778 A CN202310979778 A CN 202310979778A CN 116698977 A CN116698977 A CN 116698977A
- Authority
- CN
- China
- Prior art keywords
- module
- sound
- coal
- signal
- gangue
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 132
- 230000005236 sound signal Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 30
- 239000000428 dust Substances 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000007599 discharging Methods 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 239000002817 coal dust Substances 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000037433 frameshift Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 208000012661 Dyskinesia Diseases 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 230000003116 impacting effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000011946 reduction process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声音信号的煤矸识别传感器及识别方法,属于放顶煤工作面开采领域,该煤矸识别传感器包括声音传感器,声音传感器连接有声光提示模块、除尘模块、手持终端以及供电模块;声音传感器包括壳体、拾音模块、音频编码芯片、STM32嵌入式模块、声强检测模块;该识别方法采用三分支卷积神经网络的MBCNN‑A模型对采集到的声音信号进行识别,将识别结果输出至手持终端,判断识别出的含矸量是否能达到所设定的比例。本发明实现了放顶煤过程的自动识别,从而揭露深层放煤规律,提高了煤炭生产质量和生产效率,为放煤自动化的实施提供了先决条件。
Description
技术领域
本发明属于放顶煤工作面开采领域,具体涉及一种基于声音信号的煤矸识别传感器及识别方法。
背景技术
煤炭资源在我国能源中处于主导地位,在整个国民经济中占有举足轻重的地位。综采放顶煤开采能实现高产、高效、低耗,是我国煤矿开采的重要开采工艺之一,因此放顶煤技术的研究和推广对我国煤炭工业的发展具有特别重要的意义。在放煤过程中,放煤控制一般采取“见矸关窗”的原则控制操纵阀关闭放煤窗口停止放煤,这种放煤工艺损失的煤炭占总损失的64%。为了提高顶煤放出率,见矸后再持续一段放煤时间,即所谓过放,这样增加了矸石的含量,降低了煤炭质量。为了保证煤炭质量,见矸后即刻停止放煤,即所谓欠放,这样造成回收率降低、煤炭资源的浪费。目前综采放顶煤的放顶煤工序仍然依靠人工来进行控制,通过经验,将煤矸流分为顶煤下放和煤矸混放2个阶段,难以进行顶煤放出率的控制,煤炭质量和生产效率在很大程度上受到人为因素影响。
另外,放顶煤开采工人劳动强度大、工作环境恶劣,亟待实施放顶煤无人自动化开采。自动化放煤首先要解决的问题就是如何进行顶煤混放时的煤矸预测。
由此,实现顶煤放出率的预测,不仅能够提高顶煤回收率、提升煤炭生产质量,而且为放煤自动化提供理论依据,解决放煤自动化的先决条件,是实现综放工作面自动化开采的技术支撑。
本发明实现了通过对现场声音信号的采集处理自动实时识别出放煤现场的煤矸,从而揭露深层放煤规律,实现了自动化煤矸识别,解决了放煤过程的自动化的先决条件。
发明内容
针对现有技术所存在的不足,本发明提供一种基于声音信号的煤矸识别传感器及识别方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述发明目的,本发明采取以下技术方案:
一种基于声音信号的煤矸识别传感器,包括声音传感器,所述声音传感器连接有声光提示模块、除尘模块、手持终端以及供电模块;所述声音传感器包括:
壳体,用于安装拾音模块、音频编码芯片、STM32嵌入式模块、声强检测模块;
拾音模块,在放顶煤过程中,用于拾取现场环境中煤矸流冲击液压支架尾梁时的声音信号,采集时以22.05kHz的采样率进行采样;
频编码芯片,用于将拾音模块拾取到的声音模拟信号通过脉冲编码调制进行编码转换为数字信号;
STM32嵌入式模块,用于训练并承载所训练的神经网络模型并使用神经网络模型对数据存储模块输送的音频数据集进行识别;还用于将波形数据和识别结果通过以太网芯片与无线通信模块传输至手持终端,以及发送放煤启停信号;
声强检测模块,用于检测拾音模块所采集到的声音信号的强弱程度是否低于采集声音信号所要求的最低阈值;
所述声光提示模块,由频闪灯和扬声器构成,根据STM32嵌入式模块对采集到的变化的声音信号的识别情况预测含矸量的变化,同时在不同含矸量的情况下显示不同的灯光闪烁频率和不同的声音急促程度;
所述除尘模块,包括外部气源、除尘喷嘴、舵机和除尘刷,用于对声音传感器的拾音模块网罩进行除尘工作,清理堆积堵塞的煤尘;
所述供电模块,用于向声音传感器进行供电,维持各部分器件正常工作;
所述手持终端,采用手持式可携带的无线控制模块,用于监测声音传感器工作状态及接受声音传感器实时数据,监测工作面放煤情况,并能通过无线通信模块向声音传感器发送启停命令,控制声音传感器的识别状态的开启与停止。
进一步地,所述声音传感器还包括数据存储模块、I2S总线芯片和以太网芯片;
数据存储模块,用于存储STM32嵌入式模块分析的训练模型、音频数据集和故障信息日志;
I2S总线芯片,用于将音频编码芯片所输出的音频数据传输至STM32主控芯片;
以太网芯片,用于将声音传感器接入以太网,实现声音传感器与手持终端的通信。
进一步地,所述声音传感器还连接有:
上电显示模块,采用高光通量的光源装置,用以显示声音传感器上电工作状态;
倒计时LED模块,采用LED数码显示屏,用于显示距放煤窗关闭的时间;
故障诊断模块,用于当声音传感器出现故障时,将故障发生信号发送给手持终端,由手持终端向复位模块发送复位指令,对声音传感器系统进行自动复位;还用于监测并判断声音传感器的电压信号、电流信号是否正常,并在信号异常时向手持终端发送故障报警信号,以供工作人员检修;
复位模块,用于在非紧急故障发生时接收故障诊断模块的复位指令,从而对传感器执行自动复位;
波形显示模块,用于将手持终端所接收到的声音信号波形进行显示;
识别结果显示模块,用于将手持终端所接收到的识别结果进行显示;
故障显示模块,用于将手持终端所接收到的故障信息进行显示;
漏电保护模块,对正在工作的声音传感器的电参数及是否发生漏电进行检测,一旦检测到有漏电电流,则执行相关漏电保护操作,并通过无线通信模块上传至手持终端;
手动复位按键,用于现场工作人员在接收到无线终端的故障信号而故障诊断模块的复位模块未执行自动复位时,手动将传感器复位;
无线通信模块,用于将声音传感器的工作状态无线传输至手持终端并发送放煤启停信号。
一种煤矸识别方法,采用如上所述的一种煤矸识别传感器,包括以下步骤:
S1、安装煤矸识别传感器;
沿采煤工作面布设多个放煤支架,并在放煤支架尾梁下侧安装煤矸识别传感器;
S2、采集并判断每个放煤支架尾梁冲击信号,包括以下子步骤:
S21、通过拾音模块采集完整放顶煤过程中不同含矸量的煤矸流撞击液压支架尾梁的声音信号,声音信号经音频编码芯片处理得到数字音频信号,作为训练集;
将整个放顶煤过程分成多个放煤阶段,并且每个放煤阶段的煤矸流的含矸量是连续变化的。
S22、对训练集中的数字音频信号通过生成对抗网络进行降噪处理,然后进行特征提取得到特征矩阵,对特征矩阵进行存储,并将各类音频对应的特征矩阵传输至STM32嵌入式模块;
S23、在STM32嵌入式模块中,将特征矩阵输入到搭建的神经网络模型中进行训练;
S24、STM32嵌入式模块通过无线通信模块发送控制信号,控制液压支架放煤窗开启,开始自动放顶煤过程;
S25、STM32嵌入式模块将自动放顶煤过程中拾取到的声音信号的特征矩阵输入训练好的模型中,对现场环境下的声音信号进行识别,并将识别结果输出至手持终端;
S26、对识别结果进行监视,当识别出的煤矸流装机液压支架尾梁的声音对应的含矸量达到所设定的比例时,STM32嵌入式模块通过无线通信模块发送控制信号,控制操动机构动作,关闭放煤窗;当识别出的声音对应的含矸量未达到所设定的比例时,STM32嵌入式模块不发送控制信号,返回S25。
进一步地,S22中,通过生成对抗网络进行降噪处理的过程为:通过生成对抗网络的生成器生成大量声音样本,并通过判别器判断声音样本的真实性,判别器将真实与虚假的声音样本传递给生成器,生成器修正输出波形,去除被判别器判别是假的噪声信号。
进一步地,S22中,特征提取包括以下子步骤:
S221、计算音频信号的频谱对比度特征;
对音频信号进行分帧处理,对每个分帧做短时傅里叶变换,短时傅里叶变换的窗尺寸为1024,帧移为512,然后将变换结果分为6个子带,对于每个子带,通过比较顶部分位数和底部分位数的平均能量来估计能量对比度,取log均值作为峰值Peakk;再计算得到谷值Valleyk,然后计算差值SCk=Peakk-Valleyk,最后将{SCk,Valleyk}作为原始频谱对比度特征;
S222、计算音频频谱的色度特征;
首先对音频信号进行分帧处理,对每个分帧做短时傅里叶变换,短时傅里叶变换
的窗尺寸为1024,帧移为512,即得到信号的幅值频谱;之后对幅值频谱进行峰值检测处理,
即找出固定频率范围内的最大的前个峰值,计算任意两个峰值之间的差值,然后结
合十二平均律中规定的标准频率得到原来信号的基频;最后通过频谱峰值能量映射各
个半阶音调类得到色度特征向量,向量中每一维元素值的计算公式为:
;
其中,和分别是第i个峰值的幅值与频率,是频率为的信号对于
半阶音调类n的权重,其计算方法为:
先确定每个半音调类的中心基准频率:
;
定义每个信号峰频率和半音调类的中心基准频率之间的音程距离为:
;
其中,是一个整数值的调整因子,使得的值最小,根据下式计算得到权重值:
;
其中,是预先设定的加权窗长度;
S223、采用S221得到的声音信号的频谱对比度特征对原始音频信号进行特征提取,得到对应的频谱对比度特征矩阵;
采用S222得到的声音频谱的色度特征对原始音频信号进行特征提取,得到对应的色度特征矩阵。
进一步地,对每个分帧做短时傅里叶变换的具体过程为:
特征提取卷积神经网络通过将降噪处理后的音频信号计算出正弦信号的振幅和相位,并转换为矩阵形式,通过梯度下降学习傅里叶变换权重,其表达式为:
;
其中,为降噪处理后的声音信号正弦分量的幅值与相位矩阵,x表示降噪处理后
的声音信号值矩阵,为复合傅里叶权值矩阵。
进一步地,所述S22中,将提取到的频谱对比度特征矩阵和声音频谱的色度特征矩阵在垂直方向上进行拼接,即在时间维度上进行拼接,将音频信号的时间维度、频率维度、能量维度与音色维度进行融合,得到原始的音频信号融合特征矩阵,再根据该融合特征矩阵计算相邻两帧信号经平滑后的融合特征矩阵和相邻三帧信号经平滑后的融合特征矩阵,利用融合特征矩阵对神经网络模型进行训练,得到训练完成后的煤矸识别模型。
进一步地,所述S23中,所述神经网络模型为融合了注意力机制的三分支卷积神经网络的MBCNN-A模型,该模型依次包括输入层、隐藏层、concatenate层、BatchNormalization层、多头注意力层、全连接层和输出层,所述隐藏层包括并列的三个分支,每个分支均依次包括卷积层、BatchNormalization层、全局最大池化层和Dropout层结构;三个分支中的卷积层步幅为1,卷积核大小分别为3、4、5,滤波器数量为128;
模型训练时,分别将原始的融合特征矩阵、相邻两帧信号经平滑后的融合特征矩阵和相邻三帧信号经平滑后的融合特征矩阵分别输出卷积核为3、4、5所对应的分支中,三个分支的输出在concatenate层进行拼接融合,然后经过多头注意力层,最后以残差分支的形式将多头注意力层的输出特征与concatenate层的输出特征拼接后经过全连接层输出到输出层。
进一步地,在步骤S21中,声强检测模块记录采集到的声音信号分贝值大小,并与基准值进行比较,基准值为声音传感器在初次开启使用时,声强检测模块通过检测到的声音信号分贝值记录工作环境最小值;当声强检测模块采集到的声音信号分贝值低于基准值一定范围时,判断为声音传感器被煤尘堵塞严重,启动除尘模块,开始除尘,此时控制外部气源开启,通过除尘喷嘴向拾音模块网罩喷出高压气流以清除堆积煤尘,同时控制舵机做往复运动,带动除尘刷对拾音模块网罩进行清扫。
有益技术效果:
本发明提出了一种煤矸识别传感器,首先进行声音信号的采集,然后对声音信号进行特征提取并采用一种融合了注意力机制的三分支卷积神经网络的MBCNN-A模型对含矸量进行识别,在大噪声环境下实现了放顶煤过程的自动识别,提高了识别精度与抗噪鲁棒性,从而揭露深层放煤规律,提高了煤炭生产质量和生产效率,为放煤自动化的实施提供了先决条件。
附图说明
图1是本发明中一种煤矸识别传感器的结构框图。
图2是本发明中一种煤矸识别方法流程图。
图3是本发明中降噪处理流程图。
图4是本发明中MBCNN-A模型结构示意图。
图5是采用不同模型的煤矸识别准确率对比图。
图6是采用不同模型的损失值对比图。
具体实施方式
为了使本发明的目的、技术方案以及优点部分更加明确,以下结合附图及实施例,对本发明做进一步的详细说明。下面通过参考附图描述的实例属于示例性质,并不能认为是对本发明的限制。需要理解的是,在本发明的描述中,所涉及到如顶、底、上、下、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
为进一步说明本发明的技术方案,下面将通过具体实施例进行详细说明。
一种基于声音信号的煤矸识别传感器,如图1所示,包括声音传感器,声音传感器连接有声光提示模块、除尘模块、手持终端以及供电模块;所述声音传感器包括:
壳体,用于安装拾音模块、音频编码芯片、STM32嵌入式模块、声强检测模块、数据存储模块、I2S总线芯片和以太网芯片;
拾音模块,在放顶煤过程中,用于拾取现场环境中煤矸流冲击液压支架尾梁时的声音信号,采集时以22.05kHz的采样率进行采样;
音频编码芯片,用于将拾音模块拾取到的声音模拟信号通过脉冲编码调制进行编码转换为数字信号;
STM32嵌入式模块,用于训练并承载所训练的神经网络模型并使用神经网络模型对数据存储模块输送的音频数据集进行识别;还用于将波形数据和识别结果通过以太网芯片与无线通信模块传输至手持终端,以及发送放煤启停信号;
声强检测模块,用于检测拾音模块所采集到的声音信号的强弱程度是否低于采集声音信号所要求的最低阈值;
数据存储模块,用于存储STM32嵌入式模块分析的训练模型、音频数据集和故障信息日志;
I2S总线芯片,用于将音频编码芯片所输出的音频数据传输至STM32主控芯片;
以太网芯片,用于将声音传感器接入以太网,实现声音传感器与手持终端的通信。
声光提示模块,外接在传感器壳体外侧,由频闪灯和扬声器构成,根据STM32嵌入式模块对采集到的变化的声音信号的识别情况预测含矸量的变化,同时在不同含矸量的情况下显示不同的灯光闪烁频率和不同的声音急促程度,对现场的放顶煤进程进行量化;
除尘模块,包括外部气源、除尘喷嘴、舵机和除尘刷,用于对声音传感器的拾音模块网罩进行除尘工作,清理堆积堵塞的煤尘;
供电模块,用于向声音传感器进行供电,维持各部分器件正常工作;
手持终端,采用手持式可携带的无线控制模块,用于监测声音传感器工作状态及接受声音传感器实时数据,监测工作面放煤情况,并能通过无线通信模块向声音传感器发送启停命令,控制声音传感器的识别状态的开启与停止。
具体地,声音传感器还连接有:
上电显示模块,采用高光通量的光源装置,用以显示声音传感器上电工作状态,上电显示保持常亮即为开启状态,传感器正常工作;
倒计时LED模块,采用LED数码显示屏,用于显示距放煤窗关闭的时间;
倒计时模块通过深度学习模型根据采矿工作面的煤层厚度及密度不同,对放顶煤过程所剩余的时间进行概略预测,并将倒计时时间显示在数码显示模块,对工作面工作人员进行一定程度上的提示,为及时准备关闭放煤窗提供缓冲时间。
故障诊断模块,用于当声音传感器出现故障(如信号接收消失,识别模块卡死)时,将故障发生信号发送给手持终端,由手持终端向复位模块发送复位指令,对声音传感器系统进行自动复位;还用于监测并判断声音传感器的电压信号、电流信号是否正常,并在信号异常时向手持终端发送故障报警信号,以供工作人员检修;
其工作原理是对所监测的电压、电流等信号进行分析,通过长短时记忆网络对信号进行自适应学习,并在声音传感器工作时通过网络输出故障类型与故障严重程度,从而对声音传感器的工作状态进行监测与诊断;
复位模块,用于在非紧急故障发生时接收故障诊断模块的复位指令,从而对传感器执行自动复位;
波形显示模块,用于将手持终端所接收到的声音信号波形进行显示;
识别结果显示模块,用于将手持终端所接收到的识别结果进行显示;
故障显示模块,用于将手持终端所接收到的故障信息进行显示;
漏电保护模块,对正在工作的声音传感器的电参数及是否发生漏电进行检测,一旦检测到有漏电电流,则执行相关漏电保护操作,并通过无线通信模块上传至手持终端;
手动复位按键,用于现场工作人员在接收到无线终端的故障信号而故障诊断模块的复位模块未执行自动复位时,手动将传感器复位;
无线通信模块,用于将声音传感器的工作状态无线传输至手持终端并发送放煤启停信号。
一种煤矸识别方法,采用上述一种煤矸识别传感器,如图2所示,包括以下步骤:
S1、安装煤矸识别传感器;
沿采煤工作面布设多个放煤支架,并在放煤支架尾梁下侧安装煤矸识别传感器,安装方式为螺栓固定;
S2、采集并判断每个放煤支架尾梁支架尾梁冲击信号,包括以下子步骤:
S21、声音传感器上电,通过拾音模块采集完整放煤过程中不同含矸量的煤矸流撞击液压支架尾梁的声音信号,声音信号经音频编码芯片处理得到数字音频信号,作为训练集;
将整个放顶煤过程分成多个放煤阶段,并且每个放煤阶段的煤矸流的含矸量是连续变化的;
声强检测模块记录采集到的声音信号分贝值大小,并与基准值进行比较,基准值为声音传感器在初次开启使用时,声强检测模块通过检测到的声音信号分贝值记录工作环境最小值;当声强检测模块采集到的声音信号分贝值低于基准值一定范围时,判断为声音传感器被煤尘堵塞严重,启动除尘模块,开始除尘,此时控制外部气源开启,通过除尘喷嘴向拾音模块网罩喷出高压气流以清除堆积煤尘,同时控制舵机做往复运动,带动除尘刷对拾音模块网罩进行清扫。
S22、对训练集中的数字音频信号通过生成对抗网络进行降噪处理,然后进行特征提取得到特征矩阵,对特征矩阵进行存储,并将各类音频对应的特征矩阵传输至STM32嵌入式模块;
如图3所示,降噪处理的具体过程为:通过生成对抗网络的生成器生成大量声音样本,并通过判别器判断声音样本的真实性,判别器将真实与虚假的声音样本传递给生成器,生成器修正输出波形,去除被判别器判别是假的噪声信号。
特征提取包括以下子步骤:
S221、计算音频信号的频谱对比度(Spectral contrast)特征;
对音频信号进行分帧处理,对每个分帧做短时傅里叶变换,短时傅里叶变换的窗尺寸为1024,帧移为512,然后将变换结果分为6个子带,对于每个子带,通过比较顶部分位数和底部分位数的平均能量来估计能量对比度,取log均值作为峰值Peakk;再计算得到谷值Valleyk,然后计算差值SCk=Peakk-Valleyk,最后将{SCk,Valleyk}作为原始频谱对比度特征;
S222、计算音频频谱的色度特征;
首先对音频信号进行分帧处理,对每个分帧做短时傅里叶变换,短时傅里叶变换
的窗尺寸为1024,帧移为512,即得到信号的幅值频谱;之后对幅值频谱进行峰值检测处理,
即找出固定频率范围内的最大的前个峰值,计算任意两个峰值之间的差值,然后结
合十二平均律中规定的标准频率得到原来信号的基频;最后通过频谱峰值能量映射各个
半阶音调类得到色度特征向量,向量中每一维元素值的计算公式为:
;
其中,和分别是第i个峰值的幅值与频率,是频率为的信号对于
半阶音调类n的权重,其计算方法为:
先确定每个半音调类的中心基准频率:
;
那么定义每个信号峰频率和半音调类的中心基准频率之间的音程距离为:
;
其中,是一个整数值的调整因子,使得的值最小,根据下式计算得到权重值:
;
其中,是预先设定的加权窗长度;
S223、采用S221得到的声音信号的频谱对比度特征对原始音频信号进行特征提取,得到对应的频谱对比度特征矩阵;
采用S222得到的声音频谱的色度特征对原始音频信号进行特征提取,得到对应的色度特征矩阵。
对每个分帧做短时傅里叶变换的具体过程为:特征提取卷积神经网络通过将降噪处理后的音频信号计算出正弦信号的振幅和相位,并转换为矩阵形式,通过梯度下降学习傅里叶变换权重,进而实现相应的特征提取,其表达式为:
;
其中,为降噪处理后的声音信号正弦分量的幅值与相位矩阵,x表示降噪处理
后的声音信号值矩阵,为复合傅里叶权值矩阵;
将提取到的频谱对比度特征矩阵和声音频谱的色度特征矩阵在垂直方向上进行拼接,即在时间维度上进行拼接,将音频信号的时间维度、频率维度、能量维度与音色维度进行融合,在不同尺度上很大程度对两种特征进行了互补,得到原始的音频信号融合特征矩阵,再根据该融合特征矩阵计算相邻两帧信号经平滑后的融合特征矩阵和相邻三帧信号经平滑后的融合特征矩阵,利用融合特征对神经网络模型进行训练,得到训练完成后的煤矸识别模型。
S23、在STM32嵌入式模块中,将特征矩阵输入到搭建的神经网络模型中进行训练,对训练好的神经网络模型进行测试,若测试精度大于设定阈值,则继续训练模型,若测试精度小于设定阈值,则模型训练停止并保存;
神经网络模型为融合了注意力机制的三分支卷积神经网络的MBCNN-A模型,如图4所示,该模型依次包括输入层、隐藏层、concatenate层、BatchNormalization层、多头注意力层、全连接层和输出层,所述隐藏层包括并列的三个分支,每个分支均依次包括卷积层、BatchNormalization层、全局最大池化层和Dropout层结构;BN层能够加快网络的收敛速度,Drrpout层能够避免训练过程中的过拟合现象;三个分支中的卷积层步幅为1,卷积核大小分别为3、4、5,滤波器数量为128;
模型训练时,分别将原始的融合特征矩阵、相邻两帧信号经平滑后的融合特征矩阵和相邻三帧信号经平滑后的融合特征矩阵分别输出卷积核为3、4、5所对应的分支中,三个分支的输出在concatenate层进行拼接融合,然后经过多头注意力层,多头注意力层通过权值再分配对输入其内的特征张量进行处理,以最大程度将网络模型的注意力权重集中在有效特征上面,并通过计算获得每个特征值与序列中其他特征值之间的注意力联系,深入挖掘输入的特征,最后以残差分支的形式将多头注意力层的输出特征与concatenate层的输出特征拼接后经过全连接层输出到输出层。
S24、STM32嵌入式模块通过无线通信模块发送控制信号,控制液压支架放煤窗开启,开始自动放顶煤过程;
S25、STM32嵌入式模块将自动放顶煤过程中拾取到的声音信号的特征矩阵输入训练好的模型中,对现场环境下的声音信号进行识别,并将识别结果输出至手持终端;
MBCNN-A模型还能够输出放煤速率,因此通过对放煤速率进行判断,以对放煤时的卡煤等情况进行排除。
S26、对识别结果进行监视,当识别出的煤矸流装机液压支架尾梁的声音对应的含矸量达到所设定的比例时,STM32嵌入式模块通过无线通信模块发送控制信号,控制操动机构动作,关闭放煤窗;当识别出的声音对应的含矸量未达到所设定的比例时,STM32嵌入式模块不发送控制信号,返回S25;
如图5和6所示,采用同类型的模型如1DCNN、1DCNN-MA、2DCNN、2DCNN-SA作为对比模型,选择准确率和损失值作为评价指标,本发明提出的模型输出的预测分布更加接近真实样本真实分布,预测值与真实值之间的误差损失更小,且模型收敛速度更快,具有较好的准确率。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种基于声音信号的煤矸识别传感器,其特征在于,包括声音传感器,所述声音传感器连接有声光提示模块、除尘模块、手持终端以及供电模块;所述声音传感器包括:
壳体,用于安装拾音模块、音频编码芯片、STM32嵌入式模块、声强检测模块;
拾音模块,在放顶煤过程中,用于拾取现场环境中煤矸流冲击液压支架尾梁时的声音信号,采集时以22.05kHz的采样率进行采样;
音频编码芯片,用于将拾音模块拾取到的声音模拟信号通过脉冲编码调制进行编码转换为数字信号;
STM32嵌入式模块,用于训练并承载所训练的神经网络模型并使用神经网络模型对数据存储模块输送的音频数据集进行识别;还用于将波形数据和识别结果通过以太网芯片与无线通信模块传输至手持终端,以及发送放煤启停信号;
声强检测模块,用于检测拾音模块所采集到的声音信号的强弱程度是否低于采集声音信号所要求的最低阈值;
所述声光提示模块,由频闪灯和扬声器构成,根据STM32嵌入式模块对采集到的变化的声音信号的识别情况预测含矸量的变化,同时在不同含矸量的情况下显示不同的灯光闪烁频率和不同的声音急促程度;
所述除尘模块,包括外部气源、除尘喷嘴、舵机和除尘刷,用于对声音传感器的拾音模块网罩进行除尘工作,清理堆积堵塞的煤尘;
所述供电模块,用于向声音传感器进行供电,维持各部分器件正常工作;
所述手持终端,采用手持式可携带的无线控制模块,用于监测声音传感器工作状态及接受声音传感器实时数据,监测工作面放煤情况,并能通过无线通信模块向声音传感器发送启停命令,控制声音传感器的识别状态的开启与停止。
2.根据权利要求1所述的一种基于声音信号的煤矸识别传感器,其特征在于,所述声音传感器还包括数据存储模块、I2S总线芯片和以太网芯片;
数据存储模块,用于存储STM32嵌入式模块分析的训练模型、音频数据集和故障信息日志;
I2S总线芯片,用于将音频编码芯片所输出的音频数据传输至STM32主控芯片;
以太网芯片,用于将声音传感器接入以太网,实现声音传感器与手持终端的通信。
3.根据权利要求1所述的一种基于声音信号的煤矸识别传感器,其特征在于,所述声音传感器还连接有:
上电显示模块,采用高光通量的光源装置,用以显示声音传感器上电工作状态;
倒计时LED模块,采用LED数码显示屏,用于显示距放煤窗关闭的时间;
故障诊断模块,用于当声音传感器出现故障时,将故障发生信号发送给手持终端,由手持终端向复位模块发送复位指令,对声音传感器系统进行自动复位;还用于监测并判断声音传感器的电压信号、电流信号是否正常,并在信号异常时向手持终端发送故障报警信号,以供工作人员检修;
复位模块,用于在非紧急故障发生时接收故障诊断模块的复位指令,从而对传感器执行自动复位;
波形显示模块,用于将手持终端所接收到的声音信号波形进行显示;
识别结果显示模块,用于将手持终端所接收到的识别结果进行显示;
故障显示模块,用于将手持终端所接收到的故障信息进行显示;
漏电保护模块,对正在工作的声音传感器的电参数及是否发生漏电进行检测,一旦检测到有漏电电流,则执行相关漏电保护操作,并通过无线通信模块上传至手持终端;
手动复位按键,用于现场工作人员在接收到无线终端的故障信号而故障诊断模块的复位模块未执行自动复位时,手动将传感器复位;
无线通信模块,用于将声音传感器的工作状态无线传输至手持终端并发送放煤启停信号。
4.一种煤矸识别方法,其特征在于,采用如权利要求1-3任一项所述的一种基于声音信号的煤矸识别传感器,包括以下步骤:
S1、安装煤矸识别传感器;
沿采煤工作面布设多个放煤支架,并在放煤支架尾梁下侧安装煤矸识别传感器;
S2、采集并判断每个放煤支架尾梁冲击信号,包括以下子步骤:
S21、通过拾音模块采集完整放顶煤过程中不同含矸量的煤矸流撞击液压支架尾梁的声音信号,声音信号经音频编码芯片处理得到数字音频信号,作为训练集;
将整个放顶煤过程分成多个放煤阶段,并且每个放煤阶段的煤矸流的含矸量是连续变化的;
S22、对训练集中的数字音频信号通过生成对抗网络进行降噪处理,然后进行特征提取得到特征矩阵,对特征矩阵进行存储,并将各类音频对应的特征矩阵传输至STM32嵌入式模块;
S23、在STM32嵌入式模块中,将特征矩阵输入到搭建的神经网络模型中进行训练;
S24、STM32嵌入式模块通过无线通信模块发送控制信号,控制液压支架放煤窗开启,开始自动放顶煤过程;
S25、STM32嵌入式模块将自动放顶煤过程中拾取到的声音信号的特征矩阵输入训练好的模型中,对现场环境下的声音信号进行识别,并将识别结果输出至手持终端;
S26、对识别结果进行监视,当识别出的煤矸流装机液压支架尾梁的声音对应的含矸量达到所设定的比例时,STM32嵌入式模块通过无线通信模块发送控制信号,控制操动机构动作,关闭放煤窗;当识别出的声音对应的含矸量未达到所设定的比例时,STM32嵌入式模块不发送控制信号,返回S25。
5.根据权利要求4所述的一种煤矸识别方法,其特征在于,S22中,通过生成对抗网络进行降噪处理的过程为:通过生成对抗网络的生成器生成大量声音样本,并通过判别器判断声音样本的真实性,判别器将真实与虚假的声音样本传递给生成器,生成器修正输出波形,去除被判别器判别是假的噪声信号。
6.根据权利要求4所述的一种煤矸识别方法,其特征在于,S22中,特征提取包括以下子步骤:
S221、计算音频信号的频谱对比度特征;
对音频信号进行分帧处理,对每个分帧做短时傅里叶变换,短时傅里叶变换的窗尺寸为1024,帧移为512,然后将变换结果分为6个子带,对于每个子带,通过比较顶部分位数和底部分位数的平均能量来估计能量对比度,取log均值作为峰值Peakk;再计算得到谷值Valleyk,然后计算差值SCk=Peakk-Valleyk,最后将{SCk,Valleyk}作为原始频谱对比度特征;
S222、计算音频频谱的色度特征;
首先对音频信号进行分帧处理,对每个分帧做短时傅里叶变换,短时傅里叶变换的窗尺寸为1024,帧移为512,即得到信号的幅值频谱;之后对幅值频谱进行峰值检测处理,即找出固定频率范围内的最大的前个峰值,计算任意两个峰值之间的差值,然后结合十二平均律中规定的标准频率得到原来信号的基频/>;最后通过频谱峰值能量映射各个半阶音调类得到色度特征向量,向量中每一维元素值的计算公式为:
;
其中,和/>分别是第i个峰值的幅值与频率,/>是频率为/>的信号对于半阶音调类n的权重,其计算方法为:
先确定每个半音调类的中心基准频率:
;
定义每个信号峰频率和半音调类的中心基准频率/>之间的音程距离为:
;
其中,是一个整数值的调整因子,使得/>的值最小,根据下式计算得到权重值:
;
其中,是预先设定的加权窗长度;
S223、采用S221得到的声音信号的频谱对比度特征对原始音频信号进行特征提取,得到对应的频谱对比度特征矩阵;
采用S222得到的声音频谱的色度特征对原始音频信号进行特征提取,得到对应的色度特征矩阵。
7.根据权利要求6所述的一种煤矸识别方法,其特征在于,对每个分帧做短时傅里叶变换的具体过程为:
特征提取卷积神经网络通过将降噪处理后的音频信号计算出正弦信号的振幅和相位,并转换为矩阵形式,通过梯度下降学习傅里叶变换权重,其表达式为:
;
其中,为降噪处理后的声音信号正弦分量的幅值与相位矩阵,x表示降噪处理后的声音信号值矩阵,/>为复合傅里叶权值矩阵。
8.根据权利要求6所述的一种煤矸识别方法,其特征在于,所述S22中,将提取到的频谱对比度特征矩阵和声音频谱的色度特征矩阵在垂直方向上进行拼接,即在时间维度上进行拼接,将音频信号的时间维度、频率维度、能量维度与音色维度进行融合,得到原始的音频信号融合特征矩阵,再根据该融合特征矩阵计算相邻两帧信号经平滑后的融合特征矩阵和相邻三帧信号经平滑后的融合特征矩阵,利用融合特征矩阵对神经网络模型进行训练,得到训练完成后的煤矸识别模型。
9.根据权利要求8所述的一种煤矸识别方法,其特征在于,所述S23中,所述神经网络模型为融合了注意力机制的三分支卷积神经网络的MBCNN-A模型,该模型依次包括输入层、隐藏层、concatenate层、BatchNormalization层、多头注意力层、全连接层和输出层,所述隐藏层包括并列的三个分支,每个分支均依次包括卷积层、BatchNormalization层、全局最大池化层和Dropout层结构;三个分支中的卷积层步幅为1,卷积核大小分别为3、4、5,滤波器数量为128;
模型训练时,分别将原始的融合特征矩阵、相邻两帧信号经平滑后的融合特征矩阵和相邻三帧信号经平滑后的融合特征矩阵分别输出卷积核为3、4、5所对应的分支中,三个分支的输出在concatenate层进行拼接融合,然后经过多头注意力层,最后以残差分支的形式将多头注意力层的输出特征与concatenate层的输出特征拼接后经过全连接层输出到输出层。
10.根据权利要求4所述的一种煤矸识别方法,其特征在于,在步骤S21中,声强检测模块记录采集到的声音信号分贝值大小,并与基准值进行比较,基准值为声音传感器在初次开启使用时,声强检测模块通过检测到的声音信号分贝值记录工作环境最小值;当声强检测模块采集到的声音信号分贝值低于基准值一定范围时,判断为声音传感器被煤尘堵塞严重,启动除尘模块,开始除尘,此时控制外部气源开启,通过除尘喷嘴向拾音模块网罩喷出高压气流以清除堆积煤尘,同时控制舵机做往复运动,带动除尘刷对拾音模块网罩进行清扫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979778.0A CN116698977B (zh) | 2023-08-07 | 2023-08-07 | 一种基于声音信号的煤矸识别传感器及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979778.0A CN116698977B (zh) | 2023-08-07 | 2023-08-07 | 一种基于声音信号的煤矸识别传感器及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116698977A true CN116698977A (zh) | 2023-09-05 |
CN116698977B CN116698977B (zh) | 2023-10-31 |
Family
ID=87824317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979778.0A Active CN116698977B (zh) | 2023-08-07 | 2023-08-07 | 一种基于声音信号的煤矸识别传感器及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698977B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634842A (zh) * | 2009-03-05 | 2010-01-27 | 中国矿业大学(北京) | 煤矸识别与自动化放煤控制系统 |
CN101798927A (zh) * | 2010-04-01 | 2010-08-11 | 中国矿业大学 | 近红外线光谱识别煤矸及含矸量控制方法 |
CN103174449A (zh) * | 2013-03-28 | 2013-06-26 | 北京天地玛珂电液控制系统有限公司 | 一种使用煤岩识别处理器的煤岩识别方法 |
CN106437713A (zh) * | 2016-10-21 | 2017-02-22 | 山东科技大学 | 一种综放工作面自动化放煤装置及放煤过程识别方法 |
CN111337447A (zh) * | 2020-03-20 | 2020-06-26 | 中国矿业大学 | 一种煤矸仿生识别系统及方法 |
CN112145232A (zh) * | 2020-09-23 | 2020-12-29 | 中国矿业大学(北京) | 一种基于多源信息融合的放煤设备与控制方法 |
CN112465063A (zh) * | 2020-12-11 | 2021-03-09 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
CN112558577A (zh) * | 2021-02-19 | 2021-03-26 | 天津美腾科技股份有限公司 | 放顶煤控制方法、装置、电子设备和计算机可读存储介质 |
CN112727550A (zh) * | 2019-10-29 | 2021-04-30 | 北京天地玛珂电液控制系统有限公司 | 一种基于声音拾取的综采工作面工况识别系统及方法 |
CN113192532A (zh) * | 2021-03-29 | 2021-07-30 | 安徽理工大学 | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 |
CN113267124A (zh) * | 2021-05-26 | 2021-08-17 | 济南玛恩机械电子科技有限公司 | 基于激光雷达的放顶煤放煤量测量系统及放煤控制方法 |
CN113514544A (zh) * | 2020-12-29 | 2021-10-19 | 大连理工大学 | 一种基于声音特征的移动机器人路面材质识别方法 |
CN214616675U (zh) * | 2021-02-08 | 2021-11-05 | 连云港天明装备有限公司 | 一种煤矿综采工作面煤和矸石智能识别系统 |
WO2022000811A1 (zh) * | 2020-06-30 | 2022-01-06 | 中国矿业大学 | 一种综放工作面液压支架智能放煤方法 |
CN114033377A (zh) * | 2021-11-08 | 2022-02-11 | 宁夏广天夏电子科技有限公司 | 一种基于声纹检测技术的放顶煤控制方法及系统 |
US20220276204A1 (en) * | 2019-11-08 | 2022-09-01 | Nantong University | Smart acoustic information recognition-based welded weld impact quality determination method and system |
CN115479943A (zh) * | 2022-10-25 | 2022-12-16 | 戴瑞云 | 一种图像识别与超声波反射相结合的煤矸识别、分选方法 |
CN116104559A (zh) * | 2023-01-17 | 2023-05-12 | 山东科技大学 | 一种基于煤矸多源信息融合识别的单架放煤物联控制系统及控制方法 |
US20230152187A1 (en) * | 2020-12-04 | 2023-05-18 | Northeastern University | Fault signal locating and identifying method of industrial equipment based on microphone array |
CN116537785A (zh) * | 2023-05-12 | 2023-08-04 | 中国矿业大学 | 一种综放开采压振信息协同反馈控制放煤的方法 |
-
2023
- 2023-08-07 CN CN202310979778.0A patent/CN116698977B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634842A (zh) * | 2009-03-05 | 2010-01-27 | 中国矿业大学(北京) | 煤矸识别与自动化放煤控制系统 |
CN101798927A (zh) * | 2010-04-01 | 2010-08-11 | 中国矿业大学 | 近红外线光谱识别煤矸及含矸量控制方法 |
CN103174449A (zh) * | 2013-03-28 | 2013-06-26 | 北京天地玛珂电液控制系统有限公司 | 一种使用煤岩识别处理器的煤岩识别方法 |
CN106437713A (zh) * | 2016-10-21 | 2017-02-22 | 山东科技大学 | 一种综放工作面自动化放煤装置及放煤过程识别方法 |
CN112727550A (zh) * | 2019-10-29 | 2021-04-30 | 北京天地玛珂电液控制系统有限公司 | 一种基于声音拾取的综采工作面工况识别系统及方法 |
US20220276204A1 (en) * | 2019-11-08 | 2022-09-01 | Nantong University | Smart acoustic information recognition-based welded weld impact quality determination method and system |
CN111337447A (zh) * | 2020-03-20 | 2020-06-26 | 中国矿业大学 | 一种煤矸仿生识别系统及方法 |
WO2022000811A1 (zh) * | 2020-06-30 | 2022-01-06 | 中国矿业大学 | 一种综放工作面液压支架智能放煤方法 |
CN112145232A (zh) * | 2020-09-23 | 2020-12-29 | 中国矿业大学(北京) | 一种基于多源信息融合的放煤设备与控制方法 |
US20230152187A1 (en) * | 2020-12-04 | 2023-05-18 | Northeastern University | Fault signal locating and identifying method of industrial equipment based on microphone array |
WO2022121139A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
CN112465063A (zh) * | 2020-12-11 | 2021-03-09 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
CN113514544A (zh) * | 2020-12-29 | 2021-10-19 | 大连理工大学 | 一种基于声音特征的移动机器人路面材质识别方法 |
CN214616675U (zh) * | 2021-02-08 | 2021-11-05 | 连云港天明装备有限公司 | 一种煤矿综采工作面煤和矸石智能识别系统 |
CN112558577A (zh) * | 2021-02-19 | 2021-03-26 | 天津美腾科技股份有限公司 | 放顶煤控制方法、装置、电子设备和计算机可读存储介质 |
CN113192532A (zh) * | 2021-03-29 | 2021-07-30 | 安徽理工大学 | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 |
CN113267124A (zh) * | 2021-05-26 | 2021-08-17 | 济南玛恩机械电子科技有限公司 | 基于激光雷达的放顶煤放煤量测量系统及放煤控制方法 |
CN114033377A (zh) * | 2021-11-08 | 2022-02-11 | 宁夏广天夏电子科技有限公司 | 一种基于声纹检测技术的放顶煤控制方法及系统 |
CN115479943A (zh) * | 2022-10-25 | 2022-12-16 | 戴瑞云 | 一种图像识别与超声波反射相结合的煤矸识别、分选方法 |
CN116104559A (zh) * | 2023-01-17 | 2023-05-12 | 山东科技大学 | 一种基于煤矸多源信息融合识别的单架放煤物联控制系统及控制方法 |
CN116537785A (zh) * | 2023-05-12 | 2023-08-04 | 中国矿业大学 | 一种综放开采压振信息协同反馈控制放煤的方法 |
Non-Patent Citations (8)
Title |
---|
HAIYAN JIANG 等: "Coal-gangue recognition via multi-branch convolutional neural network based on MFCC in noisy environment", 《SCIENTIFIC REPORTS》, vol. 13, no. 1, pages 1 - 12 * |
XU CHEN 等: "Coal gangue recognition using multichannel auditory spectrogram of hydraulic support sound in convolutional neural network", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, no. 33, pages 1 - 11 * |
何爱香;王平建;魏广芬;张守祥;: "基于Mel频率倒谱系数和遗传算法的煤矸界面识别研究", 工矿自动化, no. 02, pages 66 - 71 * |
刘伟;华臻;张守祥;: "基于小波和独立分量分析的煤矸界面识别", 控制工程, no. 02, pages 279 - 282 * |
宋庆军;肖兴明;姜海燕;马驰;: "多传感器信息融合的放煤过程参数化研究", 自动化仪表, no. 05, pages 23 - 26 * |
宋庆军;肖兴明;张天顺;王建立;: "基于声波的放顶煤过程自动控制系统", 计算机工程与设计, no. 11, pages 3123 - 3127 * |
马瑞;王增才;王保平;: "基于声波信号小波包变换的煤矸界面识别研究", 煤矿机械, no. 05, pages 44 - 46 * |
马英;: "综放工作面自动化放顶煤系统研究", 煤炭科学技术, no. 11, pages 22 - 24 * |
Also Published As
Publication number | Publication date |
---|---|
CN116698977B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465063B (zh) | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 | |
CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
CN110239914B (zh) | 红外视听频谱融合输送带纵向撕裂检测预警装置及方法 | |
CA2823546A1 (en) | Sound abnormality detection system for power device and method thereof | |
CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
CN112193959A (zh) | 电梯异响检测方法及系统 | |
CN113566948A (zh) | 机器人化煤机故障音频识别及诊断方法 | |
CN112731981B (zh) | 一种水利闸门自动化远程控制系统 | |
CN111724290B (zh) | 基于深度分层模糊算法的环保设备识别方法与系统 | |
WO2019103251A1 (ko) | 배전설비 초음파 자동검출 시스템 및 방법 | |
CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
CN114893390B (zh) | 一种基于注意力与集成学习机制的泵机设备故障检测方法 | |
CN116698977B (zh) | 一种基于声音信号的煤矸识别传感器及识别方法 | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
CN112173636A (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
Wang et al. | Research on a sound-based method for belt conveyor longitudinal tear detection | |
CN114033377B (zh) | 一种基于声纹检测技术的放顶煤控制方法及系统 | |
CN201293827Y (zh) | 蓄电池在线检测装置 | |
CN115911623A (zh) | 一种储能系统基于声信号的电池热失控诊断方法及系统 | |
CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及系统 | |
CN114898527A (zh) | 一种基于声音辅助的可穿戴式老人跌倒检测系统与方法 | |
CN117686086B (zh) | 一种设备运行状态监控方法、装置、设备及系统 | |
CN117990162A (zh) | 一种基于卷积神经网络的窨井监测装置及方法 |
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 |