基于聲音的帶式輸送機輸送帶縱向撕裂檢測方法

苗長云，邵 琦

（天津工業大學電子與信息工程學院，天津300387）

在現代化工業生產中，帶式輸送機在產品運輸方面扮演著不可或缺的角色，具有負載量大、運輸距離遠、性價比高的優勢，已被廣泛應用于工礦、運輸等領域[1-2]。作為帶式輸送機的核心部件，輸送帶承擔著運載產品的關鍵性任務。在使用過程中，輸送帶可能會遭受到煤矸石或廢鋼鐵等異物的沖擊，亦或者物料運輸造成的壓力不均，致使輸送帶長期處于惡劣環境下，縱向撕裂時有發生。若在縱向撕裂發生時沒有得到及時的反饋和處理，會為企業的生產留下巨大的安全隱患，增加發生重大安全事故的風險，不僅危害了企業生產效益，更嚴重時甚至會威脅到人員的生命安全[3-4]。

輸送帶縱向撕裂的主要檢測方法是通過壓力、電磁、激光、紅外溫度等傳感器檢測輸送帶的物料泄露和鋼絲繩或橡膠脫落等狀態[5]，判斷縱向撕裂故障，其主要檢測設備包括漏料檢測裝置、漁線式檢測裝置、測振式檢測裝置、金屬線圈檢測器、磁性橡膠檢測器、壓輥式檢測器、激光光幕檢測器、紅外測溫儀等，存在準確性和可靠性差、易損壞等缺點，并且在縱向撕裂發生后，如果無物料泄漏是不能檢測到縱向撕裂故障的[6]。另外，還有基于激光、紅外線的機器視覺技術，在檢測輸送帶的縱向撕裂時，在輸送帶表面有水的情況下，輸送帶表面圖像模糊，無法檢測到縱向撕裂故障，也存在準確性和可靠性差的缺點[7-8]。因此，帶式輸送機輸送帶的縱向撕裂檢測是業界公認的難題。

聲音，作為一種重要的信息傳遞方式，相較于圖像，聲音的采集不僅便捷，而且蘊含著大量的現場環境信息，能夠很好地反映出環境中的事件是否存在異常，通過聲音來檢測故障的方法已經被廣泛應用于工業領域。文獻[9]提出一種利用機械內部（包括電機）聲音的方法，檢測機械設備是否存在異常故障；文獻[10]利用敲擊的聲音來檢測鋁錠鑄造的故障；文獻[11]通過聲音檢測帶式輸送機托輥的故障。在實際工作現場中，帶式輸送機輸送帶的縱向撕裂往往是通過附近工人聽到異常聲音發現的。因此，通過聲音來檢測輸送帶縱向撕裂的思路是可行的。基于此，本文提出了一種基于聲音的帶式輸送機輸送帶縱向撕裂檢測方法，以期提高輸送帶縱向撕裂檢測的精確度和實時性，并將其應用于工礦、運輸等領域。

1 檢測方案

基于聲音的帶式輸送機輸送帶縱向撕裂檢測流程如圖1 所示。

圖1 輸送帶縱向撕裂聲音檢測流程圖Fig.1 Flow chart of sound detection for longitudinal tear of conveyor belt

利用樹莓派3B 開發板設計帶式輸送機聲音采集系統，采集聲音信號；經過預處理，提取由梅爾頻率倒譜系數和短時能量參數組成的復合特征參數；利用期望最大化算法（expectation maximization，EM）對復合特征參數進行處理，經過高斯混合模型（GMM）形成聲音特征數據；再采用支持向量機（SVM）分類識別器完成帶式輸送機聲音信號的分類，形成聲音樣本，作為聲音數據的訓練樣本；最后利用判別函數識別輸送帶縱向撕裂聲音樣本，從而實現帶式輸送機輸送帶的縱向撕裂聲音的檢測。

2 帶式輸送機聲音采集系統設計

帶式輸送機聲音采集系統由全向拾音器、USB 聲卡和樹莓派3B 開發板等組成，其組成框圖如圖2 所示。首先將全向拾音器、USB 聲卡和樹莓派開發板連接，再在樹莓派開發板上搭建Linux 操作系統，安裝基于Linux 系統下的錄音工具，設定采樣頻率和采集時間，進行帶式輸送機聲音信號的采集，采集結束后會自動生成相應的音頻文件。

圖2 帶式輸送機聲音采集系統的組成框圖Fig.2 Block diagram of sound acquisition system of belt conveyor

3 帶式輸送機聲音檢測算法

GMM 不適合處理短時間的聲音數據，對長時間的聲音分類識別效果更好[9-10]；而SVM 對短時間的聲音數據識別率更高，但算法復雜，處理大量聲音數據時會導致收斂速度變慢，實時性降低[11-12]。因此，本文提出了一種基于GMM-SVM 的帶式輸送機聲音檢測算法，該算法結合了GMM 處理大規模數據的優勢和SVM 快速區分同類數據差異的特性，提高了算法的運行速度和準確性。本文帶式輸送機聲音檢測算法分為4 部分：聲音信號的預處理、復合特征參數提取、GMM形成特征數據和SVM 分類識別。

3.1 聲音信號的預處理

本文將帶式輸送機聲音采集系統采集到的聲音信號經過預加重、端點檢測、分幀加窗等算法實現聲音的預處理，得到符合系統標準要求的聲音信號。

（1）預加重。將采集到的帶式輸送機聲音信號高頻部分預加重，使其更有區分度。一般通過一階數字濾波器實現，如式（1）所示：

式中：α 為預加重系數，0.9<α<1.0，本文取α=0.98。

（2）端點檢測。利用雙門限算法，對預加重后的聲音進行端點檢測，確定聲音的起始點和結束點的位置。

（3）分幀加窗。聲音信號是非穩態、時變的，但在短時范圍內變化很小，即具有短時平穩的特性。本文幀長設置為256，幀移為128，將聲音信號進行分幀處理。由于漢明窗主瓣相對較窄且可以有效地抑制旁瓣，能夠在更高程度上反映短時信號的頻率特性[13]，因此，本文采用漢明窗。漢明窗的窗函數如式（2）所示：

3.2 聲音信號的復合特征參數提取

在輸送帶縱向撕裂聲音檢測過程中，單一特征參數不能非常準確地識別縱向撕裂的聲音，因此，將特征參數組合，提高對聲音的識別效果。本文采用短時能量（E）和梅爾頻率倒譜系數（MFCC）結合，作為復合特征參數進行提取。

帶式輸送機的聲音信號能量隨著時間變化明顯，因此，利用短時能量分析能很好地反映幅度的變化。不同類型的聲音具有不同的能量，因此，本文用短時能量可以區分出不同的聲段。第i 幀聲音信號x（n）的短時能量如式（3）所示：

MFCC 是從聲音數據中獲得用于聲音識別和說話人識別的特征，常運用于聲音和語音識別領域，梅爾頻率能夠很好地反映人耳的非線性頻率特性，充分反映信號的非穩態特性[14]，如式（4）所示：

式中：fm為Mel 頻率；f 為實際頻率。從帶式輸送機的聲音信號中提取MFCC 特征參數的流程如圖3 所示。具體步驟如下。

圖3 帶式輸送機聲音提取MFCC 流程Fig.3 Flow chart of extraction MFCC from sound of belt conveyor

（1）預處理。帶式輸送機聲音信號x（n）經過預加重、分幀和加窗后為xi（m），其中下標i 表示分幀后的第i 幀。

（2）快速傅里葉變換（FFT）。對每一幀聲音信號進行FFT 變換，從時域數據轉變成頻域數據：

（3）計算譜線能量。對每一幀FFT 后的數據計算譜線的能量：

式中：L 為MFCC 的階數，在本文中，L=12，即提取12維特征向量；m 指第m 個Mel 濾波器（共M 個）；i 指第i 幀；n 為DCT 后的譜線。

3.3 基于GMM 的聲音特征數據的形成

GMM 是一種概率統計模型，利用若干高斯概率密度函數的加權和來表示特征向量在概率空間的分布。N 階GMM 的概率密度函數是N 個單高斯分布的線性組合，用來描述框架特征在特征空間中的分布[15]，如式（10）所示：

式中：μi為均值向量，完整的GMM 由混合權重和均值向量協方差矩陣組成[16]，如式（12）所示：

式中：Pi為協方差矩陣。

GMM 參數表征帶式輸送機聲音信號的個性特征，用EM 算法不斷地進行迭代，完成對GMM 參數的估計，直到似然函數值達到最大，迭代結束，得到均值向量，作為聲音信號的特征數據[17]。

在有帶式輸送機的工業現場中，聲音主要由帶式輸送機自身運行的聲音、帶式輸送機電機產生的聲音、背景工人說話的聲音、工業現場產生的噪聲和輸送帶縱向撕裂聲音組成，每種聲音通過人耳就能聽出明顯的差別，并且具有明顯不同的波形特征和短時能量。因此，將這5 種類型的聲音作為本文帶式輸送機聲音，從中提取MFCC 和短時能量復合特征參數，利用EM 算法對復合特征參數進行處理，再經過GMM進行均值估計，形成輸送帶聲音的特征數據，記為縱向撕裂聲音u1、電機聲音u2、輸送帶運行聲音u3、背景工人說話聲音u4和工業現場其他噪聲u5，從而作為SVM 訓練和測試的樣本。

3.4 基于SVM 的聲音分類和識別

支持向量機（SVM）主要用來解決二分類問題，對于多分類的問題，必須對SVM 模型的構造進行調整，本文使用一對多區分的方法進行分類和識別。對于給定的樣本x，支持向量機分類器的分類函數一般形式為

式中：sign{}為符號函數。由分類函數f（x）的正負即可判定x 所屬的分類[18]。

對于N 分類問題，需構造N 個SVM 分類器，將需要識別類別的樣本數據標記為正類“+1”，其他不屬于該類的樣本標記為負類“-1”，依次對N 個SVM 訓練，最后通過計算出各個分類器的判別函數值，輸出結果，完成識別[19]。本文帶式輸送機的聲音由帶式輸送機運行的聲音、電機的聲音、人說話的聲音、工業現場產生的噪聲和縱向撕裂的聲音組成，因此，N=5；再將輸送帶縱向撕裂的聲音特征數據u1標記為正類“+1”，而將其他4 種聲音特征數據u2、u3、u4、u5標記為負類“-1”，依次對5 個SVM 進行訓練，形成5 個SVM 識別模型，最后將測試樣本輸入，與各SVM 模型進行對比，從而完成對帶式輸送機輸送帶縱向撕裂的聲音檢測。

4 實驗及結果分析

搭建帶式輸送機實驗環境，在輸送帶之間安裝鐵銼，造成上輸送帶下表面的縱向撕裂[20]，對本文提出的帶式輸送機聲音檢測方法進行實驗驗證。采用帶式輸送機聲音采集系統進行聲音的采集，設定聲音的采樣頻率為48 kHz，每段采集時間均為2 s。帶式輸送機在不同的速度下，所產生的聲音會有所不同。根據帶寬和輸送物料的不同，需要采用合適的帶速，目前國標規定帶式輸送機帶速的范圍為1.6～5.0 m/s。因此，為了更好地模擬帶式輸送機在實際場合中的使用，分別采用 1.62、1.94、2.23、2.57、2.81、3.12、3.44、3.68、3.91、4.32、4.66、4.93 m/s 的速率采集帶式輸送機的聲音信號。

4.1 輸送帶聲音特征的分析

輸送帶發生縱向撕裂故障，人耳就能聽出異常，并且經過大量的實驗驗證，結果表明采集到的輸送帶運行聲音波形和輸送帶縱向撕裂聲音波形有著明顯的區別，如圖4 和圖5 所示。由此說明，本文提出的基于聲音的帶式輸送機輸送帶縱向撕裂檢測的方法是可行的。

圖4 輸送帶運行聲音波形圖Fig.4 Sound waveform diagram of conveyor belt operation

圖5 輸送帶縱向撕裂聲音波形圖Fig.5 Sound waveform of longitudinal tear of conveyor belt

帶式輸送機聲音信號經過預加重、端點檢測、分幀加窗等預處理，再對預處理后的聲音進行短時能量的提取，得到輸送帶運行聲音和輸送帶撕裂聲音的短時能量，如圖6 和圖7 所示。由圖6 和圖7 可知，短時能量能更好地區分輸送帶聲音間的差別，進一步提高輸送帶縱向撕裂檢測的準確性。

圖6 輸送帶運行聲音短時能量Fig.6 Short-time energy diagram of operation sound of conveyor belt

圖7 輸送帶縱向撕裂聲音短時能量Fig.7 Short-time energy diagram of longitudinal tear sound of conveyor belt

4.2 輸送帶縱向撕裂檢測效果分析

本文在各個帶速運行的過程中，利用帶式輸送機聲音采集系統采集帶式輸送機運行的聲音，作為帶式輸送機運行聲音庫；采集縱向撕裂的聲音，作為縱向撕裂聲音庫；然后單獨啟動帶式輸送機電機，作為帶式輸送機電機聲音庫；單獨采集人說話聲音，作為帶式輸送機人說話聲音庫；其他噪聲由工業現場提供，形成其他噪聲庫。以此模擬工業現場的實際環境。通過在不同帶速下采集到這5 種類型的帶式輸送機聲音信號，可以使得每種類型的聲音庫更加豐富，根據更加微小的差別，也可以區分出運行、電機、縱向撕裂、人說話和噪聲的聲音。因此，SVM 分類器數量N 還是為5。每類聲音在12 種帶速下各采集25 段，共300段，每段2 s。5 類聲音共采集1 500 段，每種樣本總量的4/5 即1 200 個聲音樣本用于SVM 的訓練，而剩余的1/5 即300 個帶式輸送機聲音樣本作為測試樣本，以更好地驗證本文算法的識別效果，增加測試樣本的隨機性。每次選取150 個聲音樣本，將其分為10 組進行實驗，分別對比經過GMM、SVM 和本文提出的GMM-SVM 算法對輸送帶縱向撕裂的識別效果，結果如表1 所示。

由表1 可知，本文提出的帶式輸送機聲音檢測算法對輸送帶縱向撕裂的識別率最低為89.3%，最高為93.5%，平均識別率在91.5%左右，比單獨使用GMM和SVM 算法對縱向撕裂的聲音識別效果更好。GMMSVM 算法識別縱向撕裂的耗時如表2 所示。

表1 不同算法的識別率對比Tab.1 Comparison of recognition rate of different algorithms %

表2 GMM-SVM 算法識別耗時Tab.2 Identification time of GMM-SVM algorithm

由表2 可知，輸送帶發生縱向撕裂時，能在短時間內準確地檢測出縱向撕裂故障，進行預警，減少輸送帶縱向撕裂帶來的損失，說明本文提出的帶式輸送機聲音檢測算法具有很好的實時性。并且輸送帶縱向撕裂的訓練樣本數量越大，對縱向撕裂的聲音識別效果越好，并漸漸趨于穩定，如圖8 所示。

圖8 訓練樣本數量和識別率的關系Fig.8 Relationship between number of training samples and recognition rate

5 結 論

針對帶式輸送機輸送帶縱向撕裂的檢測準確性差的難題，提出了一種基于聲音的帶式輸送機輸送帶縱向撕裂檢測方法。采用樹莓派3B 開發板設計了帶式輸送機聲音采集系統，實現了帶式輸送機聲音信號的采集；提出了一種基于高斯混合模型（GMM）和支持向量機（SVM）的帶式輸送機聲音檢測算法，實現了帶式輸送機聲音信號的處理、分類和輸送帶縱向撕裂聲音的檢測。實驗結果表明，該檢測方法利用輸送帶的縱向撕裂聲音的特征，準確檢測出帶式輸送機輸送帶的縱向撕裂，具有準確性高、速度快等優點，平均檢測準確率約為91.5%，算法平均耗時2.85 s，具有很好的實用和推廣價值。