基于卷積自編碼器的煤礦帶式輸送機異常聲音檢測方法

摘要：針對煤礦帶式輸送機異常聲音樣本缺少導致訓練模型難以進行異常識別的問題，提出一種基于卷積自編碼器（CAE）的煤礦帶式輸送機異常聲音檢測方法。首先，采集煤礦帶式輸送機托輥、減速機、電動機正常運行的聲音信號，通過WebRTC 降噪算法過濾信號中的背景噪聲，計算降噪后信號的梅爾頻率倒譜系數（MFCC），獲得設備正常運行的音頻特征并輸入到CAE 中進行訓練，得到訓練好的CAE 及重構的正常運行音頻特征。其次，將正常運行音頻特征和重構的正常運行音頻特征輸入均方損失函數（MSELoss），得到重構誤差，并取重構誤差最大值作為正常運行音頻特征的重構閾值。然后，采集待檢測的煤礦帶式輸送機托輥、減速機、電動機運行的聲音信號，經WebRTC 降噪、MFCC 特征提取后輸入到訓練好的CAE，獲得重構的待檢測音頻特征，將待檢測音頻特征與重構的待檢測音頻特征輸入MSELoss，得到待檢測音頻的重構誤差。最后，將待檢測音頻的重構誤差與正常運行音頻特征的重構閾值進行比較，若前者大于后者，則判斷煤礦帶式輸送機存在異常。實驗結果表明：在沒有異常聲音樣本參與訓練的情況下，該方法在帶式輸送機托輥、減速機、電動機運行聲音數據集上的檢測精確率分別達92.55%，94.98%，93.60%，單組聲音檢測時間為1.230 s，實現了檢測精度和檢測速度之間的平衡。

關鍵詞：煤礦帶式輸送機；故障診斷；異常聲音檢測；卷積自編碼器；MFCC

中圖分類號：TD528/634 文獻標志碼：A

0 引言

煤礦帶式輸送機包括電動機、減速機、托輥等設備，隨著運行狀態的變化，這些設備發出的聲音存在差異[1-4]。人工巡檢時可根據設備運行聲音來判斷設備狀態，但依賴巡檢人員的個人經驗，且僅靠人工巡檢不能保證對設備的實時監測，無法及時發現故障。

深度學習通過神經網絡學習設備運行中異常聲音信號的特征[5-8]，進而表達數據中更抽象的特征?；谏疃葘W習的帶式輸送機異常聲音檢測方法不僅在數據的特征提取與特征選擇上降低了對人工經驗的依賴，還提高了故障診斷實時性[9]。倪旺旺[10]提出了一種結合梅爾頻率能量系數與圖卷積網絡的異常聲音檢測模型，該模型選取梅爾頻率能量系數對聲音進行特征提取，基于圖卷積網絡對圖結構進行分類，提高了異常聲音檢測的精確率。曾锃等[11]提出了一種基于卷積神經網絡的放電聲音檢測方法，通過終端邊緣節點實時監控電力設備狀態，提高了對正常工作、局部放電和故障3 種狀態識別的準確率。盧安琪[12]提出了一種基于注意力機制的泵機設備異常聲音檢測方法，提高了檢測準確率。

上述方法在設備異常聲音檢測領域取得了很好的效果，但需要大量的異常聲音樣本，而在煤礦正常生產過程中，煤礦設備異常聲音具有偶發性和多樣性，難以獲取滿足模型訓練的大量異常聲音樣本[13]，且現場采集的聲音有一部分被淹沒在噪聲中，導致設備異常聲音不能被有效檢測。自編碼器[14]是一種在半監督和無監督任務中廣泛應用的異常數據檢測算法，能夠在只有少量或沒有異常樣本的情況下檢測數據中的異常[15]。黃光球等[16]提出了一種基于時域卷積網絡的深度自編碼器，解決了異常數據不足的問題。因此，本文提出一種基于卷積自編碼器（Convolutional AutoEncoder， CAE）的煤礦帶式輸送機異常聲音檢測方法。對帶式輸送機正常運行的聲音信號進行WebRTC 降噪并提取梅爾頻率倒譜系數（Mel Frequency Cepstral Coefficient， MFCC）特征，經過CAE 訓練獲得重構特征，進而通過均方誤差損失函數（Mean Squared Error Loss，MSELoss）確定重構閾值；待檢測聲音信號經過降噪和特征提取后輸入到訓練好的CAE，計算重構誤差并與重構閾值比較，從而判斷帶式輸送機運行狀態。

1 方法原理

基于CAE 的煤礦帶式輸送機異常聲音檢測流程如圖1 所示。將煤礦帶式輸送機正常運行的聲音信號通過WebRTC 降噪進行噪聲抑制處理，計算降噪后信號的MFCC 特征，獲得帶式輸送機正常運行的音頻特征；將正常運行的音頻特征輸入到CAE 中進行訓練，獲得重構的正常運行音頻特征和訓練好的CAE；將正常運行音頻特征和重構的正常運行音頻特征輸入MSELoss，得到重構誤差，取重構誤差最大值作為正常運行音頻特征的重構閾值。進行煤礦帶式輸送機異常聲音檢測時，待檢測的帶式輸送機運行聲音信號經WebRTC 降噪和MFCC 特征提取后，輸入到訓練好的CAE 中進行推理，獲得重構的待檢測音頻特征；將待檢測音頻特征與重構的待檢測音頻特征輸入MSELoss，得到待檢測音頻的重構誤差，并與正常運行音頻特征的重構閾值進行比較，若重構誤差大于重構閾值，則判斷煤礦帶式輸送機運行異常。

1.1 WebRTC 降噪

WebRTC 降噪支持8，16，32 kHz 采樣率，其他聲音信號采樣率可通過重采樣的方式進行轉換。WebRTC 降噪的核心思想是對噪聲進行估計并通過維納濾波器抑制估計的噪聲[17]。

1.2 MFCC 特征提取

MFCC 特征提取流程[18]如圖2 所示。具體步驟：① 使用預加重方式提高聲音信號高頻分量。② 對聲音信號進行分幀、加窗，設置幀長為25 ms、幀移為10 ms，窗函數選擇漢明窗以防止信號失真。③ 使用離散傅里葉變換對信號進行處理。④ 通過多個梅爾濾波器進行濾波。⑤ 計算每個濾波器輸出頻帶的對數能量，根據各個梅爾頻帶中的能量，得到一定維數的特征。⑥ 通過反傅里葉變換，對梅爾濾波器輸出的對數能量進行倒譜分析，獲得MFCC。⑦ 通過差分方式計算動態特征并與MFCC 合并，最終輸出MFCC 特征。

1.3 CAE

CAE 由編碼器和解碼器2 個部分組成[19]，如圖3所示。

假設提取的MFCC 特征訓練集為fx1，"x2"… ，"xn｝，xj（j=1，2，···，n，n 為輸入層神經元數量）為輸入層第j 個神經元的輸入值，xj∈ Rn。通過編碼方式，將訓練集數據轉換到低維子空間，再通過解碼的方式重新生成數據，得到重構的數據， 為輸出層第j 個神經元的輸出值。

在編碼器中，高維特征向量xj輸入到編碼器后被壓縮為低維特征向量hi（i=1，2，···，m，m 為隱藏層神經元數量）。編碼器壓縮特征的過程可表示為

式中：Wei j為輸入層第j 個神經元指向隱藏層第i 個神經元的權重；bei為隱藏層第i 個神經元的偏置參數。

在解碼器中，將 hi 映射到原始的輸入空間Rn上。解碼器的映射過程可表示為

式中：Wdi j為隱藏層第i 個神經元指向輸出層第j 個神經元的權重；bdj為輸出層第j 個神經元的偏置參數。

CAE 通過優化MSELoss 實現重構誤差最小化。重構誤差為

2 實驗驗證

2.1 實驗平臺

煤礦帶式輸送機異常聲音檢測實驗平臺中，拾音器的拾音距離為5 m，聲音采樣率設置為16 kHz。拾音器搭載于礦用隔爆兼本安型軌道巡檢機器人上，隨機器人在煤礦巷道設備日常巡檢工作（機器人運行速度為0.3 m/s）同步采集聲音。拾音器將聲音信號以3 s 為1 段進行分段處理，并傳輸至服務器進行帶式輸送機異常聲音檢測。服務器硬件配置：處理器12th Gen Intel（R） Core（TM） i7?12700@ 2.1 GHz、32 GiB RAM、Windows 10、顯卡NVIDIA RTX5000（顯存16 GiB，核心頻率1 350 MHz，Turbo 頻率1 815 MHz）。

2.2 數據集

帶式輸送機運行聲音來自于中煤陜西榆林大海則煤業有限公司大海則煤礦和神木市大柳塔東川礦業有限公司大柳塔煤礦。拾音器隨巡檢機器人行走到設備附近并采集聲音信號后，由經驗豐富的礦方巡檢人員將采集的聲音信號去噪后分為設備正常聲音和設備異常聲音。

煤礦帶式輸送機異常聲音主要包括電動機、減速機、托輥的異常聲音。電動機異常聲音主要由軸承磨損、缺油、軸擋圈未裝或松動、水泵蓋擦碰等異常造成；減速機異常聲音主要由電動機負載過重或負載不平衡及軸承損壞、潤滑不良或安裝不當等異常導致；托輥異常聲音主要由托輥潤滑不足、托輥軸承故障、托輥堵轉等異常導致。

煤礦帶式輸送機運行聲音數據集見表1。每組聲音信號時長為1 s。從每組聲音信號中提取384維MFCC 特征。

2.3 實驗方案

為驗證基于CAE 的煤礦帶式輸送機異常聲音檢測方法的有效性，將其分別與基于支持向量數據描述（Support Vector Data Description，SVDD）[20]和深度高斯混合模型（Deep Gaussian Mixture Model，DGMM）[21]的煤礦帶式輸送機異常聲音檢測方法進行對比。

參數設置：① CAE。學習率為0.001；批大小為64；迭代輪數為300；編碼器和解碼器的卷積層數均為5，訓練優化器選擇Adam 優化器，L2 正則化參數為5×10?4。② SVDD。學習率為0.001；批大小為64；迭代輪數為200；懲罰因子范圍為[2?6，20]，核參數范圍為[2?6，23]。③ DGMM。各個高斯分量的混合系數為0.1，初始化聚類中心的個數為10。

2.4 實驗結果

2.4.1 降噪效果

為減少環境噪聲對帶式輸送機異常聲音檢測效果的干擾，對采集的聲音信號進行降噪處理。降噪前后的聲音信號波形如圖4 所示（矩形框部分為有效聲音信號，其余為背景噪聲）。可看出降噪前的聲音信號中背景噪聲比較明顯，經過降噪處理后，背景噪聲得到抑制，同時保留了音頻特征。

2.4.2 MFCC 特征

提取降噪后的帶式輸送機托輥、減速機和電動機正常聲音和異常聲音的MFCC 特征，分別如圖5—圖7 所示?？煽闯鰩捷斔蜋C托輥、減速機和電動機異常聲音的MFCC 特征范圍明顯高于正常聲音的MFCC 特征范圍。

2.4.3 檢測性能

在帶式輸送機托輥、減速機和電動機運行聲音數據集上，分別基于CAE，SVDD，DGMM 的帶式輸送機異常聲音檢測結果見表2—表4，可看出CAE 的精確率、召回率和F1 分數均為最優。

分別基于CAE，SVDD，DGMM 的帶式輸送機異常聲音檢測時間見表5?？煽闯鯟AE 耗時比DGMM少了0.82 s，略高于SVDD，但CAE 在帶式輸送機托輥、減速機和電動機運行聲音數據集上的檢測精確率最高，實現了檢測精度和檢測速度之間的平衡。

3 結論

1） 提出了一種基于CAE 的煤礦帶式輸送機異常聲音檢測方法。通過計算帶式輸送機正常聲音的重構閾值及其訓練后的CAE 模型，提取待檢測聲音的MFCC 特征并經過CAE 推理，計算其重構誤差，將重構誤差與正常聲音的重構閾值進行比較，若前者大于后者，則判斷帶式輸送機存在異常。

2） 采集某煤礦帶式輸送機托輥、減速機、電動機正常運行和異常聲音，開展了基于CAE， SVDD，DGMM 的煤礦帶式輸送機異常聲音檢測實驗。結果表明，在沒有異常樣本參與訓練的情況下，相比于SVDD 和DGMM，CAE 在托輥、減速機、電動機運行聲音數據集上的檢測精確率最高，分別達92.55%，94.98%，93.60%，單組聲音檢測時間為1.230 s，實現了檢測精度和速度之間的平衡。

參考文獻（References）：

[ 1 ]高偉. 選煤廠帶式輸送機故障預測系統設計[J]. 自動化應用，2020（5）：108-109.

GAO Wei. Design of fault prediction system for beltconveyor in coal preparation plant[J]. AutomationApplication，2020（5）：108-109.

[ 2 ]孫斌輝，姚海慶. 基于機器多源感知的帶式輸送機故障智能監測系統[J]. 港口科技，2024（4）：5-10.

SUN Binhui， YAO Haiqing. Intelligent monitoringsystem for belt conveyor faults based on machine multisourceperception[J]. Port Science amp; Technology，2024（4）：5-10.

[ 3 ]苗長云，邵琦. 基于聲音的帶式輸送機輸送帶縱向撕裂檢測方法[J]. 天津工業大學學報， 2021， 40（6） ：70-75，82.

MIAO Changyun， SHAO Qi. Detection method oflongitudinal tear of belt conveyor belt based onsound[J]. Journal of Tiangong University， 2021，40（6）：70-75，82.

[ 4 ]蔣文利. 基于聲音識別技術的煤礦瓦斯抽采施工安全監測方法設計[J]. 電聲技術，2024，48（11）：45-47.

JIANG Wenli. Design of safety monitoring method forcoal mine gas extraction construction based on voicerecognition technology[J]. Audio Engineering， 2024，48（11）：45-47.

[ 5 ]徐浩，劉岳鐳. 基于深度學習的無人機聲音識別算法[J]. 計算機科學，2021，48（7）：225-232.

XU Hao，LIU Yuelei. UAV sound recognition algorithmbased on deep learning[J]. Computer Science， 2021，48（7）：225-232.

[ 6 ]BARCHIESI D，GIANNOULIS D，STOWELL D，et al.Acoustic scene classification： classifying environmentsfrom the sounds they produce[J]. IEEE SignalProcessing Magazine，2015，32（3）：16-34.

[ 7 ]楊小彬，周世祿，李娜，等. 深度學習及其在煤礦安全領域的應用[J]. 煤礦安全，2019，50（1）：253-256.

YANG Xiaobin， ZHOU Shilu， LI Na， et al. Deeplearning and its application in coal mine safety[J].Safety in Coal Mines，2019，50（1）：253-256.

[ 8 ]楊磊，趙紅東. 基于輕量級深度神經網絡的環境聲音識別[J]. 計算機應用，2020，40（11）：3172-3177.

YANG Lei， ZHAO Hongdong. Environment soundrecognition based on lightweight deep neuralnetwork[J]. Journal of Computer Applications， 2020，40（11）：3172-3177.

[ 9 ]盧萬杰，付華，趙洪瑞. 基于深度學習算法的礦用巡檢機器人設備識別[J]. 工程設計學報，2019，26（5）：527-533.

LU Wanjie， FU Hua， ZHAO Hongrui. Equipmentrecognition of mining patrol robot based on deeplearning algorithm[J]. Chinese Journal of EngineeringDesign，2019，26（5）：527-533.

[10]倪旺旺. 基于音頻的礦井提升機異常檢測方法研究及應用[D]. 淮南：安徽理工大學，2023.

NI Wangwang. Research and application of anomalydetection method for mine hoists based on audio [D].Huainan： Anhui University of Science and Technology，2023.

[11]曾锃，張震，繆巍巍，等. 基于卷積神經網絡的放電聲音故障檢測[J]. 電子器件，2024，47（1）：176-181.

ZENG Zeng，ZHANG Zhen，MIAO Weiwei，et al. Faultdetection of discharge sound based on convolutionalneural network[J]. Chinese Journal of ElectronDevices，2024，47（1）：176-181.

[12]盧安琪. 基于集成學習與注意力機制的泵機設備異常聲音檢測方法研究[D]. 合肥：合肥學院，2023.

LU Anqi. Research on abnormal sound detection methodfor pump equipment based on ensemble learning andattention mechanism[D]. Hefei：Hefei University，2023.

[13]翟洪婷，張慶銳，卞若晨，等. 基于圖聚類的電力設備異常聲音檢測方法[J]. 南京理工大學學報， 2022，46（3）：270-276.

ZHAI Hongting， ZHANG Qingrui， BIAN Ruochen，et al. Abnormal sound detection method of powerequipment based on graph clustering[J]. Journal ofNanjing University of Science and Technology， 2022，46（3）：270-276.

[14]寧永安. 堆棧自編碼器下機電故障信號多尺度濾波方法研究[J]. 自動化儀表，2024，45（8）：42-46，51.

NING Yong'an. Research on Multi-scale filteringmethod of electromechanical fault signals under stackself-encoder[J]. Process Automation Instrumentation，2024，45（8）：42-46，51.

[15]郝洪濤，倪凡凡，陳亮，等. 遠程帶式輸送機托輥故障巡檢方法[J]. 煤礦機械，2018，39（11）：133-135.

HAO Hongtao， NI Fanfan， CHEN Liang， et al.Investigation of inspection method on roller of remotebelt conveyor[J]. Coal Mine Machinery，2018，39（11）：133-135.

[16]黃光球，趙夢娜，陸秋琴. 融合時域卷積網絡和深度自編碼器的VOCs 數據異常檢測[J]. 安全與環境學報，2023，23（10）：3749-3759.

HUANG Guangqiu，ZHAO Mengna，LU Qiuqin. VOCsdata anomaly detection based on time-domainconvolutional network and depth self-encoder[J].Journal of Safety and Environment， 2023， 23（10） ：3749-3759.

[17]李斌，朱杰，馬志賢. WebRTC 中一種基于DNN 的噪聲抑制算法的研究[J]. 信息技術，2019，43（5）：1-5.

LI Bin， ZHU Jie， MA Zhixian. Research on noisesuppression algorithm based on DNN in WebRTC[J].Information Technology，2019，43（5）：1-5.

[18]陶瀚宇，陳換過，彭程程，等. 基于MFCC?IMFCC 混合倒譜的托輥軸承故障診斷[J]. 機電工程， 2024，41（7）：1215-1222.

TAO Hanyu， CHEN Huanguo， PENG Chengcheng，et al. Fault diagnosis of idler bearings based on MFCCIMFCChybrid cepstral coefficients[J]. Journal ofMechanical amp; Electrical Engineering， 2024， 41（7） ：1215-1222.

[19]史愛武，馬淑然. 基于多特征融合與插值卷積自編碼器的機械異常聲音檢測研究[J]. 軟件導刊， 2025，24（2）：40-47.

SHI Aiwu， MA Shuran. Research on detection ofmechanical abnormal sounds based on multifeaturefusion and interpolation convolutional neural autoencoder[J]. Software Guide，2025，24（2）：40-47.

[20]TAX D M J， DUIN R P W. Support vector datadescription[J]. Machine Learning，2004，54：45-66.

[21]VIROLI C，MCLACHLAN G J. Deep Gaussian mixturemodels[J]. Statistics and Computing， 2019， 29（1） ：43-51.

基金項目：河北省高端裝備制造技術創新專項項目（23311805D）。