一

研究背景

为满足矿井带式输送机预知维修的要求，带式输送机运行状态预测逐渐成为研究热点，传感器监测数据结合神经网络预测模型是带式输送机运行状态预测的主流方法。然而，利用接触式传感器对带式输送机运行状态进行监测存在安装不便、数据误差大等问题，导致带式输送机运行状态预测精度不高。

带式输送机不同运行状态下的音频信号存在一定差异：带式输送机正常运行时，当前时刻采集的带式输送机音频信号与前一段时间的音频信号相差不大；带式输送机发生撕裂、跑偏故障时的音频信号相较于正常运行时的音频信号有明显区别。此外，音频信号由非接触式传感器采集，保证了数据的准确性。

二

研究内容

矿井带式输送机运行状态预测流程如下图所示。首先，对带式输送机运行时的原始音频信号进行滤波降噪处理，提取音频信号的梅尔频率倒谱系数(MFCC)特征；然后，将MFCC第1维分量(MFCC0)输入到残差块优化的卷积神经网络结合长短期记忆网络(Res-CNN-LSTM)模型中进行离线训练；最后，将带式输送机实时音频信号特征输入到训练好的Res-CNN-LSTM预测模型中进行在线预测，得到带式输送机运行状态预测结果。

（1） 音频信号特征提取。MFCC第1维分量MFCC0包含的带式输送机音频信号特征最多，相对于其他维度分量具有较强的特征表达能力。为减少运行状态预测模型的输入数据量，将MFCC0作为带式输送机音频信号特征。MFCC0提取过程如下图所示。

（2） Res-CNN-LSTM模型设计。Res-CNN-LSTM模型结构如下图所示。采用添加残差块的CNN自适应提取带式输送机音频信号的MFCC0的空间特征，并对数据进行降维；基于LSTM提取降维数据的时间特征，从而对带式输送机运行状态进行预测。

三

实验结果

分别提取带式输送机3种运行状态下音频信号MFCC0特征，如下图所示。当带式输送机正常运行时，音频信号变化平稳，且主要集中在低频，得到的MFCC0特征变化平缓，幅值较小。当带式输送机发生撕裂故障时，产生故障冲击，音频信号中含有大量高频信号，提取的MFCC0特征幅值呈明显上升趋势。当带式输送机发生跑偏故障时，由于输送带上的煤炭分布不均衡，音频信号中的高频分量具有一定的周期性，MFCC0特征幅值也呈周期性变化，且幅值变化区间较大。因此，通过音频信号的MFCC0特征可很好地区分不同运行状态，反映不同运行状态的趋势。

为验证Res-CNN-LSTM预测模型的准确性，将其与CNN，LSTM，CNN-LSTM模型进行对比。不同预测模型性能评估结果见下表。可看出Res-CNN-LSTM模型的平均绝对误差(MAE)和均方根误差(RMSE)均低于其他模型，表明该模型对带式输送机运行状态的预测更准确。

引用格式

李敬兆,孙杰臣,叶桐舟.矿井带式输送机运行状态预测方法[J].工矿自动化,2022,48(2):107-113.

LI Jingzhao,SUN Jiechen,YE Tongzhou.Prediction method of operation state of mine belt conveyor[J].Industry and Mine Automation,2022,48(2):107-113.

作者联系方式

李敬兆（1964—），男，安徽淮南人，教授，博士，博士研究生导师，主要研究方向为嵌入式系统、人工智能技术，E-mail:jzhli@aust.edu.cn。通信作者：孙杰臣（1995—），男，安徽阜阳人，硕士研究生，主要研究方向为信号处理、设备状态预测，E-mail: sjc95721@163.com。

关键词： 运行状态 带式输送机