Precise identification method of mine hoist fault source based on MFCC-CS-MUSIC
-
摘要:
在煤矿生产领域中，矿井提升机作为一种辅助运输的设备，在矿井整个运输工程中承担着非常重要的作用，其安全性和稳定性直接影响着煤矿生产效率和井下工作人员生命安全。矿井提升机故障发生后，其声音信号也会随着设备运行状态而改变，因此可以通过分析该声音的特征来检测设备是否处于不正常运行状态。鉴于此提出了基于MFCC-CS-MUSIC实现的矿井提升机故障源精准识别方法。通过采集提升机音频信号，应用MFCC（梅尔频率倒谱系数）算法提取多个通道声音信号梅尔频率倒谱系数进行故障识别；应用MUSIC（多信号分类）故障识别后的音频信号进行定位求得信号的最小化波达方向。将MUSIC算法求得的DOA（波达方向定位）值作为优化变量，以计算DOA和测量DOA之间的差异为目标函数，利用CS（布谷鸟）算法对目标函数进行寻优，从而实现对提升机故障源精准定位。试验和应用结果均表明，利用CS算法优化后MUSIC算法得到的定位坐标误差Δψ在5°以内，实际位置坐标方位角误差Δθ在4°以内。该方法实现了提升机故障准确识别和提升机故障源的精准定位，大幅缩短了排查矿井提升机故障位置的时间，显著提升了矿井提升机的工作效率。
Abstract:In the field of coal mine production, the mine hoist, as a kind of auxiliary transportation equipment, plays a very important role in the whole transportation engineering of the mine. Its safety and stability directly affect the production efficiency of the coal mine and the safety of underground workers. After the failure of mine hoist, its sound signal will also change with the operation state of the equipment, so the abnormal operation state of the equipment can be detected by analyzing the characteristics of the sound. In order to ensure its safe and reliable operation and improve coal mine transportation efficiency, an accurate fault identification method of mine hoist based on MFC-CS-MUSIC was proposed. By collecting the hoist audio signals, MFCC algorithm was used to extract the Cepstrum coefficients of multiple channels for fault identification. The acoustic signal after MUSIC fault identification is used to locate the signal and the minimal direction of arrival is obtained. The DOA value obtained by MUSIC algorithm is taken as the optimization variable, the difference between calculating DOA and measuring DOA is taken as the objective function, and the CS algorithm is used to optimize the objective function, so as to realize the precise location of the hoist fault source. The experimental and application results show that the azimuth error Δψbetween the music algorithm and the actual position coordinate after CS algorithm optimization is less than 5°, Δθis less than 4°. This method can accurately identify the hoist fault and accurately locate the hoist fault source, greatly shorten the troubleshooting time of the mine hoist fault location, and significantly improve the work efficiency of the mine hoist.
-
0. 引 言
在煤矿生产领域中，矿井提升机设备逐渐走向集成化、自动化和智能化[1]，提升机的安全和稳定的性能直接影响煤矿的经济效益和井下工作人员的安全[2-4]。突发的故障停机造成的损失越来越大,由于其备件的故障间隔离散性较大，定期维修会造成较高的维修成本和较多的设备机器失效。因此做到定位维修位置能有效降低维修成本，具有很高的投资收益比[5-6]。已有的基于声音特征的矿井提升机故障诊断主要侧重于对声音特征参数的提取来判断故障的类别，这种方式只能实现事后维护，对矿井提升机进一步寻找故障源头，浪费了大量的时间[7-8]。很少涉及对矿井提升机故障声源主动定位的研究[9]，鉴于此，提出一种基于MFCC-CS-MUSIC的矿井提升机故障源精准识别方法。
梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficient, MFCC)[10-11]是一种声音信号的频域分析方法，其对于输入的音频信号的种类没有限制，具有更好的鲁邦性，抗干扰性强，当噪比降低时仍然具有较好的识别性能[12]。MUSIC算法 (Multiple Signal classification)[13-14]只要已知天线阵的布阵形式，不管阵元是否等间距分布，构建谱函数以寻求波峰估计值，从而得到高分辨率的定位结果[15]。布谷鸟算法（Cuckoo Search,CS）[16-17]通过模拟某些种属布谷鸟的寄生育雏的行为，来有效地求解最优化问题，具有强大的搜寻能力，需要的参数少等优点[18]。
笔者基于音频的矿井提升机故障运用MFCC算法来识别故障，通过梅尔频率倒谱系数的不同分别出故障的类型。MUSIC算法来定位故障源的确切位置，同时为解决矿井提升机周边环境复杂，可听声信号的随机性强，信噪比较低，定位效果会不理想的问题，提出引用布谷鸟算法进行优化，通过最小化波达方向(direction of arrival,DOA)[19-20]的实际值和计算值之间的差异，从而提高定位的精度。
1. 矿井提升机故障识别算法分析
矿井提升机故障识别过程主要采用MFCC算法，通过对麦克风采集的音频信号进行特征提取和识别模型训练，当训练好提升机异常声音识别模型时，引入提升机声音测试样本进行识别，并对最终的识别结果进行决策和评价。基于MFCC的数据识别步骤如图1所示。
1)预加重。将采集到的提升机音频时域信号
x(t) 通过一阶FIR高通滤波器以此来增强x(t)的高频部分。其结果为：x′(n)=x(n)−kx(n−1) (1) 式中，
k 为加强系数，k=0.97 ；x(n)表示预加重后提升机频域信号，0≤n≤N−1，N为采样数。2)分帧加窗。对预加重之后
x′(n) 先进行分帧处理(分帧长度为256点分为一帧，步长为512)，然后对音频信号进行汉明加窗，从而降低时变和非稳态对音频信号x′(n) 的影响，达到去除干扰与噪声的目的，变成更加平滑的音频信号x″ 。3)
{\rm{FFT}} 。对每帧提升机音频信号x''(n) 进行快速傅立叶变换，{\rm{FFT}} 变换的长度为256，采样频率为16000 Hz。时域音频信号{x}_{i}\left(t\right) 变为频域音频信号X(i,j) 即：X(i,j) = {\rm{FFT}}[{x_i}(t)] (2) 4)根据提升机的声音信号频域值计算每一帧的功率谱，并经过梅尔滤波器得到经过该滤波器滤波后的声音能量。
E(i,j) = {[X(i,j)]^2} (3) 其中，
i 为第i 帧；j 为频域中的第j 条谱线；E(i,j) 为每一帧的能量。5)
{\rm{Mel}} 滤波器滤波。设计的{\rm{Mel}} 滤波器(其阶数为24)使得每一个E(i,j) 都变换为{\rm{Mel}} 刻度下的值，其{\rm{Mel}} 频率可以用以下公式表达：{f_{\rm{Mel}}} = 2\;595 lg (1 + f/700) (4) 式中，
{f}_{{\rm{Mel}}} 为感知频率；f 为实际频率。6)取对数DCT。对滤波器输出的能量值进行对数变换，再进行DCT变换，从而得到MFCC参数。具体为
{\rm{MFCC}}\left(i,j\right)=\sqrt{\frac{2}{M}}\displaystyle\sum \limits_{m=0}^{M-1}\lg L(i,m){\rm{cos}}\left[\frac{\pi j(2m-1)}{2M}\right] (5) 其中：
\mathrm{L}\left({i},{m}\right)=\displaystyle\sum\limits _{k=0}^{N-1}X(i,j{)}^{2}{H}_{m}\left(k\right)；0\leqslant {m} < {M} ，{H}_{m}\left(k\right) 为滤波器的频率响应；m为第m个滤波器。根据以上计算流程可以得到提升机音频信号的MFCC特征参数，通常取12维系数作为特征参数并添加一维能量值，再对其分别进行一阶差分，二阶差分，去除首尾两帧，认为这两帧的一阶差分参数为0，共得37维特征参数。从每种提升机故障样本集中分别选取多个样本，提取各提升机故障样本各帧的MFCC，如图2为提升机运行正常，图3为提升机超载故障，图4为提升机电机电流故障，图5为提升机机械故障。MFCC特征参数的变化曲线，其中x轴为维数，y轴为倒谱数。
![图 2 提升机运行正常MFCC特征参数]()
图 2 提升机运行正常MFCC特征参数Figure 2. MFCC characteristic parameters of hoist running normally![图 3 提升机超载故障MFCC特征参数]()
图 3 提升机超载故障MFCC特征参数Figure 3. MFCC characteristic parameters of hoist overload failure由图2、图3可知，不同种类的提升机故障的MFCC特征值存在着较大差异，具有不同的静态特征，在同一维度下其特征参数的幅值和变换趋势都不相同。利用37维MFCC参数表征提升机声音信号所包含的信息，可用来区分出提升机不同故障。
2. CS优化的MUSIC定位算法
2.1 CS-MUSIC算法分析
基于四元十字形传声器阵列如图6所示。当识别到提升机故障时，如果能够判断出其故障的位置，可有效地提高矿井工作人员的生命安全以及工作效率，使其更快地找出故障的缘由。传统的MUSIC算法采用均匀圆型麦克风阵列实时采集矿井提升机声音信号，以提升机为探测目标，设计的MUSIC算法流程如下：
1)将采集的四路声音信号进行预处理其中包括对信号进行二次分帧（长度为L步长为分帧长度的一半），然后对分帧后的信号做FFT变换，公式如下：
X\left(k\right)=\displaystyle\sum\limits _{n=0}^{N-1}x\left(n\right){W}_{N}^{kn} (6) 其中，
k=\mathrm{0,1},\cdots, L-1; \; W_N={e}^{-j\frac{2\pi }{N}} ，N为采样数，n=1，2，…，N−1。可以得到音频信号频域模型为：
{X\left({f}_{j}\right)={\boldsymbol{A}}}_{\theta }\left({f}_{j}\right)S\left({f}_{j}\right)+N\left({f}_{j}\right) (7) 其中，
{{\boldsymbol{A}}}_{\theta }\left(f_j\right)=\left[\begin{array}{c}{{\bf{e}}}^{-j2\pi f{\tau }_{1}\left(\theta \right)}\\ {{\bf{e}}}^{-j2\pi f{\tau }_{2}\left(\theta \right)}\\ {{\bf{e}}}^{-j2\pi f{\tau }_{3}\left(\theta \right)}\\ {{\bf{e}}}^{-j2\pi f{\tau }_{4}\left(\theta \right)}\end{array}\right] 为方向响应向量，{\tau }_{P} (θ)(p=1, 2, 3, 4)是信号之间的时延X(fj)；S(fj)为提升机发出的声音信号；N(fj)为阵列噪声。j=\mathrm{1,2},3,\cdots, L-1 ，{f}_{j}=\dfrac{{f}_{s}}{L} k，{f}_{s} 为信号频率。2)求协方差矩阵的估计值。
{{\boldsymbol{R}}}_{x}=\frac{1}{N}\displaystyle\sum \limits_{k=1}^{N}{\boldsymbol{X}}\left(k\right){{\boldsymbol{X}}}^{H}\left(k\right) (8) 其中，XH(k)为X(k)的共轭转置矩阵。
3)对以上步骤得到的
{{\boldsymbol{R}}}_{x} 进行特征分解得：{{\boldsymbol{R}}}_{x}\left({f}_{i}\right)={{\boldsymbol{U}}}_{S}\displaystyle\sum \limits_{S}{{\boldsymbol{U}}}_{S}^{H}+{{\boldsymbol{U}}}_{N}\displaystyle\sum \limits_{N}{{\boldsymbol{U}}}_{N}^{H} (9) 其中，
{{\boldsymbol{U}}}_{S} 为信号子空间，其特征值大于噪声功率；{{\boldsymbol{U}}}_{N} 为噪声子空间，其特征值等于噪声功率。4)从而得到MUSIC的谱估计函数为：
{P}_{{\rm{MU}}}\left(\theta \right)=\frac{1}{{a}^{H}\left(\theta \right){U}_{N}{U}_{N}^{H}a\left(\theta \right)}\text{，}\theta \in \vartheta (10) 其中，
\vartheta 为观察扇面；\theta 为俯仰角(0°<\theta ≤90°)。5)通过θ在观察扇面
\vartheta 内进行扫描，从而得出式在各扫描方位对应的数值，当该函数出现峰值的方位，记作\gamma ，即为提升机故障信号方位。为解决MUSIC算法易受噪音影响，定位不精准等问题，提出布谷鸟搜索算法(CS)对其进行优化，布谷鸟在自然环境中会在一块区域内随机寻找最好的鸟巢来寄生，该算法利用布谷鸟的独特育雏寄生行为并于莱维飞行相结合来解决最优化的问题。
为模拟布谷鸟寻巢的方式，设定以下３个理想状态[14]：
1)每只布谷鸟在随机选择的一个鸟巢中，只产1个蛋；
2)保留到下一代的巢是有最好质量的蛋；
3)鸟巢数量n是固定的，外来的鸟蛋被宿主鸟发现的概率为Pa，其中Pa为0.25。
若满足以上假设，则该算法的位置和路径更新原则可用以下公式表示：
\begin{gathered} {X_i}^{(f + 1)} = {X_i}^{(f)} + a \otimes {\rm{levy}}(s,d) \\ \end{gathered} (11) 其中，
{X_i}^{^f} 为第i 个(i = 1,2, \cdots ,n) 鸟巢在第f 代的位置；a 为步长控制量；\otimes 为点积运算；{\rm{levy}}(s,d) 为{\rm{levy}} 随机路径，即：{\rm{levy}}(s,d) = \frac{{d\varGamma (d)\sin (\pi d/2)}}{\pi }\frac{1}{{{s^{1 + d}}}} (12) 其中：
s 为步长；d 为常数(1 < d < 3) ；\varGamma 为标准{\rm{Gamma}} 函数。当外来的鸟蛋被宿主鸟发现时，则按以下公式：
{X_i}^{(f + 1)} = {X_i}^{^{(f)}} + r({X_i}^{^{(f)}} - {X_j}^{^{(f)}}) (13) 其中，r为0~1分布的随机数，当r>Pa时，随机更新鸟巢位置。
2.2 CS-MUSIC定位
基于CS的MUSIC定位过程如图7所示，图中ε为人为赋予的一趋于0的极小参量，主要分为以下几个步骤：
1)首先设目标函数如下：
J(\gamma ) = \min ||\kappa (\psi ,\theta ) - {\kappa ^*}(\psi ,\theta )|| (14) 其中，
\kappa (\psi ,\theta ) 为故障点计算坐标位置；{\kappa ^*}(\psi ,\theta ) 为故障点测量坐标位置。目标函数满足：
J(\varPsi ) < \varepsilon (15) 时，迭代结束。
通过MUSIC算法计算出到故障源的位置
\kappa (\psi ,\theta ) ；1） 用CS算法生成一组初值，根据式(14)计算出每个鸟巢的适应度以及目标函数的最小值，选出最好的鸟巢；
2)验证目标函数能否满足式(15)，如果满足，则输出最优解，反之执行第５步；
3)通过式(11)更新新的鸟巢，以目标函数来保留目前最优鸟巢；
4)通过Pa遗弃部分鸟巢，通过式(13)来更新相应数量的鸟巢。
如果满足
J(\varPsi ) < \varepsilon ，输出最优解。3. 应用实例分析
3.1 矿井提升机故障源精准定位系统设计
矿井提升机故障声音识别与定位系统主要通过4个MAX9814型的麦克风采集多声道的声音信号、传递给K210芯片，K210通过WIFI上传音频信号至局域网，实现音频信号传输，使用32GSD卡于K210存储实时音频，对采集到的声音通过MATLAB程序进行预处理、异常声音识别以及定位，其采集装置如图8所示，现场安装照片如图9所示。
矿井提升机异常定位系统的流程如图10所示。具体实现过程为:
1)利用基于十字形麦克风阵列采集矿井提升机的一次完整运行的音频信号，并以wav格式存储，然后读取存储的声音进行预处理。其中包括对声音的预处理、分帧、加窗。
2)对处理过的四路音频信号，每一帧单通道信号进行MFCC特征参数提取，其中包括：FFT、梅尔滤波器滤波、取对数以及DCT变换。识别提升机是否出现故障。
3)当识别出故障时，对提升机这一次完整运行的音频的每一帧四通道信号进行MUSIC定位算法，根据定位算法求得故障声音的定位结果分布，找到定位峰值通过CS算法对结果进行寻优，从而得出提升机故障源的精确位置。
3.2 矿井提升机结构
如图11所示，矿井提升机主要由电动机，减速器，滚筒，天轮等构成。主要结构如图12所示。其中电动机为整个装置提供动力；减速器使提升机滚筒的转速与电机输出转速相匹配；滚筒和天轮负责对钢丝绳下放和收起。当故障发生时，定位出具体那个部件存在故障，进一步对此进行检修。
3.3 数据样本分析
采取某矿的主提升机各轴承声音信号作为测试数据，数据集来源于淮南矿业(集团)有限责任公司潘集第三煤矿，提升机运作时间大约为1 h，通过基于四元十字形的麦克风采集提升机的音频数据，采集时间周期为2个月，共提取500组数据(设置音频存储为wav格式)。其中450组作为训练集，50组作为测试集。为验证提出的基于矿井提升机故障声源定位系统方法的准确性和可行性，试验以机械故障为例，以数字标注各轴承的位置。图12中提升机各个轴承(以中心轴来计算)真实坐标见表1。以轴承1为坐标原点，测得各轴承坐标。测得以麦克风阵列为参考点，测得各轴承的方位角ψ和仰角θ见表1。
表 1 轴承坐标参数Table 1. Bearing coordinate parameters轴承编号 坐标(x, y, z)/m 标定入射角（ψ，θ） 1 (0,0,0.1) (0,20.31) 2 (0.5,0,0.1) (30.00,24.56) 3 (0.7,0,0.1) (45.11,23.37) 4 (1.1,0,0.1) (60.37,22.58) 5 (1.3,0,0.1) (70.56.20.89) 6 (1.6,0,0.1) (80.96,23.43) 7 (1.3,0,3.6) (60.68,50.94) 8 (1.6,0,3.6) (83.29,50.56) 3.4 故障识别结果分析
采取前面所描述的步骤，先对采集的音频数据进行预处理，其原始正常样本数据和预处理后的样本数据如图13和图14所示。
采用MFCC对提升机轴承进行故障识别，当识别出有故障时，对提升机这一次完整运行的音频的每一帧四通道信号进行MUSIC定位算法，根据定位算法求得故障声音的2组定位结果分布，第一组找到定位峰值如图15所示为二维定位结果。如图16所示为三维故障定位图，其中x轴为方位角y轴为俯仰角，z轴为归一化后的谱峰值，其三维相比二维定位结果（图17）更加直观精准。可得出定位结果为(41°,19°)。
![图 15 二维MUSIC减速器左轴承故障定位结果]()
图 15 二维MUSIC减速器左轴承故障定位结果Figure 15. Fault location results of left bearing of two-dimensional MUSIC reducer![图 16 三维MUSIC减速器左轴承故障定位结果]()
图 16 三维MUSIC减速器左轴承故障定位结果Figure 16. Fault location results of left bearing of 3D MUSIC reducer![图 17 二维MUSIC滚筒东轴承故障定位结果]()
图 17 二维MUSIC滚筒东轴承故障定位结果Figure 17. Fault location results of two dimensional MUSIC roller east bearing第二组找到定位峰值如图18，图19所示可得出定位结果为(74°,19°)。
![图 18 三维MUSIC滚筒东轴承故障定位结果]()
图 18 三维MUSIC滚筒东轴承故障定位结果Figure 18. 3D MUSIC Fault location results of roller east bearing![图 19 优化后的二维MUSIC减速器左轴承故障定位结果]()
图 19 优化后的二维MUSIC减速器左轴承故障定位结果Figure 19. Fault location results of left bearing of optimized two dimensional MUSIC reducer![图 20 优化后的三维MUSIC减速器左轴承故障定位结果]()
图 20 优化后的三维MUSIC减速器左轴承故障定位结果Figure 20. Optimized 3d MUSIC gear left bearing fault location results![图 21 优化后的二维MUSIC滚筒东轴承故障定位结果]()
图 21 优化后的二维MUSIC滚筒东轴承故障定位结果Figure 21. Fault location results of two-dimensional MUSIC roller east bearing after optimization![图 22 优化后的三维MUSIC滚筒东轴承故障定位结果]()
图 22 优化后的三维MUSIC滚筒东轴承故障定位结果Figure 22. Fault location results of 3D MUSIC roller east bearing after optimization用CS算法进行寻优后坐标分别为(44°,24°)，(73°,20°)如图19—图22所示。从而得出在允许的误差范围内提升机轴承故障的具体位置为减速器前轴承和滚筒的东轴承发生故障。
对50组测试集进行识别和定位结果进行统计，优化后定位坐标与实际坐标偏差结果如图23所示。
![图 23 优化后的定位坐标与实际坐标偏差结果]()
图 23 优化后的定位坐标与实际坐标偏差结果Figure 23. The deviation between the optimized positioning coordinates and the actual coordinates由图23可知，利用CS算法优化后music算法得到的定位坐标与实际位置坐标方位角误差Δψ在5°以内，Δθ在4°以内，说明此方法可以给出提升机故障源具体部位，从而为及时发现异常提供技术支持。
4. 结 语
提出了一种基于MFCC-CS-MUSIC的矿井提升机故障源精准识别方法。通过提取矿井提升机不同状态时的MFCC音频特征，实现了少量数据获得准确的矿井提升机故障信息，利用CS优化的MUSIC算法，对目标函数进行寻优，提升了故障定位的精准度。结果表明，该系统可快速精准的检测矿井提升机所产生的故障，并通过此方法定位出具体产生故障的位置具有较高的可靠性。
-
![]()
图 2 提升机运行正常MFCC特征参数
Figure 2. MFCC characteristic parameters of hoist running normally
![]()
图 3 提升机超载故障MFCC特征参数
Figure 3. MFCC characteristic parameters of hoist overload failure
![]()
图 15 二维MUSIC减速器左轴承故障定位结果
Figure 15. Fault location results of left bearing of two-dimensional MUSIC reducer
![]()
图 16 三维MUSIC减速器左轴承故障定位结果
Figure 16. Fault location results of left bearing of 3D MUSIC reducer
![]()
图 17 二维MUSIC滚筒东轴承故障定位结果
Figure 17. Fault location results of two dimensional MUSIC roller east bearing
![]()
图 18 三维MUSIC滚筒东轴承故障定位结果
Figure 18. 3D MUSIC Fault location results of roller east bearing
![]()
图 19 优化后的二维MUSIC减速器左轴承故障定位结果
Figure 19. Fault location results of left bearing of optimized two dimensional MUSIC reducer
![]()
图 20 优化后的三维MUSIC减速器左轴承故障定位结果
Figure 20. Optimized 3d MUSIC gear left bearing fault location results
![]()
图 21 优化后的二维MUSIC滚筒东轴承故障定位结果
Figure 21. Fault location results of two-dimensional MUSIC roller east bearing after optimization
![]()
图 22 优化后的三维MUSIC滚筒东轴承故障定位结果
Figure 22. Fault location results of 3D MUSIC roller east bearing after optimization
![]()
图 23 优化后的定位坐标与实际坐标偏差结果
Figure 23. The deviation between the optimized positioning coordinates and the actual coordinates
表 1 轴承坐标参数
Table 1 Bearing coordinate parameters
轴承编号 坐标(x, y, z)/m 标定入射角（ψ，θ） 1 (0,0,0.1) (0,20.31) 2 (0.5,0,0.1) (30.00,24.56) 3 (0.7,0,0.1) (45.11,23.37) 4 (1.1,0,0.1) (60.37,22.58) 5 (1.3,0,0.1) (70.56.20.89) 6 (1.6,0,0.1) (80.96,23.43) 7 (1.3,0,3.6) (60.68,50.94) 8 (1.6,0,3.6) (83.29,50.56) 
下载: 导出CSV
-
[1] 李娟莉,杨兆建. 提升机故障诊断不确定性推理方法[J]. 煤炭学报,2014,39(3):586−592. doi: 10.13225/j.cnki.jccs.2013.1179 LI Juanli,YANG Zhaojian. Elevator fault diagnosis uncertainty reasoning method[J]. Journal of China Coal Society,2014,39(3):586−592. doi: 10.13225/j.cnki.jccs.2013.1179
[2] 吴传龙,陈 伟,刘晓文,等. 基于特征融合的提升机逆变器故障诊断[J]. 工矿自动化,2021,47(5):46−51. WU Chuanlong,CHEN Wei,LIU Xiaowen,et al. Elevator inverter fault diagnosis based on feature fusion[J]. Industry and Mine Automation,2021,47(5):46−51.
[3] 张 梅,陈万利,许 桃. 基于LS-SVM的矿井提升机故障预测[J]. 电子测量技术,2021,44(12):70−74. doi: 10.19651/j.cnki.emt.2106266 ZHANG Mei,CHEN Wanli,XU Tao. Of mine hoist based on the LS - SVM fault prediction[J]. Electronic Measurement Technology,2021,44(12):70−74. doi: 10.19651/j.cnki.emt.2106266
[4] 李娟莉,杨兆建,庞新宇. 面向知识工程的提升机智能故障诊断方法[J]. 煤炭学报,2016,41(5):1309−1315. doi: 10.13225/j.cnki.jccs.2015.1234 LI Juanli,YANG Zhaojian,PANG Xinyu. Oriented can ascension knowledge engineering and intelligent fault diagnosis methods[J]. Journal of China Coal Society,2016,41(5):1309−1315. doi: 10.13225/j.cnki.jccs.2015.1234
[5] 祁瑞敏. 基于多传感器信息融合的矿井提升机诊断系统设计[J]. 煤矿机械,2018,39(12):148−150. QI Ruimin. Design of mine hoist diagnosis system based on multi-sensor information fusion[J]. Coal Mine Machinery,2018,39(12):148−150.
[6] 张 梅,许 桃,孙辉煌,孟祥宇. 基于模糊故障树和贝叶斯网络的矿井提升机故障诊断[J]. 工矿自动化,2020,46(11):1−5,45. doi: 10.13272/j.issn.1671-251x.17562 ZHANG Mei,XU Tao,SUN Huihui,Meng Xiangyu. Based on the fuzzy fault tree and bayesian networks of mine hoist fault diagnosis[J]. Industry and Mine Automation,2020,46(11):1−5,45. doi: 10.13272/j.issn.1671-251x.17562
[7] 殷力鹏, 崔广涛. 基于噪声利用HVD的矿井提升机轴承故障诊断研究[J]. 煤矿机械, 2021, 42(11): 175−179. YIN Lipeng, CUI Guangtao. Use HVD mine hoist based on noise bearing fault diagnosis research [J]. Coal Mine Machinery, 2021, 42(11): 175−179.
[8] 张 瑶, 罗林根, 王 辉, 等. 基于MPSO-MLE的变电站设备异常声源定位方法[J]. 高电压技术, 2020, 46(9): 3145−3153. ZHANG Yao, LUO Lingen, WANG Hui, et al. Method of locating abnormal acoustic source of substation equipment based on MPSO-mle [J]. High Voltage Technology, 2020, 46(9): 3145−3153.
[9] 李娟莉,赵旭荣,孙梦祯. 矿井提升机主轴系统故障本体诊断方法[J]. 矿业研究与开发,2020,40(6):144−147. LI Juanli,ZHAO Xurong,SUN Mengzhen. Mine hoist spindle system fault diagnosis method ofontology[J]. Mining Research and Development,2020,40(6):144−147.
[10] 陈瀚翔,邱志斌,王海祥,等. 基于MFCC特征与GMM的输电线路渉鸟故障相关鸟种智能识别[J]. 水电能源科学,2021,39(7):67,171−174. CHEN Hanxiang,QIU Zhibin,WANG Haixian,et al. Intelligent recognition of bird fault-related species on transmission lines based on MFCC feature and GMM[J]. Water Resources and Power,2021,39(7):67,171−174.
[11] 朱子东,吕辅勇,李雪峰. 融合MFCC特征的声发射故障检测[J]. 仪表技术与传感器,2021(9):121−125. doi: 10.3969/j.issn.1002-1841.2021.09.026 ZHU Zidong,LYU Fuyong,LI Xuefeng. Acoustic emission fault detection based on MFCC features[J]. Instrument Technique and Sensor,2021(9):121−125. doi: 10.3969/j.issn.1002-1841.2021.09.026
[12] 邹瑛珂, 李祖明, 刘晓宏, 等. 基于VMD分解的MFCC+GFCC无人机噪音混合特征提取方法[J]. 中国测试, 2021, 47(11): 141−146. ZOU Yingke, LI Zuming, LIU Xiaohong, et al.A Hybrid feature extraction method for MFCC+GFCC UAV noise based on VMD decomposition [J]. China Measurement & Test, 201, 47(11): 141−146.
[13] 刘云鹏,刘嘉硕,裴少通,等. 基于MCSPO-MUSIC算法的换流阀绝缘板沿面放电定位方法[J]. 华北电力大学学报(自然科学版),2022,49(2):53−62. LIU Yunpeng,LIU Jiasuo,PEI Shaotong,et al. Surface discharge locating method for insulationplate of converter valve based on McPo-musicalgorithm[J]. Journal of North China Electric Power University (Natural Science Edition),2022,49(2):53−62.
[14] 李蜀丰,徐永绍,刘秉政,等. 基于改进MUSIC的声源定位方法[J]. 电子测量与仪器学报,2021,35(8):212−219. doi: 10.13382/j.jemi.B2003674 LI Shufeng,XU Yongshao,LIU Bingzheng,et al. Sound source localization method based on improved MUSIC[J]. Journal of Electronic Measurement and Instrument,2021,35(8):212−219. doi: 10.13382/j.jemi.B2003674
[15] 张 海, 陈小龙, 张 涛, 等. 基于MUSIC算法的二次雷达应答信号分离方法[J]. 电子与信息学报, 2020, 42(12): 2984−2991. ZHANG Hai, CHEN Xiaolong, ZHANG Tao, et al. Separation method of Secondary Radar Response Signal Based on MUSIC Algorithm [J] Journal of Electronics & Information Technology, 2020, 42(12): 2984−2991.
[16] 彭 虎, 李源汉, 邓长寿, 等. 多策略调和的布谷鸟搜索算法[J]. 计算机工程, 48（8）: 85-97. PENG Hu, LI Yuanhan, DENG Changshou, et al. Multiple strategies to reconcile the cuckoo search algorithm [J]. Computer Engineering, 48（8）: 85-97.
[17] 吴 慧, 张 品. 基于CS算法的LEACH极值双簇首分簇方法[J]. 传感器与微系统, 2021, 40(12): 141−144. WU HUI, ZHANG Pin. LEACH Extremum Double cluster head clustering method based on CS algorithm [J]. Transducer and Microsystem Technologies, 201, 40(12): 141−144.
[18] 单 良,查婷婷,孔 明,等. 韦伯分布布谷鸟搜索算法颗粒粒径分布反演[J]. 光学学报,2022,42(2):250−259. SHAN Liang,CHA Tingting,KONG Ming,et al. Inversion of Particle Size distribution by Weber distribution Cuckoo search algorithm[J]. Acta Optica Sinica,2022,42(2):250−259.
[19] JIA Maoshen,SUN Jundai,BAO Changchun. Real-time multiple sound source localization andcounting using a soundfield microphone[J]. Journal of Ambient Intelligence and Humanized Computing,2017,8(6):829−844. doi: 10.1007/s12652-016-0388-x
[20] PAVLIDI D,Anthony GRIFFIN A,PUIGT M. Real-Time multiple sound source localizationand counting using a circular microphone array[J]. IEEE Transactions on Audio, Speech, and Language Processing,2013,21(10):2193−2206.
-
期刊类型引用(5)
1. 胡华斌, 方旭东, 张小光. 基于相似性度量的矿井提升机振动故障检测方法. 矿山机械. 2025(07) 
百度学术
2. 周之榛，刘亚丹. 煤矿机电设备运行故障智能监测方法研究. 中国煤炭. 2025(03): 110-117 . 百度学术
3. 罗蕾. 煤矿多绳摩擦式提升机上天轮轴承故障诊断方法研究. 凿岩机械气动工具. 2025(05): 181-184 . 百度学术
4. 李振雷，李娜，杨菲，宋大钊，何学秋，薛雅荣，王洪磊，殷山. 声发射梅尔倒谱系数在砂岩破裂分析的应用. 煤炭学报. 2023(02): 714-729 . 百度学术
5. 王景阳，王有杰，孙守瑄. 基于深度域对抗迁移学习的提升机健康状态诊断系统. 能源与环保. 2023(11): 225-231 . 百度学术
其他类型引用(1)
