技术特征：
1.一种基于mfcc-cnn的矿井提升机故障声学分析方法，其特征在于，包括以下步骤：
步骤1、利用麦克风阵列采集矿井提升机一次完整运行过程的音频信号，并以.wav的格式对音频信号进行存储，读取存储的音频信号进行预处理，预处理包括：预加重、分帧、门限端点检测和加窗；
步骤2、对预处理后的音频信号进行mfcc特征参数提取，包括：短时傅里叶变换、mel滤波器滤波和离散余弦变换；
步骤3、构建cnn模型：包括输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连接层，第二全连接层和输出层，第一卷积层和第二卷积层的卷积核大小均为4×4，第一池化层和第二池化层的池化域的大小均为3×3；将步骤2中得到的mfcc随帧数变化的特征曲线作为输入与第一卷积层连接，第一卷积层的输出通过第一池化层降维再输入到第二卷积层，第二卷积层的输入经第二池化层降维输入到第一全连接层，第一全连接层和第二全连接层连接，由第二全连接层将数据传递给输出层；第一卷积层和第二卷积层中的激活函数选取的均是sigmoid函数，输出层中的回归算法选取的是softmax函数；
步骤4、cnn模型训练，提升机故障诊断：将步骤2中得到的mfcc随帧数变化的特征曲线作为步骤3中cnn模型的输入，重复步骤1、2采集1000组故障时提升机运行音频信号和正常运行的提升机音频信号200组，并分别得出每一组故障样本和正常样本的mfcc随帧数变化的特征曲线，将这些故障样本和正常样本的mfcc随帧数变化的特征曲线输入到cnn模型中，得到训练后的模型modelx；进行提升机故障诊断时，将所采集和分析得出的音频信号mfcc随帧数变化的特征曲线输入到模型modelx中，判断其是故障样本还是正常样本。
2.根据权利要求1所述的一种基于mfcc-cnn的矿井提升机故障声学分析方法，其特征在于，步骤1中的预加重、分帧、门限端点检测和加窗具体为：
步骤1-1、预加重：通过对音频信号的不同分段加上权值，来使信号的频谱变得平坦，提升高频成分的同时减小随机噪声对音频信号的影响，预加重处理函数y表达式为：
步骤1-2、分帧：采用重叠分段的形式对采集的音频信号进行处理，依据音频信号的采样率，设置每一帧的帧长为采样率与0.025的乘积结果，相邻帧之间重叠区域的长度即帧移为采样率与0.015的乘积结果，音频信号的采样率设置为16000hz，即每一帧的帧长为400，相邻帧之间的帧移为240；
步骤1-3、门限端点检测：计算音频信号中的时域特征中的短时能量参数，得出音频信号的起始点与终止点，第x帧的短时能量en计算公式为：
步骤1-4、加窗：使用汉明窗对音频信号进行加窗，减小信号的截断效应，增加每一帧左右两侧的连续性，汉明窗的表达式为：
w＝0.54-0.46cos(2πn/a)，其中：n表示常数，1≤n≤400。
3.根据权利要求1所述的一种基于mfcc-cnn的矿井提升机故障声学分析方法，其特征在于，步骤2中的短时傅里叶变换、mel滤波器滤波和离散余弦变换具体为：
步骤2-1、短时傅里叶变换：对加窗后的每一帧音频信号都进行快速傅里叶变换，将时域的音频信号转换到频域：
d(z,m)＝fft(x(z),s)，其中：z表示分帧后的第z帧,m表示频域中的第m条谱线，s表示对音频信号的每一帧都进行s维的快速傅里叶变换，s的值设置为4096；
步骤2-2、mel滤波器滤波：计算经快速傅里叶变换得到的d(z,m)中每一帧的谱线能量，即为每一帧信号频谱幅度d(z,m)的平方；将每一帧的谱线能量经过mel滤波器，变换为mel刻度下的值，第p个mel滤波器的频率响应传递函数为：
mel(f[p 1])-mel(f[p])＝mel(f[p])-mel(f[p-1])；
再计算mel滤波器的频率响应hp(k)与d(z,m)的每一帧谱线能量的乘积之和,得到mel滤波器能量：
步骤2-3、离散余弦变换：利用离散余弦变换将步骤2-2中的结果l(z,p)从频域再变换到时域，得到最终的mfcc数值：
技术总结
本发明公开了一种基于MFCC‑CNN的矿井提升机故障声学分析方法，包括对采集的提升机运行时音频信号进行预加重、分帧、门限端点检测和加窗的预处理；进行短时傅里叶变换、Mel滤波器滤波和离散余弦变换，完成音频信号的MFCC特征参数提取；构建包括输入层在内的八层CNN模型；对CNN模型进行训练以及提升机故障诊断等步骤，本发明具有诸多优势，利用了声学信号采集速度快，采集设备简单等特点，能够完成提升机状态实时的在线监测与分析，结合神经网络分析方法实现了提升机故障诊断的智能化。
技术研发人员：李敬兆;秦晓伟
受保护的技术使用者：安徽理工大学
技术研发日：2021.03.29
技术公布日：2021.07.30
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
