一种矿用溜槽的堵塞检测系统及其检测方法与流程

本发明涉及矿物加工中运输设备，尤其是一种矿用溜槽的堵塞检测系统及其检测方法。

背景技术：

0、技术背景

1、溜槽作为一种运输用的设备，一般用于如两个皮带机等设备之间，利用重力将矿石由高处快速运输到低处。由于溜槽结构简单成本低并且十分高效，因此在煤炭的运输中有着广泛的应用。但是由于溜槽的工作性质使其长期处于矿石的冲击之下，因此极易产生破损，此外就是矿石本身大小的不规则以及其中混入的杂物，在以上种种因素的作用下溜槽经常会发生堵塞。作为重要的运输设备，溜槽的堵塞不仅会极大的影响生产的效率，当堵塞严重时甚至会发生设备损坏乃至更严重的生产事故。因此对溜槽堵塞的检测和对堵塞部位的定位就有着极高的重要性，如何更有效地达成以上目的便具有了研究的价值。

2、目前主流的溜槽堵塞检测方式是利用安置在溜槽内侧的检测开关，当溜槽发生堵塞时会触发开关后发出警报，只有在发生严重堵塞后才能检测到，并且误触发或不触发的可能性较高并不可靠。如通过吊挂式倾斜开关进行检测，将倾斜开关吊装在溜槽内部，当溜槽中堵塞的煤碰触到倾斜开关，导致内部水银开关倾倒电信号传递到控制系统进行报警。但在煤的粒度过小，或煤进入溜槽速度过快、煤量过大时会导致开关不能倾倒，失去报警功能。或是通过溜槽侧壁压力开关进行检测，在溜槽侧壁开洞口，安装活动翻板，翻板外安装压力传感器或行程开关。当翻板行程到达报警区域，触发开关电信号传递到控制系统进行报警。这种方式的堵塞开关灵敏度调高，容易发生煤块击打翻板导致误报。而部分选煤厂会结合人工检查的方式，但堵塞的时间随机，且确认溜槽内的状况较为困难，如此会消耗大量的人力成本且无法有效检测堵塞。随着人工智能技术的发展，也有许多的机器学习技术运用到了设备检测之中，但要利用也需要考虑实际的设备情况，例如今较为流行的图像检测方法，由于溜槽多为封闭状态且运作环境较为恶劣，导致无法很好的利用相机获取其运行状态，因此机器视觉的方法在溜槽检测上也难以应用。综上就需要一种检测方法首先可以准确的检测到溜槽的堵塞发生，其次还可以不受溜槽的影响不会误触发，最后可以适应各种现场的布置无论什么种类的溜槽都能完成检测。

3、为此本发明提出了基于机器听觉的溜槽堵塞检测方法，机器听觉的目的在于使计算机系统能够理解和解释声音信号，而借助声音信号则是由于其获取简单包含的信息丰富，能实时反应溜槽的内部状态。该方法高效、部署简单，且和传统方法相比具有更广泛的应用场景，项目的完成能够实现在不破坏原有的设备架设的情况下实现对溜槽工况的判别、异常的预警及定位，希望通过该方法可以带动整个行业的智能化发展，加快选矿智能化建设的步伐。

技术实现思路

1、本发明提供了一种矿用溜槽的堵塞检测系统及其检测方法，通过音频预处理部分对采集到的溜槽的音频信号进行处理去除不稳定数据和静音数据后保存为音频文件，音频增强部分除音频中的噪声和混响并进行mfcc转换，堵塞发生检测部分监测堵塞事件的发生，堵塞定位部分则当发生堵塞时定位堵塞的位置。通过本发明可以及时检测到堵塞的发生，避免堵塞过于严重影响生产，也节省了人力资源。

2、本发明的目的是通过以下技术方案实现的：

3、一种矿用溜槽的堵塞检测系统，包括溜槽音频信号处理单元、溜槽堵塞状态检测单元和溜槽堵塞部位定位单元；

4、溜槽音频信号处理单元，包括音频预处理部分和音频增强部分；

5、所述音频预处理部分，将溜槽上传感器获取的声音信号转换为数字音频文件，转换的过程中同时对音频信号进行预处理，考虑到传感器刚开始工作时电流不稳定，此时获取的音频数据会混杂较多的噪声，因此需要对音频文件的开头进行裁剪以提高音频的整体质量，考虑到干扰延迟等因素会造成采集数据的缺失，具体的表现为静音音频，为了更好的对采集到的音频进行后续分析就需要去除音频中的静音段，为此采用了过零率法，过零率表示在音频波形中过零点的频率，静音时的过零率相对较低，可以根据一段时间内音频的过零率是否达到阈值来判断是否为静音，若为判断静音则将相应的静音段去除，此方法可得到高质量的音频数据；

6、所述音频增强部分，首先利用wave-u-net模型对采集到的音频数据进行降噪和去混响处理，之后进行特征提取即mfcc(梅尔频率倒谱系数)转换，其中wave-u-net模型是基于u-net架构的扩展，其特点是将卷积神经网络的编码器部分与解码器部分相结合，这使得此模型对音频能够在时域上进行源分离，即从混合音频中恢复出原始的音频源，模型的部署需要提前进行训练，为此需要准备带噪声的音频数据以及除目标声音以外的背景噪声的音频数据，通过将两种音频输入模型中训练，最终训练完成的模型可以根据输入的音频分离出去除了背景噪声的音频，此外mfcc转换则是为了更好的提取出音频中的频段特征，mfcc转换指的是将音频信号转换为梅尔频率倒谱系数的过程，通过转换能够有效地捕获音频信号的频谱特征，并且转换后的音频数据对于噪声和环境变化相对稳健；

7、溜槽堵塞状态检测单元包含堵塞发生检测部分；

8、所述堵塞发生检测部分，利用seldnet模型检测目标声音事件并定位其开始的事件，其中seldnet模型是一种用于音频事件检测的神经网络模型，模型本身结合了深度卷积神经网络(cnn)和递归神经网络(rnn)，不仅能检测目标声音事件还能定位其开始时间，所使用的seldnet模型部署前需要利用音频数据提前进行训练，而训练所需的音频数据则需要由人工进行强标注，即不仅要标注声音事件的种类也要标注出声音事件的开始和结束时间，通过该模型可以在具有多种声音混合的音频中检测到目标声音。

9、溜槽堵塞部位定位单元包含堵塞定位部分；

10、所述堵塞定位部分，将溜槽的不同部分划分为不同的种类，利用ecapa-tdnn模型对检测到的堵塞音频进行分类，进而根据其类别判断堵塞发生的部位。

11、一种矿用溜槽的堵塞检测方法，包括以下步骤：s1溜槽音频信号处理，s2溜槽堵塞状态检测，s3溜槽堵塞部位定位：

12、s1溜槽音频信号处理包括：

13、步骤s11：首先获取布置在溜槽上的声音传感器采集到的音频信号，之后根据传感器的采样频率、采样位数和声道数，将音频信号保存为相应的音频文件，考虑到传感器刚开始工作时电流不稳定，此时获取的音频数据会混杂较多的噪声，因此需要将音频文件的开头去除以提高音频的整体质量，此外为更好的对采集到的音频进行分析需要去除音频中的静音段，为此采用了过零率法，过零率表示在音频波形中过零点的频率，静音时的过零率相对较低，可以根据过零率的阈值来判断是否为静音，若为判断静音则将相应的静音段去除；

14、步骤s12：根据需要将音频文件每隔一秒进行分段，之后对所有的音频文件进行数据增强处理，主要为去噪声、去混响后利用mfcc处理提取特征，其中通过wave-u-net模型进行去噪声和去混响处理，该模型主要结构为一对编码解码器，使用跨通道和跨时间分辨率的连接，以在不同网络层次上进行特征融合，通过在波形域上的含噪音频以及背景噪声音频进行训练，训练后的模型将网络学习到的特征表示应用于解码器，通过解码和重建过程来生成降噪后的音频，从而实现去噪声以及去混响，此时的音频仍处在波形域上，并不适合后续进行特征提取，因此还需要进行mfcc(梅尔频率倒谱系数)转换，即对音频文件进行分帧，一般每帧为1024字节，同时为了更好的保留音频的上下文特征采用重叠帧处理，即下一帧的一部分来源于上一帧，对每一帧使用汉明窗函数以减少频谱泄漏，之后对每个窗口化的音频帧进行傅立叶变换，以将时域信号转换为频域信号，并通过计算幅度平方来得到其功率谱，最后通过梅尔滤波器进行滤波，就完成了mfcc转换，此时的音频数据包含了时频以及声功率等相较于波形更具有代表性的特征；

15、s2溜槽堵塞状态检测包括：

16、堵塞发生检测部分主要将通过s11-s12处理后的音频数据送入训练好的seldnet模型中，通过模型进行堵塞事件的检测以及发生时间的定位，其中seldnet模型可以输入多通道音频，并将一系列连续的频谱图帧作为输入，从中提取相位和幅度分量并将其用作特征，模型的输出会预测每个输入帧的所有活动声音事件类及其各自的在频谱图中所占的位置，从而判别每个声音事件的种类并生成每个声音事件的活动时间，为此在模型训练时使用的数据集需要由人工进行强标注，即不仅要标注声音事件的种类也要标注出声音事件的开始和结束时间，将训练好的模型部署之后即可进行实时的检测，模型本身是对输入的音频进行检测，即会划分音频中包含的所有声音事件并定位其发生时间，部署中则可以进行后处理，当检测到音频所包含的声音事件中存在堵塞事件时发出警报记录其发生时间，并将相应的音频帧保存用于后续定位处理；

17、s3溜槽堵塞部位定位包括：

18、当步骤s2中检测到堵塞事件后，根据保存的相应的音频帧进行堵塞部位的定位，定位部分主要依靠ecapa-tdnn模型进行，该模型的基础为tdnn网络，即时间延迟网络结构，该结构允许模型在不同时间步长上建立特征联系，从而更好地处理音频信号的动态性质，并且引入了自适应上下文聚合层和上下文注意力机制，有助于对不同时间步的信息进行加权聚合，以便更好地捕捉长距离的上下文信息，此外ecapa-tdnn模型还在传统的tdnn模型上进行了一定的改进和拓展，不仅引入了一种扩展的上下文感知聚合机制，可以有效地捕捉音频信号中的上下文信息，并且利用了并行聚合结构，使得模型能够在多个时间分辨率上捕获特征，基于以上几种主要结构使得模型在音频分类上具有出色的表现，而堵塞部位定位采用的便是基于音频分类的声源位置估计的方法，通过统计实际生产中溜槽易堵塞的部位，将其划分为一系列的子区域，每个区域为一类，将按此分类方法划分的音频作为数据集对模型进行训练，当实际进行定位时模型的产出为每个子区域活动源存在的概率，将概率最大的区域认为是堵塞发生的位置。

19、本发明通过上述技术方案，具有以下优点：

20、1.本发明通过对声音信号的采集以及分析实施了对溜槽的状态检测，一方面声音信号本质上是一种振动信号，其反应了溜槽的整体状态，另一方面声音信号的采集较为简单，只需在合适的位置部署声音传感器就可以获取，并且无需对现有设备进行变动。所以本发明不仅可以准确的检测溜槽状态，并且部署简单可靠性高。

21、2.本发明通过部署多个模型，彼此协同并辅以相关的算法处理，达到了对音频的优化采集识别以及声源的定位。同时所采用的模型均为较轻量化的模型，不仅训练花费较低，实际部署后实时监测的时延也较低，保证了系统整体的高效性。