技術(shù)特征：

1.一種刮板輸送機(jī)飄鏈故障診斷方法，其特征在于，該方法包括以下步驟：

步驟一、聲音信號(hào)識(shí)別模型的建立與組成分析：在進(jìn)行刮板輸送機(jī)飄鏈故障診斷之前，先建立相關(guān)診斷方法所需的聲音信號(hào)識(shí)別模型并對(duì)其組成成分進(jìn)行分析；所述聲音信號(hào)識(shí)別模型包括：相關(guān)輸入樣本、相關(guān)聲音信號(hào)特征和分類器，其中相關(guān)輸入樣本為經(jīng)主成分分析(PCA)和白化處理的綜采工作面設(shè)備運(yùn)行時(shí)的聲譜圖，相關(guān)聲音信號(hào)特征為由深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)提取的聲音信號(hào)特征，分類器以聲音信號(hào)特征為輸入的支持向量機(jī)(SVM)，通過分類器對(duì)聲音信號(hào)進(jìn)行分類，從而實(shí)現(xiàn)對(duì)刮板輸送機(jī)在其彎曲區(qū)段內(nèi)飄鏈故障的診斷；提取的聲音信號(hào)特征由卷積層、池化層和全連接層完成，其中C1層和C3層為卷積層，S2層和S4層為池化層即下采樣層，C5層為全連接的特征層，F(xiàn)6為全連接層，模型的輸出層F7為多類別SVM分類器；

步驟二、對(duì)模型進(jìn)行訓(xùn)練實(shí)現(xiàn)工作面聲音信號(hào)的分類：在建立相關(guān)聲音信號(hào)識(shí)別模型后需對(duì)建立的模型進(jìn)行訓(xùn)練使其具備對(duì)聲音信號(hào)進(jìn)行正確分類的能力，從而實(shí)現(xiàn)對(duì)刮板輸送機(jī)在其彎曲區(qū)段內(nèi)飄鏈故障的診斷，過程如下：

步驟201、對(duì)采樣的幾類聲音信號(hào)進(jìn)行切分分組以及相關(guān)處理形成輸入樣本集合并將輸入樣本集合分為訓(xùn)練樣本集合Tr和測(cè)試樣本集合Te，即每組輸入為三段連續(xù)的聲音信號(hào)，每段聲音信號(hào)時(shí)長(zhǎng)為ΔT，將連續(xù)的三段聲音信號(hào)轉(zhuǎn)化為聲譜圖的表達(dá)形式，并進(jìn)行主成分分析(PCA)和白化處理得到大小均為N×M的一組數(shù)據(jù)為輸入樣本，其中y_i為相應(yīng)的類別標(biāo)簽，將輸入樣本集合T隨機(jī)打亂后分為訓(xùn)練樣本集合Tr和測(cè)試樣本集合Te兩部分，取訓(xùn)練樣本集合Tr的樣本點(diǎn)作為CNN-SVM模型的訓(xùn)練數(shù)據(jù)。

步驟202、使用訓(xùn)練樣本集合Tr中的數(shù)據(jù)對(duì)CNN-SVM模型進(jìn)行訓(xùn)練，其中卷積神經(jīng)網(wǎng)絡(luò)(CNN)的卷積核的大小為25×25，池化過程采用最大池化大小為2×2，兩層全連接層的神經(jīng)元數(shù)量分別為120和10，其輸出層為四個(gè)one-against-all的多類別SVM分類器；

步驟三、對(duì)完成訓(xùn)練的CNN-SVM模型進(jìn)行測(cè)試：通過測(cè)試樣本集合Te中的數(shù)據(jù)對(duì)訓(xùn)練完成的CNN-SVM模型進(jìn)行測(cè)試，統(tǒng)計(jì)出模型對(duì)工作面聲音信號(hào)識(shí)別的識(shí)別率，完成對(duì)模型性能的驗(yàn)證，過程如下：

步驟301、將測(cè)試樣本集合Te中的數(shù)據(jù)作為完成訓(xùn)練的CNN-SVM模型的輸入，并將模型的輸入類別與對(duì)應(yīng)的實(shí)際類別分別比較，統(tǒng)計(jì)出完成訓(xùn)練的模型對(duì)測(cè)試樣本集合中數(shù)據(jù)的識(shí)別率；

步驟302、采用經(jīng)典聲音識(shí)別方法，即以工作面聲音信號(hào)的MFCC特征為輸入的GMM-HMM模型對(duì)工作面的刮板輸送機(jī)飄鏈故障進(jìn)行診斷，其中每一幀的時(shí)長(zhǎng)為500ms，MFCC特征的維數(shù)為24，統(tǒng)計(jì)不同GMM-HMM模型階數(shù)下的識(shí)別率，得到平均值，并與訓(xùn)練完成的CNN-SVM模型的識(shí)別率進(jìn)行對(duì)比，得出CNN-SVM模型的識(shí)別率是否高于GMM-HMM模型的識(shí)別率，同時(shí)結(jié)合步驟301所得出的測(cè)試樣本集合中數(shù)據(jù)的識(shí)別率，若識(shí)別率高于GMM-HMM模型則進(jìn)入步驟四，若識(shí)別率低于GMM-HMM模型則返回步驟二重新修正CNN-SVM模型；

步驟四、在綜采工作面生產(chǎn)過程中采集工作面的聲音信號(hào)，對(duì)采樣的聲音信號(hào)進(jìn)行實(shí)時(shí)處理，即按照時(shí)長(zhǎng)ΔT為一段描繪聲譜圖，并進(jìn)行主成分分析(PCA)和白化處理，將處理完成的數(shù)據(jù)輸入經(jīng)過前三個(gè)步驟訓(xùn)練好的CNN-SVM模型，集合輸出當(dāng)前所采樣的聲音信號(hào)的種類，一旦產(chǎn)生飄鏈時(shí)所發(fā)出的聲音便可實(shí)時(shí)檢測(cè)出刮板輸送機(jī)飄鏈故障。