针对煤矿井下带式输送机托辊故障音频识别中存在的声源复杂、特征不显著等问题，提出一种融合卷积神经网络与线性回归的托辊故障音频识别方法。首先通过带式输送机巡检机器人搭载的MEMS拾音器采集托辊沿线音频信号，基于小波自相关去噪技术对声音进行预处理，抑制音频信号中的背景噪声信号，优化数据质量。其次利用声纹谱分离技术，采用HPSS（谐波冲击波源分离）方法分离出谐波、冲击波分量，增强托辊故障声音信号特征；基于MFCC（梅尔频率倒谱系数）声纹特征提取方法，解析出谐波-冲击波中托辊声纹特征信息，生成声谱图，提升托辊故障声纹表征能力。最后以声谱图与声品质特征为数据源，融合故障多模态特征，丰富数据维度，基于残差卷积神经网络结构计算图像特征，多元线性回归快速拟合音频基本特征，生成融合卷积神经网络与线性回归的托辊故障音频识别模型进行联合训练，通过Focal Loss损失函数优化模型训练的样本权重，提高模型对托辊故障识别的准确率。用本文方法对国能榆林郭家湾煤矿实际采集的带式输送机故障托辊音频信息进行分析验证，结果表明：托辊故障检出率达到95.79%，检出准确率达到95.60%。

0引言
1托辊故障识别方法
1.1音频信号采集与预处理
1.1.1 信号采集
1.1.2 信号预处理
1.2 构建融合卷积神经网络和线性回归的识别模型
1.2.1 基于声谱图的特征计算
1.2.2 基于声品质的特征计算
1.2.3 托辊声纹故障识别模型联合训练
1.2.4 针对样本不均衡优化
2试验验证
2.1去噪验证
2.2声品质验证
2.3声谱图验证
2.4识别模型验证
3结论