-
作者
孙继平余星辰
-
单位
中国矿业大学（北京）机电与信息工程学院
-
摘要
为尽早发现瓦斯和煤尘爆炸事故，提出了基于声音特征的煤矿瓦斯和煤尘爆炸的识别方法：利用矿用拾音器实时采集监控区域声音，通过双树复小波变换，提取分解分量的能量熵比值，构成声音信号的特征量，带入极限学习机(ELM)建立识别模型.通过特征提取试验得到：瓦斯和煤尘爆炸声音的各分量能量熵比值跨度起伏小，整体稳定；煤矿井下其余声音的能量熵比值跨度起伏大.采用ELM模型参数进行试验得到：随着隐含层神经个数的增加，ELM分类器的训练精度不断提升，分类器的误差不断降低，当隐含层神经元个数为20个时，ELM网络的训练精度趋于稳定.识别结果表明：识别模型对训练样本的识别率稳定在98.89%,模型平均识别率为93.5%,能够满足煤矿安全生产和应急救援需求.
-
关键词
声音识别煤矿瓦斯和煤尘爆炸双树复小波能量熵比值极限学习机
-
基金项目(Foundation)
国家重点研发计划项目(2016YFC0801800)；
-
文章目录
1 工作原理及算法
1.1 预处理
1.1.1 归一化
1.1.2 分帧
1.1.3 类别标签
1.2 双树复小波分解能量熵提取
1.3 极限学习机
1.4 算法步骤
2 数据采集与分析
2.1 声音素材
2.2 信号分析
3 特征提取
4 识别结果与分析
4.1 参数试验
4.2 模型识别结果
4.3 试验结果
5 结 论
-
引用格式
孙继平,余星辰.基于声音特征的煤矿瓦斯和煤尘爆炸识别方法[J].中国矿业大学学报,2022,51(06):1096-1105.DOI:10.13247/j.cnki.jcumt.001451.
中国矿业大学学报 
2022年第06期 
