针对现有输煤传送机托辊故障检测方法存在识别精度较低、抗环境干扰能力较差、无法长期稳定运行等问题，提出了一种基于融合信号（TFM）及多输入一维卷积神经网络（MI-1DCNN）的输煤传送机托辊故障检测方法。首先，通过拾音器采集输煤传送机沿线托辊运行的音频信号，采用dB4小波无偏风险估计阈值降噪法对信号进行预处理，消除背景噪声，提高信噪比。然后，对降噪音频信号的时域、频域和梅尔频率倒谱系数（MFCC）及其一阶二阶差分系数进行归一化处理，并进行拼接，得到特征TFM。最后，将TFM输入到多尺度卷积核的MI-1DCNN模型，在网络通道末端进行特征融合，通过Softmax函数完成对正常托辊和故障托辊的分类识别。以某煤矿实际采集的输煤传送机托辊音频信号样本对TFM-MI-1DCNN模型进行试验，结果表明：故障托辊平均识别准确率达98.65%，较改进小波阈值降噪-反向传播-径向基函数网络、MFCC-K邻近方法-支持向量机的平均识别准确率分别提高了1.50%和1.03%。现场应用结果表明：该方法下故障托辊平均识别准确率为98.4%，说明该方法适用于现场应用。

国家自然科学基金项目（51905459）；

武国平.带式输送机托辊故障检测方法[J].工矿自动化,2023,49(02):149-156.DOI:10.13272/j.issn.1671-251x.2022100022.