基于深度学习的带式输送机异常声音检测方法不仅在数据的特征提取与特征选择上降低了对人工经验的依赖，还提高了故障诊断实时性，但需要大量的异常声音样本，而在煤矿正常生产过程中，煤矿设备异常声音具有偶发性和多样性，难以获取满足模型训练的大量异常声音样本，且现场采集的声音有一部分被淹没在噪声中，导致设备异常声音不能被有效检测。自编码器是一种在半监督和无监督任务中广泛应用的异常数据检测算法，能够在只有少量或没有异常样本的情况下检测数据中的异常。本文提出一种基于卷积自编码器（CAE）的煤矿带式输送机异常声音检测方法。

       基于CAE的煤矿带式输送机异常声音检测流程如下图所示。将煤矿带式输送机正常运行的声音信号通过WebRTC降噪进行噪声抑制处理，计算降噪后信号的梅尔频率倒谱系数（MFCC）特征，获得带式输送机正常运行的音频特征；将正常运行的音频特征输入到CAE中进行训练，获得重构的正常运行音频特征和训练好的CAE；将正常运行音频特征和重构的正常运行音频特征输入均方误差损失函数（MSELoss），得到重构误差，取重构误差最大值作为正常运行音频特征的重构阈值。进行煤矿带式输送机异常声音检测时，待检测的带式输送机运行声音信号经WebRTC降噪和MFCC特征提取后，输入到训练好的CAE中进行推理，获得重构的待检测音频特征；将待检测音频特征与重构的待检测音频特征输入MSELoss，得到待检测音频的重构误差，并与正常运行音频特征的重构阈值进行比较，若重构误差大于重构阈值，则判断煤矿带式输送机运行异常。

       在带式输送机托辊、减速机和电动机运行声音数据集上，分别基于CAE、支持向量数据描述（SVDD）、深度高斯混合模型（DGMM）的带式输送机异常声音检测结果见下表（单位：%），可看出CAE的精确率、召回率和F1分数均为最优。

托辊异常声音检测结果

减速机异常声音检测结果

电动机异常声音检测结果

       分别基于CAE，SVDD，DGMM的带式输送机异常声音检测时间见下表（单位：s）。可看出CAE耗时比DGMM少了0.82 s，略高于SVDD，但CAE在带式输送机托辊、减速机和电动机运行声音数据集上的检测精确率最高，实现了检测精度和检测速度之间的平衡。

       申龙，中信重工开诚智能装备有限公司特种机器人产品算法工程师，主要负责机器人核心控制软件及识别算法开发工作。获河北省科学技术成果奖，“唐山技术能手称号”，中信重工科技进步奖。发表论文3篇，获授权专利8项、软件著作权4项。

申龙，单浩然，裴文良，等. 基于卷积自编码器的煤矿带式输送机异常声音检测方法[J]. 工矿自动化，2025，51（2）：100-105.

SHEN  Long,  SHAN  Haoran,  PEI  Wenliang,  et  al. Abnormal  sound  detection  method  for  coal  mine  belt  conveyors  based  on convolutional  autoencoder [J].  Journal of Mine Automation，2025，51（2）：100-105.

      《工矿自动化》1973年创刊，月刊，是由中国煤炭科工集团有限公司主管、中煤科工集团常州研究院有限公司主办的一份集中报道我国煤矿自动化、信息化、智能化技术的专业性技术期刊。为中国科学引文数据库（CSCD）来源期刊、中文核心期刊、中国科技核心期刊、RCCSE中国核心学术期刊（A），瑞典开放存取期刊目录数据库（DOAJ）、英国《科学文摘（网络版）》（INSPEC）、美国《地质学参考数据库》(GeoRef)、美国《艾博思科数据库》（EBSCOhost）、日本《科学技术振兴机构(中国数据库）》（JSTChina）、波兰《哥白尼索引》（IC）、J-Gate数据库来源期刊、欧洲学术出版中心数据库（EuroPub）等收录，中国地学/煤炭领域高质量科技期刊T2类。

        刊登范围：煤矿安全监测监控技术，煤矿智能开采技术，煤矿机械自动化控制技术，煤矿机电设备状态监测与控制技术，煤矿电力驱动与控制技术，煤矿通信技术，煤矿抢险救灾装备与技术，矿用仪器仪表技术，煤矿供配电技术，煤矿信息化技术，煤矿机器人技术，智能矿山与物联网技术等。