基于声谱图和SVM的煤矿瓦斯和煤尘爆炸识别方法

• Published in: 煤炭科学技术 Vol. 51; no. 2; pp. 366 - 376
• Main Authors: 孙继平, 余星辰, 王云泉
• Format: Journal Article
• Language: Chinese
• Published: 中国矿业大学(北京) 机电与信息工程学院,北京 100083%中国中煤能源集团有限公司,北京 100011 01.02.2023
• Subjects: 瓦斯和煤尘爆炸; 声音识别; 支持向量机; 声谱图; 灰度共生矩阵; 图像识别
• ISSN: 0253-2336
• DOI: 10.13199/j.cnki.cst.2022-2050

TD76%X936; 为提高煤矿瓦斯和煤尘爆炸感知准确率,提出了基于声谱图和SVM的煤矿瓦斯和煤尘爆炸感知方法:在煤矿井下重点监测区域安装矿用拾音器;实时监测煤矿井下设备工作声音及环境音;将采集到的声音提取由MFCC构成的声谱图,通过计算声谱图的灰度共生矩阵得到0°、45°、90°、135°的能量、熵、对比度、相关性,分别求其均值和标准差作为声谱图图像纹理特征,构成该声音的特征量,输入到SVM中建立煤矿瓦斯和煤尘爆炸声音识别模型;对待测声音同样提取其MFCC声谱图图像纹理特征,输入到训练好的识别模型中进行声音识别分类;并进行了试验验证.首先,提取了采掘工作面设备运行、瓦斯和煤尘爆炸等不同声音的MFCC特征值,分析了不同声音的MFCC特征值分布情况;提取不同声音的MFCC声谱图,分析了不同声音的声谱图的特征参数:能量、熵、对比度、相关性的均值和标准差,可见通过提取MFCC声谱图的灰度共生矩阵特征参数构成的特征量可有效表征声音信号;其次,将待测声音输入建立的识别模型中,完成识别分类.结果表明:所提方法的识别率达到95％,整体识别性能高于其他算法;最后,通过贝叶斯参数优化试验结果可知,优化后的SVM识别模型的召回率、识别率分别提高10％、3％,优于优化前的识别模型,能够满足煤矿瓦斯和煤尘爆炸感知和报警需求.