Coal mine gas and coal dust explosion sound recognition method based on wavelet packet energy
-
摘要: 针对目前煤矿瓦斯和煤尘爆炸监测漏报率和误报率高，难以满足瓦斯和煤尘爆炸事故应急救援需求的问题，提出了一种基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法。在煤矿井下重点监测区域安装矿用拾音器，实时采集煤矿井下设备工作声音及环境音等；通过小波包分解提取声音的小波包能量占比，构成表征声音信号的特征向量；将特征向量输入BP神经网络中，训练得到煤矿瓦斯和煤尘爆炸声音识别模型；提取待测声音信号的小波包能量占比，并构成特征向量输入模型中,识别待测声音信号的类型。根据特征向量和输出结果要求，建立了输入层、隐含层和输出层节点数分别为8，8，1的BP神经网络用于识别模型的训练；通过分析煤矿井下声音信号小波包分解结果，确立了采用Haar小波函数，选择小波包分解层数为3。实验结果表明：瓦斯和煤尘爆炸声音通过小波包分解后的能量占比与其他声音差异明显，且不同时长的同一声音信号的小波包能量占比分布稳定，因此小波包能量占比可有效表征声音信号特征，且具有较强的鲁棒性；BP神经网络训练速度快，仅需较少的训练迭代次数就能达到期望误差，且在煤矿井下众多干扰声音信号存在的情况下识别准确率达95%，与极限学习机模型、支持向量机模型相比，BP神经网络识别效果最优。Abstract: At present, it is difficult to meet the emergency rescue needs of gas and coal dust explosion accidents due to the rate of missing and false alarms in coal mine gas and coal dust explosion monitoring. In order to solve the above problems, a coal mine gas and coal dust explosion sound recognition method based on wavelet packet energy is proposed. This method installs mine-used pickups in the key monitoring areas of the coal mine to collect the working sound and environmental sound of the coal mine equipment in real-time. The wavelet packet energy ratio of sound is extracted through wavelet packet decomposition, and the feature vector characterizing the sound signal is formed. The feature vector is input into the BP neural network to obtain the sound recognition model of coal mine gas and coal dust explosion. The wavelet packet energy ratio of the sound signal to be measured is extracted and input into the model as the feature vector to recognize the type of sound signal to be measured. According to the requirements of feature vectors and output results, a BP neural network with 8, 8 and 1 nodes in the input layer, hidden layer and output layer is established to train the recognition model. By analyzing the results of wavelet packet decomposition of underground acoustic signals in coal mines, it is confirmed that the Haar wavelet function is used and the number of wavelet packet decomposition layers is chosen to be 3. The experimental results show that the energy proportion of gas and coal dust explosion sound decomposed by wavelet packet is obviously different from other sounds. The wavelet packet energy proportion distribution of the same sound signal with different time is stable. Therefore, the wavelet packet energy proportion can effectively represent the features of the sound signal and has strong robustness. BP neural network training speed is fast, and only a small number of training iterations can achieve the expected error. The recognition accuracy is up to 95% in the presence of many disturbing sound signals in the coal mine. BP neural network has the best recognition effect compared with the extreme learning machine model and support vector machine model.
-
0. 引言
瓦斯爆炸、瓦斯煤尘爆炸和煤尘爆炸（以下简称瓦斯和煤尘爆炸）是煤矿重特大事故之一[1-2]。煤矿瓦斯和煤尘爆炸具有突发性，一旦发生将造成重大的人员伤亡和财产损失。目前，煤矿瓦斯和煤尘爆炸监测主要通过人工完成，存在漏报率和误报率高等问题，难以满足瓦斯和煤尘爆炸事故应急救援需求。因此，正确辨识煤矿瓦斯和煤尘爆炸具有重要意义[3-5]。
声音具有传播距离远、受巷道弯曲和分支影响小等特点[5]，声音识别在煤矿瓦斯和煤尘爆炸辨识中取得了较好效果。文献[2]根据爆炸声的时域和频域特征与其他声音不同的特点，提出了通过声音智能分析和声音频率、幅度、短时能量等特征参数分析感知煤矿瓦斯和煤尘爆炸。文献[3]采用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition，CEEMD）对声音信号进行分解，得到模态分量的样本熵，构成声音信号的特征量，再将特征量输入到支持向量机（Support Vector Machine，SVM）中进行声音识别分类，实现瓦斯和煤尘爆炸声音识别。文献[4]通过双树复小波变换得到的能量熵比值来表征声音信号，并利用极限学习机（Extreme Learning Machine，ELM）对声音进行分类，从而识别瓦斯和煤尘爆炸声音。
小波包分解是小波分解的推广，提高了信号的时频分辨率，是一种更精细的信号分析方法，具有良好的正交性、完备性、局部性[6-10]。信号通过小波包分解后的能量分布可反映信号的不确定性和复杂度，实现对信号特征量化表征的目的。为进一步提高煤矿瓦斯和煤尘爆炸声音识别的准确率，笔者提出基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法，通过实时监测声音信号的小波包能量分布，实现瓦斯和煤尘爆炸声音识别。
1. 方法原理
煤矿瓦斯和煤尘爆炸声音特征与煤矿井下环境和设备工作声音有明显区别[1-2]。基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法原理如图1所示。在煤矿井下重点监测区域安装矿用拾音设备，实时采集环境与设备工作声音；将采集到的声音通过小波包分解得到分解分量的能量占比，构成表征声音的特征向量；将特征向量输入BP神经网络中，训练得到煤矿瓦斯和煤尘爆炸声音识别模型；将待测声音通过小波包分解后，得到表征该声音的特征向量，并输入煤矿瓦斯和煤尘爆炸声音识别模型中，识别待测声音类别。
![]()
图 1 基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法原理Figure 1. Principle of coal mine gas and coal dust explosion sound recognition method based on wavelet packet energy1.1 特征提取
1.1.1 小波包分解
小波包分解是在小波分解的基础上增加对信号高频部分的分解，可以克服小波分解在高频段的频率分辨率较差的缺点，能对声音信号频带进行多层次的均匀划分[11-16]。鉴于矿用拾音器收集到的声音通常是非平稳信号，采集的声音数据通过小波包分解后可以得到任意独立频段的信号，且煤矿瓦斯和煤尘爆炸声音与煤矿井下其他声音在时域和频域差异明显[3-4]，因此，小波包分解在处理煤矿井下声音信号方面更有优势，能分辨煤矿井下声音在不同频带的能量分布情况。小波包分解得到高频和低频子频带，对于
$ l $ 层小波包分解的信号，能够得到$ {2}^{l} $ 个子频带[17-19]。1.1.2 小波包能量占比
根据帕塞瓦尔定理，信号在时域的总能量与信号在频域的总能量相等。由此可知，信号在通过小波包分解前后的总能量始终保持相等。不同子频带上的能量为[8，20]
$$ {E}_{ij}=\sum _{k=1}^{n}{\left|{d}_{i,j}\left(k\right)\right|}^{2}\quad j=\mathrm{0,1},\cdots ,{2}^{i}-1 $$ (1) 式中
$ {d}_{i,j}\left(k\right) $ 为信号分解后第i个子频带第j层对应的第k（k=1，2，…，$n$ ，$n$ 为信号长度）个采样点的幅值。信号总能量为
$$ E=\sum _{j=0}^{{2}^{i}-1}{E}_{ij} $$ (2) 小波包能量占比为[8]
$${\lambda }_{i}=\frac{{E}_{ij}}{E}$$ (3) 小波包能量占比构成表征声音信号的特征向量。本文选择小波包分解层数为3，因此可得包含8个特征值的特征向量。
1.2 BP神经网络建立
神经网络的训练方式主要分为有监督学习和无监督学习2种[17]。结合煤矿瓦斯和煤尘爆炸声音、煤矿井下设备工作声音及环境音等信号特征和小波包分解特征向量表征方式，笔者建立有监督学习的BP神经网络对煤矿瓦斯和煤尘爆炸声音进行识别。
BP神经网络主要由输入层、隐含层和输出层组成[17]。BP神经网络的学习过程分为特征正向传播和误差反向传播2个部分：输入信号由神经网络正向传递到隐含层，计算得到神经元的输出结果，将输出结果传入输出层与期望输出比较，若小于期望输出，则将二者误差反向传回输入层，并作为权值和阈值的修正依据，如此反复，直至误差达到预设的目标阈值，训练完成。
1.2.1 BP神经网络各层节点数
（1） 输入层节点数。输入层节点数由输入信号的维度决定。由于输入BP神经网络的表征声音信号的特征向量包括8个特征值，所以确定输入层节点数为8。
（2） 输出层节点数。本文将需要区分的声音信号划分为煤矿瓦斯和煤尘爆炸声音及非煤矿瓦斯和煤尘爆炸声音2类：识别为煤矿瓦斯和煤尘爆炸声音则BP神经网络输出结果为1；识别为非煤矿瓦斯和煤尘爆炸声音则BP神经网络输出结果为0。因此，输出层节点数为1。
（3） 隐含层节点数。BP神经网络可实现从M维到N维的非线性映射，隐含层节点数为[18]
$$ P=\sqrt{M+N}+m $$ (4) 式中：
$ M $ 为输入层节点数；$ N $ 为输出层节点数；$ m $ 为经验参数，$ 1 < m < 10 $ 。由于输入层节点数为8，输出层节点数为1，取
$ m=5 $ ，所以确定隐含层节点数为8。1.2.2 BP神经网络参数
（1） 采用双曲正切S型传输函数（tansig）作为隐含层和输出层的激活函数。
（2） 初始权值在（0，1）内由BP神经网络根据条件随机选取产生。
（3） 学习率的选取对训练网络权值变化、训练时长及收敛速度有直接影响。通过大量实验论证，本文选择学习率为0.15。
（4） 神经网络的期望误差为0.01，最大迭代次数为5 000。
2. 实验分析
2.1 实验条件
在神华宁夏煤业集团有限责任公司双马煤矿和中煤科工集团重庆研究院有限公司完成声音采集。声音采集设备为HYV−E720录音笔，内存为16 GB，所有音频文件均为单声道，采样频率为48 kHz，保存格式为.wav。数据处理及实验均在Intel i9−9980HK CPU@2.40 GHz、32 GB内存、64位操作系统的服务器上使用Matlab2012b完成。
2.2 参数选择
2.2.1 小波包分解层数
小波包分解层数对信号分解效果具有重要作用。信号通过小波包分解的噪声主要集中在高频部分，噪声随着分解层数的增加而减少，但分解层数过高会导致信号的信息丢失。为选择最优分解层数，监测不同分解层数中的噪声。最大分解层高频部分噪声含量与前一分解层基本无差别，则表示该层是最优分解层数[21]。小波包能量占比可表征分解层的噪声大小。若某一层高频分量与前一层高频分量的小波包能量占比差值小于前一层高频分量与相邻层高频分量的小波包能量占比差值，则代表该层为最优分解层数。
煤矿井下采集的声音经过小波包分解的高频分量小波包能量占比差值分布如图2所示。可看出声音信号通过小波包分解后，第4层高频分量与第3层高频分量的小波包能量占比差值小于第3层高频分量与第2层高频分量的小波包能量占比差值；除了锚杆机工作声音和风镐工作声音，其余声音的高频分量小波包能量占比差值不足0.5%，若分解层数增加到4，信号分解效果的提升空间不大，且易造成声音信号的丢失。因此，选择小波包分解层数为3是符合实际应用要求的。
![]()
图 2 经小波包分解的声音高频分量小波包能量占比差值分布Figure 2. Distribution of wavelet packet energy proportion difference of high frequency sound component decomposed by wavelet packet2.2.2 小波函数
为选取最优的小波函数对声音信号进行小波包分解，将瓦斯爆炸、采煤机工作、掘进机工作3种声音信号（声音时长为1 s）分别通过Haar小波函数和db4小波函数进行小波包分解（小波包分解层数为3），得到第3层分解结果及小波包系数分布，分别如图3、图4所示，其中，d1—d4为低频分量，d5—d8为高频分量。由于本文声音采集设备的采样频率为48 kHz，根据小波包分解原理可知，d1的频率范围为0～6 kHz，d2的频率范围为6～12 kHz，d3的频率范围为12～18 kHz，d4的频率范围为18～24 kHz，d5的频率范围为24～30 kHz，d6的频率范围为30～36 kHz，d7的频率范围为36～42 kHz，d8的频率范围为42～48 kHz。
![]()
图 3 基于Haar小波函数的声音信号小波包分解结果及小波包系数分布Figure 3. Wavelet packet decomposition results and wavelet packet coefficient distribution of sound signals based on Haar wavelet function![]()
图 4 基于db4小波函数的声音信号小波包分解结果及小波包系数分布Figure 4. Wavelet packet decomposition results and wavelet packet coefficient distribution of sound signals based on db4 wavelet function由图3可知，经Haar小波函数分解的瓦斯爆炸声音小波包系数分布与其他声音的差异较明显：瓦斯爆炸声音的小波包系数主要分布在d1的频率范围内，其次分布在d2—d4的频率范围内；采煤机工作声音的小波包系数集中分布在d1的频率范围内，其次分布在d2的频率范围内；掘进机工作声音的小波包系数主要分布在d1的频率范围内，其次分布在d2，d3的频率范围内。
由图4可知，经db4小波函数分解的瓦斯爆炸声音小波包系数分布与其他声音的差异较明显：瓦斯爆炸声音的小波包系数主要分布在d1的频率范围内，其次分布在d2的频率范围内；采煤机工作声音的小波包系数集中分布在d1的频率范围内；掘进机工作声音的小波包系数分布较其他2个声音分散，主要分布在d1的频率范围内，其次分布在d2，d3的频率范围内。
结合图3、图4可看出，基于Haar小波函数的小波包分解信号在d1—d8的连续性较好，信号幅度变化较小，且波形稳定，小波包分解效果优于db4小波函数。
2.3 特征提取
本文选择Haar小波函数，小波包分解层数为3，将采集到的煤矿井下包括瓦斯和煤尘爆炸声音在内的17种声音（声音时长均为1 s）进行小波包分解，得到小波包能量占比分布，见表1。可看出瓦斯和煤尘爆炸声音的小波包能量占比与其他声音差异明显：瓦斯和煤尘爆炸声音能量主要集中在d1的频率范围内，瓦斯爆炸声音在d1的频率范围内能量占比达87.280%，煤尘爆炸声音在d1的频率范围内能量占比达90.100%，瓦斯爆炸声音在d2—d8的频率范围内能量占比为12.720%，煤尘爆炸声音在d2—d8的频率范围内能量占比为9.900%，瓦斯和煤尘爆炸声音能量占比分布相似性高；非瓦斯和煤尘爆炸声音属于不同类型的干扰声音，其中除了胶带和水泵工作声音与瓦斯和煤尘爆炸声音在d1，d2，d5，d7的频率范围内能量占比较接近（但在d3，d4，d6，d8的频率范围内能量占比仍存在差异），其余非爆炸声音与瓦斯和煤尘爆炸声音的能量占比分布相似性低。
表 1 煤矿井下声音小波包能量占比分布Table 1. Wavelet packet energy proportion distribution of sound in underground coal mine% 声音 能量占比 d1 d2 d3 d4 d5 d6 d7 d8 瓦斯爆炸 87.280 8.081 1.013 2.581 0.230 0.539 0.048 0.228 煤尘爆炸 90.100 6.316 0.810 1.969 0.185 0.411 0.037 0.173 采煤机 99.798 0.151 0.036 0.004 0.009 0.001 0 0 刮板输送机 96.802 2.366 0.548 0.110 0.134 0.025 0.008 0.006 转载机 94.162 4.021 0.836 0.567 0.198 0.119 0.037 0.060 破碎机 97.182 1.961 0.403 0.260 0.096 0.053 0.016 0.029 乳化液泵 95.135 3.106 0.690 0.602 0.162 0.131 0.080 0.093 掘进机 94.002 3.944 0.792 0.749 0.181 0.149 0.077 0.105 锚杆机 57.115 9.755 8.843 7.940 2.054 2.898 7.320 4.075 风镐 37.388 21.513 10.640 13.989 1.537 3.236 6.919 4.778 馈电开关设备 99.801 0.140 0.036 0.007 0.009 0.003 0.003 0.002 高爆开关设备 98.624 1.029 0.251 0.022 0.062 0.006 0.003 0.002 移动变电站 99.199 0.604 0.147 0.009 0.037 0.002 0.001 0.001 通风机 85.903 9.983 2.096 1.112 0.507 0.237 0.055 0.108 水泵 91.574 5.867 1.235 0.733 0.287 0.152 0.069 0.083 胶带 90.865 6.463 1.290 0.780 0.310 0.165 0.046 0.079 胶轮车 98.605 1.053 0.255 0.017 0.063 0.004 0.001 0 为了研究小波包能量占比作为声音信号特征向量的鲁棒性，本文截取时长分别为0.5，1.0，1.5，2.0 s的瓦斯爆炸声音、煤尘爆炸声音、采煤机工作声音、掘进机工作声音，得到其小波包能量占比分布情况，如图5所示。可看出随着时间增加，4种声音的小波包能量占比变化不大，分布较为稳定；瓦斯和煤尘爆炸声音的小波包能量占比有较小的波动，但整体处于稳定状态；采煤机工作声音的小波包能量占比波动不大，能量基本集中在d1内，能量占比超过99.6%；掘进机工作声音的小波包能量占比有轻微波动，但仍保持较稳定的状态，能量同样集中在d1内，能量占比超过95%。
![]()
图 5 不同时长下声音小波包能量占比分布Figure 5. Wavelet packet energy proportion distribution of sound under different time由表1和图5可知，声音信号通过小波包分解提取的能量占比分布稳定，瓦斯和煤尘爆炸声音的小波包能量占比与非瓦斯和煤尘爆炸声音的小波包能量占比差异明显，不同时长的同一声音信号的小波包能量占比分布稳定。因此，小波包能量占比可有效表征声音信号特征，从而有效区分瓦斯和煤尘爆炸声音与非瓦斯和煤尘爆炸声音，且具备较强的抗噪声能力。
2.4 分类识别
将采集到的声音信号通过GoldWave软件剪辑100组作为训练样本，提取声音信号的小波包能量占比构成表征声音的特征向量，并输入BP神经网络中进行训练。BP神经网络训练误差曲线如图6所示，可看出仅需经过19步迭代训练后，误差降低至期望误差。
为验证BP神经网络模型的优势，将100组声音信号作为测试样本（其中瓦斯和煤尘爆炸声音20组，非瓦斯和煤尘爆炸声音80组），测试样本经小波包分解得到的能量占比作为特征向量分别输入训练好的ELM模型、SVM模型和BP神经网络模型中，识别结果见表2。可看出BP神经网络模型的识别率、召回率、精确率分别为95%，75%，100%，与其他2种模型相比，识别效果最优。
表 2 不同模型识别结果Table 2. Recognition results of different models% 模型 识别率 召回率 精确率 BP神经网络模型 95 75 100 SVM模型 91 69 100 ELM模型 84 20 100 3. 结论
（1） 声音信号通过小波包分解提取的能量占比分布稳定，瓦斯和煤尘爆炸声音的小波包能量占比与非瓦斯和煤尘爆炸声音的小波包能量占比差异明显，不同时长的同一声音信号的小波包能量占比分布稳定。因此，以小波包能量占比作为特征向量可有效表征声音信号特征，且具有较强的鲁棒性。
（2） 将声音信号的特征向量作为BP神经网络的输入值，经过训练后得到瓦斯和煤尘爆炸声音识别模型。实验结果表明：BP神经网络的训练速度快，仅需较少的训练迭代次数就能达到期望误差，且在煤矿井下众多干扰声音信号存在的情况下识别率达95%，与SVM模型、ELM模型相比，BP神经网络识别效果最优。
-
![]()
图 1 基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法原理
Figure 1. Principle of coal mine gas and coal dust explosion sound recognition method based on wavelet packet energy
![]()
图 2 经小波包分解的声音高频分量小波包能量占比差值分布
Figure 2. Distribution of wavelet packet energy proportion difference of high frequency sound component decomposed by wavelet packet
![]()
图 3 基于Haar小波函数的声音信号小波包分解结果及小波包系数分布
Figure 3. Wavelet packet decomposition results and wavelet packet coefficient distribution of sound signals based on Haar wavelet function
![]()
图 4 基于db4小波函数的声音信号小波包分解结果及小波包系数分布
Figure 4. Wavelet packet decomposition results and wavelet packet coefficient distribution of sound signals based on db4 wavelet function
![]()
图 5 不同时长下声音小波包能量占比分布
Figure 5. Wavelet packet energy proportion distribution of sound under different time
表 1 煤矿井下声音小波包能量占比分布
Table 1 Wavelet packet energy proportion distribution of sound in underground coal mine
% 声音 能量占比 d1 d2 d3 d4 d5 d6 d7 d8 瓦斯爆炸 87.280 8.081 1.013 2.581 0.230 0.539 0.048 0.228 煤尘爆炸 90.100 6.316 0.810 1.969 0.185 0.411 0.037 0.173 采煤机 99.798 0.151 0.036 0.004 0.009 0.001 0 0 刮板输送机 96.802 2.366 0.548 0.110 0.134 0.025 0.008 0.006 转载机 94.162 4.021 0.836 0.567 0.198 0.119 0.037 0.060 破碎机 97.182 1.961 0.403 0.260 0.096 0.053 0.016 0.029 乳化液泵 95.135 3.106 0.690 0.602 0.162 0.131 0.080 0.093 掘进机 94.002 3.944 0.792 0.749 0.181 0.149 0.077 0.105 锚杆机 57.115 9.755 8.843 7.940 2.054 2.898 7.320 4.075 风镐 37.388 21.513 10.640 13.989 1.537 3.236 6.919 4.778 馈电开关设备 99.801 0.140 0.036 0.007 0.009 0.003 0.003 0.002 高爆开关设备 98.624 1.029 0.251 0.022 0.062 0.006 0.003 0.002 移动变电站 99.199 0.604 0.147 0.009 0.037 0.002 0.001 0.001 通风机 85.903 9.983 2.096 1.112 0.507 0.237 0.055 0.108 水泵 91.574 5.867 1.235 0.733 0.287 0.152 0.069 0.083 胶带 90.865 6.463 1.290 0.780 0.310 0.165 0.046 0.079 胶轮车 98.605 1.053 0.255 0.017 0.063 0.004 0.001 0 
下载: 导出CSV
表 2 不同模型识别结果
Table 2 Recognition results of different models
% 模型 识别率 召回率 精确率 BP神经网络模型 95 75 100 SVM模型 91 69 100 ELM模型 84 20 100
下载: 导出CSV
-
[1] 孙继平. 煤矿瓦斯和煤尘爆炸感知报警与爆源判定方法研究[J]. 工矿自动化,2020,46(6):1-5,11. DOI: 10.13272/j.issn.1671-251x.17617 SUN Jiping. Research on method of coal mine gas and coal dust explosion perception alarm and explosion source judgment[J]. Industry and Mine Automation,2020,46(6):1-5,11. DOI: 10.13272/j.issn.1671-251x.17617
[2] 孙继平,余星辰. 基于声音识别的煤矿重特大事故报警方法研究[J]. 工矿自动化,2021,47(2):1-5,44. DOI: 10.13272/j.issn.1671-251x.17715 SUN Jiping,YU Xingchen. Research on alarm method of coal mine extraordinary accidents based on sound recognition[J]. Industry and Mine Automation,2021,47(2):1-5,44. DOI: 10.13272/j.issn.1671-251x.17715
[3] 孙继平,余星辰. 基于CEEMD分量样本熵与SVM分类的煤矿瓦斯和煤尘爆炸声音识别方法[J]. 采矿与安全工程学报,2022,39(5):1061-1070. DOI: 10.13545/j.cnki.jmse.2022.0073 SUN Jiping,YU Xingchen. Sound recognition method of coal mine gas and coal dust explosion based on CEEMD component sample entropy and SVM classification[J]. Journal of Mining & Safety Engineering,2022,39(5):1061-1070. DOI: 10.13545/j.cnki.jmse.2022.0073
[4] 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(6):1096-1105. DOI: 10.13247/j.cnki.jcumt.001451 SUN Jiping,YU Xingchen. Recognition method of coal mine gas and coal dust explosion based on sound characteristics[J]. Journal of China University of Mining & Technology,2022,51(6):1096-1105. DOI: 10.13247/j.cnki.jcumt.001451
[5] 彭佑多,谢伟华,郭迎福,等. 矿井掘进工作面粉尘对机器噪声衰减的影响[J]. 湖南科技大学学报(自然科学版),2012,27(1):23-29. DOI: 10.3969/j.issn.1672-9102.2012.01.005 PENG Youduo,XIE Weihua,GUO Yingfu,et al. Studies on the spread and attenuation of machine noise influenced by the heading face of mine roadway dust[J]. Journal of Hunan University of Science and Technology(Natural Science Edition),2012,27(1):23-29. DOI: 10.3969/j.issn.1672-9102.2012.01.005
[6] 李端玲,成苈委,于功敬,等. 融合小波包和神经网络的脑电信号处理方法[J]. 北京邮电大学学报,2021,44(3):94-99. LI Duanling,CHENG Liwei,YU Gongjing,et al. An electroencephalogram signal processing method fusing wavelet packet and neural network[J]. Journal of Beijing University of Posts and Telecommunications,2021,44(3):94-99.
[7] 李浩,毋文峰,蒲云,等. 基于小波包能量谱的装备悬臂梁结构损伤诊断[J]. 火力与指挥控制,2021,46(1):177-181. DOI: 10.3969/j.issn.1002-0640.2021.01.031 LI Hao,WU Wenfeng,PU Yun,et al. Cantilever beam structure damage diagnosis based on weaponry wavelet packet energy spectrum[J]. Fire Control & Command Control,2021,46(1):177-181. DOI: 10.3969/j.issn.1002-0640.2021.01.031
[8] 郭健,钟昊荪. 基于实测数据的斜拉索振动分析与小波包能量占比研究[J]. 桥梁建设,2021,51(3):25-31. DOI: 10.3969/j.issn.1003-4722.2021.03.004 GUO Jian,ZHONG Haosun. Vibration analysis and wavelet packet energy ratio of stay cable based on measured data[J]. Bridge Construction,2021,51(3):25-31. DOI: 10.3969/j.issn.1003-4722.2021.03.004
[9] 王伟,李兴华,陈作彬,等. 基于小波包变换的爆破振动信号能量熵特征分析[J]. 爆破器材,2019,48(6):19-23. DOI: 10.3969/j.issn.1001-8352.2019.06.004 WANG Wei,LI Xinghua,CHEN Zuobin,et al. Characteristic analysis of energy entropy of blasting vibration signal based on wavelet packet transform[J]. Explosive Materials,2019,48(6):19-23. DOI: 10.3969/j.issn.1001-8352.2019.06.004
[10] 梁凯,韩庆邦. 小波包能量谱和BP神经网络在波纹管压浆超声检测中的应用[J]. 声学技术,2020,39(2):151-156. LIANG Kai,HAN Qingbang. Application of wavelet packet energy spectrum and BP neural network to ultrasonic detection of slurry in bellows[J]. Technical Acoustics,2020,39(2):151-156.
[11] 郭飞,张培伟,张大海,等. 基于小波包能量特征向量的光纤布拉格光栅低速冲击定位[J]. 振动与冲击,2017,36(8):184-189. DOI: 10.13465/j.cnki.jvs.2017.08.029 GUO Fei,ZHANG Peiwei,ZHANG Dahai,et al. Localization of low-velocity impact by using fiber Bragg grating sensors based on wavelet packet energy eigenvector[J]. Journal of Vibration and Shock,2017,36(8):184-189. DOI: 10.13465/j.cnki.jvs.2017.08.029
[12] 陈石,张兴敢. 基于小波包能量熵和随机森林的级联H桥多电平逆变器故障诊断[J]. 南京大学学报(自然科学),2020,56(2):284-289. CHEN Shi,ZHANG Xinggan. Fault diagnosis for cascaded H-bridge multilevel inverter based on wavelet packet energy entropy and random forest[J]. Journal of Nanjing University(Natural Science),2020,56(2):284-289.
[13] 安春兰,甘方成,罗微,等. 提速道岔小波包能量熵故障诊断方法[J]. 铁道科学与工程学报,2015,12(2):269-274. DOI: 10.3969/j.issn.1672-7029.2015.02.008 AN Chunlan,GAN Fangcheng,LUO Wei,et al. Method of speed-up turnout fault diagnosis using wavelet packet energy entropy[J]. Journal of Railway Science and Engineering,2015,12(2):269-274. DOI: 10.3969/j.issn.1672-7029.2015.02.008
[14] 陈琳,陈静,王惠民,等. 基于小波包能量熵的电池剩余寿命预测[J]. 电工技术学报,2020,35(8):1827-1835. DOI: 10.19595/j.cnki.1000-6753.tces.190094 CHEN Lin,CHEN Jing,WANG Huimin,et al. Prediction of battery remaining useful life based on wavelet packet energy entropy[J]. Transactions of China Electrotechnical Society,2020,35(8):1827-1835. DOI: 10.19595/j.cnki.1000-6753.tces.190094
[15] 肖佳辰,卢超,林俊明,等. 基于小波包能量比变化率偏差的复合材料层板空气耦合超声概率损伤成像[J]. 复合材料学报,2021,38(8):2635-2645. XIAO Jiachen,LU Chao,LIN Junming,et al. Air coupled ultrasonic probabilistic damage imaging of composite laminates based on wavelet packet energy relative variation deviation[J]. Acta Materiae Compositae Sinica,2021,38(8):2635-2645.
[16] 李伟,黄焱. 基于峰度检验和小波包分解的海洋平台脉冲噪声处理方法研究[J]. 振动与冲击,2021,40(6):220-226,242. DOI: 10.13465/j.cnki.jvs.2021.06.029 LI Wei,HUANG Yan. Impulse noise processing for an offshore platform based on kurtosis detection and wavelet packet decomposition[J]. Journal of Vibration and Shock,2021,40(6):220-226,242. DOI: 10.13465/j.cnki.jvs.2021.06.029
[17] 杨婷婷,李岩,林雪琦. 基于车辆制动激励和小波包能量分析的连续梁桥基础冲刷识别方法[J]. 中国公路学报,2021,34(4):51-60. DOI: 10.3969/j.issn.1001-7372.2021.04.004 YANG Tingting,LI Yan,LIN Xueqi. Foundation scour identification method based on vehicle braking excitation and wavelet packet energy analysis for continuous beam bridges[J]. China Journal of Highway and Transport,2021,34(4):51-60. DOI: 10.3969/j.issn.1001-7372.2021.04.004
[18] 齐添添,陈尧,何才厚,等. 损伤声发射信号小波包神经网络特征识别方法[J]. 北京邮电大学学报,2021,44(1):124-130. DOI: 10.13190/j.jbupt.2020-118 QI Tiantian,CHEN Yao,HE Caihou,et al. A wavelet packet neural network feature recognition method for damage acoustic emission signals[J]. Journal of Beijing University of Posts and Telecommunications,2021,44(1):124-130. DOI: 10.13190/j.jbupt.2020-118
[19] LIU Yanbing,DHAKAL S,HAO Binyao,et al. Coal and rock interface identification based on wavelet packet decomposition and fuzzy neural network[J]. Journal of Intelligent & Fuzzy Systems,2020,38(4):3949-3959.
[20] HE Qingbo. Vibration signal classification by wavelet packet energy flow manifold learning[J]. Journal of Sound and Vibration,2013,332(7):1881-1894. DOI: 10.1016/j.jsv.2012.11.006
[21] 闫晓玲,董世运,徐滨士. 基于最优小波包Shannon熵的再制造电机转子缺陷诊断技术[J]. 机械工程学报,2016,52(4):7-12. DOI: 10.3901/JME.2016.04.007 YAN Xiaoling,DONG Shiyun,XU Binshi. Flaw diagnosis technology for remanufactured motor rotor based on optimal wavelet packet Shannon entropy[J]. Journal of Mechanical Engineering,2016,52(4):7-12. DOI: 10.3901/JME.2016.04.007
-
期刊类型引用(5)
1. 董博，李旭，史云，党恩辉，乔佳妮，冯港归. 一种多元数据融合的煤矿安全态势预测系统. 陕西煤炭. 2025(02): 163-168 . 
百度学术
2. 余星辰，李小伟. 基于小波散射变换的煤矿瓦斯和煤尘爆炸声音识别方法. 煤炭科学技术. 2024(S1): 70-79 . 百度学术
3. 孙继平，余星辰，王云泉，李小伟. 基于爆炸声音识别的煤矿瓦斯和煤尘爆炸感知方法研究. 工矿自动化. 2023(03): 1-5+114 . 本站查看
4. 李小伟，王建业. 高采样频率的矿井电火花图像识别及抗干扰方法研究. 工矿自动化. 2023(08): 88-93+147 . 本站查看
5. 孟焕. 基于多特征融合与随机森林的汉语普通话声调识别算法研究. 自动化与仪器仪表. 2023(11): 39-43 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 786
- HTML全文浏览量: 59
- PDF下载量: 30
- 被引次数: 10
