基于声音特征的煤矿瓦斯和煤尘爆炸识别方法

作者：孙继平; 余星辰^*

来源：中国矿业大学学报. 自然科学版, 2022, 51(06): 1096-1105.

DOI：10.13247/j.cnki.jcumt.001451

• 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

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.

• 单位
  中国矿业大学（北京）