基于多粒度声谱图的托辊异常状态检测方法

在井下复杂工况下,胶带摩擦与煤流冲击产生的机械噪声、风流扰动噪声及多设备耦合噪声相互叠加,导致托辊故障特征声纹极易被环境噪声掩盖;同时,托辊异常样本获取困难、标注成本高,使得基于传统监督学习的托辊异常状态检测方法难以有效推广.针对上述问题,提出一种基于多粒度声谱图与注意力自编码器(MG-AAE)的无监督托辊异常状态检测方法,该方法仅利用正常工况托辊声音训练模型,无需故障标签.构建由Mel声谱图与Mel频率倒谱系数(MFCCs)组成的多粒度复合声谱特征,兼顾能量轮廓与细粒度声纹;在编码器中引入高斯差分金字塔(GDP)与多头注意力机制(MHA),通过多尺度建模与自适应加权融合,抑制稳态背景噪声并突出关键故障频带;以多维重构均方误差作为异常判据,实现托辊异常状态的自动识别.实验结果表明,在仅使用正常样本训练的前提下,MG-AAE模型在跨设备与真实工况评估中均展现出优异性能.基于MIMII数据集4类典型设备的评估显示,在0dB强噪声工况下,MG-AAE模型的平均特征曲线下的面积(AUC)与局部AUC(pAUC)分别达到84.2％和70.4％,较自编码器模型提升7.3％和5.6％.在真实托辊数据上,AUC达95.47％,异常样本重构误差约为正常样本的1.40倍.说明该方法具有良好的跨设备泛化与低误报率特性,可为煤矿带式输送机托辊状态异常检测提供有效技术支撑.