基于卷積自編碼器的煤礦帶式輸送機(jī)異常聲音檢測(cè)方法

摘要：針對(duì)煤礦帶式輸送機(jī)異常聲音樣本缺少導(dǎo)致訓(xùn)練模型難以進(jìn)行異常識(shí)別的問(wèn)題，提出一種基于卷積自編碼器（CAE）的煤礦帶式輸送機(jī)異常聲音檢測(cè)方法。首先，采集煤礦帶式輸送機(jī)托輥、減速機(jī)、電動(dòng)機(jī)正常運(yùn)行的聲音信號(hào)，通過(guò)WebRTC 降噪算法過(guò)濾信號(hào)中的背景噪聲，計(jì)算降噪后信號(hào)的梅爾頻率倒譜系數(shù)（MFCC），獲得設(shè)備正常運(yùn)行的音頻特征并輸入到CAE 中進(jìn)行訓(xùn)練，得到訓(xùn)練好的CAE 及重構(gòu)的正常運(yùn)行音頻特征。其次，將正常運(yùn)行音頻特征和重構(gòu)的正常運(yùn)行音頻特征輸入均方損失函數(shù)（MSELoss），得到重構(gòu)誤差，并取重構(gòu)誤差最大值作為正常運(yùn)行音頻特征的重構(gòu)閾值。然后，采集待檢測(cè)的煤礦帶式輸送機(jī)托輥、減速機(jī)、電動(dòng)機(jī)運(yùn)行的聲音信號(hào)，經(jīng)WebRTC 降噪、MFCC 特征提取后輸入到訓(xùn)練好的CAE，獲得重構(gòu)的待檢測(cè)音頻特征，將待檢測(cè)音頻特征與重構(gòu)的待檢測(cè)音頻特征輸入MSELoss，得到待檢測(cè)音頻的重構(gòu)誤差。最后，將待檢測(cè)音頻的重構(gòu)誤差與正常運(yùn)行音頻特征的重構(gòu)閾值進(jìn)行比較，若前者大于后者，則判斷煤礦帶式輸送機(jī)存在異常。實(shí)驗(yàn)結(jié)果表明：在沒(méi)有異常聲音樣本參與訓(xùn)練的情況下，該方法在帶式輸送機(jī)托輥、減速機(jī)、電動(dòng)機(jī)運(yùn)行聲音數(shù)據(jù)集上的檢測(cè)精確率分別達(dá)92.55%，94.98%，93.60%，單組聲音檢測(cè)時(shí)間為1.230 s，實(shí)現(xiàn)了檢測(cè)精度和檢測(cè)速度之間的平衡。

關(guān)鍵詞：煤礦帶式輸送機(jī)；故障診斷；異常聲音檢測(cè)；卷積自編碼器；MFCC

中圖分類號(hào)：TD528/634 文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦帶式輸送機(jī)包括電動(dòng)機(jī)、減速機(jī)、托輥等設(shè)備，隨著運(yùn)行狀態(tài)的變化，這些設(shè)備發(fā)出的聲音存在差異[1-4]。人工巡檢時(shí)可根據(jù)設(shè)備運(yùn)行聲音來(lái)判斷設(shè)備狀態(tài)，但依賴巡檢人員的個(gè)人經(jīng)驗(yàn)，且僅靠人工巡檢不能保證對(duì)設(shè)備的實(shí)時(shí)監(jiān)測(cè)，無(wú)法及時(shí)發(fā)現(xiàn)故障。

深度學(xué)習(xí)通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)設(shè)備運(yùn)行中異常聲音信號(hào)的特征[5-8]，進(jìn)而表達(dá)數(shù)據(jù)中更抽象的特征。基于深度學(xué)習(xí)的帶式輸送機(jī)異常聲音檢測(cè)方法不僅在數(shù)據(jù)的特征提取與特征選擇上降低了對(duì)人工經(jīng)驗(yàn)的依賴，還提高了故障診斷實(shí)時(shí)性[9]。倪旺旺[10]提出了一種結(jié)合梅爾頻率能量系數(shù)與圖卷積網(wǎng)絡(luò)的異常聲音檢測(cè)模型，該模型選取梅爾頻率能量系數(shù)對(duì)聲音進(jìn)行特征提取，基于圖卷積網(wǎng)絡(luò)對(duì)圖結(jié)構(gòu)進(jìn)行分類，提高了異常聲音檢測(cè)的精確率。曾锃等[11]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的放電聲音檢測(cè)方法，通過(guò)終端邊緣節(jié)點(diǎn)實(shí)時(shí)監(jiān)控電力設(shè)備狀態(tài)，提高了對(duì)正常工作、局部放電和故障3 種狀態(tài)識(shí)別的準(zhǔn)確率。盧安琪[12]提出了一種基于注意力機(jī)制的泵機(jī)設(shè)備異常聲音檢測(cè)方法，提高了檢測(cè)準(zhǔn)確率。

上述方法在設(shè)備異常聲音檢測(cè)領(lǐng)域取得了很好的效果，但需要大量的異常聲音樣本，而在煤礦正常生產(chǎn)過(guò)程中，煤礦設(shè)備異常聲音具有偶發(fā)性和多樣性，難以獲取滿足模型訓(xùn)練的大量異常聲音樣本[13]，且現(xiàn)場(chǎng)采集的聲音有一部分被淹沒(méi)在噪聲中，導(dǎo)致設(shè)備異常聲音不能被有效檢測(cè)。自編碼器[14]是一種在半監(jiān)督和無(wú)監(jiān)督任務(wù)中廣泛應(yīng)用的異常數(shù)據(jù)檢測(cè)算法，能夠在只有少量或沒(méi)有異常樣本的情況下檢測(cè)數(shù)據(jù)中的異常[15]。黃光球等[16]提出了一種基于時(shí)域卷積網(wǎng)絡(luò)的深度自編碼器，解決了異常數(shù)據(jù)不足的問(wèn)題。因此，本文提出一種基于卷積自編碼器（Convolutional AutoEncoder， CAE）的煤礦帶式輸送機(jī)異常聲音檢測(cè)方法。對(duì)帶式輸送機(jī)正常運(yùn)行的聲音信號(hào)進(jìn)行WebRTC 降噪并提取梅爾頻率倒譜系數(shù)（Mel Frequency Cepstral Coefficient， MFCC）特征，經(jīng)過(guò)CAE 訓(xùn)練獲得重構(gòu)特征，進(jìn)而通過(guò)均方誤差損失函數(shù)（Mean Squared Error Loss，MSELoss）確定重構(gòu)閾值；待檢測(cè)聲音信號(hào)經(jīng)過(guò)降噪和特征提取后輸入到訓(xùn)練好的CAE，計(jì)算重構(gòu)誤差并與重構(gòu)閾值比較，從而判斷帶式輸送機(jī)運(yùn)行狀態(tài)。

1 方法原理

基于CAE 的煤礦帶式輸送機(jī)異常聲音檢測(cè)流程如圖1 所示。將煤礦帶式輸送機(jī)正常運(yùn)行的聲音信號(hào)通過(guò)WebRTC 降噪進(jìn)行噪聲抑制處理，計(jì)算降噪后信號(hào)的MFCC 特征，獲得帶式輸送機(jī)正常運(yùn)行的音頻特征；將正常運(yùn)行的音頻特征輸入到CAE 中進(jìn)行訓(xùn)練，獲得重構(gòu)的正常運(yùn)行音頻特征和訓(xùn)練好的CAE；將正常運(yùn)行音頻特征和重構(gòu)的正常運(yùn)行音頻特征輸入MSELoss，得到重構(gòu)誤差，取重構(gòu)誤差最大值作為正常運(yùn)行音頻特征的重構(gòu)閾值。進(jìn)行煤礦帶式輸送機(jī)異常聲音檢測(cè)時(shí)，待檢測(cè)的帶式輸送機(jī)運(yùn)行聲音信號(hào)經(jīng)WebRTC 降噪和MFCC 特征提取后，輸入到訓(xùn)練好的CAE 中進(jìn)行推理，獲得重構(gòu)的待檢測(cè)音頻特征；將待檢測(cè)音頻特征與重構(gòu)的待檢測(cè)音頻特征輸入MSELoss，得到待檢測(cè)音頻的重構(gòu)誤差，并與正常運(yùn)行音頻特征的重構(gòu)閾值進(jìn)行比較，若重構(gòu)誤差大于重構(gòu)閾值，則判斷煤礦帶式輸送機(jī)運(yùn)行異常。

1.1 WebRTC 降噪

WebRTC 降噪支持8，16，32 kHz 采樣率，其他聲音信號(hào)采樣率可通過(guò)重采樣的方式進(jìn)行轉(zhuǎn)換。WebRTC 降噪的核心思想是對(duì)噪聲進(jìn)行估計(jì)并通過(guò)維納濾波器抑制估計(jì)的噪聲[17]。

1.2 MFCC 特征提取

MFCC 特征提取流程[18]如圖2 所示。具體步驟：① 使用預(yù)加重方式提高聲音信號(hào)高頻分量。② 對(duì)聲音信號(hào)進(jìn)行分幀、加窗，設(shè)置幀長(zhǎng)為25 ms、幀移為10 ms，窗函數(shù)選擇漢明窗以防止信號(hào)失真。③ 使用離散傅里葉變換對(duì)信號(hào)進(jìn)行處理。④ 通過(guò)多個(gè)梅爾濾波器進(jìn)行濾波。⑤ 計(jì)算每個(gè)濾波器輸出頻帶的對(duì)數(shù)能量，根據(jù)各個(gè)梅爾頻帶中的能量，得到一定維數(shù)的特征。⑥ 通過(guò)反傅里葉變換，對(duì)梅爾濾波器輸出的對(duì)數(shù)能量進(jìn)行倒譜分析，獲得MFCC。⑦ 通過(guò)差分方式計(jì)算動(dòng)態(tài)特征并與MFCC 合并，最終輸出MFCC 特征。

1.3 CAE

CAE 由編碼器和解碼器2 個(gè)部分組成[19]，如圖3所示。

假設(shè)提取的MFCC 特征訓(xùn)練集為fx1，"x2"… ，"xn｝，xj（j=1，2，···，n，n 為輸入層神經(jīng)元數(shù)量）為輸入層第j 個(gè)神經(jīng)元的輸入值，xj∈ Rn。通過(guò)編碼方式，將訓(xùn)練集數(shù)據(jù)轉(zhuǎn)換到低維子空間，再通過(guò)解碼的方式重新生成數(shù)據(jù)，得到重構(gòu)的數(shù)據(jù)， 為輸出層第j 個(gè)神經(jīng)元的輸出值。

在編碼器中，高維特征向量xj輸入到編碼器后被壓縮為低維特征向量hi（i=1，2，···，m，m 為隱藏層神經(jīng)元數(shù)量）。編碼器壓縮特征的過(guò)程可表示為

式中：Wei j為輸入層第j 個(gè)神經(jīng)元指向隱藏層第i 個(gè)神經(jīng)元的權(quán)重；bei為隱藏層第i 個(gè)神經(jīng)元的偏置參數(shù)。

在解碼器中，將 hi 映射到原始的輸入空間Rn上。解碼器的映射過(guò)程可表示為

式中：Wdi j為隱藏層第i 個(gè)神經(jīng)元指向輸出層第j 個(gè)神經(jīng)元的權(quán)重；bdj為輸出層第j 個(gè)神經(jīng)元的偏置參數(shù)。

CAE 通過(guò)優(yōu)化MSELoss 實(shí)現(xiàn)重構(gòu)誤差最小化。重構(gòu)誤差為

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)平臺(tái)

煤礦帶式輸送機(jī)異常聲音檢測(cè)實(shí)驗(yàn)平臺(tái)中，拾音器的拾音距離為5 m，聲音采樣率設(shè)置為16 kHz。拾音器搭載于礦用隔爆兼本安型軌道巡檢機(jī)器人上，隨機(jī)器人在煤礦巷道設(shè)備日常巡檢工作（機(jī)器人運(yùn)行速度為0.3 m/s）同步采集聲音。拾音器將聲音信號(hào)以3 s 為1 段進(jìn)行分段處理，并傳輸至服務(wù)器進(jìn)行帶式輸送機(jī)異常聲音檢測(cè)。服務(wù)器硬件配置：處理器12th Gen Intel（R） Core（TM） i7?12700@ 2.1 GHz、32 GiB RAM、Windows 10、顯卡NVIDIA RTX5000（顯存16 GiB，核心頻率1 350 MHz，Turbo 頻率1 815 MHz）。

2.2 數(shù)據(jù)集

帶式輸送機(jī)運(yùn)行聲音來(lái)自于中煤陜西榆林大海則煤業(yè)有限公司大海則煤礦和神木市大柳塔東川礦業(yè)有限公司大柳塔煤礦。拾音器隨巡檢機(jī)器人行走到設(shè)備附近并采集聲音信號(hào)后，由經(jīng)驗(yàn)豐富的礦方巡檢人員將采集的聲音信號(hào)去噪后分為設(shè)備正常聲音和設(shè)備異常聲音。

煤礦帶式輸送機(jī)異常聲音主要包括電動(dòng)機(jī)、減速機(jī)、托輥的異常聲音。電動(dòng)機(jī)異常聲音主要由軸承磨損、缺油、軸擋圈未裝或松動(dòng)、水泵蓋擦碰等異常造成；減速機(jī)異常聲音主要由電動(dòng)機(jī)負(fù)載過(guò)重或負(fù)載不平衡及軸承損壞、潤(rùn)滑不良或安裝不當(dāng)?shù)犬惓?dǎo)致；托輥異常聲音主要由托輥潤(rùn)滑不足、托輥軸承故障、托輥堵轉(zhuǎn)等異常導(dǎo)致。

煤礦帶式輸送機(jī)運(yùn)行聲音數(shù)據(jù)集見(jiàn)表1。每組聲音信號(hào)時(shí)長(zhǎng)為1 s。從每組聲音信號(hào)中提取384維MFCC 特征。

2.3 實(shí)驗(yàn)方案

為驗(yàn)證基于CAE 的煤礦帶式輸送機(jī)異常聲音檢測(cè)方法的有效性，將其分別與基于支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）[20]和深度高斯混合模型（Deep Gaussian Mixture Model，DGMM）[21]的煤礦帶式輸送機(jī)異常聲音檢測(cè)方法進(jìn)行對(duì)比。

參數(shù)設(shè)置：① CAE。學(xué)習(xí)率為0.001；批大小為64；迭代輪數(shù)為300；編碼器和解碼器的卷積層數(shù)均為5，訓(xùn)練優(yōu)化器選擇Adam 優(yōu)化器，L2 正則化參數(shù)為5×10?4。② SVDD。學(xué)習(xí)率為0.001；批大小為64；迭代輪數(shù)為200；懲罰因子范圍為[2?6，20]，核參數(shù)范圍為[2?6，23]。③ DGMM。各個(gè)高斯分量的混合系數(shù)為0.1，初始化聚類中心的個(gè)數(shù)為10。

2.4 實(shí)驗(yàn)結(jié)果

2.4.1 降噪效果

為減少環(huán)境噪聲對(duì)帶式輸送機(jī)異常聲音檢測(cè)效果的干擾，對(duì)采集的聲音信號(hào)進(jìn)行降噪處理。降噪前后的聲音信號(hào)波形如圖4 所示（矩形框部分為有效聲音信號(hào)，其余為背景噪聲）。可看出降噪前的聲音信號(hào)中背景噪聲比較明顯，經(jīng)過(guò)降噪處理后，背景噪聲得到抑制，同時(shí)保留了音頻特征。

2.4.2 MFCC 特征

提取降噪后的帶式輸送機(jī)托輥、減速機(jī)和電動(dòng)機(jī)正常聲音和異常聲音的MFCC 特征，分別如圖5—圖7 所示。可看出帶式輸送機(jī)托輥、減速機(jī)和電動(dòng)機(jī)異常聲音的MFCC 特征范圍明顯高于正常聲音的MFCC 特征范圍。

2.4.3 檢測(cè)性能

在帶式輸送機(jī)托輥、減速機(jī)和電動(dòng)機(jī)運(yùn)行聲音數(shù)據(jù)集上，分別基于CAE，SVDD，DGMM 的帶式輸送機(jī)異常聲音檢測(cè)結(jié)果見(jiàn)表2—表4，可看出CAE 的精確率、召回率和F1 分?jǐn)?shù)均為最優(yōu)。

分別基于CAE，SVDD，DGMM 的帶式輸送機(jī)異常聲音檢測(cè)時(shí)間見(jiàn)表5。可看出CAE 耗時(shí)比DGMM少了0.82 s，略高于SVDD，但CAE 在帶式輸送機(jī)托輥、減速機(jī)和電動(dòng)機(jī)運(yùn)行聲音數(shù)據(jù)集上的檢測(cè)精確率最高，實(shí)現(xiàn)了檢測(cè)精度和檢測(cè)速度之間的平衡。

3 結(jié)論

1） 提出了一種基于CAE 的煤礦帶式輸送機(jī)異常聲音檢測(cè)方法。通過(guò)計(jì)算帶式輸送機(jī)正常聲音的重構(gòu)閾值及其訓(xùn)練后的CAE 模型，提取待檢測(cè)聲音的MFCC 特征并經(jīng)過(guò)CAE 推理，計(jì)算其重構(gòu)誤差，將重構(gòu)誤差與正常聲音的重構(gòu)閾值進(jìn)行比較，若前者大于后者，則判斷帶式輸送機(jī)存在異常。

2） 采集某煤礦帶式輸送機(jī)托輥、減速機(jī)、電動(dòng)機(jī)正常運(yùn)行和異常聲音，開(kāi)展了基于CAE， SVDD，DGMM 的煤礦帶式輸送機(jī)異常聲音檢測(cè)實(shí)驗(yàn)。結(jié)果表明，在沒(méi)有異常樣本參與訓(xùn)練的情況下，相比于SVDD 和DGMM，CAE 在托輥、減速機(jī)、電動(dòng)機(jī)運(yùn)行聲音數(shù)據(jù)集上的檢測(cè)精確率最高，分別達(dá)92.55%，94.98%，93.60%，單組聲音檢測(cè)時(shí)間為1.230 s，實(shí)現(xiàn)了檢測(cè)精度和速度之間的平衡。

參考文獻(xiàn)（References）：

[ 1 ]高偉. 選煤廠帶式輸送機(jī)故障預(yù)測(cè)系統(tǒng)設(shè)計(jì)[J]. 自動(dòng)化應(yīng)用，2020（5）：108-109.

GAO Wei. Design of fault prediction system for beltconveyor in coal preparation plant[J]. AutomationApplication，2020（5）：108-109.

[ 2 ]孫斌輝，姚海慶. 基于機(jī)器多源感知的帶式輸送機(jī)故障智能監(jiān)測(cè)系統(tǒng)[J]. 港口科技，2024（4）：5-10.

SUN Binhui， YAO Haiqing. Intelligent monitoringsystem for belt conveyor faults based on machine multisourceperception[J]. Port Science amp; Technology，2024（4）：5-10.

[ 3 ]苗長(zhǎng)云，邵琦. 基于聲音的帶式輸送機(jī)輸送帶縱向撕裂檢測(cè)方法[J]. 天津工業(yè)大學(xué)學(xué)報(bào)， 2021， 40（6） ：70-75，82.

MIAO Changyun， SHAO Qi. Detection method oflongitudinal tear of belt conveyor belt based onsound[J]. Journal of Tiangong University， 2021，40（6）：70-75，82.

[ 4 ]蔣文利. 基于聲音識(shí)別技術(shù)的煤礦瓦斯抽采施工安全監(jiān)測(cè)方法設(shè)計(jì)[J]. 電聲技術(shù)，2024，48（11）：45-47.

JIANG Wenli. Design of safety monitoring method forcoal mine gas extraction construction based on voicerecognition technology[J]. Audio Engineering， 2024，48（11）：45-47.

[ 5 ]徐浩，劉岳鐳. 基于深度學(xué)習(xí)的無(wú)人機(jī)聲音識(shí)別算法[J]. 計(jì)算機(jī)科學(xué)，2021，48（7）：225-232.

XU Hao，LIU Yuelei. UAV sound recognition algorithmbased on deep learning[J]. Computer Science， 2021，48（7）：225-232.

[ 6 ]BARCHIESI D，GIANNOULIS D，STOWELL D，et al.Acoustic scene classification： classifying environmentsfrom the sounds they produce[J]. IEEE SignalProcessing Magazine，2015，32（3）：16-34.

[ 7 ]楊小彬，周世祿，李娜，等. 深度學(xué)習(xí)及其在煤礦安全領(lǐng)域的應(yīng)用[J]. 煤礦安全，2019，50（1）：253-256.

YANG Xiaobin， ZHOU Shilu， LI Na， et al. Deeplearning and its application in coal mine safety[J].Safety in Coal Mines，2019，50（1）：253-256.

[ 8 ]楊磊，趙紅東. 基于輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)的環(huán)境聲音識(shí)別[J]. 計(jì)算機(jī)應(yīng)用，2020，40（11）：3172-3177.

YANG Lei， ZHAO Hongdong. Environment soundrecognition based on lightweight deep neuralnetwork[J]. Journal of Computer Applications， 2020，40（11）：3172-3177.

[ 9 ]盧萬(wàn)杰，付華，趙洪瑞. 基于深度學(xué)習(xí)算法的礦用巡檢機(jī)器人設(shè)備識(shí)別[J]. 工程設(shè)計(jì)學(xué)報(bào)，2019，26（5）：527-533.

LU Wanjie， FU Hua， ZHAO Hongrui. Equipmentrecognition of mining patrol robot based on deeplearning algorithm[J]. Chinese Journal of EngineeringDesign，2019，26（5）：527-533.

[10]倪旺旺. 基于音頻的礦井提升機(jī)異常檢測(cè)方法研究及應(yīng)用[D]. 淮南：安徽理工大學(xué)，2023.

NI Wangwang. Research and application of anomalydetection method for mine hoists based on audio [D].Huainan： Anhui University of Science and Technology，2023.

[11]曾锃，張震，繆巍巍，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的放電聲音故障檢測(cè)[J]. 電子器件，2024，47（1）：176-181.

ZENG Zeng，ZHANG Zhen，MIAO Weiwei，et al. Faultdetection of discharge sound based on convolutionalneural network[J]. Chinese Journal of ElectronDevices，2024，47（1）：176-181.

[12]盧安琪. 基于集成學(xué)習(xí)與注意力機(jī)制的泵機(jī)設(shè)備異常聲音檢測(cè)方法研究[D]. 合肥：合肥學(xué)院，2023.

LU Anqi. Research on abnormal sound detection methodfor pump equipment based on ensemble learning andattention mechanism[D]. Hefei：Hefei University，2023.

[13]翟洪婷，張慶銳，卞若晨，等. 基于圖聚類的電力設(shè)備異常聲音檢測(cè)方法[J]. 南京理工大學(xué)學(xué)報(bào)， 2022，46（3）：270-276.

ZHAI Hongting， ZHANG Qingrui， BIAN Ruochen，et al. Abnormal sound detection method of powerequipment based on graph clustering[J]. Journal ofNanjing University of Science and Technology， 2022，46（3）：270-276.

[14]寧永安. 堆棧自編碼器下機(jī)電故障信號(hào)多尺度濾波方法研究[J]. 自動(dòng)化儀表，2024，45（8）：42-46，51.

NING Yong'an. Research on Multi-scale filteringmethod of electromechanical fault signals under stackself-encoder[J]. Process Automation Instrumentation，2024，45（8）：42-46，51.

[15]郝洪濤，倪凡凡，陳亮，等. 遠(yuǎn)程帶式輸送機(jī)托輥故障巡檢方法[J]. 煤礦機(jī)械，2018，39（11）：133-135.

HAO Hongtao， NI Fanfan， CHEN Liang， et al.Investigation of inspection method on roller of remotebelt conveyor[J]. Coal Mine Machinery，2018，39（11）：133-135.

[16]黃光球，趙夢(mèng)娜，陸秋琴. 融合時(shí)域卷積網(wǎng)絡(luò)和深度自編碼器的VOCs 數(shù)據(jù)異常檢測(cè)[J]. 安全與環(huán)境學(xué)報(bào)，2023，23（10）：3749-3759.

HUANG Guangqiu，ZHAO Mengna，LU Qiuqin. VOCsdata anomaly detection based on time-domainconvolutional network and depth self-encoder[J].Journal of Safety and Environment， 2023， 23（10） ：3749-3759.

[17]李斌，朱杰，馬志賢. WebRTC 中一種基于DNN 的噪聲抑制算法的研究[J]. 信息技術(shù)，2019，43（5）：1-5.

LI Bin， ZHU Jie， MA Zhixian. Research on noisesuppression algorithm based on DNN in WebRTC[J].Information Technology，2019，43（5）：1-5.

[18]陶瀚宇，陳換過(guò)，彭程程，等. 基于MFCC?IMFCC 混合倒譜的托輥軸承故障診斷[J]. 機(jī)電工程， 2024，41（7）：1215-1222.

TAO Hanyu， CHEN Huanguo， PENG Chengcheng，et al. Fault diagnosis of idler bearings based on MFCCIMFCChybrid cepstral coefficients[J]. Journal ofMechanical amp; Electrical Engineering， 2024， 41（7） ：1215-1222.

[19]史愛(ài)武，馬淑然. 基于多特征融合與插值卷積自編碼器的機(jī)械異常聲音檢測(cè)研究[J]. 軟件導(dǎo)刊， 2025，24（2）：40-47.

SHI Aiwu， MA Shuran. Research on detection ofmechanical abnormal sounds based on multifeaturefusion and interpolation convolutional neural autoencoder[J]. Software Guide，2025，24（2）：40-47.

[20]TAX D M J， DUIN R P W. Support vector datadescription[J]. Machine Learning，2004，54：45-66.

[21]VIROLI C，MCLACHLAN G J. Deep Gaussian mixturemodels[J]. Statistics and Computing， 2019， 29（1） ：43-51.

基金項(xiàng)目：河北省高端裝備制造技術(shù)創(chuàng)新專項(xiàng)項(xiàng)目（23311805D）。