【技术实现步骤摘要】
基于音频信号特征的浮选过程工况识别方法
[0001]本专利技术涉及浮选过程数据分析
，特别涉及一种基于音频信号特征的浮选过程工况识别方法。
技术介绍
[0002]浮选被广泛应用于有色金属、非金属矿产和煤炭等行业，是一种利用矿物表面物理化学性质的不同来分选矿物的选矿方法。其通过将有用矿物选择性地附着在矿浆中的空气泡上，并随之上浮到矿浆表面，达到有用矿物与杂质分离的目的。浮选是许多工业过程中的关键工序，然而控制浮选的效果并不是一件容易的事，这是因为影响浮选效果的因素以及操作中可调节的变量十分繁多。一直以来浮选过程调节都是依靠人工操作的，目前现场工人大多根据自身经验以及最终产品的品位化验结果来调节生产过程，但是这种粗犷的调节模式第一要求现场的操作工有非常强的专业性；第二操作主观性强，相同的条件下不同的工人会有完全不同的操作，工况频繁变动，造成产品品质不稳定；第三离线化验的结果无法实时反映当下的浮选效果，存在较大的时滞性。
[0003]工况的在线识别是实现客观操作优化的前提，以往对浮选过程进行在线工况识别的研究中，大多...
【技术保护点】
【技术特征摘要】
1.一种基于音频信号特征的浮选过程工况识别方法，其特征在于，包括：步骤1，数据准备与数据预处理，具体包括数据的获取、降噪、工况类别划分和训练集与测试集的数据划分；步骤2，基于梅尔声谱图纵轴代表的频率物理意义对浮选音频信号中关键频段所占比例进行放大，对不重要频段的影响进行减小，构建基于特征注意力机制的浮选音频梅尔声谱图；步骤3，构建深度卷积网络模型，将基于特征注意力机制的浮选音频梅尔声谱图作为深度卷积网络模型的输入，以训练集的分类损失和训练集测试集间的最大均值差异作为损失，训练深度卷积网络模型进而自动学习提取深层次的音频信号特征，最终将提取到的深层特征输入分类器进行分类；步骤4，将无标签的测试集数据输入深度卷积网络模型，选取识别结果中的部分数据打上伪标签，使用打上伪标签的测试集数据和训练集数据重新训练深度卷积网络模型；步骤5，重复执行步骤4，直到达到指定次数，以最后一次得到的深度卷积网络模型作为浮选过程工况识别模型。2.根据权利要求1所述的音频信号特征的浮选过程工况识别方法，其特征在于，所述步骤1具体包括：步骤11，通过麦克风采集浮选过程中刮板刮泡沫以及刮出的泡沫落到底部槽内时产生的音频信号，每间隔一小时采集两分钟的音频，并记录下相应时刻对应的泡沫浓度与品位作为音频数据的标签；步骤12，设计预设截止频率的高通滤波器，实现高通滤波器的截止频率以上的信号平稳，高通滤波器的截止频率以下的信号快速衰减；步骤13，将每段滤波后的音频信号进行分割，同一段音频分割得到的多段短音频对应相同的数据标签，根据所有音频对应的标签将其划分为N个类别，对应生产过程中N种不同的工况，将得到的所有数据划分为训练集与测试集。3.根据权利要求2所述的音频信号特征的浮选过程工况识别方法，其特征在于，所述步骤12具体包括：步骤121，将原始信号进行FFT变换；步骤122，通过以下公式进行滤波：其中，|Y(ω)|
*
表示滤波后信号的幅值，|Y(ω)|表示滤波前信号幅值，ω表示频率；步骤123，进行FFT逆变换得到滤波后信号。4.根据权利要求3所述的音频信号特征的浮选过程工况识别方法，其特征在于，所述步骤2具体包括：步骤21，将每段浮选音频信号转化成梅尔声谱图并建立深度卷积网络模型，以获得的梅尔声谱图作为深度卷积网络模型的输入，使用训练集训练深度卷积网络模型并对测试集数据进行工况识别，在多组超参数训练得到的不同深度卷积网络模型中选取测试集识别准确度最高的深度卷积网络模型作为基准模型；
步骤22，梅尔声谱图中的不同频段加上掩膜，用于屏蔽部分频段的特征，将加上掩膜的梅尔声谱图作为输入训练新的深度卷积网络模型，将新的深度卷积网络模型在测试集上的准确度与基准模型的结果进行比较，确定屏蔽不同频段后对准确度的影响。5.根据权利要求4所述的音频信号特征的浮选过程工况识别方法，其特征在于，所述步骤2还包括：步骤23，将对准确度影响最大的频段作为关键特征，影响较小的频段作为次要特征；步骤24，在将音频信号转化成梅尔声谱图的过程中，对关键特征进行加权，增强关键特征所占比重并削弱次要特征的影响。6.根据权利要求5所述的音频信号特征的浮选过程工况识别方法，其特征在于，所述步骤3具体包括...
【专利技术属性】
技术研发人员：王雅琳，吴翰升，王凯，刘晨亮，袁小锋，谭栩杰，李思龙，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。