1.一种基于声音信号的带式输送机故障诊断方法，其特征在于：其包括以下步骤：S1、采集带式输送机的声音信号；

S2、对采集的声音信号进行改进的小波阈值去噪处理；

S3、对降噪后的带式输送机声音信号进行MFCC和深度学习特征提取；

S4、建立支持向量机分类模型，并形成训练后的SVM模型；

S5、将提取的特征信息数据放入训练后的SVM模型得到后验概率，然后利用D‑S证据理论进行决策级融合，最后利用融合输出结果与SVM已知运行状态下的所述带式输送机运行状态相匹配，与融合输出结果匹配度最高的则对应着所述带式输送机当前运行状态，从而完成了带式输送机故障诊断。

2.根据权利要求1所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S1中，利用声音采集装置以采样频率为48kHz、采样点数为4096采集所述带式输送机工作时各运行状态的声音信号。

3.根据权利要求1所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S5中，所述带式输送机运行状态包括正常状态和托辊故障、皮带撕裂故障、滚筒故障三种故障状态。

4.根据权利要求1所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S2中，去噪处理包括以下步骤：S2.1、选择具有衰减性的小波基db6；

S2.2、使用小波基db6进行3层小波分解；

S2.3、选取固定阈值λ，经过小波分解后的小波系数设为w，通过公式进行阈值函数的改进，随后使用阈值函数处理后的小波系数重构获得降噪后的带式输送机声音信号，其中j，k都是整数，a＞0。

5.根据权利要求1所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S3中，对降噪后的带式输送机声音信号进行MFCC和深度学习特征提取包括以下步骤：

S3.1、对所述步骤S2中的降噪后的声音信号进行预加重、分帧和加窗处理，然后利用快速傅里叶变化得到每一帧声音信号的频谱，通过Mel滤波器组滤波产生多个对数能量，将对数能量进行离散余弦变换得到MFCC特征；

S3.2、利用语谱图算法将声音信号图像化，搭建改进的VGG16卷积神经网络结构，将声音信号图像化的图像放入改进的VGG16卷积神经网络结构中，经过卷积运算、池化运算和全连接得到带式输送机深度学习特征。

6.根据权利要求5所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S3.1中，MFCC特征的提取包括以下步骤：S3.1.1、将降噪后的声音信号通过一个高通滤波器，将低频信号与高频信号保持在同‑1

一信噪比下计算，高通滤波器计算公式为：H(Z)＝1‑μz ，其中，Z为预加重后的声音信号，z为一段声音信号，μ为高通滤波系数；

S3.1.2、随后对声音信号进行分帧处理，使相邻音帧之间设置一段重叠，重叠区设置为帧长的1/2或者1/3，每帧信号的时长为20ms～30ms；

S3.1.3、分帧后对声音信号进行加窗处理，函数表达式为：其中，D为窗口长度，n∈[0,D‑1]；e为汉宁窗调节系数；

S3.1.4、对声音信号进行快速傅里叶变换，快速傅里叶变换表达式为：其中，x(n)为声音输入信号，N为傅里叶变换的点数，S3.1.5、将变换后的声音信号经Mel滤波器滤波，滤波表达式为：其中，m为滤波器个数，f(m)为第m个滤波器对应的中心频率，Hm(k)为频率响应；

随后根据频率响应计算得到一个加性表达式：随后以单个对数能量计算出一帧信号的对数能量，其公式为：其中，S(m)为一个滤波器输出的对数能量， 为以单个对数能量计算出的一帧信号的对数能量，M为滤波器最大个数；

S3.1.6、将得到的对数能量进行离散余弦变换，设C(n)为梅尔频率倒谱系数，计算其中，L为梅尔频率倒谱系数的阶数；

根据滤波器的数量，将得到的若干个梅尔频率倒谱系数组成一个向量，记为 则得到这一帧声音信号下的MFCC特征。

7.根据权利要6所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S3.2中，带式输送机深度学习特征的提取包括以下步骤：S3.2.1、设声音输入信号x(n)短时幅度谱估计为Xn(k)，频谱能量密度函数为P(n,k)，对2

声音信号谱估计表达式为：P(n,k)＝|Xn(k)|，以n为x轴，以k为y轴绘制图像，对频谱能量密度函数对数运算，得到以分贝db为单位的语谱图；

S3.2.2、搭建以8个卷积层、2个池化层、256和64全连接单元数的改进的VGG16卷积神经网络结构，将经过所述步骤S3.2.1图像化后的样本放入改进的VGG16卷积神经网络，设输入图像尺寸为Width*Height，卷积核的尺寸为g*g，步长为stride，填充值为padding，则卷积层输出的尺寸fheigh1、fwidth1为：池化层输出的尺寸fheigh2、fwidth2为：则经过卷积层和池化层之后，第一个全连接层将转化卷积核为最后一层卷积层输出的feature map尺寸的全局卷积，并将转化的所有局部特征做加权和，最后一层全连接层是转化为了卷积核为1*1尺寸的卷积，即转化为了一个具体的数值，经过最后一层全连接层，将所有数值全连接，就得到了一帧声音信号的深度学习特征向量

8.根据权利要求1所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S4中，建立支持向量机分类模型包括以下步骤：S4.1、确定最优超平面：

T

设给定样本Q＝(xi,yi)，yi∈{‑1,+1}，则存在一个分类超平面ωx+b＝0，其中，ω为一个向量，T为转置符号，b为任意实数；

S4.2、寻找最大线性可分间距：在分类超平面公式的约束下，将超平面求最优的问题转化为函数求最小值的问题，即二次规划操作：

S4.3、核函数设计：

表达式为： 其中，i,j∈R,σ为核参数；

S4.4、构造拉格朗日函数：

利用核函数代替样本在高维空间的内积，最终目标函数表示为：其中，C为惩罚因子，l为常数；

通过引入拉格朗日乘子，其对偶形式的公式为：

9.根据权利要求7所述的一种基于声音信号的带式输送机故障诊断方法，其特征在于：在所述步骤S5中，得到融合输出结果包括以下步骤：S5.1、将 和 作为mass函数的输入变量M1和M2，输入到完成训练的SVM中得到分别得到两个无阈值输出f(ci)和f(si)，然后利用sigmoid‑fitting方法将标准的SVM无阈值输出结果进行处理，转换成后验概率：

在代入两个无阈值输出f(ci)和f(si)后，可分别得到后验概率P(ci)和P(si)；

其中，f为样本的无阈值输出，p和q为待拟合的参数；

S5.2、则对于每一个假设A有：其中，K为归一化常数，A1和A2分别记为假设1和假设2，也就是对应的两个后验概率，公式转化为：

在代入后验概率P(ci)和P(si)后得到