基于深度宽卷积残差收缩网络的球磨机负荷状态诊断_高云鹏.pdf

第 50 卷 第 2 期2 0 2 3 年 2 月Vol.50，No.2Feb.2 0 2 3湖 南 大 学 学 报（自 然 科 学 版）Journal of Hunan University（Natural Sciences）基于深度宽卷积残差收缩网络的球磨机负荷状态诊断高云鹏 1，孟雪晴 1，张其旺 1，王庆凯 2，3，杨佳伟 2，3，董一隆 1（1.湖南大学 电气与信息工程学院，湖南 长沙 410082；2.矿冶过程自动控制技术国家重点实验室，北京 100160；3.矿冶过程自动控制技术北京市重点实验室，北京 100160）摘 要：针对磨矿复杂工况下球磨机负荷状态准确诊断的难题，提出一种基于深度宽卷积残差收缩网络（Deep Wide Residual Shrinkage Networks，DWRSNs）的球磨机负荷状态诊断方法.首先采用宽卷积神经网络提取振动信号短时特征，建立三层深度残差收缩网络，利用软阈值函数进行非线性变换，再基于注意力机制模块自主学习阈值提取面向负荷状态的高级特征，通过全连接层、softmax层实现球磨机负荷状态的准确分类与判别.实测结果证明，本文提出的DWRSNs方法的拟合度、收敛速度及学习能力均优于现有DCNNs、ResNets和DRSNs诊断方法，且提取的振动信号特征具有高代表性，经TSNE可视化后簇内紧密度高、簇间分界明显.本文方法诊断测试集的准确率超过99%，交叉熵损失为0.077 2，相较于现有负荷状态诊断方法具有更高的准确率且诊断耗时更短，可实现球磨机负荷状态的准确判别，为选冶磨矿过程优化控制、提高磨矿效率提供有效、可靠的判据.关键词：球磨机；负荷状态；深度残差收缩网络；注意力机制中图分类号：TD921 文献标志码：AA State Detection Method of Ball Milling Load Based on Deep Wide Residual Shrinkage NetworksGAO Yunpeng1，MENG Xueqing1，ZHANG Qiwang1，WANG Qingkai2，3，YANG Jiawei2，3，DONG Yilong1（1.College of Electrical and Information Engineering，Hunan University，Changsha 410082，China；2.State Key Laboratory of Process Automation in Mining&Metallurgy，Beijing 100160，China；3.Beijing Key Laboratory of Process Automation in Mining&Metallurgy，Beijing 100160，China）Abstract：Aiming at the problem of accurate diagnosis of ball milling load state under complex grinding conditions，a load state diagnosis method of ball milling based on Deep Wide Residual Shrinkage Networks（DWRSNs）is proposed.Firstly，a wide-convolutional neural network is used to extract the short-term features of the vibration signal，a three-layer deep residual shrinkage network is established，and a soft threshold function is used for nonlinear 收稿日期：2022-02-28基 金 项 目：国 家 重 点 研 发 计 划 资 助 项 目（2021YFF0602402），National Key Research and Development Program of China（2021YFF0602402）；矿冶过程自动控制技术国家重点实验室开放基金（BGRIMM-KZSKL-2020-09），Open Foundation of State Key Laboratory of Process Automation in Mining&Metallurgy（BGRIMM-KZSKL-2020-09）作者简介：高云鹏（1978），男，辽宁营口人，湖南大学教授，博士 通信联系人，E-mail：文章编号：1674-2974（2023）02-0102-10DOI：10.16339/ki.hdxbzkb.2022247第 2 期高云鹏等：基于深度宽卷积残差收缩网络的球磨机负荷状态诊断transformation.Then，the advanced features of the load state oriented are extracted based on the self-learning threshold of the attention mechanism module.And discrimination of the load state of the ball milling is realized through the full-connection layer and the soft layer.The measured results prove that the DWRSNs method proposed in this paper is superior to the existing DCNN，ResNets，and DRSNs diagnostic methods in terms of fit，convergence speed，and learning ability.Meanwhile，the exacted vibration signal features are highly representative，the compactness within the cluster is high，and the boundary between the clusters is obvious after TSNE visualization.The accuracy of the DWRSNs diagnostic test set of the proposed method exceeds 99%，and the cross-entropy loss is 0.0772.Compared with the existing load state diagnosis method，it has higher accuracy and less time-consuming diagnosis and can achieve accurate identification of the load state of the ball milling and provide an effective and reliable criterion for optimizing the control of the process of beneficiation and grinding and improving the efficiency of grinding.Key words：ball milling；load state；deep residual shrinkage networks；attention mechanism球磨机作为选矿过程中的关键机械设备，具有十分重要的地位1，其运行效率对选矿厂的生产水平具有直接影响2.球磨机负荷表示磨机瞬时总负荷，即磨机筒体内钢球、矿和水等物料的总和.理想磨机负荷对设备和系统的生产效率与耗能直接产生积极的影响，而过负荷将导致磨机出口粒度变粗、堵塞、涨肚和生产过程中断等问题，欠负荷会产生电能浪费，增加钢材消耗，破坏磨机设备，严重情况下会使磨机处于或接近空砸状态3.因此，准确诊断球磨机负荷状态，及时指导操作控制对提高选矿厂效率和保障安全生产具有重要价值与意义.在选矿厂实际生产过程中，球磨机运行的时变性、非线性和随机干扰大等特点导致磨机负荷状态难以识别4.为此，近年来国内外专家展开一定研究.由于工业环境和技术手段的限制，现有如磨音法、轴承振动信号分析法、功率法等方法测量结果不可靠，而基于磨机筒体振动信号的检测方法以其灵敏度高、抗干扰性强的优点被广泛应用5.文献 6 通过信号分析建立基于PCA和最小二乘支持向量机的磨机负荷测量模型.文献 7 通过EWT分解振动信号，利用相关性分析技术选取敏感模态分量信号重构，计算细化复合多尺度弥散熵（RCMDE）实现特征提取，并建立 FVM-SVM 预测模型来判断磨机负荷状态.文献 8 采用自适应VMD分解技术，自卷积窗结合能量重心法的功率谱估计进行信号特征提取，通过SVM进行916负荷状态识别.上述方法均通过提取信号主成分，基于特征提取和机器学习方法获取磨机负荷状态，但该类分析方法仍存在信号分解不完整、有效信息易丢失、检测精度低、依赖专家经验且诊断耗时较长等缺点.针对上述方法存在的问题，采用自学习能力的方法，因其能自主学习信号内部特征，可避免主成分提取或信号分解重构过程中丢失信息.文献 9 基于流形正则化域适应随机权神经网络模型，解决不同工况条件下模型训练稳定性问题，提高检测精度.文献10提出基于 CNN-ELM 的负荷检测方法，将CNN算法提取的高层次抽象特征移至 ELM 构建测量模型，其特征提取优于传统PCA和PLS等方法.然而，传统网络模型参数优化困难，且球磨机在强背景噪声下运转，筒体振动信号易受噪声干扰，使用局部特征提取器可能无法检测负荷相关特征，导致输出层高级特征没有足够的分辨力，从而难以识别高代表性的特征，模型检测准确度有待进一步提高.本文针对球磨机负荷状态特征提取困难、诊断准确度低的问题，结合领域专家研究经验，以原始筒体振动信号为依据，建立深度宽卷积残差收缩网络（Deep Wide Residual Shrinkage Networks，DWRSNs）负荷状态诊断方法，并融合卷积神经网络、残差网络、软阈值函数和注意力机制，加强DWRSNs面对负荷特征的学习能力，去除与状态判别无关的特征，强化细节特征.为提高网络泛化能力、防止过拟合，通过数据增强和降采样方式进行数据预处理，在网络训练中采用批量归一化（Batch Normalization，BN）和损失函数正则化进一步提高模型泛化能力.最后，通过仿真试验和工业实例验证本文构建方法的准确性和有效性.103湖南大学学报（自然科学版）2023 年1 深度残差收缩网络1.1 残差网络为满足不同研究领域的需求，卷积神经网络深度不断增加，在一定深度范围内模型性能与网络深度呈正相关，但当网络层数增加到一定数目之后继续增加则会造成训练精度与测试精度下降，模型性能变差11，该现象被称为网络退化.He等12在卷积神经网络中引入恒等映射设计深度残差网络（Deep Residual Network），可有效缓解网络深度增加引起的梯度爆炸和网络退化问题，减小卷积神经网络的训练难度，提升网络的准确率.残差网络由基本的残差块组成，如图1所示，一个基本残差块分为映射部分和残差部分，即为：xl+1=xl+F(xl，Wl)（1）式中：xl指直接映射，即图1中identity部分；Wl指残差单元的权重参数；F（xl，Wl）指残差函数，由两到三个卷积操作组成.由式（1）可知，残差块中恒等映射添加到残差函数输出，没有增加额外参数和计算复杂度.1.2 深度残差网络为提高噪声下振动信号特征提取的能力，Zhao等13首次