深度學(xué)習(xí)在球磨機(jī)料位軟測(cè)量建模中的應(yīng)用研究.pdf

1、球磨機(jī)是電力、磨礦、化工、陶瓷、水泥、醫(yī)藥和冶金等行業(yè)常用的高能耗設(shè)備，球磨機(jī)筒內(nèi)的料位是影響球磨機(jī)能效和安全穩(wěn)定運(yùn)行的關(guān)鍵因素之一。在實(shí)際工業(yè)生產(chǎn)過程中，當(dāng)球磨機(jī)系統(tǒng)運(yùn)轉(zhuǎn)時(shí)，由于其筒內(nèi)環(huán)境惡劣并且情況比較復(fù)雜，存料量難以在線直接監(jiān)測(cè)，導(dǎo)致球磨機(jī)系統(tǒng)難以經(jīng)濟(jì)運(yùn)行并且容易發(fā)生安全事故。因此，有效測(cè)量或估計(jì)球磨機(jī)的料位，對(duì)于球磨機(jī)系統(tǒng)高效和安全穩(wěn)定運(yùn)行具有重大意義。
　　軟測(cè)量技術(shù)是一種解決工業(yè)生產(chǎn)過程中難以直接測(cè)量參數(shù)估計(jì)的有效方法

2、，其主要依據(jù)對(duì)易測(cè)輔助變量與難以測(cè)量的待測(cè)變量之間數(shù)學(xué)關(guān)系認(rèn)識(shí)來(lái)進(jìn)行待測(cè)變量的估計(jì)或測(cè)量。本文中選取球磨機(jī)軸承振動(dòng)信號(hào)作為球磨機(jī)料位軟測(cè)量模型的輔助變量，針對(duì)振動(dòng)信號(hào)分析和特征提取困難的問題，將近年來(lái)廣泛研究的深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)引入球磨機(jī)料位軟測(cè)量建模過程中，用于球磨機(jī)軸承振動(dòng)信號(hào)的有效特征提取。DBN是一種深層次神經(jīng)網(wǎng)絡(luò)，是一種典型的、代表性的深度學(xué)習(xí)方法;DBN具有優(yōu)異的特征學(xué)習(xí)能力，它的

3、主要優(yōu)勢(shì)在于:(1)通過逐層無(wú)監(jiān)督地特征抽取，DBN可以得到原始數(shù)據(jù)更加有效的深層次特征表示;(2)通過逐層預(yù)訓(xùn)練的自學(xué)習(xí)方法使得DBN能通過大量無(wú)標(biāo)記的數(shù)據(jù)樣本學(xué)習(xí)到所有層（不包括最終分類層）的最佳初始權(quán)值，并獲取數(shù)據(jù)的非線性特征;(3)可通過少量帶標(biāo)記樣本對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)，對(duì)所有權(quán)值進(jìn)行修正，使網(wǎng)絡(luò)達(dá)到理想的性能。DBN的上述特性非常適合于求取振動(dòng)信號(hào)的非線性特征表示，并且也適合于解決生產(chǎn)過程中球磨機(jī)料位的精確樣本難以獲取的問題。

4、
　　基于深度信念網(wǎng)絡(luò)振動(dòng)信號(hào)功率譜分析和特征提取是所提出軟測(cè)量模型的重點(diǎn)研究部分。深度信念網(wǎng)絡(luò)可以看作由一系列受限玻爾茲曼機(jī)(Restricted Bolzmann Machine，RBM)堆疊而成;DBN網(wǎng)絡(luò)主要通過預(yù)訓(xùn)練和微調(diào)兩個(gè)步驟來(lái)完成訓(xùn)練，并采用訓(xùn)練好的DBN進(jìn)行有效特征提取。首先，DBN分別逐層無(wú)監(jiān)督地訓(xùn)練每一個(gè)RBM網(wǎng)絡(luò)，采用對(duì)比散度方法(Contrastive Divergence，CD)完成每個(gè)RBM網(wǎng)絡(luò)的訓(xùn)練

5、。在這種貪婪機(jī)制的預(yù)訓(xùn)練之后，附加一層有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)層來(lái)微調(diào)整個(gè)網(wǎng)絡(luò)參數(shù)，達(dá)到更加優(yōu)化的網(wǎng)絡(luò)模型。DBN通過逐層地特征抽取，可以確保特征向量映射到不同特征空間，并盡可能多地保留特征信息，這樣得到了原始數(shù)據(jù)的更本質(zhì)的、更高級(jí)的特征，即深度模型的最高抽象表達(dá)。它與普通特征選擇方法，如主元分析方法(Principle Component Analysis，PCA)和偏最小乘法(Partial Least Square，PLS)等不同之處在于，

6、深度模型具有更好的對(duì)非線性函數(shù)的表示能力，能抽取出更有效的內(nèi)在信息。
　　為了驗(yàn)證基于DBN特征提取方法所建立軟測(cè)量模型的可行性和有效性，在小型實(shí)驗(yàn)室球磨機(jī)上進(jìn)行了模擬工業(yè)現(xiàn)場(chǎng)的球磨機(jī)磨礦制粉過程，并采集實(shí)驗(yàn)樣本數(shù)據(jù)。首先對(duì)采集得到的大量軸承振動(dòng)數(shù)據(jù)進(jìn)行離線分析，采用Welch方法計(jì)算振動(dòng)信號(hào)的功率譜，針對(duì)振動(dòng)頻譜的超高維和共線性問題，分別采用深度信念網(wǎng)絡(luò)、主元分析方法和偏最小二乘方法進(jìn)行振動(dòng)信號(hào)功率譜的有效特征提取。然后，將提取