一种基于深度迁移学习的变工况球磨机负荷软测量方法

摘要

本发明公开了一种基于深度迁移学习的变工况球磨机负荷软测量方法，在变工况条件下，针对球磨机目标域工况中的带标签样本难以获取的情形，本发明基于深度迁移学习方法，提出一种联合判别性高阶矩对齐网络，实现对变工况下球磨机负荷的软测量。本发明通过联合训练源域和目标域以学习到不同域内不同类别间的判别性特征，同时将两个域通过深度网络学习到的特征进行高阶矩对齐，从而实现网络的迁移，其次，本发明基于深度迁移学习，构建了联合判别性高阶矩对齐网络，实现了对变工况下球磨机负荷的软测量，相比其他方法提高了球磨机负荷参数软测量的有效性和准确性。

说明书

技术领域

本发明涉及球磨机的工业应用领域，特别涉及一种基于深度迁移学习的变工况球磨机负荷软测量方法。

背景技术

在工业生产中，球磨机的耗电量较大，大概占到全部生产过程的四至五成，同时全厂的生产能力、作业效率等各项经济技术指标受到球磨机工作状态的极大影响。一般而言，球磨机的负荷是指磨机内部包括新给矿量、介质装载量等瞬时装载量，因此，准确检测球磨机的负荷是实现磨矿过程的优化控制和节能降耗的关键因素之一，对于保证研磨产品的质量和选矿生产的安全、连续和稳定运行也是极为必要的。

在实际工业生产中，球磨机的内部的工况会产生变动，即球磨机内部的钢球填充率和料球比会随着研磨进程而发生变化，进而在实际生产中无法确定球磨机的负荷情况。

为提升球磨机作业效率与能源利用率，对于变工况的球磨机负荷的准确检测变得极为重要。

在球磨机运行时，对球磨机内部料球比的直接测量变得十分困难，因此需要引入软测量方法来解决这一问题。软测量法，旨在通过选择与难测过程参数相关的易测辅助变量，并建立它们之间的数学模型，该方法现已成为磨机负荷参数研究领域的关键技术之一。

综上所述，球磨机负荷软测量问题具有多模态、多工况的特性，即在实际场合中，球磨机钢球填充率和料球比发生变动时，数据分布在不同时间段内也是不同的，导致数据分布具有差异性，因此，在大多数情况下，采用传统的机器学习方法在不同的数据领域之间互相学习得到的结果很差。

发明内容

本发明要解决的技术问题：本发明的目的是为了解决现有技术中的不足，提供在变工况条件下，解决球磨机目标域工况中的带标签样本难以获取问题的基于深度迁移学习的变工况球磨机负荷软测量方法。

本发明的技术方案：本发明所述的一种基于深度迁移学习的变工况球磨机负荷软测量方法，包括如下步骤

S1：实验室球磨机采用X种不同的钢球填充率，每种填充率使用Y种不同的料球比，分别采集球磨机振动信号，进行傅里叶变换得到源域和目标域的频域信号，确定训练周

期数、学习率、批次大小等参数；

S2：构建联合判别性高阶矩对齐网络，所述联合判别性高阶矩对齐网络包含卷积层、池

化层、全连接层和平铺层；

S3：将不同工况下源域和目标域的频谱幅值作为网络输入，前向传递计算网络输出；

S4：将源域分类器损失、域差异损失和域中心损失结合，得到总体损失函数；

S5：调整网络各层权值参数使总体损失函数最小化；

S6：重复S3-S5，达到不同迁移任务的最大迭代步数，最终得到迁移学习训练完成的联合判别性高阶矩对齐网络。

进一步的，S3中所述网络输入，是训练时同时将源域和目标域作为网络的输入，另外考虑到目标域样本不带标签，对目标域输出编码赋予一个伪标签

其中，

进一步的，S4中所述总体损失函数L的计算公式如下：

L＝L

其中，λ

进一步的，所述总体损失函数的各部分损失的具体计算如下：

S4.1：所述源域分类器损失的计算公式如下：

其中，n

S4.2：所述源域和目标域样本是区间[a,b]上分别具有概率分布p和q的独立同分布的有界随机向量，所述域差异损失的计算公式如下：

其中，x

S4.3：所述域中心损失的计算公式如下：

其中，h

进一步的，所述总体损失函数最小化的计算公式如下：

其中，θ为网络各层权值参数。

进一步的，所述联合判别性高阶矩对齐网络包含10层网络层，所述10层网络层包括3个卷积层，3个池化层，3个全连接层和1个平铺层。

进一步的，球磨机实验过程中采用固定的5种钢球填充率，在每种工况下均匀添加矿料，每组工况采用4种料球比。

进一步的，所述5种钢球填充率为：0.1、0.15、0.2、0.25、0.3；

所述4种料球比为：0、0.5、1、1.5。

本发明与现有技术相比的有益效果：

1.本发明通过联合训练源域和目标域以学习到不同域内不同类别间的判别性特征，同时将两个域通过深度网络学习到的特征进行高阶矩对齐，从而实现网络的迁移。

2.本发明基于深度迁移学习，构建了联合判别性高阶矩对齐网络，实现了对变工况下球磨机负荷的软测量，相比其他方法提高了球磨机负荷参数软测量的有效性和准确性。

附图说明

图1为本发明的流程示意图；

图2为本发明的迁移学习网络结构；

图3为本发明具体实施例傅里叶变换处理后的的球磨机振动信号；

图4为本发明具体实施例深度迁移网络的训练误差图；

图5为本发明具体实施例迁移学习t-SNE可视化图；

图6为本发明具体实施例相比其他现有方法平均分类准确率对比图。

具体实施方式

为了加深本发明的理解，下面我们将结合附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

如图1所示，本发明为一种基于深度迁移学习的变工况球磨机负荷软测量方法，

S1：实验室球磨机采用5种不同的钢球填充率，每种填充率使用4种不同的料球比，分别采集球磨机振动信号，进行傅里叶变换得到源域和目标域的频域信号，确定训练周期数、学习率、批次大小等参数；

具体包括：

S11：实验室球磨机使用电机变频器调速，转速控制在40RPM，每组实验采集60s振动信号；

S12：球磨机实验过程中采用固定的5种钢球填充率(0.1、0.15、0.2、0.25、0.3)，在每种工况下均匀添加矿料，每组工况采用4种料球比(0、0.5、1、1.5)；

S13：将采集到的球磨机振动信号，进行傅里叶变换，得到源域和目标域的振动信号的频域信号，如图2所示；

S14：确定训练周期数、学习率、批次大小等参数；

S2：构建如图3所示的联合判别性高阶矩对齐网络，所述联合判别性高阶矩对齐网络包含10层网络层，包括3个卷积层，3个池化层，3个全连接层和1个平铺层；

S3：将不同工况下源域和目标域的频谱幅值作为网络的输入，前向传递计算网络输出；

具体包括：

S31：联合源域带标签样本和目标域未标记样本作为网络的输入，前向传递计算网络输出；

S32：对目标域输出编码赋予一个伪标签

S4：将源域分类器损失、域差异损失和域中心损失结合，得到总体损失函数；

具体包括：

S41：计算源域分类器损失，计算公式如下：

其中，n

S42：计算域差异损失，计算公式如下：

其中，H

S43：计算域中心损失，计算公式如下：

其中，h

S44：计算总体损失函数，计算公式如下：

L＝L

其中，λ

S5：调整网络各层权值参数使总体损失函数最小化；计算公式如下：

其中，θ为网络各层权值参数；

S6：重复S3-S5，达到不同迁移任务的最大迭代步数，最终得到迁移学习训练完成的联合判别性高阶矩对齐网络；

具体如下：

S61：训练完成后，得到深度迁移网络的训练误差图，如图4所示；

由图4可知，深度迁移网络在训练前期误差快速下降，在训练后期误差达到收敛；

S62：训练完成后，得到迁移学习t-SNE可视化图，如图5所示；

由图5可知，本发明提出的基于深度迁移学习的变工况球磨机负荷软测量方法，可以很好的将不同类别的样本数据数据分开，同时同类数据聚集得较紧密；

S63：将本发明与其他现有方法相对比，得到平均分类准确率对比图如图6所示；

如图6所示，相比于其他现有得方法，本发明的方法获得了最高的分类精度。

综上，深度迁移学习方法是解决在球磨机负荷软测量中变工况建模困难的有效方法，本发明通过联合训练源域和目标域以学习到不同域内不同类别间的判别性特征，同时将两个域通过深度网络学习到的特征进行高阶矩对齐，从而实现网络的迁移，其次，本发明基于深度迁移学习，构建了联合判别性高阶矩对齐网络，实现了对变工况下球磨机负荷的软测量，相比其他方法提高了球磨机负荷参数软测量的有效性和准确性。

上述具体实施方式，仅为说明本发明的技术构思和结构特征，目的在于让熟悉此项技术的相关人士能够据以实施，但以上内容并不限制本发明的保护范围，凡是依据本发明的精神实质所作的任何等效变化或修饰，均应落入本发明的保护范围之内。