深度學習在球磨機料位軟測量建模中的應用研究.pdf

1、球磨機是電力、磨礦、化工、陶瓷、水泥、醫(yī)藥和冶金等行業(yè)常用的高能耗設備，球磨機筒內(nèi)的料位是影響球磨機能效和安全穩(wěn)定運行的關鍵因素之一。在實際工業(yè)生產(chǎn)過程中，當球磨機系統(tǒng)運轉(zhuǎn)時，由于其筒內(nèi)環(huán)境惡劣并且情況比較復雜，存料量難以在線直接監(jiān)測，導致球磨機系統(tǒng)難以經(jīng)濟運行并且容易發(fā)生安全事故。因此，有效測量或估計球磨機的料位，對于球磨機系統(tǒng)高效和安全穩(wěn)定運行具有重大意義。
　　軟測量技術是一種解決工業(yè)生產(chǎn)過程中難以直接測量參數(shù)估計的有效方法

2、，其主要依據(jù)對易測輔助變量與難以測量的待測變量之間數(shù)學關系認識來進行待測變量的估計或測量。本文中選取球磨機軸承振動信號作為球磨機料位軟測量模型的輔助變量，針對振動信號分析和特征提取困難的問題，將近年來廣泛研究的深度信念網(wǎng)絡(Deep Belief Network，DBN)引入球磨機料位軟測量建模過程中，用于球磨機軸承振動信號的有效特征提取。DBN是一種深層次神經(jīng)網(wǎng)絡，是一種典型的、代表性的深度學習方法;DBN具有優(yōu)異的特征學習能力，它的

3、主要優(yōu)勢在于:(1)通過逐層無監(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)通過逐層預訓練的自學習方法使得DBN能通過大量無標記的數(shù)據(jù)樣本學習到所有層（不包括最終分類層）的最佳初始權值，并獲取數(shù)據(jù)的非線性特征;(3)可通過少量帶標記樣本對整個網(wǎng)絡進行微調(diào)，對所有權值進行修正，使網(wǎng)絡達到理想的性能。DBN的上述特性非常適合于求取振動信號的非線性特征表示，并且也適合于解決生產(chǎn)過程中球磨機料位的精確樣本難以獲取的問題。

4、
　　基于深度信念網(wǎng)絡振動信號功率譜分析和特征提取是所提出軟測量模型的重點研究部分。深度信念網(wǎng)絡可以看作由一系列受限玻爾茲曼機(Restricted Bolzmann Machine，RBM)堆疊而成;DBN網(wǎng)絡主要通過預訓練和微調(diào)兩個步驟來完成訓練，并采用訓練好的DBN進行有效特征提取。首先，DBN分別逐層無監(jiān)督地訓練每一個RBM網(wǎng)絡，采用對比散度方法(Contrastive Divergence，CD)完成每個RBM網(wǎng)絡的訓練

5、。在這種貪婪機制的預訓練之后，附加一層有監(jiān)督學習網(wǎng)絡層來微調(diào)整個網(wǎng)絡參數(shù)，達到更加優(yōu)化的網(wǎng)絡模型。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、更高級的特征，即深度模型的最高抽象表達。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。
　　為了驗證基于DBN特征提取方法所建立軟測量模型的可行性和有效性，在小型實驗室球磨機上進行了模擬工業(yè)現(xiàn)場的球磨機磨礦制粉過程，并采集實驗樣本數(shù)據(jù)。首先對采集得到的大量軸承振動數(shù)據(jù)進行離線分析，采用Welch方法計算振動信號的功率譜，針對振動頻譜的超高維和共線性問題，分別采用深度信念網(wǎng)絡、主元分析方法和偏最小二乘方法進行振動信號功率譜的有效特征提取。然后，將提取