CN105300473A - 一种少量标定的基于深度信念网络的球磨机料位测量方法 - Google Patents

Abstract

本发明涉及滚筒式球磨机料位的检测方法，具体为一种少量标定的基于深度信念网络的球磨机料位测量方法。一种少量标定的基于深度信念网络的球磨机料位测量方法，其具体步骤如下：采集球磨机的振动信号，并求取振动信号的功率谱；采用大量无标签数据和少量带标签数据对深度信念网络进行训练，并进行特征提取；最后建立提取特征和料位之间的回归模型。本发明能可靠测量球磨机料位，可在难以获得大量带标签样本的情况下进行建模，具有较高的实用价值和推广前景。

Description

一种少量标定的基于深度信念网络的球磨机料位测量方法

技术领域

本发明涉及滚筒式球磨机料位的检测方法，具体为一种少量标定的基于深度信念网络的球磨机料位测量方法。

背景技术

滚筒式球磨机是一种典型的制粉设备，主要应用于电力、矿山、水泥和化工等行业。由于球磨机系统具有非线性、大滞后、强耦合的特点，且工作于封闭旋转状态，导致目前难以直接检测球磨机料位，从而经常发生饱磨、空磨和堵磨，使得其效率降低，研磨质量下降。因此需要采用软测量方法对球磨机料位进行测量，以优化生产过程。

在测量的建模过程中，需要建立球磨机辅助变量和料位标签之间的模型。而建立传统的软测量模型往往需要大量具有精确料位标签的样本。但在实际连续工业工程中，若要获得精确的料位值，不得不停机标定，于是建模成本较高且过程繁琐。但是若只获得大量连续料位的球磨机振动信号成本较低，而这些未经标记的振动信号中也蕴含着大量与料位相关的信息，若能被合理利用，则可以有效降低建模成本和难度。因此需要考虑实现一种能够综合大量无标签信号和少量有标签信号蕴含的信息的方法进行建模，从而有效减少标定次数，降低测量成本和难度。

发明内容

本发明的发明目的是提供一种利用大量无标签样本和少量带标签样本进行球磨机料位测量的方法，以通过少量标定达到有效测量，从而解决实际工程中难以获取大量带标签样本的问题，达到降低测量工程实施难度的目的。

一种少量标定的基于深度信念网络的球磨机料位测量方法，包括离线建模阶段与在线测量阶段，其中离线建模阶段包括以下步骤：

步骤一：采集从低料位到高料位的无标签振动信号同时对少量料位Z＝{z₁,…,z_N}进行标定，得到有标签的振动信号

步骤二：对无标签振动信号和有标签振动信号分别求取功率谱和设定 $X_{unlabel}=\{x_1^1,\mathrm{...},x_M^1\}$ 为无标签训练集，M为无标签样本个数，为有标签训练集，N为有标签样本个数。

步骤三：训练深度信念网络(DeepBeliefNetwork,DBN)，并利用训练好的DBN对有标签的功率谱进行特征提取，其过程如下。

首先将大量无标签训练集X_unlabel输入到DBN的首个受限玻尔兹曼机(restrictedBoltzmannmachine,RBM)可见层v中，然后基于大量无标签训练集X_unlabel采用对比散度(ContrastiveDivergence,CD)算法无监督地训练RBM,具体规则如下：

△w_i,j＝ε(<v_ih_j>_data-<v_ih_j>_recon)，

△b_i＝ε(<v_i>_data-<v_i>_recon)，(1)

△c_j＝ε(<h_j>_data-<h_j>_recon)，

其中ε为学习率，<·>_data为无标签训练集所在分布的期望，<·>_recon为重构后模型所在分布的期望。完成第一个RBM的训练后，将无标签训练集X_unlabel输入到训练好的RBM中，得到隐含层输出Act，再将其输入到下一个RBM中。对于之后的RBM的训练采用相同的训练策略。

然后为DBN添加一个输出层，基于少量有标签训练集X_label采用有监督的反向传播算法对整个网络的参数进行微调。最后将有标签训练集X_unlabel输入DBN，并将最后一个隐含层的激活值Y＝{y₁,…,y_N}作为提取特征。

步骤四：基于少量有标签的功率谱的提取特征Y＝{y₁,…,y_N}及其对应料位标签对支持向量机(supportvectormachine,SVM)进行训练；

对于少量提取特征及其对应料位{(y₁,z₁),…,(y_N,z_N)}，优化问题为

$\underset{w,b,\mathrm{\&xi;},{\mathrm{\&xi;}}^{*}}{\min }\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{N}{\&Sigma;}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*}),---\left(2\right)$

上式的约束条件为

w^Tφ(y_i)+b-z_i≤ε+ξ_i，

z_i-w^Tφ(y_i)+b≤ε+ξ_i ^*，(3)

ξ_i,ξ_i ^*≥0,i＝1,…,N，

式(2)中第一项用于增强泛化能力，第二项用于降低误差，常数C用于惩罚超出误差ε的样本，ξ_i，ξ_i ^*为引入的松弛变量。

引入Lagrange函数，并利用对偶原理，得到式(2)的对偶优化问题：

$\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{R}{\&Sigma;}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})({\mathrm{\&alpha;}}_j-{\mathrm{\&alpha;}}_j^{*})K(y_i,y_j)+\mathrm{\&epsiv;}\underset{i=1}{\overset{R}{\&Sigma;}}({\mathrm{\&alpha;}}_i+{\mathrm{\&alpha;}}_i^{*})+\underset{i=1}{\overset{R}{\&Sigma;}}{z}_i({\mathrm{\&alpha;}}_i+{\mathrm{\&alpha;}}_i^{*}),\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{R}{\&Sigma;}}({\mathrm{\&alpha;}}_i+{\mathrm{\&alpha;}}_i^{*})=0,{\mathrm{\&alpha;}}_i,{\mathrm{\&alpha;}}_i^{*}\&Element;\&lsqb;0,C\&rsqb;,i=1,\mathrm{...},R.\end{array}\end{array}---\left(4\right)$

从而可求解得到料位预测值

$\hat{z}\underset{i=1}{\overset{R}{\&Sigma;}}(-{\mathrm{\&alpha;}}_i+{\mathrm{\&alpha;}}_i^{*})K(y_i,y)+b.---\left(5\right)$

在线测量阶段包括以下步骤：

步骤一：采集振动信号s，并求取相应的功率谱x；

步骤二：利用DBN进行特征提取，得到特征y；

步骤三：将特征y输入到SVM进行预测，得到料位预测值

与现有技术相比，本发明具有以下优点：本发明能够有效解决在难以获得大量样本标签的情况下工业软测量建模的问题，这一方法对于解决很多工业现场较易能够取得原始传感信号但难以获取精确样本测量值的软测量问题具有重要的实用价值。

附图说明

图1为具体实施例中方案1的硬件结构框图。

图2为具体实施例中方案2的硬件结构框图。

图3为本发明的测量曲线图。

图4为对比方法的测量曲线图。

具体实施方式

一种少量标定的基于深度信念网络的球磨机料位测量方法，包括离线建模阶段与在线测量阶段；在硬件实施上，可以采用以下两种方案。方案1的硬件示意图如图1所示，离线建模阶段和在线测量阶段采用同一装置。若为了节约整体成本，采用嵌入式系统进行在线测量，即方案2，硬件示意图如图2所示。

方案1：离线建模阶段，在球磨机上安装振动传感器，通过信号调理电路和数据采集卡将训练数据传输到计算机，通过训练得到软测量模型。在线测量阶段，将采集到的振动信号也通过信号调理电路和数据采集卡输入到计算机，再输入到所建立的模型得到料位预测值。

方案2：离线建模阶段，在球磨机上安装振动传感器，通过信号调理电路和数据采集卡将训练数据传送到计算机，通过训练得到建模模型，最后将所建立模型的参数存储到用于在线测量的嵌入式系统。在线测量阶段，将采集到的振动信号，通过信号调理电路输入到嵌入式系统，然后经过嵌入式系统的运算得到料位预测值。

在软件实施上，离线建模阶段包括以下步骤：

填充物料，逐渐增加料位，直至最大料位，并通过振动传感器，采集振动信号同时对部分料位下的样本进行标定，得到有标签的振动信号

分别对无标签和有标签振动信号求取功率谱，得到无标签训练集X_unlabel和有标签训练集X_label；

基于无标签训练集X_unlabel，采用CD算法对DBN的权值和偏置进行预训练，本实施例中RBM的个数为2，隐含层节点数为[5030]，学习率为0.01，训练次数为20；

为DBN添加一层有监督的输出层，基于有标签训练集X_label及其对应料位Z，采用反向传播算法微调DBN参数，达到利用标签信息优化权值和偏置与增强所提取特征的鲁棒性的目的；

输入有标签训练集X_label至训练好的DBN，得到提取特征Y_label；

基于对少量有标签样本的提取特征Y_label及其对应料位Z_label，建立软测量SVM预测模型，本实施例中其模型训练参数c＝1000，gamma＝0.9。

在线测量阶段包括以下步骤：

在球磨机运行过程中，采集振动信号s；

求取功率谱特征x；

输入到DBN，提取特征y；

将提取特征y输入到SVM，得到料位预测值

在本实施例中，进行了10组的实验与对比实验。表1给出了10个有标签训练集。无标签训练集T为将T₁去掉标签的数据集。本发明中，DBN的预训练基于无标签训练集T，DBN的微调和SVM的训练基于T_j(j＝1,2,…,10)；对比方法中，DBN的预训练和微调和SVM的训练基于T_j(j＝1,2,…,10)。附图3给出了本发明的测量曲线图，附图4给出了对比方法的测量曲线图。

采用均方根误差(RMSE)作为模型性能评价指标，其定义分别为：

$RMSE=\sqrt{\frac{1}{L}\underset{i=1}{\overset{L}{\&Sigma;}}{({\hat{z}}_i-z_i)}^2}---\left(6\right)$

式中和z_i分别表示第i个样本的料位估计值和实际值，L为在线测试样本个数。

根据图3和图4，可以得出本发明的测量结果优于对比方法的测量结果，这充分说明DBN能充分利用大量无标签振动信号的信息，提取可靠特征。

表1现场实验有标签训练集

Claims (1)

1.一种少量标定的基于深度信念网络的球磨机料位测量方法，其特征在于包括离线建模阶段与在线测量阶段，其中离线建模阶段包括以下步骤：

步骤一：采集从低料位到高料位的无标签振动信号同时对部分料位Z＝{z₁,…,z_N}进行标定，得到有标签振动信号

步骤二：对无标签振动信号和有标签振动信号分别求取功率谱和

步骤三：训练深度信念网络，并对有标签的功率谱进行特征Y＝{y₁,…,y_N}提取；

步骤四：基于少量有标签的功率谱的提取特征Y＝{y₁,…,y_N}及其对应料位值Z＝{z₁,…,z_N}对支持向量机进行训练；

在线测量阶段包括以下步骤：

步骤一：采集振动信号s，并求取相应的功率谱x；

步骤二：利用深度信念网络进行特征提取，得到特征y；

步骤三：将特征y输入到支持向量机进行预测，得到料位预测值