CN106203253A - 一种基于多源信息的磨机振动与振声特征提取方法 - Google Patents

Abstract

本发明公开了一种基于多源信息的磨机振动与振声特征提取方法，其包括步骤：A、多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为B、浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取。本发明的方法可为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑。

Description

一种基于多源信息的磨机振动与振声特征提取方法

技术领域

本发明涉及磨机磨矿过程技术领域，具体涉及一种基于多源信息的磨机振动与振声特征提取方法。

背景技术

磨矿作为选矿过程的“瓶颈”作业，其作用是将破碎后的原矿通过旋转机械设备(球磨机)研磨成粒度合格的矿浆，为后续工序提供原料。磨机负荷决定磨矿过程甚至选矿流程的生产效率和质量指标。磨机过负荷会导致“磨机吐料”、“磨机出口粒度变粗”、“堵磨”，甚至停产。磨机欠负荷会引起磨机“空砸”，导致能源浪费、钢耗增加，甚至造成研磨设备损坏。通常认为，实现磨矿过程的最佳负荷控制可提高磨矿处理量2％-10％，节约能耗5％-10％，提高劳动生产率25％-50％。

球磨机封闭、连续旋转的工作方式，导致磨机负荷难以直接检测。磨矿过程自身的综合复杂动态特性、外界干扰因素的不确定性动态变化等原因，导致难以依据磨矿过程的质量平衡建立基于机理知识的磨机负荷数学模型，特别是对于磨矿过程湿式球磨机负荷的检测。

本领域的技术人员已经意识到，有效识别磨机负荷及磨机内部负荷参数对磨矿全流程优化至关重要，而磨机研磨过程产生的机械振动/振声信号与磨机负荷间存在难以用精确数学模型描述的模糊关系。

现有技术中，往往只能由经验丰富的领域专家依靠“听音”对表征其所熟悉磨机的磨机负荷的特征进行感知。但是，领域专家并不能直接感知磨机筒体振动和轴承振动等信号，并且，不同的领域专家的经验也存在较大的差异。因此，领域专家凭借听觉感知机制并不能利用高灵敏度的筒体振动和随机干扰较弱的轴承振动，以及存在极值点特性的磨机电流。因而，基于模拟领域专家的听觉感知机制对磨机振动与振声等多源信号进行特征知识的选择与提取，是准确识别和估计磨机负荷的关键技术。

发明内容

鉴于现有技术的以上现状，本发明的主要目的在于提供一种基于多源信息的磨机振动与振声特征提取方法，该方法可模拟专家听觉感知机制，实现磨机振动/振声特征提取，为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑。

为实现上述目的，本发明所采取的技术方案如下：

一种基于多源信息的磨机振动与振声特征提取方法，其包括：

步骤A：多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为

步骤B：浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；

步骤C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动与振声多尺度深度特征知识的提取。

优选地，步骤A中，表征磨机负荷状态的信号包括下列信号中的至少一者：磨机筒体振动信号磨机前轴承振动信号磨机后轴承振动信号以及磨机研磨区域的振声信号

优选地，以如下方式获取表征磨机负荷状态的信号：

通过无线的振动信号采集装置采集磨机筒体振动信号并传输至多源信号采集部分；

通过有线的振动信号采集装置采集磨机前轴承振动并信号并传输至多源信号采集部分；

通过有线的振动信号采集装置采集磨机后轴承振动信号并传输至多源信号采集部分；

通过有线的振声信号采集装置采集磨机研磨区域的振声信号并传输至多源信号采集部分。

优选地，步骤B中，首先进行信号分解和信号分析，获得模拟人耳滤波功能的感知信息，再通过信息变换获得多尺度浅层特征信息，并将其统一表示为其中j＝1,...,J，J表示选择的有价值多尺度子信号的数量。

优选地，步骤B中，信号分解采用多组分信号自适应分解算法，其分解过程表示为如下公式：

其中，表示采用多组分信号自适应分解算法由原始信号分解得到的第j_all个平稳子信号；j_all＝1,...,J_all，J_all是经多组分信号自适应分解算法分解获得的全部平稳子信号的数量；表示采用多组分信号自适应分解算法获得的残差信号；DECOM表示所采用的多组分信号自适应分解算法。

优选地，所述多组分信号自适应分解算法包括如下算法中的一种或多种：

经验模态分解，集合经验模态分解，希尔伯特振动分析，局部均值分解，集成局部均值分解。

优选地，步骤B中，信号分析过程中，

首先，计算原始信号和平稳子信号间的相关系数，计算公式为：

${\left({\mathrm{\λ}}_{S\_DECOM}\right)}_{j_{all}}=\frac{\mathrm{\Σ}({\left\{x_S^t\right\}}_{n=1}^N-{\stackrel{\‾}{x}}_S^t)({\left\{{\left(x_{S\_DECOM}^t\right)}_{j_{all}}\right\}}_{n=1}^N-{\left({\stackrel{\‾}{x}}_{S\_DECOM}^t\right)}_{j_{all}})}{\mathrm{\Σ}{({\left\{x_S^t\right\}}_{n=1}^N-{\stackrel{\‾}{x}}_S^t)}^2\Σ{({\left\{{\left(x_{S\_DECOM}^t\right)}_{j_{all}}\right\}}_{n=1}^N-{\left({\stackrel{\‾}{x}}_{S\_DECOM}^t\right)}_{j_{all}})}^2}---\left(3\right)$

其中，表示第j_all个平稳子信号与原始信号间的相关系数；和分别表示原始信号和第j_all个平稳子信号的均值；

然后，根据相关系数选择子信号，将选择的第j个平稳子信号标记为其中，j＝1,...,J，J表示经相关性分析选择的有价值平稳子信号的数量，所述相关性分析的过程表示为：

优选地，步骤B中，信息变换过程中综合采用时域统计、快速傅里叶变换、以及希尔伯特-黄变换对分解得到的多尺度平稳子信号进行处理，选择能够保证原始信号所蕴含信息的基本性质的多尺度浅层特征信息，该信息变换的过程表示为：

其中，为第j个平稳子信号，和分别表示从第j个平稳子信号提取的时域、频域和时频域特征；

(z_S)_j表示第j个平稳子信号的浅层特征信息，其表示：

${\left(z_S\right)}_j=\[{\left(z_S\right)}_j^t,{\left(z_S\right)}_j^{FFT},{\left(z_S\right)}_j^{HT}\]---\left(7\right)$

将从多源信号选择的浅层特征信息统一表示为：

${\left\{{\left(z_S\right)}_j\right\}}_{j=1}^J=\[{\left(z_S\right)}_1,...,{\left(z_S\right)}_j,...,{\left(z_S\right)}_J\]---\left(8\right)$

假定训练样本的数量为k，其中无标记样本的数量为k^NLa，有标记样本的数量为k^La，则k^NLa+k^La＝k；把以浅层特征信息方式表征的全部样本标记为其中，l＝1,..,k，表示第l个训练样本；其相应的无标记样本和有标记样本分别表示为和则全部训练样本、无标记样本和标记样本间的对应关系表示为：

${\left\{{\left\{{\left(z_S\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^k=\[{\left\{{\left\{{\left(z_S^{NLa}\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^{k^{NLa}};{\left\{{\left\{{\left(z_S^{La}\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^{k^{La}}\]---\left(9\right).$

优选地，步骤C包括无监督深度神经网络预训练和有监督深度特征知识抽取两个部分；其中，无监督深度神经网络预训练的过程包括：

首先，基于步骤B中所获得的机械振动与振声信号多尺度浅层特征训练样本中的无标记样本对深度神经网络进行预训练；然后，对多尺度浅层特征信息的多维度进行可视化展示，并对深度神经网络中不同层深度特征进行非监督提取，得到潜在特征，并将其表示为并得到与潜在特征相对应的潜变量负荷矩阵；接着，通过潜变量负荷矩阵的多个主元的平方和作为度量值对多尺度浅层特征进行评价，取度量值大于某预设阈值时对应的深度神经网络的结构参数作为预训练后的无监督深度神经网络的结构参数。

优选地，步骤C中，有监督深度特征知识抽取的过程包括：

首先，基于有标记样本对不同层深度特征进行有监督的潜在特征提取，并将提取后的潜在特征表示为为了简化表示，去掉样本数量信息，进一步将提取后的潜在特征表示为

接着，通过提取后的潜在特征与磨机负荷或磨机负荷参数真值间的互信息值对多尺度深度特征知识进行度量，其中，采用互信息进行特征度量的公式如下：

$Muin(y;{\left({\left(z_S^{LV}\right)}_j\right)}_p)=\∫\∫p(y,{\left({\left(z_S^{LV}\right)}_j\right)}_p)log\frac{p(y,{\left({\left(z_S^{LV}\right)}_j\right)}_p)}{p\left({\left({\left(z_S^{LV}\right)}_j\right)}_p\right)p\left(y\right)}d\left({\left({\left(z_S^{LV}\right)}_j\right)}_p\right)dy---\left(10\right)$

其中，和p(y)是和y的边缘概率密度，是联合概率密度；表示特征的第p个特征；y表示磨机负荷或磨机负荷参数；

最后，选择互信息值高于预设定阈值的潜在特征，并进一步将提取后的深度特征知识表示为(u_S)_j，即其过程表示为：

进一步，将从多源信号选择的深度特征知识统一表示为：

${\left\{{\left(u_S\right)}_j\right\}}_{j=1}^J=\[{\left(u_S\right)}_1,...,{\left(u_S\right)}_j,...,{\left(u_S\right)}_J\]---\left(12\right).$

本发明的方法利用领域专家不能直接感知的振动(磨机筒体振动和轴承振动)信号，并与工业过程中常用的磨机振声信号进行多源融合，能够实现面向工业球磨机的模拟领域专家听觉感知机制的多源振动/振声信号深度特征知识提取，不仅可为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑，而且还可丰富和促进面向机械振动/振声信号的难以检测过程参数检测理论与技术的发展。

本发明的方法在多源信号采集时不仅能够模拟人耳对振声的采集功能，而且同时能获取人耳不能采集的例如灵敏度较高的筒体振动和抗干扰性较强的轴承振动信号。

本发明的方法在浅层信息选择时可基于非平稳非线性信号自适应分解和分析技术实现磨机振动/振声多尺度浅层特征信息的选择，模拟耳蜗信号分解与大脑初级皮层感知区域信息的变换过程。

本发明的方法在深度特征知识提取时可基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取，模拟大脑高级皮层对深层特征知识的认知过程，实现磨机振动/振声特征提取。

附图说明

以下将参照附图对根据本发明的磨机振动与振声特征提取方法进行描述。图中：

图1是本发明的磨机振动与振声特征提取方法的示意性流程图；

图2是本发明优选实施例的磨机振动与振声特征提取方法总体策略示意图；

图3是本发明的磨机振动与振声特征提取方法中无监督深度神经网络预训练过程的策略图。

具体实施方式

工业现场常用于识别磨机负荷的磨机外部响应信号是磨机研磨区域附近外侧采集的磨机振声，也称之为“磨音”。经验丰富的领域专家可在其有限精力范围内凭借其听觉感知能够表征磨机负荷的特征知识，进而识别磨机负荷状态的高低和估计磨机负荷参数的量级。现有研究表明，大脑听觉系统对声信号的感知和处理是个复杂的生理过程，包括传播过程滤波处理、听觉神经特征处理和目标识别决策。虽然心理生理学领域的科学家们建立了匹配度较高的听觉模型，但对听觉神经信号处理和特征提取机制的研究还有待进一步完善。目前对听觉感知的研究多以模仿听觉模型为基础，即只是利用滤波方法模拟听觉系统，难以有效地模拟领域专家的智能的听觉感知机制。

领域专家基于听觉感知的认知过程的实质是人类脑智能识别模型的构建过程，可以粗略地分为听觉感知特征提取和智能推理识别或估计两个阶段，其中前者是关键，也是听觉系统的主要功能，即本申请的主要研究内容。

从磨机振动/振声产生机理的视角出发，磨机内部分层排列的数以万计钢球以不同的幅值和周期直接或间接冲击磨机内部衬板引起的筒体振动；经多级传动机构传递削减后，引起磨机轴承振动；磨机内部由钢球冲击引起的混合声场传至磨机外部的空气噪声，筒体振动引起的结构噪声及其磨机外部的环境噪声组成了工业现场检测和领域专家所听到的磨机振声。理论分析与工业实际表明，磨机振动/振声等信号与磨机负荷间存在难以用精确数学模型描述的非线性映射关系。认知心理学的研究表明，人类的记忆是以组块的结构形式存在的，并且组块数量达到5万～10万时才能成为领域专家。不同的领域专家的经验具有较大的差异性，并且人的精力是有限的。显然，领域专家凭借听觉感知机制并不能利用高灵敏度的筒体振动和随机干扰较弱的轴承振动，以及存在极值点特性的磨机电流。由此可见，基于模拟领域专家的听觉感知机制对磨机振动/振声等多源信号，进行特征知识的选择与提取是准确识别和估计磨机负荷的关键技术。

理论上，磨机内部装载的数以万计的钢球表面被矿浆覆盖，并且这些钢球分层排列，以不同的幅值和周期直接或间接冲击磨机内部衬板引起筒体振动。轴承振动是经过多级传动机构传递削减后的筒体振动。理论上，筒体振动只是振声信号的主要来源之一。因此，这些机械振动及振声信号都具有非平稳、非线性和多组分特性，并且蕴含的信息具有较大的差异性。

在时域内，机械振动/振声信号的有价值信息被隐含在宽带随机噪声信号“白噪声”内，进行频域分析是解决该问题的常用手段。为此，将直接对原始筒体振动和振声信号进行快速傅里叶变换(FFT)获得的频谱可以称为单尺度频谱。然而，基于信号平稳性和线性假设的FFT并不适合于处理具有非平稳非线性等特性的磨机振动和振声信号。短时傅里叶变换、小波分析、Wigner-Ville分布、进化谱等非平稳信号分析方法可改进FFT的全局表达能力，但均不能对原始信号进行自适应分解。研究表明，耳蜗具有对声音信号进行自适应分解并进行频率选择的功能。

选矿企业实现全流程运行优化的关键因素之一是进行磨机负荷的实时、在线检测，而目前已有的磨矿过程磨机负荷检测多以准确检测磨机内部负荷参数为目标，且多基于实验磨机进行研究。

因此，研究适合工业现场的磨矿过程磨机(特别是湿式球磨机)负荷检测方法，对磨矿过程实现全流程优化运行与控制、节约能源、降低成本和提高产品质量意义重大。

本发明所提出的磨机振动与振声特征提取方法总体上包括多源信号采集、浅层特征信息选择和深度特征知识提取三个部分(分别表示为步骤A、步骤B和步骤C)，如图1所示。

其中，步骤A：多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为

步骤B：浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；

步骤C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取。

优选地，如图2所示，多源信号采集部分可以通过无线的振动信号采集装置采集筒体振动信号通过有线的振动信号采集装置采集磨机前轴承振动信号和磨机后轴承振动信号以及通过有线的声音信号采集装置采集磨机研磨区域的振声信号为表述方便，本发明中统一采用S表示所采集的多源时域信号，即S＝{SV,FAV,BAV,A}，并将长度(即采样个数)为N的多源时域信号S记为

优选地，如图2所示，浅层特征信息选择部分可以首先进行信号分解和信号分析，获得模拟人耳滤波功能的多尺度感知信息，再通过时域、频域和时频域变换等变换处理获得多尺度浅层特征信息，并统一表示为其中j＝1,...,J，J表示选择的有价值多尺度子信号的数量。

优选地，如图2所示，深度特征知识提取部分可以包括无监督深度神经网络预训练和有监督深度特征知识抽取。其中，前者主要通过深度神经网络对无标记样本产生多层特征，并对这些多层特征进行无监督的潜在特征提取，并依据提取变量负荷矩阵进行特征度量，以确定合理的深度神经网络参数；后者则主要对经过预训练的深度神经网络，基于有标记样本进行特征抽取和特征度量，最终获得多尺度深度特征知识，并统一表示为

下面详细说明各个步骤的优选实施方式。

1、步骤A--多源信号采集

磨机内部数以万计的钢球的冲击作用导致筒体振动具有较高灵敏度，同时也导致筒体振动的具有较强时变特性；经传动机构传至磨机轴承后，振动灵敏度虽然降低，但其稳定性增强；磨机振声通常在磨机研磨区域外部检测，其仅蕴含筒体振动旋转一周的部分信息，但其包含磨机内部混合声场辐射至外部的空气噪声。可见，这些信号可从不同角度刻画其所蕴含的磨机负荷信息。

因磨机旋转运行，采集筒体振动信号可以将振动信号采集装置安装在筒体表面，并例如采用无线传输方式传输至多源信号采集部分；磨机前轴承振动信号和磨机后轴承振动信号可以通过有线的振动信号采集装置传输至多源信号采集部分；磨机研磨区域的振声信号可以通过有线的振声信号采集装置传输至多源信号采集部分。

为表述方便，本发明中统一采用S表示所采集的多源时域信号，即

S＝{SV,FAV,BAV,A} (1)

并将采样格式(即长度)为N的多源时域信号S记为

需要说明的是，本领域的技术人员能够想到，本发明的方法中可以采用信号S中的一种或几种进行基于听觉感知机制的特征提取。

2、步骤B--浅层特征信息选择

本步骤中，首先进行信号分解和信号分析，获得模拟人耳滤波功能的感知信息，再通过信息变换获得多尺度浅层特征信息，并将其统一表示为其中j＝1,...,J，J表示选择的有价值多尺度子信号的数量。

2.1、信号分解

信号分解可采用多组分信号自适应分解算法。本发明深入分析了不同多组分信号自适应分解算法(如经验模态分解(EMD)，集合经验模态分解(EEMD)，希尔伯特振动分析(HVD)，局部均值分解(LMD)，集成局部均值分解(ELMD))的优缺点，从同一信号分解的多尺度子信号是源于不同视角获得的(如EMD/LMD从频率分布尺度对信号进行分解，HVD从能量分布尺度对信号进行分解)，可以将这些子信号看做模拟耳蜗信号分解功能获得的多尺度感知信息。基于上述研究，可实现从不同角度模拟耳蜗对声音信号的分解机制。

本步骤中，自适应分解算法的分解过程可用如下公式表示：

其中，表示采用多组分信号自适应分解算法由原始信号分解得到的第j_all个平稳子信号；j_all＝1,...,J_all，J_all是经多组分信号自适应分解算法分解获得的全部平稳子信号的数量；表示采用多组分信号自适应分解算法获得的残差信号；DECOM表示所采用的非平稳多组分信号自适应分解算法，如经验模态分解(EMD)、集合经验模态分解(EEMD)、希尔伯特振动分析(HVD)、局部均值分解(LMD)、集成局部均值分解(ELMD)中的一种或几种。

2.2、信号分析

经过上述信号分解过程，可以将非平稳非线性信号分解为系列多尺度平稳子信号。研究表明，不同的多组分信号自适应分解算法具有不同的优缺点，可以结合各自的应用背景选择适合的算法。同时，不同的多组分信号自适应分解算法获得的有价值子信号的数量也是有限的。选择与原始信号具有较强相关性的平稳子信号是获取可靠、可用的多源特征知识的基础。

在信号分析过程中，首先可采用如下公式计算原始信号和平稳子信号间的相关系数：

${\left({\mathrm{\λ}}_{S\_DECOM}\right)}_{j_{all}}=\frac{\mathrm{\Σ}({\left\{x_S^t\right\}}_{n=1}^N-{\stackrel{\‾}{x}}_S^t)({\left\{{\left(x_{S\_DECOM}^t\right)}_{j_{all}}\right\}}_{n=1}^N-{\left({\stackrel{\‾}{x}}_{S\_DECOM}^t\right)}_{j_{all}})}{\mathrm{\Σ}{({\left\{x_S^t\right\}}_{n=1}^N-{\stackrel{\‾}{x}}_S^t)}^2\Σ{({\left\{{\left(x_{S\_DECOM}^t\right)}_{j_{all}}\right\}}_{n=1}^N-{\left({\stackrel{\‾}{x}}_{S\_DECOM}^t\right)}_{j_{all}})}^2}---\left(3\right)$

其中，表示第j_all个平稳子信号与原始信号间的相关系数；和分别表示原始信号和第j_all个平稳子信号的均值。

例如，当真实相关系数为0时，不相关值假设检验值具有与随机抽取得到的观测值相同的概率。通常，如果小于0.05，则相关系数是显著的。例如，可以采用如下准则选择子信号：

${\left({\mathrm{\&xi;}}_{S\_DECOM}\right)}_{j_{all}}=\left\{\begin{array}{cc}1,& {\left(p_{S\_DECOM}\right)}_{j_{all}}\&GreaterEqual;p_{threshold}\\ 0,& {\left(p_{S\_DECOM}\right)}_{j_{all}}<p_{threshold}\end{array}\right.---\left(4\right)$

其中，表示子信号选择变量，p_threshold是预设定阈值，其取值例如为的最大值和最小值间的值，可依据经验选定。

选择的平稳子信号，也就是与原始信号的相关性较强的子信号，作为信号分析的结果。此处，将选择的第j个平稳子信号标记为其中，j＝1,...,J，J表示经相关性分析选择的有价值平稳子信号的数量。

上述对平稳子信号进行相关性分析的过程可表示为：

2.3、信息变换

信息变换过程中，可综合采用时域统计、快速傅里叶变换(FFT)、希尔伯特-黄变换(HT)等方法对分解得到的多尺度平稳子信号进行处理，选择能够保证原始信号所蕴含信息的基本性质的多尺度浅层特征信息，如时域、频域、时频域等特征，模拟大脑初级皮层对人耳感知获得的信息进行排序、变换、编码、计算等功能。

以第j个平稳子信号为例，信息变换的过程可采用如下公式表示：

其中，和分别表示从第j个平稳子信号提取的时域、频域和时频域特征；(z_S)_j表示第j个平稳子信号的浅层特征信息，可用下式表示：

${\left(z_S\right)}_j=\&lsqb;{\left(z_S\right)}_j^t,{\left(z_S\right)}_j^{FFT},{\left(z_S\right)}_j^{HT}\&rsqb;---\left(7\right)$

进一步地，可以将从多源信号选择的浅层特征信息统一表示为：

${\left\{{\left(z_S\right)}_j\right\}}_{j=1}^J=\&lsqb;{\left(z_S\right)}_1,...,{\left(z_S\right)}_j,...,{\left(z_S\right)}_J\&rsqb;---\left(8\right)$

假定训练样本的数量为k，其中无标记样本的数量为k^NLa，有标记样本的数量为k^La，则k^NLa+k^La＝k；把以浅层特征信息方式表征的全部样本标记为其中l＝1,..,k，表示第l个训练样本，其相应的无标记样本和有标记样本分别表示为和则全部训练样本、无标记样本和标记样本间的对应关系表示为：

${\left\{{\left\{{\left(z_S\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^k=\&lsqb;{\left\{{\left\{{\left(z_S^{NLa}\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^{k^{NLa}};{\left\{{\left\{{\left(z_S^{La}\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^{k^{La}}\&rsqb;---\left(9\right).$

3、步骤C--深度特征知识提取

磨矿过程领域专家依据磨机振声只能在其有限精力范围内有效识别其所熟悉的磨机负荷及磨机负荷参数，并且不同专家的识别精度也存在较大不同，表明不同专家的大脑高级皮层对多尺度浅层特征信息在抽取和存储能力上的差异性。神经网络能够模拟生物神经系统的智能机理；深度神经网络通过组合低层特征形成数据的分层特征，能够充分模拟人类大脑的神经连接结构。磨矿过程中，领域专家能够有效地判断他们所熟悉磨机在某些工况下的负荷状态，即可以认为存在大量的难以标记和部分可标记的训练样本。

如图2所示，步骤C包括无监督深度神经网络预训练和有监督深度特征知识抽取两个部分，下面分别进行详细说明。

3.1、无监督深度神经网络预训练

如图3的策略图所示，无监督深度神经网络预训练的过程包括：

首先，基于步骤B中所获得的机械振动与振声信号多尺度浅层特征训练样本中的无标记样本对深度神经网络进行预训练；然后，对多尺度浅层特征信息的多维度进行可视化展示，并对深度神经网络中不同层深度特征进行非监督提取，得到潜在特征，并将其表示为并得到与潜在特征相对应的潜变量负荷矩阵；接着，通过潜变量负荷矩阵的多个主元的平方和作为度量值对多尺度浅层特征进行评价，取度量值较大(例如大于某预设阈值)时对应的深度神经网络的结构参数作为预训练后的无监督深度神经网络的结构参数。

3.2、有监督深度特征知识抽取

利用磨矿过程存在的领域专家凭经验标记的有标记样本在无监督深度神经网络预训练完成的基础上，利用基于互信息的度量准则对多尺度深度特征知识进行提取，实现对大脑高级皮层提取深层特征知识过程的模拟。

此处，以从第j个平稳子信号的浅层特征信息中提取深度特征知识为例，说明有监督深度特征知识抽取的过程，其包括：

首先，基于有标记训练样本对多层特征进行有监督的潜在特征提取，并将提取后的潜在特征表示为为了简化表示，可去掉样本数量信息，进一步将提取的潜在特征表示为

接着，通过提取的潜变量与领域专家估计的磨机负荷或磨机负荷参数真值间的互信息值对多尺度深度知识进行度量。其中，采用互信息进行特征度量的公式如下：

$Muin(y;{\left({\left(z_S^{LV}\right)}_j\right)}_p)=\&Integral;\&Integral;p(y,{\left({\left(z_S^{LV}\right)}_j\right)}_p)log\frac{p(y,{\left({\left(z_S^{LV}\right)}_j\right)}_p)}{p\left({\left({\left(z_S^{LV}\right)}_j\right)}_p\right)p\left(y\right)}d\left({\left({\left(z_S^{LV}\right)}_j\right)}_p\right)dy---\left(10\right)$

其中，和p(y)是和y的边缘概率密度，是联合概率密度；表示特征的第p个特征；y表示磨机负荷或磨机负荷参数。

最后，选择互信息值高于预设定阈值的潜在特征，并进一步将提取的深度特征知识表示为(u_S)_j，即其过程可表示为：

进一步，将从多源信号选择的深度特征知识统一表示为：

${\left\{{\left(u_S\right)}_j\right\}}_{j=1}^J=[{\left(u_S\right)}_1,...,{\left(u_S\right)}_j,...,{\left(u_S\right)}_J]---\left(12\right).$

至此，即完成了基于多源信息模拟专家听觉感知机制的磨机振动与振声特征的提取。

综上，本发明的方法在多源信号采集时不仅能够模拟人耳对振声的采集功能，而且同时能获取人耳不能采集的例如灵敏度较高的筒体振动和抗干扰性较强的轴承振动信号。本发明的方法在浅层信息选择时可基于非平稳非线性信号自适应分解和分析技术实现磨机振动/振声多尺度浅层特征信息的选择，模拟耳蜗信号分解与大脑初级皮层感知区域信息的变换过程。本发明的方法在深度特征知识提取时可基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取，模拟大脑高级皮层对深层特征知识的认知过程，实现磨机振动/振声特征提取。

本发明的方法利用领域专家不能直接感知的振动(磨机筒体振动和轴承振动)信号，并与工业过程中常用的磨机振声信号进行多源融合，能够实现面向工业球磨机的模拟领域专家听觉感知机制的多源振动/振声信号深度特征知识提取，不仅可为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑，而且还可丰富和促进面向机械振动/振声信号的难以检测过程参数检测理论与技术的发展。

本领域的技术人员容易理解的是，在不冲突的前提下，上述各优选方案可以自由地组合、叠加。

应当理解，上述的实施方式仅是示例性的，而非限制性的，在不偏离本发明的基本原理的情况下，本领域的技术人员可以针对上述细节做出的各种明显的或等同的修改或替换，都将包含于本发明的权利要求范围内。

Claims (10)

1.一种基于多源信息的磨机振动与振声特征提取方法，其特征在于，包括：

步骤A：多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为

步骤B：浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；

步骤C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动与振声多尺度深度特征知识的提取。

2.根据权利要求1所述的方法，其特征在于，步骤A中，表征磨机负荷状态的信号包括下列信号中的至少一者：磨机筒体振动信号磨机前轴承振动信号磨机后轴承振动信号以及磨机研磨区域的振声信号

3.根据权利要求2所述的方法，其特征在于，以如下方式获取表征磨机负荷状态的信号：

通过无线的振动信号采集装置采集磨机筒体振动信号并传输至多源信号采集部分；

通过有线的振动信号采集装置采集磨机前轴承振动信号并传输至多源信号采集部分；

通过有线的振动信号采集装置采集磨机后轴承振动信号并传输至多源信号采集部分；

通过有线的振声信号采集装置采集磨机研磨区域的振声信号并传输至多源信号采集部分。

4.根据权利要求1-3之一所述的方法，其特征在于，步骤B中，首先进行信号分解和信号分析，获得模拟人耳滤波功能的感知信息，再通过信息变换获得多尺度浅层特征信息，并将其统一表示为其中j＝1,...,J，J表示选择的有价值多尺度子信号的数量。

5.根据权利要求4所述的方法，其特征在于，步骤B中，信号分解采用多组分信号自适应分解算法，其分解过程表示为如下公式：

其中，表示采用多组分信号自适应分解算法由原始信号分解得到的第j_all个平稳子信号；j_all＝1,...,J_all，J_all是经多组分信号自适应分解算法分解获得的全部平稳子信号的数量；表示采用多组分信号自适应分解算法获得的残差信号；DECOM表示所采用的多组分信号自适应分解算法。

6.根据权利要求5所述的方法，其特征在于，所述多组分信号自适应分解算法包括如下算法中的一种或多种：

经验模态分解，集合经验模态分解，希尔伯特振动分析，局部均值分解，集成局部均值分解。

7.根据权利要求5或6所述的方法，其特征在于，步骤B中，信号分析过程中，

首先，计算原始信号和平稳子信号间的相关系数，计算公式为：

${\left({\mathrm{\&lambda;}}_{S\_DECOM}\right)}_{j_{all}}=\frac{\mathrm{\&Sigma;}\left({\left\{x_S^t\right\}}_{n=1}^N-{\stackrel{\&OverBar;}{x}}_S^t\right)\left({\left\{{\left(x_{S\_DECOM}^t\right)}_{j_{all}}\right\}}_{n=1}^N-{\left({\stackrel{\&OverBar;}{x}}_{S\_DECOM}^t\right)}_{j_{all}}\right)}{\mathrm{\&Sigma;}{\left({\left\{x_S^t\right\}}_{n=1}^N-{\stackrel{\&OverBar;}{x}}_S^t\right)}^2\mathrm{\&Sigma;}{\left({\left\{{\left(x_{S\_DECOM}^t\right)}_{j_{all}}\right\}}_{n=1}^N-{\left({\stackrel{\&OverBar;}{x}}_{S\_DECOM}^t\right)}_{j_{all}}\right)}^2}---\left(3\right)$

其中，表示第j_all个平稳子信号与原始信号间的相关系数；和分别表示原始信号和第j_all个平稳子信号的均值；

然后，根据相关系数选择子信号，将选择的第j个平稳子信号标记为其中，j＝1,...,J，J表示经相关性分析选择的有价值平稳子信号的数量，所述相关性分析的过程表示为：

8.根据权利要求7所述的方法，其特征在于，步骤B中，信息变换过程中综合采用时域统计、快速傅里叶变换、以及希尔伯特-黄变换对分解得到的多尺度平稳子信号进行处理，选择能够保证原始信号所蕴含信息的基本性质的多尺度浅层特征信息，该信息变换的过程表示为：

其中，为第j个平稳子信号，和分别表示从第j个平稳子信号提取的时域、频域和时频域特征；

(z_S)_j表示第j个平稳子信号的浅层特征信息，其表示：

${\left(z_S\right)}_j=\&lsqb;{\left(z_S\right)}_j^t,{\left(z_S\right)}_j^{FFT},{\left(z_S\right)}_j^{HT}\&rsqb;---\left(7\right)$

将从多源信号选择的浅层特征信息统一表示为：

${\left\{{\left(z_S\right)}_j\right\}}_{j=1}^J=\&lsqb;{\left(z_S\right)}_1,...,{\left(z_S\right)}_j,...,{\left(z_S\right)}_J\&rsqb;---\left(8\right)$

假定训练样本的数量为k，其中无标记样本的数量为k^NLa，有标记样本的数量为k^La，则k^NLa+k^La＝k；把以浅层特征信息方式表征的全部样本标记为其中，l＝1,..,k，表示第l个训练样本；其相应的无标记样本和有标记样本分别表示为和则全部训练样本、无标记样本和标记样本间的对应关系表示为：

${\left\{{\left\{{\left(z_S\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^k=\&lsqb;{\left\{{\left\{{\left(z_S^{NLa}\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^{k^{NLa}};{\left\{{\left\{{\left(z_S^{La}\right)}_j\right\}}_{j=1}^J\right\}}_{l=1}^{k^{La}}\&rsqb;---\left(9\right).$

9.根据权利要求8所述的方法，其特征在于，步骤C包括无监督深度神经网络预训练和有监督深度特征知识抽取两个部分；其中，无监督深度神经网络预训练的过程包括：

首先，基于步骤B中所获得的机械振动与振声信号多尺度浅层特征训练样本中的无标记样本对深度神经网络进行预训练；然后，对多尺度浅层特征信息的多维度进行可视化展示，并对深度神经网络中不同层深度特征进行非监督提取，得到潜在特征，并将其表示为并得到与潜在特征相对应的潜变量负荷矩阵；接着，通过潜变量负荷矩阵的多个主元的平方和作为度量值对多尺度浅层特征进行评价，取度量值大于某预设阈值时对应的深度神经网络的结构参数作为预训练后的无监督深度神经网络的结构参数。

10.根据权利要求9所述的方法，其特征在于，步骤C中，有监督深度特征知识抽取的过程包括：

首先，基于有标记样本对不同层深度特征进行有监督的潜在特征提取，并将提取后的潜在特征表示为为了简化表示，去掉样本数量信息，进一步将提取后的潜在特征表示为

接着，通过提取后的潜在特征与磨机负荷或磨机负荷参数真值间的互信息值对多尺度深度特征知识进行度量，其中，采用互信息进行特征度量的公式如下：

$Muin(y;{\left({\left(z_S^{LV}\right)}_j\right)}_p)=\&Integral;\&Integral;p(y,{\left({\left(z_S^{LV}\right)}_j\right)}_p)log\frac{p(y,{\left({\left(z_S^{LV}\right)}_j\right)}_p)}{p\left({\left({\left(z_S^{LV}\right)}_j\right)}_p\right)p\left(y\right)}d\left({\left({\left(z_S^{LV}\right)}_j\right)}_p\right)dy---\left(10\right)$

其中，和p(y)是和y的边缘概率密度，是联合概率密度；表示特征的第p个特征；y表示磨机负荷或磨机负荷参数；

最后，选择互信息值高于预设定阈值的潜在特征，并进一步将提取后的深度特征知识表示为(u_S)_j，即其过程表示为：

进一步，将从多源信号选择的深度特征知识统一表示为：

${\left\{{\left(u_S\right)}_j\right\}}_{j=1}^J=\&lsqb;{\left(u_S\right)}_1,...,{\left(u_S\right)}_j,...,{\left(u_S\right)}_J\&rsqb;---\left(12\right).$