CN114077851A - 基于fsvc的球磨机工况识别方法 - Google Patents

基于fsvc的球磨机工况识别方法 Download PDF

Info

Publication number
CN114077851A
CN114077851A CN202111382874.4A CN202111382874A CN114077851A CN 114077851 A CN114077851 A CN 114077851A CN 202111382874 A CN202111382874 A CN 202111382874A CN 114077851 A CN114077851 A CN 114077851A
Authority
CN
China
Prior art keywords
fsvc
ball mill
vector set
working condition
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111382874.4A
Other languages
English (en)
Other versions
CN114077851B (zh
Inventor
苗兵兵
张磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202111382874.4A priority Critical patent/CN114077851B/zh
Publication of CN114077851A publication Critical patent/CN114077851A/zh
Application granted granted Critical
Publication of CN114077851B publication Critical patent/CN114077851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明为一种基于FSVC的球磨机工况识别方法，包括提取球磨机在不同工况下的磨音信号，对磨音信号进行降噪，通过相关系数法选取灵敏度高的本征模态分量并重构信号；提取重构信号包含MFCC系数、GFCC系数和短时能量在内的三种特征，得到特征融合矩阵；将特征融合矩阵作为FSVC模型的输入，对模型进行训练，得到FSVC模型的参量P'nr、σ和b，利用这三个参数构建FSVC分类模型，将FSVC分类模型用于磨音识别，进而对球磨机工况进行实时识别。该方法运算速度快，能够满足对球磨机工况的实时识别，有利于在工作过程中及时调整球磨机工况，减少球磨机的效率损失。

Description

基于FSVC的球磨机工况识别方法
技术领域
本发明涉及球磨机工况检测技术领域，尤其是涉及一种基于FSVC的球磨机工况识别方法。
背景技术
球磨机被广泛应用于选矿厂、石灰厂、水泥厂等现代工业生产建设中，主要用于加工物料以及控制物料细度。球磨机单效能(单位消耗功率产量)低下，目前主要通过人工定时排查其运行状态，在粉磨过程中易出现饱磨、欠磨状况，从而导致停磨停产。
工人通过长时间的工作经验可以近似听出球磨机工作时的负荷范围，当球磨机工作时的内部负荷处于合理范围时，电耗和研磨产量最佳；当负荷过大时会出现饱磨，甚至喷磨、堵磨，最终导致停磨，后级物料供应终止，严重时会出现球磨机炸裂；而当负荷过少时，会出现欠磨，长时间会使得球磨机内部结构损坏，减少机体使用寿命。当出现饱磨和欠磨时，会对球磨机进行停磨处理，不仅降低了生产效率，还降低了球磨机的利用效率。此外，通过人工识别球磨机的工况，还会存在主观因素的影响，导致识别准确率降低。
随着机器学习和人工智能等技术的不断发展，出现了更多有效方法来解决实际生产问题。球磨机在工作过程中会随着工况的改变而产生独特的工况声音，通过检测设备采集球磨机的声音信号，使用人工智能的方法提取声音信号中的特征信息，利用这些特征信息识别其工况，从而可以及时调整球磨机的工况，使其保持正常工况，提高球磨机的工作效率。FSVC(Fast Support Vector Classsification)算法是对传统SVC(支持向量分类)算法的一种改进，FSVC算法无需数值优化或矩阵求逆，其训练和分类速度更快。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于FSVC的球磨机工况识别方法。
本发明解决所述技术问题所采用的技术方案是：
一种基于FSVC的球磨机工况识别方法，其特征在于，该方法包括以下步骤：
第一步、提取球磨机在不同工况下的磨音信号，对磨音信号进行降噪，通过相关系数法选取灵敏度高的本征模态分量并重构信号；
第二步、提取重构信号包含MFCC系数、GFCC系数和短时能量在内的三种特征，得到特征融合矩阵；
第三步、将特征融合矩阵作为FSVC模型的输入，对模型进行训练，得到FSVC模型的参量P'nr、σ和b，利用这三个参数构建FSVC分类模型，将FSVC分类模型用于磨音识别，进而对球磨机工况进行实时识别。
所述FSVC模型的训练包含模型有效训练、有效核运算、RBF核函数的有效拓展三个部分；首先通过特征融合矩阵中向量与超平面的距离推导分类器的输出，将特征融合矩阵中的向量按工况类别分开，选取训练集中每种类别下前L个向量作为初始向量集，将初始向量集与训练集中剩余的向量集作差，得到下一步中初始向量集更新的索引；初始向量集每次更新一个向量，直到更新完成，得到更新后的向量集P'nr；将RBF核函数与理想核函作差，求解RBF核函数参量σ；根据更新后的向量集P'nr求解分类器的偏移量b，即可得到P'nr、σ和b三个参量。
模型有效训练采用双向内核更新运算，具体为：每次选取类别n的前L个向量作为初始向量集，后L个向量作为补充向量集P2nl，利用初始向量集和补充向量集分别以从前向后以及从后向前的方式更新内核中的向量集，得到双向更新向量集P，P＝C1P1'nl+C2P2'nl，C1、C2∈(0,1)分别为权重，C1+C2＝1，P1'nl、P2'nl分别为初始向量集和补充向量集更新后的向量集；双向更新向量集作为分类器的输入。
与现有技术相比，本发明的优点和有益效果是：
1.本发明基于FSVC算法构建分类模型，FSVC算法使用数据块的理念，以数据块的方式对训练集中的数据进行迭代训练，相比于SVC算法，它有更快的运算速度，而且在提高速度的前提下，正确率只下降了5％～10％，能够满足对球磨机工况的实时识别，有利于在工作过程中及时调整球磨机工况，减少球磨机的效率损失。
2.FSVC算法的核运算普遍采用单向内核运算，使得向量集的更新结果在很大程度上依赖于初始向量集的选择，从数据分析的角度出发，这样的选择不能全面描述数据内的信息，使得更新的向量集在很大程度上受初始向量集的影响，因此本发明的核运算采用双向内核更新运算，即利用初始向量集和补充向量集以从前向后、从后向前的方式更新内核中的向量集，提升了FSVC对球磨机工况的识别正确率。
3.本发明提取磨音信号的MFCC、GFCC、SE三种特征，兼顾时域特征和频域特征，这样提取到的特征能够更加全面地描述磨音信号。
附图说明
图1为本发明提供的基于FSVC的球磨机工况识别方法的流程图；
图2为FSVC算法分类模型的生成及使用过程图；
图3为IMF分量的相关系数。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明，但并不以此限定本申请的保护范围。
本发明为一种基于FSVC的球磨机工况识别方法(简称方法)，包括以下步骤：
第一步、提取球磨机在欠磨、正常磨和饱磨三种工况下的磨音信号，利用CEEMDAN算法对磨音信号进行降噪，通过相关系数法选取灵敏度高的本征模态分量并重构信号；CEEMDAN算法的具体过程为：
1)对于三种工况的磨音信号，在原始磨音信号y(t)中nEMD次加入不同幅值ε0的白噪声ω(t)，得到信号y(t)+ε0ω(t)；通过EMD分解得到nEMD个第1个本征模态分量(IMF分量)，根据式(1)对所有第1个IMF分量进行平均，得到第1个IMF分量c1(t)；
Figure BDA0003366267550000031
当k＝1时，利用式(2)计算第一个余量r1(t)；
r1(t)＝y(t)-c1(t) (2)
2)在余量r1(t)中加入幅值为ε1的各种白噪声
Figure BDA0003366267550000032
得到信号
Figure BDA0003366267550000033
利用式(3)对信号
Figure BDA0003366267550000034
进行EMD分解，得到第2个IMF分量c2(t)；
Figure BDA0003366267550000035
3)对于k＝2,...,nCEEMDAN，分别利用式(4)和(5)计算第k个余量rk(t)和第k+1个IMF分量ck+1(t)；
rk(t)＝rk-1(t)-ck(t) (4)
Figure BDA0003366267550000036
式(5)中，ck(t)表示第k个IMF分量，εk表示白噪声的幅值；
令k+1，重复执行步骤3)，当余量不再被分解时，即余量的极值点不超过两个，停止分解，则最终的余量为：
Figure BDA0003366267550000037
在分解过程中，nEMD一般取102数量级，ε一般取10-2数量级；
原始磨音信号经过CEEMDAN算法处理后，得到nCEEMDAN个IMF分量，这些IMF分量的灵敏度不同，因而需要把灵敏度低的IMF分量去除；利用IMF分量和原始磨音信号的相关系数来表征各个分量的灵敏度，则第k个IMF分量的灵敏度μk为：
Figure BDA0003366267550000041
其中，Ny为原始磨音信号y(t)的数据长度，
Figure BDA0003366267550000042
分别为第k个IMF分量以及原始磨音信号的平均值，
Figure BDA0003366267550000043
yi(t)分别为第k个IMF分量和原始磨音信号第i个数据；
利用式(8)设置灵敏度阈值μr：
Figure BDA0003366267550000044
去除灵敏度小于灵敏度阈值的IMF分量，将灵敏度大于灵敏度阈值的IMF分量保留，并按照相位相加进行重构，得到重构信号；三种工况都得到重构信号。
第二步、提取重构信号的梅尔倒谱系数(MFCC)、伽马滤波器倒谱系数(GFCC)和短时能量(SE)三种特征，这些特征组成特征融合矩阵；
梅尔倒谱系数MFCC考虑到了人类的听觉特征，首先通过式(9)将重构信号的线性频谱映射到基于听觉感知的Mel非线性频谱中，然后再转换到倒谱上；
Figure BDA0003366267550000045
式(9)中，mel(f)、f分别表示Mel频率和在线性频谱下的频率；
将三种工况的重构信号进行包括预加重、加窗分帧在内的预处理；预加重公式如下：
H(zy)＝1-azy -1 (10)
式中，a为预加重系数，此处a取0.97；zy -1代表信号滞后一个采样周期；
加窗公式如下：
yv＝y(t)v(iv-t) (11)
式(11)中，v为幅值(dB)的窗函数，iv表示加窗位置；
利用式(12)对预处理后的信号进行快速傅里叶变换，得到频谱信号；
Figure BDA0003366267550000046
利用Mel滤波器对频谱信号取对数，得到对数功率谱；Mel滤波器为三角滤波器，Mel滤波器的表达式为：
Figure BDA0003366267550000051
式中：mMFCC为Mel滤波器数目，mMFCC＝1,2,...,M，M通常取22～26；f(mMFCC)为Mel滤波器的中心频率，f(mMFCC)为mMFCC+2个Mel间隔频率，kMFCC为谱线索引号；
将对数功率谱s(mMFCC)利用式(14)进行离散余弦变换，nMFCC为MFCC系数的维度；
Figure BDA0003366267550000052
将离散余弦变换后的信号与归一化倒谱提升窗口相乘，得到MFCC系数；求取MFCC系数的一阶与二阶差分系数，然后将MFCC系数、一阶差分系数和二阶差分系数合并后去除首尾一阶差分系数为0的两帧，得到重构信号的MFCC系数；
短时能量SE是音频信号在时域处理时的一种常用方法，音频信号的能量随着时间变化而变化，球磨机不同工况变化可以体现为磨音信号的能量变化，因而对短时能量进行分析可以描述重构信号的变化情况，短时能量的计算公式为：
Figure BDA0003366267550000053
式中：
Figure BDA0003366267550000054
为输入的第nse帧第mse个信号，Nse表示帧长；
Figure BDA0003366267550000055
为第nse帧信号的能量，即短时能量；
第三种特征为GFCC；人耳基底膜不同位置对频率的选择特性存在差异，Gammatone滤波器组通过模仿不同基底膜位置对声音信号的冲激响应特性实现听觉滤波，各滤波器的中心频率对应基底膜位置是等距的，则第j个Gammatone滤波器的时域阶跃响应为：
Figure BDA0003366267550000056
式中：Kg、ng分别为Gammatone滤波器的增益和阶数；fgj为第j个Gammatone滤波器的中心频率；
Figure BDA0003366267550000057
为初始相位；Ug(t)为阶跃函数；
Figure BDA0003366267550000058
为衰减因子，其与中心频率fgj的关系为：
Figure BDA0003366267550000059
GFCC系数的提取方式和MFCC系数的提取方式类似，区别在于将MFCC系数提取过程中的Mel滤波器换成Gammatone滤波器；短时能量SE代表时域特征，梅尔倒谱系数MFCC和伽马滤波器倒谱系数GFCC代表频域特征，其中梅尔倒谱系数模拟了人耳频率感知特性，伽马滤波器倒谱系数反映了人耳基底膜分频特性，这些特征相互独立，分别表示了重构信号的不同特性；将不同特征提取后分别进行归一化处理，并加以组合，得到式(18)的特征融合矩阵，能够更加全面地对球磨机工况进行描述；
Φ＝[MFCC GFCC SE] (18)
其中，MFCC取36维，SE取1维，GFCC取32维，共同组成69维的特征融合矩阵。
第三步、将特征融合矩阵作为FSVC模型的输入，对模型进行训练，得到FSVC模型的参量P'nr、σ和b，利用这三个参数构建FSVC分类模型，将FSVC分类模型用于磨音识别，进而对球磨机工况进行识别；FSVC模型的训练包含模型有效训练、有效核运算、RBF核函数的有效拓展三个部分，首先通过特征融合矩阵中向量与超平面的距离推导分类器的输出，将特征融合矩阵中的向量按工况类别分开，选取训练集中每种类别下前L个向量作为初始向量集，将初始向量集与训练集中剩余的向量集作差，得到下一步中初始向量集更新的索引；初始向量集每次更新一个向量，直到更新完成，得到更新后的向量集P'nr；将RBF核函数与理想核函作差，求解RBF核函数参量σ；根据更新后的向量集P'nr求解分类器的偏移量b，即可得到P'nr、σ和b三个参量。
1)模型有效训练
定义超平面wΤx+b＝0，向量x为向量集Φ的元素，分类器的输出yFSVC(x)＝sign(wΤΦ(x)+b)，其中b是偏移量，w是垂直于超平面的向量，T表示转置；由于FSVC算法由若干个二分类器组成，假设向量集Φ包含子向量集Φ1和Φ2，每个子向量集表示一个类别，且一个类别中只有一个向量；在模型训练过程中需要找到一组参数(w,b)使从Φn(n＝1,2)到超平面的距离φn最大化，φn由下式给出：
Figure BDA0003366267550000061
选择向量w意味着会出现φ2＞0和φ1＜0这两种情况，选择(w,b)最大化向量w与超平面之间的距离，使得φ1＝-φ2，则有
Figure BDA0003366267550000062
进一步变形得到式(20)；
Figure BDA0003366267550000063
将式(20)代入式(19)，可得：
Figure BDA0003366267550000071
由于向量w指向子向量集Φ2，若要距离φ2最大化，同时距离φ1最小化，所以向量w必须平行于向量Φ2-(Φ1+Φ2)/2，因而可取w＝Φ2-Φ1；
由RBF核函数的定义可知K(x,y)＝Φ(x)ΤΦ(y)，则有wΤΦ(x)＝K(x2,x)-K(x1,x)，将其代入分类器的输出中，得到式(22)；
yFSVC(x)＝sign(K(x2,x)-K(x1,x)+b) (22)
排除范数因子的影响，将w＝Φ2-Φ1代入式(20)并结合式(22)，得到：
Figure BDA0003366267550000072
借用上述的思想，当子向量集有多个向量时，若使得子向量集与超平面的距离达到最大，则需一个类的所有向量到超平面的平均距离与另一个类的所有向量到超平面的平均距离数值相等，符号相反，因而可得：
Figure BDA0003366267550000073
式中，N1、N2分别为子向量集Φ1和Φ2包含的向量数；n＝1表示该求和为第一个类别中所有向量与超平面之间的距离求和，n＝2同理；
将式(19)、(21)分别代入式(24)，则有：
Figure BDA0003366267550000074
Figure BDA0003366267550000075
利用式(19)代入式(24)，得到两个距离
Figure BDA0003366267550000076
和
Figure BDA0003366267550000077
则两个距离之和为：
Figure BDA0003366267550000078
当向量w与向量
Figure BDA0003366267550000079
平行时，式(27)最大化，因此向量w可以选择为：
Figure BDA00033662675500000710
将式(28)代入式(26)中，得到b的通式：
Figure BDA0003366267550000081
其中，
Figure BDA0003366267550000082
xn、xm分别为类别n、m的向量，Φn、Φm分别为属于类别n、m的所有向量构成的向量集，Φn、Φm为向量集Φ的子集；n/m＝1表示类别n、m均属于第一个类别，n/m＝2同理；
综上，分类器的输出为：
Figure BDA0003366267550000083
其中
Figure BDA0003366267550000084
b由式(29)给出。
式(30)这种封闭形式的表达式允许直接计算分类器的输出，并且比迭代训练方法更快。
2)有效核运算；
2.1单向内核运算
FSVC通过为每个类别n使用一个向量集Φn来实现内核运算，初始向量集的大小为Ln＝min(Nn,L)≤L，其中Nn为类别n对应的向量集包含的向量数，L为初始向量集包含的最大向量数；由于向量集是在读取模式时创建的，因此只有
Figure BDA0003366267550000085
向量集存储在内存中，而没有训练模式，Q为类别总数。
具体来说，类别n的前L个向量xn作为初始向量集Pnl，l＝1,2,…,L；当类别n的向量数量Nn＜L时，仅能创建长度为Nn的向量集，因此Ln＝Nn并且不进行更新；当Nn≥L时，创建包含Ln＝L个向量的初始向量集，索引r对应的向量集Pnr利用式(31)进行更新；
Figure BDA0003366267550000086
Figure BDA0003366267550000087
其中，P′nr为Pnr更新后的向量集，它最接近xn；Nnr和N′nr分别为Pnr和P′nr包含的向量数量；
式(31)也可变换为：
Figure BDA0003366267550000088
nk、mk分别表示索引r包含的原始向量数目和更新步长包含的向量数目；
因此，式(33)中P′nr是最接近nk+mk个向量的平均值，则有：
Figure BDA0003366267550000091
综上，式(30)、(29)可以转换为：
Figure BDA0003366267550000092
Figure BDA0003366267550000093
式中，knl(x)＝K(Pnl,x)，knl/u＝K(Pnl,Pnu)，n＝1,2；L1、L2表示两个类别对应的初始向量集大小。
2.2双向内核更新运算
在单向内核运算中，每次选取类别n的前L个向量作为初始向量集，这使得向量集的更新结果在很大程度上依赖于初始向量集的选择，从数据分析的角度出发，这样的选择不能全面描述数据内的信息，使得更新的向量集在很大程度上受初始向量集的影响，因此选取类别n的后L个向量作为补充向量集P2nl，利用补充向量集以从后向前的方式更新内核中的向量集，更新补充向量集的方式和更新初始向量集的方式相同，则初始向量集更新后的向量集P1'nl和补充向量集更新后的向量集P2'nl共同构成双向更新向量集P，将双向更新向量集作为分类器的输入；令初始向量集为P1nl，则P＝C1P1'nl+C2P2'nl，C1、C2∈(0,1)分别为权重，C1+C2＝1。
3)RBF核函数的有效拓展
为了获得最优的RBF核函数参量，提出理想核的概念，定义理想核的U阶平方矩阵为Jq(q＝l,u)，当Jq＝1时，l,u∈{1,...,L1}或l,u∈{L1+1,...,U}表示同一类别的向量集，否则Jq＝0，表示不同类别的向量集；定义向量集Φl、Φu为：
Figure BDA0003366267550000094
Figure BDA0003366267550000095
则RBF核函数当前核的U阶平方矩阵为：
Figure BDA0003366267550000101
当K(σ)和Jq之间差值的最小时有RBF核函数参量σ的最优值，则有：
Figure BDA0003366267550000102
RBF核函数参量的最优值σ*被选择为：
Figure BDA0003366267550000103
其中，集合Σ由LibSvm使用指南定义为R＝27扩展值的标准集合；
通过上述三个步骤的训练后，得到FSVC模型的参量P'nr、σ和b，根据这三个参量建立FSVC分类模型，将FSVC分类模型用于球磨机的工况识别；实际使用时，采集球磨机的磨音信号，将磨音信号经过第一步和第二步的处理，得到特征融合矩阵，将特征融合矩阵作为FSVC分类模型的输入，FSVC分类模型输出磨音信号所属的类别，得到磨音信号对应的工况，即可对球磨机的工况进行实时识别。
仿真算例：
使用CEEMDAN分解算法对三种工况下的磨音信号进行分解，分解后各得到24个IMF分量；根据相关系数法得到各IMF分量与原始磨音信号的相关系数和三种工况的灵敏度阈值，欠磨、正常和饱磨工况的灵敏度阈值分别为0.2377、0.2436、0.2539。
本算例中特征融合矩阵总共15009行，其中前10982行作为训练集，后4027行作为测试集。将特征融合矩阵按照类别分为多个向量集，选取特征融合矩阵的前322行作为初始向量集，更新后的向量集P'nr的大小规模也为322行时，当初始向量集和补充向量集的权重C1和C2分别取0.89和0.11时，FSVC分类模型的识别效果最佳。RBF核函数的参数σ为2-9，b在三种欠磨、正常和饱磨工况下的取值分别为0.0130、0.0042、-0.0088。
分别用本发明的FSVC分类模型与采用SVC算法构建的SVC分类模型进行对比试验，结果显示，FSVC分类模型需要20.891s得出结果，正确率可达到88.13％；使用SVC分类模型需要84.45s得到结果，正确率为95.29％。在现场的工况检测中，对检测时间的要求很高，除此之外，智能算法的识别结果主要是辅助现场工人判断球磨机的工况，因此综合速度和准确率的条件下，本发明的FSVC分类模型更加符合实际生产需求，能够满足实时识别的要求。
本发明未述及之处适用于现有技术。

Claims (3)

1.一种基于FSVC的球磨机工况识别方法，其特征在于，该方法包括以下步骤：
第一步、提取球磨机在不同工况下的磨音信号，对磨音信号进行降噪，通过相关系数法选取灵敏度高的本征模态分量并重构信号；
第二步、提取重构信号包含MFCC系数、GFCC系数和短时能量在内的三种特征，得到特征融合矩阵；
第三步、将特征融合矩阵作为FSVC模型的输入，对模型进行训练，得到FSVC模型的参量P'nr、σ和b，利用这三个参数构建FSVC分类模型，将FSVC分类模型用于磨音识别，进而对球磨机工况进行实时识别。
2.根据权利要求1所述的基于FSVC的球磨机工况识别方法，其特征在于，所述FSVC模型的训练包含模型有效训练、有效核运算、RBF核函数的有效拓展三个部分；首先通过特征融合矩阵中向量与超平面的距离推导分类器的输出，将特征融合矩阵中的向量按工况类别分开，选取训练集中每种类别下前L个向量作为初始向量集，将初始向量集与训练集中剩余的向量集作差，得到下一步中初始向量集更新的索引；初始向量集每次更新一个向量，直到更新完成，得到更新后的向量集P'nr；将RBF核函数与理想核函作差，求解RBF核函数参量σ；根据更新后的向量集P'nr求解分类器的偏移量b，即可得到P'nr、σ和b三个参量。
3.根据权利要求2所述的基于FSVC的球磨机工况识别方法，其特征在于，模型有效训练采用双向内核更新运算，具体为：每次选取类别n的前L个向量作为初始向量集，后L个向量作为补充向量集P2nl，利用初始向量集和补充向量集分别以从前向后以及从后向前的方式更新内核中的向量集，得到双向更新向量集P，P＝C1P1'nl+C2P2'nl，C1、C2∈(0,1)分别为权重，C1+C2＝1，P1'nl、P2'nl分别为初始向量集和补充向量集更新后的向量集；双向更新向量集作为分类器的输入。
CN202111382874.4A 2021-11-22 2021-11-22 基于fsvc的球磨机工况识别方法 Active CN114077851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111382874.4A CN114077851B (zh) 2021-11-22 2021-11-22 基于fsvc的球磨机工况识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111382874.4A CN114077851B (zh) 2021-11-22 2021-11-22 基于fsvc的球磨机工况识别方法

Publications (2)

Publication Number Publication Date
CN114077851A true CN114077851A (zh) 2022-02-22
CN114077851B CN114077851B (zh) 2024-04-23

Family

ID=80284044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111382874.4A Active CN114077851B (zh) 2021-11-22 2021-11-22 基于fsvc的球磨机工况识别方法

Country Status (1)

Country Link
CN (1) CN114077851B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114812798A (zh) * 2022-05-27 2022-07-29 沈阳工学院 基于信号分解与高斯过程的球磨机负荷参数软测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101575891B1 (ko) * 2015-08-10 2015-12-11 한국지질자원연구원 볼 밀 시스템의 음향 모니터링 장치 및 방법
KR20190087363A (ko) * 2019-07-15 2019-07-24 인하대학교 산학협력단 실질 잡음 환경에서 mfcc 기법을 이용한 hmm 기반 무인 항공기 음향 인식 방법 및 시스템
CN110619265A (zh) * 2019-07-31 2019-12-27 江西理工大学 球磨机筒体振动信号联合去噪方法、装置及存储介质
CN111640427A (zh) * 2020-05-29 2020-09-08 武汉科技大学 基于声音时频域分析的球磨机工况识别方法、系统和装置
CN112686144A (zh) * 2020-12-29 2021-04-20 中南大学 一种基于磨音信号的矿石球磨过程负荷识别方法
CN113537160A (zh) * 2021-09-13 2021-10-22 天津中新智冠信息技术有限公司 球磨机负荷测量方法、装置、电子设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101575891B1 (ko) * 2015-08-10 2015-12-11 한국지질자원연구원 볼 밀 시스템의 음향 모니터링 장치 및 방법
KR20190087363A (ko) * 2019-07-15 2019-07-24 인하대학교 산학협력단 실질 잡음 환경에서 mfcc 기법을 이용한 hmm 기반 무인 항공기 음향 인식 방법 및 시스템
CN110619265A (zh) * 2019-07-31 2019-12-27 江西理工大学 球磨机筒体振动信号联合去噪方法、装置及存储介质
CN111640427A (zh) * 2020-05-29 2020-09-08 武汉科技大学 基于声音时频域分析的球磨机工况识别方法、系统和装置
CN112686144A (zh) * 2020-12-29 2021-04-20 中南大学 一种基于磨音信号的矿石球磨过程负荷识别方法
CN113537160A (zh) * 2021-09-13 2021-10-22 天津中新智冠信息技术有限公司 球磨机负荷测量方法、装置、电子设备和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨国亮;康乐乐;朱松伟;许楠;: "基于TLBO算法优化的球磨机FBEL控制方案研究", 江西理工大学学报, no. 01, 15 February 2018 (2018-02-15) *
田原;刘琼;: "基于短时能量和梅尔频率倒谱系数的球磨机工况识别", 烧结球团, no. 03, 15 June 2020 (2020-06-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114812798A (zh) * 2022-05-27 2022-07-29 沈阳工学院 基于信号分解与高斯过程的球磨机负荷参数软测量方法
CN114812798B (zh) * 2022-05-27 2024-03-01 沈阳工学院 基于信号分解与高斯过程的球磨机负荷参数软测量方法

Also Published As

Publication number Publication date
CN114077851B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
CN110634502B (zh) 基于深度神经网络的单通道语音分离算法
CN110853680B (zh) 一种具有多输入多融合策略的双BiLSTM的语音情感识别方法
CN110718232B (zh) 一种基于二维语谱图和条件生成对抗网络的语音增强方法
EP1453194B1 (de) Verfahren zur automatischen Verstärkungseinstellung in einem Hörhilfegerät sowie Hörhilfegerät
CN109887489B (zh) 基于生成对抗网络的深度特征的语音去混响方法
CN107393542A (zh) 一种基于双通道神经网络的鸟类物种识别方法
CN110111769B (zh) 一种电子耳蜗控制方法、装置、可读存储介质及电子耳蜗
CN108564965B (zh) 一种抗噪语音识别系统
CN108510979A (zh) 一种混合频率声学识别模型的训练方法及语音识别方法
CN113936681B (zh) 一种基于掩膜映射和混合空洞卷积网络的语音增强方法
CN107274887A (zh) 基于融合特征mgfcc的说话人二次特征提取方法
CN113850013B (zh) 一种舰船辐射噪声分类方法
CN113707158A (zh) 一种基于VGGish迁移学习网络的电网危害鸟种鸣声识别方法
CN112329819A (zh) 基于多网络融合的水下目标识别方法
CN114446314A (zh) 一种深度生成对抗网络的语音增强方法
CN112885375A (zh) 基于听觉滤波器组和卷积神经网络的全局信噪比估计方法
CN114861835B (zh) 一种基于非对称卷积的噪声性听力损失预测系统
CN114077851A (zh) 基于fsvc的球磨机工况识别方法
CN115910097A (zh) 一种高压断路器潜伏性故障可听声信号识别方法及系统
CN114283829B (zh) 一种基于动态门控卷积循环网络的语音增强方法
Shifas et al. A non-causal FFTNet architecture for speech enhancement
CN114255783A (zh) 声音分类模型的构建方法、声音分类方法和系统
CN108573698B (zh) 一种基于性别融合信息的语音降噪方法
Hu et al. A light-weight full-band speech enhancement model
TWI749547B (zh) 應用深度學習的語音增強系統

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant