基于深度寬卷積殘差收縮網(wǎng)絡(luò)的球磨機(jī)負(fù)荷狀態(tài)診斷

高云鵬 ，孟雪晴 ，張其旺 ，王慶凱 ，楊佳偉 ，董一隆

（1.湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長沙 410082；2.礦冶過程自動(dòng)控制技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，北京 100160；3.礦冶過程自動(dòng)控制技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100160）

球磨機(jī)作為選礦過程中的關(guān)鍵機(jī)械設(shè)備，具有十分重要的地位［1］，其運(yùn)行效率對(duì)選礦廠的生產(chǎn)水平具有直接影響［2］.球磨機(jī)負(fù)荷表示磨機(jī)瞬時(shí)總負(fù)荷，即磨機(jī)筒體內(nèi)鋼球、礦和水等物料的總和.理想磨機(jī)負(fù)荷對(duì)設(shè)備和系統(tǒng)的生產(chǎn)效率與耗能直接產(chǎn)生積極的影響，而過負(fù)荷將導(dǎo)致磨機(jī)出口粒度變粗、堵塞、漲肚和生產(chǎn)過程中斷等問題，欠負(fù)荷會(huì)產(chǎn)生電能浪費(fèi)，增加鋼材消耗，破壞磨機(jī)設(shè)備，嚴(yán)重情況下會(huì)使磨機(jī)處于或接近空砸狀態(tài)［3］.因此，準(zhǔn)確診斷球磨機(jī)負(fù)荷狀態(tài)，及時(shí)指導(dǎo)操作控制對(duì)提高選礦廠效率和保障安全生產(chǎn)具有重要價(jià)值與意義.

在選礦廠實(shí)際生產(chǎn)過程中，球磨機(jī)運(yùn)行的時(shí)變性、非線性和隨機(jī)干擾大等特點(diǎn)導(dǎo)致磨機(jī)負(fù)荷狀態(tài)難以識(shí)別［4］.為此，近年來國內(nèi)外專家展開一定研究.由于工業(yè)環(huán)境和技術(shù)手段的限制，現(xiàn)有如磨音法、軸承振動(dòng)信號(hào)分析法、功率法等方法測(cè)量結(jié)果不可靠，而基于磨機(jī)筒體振動(dòng)信號(hào)的檢測(cè)方法以其靈敏度高、抗干擾性強(qiáng)的優(yōu)點(diǎn)被廣泛應(yīng)用［5］.文獻(xiàn)［6］通過信號(hào)分析建立基于PCA 和最小二乘支持向量機(jī)的磨機(jī)負(fù)荷測(cè)量模型.文獻(xiàn)［7］通過EWT 分解振動(dòng)信號(hào)，利用相關(guān)性分析技術(shù)選取敏感模態(tài)分量信號(hào)重構(gòu)，計(jì)算細(xì)化復(fù)合多尺度彌散熵（RCMDE）實(shí)現(xiàn)特征提取，并建立FVM-SVM 預(yù)測(cè)模型來判斷磨機(jī)負(fù)荷狀態(tài).文獻(xiàn)［8］采用自適應(yīng)VMD 分解技術(shù)，自卷積窗結(jié)合能量重心法的功率譜估計(jì)進(jìn)行信號(hào)特征提取，通過SVM 進(jìn)行916 負(fù)荷狀態(tài)識(shí)別.上述方法均通過提取信號(hào)主成分，基于特征提取和機(jī)器學(xué)習(xí)方法獲取磨機(jī)負(fù)荷狀態(tài)，但該類分析方法仍存在信號(hào)分解不完整、有效信息易丟失、檢測(cè)精度低、依賴專家經(jīng)驗(yàn)且診斷耗時(shí)較長等缺點(diǎn).

針對(duì)上述方法存在的問題，采用自學(xué)習(xí)能力的方法，因其能自主學(xué)習(xí)信號(hào)內(nèi)部特征，可避免主成分提取或信號(hào)分解重構(gòu)過程中丟失信息.文獻(xiàn)［9］基于流形正則化域適應(yīng)隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)模型，解決不同工況條件下模型訓(xùn)練穩(wěn)定性問題，提高檢測(cè)精度.文獻(xiàn)［10］提出基于CNN-ELM 的負(fù)荷檢測(cè)方法，將CNN 算法提取的高層次抽象特征移至ELM 構(gòu)建測(cè)量模型，其特征提取優(yōu)于傳統(tǒng)PCA 和PLS 等方法.然而，傳統(tǒng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化困難，且球磨機(jī)在強(qiáng)背景噪聲下運(yùn)轉(zhuǎn)，筒體振動(dòng)信號(hào)易受噪聲干擾，使用局部特征提取器可能無法檢測(cè)負(fù)荷相關(guān)特征，導(dǎo)致輸出層高級(jí)特征沒有足夠的分辨力，從而難以識(shí)別高代表性的特征，模型檢測(cè)準(zhǔn)確度有待進(jìn)一步提高.

本文針對(duì)球磨機(jī)負(fù)荷狀態(tài)特征提取困難、診斷準(zhǔn)確度低的問題，結(jié)合領(lǐng)域?qū)＜已芯拷?jīng)驗(yàn)，以原始筒體振動(dòng)信號(hào)為依據(jù)，建立深度寬卷積殘差收縮網(wǎng)絡(luò)（Deep Wide Residual Shrinkage Networks，DWRSNs）負(fù)荷狀態(tài)診斷方法，并融合卷積神經(jīng)網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)、軟閾值函數(shù)和注意力機(jī)制，加強(qiáng)DWRSNs面對(duì)負(fù)荷特征的學(xué)習(xí)能力，去除與狀態(tài)判別無關(guān)的特征，強(qiáng)化細(xì)節(jié)特征.為提高網(wǎng)絡(luò)泛化能力、防止過擬合，通過數(shù)據(jù)增強(qiáng)和降采樣方式進(jìn)行數(shù)據(jù)預(yù)處理，在網(wǎng)絡(luò)訓(xùn)練中采用批量歸一化（Batch Normalization，BN）和損失函數(shù)正則化進(jìn)一步提高模型泛化能力.最后，通過仿真試驗(yàn)和工業(yè)實(shí)例驗(yàn)證本文構(gòu)建方法的準(zhǔn)確性和有效性.

1 深度殘差收縮網(wǎng)絡(luò)

1.1 殘差網(wǎng)絡(luò)

為滿足不同研究領(lǐng)域的需求，卷積神經(jīng)網(wǎng)絡(luò)深度不斷增加，在一定深度范圍內(nèi)模型性能與網(wǎng)絡(luò)深度呈正相關(guān)，但當(dāng)網(wǎng)絡(luò)層數(shù)增加到一定數(shù)目之后繼續(xù)增加則會(huì)造成訓(xùn)練精度與測(cè)試精度下降，模型性能變差［11］，該現(xiàn)象被稱為網(wǎng)絡(luò)退化.He 等［12］在卷積神經(jīng)網(wǎng)絡(luò)中引入恒等映射設(shè)計(jì)深度殘差網(wǎng)絡(luò)（Deep Residual Network），可有效緩解網(wǎng)絡(luò)深度增加引起的梯度爆炸和網(wǎng)絡(luò)退化問題，減小卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度，提升網(wǎng)絡(luò)的準(zhǔn)確率.

殘差網(wǎng)絡(luò)由基本的殘差塊組成，如圖1 所示，一個(gè)基本殘差塊分為映射部分和殘差部分，即為：

式中：xl指直接映射，即圖1 中identity 部分；Wl指殘差單元的權(quán)重參數(shù)；F（xl，Wl）指殘差函數(shù)，由兩到三個(gè)卷積操作組成.由式（1）可知，殘差塊中恒等映射添加到殘差函數(shù)輸出，沒有增加額外參數(shù)和計(jì)算復(fù)雜度.

圖1 殘差塊Fig.1 Residual block

1.2 深度殘差網(wǎng)絡(luò)

為提高噪聲下振動(dòng)信號(hào)特征提取的能力，Zhao等［13］首次提出深度殘差收縮網(wǎng)絡(luò)（Deep Residual Shrinkage Networks，DRSNs），其在深層結(jié)構(gòu)中插入軟閾值作為非線性變換層，以消除不重要的特征.通過加入注意力機(jī)制，一方面可自動(dòng)學(xué)習(xí)閾值，另一方面將學(xué)習(xí)得到的特征進(jìn)行變換以消除噪聲影響.

軟閾值化為信號(hào)降噪的核心步驟，其通過將絕對(duì)值低于某個(gè)閾值的特征置零，將其余特征趨于零收縮，該軟閾值函數(shù)可表示為：

式中：y表示輸出特征；x表示輸入特征；xthr指閾值.根據(jù)式（2）可得軟閾值函數(shù)的導(dǎo)數(shù)：

由式（3）可知，軟閾值函數(shù)的導(dǎo)數(shù)為0 或1，可有效防止梯度消失或梯度爆炸等問題，因此，軟閾值函數(shù)可作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù).但閾值設(shè)置往往存在較大難度，準(zhǔn)確性無法保證，因此引入注意力機(jī)制自動(dòng)學(xué)習(xí)閾值，將從關(guān)注全部轉(zhuǎn)換為關(guān)注重點(diǎn).該機(jī)制類似于人腦的資源分類策略，為快速獲得關(guān)鍵信息，通常將注意力集中在重要部分.根據(jù)注意力分配和可微性問題，注意力機(jī)制可分為硬注意力和軟注意力，硬注意力機(jī)制可看作0/1 問題，即某個(gè)區(qū)域只有重要和不重要兩種可能性，而軟注意力是可微的，其以［0，1］區(qū)間的數(shù)值表示某個(gè)區(qū)域的重要性［14］.上述注意力機(jī)制工作主要分為兩步：通過全局掃描，發(fā)現(xiàn)局部有用信息；通過子網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)一組權(quán)重，對(duì)輸入特征各通道進(jìn)行加權(quán)以增強(qiáng)有用信息并抑制冗余信息.

具有信道明智閾值的深度殘差收縮網(wǎng)絡(luò)的基本模塊（RSBU-CW）如圖2 所示，圖2 中C×W×1 中C、W、1 分別指特征映射的通道數(shù)量、寬度和高度.RSBU-CW 對(duì)特征映射的每個(gè)通道均應(yīng)用單獨(dú)閾值，利用絕對(duì)運(yùn)算和全局平均池化（Global Average Pool?ing，GAP）將特征映射x簡化為一維向量，傳播至兩層全連接網(wǎng)絡(luò)（FC），該FC網(wǎng)絡(luò)中的第二層有多個(gè)神經(jīng)元，其數(shù)量等于輸入特征映射的通道數(shù)量，F(xiàn)C 網(wǎng)絡(luò)的輸出被縮放到［0，1］的范圍，其縮放式為：

圖2 RSBU-CW 基本模塊Fig.2 RSBU-CW block

式中：zc為第c個(gè)神經(jīng)元的輸出；αc為第c個(gè)縮放參數(shù).通過將縮放參數(shù)與經(jīng)過絕對(duì)運(yùn)算和GAP處理后所得一維向量相乘，可計(jì)算閾值如下：

式中：τc為特征圖譜中第c個(gè)通道的閾值；i、j、c分別為特征映射x的寬度、高度、通道的索引.軟閾值化后的輸出特征與直接映射特征相加即為最終輸出特征.

上述即為一個(gè)殘差收縮網(wǎng)絡(luò)基本模塊的工作過程，由多個(gè)基本模塊開發(fā)的DRSN-CW 即為深度殘差收縮網(wǎng)絡(luò)基本模型.

2 基于DWRSNs的磨機(jī)負(fù)荷狀態(tài)診斷

2.1 數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)技術(shù)能夠在不實(shí)質(zhì)性增加數(shù)據(jù)的情況下，讓有限數(shù)據(jù)產(chǎn)生等價(jià)于更多數(shù)據(jù)的價(jià)值.深度學(xué)習(xí)網(wǎng)絡(luò)模型中的數(shù)據(jù)量直接影響模型的泛化能力和穩(wěn)定性，通過數(shù)據(jù)增強(qiáng)可提高模型性能且能防止過擬合［15］.

由此本文在原振動(dòng)信號(hào)基礎(chǔ)上添加隨機(jī)噪聲，增加數(shù)據(jù)樣本量，并通過降采樣的方式降低信號(hào)采樣率，在保證測(cè)量精度的前提下減少模型復(fù)雜度和參數(shù)量.

2.2 DWRSNs網(wǎng)絡(luò)構(gòu)建

根據(jù)1.2節(jié)所述殘差收縮網(wǎng)絡(luò)原理，基于球磨機(jī)筒體振動(dòng)信號(hào)特點(diǎn)建立DWRSNs 模型，其第一層設(shè)計(jì)寬卷積神經(jīng)網(wǎng)絡(luò)，以獲取更大感受野，增強(qiáng)對(duì)狀態(tài)信息的感知能力，有效提取振動(dòng)信號(hào)短時(shí)特征，提升網(wǎng)絡(luò)性能.

2.2.1 寬卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

本文在第一層卷積神經(jīng)網(wǎng)絡(luò)中設(shè)置寬卷積核，可提高短時(shí)特征提取能力，增強(qiáng)網(wǎng)絡(luò)性能，建立準(zhǔn)則為感受野，即為一個(gè)神經(jīng)元在下層網(wǎng)絡(luò)中的感知范圍.本文選取單周期振動(dòng)信號(hào)進(jìn)行負(fù)荷狀態(tài)診斷，因此以最后一個(gè)池化層在輸入信號(hào)中的感受范圍R（0）=T為設(shè)計(jì)準(zhǔn)則.其中，第l個(gè)池化層感受野與第l-1個(gè)池化層感受野之間有如下關(guān)系：

式中：R（l-1）和R（l）分別為第l-1 和第l個(gè)池化層感受野；S（l）和W（l）分別表示第l個(gè)卷積層的步長和卷積核寬度；P（l）表示第l個(gè)池化層降采樣點(diǎn)的個(gè)數(shù).當(dāng)l大于1 時(shí)，有S（l）=1，W（l）=3，P（l）=2，因此，式（6）可簡化為：

當(dāng)l=n時(shí)，R（n）=1，輸入層感受野可表示為：

式中：n為卷積層個(gè)數(shù).由卷積神經(jīng)網(wǎng)絡(luò)原理，S（1）需滿足可被信號(hào)長度整除，本文信號(hào)長度為T，因此，構(gòu)建準(zhǔn)則最終化為：

基于該構(gòu)建準(zhǔn)則和數(shù)據(jù)特點(diǎn)，通過計(jì)算可獲取寬卷積層步長的合理數(shù)值，考慮到該數(shù)值與2 的冪次關(guān)系，取該數(shù)值相鄰的2 的冪次值分別實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)效果取最優(yōu).

2.2.2 網(wǎng)絡(luò)參數(shù)設(shè)置

為使反向傳播算法更有效地進(jìn)行網(wǎng)絡(luò)訓(xùn)練，模型在卷積層后添加BN 層，其主要操作步驟類似一種標(biāo)準(zhǔn)化操作.實(shí)踐證明，BN 層網(wǎng)絡(luò)通過更新權(quán)值和偏置實(shí)現(xiàn)收斂，可減少數(shù)據(jù)發(fā)散程度，降低網(wǎng)絡(luò)學(xué)習(xí)難度，具有解決內(nèi)部協(xié)變量轉(zhuǎn)移和加速訓(xùn)練的優(yōu)勢(shì).

首先將一組數(shù)據(jù)B=｛x1，x2，…，xm｝輸入網(wǎng)絡(luò)，通過式（10）和式（11）求取數(shù)據(jù)平均值和方差，即：

對(duì)數(shù)據(jù)歸一化處理：

式中：ε為保證數(shù)值穩(wěn)定的常數(shù)項(xiàng).

通過添加縮放與偏置計(jì)算輸入筒體振動(dòng)信號(hào)特征的歸一化結(jié)果：

式中：γ、β分別表示BN 層縮放與偏置，為可訓(xùn)練參數(shù).

本文建立的DWRSNs 模型架構(gòu)如圖3 所示，其網(wǎng)絡(luò)中包含三個(gè)殘差收縮模塊，RS-block1 和RSblock2 包含三個(gè)卷積塊，依據(jù)寬卷積神經(jīng)網(wǎng)絡(luò)基于感受野的設(shè)計(jì)準(zhǔn)則，針對(duì)式（9）中表征卷積層個(gè)數(shù)的變量n多次取值，基于不同值對(duì)診斷方法和結(jié)果的影響程度，將RS-block3 設(shè)為兩個(gè)卷積塊，以獲取最佳的球磨機(jī)負(fù)荷狀態(tài)診斷結(jié)果.本文采用Adam 優(yōu)化算法動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率，為提高模型表達(dá)能力，在配置其他超參數(shù)時(shí)需根據(jù)訓(xùn)練數(shù)據(jù)逐步調(diào)整.網(wǎng)絡(luò)各個(gè)參數(shù)如表1所示.

表1 網(wǎng)絡(luò)參數(shù)詳情Tab.1 Details of network parameters

圖3 DWRSNs網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The structure of DWRSNs

寬卷積神經(jīng)網(wǎng)絡(luò)和深度殘差收縮網(wǎng)絡(luò)提取的特征，經(jīng)全局平均池化后輸入全連接層和Softmax 分類器，實(shí)現(xiàn)負(fù)荷狀態(tài)診斷.全連接層將權(quán)重矩陣與輸入向量相乘后添加偏置，即：

式中：wj為第j類特征的權(quán)重，即每維特征的重要程度.通過特征加權(quán)求和獲取每個(gè)類別的分?jǐn)?shù)，經(jīng)過Softmax層映射為概率，可得：

式中：K為類別個(gè)數(shù)；zj為全連接層輸出所得第j類的分?jǐn)?shù).通過分類器將全連接層的輸入映射到［0，1］之間，獲取樣本屬于各負(fù)荷狀態(tài)的概率，取最大概率為最終診斷結(jié)果，將該結(jié)果與one-hot 標(biāo)簽設(shè)定準(zhǔn)則對(duì)比來獲取磨機(jī)負(fù)荷狀態(tài).

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)平臺(tái)與評(píng)價(jià)指標(biāo)

本文基于球磨機(jī)筒體振動(dòng)信號(hào)進(jìn)行負(fù)荷狀態(tài)診斷，預(yù)測(cè)診斷結(jié)果混淆矩陣如表2 所示.實(shí)驗(yàn)環(huán)境基于Windows10 操作系統(tǒng)，運(yùn)行于Intel（R）Core（TM）i5-6198DU CPU@ 2.30GHz，4G 內(nèi)存的PC，實(shí)驗(yàn)編程語言為Python3.7，在深度學(xué)習(xí)框架Keras 2.3.1 中實(shí)現(xiàn).

表2 負(fù)荷狀態(tài)診斷結(jié)果混淆矩陣Tab.2 Confusion matrix of load state diagnostic result

為全面評(píng)價(jià)本文提出的基于DWRSNs 的球磨機(jī)負(fù)荷狀態(tài)診斷方法性能，驗(yàn)證其對(duì)負(fù)荷狀態(tài)診斷的有效性，分別通過準(zhǔn)確性、查準(zhǔn)率、召回率以及F1值等標(biāo)準(zhǔn)進(jìn)行方法性能評(píng)估，不同評(píng)估標(biāo)準(zhǔn)的含義和計(jì)算方法分別如下.

準(zhǔn)確性（Accuracy）：所有負(fù)荷狀態(tài)正確診斷的樣本數(shù)量占樣本總數(shù)的比例，其計(jì)算式為：

查準(zhǔn)率（Precision）：診斷正確的某狀態(tài)負(fù)荷數(shù)據(jù)占診斷為此狀態(tài)數(shù)據(jù)的比例，以欠負(fù)荷（0）為例，其計(jì)算式為：

召回率（Recall）：所有真實(shí)標(biāo)簽為此負(fù)荷狀態(tài)類別的樣本中，預(yù)測(cè)正確的比例，以欠負(fù)荷狀態(tài)為例，計(jì)算式為：

F1值（F1score）：調(diào)和平均值，其計(jì)算式為：

3.2 實(shí)例分析

為驗(yàn)證本文提出的基于DWRSNs 負(fù)荷狀態(tài)診斷方法的準(zhǔn)確性，采用山東黃金集團(tuán)焦家金礦選礦廠磨浮車間的溢流型球磨機(jī)（MQYΦ 5.5 m×8.5 m）現(xiàn)場(chǎng)正常運(yùn)行一個(gè)月的筒體振動(dòng)信號(hào)運(yùn)行數(shù)據(jù)進(jìn)行工程實(shí)驗(yàn)驗(yàn)證.數(shù)據(jù)包含欠負(fù)荷、理想負(fù)荷、過負(fù)荷等三種狀態(tài)的振動(dòng)信號(hào)，經(jīng)過下采樣處理，每個(gè)信號(hào)長度為32 800，經(jīng)加噪處理后，共有樣本1 800 組，三種狀態(tài)樣本量均等，不同負(fù)荷狀態(tài)去直流振動(dòng)信號(hào)如圖4所示.

由圖4 可知，不同負(fù)荷狀態(tài)下的振動(dòng)信號(hào)皆為紡錘形，表現(xiàn)為兩頭小、中間大，因?yàn)榇藭r(shí)加速度傳感器正處于筒體最下方的襯板上，球磨機(jī)內(nèi)部物料拋落到該襯板產(chǎn)生較大加速度.在選礦工業(yè)現(xiàn)場(chǎng)，球磨機(jī)筒體振動(dòng)信號(hào)易受噪聲干擾，本文提出方法中DRSN-CW 模塊對(duì)高噪聲振動(dòng)信號(hào)短時(shí)特征學(xué)習(xí)能力較強(qiáng)，基于此方法進(jìn)行球磨機(jī)負(fù)荷狀態(tài)診斷實(shí)驗(yàn)，通過TSNE 對(duì)測(cè)試集原始數(shù)據(jù)和由DWRSNs 模型提取的高級(jí)特征進(jìn)行可視化，保證低維空間中樣本分布在其他樣本周圍的概率逼近在高維空間中的分布概率，其結(jié)果如圖5所示.

圖4 不同負(fù)荷狀態(tài)球磨機(jī)筒體振動(dòng)信號(hào)分析Fig.4 Vibration signal analysis of ball mill barrel under different load states

圖5 為基于TSNE 原始數(shù)據(jù)和DWRSNs 提取的特征，數(shù)據(jù)映射至二維平面分別設(shè)為P1軸、P2軸，則數(shù)據(jù)降維后映射成的二維平面坐標(biāo)可描述為（P1，P2）.圖5（a）為原始數(shù)據(jù)映射至二維平面的散點(diǎn)圖分布，可見不同負(fù)荷狀態(tài)的振動(dòng)信號(hào)樣本重疊嚴(yán)重，原始信號(hào)的可分辨性較差.圖5（b）為DWRSNs最終提取的100 個(gè)特征降至二維的可視化結(jié)果，可知同一狀態(tài)的信號(hào)基本集中在一個(gè)簇中，且不同簇間距離較遠(yuǎn)，分界明顯.由此表明，本文提出的基于DWRSNs 的球磨機(jī)負(fù)荷狀態(tài)診斷方法具有良好的特征學(xué)習(xí)和自動(dòng)提取特征能力.

圖5 基于TSNE原始數(shù)據(jù)和DWRSNs提取的特征Fig.5 Visualizations of raw input data and features extracted by DWRSNs based on TSNE

基于本文提出方法進(jìn)行球磨機(jī)負(fù)荷狀態(tài)診斷，三種不同狀態(tài)測(cè)試集樣本診斷結(jié)果混淆矩陣如圖6所示.該圖中0代表欠負(fù)荷狀態(tài)，1和2分別代表理想負(fù)荷和過負(fù)荷狀態(tài).由圖6 可知，三種不同負(fù)荷狀態(tài)測(cè)試集共360 組，僅有過負(fù)荷狀態(tài)一個(gè)樣本被錯(cuò)誤識(shí)別，最終測(cè)試集數(shù)據(jù)診斷準(zhǔn)確度達(dá)99.7%，交叉熵?fù)p失為0.077 2.

圖6 測(cè)試集檢測(cè)結(jié)果混淆矩陣Fig.6 Detection result confusion matrix of test samples

不同負(fù)荷狀態(tài)診斷結(jié)果的查準(zhǔn)率和召回率矩陣如圖7 所示.由圖7（a）可知，欠負(fù)荷和過負(fù)荷兩種狀態(tài)下查準(zhǔn)率為1，理想負(fù)荷狀態(tài)下查準(zhǔn)率為0.99；由圖7（b）可知，欠負(fù)荷和理想負(fù)荷狀態(tài)召回率為1，過負(fù)荷狀態(tài)下召回率為0.99.可見本文提出方法不僅總體準(zhǔn)確度較高，且各種類別的查準(zhǔn)率和召回率指標(biāo)較好，表明了本文方法的準(zhǔn)確性和有效性.

圖7 不同負(fù)荷狀態(tài)診斷查準(zhǔn)率和召回率混淆矩陣Fig.7 Precision and recall confusion matrix of different load states

3.3 現(xiàn)有方法比較

為驗(yàn)證本文提出的基于DWRSNs 的球磨機(jī)負(fù)荷狀態(tài)診斷方法的先進(jìn)性，通過設(shè)計(jì)對(duì)比試驗(yàn)將本文方法與深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neu?ral Networks，DCNN）、殘差網(wǎng)絡(luò)（Residual Networks，ResNets）和深度殘差收縮網(wǎng)絡(luò)（Deep Residual Shrinkage Networks，DRSNs）進(jìn)行比較與分析.所有診斷方法Epochs 設(shè)置為100，不同診斷方法在訓(xùn)練時(shí)驗(yàn)證集準(zhǔn)確度和交叉熵?fù)p失如圖8所示.

圖8 不同模型訓(xùn)練過程中驗(yàn)證集準(zhǔn)確度和損失Fig.8 The accuracy and loss of validation during training of different models

由圖8可知，本文提出方法經(jīng)12次迭代后收斂，而DCNN 在20 次迭代后收斂，與DRSNs 相比，DWRSNs 的準(zhǔn)確率明顯提高且損失更小，在訓(xùn)練能力快速增長階段，ResNets 準(zhǔn)確度增加、損失減小，但整體曲線波動(dòng)較大，穩(wěn)定性較差，由DWRSNs valid loss 曲線可見，該網(wǎng)絡(luò)一直處于學(xué)習(xí)狀態(tài)，穩(wěn)定性較好，學(xué)習(xí)能力更強(qiáng).由此可見，DWRSNs 方法整體相較于其余三種方法準(zhǔn)確度更高、損失更小、收斂更快，具有更優(yōu)的表達(dá)能力和擬合能力.

基于建立診斷方法展開對(duì)比試驗(yàn)，所得測(cè)試集故障診斷結(jié)果和不同故障狀態(tài)診斷查準(zhǔn)率、召回率和F1值分別如表3和表4所示.

表3 不同方法測(cè)試集的準(zhǔn)確率和損失Tab.3 Accuracy and loss of test samples in different models

表4 不同負(fù)荷狀態(tài)在4種模型中的測(cè)試結(jié)果Tab.4 Test results of different load states in four models

由表3和4可知，本文提出方法在測(cè)試集上的準(zhǔn)確性和交叉熵?fù)p失相比其余三種方法有較大提升，對(duì)于每種球磨機(jī)負(fù)荷狀態(tài)，基于本文提出方法獲得的查準(zhǔn)率、召回率和F1值3 項(xiàng)評(píng)價(jià)指標(biāo)相比其余方法更優(yōu)，證明了本文方法對(duì)于噪聲大和頻率成分較復(fù)雜的球磨機(jī)筒體振動(dòng)信號(hào)具有更強(qiáng)的識(shí)別和分辨能力.

同時(shí)，為進(jìn)一步證明本文提出方法的先進(jìn)性，將本文方法和ResNets、DRSNs、DCNN 及基于頻譜分析、改進(jìn)功率譜與多尺度模糊熵的負(fù)荷狀態(tài)診斷方法相比較，其對(duì)比結(jié)果如表5所示.

由表5 可知，基于頻譜分析的KPCA-EM_ELM診斷方法準(zhǔn)確率為84.7%，AVMD-改進(jìn)功率譜-GA_BP 和CEEMDAN-多尺度模糊熵-ISRNN 兩種負(fù)荷狀態(tài)診斷方法測(cè)試集準(zhǔn)確率分別為90.0%和93.3%，且上述方法信號(hào)診斷平均耗時(shí)在60 s 以上，相比本文提出方法準(zhǔn)確率較低、耗時(shí)較長.此外，本文提出方法相較于ResNets、DRSNs、DCNN 三種深度學(xué)習(xí)方法，需較少迭代次數(shù)即可收斂，達(dá)到穩(wěn)定效果，診斷準(zhǔn)確率達(dá)99.7%，可為工業(yè)現(xiàn)場(chǎng)提供更及時(shí)、更準(zhǔn)確的磨機(jī)負(fù)荷狀態(tài)診斷.

表5 本文方法與現(xiàn)有診斷方法測(cè)試對(duì)比Tab.5 Comparison among the proposed method with the existing diagnostic methods

4 球磨機(jī)負(fù)荷狀態(tài)診斷系統(tǒng)

基于本文提出的DWRSNs 球磨機(jī)負(fù)荷狀態(tài)診斷方法，構(gòu)建球磨機(jī)負(fù)荷狀態(tài)診斷系統(tǒng)的結(jié)構(gòu)框圖如圖9 所示.系統(tǒng)由安裝于球磨機(jī)筒體的加速度傳感器采集振動(dòng)信號(hào)，以無線方式發(fā)送至地面接收處理部分，完成信號(hào)的解碼和分析，通過NI 公司的myDAQ 采集與傳輸，并基于本文提出方法開發(fā)負(fù)荷狀態(tài)診斷軟件系統(tǒng).

圖9 球磨機(jī)負(fù)荷診斷系統(tǒng)結(jié)構(gòu)框圖Fig.9 Structure block diagram of ball mill load diagnosis system

將本文提出的球磨機(jī)負(fù)荷狀態(tài)診斷方法融入上位機(jī)系統(tǒng)，系統(tǒng)管理界面如圖10 所示，該系統(tǒng)管理界面可實(shí)現(xiàn)在線監(jiān)測(cè)、數(shù)據(jù)解析和存儲(chǔ)、負(fù)荷狀態(tài)診斷、離線分析、用戶管理等功能.如圖10 所示，上位機(jī)系統(tǒng)可顯示輸入的球磨機(jī)筒體振動(dòng)信號(hào)波形和數(shù)據(jù)，并基于系統(tǒng)中的DWRSNs 診斷方法實(shí)現(xiàn)負(fù)荷狀態(tài)判別，基于本系統(tǒng)對(duì)球磨機(jī)筒體信號(hào)的實(shí)際診斷分析結(jié)果如表6所示.

圖10 球磨機(jī)負(fù)荷狀態(tài)診斷系統(tǒng)識(shí)別界面Fig.10 The identification interface of ball mill load state diagnosis system

由表6 可見，負(fù)荷狀態(tài)診斷分為欠負(fù)荷、理想負(fù)荷和過負(fù)荷三種，在該系統(tǒng)中進(jìn)行實(shí)例樣本診斷，僅有一個(gè)過負(fù)荷樣本被識(shí)別為理想負(fù)荷，欠負(fù)荷與理想負(fù)荷樣本的診斷識(shí)別率達(dá)100%.本文開發(fā)的球磨機(jī)負(fù)荷狀態(tài)診斷系統(tǒng)識(shí)別準(zhǔn)確率高，可為磨礦生產(chǎn)操作提供可靠、有效的指導(dǎo).

表6 系統(tǒng)實(shí)際診斷分析結(jié)果Tab.6 The actual diagnosis and analysis results of system

5 結(jié)論

針對(duì)磨礦工業(yè)過程中球磨機(jī)負(fù)荷狀態(tài)難以準(zhǔn)確判斷的問題，本文提出了基于深度寬卷積殘差收縮網(wǎng)絡(luò)的球磨機(jī)負(fù)荷狀態(tài)診斷方法.實(shí)測(cè)分析結(jié)果表明：寬卷積核神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的短時(shí)特征提取能力，有效提高了網(wǎng)絡(luò)性能；注意力機(jī)制和軟閾值化可強(qiáng)化重要特征，構(gòu)建了具有人腦功能的特征提取方法，顯著提高了模型的特征提取和選擇能力.建立了基于磨礦過程球磨機(jī)負(fù)荷狀態(tài)診斷系統(tǒng)，實(shí)現(xiàn)了筒體振動(dòng)信號(hào)監(jiān)測(cè)、信號(hào)解析、數(shù)據(jù)存儲(chǔ)、負(fù)荷狀態(tài)診斷以及統(tǒng)計(jì)分析等功能.本文提出的球磨機(jī)負(fù)荷狀態(tài)診斷方法具有較強(qiáng)的學(xué)習(xí)能力、擬合能力和較快的收斂速度，且相比現(xiàn)有方法提高了診斷準(zhǔn)確率、減少了診斷所需時(shí)間，可為磨礦效率提高和過程優(yōu)化控制提供準(zhǔn)確、可靠的判據(jù).