[发明专利]一种基于深度迁移学习的变工况球磨机负荷软测量方法

权利要求书

1.一种基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于，包括以下步骤：

S1：实验室球磨机采用X种不同的钢球填充率，每种填充率使用Y种不同的料球比，分别采集球磨机振动信号，进行傅里叶变换得到源域和目标域的频域信号，确定训练周期数、学习率、批次大小等参数；

S2：构建联合判别性高阶矩对齐网络，所述联合判别性高阶矩对齐网络包含卷积层、池化层、全连接层和平铺层；

S3：将不同工况下源域和目标域的频谱幅值作为网络输入，前向传递计算网络输出；

S4：将源域分类器损失、域差异损失和域中心损失结合，得到总体损失函数；

S5：调整网络各层权值参数使总体损失函数最小化；

S6：重复S3-S5，达到不同迁移任务的最大迭代步数，最终得到迁移学习训练完成的联合判别性高阶矩对齐网络。

2.根据权利1要求所述的一种基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：S3中所述网络输入，是训练时同时将源域和目标域作为网络的输入，另外考虑到目标域样本不带标签，对目标域输出编码赋予一个伪标签所述伪标签的计算公式为：

其中，为目标域样本输入后，最后一层分类器的第k个神经元的输出值。

3.根据权利1要求所述的一种基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：S4中所述总体损失函数L的计算公式如下：

L＝L_s+λ_dL_d+λ_cL_c

其中，λ_d、λ_c为不同损失函数的权衡系数，L_s为源域分类器损失，L_d为域差异损失，L_c为域中心损失。

4.根据权利1要求所述的一种基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：所述总体损失函数的各部分损失的具体计算如下：

S4.1：所述源域分类器损失的计算公式如下：

其中，n^s为源域样本数，为第j种料球比下第i个样本的期望输出向量，为第j种料球比下第i个样本的实际输出向量,k为类别数；

S4.2：所述源域和目标域样本是区间[a,b]上分别具有概率分布p和q的独立同分布的有界随机向量，所述域差异损失的计算公式如下：

其中，x^s为源域样本，x^t为目标域样本，H^S和H^t分别为源域和目标域在网络FC₂层的输出特征，K为源域和目标域的中心距最高阶次，E(H)为H的经验期望向量，C_k(H)是H的第k阶中心矩向量；

S4.3：所述域中心损失的计算公式如下：

其中，h^s、h^t分别为源域和目标域在网络FC₂层的输出特征，c_y表示特征的聚类中心，α为权衡系数。

5.根据权利1要求所述的一种基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：所述总体损失函数最小化的计算公式如下：

其中，θ为网络各层权值参数。

6.根据权利要求1所述的基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：所述联合判别性高阶矩对齐网络包含10层网络层，所述10层网络层包括3个卷积层，3个池化层，3个全连接层和1个平铺层。

7.根据权利要求1所述的基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：球磨机实验过程中采用固定的5种钢球填充率，在每种工况下均匀添加矿料，每组工况采用4种料球比。

8.根据权利要求7所述的基于深度迁移学习的变工况球磨机负荷软测量方法，其特征在于：所述5种钢球填充率为：0.1、0.15、0.2、0.25、0.3；

所述4种料球比为：0、0.5、1、1.5。