[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

说明书

本发明公开了一种基于深度迁移学习的变工况球磨机负荷软测量方法，在变工况条件下，针对球磨机目标域工况中的带标签样本难以获取的情形，本发明基于深度迁移学习方法，提出一种联合判别性高阶矩对齐网络，实现对变工况下球磨机负荷的软测量。本发明通过联合训练源域和目标域以学习到不同域内不同类别间的判别性特征，同时将两个域通过深度网络学习到的特征进行高阶矩对齐，从而实现网络的迁移，其次，本发明基于深度迁移学习，构建了联合判别性高阶矩对齐网络，实现了对变工况下球磨机负荷的软测量，相比其他方法提高了球磨机负荷参数软测量的有效性和准确性。

技术领域

本发明涉及球磨机的工业应用领域，特别涉及一种基于深度迁移学习的变工况球磨机负荷软测量方法。

背景技术

在工业生产中，球磨机的耗电量较大，大概占到全部生产过程的四至五成，同时全厂的生产能力、作业效率等各项经济技术指标受到球磨机工作状态的极大影响。一般而言，球磨机的负荷是指磨机内部包括新给矿量、介质装载量等瞬时装载量，因此，准确检测球磨机的负荷是实现磨矿过程的优化控制和节能降耗的关键因素之一，对于保证研磨产品的质量和选矿生产的安全、连续和稳定运行也是极为必要的。

在实际工业生产中，球磨机的内部的工况会产生变动，即球磨机内部的钢球填充率和料球比会随着研磨进程而发生变化，进而在实际生产中无法确定球磨机的负荷情况。

为提升球磨机作业效率与能源利用率，对于变工况的球磨机负荷的准确检测变得极为重要。

在球磨机运行时，对球磨机内部料球比的直接测量变得十分困难，因此需要引入软测量方法来解决这一问题。软测量法，旨在通过选择与难测过程参数相关的易测辅助变量，并建立它们之间的数学模型，该方法现已成为磨机负荷参数研究领域的关键技术之一。

综上所述，球磨机负荷软测量问题具有多模态、多工况的特性，即在实际场合中，球磨机钢球填充率和料球比发生变动时，数据分布在不同时间段内也是不同的，导致数据分布具有差异性，因此，在大多数情况下，采用传统的机器学习方法在不同的数据领域之间互相学习得到的结果很差。

发明内容

本发明要解决的技术问题：本发明的目的是为了解决现有技术中的不足，提供在变工况条件下，解决球磨机目标域工况中的带标签样本难以获取问题的基于深度迁移学习的变工况球磨机负荷软测量方法。

本发明的技术方案：本发明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，包括如下步骤

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。

进一步的，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。

进一步的，S4中所述总体损失函数L的计算公式如下：