基于深度宽卷积残差收缩网络的球磨机负荷状态诊断

作者：高云鹏^*; 孟雪晴; 张其旺; 王庆凯; **伟; 董一隆

来源：湖南大学学报(自然科学版), 2023, 50(02): 102-111.

DOI：10.16339/j.cnki.hdxbzkb.2022247

• 球磨机
• 负荷状态
• 深度残差收缩网络
• 注意力机制

针对磨矿复杂工况下球磨机负荷状态准确诊断的难题，提出一种基于深度宽卷积残差收缩网络（Deep Wide Residual Shrinkage Networks, DWRSNs）的球磨机负荷状态诊断方法.首先采用宽卷积神经网络提取振动信号短时特征，建立三层深度残差收缩网络，利用软阈值函数进行非线性变换，再基于注意力机制模块自主学习阈值提取面向负荷状态的高级特征，通过全连接层、softmax层实现球磨机负荷状态的准确分类与判别.实测结果证明，本文提出的DWRSNs方法的拟合度、收敛速度及学习能力均优于现有DCNNs、ResNets和DRSNs诊断方法，且提取的振动信号特征具有高代表性，经TSNE可视化后簇内紧密度高、簇间分界明显.本文方法诊断测试集的准确率超过99%，交叉熵损失为0.077 2，相较于现有负荷状态诊断方法具有更高的准确率且诊断耗时更短，可实现球磨机负荷状态的准确判别，为选冶磨矿过程优化控制、提高磨矿效率提供有效、可靠的判据.

• 单位
  湖南大学