申请/专利权人：湖南大学

申请日：2022-06-22

公开（公告）日：2024-06-28

公开（公告）号：CN115235608B

主分类号：G01H17/00

分类号：G01H17/00;G06F18/24;G06F18/213;G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/084;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.11.11#实质审查的生效;2022.10.25#公开

摘要：本发明公开了一种球磨机负荷状态检测方法，包括：采集球磨机筒体振动信号；将球磨机筒体振动信号输入预设的球磨机负荷状态检测模型，得到球磨机负荷状态检测值。其中，预设的球磨机负荷状态检测模型具有根据输入的球磨机筒体振动信号，得到输入的球磨机筒体振动信号对应的球磨机负荷状态检测值的功能。预设的球磨机负荷状态检测模型包括依次连接的宽卷积神经网络、卷积层、N个残差收缩网络模块、池化层、全连接层和softmax分类器；且残差收缩网络模块的输入和输出融合之后作为其后一个模块或网络层的输入。本发明相对于现有方法更加高效，且能更加准确地检测球磨机负荷状态。

主权项：1.一种球磨机负荷状态检测方法，其特征在于，包括：采集球磨机筒体振动信号；将球磨机筒体振动信号输入预设的球磨机负荷状态检测模型，得到球磨机负荷状态检测值；其中，预设的球磨机负荷状态检测模型具有根据输入的球磨机筒体振动信号，得到输入的球磨机筒体振动信号对应的球磨机负荷状态检测值的功能；预设的球磨机负荷状态检测模型包括依次连接的宽卷积神经网络、卷积层、N个残差收缩网络模块、池化层、全连接层和softmax分类器；且残差收缩网络模块的输入和输出融合之后作为其后一个模块或网络层的输入；所述宽卷积神经网络，包括依次连接的卷积层、批量归一化层、激活函数层和池化层；每个残差收缩网络模块包括依次连接的一个或多个卷积块；残差收缩网络模块中除最后一个卷积块外的其他卷积块，每个卷积块包括依次连接的卷积层、批量归一化层、激活函数层和池化层；残差收缩网络模块中最后一个卷积块包括一个卷积层CONV、一个注意力机制模块和一个软阈值模块；所述卷积层CONV用于对其输入特征进行特征提取，获得第一特征；所述注意力机制模块用于根据所述第一特征计算获得自适应阈值；所述软阈值模块用于根据所述自适应阈值对所述第一特征进行软阈值化处理，获得第二特征；所述残差收缩网络模块的输入特征与所述第二特征融合后作为所述残差收缩网络模块的输出特征；所述注意力机制模块包括依次连接的绝对层、池化层、第一全连接层、批量归一化层、Relu激活函数层、第二全连接层、Sigmoid激活函数层；且池化层的输出与Sigmoid激活函数层的输出相乘，得到注意力机制模块的输出，即所述的自适应阈值；其中池化层采用全局平均池化层；所述注意力机制模块的输出为：τc＝αc·average|xi，j，c| 式中，τc为第一特征x第c个通道的阈值，为所述第一特征x经注意力机制模块中绝对层和全局平均池化处理后的结果，其中W和H分别表示第一特征x的宽度和高度，xi，j,c表示第一特征x中宽度、高度和通道索引分别为i、j和c的元素的值；zc为注意力机制模块中第二全连接层第c个神经元的输出；αc为注意力机制模块中Sigmoid激活函数层输出的第一特征x第c个通道的缩放参数；所述软阈值模块用于根据所述自适应阈值对所述第一特征进行软阈值化处理，获得第二特征，包括：所述注意力机制模块的输出，即所述的自适应阈值作为软阈值模块的输入阈值，对软阈值模块的输入特征，即第一特征x进行特征映射，所述特征映射函数为： 式中，yi，j，c表示第二特征y中宽度、高度和通道索引分别为i、j和c的元素的值；所述球磨机负荷状态检测模型根据以下条件设置：T≤S12n×3-4≤LS1|L其中，S1表示球磨机负荷状态检测模型中第一个卷积层的步长；n为球磨机负荷状态检测模型中的卷积层总个数；T为球磨机筒体转动一个周期所采集到的振动信号长度，L为球磨机负荷状态检测模型输入信号的长度；其中S1|L表示S1能够整除L。

全文数据：

权利要求：

百度查询： 湖南大学 一种球磨机负荷状态检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD