第50卷第2期2023年2月Vol.50，No.2Feb.2023湖南大学学报（自然科学版）JournalofHunanUniversity（NaturalSciences）基于深度宽卷积残差收缩网络的球磨机负荷状态诊断高云鹏1†，孟雪晴1，张其旺1，王庆凯2，3，杨佳伟2，3，董一隆1（1.湖南大学电气与信息工程学院，湖南长沙410082；2.矿冶过程自动控制技术国家重点实验室，北京100160；3.矿冶过程自动控制技术北京市重点实验室，北京100160）摘要：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（DeepWideResidualShrinkageNetworks，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0.0772，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.关键词：球磨机；负荷状态；深度残差收缩网络；注意力机制中图分类号：TD921文献标志码：AAStateDetectionMethodofBallMillingLoadBasedonDeepWideResidualShrinkageNetworksGAOYunpeng1†，MENGXueqing1，ZHANGQiwang1，WANGQingkai2，3，YANGJiawei2，3，DONGYilong1（1.CollegeofElectricalandInformationEngineering，HunanUniversity，Changsha410082，China；2.StateKeyLaboratoryofProcessAutomationinMining&Metallurgy，Beijing100160，China；3.BeijingKeyLaboratoryofProcessAutomationinMining&Metallurgy，Beijing100160，China）Abstract：Aimingattheproblemofaccuratediagnosisofballmillingloadstateundercomplexgrindingcondi⁃tions，aloadstatediagnosismethodofballmillingbasedonDeepWideResidualShrinkageNetworks（DWRSNs）isproposed.Firstly，awide-convolutionalneuralnetworkisusedtoextracttheshort-termfeaturesofthevibrationsig⁃nal，athree-layerdeepresidualshrinkagenetworkisestablished，andasoftthres...
