本發(fā)明涉及人工智能，尤其涉及一種球磨機(jī)的狀態(tài)監(jiān)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、球磨機(jī)是工業(yè)生產(chǎn)中常見(jiàn)的設(shè)備，廣泛應(yīng)用于礦冶領(lǐng)域，用于物料的研磨和粉碎。其工作狀態(tài)直接影響生產(chǎn)效率、產(chǎn)品質(zhì)量以及設(shè)備的安全運(yùn)行。然而，由于球磨機(jī)處于長(zhǎng)時(shí)間、高負(fù)荷運(yùn)轉(zhuǎn)狀態(tài)，故障和異?，F(xiàn)象較為常見(jiàn)，若未能及時(shí)發(fā)現(xiàn)和處理，將可能導(dǎo)致設(shè)備損壞、生產(chǎn)停滯和安全事故。因此，實(shí)時(shí)監(jiān)測(cè)球磨機(jī)的工作狀態(tài)，尤其是通過(guò)聲音信號(hào)檢測(cè)其運(yùn)行狀況，已成為工業(yè)自動(dòng)化和智能化領(lǐng)域中的研究熱點(diǎn)。

2、傳統(tǒng)的球磨機(jī)狀態(tài)監(jiān)測(cè)方法主要依賴于振動(dòng)信號(hào)、溫度、壓力、流量等物理量的監(jiān)測(cè)。通過(guò)傳感器采集這些信號(hào)，結(jié)合閾值判定或統(tǒng)計(jì)分析方法來(lái)判斷設(shè)備的狀態(tài)。這些方法雖然在一定程度上能夠反映設(shè)備的工作狀況，但存在以下缺陷：

3、信號(hào)處理復(fù)雜：需要多個(gè)傳感器并依賴較為復(fù)雜的信號(hào)處理和特征提取算法。

4、難以捕捉異常狀態(tài)：無(wú)法有效處理一些難以直接檢測(cè)的故障，如系統(tǒng)的微小異常、早期故障等。

5、設(shè)備依賴性強(qiáng)：需要依賴額外的硬件設(shè)備，增加了成本和維護(hù)難度。

6、因此，如何基于聲音信號(hào)，利用更加簡(jiǎn)便、高效的技術(shù)手段，進(jìn)行球磨機(jī)狀態(tài)監(jiān)測(cè)，成為了亟待解決的問(wèn)題。

7、聲音信號(hào)是設(shè)備運(yùn)行狀態(tài)的一個(gè)重要表征，它能夠反映出機(jī)器的動(dòng)態(tài)特征。相比于其他物理量（如振動(dòng)、溫度），聲音信號(hào)具有以下優(yōu)點(diǎn)：

8、易于獲?。郝曇粜盘?hào)通過(guò)安裝麥克風(fēng)或聲學(xué)傳感器即可實(shí)現(xiàn)采集，避免了對(duì)復(fù)雜傳感器的依賴。

9、豐富的信息源：聲音信號(hào)能夠提供更多的設(shè)備工作特征信息，尤其在早期故障和微小變化檢測(cè)中具有較強(qiáng)的優(yōu)勢(shì)。

10、近年來(lái)，許多研究工作已開(kāi)始關(guān)注利用聲音信號(hào)對(duì)機(jī)械設(shè)備進(jìn)行故障診斷。例如，通過(guò)對(duì)聲音信號(hào)的頻譜分析，可以提取出設(shè)備在不同運(yùn)行狀態(tài)下的特征。然而，直接使用傳統(tǒng)的音頻處理方法（如傅里葉變換）可能面臨以下問(wèn)題：

11、時(shí)頻特征分離困難：聲音信號(hào)包含豐富的時(shí)域和頻域信息，傳統(tǒng)方法難以同時(shí)有效捕捉這些信息。

12、數(shù)據(jù)不平衡問(wèn)題：在實(shí)際應(yīng)用中，故障狀態(tài)樣本較少，導(dǎo)致訓(xùn)練數(shù)據(jù)存在嚴(yán)重的不平衡問(wèn)題，影響模型的學(xué)習(xí)效果。

13、因此，需要一種新的方法來(lái)從聲音信號(hào)中提取有效的時(shí)頻特征，并能夠在不平衡數(shù)據(jù)條件下進(jìn)行有效的分類(lèi)和預(yù)測(cè)。

14、隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，許多研究已嘗試將深度學(xué)習(xí)方法應(yīng)用于機(jī)械設(shè)備的故障監(jiān)測(cè)，特別是在聲音信號(hào)的處理和分析中。深度學(xué)習(xí)模型，如：卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?network，cnn）、長(zhǎng)短期記憶網(wǎng)絡(luò)（long?short?term?memory，lstm）和transformer等，已證明在時(shí)序數(shù)據(jù)分析、特征提取和模式識(shí)別中的有效性。這些模型能夠自動(dòng)從原始數(shù)據(jù)中學(xué)習(xí)有意義的特征，避免了傳統(tǒng)方法中手動(dòng)特征工程的復(fù)雜性。不同深度學(xué)習(xí)模型的特點(diǎn)分述如下：

15、卷積神經(jīng)網(wǎng)絡(luò)：擅長(zhǎng)于局部特征的提取，尤其適用于圖像和時(shí)頻圖等二維數(shù)據(jù)的處理。然而，傳統(tǒng)cnn在處理長(zhǎng)時(shí)間依賴的時(shí)序數(shù)據(jù)時(shí)存在一定的限制。

16、長(zhǎng)短期記憶網(wǎng)絡(luò)：作為一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)（recurrent?neural?network，rnn），lstm能夠處理時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴問(wèn)題，適用于處理聲音信號(hào)等一維時(shí)序數(shù)據(jù)。盡管lstm在捕捉時(shí)序依賴方面表現(xiàn)優(yōu)秀，但在頻域特征的提取上相對(duì)較弱。

17、transformer：憑借其自注意力機(jī)制，transformer能夠在長(zhǎng)序列數(shù)據(jù)中捕捉長(zhǎng)距離的依賴關(guān)系，并在多個(gè)領(lǐng)域取得了顯著成績(jī)。它能夠有效處理時(shí)序數(shù)據(jù)和復(fù)雜的模式，尤其在機(jī)器翻譯和語(yǔ)音識(shí)別中取得了顯著的成功。

18、盡管這些深度學(xué)習(xí)方法在故障監(jiān)測(cè)中取得了一些進(jìn)展，但它們?cè)谔幚砺曇粜盘?hào)時(shí)仍面臨一些挑戰(zhàn)，尤其是如何有效融合時(shí)域與頻域特征、提高對(duì)少數(shù)類(lèi)（如故障狀態(tài)）的召回率和準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于公開(kāi)一種球磨機(jī)的狀態(tài)監(jiān)測(cè)方法及系統(tǒng)，以提高整體性能。

2、為達(dá)上述目的，本發(fā)明公開(kāi)的球磨機(jī)的狀態(tài)監(jiān)測(cè)方法，基于訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)球磨機(jī)音頻信號(hào)的特征提取及狀態(tài)監(jiān)測(cè)，在深度學(xué)習(xí)網(wǎng)絡(luò)中包括有至少一組由在前的fftgadeblock模塊和在后的fftattentionwithdiff模塊組成的級(jí)聯(lián)體；

3、其中，fftgadeblock模塊的數(shù)據(jù)處理流程為：先對(duì)輸入特征分別基于時(shí)域卷積路徑和頻域路徑進(jìn)行處理，然后將兩并行路徑的結(jié)果進(jìn)行融合后輸出供fftattentionwithdiff模塊處理的時(shí)序特征，且在頻域路徑中，將基于能學(xué)習(xí)的權(quán)重矩陣處理后的頻域特征與sigmoid變換后的頻率特征進(jìn)行相乘以自適應(yīng)調(diào)整部分頻域特征的貢獻(xiàn)；同時(shí)，在時(shí)域卷積路徑中，結(jié)合不同尺度的卷積以先后提取全局和局部特征；

4、fftattentionwithdiff模塊的數(shù)據(jù)處理流程為：對(duì)輸入數(shù)據(jù)經(jīng)過(guò)統(tǒng)一的輸入層傳遞至三個(gè)獨(dú)立的q模塊、k模塊和v模塊，其中，q模塊和k模塊中引入差分操作，且差分后的結(jié)果與權(quán)重矩陣相乘進(jìn)行加權(quán)處理，然后通過(guò)歸一化操作對(duì)加權(quán)后的結(jié)果進(jìn)行標(biāo)準(zhǔn)化，歸一化后的特征進(jìn)入快速傅里葉變換（fast?fourier?transform，fft）模塊執(zhí)行快速傅里葉變換，再將q模塊與k模塊傅里葉變化后的頻域表示進(jìn)行逐點(diǎn)相乘以得到一個(gè)注意力矩陣；然后將該注意力矩陣與v模塊的頻域表示相乘，得到融合三支路的加權(quán)注意力輸出；最后將加權(quán)后的三支路融合結(jié)果通過(guò)提取實(shí)數(shù)部分以得到最終的輸出特征。

5、優(yōu)選地，所述深度學(xué)習(xí)網(wǎng)絡(luò)采用fftformer模型，且在fftformer模型中先后包括三級(jí)由fftgadeblock模塊和fftattentionwithdiff模塊組成的級(jí)聯(lián)體，在相鄰的兩級(jí)級(jí)聯(lián)體之間設(shè)有卷積層，第三級(jí)級(jí)聯(lián)體的輸出通過(guò)線性變化操作后得到最終的網(wǎng)絡(luò)輸出結(jié)果。

6、優(yōu)選地，在fftgadeblock模塊中，時(shí)域卷積路徑中數(shù)據(jù)處理流程為：輸入特征x先經(jīng)過(guò)一個(gè)1×1卷積層，調(diào)整通道數(shù)，輸出表示為，經(jīng)過(guò)1×5卷積處理后得到，經(jīng)過(guò)另一個(gè)1×1卷積以調(diào)整通道數(shù)并得到最終的卷積路徑輸出。

7、優(yōu)選地，在fftgadeblock模塊中，頻域路徑的數(shù)據(jù)處理流程為：對(duì)輸入特征x進(jìn)行快速傅里葉變換后輸出包含幅度和相位信息的，將與頻域權(quán)重進(jìn)行逐元素相乘得到，對(duì)進(jìn)行歸一化處理后得到，再將經(jīng)過(guò)絕對(duì)值變換得到，對(duì)絕對(duì)值特征進(jìn)行線性變換生成，通過(guò)sigmoid激活函數(shù)處理以得到，再計(jì)算，對(duì)計(jì)算結(jié)果經(jīng)過(guò)再次歸一化后執(zhí)行逆傅里葉變換，將頻域信息轉(zhuǎn)換回時(shí)域并得到最終的時(shí)域路徑輸出。

8、優(yōu)選地，在fftattentionwithdiff模塊中，v模塊的數(shù)據(jù)處理流程為：輸入數(shù)據(jù)首先經(jīng)過(guò)線性變換生成值向量v，然后直接對(duì)v進(jìn)行快速傅里葉變換得到頻域表示。

9、優(yōu)選地，深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建方法包括：

10、結(jié)合三個(gè)損失函數(shù)進(jìn)行加權(quán)組合以得到最終的目標(biāo)損失函數(shù)：

11、

12、其中，,,是超參數(shù)，用于調(diào)整不同損失函數(shù)的貢獻(xiàn)；為加權(quán)交叉熵所對(duì)應(yīng)的目標(biāo)函數(shù)；為焦點(diǎn)損失所對(duì)應(yīng)的目標(biāo)函數(shù)；為改進(jìn)的動(dòng)態(tài)權(quán)重交叉熵所對(duì)應(yīng)的目標(biāo)函數(shù)；

13、；；；

14、其中，是類(lèi)別數(shù)，是類(lèi)別的權(quán)重，是真實(shí)標(biāo)簽，是預(yù)測(cè)概率，是平衡因子，是調(diào)節(jié)因子。

15、優(yōu)選地，本發(fā)明基于深度學(xué)習(xí)網(wǎng)絡(luò)的分類(lèi)類(lèi)別包括：空磨、半磨、正常、部分飽磨、飽磨和漲肚。

16、為達(dá)上述目的，本發(fā)明還公開(kāi)一種球磨機(jī)的狀態(tài)監(jiān)測(cè)系統(tǒng)，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的方法。

17、本發(fā)明具有以下有益效果：

18、在fftgadeblock模塊和fftattentionwithdiff模塊所組成級(jí)聯(lián)體的作用下，結(jié)合快速傅里葉變換和注意力機(jī)制，能夠在同一框架下高效融合時(shí)域與頻域信息，提高模型對(duì)時(shí)序數(shù)據(jù)的表達(dá)能力和故障分類(lèi)能力；并通過(guò)引入差分操作和注意力機(jī)制有效增強(qiáng)關(guān)鍵特征，使得模型能夠關(guān)注信號(hào)中的局部變化，提高對(duì)微小故障和異常狀態(tài)的敏感性，尤其在復(fù)雜環(huán)境下的早期故障檢測(cè)。從而使得本發(fā)明能夠捕捉長(zhǎng)時(shí)間依賴關(guān)系，并識(shí)別信號(hào)中的復(fù)雜模式，從而提升球磨機(jī)運(yùn)行狀態(tài)的分類(lèi)精度，特別是在處理復(fù)雜、非線性的故障模式時(shí)具有顯著優(yōu)勢(shì)；能夠在保證高準(zhǔn)確度的同時(shí)，實(shí)現(xiàn)快速的實(shí)時(shí)推理，滿足工業(yè)現(xiàn)場(chǎng)實(shí)時(shí)監(jiān)控的要求，而且能在數(shù)據(jù)不平衡和復(fù)雜模式識(shí)別等問(wèn)題上展現(xiàn)出優(yōu)異的性能，具有廣泛的工業(yè)應(yīng)用前景。

19、下面將參照附圖，對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。