引用本文

刘卓, 汤健, 柴天佑, 余文. 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法. 自动化学报, 2021, 47(8): 1921−1931 doi: 10.16383/j.aas.c190735

Liu Zhuo, Tang Jian, Chai Tian-You, Yu Wen. Selective ensemble modeling approach for mill load parameter forecasting based on multi-modal feature sub-sets. Acta Automatica Sinica, 2021, 47(8): 1921−1931 doi: 10.16383/j.aas.c190735

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190735

关键词

多模态机械信号，特征子集，选择性集成，磨机负荷参数 

摘要

如何融合球磨机系统研磨过程所产生的多模态机械信号构建磨机负荷参数预测(Mill load parameter forecasting, MLPF)模型是当前研究的热点. 针对上述问题, 本文提出一种基于多模态特征子集选择性集成(Selective ensemble, SEN)建模的MLPF方法. 首先, 对多模态机械信号进行时频域变换得到高维频谱数据; 接着, 采用相关系数法和互信息法对多模态频谱进行线性和非线性特征子集的自适应选择; 最后, 采用优化和加权算法对上述特征子集的候选子模型进行自适应地选择与合并, 得到基于SEN机制的MLPF模型. 采用磨矿过程实验球磨机的机械信号仿真验证了所提方法的有效性.

文章导读

磨矿过程难以检测的磨机负荷参数(Mill load parameter, MLP), 即料球比(Material to ball volume ratio, MBVR)、磨矿浓度(Pulp density, PD)和充填率(Ball charge volume ratio, CVR), 与磨矿过程的产品质量和生产效率密切相关, 对其进行实时检测是实现选矿过程运行优化控制的关键因素之一[1-2]. 数据驱动的软测量建模技术广泛用于类似难测参数的推理估计[3]. 旋转运行的磨机在筒体、轴承、研磨区域等不同位置所产生的机械振动/振声信号, 在产生机理、灵敏度和蕴含信息等方面存在差异性、冗余性与互补性[4-5]. 文献[6]指出事物被体验或表达存在多种特定方式(模态), 可融合多模态的有价值信息实现分类或回归. 针对球磨机系统, 蕴含着差异化MLP信息的多模态机械振动/振声信号频谱特征常用于构建MLPF模型[7-9].

为构建具有可解释性和较强泛化能力的MLPF模型, 进行多模态频谱特征的有效选择是较为有效的策略. 特征选择算法能够有效去除“无关特征”与“冗余特征”, 并确保重要特征不丢失[10]. 针对机械振动频谱进行特征子集的选择更具有价值[11]. 此外, 不同MLP与高维特征间的映射关系也呈现出差异性.

基于单个输入特征与MLP等难测参数间的相关系数能够选择线性相关特征, 如文献[12]结合多目标优化算法和相关系数进行微阵列数据的特征选择, 文献[13]提出基于相关系数的多目标半监督特征选择方法, 文献[14]提出基于熵的相关系数的特征聚类方法对特征子集进行快速聚类. 针对基于相关系数的线性方法难以描述复杂非线性映射关系的缺点, 互信息法可有效选择与难测参数相关的非线性特征[15-16], 如文献[17-18]提出了基于个体最佳互信息和条件互信息的特征选择方法. 针对高维频谱数据, 如何自适应确定特征选择阈值并进行有效的线性和非线性特征子集的选择是待解决的开放问题.

在选择包含不同数量特征的线性和非线性频谱特征子集后, 还需解决MLPF的构建问题. 通常, 上述线性和非线性机械频谱特征子集间存在冗余性和互补性. 基于这些特征子集所构建的线性或非线性模型针对不同MLP参数的预测性能也存在差异性. 集成建模通过组合多个异质或同质子模型的输出提高预测模型的稳定性和鲁棒性, 其难点问题是如何提高子模型间的多样性. 文献[19]指出子模型多样性的构造策略包括样本空间重采样、特征空间特征子集划分或特征变换等, 其中基于特征空间的构造策略能够获得更佳的预测性能.

基于较高频率分辨率获得的单/多尺度频谱间具有较强的共线性. 潜结构映射或偏最小二乘(Partial least squares, PLS)算法能够提取低维潜在变量(Latent variable, LV)构建回归模型, 适合对高维频谱数据建模[20-21]. 为提高MLPF模型泛化性能, 文献[22]提出基于“操作输入特征”与“采样训练样本”的双重维度集成构造策略, 用以构建SEN MLPF模型; 该方法构建的模型能够有效融合多源有价值信息, 与运行专家感知MLP的机制相类似, 但所构建的MLPF模型结构较为复杂. 此外, 上述方法属于同质子模型集成, 并且未对频谱特征进行线性或非线性子集的选择. 面对小样本, 基于单尺度频谱构建的MLPF模型的泛化性能较好, 但在模型可解释性和洞悉研磨过程机理等方面存在欠缺. 随机权神经网络(Random weight neural network, RWNN)是隐含层输入权重随机产生、输出权重采用Moore-Penrose广义逆方法计算的单隐含层神经网络[23-24], 具有较快的学习速度. 为克服工况漂移带来的泛化性能下降问题, 文献[25-27]构建了基于更新样本和迁移学习的MLPF模型. 为选择更有价值的多模态机械信号, 文献[28]提出了面向MLPF的信号分析评估与优化组合算法, 但其并未进行多模态特征子集的选择.

在已有研究中, 关于多模态特征选择与融合的研究多偏向基于图像的应用领域, 如文献[29]利用多核学习方法融合对图像所提取的颜色、纹理、轮廓、深度等多模态特征进行分类检测; 文献[30]提出融合语音信号和脑电信号的多模态情感识别; 文献[31]综述多模态功能神经影像的多元机器学习融合方法; 文献[32]综述了深度多模态学习, 指出采用正则化方法对多模态融合结构进行学习和优化是研究热点; 文献[33]提出采用多种深度神经网络的多模态融合策略手势识别. 上述研究的多模态主要是从数据来源的视角进行, 存在的问题是深度融合方法难以对所选择多模态特征进行合理的物理解释.

因此, 基于多模态机械频谱的MLPF模型构建, 需要解决以下2个问题: 1)如何进行线性特征和非线性特征子集的选择; 2)如何基于多模态特征子集构建差异性的集成子模型并进行有效选择与合并以构建SEN模型. 综上, 本文提出了一种基于多模态特征子集SEN建模的MLPF方法. 首先, 对多模态机械信号进行时频域变换得到高维频谱数据; 然后, 采用相关系数法和互信息法对多模态频谱变量进行线性和非线性特征子集的自适应选择; 接着, 构建基于多模态特征的候选子模型后进行自适应选择与合并, 进而获得基于SEN的MLPF模型. 采用磨矿过程实验球磨机的多模态机械振动信号仿真验证了所提方法的有效性.

图 1  磨机系统不同位置机械信号的产生机理示意图

图 3  实验球磨机传感器布置示意图

针对多模态高维机械频谱数据输入特征与MLP间的可解释映射模型难以构建的难题, 本文提出了基于多模态特征异质模型集成的MLPF方法. 主要贡献表现在: 能够依据多模态频谱数据特性进行线性特征子集和非线性特征子集的自适应选择, 提出构建线性特征线性子模型、线性特征非线性子模型、非线性特征线性子模型、非线性特征非线性子模型的策略增强集成子模型间的差异性, 提出了多模态频谱子模型的自适应选择与合并方法. 通过磨矿过程实验球磨机的高维机械振动和振声频谱数据仿真验证了所提方法的有效性.

作者简介

刘卓

东北大学流程工业综合自动化国家重点实验室讲师. 主要研究方向为复杂工业过程建模. E-mail: liuzhuo@ise.neu.edu.cn

汤健

北京工业大学教授. 主要研究方向为小样本数据建模, 城市固废自动化处理. 本文通信作者. E-mail: freeflytang@bjut.edu.cn

柴天佑

中国工程院院士, 东北大学教授. IEEE Fellow, IFAC Fellow, 欧亚科学院院士. 主要研究方向为自适应控制, 智能解耦控制, 流程工业综合自动化理论、方法与技术. E-mail: tychai@mail.neu.edu.cn

余文

墨西哥国立理工大学高级研究中心自动化部教授. 主要研究方向为复杂工业过程建模与控制, 机器学习. E-mail: yuw@ctrl.cinvestav.mx