Tytuł pozycji:
Ball mill load identification method based on IRF-Net with multi-signal time-frequency images
Accurately identifying the load status of the ball mill during the grinding process is conducive to improving the overall production efficiency and ensuring the safe operation of the entire grinding process. In this study, ball mill loads were classified into nine categories based on charge volume ratio (CVR) and material-to-ball volume ratio (MBVR). Different sensors are utilized to collect cylinder vibration and acoustic signals in the grinding process, respectively, and the raw data are converted into time-frequency images by continuous wavelet transform. In this paper, the ResNet18 model is improved from three aspects, namely, depthwise separable convolution (DSC), dropout layer, and Hardswish activation function, and an improved residual fusion network (IRF-Net) based on the merging of two time-frequency image signals is proposed for load recognition. In order to validate the performance of the proposed model, time-frequency images of the acquired data are analyzed, single and multiple signals are used as network inputs, respectively, compared with other classical models, and ablation experiments are performed on the different modules of the improvement. The results show that the improved residual fusion network achieves the best results in recognition with an accuracy of 98.33%, demonstrating good load recognition. The IRF-Net-based multi-signal time-frequency diagram identification method can be utilized to make a sound judgment on the load status of the mill.
Dokładne określenie stanu obciążenia młyna kulowego podczas procesu mielenia sprzyja poprawie ogólnej wydajności produkcji i zapewnia bezpieczną pracę całego procesu mielenia. W tym badaniu obciążenia młyna kulowego zostały sklasyfikowane do dziewięciu kategorii na podstawie stosunku objętości wsadu (CVR) i stosunku objętości materiału do kuli (MBVR). Różne czujniki są wykorzystywane do zbierania drgań cylindra i sygnałów akustycznych w procesie mielenia, odpowiednio, a surowe dane są konwertowane na obrazy czasowo-częstotliwościowe za pomocą ciągłej transformacji falkowej. W tym artykule model ResNet18 został ulepszony pod trzema względami, a mianowicie: poprzez zastosowanie splotu separowalnego głębokościowo (DSC), warstwy dropout i funkcji aktywacji Hardswisha, a ulepszona sieć fuzji resztkowej (IRF-Net) oparta na połączeniu dwóch sygnałów obrazu czasowo-częstotliwościowego jest proponowana do rozpoznawania obciążenia. Aby zweryfikować wydajność proponowanego modelu, analizowane są obrazy czasowo-częstotliwościowe pozyskanych danych, pojedyncze i wielokrotne sygnały są używane jako wejścia sieciowe, odpowiednio, w porównaniu z innymi klasycznymi modelami, a eksperymenty ablacji są przeprowadzane na różnych modułach ulepszenia. Wyniki pokazują, że ulepszona sieć fuzji resztkowej osiąga najlepsze wyniki w rozpoznawaniu z dokładnością 98,33%, co świadczy o dobrym rozpoznawaniu obciążenia. Metodę identyfikacji wielosygnałowego diagramu czasowo-częstotliwościowego opartą na IRF-Net można wykorzystać do rzetelnej oceny stanu obciążenia młyna.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).
