基于光纤麦克风的球磨机声纹信号智能料位监测装置

杨华; 施小驹; 王道平; 朱彬志; 邢冀川

doi:null

您当前的位置：

首页 >

文章列表页 >

基于光纤麦克风的球磨机声纹信号智能料位监测装置

北京理工大学85周年校庆专栏 | 更新时间：2025-09-22

- 基于光纤麦克风的球磨机声纹信号智能料位监测装置
- Intelligent fill level monitoring device for ball mill vibration signals based on fiber optic microphones
- 光学技术 2025年51卷第5期页码：549-556
- 作者机构：
  
  1.国能四川华蓥山发电有限公司，四川达州 635214
  2.北京理工大学光电学院，北京 100081
- 作者简介：
  
  杨华（1986— ），男，助理工程师，从事热工自动化研究。382867379@qq.com
  邢冀川（1974— ），男，讲师，博士，从事结合人工智能的光电测试检测研究。michaelhsing@163.com
- 基金信息：
  
  国家能源集团四川发电有限公司科技项目
- DOI：
  中图分类号： TP23;TP391.4
- 收稿：2024-10-11，
  
  修回：2025-03-11，
  
  纸质出版：2025-09-20
- 稿件说明：
移动端阅览
杨华,施小驹,王道平等.基于光纤麦克风的球磨机声纹信号智能料位监测装置[J].光学技术,2025,51(05):549-556.

YANG Hua,SHI Xiaoju,WANG Daoping,et al.Intelligent fill level monitoring device for ball mill vibration signals based on fiber optic microphones[J].OPTICAL TECHNIQUE,2025,51(05):549-556.
杨华,施小驹,王道平等.基于光纤麦克风的球磨机声纹信号智能料位监测装置[J].光学技术,2025,51(05):549-556. DOI：

YANG Hua,SHI Xiaoju,WANG Daoping,et al.Intelligent fill level monitoring device for ball mill vibration signals based on fiber optic microphones[J].OPTICAL TECHNIQUE,2025,51(05):549-556. DOI：

摘要

文章提出了一种基于光纤麦克风和深度学习的球磨机声纹信号智能监测装置。装置采用Φ-OTDR光纤传感技术获取高质量声纹信号，通过数据预处理和时频分析提取信号特征，构建融合卷积神经网络（CNN）和长短时记忆网络（LSTM）的深度学习模型实现球磨机料位精确监测。系统包括声学传感、数据预处理、特征提取与分类识别三个功能模块，可实现从信号采集到故障诊断的全流程自动化。装置克服了传统球磨机料位监测方法在恶劣工况下的局限性，为火电厂球磨机的智能运维提供了新的解决方案。研究成果可推广应用于其他旋转机械的状态监测，具有重要的理论意义和应用价值。

Abstract

An intelligent monitoring device for ball mill vibration signals based on fiber optic microphones and deep learning is proposed. The device utilizes Φ-OTDR fiber optic sensing technology to acquire high-quality vibration signals

extracts signal features through data preprocessing and time-frequency analysis

and constructs a deep learning model integrating Convolutional Neural Network （CNN） and Long Short-Term Memory （LSTM） network to achieve precise monitoring of ball mill material level. The system comprises three functional modules: acoustic sensing

data preprocessing

and feature extraction and classification recognition

enabling full-process automation from signal acquisition to fault diagnosis. This device overcomes the limitations of traditional monitoring methods under harsh working conditions

providing a new solution for intelligent operation and maintenance of ball mills in thermal power plants. The research results can be extended to condition monitoring of other rotating machinery

with significant theoretical and practical value.

关键词

Keywords

references

张林，张磊，王东辉，等 . 球磨机料位监测技术研究现状及发展趋势 [J ] . 矿山机械 , 2019 , 47 （ 09 ）: 103 — 108 .

Zhang Lin , Zhang Lei , Wang Donghui , et al . Research status and development trend of ball mill material level monitoring technology [J ] . Mine Machinery , 2019 , 47 （ 09 ）: 103 — 108 .

李飞，郭永宏，王向东，等 . 基于SDP的球磨机关键部件料位监测方法 [J ] . 中国机械工程 , 2014 , 25 （ 19 ）: 2644 - 2649 .

Li Fei , Guo Yonghong , Wang Xiangdong , et al . Material level monitoring method for key components of ball mill based on SDP [J ] . China Mechanical Engineering , 2014 , 25 （ 19 ）: 2644 — 2649 .

陈光明，汤鹏飞，范晓旭，等 . 火电厂锅炉制粉系统料位监测系统的研究 [J ] . 热力发电 , 2014 （ 06 ）: 69 — 73 .

Chen Guangming , Tang Pengfei , Fan Xiaoxu , et al . Research on the material level monitoring system of the pulverizing system in thermal power plant boilers [J ] . Thermal Power Generation , 2014 （ 06 ）: 69 — 73 .

Y Lei ， B Yang ， X Jiang ， et al . Applications of machine learning to machine fault diagnosis： a review and roadmap [J ] . Mechanical Systems and Signal Processing ， 2020 , 138 : 106587 .

H Guo ， L Xiao ， R Deng ， et al . Application of optical fiber sensing technology in power systems [J ] . Sensors , 2020 , 20 （ 17 ）: 4874 .

R Liu ， B Yang ， E Zio ， et al . Artificial intelligence for fault diagnosis of rotating machinery： a review [J ] . Mechanical Systems and Signal Processing , 2018 , 108 : 33 — 47 .

H Huang ， H Ren ， Q Mao ， et al . Fault diagnosis of rotating machinery based on optical fiber microphone and deep learning [J ] . IEEE Access , 2021 , 9 : 23259 — 23270 .

S Zhang ， S Zhang ， B Wang ， et al . Deep learning algorithms for bearing fault diagnostics-a comprehensive review [J ] . IEEE Access , 2020 , 8 : 29857 — 29881 .

H Oh ， J H Jung ， B C Jeon ， et al . Scalable and unsupervised feature engineering using vibration-imaging and deep learning for rotor system diagnosis [J ] . IEEE Transactions on Industrial Electronics , 2017 , 65 （ 4 ）: 3539 — 3549 .

M Gan ， C Wang ， C Zhu . Construction of hierarchical diagnosis network based on deep learning and its application in the fault pattern recognition of rolling element bearings [J ] . Mechanical Systems and Signal Processing , 2016 , 72 : 92 — 104 .

M Xia ， T Li ， L Liu ， et al . Intelligent fault diagnosis approach with unsupervised feature learning by stacked denoising autoencoder [J ] . IET Science Measurement & Technology , 2017 , 11 （ 6 ）: 687 — 695 .

S Zhang ， J Wang ， M Xia ， et al . Steam turbine fault diagnosis based on fiber optic microphone and deep belief network [C ] // 2019 Prognostics and System Health Management Conference . Qingdao, China : IEEE ， 2019 : 1 — 6 .

J Pastor-Graells ， H F Martins ， A Garcia-Ruiz ， et al . Single-shot distributed temperature and strain tracking using direct detection phase-sensitive OTDR with chirped pulses [J ] . Optics Express , 2016 , 24 （ 12 ）: 13121 — 13133 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于残差注意力机制的离轴数字全息重建