球磨机是电力、磨矿、化工、陶瓷、水泥、医药和冶金等行业常用的高能耗设备,球磨机筒内的料位是影响球磨机能效和安全稳定运行的关键因素之一。在实际工业生产过程中,当球磨机系统运转时,由于其筒内环境恶劣并且情况比较复杂,存料量难以在线直接监测,导致球磨机系统难以经济运行并且容易发生安全事故。因此,有效测量或估计球磨机的料位,对于球磨机系统高效和安全稳定运行具有重大意义。软测量技术是一种解决工业生产过程中难以直接测量参数估计的有效方法,其主要依据对易测辅助变量与难以测量的待测变量之间数学关系认识来进行待测变量的估计或测量。本文中选取球磨机轴承振动信号作为球磨机料位软测量模型的辅助变量,针对振动信号分析和特征提取困难的问题,将近年来广泛研究的深度信念网络(Deep Belief Network, DBN)引入球磨机料位软测量建模过程中,用于球磨机轴承振动信号的有效特征提取。DBN是一种深层次神经网络,是一种典型的、代表性的深度学习方法；DBN具有优异的特征学习能力,它的主要优势在于：(1)通过逐层无监督地特征抽取,DBN可以得到原始数据更加有效的深层次特征表示；(2)通过逐层预训练的自学习方法使得DBN能通过大量无标记的数据样本学习到所有层(不包括最终分类层)的最佳初始权值,并获取数据的非线性特征；(3)可通过少量带标记样本对整个网络进行微调,对所有权值进行修正,使网络达到理想的性能。DBN的上述特性非常适合于求取振动信号的非线性特征表示,并且也适合于解决生产过程中球磨机料位的精确样本难以获取的问题。基于深度信念网络振动信号功率谱分析和特征提取是所提出软测量模型的重点研究部分。深度信念网络可以看作由一系列受限玻尔兹曼机(Restricted Bolzmann Machine, RBM)堆叠而成；DBN网络主要通过预训练和微调两个步骤来完成训练,并采用训练好的DBN进行有效特征提取。首先,DBN分别逐层无监督地训练每一个RBM网络,采用对比散度方法(Contrastive Divergence, CD)完成每个RBM网络的训练。在这种贪婪机制的预训练之后,附加一层有监督学习网络层来微调整个网络参数,达到更加优化的网络模型。DBN通过逐层地特征抽取,可以确保特征向量映射到不同特征空间,并尽可能多地保留特征信息,这样得到了原始数据的更本质的、更高级的特征,即深度模型的最高抽象表达。它与普通特征选择方法,如主元分析方法(Principle Component Analysis, PCA)和偏最小乘法(Partial Least Square, PLS)等不同之处在于,深度模型具有更好的对非线性函数的表示能力,能抽取出更有效的内在信息。为了验证基于DBN特征提取方法所建立软测量模型的可行性和有效性,在小型实验室球磨机上进行了模拟工业现场的球磨机磨矿制粉过程,并采集实验样本数据。首先对采集得到的大量轴承振动数据进行离线分析,采用Welch方法计算振动信号的功率谱,针对振动频谱的超高维和共线性问题,分别采用深度信念网络、主元分析方法和偏最小二乘方法进行振动信号功率谱的有效特征提取。然后,将提取的特征输入支持向量机进行模型训练,得到训练好的软测量模型。最后,采用测试集样本对训练好的软测量模型进行验证,并对测量结果进行测量误差分析和测量稳定性分析。实验结果表明,基于DBN特征提取的软测量方法相对于其他常规方法具有较高的测量精度和测量稳定性。