一种磨机负荷参数软测量方法技术

本发明专利技术公开了一种磨机负荷参数软测量方法，本发明专利技术的方法面向筒体振动和振声信号的多尺度和非稳态特性，基于不同视角，采用多种不同的信号分解技术将原始筒体振动信号和振声信号分解为系列子信号。将选择的子信号频谱和原始信号频谱作为多源多尺度信息构建磨机负荷参数软测量模型。采用基于自适应遗传算法(AGA)和分支定界(BB)算法的全局优化选择性集成核偏最小二乘(GOSENKPLS)优化选择候选子模型和选择性集成模型(SEN模型)的结构参数和学习参数，实现对多源多尺度信号的有效选择性融合。本发明专利技术可以提高磨机负荷参数软测量的精确性。

【技术实现步骤摘要】
一种磨机负荷参数软测量方法
本专利技术涉及软测量领域，具体涉及一种磨机负荷参数软测量方法。
技术介绍
球磨机是一类重型封闭连续工作的旋转机械设备。它们广泛的应用于磨矿过程，并且是这些生产过程的瓶颈设备(参见文献T.Y.Chai,“Operationaloptimizationandfeedbackcontrolforcomplexindustrialprocesses,”ActaAutomaticaSinica,Vol.39,No.11,pp.1744-1757,May.2013.)。球磨机内部负荷参数(如料球比(MBVR)、磨矿浓度(PD)、充填率(CVR))的过高或过低会导致磨机过负荷或欠负荷(参见文献P.Zhou,T.Y.Chai,H.Wang,“Intelligentoptimal-settingcontrolforgrindingcircuitsofmineralprocessing,”IEEETransactionsonAutomationScienceandEngineering,Vol.6,No.4,pp.730-743,April.2009.)。磨机过负荷会导致“磨机吐料”、“磨机出口粒度变粗”、“堵磨”，甚至“磨矿过程停产”；磨机欠负荷会导致磨机“空砸”，导致能源浪费、增加钢耗和研磨设备损坏。可见，磨机负荷参数与产品质量和产量相关，过高或过低甚至会导致研磨设备损坏。因此，它们是实现磨矿过程的优化运行和控制的关键过程参数。磨机负荷参数难以直接检测，其主要原因是球磨机封闭连续旋转的工作特点导致检测仪表不能被安装或无损害的使用。特殊设计的Sensomag检测装置(参见文献P.Keshav,B.D.Haas,B.Clermont,A.Mainza,M.Moys,“Optimisationofthesecondaryballmillusinganon-lineballandpulploadsensor-TheSensomag,”MineralsEngineering,Vol.24,No.3-4,pp.325-334,Feb.2011.)直接安装在磨机内部，其冲击防护和电力供给问题很难实现。磨机负荷参数也难以通过机理模型分析求得，主要原因：一是磨机入口给料存在的难以检测的频繁波动；二是磨矿过程的复杂物理、物理化学和力学过程。尽管磨机的研磨机理不是很清晰，但是物料破碎和研磨的实现主要依赖于钢球负荷的冲击行为。这个过程产生强烈的振动和振声信号。因此，这些信号被领域专家广泛应用于估计磨机负荷参数。通常，磨机内部装载数以万计的钢球。理论上，这些钢球表面被矿浆覆盖并且分层排列。它们以不同的幅值和周期直接或间接的冲击磨机筒体。由这些冲击力导致的磨机筒体振动信号必定是由具有不同时间尺度的子信号组成。筒体振动信号具有多组分和非稳态特性。由于振动是振声信号的主要来源之一，振声信号的组成也许更为复杂。在工业实践中，领域专家基于多源信息通过他们的“人脑模型”估计他们所熟悉的磨机负荷及负荷参数来确保生产过程的安全。最常用的信号是磨机研磨区域附近的振声信号。优秀的领域专家能够“听音估计”磨机负荷参数。研究表明人耳在本质上是一组带通滤波器。因此，在某种角度上，“听音估计”过程可以被认为是一个认知建模过程，其主要包括：基于人耳的带通滤波、基于人脑的特征提取、基于专家经验的估计模型构建。本质上，这是个基于选择性融合多源多组分子信号的建模过程。在时域内，有价值信息被隐含在宽带随机噪声信号“白噪声”内(参见文献Y.Zeng,E.Forssberg,“Monitoringgrindingparametersbyvibrationsignalmeasurement-aprimaryapplication,”MineralsEngineering,Vol.7,No.4,pp.495-501,April.1994.)，构建磨机负荷参数软测量模型的首要工作是对原始筒体振动和振声信号进行快速傅里叶变换(FFT)。这些频谱在本申请中称之为单尺度频谱。但是，传统的FFT是建立在被处理信号是稳态和线性的基础上的(参见文献Y.G.Lei,Z.J.He,Y.Y.Zi,“ApplicationoftheEEMDmethodtorotorfaultdiagnosisofrotatingmachinery,”MechanicalSystemsandSignalProcessing,Vol.23,No.4,pp.1327-1338,May.2009.)。短时傅里叶变换、小波分析、Wigner-Ville分布、进化谱等基于FFT的非稳态信号分析方法用于改进FFT分析的全局表达能力，但这些方法都不能对原始信号进行自适应分解。Huang带领的研究团队提出采用经验模态分解(EMD)技术处理非线性非稳态信号，该方法具有完全、正交、局部和自适应的优点(参见文献N.E.Huang,“TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis,”ProceedingsoftheRoyalSocietyofLondonAMathematicalPhysical&EngineeringSciences,Vol.454,No.1971,pp.903-995,Mar.1998.)。但是，在分解过程中可能会产生一些虚假的子信号模态，即模态混叠现象。借助噪声辅助分析技术，集合EMD(EEMD)可以有效克服这一问题(参见文献Z.H.Wu,N.E.,Huang,“EnsembleempiricalmodedecompositionforhighfrequencyECGnoisereduction,”AdvancesinAdaptiveDataAnalysis,vol.55,No.4,pp.193-201,May.2009.)。EEMD已经广泛应用在轴承故障诊断、结构模态辨识等领域。EMD和EEMD能够将原始信号按照频率由高到底分解为系列内禀模态函数(IMFs)，即将子信号按频率分布的角度进行分解。另外一种方法，Hilbert振动分解(HVD)能够从子信号能量分布的角度对原始信号进行自适应分解(参见文献M.Feldman,“Time-varyingvibrationdecompositionandanalysisbasedonHilberttransform,”JournalofSoundandVibration,2006,Vol.295,No.3-5,pp.518-530,Aug.2006)，即HVD分解后的子信号按能量从高到底进行排列。因此，这些不同分解算法获得的子信号可看作是源于多个视图的多源信息。但是，这些分解算法都只能够获得有限数量的有价值子信号。研究表明，基于IMFs的FFT变换能够较精确的确定IMFs的频率分布(参见文献V.K.Rai,A.R.Mohanty,“BearingfaultdiagnosisusingFFTofintrinsicmodefunctionsinHilbert-Huangtransform,”Mec本文档来自技高网...

【技术保护点】
一种磨机负荷参数软测量方法，包括：S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的训练样本特征信号；S200、将所述训练样本特征信号分解为具有不同时间或能量尺度的多种不同训练样本子信号，每个训练样本子信号代表具有物理含义的单一振动模态；S300、对所有训练样本子信号进行相关性分析，并对与原始信号相关性度量高于预定阈值的子信号进行时域频域转换以获得元素相互独立的特征频谱向量；S400、以核变量数量、核参数以及集成模型尺寸进行编码获取遗传算法的染色体，并以编码后的染色体为个体根据预定种群规模生成初始种群；S500、对当前种群的染色体进行解码以获取每个个体对应的核变量数量、核参数以及集成模型尺寸；S600、基于每个个体对应的核变量数量和核参数对所述特征频谱向量中的每一个频谱生成对应的候选子模型；S700、根据每个个体对应的集成模型尺寸以及对应的所有候选子模型获取每个个体对应的候选选择性集成预测模型；S800、计算当前种群对应的所有候选选择性集成预测模型的预测输出的均方根相对误差(RMSRE)作为适应度，并根据适应度对当前种群的个体进行排序，判断遗传代数是否达到预定换代数，如果未达到，则根据交叉概率和变异概率进行选择、交叉和变异操作以获得新一代种群的染色体，转向S500，否则执行S900；S900、输出当前种群中适应度最小的个体对应的候选选择性集成预测模型作为磨机负荷软测量模型；S1000、获取需要进行软测量的磨机的测试数据的特征频谱向量；S1100、根据所述磨机负荷参数软测量模型计算所述测试数据的特征频谱向量对应的负荷参数。...

【技术特征摘要】
1.一种磨机负荷参数软测量方法，包括：S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的训练样本特征信号；S200、将所述训练样本特征信号分解为具有不同时间或能量尺度的多种不同训练样本子信号，每个训练样本子信号代表具有物理含义的单一振动模态；S300、对所有训练样本子信号进行相关性分析，并对与原始信号相关性度量高于预定阈值的子信号进行时域频域转换以获得元素相互独立的特征频谱向量；S400、以核变量数量、核参数以及集成模型尺寸进行编码获取遗传算法的染色体，并以编码后的染色体为个体根据预定种群规模生成初始种群；S500、对当前种群的染色体进行解码以获取每个个体对应的核变量数量、核参数以及集成模型尺寸；S600、基于每个个体对应的核变量数量和核参数对所述特征频谱向量中的每一个频谱生成对应的候选子模型；S700、根据每个个体对应的集成模型尺寸以及对应的所有候选子模型获取每个个体对应的候选选择性集成预测模型；S800、计算当前种群对应的所有候选选择性集成预测模型的预测输出的均方根相对误差(RMSRE)作为适应度，并根据适应度对当前种群的个体进行排序，判断遗传代数是否达到预定换代数，如果未达到，则根据交叉概率和变异概率进行选择、交叉和变异操作以获得新一代种群的染色体，转向S500，否则执行S900；S900、输出当前种群中适应度最小的个体对应的候选选择性集成预测模型作为磨机负荷参数软测量模型；S1000、获取需要进行软测量的磨机的测试数据的特征频谱向量；S1100、根据所述磨机负荷参数软测量模型计算所述测试数据的特征频谱向量对应的负荷参数，所述步骤S500包括基于如下公式解码获取对应的核变量数量、核参数以及集成模型尺寸：其中，和分别是第jGA个个体对应的核参数、核变量数量以及集成模型尺寸，和分别是当前种群的核变量数量和核参数，和分别是的最大值和最小值，Len(·)为括号内参数的...

【专利技术属性】
技术研发人员：汤健，柴天佑，刘卓，周晓杰，丁进良，吴志伟，贾美英，迟瑛，
申请(专利权)人：中国人民解放军六一五九九部队计算所，东北大学，
类型：发明
国别省市：北京;11