一种基于模糊推理的磨机负荷参数软测量方法技术

本发明专利技术基于模拟领域专家“听音识别”磨机负荷参数的思路，提出了基于模糊推理的磨机负荷参数选择性集成软测量方法。分别采用多组分信号分解算法模拟人耳带通滤波能力实现筒体振动信号的多尺度自适应分解，采用潜变量特征提取的方法模拟人脑对频谱特征的提取能力，采用模糊推理集成模型模拟专家的逻辑规则推理能力，从而完成对领域专家的逐层认知、不确定性推理以及选择性信息融合过程的模拟，并通过实验验证了所提方法的可行性和有效性。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】

本专利技术涉及软测量领域，具体涉及一种基于模糊推理的磨机负荷参数软测量方法。
技术介绍
磨矿过程是选矿生产过程的“瓶颈”作业，其作用是将破碎后的原矿通过大型旋转机械设备(球磨机)研磨成粒度合格的矿浆，为后续选矿过程提供原料。球磨机的运转率和效率常常决定了磨矿过程甚至选矿全流程的生产效率和指标(参见文献1：陈剑锋，肖飞凤.球磨机的发展方向综述[J],中国矿业，2006,15(8):94-98.)。准确检测磨机负荷是实现磨矿过程优化控制和节能降耗的关键。工业界通常采用磨机研磨过程中产生的机械振动/振声及磨机电流等多源信号对磨机负荷进行间接测量(参见文献2：汤健,赵立杰,岳恒,柴天佑.磨机负荷检测方法研究综述[J].控制工程,2010,17(5):565-570.以及文献3：TangJian,ChaiTian-you,YuWen,ZhaoLi-jie.ModelingLoadParametersofBallMillinGrindingProcessBasedonSelectiveEnsembleMultisensorInformation[J].IEEETranzactiononAutomationScienceandEngineering,2013,10(3):726-740.)，并且在采用干式球磨机的水泥、火电等行业中成功应用。优秀领域专家能够借助工业现场多源信息和多年积累的经验知识，凭借“人脑模型”有效地判别所熟悉的特定磨机的负荷及其内部参数状态，进而调整操作变量保证生产。面向干式球磨机，司刚全等人申请了融合筒体振动和振声信号的负荷检测方法和装置(参见文献4：司刚全,曹晖,张彦斌,贾立新.基于多传感器融合的筒式钢球磨机负荷检测方法及装置[P],中国,2007.)，并提出了基于神经模糊推理系统的软测量方法(参见文献5：司刚全,曹晖,张彦斌,马西奎.基于ANFIS的火电厂磨机负荷检测的软测量模型[C].中国仪器仪表与测控技术交流大会论文集(二),成都，2007.)。针对云模型的不确定性推理能够模拟人类思维进行不确定性语言概念转换的特点，文献6(阎高伟,龚杏雄,李国勇.基于振动信号和云推理的球磨机负荷软测量[J].控制与决策,2014,29(6):1109-1115.)提出了基于云模型利用磨机轴承振动对干式球磨机料位进行概念表示和推理测量的方法，并在小型实验球磨机上进行验证实验。针对磨矿过程的湿式球磨机，研究多基于实验球磨机(参见文献7：TangJian,Zhaoli-jie,Zhoujun-wu,YueHeng,Chaitian-you.ExperimentalAnalysisofWetMillLoadBasedonVibrationSignalsofLaboratory-scaleBallMillShell[J].MineralsEngineering,2010,23(9):720-730.)。理论分析表明，磨机筒体内部钢球负荷的数量数以万计、分层排列，包裹着矿浆以不同强度和频率下落的钢球对矿石和筒体进行周期性冲击。由此产生的筒体振动和振声信号具有较强的非线性、非平稳性和多时间尺度特性(参见文献8：汤健,柴天佑,丛秋梅,苑明哲,赵立杰,刘卓,余文.基于EMD和选择性集成学习算法的磨机负荷参数软测量[J].自动化学报,2014,40(9):1853-1866.)。工业现场最常用的信号是磨机研磨区域经筒体辐射产生的振声信号。经验丰富的领域专家可“听音识别”磨机负荷及其参数。研究表明，人耳本质上是一组自适应带通滤波器。从某种角度上讲，专家“听音识别”过程可以理解为人耳带通滤波能力、人脑特征抽取能力和专家经验规则推理的逐层认知过程。显然这是个基于人类专家经验进行不确定性推理的选择性信息的融合过程。如何基于现有技术对领域专家的识别过程进行模拟是本文的主要关注点。采用信号处理、机器学习等多个学科领域的研究成果是开展磨机负荷检测研究的有效手段。经验模态分解(EMD)技术可以有效的将筒体振动信号分解为系列具有不同带宽的多尺度信号(参见文献9：TangJian,Zhaoli-jie,et,al.VibrationAnalysisBasedonEmpiricalModeDecompositionandPartialLeastSquares[J].ProcediaEngineering,2011,16:646-652.)，可用于模拟人耳的“带通滤波”能力。偏最小二乘算法(PLS)可以提取同时表征输入输出数据变化的潜在变量，将难以进行规则提取的多尺度频谱进行有效维数约简，从而模拟人脑的“特征抽取”能力。而对“人脑判别”能力的模拟则可以通过模糊推理系统予以实现。优秀领域专家“听音识别”利用的是经磨机研磨区域筒体振动辐射产生的振声信号。该信号源于筒体，并且夹杂着周围其它机械设备的背景噪声。显然，灵敏度和可靠性低于磨机筒体振动信号。但筒体振动信号难以依据专家经验提取推理规则。文献10(WangLX,MendelJM.GeneratingFuzzyRulesbyLearningfromExamples[J].IEEETransactionsonSystems,Man,andCybernetics,1992,22(6):1414-1427.)提出了从数据中挖掘模糊规则的高效率算法。模糊规则的可解释性和透明性也增加了推理模型的可理解性。针对规则挖掘时，输入输出数据难以在时间序列上匹配的问题，文献11(YuWen,Lixiao-ou.On-lineFuzzyModelingViaClusteringandSupportVectorMachines[J].InformationSciences,2008,178(22):4264-4279.)提出了基于同步聚类的语言规则式模糊推理模型。文献12(WangYongfu,WangDianhui,ChaiTianyou.ExtractionandAdaptationofFuzzyRulesforFrictionModelingandControlCompensation[J].IEEETranzactiononFuzzySystem,2011,19(4):682-694.)提出了基于数据挖掘和系统理论的模糊规则提取和自适应策略用于摩擦模型的建模。由此，亟需一种更加准确的磨机负荷参数软测量方法。
技术实现思路
有鉴于此，本专利技术提供一种基于模糊推理的磨机负荷参数软测量方法，以更加精确地进行磨机负荷参数的软测量。所述方法包括：S100、在预定的磨机负荷下本文档来自技高网...

【技术保护点】
一种基于模糊推理的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/或振声的样本特征信号；S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本子信号代表具有物理含义的单一振动模态；S300、对所述样本子信号进行降维以获得预定数量的相互独立的潜在特征变量；S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型；S500、对于J‑2种可能的集成模型中的子模型数量Jsel，通过求解如下优化问题，从所有的模糊推理子模型中选取Jsel个作为集成子模型并求取集成子模型对应的权重，以获得J‑2个候选软测量模型：maxErmsre=θth-1kΣl=1k(yl-Σjsel=1Jselwjsely^jse1lyl)2]]>s.t.Σjse1=1Jse1wjsel=10≤wjsel≤11<jsel<Jsel1<Jsel≤J]]>其中，θth为设定阈值，k为样本个数，yl为磨机负荷参数第l个样本的真值，为选择性集成模型对第l个样本的软测量值，为基于第jsel个集成子模型对第l个样本预测值，wjsel是第jsel个集成子模型的权重，J为模糊推理子模型的数量；S600、将所述J‑2个候选软测量模型中预测误差最小的作为磨机负荷参数软测量模型；S700、获取需要进行软测量的磨机的测试数据的潜在特征变量；S800、根据所述磨机负荷参数软测量模型计算所述测试数据的潜在特征变量对应的负荷参数。...

【技术特征摘要】
1.一种基于模糊推理的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/或振声的样本特
征信号；
S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本
子信号代表具有物理含义的单一振动模态；
S300、对所述样本子信号进行降维以获得预定数量的相互独立的潜在特征变量；
S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构
建对应的模糊推理子模型；
S500、对于J-2种可能的集成模型中的子模型数量Jsel，通过求解如下优化问
题，从所有的模糊推理子模型中选取Jsel个作为集成子模型并求取集成子模型对应的
权重，以获得J-2个候选软测量模型：
maxErmsre=θth-1kΣl=1k(yl-Σjsel=1Jselwjsely^jse1lyl)2]]>s.t.Σjse1=1Jse1wjsel=10≤wjsel≤11<jsel<Jsel1<Jsel≤J]]>其中，θth为设定阈值，k为样本个数，yl为磨机负荷参数第l个样本的真值，
为选择性集成模型对第l个样本的软测量值，为基于第jsel个集成子模型对第l
个样本预测值，wjsel是第jsel个集成子模型的权重，J为模糊推理子模型的数量；
S600、将所述J-2个候选软测量模型中预测误差最小的作为磨机负荷参数软测
量模型；
S700、获取需要进行软测量的磨机的测试数据的潜在特征变量；
S800、根据所述磨机负荷参数软测量模型计算所述测试数据的潜在特征变量对
应的负荷参数。
2.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征
在于，所述步骤S200包括：
通过经验模态分解(EMD)、集合经验模态分解(EEMD)、希尔伯特振动分解
(HVD)、局部均值分解(LMD)中的一种或几种多组分信号分解方法将所述样本
特征信号分解...

【专利技术属性】
技术研发人员：刘卓，汤健，柴天佑，周晓杰，吴志伟，贾美英，迟瑛，丁进良，
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