一种多源机械信号分析与优化组合方法技术

本发明专利技术公开一种多源机械信号分析与优化组合方法，对所采集多源机械振动和振声信号进行快速傅里叶变换，获得机械频谱数据；基于这些机械频谱数据构建潜结构映射模型，基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型的验证误差和结构参数与全部机械信号MLPF潜结构模型的验证误差和结构参数之比对机械信号的预测精度贡献率和蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号预测精度和蕴含信息贡献率的综合评估；通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号优化组合。

【技术实现步骤摘要】
一种多源机械信号分析与优化组合方法
：本专利技术属于信号分析
，尤其涉及一种基于线性潜结构模型面向磨机负荷参数预测的多源机械信号分析与优化组合方法。
技术介绍
实时准确的磨机负荷参数预测(MLPF)模型是选矿过程实现运行优化与运行控制的关键因素之一[1,2]。基于数据驱动的软测量模型已被广泛用于这些难以检测过程参数的推理估计[3]。球磨机是磨矿过程的关键机械设备，具有重型、旋转、封闭等特点，其连续运行过程中释放出强烈的机械振动和振声信号。通常，这些机械信号的频谱用于构建与磨矿过程质量和产量密切相关的磨机内部负荷参数模型[4,5,6]。理论上，球磨机的机械振动和振声信号具有非稳态和多组分特性。球磨机内部的数以万计的钢球分层排列，在磨机旋转工作过程中以不同的冲击力和不同的周期对矿石和磨机衬板进行冲击。通常在磨机筒体外部所测量的筒体振动信号是由这些冲击力合成得到的。进一步，筒体振动通过磨机机械传动系统传递到磨机轴承座；同时，筒体振动也是在磨机研磨区域所测量的振声信号的主要来源。针对这些多源机械信号，通常采取的策略是首先采用信号处理技术进行分析以提取更为显著的特征[7]。通常所采用的信号处理技术是对这些原始机械振动和振声进行快速傅里叶变换(FFT)，采用这种方式获取的频谱被称为单尺度频谱[8]。但是，理论上FFT不适合处理具有非稳态和多组分特性的机械信号[9]。小波分解及其改进算法等多种不同的时/频分析技术已被广泛用于基于此类机械信号的故障诊断[10,11]。为了能够自适应的分解该类机械信号，经验模态分解(EMD)及其改进算法可以将原始机械信号分解为具有不同时间尺度的系列子信号，并应用于不同的工业过程中[12,13,14]。从机械信号产生机理的视角出发，这些子信号被认为是具有不同尺度的多源信息，其频谱相应的被称为多尺度频谱[8]。这些多尺度频谱被广泛应用于轴承故障诊断和球磨机筒体振动分析[15,16]。理论上，基于多尺度频谱能够构建得到具有更加合理性解释的MLPF模型。但是，这些复杂的基于EMD等算法的信号分解过程也可能会产生一些非确定和不准确的信息。因此，基于FFT的单尺度频谱仍然是实际工业过程中应用最为广泛的建模数据。在具有较高的频率分辨率时，单尺度频谱和多尺度频谱都包含成百上千的频率变量，并且相互之间存在较强的共线性。因此，潜结构映射或偏最小二乘(PLS)及其核版本常用于直接处理具有这些特点的频谱数据[17]，其主要原因是该类方法能够基于较少的潜在变量(LVs)对高维谱数据建模。同时，为了提高MLPF模型的泛化性能，基于“操作输入特征”和“操纵训练样本”集成构造策略的选择性集成(SEN)建模方法从有效融合多源有价值信息的视角进行软测量模型的构建[18]；但其模型结构较传统的单一模型复杂，难以用于简洁、快速的对多源机械信号进行分析评估。从另外一个视角，基于多尺度频谱的建模方法与工业过程中专家人脑认知磨机负荷的过程相类似；因此，基于多尺度频谱的建模方法有待于深入研究。同时，不同的MLPF建模方法的比较结果表明，基于单尺度频谱的模型在泛化性能上优于基于多尺度频谱的模型；但是，基于单尺度的MLPF建模方法在提高模型的可解释性和洞悉机械信号产生机理方面存在难以克服的固有缺点。上述这些研究表明，对于在球磨机振动系统的不同位置所测量的筒体振动、轴承座振动和振声信号等多源(多通道)机械信号的预测精度和蕴含信息贡献率的研究鲜有报道。也就是说，我们需要一种新的方法用于辅助判断哪些信号(通道)更加稳定，哪些信号更适应不同的实际需求，哪些信号的组合能够互补进而提高MLPF模型的泛化性能。因此，需要一种快速和简单的分析方法用于解决上述问题。参考文献如下：[1]P.Zhou,T.Y.Chai,andH.Wang,Intelligentoptimal-settingcontrolforgrindingcircuitsofmineralprocessing,IEEETransactionsonAutomationScienceandEngineering,Vol.6,No.4,730-743,2009.[2]T.Y.Chai,Operationaloptimizationandfeedbackcontrolforcomplexindustrialprocesses,ActaAutomaticaSinica,Vol.39,No.11,1744-1757,2013.[3]M.Kano,K.Fujiwara,Virtualsensingtechnologyinprocessindustries:trends&challengesrevealedbyrecentindustrialapplications.JournalofChemicalEngineeringofJapan,Vol.46,No.1,1-17,2013.[4]P.Huang,M.P.Jia,B.L.Zhong,Investigationonmeasuringthefilllevelofanindustrialballmillbasedonthevibrationcharacteristicsofthemillshell,MineralsEngineering,Vol.14,1200-1208,2009.[5]S.P.Das,D.P.Das,S.K.Behera,B.K.Mishra,Interpretationofmillvibrationsignalviawirelesssensing,MineralsEngineering,Vol.24,245-251,2011.[6]T.J.Feng,H.G.Wang,W.L.Xu,N.Xu,Anon-linemillloadmonitoringsystembasedonshellvibrationsignals,Mining&Metallurgy,Vol.19,66-69,2012.[7]X.Fan,M.J.Zuo,Machinefaultfeatureextractionbasedonintrinsicmodefunctions.MeasurementScience&Technology,Vol.19,334-340,2008.[8]J.Tang,W.Yu,T.Y.Chai,Z.Liu,X.J.Zhou,Selectiveensemblemodelingloadparametersofballmillbasedonmulti-scalefrequencyspectralfeaturesandspherecriterion,MechanicalSystems&SignalProcessing,Vol.66-67,485-504,2016.[9]Y.G.Lei,Z.J.He,Y.Y.Zi,ApplicationoftheEEMDmethodtorotorfaultdiagnosisofrotatingmachinery,MechanicalSystemsandSignalProcessing,Vol.23,(2009)1327-1338.[10]J.Cusido,L.Romeral,J本文档来自技高网...

【技术保护点】
一种多源机械信号分析与优化组合方法，其特征在于，包括以下步骤：步骤1、对所采集的至少是机械设备整旋转周期长度的多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性特性的机械频谱数据；步骤2、基于这些机械频谱数据构建潜结构映射(PLS)模型，基于验证数据得到MLPF(磨机负荷参数预测))模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估；步骤3、通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于建MLPF模型的最佳多源机械信号的优化组合。

【技术特征摘要】
1.一种多源机械信号分析与优化组合方法，其特征在于，包括以下步骤：步骤1、对所采集的至少是机械设备整旋转周期长度的多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性特性的机械频谱数据；步骤2、基于这些机械频谱数据构建潜结构映射(PLS)模型，基于验证数据得到MLPF(磨机负荷参数预测))模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估；步骤3、通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于建MLPF模型的最佳多源机械信号的优化组合。2.如权利要求1所述的多源机械信号分析与优化组合方法，其特征在于，步骤1具体为：针对磨矿过程和球磨机运转过程的定性分析可知，球磨机系统的不同位置的不同类型机械信号中蕴含着不同的磨机负荷参数的有价值信息，将所采集的机械信号的来源数简记为J，并将全部通道的信号标记为其中，j表示第jth通道；采用FFT技术将数据长度为N的机械振动信号变换之频域，其过程可表示为：假定基于不同的磨机负荷值进行k次实验，并且同时采集J个通道的机械信号；接着将全部信号采用公式(3)变换至频域，并记为将上述建模数据划分为两个部分，即建模数据和验证数据，其过程可表示为：其中，k＝ktrain+kvalid；ktrain和kvalid分别是训练和验证数据集的样本数量。3.如权利要求2所述的多源机械信号分析与优化组合方法，其特征在于，步骤2具体为：采用PLS算法基于所构建的潜结构模型可表示为该建模过程可表示为：其中，rank(·)表示获取矩阵秩的函数；hj是第jth个潜结构模型的LVs数量，也是潜结构模型的结构参数和模型的层数，hj是通过最小化验证数据集的均方根误差(RMSEs)的准则计算得到的。其中，第jth个通道的机械信号潜结构模型的RMSE采用下式计算得到：其中表示基于jth通道的机械信号频谱构建的潜结构模型，基于多个通道的机械信号潜结构模型的验证误差给出了表征第jth个通道机械信号的相对预测精度贡献率的计算公式：同时，基于表征潜结构模型结构的LVs数量hj，本发明给出了相对蕴含信息贡献率的计算公式：进一步，定义了综合指标λj用于评估...

【专利技术属性】
技术研发人员：汤健，乔俊飞，李晓理，刘卓，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11