專利名稱：一種球磨機負荷參數(shù)軟測量方法
技術領域：
本發(fā)明屬于自動化技術測量領域，特別是涉及磨礦生產(chǎn)過程的一種濕式球磨機負荷參數(shù)即球磨機內(nèi)部料球比、礦漿濃度、充填率的軟測量方法。

背景技術：
筒式球磨機在金屬礦及非金屬選礦廠、建材、耐火材料、水泥、煤炭、化工、電力和冶金等行業(yè)的粉磨作業(yè)中應用廣泛。粉磨作業(yè)的電耗占全世界總發(fā)電量的3～4％，在選礦、電力、水泥等行業(yè)分別占各自工業(yè)過程能耗的30％～70％、15％、60％～70％，磨礦介質和襯板的消耗達0.4-3.0kg/t。根據(jù)試驗研究，球磨機至少有10％以上的節(jié)能潛力和9％以上的節(jié)約鋼材原材料的潛力。由于球磨機具有非線性、大時滯、強耦合、隨機干擾大等綜合復雜特性，旋轉筒體內(nèi)部運行環(huán)境復雜，對磨機運行狀態(tài)及其內(nèi)部參數(shù)難以進行有效測量，生產(chǎn)中經(jīng)常發(fā)生空磨、飽磨、堵磨等現(xiàn)象，直接影響到產(chǎn)品的質量、產(chǎn)量以及技術經(jīng)濟指標。
目前，實際生產(chǎn)中一般是由操作員通過振聲(俗稱電耳)、振動或功率等間接方法，憑經(jīng)驗對球磨機負荷狀態(tài)進行人工判斷與處理。為克服人工操作的主觀性和隨意性，結合領域專家知識、規(guī)則推理和統(tǒng)計過程控制，出現(xiàn)了融合多種信號的智能球磨機負荷狀態(tài)檢測方法。但針對能夠反映球磨機負荷的球磨機負荷參數(shù)(料球比、礦漿濃度、充填率)的研究較少，所建模型的輸入多為軸承振動、振聲、軸承壓力、功率等信號的時域或頻域能量之和。國外針對球磨機的軸承振動、振聲的研究，采用頻譜平均分段求和的方式提取頻譜變量的特征，但其檢測的球磨機內(nèi)部參數(shù)僅限于礦漿濃度。


發(fā)明內(nèi)容
針對現(xiàn)有的球磨機負荷的確定主要是依靠現(xiàn)場操作人員的長期工作經(jīng)驗，難以測量表征球磨機負荷的內(nèi)部參數(shù)，而且現(xiàn)有檢測方法難以充分提取信號的非線性，導致工業(yè)過程中為保證設備的安全性，球磨機常運行在欠負荷狀態(tài)，影響球磨機處理量和產(chǎn)品質量，無法根據(jù)市場需求進行有針對性地生產(chǎn)而獲得最大的經(jīng)濟效益的問題，本發(fā)明提供一種可測量現(xiàn)場球磨機負荷參數(shù)的基于多源數(shù)據(jù)特征融合的球磨機負荷軟測量方法。通過對球磨機筒體振動及振聲信號在頻域內(nèi)的低、中、高三個頻段采用核主元分析(KPCA)分別進行非線性特征提取，并融合時域電流信號的非線性特征，結合最小二乘-支持向量機(LSSVM)方法進行特征選擇，以達到準確檢測球磨機負荷參數(shù)的目的。
本發(fā)明的軟測量方法由球磨機硬件支撐平臺和軟測量軟件組成，硬件平臺提供軟測量方法所需數(shù)據(jù)，軟測量軟件負責實施本發(fā)明所提出的軟測量方法。軟測量軟件即可以安裝在分布式計算機控制系統(tǒng)的監(jiān)控計算機上，也可以運行于獨立的計算機上。該方法通過與硬件支撐平臺進行通訊，獲得實時的球磨機筒體振動、振聲、電流信號的數(shù)據(jù)，檢測球磨機負荷參數(shù)(料球比、礦漿濃度、充填率)。
本發(fā)明包括步驟如下如圖1和2所示 步驟一采集球磨機振動、振聲及電流數(shù)據(jù) 通過硬件支撐平臺采集如下信號球磨機筒體的振動加速度信號XV；球磨機研磨區(qū)域下方的振聲信號XA；球磨機驅動電動機的電流信號XI； 對以上信號進行信號處理，將提取和選擇的非線性特征做為軟測量模型的輸入，在線估計球磨機負荷內(nèi)部參數(shù)即料球比、礦漿濃度、充填率，球磨機負荷參數(shù)軟測量方法按照如下的結構組成樣本，并收集樣本數(shù)據(jù)。樣本表達式為{xk，yk}，其中，xk為樣本的輸入即采集的信號——球磨機筒體的振動信號XV、振聲信號XA、電流信號XI，樣本的輸出yk為待估的主導變量——球磨機負荷參數(shù)料球比y1、礦漿濃度y2、充填率y3。樣本的記錄機構如表1，時間為樣本獲取的時間。
表1 樣本數(shù)據(jù)結構
考慮到樣本數(shù)據(jù)應該具有代表性，并且盡可能的覆蓋范圍較款，應該包括球磨機研磨過程中的高礦漿濃度、低礦漿濃度；高充填率、低充填率；高料球比、低料球比等工況。將樣本分為兩組，一組用于用于模型誤差最小的訓練來選擇模型參數(shù)(包括模型訓練樣本和誤差訓練樣本)，另一組用于模型的驗證。
步驟二對采集的球磨機振動、振聲及電流數(shù)據(jù)進行濾波 采用有限沖激響應濾波器分別對振動及振聲信號進行帶通濾波和低通濾波。濾波器公式見下式 式中，h(n)——濾波器的系數(shù)； N——濾波器的長度； y(m)——濾波器在第m點的輸出； x(m-n)——濾波器的第(m-n)個輸入； n——采樣時刻n＝0，1，...N-1； m——當前采樣時刻； 采用均值濾波法對電流信號進行濾波，公式見下式 式中，y(m)——濾波器的輸出，即N次采樣的算術平均值； xn——第n次的采樣值； N——采樣點數(shù)；。
步驟三對濾波后的振動及振聲數(shù)據(jù)進行時頻轉換 球磨機機械研磨過程中產(chǎn)生的平穩(wěn)周期性振動和振聲信號中包含著大量與研磨過程相關的有用信息。但是時域內(nèi)，該信息卻被隨機噪聲信號“白噪聲”所覆蓋。球磨機筒體振動和振聲信號可在頻域內(nèi)分解為疊加的正弦信號，而這些不同頻段的正弦信號的幅值包含著直接與球磨機的操作狀態(tài)相關信息。為保證對功率譜的無偏估計，采用改進的平均周期圖法求球磨機旋轉整周期的球磨機筒體振動及振聲信號的功率譜密度(PSD)，按如下公式 式中，

——總功率譜； Pr(k)——第r段的功率譜； R——分段的段數(shù)； N——X數(shù)字序列的數(shù)據(jù)點數(shù)； k——為求得的頻率點數(shù)。
步驟四對振動及振聲信號的頻譜數(shù)據(jù)和時域電流數(shù)據(jù)進行非線性特征提取 4.1對振動及振聲信號的頻譜數(shù)據(jù)數(shù)據(jù)進行非線性特征提取 分析球磨機不同工況下球磨機頻域信號的特征，可知空轉時頻域信號主要集中在低頻段、干磨時信號擴展至中頻段；而濕磨時其中頻段特征明顯，而且在球磨機內(nèi)的濃度較低，而充填率較高時，存在明顯的高頻段；水磨時則高頻段特征明顯。因此，可將濕式球磨機頻域信號劃分為低頻段，中頻段及高頻段，其分別對應著球磨機的固有頻率段、主要沖擊頻率段、次要沖擊頻率段。將球磨機筒體振動信號在低、中、高頻的數(shù)據(jù)分別記做XV_LF_org、XV_MF_org、XV_HF_org；振聲信號在低、中、高頻的非線性特征分別記做XA_LF_org、XA_MF_org、XA_HF_org，這些頻譜數(shù)據(jù)存在高維和共線性的問題，采用核主元分析(KPCA)分別對XV_LF_org、XV_MF_org、XV_HF_org、XA_LF_org、XA_MF_org、XA_HF_org進行降維和非線性特征提取。
基于核主元分析的非線性特征提取過程描述如下 核主成分分析的基本思想是先通過一個非線性變換Φ把輸入數(shù)據(jù)X(X∈RN)映射到一個高維特征空間F上，F(xiàn)＝{Φ(X)X∈RN}，然后在特征空間F上執(zhí)行經(jīng)典的線性主成分分析，以便實現(xiàn)輸入空間無法實現(xiàn)的線性分類。假設映射后的樣本矢量已經(jīng)被中心化，即滿足其均值為0，可表示為則映射后在F空間上樣本集的協(xié)方差矩陣可定義為 與該矩陣對應的特征值方程為 λv＝Cv(6) 根據(jù)再生核(theory of reproducing kernel)理論，由于在特征空間F中，對于任一特征值λ≠0所對應的特征向量v一定位于由{Φ(X1)，...，Φ(XM)}張成的空間內(nèi)?？紤]到特征空間F中的所有向量都可由Φ(Xi)線性組合，所以有 M×M階核矩陣K定義為 Ki，j＝K(Xi，Xj)＝Φ(Xi)TΦ(Xj)(8) 式中i、j均表示具體的第幾個樣本； 將式(5)、式(7)、式(8)代入式(6)后，可得以下全部用核函數(shù)表示的特征值方程 這樣就將求解式(6)特征向量v的問題轉換成求解式(9)特征值方程的特征向量α的問題。設該特征值方程的解由大到小為λ1≥λ1≥...≥λM≥0，對應的特征向量為α1，α2，...，αM，對應于式(6)的特征矢量為v1，v2，...，vM，并假設λM為最后一個非零特征值，則從特征矢量的正交規(guī)一條件 表示對所有的g，r＝1，2，...，M都有 就可以推導出關于特征向量αk的正交規(guī)一條件，即 進而由式(9)與條件式(11)就可以得出特征向量的唯一解{αk，k＝1，2，...M}； 于是對輸入空間的任一樣本X，可按下式求得其在高維空間F中Φ(X)的第h個主成分th，即它在第h個主成分特征矢量vh方向上的投影 式中th——第h個主元； αk——協(xié)方差陣的特征向量； λ——協(xié)方差陣的特征值； Φ——非線性變換函數(shù)； M——樣本數(shù)據(jù)的個數(shù)； vh——高維空間中，第h個主成份的特征矢量； K——M×M階核矩陣； h——主元的個數(shù)。
之前假設高維特征空間的樣本矢量已經(jīng)中心化，故需要對由原始數(shù)據(jù)空間映射后的核矩陣按下式進行中心化處理 式中

——中心化處理后的核矩陣； IM——系數(shù)為1/M的單位陣； K——中心化處理之前的核矩陣。
從而，對振動及振聲信號共六個頻段提取非線性特征均按如下公式進行提取 將球磨機筒體振動信號在低、中、高頻的頻譜變量XV_LF_org、XV_MF_org、XV_HF_org.提取的非線性特征分別記做XV_LF、XV_MF、XV_HF；球磨機振聲信號在低、中、高頻的頻譜變量XA_LF_org、XA_MF_org、XA_HF_org提取的非線性特征分別記做XA_LF、XA_MF、XA_HF，其值分別用下式表示 式中，

——表示各個頻段提取的最大主元個數(shù)。其值的采用如下公式 式中，CPVhM——表示振動或振聲信號的前

個主元的方差累積之和； M＝[V，A]——表示振動(V)和振聲信號(A)； N＝[L，M，H]——本別表示頻域信號的低(L)、中(M)、高(H)頻段； 對新樣本數(shù)據(jù)，按下式生成核矩陣 式中，Xtest——表示新樣本數(shù)據(jù)； Ktest——表示新樣本數(shù)據(jù)的核矩陣； L——是新樣本數(shù)據(jù)的樣本數(shù)量即行數(shù)。
IN′是一個系數(shù)為1/L L×M的矩陣，L是新數(shù)據(jù)的行數(shù)。
新樣本數(shù)據(jù)核矩陣按下式進行中心化 式中，

——中心化后的新樣本核矩陣； IM′——系數(shù)為1/L L×M的矩陣； 4.2對電流數(shù)據(jù)進行非線性特征提取 諸多理論研究及實踐應用表明，電流信號與球磨機負荷間存在明顯的非線性關系。采用與步驟4.1中相同的方法即KPCA提取時域球磨機電流信號中的非線性特征。提取后的非線性特征記做XI，其值可用下式表示 式中，t——主元，即提取的非線性特征；hImax——表示針對時域電流信號進行非線性特征提取后的最大主元個數(shù)。其值采用如下公式確定 式中，

——表示電流信號前hImax個主元的方差累積之和。
步驟五對振動、振聲、電流非線性特征提取后的融合數(shù)據(jù)進行特征選擇 主元分析(PCA)基于線性相關和高斯統(tǒng)計假設，當應用于非線性系統(tǒng)時，較小的主元雖然代表不重要的方差，但可能包含重要的系統(tǒng)信息。雖然核主元分析(KPCA)方法是在高維特征空間中確定主元，具有很好的非線性逼近能力和特征抽取能力，但其本質仍然是描述響應變量X數(shù)據(jù)空間內(nèi)的特征信息，而X中的特征信息的大小并不一定與預測變量Y相關。因此，需要合理確定KPCA的主元個數(shù)。同時，本文所要預測的磨機負荷參數(shù)，料球比、礦漿濃度及充填率與磨機振動、振聲信號中的不同頻段相關，需要為不同的預測模型選擇不同數(shù)量的主元個數(shù)。模型輸入變量的合理選擇還可以提高磨機負荷參數(shù)模型的預測精度，防止過擬和。本發(fā)明將非線性特征輸入變量中每類的的最佳變量個數(shù)(KPCA的主元個數(shù))的集合稱為特征參數(shù)集，并表示為結合最小二乘-支持向量機模型，料球比、礦漿濃度及充填率軟測量模型的特征參數(shù)集的確定均采用如下的特征參數(shù)優(yōu)化模型
式中，RMSEval——最小二乘-支持向量機模型的最小評價誤差； ——振動及振聲信號在頻域內(nèi)的低中高 三個頻段進行KPCA降維和特征提取后能夠選擇的最大主元個數(shù)； CPVhMN——表示振動或振聲信號的前

個主元的方差累積之和； M＝[V，A]——表示振動(V)和振聲信號(A)； N＝[L，M，H]——本別表示頻域信號的低(L)、中(M)、高(H)頻段； ——是時域電流信號進行KPCA非線性特征提取后的最大主元個數(shù)，一般取1； n——輸入變量的行數(shù)即樣本數(shù)； y——磨機負荷參數(shù)的真值；

——磨機負荷參數(shù)的估計值即模型的計算值。
按以下步驟對料球比模型、濃度模型、充填率模型進行特征選擇，其選擇過程首先是采用全部特征變量作為最小二乘-支持向量機模型的輸入得到模型的參數(shù)，其次進行特征參數(shù)的選擇。其流程如附圖3所示。具體如下 (5.1)開始進行初始化操作，按下式組合特征變量并記為Xall，作為最小二乘-支持向量機模型的輸入變量Xall＝[XV_LF，XV_MF，XV_HF，XA_LF，XA_MF，XA_HF，XI]，此時的特征參數(shù)集 (5.2)對全部樣本數(shù)據(jù)進行標準化處理將樣本數(shù)據(jù)標準化為0均值1方差的數(shù)據(jù)； (5.3)選擇誤差懲罰參數(shù)和核參數(shù)的調整范圍依據(jù)經(jīng)驗確定對模型訓練使用的誤差懲罰函數(shù)和核函數(shù)的區(qū)間范圍，便于選擇最佳的模型參數(shù)； (5.4)調整誤差懲罰參數(shù)和核參數(shù)從各自參數(shù)的范圍設置的下限開始，每次每個參數(shù)循環(huán)一個步長，作為調整后的參數(shù)，用于建立相應的模型并對該組參數(shù)進行誤差評價； (5.5)建立以選擇全部特征Xall為模型輸入變量的模型建立本模型的主要目的是初步選擇模型參數(shù)誤差懲罰參數(shù)和核參數(shù)； 基于最小二乘-支持向量機的模型的建立過程描述如下 對于給定訓練集為[x(k)，y(k)]，k∈[1，M]，其中x(k)∈Rd，y(k)∈R，d為輔助變量的個數(shù)，支持向量機的基本建模思想是首先通過非線性映射Φ(X)將輸入向量從原空間Rd映射到一個高維特征空間F，在這個高維特征空間中采用結構風險最小化原則構造最優(yōu)決策函數(shù)，并利用原空間的核函數(shù)取代高維特征空間的點積運算以避免復雜運算，從而將非線性函數(shù)估計問題轉化為高維特征空間的線性函數(shù)問題，其構造的最優(yōu)決策函數(shù)具有如下形式 f(x)＝WTΦ(x)+b (21) 式中，W——權向量； b——偏置量； Φ(x)——低維到高維空間的非線性映射； 求解的目的就是利用結構風險最小化原則，尋找參數(shù)WT和b，使得對于樣本外的輸入x，有|yk-(WTΦ(xk)-b|≤ε，尋找WT和b等價于求解下面的優(yōu)化問題； 其中，W控制模型的復雜度；J是需要優(yōu)化的性能指標；c＞0是誤差懲罰函數(shù)，表示函數(shù)的平滑度和允許誤差大于ε的數(shù)值之間的折衷；Remp為經(jīng)驗風險，即ε不敏感損失函數(shù)，其定義為 式中，M——樣本數(shù)量； 通過定義不同的損失函數(shù)，就可以構造不同的支持向量機，最小二乘支持向量機就是選擇了誤差的二次項ξk2代替標準支持向量機優(yōu)化目標中損失函數(shù)為ξk即允許錯分的松弛變量，從而，最小二乘支持向量機的優(yōu)化問題為 s.tyk＝WTΦ(xk)+b+ξk 式中Jp是新的需要優(yōu)化的性能指標，用拉格朗日方法求解上述優(yōu)化問題，定義拉格朗日函數(shù)如下 根據(jù)優(yōu)化條件 可得αk＝cξk，WTΦ(xk)+b+ξk-yk＝0， (25) 定義核函數(shù)k(x，xk)＝(Φ(x)·Φ(xk))代替非線性映射，根據(jù)上式可得求解的優(yōu)化問題轉化為求解線性方程 通過上式確定系數(shù)b和α＝[α1，...，αM]，最后可得軟測量模型為 其中核函數(shù)是滿足默瑟即Mercer條件的任意對稱函數(shù)，本方法采用徑向基核函數(shù)代替非線性映射，建立軟測量模型，該核函數(shù)形式為 式中δ——核參數(shù)； (5.6)讀取誤差評價訓練樣本數(shù)據(jù)讀入準備用于誤差評價的一組樣本數(shù)據(jù)； (5.7)記錄誤差評價結果和參數(shù)取誤差訓練樣本數(shù)據(jù)集，定義誤差函數(shù)為 式中，L——誤差評價訓練樣本的樣本數(shù)量即行數(shù)； 最終的誤差評價函數(shù)為 E(c，δ)＝min(e)； 式中，c——為誤差懲罰參數(shù)； 在給定的參數(shù)區(qū)間內(nèi)利用軟測量模型得到誤差評價指標，并記錄對應的參數(shù)； (5.8)參數(shù)調整是否已經(jīng)達到范圍上限若c+l≥cup(c為誤差懲罰參數(shù)，l為調整步長，cup為懲罰參數(shù)范圍的上限)和δ+l≥δup(δ為核參數(shù)，l為調整步長，δup為核參數(shù)范圍的上限)同時滿足，則說明所有參數(shù)組合的誤差評價工作完成，否則，重復步驟(5.4)～步驟(5.8)的工作； (5.9)記錄誤差評價最好的模型參數(shù)將步驟(5.7)中記錄的誤差評價指標，尋找其中的極小值，選擇對應的參數(shù)為模型參數(shù)，該模型參數(shù)將用做以下步驟中的LSSVM模型參數(shù)； (5.10)重新讀入標準化后的訓練樣本重新讀入步驟(5.2)特征變量標準化的訓練樣本； (5.11)選擇的特征個數(shù)是否達到設定值對輸入矩陣Xall的維數(shù)進行判斷，如何維數(shù)小于設定值，則認為特征選擇的計算量較小，采用網(wǎng)格算法進行特征選擇，轉到步驟(5.24)；否則采用遺傳算法，轉到步驟(5.12)，加快搜索速度； (5.12)特征變量編碼采用基于遺傳算法的特征選擇，直接采用二進制編碼對特征變量進行編碼，染色體的長度設為特征變量的個數(shù)； (5.13)種群初始化隨機初始化種群； (5.14)特征變量編碼進行譯碼將特征變量的二進制編碼譯碼為實際的特征變量，得到此時的特征參數(shù)集FPsel_FA_ini； (5.15)建立LSSVM模型按步驟(5.5)的方法建立LSSVM模型，采用步驟(5.9)存儲的模型參數(shù)和特征參數(shù)集； (5.16)讀取誤差評價訓練樣本數(shù)據(jù)； (5.17)計算個體適應度值采用LSSVM校正模型中的均方根誤差作為種群個體的適應度函數(shù)； (5.18)記錄特征參數(shù)集記錄適應度最好的特征參數(shù)集為FPsel_GA_opt； (5.19)達到設定繁殖代數(shù)？判斷GA是否達到設定的繁殖代數(shù)，若達到，轉步驟(5.30)；否則，轉步驟(5.20)； (5.20)種群復制根據(jù)個體適應度值的大小對個體進行排序，選擇最佳個體，隨機排序后替換適應度較弱的個體； (5.21)種群交叉隨機選擇交配的父體和交叉點進行單點交叉； (5.22)種群變異采用基本變異算子進行變異操作； (5.23)種群更新采用更新后的種群替換步驟(5.13)產(chǎn)生的初始化種群，并轉步驟(5.14)； (5.24)讀取一組特征參數(shù)讀取網(wǎng)格內(nèi)的一組特征參數(shù)FPsel_grid_ini； (5.25)LSSVM校正模型按步驟(5.5)的方法建立LSSVM模型，采用步驟(5.9)存儲的模型參數(shù)和步驟(5.24)選擇的特征參數(shù)； (5.26)讀取誤差評價訓練樣本； (5.27)記錄均方根誤差最小的特征參數(shù)集FPsel_grid_opt； (5.29)全部網(wǎng)格搜索完畢？判斷網(wǎng)格算法是否結束，是則轉步驟(5.30)；否則，轉步驟(5.20)，存儲優(yōu)化后的特征參數(shù)集步驟(5.24)； (5.30)存儲優(yōu)化后的特征參數(shù)集選擇由遺傳算法選擇的FPsel_GA_opt或網(wǎng)格算法選擇的FPsel_GA_opt的特征參數(shù)集，并改寫為FPsel； (5.31)結束完成LSSVM模型的最優(yōu)特征選擇； 對料球比、礦漿濃度及充填率模型分別執(zhí)行上述過程，得到各自的優(yōu)選特征參數(shù)集FPsel_mbr，F(xiàn)Psel_den，F(xiàn)Psel_bmwr可統(tǒng)一表示為FPseli，詳見下式 式中，i＝1，2，3分別對應料球比、礦漿濃度及充填率的特征選擇參數(shù)。
步驟六確定球磨機的負荷參數(shù)料球比、礦漿濃度、充填率 球磨機負荷參數(shù)預測模型的建立流程見附圖4，其詳細步驟如下。
(6.1)開始采用三個球磨機負荷參數(shù)的特征參數(shù)集FPsel_i得到料球比、礦漿濃度及充填率模型的輸入變量，統(tǒng)一表示為Xi，詳見下式 (6.2)選擇誤差懲罰參數(shù)和核參數(shù)的調整范圍方法同步驟(5.3)； (6.3)調整誤差懲罰參數(shù)和核參數(shù)方法同步驟(5.4)； (6.4)建立球磨機負荷參數(shù)的模型方法同步驟(5.5)，建立的料球比、礦漿濃度及充填率模型如下 式中，i＝1，2，3分別對應料球比、礦漿濃度及充填率； (6.5)讀取誤差評價訓練樣本數(shù)據(jù)方法同步驟(5.6)； (6.6)記錄誤差評價結果和參數(shù)方法同步驟(5.7)； (6.7)參數(shù)調整是否已經(jīng)達到范圍上限方法同步驟(5.8)； (6.8)記錄誤差評價最好的模型參數(shù)方法同步驟(5.9)； (6.9)確定模型根據(jù)步驟(6.8)中選擇的模型參數(shù)，確定模型訓練結果，確定軟測量模型； (6.10)讀入驗證樣本數(shù)據(jù)讀入準備用于模型驗證的一組樣本數(shù)據(jù)； (6.11)模型驗證采用步驟(6.9)確定的模型按照步驟(5.7)中的均方根誤差； (6.12)模型是否滿足精度？精度滿足要求，則轉步驟(6.14)結束模型的建立，采用建立的模型對料球比、礦漿濃度、充填率進行軟測量；否則，轉步驟(6.13)； (6.13)重新收集構造樣本數(shù)據(jù)驗證精度不能滿足軟測量的需要，需要增加試驗次數(shù)，重新構造訓練樣本，轉到步驟二； (6.14)結束。
本發(fā)明的優(yōu)點利用計算機系統(tǒng)和檢測儀表提供的球磨機筒體振動、振聲及電流信號，實現(xiàn)了球磨機負荷參數(shù)(料球比、礦漿濃度、充填率)軟測量。本發(fā)明通過測量靈敏度高、抗干擾性強的球磨機筒體振動信號，增加了模型的靈敏度和預測精度。同時，本發(fā)明提出的對筒體振動及振聲信號的低、中、高三個頻段分別進行非線性特征提取的方法，結合了球磨機的研球磨機理及振動與振聲信號的產(chǎn)生機理，充分提取了信號中的球磨機負荷參數(shù)信息，克服了振動及振聲信號的時域特征難以提取、頻域變量超高維及常用特征頻段求和方法的不足。而且，本發(fā)明提出的特征選擇方法，同時解決了非線性特征數(shù)量(主元個數(shù))難以合理確定和最小二乘-支持向量機模型的輸入變量維數(shù)過多造成的訓練速度慢和過擬合的問題，提高了模型的魯棒性和預測性能。該方法有助于實現(xiàn)粉磨過程的優(yōu)化控制和穩(wěn)定運行，降低球磨機的電耗和鋼耗，提高球磨機的臺時處理量，提高了企業(yè)的經(jīng)濟效益。



圖1本發(fā)明一種球磨機負荷參數(shù)軟測量方法的結構圖； 圖2本發(fā)明一種球磨機負荷參數(shù)軟測量方法的總的程序流程圖； 圖3本發(fā)明一種球磨機負荷參數(shù)軟測量方法的非線性特征選擇流程圖； 圖4本發(fā)明一種球磨機負荷參數(shù)軟測量方法的建模過程流程圖； 圖5(a)本發(fā)明一種球磨機負荷參數(shù)軟測量方法的振動信號頻域圖； 圖5(b)本發(fā)明一種球磨機負荷參數(shù)軟測量方法的振聲信號頻域圖。

具體實施例方式 以實驗室內(nèi)小型球磨機系統(tǒng)為例。該球磨機的筒體尺寸為Φ460mm×460mm，內(nèi)壁裝有錳鋼襯板，球磨機中部開口，可以隨時停機、改變球磨機內(nèi)礦物量和鋼球量。該球磨機所裝鋼球的最大重量為80kg，礦物處理量為10kg/h。球磨機轉速為53轉/分鐘。實驗過程中使用Φ30mm、Φ20mm和Φ15mm三種錳鋼鋼球。實驗中處理的礦石為經(jīng)過破碎的銅礦石，顆粒尺寸小于6mm。
如圖1和2所示，一種球磨機負荷參數(shù)軟測量方法基于KPCA-LSSVM方法，包括如下步驟 步驟一數(shù)據(jù)采集 按實驗設計方案在球磨機內(nèi)添加一定質量的鋼球、礦石和水，待均勻混合后，啟動球磨機，記錄研磨過程的振動、振聲及電流信號，達到設定的采集時間后，停止球磨機并清洗，準備下一樣本的采集。
步驟二時域濾波 筒體振動信號采用頻率范圍為100～12000Hz的帶通濾波器；振聲信號則采用4000Hz的低通濾波器；電流信號則采用均值法濾波。除采集濕磨條件下的數(shù)據(jù)外，還采集了球磨機空轉，空砸，水磨和干磨狀態(tài)下的數(shù)據(jù)。
步驟三振動及振聲信號的時頻轉換 采用改進的平均周期圖法(Welch)求得球磨機旋轉每周的振動及振聲信號的功率譜密度(PSD)，取全部周期的均值為最后結果。某一樣本振動及振聲信號如圖5(a)和圖5(b)所示。
步驟四對振動及振聲信號的頻譜數(shù)據(jù)和時域電流數(shù)據(jù)進行非線性特征提取 4.1對振動及振聲信號的頻譜數(shù)據(jù)數(shù)據(jù)進行非線性特征提取 分析球磨機空轉、干磨、水磨及濕磨時的頻域信號特征，可得球磨機筒體振動信號的低頻率段為100～1800Hz、中頻段為1800～4000Hz，高頻段為4000～11000Hz。對訓練樣本的三個頻段在100～1800，1800～4000，4000～7500三個頻段采用以RBF核的KPCA做非線性特征提取，其結果如表2所示。其第一個主元在低、中、高頻段的方差貢獻率分別為87.42％，96.89％及98.92％。
表2筒體振動信號不同頻段進行KPCA分析的結果
球磨機振聲信號可以分為1～800，800～2500，2500～4000三個頻段。對訓練樣本的三個頻段以RBF核的KPCA做非線性特征提取，其結果如表3所示。其第一個主元在低、中、高頻段的方差貢獻率分別為46.72％，42.31％及65.5％，可見振聲信號的靈敏度低于筒體振動信號。
表3 振聲信號不同頻段進行KPCA分析的結果

4.2對電流數(shù)據(jù)進行非線性特征提?。? 對電流信號進行非線性特征提取后，其第一主元的方差貢獻率達到97.5％。用提取后的信號建立與充填率的模型，發(fā)先精度比提取前增加了一倍，表明了之間非線性的存在。
步驟五對振動、振聲、電流非線性特征的組合數(shù)據(jù)進行特征選擇； 結合模型輸入變量選擇模型，球磨機負荷參數(shù)料球比、礦漿濃度、充填率模型的特征參數(shù)分別為mbr_FPsel_opt＝{(4，2，1)(3，1，1)(1)}，density_FPsel_opt＝{(4，2，1)(1，1，6)(1)}，bmwr_FPsel_opt＝{(4，2，1)(2，1，6)(1)}。
步驟六確定球磨機負荷參料球比、礦漿濃度、充填率 按上步選定的模型輸入的特征參數(shù)，分別建立料球比、礦漿濃度、充填率針最小二乘-支持向量機軟測量模型，誤差懲罰參數(shù)和核參數(shù)選為(28510.7，15)、(19700，447)、(30000，83)。在該參數(shù)下，三個模型的參數(shù)α和b的值分別為 料球比模型 α＝[-0.811 0.631 -1.71 -1.29 -11.8 6.49 -3.04 3.14 -2.68 0.0436 1.82 3.875.39]；b＝0.966； 礦漿濃度模型 α＝
；b＝0.686。
充填率模型 α＝
；b＝0.289。
采用均方根誤差作為模型精度的統(tǒng)計結果，其計算按下式進行 統(tǒng)計結果見表4。該表同時給出了建模的特征參數(shù)集及基于PCA-LSSVM及選擇全部主元的建模結果。
表4 不同建模方法的球磨機負荷參數(shù)軟測量建模結果
本實例是基于實驗室球磨機系統(tǒng)的球磨機負荷參數(shù)軟測量，其料球比、礦漿濃度及充填率的變化范圍大于工業(yè)現(xiàn)場球磨機，但是其測量精度仍然較高。因此，本發(fā)明即基于多源數(shù)據(jù)特征融合的球磨機負荷參數(shù)軟測量方法能夠有效的提取振動、振聲及電流信號中的非線性特征并對特征參數(shù)進行有效的選擇。本發(fā)明可以根據(jù)球磨機運行過程中產(chǎn)生的筒體振動信號、振聲信號及電流信號實時估計球磨機負荷參數(shù)(料球比、礦漿濃度及充填率)，精度較一般的主元分析方法平均提高一倍，其均方根誤差分別為0.0889，0.1006和0.09553。因此，本發(fā)明是一個具有很好實用價值和推廣前景的球磨機負荷參數(shù)(料球比、礦漿濃度及充填率)測量手段。
權利要求
1.一種球磨機負荷參數(shù)軟測量方法，其特征在于包括步驟如下
步驟一采集球磨機筒體振動、振聲及電流數(shù)據(jù)
通過硬件支撐平臺采集如下信號球磨機筒體的振動加速度信號Xv；球磨機研磨區(qū)域下方的振聲信號XA；球磨機驅動電動機的電流信號XI；
步驟二對采集的球磨機振動、振聲及電流數(shù)據(jù)進行濾波
采用有限沖激響應濾波器分別對振動及振聲信號進行帶通濾波和低通濾波，濾波器公式見下式
式中，h(n)——濾波器的系數(shù)；
N——濾波器的長度；
y(m)——濾波器在第m點的輸出；
x(m-n)——濾波器的第(m-n)個輸入；
n——采樣時刻n＝0，1，...N-1；
m——當前采樣時刻；
采用均值濾波法對電流信號進行濾波，公式見下式
式中，y(m)——濾波器的輸出，即N次采樣的算術平均值；
xn——第n次的采樣值；
N——采樣點數(shù)；
步驟三對濾波后的振動及振聲數(shù)據(jù)進行時頻轉換
采用改進的平均周期圖法求球磨機旋轉整周期的球磨機筒體振動及振聲信號的功率譜密度；按如下公式
式中，
——總功率譜；
Pr(k)——第r段的功率譜；
R——分段的段數(shù)；
N——X數(shù)字序列的數(shù)據(jù)點數(shù)；
k——為求得的頻率點數(shù)；
步驟四對振動及振聲信號的頻譜數(shù)據(jù)和時域電流數(shù)據(jù)進行非線性特征提取
4.1對振動及振聲信號的頻譜數(shù)據(jù)數(shù)據(jù)進行非線性特征提取
將濕式球磨機頻域信號劃分為低頻段，中頻段及高頻段，其分別對應著球磨機的固有頻率段、主要沖擊頻率段、次要沖擊頻率段，將球磨機筒體振動信號在低、中、高頻的數(shù)據(jù)分別記做XV_LF_org、XV_MF_org、XV_HF_org；振聲信號在低、中、高頻的非線性特征分別記做XA_LF_org、XA_MF_org、XA_HF_org，這些頻譜數(shù)據(jù)存在高維和共線性的問題，采用核主元分析分別對XV_LF_org、XV_MF_org、XV_HF_org、XA_LF_org、XA_MF_org、XA_HF_org進行降維和非線性特征提??；
對振動及振聲信號共六個頻段提取非線性特征均按如下公式進行提取
將球磨機筒體振動信號在低、中、高頻的頻譜變量XV_LF_org、XV_MF_org、XV_HF_org提取的非線性特征分別記做XV_LF、XV_MF、XV_HF；球磨機振聲信號在低、中、高頻的頻譜變量XA_LF_org、XA_MF_org、XA_HF_org提取的非線性特征分別記做XA_LF、XA_MF、XA_HF，其值分別用下式表示
式中，
——表示各個頻段提取的最大主元個數(shù)，其值的采用如下公式
CPVhM——表示振動或振聲信號的前
個主元的方差累積之和；
M＝[V，A]——表示振動(V)和振聲信號(A)；
N＝[L，M，H]——本別表示頻域信號的低(L)、中(M)、高(H)頻段；
4.2對電流數(shù)據(jù)進行非線性特征提取
采用與步驟4.1中相同的方法即核主元分析提取時域球磨機電流信號中的非線性特征，提取后的非線性特征記做XI，其值可用下式表示
式中，t——主元，即提取的非線性特征；hImax——表示針對時域電流信號進行非線性特征提取后的最大主元個數(shù)，其值采用如下公式確定
式中，
——表示電流信號前hImax個主元的方差累積之和；
步驟五對振動、振聲、電流非線性特征提取后的融合數(shù)據(jù)進行特征選擇
本發(fā)明將非線性特征輸入變量中每類的的最佳變量個數(shù)(KPCA的主元個數(shù))的集合稱為特征參數(shù)集，并統(tǒng)一表示為采用LSSVM模型選擇誤差懲罰參數(shù)和核參數(shù)的調整范圍，獲取存儲優(yōu)化后的特征參數(shù)集，最后確定料球比優(yōu)選特征參數(shù)集、礦漿濃度優(yōu)選特征參數(shù)集及充填率優(yōu)選特征參數(shù)集，
特征參數(shù)集的確定采用如下特征參數(shù)優(yōu)化模型
式中，RMSEval——最小二乘-支持向量機模型的最小評價誤差；
——振動及振聲信號在頻域內(nèi)的低中高
三個頻段進行KPCA降維和特征提取后能夠選擇的最大主元個數(shù)；
CPVhMN——表示振動或振聲信號的前
個主元的方差累積之和；
M＝[V，A]——表示振動(V)和振聲信號(A)；
N＝[L，M，H]——本別表示頻域信號的低(L)、中(M)、高(H)頻段；
——是時域電流信號進行KPCA非線性特征提
取后的最大主元個數(shù)，一般取1；
n——輸入變量的行數(shù)即樣本數(shù)；
y——磨機負荷參數(shù)的真值；
——磨機負荷參數(shù)的估計值即模型的計算值；
步驟六確定球磨機的負荷參數(shù)料球比、礦漿濃度、充填率
通過料球比、礦漿濃度及充填率模型的輸入變量Xi，采用LSSVM模型，確定的料球比、礦漿濃度及充填率
得到球磨機的負荷參數(shù)料球比、礦漿濃度和充填率。
2.按權利要求1所述的球磨機負荷參數(shù)軟測量方法，其特征在于所述的步驟四對振動及振聲信號的頻譜數(shù)據(jù)進行非線性特征提取采用如下的方法
分析球磨機不同工況下球磨機頻域信號的特征，將球磨機筒體振動信號在低、中、高頻的數(shù)據(jù)分別記做XV_LF_org、XV_MF_org、XV_HF_org；振聲信號在低、中、高頻的非線性特征分別記做XA_LF_org、XA_MF_org、XA_HF_org，這些頻譜數(shù)據(jù)存在高維和共線性的問題，采用核主元分析(KPCA)分別對XV_LF_org、XV_MF_org、XV_HF_org、XA_LF_org、XA_MF_org、XA_HF_org進行降維和非線性特征提??；
對振動及振聲信號共六個頻段提取非線性特征均按如下公式進行提取
將球磨機筒體振動信號在低、中、高頻的頻譜變量XV_LF_org、XV_MF_org、XV_HF_org提取的非線性特征分別記做XV_LF、XV_MF、XV_HF；球磨機振聲信號在低、中、高頻的頻譜變量XA_LF_org、XA_MF_org、XA_HF_org提取的非線性特征分別記做XA_LF、XA_MF、XA_HF，其值分別用下式表示
式中，
——表示各個頻段提取的最大主元個數(shù)，其值的采用如下公式
CPVhM——表示振動或振聲信號的前
個主元的方差累積之和；
M＝[V，A]——表示振動(V)和振聲信號(A)；
N＝[L，M，H]——本別表示頻域信號的低(L)、中(M)、高(H)頻段。
3.按權利要求1所述的球磨機負荷參數(shù)軟測量方法，其特征在于所述的步驟五采用如下方法進行非線性特征選擇
(5.1)開始進行初始化操作，按下式組合特征變量并記為Xall，作為最小二乘-支持向量機模型的輸入變量Xall＝[XV_LF，XV_MF，XV_HF，XA_LF，XA_MF，XA_HF，XI]，此時的特征參數(shù)集
(5.2)對全部樣本數(shù)據(jù)進行標準化處理將樣本數(shù)據(jù)標準化為0均值1方差的數(shù)據(jù)；
(5.3)選擇誤差懲罰參數(shù)和核參數(shù)的調整范圍依據(jù)經(jīng)驗確定對模型訓練使用的誤差懲罰函數(shù)和核函數(shù)的區(qū)間范圍，便于選擇最佳的模型參數(shù)；
(5.4)調整誤差懲罰參數(shù)和核參數(shù)從各自參數(shù)的范圍設置的下限開始，每次每個參數(shù)循環(huán)一個步長，作為調整后的參數(shù)，用于建立相應的模型并對該組參數(shù)進行誤差評價；
(5.5)建立以選擇全部特征Xall為模型輸入變量的模型建立本模型的主要目的是初步選擇模型參數(shù)誤差懲罰參數(shù)和核參數(shù)；
基于最小二乘-支持向量機的模型的建立過程描述如下
對于給定訓練集為[x(k)，y(k)]，k∈[1，M]，其中x(k)∈Rd，y(k)∈R，d為輔助變量的個數(shù)，支持向量機的基本建模思想是首先通過非線性映射Φ(X)將輸入向量從原空間Rd映射到一個高維特征空間F，在這個高維特征空間中采用結構風險最小化原則構造最優(yōu)決策函數(shù)，并利用原空間的核函數(shù)取代高維特征空間的點積運算以避免復雜運算，從而將非線性函數(shù)估計問題轉化為高維特征空間的線性函數(shù)問題，其構造的最優(yōu)決策函數(shù)具有如下形式
f(x)＝WTΦ(x)+b
式中，W——權向量；
b——偏置量；
Φ(x)——低維到高維空間的非線性映射；
求解的目的就是利用結構風險最小化原則，尋找參數(shù)WT和b，使得對于樣本外的輸入x，有|yk-(WTΦ(xk)-b|≤ε，尋找WT和b等價于求解下面的優(yōu)化問題；
其中，W控制模型的復雜度；J是需要優(yōu)化的性能指標；c＞0是誤差懲罰函數(shù)，表示函數(shù)的平滑度和允許誤差大于ε的數(shù)值之間的折衷；Remp為經(jīng)驗風險，即ε不敏感損失函數(shù)，其定義為
式中，M——樣本數(shù)量；
通過定義不同的損失函數(shù)，就可以構造不同的支持向量機，最小二乘支持向量機就是選擇了誤差的二次項ξk2代替標準支持向量機優(yōu)化目標中損失函數(shù)為ζk即允許錯分的松弛變量，從而，最小二乘支持向量機的優(yōu)化問題為
s.tyk＝WTΦ(xk)+b+ξk
式中Jp是新的需要優(yōu)化的性能指標，用拉格朗日方法求解上述優(yōu)化問題，定義拉格朗日函數(shù)如下
根據(jù)優(yōu)化條件
可得αk＝cξk，WTΦ(xk)+b+ξk-yk＝0，
定義核函數(shù)k(x，xk)＝(Φ(x)·Φ(xk))代替非線性映射，根據(jù)上式可得求解的優(yōu)化問題轉化為求解線性方程
通過上式確定系數(shù)b和α＝[α1，...，αM]，最后可得軟測量模型為
其中核函數(shù)是滿足默瑟即Mercer條件的任意對稱函數(shù)，本方法采用徑向基核函數(shù)代替非線性映射，建立軟測量模型，該核函數(shù)形式為
式中δ——核參數(shù)；
(5.6)讀取誤差評價訓練樣本數(shù)據(jù)讀入準備用于誤差評價的一組樣本數(shù)據(jù)；
(5.7)記錄誤差評價結果和參數(shù)取誤差訓練樣本數(shù)據(jù)集，定義誤差函數(shù)為
式中，L——誤差評價訓練樣本的樣本數(shù)量即行數(shù)；
最終的誤差評價函數(shù)為
E(c，δ)＝min(e)；
式中，c——為誤差懲罰參數(shù)；
在給定的參數(shù)區(qū)間內(nèi)利用軟測量模型得到誤差評價指標，并記錄對應的參數(shù)；
(5.8)參數(shù)調整是否已經(jīng)達到范圍上限若c+l≥cup(c為誤差懲罰參數(shù)，l為調整步長，cup為懲罰參數(shù)范圍的上限)和δ+l≥δup(δ為核參數(shù)，l為調整步長，δup為核參數(shù)范圍的上限)同時滿足，則說明所有參數(shù)組合的誤差評價工作完成，否則，重復步驟(5.4)～步驟(5.8)的工作；
(5.9)記錄誤差評價最好的模型參數(shù)將步驟(5.7)中記錄的誤差評價指標，尋找其中的極小值，選擇對應的參數(shù)為模型參數(shù)，該模型參數(shù)將用做以下步驟中的LSSVM模型參數(shù)；
(5.10)重新讀入標準化后的訓練樣本重新讀入步驟(5.2)特征變量標準化的訓練樣本；
(5.11)選擇的特征個數(shù)是否達到設定值對輸入矩陣Xall的維數(shù)進行判斷，如何維數(shù)小于設定值，則認為特征選擇的計算量較小，采用網(wǎng)格算法進行特征選擇，轉到步驟(5.24)；否則采用遺傳算法，轉到步驟(5.12)，加快搜索速度；
(5.12)特征變量編碼采用基于遺傳算法的特征選擇，直接采用二進制編碼對特征變量進行編碼，染色體的長度設為特征變量的個數(shù)；
(5.13)種群初始化隨機初始化種群；
(5.14)特征變量編碼進行譯碼將特征變量的二進制編碼譯碼為實際的特征變量，得到此時的特征參數(shù)集FPsel_GA_ini；
(5.15)建立LSSVM模型按步驟(5.5)的方法建立LSSVM模型，采用步驟(5.9)存儲的模型參數(shù)和特征參數(shù)集；
(5.16)讀取誤差評價訓練樣本數(shù)據(jù)；
(5.17)計算個體適應度值采用LSSVM校正模型中的均方根誤差作為種群個體的適應度函數(shù)；
(5.18)記錄特征參數(shù)集記錄適應度最好的特征參數(shù)集為FPsel_GA_opt；
(5.19)達到設定繁殖代數(shù)？判斷GA是否達到設定的繁殖代數(shù)，若達到，轉步驟(5.30)；否則，轉步驟(5.20)；
(5.20)種群復制根據(jù)個體適應度值的大小對個體進行排序，選擇最佳個體，隨機排序后替換適應度較弱的個體；
(5.21)種群交叉隨機選擇交配的父體和交叉點進行單點交叉；
(5.22)種群變異采用基本變異算子進行變異操作；
(5.23)種群更新采用更新后的種群替換步驟(5.13)產(chǎn)生的初始化種群，并轉步驟(5.14)；
(5.24)讀取一組特征參數(shù)讀取網(wǎng)格內(nèi)的一組特征參數(shù)FPsel_grid_ini；
(5.25)LSSVM校正模型按步驟(5.5)的方法建立LSSVM模型，采用步驟(5.9)存儲的模型參數(shù)和步驟(5.24)選擇的特征參數(shù)；
(5.26)讀取誤差評價訓練樣本；
(5.27)記錄均方根誤差最小的特征參數(shù)集FPsel_grid_opt；
(5.29)全部網(wǎng)格搜索完畢？判斷網(wǎng)格算法是否結束，是則轉步驟(5.30)；否則，轉步驟(5.20)，存儲優(yōu)化后的特征參數(shù)集步驟(5.24)；
(5.30)存儲優(yōu)化后的特征參數(shù)集選擇由遺傳算法選擇的FPsel_GA_opt或網(wǎng)格算法選擇的FPsel_GA_opt的特征參數(shù)集，并改寫為FPsel；
(5.31)結束完成LSSVM模型的最優(yōu)特征選擇；
對料球比、礦漿濃度及充填率模型分別執(zhí)行上述過程，得到各自的優(yōu)選特征參數(shù)集FPsel_mbr，F(xiàn)Psel_den，F(xiàn)Psel_bmwr可統(tǒng)一表示為FPseli，詳見下式
式中，i＝1，2，3分別對應料球比、礦漿濃度及充填率的特征選擇參數(shù)。
4.按權利要求1和3所述的球磨機負荷參數(shù)軟測量方法，其特征在于所述的步驟六采用如下方法
(6.1)開始采用三個球磨機負荷參數(shù)的特征參數(shù)集FPsel_i得到料球比、礦漿濃度及充填率模型的輸入變量，統(tǒng)一表示為Xi，詳見下式
(6.2)選擇誤差懲罰參數(shù)和核參數(shù)的調整范圍方法同步驟(5.3)；
(6.3)調整誤差懲罰參數(shù)和核參數(shù)方法同步驟(5.4)；
(6.4)建立球磨機負荷參數(shù)的模型方法同步驟(5.5)，建立的料球比、礦漿濃度及充填率模型如下
式中，i＝1，2，3分別對應料球比、礦漿濃度及充填率；
(6.5)讀取誤差評價訓練樣本數(shù)據(jù)方法同步驟(5.6)；
(6.6)記錄誤差評價結果和參數(shù)方法同步驟(5.7)；
(6.7)參數(shù)調整是否已經(jīng)達到范圍上限方法同步驟(5.8)；
(6.8)記錄誤差評價最好的模型參數(shù)方法同步驟(5.9)；
(6.9)確定模型根據(jù)步驟(6.8)中選擇的模型參數(shù)，確定模型訓練結果，確定軟測量模型；
(6.10)讀入驗證樣本數(shù)據(jù)讀入準備用于模型驗證的一組樣本數(shù)據(jù)；
(6.11)模型驗證采用步驟(6.9)確定的模型按照步驟(5.7)中的均方根誤差；
(6.12)模型是否滿足精度？精度滿足要求，則轉步驟(6.14)結束模型的建立，采用建立的模型對料球比、礦漿濃度、充填率進行軟測量；否則，轉步驟(6.13)；
(6.13)重新收集構造樣本數(shù)據(jù)驗證精度不能滿足軟測量的需要，需要增加試驗次數(shù)，重新構造訓練樣本，轉到步驟二；
(6.14)結束。
全文摘要
一種球磨機負荷參數(shù)軟測量方法，該方法通過硬件支撐平臺獲得的磨機筒體振動信號、振聲信號及電流信號對表征磨機負荷的磨機內(nèi)部參數(shù)(料球比、礦漿濃度、充填率)進行軟測量。該方法包括如下步驟采集磨機筒體振動、振聲和電流數(shù)據(jù)及時域濾波，對振動及振聲數(shù)據(jù)進行時頻轉換，對振動及振聲數(shù)據(jù)進行頻域內(nèi)的分頻段的基于核主元分析的非線性特征提取，對時域電流數(shù)據(jù)進行非線性特征提取，對融合后非線性特征數(shù)據(jù)進行特征選擇，建立基于最小二乘-支持向量機的軟測量模型。本發(fā)明的軟測量方法靈敏度高，測量結果準確，具有很好實用價值和推廣前景，有助于實現(xiàn)磨礦生產(chǎn)過程的穩(wěn)定控制、優(yōu)化控制和節(jié)能降耗。
文檔編號G01M99/00GK101776531SQ20101010778
公開日2010年7月14日 申請日期2010年2月10日 優(yōu)先權日2010年2月10日
發(fā)明者湯健, 趙立杰, 岳恒, 柴天佑 申請人:東北大學