本發(fā)明涉及一種節(jié)能控制方法，特別是涉及一種針對球磨機節(jié)能優(yōu)化控制的深度學習方法。

背景技術：

球磨機是礦石等粗糙形物料進行粉碎加工的重要大型封閉設備。將物料、研磨鋼球以及水輔料置于球磨機中進行研磨，通過對物料成分的配比投送，在保障研磨生產(chǎn)質量的情況下，使得球磨機能夠穩(wěn)定、節(jié)能運行。現(xiàn)有工程實踐中，一般采用人工經(jīng)驗操作方式來控制球磨機，這種簡單方式的缺陷在于過度依賴人工經(jīng)驗，可能會導致偏空磨或偏飽磨的現(xiàn)象，從而使得球磨機負荷形成劇烈波動現(xiàn)象。人工操作方式不能獲取穩(wěn)定的研磨質量，在物料使用和生產(chǎn)用電方面會形成較大的浪費，對生產(chǎn)安全也會形成一定的負面影響。因此，為提高球磨機研磨效率和質量并達到節(jié)能需求，需尋求一種智能控制方法，而實現(xiàn)這一方法的關鍵因素在于對研磨過程的狀態(tài)監(jiān)測與優(yōu)化控制。

球磨機狀態(tài)監(jiān)測方面，由于在運行過程中難以直接獲取球磨機內(nèi)部物料負荷情況，目前多采用間接手段獲取球磨機運行狀態(tài)信息，主要涉及：基于設備運行參數(shù)監(jiān)測的有用功率法、基于聲響檢測分析的電耳法、基于設備振動信號診斷的振動法等。其中，有用功率法僅依賴于球磨機自身的電壓、電流參數(shù)，受環(huán)境干擾較小，但其評估球磨機運行狀態(tài)的靈敏度變化不高，難以進行精細分析；電耳法利用麥克風獲取球磨機運行時的聲音信號來判斷球磨機的物料負荷情況，但其存在環(huán)境噪聲干擾、聲場位置確定等難題，加大了準確精細分析的難點；振動法是直接將振動傳感器安裝在球磨機表面獲取相應的振動信號，通過對振動信號的分析球磨機運行狀態(tài)，振動法的檢測靈敏度較高且不受環(huán)境因素影響，但是由于單個振動傳感器的檢測區(qū)域較小，需要設計多傳感器檢測方式來實現(xiàn)球磨機表面振動狀態(tài)的全面覆蓋。

球磨機控制方面，人工控制方式僅能確保球磨機正常運行，但經(jīng)驗方式不能保證球磨機運行在最優(yōu)負荷狀態(tài)。傳統(tǒng)的PID(比例、積分、微分)控制方式能夠在一定程度上實現(xiàn)球磨機設備的自動化控制，但該方法是正對設備參數(shù)的確定性控制方式，難以描述球磨機的復雜非線性控制模式。目前，模糊控制、解耦控制、神經(jīng)網(wǎng)絡控制、預測控制等策略方法被研究用于解決球磨機控制問題。

總之，球磨機作為一種大型機械設備，其存在狀態(tài)監(jiān)測和控制的復雜性。采用單一監(jiān)測手段無法準確描述球磨機負荷運動狀態(tài)的變化情況，也就難以進行有效的優(yōu)化控制。

技術實現(xiàn)要素：

為了克服上述缺陷，本發(fā)明提供一種基于深度學習的球磨機節(jié)能優(yōu)化控制方法，該方法能夠有效表征球磨機運行狀態(tài)并實現(xiàn)球磨機的節(jié)能優(yōu)化控制。

本發(fā)明為了解決其技術問題所采用的技術方案是：一種基于深度學習的球磨機節(jié)能優(yōu)化控制方法，包括多觀測信息融合與數(shù)據(jù)深度學習、非線性優(yōu)化控制兩大部分，并通過球磨機運行狀態(tài)形成閉環(huán)系統(tǒng)結構，所述多觀測信息融合與數(shù)據(jù)深度學習部分包含信息融合模塊、深度學習處理模塊和主分量分析模塊，功率信號、聲音信號和振動信號通過信息融合模塊進行多觀測信息融合后，再通過深度學習處理模塊實現(xiàn)抽象特征提取，最后通過主分量分析模塊實現(xiàn)特征降維，所述非線性優(yōu)化控制部分包含球磨機運行狀態(tài)評估模塊和神經(jīng)網(wǎng)絡控制模塊，所述球磨機運行狀態(tài)評估模塊借助上述深度學習特征及降維參數(shù)建立關于球磨機運行狀態(tài)的節(jié)能運行狀態(tài)模型，所述神經(jīng)網(wǎng)絡控制模塊采用徑向基函數(shù)(Radical Basis Function，RBF)神經(jīng)網(wǎng)絡實現(xiàn)球磨機節(jié)能控制模型參數(shù)的非線性優(yōu)化。

作為本發(fā)明的進一步改進，所述信息融合模塊是將球磨機運行狀態(tài)信號進行數(shù)據(jù)融合，涉及球磨機功率信號、聲音信號和振動信號，功率信號來自球磨機驅動電機，可表征球磨機的整體負荷能力，聲音信號來自于麥克風電耳傳感器，放置于正對球磨機滾筒中點的一米至五米范圍內(nèi)，振動信號來自于符合工業(yè)環(huán)境需求的MEMS振動傳感器，并采用四通道振動信號檢測方式，該四通道振動傳感器放置在平行于球磨機軸向的滾筒外壁，并均勻分布在同一水平線上。

作為本發(fā)明的進一步改進，所述深度學習處理模塊是采用深度信念網(wǎng)絡方法實現(xiàn)觀測信息的特征抽象，深度信念網(wǎng)絡是由多層的受限玻爾茲曼機堆疊構成，各層中的神經(jīng)元與另一層的神經(jīng)元相連接，但同一層間的神經(jīng)元之間無連接，多觀測融合數(shù)據(jù)通過輸入層進入受限玻爾茲曼機進行學習并輸出至隱含層，再將該隱含層作為更高一層的輸入層，以此類推，結合對比散度快速訓練方法加速數(shù)據(jù)學習訓練效率，深度信念網(wǎng)絡通過在頂層附加一監(jiān)督網(wǎng)絡層，利用反向傳播算法對整個網(wǎng)絡權值進行細微調整。

作為本發(fā)明的進一步改進，所述主分量分析模塊是先將深度學習后的特征參數(shù)數(shù)據(jù)通過相空間序列矩陣構造方法形成矩陣形式，利用奇異值分解技術獲取協(xié)方差矩陣及其特征值和特征向量，進而通過特征值的分布變化情況來進一步實現(xiàn)球磨機運行特征參數(shù)的降維處理。

作為本發(fā)明的進一步改進，所述球磨機運行狀態(tài)評估模塊是在對球磨機運行狀態(tài)觀測數(shù)據(jù)深度學習的基礎上，結合歷史經(jīng)驗參數(shù)狀態(tài)數(shù)據(jù)，構建球磨機運行狀態(tài)的參數(shù)描述模型，并將球磨機運行狀態(tài)劃分為欠磨狀態(tài)、正常狀態(tài)、過磨狀態(tài)，利用總體最小二乘方法實現(xiàn)對球磨機運行狀態(tài)的智能辨識，然后通過統(tǒng)計誤差分析評估欠磨和過磨狀態(tài)的偏離程度信息。

作為本發(fā)明的進一步改進，所述神經(jīng)網(wǎng)絡控制模塊采用RBF神經(jīng)網(wǎng)絡實現(xiàn)球磨機的非線性優(yōu)化控制。

本發(fā)明的有益效果是：本發(fā)明基于獲取的多觀測信息，構建關于球磨機運行狀態(tài)的信息融合數(shù)據(jù)庫，利用基于深度信念網(wǎng)絡的深度學習算法將獲得的觀測數(shù)據(jù)實現(xiàn)由低層數(shù)據(jù)到高層抽象特征的轉化，結合主分量分析方法對深度學習特征數(shù)據(jù)進行再次降維處理，進而以球磨機運行負荷與能耗為優(yōu)化狀態(tài)目標，構建基于神經(jīng)網(wǎng)絡非線性控制模型，實現(xiàn)球磨機的節(jié)能優(yōu)化控制方法。

附圖說明

圖1為本發(fā)明一種基于深度學習的球磨機節(jié)能優(yōu)化控制方法示意圖。

具體實施方式

一種基于深度學習的球磨機節(jié)能優(yōu)化控制方法，包括多觀測信息融合與數(shù)據(jù)深度學習、非線性優(yōu)化控制兩大部分，并通過球磨機運行狀態(tài)形成閉環(huán)系統(tǒng)結構，所述多觀測信息融合與數(shù)據(jù)深度學習部分包含信息融合模塊、深度學習處理模塊和主分量分析模塊，功率信號、聲音信號和振動信號通過信息融合模塊進行多觀測信息融合后，再通過深度學習處理模塊實現(xiàn)抽象特征提取，最后通過主分量分析模塊實現(xiàn)特征降維，所述非線性優(yōu)化控制部分包含球磨機運行狀態(tài)評估模塊和神經(jīng)網(wǎng)絡控制模塊，所述球磨機運行狀態(tài)評估模塊借助上述深度學習特征及降維參數(shù)建立關于球磨機運行狀態(tài)的節(jié)能運行狀態(tài)模型，所述神經(jīng)網(wǎng)絡控制模塊采用徑向基函數(shù)(Radical Basis Function，RBF)神經(jīng)網(wǎng)絡實現(xiàn)球磨機節(jié)能控制模型參數(shù)的非線性優(yōu)化。

所述信息融合模塊是將球磨機運行狀態(tài)信號進行數(shù)據(jù)融合，涉及球磨機功率信號、聲音信號和振動信號，功率信號來自球磨機驅動電機，可表征球磨機的整體負荷能力，聲音信號來自于麥克風電耳傳感器，放置于正對球磨機滾筒中點的一米至五米范圍內(nèi)，振動信號來自于符合工業(yè)環(huán)境需求的MEMS振動傳感器，并采用四通道振動信號檢測方式，該四通道振動傳感器放置在平行于球磨機軸向的滾筒外壁，并均勻分布在同一水平線上。

所述深度學習處理模塊是采用深度信念網(wǎng)絡方法實現(xiàn)觀測信息的特征抽象，深度信念網(wǎng)絡是由多層的受限玻爾茲曼機堆疊構成，各層中的神經(jīng)元與另一層的神經(jīng)元相連接，但同一層間的神經(jīng)元之間無連接，多觀測融合數(shù)據(jù)通過輸入層進入受限玻爾茲曼機進行學習并輸出至隱含層，再將該隱含層作為更高一層的輸入層，以此類推，結合對比散度快速訓練方法加速數(shù)據(jù)學習訓練效率，深度信念網(wǎng)絡通過在頂層附加一監(jiān)督網(wǎng)絡層，利用反向傳播算法對整個網(wǎng)絡權值進行細微調整，達到進一步優(yōu)化網(wǎng)絡參數(shù)的目的，從而使得球磨機運行狀態(tài)數(shù)據(jù)能夠有效抽象為特征描述參數(shù)，無需人工設定具體的特征參數(shù)提取過程，增加了球磨機運行狀態(tài)參數(shù)描述的智能性。

所述主分量分析模塊是先將深度學習后的特征參數(shù)數(shù)據(jù)通過相空間序列矩陣構造方法形成矩陣形式，利用奇異值分解技術獲取協(xié)方差矩陣及其特征值和特征向量，進而通過特征值的分布變化情況來進一步實現(xiàn)球磨機運行特征參數(shù)的降維處理。

所述球磨機運行狀態(tài)評估模塊是在對球磨機運行狀態(tài)觀測數(shù)據(jù)深度學習的基礎上，結合歷史經(jīng)驗參數(shù)狀態(tài)數(shù)據(jù)，構建球磨機運行狀態(tài)的參數(shù)描述模型，并將球磨機運行狀態(tài)劃分為欠磨狀態(tài)、正常狀態(tài)、過磨狀態(tài)，利用總體最小二乘方法實現(xiàn)對球磨機運行狀態(tài)的智能辨識，然后通過統(tǒng)計誤差分析評估欠磨和過磨狀態(tài)的偏離程度信息。

所述神經(jīng)網(wǎng)絡控制模塊采用RBF神經(jīng)網(wǎng)絡實現(xiàn)球磨機的非線性優(yōu)化控制。RBF神經(jīng)網(wǎng)絡具有的良好控制逼近性能和全局最優(yōu)特性，且網(wǎng)絡結構簡單，訓練速度快，該神經(jīng)網(wǎng)絡控制模塊以球磨機運行狀態(tài)的評估信息作為輸入，以研磨效果和能耗為優(yōu)化控制目標，實現(xiàn)球磨機控制器控制參數(shù)的自適應調整，完成對球磨機運行的優(yōu)化節(jié)能控制。

綜上所述，本發(fā)明針對具有非線性、耦合和大滯后的球磨機控制特點，提出一種基于深度學習的球磨機節(jié)能優(yōu)化控制方法。該方法充分利用球磨機運行的多觀測數(shù)據(jù)，利用深度信念網(wǎng)絡和主分量分析算法獲取球磨機的有效抽象特征描述。進而利用總體最小二乘方法實現(xiàn)運行狀態(tài)的智能評估與程度分析，進一步采用RBF神經(jīng)網(wǎng)絡非線性控制方法，與球磨機運作狀態(tài)監(jiān)測形成閉環(huán)系統(tǒng)結構，尋找球磨機最佳負荷點，確保磨內(nèi)負荷的相對平穩(wěn)和研磨系統(tǒng)的高效節(jié)能運行。