本發(fā)明涉及水泥流程工業(yè)領(lǐng)域的礦渣粉磨領(lǐng)域，特別涉及一種基于數(shù)據(jù)挖掘的立磨運行調(diào)控系統(tǒng)和方法。
背景技術(shù)：
：立磨是一種用于將大顆粒的礦渣等物料研磨至細微顆粒的設(shè)備，主要對建材、化工、鋼鐵等行業(yè)產(chǎn)生的廢渣進行粉磨，實現(xiàn)廢渣的再利用，經(jīng)研磨得到的微粉通常作為水泥生產(chǎn)的原料。但是礦渣粉磨系統(tǒng)工藝復(fù)雜，工作環(huán)境惡劣，長期高負荷運行，同時立磨生料粉磨過程具有強耦合、非線性、大滯后等特點，且存在物理、化學(xué)變化，建立準(zhǔn)確的立磨生料粉磨過程機理模型很難。因此，何準(zhǔn)確地建立立磨生料粉磨過程的模型并對立磨生料粉磨過程關(guān)鍵參數(shù)進行優(yōu)化控制，是亟待要解決的問題。目前，有很多學(xué)者對立磨生料粉磨過程建模進行了深入研究。秦偉等人將支持向量機和多元回歸方程應(yīng)用于立磨粉磨過程的模型的建立，通過模糊聚類分析建立了立磨粉磨過程的專家數(shù)據(jù)庫，有效的指導(dǎo)了粉磨過程。顏文俊等人通過應(yīng)用最小二乘法建立了立磨回路模型，并通過此模型對立磨回路進行優(yōu)化控制，顯示了良好的控制精度。劉志鵬等人通過將最小二乘法與支持向量機相結(jié)合的方法，對粉磨系統(tǒng)建立了預(yù)測模型，比較準(zhǔn)確的預(yù)測了立磨運行過程中分離器電流的變化，得到了較高的預(yù)測精度。也有學(xué)者采用人工神經(jīng)網(wǎng)絡(luò)方法在立磨生料粉磨過程建模。李瑞蓮等人應(yīng)用bp神經(jīng)網(wǎng)絡(luò)對生料磨機建立了神經(jīng)網(wǎng)絡(luò)模型，基于神經(jīng)網(wǎng)絡(luò)模型，得出了生料最優(yōu)配料比。高鵬等人應(yīng)用對立磨系統(tǒng)進行了模型辨識，建立了模糊神經(jīng)網(wǎng)絡(luò)模型，分析了各因素對立磨振動的影響，該方法避免了陷入局部極小的可能，網(wǎng)絡(luò)模型具有良好的泛化能力，很好地解決了非線性立磨系統(tǒng)建模問題。在上述立磨生料粉磨過程的各種模型中，多數(shù)研究人員只探究了立磨運行過程中指標(biāo)之間一對一的相互關(guān)系以及它們對于立磨運行的影響，但是立磨是一個多變量相互親合的系統(tǒng)，變量之間相互影響，其中一個指標(biāo)的變化會影響其他指標(biāo)，進而會對立磨的整體運行狀態(tài)產(chǎn)生很大影響。因此，建立一個綜合指標(biāo)的預(yù)測模型具有重要意義。技術(shù)實現(xiàn)要素：隨著微粉行業(yè)的自動化和信息化程度的提高，dcs控制系統(tǒng)在工廠中得到了普遍應(yīng)用，數(shù)據(jù)庫中積累了大量生產(chǎn)數(shù)據(jù)。為了解決以上技術(shù)問題，本發(fā)明提供一種基于數(shù)據(jù)挖掘的立磨運行調(diào)控系統(tǒng)與方法。具體技術(shù)方案如下：一種基于數(shù)據(jù)挖掘的立磨運行調(diào)控系統(tǒng)，包括：數(shù)據(jù)預(yù)處理模塊、立磨健康狀態(tài)評估指標(biāo)挖掘模塊、立磨健康狀態(tài)聚類分析模塊、立磨狀態(tài)評估指標(biāo)特征獲取模塊、立磨實時特征參數(shù)預(yù)測模塊，其中：數(shù)據(jù)預(yù)處理模塊，對立磨采集的數(shù)據(jù)進行異常值處理、空值處理、離散化處理和歸一化處理，為數(shù)據(jù)的挖掘分析做好了準(zhǔn)備；立磨健康狀態(tài)評估指標(biāo)挖掘模塊，利用一種綜合的特征篩選方法對工況數(shù)據(jù)進行挖掘分析，得到影響立磨穩(wěn)定的關(guān)鍵參數(shù)，作為立磨健康狀態(tài)評估的指標(biāo)；立磨健康狀態(tài)聚類分析模塊，基于確定的立磨健康狀態(tài)評估的指標(biāo)，對工況狀態(tài)進行聚類挖掘分析，得到穩(wěn)定模式工況庫；立磨狀態(tài)評估指標(biāo)特征獲取模塊，分析立磨運行狀態(tài)下的采集的實時數(shù)據(jù)的特點，確定進行實時狀態(tài)判斷的特征值及其獲取方法；立磨實時特征參數(shù)預(yù)測模塊，利用arima算法對立磨健康狀態(tài)特征獲取模塊中確定的特征值進行模型訓(xùn)練，預(yù)測參數(shù)的變化趨勢，用預(yù)測值輔助狀態(tài)識別。進一步地，所述的數(shù)據(jù)預(yù)處理模塊中，數(shù)據(jù)異常值處理、空值處理，通過數(shù)據(jù)篩選和數(shù)據(jù)清洗實現(xiàn)。離散化處理和歸一化處理，由特征簡約和數(shù)據(jù)變換實現(xiàn)。進一步地，所述的立磨健康狀態(tài)評估指標(biāo)挖掘模塊中，一種綜合的特征篩選方法由隨機lasso、嶺回歸、隨機森林、穩(wěn)定性選擇和遞歸特征消除這五種方法綜合組成。篩選算法是通過求解輸入變量和輸出變量之間的關(guān)系，分別使用五種方法對每個特征的重要性予以打分，對五種得分情況進行處理，按照處理后的得分結(jié)果對特征的重要度進行評估，確定待選特征集中的關(guān)鍵特征。進一步地，進行立磨運行關(guān)鍵特征篩選的具體步驟如下：1)以振動作為輸出y，以其他特征為輸入x，分別使用五種方法對待選特征集進行篩選，計算每個特征的得分；2)不同的方法特征篩選的機制不一樣，為消除篩選機制的不同造成的分數(shù)差異，對每種算法的得分結(jié)果都利用最大最小值的規(guī)范化方法進行了處理，把得分限制在了[0，1]之間，然后求每個參數(shù)特征的平均得分，把平均值作為特征重要性排序的依據(jù)，進行特征值選擇。3)對參數(shù)的綜合得分進行分析，結(jié)合參數(shù)的可控性和實際含義確定對影響振動的關(guān)鍵參數(shù)。從得分情況看，喂料量、微粉比表、磨機進口壓力、主排風(fēng)機轉(zhuǎn)速、循環(huán)風(fēng)閥開度磨機進口溫度的平均值比較低，排除這些得分偏低的特征參數(shù)。得分最高的幾個參數(shù)，按照從高到低的順序依次為：料層厚度、磨機壓差、磨機出口溫度、循環(huán)風(fēng)閥開度。4)根據(jù)步驟2)和步驟3)中的分析，評估特征參數(shù)的篩選結(jié)果。四個得分較高的參數(shù)中，磨機壓差、料層厚度、立磨出口溫度三個參數(shù)都屬于結(jié)果變量，參數(shù)的取值是在其他可控變量的綜合影響下得到的結(jié)果。而循環(huán)風(fēng)閥開度是調(diào)控變量不適合作為工況狀態(tài)的判斷指標(biāo)。進一步地，所述的立磨健康狀態(tài)聚類分析模塊，基于確定的立磨健康狀態(tài)評估的指標(biāo)，結(jié)合實際生產(chǎn)經(jīng)驗和工況庫中的數(shù)據(jù)分布，確定了四個穩(wěn)定判斷指標(biāo)會導(dǎo)致運行異常的臨界值，在多個臨界值的限定范圍內(nèi)對預(yù)處理后的數(shù)據(jù)進行進一步篩選，求滿足所有限制條件的數(shù)據(jù)，得到的篩選結(jié)果作為聚類的輸入數(shù)據(jù)。聚類分析采用的是k-均值(k-means)來發(fā)現(xiàn)數(shù)據(jù)集中的k個工況簇。這里的k是用戶指定的，算法的目的是找到數(shù)據(jù)集中的k個簇的質(zhì)心，把數(shù)據(jù)集中的點分配給距離該點最近的質(zhì)心，并將該點分配給該質(zhì)心對應(yīng)的類別。進一步地，所述的立磨穩(wěn)定工況模式庫建立模塊，按照對聚類分群中數(shù)據(jù)狀態(tài)的定義，完成對已有的運行工況記錄的類別標(biāo)注，把穩(wěn)定工況類別標(biāo)簽設(shè)置為0，非穩(wěn)定工況標(biāo)簽設(shè)置為1，并從中提取穩(wěn)定工況，建立穩(wěn)定模式工況庫。進一步地，所述的立磨狀態(tài)評估指標(biāo)特征獲取模塊，以振動、料層厚度、磨機壓差、磨機出口溫度這4個狀態(tài)評估指標(biāo)的實時數(shù)據(jù)為基礎(chǔ)，計算每個參數(shù)在取數(shù)窗口時間內(nèi)的均值、方差和異常值出現(xiàn)次數(shù)，把得到的結(jié)果作為穩(wěn)定工況判斷的特征變量。進一步地，所述的立磨實時特征參數(shù)預(yù)測模塊，采用時間序列算法對運行狀態(tài)進行預(yù)測，并用得到的預(yù)測值輔助狀態(tài)判斷。需要預(yù)測的參數(shù)包括振動、料層厚度、磨機出口溫度、磨機壓差、異常值次數(shù)，對這五個參數(shù)分別訓(xùn)練時間序列模型。得到的模型可以檢測一段序列是否是平穩(wěn)序列，給出參數(shù)的數(shù)值預(yù)測，用預(yù)測值輔助狀態(tài)識別。根據(jù)立磨工況的特點，由于環(huán)境等外部因素和其他參數(shù)對振動的聯(lián)合影響，導(dǎo)致工況序列屬于非平穩(wěn)序列，采用arima模型進行時間序列的建模。平穩(wěn)序列：對與一個序列{x(t)}，如果數(shù)值在某一有限范圍內(nèi)波動，序列有常數(shù)的均值和常數(shù)方差，并且延遲k期的序列變量的自協(xié)方差和自相關(guān)系數(shù)是相等的，則該序列是平穩(wěn)序列。差分運算：假定兩個序列的時間間隔為t，差分運算就是把相隔為k個t的序列的對應(yīng)值做減法運算，k＝1時，稱為一階差分運算。arima模型的實質(zhì)是在arma運算之前加上差分運算，然后使用arma進行建模，計算公式如下：xt＝φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q該模型認為在t時刻的變量x的值是前p期的x取值和前q期的干擾ε的多元線性函數(shù)。誤差項是當(dāng)前的隨機干擾εt，是零均值白噪聲序列。arma模型認為過去p期的序列值和過去q期的誤差項共同影響xt的取值。進一步地，所述的立磨運行智能調(diào)控模塊，在穩(wěn)定指標(biāo)中的參數(shù)出現(xiàn)異常時，啟動調(diào)控程序，程序會從穩(wěn)定模式庫中搜索調(diào)控目標(biāo)，返回距離當(dāng)前狀態(tài)最近的點作為待選工況。之后，比較當(dāng)前狀態(tài)與待選工況的差異，統(tǒng)計當(dāng)前狀態(tài)調(diào)至待選目標(biāo)時需要調(diào)控的參數(shù)、需要調(diào)控的幅度以及調(diào)控參數(shù)個數(shù)，從這三個維度考慮，從待選工況中確定一個調(diào)控目標(biāo)。調(diào)控目標(biāo)的選取原則是調(diào)控個數(shù)盡可能少，調(diào)節(jié)幅度盡可能小。最后，確定調(diào)整目標(biāo)后，按照設(shè)定的調(diào)節(jié)幅度進行參數(shù)的調(diào)整對可控變量進行調(diào)整，直到參數(shù)達到目標(biāo)值。在調(diào)控過程中會監(jiān)測穩(wěn)定指標(biāo)的變化走勢，如果指標(biāo)沒有回歸正常，可以隨時切斷調(diào)控進程，進入人工調(diào)控環(huán)節(jié)。一種基于數(shù)據(jù)挖掘的立磨運行調(diào)控方法，步驟如下：1)利用綜合的特征篩選方法對工況數(shù)據(jù)進行分析，確定影響穩(wěn)定的關(guān)鍵參數(shù)，作為穩(wěn)定狀態(tài)的判斷指標(biāo)。分析歷史數(shù)據(jù)中關(guān)鍵參數(shù)的取值范圍，根據(jù)其分布區(qū)間，確定觸發(fā)穩(wěn)定調(diào)控的臨界值；2)以步驟1)中確定的穩(wěn)定判斷指標(biāo)為特征，對工況狀態(tài)進行聚類分析，使用基于k-均值的聚類算法對數(shù)據(jù)進行挖掘，分析聚類挖掘得到的各個工況簇的特點，獲得歷史工況中的狀態(tài)分布情況；3)根據(jù)聚類分析的挖掘結(jié)果，定義歷史工況中的運行狀態(tài)類別，對工況所屬的狀態(tài)進行類別標(biāo)注和篩選，得到穩(wěn)定模式工況庫；4)然后對立磨運行狀態(tài)下的采集的實時數(shù)據(jù)的特點進行分析，確定進行實時狀態(tài)判斷的特征值及其獲取方法；5)利用arima算法對步驟4)中確定的特征值進行模型訓(xùn)練，對參數(shù)的變化趨勢進行預(yù)測，用預(yù)測值輔助狀態(tài)判斷；6)根據(jù)該時刻的狀態(tài)指標(biāo)的數(shù)值，并結(jié)合arima模型給出的預(yù)測值，對立磨的運行狀態(tài)進行判斷，當(dāng)判定該時刻的運行狀態(tài)為異常時，從穩(wěn)定工況模式庫中讀取工況記錄，得到推薦的調(diào)控目標(biāo)值，然后根據(jù)推薦的目標(biāo)值對該時刻的可控參數(shù)進行調(diào)控。本發(fā)明的有益效果主要表現(xiàn)在可以保持立磨生料粉磨過程的穩(wěn)定運行，提高生料品質(zhì)和單位產(chǎn)量，保證在工況變化時工藝指標(biāo)能夠保持在期望范圍內(nèi)，對影響粉磨過程的關(guān)鍵變量進行優(yōu)化調(diào)控，達到優(yōu)化生產(chǎn)目的。附圖說明圖1為基于數(shù)據(jù)挖掘的立磨運行調(diào)控系統(tǒng)結(jié)構(gòu)示意圖。圖2為立磨數(shù)據(jù)的預(yù)處理過程圖。圖3為立磨健康狀態(tài)評估指標(biāo)挖掘過程圖。圖4為立磨健康狀態(tài)k-means聚類分析流程圖。圖5為k＝3時，聚類分析分群的參數(shù)分布概率密度圖，(a)為類別0，(b)為類別1，(c)為類別2。圖6為立磨穩(wěn)定工況模式庫建立過程圖。圖7為立磨狀態(tài)評估指標(biāo)特征獲取流程圖。圖8為立磨實時特征參數(shù)預(yù)測的時間序列建模過程圖。圖9為振動一段時間內(nèi)的原始序列圖。圖10為振動一段時間內(nèi)的原始序列一階差分后的偏自相關(guān)圖。圖11為系統(tǒng)的預(yù)測值和實際值的關(guān)系圖。圖12為立磨運行智能調(diào)控模塊流程圖。具體實施方式參考附圖能更加全面地描述本發(fā)明，圖上顯示本發(fā)明的某些實施例，但是并非所有的實施例。實際上，本發(fā)明可以以很多不同的形式被體現(xiàn)，不應(yīng)該把它看作僅限于這里所闡述的實施例，而應(yīng)該把本發(fā)明的實施例看作是為了使本發(fā)明公開的內(nèi)容滿足可應(yīng)用的合法要求而提供的。下面結(jié)合說明書附圖和具體實現(xiàn)方式對本
發(fā)明內(nèi)容作詳細說明說明。圖1列出了基于數(shù)據(jù)挖掘的立磨運行調(diào)控系統(tǒng)各模塊的功能以及各模塊之間的邏輯關(guān)系。數(shù)據(jù)預(yù)處理模塊，對立磨采集的數(shù)據(jù)進行異常值處理、空值處理、離散化處理和歸一化處理，為數(shù)據(jù)的挖掘分析做好了準(zhǔn)備；立磨健康狀態(tài)評估指標(biāo)挖掘模塊，利用一種綜合的特征篩選方法對工況數(shù)據(jù)進行挖掘分析，得到影響立磨穩(wěn)定的關(guān)鍵參數(shù)，作為立磨健康狀態(tài)評估的指標(biāo)；立磨健康狀態(tài)聚類分析模塊，基于確定的立磨健康狀態(tài)評估的指標(biāo)，對工況狀態(tài)進行聚類挖掘分析，得到穩(wěn)定模式工況庫；立磨狀態(tài)評估指標(biāo)特征獲取模塊，分析立磨運行狀態(tài)下的采集的實時數(shù)據(jù)的特點，確定進行實時狀態(tài)判斷的特征值及其獲取方法；立磨實時特征參數(shù)預(yù)測模塊，利用arima算法對立磨健康狀態(tài)特征獲取模塊中確定的特征值進行模型訓(xùn)練，預(yù)測參數(shù)的變化趨勢，用預(yù)測值輔助狀態(tài)識別。如圖2所示為立磨數(shù)據(jù)的預(yù)處理過程圖。數(shù)據(jù)質(zhì)量對數(shù)據(jù)挖掘的分析結(jié)果有很大影響。獲取的立磨原始數(shù)據(jù)中包含了大量屬性，存在錯誤值和異常值，需要對數(shù)據(jù)進行初步篩選，去除錯誤值和異常值，確保數(shù)據(jù)的準(zhǔn)確性，并去除與挖掘無關(guān)的屬性，而且要保證樣本數(shù)據(jù)的多樣性和特征信息的完備性。此外，還需要根據(jù)算法需求對數(shù)據(jù)進行處理，使數(shù)據(jù)滿足算法的輸入要求。所述的數(shù)據(jù)預(yù)處理模塊中，數(shù)據(jù)異常值處理、空值處理，通過數(shù)據(jù)篩選和數(shù)據(jù)清洗實現(xiàn)：已有數(shù)據(jù)中包含了立磨供料、研磨、供風(fēng)設(shè)備、粉塵分離設(shè)備、液壓站、熱風(fēng)爐、倉庫等部分的65個測點獲得的參數(shù)屬性。經(jīng)過屬性篩選后從65個屬性得到包含立磨的30個主要工藝和性能參數(shù)的屬性子集，包括立磨的振動、喂料量、電流、研磨壓力、料層厚度，供風(fēng)系統(tǒng)冷熱風(fēng)閥的開度、循環(huán)風(fēng)閥的開度，選粉機轉(zhuǎn)速、各主要電流等。在立磨啟動、停機以及故障發(fā)生前后，由于工況非常不穩(wěn)定，參數(shù)會劇烈波動。而且立磨數(shù)據(jù)中存在記錄缺失、異常和記錄錯誤的情況。有的記錄缺失某些參數(shù)值，有的是人工錄入錯誤或傳感器故障等因素導(dǎo)致的數(shù)據(jù)偏差、缺失或異常。為了排除這些因素對數(shù)據(jù)的干擾，必須對這些缺失記錄和錯誤值進行處理，確保數(shù)據(jù)的正確、可信，這樣才能保證挖掘結(jié)果的可靠和有效性。所述的數(shù)據(jù)預(yù)處理模塊中，數(shù)據(jù)異常值處理、空值處理，由特征簡約和數(shù)據(jù)變換實現(xiàn)：綜合考慮立磨數(shù)據(jù)的特征分布、企業(yè)對參數(shù)的人為設(shè)置，以及實際運行中參數(shù)的可控性等情況，對數(shù)據(jù)進行簡約，以降低數(shù)據(jù)的維度，節(jié)約數(shù)據(jù)處理時間。在經(jīng)過特征簡約的剩余14特征參數(shù)中，包含了磨機主機電流、選粉機電流、主排風(fēng)機電流三個主要電流參數(shù)。由于在降低能耗時更關(guān)心的是整體生產(chǎn)能耗的減少，而非單個部分的能耗變化，因此構(gòu)造一個新的屬性用來表征耗電的大小，命名為總電流。總電流的值等于磨機主機電流、選粉機電流、主排風(fēng)機電流的代數(shù)和。這樣待選特征集簡化到12個特征。如圖3所示為立磨健康狀態(tài)評估指標(biāo)挖掘過程圖，具體挖掘步驟如下：1)以振動作為輸出y，以其他特征為輸入x，分別使用五種方法對待選特征集進行篩選，計算每個特征的得分；2)不同的方法特征篩選的機制不一樣，為消除篩選機制的不同造成的分數(shù)差異，對每種算法的得分結(jié)果都利用最大最小值的規(guī)范化方法進行了處理，把得分限制在了[0,1]之間，然后求每個參數(shù)特征的平均得分，把平均值作為特征重要性排序的依據(jù)，進行特征值選擇。在立磨數(shù)據(jù)上應(yīng)用，算法處理后得到結(jié)果如下表1所示。表1不同的特征選擇方法待選特征的得分情況方法特征隨機lasso嶺回歸隨機森林穩(wěn)定性選擇遞歸特征消除平均得分喂料量0.100.030.080.180.08微粉比表0.310.390.070.00.090.17料層厚度0.61.01.00.80.710.82磨機出口溫度0.210.450.320.660.420.41磨機進口溫度0.00.00.230.00.140.07磨機進口壓力0.110.00.430.240.130.18選粉機轉(zhuǎn)速0.060.00.270.00.590.18磨機壓差0.50.790.670.950.950.77冷風(fēng)閥開度0.290.00.00.00.090.08熱風(fēng)閥開度0.210.00.010.120.00.07循環(huán)風(fēng)閥開度0.60.210.140.240.330.3主排風(fēng)機轉(zhuǎn)速0.010.10.010.00.00.023)對參數(shù)的綜合得分進行分析，結(jié)合參數(shù)的可控性和實際含義確定對影響振動的關(guān)鍵參數(shù)。從得分情況看，喂料量、微粉比表、磨機進口壓力、主排風(fēng)機轉(zhuǎn)速、循環(huán)風(fēng)閥開度磨機進口溫度的平均值比較低，排除這些得分偏低的特征參數(shù)。得分最高的幾個參數(shù)，按照從高到低的順序依次為：料層厚度、磨機壓差、磨機出口溫度、循環(huán)風(fēng)閥開度。4)根據(jù)步驟2)和步驟3)中的分析，評估特征參數(shù)的篩選結(jié)果。四個得分較高的參數(shù)中，磨機壓差、料層厚度、立磨出口溫度三個參數(shù)都屬于結(jié)果變量，參數(shù)的取值是在其他可控變量的綜合影響下得到的結(jié)果。而循環(huán)風(fēng)閥開度是調(diào)控變量不適合作為工況狀態(tài)的判斷指標(biāo)。綜合以上分析，最終確定振動、料層厚度、磨機壓差、磨機出口溫度4個參數(shù)一起作為穩(wěn)定狀態(tài)判斷的指標(biāo)。如圖4所示為立磨健康狀態(tài)k-means聚類分析流程圖。結(jié)合實際生產(chǎn)經(jīng)驗和工況庫中的數(shù)據(jù)分布，確定了四個穩(wěn)定判斷指標(biāo)會導(dǎo)致運行異常的臨界值，在多個臨界值的限定范圍內(nèi)對預(yù)處理后的數(shù)據(jù)進行進一步篩選，求滿足所有限制條件的數(shù)據(jù)，得到的篩選結(jié)果作為聚類的輸入數(shù)據(jù)。聚類分析采用的是k-均值(k-means)來發(fā)現(xiàn)數(shù)據(jù)集中的k個工況簇。這里的k是用戶指定的，算法的目的是找到數(shù)據(jù)集中的k個簇的質(zhì)心，把數(shù)據(jù)集中的點分配給距離該點最近的質(zhì)心，并將該點分配給該質(zhì)心對應(yīng)的類別。選取k＝3時，聚類結(jié)果如下，聚類中心及每個簇中的數(shù)據(jù)點個數(shù)如表2所示，分群的參數(shù)分布概率密度圖如圖5所示。表2k＝3，分群聚類中心表類別料層厚度磨機出口溫度磨機壓差磨機殼體振動類別數(shù)目0-0.4646510.564229-0.1108640.52045622761-0.182965-0.963877-0.437062-0.448334217821.5511880.8728791.284423-0.219220937從圖5中可以看出：類別0特點：料層厚的取值范圍在125～135mm之間，磨機出口溫度在100～108℃，磨機壓差在2800～3200pa，振動值集中在7、8、9三個值附近。類別1特點：料層厚的取值范圍在125～144mm之間，磨機出口溫度在95～103℃，磨機壓差在2800～3200pa，振動值集中在6、7、8三個值附近。類別2特點：料層厚的取值范圍在140～150mm之間，磨機出口溫度在102～108℃，磨機壓差在3200～3500pa，振動值集中在6～8之間。選取k＝3時，振動的重疊性較大，其他三個參數(shù)的距離間隔比較合理，結(jié)合本文數(shù)據(jù)來源立磨的設(shè)計生產(chǎn)建議，取三個聚簇中心時得到的類別0定義為非穩(wěn)定狀態(tài)，類別1和2中的記錄定義為穩(wěn)定狀態(tài)。按照對聚類分群中數(shù)據(jù)狀態(tài)的定義，完成對已有的運行工況記錄的類別標(biāo)注，把穩(wěn)定工況類別標(biāo)簽設(shè)置為0，非穩(wěn)定工況標(biāo)簽設(shè)置為1，并從中提取穩(wěn)定工況，建立穩(wěn)定模式工況庫。立磨穩(wěn)定工況模式庫建立過程圖，如圖6所示：一條工況中包含可控變量作為x，穩(wěn)定表征變量y以及類別標(biāo)簽，對每條工況計算x中的參數(shù)與工況庫中已有工況之間的距離，若距離為零，則認為工況庫中已存在該工況，不再重復(fù)記錄。否則，將該工況加上時間標(biāo)簽，以向量形式存入穩(wěn)定工況庫。如圖7所示為立磨狀態(tài)評估指標(biāo)特征獲取流程圖，具體獲取過程如下：1)采集t時刻的實時工況數(shù)據(jù)，對采集到的數(shù)據(jù)進行空值和異常值檢測，如果讀取的過程中出現(xiàn)空值，舍棄數(shù)據(jù)或者用歷史均值填補空值。處理完畢，按照設(shè)定的穩(wěn)定指標(biāo)數(shù)據(jù)采樣間隔△t，繼續(xù)讀取下個采集時刻的數(shù)據(jù)，進行數(shù)據(jù)檢測，重復(fù)這個過程直至獲得n條記錄；2)在采集n條記錄的過程中，如果有異常值出現(xiàn)，累計每個參數(shù)的異常值出現(xiàn)的次數(shù)。異常值的判斷依據(jù)參照從穩(wěn)定工況模式庫中得到的各個參數(shù)取值范圍，當(dāng)采集到的參數(shù)超出正常范圍，則認為該時刻的數(shù)據(jù)為異常值。3)計算n條記錄中各個參數(shù)的均值和標(biāo)準(zhǔn)差。最后得到每個參數(shù)在取數(shù)周期內(nèi)得到的均值、方差和異常值次數(shù)三個維度共12個數(shù)值作為工況判斷的特征值，用以穩(wěn)定狀態(tài)的判斷。如圖8所示為立磨實時特征參數(shù)預(yù)測的時間序列建模過程圖。根據(jù)立磨工況的特點，由于環(huán)境等外部因素和其他參數(shù)對振動的聯(lián)合影響，導(dǎo)致工況序列屬于非平穩(wěn)序列，采用arima模型進行時間序列的建模。平穩(wěn)序列：對與一個序列{x(t)}，如果數(shù)值在某一有限范圍內(nèi)波動，序列有常數(shù)的均值和常數(shù)方差，并且延遲k期的序列變量的自協(xié)方差和自相關(guān)系數(shù)是相等的，則該序列是平穩(wěn)序列。差分運算：假定兩個序列的時間間隔為t，差分運算就是把相隔為k個t的序列的對應(yīng)值做減法運算，k＝1時，稱為一階差分運算。arima模型的實質(zhì)是在arma運算之前加上差分運算，然后使用arma進行建模，計算公式如下：xt＝φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q該模型認為在t時刻的變量x的值是前p期的x取值和前q期的干擾ε的多元線性函數(shù)。誤差項是當(dāng)前的隨機干擾εt，是零均值白噪聲序列。arma模型認為過去p期的序列值和過去q期的誤差項共同影響xt的取值。以振動值為例說明采用時間序列進行建模的過程。首先對一段連續(xù)時間內(nèi)采集到的振動值進行平穩(wěn)性檢測，取數(shù)間隔為5秒，連續(xù)35個振動取值的數(shù)據(jù)如下圖9所示，可以看出該序列有上升趨勢，屬于非平穩(wěn)序列。對序列求取自相關(guān)系數(shù)，相關(guān)系數(shù)的絕對值長期大于零，表明該序列具有長期的相關(guān)性。對這個序列進行一階差分后得到的偏自相關(guān)圖如圖10所示?？梢钥闯鲆浑A差分后序列的時序圖在均值附近波動，且波動范圍不大，所以一階差分后的序列是平穩(wěn)序列。接著對一階差分后的序列進行白噪聲檢測，得到的p值小于0.05，所以一階差分后的序列屬于平穩(wěn)非白噪聲序列，可以用arma模型進行擬合。接下來對arma模型進行定階，也就是求模型中的參數(shù)。進行模型定階主要有兩種方法，一種是根據(jù)一階差分的自相關(guān)圖呈現(xiàn)的特點，來確定p和q。另一種方法是根據(jù)p、q的所有組合得到的bic信息量的大小來確定，選擇令bic信息量達到最小的p、q組合。模型定階后就可以利用建立的arima模型進行預(yù)測。預(yù)測模型可以給出連續(xù)5分鐘的預(yù)測值、標(biāo)準(zhǔn)誤差和置信區(qū)間，預(yù)測值和實際值的關(guān)系如圖11所示。從圖中可以看出預(yù)測誤差較低，預(yù)測值基本能夠反映數(shù)值的變化趨勢，模型的預(yù)測效果良好。如圖12所示為立磨運行智能調(diào)控模塊流程圖。當(dāng)穩(wěn)定判斷指標(biāo)的取值偏離正常范圍，會自動觸發(fā)穩(wěn)定狀態(tài)自動調(diào)控。具體的調(diào)節(jié)方法如下：1)當(dāng)穩(wěn)定指標(biāo)中的參數(shù)出現(xiàn)異常，啟動調(diào)控程序后，程序會從穩(wěn)定模式庫中搜索調(diào)控目標(biāo)，返回距離當(dāng)前狀態(tài)最近的點作為待選工況。2)比較當(dāng)前狀態(tài)與待選工況的差異，統(tǒng)計當(dāng)前狀態(tài)調(diào)至待選目標(biāo)時需要調(diào)控的參數(shù)、需要調(diào)控的幅度以及調(diào)控參數(shù)個數(shù)，從這三個維度考慮，從待選工況中確定一個調(diào)控目標(biāo)。調(diào)控目標(biāo)的選取原則是調(diào)控個數(shù)盡可能少，調(diào)節(jié)幅度盡可能小。3)確定調(diào)整目標(biāo)后，按照設(shè)定的調(diào)節(jié)幅度進行參數(shù)的調(diào)整對可控變量進行調(diào)整，直到參數(shù)達到目標(biāo)值。在調(diào)控過程中會監(jiān)測穩(wěn)定指標(biāo)的變化走勢，如果指標(biāo)沒有回歸正常，可以隨時切斷調(diào)控進程，進入人工調(diào)控環(huán)節(jié)。當(dāng)前第1頁12