一種基于模糊推理的磨機(jī)負(fù)荷參數(shù)軟測量方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及軟測量領(lǐng)域，具體設(shè)及一種基于模糊推理的磨機(jī)負(fù)荷參數(shù)軟測量方 法。
【背景技術(shù)】
[0002] 磨礦過程是選礦生產(chǎn)過程的"瓶頸"作業(yè)，其作用是將破碎后的原礦通過大型旋轉(zhuǎn) 機(jī)械設(shè)備(球磨機(jī))研磨成粒度合格的礦漿，為后續(xù)選礦過程提供原料。球磨機(jī)的運(yùn)轉(zhuǎn)率和 效率常常決定了磨礦過程甚至選礦全流程的生產(chǎn)效率和指標(biāo)(參見文獻(xiàn)1:陳劍鋒，肖飛鳳. 球磨機(jī)的發(fā)展方向綜述[J]，中國礦業(yè)，2006,15(8) :94-98.)。準(zhǔn)確檢測磨機(jī)負(fù)荷是實(shí)現(xiàn)磨 礦過程優(yōu)化控制和節(jié)能降耗的關(guān)鍵。工業(yè)界通常采用磨機(jī)研磨過程中產(chǎn)生的機(jī)械振動(dòng)/振 聲及磨機(jī)電流等多源信號(hào)對磨機(jī)負(fù)荷進(jìn)行間接測量(參見文獻(xiàn)2:湯健，趙立杰，岳恒，柴天 佑.磨機(jī)負(fù)荷檢測方法研究綜述[J].控制工程，2010，17 (5): 565-570 . W及文獻(xiàn)3 : Tang Jian,Chai Tian-you,Yu Wen,Zhao Li-jie.Modeling Load Parameters of Ball Mill in Grinding Process Based on Selective Ensemble Multisensor Information!!J] .IEEE Tranzaction on Automation Science and Engineering,2013,10(3):726-740.)， 并且在采用干式球磨機(jī)的水泥、火電等行業(yè)中成功應(yīng)用。
[0003] 優(yōu)秀領(lǐng)域?qū)＜夷軌蚪柚I(yè)現(xiàn)場多源信息和多年積累的經(jīng)驗(yàn)知識(shí)，憑借"人腦模 型"有效地判別所熟悉的特定磨機(jī)的負(fù)荷及其內(nèi)部參數(shù)狀態(tài)，進(jìn)而調(diào)整操作變量保證生產(chǎn)。 面向干式球磨機(jī)，司剛?cè)热松暾埩巳诤贤搀w振動(dòng)和振聲信號(hào)的負(fù)荷檢測方法和裝置(參 見文獻(xiàn)4:司剛?cè)鼙?，張彥斌，賈立新.基于多傳感器融合的筒式鋼球磨機(jī)負(fù)荷檢測方法 及裝置[P]，中國，2007.)，并提出了基于神經(jīng)模糊推理系統(tǒng)的軟測量方法(參見文獻(xiàn)5:司剛 全，曹辟，張彥斌，馬西奎.基于ANFIS的火電廠磨機(jī)負(fù)荷檢測的軟測量模型[C].中國儀器儀 表與測控技術(shù)交流大會(huì)論文集(二），成都，2007.)。針對云模型的不確定性推理能夠模擬人 類思維進(jìn)行不確定性語言概念轉(zhuǎn)換的特點(diǎn)，文獻(xiàn)6(閣高偉，薬杏雄，李國勇.基于振動(dòng)信號(hào) 和云推理的球磨機(jī)負(fù)荷軟測量[J].控制與決策，2014,29(6) :1109-1115.)提出了基于云模 型利用磨機(jī)軸承振動(dòng)對干式球磨機(jī)料位進(jìn)行概念表示和推理測量的方法，并在小型實(shí)驗(yàn)球 磨機(jī)上進(jìn)行驗(yàn)證實(shí)驗(yàn)。
[0004] 針對磨礦過程的濕式球磨機(jī)，研究多基于實(shí)驗(yàn)球磨機(jī)（參見文獻(xiàn)7 :Tang Jian, Zhao Ii-jie,Zhou jun_wu,Yue Heng,Chai tian-you.Experimental Analysis of Wet Mill Load Based on Vibration Signals of Laboratory-scale Ball Mill Shell[J] .Minerals Engineering,2010,23(9):720-730.)。理論分析表明，磨機(jī)筒體內(nèi)部鋼球負(fù)荷 的數(shù)量數(shù)W萬計(jì)、分層排列，包裹著礦漿W不同強(qiáng)度和頻率下落的鋼球?qū)ΦV石和筒體進(jìn)行 周期性沖擊。由此產(chǎn)生的筒體振動(dòng)和振聲信號(hào)具有較強(qiáng)的非線性、非平穩(wěn)性和多時(shí)間尺度 特性(參見文獻(xiàn)8:湯健，柴天佑，叢秋梅，苑明哲，趙立杰，劉卓，余文.基于EMD和選擇性集成 學(xué)習(xí)算法的磨機(jī)負(fù)荷參數(shù)軟測量[J].自動(dòng)化學(xué)報(bào)，2014,40(9): 1853-1866.)。工業(yè)現(xiàn)場最 常用的信號(hào)是磨機(jī)研磨區(qū)域經(jīng)筒體福射產(chǎn)生的振聲信號(hào)。經(jīng)驗(yàn)豐富的領(lǐng)域?qū)＜铱?聽音識(shí) 另If磨機(jī)負(fù)荷及其參數(shù)。研究表明，人耳本質(zhì)上是一組自適應(yīng)帶通濾波器。從某種角度上講， 專家"聽音識(shí)別"過程可W理解為人耳帶通濾波能力、人腦特征抽取能力和專家經(jīng)驗(yàn)規(guī)則推 理的逐層認(rèn)知過程。顯然運(yùn)是個(gè)基于人類專家經(jīng)驗(yàn)進(jìn)行不確定性推理的選擇性信息的融合 過程。如何基于現(xiàn)有技術(shù)對領(lǐng)域?qū)＜业淖R(shí)別過程進(jìn)行模擬是本文的主要關(guān)注點(diǎn)。
[0005] 采用信號(hào)處理、機(jī)器學(xué)習(xí)等多個(gè)學(xué)科領(lǐng)域的研究成果是開展磨機(jī)負(fù)荷檢測研究的 有效手段。經(jīng)驗(yàn)?zāi)B(tài)分解化MD)技術(shù)可W有效的將筒體振動(dòng)信號(hào)分解為系列具有不同帶寬 的多尺度信號(hào)（參見文獻(xiàn)9:Tang Jian,Zhao Vibration Analysis Based on Empirical Mode Decomposition and Partial Least Squares[J].Procedia Engineering，2011，16:646-652 .)，可用于模擬人耳的"帶通濾波"能力。偏最小二乘算法 (化S)可W提取同時(shí)表征輸入輸出數(shù)據(jù)變化的潛在變量，將難W進(jìn)行規(guī)則提取的多尺度頻 譜進(jìn)行有效維數(shù)約簡，從而模擬人腦的"特征抽取"能力。而對"人腦判別"能力的模擬則可 W通過模糊推理系統(tǒng)予W實(shí)現(xiàn)。
[0006] 優(yōu)秀領(lǐng)域?qū)＜?聽音識(shí)別"利用的是經(jīng)磨機(jī)研磨區(qū)域筒體振動(dòng)福射產(chǎn)生的振聲信 號(hào)。該信號(hào)源于筒體，并且夾雜著周圍其它機(jī)械設(shè)備的背景噪聲。顯然，靈敏度和可靠性低 于磨機(jī)筒體振動(dòng)信號(hào)。但筒體振動(dòng)信號(hào)難W依據(jù)專家經(jīng)驗(yàn)提取推理規(guī)則。文獻(xiàn)l〇(Wang L X,Mendel JM. Generating Fuzzy Rules by Learning from Examples[J]. IEEE IYansactions on Systems,Man,and 切bernetics,1992,22(6) :1414-1427.)提出了從數(shù) 據(jù)中挖掘模糊規(guī)則的高效率算法。模糊規(guī)則的可解釋性和透明性也增加了推理模型的可理 解性。針對規(guī)則挖掘時(shí)，輸入輸出數(shù)據(jù)難W在時(shí)間序列上匹配的問題，文獻(xiàn)IUYu Wen,Li xiao-ou.On-line Fuzzy Modeling Via Clustering and Support Vector Machines[J] .Information Sciences，2008，178(22):4264-4279.)提出了基于同步聚類的語言規(guī)則式 模糊推理模型。文獻(xiàn) 12(Wang Yongfu,Wang Dianhui,畑ai Tianyou.Extraction and Adaptation of Fuzzy Rules for Friction Modeling and Control Compensation!!J] .I 邸E IYanzaction on Fuzz;y System, 2011,19(4) :682-694.)提出 了基于數(shù)據(jù)挖掘和系 統(tǒng)理論的模糊規(guī)則提取和自適應(yīng)策略用于摩擦模型的建模。
[0007] 由此，亟需一種更加準(zhǔn)確的磨機(jī)負(fù)荷參數(shù)軟測量方法。

【發(fā)明內(nèi)容】

[0008] 有鑒于此，本發(fā)明提供一種基于模糊推理的磨機(jī)負(fù)荷參數(shù)軟測量方法，W更加精 確地進(jìn)行磨機(jī)負(fù)荷參數(shù)的軟測量。
[0009] 所述方法包括：
[0010] S100、在預(yù)定的磨機(jī)負(fù)荷下運(yùn)行磨機(jī)，獲取表征磨機(jī)振動(dòng)和/或振聲的樣本特征信 號(hào)；
[0011] S200、將所述樣本特征信號(hào)分解為具有不同時(shí)間尺度的樣本子信號(hào)，每個(gè)樣本子 信號(hào)代表具有物理含義的單一振動(dòng)模態(tài)；
[0012] S300、對所述樣本子信號(hào)進(jìn)行降維W獲得預(yù)定數(shù)量的相互獨(dú)立的潛在特征變量；
[0013] S400、通過模糊推理建模方法根據(jù)每個(gè)所述潛在特征變量和對應(yīng)的磨機(jī)負(fù)荷構(gòu)建 對應(yīng)的模糊推理子模型；
[0014] S500、對于J-2種可能的集成模型中的子模型數(shù)量Jsei,通過求解如下優(yōu)化問題，從 所有的模糊推理子模型中選取Jsel個(gè)作為集成子模型并求取集成子模型對應(yīng)的權(quán)重，W獲 得J-2個(gè)候選軟測量模型：
[0017] 其中，0th為設(shè)定闊值，k為樣本個(gè)數(shù)，yi為磨機(jī)負(fù)荷參數(shù)第1個(gè)樣本的真值，/為選 擇性集成模型對第1個(gè)樣本的軟測量值，義，為基于第jsel個(gè)集成子模型對第1個(gè)樣本預(yù)測 值，Wfei是第jsel個(gè)集成子模型的權(quán)重J為模糊推理子模型的數(shù)量；
[0018] S600、將所述J-2個(gè)候選軟測量模型中預(yù)測誤差最小的作為磨機(jī)負(fù)荷參數(shù)軟測量 模型；
[0019] S700、獲取需要進(jìn)行軟測量的磨機(jī)的測試數(shù)據(jù)的潛在特征變量；
[0020] S800、根據(jù)所述磨機(jī)負(fù)荷參數(shù)軟測量模型計(jì)算所述測試數(shù)據(jù)的潛在特征變量對應(yīng) 的負(fù)荷參數(shù)。
[0021] 優(yōu)選地，所述步驟S200包括：
[0022] 通過經(jīng)驗(yàn)?zāi)B(tài)分解化MD)、集合經(jīng)驗(yàn)?zāi)B(tài)分解化EMD)、希爾伯特振動(dòng)分解化VD)、局 部均值分解(LMD)中的一種或幾種多組分信號(hào)分解方法將所述樣本特征信號(hào)分解為具有不 同時(shí)間尺度的樣本子信號(hào)。
[0023] 優(yōu)選地，所述步驟300包括：
[0024] 通過采用偏最小二乘回歸(PLS)、核偏最小二乘回歸化化S)、主成分分析(PCA)、核 主成分分析化PCA)、獨(dú)立主成分分析（ICA)、核獨(dú)立主成分分析化ICA)、流行學(xué)習(xí)中的一種 或幾種降維方法的組合對所述樣本子信號(hào)進(jìn)行降維。
[00巧]優(yōu)選地，所述步驟S400包括：