CN103839106A - 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法优化BP神经网络的球磨机负荷检测方法，步骤包括：步骤1：采集球磨机的起磨磨音和停磨磨音；步骤2：磨音离线处理；步骤3：选择磨音有效频段；步骤4：标定磨机负荷数据；步骤5：基于遗传算法优化BP神经网络建模并进行磨机负荷预测，得到球磨机的负荷检测结果。本发明的方法，通过分析磨音频谱，选择出磨音的有效频段范围，得到多组实验数据，利用实验数据对负荷模型进行训练，训练完毕后，此模型即可用来预测磨机负荷；本发明方法便于实现，适应性强，可为球磨机优化控制提供相关检测数据，提高了球磨机自动控制、节能降耗能力。

Description

一种基于遗传算法优化BP神经网络的球磨机负荷检测方法

技术领域

本发明属于自动化检测技术领域，涉及一种基于遗传算法优化BP神经网络的球磨机负荷检测方法。

背景技术

球磨机在物料粉碎行业中具有广泛应用，现有球磨机负荷的确定主要靠现场操作人员的长期工作经验，误差较大，准确性不高，造成一定的浪费或损失，不能保证球磨机的安全运行，使球磨机长期运行在欠负荷状态，影响球磨机处理量和产品质量，而且也造成能源浪费的问题。球磨机能耗在整个行业中占很大比例，因此，针对球磨机这一非线性、大时滞的综合复杂系统，精确地检测其磨机负荷对于粉磨行业的节能降耗具有重要意义。

发明内容

本发明的目的是提供一种基于遗传算法优化BP神经网络的球磨机负荷检测方法，该方法能够分析出磨音有效频段范围，并标定出选频后磨音的频谱能量值与磨机负荷百分比对应关系，依据建立的磨机负荷测量模型，精确地计算出磨机负荷，实现了工业自动化控制和节能降耗。

本发明采用的技术方案是，一种基于遗传算法优化BP神经网络的球磨机负荷检测方法，按照以下步骤实施：

步骤1：采集球磨机的起磨磨音和停磨磨音；

步骤2：磨音离线处理

2.1）为了避免起磨磨音与停磨磨音在起始时刻和停止时刻的干扰，对磨音进行掐头去尾处理；

2.2）将掐头去尾后的起磨磨音与停磨磨音按照某一固定时长进行处理，得到多个数据段信息，根据韦尔奇方法对每个数据段进行加海明窗处理；

2.3）然后对每个加窗后的数据段进行快速傅里叶变换，取每个变换结果幅值的平方，并除以快速傅里叶变换点数作为功率谱估计的一次估计；并将这个估计值转换为声压级；

步骤3：选择磨音有效频段

从停磨磨音或起磨磨音中划分出4-8种磨机负荷，作出这几种磨机负荷的磨音强度随频率的趋势图；根据有效频段范围对原始磨音数据进行选频处理，得到选频后的磨音数据；

步骤4：标定磨机负荷数据；

步骤5：基于遗传算法优化BP神经网络建模并进行磨机负荷预测，得到球磨机的负荷检测结果，即成。

本发明的有益效果是，通过分析磨音频谱，选择出磨音的有效频段范围，并根据经验对磨音频谱能量与磨机负荷百分比的对应关系进行校正，得到多组实验数据，利用实验数据对负荷模型进行训练，训练完毕后，此模型即可用来预测磨机负荷。本发明方法便于实现，适应性强，可为球磨机优化控制提供相关检测数据，对于提高球磨机自动控制、节能降耗具有重要意义。

附图说明：

图1是本发明方法实施例的球磨机负荷检测模型结构示意图；

图2是本发明方法实施例的球磨机原始起磨磨音趋势图；

图3是本发明方法实施例的球磨机原始停磨磨音趋势图；

图4是本发明方法实施例的球磨机原始磨音随磨机负荷的频谱图；

图5是本发明方法实施例的[1100Hz,2200Hz]范围内磨音趋势图；

图6是本发明方法实施例的[9100Hz,10200Hz]范围内磨音趋势图；

图7是本发明方法实施例的选频后起磨磨音趋势图；

图8是本发明方法实施例的选频后停磨磨音趋势图；

图9是本发明方法实施例的预测磨机负荷曲线图。

具体实施方式：

以下结合附图和具体实施方式对本发明进行详细说明。

本发明是一种基于遗传算法优化BP神经网络的球磨机负荷检测方法，按照以下步骤具体实施：

步骤1：采集球磨机的起磨磨音和停磨磨音

起磨过程中，根据磨机操作人员经验判断出从起磨过程到最高负荷的时间长度，并用录音设备记录下实时磨音，录音位置可参照现场电耳位置；停磨过程中，同样道理，依照上述方法采集停磨磨音；

步骤2：磨音离线处理

2.1）为了避免起磨磨音与停磨磨音在起始时刻和停止时刻的干扰，对磨音进行掐头去尾处理，即同时去掉起磨磨音的第一分钟及最后一分钟信息，另外，同时去掉停磨磨音的第一分钟及最后一分钟信息；

2.2）将掐头去尾后的磨音（包括起磨磨音与停磨磨音）按照某一固定时长进行处理，如时长设置为1分钟，这样得到多个数据段信息，根据韦尔奇方法对每个数据段进行加海明窗处理（简称加窗）；

2.3）然后对每个加窗后的数据段进行快速傅里叶变换，取每个变换结果幅值的平方，并除以快速傅里叶变换点数作为功率谱估计的一次估计；并将这个估计值转换为声压级；

步骤3：选择磨音有效频段

从停磨磨音或起磨磨音中划分出4-8种磨机负荷，作出这几种磨机负荷的磨音强度随频率的趋势图。首先根据趋势图分析确定出有效频段范围[f₁,f₂]；其中f₁频率以下的频谱能量随磨机负荷变化不明显，这是由于球磨机存在固有声音频率；而f₂频率以上的频谱能量，由于是高频段的能量，因此相对于低中频段的频谱能量可以忽略不计。

为了准确确定f₁值，作出f₁附近的磨音强度随频率的趋势图，对于停磨磨音，由于磨音强度随负荷的减少而升高，因此选择磨音趋势呈单调上升的频段作为f₁的值；而对于起磨磨音，由于磨音强度随负荷的增多而降低，因此选择磨音趋势呈单调下降的频段作为f₁的值。

同样，为了准确确定f₂值，作出f₂附近的磨音强度随频率的趋势图，然后根据确定f₁值的原则，确定出f₂的值。

根据有效频段范围对原始磨音数据进行选频处理，得到选频后的磨音数据。

步骤4：标定磨机负荷数据

磨机负荷是通过球磨机内的物料体积在滚筒内所占的容积百分比来计算的，因此，在起磨状态下即滚筒内的矿料为零而钢球量不为零时标定一数值，如设置为10%，而在球磨机最高负荷时标定另一数值，如设置为80%，

计算选频后的每分钟磨音频谱能量，并将能量值归一化到某一范围内，如[0.1，0.9]，标定出磨机负荷百分比和归一化后的频谱能量值对应关系，可以近似线性关系，得到多组磨机负荷数据。实际中应该根据操作人员的经验对标定关系进行适当的校正。

为了得到磨音频谱的多个特征，将选频后每分钟的磨音频谱按照某一增量(如1kHz)分为多个分频段N_voice，并求出分频段能量值，同时也归一化到某一范围内，如[0.1，0.9]，再根据上面标定的磨机负荷数据和磨音多频段能量值进行模型建立。

步骤5：基于遗传算法优化BP神经网络建模并进行磨机负荷预测

对于本发明所应用的BP神经网络模型，输入变量是步骤4得到的分频段能量值，输出变量是磨机负荷百分比，所以该BP神经网络的输入层节点数有N_voice个，输出层节点数有一个；隐含层节点数的选择参考如下公式：

$l<n-1,l<\sqrt{m+n}+a,l={\log }_{2}n$

式中，l为隐含层节点数；m为输出层节点数；n为输入层节点数；a为0～10之间的常数；然后用试凑法确定最佳的隐含层节点数。

根据BP神经网络结构对种群中的个体进行实数编码，种群规模范围为[20,50]，最大进化代数范围为[30,100]，选择操作选用轮盘赌法，交叉概率范围为[0.4,0.9]，变异概率范围为[0.01,0.1]，

种群中的每个个体都包含了该网络神经元节点的所有权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体，

将遗传算法得到的最优个体对BP神经网络权值和阈值进行初始权值和阈值赋值，然后BP神经网络经训练后，就能够根据输入的磨音分频段能量值对磨机负荷进行预测，得到球磨机的负荷检测结果。

实施例

对矿厂湿式球磨机进行负荷预测，采用Φ3.6m×4m中型磨机，钢球直径约为70mm，矿石为细脉浸染型钼矿，转速为18～22r/min；采用16比特单通道采样，采样频率为44100Hz，实施步骤如下：

步骤1：采集时长20分钟的起磨磨音和18分钟的停磨磨音；

步骤2：对起磨磨音和停磨磨音进行掐头去尾处理、加海明窗处理，然后对每个加窗后的数据段进行快速傅里叶变换，傅里叶变换点数为N_FFT＝44100×60＝2646000，取每个变换结果的平方，并除以快速傅里叶变换点数作为功率谱估计的一次估计；然后将这个估计值转换为声压级；分别得到图2、图3的两段原始磨音趋势图；

步骤3：从停磨磨音中划分出4种磨机负荷，如表1所示。

表1磨机负荷与磨音时间对应表

磨音时段范围	规定的磨机负荷百分比
		第1-2分钟	80%
第5-6分钟	60%
		第9-10分钟	40%
第15-16分钟	15%

作出这四种磨机负荷状态下的磨音强度随频率的趋势图，如图4，从图4中可以看出在低有效频率段1.5kHz以下，磨音强度随磨机负荷变化不明显；而在高有效频率段10kHz以上，磨音频谱能量相对于低中频段能量很低，可以忽略不计，因此，首先确定有效频段范围为[1.5kHz，10kHz]；然后作出1.5kHz和10kHz附近的的磨音趋势图，本实施例分别选择在[1200Hz,2200Hz]和[9200Hz,10200Hz]范围的磨音趋势，增量为200Hz，得到图5及图6。对于停磨磨音，由于磨音频谱能量随磨机负荷的减少而增大，由图5可以看出在1600Hz频段磨音基本呈单调上升趋势，由图6可以看出在9600Hz频段磨音基本也呈单调上升趋势，最后确定有效频率段范围为[1600Hz，9600Hz]。

将原始磨音经过有效频段选择后，分别得到图7、图8的起磨和停磨磨音趋势，从图7可以看出起磨磨音趋势与实际磨机起磨过程相符，同样，从图8可以看出停磨磨音趋势与实际停磨过程相符。

步骤4：标定球磨机在空磨状态下，即滚筒内的矿石量为零而钢球量不为零时标定为10％，将最高球磨机负荷百分比标定为80%。

计算选频后每分钟的磨音频谱能量，并将能量值归一化到[0.1,0.9]范围内，标定出磨机负荷百分比和归一化后的频谱能量值对应关系，并根据操作人员的经验对标定关系进行校正。最后得到如表2的磨机负荷百分比和磨音能量对应表。

表2磨机负荷百分比和磨音能量对应表

为了得到磨音频谱的多个特征，将选频后的每分钟磨音频谱以1kHz为增量，分8个小段，并求出分频段能量值，根据上表2对应关系共得到100组实验数据，其中79组用与模型训练，剩下的21组用于模型预测。

步骤5：确定BP神经网络输入层节点数为8，输出层节点数为1，隐含层节点数根据公式确定范围后，使用试凑法选择7个。实际针对不同案例需要修改参数，遗传算法具体参数如下：

种群规模：sizepop=20；最大进化代数：maxgen=50；

交叉概率：pcross=0.4；变异概率：pmutation=0.09；

种群初始化采用实数编码，选择编码范围为[-1，1]；

适应度函数：将预测输出和期望输出之间的误差绝对值和作为个体适应度值。

图9所示为实验结果示意图，从图9中可以看出利用遗传算法优化BP神经网络能够有效地预测球磨机负荷情况。

Claims (6)

1.一种基于遗传算法优化BP神经网络的球磨机负荷检测方法，其特点在于，按照以下步骤实施： 

步骤1：采集球磨机的起磨磨音和停磨磨音； 

步骤2：磨音离线处理 

2.1）为了避免起磨磨音与停磨磨音在起始时刻和停止时刻的干扰，对磨音进行掐头去尾处理； 

2.2）将掐头去尾后的起磨磨音与停磨磨音按照某一固定时长进行处理，得到多个数据段信息，根据韦尔奇方法对每个数据段进行加海明窗处理； 

2.3）然后对每个加窗后的数据段进行快速傅里叶变换，取每个变换结果幅值的平方，并除以快速傅里叶变换点数作为功率谱估计的一次估计；并将这个估计值转换为声压级； 

步骤3：选择磨音有效频段 

从停磨磨音或起磨磨音中划分出4-8种磨机负荷，作出这几种磨机负荷的磨音强度随频率的趋势图；根据有效频段范围对原始磨音数据进行选频处理，得到选频后的磨音数据； 

步骤4：标定磨机负荷数据； 

步骤5：基于遗传算法优化BP神经网络建模并进行磨机负荷预测，得到球磨机的负荷检测结果，即成。 

2.根据权利要求1所述的基于遗传算法优化BP神经网络的球磨机负荷检测方法，其特点在于：所述的步骤1中，起磨过程中，根据磨机操作人员经验判断出从起磨过程到最高负荷的时间长度，并用录音设备记录下实时磨音，录音位置可参照现场电耳位置；停磨过程中，同样道理，依照上述方法 采集停磨磨音。 

3.根据权利要求1所述的基于遗传算法优化BP神经网络的球磨机负荷检测方法，其特点在于：所述的步骤2.1）中，同时去掉起磨磨音的第一分钟及最后一分钟信息，另外，同时去掉停磨磨音的第一分钟及最后一分钟信息。 

4.根据权利要求1所述的基于遗传算法优化BP神经网络的球磨机负荷检测方法，其特点在于：所述的步骤3中，制作几种磨机负荷的磨音强度随频率的趋势图的具体步骤是， 

首先根据趋势图分析确定出有效频段范围[f₁,f₂]；对于停磨磨音，选择磨音趋势呈单调上升的频段作为f₁的值；而对于起磨磨音，选择磨音趋势呈单调下降的频段作为f₁的值；然后根据确定f₁值的原则，确定出f₂的值。 

5.根据权利要求1所述的基于遗传算法优化BP神经网络的球磨机负荷检测方法，其特点在于：所述的步骤4中， 

磨机负荷是通过球磨机内的物料体积在滚筒内所占的容积百分比来计算的，因此，在起磨状态下即滚筒内的矿料为零而钢球量不为零时标定一数值，而在球磨机最高负荷时标定另一数值， 

计算选频后的每分钟磨音频谱能量，并将能量值归一化到某一范围内，标定出磨机负荷百分比和归一化后的频谱能量值对应关系，得到多组磨机负荷数据， 

将选频后每分钟的磨音频谱按照某一增量分为多个分频段N_voice，并求出分频段能量值，同时也归一化到某一范围内，再根据上面标定的磨机负荷数据和磨音多频段能量值进行模型建立。 

6.根据权利要求1所述的基于遗传算法优化BP神经网络的球磨机负荷 检测方法，其特点在于：所述的步骤5中， 

对于本发明所应用的BP神经网络模型，输入变量是步骤4得到的分频段能量值，输出变量是磨机负荷百分比，所以该BP神经网络的输入层节点数有N_voice个，输出层节点数有一个；隐含层节点数的选择参考如下公式： 

式中，l为隐含层节点数；m为输出层节点数；n为输入层节点数；a为0～10之间的常数；然后用试凑法确定最佳的隐含层节点数， 

根据BP神经网络结构对种群中的个体进行实数编码，种群规模范围为[20,50]，最大进化代数范围为[30,100]，选择操作选用轮盘赌法，交叉概率范围为[0.4,0.9]，变异概率范围为[0.01,0.1]， 

种群中的每个个体都包含了该网络神经元节点的所有权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体， 

将遗传算法得到的最优个体对BP神经网络权值和阈值进行初始权值和阈值赋值，然后BP神经网络经训练后，就能够根据输入的磨音分频段能量值对磨机负荷进行预测。 

Images