CN105160421B - 一种基于周期滚动优化的火电厂磨机负荷预测方法 - Google Patents
一种基于周期滚动优化的火电厂磨机负荷预测方法 Download PDFInfo
- Publication number
- CN105160421B CN105160421B CN201510486550.3A CN201510486550A CN105160421B CN 105160421 B CN105160421 B CN 105160421B CN 201510486550 A CN201510486550 A CN 201510486550A CN 105160421 B CN105160421 B CN 105160421B
- Authority
- CN
- China
- Prior art keywords
- grinding machine
- period
- optimal parameters
- parameter
- mill
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于周期滚动优化的火电厂磨机负荷预测方法,用以解决火电厂磨机负荷难以检测的问题;该方法采取对磨机噪声、振动等多个相关参数首先进行周期滚动优化,然后建立基于周期特征的约简最小二乘支持向量机模型实现对磨机负荷的预测;该方法利用相关参数的周期性特征,具有复杂度低、预测精度高、利于在线应用等优点,为火电厂制粉系统的安全、经济运行提供可靠保障。
Description
技术领域
本发明涉及一种火电厂磨机的负荷预测方法,特别涉及一种基于周期滚动优化的火电厂磨机负荷预测方法,该方法采用建立周期参数序列、滚动优化及基于周期特征的约简最小二乘支持向量机等技术手段,能够在线实时预测火电厂的磨机负荷。
背景技术
制粉系统是火力发电厂的主要辅助系统之一,而磨机是制粉系统的关键设备。磨机能否正常运行以及是否运行在最佳工况,直接关系到制粉系统的工作效率。对磨机内的负荷变化进行有效预测从而进行优化控制,可大幅度降低电耗、钢耗,增加磨机出力,降低噪声,减少粉尘污染,提高运行效率。因此如何准确预测磨机负荷成为关键和难点。
由于磨机工作环境差,粉尘污染大,内部环境恶劣,因此无法直接测量,只能通过间接法进行预测。目前,应用较多的磨机负荷预测方法有磨音法、振动法以及功率法。现有磨音法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷,缺点是检测精度不高,未能有效去除背景噪声干扰,特别是当多台磨机同时在一个车间内运行时,临近磨机运行时所发出的噪声会严重影响负荷检测的准确性。振动法是利用磨机运转时,研磨体和物料偏于磨机的一侧,磨机的转动部分处于严重的不平衡状态,造成不平衡的离心力,并使磨机系统振动,磨机在转速不变时其振动强度与被磨物料量的多少有关这一特性检测的;振动法的不足在于线性度差,准确度不高。功率法的思路是通过测量磨机运行时电机所消耗的功率来判断磨机内的负荷。在实际应用中,是测量磨机的工作电流。此种方法的不足之处在于磨机的工作电流在整个工作过程中,变化不是很大,测量灵敏度低。
目前磨机负荷的检测方法中,大多采用单一信号来反应负荷情况,然而制粉系统多个参数信息共同对预测模型产生影响,所以有必要在软测量模型建立过程中综合利用多个参数信息,从而获得对磨机负荷更准确的估计。此外更重要的是在以往的软测量模型中,其忽略了磨机运行过程中具有的周期性,没有充分利用磨机的周期信息,未能实现对磨机负荷更准确的预测,同时也造成了模型过于复杂,模型建立和预测时间过长的问题。
发明内容
本发明的目的在于提供一种火电厂磨机的负荷检测方法,用以解决火电厂磨机负荷难以预测的问题,该方法采用建立周期参数序列、滚动优化及基于周期特征的约简最小二乘支持向量机等技术手段,实现对各参数信息的综合利用,在模型建立过程中显著改善模型建立时间,降低模型复杂度,缩减模型预测时间,最终能够在线实时预测火电厂的磨机负荷。
为了实现上述任务,本发明采取如下的技术解决方案:
一种基于周期滚动优化的火电厂磨机负荷预测方法,其特征在于,该方法包括以下步骤:
1)每秒采集一次相关参数,包括磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow,其中磨机噪声Enos和磨机振动Evib分别为特征频段内的噪声和振动信号能量;
2)对采集到的相关参数,构建相应的参数序列X(in),in=1,...,N,其中:X代表磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow,N为参数采集次数,将参数序列视为周期序列,序列内同一周期为:{X(j-T+1),X(j-T+2),...,X(j)},其中:j=T,...,N,T为周期时间;
3)建立周期滚动优化模型,对参数序列X(in),in=1,...,N进行周期滚动优化,即对序列中的每个当前参数X(n)所在的周期时间T范围内的序列值{X(n-T+1),X(n-T+2),...,X(n)},其中:n≥T+1,使用主特征周期均方加权融合,得到当前参数的周期优化值X′(n),X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow;
4)通过将相关参数的周期优化参数X′=(E′nos,E′vib,I′mil,P′dif,P′neg,T′out,I′pow),作为输入,采用基于周期特征的约简最小二乘支持向量机模型进行负荷预测,最终确定磨机负荷参数的预测值
所述周期时间T选取方法为:T=Round(n0·T0),n0=2~10,其中Round(·)为取整运算,T0为磨机筒体旋转一周所需时间,使得构建的参数序列包含磨机旋转n0圈的运行信息。
所述的建立周期滚动优化模型的过程为:对参数序列X(in),in=1,...,N进行周期滚动优化,即对序列中的每个当前参数X(n)根据周期时间T范围内的参数值{X(n-T+1),X(n-T+2),...,X(n)},其中:n≥T,使用主特征周期均方加权融合,其步骤如下:
1)当前参数X(n)为主特征,确定主特征所在周期时间T范围内的n0个特征周期其中:各特征周期反映了磨机旋转每圈的运行信息,特别当i0=1时,为主特征周期,求取各特征周期融合值
公式如下:
2)对各特征周期融合值进行均方加权融合,其中i0=1时,特征周期融合值的权值为w1=0.5,i0>1时,特征周期融合值的权值为即在权值总和为情况下,随与主特征周期距离增大而等差递减;得到当前参数的周期优化值其中:X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow。
所述的基于周期特征的约简最小二乘支持向量机模型,将相关参数的周期优化参数X′=(E′nos,E′vib,I′mil,P′dif,P′neg,T′out,I′pow)作为输入,确定磨机负荷参数的预测值该模型的建立步骤如下:
1)对训练样本采用周期滚动优化模型,得到训练样本对应的周期优化序列其中Ns为总训练样本数,X′T=(E′Tnos,E′Tvib,I′Tmil,P′Tdif,P′Tneg,T′Tout,I′Tpow)为训练样本输入参数的优化值,Y′T为训练样本输出参数的优化值,E′Tnos为磨机噪声样本的周期优化参数、E′Tvib为磨机振动样本的周期优化参数、I′Tmil为磨机电机电流样本的周期优化参数、P′Tdif为磨机出入口差压样本的周期优化参数、P′Tneg为磨机入口负压样本的周期优化参数、T′Tout为磨机出口温度样本的周期优化参数、I′Tpow为排粉机电机电流样本的周期优化参数;
2)将周期优化序列分为M组,其中:M≤T,T为周期时间,分
组方式为依次选取每间隔一周期时间T的第p个参数,即{(X′T(p+qT),Y′T(p+qT))|q=
1,...,Ns/T},其中:p=1,...,M,分别建立M个约简最小二乘支持向量机模型,其中第p个模
型的支持向量选取方式为第p组周期优化序列,而误差项使用所有周期优化序列,能够实现
对全部样本进行优化的同时大幅降低模型复杂度,即第p组的约简最小二乘支持向量机模
型的形式为寻优方程为:
其中
αS,b为模型待优化参数,αj为向量αS中元素
S=Sp为M组中第p组的序列标号
Sp为支持向量的序号标号,Sp={p+qT|q=1,...,Ns/T},p=1,...,M
Kss矩阵中第l行,m列元素为Klm=k(X′T(l),X′T(m)),l,m∈S
k(X′T(i),X′T(j))=exp(-||X′T(i)-X′T(j)||2/2γ2)
γ,C为超参数,通过网格搜索和十折交叉验证的方法来进行优化选取;
3)选取M组模型中效果最好的,即第p组模型的预测值fp(X′T)与样本输出值的周期
优化序列Y′T均方根误差MSE最小的作为最终模型,即
和现有技术相比较,本发明具备如下优点:
本发明提出基于周期滚动优化的火电厂磨机负荷预测方法,从三个方面利用磨机的周期性质:
首先利用在同一个旋转周期内的多次参数采样值,融合后共同表征该旋转周期的特征;
其次利用多个相邻旋转周期的特征共同反应负荷的变化,通过主特征周期均方加权融合得到周期优化序列;
最后,利用参数的周期特性进行分组建模和整体评估,在保证模型性能的同时减少模型的支持向量数,从而大幅降低模型复杂度,改善模型建立和预测时间。
本发明利用磨机运行的周期性特征,具有复杂度低、预测精度高、利于在线应用等优点,为火电厂制粉系统的安全、经济运行提供可靠保障。其具有重要的实用价值。
附图说明
图1是基于周期滚动优化的火电厂磨机负荷预测方法的结构框图。
图2是基于周期滚动优化的火电厂磨机负荷预测方法的流程图。
图3是DCS方式控制系统结构图。
图4是周期滚动优化模型的流程图。
图5是基于周期特征的约简最小二乘支持向量机的建立流程图。
具体实施方式
下面结合附图和具体实施方法对本发明作进一步的详细描述。
本发明的基于周期滚动优化的火电厂磨机负荷预测方法的框图如图1所示,流程图如图2所示。以某火电厂的磨机为例,给出本发明的一个具体应用。该磨机型号为DTM350/700,转速为17.57r/min。采用DCS的方式实现磨机输入信号的采集、算法的执行以及其他各种操作监控等功能,系统结构如图3所示。在实时控制层,由西门子的S7-400和S7-200系列PLC及其扩展输入输出模块组成,充分利用S7-200系列PLC的低成本、易于扩展、编程简单等优点,实现系统各输入点的分布式采集与控制信号输出,而功能强大的S7-400系列PLC则为实现复杂的信号处理、软测量、控制算法等提供保障;在操作管理层,主要为各种IO服务器,操作台以及工程师站,完成人机交互以及设计方案的更新等。
具体包括以下步骤:
1)在信号采集部分,通过DCS系统进行控制,每1秒采集一次相关参数,包括磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow。其中磨机噪声Enos、磨机振动Evib为特征频段内的噪声和振动信号能量。
对噪声和振动信号的采集和过程如下:磨机运行过程中筒体噪声使用声望公司的MPA206传声器测量,传感器灵敏度为32mv/Pa,响应频率为20Hz~10kHz,安装于距离磨机入口1/3处,指向钢球下落撞击点;磨体振动幅度使用PCB公司的608A11加速度传感器检测振动量测量,传感器灵敏度100mv/g,响应频率为20Hz~10kHz,安装于磨机入口支撑轴承处;配合高速数据采集卡PCI1714UL(研华模拟量输入卡,4通道,最大转换速率30MHz,12位AD),实时采集噪音传感器和振动传感器信号,每次以51.2k的采样速率采样1024点数据。对每采集到1024点数据进行频谱分析,将特征频段内(本实例中选取特征频段为1.2kHz~5kHz)的频域幅值模取平方后累加,得到对应的特征频段内的噪声和振动信号能量,即磨机噪声Enos、磨机振动Evib。
2)对采集到的相关参数,构建相应的参数序列X(in),in=1,...,N(X代表相关参数Enos、Evib、Imil、Pdif、Pneg、Tout和IpowIpow,N为参数采集次数),将参数序列视为周期序列,T为周期时间,磨机旋转速度为17.57r/min,选取n0=4,则磨机筒体旋转一周所需时间T0=3.5s,周期时间T为:T=Round(n0·T0)=14s。序列内同一周期为:{X(j-13),X(j-12),...,X(j)},j=15,16...,N。构建的周期参数序列包含磨机旋转n0=4圈的运行信息。
3)如图4所示流程图,建立周期滚动优化模型,对周期时间T=14的参数序列X(in),in=1,...,N进行周期滚动优化,即对序列中的每个当前参数X(n)所在的周期时间T范围内的序列值{X(n-13),X(n-12),...,X(n)},其中:n≥15,使用主特征周期均方加权融合,得到当前参数的周期优化值X′(n),X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow。
当前采集的参数X(n)为主特征,确定主特征X(n)所在T周期内的各个特征周期,即(其中即)。各特征周
期反映了包含磨机旋转每圈的运行信息。特别当i0=1时X(n-2),X(n-1),X(n)为主特征周
期。求取各特征周期融合值公式如下:
对各特征周期融合值进行均方加权融合,其中i0=1时,特征周期融合值的权值为w1=0.5,i0>1时,特征周期融合值的权值为w2=0.222,w3=0.167,w4=0.111。得到当前参数的周期优化值X′(n)(X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow),公式如下:
4)确定磨机负荷参数的预测值通过将相关参数的周期优化参数X′=(E′nos,E′vib,I′mil,P′dif,P′neg,T′out,I′pow),作为输入,并采用基于周期特征的约简最小二乘支持向量机模型进行负荷预测,最终确定磨机负荷参数的预测值模型建立如图5所示流程图,过程如下,首先确定训练样本为其中Ns=70000为总训练样本数。XT为训练样本中的输入参数,YT为训练样本的输出参数。对样本参数中各分量分别使用如图4过程的周期滚动优化模型,具体使用中,因公式中需要前T项序列值,实际从序列的第T+1项开始算起,得到训练样本对应的周期优化序列样本数量仍然有69985个,此处使用约简最小二乘支持向量机模型,若使用普通方法直接进行模型建立,则样本数量太大,模型复杂,且建模时间和预测时间过长。
将周期优化序列分为M=14组,分组方式为依次选取每间隔一周期时间T=14的第p个参数,每组为{(X′T(p+14q),Y′T(p+14q))|q=1,...,4999},其中,p=1,…,14。分别建立14个约简最小二乘支持向量机模型,其中第p个模型的支持向量选取为第p组周期优化序列。因模型建立时间与样本数量为指数关系上升,所以建立时间远小于用全样本作为支持向量。训练过程中使用约简最小二乘支持向量机模型,其形式为每个模型的建立过程为求解对应寻优方程,在寻优方程中,选取少量样本即第p组周期优化序列作为支持向量,同时在误差项中使用所有的周期优化序列进行评估。寻优方程如下:
其中:
αS,b为模型待优化参数,αj为向量αS中元素;
S=Sp为14组中第p组的序列标号;
Sp为支持向量的序号标号,Sp={p+14q|q=1,...,4999},p=1,...,14;
Kss矩阵中第l行,m列元素为Klm=k(X′T(l),X′T(m)),l,m∈S;
k(X′i,X′j)=exp(-||X′i-X′j||2/2γ2);
γ,C为超参数,通过网格搜索和十折交叉验证的方法来进行优化选取。
优化公式,可以进一步推导:
其中矩阵中各元素为Kij=k(X′T(i),
X′T(j)),i∈S,j∈{15,...,Ns}。
对14组模型训练结果通过均方根误差MSE进行评估,第p组的结果如下表
第p组 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
MSE | 1.52 | 1.23 | 1.44 | 1.30 | 1.46 | 1.57 | 1.60 | 1.55 | 1.43 | 1.56 | 1.51 | 1.33 | 1.59 | 1.66 |
在p=2时均方根误差MSE最小,所以选取作为最终
模型。
Claims (2)
1.一种基于周期滚动优化的火电厂磨机负荷预测方法,其特征在于,该方法包括以下步骤:
1)每秒采集一次相关参数,包括磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow,其中磨机噪声Enos和磨机振动Evib分别为特征频段内的噪声和振动信号能量;
2)对采集到的相关参数,构建相应的参数序列X(in),in=1,...,N,其中:X代表磨机噪声Enos、磨机振动Evib、磨机电机电流Imil、磨机出入口差压Pdif、磨机入口负压Pneg、磨机出口温度Tout和排粉机电机电流Ipow,N为参数采集次数,将参数序列视为周期序列,序列内同一周期为:{X(j-T+1),X(j-T+2),...,X(j)},其中:j=T,...,N,T为周期时间;
3)建立周期滚动优化模型,对参数序列X(in),in=1,...,N进行周期滚动优化,即对序列中的每个当前参数X(n)所在的周期时间T范围内的序列值{X(n-T+1),X(n-T+2),...,X(n)},其中:n≥T+1,使用主特征周期均方加权融合,得到当前参数的周期优化值X′(n),X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow;
4)通过将相关参数的周期优化参数X′=(E′nos,E′vib,I′mil,P′dif,P′neg,T′out,I′pow),作为输入,采用基于周期特征的约简最小二乘支持向量机模型进行负荷预测,最终确定磨机负荷参数的预测值
所述的建立周期滚动优化模型的过程为:对参数序列X(in),in=1,...,N进行周期滚动优化,即对序列中的每个当前参数X(n)根据周期时间T范围内的参数值{X(n-T+1),X(n-T+2),...,X(n)},其中:n≥T,使用主特征周期均方加权融合,其步骤如下:
1)当前参数X(n)为主特征,确定主特征所在周期时间T范围内的n0个特征周期其中:各特征周期反映了磨机旋转每圈的运行信息,当i0=1时,为主特征周期,求取各特征周期融合值公式如下:
2)对各特征周期融合值进行均方加权融合,其中i0=1时,特征周期融合值的权值为w1=0.5,i0>1时,特征周期融合值的权值为即在权值总和为情况下,随与主特征周期距离增大而等差递减;得到当前参数的周期优化值其中:X′代表磨机噪声的周期优化参数E′nos、磨机振动的周期优化参数E′vib、磨机电机电流的周期优化参数I′mil、磨机出入口差压的周期优化参数P′dif、磨机入口负压的周期优化参数P′neg、磨机出口温度的周期优化参数T′out和排粉机电机电流的周期优化参数I′pow;
对相关参数的周期优化参数X′=(E′nos,E′vib,I′mil,P′dif,P′neg,T′out,I′pow),采用基于周期特征的约简最小二乘支持向量机模型确定磨机负荷参数的预测值该模型的建立步骤如下:
1)对训练样本采用周期滚动优化模型,得到训练样本对应的周期优化序列其中Ns为总训练样本数,X′T=(E′Tnos,E′Tvib,I′Tmil,P′Tdif,P′Tneg,T′Tout,I′Tpow)为训练样本输入参数的优化值,Y′T为训练样本输出参数的优化值,E′Tnos为磨机噪声样本的周期优化参数、E′Tvib为磨机振动样本的周期优化参数、I′Tmil为磨机电机电流样本的周期优化参数、P′Tdif为磨机出入口差压样本的周期优化参数、P′Tneg为磨机入口负压样本的周期优化参数、T′Tout为磨机出口温度样本的周期优化参数、I′Tpow为排粉机电机电流样本的周期优化参数;
2)将周期优化序列分为M组,其中:M≤T,T为周期时间,分组方式为依次选取每间隔一周期时间T的第p个参数,即{(X′T(p+qT),Y′T(p+qT))|q=1,...,Ns/T},其中:p=1,...,M,分别建立M个约简最小二乘支持向量机模型,其中第p个模型的支持向量选取方式为第p组周期优化序列,而误差项使用所有周期优化序列,能够实现对全部样本进行优化的同时大幅降低模型复杂度;
3)选取M组模型中效果最好的,即第p组模型的预测值fp(X′T)与样本输出值的周期优化序列Y′T均方根误差MSE最小的作为最终模型,即
2.根据权利要求1所述的预测方法,其特征在于,所述周期时间T选取方法为:T=Round(n0·T0),n0=2~10,其中Round(·)为取整运算,T0为磨机筒体旋转一周所需时间,使得构建的参数序列包含磨机旋转n0圈的运行信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510486550.3A CN105160421B (zh) | 2015-08-10 | 2015-08-10 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510486550.3A CN105160421B (zh) | 2015-08-10 | 2015-08-10 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160421A CN105160421A (zh) | 2015-12-16 |
CN105160421B true CN105160421B (zh) | 2018-11-09 |
Family
ID=54801272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510486550.3A Expired - Fee Related CN105160421B (zh) | 2015-08-10 | 2015-08-10 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160421B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506134B (zh) * | 2019-09-16 | 2024-08-20 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
CN113190983B (zh) * | 2021-04-21 | 2024-03-01 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010064348A (ko) * | 1999-12-29 | 2001-07-09 | 이구택 | 압연기에 있어 하중 예측의 퍼지 보상 제어 방법 |
JP2003216203A (ja) * | 2002-01-21 | 2003-07-31 | Nippon Steel Corp | 制御パラメータ予測装置、制御パラメータ予測方法、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム |
JP2005152919A (ja) * | 2003-11-21 | 2005-06-16 | Kobe Steel Ltd | 板クラウン予測モデルの修正方法 |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN103839106A (zh) * | 2014-02-19 | 2014-06-04 | 西安理工大学 | 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 |
-
2015
- 2015-08-10 CN CN201510486550.3A patent/CN105160421B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010064348A (ko) * | 1999-12-29 | 2001-07-09 | 이구택 | 압연기에 있어 하중 예측의 퍼지 보상 제어 방법 |
JP2003216203A (ja) * | 2002-01-21 | 2003-07-31 | Nippon Steel Corp | 制御パラメータ予測装置、制御パラメータ予測方法、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム |
JP2005152919A (ja) * | 2003-11-21 | 2005-06-16 | Kobe Steel Ltd | 板クラウン予測モデルの修正方法 |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN103839106A (zh) * | 2014-02-19 | 2014-06-04 | 西安理工大学 | 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 |
Non-Patent Citations (1)
Title |
---|
Soft sensing of mill load parameters based on multi-scale frequency spectrum.;Liu, Zhuo,Wen Yu, and Jian Tang;《Intelligent Control and Automation (WCICA)》;20141130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105160421A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101718613B (zh) | 一种数控装备实验模态分析方法 | |
Zhao et al. | Fault diagnosis of wind turbine bearing based on stochastic subspace identification and multi-kernel support vector machine | |
CN101639395B (zh) | 一种改进的高速主轴全息动平衡方法 | |
CN105604807B (zh) | 风电机组监测方法及装置 | |
Cheng et al. | Envelope deformation in computed order tracking and error in order analysis | |
Yang et al. | Vibration test of single coal gangue particle directly impacting the metal plate and the study of coal gangue recognition based on vibration signal and stacking integration | |
CN111488678A (zh) | 一种风电机组塔架累积疲劳损伤评估系统及方法 | |
CN106563537B (zh) | 基于筒体表面抛落和滑动区振动信号的磨机负荷检测方法 | |
CN1309229A (zh) | 研究和鉴定基础的类型用的方法和装置 | |
CN111256993A (zh) | 一种风电机组主轴承故障类型诊断方法及系统 | |
CN105160421B (zh) | 一种基于周期滚动优化的火电厂磨机负荷预测方法 | |
CN113357099B (zh) | 一种基于加速度传感器的风机塔筒的疲劳诊断检测方法 | |
CN104134013B (zh) | 一种风力机叶片模态分析方法 | |
CN107454925A (zh) | 用于确定风能设备的剩余使用寿命的方法 | |
CN104408322A (zh) | 综合多源故障概率似然信度的旋转机械设备故障诊断方法 | |
CN103203670B (zh) | 基于最大信息熵与方向散度的磨削颤振预测方法 | |
Yao et al. | Position dependent vibration evaluation in milling of thin-walled part based on single-point monitoring | |
CN106078508A (zh) | 一种砂轮磨损在线监测方法 | |
Kashiwagi et al. | Digital systems design based on DSP algorithms in FPGA for fault identification in rotary machines | |
CN112729731B (zh) | 一种基于动刚度敏感性的机床敏感部件识别方法及装置 | |
Huang et al. | Study on the method for collecting vibration signals from mill shell based on measuring the fill level of ball mill | |
Wang et al. | Advances in vibration analysis and modeling of large rotating mechanical equipment in mining arena: A review | |
McElroy et al. | Soft-sensors for prediction of impact energy in horizontal rotating drums | |
CN113190983B (zh) | 一种基于复合软测量的火电厂磨机负荷预测方法 | |
Qu et al. | Aging state detection of viscoelastic sandwich structure based on ELMD and sensitive IA spectrum entropy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181109 Termination date: 20210810 |
|
CF01 | Termination of patent right due to non-payment of annual fee |