CN105279385B - 一种基于虚拟样本的磨机负荷参数软测量方法 - Google Patents
一种基于虚拟样本的磨机负荷参数软测量方法 Download PDFInfo
- Publication number
- CN105279385B CN105279385B CN201510784750.7A CN201510784750A CN105279385B CN 105279385 B CN105279385 B CN 105279385B CN 201510784750 A CN201510784750 A CN 201510784750A CN 105279385 B CN105279385 B CN 105279385B
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum signature
- submodel
- virtual
- output
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 110
- 238000000227 grinding Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000002156 mixing Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010238 partial least squares regression Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 abstract description 14
- 238000013459 approach Methods 0.000 abstract description 5
- 241001269238 Data Species 0.000 abstract description 4
- 239000011805 ball Substances 0.000 description 30
- 239000000203 mixture Substances 0.000 description 16
- 229910000831 Steel Inorganic materials 0.000 description 14
- 239000010959 steel Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 230000010358 mechanical oscillation Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- NCEXYHBECQHGNR-UHFFFAOYSA-N chembl421 Chemical compound C1=C(O)C(C(=O)O)=CC(N=NC=2C=CC(=CC=2)S(=O)(=O)NC=2N=CC=CC=2)=C1 NCEXYHBECQHGNR-UHFFFAOYSA-N 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009837 dry grinding Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本发明公开了一种基于虚拟样本的磨机负荷参数软测量方法,所述方法首先采用集成经验模态分解技术(EEMD)获得磨机筒体振动及振声样本信号的多尺度时域子信号,进行进一步处理后获得具有不同时间尺度的高维谱数据;接着基于这些高维谱数据采用改进的选择性集成核偏最小二乘方法(IGASEN‑KPLS)构建基于可行性的规划(FBP)模型,并基于先验知识和FBP模型产生新的虚拟样本;然后将其与真实训练样本混合后得到混合建模样本,并采用基于互信息(MI)的特征选择方法进行多尺度谱特征的自适应选择,采用这些选择的谱特征构建软测量模型,并进行软测量。
Description
技术领域
本发明涉及软测量领域,具体涉及一种基于虚拟样本的磨机负荷参数软测量方法。
背景技术
磨矿过程的优化运行控制需要准确检测磨机内的负荷参数(参见文献[1]P.Zhou,T.Y.Chai,H.Wang,“Intelligent optimal-setting control for grinding circuits ofmineral processing,”IEEE Transactions on Automation Science and Engineering,6(2009)730-743.和文献[2]T.Y.Chai,“Operational optimization and feedbackcontrol for complex industrial processes,”Acta Automatica Sinica,39(2013)1744-1757)。磨机内部数以万计的钢球分层排列,不同层的钢球对磨机内部物料和磨机筒体的冲击力具有不同的强度和周期。通常测量得到的筒体振动信号是具有不同时间尺度的多个子信号的混合。筒体振动是磨机振声信号的主要来源。因此,这些机械振动和振声信号具有非稳态和多组分特征。优秀的领域专家通过同时考虑多种运行工况和多种来源信息可有效监视磨机负荷状态和部分磨机内部的负荷参数。研究表明,人耳可以从磨机振声信号中分辨出有价值信息。事实上,人耳是一组自适应带通滤波器,人脑具有多层认知结构。领域专家可从多源特征和多种运行工况中提取有价值信息进行决策。领域专家经验的差异和有限的精力难以保证磨机长期工作在优化负荷状态。针对这些情况,很有必要模拟领域专家的认知过程建立磨机负荷参数软测量模型。
在时域内,磨机筒体振动和振声内的有价值信息被隐含在宽带随机噪声中(参见文献[3]Y.,Zeng,E.Forssberg,“Monitoring grinding parameters by vibrationsignal measurement-a primary application,”Minerals Engineering,1994,7(4):495-501.)。基于机械振动和振声信号的磨机负荷参数建模需要关注3个子问题:多组分信号自适应分解、多源谱特征自适应选择、基于选择多种运行工况的软测量模型构建。
研究表明,信号处理可以简化特征的选择和提取过程(参见文献[4]S.Shukla,S.Mishra,and B.Singh,“Power Quality Event Classification Under NoisyConditions Using EMD-Based De-Noising Techniques,”IEEE Transaction onIndustrial Informatics,10(2014)1044-1054.)。磨机负荷参数与筒体振动和振声信号的功率谱密度(PSD)密切相关(参见文献[5]J.Tang,L.J.Zhao,J.W.Zhou,H.Yue,T.Y.Chai,“Experimental analysis of wet mill load based on vibration signals oflaboratory-scale ball mill shell,”Minerals Engineering,23(2010)720-730.),但这些谱数据通常包含成千上万的特征。很多维数约简算法用于处理具有该特点的数据(参见文献[6]J.Tang,T.Y.Chai,W.Yu,L.J.Zhao,“Modeling load parameters of ball millin grinding process based on selective ensemble multi-sensor information,”IEEE Transactions on Automation Science and Engineering,10(2013)726-740.)。基于互信息(MI)和偏最小二乘(PLS)的算法可以有效识别这些特征(参见文献[6])。为有效的融合这些频谱特征,基于集成PLS,选择性集成(SEN)和核PLS(KPLS)的软测量模型方法已有报道(参见文献[7]J.Tang,T.Y.Chai,L.J.Zhao,W.Yu,H.Yue,“Soft sensor forparameters of mill load based on multi-spectral segments PLS sub-models andon-line adaptive weighted fusion algorithm,”Neurocomputing,78(2012)38-47.文献[8]J.Tang,T.Y.Chai,W.Yu,L.J.Zhao,“Feature extraction and selection based onvibration spectrum with application to estimate the load parameters of ballmill in grinding process,”Control Engineering Practice,20(2012)991-1004.)。但是,快速傅里叶变换(FFT)不适合于具有非稳态特性的机械振动和振声信号的处理(参见文献[9]Y.G.Lei,Z.J.He,Y.Y.Zi,“Application of the EEMD method to rotor faultdiagnosis of rotating machinery,”Mechanical Systems and Signal Processing,23(2009)1327-1338.)。离散小波变换、连续小波变换(CWT)、小波包变换等时频分析方法已经被广泛应用于旋转机械设备的故障诊断(参见文献[10]G.K.Singh,S.A.S.AlKazzaz,“Isolation and identification of dry bearing faults in induction machineusing wavelet transform,”Tribology International 42(2009)849-861.;文献[11]J.Cusido,L.Romeral,J.A.Ortega,J.A.Rosero,and A.Garcia Espinosa,“Faultdetection in induction machines using power spectral density in waveletdecomposition,”IEEE Trans.Ind.Electron.,vol.55,no.2,pp.633-643,Feb.2008.文献[12]M.Riera-Guasp,J.A.Antonino-Daviu,M.Pineda-Sanchez,R.Puche-Panadero,J.Perez-Cruz,“A general approach for the transient detection of slip-dependent fault components based on the discrete wavelet transform,”IEEETrans.Ind.Electron.,55(2008)4167-4180.文献[13]J.Seshadrinath,B.Singh,andB.K.Panigrahi,“Vibration Analysis Based Interturn Fault Diagnosis inInduction Machines,”Transaction on Industrial Informatics,10(2014)340-350.文献[14]P.K.Kankar,S.C.Sharma,S.P.Harsha,“Rolling element bearing faultdiagnosis using auto correlation and continuous wavelet transform,”Journal ofVibration and Control,17(2011)2081-2094.)。但这些方法不能自适应分解本文所面对的多组分信号,如面对任何具体实际问题必须为CWT选择合适的母小波。经验模态分解(EMD)技术通过自适应分解获取具有不同时间尺度的内禀模态函数(IMFs,也成为子信号)(参见文献[15]N.E.Huang,Z.Shen,S.R.Long,“The empirical mode decomposition andthe Hilbert spectrum for non-linear and non stationary time series analysis,”Proc.Royal Soc.London A,454(1998)903-995.),并且已经被广泛应用于旋转设备故障诊断(参见文献[16]J.Faiz,V.Ghorbanian,and B.M.Ebrahimi,“EMD-Based Analysis ofIndustrial Induction Motors With Broken Rotor Bars for Identification ofOperating Point at Different Supply Modes,”IEEE Transaction on IndustrialInformatics,10(2014)957-966.文献[17]Stuti.Shukla,S.Mishra,and Bhim Singh,“Power Quality Event Classification Under Noisy Conditions Using EMD-BasedDe-Noising Techniques,”IEEE Transaction on Industrial Informatics,10(2014)1044-1054.文献[18]R.Y.Li,D.He,“Rotational machine health monitoring and faultdetection using EMD-based acoustic emission feature quantification,”IEEETransaction on Instrumentation and Measurement,61(2012)990-1001.)。文献[19](V.K.Rai,A.R.Mohanty,“Bearing fault diagnosis using FFT of intrinsic modefunctions in Hilbert-Huang transform,”Mechanical Systems and SignalProcessing,21(2007)2607-2165.)和文献[20](J.Tang,L.J.Zhao,H.Yue,W.Yu,T.Y.Chai,“Vibration analysis based on empirical mode decomposition and partial leastsquares,”Procedia Engineering 16(2011)646-652.)提出了基于IMF的FFT的机械设备故障诊断和磨机筒体振动分析;文献[21](L.J.Zhao,J.Tang,W.R.Zheng,“Ensemblemodeling of mill load based on empirical mode decomposition and partial leastsquares,”Journal of Theoretical and Applied Information Technology,45(2012)179-191.)和文献[22](J.Tang,T.Y.Chai,Q.M.Cong,B.C.Yuan,etc.,“Soft sensorapproach for modeling mill load parameters based on EMD and selectiveensemble learning algorithm,”Acta Automatica Sinica,40(2014)1-14.)构建了基于EMD的SEN模型,但这些方法的预测精度较低。基于MI和PLS的方法并不能有效的选择IMF的频谱特征。新提出的集成EMD(EEMD)技术克服了EMD方法的模态混合问题(参见文献[23]Z.Wu,N.E.Huang,“Ensemble empirical mode decomposition:a noise-assisted dataanalysis method,”Advances in Adaptive Data Analysis,1(2009)1-41.)。研究表明,有价值的IMF的数量是有限的。因此,如何同时选择有价值的IMF及其谱特征是第二个需要解决的问题。上面所提的许多SEN建模方法采用“操纵输入特征”的集成构造方法。这些方法从多源信息融合的角度可以有效的选择不同的频谱特征子集,却难以体现代表不同运行工况的训练样本的贡献。
综上,需要关注选择性的同时融合多源多尺度谱特征和多工况训练样本。基于遗传算法的选择性集成(GASEN)(参见文献[24]Zhou ZH,Wu J and Tang W,“Ensemblingneural networks:many could be better than all,”Artificial Intelligence,vol.137,no.1-2,pp.239-263,2002.)采用“采样训练样本”方法构造集成,采用反向传播神经网络(BPNN)构建候选子模型和简单平均方法合并集成子模型。偏最小二乘(KPLS)方法能够克服BPNN的训练时间长、过拟合和难以用于小样本建模等缺点。自适应加权融合(AWF)面向多传感器系统时可以获得最优观测值(参见文献[25]L.Xu,J.Q.Zhang,Y.Yan,“Awavelet-based multisensor data fusion algorithm,”IEEE Tranctions onInstrumentation and Measurement,53(2004)1539-1544.)。
同时,中国专利申请CN201510303525.7,提出了一种改进选择性集成核偏最小二乘方法(IGASEN-KPLS)。该方法在本申请中用于构建基于可行性的规划(FBP)模型。但是,球磨机连续、封闭运行的特点导致用于构建软测量模型的建模数据只能在专为软测量模型构建进行的实验设计阶段或生产过程停止运行后重新开始运行阶段获得,获得足够有效的建模数据的经济和时间成本很高。因此,磨机负荷参数的软测量问题可归结为一类基于高维小样本数据的回归建模问题。
发明内容
有鉴于此,本发明提出一种基于虚拟样本的磨机负荷参数软测量方法,包括以下四个步骤:基于EEMD和希尔伯特变换(HT)的多尺度谱数据获取模块、基于先验知识和FBP模型的虚拟样本产生、面向真实和虚拟混合样本的IMF谱特征自适应选择、面向真实和虚拟混合样本的软测量模型构建。
具体地,所述方法包括:
S100、将每个真实样本分解为JIMF个真实子信号,获得所有真实样本的JIMF个真实子信号向量,每个真实子信号代表具有物理含义的单一振动模态,JIMF为预定值,所述真实样本为在已知负荷参数下检测获取的磨机筒体的样本振动信号和样本振声信号;
S200、提取所有真实子信号的谱特征,获取所有真实样本的JIMF个谱特征向量;
S300、对于每个谱特征向量,在所有可插值的谱特征对之间进行插值生成多个虚拟谱特征,所述可插值的谱特征对为自身或相关向量中预定数量的元素相同的两个真实样本所对应的谱特征;
S400、以每个谱特征向量和对应的负荷参数为训练样本,训练获取JIMF个子输出预测模型;
S500、以每个谱特征向量对应的所述虚拟谱特征为输入,根据对应子输出预测模型计算对应的备选子输出,并在备选子输出符合虚拟子信号筛选条件时将当前备选子输出作为虚拟谱特征对应的虚拟子输出,在重复执行预定次数仍然不能获得虚拟子输出时,返回步骤S400;
S600、基于信息熵计算JIMF个虚拟子输出的加权系数,并基于所述虚拟子输出和对应的所述加权系数加权计算虚拟样本输出;
S700、对于每个谱特征向量,将对应的虚拟谱特征和谱特征向量合并作为混合样本输入,将虚拟样本输出和真实样本的负荷参数合并获取混合样本输出;
S800、在由混合样本输入和混合样本输出组成的混合样本中,通过自适应谱特征选择获取选取的谱特征,并划分为训练样本和验证样本;
S900、根据训练样本和验证样本,训练获取软测量预测模型;
S1000、获取需要进行软测量的磨机的测试数据的谱特征;
S1100、根据所述软测量预测模型计算测试数据的谱特征对应的负荷参数。
本发明的方法该首先采用集成经验模态分解技术(EEMD)获得磨机筒体振动及振声样本信号的多尺度时域子信号,进行进一步处理后获得具有不同时间尺度的高维谱数据;接着基于这些高维谱数据采用改进的选择性集成核偏最小二乘方法(IGASEN-KPLS)构建基于可行性的规划(FBP)模型,并基于先验知识和FBP模型产生新的虚拟样本;然后将其与真实训练样本混合后得到混合建模样本,并采用基于互信息(MI)的特征选择方法进行多尺度谱特征的自适应选择,采用这些选择的谱特征构建软测量模型;最后采用实验球磨机的筒体振动和振声的高维频谱数据,基于0.632Bootstrap评估方法验证了所提方法的有效性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明的磨机系统以及配套的软测量系统的硬件结构示意图;
图2是本发明实施例的磨机负荷参数软测量方法的流程图;
图3是本发明实施例的磨机负荷参数软测量方法中真实样本的部分谱特征的波形图;
图4是本发明实施例的磨机负荷参数软测量方法中虚拟样本的部分谱特征的波形图;
图5是本发明实施例的磨机负荷参数软测量方法中真实样本和虚拟样本的输出的对比图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
图1是本发明的磨机系统以及配套的软测量系统的硬件结构示意图。
两段式磨矿回路(GC)广泛的应用于选矿过程,如图1所示的一段磨矿(GC I),在磨矿回路的第一端,通常包括顺序连接的料仓1、给矿机2、湿式预选机3、磨机4和泵池5。水力旋流器6连接在泵池5和湿式预选机3之间,使得较粗粒度的部分作为底流被返回磨机再磨。新给矿、新给水以及周期性的添加钢球,与水力旋流器的底流一起进入磨机4(通常为球磨机)。矿石在磨机4内被钢球冲击和磨剥为较细的颗粒,与磨机4内水混合得到的矿浆连续的流出磨机,进入泵池5。通过向泵池5内注入新水对矿浆进行稀释,并将这稀释的矿浆以一定的压力注入水力旋流器6,进而这些泵入水力旋流器的矿浆被分离为两部分:包含较粗粒度的部分作为底流进入磨机再磨;其余部分则进入二段磨矿(GC II)。
同时,为了进行负荷参数的软测量,振动信号获取装置7和振声信号获取装置8分别与磨机4结合设置以获取振动信号和振声信号,数据处理装置9根据检测获得的振动信号和振声信号进行数据处理软测量获取负荷参数。
磨矿生产率(即磨矿产量)通常是通过最大化的优化循环负荷得到的,而循环负荷往往由GC I的负荷决定。磨机过负荷会导致磨机吐料、磨机出口物料的粒度变粗、磨机堵磨,甚至导致磨矿过程停产。磨机欠负荷会导致磨机空砸,造成能源浪费,增加钢球损耗,甚至磨机损坏。因此,磨机负荷是非常重要的参数。球磨机内部负荷参数的准确测量对于保证磨矿过程产品质量、生产效率,以及生产过程的安全性密切相关。工业现场中,领域专家多依靠多源信息和自身经验监视磨机负荷状态。基于磨机筒体振动信号和振声信号的数据驱动软测量方法常用于克服专家推理磨机负荷带来的主观性和不稳定性。但是,目前已有方法难以选择性的同时融合隐含在机械振动信号和振声信号多尺度谱数据和多操作工况中(训练样本)的有价值信息。
球磨机是重型旋转机械设备,主要依靠钢球对物料的冲击和磨剥实现研磨。在磨机旋转的一个周期内,最外层钢球对磨机上任何一点的冲击力可以表示为:
其中,和代表冲击、磨剥和滑动阶段的冲击力。显然,这些力具有不同的冲击幅值和冲击频率,仅分析磨机筒体振动在某一时刻的冲击力是不合理的。因此,筒体振动信号分析的长度至少为磨机筒体旋转一周的数据。
由引起的筒体振动标记为:
其中,和表示在冲击、磨剥和滑动阶段引起的筒体振动。
实际上,磨机内的钢球数以万计。这些钢球分层排列并且以不同的冲击力同时落下。这些不同频率和幅值的冲击力引起的振动相互叠加。磨机自身的质量不平衡和球磨机的安装偏置也可以引起磨机筒体振动。这些振动信号相互耦合,最终形成可测量的筒体振动信号可表示为:
其中,和分别表示第jVth成分和筒体振动子信号的数量; 和分别表示由第1层钢球、第2层钢球、第3层钢球、磨机质量不平衡、安装偏置和其它原因引起的振动子信号。
磨机负荷参数包括料球比(MBVR),矿浆浓度(PD)和充填率(CVR),这些参数与磨机负荷、磨机负荷状态相关。
筒体振动的声辐射,即结构噪声,是振声信号的主要组成部分。由于磨机筒体是声学中的强反射面,磨机内部噪声连续反射形成混合声场,这些通过磨机筒体和磨机螺栓传输到磨机外部的部分称为空气噪声。测量得到的磨机研磨区域外部的振声信号还包含邻近磨机和其它设备的噪声。因此,振声信号的组成可用下式表示:
其中,是第jA个子信号,是振声子信号的数量。
综上,磨机筒体振动和振声信号具有多组分和多尺度特征,有必要对他们进行自适应分解。
图2是本发明实施例的磨机负荷参数的软测量方法的流程图。
如图2所示,所述方法包括:
S100、将每个真实样本分解为JIMF个真实子信号,获得所有真实样本的JIMF个真实子信号向量,每个真实子信号代表具有物理含义的单一振动模态,JIMF为预定值,所述真实样本为在已知负荷参数下检测获取的磨机筒体的样本振动信号和样本振声信号。
具体地,基于EEMD方法来对每个真实样本进行分解,以获得其子信号(即本征模函数IMF)。EMD方法广泛地用于分析旋转机械设备的振动信号(参见文献[26]Y.G.Lei,J.Lin,Z.J.He,M.J.Zuo,“A review on empirical mode decomposition in fault diagnosisof rotating machinery,”Mechanical Systems and Signal Processing,35(2013)108-126.)。分解获得的子信号(即IMF)按照频率从高到底的顺序依次排列,并且这些子信号代表原始信号中的自然振动模态。理论上讲,每个IMF代表具有物理含义的单一振动模态,详细的数学描述可以参见文献[15]。EEMD可以解决EMD带来的模态混合问题
通过步骤S100的EEMD方法,可将原始的样本振动信号和振声信号分解为:
其中,和是第jV和jA个IMF,和是残差信号。
用于特征选择的IMF的最大数量需要提前确定。由于不同的磨机具有不同的特性,故该数量可以依据零负荷时筒体振动信号的分解结果依据经验确定。本实施例中,筒体振动信号和振声信号的IMF的数量分别标记为JA和JV,并将所有的IMF重新标记为:
其中,JIMF=JA+JV是全部IMF的数量,如上所述由于JA和JV均为预定值,因此JIMF也为预定值。
S200、提取所有真实子信号的谱特征,获取所有真实样本的JIMF个谱特征向量。
从筒体振动和振声的IMF中共可以提取三类特征:基于Hilbert变换(HT)的边际谱(简写为MSHT)、HT变换的瞬时幅值和频率的均值及方差(简写为MVHT)和基于FFT的功率谱密度(简写为PSD)。这三类特征均有自身特性,并且均已成功应用在不同领域中。因此,这些谱特征可以作为来自不同视角的多源信息。
本申请以MSHT特征为例进行描述(在实际过程中,可依据工业实际选择其中的一类或几类特征或全部特征)。
由此,可以将基于不同IMF的谱特征统一表示为:
在本实施例中,表示第jIMF个IMF的MSHT特征,对每个真实样本均进行上述分解和提取后,即可获得jIMF个谱特征向量,每个谱特征向量的元素为不同的真实特征的
S300、对于每个谱特征向量,在所有可插值的谱特征对之间进行插值生成多个虚拟谱特征,所述可插值的谱特征对为自身或相关向量中预定数量的元素相同的两个真实样本所对应的谱特征。
优选地,在每个谱特征向量中除了一个变量(元素)以外,其它变量(元素)均相同的两项真实训练样本可以构成一个可插值的真实样本对。通常,对于具体的某一物理或化学过程,这些输入变量(元素)的具体含义均是已知和可解释的;对于这些物理或化学过程所作的实验,或进行的数据采集过程,对这些变量之间的间隔的要求即构成真实训练样本间隔的先验知识。磨机负荷真实建模数据的输入均是具有相应物理含义的,也就是说,针对采用具体实验设计产生的建模样本的先验知识是已知的。当然,也可以通过变量大部分相同的与输入向量相关的向量来筛选获取可插值的真实样本对。在这两个真实样本的输入向量之间,通过线性插值可以获得所需要数量的虚拟样本的备选输入向量。例如如果将两个相邻真实样本间的间隔分为NVSG部分,那么总共可以产生总计NVSG-1个虚拟样本的输入(也即,虚拟谱特征)。其中,NVSG≥2。对于可插值的两个真实样本,选择其第jIMF个子信号对应的谱特征来进行插值,由此,可以获得所有JIMF个子信号对应的谱特征的虚拟谱特征。这些虚拟谱特征可以作为虚拟样本的输入。
这些虚拟谱特征可以采用下式计算:
其中,NVSG≥2;是第jIMF个子信号对应的第l′VSG个虚拟谱特征向量。
假定总共有kVSG个间隔可以利用,针对第JIMF个IMF,对于每个可插值的样本对,所产生的虚拟样本数量可以采用下式计算:
k′=kVSG(NVSG-1) (10)
S400、以每个谱特征向量和对应的负荷参数为训练样本,训练获取JIMF个子输出预测模型。
具体地,在S400,通过IGASEN-KPLS方法来为JIMF个IMF构建JIMF个对应的子输出预测模型每一个子输出预测模型可以以对应的IMF的谱特征向量为输入,对子输出进行预测,由此,可以获得虚拟数据集
该过程可以表述为:
其中,和分别是虚拟谱特征和子输出的底限和高限;kVSG表示虚拟样本的数量。
IGASEN-KPLS建模算法包括3个部分,即,候选子模型构建、集成子模型选择和集成子模型合并。
具体地,S400包括如下步骤:
S401、对于每个谱特征向量,将其中的谱特征和对应的负荷参数组成的样本划分为训练样本和验证样本。
S402、基于Bootstrap算法从训练样本产生J个训练子样本。
SEN建模的首要问题是集成构造。基于Bootstrap算法的“采样训练样本”方法用于在训练样本中产生训练子样本其中J是子样本的数量,即候选子模型的数量和GA算法中的种群数量。
S403、采用相同的核潜变量数量和核参数基于核偏最小二乘(KPLS)算法从J个训练子样本训练获取J个候选子模型。
基于KPLS算法采用这些子训练样本构建候选子模型,将第j个子训练样本映射到高维特征空间:
Kj=Φ((zj)l)TΦ((zj)m),l,m=1,2,…k. (12)
其中,Kj采用下式中心化:
其中,I是k维的单位阵,1k是值为1长度为k的向量。
为所有候选子模型选择相同的建模参数,即核参数Kpara和核潜变量(KLV)hKLV,并将候选子模型标记为
S404、对每个验证样本计算基于第j个候选子模型的预测输出。
验证样本基于第j个候选子模型的预测输出为:
其中,kvalid是验证样本的数量。
S405、基于所述预测输出和实际负荷参数计算预测误差
其预测误差采用下式计算:
S406、基于如下公式计算所有候选子模型之间的相关系数形成相关系数矩阵。
其中,为第j个候选子模型和第s个候选子模型之间的相关系数,kvalid为验证样本的数量。
由此计算得到的相关系数矩阵为:
S407、为候选子模型产生一随机向量
S408、以随机向量为初始权重参数,根据所述相关系数矩阵以遗传算法求取使得预测误差最小化的优化权重参数,也即,采用标准遗传算法以最小化预测误差为目标优化这些随机向量,将其结果记为作为优化权重参数。
S409、选择对应的优化权重参数大于等于预定的选择阈值的候选子模型为集成子模型获得集成子模型集合。
根据所述的优化权重参数,可以采用如下准则选择集成子模型:
其中,λ是子模型的选择阈值,其为预定值。将ξj=1的子模型选择为集成子模型,并将其数量记为J*,即SEN模型的集成尺寸。
将第j*个集成子模型标记为其输出为:
将所有集成子模型记为
S410、根据AWF算法计算获取集成子模型集合中各子模型的集成权重,将集成子模型集合和对应的集成权重构成所述子输出预测模型。
不同的集成子模型对SEN模型的贡献是不同的。本发明实施例采用自适应加权融合(AWF)算法计算集成子模型的最优权重,即求解如下优化问题:
其中,σ是合并预测值的方差,是集成子模型预测是的方差。最优权重采用下式计算:
SEN模型的预测值的最小方差是:
由此,进行子输出的预测模型建立成功。
S500、以每个谱特征向量对应的所述虚拟谱特征为输入,根据对应子输出预测模型计算对应的备选子输出,并在备选子输出符合虚拟子信号筛选条件时将当前备选子输出作为虚拟子输出,在重复执行预定次数仍然不能获得符合虚拟子信号筛选条件的备选子输出时,返回步骤S400。
具体地,针对第jIMF个IMF,虚拟样本输入的输出可采用下式计算:
判断是否满足以下条件:
如果满足上述条件,将其保存为虚拟样本输入的可接受虚拟子输出。否则,重复上述过程。若重复预定次数后,基于现有的子输出预测模型获得的输出仍然无法满足上述,则返回步骤S400重新构建FBP模型,由此,每一个IMF对应的虚拟子输出均计算获得。
S600、基于信息熵计算JIMF个虚拟子输出的加权系数,并基于所述虚拟子输出和对应的所述加权系数加权计算虚拟样本输出。
具体地,由上述过程可知,针对JIMF个IMF,会产生JIMF个不同的虚拟样本输出,原因在于我们构建了JIMF个FBP模型。显然,需要加权这些虚拟样本输出得到一个统一的虚拟样本输出,即:
其中,是不同IMF虚拟输出的加权系数,为第l′虚拟样本的虚拟样本输出,为第l′虚拟样本的第jIMF虚拟子输出,其计算如下:
其中,表示第l个真实训练样本基于模型的预测值,yl表示第lth个真实训练样本的真值,如前所述,k为真实样本的数量。
基于第l个和第m个原始训练样本间的虚拟样本可以表示为则合并后得到的面向第j个MSHT谱特征的新训练样本可被记为:
其中,
根据真实样本的分布,依据经验可以计算得到全部虚拟样本。
由此,通过S100~S600,基于数量较少的真实样本可以获取到由虚拟谱特征向量作为输入,以根据JIMF个子输出合并获得的虚拟样本输出作为输出的虚拟样本。后续步骤会基于虚拟样本和真实样本来重新训练更加准确的软测量预测模型。
S700、对于每个谱特征向量,将对应的虚拟谱特征和真实样本的谱特征向量合并作为混合样本输入,将虚拟样本输出和真实样本的负荷参数合并获取混合样本输出。
具体地,将不同IMF的MSHT特征进行合并,并表示为
S800、在由混合样本输入和混合样本输出组成的混合样本中,通过自适应谱特征选择获取选取的谱特征,并划分为训练样本和验证样本。
具体地,步骤S800包括:
S801、分别计算所有谱特征和磨机负荷参数之间的互信息值。
对于MSHT,可以采用密度估计方法(参见文献[27]H.C.Peng,F.H.Long,C.Ding,Feature selection based on mutual information:criteria of max-dependency,max-relevance,and min-redundancy.IEEE Transactions on Pattern Analysis andMachine Intelligence,27(2005)1226-1238.)计算第p谱变量(zmix)p和磨机负荷参数ymix之间的MI值:
其中,p((zmix)p)和p(ymix)是(zmix)p和ymix的边缘概率密度,p((zmix)p,ymix)是联合概率密度,H(ymix|(zmix)p)是条件熵,H((zmix)p)是信息熵。
S802、获取所述互信息值的最大值和最小值。
S803、获取以预定步长在所述互信息值的最小值和最大值之间变化的多个谱特征选择阈值,基于每个谱特征选取阈值选取对应的互信息值大于该谱特征选择阈值的所有谱特征构建偏最小二乘回归(PLS)模型,计算每个谱特征选取阈值对应的PLS模型的预测误差。
S804、将预测误差最小的PLS模型对应的谱特征集合作为提取获得的谱特征。
具体地,基于下式选择谱特征:
其中,θMuin是谱特征选择的阈值,和是Zmix的最小值和最大值。采用下式计算阈值递增间的步长θstep:
选择的所有谱特征构建PLS模型;接着以步长θstep增加MI的阈值,并重复上述过程;最终,具有最小PLS模型预测误差的阈值被选定为最终阈值,并将选择的谱特征记为
进一步,将选取的谱特征和对应的输出划分为训练样本和验证样本。
S900、根据训练样本和验证样本,训练获取软测量预测模型;
在本实施例中,基于混合样本获取的训练样本和验证样本,通过IGASEN-KPLS方法来建立软测量预测模型。
将由真实和虚拟样本混合得到的建模样本记做:
其中,lmix=1,......,kmix;kmix=1+l'表示混合样本的数量。
步骤S900与步骤S400类似,包括:
S901、基于Bootstrap算法从训练样本产生J个训练子样本。
S902、采用相同的核潜变量数量和核参数基于核偏最小二乘(KPLS)算法从J个训练子样本训练获取J个候选子模型。
S903、对每个验证样本计算基于第j个候选子模型的预测输出。
S904、基于所述预测输出和实际负荷参数计算预测误差
S905、基于如下公式计算所有候选子模型之间的相关系数形成相关系数矩阵。
其中,为第j个候选子模型和第S个候选子模型之间的相关系数,kvalid为验证样本的数量。
由此计算得到的相关系数矩阵为:
S906、为候选子模型产生一随机向量
S907、以随机向量为初始权重参数,根据所述相关系数矩阵以遗传算法求取使得预测误差最小化的优化权重参数。
S908、选择对应的优化权重参数大于等于预定的选择阈值的候选子模型为集成子模型获得集成子模型集合;
S909、根据AWF算法计算获取集成子模型集合中各子模型的集成权重,将集成子模型集合和对应的集成权重构成所述软测量预测模型
由此,可以获得以谱特征为输入的预测模型基于该模型,可以后续进行磨机负荷参数的软测量。
S1000、获取需要进行软测量的磨机的测试数据的谱特征。
S1100、根据所述软测量预测模型计算测试数据的谱特征对应的负荷参数。
测试样本基于SEN模型的预测输出为:
其中,是基于第j*个集成子模型的预测输出,计算如下:
其中,表示测试数据的谱特征。
基于本发明所述的软测量方法对实际的球磨机进行了实验,实验在XMQL420×450格子型球磨机上进行,其滚筒外径和长度均为460mm。该磨机由功率为2.12kw的三相电机驱动,最大钢球装载量为80kg,设计磨粉能力为10kg/小时,转速为57转/分钟。磨机中部开口,用于添加钢球、物料和水负荷。实验中采用的物料为铜矿石,直径均小于6mm,密度为4.2t/m3。采用直径为30、20和15mm的钢球作为研磨介质,配比为3:4:3。磨机实验共进行了4组:①第一组:料负荷为10kg,水负荷从5kg增加到40kg;②第二组:料负荷为20kg,水负荷从2kg增加到20kg;③第三组:水负荷为2kg,料负荷从10kg增加到20kg;④第四组:水负荷为10kg,料负荷从22kg增加到50kg。
将筒体振动和振声信号的IMF标记为VIMF和AIMF。选择Anoise=0.1和M=10将磨机旋转4个周期的振动信号和振声信号分别分解为17个IMFs。四种不同的研磨条件为空转(磨机零负荷)、空砸(磨机内只有球负荷20kg)、干磨(磨机内有球负荷40kg,物料负荷10kg)、湿磨(磨机内有球负荷40kg、物料负荷10kg、水负荷5kg)。
本文中,将筒体振动和振声信号的IMF标记为VIMF和AIMF。选择Anoise=0.1和M=10将磨机旋转4个周期的信号分解为17个IMF后进行HT变换,进而计算得到IMF边际谱,部分谱数据(IM1-IMF8)如图3所示。
虚拟样本输入可以在如下真实训练样本间产生:No.1和No.2,No.2和No.3,No.4和No.5,No.5和No.6,No.7和No.8,No.8和No.9,No.10和No.11,No.11和No.12,和No.12和No.13。当NVSG=2,3,…,10时,虚拟样本的数量分别是9,18,…,81。
依据前述方法,NVSG=7时针对CVR所产生的虚拟样本的部分输入(IM1-IMF8)如图4所示。对比图3和图4,可见本实施例的方法可以有效的产生虚拟样本输入,其对应的虚拟样本输出如图5所示。图5同时给出了真实训练样本的输出值。
采用前述方法对混合样本进行谱特征选择,面向CVR采用不同数量虚拟样本时的统计结果如表1所示。
表1面向CVR时的谱特征选择的统计结果
表1表明,阈值的选择对于谱特征的数量很重要。
软测量模型的性能通常采用测试样本的均方根预测误差进行评估。当不具备足够的大量测试样本时,训练数据也需要用于评估软测量模型性能。留一交叉验证(LOOCV)、K-折交叉验证、Bootstrap及其改进等性能评估方法得到了广泛应用。针对高维小样本数据0.632Bootstrap和LOOCV评估方法可以得到较佳性能。
本申请采用0.632Bootstrap评估方法。假设进行R次的Bootstrap,采用表示从训练样本抽取的样本,并采用表示训练的软测量模型,定义0.632 Bootstrap的均方根相对预测误差(RMSREP)如下:
RMSREP0.632=0.632RMSREPBCV+(1-0.632)RMSREPapp, (39)
其中,r=1,...,R;R-l是不包含第l个训练样本所抽取的样本数量;表示由全部混合样本训练得到的软测量模型.
为表征软测量模型预测性能的稳定性,定义相对预测稳定性(RPS)指标如下:
其中,Max(RMSREP)、Min(RMSREP)和Mean(RMSREP)分别表示0.632 Bootstrap评估方法RMSREP的最大值、最小值和平均值。
采用上述评估指标针对不同数量混合样本建立的软测量模型的统计结果如表2所示。
表2针对不同数量混合样本建立的软测量模型的统计结果
表2表明:
(1)软测量模型预测性能的均值和最大值随着虚拟样本数量的增加而增加,如当采用81个虚拟样本时,预测误差的均值和最大值与无虚拟样本时的进行比较,分别从0.1708和0.2829减少到了0.1290和0.1749。
(2)在所有的软测量模型中,无虚拟样本建立的软测量模型具有软测量模型预测性能的最小值,但是该方法同时也具有最大的方差,即具有最大的预测性能波动范围。
(3)由RPS指标可知,软测量模型的预测稳定性随着虚拟样本数量的增加而提高。其中,无虚拟样本时,RPS为负值,表明其预测稳定性较差。
综上,本申请所提方法可以有效提高磨机负荷软测量模型的预测性能。
本发明的方法首先采用集成经验模态分解技术(EEMD)获得磨机筒体振动及振声样本信号的多尺度时域子信号,进行进一步处理后获得具有不同时间尺度的高维谱数据;接着基于这些高维谱数据采用改进的选择性集成核偏最小二乘方法(IGASEN-KPLS)构建基于可行性的规划(FBP)模型,并基于先验知识和FBP模型产生新的虚拟样本;然后将其与真实训练样本混合后得到混合建模样本,并采用基于互信息(MI)的特征选择方法进行多尺度谱特征的自适应选择,采用这些选择的谱特征构建软测量模型;最后采用实验球磨机的筒体振动和振声的高维频谱数据,基于0.632 Bootstrap评估方法验证了所提方法的有效性。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于虚拟样本的磨机负荷参数软测量方法,包括:
S100、将每个真实样本分解为JIMF个真实子信号,获得所有真实样本的JIMF个真实子信号向量,每个真实子信号代表具有物理含义的单一振动模态,JIMF为预定值,所述真实样本为在已知负荷参数下检测获取的磨机筒体的样本振动信号和样本振声信号;
S200、提取所有真实子信号的谱特征,获取所有真实样本的JIMF个谱特征向量;
S300、对于每个谱特征向量,在所有可插值的谱特征对之间进行插值生成多个虚拟谱特征,所述可插值的谱特征对为自身或相关向量中预定数量的元素相同的两个真实样本所对应的谱特征;
S400、以每个谱特征向量和对应的负荷参数为训练样本,训练获取JIMF个子输出预测模型;
S500、以每个谱特征向量对应的所述虚拟谱特征为输入,根据对应子输出预测模型计算对应的备选子输出,并在备选子输出符合虚拟子信号筛选条件时将当前备选子输出作为虚拟谱特征对应的虚拟子输出,在重复执行预定次数仍然不能获得虚拟子输出时,返回步骤S400;
S600、基于信息熵计算JIMF个虚拟子输出的加权系数,并基于所述虚拟子输出和对应的所述加权系数加权计算虚拟样本输出;
S700、对于每个谱特征向量,将对应的虚拟谱特征和谱特征向量合并作为混合样本输入,将虚拟样本输出和真实样本的负荷参数合并获取混合样本输出,
S800、在由混合样本输入和混合样本输出组成的混合样本中,通过自适应谱特征选择获取选取的谱特征,并划分为训练样本和验证样本;
S900、根据训练样本和验证样本,训练获取软测量预测模型;
S1000、获取需要进行软测量的磨机的测试数据的谱特征;
S1100、根据所述软测量预测模型计算测试数据的谱特征对应的负荷参数。
2.根据权利要求1所述的方法,其特征在于,所述步骤S600包括:
基于如下公式计算所述虚拟样本输出:
其中,是不同虚拟子输出的加权系数,为第l′虚拟样本的虚拟样本输出,为第l′虚拟样本的第jIMF虚拟子输出,所述加权系数根据如下公式计算:
其中,表示第l个真实样本基于子输出预测模型的预测值,k为用于进行模型训练的样本数量。
3.根据权利要求1所述的方法,其特征在于,所述谱特征为子信号的基于希尔伯特变换(Hilbert Transform,HT)的边际谱(MSHT)、希尔伯特变换的瞬时幅值和频率的均值及方差(MVHT)和基于快速傅里叶变换的功率谱密度(PSD)中的一项或多项。
4.根据权利要求1所述的方法,其特征在于,步骤S400包括:
S401、对于每个谱特征向量,将其中的谱特征和对应的负荷参数组成的样本划分为训练样本和验证样本
S402、基于Bootstrap算法从训练样本产生J个训练子样本;
S403、采用相同的核潜变量数量和核参数基于核偏最小二乘(KPLS)算法从J个训练子样本训练获取J个候选子模型;
S404、对每个验证样本计算基于第j个候选子模型的预测输出;
S405、基于所述预测输出和实际负荷参数计算预测误差
S406、基于如下公式计算所有候选子模型之间的相关系数形成相关系数矩阵;
其中,为第j个候选子模型和第S个候选子模型之间的相关系数,kvalid为验证样本的数量;
由此计算得到的相关系数矩阵为:
S407、为候选子模型产生一随机向量
S408、以随机向量为初始权重参数,根据所述相关系数矩阵以遗传算法求取使得预测误差最小化的优化权重参数;
S409、选择对应的优化权重参数大于等于预定的选择阈值的候选子模型为集成子模型获得集成子模型集合;
S410、根据自适应加权融合(AWF)算法计算获取集成子模型集合中各子模型的集成权重,将集成子模型集合和对应的集成权重构成所述子输出预测模型。
5.根据权利要求1所述的方法,其特征在于,步骤S800包括:
S801、分别计算所有谱特征和磨机负荷参数之间的互信息值;
S802、获取所述互信息值的最大值和最小值;
S803、获取以预定步长在所述互信息值的最小值和最大值之间变化的多个谱特征选择阈值,基于每个谱特征选取阈值选取对应的互信息值大于该谱特征选择阈值的所有谱特征构建偏最小二乘回归(PLS)模型,计算每个谱特征选取阈值对应的PLS模型的预测误差;
S804、将预测误差最小的PLS模型对应的谱特征集合作为提取获得的谱特征。
6.根据权利要求1所述的方法,其特征在于,步骤S900包括:
S901、基于Bootstrap算法从训练样本产生J个训练子样本;
S902、采用相同的核潜变量数量和核参数基于核偏最小二乘(KPLS)算法从J个训练子样本训练获取J个候选子模型;
S903、对每个验证样本计算基于第j个候选子模型的预测输出;
S904、基于所述预测输出和实际负荷参数计算预测误差
S905、基于如下公式计算所有候选子模型之间的相关系数形成相关系数矩阵;
其中,为第j个候选子模型和第S个候选子模型之间的相关系数,kvalid为验证样本的数量;
由此计算得到的相关系数矩阵为:
S906、为候选子模型产生一随机向量
S907、以随机向量为初始权重参数,根据所述相关系数矩阵以遗传算法求取使得预测误差最小化的优化权重参数;
S908、选择对应的优化权重参数大于等于预定的选择阈值的候选子模型为集成子模型获得集成子模型集合;
S909、根据AWF算法计算获取集成子模型集合中各子模型的集成权重,将集成子模型集合和对应的集成权重构成所述软测量预测模型。
7.根据权利要求6所述的方法,其特征在于,步骤S909包括根据如下公式计算集成模型中各子模型的权重:
其中,是集成子模型对验证样本的预测值的方差,J*为集成模型中子模型的数量,为所述权重。
8.根据权利要求1所述的方法,其特征在于,步骤S300包括基于下式生成虚拟谱特征:
其中,为第l′个插值生成第jIMF个子信号的虚拟谱特征,为第一可插值的真实样本的输入向量,为第二可插值的真实样本的输入向量,NVSG为预定的插值分段的数量。
9.根据权利要求1所述的方法,其特征在于,所述磨机为球磨机,所述负荷参数包括料球比、矿浆浓度和充填率中的一项或多项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510784750.7A CN105279385B (zh) | 2015-11-16 | 2015-11-16 | 一种基于虚拟样本的磨机负荷参数软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510784750.7A CN105279385B (zh) | 2015-11-16 | 2015-11-16 | 一种基于虚拟样本的磨机负荷参数软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279385A CN105279385A (zh) | 2016-01-27 |
CN105279385B true CN105279385B (zh) | 2018-06-15 |
Family
ID=55148388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510784750.7A Expired - Fee Related CN105279385B (zh) | 2015-11-16 | 2015-11-16 | 一种基于虚拟样本的磨机负荷参数软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279385B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787255B (zh) * | 2016-02-04 | 2018-10-30 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
CN105956334B (zh) * | 2016-06-02 | 2019-06-18 | 中国人民解放军61599部队计算所 | 基于数值仿真的磨机负荷参数推理模型构建方法 |
CN106203253B (zh) * | 2016-06-22 | 2019-05-24 | 中国人民解放军61599部队计算所 | 一种基于多源信息的磨机振动与振声特征提取方法 |
CN107144250B (zh) * | 2017-05-27 | 2019-04-05 | 中国石油大学(北京) | 在线测量往复机械传动链间隙量的方法及装置 |
CN107239066B (zh) * | 2017-06-09 | 2018-02-16 | 浙江大学 | 一种基于数据挖掘的立磨运行闭环控制装置及方法 |
CN107832525B (zh) * | 2017-11-07 | 2021-01-05 | 昆明理工大学 | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 |
CN108038079B (zh) * | 2017-12-05 | 2021-01-05 | 北京工业大学 | 一种多源机械信号分析与优化组合方法 |
CN108629091B (zh) * | 2018-04-19 | 2022-03-08 | 北京工业大学 | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 |
CN108764489B (zh) * | 2018-06-05 | 2021-02-02 | 北京百度网讯科技有限公司 | 基于虚拟样本的模型训练方法及设备 |
CN111307277B (zh) * | 2020-03-20 | 2021-10-01 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932425A (zh) * | 2015-06-04 | 2015-09-23 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
CN105046320A (zh) * | 2015-08-13 | 2015-11-11 | 中国人民解放军61599部队计算所 | 一种虚拟样本生成方法 |
-
2015
- 2015-11-16 CN CN201510784750.7A patent/CN105279385B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932425A (zh) * | 2015-06-04 | 2015-09-23 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
CN105046320A (zh) * | 2015-08-13 | 2015-11-11 | 中国人民解放军61599部队计算所 | 一种虚拟样本生成方法 |
Non-Patent Citations (4)
Title |
---|
在线KPLS建模方法及在磨机负荷参数集成建模中的应用;汤健 等;《自动化学报》;20130331;第39卷(第5期);第471-486页 * |
基于EMD和选择性集成学习算法的磨机负荷参数软测量;汤健 等;《自动化学报》;20140930;第40卷(第9期);第1853-1866页 * |
基于多源数据特征融合的球磨机负荷软测量;汤健 等;《浙江大学学报(工学版)》;20100731;第44卷(第7期);第1406-1413页 * |
基于频域特征提取与信息融合的磨机负荷软测量;汤健 等;《仪器仪表学报》;20101031;第31卷(第10期);第2161-2167页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105279385A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105279385B (zh) | 一种基于虚拟样本的磨机负荷参数软测量方法 | |
CN104932425B (zh) | 一种磨机负荷参数软测量方法 | |
CN105787255B (zh) | 一种磨机负荷参数软测量方法 | |
Tang et al. | Modeling load parameters of ball mill in grinding process based on selective ensemble multisensor information | |
CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
Worden et al. | Impact location and quantification on a composite panel using neural networks and a genetic algorithm | |
CN105528636B (zh) | 一种基于模糊推理的磨机负荷参数软测量方法 | |
Kankar et al. | Vibration-based fault diagnosis of a rotor bearing system using artificial neural network and support vector machine | |
Pawar et al. | Structural health monitoring using genetic fuzzy systems | |
CN110162857A (zh) | 一种面向复杂工业过程难测参数的软测量方法 | |
Das et al. | Classifying induced damage in composite plates using one-class support vector machines | |
CN110135058A (zh) | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 | |
CN105046320A (zh) | 一种虚拟样本生成方法 | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
Barbieri et al. | Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors | |
CN108038079A (zh) | 一种多源机械信号分析与优化组合方法 | |
Shi et al. | Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the load of a tumbling mill | |
Addeh et al. | Control chart patterns detection using COA based trained MLP neural network and shape features | |
CN109583115B (zh) | 一种融合集成磨机负荷参数软测量系统 | |
CN107463872A (zh) | 一种旋转机械转轴裂纹故障诊断方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
Parhi et al. | Diagnosis of fault and condition monitoring of dynamic structures using the multiple adaptive-neuro-fuzzy inference system technique | |
Gaud et al. | Fault diagnosis of rolling element bearing based on vibration & current signatures: an optimal network parameter selection | |
Rosli et al. | Intelligent prediction system for gas metering system using particle swarm optimization in training neural network | |
Thatoi et al. | Fault diagnosis of beam-like structure using modified fuzzy technique |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180615 Termination date: 20181116 |