CN106568503A - 一种基于筒体表面多点振动信号的磨机负荷检测方法 - Google Patents

Abstract

本发明公开了一种基于筒体表面多点振动信号的磨机负荷检测方法，用以解决长期以来火电厂磨煤机负荷难以检测的问题。本发明通过对磨机轴承和筒体表面不同区域的振动信号进行自适应滤波和特征提取，获取能够表征磨机负荷的特征信息，基于最小二乘支持向量机建立约简加权的软测量模型，最后对各传感器的磨机负荷预测值进行数据融合，获得筒式钢球磨机负荷软测量值。本发明提出的磨煤机负荷软测量方法，克服了以往检测方法易受干扰、灵敏度差、线性度不好等缺点，能够对筒式钢球磨机负荷进行有效监控，为火电厂制粉系统的安全、经济运行提供了保障。

Description

一种基于筒体表面多点振动信号的磨机负荷检测方法

技术领域

本发明涉及软测量技术领域，具体涉及一种基于筒体表面多点振动信号的磨机负荷检测方法。

背景技术

筒式钢球磨机广泛用于发电、水泥、选矿、陶瓷、冶金等各个行业，作为这些行业的重要设备和耗电大户，对这些行业的安全生产至关重要，同时又是这些行业的重点挖潜节能之处。目前，上述这些传统行业中普遍存在能源消耗高、粉尘和噪声污染严重、产品质量不稳定、劳动生产率低等问题，运用筒式钢球磨机负荷控制可大幅度降低电耗、钢耗，增加筒式钢球磨机出力，降低噪音，减少粉尘污染，提高运行效率，将对这些传统行业的环境保护，节约煤、电等不可再生能源，提高劳动生产率带来显著的经济、生态和社会效益。

筒式钢球磨机的主要作用是将原料研磨成粉，水泥厂中的筒式钢球磨机还具有充分混合原料的作用。筒式钢球磨机研磨的方法主要有撞击、挤压、研磨三种，在研磨介质产生的冲击力和研磨力的联合作用下，物料被粉碎成微细颗粒。它的研磨部件是一个直径2-4米，长3-10米的圆筒，筒内壁衬有锰钢制成的波浪护甲，护甲与筒壁之间有一层绝热石棉垫，筒体外包有一层隔音毛毡，毛毡被由薄钢板制成的外壳包裹。筒内装有许多直径30-60mm的钢球。圆筒两端有空心轴颈架在大轴承上，空心轴颈各接一个与垂直方向成45度的短管，其中一个为物料的进口，另一个是物料的出口。筒身经电动机、减速装置以低速旋转，在离心力和摩擦力的作用下，护甲将钢球与物料提升至一定高度，然后借重力作用自由下落。物料主要被下落的钢球撞击破碎，同时还受到钢球之间，钢球和护甲间的挤压研磨作用。筒式钢球磨机内物料与钢球混合体的流动和研磨过程如图1所示。

由于筒式钢球磨机工作环境差，粉尘污染大，内部环境恶劣，因此无法直接测量其负荷，只能通过间接法检测。目前，应用较多的筒式钢球磨机负荷检测的方法有磨音法、振动法以及功率法，均为采用单一物理量单一传感器测量。振动法的不足在于线性度差，准确度不高；且振动法与传感器实际安装位置关系密切，目前大多安装于筒式钢球磨机入口或出口处轴承上；经过实际测试发现，当传感器安装于筒式钢球磨机入口轴承上，受筒式钢球磨机入口物料量的改变及物料的特性(硬度、粒度大小等)影响很大；当传感器安装于筒式钢球磨机出口轴承上，具有较长的滞后时间，不能及时准确反应筒式钢球磨机负荷实时状况；另外不管传感器安装于入口或出口轴承上，还受筒式钢球磨机大齿的振动影响。并且单个振动传感器无论选择哪个位置进行安装也无法充分代表整个磨机的状况，必须将这些问题克服才能反映磨机负荷的变化。

发明内容

本发明的目的在于提供一种基于筒体表面多点振动信号的磨机负荷检测方法，以克服上述现有技术存在的缺陷，本发明克服了以往检测方法易受干扰、灵敏度差、线性度不好等缺点，能够对筒式钢球磨机负荷进行有效监控，为火电厂制粉系统的安全、经济运行提供了保障。

为达到上述目的，本发明采用如下技术方案：

一种基于筒体表面多点振动信号的磨机负荷检测方法，包括以下步骤：

1)在筒式钢球磨机轴承和筒体表面安装若干振动传感器，采集筒式钢球磨机轴承和筒体表面不同区域的振动信号；

2)基于一种改进的自适应变步长的最小均方滤波算法对获取的振动数据流进行自适应滤波，获得特征振动信号；

3)对特征振动信号进行快速傅立叶变换，得到对应的频域信号，并基于能量谱对获取的频域振动信号进行特征频段选取，再对特征频段内的各频率点能量进行自适应加权算法，从而实现频域振动信号在特征频段的特征信息提取；

4)对筒式钢球磨机各段的振动特征信息，首先基于误差项加权算法建立加权的最小二乘支持向量机鲁棒性算法，再基于密度加权的稀疏化算法建立约简加权的最小二乘支持向量机软测量模型，并得到各振动信号的磨机负荷预测值；

5)对各段磨机负荷预测值基于加权因子动态调整的策略进行数据融合，获得筒式钢球磨机负荷软测量值。

进一步地，所述的振动传感器分别为安装在磨机出入口的轴承套上的Vib_z1和Vib_z2，以及安装在距离磨机入口处1/4、1/2、3/4筒体表面上的Vib_t1，Vib_t2和Vib_t3，且Vib_t1、Vib_t2和Vib_t3在筒体截面上的夹角均为120度。

进一步地，所述的振动传感器的触发方式为接近开关触发，并同时采集数据，然后经MSP单片机处理后通过nRF401无线通讯模块传入PC端。

进一步地，所述的改进的自适应变步长的最小均方滤波算法对获取的振动数据流进行自适应滤波，其规则如下：

X_i(n)代表第i个传感器的自适应滤波器n时刻的输入信号，W_i(n)代表第i个传感器的自适应滤波器n时刻的抽头权向量，y_i(n)代表第i个传感器的自适应滤波器n时刻的输出信号，d_i(n)代表第i个传感器的自适应滤波器n时刻的期望信号，通过期望信号与输出信号之差e_i′(n)来调节自适应滤波器的抽头向量W_i(n)，使下一时刻的输出y_i(n+1)更接近期望信号：

X_i(n)＝[x_i(n),x_i(n-1),…,x_i(n-P+1)]^T(i＝1,2,…,5)

W_i(n)＝[w_i(n),w_i(n-1),...,w_i(n-P+1)]^T(i＝1,2,…,5)

其中，延迟单元个数P表示滤波器的阶数；

y_i(n)＝W_i ^T(n)×X_i(n)

e_i′(n)＝d_i(n)-y_i(n)＝d_i(n)-W_i ^T(n)X_i(n)

W_i(n+1)＝W_i(n)+2μ_i(n)e′_i(n)X_i(n)

其中，μ_i(n)为第i个传感器的自适应滤波器的步长因子：

其中，自适应步长参数β_i(n)＝(1-λ)β_i(n-1)+λ[e_i′(n)-e_i′(n-1)]，0＜λ＜1。

进一步地，所述的特征频段选取是基于能量谱在磨机工况转换时的灵敏度进行的，所述的特征信息提取是基于特征频段内的各频率点能量自适应加权获得，具体步骤如下：

1)能量谱计算，首先采集磨机负荷ML从空磨状态逐渐到满磨状态下的振动信号序列{x_ML(i)(n)；n＝1,2,…,N；i＝1,2,…,I}，其中x_ML(i)(n)表示在磨机负荷为ML(i)工况下采集的第n个数据，N为样本长度，I为磨机负荷的不同工况数量，E(k)为第k个频段内的能量；经离散傅立叶变换后，计算在频段内的能量为

2)识别特征频段，首先设定从第i个工况ML(i)到第j个工况ML(j)转换过程中的灵敏度阈值为θ_i→j，再计算各频率成分在磨机负荷从ML(i)到ML(j)转换过程的灵敏度对于s_i→j(k)＞θ_i→j对应的频段进行筛选，组成特征频段集K_f，并记为有0到f个的频率段，其对应的功率谱记为E_f(k)，从而剔除信号中不包含在K_f内的频率成分，实现对特征频段的选择；

3)提取能量特征，采用特征频段内的各频率点能量自适应加权算法提取能量特征，其中μ(k)为自适应加权系数，采用梯形函数实现，

其中参数[b₁,b₂,b₃,b₄]通过以下公式获得：

式中a₁,a₂,a₃,a₄为阈值，k_c为特征能量谱的重心，由以下公式决定：

上式中：分别表示在频率b₂和b₃时的k取值，和分别为在b₁和b₄附近的最小分辨率频段，由梯形函数的公式可知，振动信号在频段[b₂,b₃]内能量完全通过，即加权系数为1，在频段[b₂,b₃]以外，信号能量逐渐衰减，直至频率点(b₁)和(b₄)处能量衰减为0，而衰减速度的快慢取决于[b₁,b₂]和[b₃,b₄]的长度，长度越长衰减的越慢，a₂和a₃决定了频段[b₂,b₃]的宽度，其值选择越大，完全通过的频段就越宽，a₁和a₄决定了频段[b₂,b₃]以外的频率成分加权速率的衰减速率，其值选择越大衰减速率越慢。

进一步地，步骤4)中首先对各个振动信号的所有样本基于经验风险最小化原则建立鲁棒性模型，再基于密度加权对所有样本进行约简，得到约简加权的最小二乘支持向量机软测量模型，其具体步骤如下：

1)构建初始样本集x表示采集后并进行特征提取的振动信号，y表示真实磨机负荷，M表示样本个数，加权最小二乘支持向量机的建模问题，就是对目标函数在约束条件下的最优化问题，其中w为判别函数的权值，γ为惩罚系数，v为加权因子，e为拟合误差，b′是常数项，非线性函数为从输入空间到某个高维特征空间的映射，通过构造拉格朗日函数其中α′为拉格朗日乘子，并对其求偏导化简得

其中，Ω＝K(x_i,x_j)是核函数，从而可以求得α′,b′，并得到加权最小二乘支持向量机模型为

2)基于密度加权算法对加权最小二乘支持向量机进行稀疏化，定义密度指标其中r是密度中心的邻域半径，||{x_i,y_i}-{x_m,y_m}||表示第i个样本和第m个样本的欧式距离，定义贡献度P_i＝D_i×e_i，逐次选择贡献度最大的样本进行建模，然后在训练样本中把已经选为支持向量的样本的密度指标置零，重复本步骤，直到模型精度满足要求，即模型性能达到初始模型的85％，从而得到约简加权的最小二乘支持向量机软测量模型。

进一步地，步骤5)中首先对每个振动特征信号建立软测量子模型，然后采用加权因子动态变化的算法对磨机负荷预测值进行数据融合，具体方法如下：

1)采用约简加权的最小二乘支持向量机对每个振动特征信号建立模型，分别简记为同时得到对应的预测值

2)加权融合方式；假设每个预测模型的加权因子为t＝1,2,…5，且满足融合后的测量结果为得其融合后的均方误差为

其中是第t个振动信号的方差，是Modelt的负荷预测值，是所有的向量，由于σ′²是关于的二次函数，因此σ′²一定存在比小的最小值，通过求解约束条件的极值，得出在σ′²取得最小值所对应的加权因子为

3)加权因子自适应调整；由迭代法可得，

其中表示k+1个样本的均值，表示k个样本的均值，表示k+1个样本的方差，表示k个样本的方差，在对模型预测值进行融合之前，更新方差计算，并带入到加权因子中去，从而实现对加权值的动态调整。

与现有技术相比，本发明具有以下有益的技术效果：

本发明方法通过对磨机轴承和筒体表面不同区域的振动信号进行自适应滤波以及基于能量谱的特征提取，获取能够仅表征磨机负荷的信息，建立约简加权的最小二乘支持向量机软测量模型，并得到各振动信号的磨机负荷预测值，最后对各段磨机负荷预测值基于加权因子可以动态调整的策略进行数据融合，获得筒式钢球磨机负荷软测量值，所采用的装置采用分布式安装、使用无线网络进行传感器数据收集、传输，克服了以往检测方法易受干扰、灵敏度差、线性度不好等缺点，能够对筒式钢球磨机负荷进行有效监控，为火电厂制粉系统的安全、经济运行提供了保障。

附图说明

图1是本发明的检测说明框图；

图2是筒式钢球磨机工作原理图，其中的标号表示：1、空心圆筒；2、左端盖；3、右端盖；4、左空心轴颈；5、右空心轴颈；

图3是本检测方法振动传感器位置分布图，其中Vib_z1，Vib_z2分别表示安装在磨机出入口的轴承套上的传感器，Vib_t1，Vib_t2，Vib_t3分别表示安装在距离磨机入口处1/4、1/2、3/4筒体表面上，同时，Vib_t1、Vib_t2和Vib_t3在截面图上的夹角为120度；

图4是本检测方法流程图；

图5是自适应滤波算法框图；

图6是数据融合流程图；

图7是传感器网络节点硬件组成原理图；其中，61、振动传感器；62、信号调理电路；63、信号采集与处理模块；64、无线收发模块；65、供电电源模块；

图8是集中融合模块硬件组成结构图；其中，701、电源模块；702、RS485通讯模块；703、外部数据存储器模块；704、LCD显示模块；705、按键模块；706、译码/锁存逻辑电路模块；707、EEPROM存储器模块；708、电压基准电路；709、数模转换电路；710、U/I转换电路；711、DSP信号处理模块；712、无线收发模块；

图9是电压/电流输出驱动电路图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明提出的一种基于筒体表面多点振动信号的磨机负荷检测方法，其总体流程如图4所示，具体包括以下步骤：

1、在筒式钢球磨机筒体各段安装多个振动传感器，同时采集筒式钢球磨机各段的振动信息，获取振动数据流；

其中振动传感器采用多个相同的压电振动传感器，其响应频率为20Hz～10kHz，对于筒式钢球磨机，其传感器位置分布图如图3所示，共安装五个振动传感器，有三个安装在筒体表面，分别位于距离筒体入口的1/4，1/2，3/4处，用Vib_t1，Vib_t2，Vib_t3来表示，同时，Vib_t1、Vib_t2和Vib_t3在截面图上的夹角为120度；其余两个分别安装在磨机出入口的轴承套上，用Vib_z1，Vib_z2来表示；五个振动传感器在安装过程中采用螺栓或磁座方式固定；

传感器网络节点硬件组成原理如图7所示，振动传感器61与信号调理电路62连接，信号调理电路62与信号采集与处理模块63连接，信号采集与处理模块63与无线收发模块64互联，供电电源模块65用于提供电源；

其中信号调理电路62采用仪器放大器AD623实现，用于实现信号放大、偏置电压调整及阻抗匹配，使来自振动传感器61的信号经过AD623调整为0～3.3V范围，输入到AD模块供采集。信号采集与处理模块63选用MSP430F149单片机完成，经过模数转换后，进行一系列运算处理。无线收发模块64采用nRF401模块完成，nRF401是一个433MHz频段设计的真正单片UHF无线收发芯片，它采用FSK调制解调技术，最高工作速率可以达到20K，最大发射功率是+10dBm，通信距离可达300米。供电电源模块65采用3.3V高能量锂电池供电，通过DCDC转换模块产生+5V，－5V电源供信号调理模块使用。

2、对振动数据流进行自适应滤波，采用的方法是一种改进的自适应变步长的最小均方(LMS)滤波算法，以获得特征振动信号。

对于振动数据流，以51.2k的采样速率进行连续采样20ms，获得1024点数据，对这连续的1024点数据进行自适应滤波，自适应滤波算法框图如图5所示，首先令滤波器阶数P＝20，由此来确定X_i(n)＝[x_i(n),x_i(n-1),…,x_i(n-P+1)]^T(i＝1,2,…,5)和W_i(n)＝[w_i(n),w_i(n-1),...,w_i(n-P+1)]^T(i＝1,2,…,5)的具体取值，即可得滤波器n时刻的输出和并更新W_i(n+1)＝W_i(n)+2μ_i(n)e′_i(n)X_i(n)。

X_i(n)代表第i个传感器的自适应滤波器n时刻的输入信号，W_i(n)代表第i个传感器的自适应滤波器n时刻的抽头权向量，y_i(n)代表第i个传感器的自适应滤波器n时刻的输出信号，d_i(n)代表第i个传感器的自适应滤波器n时刻的期望信号，通过期望信号与输出信号之差e_i′(n)来调节自适应滤波器的抽头向量W_i(n)，使下一时刻的输出y_i(n+1)更接近期望信号；

其中，步长因子我们对磨机负荷特征进行大量的实验，在此确定λ＝0.3，在普通变步长的自适应滤波算法中，步长因子中的α,β为固定值，在实际应用中需进行大量的实验才能确定，故引入自适应步长参数，并计算自适应步长参数β_i(n)＝(1-λ)β_i(n-1)+λ[e_i′(n)-e_i′(n-1)],0＜λ＜1。

传感器网络节点的工作流程为：休眠－数据采集－数据处理－数据发送，如此往复，每500ms为一个循环周期。在休眠阶段，除MCU的定时器工作外，其他模块均关闭，以节省电源消耗。在数据采集阶段，以51.2k速率连续采样20ms，即1024个数据；在数据处理阶段，主要完成FFT以及自适应滤波计算；在数据发送阶段，启动无线发送模块，将本次结果发送出去，等待确认后，然后系统转入休眠，进入下一个工作循环。

3、对数据结果进行特征信息提取，采用的方法是一种基于特征频段内的各频率点能量自适应加权算法；

首先采集磨机负荷ML从空磨状态逐渐到满磨状态下的振动信号序列{x_ML(i)(n)；n＝1,2,…,N；i＝1,2,…,I}，其中x_ML(i)(n)表示在磨机负荷为ML(i)工况下采集的第n个数据，N为样本长度，I为磨机负荷的不同工况数量，E(k)为第k个频段内的能量；经离散傅立叶变换DTFT后，可以计算在频段内的能量为然后设定从第i个工况ML(i)到第j个工况ML(j)转换过程的灵敏度阈值为θ_i→j＝0.1，再计算各频率成分在磨机负荷从ML(i)到ML(j)转换过程的灵敏度对于s_i→j(k)＞θ_i→j对应的频段进行筛选，组成特征频段集K_f，有f个，其对应的功率谱记为E_f(k)；最后采用特征频段内的各频率点能量自适应加权算法提取能量特征，其中μ(k)为自适应加权系数，可由梯形函数获得，通过上述步骤来提取能量特征。

4、对各个振动信号的所有样本基于经验风险最小化原则建立鲁棒性模型，再基于密度加权对所有样本进行约简，得到约简加权的最小二乘支持向量机软测量模型；

首先构建初始样本集x表示采集后并进行特征提取的振动信号，y表示真实磨机负荷，M表示样本个数，加权最小二乘支持向量机的建模问题，就是对目标函数在约束条件下的最优化问题，其中w为判别函数的权值，γ为惩罚系数，v为加权因子，e为拟合误差，b′是常数项，非线性函数为从输入空间到某个高维特征空间的映射，通过构造拉格朗日函数其中α′为拉格朗日乘子，并对其求偏导化简得到加权LSSVM模型为然后定义密度指标和贡献度P_i＝D_i×e_i，其中r是密度中心的邻域半径，||{x_i,y_i}-{x_m,y_m}||表示第i个样本和第m个样本的欧式距离，逐次选择贡献度最大的样本进行建模，然后在训练样本中把已经选为支持向量的样本的密度指标置零。重复本步骤，直到模型精度满足要求，即模型性能达到初始模型的85％，从而得到约简加权的最小二乘支持向量机软测量模型。

5、对筒式钢球磨机筒体各段的筒式钢球磨机负荷预测值进行数据融合，获得筒式钢球磨机总体负荷值；

首先采用约简加权的最小二乘支持向量机对五个振动特征信号建立模型，分别简记为同时得到对应的预测值融合后的测量结果为对应的加权因子为 其中表示k+1个样本的均值，表示k个样本的均值，表示k+1个样本的方差，表示k个样本的方差，最后得到的Y_Value就是所求的筒式钢球磨机总体负荷值。所述的集中融合处理电路硬件组成如图8所示，由以下几部分组成：提供+12V，+5V，+3.3V的电源模块701、RS485通讯模块702、外部数据存储器模块703、LCD显示模块704、按键模块705、译码/锁存逻辑电路模块706、EEPROM存储器模块707、电压基准电路708、数模转换电路709、U/I转换电路710、DSP信号处理模块711、无线收发模块712组成。

集中融合处理模块主要实现的功能是，与传感器网络相关节点通过无线通信方式获得各节点测量结果，按照本发明给出的融合算法进行计算，获得筒式钢球磨机各段负荷及总体负荷信息；将结果以三种方式输出，LCD显示方式、电压/电流方式和RS485通信方式，供pc机进行进一步分析。

本发明给出的基于多传感器融合的筒式钢球筒式钢球磨机负荷检测方法，克服了以往检测易受干扰、灵敏度差、线性度不好等缺点。采取同时监测筒式钢球磨机各段筒体振动量，通过数据融合的方法，给出筒式钢球磨机负荷量；所给出的筒式钢球磨机负荷检测装置，采用分布式无线网络方式，易于安装，具有低成本、高可靠、易维护等特点；通过本方法得出的负荷信息更全面、可信度更高，为筒式钢球磨机负荷的有效控制提供了保证。

Claims (7)

1.一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，包括以下步骤：

1)在筒式钢球磨机轴承和筒体表面安装若干振动传感器，采集筒式钢球磨机轴承和筒体表面不同区域的振动信号；

2)基于一种改进的自适应变步长的最小均方滤波算法对获取的振动数据流进行自适应滤波，获得特征振动信号；

3)对特征振动信号进行快速傅立叶变换，得到对应的频域信号，并基于能量谱对获取的频域振动信号进行特征频段选取，再对特征频段内的各频率点能量进行自适应加权算法，从而实现频域振动信号在特征频段的特征信息提取；

4)对筒式钢球磨机各段的振动特征信息，首先基于误差项加权算法建立加权的最小二乘支持向量机鲁棒性算法，再基于密度加权的稀疏化算法建立约简加权的最小二乘支持向量机软测量模型，并得到各振动信号的磨机负荷预测值；

5)对各段磨机负荷预测值基于加权因子动态调整的策略进行数据融合，获得筒式钢球磨机负荷软测量值。

2.根据权利要求1所述的一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，所述的振动传感器分别为安装在磨机出入口的轴承套上的Vib_z1和Vib_z2，以及安装在距离磨机入口处1/4、1/2、3/4筒体表面上的Vib_t1，Vib_t2和Vib_t3，且Vib_t1、Vib_t2和Vib_t3在筒体截面上的夹角均为120度。

3.根据权利要求1所述的一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，所述的振动传感器的触发方式为接近开关触发，并同时采集数据，然后经MSP单片机处理后通过nRF401无线通讯模块传入PC端。

4.根据权利要求1所述的一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，所述的改进的自适应变步长的最小均方滤波算法对获取的振动数据流进行自适应滤波，其规则如下：

X_i(n)代表第i个传感器的自适应滤波器n时刻的输入信号，W_i(n)代表第i个传感器的自适应滤波器n时刻的抽头权向量，y_i(n)代表第i个传感器的自适应滤波器n时刻的输出信号，d_i(n)代表第i个传感器的自适应滤波器n时刻的期望信号，通过期望信号与输出信号之差e′_i(n)来调节自适应滤波器的抽头向量W_i(n)，使下一时刻的输出y_i(n+1)更接近期望信号：

X_i(n)＝[x_i(n),x_i(n-1),…,x_i(n-P+1)]^T(i＝1,2,…,5)

W_i(n)＝[w_i(n),w_i(n-1),...,w_i(n-P+1)]^T(i＝1,2,…,5)

其中，延迟单元个数P表示滤波器的阶数；

y_i(n)＝W_i ^T(n)×X_i(n)

e′_i(n)＝d_i(n)-y_i(n)＝d_i(n)-W_i ^T(n)X_i(n)

W_i(n+1)＝W_i(n)+2μ_i(n)e′_i(n)X_i(n)

其中，μ_i(n)为第i个传感器的自适应滤波器的步长因子：

${\mathrm{\μ}}_i\left(n\right)={\mathrm{\β}}_i\left(n\right)\frac{2}{1+e_i^{\′-{\mathrm{\α}}_i\left(n\right)\·\left|e_i^{\′}{\left(n\right)}^2\right|}}-1$

其中，自适应步长参数β_i(n)＝(1-λ)β_i(n-1)+λ[e′_i(n)-e′_i(n-1)]，

5.根据权利要求1所述的一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，所述的特征频段选取是基于能量谱在磨机工况转换时的灵敏度进行的，所述的特征信息提取是基于特征频段内的各频率点能量自适应加权获得，具体步骤如下：

1)能量谱计算，首先采集磨机负荷ML从空磨状态逐渐到满磨状态下的振动信号序列{x_ML(i)(n)；n＝1,2,…,N；i＝1,2,…,I}，其中x_ML(i)(n)表示在磨机负荷为ML(i)工况下采集的第n个数据，N为样本长度，I为磨机负荷的不同工况数量，E(k)为第k个频段内的能量；经离散傅立叶变换后，计算在频段内的能量为

2)识别特征频段，首先设定从第i个工况ML(i)到第j个工况ML(j)转换过程中的灵敏度阈值为θ_i→j，再计算各频率成分在磨机负荷从ML(i)到ML(j)转换过程的灵敏度对于s_i→j(k)＞θ_i→j对应的频段进行筛选，组成特征频段集K_f，并记为有0到f个的频率段，其对应的功率谱记为E_f(k)，从而剔除信号中不包含在K_f内的频率成分，实现对特征频段的选择；

3)提取能量特征，采用特征频段内的各频率点能量自适应加权算法提取能量特征，其中μ(k)为自适应加权系数，采用梯形函数实现，

其中参数[b₁,b₂,b₃,b₄]通过以下公式获得：

b₁:

b₂:

b₃:

b₄:

式中a₁,a₂,a₃,a₄为阈值，k_c为特征能量谱的重心，由以下公式决定：

$k_c=\frac{f_c}{\mathrm{\Δ}f}=\frac{f_c}{f_s/N}=\frac{\underset{k\∈K_f}{\overset{\left(N-1\right)/2}{\underset{k=0}{\mathrm{\Σ}}}}k\·\left|E\left(k\right)\right|}{\underset{k\∈K_f}{\overset{\left(N-1\right)/2}{\underset{k=0}{\mathrm{\Σ}}}}\left|E\left(k\right)\right|}$

上式中：分别表示在频率b₂和b₃时的k取值，和分别为在b₁和b₄附近的最小分辨率频段，由梯形函数的公式可知，振动信号在频段[b₂,b₃]内能量完全通过，即加权系数为1，在频段[b₂,b₃]以外，信号能量逐渐衰减，直至频率点(b₁)和(b₄)处能量衰减为0，而衰减速度的快慢取决于[b₁,b₂]和[b₃,b₄]的长度，长度越长衰减的越慢，a₂和a₃决定了频段[b₂,b₃]的宽度，其值选择越大，完全通过的频段就越宽，a₁和a₄决定了频段[b₂,b₃]以外的频率成分加权速率的衰减速率，其值选择越大衰减速率越慢。

6.根据权利要求1所述的一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，步骤4)中首先对各个振动信号的所有样本基于经验风险最小化原则建立鲁棒性模型，再基于密度加权对所有样本进行约简，得到约简加权的最小二乘支持向量机软测量模型，其具体步骤如下：

1)构建初始样本集x表示采集后并进行特征提取的振动信号，y表示真实磨机负荷，M表示样本个数，加权最小二乘支持向量机的建模问题，就是对目标函数在约束条件下的最优化问题，其中w为判别函数的权值，γ为惩罚系数，v为加权因子，e为拟合误差，b′是常数项，非线性函数为从输入空间到某个高维特征空间的映射，通过构造拉格朗日函数其中α′为拉格朗日乘子，并对其求偏导化简得

$\left[\begin{array}{cc}0& \stackrel{\→}{1}\\ {\stackrel{\→}{1}}^T& \mathrm{\Ω}+\frac{1}{\mathrm{\γ}}diag\left(\frac{1}{v_1},\frac{1}{v_2},\mathrm{...},\frac{1}{v_M}\right)\end{array}\right]\left[\begin{array}{c}{b}^{\′}\\ {\mathrm{\α}}^{\′}\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]$

其中，Ω＝K(x_i,x_j)是核函数，从而可以求得α′,b′，并得到加权最小二乘支持向量机模型为

2)基于密度加权算法对加权最小二乘支持向量机进行稀疏化，定义密度指标其中r是密度中心的邻域半径，||{x_i,y_i}-{x_m,y_m}||表示第i个样本和第m个样本的欧式距离，定义贡献度P_i＝D_i×e_i，逐次选择贡献度最大的样本进行建模，然后在训练样本中把已经选为支持向量的样本的密度指标置零，重复本步骤，直到模型精度满足要求，即模型性能达到初始模型的85％，从而得到约简加权的最小二乘支持向量机软测量模型。

7.根据权利要求1所述的一种基于筒体表面多点振动信号的磨机负荷检测方法，其特征在于，步骤5)中首先对每个振动特征信号建立软测量子模型，然后采用加权因子动态变化的算法对磨机负荷预测值进行数据融合，具体方法如下：

1)采用约简加权的最小二乘支持向量机对每个振动特征信号建立模型，分别简记为同时得到对应的预测值

2)加权融合方式；假设每个预测模型的加权因子为t＝1,2,…5，且满足融合后的测量结果为得其融合后的均方误差为

其中是第t个振动信号的方差，是Modelt的负荷预测值，是所有的向量，由于σ′²是关于的二次函数，因此σ′²一定存在比小的最小值，通过求解约束条件的极值，得出在σ′²取得最小值所对应的加权因子为

3)加权因子自适应调整；由迭代法可得，

${\stackrel{\‾}{x}}_{k+1}=\frac{k}{k+1}{\stackrel{\‾}{x}}_k+\frac{1}{k+1}{x}_{k+1}$

${\mathrm{\σ}}_{k+1}^2=\frac{1}{k+1}\underset{i=1}{\overset{k+1}{\Σ}}{(x_i-{\stackrel{\‾}{x}}_{k+1})}^2=\frac{k}{k+1}{\mathrm{\σ}}_k^2+\frac{k}{{(k+1)}^2}({\stackrel{\‾}{x}}_k-x_{k+1})$

其中表示k+1个样本的均值，表示k个样本的均值，表示k+1个样本的方差，表示k个样本的方差，在对模型预测值进行融合之前，更新方差计算，并带入到加权因子中去，从而实现对加权值的动态调整。