CN108009514B - 球磨机料位预测方法 - Google Patents
球磨机料位预测方法 Download PDFInfo
- Publication number
- CN108009514B CN108009514B CN201711338945.4A CN201711338945A CN108009514B CN 108009514 B CN108009514 B CN 108009514B CN 201711338945 A CN201711338945 A CN 201711338945A CN 108009514 B CN108009514 B CN 108009514B
- Authority
- CN
- China
- Prior art keywords
- vibration
- signal
- material level
- ball mill
- vibration sound
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005236 sound signal Effects 0.000 claims abstract description 82
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 239000004576 sand Substances 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000011049 filling Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000007983 Tris buffer Substances 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Discrete Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Crushing And Grinding (AREA)
Abstract
本发明公开了一种球磨机料位预测方法,通过采集球磨机筒壁或者轴承上的振动信号及安装在球磨机周围麦克风的振声信号;振动信号、振声信号经调理电路、模数转换电路输入数据采集卡;通过MFCC分别计算数据采集卡中振动、振声信号的特征参数;重新组合振动、振声信号;数据采集卡收集重新组合后的信号;最后数据采集卡中的数据通过历史数据建立的TBM模型,预测相应信号的料位。本发明能有效的预测球磨机的料位,其预测料位精确度高、波动小,具有良好的实用价值和推广前景。
Description
技术领域
本发明涉及数据检测领域,尤其涉及一种球磨机料位预测方法。
背景技术
滚筒式球磨机是一种基本的制粉设备。球磨机滚筒内部的料位是影响球磨机能量消耗、生产效率和生产安全的关键因素,然而在实际工业生产过程中,当球磨机系统运转时,由于其筒内环境恶劣并且情况比较复杂,球磨机料位难以准确预测,导致球磨机系统难以经济运行并且容易发生安全事故。因此,有效预测球磨机的料位,对于球磨机系统高效和安全稳定运行具有重大意义。
目前,基于软测量的球磨机料位测量方法主要是通过单一的信号源如压电信号、差压信号、振声信号、振动信号或者功率信号来预测料位。从反复试验中我们发现单一信号源具有一定的局限性例如:压电信号使用时间的不断增长,压电应变传感器很容易出现零点漂移现象,导致测量精度降低;差压信号需要的辅助变量较多,各个变量值难以准确获取,各变量之间存在冗余和耦合,并且系统复杂度较高,不方便进行维护;振声信号容易受到来自毗邻磨机噪音的干扰,以致于料位识别效率不高;振动信号容易受到电网、磨内研磨体损耗等因素的影响,从而使负荷控制点发生漂移现象;功率信号受电流影响较大,而电流又受钢球的磨损、钢球总量的减少、煤质的变化、风量的变化的影响,因而推断结果存在较大误差。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种球磨机料位预测方法。
本发明的目的可以通过采用如下的技术措施来实现,设计一种球磨机料位预测方法,该方法的步骤包括:向球磨机滚筒中填充物料,采集球磨机在不同料位的振动信号Xs及振声信号Xv;根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数;将振动信号Xs及振声信号Xv的特征参数作为TBM模型的输入,训练TBM模型,通过多次训练,在使TBM模型的优化函数取最小值时,建立振动信号Xs及振声信号Xv的特征参数与预测料位的TBM模型,并通过特征参数计算预测料位。
其中,在根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数的步骤中,包括步骤:对输入的振动信号Xs及振声信号Xv进行预处理,得到振动信号Xs及振声信号Xv的分帧信号;预处理方式包括:预加重、分帧和加窗处理;对预处理后的每帧信号进行FFT变换,将时域信号xs(n)、xv(n)转换为频域信号xs(k)、xv(k),再计算其模的平方得到能量谱Ps(k)、Pv(k);对所得能量谱Ps(k)、Pv(k)进行Mel滤波,并取对数,得到:
其中,其中L为滤波器个数,Hi(k)、Hj(k)三角滤波器的传递参数;对梅尔滤波的结果进行离散余弦变换,得到MFCC系数A(n)作为振动信号Xs及振声信号Xv的特征参数,计算公式为
其中,在将振动信号Xs及振声信号Xv的特征参数作为TBM模型的输入,训练TBM模型,通过多次训练,在使TBM模型的优化函数取最小值时,建立振动信号Xs及振声信号Xv的特征参数与预测料位的TBM模型,并通过特征参数计算预测料位的步骤中,包括步骤:
根据DS合成结果计算预测料位,计算结果为:
重复前述步骤,当优化函数的值w达到最小值时,得到参数g,并计算得到预测料位。
其中,在采集球磨机在相应料位的振动信号Xs及振声信号Xv的步骤中,是通过传感器采集球磨机筒壁或者轴承上的振动信号,及通过安装在球磨机周围麦克风采集振声信号。
其中,通过传感器和麦克风采集的振动信号和振声信号在计算梅尔频率倒谱系数之前,将振动信号和振声信号通过模数转换转换为数字信号。
其中,在得到预测料位后,采用均方根误差(RMSE)作为模型性能评价指标,判断预测料位结果的准确性;其中,均方根误差(RMSE)的计算公式为:
本发明的目的可以通过采用如下的技术措施来实现,设计一种球磨机料位预测装置,连接于待预测的球磨机,包括:采集模块,用于采集球磨机在不同料位的振动信号Xs及振声信号Xv;第一计算模块,用于根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数;第二计算模块,用于将振动信号Xs及振声信号Xv的特征参数作为TBM模型的输入,训练TBM模型,通过多次训练,在使TBM模型的优化函数取最小值时,建立振动信号Xs及振声信号Xv的特征参数与预测料位的TBM模型,并通过特征参数计算预测料位。
其中,第一计算模块包括:预处理单元,用于振动信号Xs及振声信号Xv进行预处理;其中,预处理的方式包括预加重、分帧和加窗处理;FFT变换单元,用于对预处理后的振动信号Xs及振声信号Xv进行快速傅里叶变换,将时域信号转换为频域信号,并计算频域信号的模的平方,得到能量谱;Mel滤波单元,用于对FFT变换单元处理后的能量谱进行Mel滤波,并取对数;DCT变换单元,用于对Mel滤波处理后的结果进行离散余弦变换,得到梅尔频率倒谱系数作为振动信号Xs及振声信号Xv的特征参数。
区别于现有技术,本发明的球磨机料位预测方法通过采集球磨机筒壁或者轴承上的振动信号及安装在球磨机周围麦克风的振声信号;振动信号、振声信号经调理电路、模数转换电路输入数据采集卡;通过MFCC分别计算数据采集卡中振动、振声信号的特征参数;重新组合振动、振声信号;数据采集卡收集重新组合后的信号;最后数据采集卡中的数据通过历史数据建立的TBM模型,预测相应信号的料位。本发明能有效的预测球磨机的料位,其预测料位精确度高、波动小,具有良好的实用价值和推广前景。
附图说明
图1是本发明提供的一种球磨机料位预测方法的流程示意图。
图2是本发明提供的一种球磨机料位预测装置的结构示意图。
图3是本发明提供的一种球磨机料位预测装置的硬件结构示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
参阅图1,图1是本发明提供的一种球磨机料位预测方法的流程示意图。该方法的步骤包括:
S110:向球磨机滚筒中填充物料,采集球磨机在不同料位的振动信号Xs及振声信号Xv。
本发明的方法涉及MFCC和TBM两种理论方法。MFCC是一种提取声音特征的方法。其鲁棒性强,可用于分析非线性信号。针对信号分析和特征提取困难的问题,将近年来广泛研究的MFCC引入球磨机料位软测量建模过程中,用于球磨机轴承振动信号以及振声信号的有效特征提取。
TBM是关于证据理论的一种解释。它是一种双层结构。“credal层”位于底层,在该层中获取信度并对其进行量化、赋值和更新处理。“pignistic层”位于上层,它将credal层上的信度转换成pignistic概率,并由此做出决策。TBM比较适用于需要逐层进行数据、特征和决策层融合的数据融合系统。因此应用于振声信号、振动信号的融合。
本发明所述的球磨机料位预测方法在具体实施时,首先在球磨机筒壁或者轴承上安装振动传感器收集振动信号,在球磨机周围安装麦克风收集振声信号。具体的,通过逐步向球磨机料仓中填充物料,逐渐增加料位,直至最大料位,并通过振动传感器、及作为振声传感器的麦克风,采集振动信号Xs、振声信号Xv,同时记录相应的料位值Y=z,其中z=1,2,…,q。
S120:根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数。
将采集到的振动信号Xs及振声信号Xv作为输入信号,并对输入的信号进行预加重、分帧和加窗处理,得到若干分帧信号。xs(n)、xv(n)表示振动信号、振声信号其中任意一帧。预处理完成后,还包括对振动信号、振声信号进行模数转换的步骤。
对预处理后的每帧信号进行FFT变换,将时域信号xs(n)、xv(n)转换为频域信号xs(k)、xv(k),再计算其模的平方得到能量谱Ps(k)、Pv(k)。
对所得能量谱Ps(k)、Pv(k)进行Mel滤波,并取对数,得到:
其中,其中L为滤波器个数,Hi(k)、Hj(k)三角滤波器的传递参数。
对梅尔滤波的结果进行离散余弦变换,得到MFCC系数A(n),计算公式为
式中A(n)为MFCC系数,J为MFCC阶数,本发明中取为12。
S130:将振动信号Xs及振声信号Xv的特征参数作为TBM模型的输入,训练TBM模型,通过多次训练,在使TBM模型的优化函数取最小值时,建立振动信号Xs及振声信号Xv的特征参数与预测料位的TBM模型,并通过特征参数计算预测料位。
根据DS合成结果计算预测料位,计算结果为:
重复前述步骤,当优化函数的值w达到最小值时,得到参数g。
其中是预测料位,y是真实料位。优化函数取最小值时,得到预测料位代入前述公式,计算得到g,再次重复步骤,得到预测料位与振动信号Xs及振声信号Xv的特征参数的TBM模型,并通过采集的特征参数进行料位预测。
在得到预测料位后,采用均方根误差(RMSE)作为模型性能评价指标,判断预测料位结果的准确性;其中,均方根误差(RMSE)的计算公式为:
区别于现有技术,本发明的球磨机料位预测方法通过采集球磨机筒壁或者轴承上的振动信号及安装在球磨机周围麦克风的振声信号;振动信号、振声信号经调理电路、模数转换电路输入数据采集卡;通过MFCC分别计算数据采集卡中振动、振声信号的特征参数;重新组合振动、振声信号;数据采集卡收集重新组合后的信号;最后数据采集卡中的数据通过历史数据建立的TBM模型,预测相应信号的料位。本发明能有效的预测球磨机的料位,其预测料位精确度高、波动小,具有良好的实用价值和推广前景。
参阅图2,图2是本发明提供的一种球磨机料位预测装置的结构示意图。该装置100连接于待预测的球磨机101,包括:
采集模块110,用于采集球磨机101在不同料位的振动信号Xs及振声信号Xv;
第一计算模块120,用于根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数;
第二计算模块130,用于将振动信号Xs及振声信号Xv的特征参数作为TBM模型的输入,训练TBM模型,通过多次训练,在使TBM模型的优化函数取最小值时,建立振动信号Xs及振声信号Xv的特征参数与预测料位的TBM模型,并通过特征参数计算预测料位。
其中,第一计算模块120包括:
预处理单元121,用于振动信号Xs及振声信号Xv进行预处理;其中,预处理的方式包括预加重、分帧和加窗处理;
FFT变换单元122,用于对预处理后的振动信号Xs及振声信号Xv进行快速傅里叶变换,将时域信号转换为频域信号,并计算频域信号的模的平方,得到能量谱;
Mel滤波单元123,用于对FFT变换单元处理后的能量谱进行Mel滤波,并取对数;
DCT变换单元124,用于对Mel滤波处理后的结果进行离散余弦变换,得到梅尔频率倒谱系数作为振动信号Xs及振声信号Xv的特征参数。
如图3所示,图3是本发明提供的一种球磨机料位预测装置的硬件结构示意图。如图所示,通过传感器和麦克风采集球磨机滚筒的不同料位的振动信号和振声信号,将振动信号和振声信号分别发送到调理电路以对振动信号和振声信号进行调理,调理完成后,将振动信号和振声信号传输到模数转换电路进行模数转换,将采集到的模拟信号转换为数字信号。转换完成后,将数据发送到一数据采集卡1和数据采集卡2,为后续的MFCC处理做准备。进一步,数据采集卡1和数据采集卡2将接收到的数字信号形式的振动信号和振声信号进行预处理,预处理的方式包括预加重、分帧和加窗处理。预处理完成后,对数字信号形式的振动信号和振声信号进行FFT变换,将时域信号转换为频域信号,并计算其模的平方得到能量谱。对所得能量谱进行Mel滤波,对Mel滤波结果取对数后进行DCT变换,将计算结果作为振动信号Xs及振声信号Xv的特征参数。将特征参数进行参数重组后,输入到数据采集卡3和数据采集卡4,进行TBM模型训练。训练的具体步骤为:在训练集中寻找k个最邻近样本并得到相应的信度,信度计算公式为:
根据DS合成结果计算预测料位,计算结果为:
重复前述步骤,当优化函数的值w达到最小值时,得到参数g,将参数g代入前述的信度计算公式,通过计算,可得到预测料位
最终,得到预测料位和信度mtr的函数关系,而mtr又与计算得到的振动信号和振声信号的特征参数成函数关系,从而得到预测料位与振动信号和振声信号的特征参数,通过采集球磨机的振动信号和振声信号,通过MFCC方式计算特征参数,即可得到预测料位,实现对球磨机料位的预测。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种球磨机料位预测方法,其特征在于,包括:
向球磨机滚筒中填充物料,采集球磨机在不同料位的振动信号Xs及振声信号Xv;
根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数;
将振动信号Xs及振声信号Xv的特征参数作为TBM模型的输入,训练TBM模型,通过多次训练,在使TBM模型的优化函数取最小值时,建立振动信号Xs及振声信号Xv的特征参数与预测料位的TBM模型,并通过特征参数计算预测料位;具体包括:
根据DS合成结果计算预测料位,计算结果为:
重复前述步骤,当优化函数的值w达到最小值时,得到参数g,并计算得到预测料位。
2.根据权利要求1所述的球磨机料位预测方法,其特征在于,在根据采集到的振动信号Xs及振声信号Xv计算振动信号Xs及振声信号Xv的特征参数的步骤中,包括步骤:
对输入的振动信号Xs及振声信号Xv进行预处理,得到振动信号Xs及振声信号Xv的分帧信号;预处理方式包括:预加重、分帧和加窗处理;
对预处理后的每帧信号进行FFT变换,将时域信号xs(n)、xv(n)转换为频域信号xs(k)、xv(k),再计算其模的平方得到能量谱Ps(k)、Pv(k);
对所得能量谱Ps(k)、Pv(k)进行Mel滤波,并取对数,得到:
其中,其中L为滤波器个数,Hi(k)、Hj(k)三角滤波器的传递参数;
对梅尔滤波的结果进行离散余弦变换,得到MFCC系数A(n)作为振动信号Xs及振声信号Xv的特征参数,计算公式为
4.根据权利要求1所述的球磨机料位预测方法,其特征在于,在采集球磨机在相应料位的振动信号Xs及振声信号Xv的步骤中,是通过传感器采集球磨机筒壁或者轴承上的振动信号,及通过安装在球磨机周围麦克风采集振声信号。
5.根据权利要求4所述的球磨机料位预测方法,其特征在于,通过传感器和麦克风采集的振动信号和振声信号在计算振动信号Xs及振声信号Xv的特征参数之前,将振动信号和振声信号通过模数转换转换为数字信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711338945.4A CN108009514B (zh) | 2017-12-14 | 2017-12-14 | 球磨机料位预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711338945.4A CN108009514B (zh) | 2017-12-14 | 2017-12-14 | 球磨机料位预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009514A CN108009514A (zh) | 2018-05-08 |
CN108009514B true CN108009514B (zh) | 2022-04-12 |
Family
ID=62058896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711338945.4A Active CN108009514B (zh) | 2017-12-14 | 2017-12-14 | 球磨机料位预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009514B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291658B (zh) * | 2019-09-06 | 2021-06-01 | 山东大学 | Tbm搭载式隧道围岩结构虚拟再现系统与方法 |
CN113570168B (zh) * | 2021-09-22 | 2021-12-17 | 矿冶科技集团有限公司 | 料位矫正方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101173868A (zh) * | 2007-08-28 | 2008-05-07 | 东南大学 | 基于球磨机旋转筒体振动信号的料位检测方法及其检测装置 |
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 |
CN105300473A (zh) * | 2015-11-25 | 2016-02-03 | 太原理工大学 | 一种少量标定的基于深度信念网络的球磨机料位测量方法 |
CN105354768A (zh) * | 2015-11-27 | 2016-02-24 | 广州供电局有限公司 | 输变电设备状态的评估方法和系统 |
CN105512690A (zh) * | 2015-11-25 | 2016-04-20 | 太原理工大学 | 基于监督等距映射和支持向量回归的球磨机料位测量方法 |
CN106568503A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
CN106874568A (zh) * | 2017-01-17 | 2017-06-20 | 中南大学 | 一种球磨过程的物料粒径分布预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493354B (zh) * | 2009-03-01 | 2010-07-07 | 太原理工大学 | 基于多传感器融合技术的滚筒式球磨机料位检测方法 |
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN103440730B (zh) * | 2013-07-22 | 2016-04-06 | 清华大学 | 一种基于数据提取的关联报警的识别方法 |
CN105337842B (zh) * | 2014-08-14 | 2018-08-07 | 广东外语外贸大学 | 一种与内容无关的垃圾邮件过滤方法 |
DE102015213719A1 (de) * | 2015-07-21 | 2017-01-26 | Achenbach Buschhütten GmbH & Co. KG | Verfahren zur Identifikation eines Coils |
-
2017
- 2017-12-14 CN CN201711338945.4A patent/CN108009514B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101173868A (zh) * | 2007-08-28 | 2008-05-07 | 东南大学 | 基于球磨机旋转筒体振动信号的料位检测方法及其检测装置 |
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 |
CN105300473A (zh) * | 2015-11-25 | 2016-02-03 | 太原理工大学 | 一种少量标定的基于深度信念网络的球磨机料位测量方法 |
CN105512690A (zh) * | 2015-11-25 | 2016-04-20 | 太原理工大学 | 基于监督等距映射和支持向量回归的球磨机料位测量方法 |
CN105354768A (zh) * | 2015-11-27 | 2016-02-24 | 广州供电局有限公司 | 输变电设备状态的评估方法和系统 |
CN106568503A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
CN106874568A (zh) * | 2017-01-17 | 2017-06-20 | 中南大学 | 一种球磨过程的物料粒径分布预测方法 |
Non-Patent Citations (2)
Title |
---|
Fault diagnosis of a vacuum cleaner motor bymeans of sound analysis;U. Benko等;《Journal of Sound and Vibration》;20040922;第276卷(第3-5期);第781-806页 * |
二型T-S模糊系统在球磨机料位预测中的应用;王丹等;《仪表技术与传感器》;20151231(第12期);第103-106、109页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108009514A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
CN108009514B (zh) | 球磨机料位预测方法 | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
CN117168331A (zh) | 基于光纤传感器的天然冰场冰层厚度实时检测方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
CN109583115B (zh) | 一种融合集成磨机负荷参数软测量系统 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN114252906A (zh) | 声音事件的检测方法和装置、计算机设备和存储介质 | |
CN115575508A (zh) | 一种基于列车振声复合特征的轨道交通钢轨波磨识别方法 | |
CN112113766A (zh) | 一种滚动轴承早期损伤状态的特征提取方法 | |
CN116771601A (zh) | 基于温度感知的风电机组优化控制方法及系统 | |
Min et al. | Study on the concept of space time keeping system | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN117909668B (zh) | 基于卷积神经网络的轴承故障诊断方法及系统 | |
CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
CN116701918B (zh) | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 | |
CN116659867A (zh) | 一种轴承故障检测方法及装置 | |
Yang et al. | Data-driven Fault Diagnosis Method Based on Fusion of Multi-direction and Multi-source Signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |