CN108038079B - 一种多源机械信号分析与优化组合方法 - Google Patents
一种多源机械信号分析与优化组合方法 Download PDFInfo
- Publication number
- CN108038079B CN108038079B CN201711268730.XA CN201711268730A CN108038079B CN 108038079 B CN108038079 B CN 108038079B CN 201711268730 A CN201711268730 A CN 201711268730A CN 108038079 B CN108038079 B CN 108038079B
- Authority
- CN
- China
- Prior art keywords
- mechanical
- mechanical signal
- latent structure
- mlpf
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000005236 sound signal Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000000227 grinding Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 30
- 239000000126 substance Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004451 qualitative analysis Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Discrete Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种多源机械信号分析与优化组合方法，对所采集多源机械振动和振声信号进行快速傅里叶变换，获得机械频谱数据；基于这些机械频谱数据构建潜结构映射模型，基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型的验证误差和结构参数与全部机械信号MLPF潜结构模型的验证误差和结构参数之比对机械信号的预测精度贡献率和蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号预测精度和蕴含信息贡献率的综合评估；通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号优化组合。
Description
技术领域：
本发明属于信号分析技术领域，尤其涉及一种基于线性潜结构模型面向磨机负荷参数预测的多源机械信号分析与优化组合方法。
背景技术
实时准确的磨机负荷参数预测(MLPF)模型是选矿过程实现运行优化与运行控制的关键因素之一[1,2]。基于数据驱动的软测量模型已被广泛用于这些难以检测过程参数的推理估计[3]。球磨机是磨矿过程的关键机械设备，具有重型、旋转、封闭等特点，其连续运行过程中释放出强烈的机械振动和振声信号。通常，这些机械信号的频谱用于构建与磨矿过程质量和产量密切相关的磨机内部负荷参数模型[4,5,6]。
理论上，球磨机的机械振动和振声信号具有非稳态和多组分特性。球磨机内部的数以万计的钢球分层排列，在磨机旋转工作过程中以不同的冲击力和不同的周期对矿石和磨机衬板进行冲击。通常在磨机筒体外部所测量的筒体振动信号是由这些冲击力合成得到的。进一步，筒体振动通过磨机机械传动系统传递到磨机轴承座；同时，筒体振动也是在磨机研磨区域所测量的振声信号的主要来源。针对这些多源机械信号，通常采取的策略是首先采用信号处理技术进行分析以提取更为显著的特征[7]。
通常所采用的信号处理技术是对这些原始机械振动和振声进行快速傅里叶变换(FFT)，采用这种方式获取的频谱被称为单尺度频谱[8]。但是，理论上FFT不适合处理具有非稳态和多组分特性的机械信号[9]。小波分解及其改进算法等多种不同的时/频分析技术已被广泛用于基于此类机械信号的故障诊断[10,11]。为了能够自适应的分解该类机械信号，经验模态分解(EMD)及其改进算法可以将原始机械信号分解为具有不同时间尺度的系列子信号，并应用于不同的工业过程中[12,13,14]。从机械信号产生机理的视角出发，这些子信号被认为是具有不同尺度的多源信息，其频谱相应的被称为多尺度频谱[8]。这些多尺度频谱被广泛应用于轴承故障诊断和球磨机筒体振动分析[15,16]。理论上，基于多尺度频谱能够构建得到具有更加合理性解释的MLPF模型。但是，这些复杂的基于EMD等算法的信号分解过程也可能会产生一些非确定和不准确的信息。因此，基于FFT的单尺度频谱仍然是实际工业过程中应用最为广泛的建模数据。
在具有较高的频率分辨率时，单尺度频谱和多尺度频谱都包含成百上千的频率变量，并且相互之间存在较强的共线性。因此，潜结构映射或偏最小二乘(PLS)及其核版本常用于直接处理具有这些特点的频谱数据[17]，其主要原因是该类方法能够基于较少的潜在变量(LVs)对高维谱数据建模。同时，为了提高MLPF模型的泛化性能，基于“操作输入特征”和“操纵训练样本”集成构造策略的选择性集成(SEN)建模方法从有效融合多源有价值信息的视角进行软测量模型的构建[18]；但其模型结构较传统的单一模型复杂，难以用于简洁、快速的对多源机械信号进行分析评估。从另外一个视角，基于多尺度频谱的建模方法与工业过程中专家人脑认知磨机负荷的过程相类似；因此，基于多尺度频谱的建模方法有待于深入研究。同时，不同的MLPF建模方法的比较结果表明，基于单尺度频谱的模型在泛化性能上优于基于多尺度频谱的模型；但是，基于单尺度的MLPF建模方法在提高模型的可解释性和洞悉机械信号产生机理方面存在难以克服的固有缺点。
上述这些研究表明，对于在球磨机振动系统的不同位置所测量的筒体振动、轴承座振动和振声信号等多源(多通道)机械信号的预测精度和蕴含信息贡献率的研究鲜有报道。也就是说，我们需要一种新的方法用于辅助判断哪些信号(通道)更加稳定，哪些信号更适应不同的实际需求，哪些信号的组合能够互补进而提高MLPF模型的泛化性能。因此，需要一种快速和简单的分析方法用于解决上述问题。
参考文献如下：
[1]P.Zhou,T.Y.Chai,and H.Wang,Intelligent optimal-setting control forgrinding circuits of mineral processing,IEEE Transactions on AutomationScience and Engineering,Vol.6,No.4,730-743,2009.
[2]T.Y.Chai,Operational optimization and feedback control for complexindustrial processes,Acta Automatica Sinica,Vol.39,No.11,1744-1757,2013.
[3]M.Kano,K.Fujiwara,Virtual sensing technology in processindustries:trends&challenges revealed by recent industrialapplications.Journal of Chemical Engineering of Japan,Vol.46,No.1,1-17,2013.
[4]P.Huang,M.P.Jia,B.L.Zhong,Investigation on measuring the filllevel of an industrial ball mill based on the vibration characteristics ofthe mill shell,Minerals Engineering,Vol.14,1200-1208,2009.
[5]S.P.Das,D.P.Das,S.K.Behera,B.K.Mishra,Interpretation of millvibration signal via wireless sensing,Minerals Engineering,Vol.24,245-251,2011.
[6]T.J.Feng,H.G.Wang,W.L.Xu,N.Xu,An on-line mill load monitoringsystem based on shell vibration signals,Mining&M etallurgy,Vol.19,66-69,2012.
[7]X.Fan,M.J.Zuo,Machine fault feature extraction based on intrinsicmode functions.Measurement Science&Technology,Vol.19,334-340,2008.
[8]J.Tang,W.Yu,T.Y.Chai,Z.Liu,X.J.Zhou,Selective ensemble modelingload parameters of ball mill based on multi-scale frequency spectral featuresand sphere criterion,Mechanical Systems&Signal Processing,Vol.66-67,485-504,2016.
[9]Y.G.Lei,Z.J.He,Y.Y.Zi,Application of the EEMD method to rotorfault diagnosis of rotating machinery,Mechanical Systems and SignalProcessing,Vol.23,(2009)1327-1338.
[10]J.Cusido,L.Romeral,J.A.Rosero,J.A.A.Garcia Espinosa,Faultdetection in induction machines using power spectral density in waveletdecomposition,IEEE Transaction Industial Electronic,Vol.55,633-643,2008.
[11]J.W.Wang,T.Li,Y.Q.Shi,S.G.Lian,J.Y.Ye,Forensics feature analysisin quaternion wavelet domain for distinguishing photographic images andcomputer graphics,Multimedia Tools and Applications,Vol.1,1-17,2016.
[12]J.Faiz,V.Ghorbanian,B.M.Ebrahimi,EMD-based analysis of industrialinduction motors with broken rotor bars for identification of operating pointat different supply modes,IEEE Transaction on Industrial Informatics,Vol.10,957-966,2014.
[13]R.Y.Li,D.He.Rotational machine health monitoring and faultdetection using EMD-based acoustic emission feature quantification,IEEETransaction on Instrumentation and Measurement,Vol.61,990-1001,2012.
[14]D.S.Singh,Q.Zhao,Pseudo-fault signal assisted EMD for faultdetection and isolation in rotating machines.Mechanical Systems&SignalProcessing,Vol.81,202-218,2016.
[15]V.K.Rai,A.R.Mohanty,Bearing fault diagnosis using FFT ofintrinsic mode functions in Hilbert-Huang transform,Mechanical Systems andSignal Processing,Vol.21,2607-2165,2007.
[16]J.Tang,T.Y.Chai,Q.M.Cong,L.J.Zhao,Z.Liu,W.Yu.Modeling Mill LoadParameters Based on Selective Fusion of Multi-scale Shell Vibration FrequencySpectrum.Control Theory&Application,Vol.32,No.12,1582-1591,2015.
[17]J.Tang,T.Y.Chai,W.Yu,Z.Liu,X.J.Zhou.A Comparative study thatmeasures ball mill load parameters through different single-scale and multi-scale frequency spectra-based approaches,IEEE Transactions on IndustrialInformatics,Vol.12,No.6,2008-2019,2016.
[18]J.Tang,J.G.Qiao,Z.W.Wu,T.Y.Chai,J.Zhang,W.Yu,Vibration andacoustic frequency spectra for industrial process modeling using selectivefusion multi-condition samples and multi-source features,Mechanical Systems&Signal Processing,Vol.99,142-168,2018.
发明内容
针对上述问题，本发明提出了一种新的基于线性潜结构模型面向磨机负荷参数预测的多源机械信号分析与优化组合方法。首先，对所采集的至少是整旋转周期长度的多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性特性的机械频谱数据；然后，基于这些机械频谱数据构建潜结构映射(PLS)模型并基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估；最后，通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号的优化组合，从而为不同的磨矿过程对测量的多源机械信号进行分析与优化组合提供有效依据，以便构建有效的MLPF模型。通过实验球磨机的多源机械信号验证了所提方法的有效性。
为实现上述目的，本发明采用如下的技术方案：
一种多源机械信号分析与优化组合方法，包括以下步骤：
步骤1、对所采集的至少是机械设备整旋转周期长度的多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性特性的机械频谱数据；
步骤2、基于这些机械频谱数据构建潜结构映射(PLS)模型，基于验证数据得到磨机负荷参数预测(MLPF)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估；
步骤3、通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号的优化组合。
作为优选，步骤1具体为：针对磨矿过程和球磨机运转过程的定性分析可知，球磨机系统的不同位置的不同类型机械信号中蕴含着不同的磨机负荷参数的有价值信息，将所采集的机械信号的来源数简记为J，并将全部通道的信号标记为
其中，j表示第jth个通道；
采用FFT技术将数据长度为N的机械振动信号变换至频域，具体可表示为：
假定基于不同的磨机负荷值进行k次实验，并且同时采集J个通道的机械信号；接着将全部信号采用公式(3)变换至频域，并记为
将其划分为两个部分，即建模数据和验证数据，具体可表示为：
其中，k＝ktrain+kvalid；ktrain和kvalid分别是训练和验证数据集的样本数量。
作为优选，步骤2具体为：采用PLS算法基于
所构建的潜结构模型可表示为
具体可表示为：
其中，
rank(·)表示获取矩阵秩的函数；hj是第jth个潜结构模型的LVs数量，也是潜结构模型的结构参数和模型的层数，
hj是通过最小化验证数据集的均方根误差(RMSEs)的准则计算得到的。其中，第jth个通道的机械信号潜结构模型的RMSEs采用下式计算得到：
其中
表示基于jth通道的机械信号频谱
构建的潜结构模型，
基于多个通道的机械信号潜结构模型的验证误差
给出了表征第jth个通道机械信号的相对预测精度贡献率
的计算公式：
同时，基于表征潜结构模型结构的LVs数量hj，给出了相对蕴含信息贡献率
的计算公式：
进一步，定义了综合指标λj用于评估第jth通道的机械信号：
其中，0≤α≤1，系数α能够在相对预测精度贡献率和蕴含信息贡献率之间进行均衡，
最佳通道机械信号的综合指标值λBest可通过下式得到：
λBest＝Min(λ1,…,λj,…,λJ) (10)
其中Min(·)表示获取最小值的函数。
基于式(10)的准则，将所有通道按照综合指标值由小到大进行重新排序，并重新标记为:
其中，
J*＝J，
表示进行重新排序后的第j*th个综合指标值。
作为优选，步骤3具体为：通过设定阈值λthresh对所有J*个通道的机械信号进行初选，如下式所示：
其中，φ表示空集，
基于上述准则，将初选的通道数记为Jsel。全部初选通道的综合指标值可标记为：
其中，Jsel≤J，jsel表示经过初选得到的第jselth个通道的机械信号，
通过组合优化策略对初选的通道进行优化组合，以获得具有最佳预测性能的具有互补特性的机械信号组合，按最小化验证数据集误差
的准则选择优化的组合通道：
其中，
表示优化组合通道的机械信号频谱建模数据集；
表示优化组合后的基于训练数据集
构建的潜结构模型；
表示优化组合后的验证数据集；
表示优化组合后的第lvalidth验证样本；
表示包含全部J*个候选通道的验证数据集。
在原始J个通道的机械信号中，经过初选获得Jsel个通道，再经过组合优化策略得到
个通道。具体可用如下公式表示，
其中，
J*∈[1,J]。
通过上述过程，实现了对J个通道的机械信号的分析评估和优化组合。
本发明的有益效果：
准确检测重型旋转设备球磨机内部负荷是实现选矿过程运行优化与控制的关键因素之一。基于多源机械信号，如球磨机系统不同位置的机械振动和振声信号，构建磨机负荷参数预测模型(MLPF)已经成为当前研究的一个热点和难点问题。但是，关于这些多源信号的预测精度和蕴含信息贡献率的研究却是鲜有报道。对于不同的实际磨矿过程，选择适当的多源机械信号构建MLPF模型是非常必要的。针对这一问题，本发明提出的基于线性潜结构模型面向磨机负荷参数预测的多源机械信号分析与优化组合方法，首先，对所采集多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性的特性机械频谱数据；然后，基于这些机械频谱数据构建潜结构映射(PLS)模型并基于验证数据得到MLPF模型的结构参数和验证误差，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估；最后，通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号优化组合，从而为不同的磨矿过程中所测量的多源信号进行分析与优化组合提供有效依据，以构建有效的MLPF模型。通过实验球磨机的多源机械信号验证了所提方法的有效性。
附图说明
图1一段磨矿回路(GC I)流程和多源机械信号的位置；
图2 PLS算的原理和结构；
图3不同通道机械信号的单尺度频谱；
图4(a)基于Ch1机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(b)基于Ch2机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(c)基于Ch3机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(d)基于Ch4机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(e)基于Ch5机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(f)基于Ch6机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(g)基于Ch7机械信号潜结构模型的LVs数量和RMSE间的关系；
图4(h)基于Ch8机械信号潜结构模型的LVs数量和RMSE间的关系；
图5为本发明流程图。
具体实施方式
磨矿过程和机械信号产生机理简述
磨矿过程通常采用两段式闭式磨矿回路(GC)，其一段磨矿回路(GC I)的流程和多源机械信号的检测位置如图1所示。
首先，新给矿从“矿仓”进入“预选机”并排除尾矿，同时伴随着新加水和周期性添加的钢球；接着，与来自“水力旋流器”的沉砂混合后进入“球磨机”，通过钢球与矿石间的周期性冲击和研磨作用对矿石进行破碎，形成矿浆后依靠其流动排出磨机并进入“泵池”；最后对“泵池”进行新加水并对矿浆进行稀释，然后将其泵入“水力旋流器”进行筛选：较细的溢流进行入二段磨矿回路(GC II)，较粗的进入“球磨机”进行再磨。
工业实际表明，球磨机是整个磨矿过程的瓶颈设备。通常，磨矿过程的最大化生产率是通过最优磨矿回路负荷控制策略实现的。众所周知，GCI的回路负荷是由球磨机负荷决定的。球磨机的过负荷和欠负荷都会导致生产过程中断和磨矿设备的损坏。在实际工业过程中，磨机内部任何一种磨机负荷参数(料球比(MBVR)、磨矿浓度(PD)和充填率(CVR))的异常均会导致磨机过负荷或者是欠负荷。因此，磨机负荷参数是磨矿过程中非常重要的难以检测过程参数。磨机负荷及其状态，磨机负荷参数间的关系详见文献[19]，[19]J.Tang,T.Y.Chai,W.Yu,and L.J.Zhao,Modeling load parameters of ball mill in grindingprocess based on selective ensemble multi-sensor information,IEEETransactions on Automation Science and Engineering,Vol.10,No.3,726-740,2013.
球磨机是依靠钢球和矿石负荷间的冲击和研磨作用进行矿石破碎的重型旋转设备。随着球磨机的旋转运行，分层排列的钢球以不同的冲击力和周期被同时抛落或滑落。这些冲击力相互叠加导致磨机筒体振动，同时，磨机自身质量的不平衡和安装的偏置也会引起筒体振动。筒体振动声发射所形成的结构噪声是磨机振声信号的主要组成部分；同时，球磨机内部噪声在磨机内部连续反射后会形成混合声场，并通过磨机筒体传出形成空气噪声。因此，在磨机筒体近表面所测量的筒体振声信号包含磨机研磨过程的不同信息。工业现场在磨机研磨区域附近所测量的筒体振动信号还包含着来自其他磨机和邻近设备的背景噪声。另外，通过振动通过机械传动设备进行传递，也会导致磨机轴承座在水平和垂直等不同方向上的振动；相比较于筒体振动，轴承座振动信号更易于测量，但显然会丢失部分信息。因此，球磨机系统的不同位置的不同机械信号蕴含着不同的有价值信息。为构建有效的MLPF模型，有必要面对不同的工业实际进行这些多源信号的采集和分析。
潜结构映射(PLS)算法简介
潜结构映射或偏最小二乘(PLS)通过从原始输入输出数据空间提取的潜在变量(LVs)构建线性多变量回归模型。PLS将输入数据
和输出数据
映射到低维空间，其分解结果如下式所示：
其中T＝[t1,...,th]和U＝[u1,...,uh]是潜在得分矩阵；P＝[p1,...,ph]和Q＝[q1,...,qh]是Z和Y的负荷矩阵，E和F是相应的残差矩阵。
因此，PLS算法的目标就是通过最大化ti和ui之间的协方差得到权向量wi和ci。其原理和结构如图2所示，图2表明PLS是具有线性结构的多层模型，其层数就是LVs数量h，即PLS模型的结构参数。通常，较小的h值意味着简单的模型结构和较大的蕴含信息贡献率。同时，每层模型又包含内部和外部两个模型，其中：外部模型用于提取和输入输出空间均相关潜在变量，内部模型通过这些潜在变量构建回归模型。
基于PLS的软测量模型可用下式表示：
其中，G是未建模动态。
基于高维谱数据采用PLS建模，其特点是只需要采用少量的LVs既可实现预测模型的构建，优点是只需要通过验证数据选择LVs数量这一个模型结构参数，缺点是PLS只能构建线性和静态模型。
基于PLS的多源机械信号分析与优化组合
如图5所示，本发明提供一种新的基于线性潜结构模型面向磨机负荷参数预测的多源机械信号分析与优化组合方法，包括以下步骤：
步骤1、对所采集的至少是机械设备整旋转周期长度的多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性特性的机械频谱数据。
步骤1具体为：针对磨矿过程和球磨机运转过程的定性分析可知，球磨机系统的不同位置的不同类型机械信号中蕴含着不同的磨机负荷参数的有价值信息，将所采集的机械信号的来源数简记为J，并将全部通道的信号标记为
其中，j表示第jth个通道；
采用FFT技术将数据长度为N的机械振动信号变换至频域，具体可表示为：
假定基于不同的磨机负荷值进行k次实验，并且同时采集J个通道的机械信号；接着将全部信号采用公式(3)变换至频域，并记为
将其划分为两个部分，即建模数据和验证数据，具体可表示为：
其中，k＝ktrain+kvalid；ktrain和kvalid分别是训练和验证数据集的样本数量。
步骤2、基于这些机械频谱数据构建潜结构映射(PLS)模型，基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估。
步骤2具体为：采用PLS算法基于
所构建的潜结构模型可表示为
具体可表示为：
其中，
rank(·)表示获取矩阵秩的函数；hj是第jth个潜结构模型的LVs数量，也是潜结构模型的结构参数和模型的层数，
hj是通过最小化验证数据集的均方根误差(RMSEs)的准则计算得到的。其中，第jth个通道的机械信号潜结构模型的RMSEs采用下式计算得到：
其中
表示基于jth通道的机械信号频谱
构建的潜结构模型，
基于多个通道的机械信号潜结构模型的验证误差
给出了表征第jth个通道机械信号的相对预测精度贡献率
的计算公式：
同时，基于表征潜结构模型结构的LVs数量hj，给出了相对蕴含信息贡献率
的计算公式：
进一步，定义了综合指标λj用于评估第jth通道的机械信号：
其中，0≤α≤1，系数α能够在相对预测精度贡献率和蕴含信息贡献率之间进行均衡，
最佳通道机械信号的综合指标值λBest可通过下式得到：
λBest＝Min(λ1,…,λj,…,λJ) (10)
其中Min(·)表示获取最小值的函数。
基于式(10)的准则，将所有通道按照综合指标值由小到大进行重新排序，并重新标记为:
其中，
J*＝J，
表示进行重新排序后的第j*th个综合指标值。
步骤3、通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号的优化组合
步骤3具体为：通过设定阈值λthresh对所有J*个通道的机械信号进行初选，如下式所示：
其中，φ表示空集，
基于式(12)的准则，将初选的通道数记为Jsel。全部初选通道的综合指标值可标记为：
其中，Jsel≤J，jsel表示经过初选得到的第jselth个通道的机械信号，
通过组合优化策略对初选的通道进行优化组合，以获得具有最佳预测性能的具有互补特性的机械信号组合，按最小化验证数据集误差
的准则选择优化的组合通道：
其中，
表示优化组合通道的机械信号频谱建模数据集；
表示优化组合后的基于训练数据集
构建的潜结构模型；
表示优化组合后的验证数据集；
表示优化组合后的第lvalidth个验证样本；
表示包含全部J*个候选通道的验证数据集。
在原始J个通道的机械信号中，经过初选获得Jsel个通道，再经过组合优化策略得到
个通道。具体可用如下公式表示，
其中，
Jsel∈[1,J]。
通过上述过程，实现了对J个通道的机械信号的分析评估和优化组合。
基于实验球磨机的实验结果
实验描述
本实验在直径为602mm和长度为715mm的小型实验磨机上进行，其中磨机筒体的旋转速度为42r/min。实验中，总共有8个同道的机械信号以51200Hz的频率进行采集，传感器类型和位置为：(1)固定在磨机筒体表面的2个振动加速度传感器；(2)与磨机筒体表面相距2mm的2个声传感器；(3)位于磨机轴承座左侧和右侧的3个振动加速度传感器；(4)位于磨机研磨区域下方10mm的1个声传感器。这些机械信号依次被标记为通道1到8，即Ch1-Ch8。
本次实验是在固定钢球和水负荷，逐渐增加矿石负荷的情况进行的，总共进行了139次实验，即采集了139个样本，其中4/5的样本用做建模的训练和验证数据集，其余的用于模型测试。
频谱结果
首先，对时域信号进行滤波处理；然后，采用FFT技术将磨机运行中稳定旋转周期的数据转换至频域，得到每个通道的多个旋转周期的单尺度频谱；最后，将这些稳定旋转周期的谱数据进行平均获得最终的单尺度频谱。在钢球负荷292kg、水负荷35kg和矿石负荷25.5kg的实验工况下，8个通道的机械信号频谱如图3所示，图3表明，不同通道的机械信号频谱具有不同的频率分布特性。基于简单快速的准则进行多源机械信号的分析是很有必要的。
潜结构模型结果
本发明中，只构建了磨机负荷参数PD的预测模型用于分析不同通道的机械信号。
基于PLS算法，基于这些不同通道的机械信号构建潜结构模型，在验证数据集上获得的LVs数量和RMSE间的关系如图4所示，图4表明：
(1)Ch1具有最小的验证误差和最大的LVs数量。也就是说，通过Ch1频谱数据的多层特征提取，可得到具有最佳预测性能的PD模型。但是同样位于筒体表面的Ch2，验证误差则很大，表明该通道的测量信号可能存在问题。
(2)Ch5和Ch7具有最差的预测性能，它们分别是磨机轴承座的左侧垂直振动和右侧水平振动。表明选择合适的通道位置和加速度振动方向很重要，也表明这两个通道蕴含着较少的PD信息。
(3)Ch3、Ch4和Ch8具有几乎相同的预测性能。这三个通道测量的都是振声信号，也表明了在工业过程中通常采用的基于振声的磨机负荷检测的合理性，也可以解释为什么运行专家可以通过人耳能够有效识别磨机负荷状态。
基于不同通道机械信号的MLPF模型的预测性能的统计结果如表1所示。
表1基于不同通道机械信号的MLPF模型的预测结果
表1表明最佳的训练、验证和测试数据集的RMSEs是0.001212、0.005456和0.007540，其值分别来自于Ch3、Ch1和Ch1。其中，Ch1和Ch 3是来自于筒体表面的振动和近表面振声，可见其可以采集到更多有价值的信息；但是其LVs数量也是最大的，明显的高于其他通道，可见信息蕴含较为分散。另外，Ch6在LVs数量和预测性能间达到了均衡。
但以上只是定性分析结果，详细的定量分析见下文。
分析结果
基于本发明中给出的公式(7)和(8)，计算相对预测精度贡献率和相对蕴含信息贡献率。本发明中设定α＝0.5，基于公式(9)计算综合指标。全部8个通道的分析指标统计结果如表2所示：
表2全部8个通道的分析指标统计结果
表2表明:
(1)Ch1，也就是筒体表面的振动信号具有最小的
即0.04799。因此，该信号对PD的预测精度贡献率最高，这与之前的研究成果中得到的筒体振动对PD的灵敏度最高的结论相符合。但其λj指标为0.1218，仅仅是略低于8个通道的平均值，可见其蕴含信息贡献率相对较低；
(2)Ch 5和Ch6，也就是轴承座的左侧垂直和右侧振动，具有相同的较低的
即0.07608。因此，它们具有简单的模型结构，相对信息蕴含率也较高；但是，Ch5却是具有最差的预测性能，该通道显然不能作为构建MLPF模型的机械信号。因此，只是采用单个指标无法评估通道信号的有效性。
(3)Ch6具有最低的λj，其
值也只是低于Ch1。因此，该通道信号可有效构建PD模型；
优化组合结果
将阈值λthresh定为0.1，则初选的通道数量为3个，即通道Ch4、Ch6和Ch8。
预设定通道数为1、2和3时，所有组合通道的MLPF模型预测性能的统计结果如表3所示。
表3基于不同预设通道数的MLPF模型预测结果
由表3可知，训练、验证和测试数据集的最佳预测性能所对应的通道组合为{Ch4,Ch6,Ch8}、{Ch6,Ch8}和{Ch4,Ch8}，其对应的RMSEs分别为0.001227、0.006046和0.005848。从测试误差的视角上讲，Ch4和Ch8的组合具有最佳的泛化性能，其中Ch4是临近磨机筒体表面的振声信号，Ch8磨机研磨区域附近的振声信号，可见两者之间蕴含的有价值信息存在差异性，能够互补，其LVs数量为13，稍高于其组合{Ch4,Ch6}。另外，组合Ch4，Ch6和Ch8信号的预测模型的测试误差为0.006135，仅次于0.005848，其训练误差最小为0.001227；其中Ch6为综合指标值最小的机械信号，其测量位置为轴承座振动信号，可见这3个通道的机械信号间存在互补性。另外，基于组合通道的MLPF模型的预测性能均强于单通道Ch6，表明多源信号间的互补性和进行通道组合优化的必要性。
需要提出的是，上述分析和优化组合的结果只是采用线性潜在结构模型进行的基于实验球磨机的多个通道机械信号的分析，该结论也许不适用于工业磨机和其它型号的实验磨机。更多研究需要进一步深入研究。
结论
球磨机系统运行过程中产生的多源机械信号常用于构建磨机负荷参数预测模型，为实现磨矿过程的优化运行与控制提供支撑。但是，目前研究很少关注这些多源机械信号的相对预测精度贡献率和蕴含信息贡献率。本发明的主要贡献是：(1)提出基于单一机械信号潜结构模型验证误差与全部机械信号潜结构模型的验证误差和之比的新指标，对多通道机械信号的相对预测精度贡献率进行分析评估；(2)提出基于单一机械信号潜结构模型结构参数与全部机械信号潜结构模型结构参数和之比的新指标，对多通道机械信号的相对蕴含信息贡献率进行分析评估；(3)提出能够对多源机械信号相对预测精度贡献率和蕴含信息贡献率进行可调加权的综合指标，对多通道机械信号进行分析评估，并结合阈值实现多通道机械信号的初选；(4)提出基于初选结果，构建磨机负荷参数预测模型的最佳多源机械信号优化组合策略。通过实验球磨机的多通道机械信号验证了所提方法的有效性。
Claims (4)
1.一种多源机械信号分析与优化组合方法，其特征在于，包括以下步骤：
步骤1、对所采集的至少是机械设备整旋转周期长度的多源机械振动和振声信号进行快速傅里叶变换(FFT)，获得具有高维和共线性特性的机械频谱数据；
步骤2、基于这些机械频谱数据构建潜结构映射(PLS)模型，基于验证数据得到磨机负荷参数预测(MLPF)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的验证误差之比对机械信号的预测精度贡献率进行评估，通过单一机械信号MLPF潜结构模型与全部机械信号MLPF潜结构模型的结构参数之比对机械信号的蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号在预测精度和蕴含信息贡献率的综合评估；
步骤3、通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号的优化组合。
2.根据权利要求1所述的多源机械信号分析与优化组合方法，其特征在于，步骤1具体为：针对磨矿过程和球磨机运转过程的定性分析可知，球磨机系统的不同位置的不同类型机械信号中蕴含着不同的磨机负荷参数的有价值信息，将所采集的机械信号的来源数简记为J，并将全部通道的信号标记为
其中，j表示第jth个通道；
采用FFT技术将数据长度为N的机械振动信号变换至频域，具体可表示为：
假定基于不同的磨机负荷值进行k次实验，并且同时采集J个通道的机械信号；接着将全部信号采用公式(3)变换至频域，并记为
将其划分为两个部分，即建模数据和验证数据，具体可表示为：
其中，k＝ktrain+kvalid；ktrain和kvalid分别是训练和验证数据集的样本数量。
3.根据权利要求2所述的多源机械信号分析与优化组合方法，其特征在于，步骤2具体为：采用PLS算法基于
所构建的潜结构模型可表示为
具体可表示为：
其中，
rank(·)表示获取矩阵秩的函数；hj是第jth个潜结构模型的LVs数量，也是潜结构模型的结构参数和模型的层数，
hj是通过最小化验证数据集的均方根误差(RMSEs)的准则计算得到的；其中，第jth个通道的机械信号潜结构模型的RMSEs采用下式计算得到：
其中
表示基于jth通道的机械信号频谱
构建的潜结构模型，
基于多个通道的机械信号潜结构模型的验证误差
给出了表征第jth个通道机械信号的相对预测精度贡献率
的计算公式：
同时，基于表征潜结构模型结构的LVs数量hj，给出了相对蕴含信息贡献率
的计算公式：
进一步，定义了综合指标λj用于评估第jth通道的机械信号：
其中，0≤α≤1，系数α能够在相对预测精度贡献率和蕴含信息贡献率之间进行均衡，
最佳通道机械信号的综合指标值λBest可通过下式得到：
λBest＝Min(λ1,…,λj,…,λJ) (10)
其中Min(·)表示获取最小值的函数；
基于式(10)的准则，将所有通道按照综合指标值由小到大进行重新排序，并重新标记为:
其中，
表示进行重新排序后的第j*th个综合指标值。
4.根据权利要求1所述的多源机械信号分析与优化组合方法，其特征在于，步骤3具体为：通过设定阈值λthresh对所有J*个通道的机械信号进行初选，如下式所示：
其中，φ表示空集，
基于式(12)的准则，将初选的通道数记为Jsel；全部初选通道的综合指标值可标记为：
其中，Jsel≤J，jsel表示经过初选得到的第jselth个通道的机械信号，
通过组合优化策略对初选的通道进行优化组合，以获得具有最佳预测性能的具有互补特性的机械信号组合，按最小化验证数据集误差
的准则选择优化的组合通道：
其中，
表示优化组合通道的机械信号频谱建模数据集；
表示优化组合后的基于训练数据集
构建的潜结构模型；
表示优化组合后的验证数据集；
表示优化组合后的第lvalidth个验证样本；
表示包含全部J*个候选通道的验证数据集；
在原始J个通道的机械信号中，经过初选获得Jsel个通道，再经过组合优化策略得到
个通道；具体可用如下公式表示，
其中，
Jsel∈[1,J]；
实现对J个通道的机械信号的分析评估和优化组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711268730.XA CN108038079B (zh) | 2017-12-05 | 2017-12-05 | 一种多源机械信号分析与优化组合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711268730.XA CN108038079B (zh) | 2017-12-05 | 2017-12-05 | 一种多源机械信号分析与优化组合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108038079A CN108038079A (zh) | 2018-05-15 |
| CN108038079B true CN108038079B (zh) | 2021-01-05 |
Family
ID=62095060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711268730.XA Active CN108038079B (zh) | 2017-12-05 | 2017-12-05 | 一种多源机械信号分析与优化组合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108038079B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 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 |
| CN114160273B (zh) * | 2019-07-18 | 2023-02-17 | 北京科技大学 | 一种磨矿机综合运行状态在线检测装置及自动控制方法 |
| CN111089740B (zh) * | 2019-11-25 | 2022-05-31 | 北京工业大学 | 基于多层相关性的多通道机械频谱子频段特征评估方法 |
| 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 |
| CN113847949A (zh) * | 2021-09-23 | 2021-12-28 | 徐州万达回转支承有限公司 | 一种基于传感器信息融合的多工况砂带磨损状态在线检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5402352A (en) * | 1993-02-22 | 1995-03-28 | Beta Raven, Inc. | Pellet mill controller with automatic setting of start values |
| CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
| CN105279385A (zh) * | 2015-11-16 | 2016-01-27 | 中国人民解放军61599部队计算所 | 一种基于虚拟样本的磨机负荷参数软测量方法 |
| CN105787255A (zh) * | 2016-02-04 | 2016-07-20 | 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 |
| CN106203253A (zh) * | 2016-06-22 | 2016-12-07 | 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 |
| 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 |
-
2017
- 2017-12-05 CN CN201711268730.XA patent/CN108038079B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5402352A (en) * | 1993-02-22 | 1995-03-28 | Beta Raven, Inc. | Pellet mill controller with automatic setting of start values |
| CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
| CN105279385A (zh) * | 2015-11-16 | 2016-01-27 | 中国人民解放军61599部队计算所 | 一种基于虚拟样本的磨机负荷参数软测量方法 |
| CN105787255A (zh) * | 2016-02-04 | 2016-07-20 | 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 |
| CN106203253A (zh) * | 2016-06-22 | 2016-12-07 | 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 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| Modeling Load Parameters of Ball Mill in Grinding Process Based on Selective Ensemble Multisensor Information;Jian Tang et al.;《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》;20130731;第10卷(第3期);第726-740页 * |
| Multi-Source Data Fusion Soft-Sensor Method for Ball Mill Operating Parameters Based on Transformation of Radial Basis Function;Jian Tang et al.;《Proceedings of the 8th World Congress on Intelligent Control and Automation》;20100709;第1729-1734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 * |
| 改进LSTM神经网络在磨机负荷参数软测量中的应用;保罗 等;《中国矿山工程》;20170630;第46卷(第3期);第66-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108038079A (zh) | 2018-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038079B (zh) | 一种多源机械信号分析与优化组合方法 | |
| CN108629091B (zh) | 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 | |
| CN105787255B (zh) | 一种磨机负荷参数软测量方法 | |
| Benkedjouh et al. | Tool wear condition monitoring based on continuous wavelet transform and blind source separation | |
| Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
| US20200364386A1 (en) | Soft sensing method and system for difficult-to-measure parameters in complex industrial processes | |
| CN105279385B (zh) | 一种基于虚拟样本的磨机负荷参数软测量方法 | |
| 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 | |
| CN103902776A (zh) | 一种基于eemd的湿式球磨机负荷参数集成建模方法 | |
| CN111307277B (zh) | 基于变分模态分解和预测性能的单模态子信号选择方法 | |
| Makokha et al. | Multivariate approach to on-line prediction of in-mill slurry density and ball load volume based on direct ball and slurry sensor data | |
| Guo et al. | An integrated method for bearing state change identification and prognostics based on improved relevance vector machine and degradation model | |
| CN111089740B (zh) | 基于多层相关性的多通道机械频谱子频段特征评估方法 | |
| CN107015541A (zh) | 基于互信息和最小二乘支持向量机相结合的软测量方法 | |
| CN112846938B (zh) | 一种切削工况下的主轴回转精度劣化溯源系统 | |
| Tano | Continuous monitoring of mineral processes with special focus on tumbling mills: a multivariate approach | |
| Tang et al. | Experimental analysis of wet mill load parameter based on multiple channel mechanical signals under multiple grinding conditions | |
| Luo et al. | A fault diagnosis model based on LCD-SVD-ANN-MIV and VPMCD for rotating machinery | |
| Wang et al. | In-process material removal rate monitoring for abrasive belt grinding using multisensor fusion and 2D CNN algorithm | |
| Kamiel et al. | Multi fault diagnosis of the centrifugal pump using the wavelet transform and principal component analysis | |
| Luo et al. | Study of the load forecasting of a wet mill based on the CEEMDAN-refined composite multiscale dispersion entropy and LSTM nerve net | |
| Tang et al. | Multi-source Mechanical Signal Analysis Based on Linear Latent Structure Model for Mill Load Parameter Forecasting | |
| CN114861726A (zh) | 一种风力发电机高速齿轮磨损故障趋势预测方法及系统 | |
| Tajiani et al. | RUL prediction of bearings using empirical wavelet transform and Bayesian approach | |
| Liu et al. | Heterogeneous selective ensemble learning model for mill load parameters forecasting by using multiscale mechanical frequency spectrum |
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 |