CN109583115A - 一种融合集成磨机负荷参数软测量系统 - Google Patents
一种融合集成磨机负荷参数软测量系统 Download PDFInfo
- Publication number
- CN109583115A CN109583115A CN201811499493.2A CN201811499493A CN109583115A CN 109583115 A CN109583115 A CN 109583115A CN 201811499493 A CN201811499493 A CN 201811499493A CN 109583115 A CN109583115 A CN 109583115A
- Authority
- CN
- China
- Prior art keywords
- model
- sen
- integrated
- fuzzy inference
- latent structure
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 106
- 238000001228 spectrum Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000005236 sound signal Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000000227 grinding Methods 0.000 abstract description 11
- 238000002474 experimental method Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract 1
- 239000011805 ball Substances 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 9
- 230000019771 cognition Effects 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 6
- 241000913730 Kalanchoe latent virus Species 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000152447 Hades Species 0.000 description 1
- 235000009827 Prunus armeniaca Nutrition 0.000 description 1
- 244000018633 Prunus armeniaca Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 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
- 238000013401 experimental design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000008447 perception Effects 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
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种融合集成磨机负荷参数软测量系统；首先采用多组分信号自适应分解算法将原始筒体振动/振声信号分解为具有不同时间尺度和物理含义的时域子信号，再变换至频域得到多尺度频谱；接着构建基于这些多尺度振动/振声频谱的选择性集成潜结构映射模型；然后提取多尺度频谱潜在特征并以这些特征为输入构建选择性集成模糊推理模型；最后采用基于误差信息熵的加权方法融合集成上述两类异质选择性集成模型，进而得到具有双层集成结构的磨机负荷参数软测量模型。采用实验磨机数据仿真验证了所提方法的有效性。
Description
技术领域
本发明涉及一种融合集成磨机负荷参数软测量系统。
背景技术
磨机负荷的准确检测是实现磨矿过程优化控制和节能降耗的关键因素之一 [1]。磨机过负荷会造成磨机“吐料”、出口粒度变粗，甚至导致磨机“堵磨”、“胀肚”、发生停产事故；反之，磨机欠负荷会造成磨机“空砸”，导致能耗和钢耗增加，甚至设备损坏。工业界通常采用磨机研磨过程产生的机械振动和振声等多源信号建立数据驱动模型间接测量磨机负荷。研究表明，筒体振动和振声信号具有较强的非线性、非平稳性和多组分特性[2]。
国外Zeng等人在90年代中期面对选矿行业，在实验和工业球磨机的轴承振动和振声信号方面进行了大量研究，并基于这些机械信号的频谱特征子频段建立了磨机内部磨矿浓度、磨矿粒度等参数的软测量模型[3]，表明磨机振声频谱比轴承振动频谱蕴含更多有价值信息。东北大学、大连理工大学分别基于实验和工业球磨机的振声、轴承压力、磨机电流等外部信号建立了料球比(MBVR)、磨矿浓度(PD)和介质充填率(BCVR)共3个磨机负荷参数的软测量模型[4,5]。针对球磨机内BCVR短时间变化较小、格子型球磨机会在60秒内产生堵磨故障的工业实际，东北大学提出采用充填率(CVR)作为磨机负荷参数表征磨机内全部负荷的体积[6]。基于磨机筒体振动频谱存在的高维共线性问题，文献[7]建立了基于特征提取、特征选择、模型学习参数组合优化的磨机负荷参数软测量模型。上述方法构建的软测量模型均为传统的单一模型。研究表明，集成学习通过对具有差异性的多个单一子模型进行集成，能够获得更好的建模性能和稳定性。集成模型的泛化能力需要在集成子模型的精度和多样性间进行均衡[8,9]。针对筒体振动和振声频谱分频段间的冗余性和互补性、单传感器信号蕴含信息的不确定性和局限性等问题，文献[10]建立了基于分支定界(BB)和自适应加权融合(AWF)算法的选择性集成(SEN)模型，其实质是选择性融合多源信号的单尺度频谱特征子集构建软测量模型。从磨机研磨机理的视角出发，筒体振动/振声信号具有非平稳和多组分特性，傅里叶变换(FFT)并不适于处理具有这些特性的机械信号[11]。
多种不同的时频分析方法被用于处理具有具有非平稳和多组分特性的机械信号[12,13,14,15]，其中Huang等人提出的经验模态分解(EMD)及其改进方法 [16,17,18]可有效将原始时域信号分解为具有不同时间尺度的子信号，即内禀模态函数(IMF)，已在旋转机械故障诊断领域广泛应用[19]。潜结构映射(PLS)和核 PLS适合于对具有共线性特性的数据建模[20,21,22]。汤健等人首先提出综合 EMD、功率谱密度(PSD)和潜结构映射(PLS)算法分析筒体振动[23]，并建立基于核PLS(KPLS)的选择性融合多尺度筒体振动频谱特征的软测量模型[24]；文献[25] 详细分析了不同研磨工况下IMF频谱的变化，并基于文献[23]提出的采用PLS 潜变量方差贡献率度量IMF蕴含信息量的准则，建立了基于EMD和PLS的选择性集成模型。文献[26]提出基于对多尺度子信号按由强到弱进行分解的希尔伯特振动分解(HVD)的建模方法，从另外一个角度诠释了磨机负荷与筒体振动间的映射关系。上述方法是通过基于线性/非线性潜结构映射算法构造磨机负荷参数 SEN软测量模型，这类模型虽然能够有效地拟合现有建模小样本数据所蕴含的模式，但在对未知样本的推理能力方面较弱。
磨机机械振动/振声等多源信号与磨机负荷间存在难以用精确数学模型描述的非线性映射关系。优秀运行专家借助工业现场的多源多模态信息和多年积累的经验知识，能够凭“人脑模型”有效地估计所熟悉的特定磨机的负荷及负荷参数，进而调整操作变量(加球、给矿、给水)以保证生产。模糊推理系统为具有机理复杂性、强耦合性、不确定性等综合特性的复杂工业对象建模提供有效手段。面向干式球磨机负荷检测，文献[27]申请了融合筒体振动和振声的磨机负荷检测专利，文献[28]基于云模型利用实验磨机轴承振动对磨机负荷进行推理测量。针对本申请所研究的磨矿过程湿式工业球磨机，文献[29]基于磨机电流和过程变量提出采用规则推理的磨机过负荷智能监测与控制策略；基于轴承振动和磨机电流，文献[30]提出采用数据融合与案例推理算法估计磨机负荷。上述这些方法不能模仿领域专家的基于听觉感知和认知磨机负荷及负荷参数的智能机制，也未用高灵敏度和高可靠性的磨机筒体振动信号。文献[31]构建了面向多尺度频谱的基于模糊推理的磨机负荷参数软测量方法，但在对建模数据拟合度方面存在不足，预测性能较差。
研究表明，人耳本质上是一组自适应带通滤波器[32,33]。从某种角度上讲，专家“听音”推理识别过程可以理解为一个由信号频段选择、特征提取、基于知识规则进行推理等阶段组成的逐层认知过程[34]。但是，这种操作模式易受运行专家的差异化经验和有限精力等主观因素的影响，致使磨机长期工作在非经济工况，导致低能耗和低效率；而且，领域专家的“听音”推理识别并不能有效利用高灵敏度和高可靠性的磨机筒体振动信号。因此，潜结构映射模型和模糊推理模型两类异质磨机负荷参数软测量模型在建模机理上具有较强的互补性，有必要基于预测误差对两者进行融合集成，并从优化的视角进行模型学习参数选择。
发明内容
基于运行专家只能对磨机负荷进行模糊认知和工业现场只能通过实验设计得到有限建模样本等问题，本发明提出了一种基于潜结构映射和模糊推理的融合集成磨机负荷参数软测量系统，首先采用多组分信号自适应分解算法将原始筒体振动和振声信号分解为具有不同时间尺度和物理含义的时域子信号，再变换至频域得到多尺度频谱；接着构建基于这些多尺度振动和振声频谱的SEN潜结构映射模型；然后提取多尺度频谱潜在特征并以这些特征为输入构建SEN模糊推理模型；最后采用基于误差信息熵的加权方法融合集成上述两类异质SEN模型，进而得到具有双层集成结构的磨机负荷参数软测量模型。采用实验磨机数据验证了方法的有效性。
附图说明
图1一种融合集成磨机负荷参数软测量系统；
图2筒体振动和振声信号的前8个IMFs的频谱；
图3 KLV数量与MBVR SEN潜结构映射模型预测性能间的关系；
图4 KLV数量与PD SEN潜结构映射模型预测性能间的关系；
图5 KLV数量与CVR SEN潜结构映射模型预测性能间的关系；
图6核参数与MBVR SEN潜结构映射模型预测性能间的关系；
图7核参数与PD SEN潜结构映射模型预测性能间的关系；
图8核参数与CVR SEN潜结构映射模型预测性能间的关系；
图9聚类阈值与MBVR SEN模糊推理模型预测性能间的关系；
图10聚类阈值与PD SEN模糊推理模型预测性能间的关系；
图11聚类阈值与CVR SEN模糊推理模型预测性能间的关系；
图12核参数与MBVR SEN模糊推理模型预测性能间的关系；
图13核参数与PD SEN模糊推理模型预测性能间的关系；
图14核参数与CVR SEN模糊推理模型预测性能间的关系。
具体实施方式
本发明提供一种-融合集成磨机负荷参数软测量系统，包括：多尺度频谱转换模块、SEN潜结构映射模块、基于潜在特征的SEN模糊推理模块、基于误差信息熵的加权集成模块，如图1所示。
图1中，分别表示时域筒体振动和振声信号；和表示第jVth个和第jAth个振动和振声时域子信号；和表示第jVth和第jAth个振动和振声时域子信号的频谱；xj表示重新组合后的第jth个频谱，其中j＝1,...,J，J＝JV+JA；JV和JA分别表示振动和振声时域子信号的数量；表示基于jth个频谱的潜结构映射候选子模型的输出；表示从多尺度频谱中提取的潜在特征；表示基于jth个频谱潜在特征的模糊推理候选子模型的输出；和分别表示SEN潜结构映射模型和基于潜在特征的SEN模糊推理模型的输出；为最终获得的磨机负荷参数软测量模型的输出。
该系统功能如下：
1)多尺度频谱变换模块：采用EEMD算法将筒体振动和振声信号自适应分解为具有不同时间尺度的IMF，并将这些时域子信号经FFT变换为多尺度频谱和进行重新组合；
2)SEN潜结构映射模块：采用KPLS算法构建潜结构映射候选子模型，然后基于BBSEN进行潜结构映射集成子模型的选择与合并，得到SEN潜结构映射磨机负荷参数软测量模型；
3)基于潜在特征的SEN模糊推理模块：采用KPLS算法提取多尺度频谱的潜在特征，基于这些潜在特征构建模糊推理候选子模型，然后基于BBSEN进行模糊推理集成子模型的选择与合并，得到SEN模糊推理磨机负荷参数软测量模型；
4)基于误差信息熵的融合集成模块：基于预测误差信息熵对SEN潜结构映射和SEN模糊推理模型进行融合集成。
多尺度频谱变换模块
筒体振动和振声信号进行自适应分解的主要目的是模拟人耳对多组分信号的带通滤波功能，将其变换为多尺度频谱以便于特征的提取。EMD算法具有缺少理论基础、端点效应、分解终止准则难以确定等缺点，其中最突出的问题是模态混叠导致IMF子信号本身丢失物理含义。集成EMD(EEMD)通过噪声辅助分析技术克服这一问题，需选择两个参数：附加噪声Anoise和集成数量M。这两个参数的关系可以描述为：
其中，eEEMD表示原始信号与相应的IMFs之间的误差。
EEMD的分解过程可以描述为：(1)初始化M和Anoise；(2)添加Anoise到原始信号；(3)对新信号执行EMD分解M次；(4)计算M次EMD分解的平均结果为最终 EEMD分解结果。
筒体振动信号EEMD的分解结果可以表示为：
EEMD和EMD之间的关系可以表示为：
其中表示第mth个EMD分解的第jVth个IMF，表示分解后的残差。
进一步，对磨机筒体振动和振声信号的分解过程可采用如下公式表示：
这些分解的信号按照频率由高到低依次排列。因有价值信息难以在时域内提取，进行频域分析是必要的，故将每个IMF采用FFT变换到频域。时域与频域间的关系可用下式表示：
为了便于后文描述，此处将筒体振动和振声信号的频谱重新进行编号和统一表示，如下式所示：
其中，J＝JV+JA，表示组合后振动/振声信号的多尺度频谱数量。
SEN潜结构映射模块
首先，采用基于上述模块获得的J个多尺度频谱构建J个潜结构映射候选子模型。以第jth个频谱为例进行说明，首先采用如下的“核技巧”实现非线性映射：
其中，Ker表示潜结构映射模型的核参数。
然后，对核矩阵采用下式进行中心化处理得到
其中，I是k维的单位阵；1k是值为1、长度为k的向量。
依据KPLS算法，基于频谱xj的潜结构映射候选子模型的输出可表示为：
其中，Tj和Uj表示基于KPLS算法得到的输入和输出数据的潜在得分矩阵。
对于测试样本按下式进行标定处理：
其中，Kt,j是测试样本的核矩阵，Kt,j＝Kj((xt,j)l,(xj)m)，是训练数据；kt是测试样本的个数；1kt是值为1，长度为kt的向量。
测试样本的候选子模型输出可表示为：
此外，KPLS算法中还需确定潜在变量的数量，也就是潜结构映射模型的层数，本文中将其标记为h。
第jth个潜结构映射候选子模型的构建过程可表示为：
这样，全部J个潜结构映射候选子模型的集合可以表示为：
其中，表示全部潜结构映射候选子模型的集合。
采用文献[10]提出的BBSEN进行潜结构映射候选子模型的选择与合并：首先给定潜结构映射候选子模型和加权算法，接着运行多次BBSEN获得不同集成尺寸时的最优SEN模型，最后通过排序这些模型获得最终的SEN潜结构映射模型。
进一步，将选择的潜结构映射集成子模型的集合表示为则潜结构映射集成子模型和潜结构映射候选子模型间的关系为：
其中，代表潜结构映射集成子模型的集合； 表示SEN 潜结构映射模型的集成尺寸。
采用AWF算法按下式计算潜结构映射集成子模型的加权系数：
上式中， 和是基于第jselth频谱建立的潜结构映射集成子模型所对应的加权系数；为子模型输出值的标准差，k为样本个数。
SEN潜结构映射模型的输出值采用下式计算：
其中，表示基于第jselth潜结构映射集成子模型的输出。
上述的SEN潜结构映射模型的构建过程可表示为：
其中，yl为建模样本在时刻l的真值。
基于潜在特征的SEN模糊推理模块
SEN模糊推理模型的输入是多尺度频谱的潜在特征。此处，为每个多尺度频谱选择相同数量的潜在变量数量，并标记为h′。依据基于KPLS的潜在特征提取方法[35]，将从第jth个频谱提取的潜在特征标记为：
zj＝[zj1,...,zjh′] (19)
将从全部多尺度频谱提取的潜在特征子集标记为基于文献[31]中的方法采用所提取的潜在特征构建模糊推理候选子模型，则第jth个模糊推理候选子模型的构建过程可表示为：
其中，L表示构建模糊推理模型时设定的聚类阈值。
全部J个模糊推理候选子模型的集合可以表示为：
其中，表示全部模糊推理候选子模型的集合。
此处将选择的全部模糊推理集成子模型表示为模糊推理集成子模型和模糊推理候选子模型间的关系可表示为：
其中，代表集成子模型的集合； 表示SEN模糊推理模型的集成尺寸。
采用AWF算法按下式计算集成子模型的加权系数：
其中， 是基于第jselth个模糊推理集成子模型所对应的加权系数；为模糊推理集成子模型输出值的标准差，k为样本个数。
采用文献[10]提出的BBSEN算法进行模糊推理候选子模型的选择与合并：首先给定模糊推理候选子模型和加权算法，接着通过运行多次BBSEN可以获得不同集成尺寸时的最优SEN模型，最后通过排序这些模型获得最终的SEN模糊推理模型，其输出值由下式计算：
其中，表示基于第jselth个模糊推理集成子模型的输出。
上述SEN模糊推理模型的构建过程可以表示为：
其中，yl为建模样本在时刻l的真值。
基于误差信息熵的融合集成模块
基于潜结构映射和基于模糊推理的SEN模型属于采用不同的建模算法构建的异质模型，可以采用基于信息熵的集成方法进行融合。此处，两类模型的加权系数根据训练数据的输出值进行确定。
设yl为建模样本在时刻l的真值,为采用信息墒加权的第jEntropyth个子模型对建模样本在时刻l的输出值，加权系数的计算如下所示。
首先，计算第jEntropyth个集成子模型在每个时刻l的预测输出的相对误差，
其中，jEntropy＝1,2,...,JEntropy，JEntropy表示用于融合集成的集成子模型的数量；l＝1,...,k， k为建模样本的数量。
接着，计算第jEntropyth个集成子模型的预测输出的相对误差的比重
然后，计算第jEntropyth个集成子模型的预测输出的相对误差的熵值
最后，计算第jEntropyth个集成子模型的加权系数
其中，JEntropy是集成子模型的个数。
在本文中JEntropy＝2，即采用上述加权算法融合集成SEN潜结构映射模型和 SEN模糊推理模型时存在如下的对应关系，
其中，
综上可知，融合集成SEN潜结构映射模型和SEN模糊推理模型的输出可表示为：
4实验研究
4.1数据描述
实验在XMQL 420×450格子型球磨机上进行，其筒体的外径和长度均为 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/h，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。
采集磨机筒体振动信号的数据采集系统安装在磨机筒体上，主要由加速度传感器和DSP设备组成。本文中，筒体振动信号的采集频率是51200Hz，振声信号的采集频率是8000Hz。
实验结果
多尺度频谱转换结果
首选选用Anoise＝0.1和M＝10，基于EEMD技术将磨机旋转四个周期的原始筒体振动和振声信号分解为不同时间尺度的时域子信号；接着，对这些具有不同时间尺度的IMFs进行FFT变换得到多尺度频谱。前8个筒体振动子信号(VIMF) 和振声子信号(AVIM)的频谱如图2所示。
图2表明，从频谱形状看，这些多尺度子信号按照频率由高到低依次排列，并且这些多尺度子信号变换获得的多尺度频谱仍具有高维共线性的特点。
SEN潜结构映射结果
潜结构映射模型的核潜在特征(KLV)的数量决定模型的结构和泛化性能。图3-5给出了KLV数量与基于SEN潜结构映射算法的MBVR、PD和CVR软测量模型间的关系。
选择RBF核函数及核参数，核参数取值与SEN集成潜结构映射模型预测性能间的关系如图6-8所示。
依据上述确定基于SEN潜结构映射算法的MBVR、PD和CVR软测量模型学习参数，相应的潜结构映射集成子模型如表1-3所示。表中，编号为1-10的集成子模型对应的多尺度频谱为VIMF1-VIMF10，编号为11-20的集成子模型对应的多尺度频谱为AIMF1-AIMF10。
表1 MBVR SEN潜结构映射模型的集成子模型统计表
表2 PD SEN潜结构映射模型的集成子模型统计表
表3 CVR SEN潜结构映射模型的集成子模型统计表
上述结果表明，SEN潜结构映射模型选择的集成子模型主要来自筒体振动信号。
SEN模糊推理结果
聚类阈值与SEN模糊推理模型的预测性能间的关系如图9-11所示。
选择RBF核函数及核参数，核参数取值与SEN模糊推理模型预测性能间的关系如图12-14所示。
依据上述确定基于SEN模糊推理算法的MBVR、PD和CVR软测量模型的学习参数，相应的模糊推理集成子模型如表4-6所示。
表4 MBVR SEN模糊推理模型选择的集成子模型统计表
表5 PD SEN模糊推理模型选择的集成子模型统计表
表6 CVR SEN模糊推理模型选择的集成子模型统计表
表4-6的结果表明，模糊SEN模型选择的集成子模型来自于筒体振动和振声信号各一半。
基于误差信息熵的加权集成结果
针对MBVR软测量模型，SEN潜结构映射模型和SEN模糊推理模型的加权系数分别为0.6148和0.3851，表明潜结构映射模型的贡献率约为模糊推理模型的2倍。不同模型的预测误差见表7。
表7 MBVR软测量模型中不同模型的预测误差比较
由表7可知，SEN潜结构映射模型的训练误差远小于测试数据，表明SEN 潜结构映射模型训练过程中存在过拟合；SEN模糊推理模型的训练误差只有测试误差的三分之一，表明过拟合程度已经有所降低，也表明了基于SEN模糊推理建模的可行性；融合集成模型的训练数据误差在SEN潜结构映射模型和SEN 模糊推理模型之间，同时具有最小的测试数据误差，表明通过SEN潜结构映射模型与SEN模糊推理模型的融合集成，提高了磨机负荷参数MBVR软测量模型的泛化性能。
针对PD软测量模型，SEN潜结构映射模型和SEN模糊推理模型的加权系数分别为0.4605和0.5395，表明SEN潜结构映射模型的贡献率和SEN模糊推理模型的贡献率相差不多。不同模型的预测误差见表8。
表8 PD软测量模型中不同模型的预测误差比较
由表8可知，SEN潜结构映射模型的训练误差远小于测试数据，仅为测试训练误差的千分之一，表明SEN潜结构映射模型训练过程中存在过拟合；SEN 模糊推理模型的训练误差只有测试误差的三分之一。表明过拟合程度已经有所降低，也表明了基于SEN模糊推理建模的可行性；融合集成模型的训练数据误差是测试数据误差的三分之一弱，相比SEN模糊推理模型和SEN潜结构映射模型，其训练和测试精度均有所提高，表明通过SEN潜结构映射模型与SEN模糊推理模型的融合集成，提高了磨机负荷参数PD软测量模型的泛化性能。
针对CVR软测量模型，SEN潜结构映射模型和SEN模糊推理模型的加权系数分别为0.5598和0.4401，表明SEN潜结构映射模型的贡献率稍强于SEN模糊推理模型。不同模型的预测误差见表9。
表9 CVR软测量模型中不同集成模型的预测误差比较
由表9可知，SEN潜结构映射模型的训练误差远小于测试数据，表明SEN 潜结构映射模型训练过程中存在过拟合；SEN模糊推理模型的训练误差只有测试误差的三分之一，表明过拟合程度已经有所降低，也表明了基于SEN模糊推理建模的可行性；融合集成模型的训练数据误差是测试数据误差的二分之一，相比SEN模糊推理模型和SEN潜结构映射模型，其训练和测试精度均提高至少1 倍多，表明通过SEN潜结构映射模型与SEN模糊推理模型的集成融合，提高了磨机负荷参数CVR软测量模型的泛化性能。
分析讨论与对比研究
融合集成模型与其子模型的比较分析
考虑到集成学习算法所面临的子模型的多样性和建模精度间的均衡难题，融合集成模型从全局优化角度进行了模型学习参数的选择。从集成模型的层次上讲，本文所提磨机负荷参数软测量模型是双层集成，共包含两级子模型：第一级子模型为SEN模糊推理模型和SEN潜结构映射模型；第二级子模型为模糊推理候选子模型和潜结构映射候选子模型。本文所提方法针对不同的磨机负荷参数的统计结果如表10所示。
表10磨机负荷参数融合集成软测量模型与其子模型的统计结果
表10表明：(1)从建模性能上比较，融合集成模型具有较佳的泛化性能，有效融合了两类异质模型；SEN潜结构映射模型的建模性能强于SEN模糊推理模型，这与前文的分析是相符合的；(2)在一级子模型贡献的角度，针对MBVR 是SEN潜结构映射模型的贡献率要高，针对PD和CVR是两类一级子模型的贡献率相差不多；从二级子模型贡献的角度考虑，3个不同的磨机负荷参数软测量模型均选择频谱VIMF5和VIMF3，均源于筒体振动；另外，一级子模型(SEN 模糊推理模型)选择的模糊推理二级子模型的数量多并且同时包含着筒体振动和振声多尺度频谱，这也是融合集成模型精度会有较大提高的原因之一；(3)从磨机负荷参数预测精度的角度，MBVR模型具有最小预测误差，表明该方法适合于估计MBVR，这与工业现场的运行专家的认知过程相符合。更深层次的耦合机理有待于进一步研究。
融合集成模型与文献中软测量方法的比较分析
本文所提的融合集成磨机负荷参数软测量方法与文献[10]的基于单尺度频谱的特征提取和选择方法、文献[25]的基于线性潜结构模型的多尺度集成建模方法，文献[36]的基于非线性潜结构模型的多尺度SEN建模方法，文献[37]的基于潜在特征和自适应遗传算法的单模型方法进行比较，结果见表11。
表11不同磨机负荷参数软测量方法的测试结果(RMSREs)
由表11可知：(1)本文方法具有最好的平均建模性能，其RMSRE为0.1311，其主要原因在于EEMD提高了筒体振动和振声信号自适应分解的精度，融合两种异质模型的集成构造策略较之前方法更能够有效模仿运行专家对磨机负荷的估计机制并补偿估计误差；(2)本文所提方法在建模性能上提高最大的是MBVR，这与工业现场经常基于振声模糊估计MBVR相符合；文献[37]构建的传统单一模型在CVR上得到了最佳建模性能；文献[10]构建的单尺度模型存在难以解释的缺点，但在PD上取得了最小的预测误差；可见，不同的磨机负荷参数适合采用不同的软测量建模策略，这与磨机负荷参数影响筒体振动/振声的机理相关，但更深层次的认知仍需要进一步研究；(3)从软测量模型的复杂度上讲，本文所提方法是最为复杂的：在模型训练阶段的信号分解方面，EEMD的计算消耗是 EMD的M倍，是FFT变换的J*M倍，其中，M为执行EMD的次数，J是EMD 分解的多尺度子信号的数量；多尺度频谱的特征选择方面，相比较于文献[10]和 [36]，本文方法未进行特征选择；在软测量模型的构建阶段，本文构建的融合集成模型是双层的，复杂度明显高于其它单模型方法和单层SEN建模方法；(4)从模仿和补偿运行专家的认知机制上，本文所提方法具有明显优势。
结论
本发明基于模仿工业现场领域专家模糊认知磨机负荷及其内部参数机制和补偿其存在的偏差入手，提出了融合集成磨机负荷参数软测量方法。其主要创新点表现在：从“操纵输入特征”进行集成构造的视角融合集成两种异质模型，即 SEN潜结构映射模型和基于潜在特征的SEN模糊推理模型，从预测误差信息熵的视角进行融合集成，进而实现了多源多模态信息的选择性融合。采用实验数据验证了所提方法具有最佳建模精度。在进一步的研究中，本文所构建融合集成模型的模型参数将采用优化算法[38，39，40]进行自适应选择。此外，本文实验是基于大波动工况下的小样本数据，还需要更多的接近实际工况的实验数据和工业磨机数据对软测量模型进行验证。这需要在今后的研究中结合更多的实验数据予以逐步解决。
参考文献
[1]P.Zhou,T.Y.Chai,H.Wang.Intelligent optimal-setting control forgrinding circuits of mineral processing[J].IEEE Transactions on AutomationScience and Engineering,2009, 6(4):730-743.
[2]J.Tang,J.F.Qiao,Z.Liu,X.J.Zhou,G.Yu,J.J.Zhao.Mechanismcharacteristic analysis and soft measuring method review for ball mill loadbased on mechanical vibration and acoustic signals in the grinding process[J].Minerals Engineering,2018,128:294-311.
[3]Y.Zeng,E.Forssberg.Monitoring grinding parameters by signalmeasurements for an industrial ball mill[J].International Journal of MineralProcessing,1993,40(1):1-16.
[4]王泽红,陈炳辰.球磨机内部参数的三因素检测[J].金属矿山,2002,307(1):32-35.
[5]李勇,邵诚.一种新的灰关联分析算法在软测量中的应用[J].自动化学报,2006,32(2): 311-317
[6]汤健,柴天佑,赵立杰,岳恒,郑秀萍.基于振动频谱的磨矿过程球磨机负荷参数集成建模方法[J].控制理论与应用,2012,29(2):183-191.
[7]J.Tang,L.J.Zhao,W.Yu,H.Yue,T.Y.Chai.Soft sensor for parameters ofmill load based on multi-spectral segments PLS sub-models and on-lineadaptive weighted fusion algorithm[J]. Neurocomputing,2012,78(1):38-47.
[8]P.M.Granitto,P.F.Verdes,H.A.Ceccatto.Neural network ensembles:evaluation of aggregation algorithms[J].Artificial Intelligence,2005,163(2):139-162.
[9]X.Z.Wang,H.J.Xing,Y.Li,et al.A Study on Relationship BetweenGeneralization Abilities and Fuzziness of Base Classifiers in EnsembleLearning[J].IEEE Transactions on Fuzzy Systems,2014,23(5):1-1.
[10]J.Tang,T.Y.Chai,W.Yu,L.J.Zhao.Modeling load parameters of ballmill in grinding process based on selective ensemble multisensor information[J].IEEE Tranzaction on Automation Science and Engineering,2013,10(3):726-740.
[11]Y.G.Lei,Z.J.He,Y.Y.Zi.Application of the EEMD method to rotorfault diagnosis of rotating machinery[J]Mechanical Systems and SignalProcessing,2009,23(4):1327-1338.
[12]G.K.Singh,and S.A.S.AlKazzaz.Isolation and identification of drybearing faults in induction machine using wavelet transform[J].TribologyInternational,2009,42(6):849-861.
[13]J.Cusido,L.Romeral,J.A.Ortega,J.A.Rosero,and A.GarciaEspinosa.Fault detection in induction machines using power spectral densityin wavelet decomposition[J].IEEE Trans.Ind. Electron.,2008,55(2):633-643.
[14]M.Riera-Guasp,J.A.Antonino-Daviu,M.Pineda-Sanchez,R.Puche-Panadero,and J. Perez-Cruz.A general approach for the transient detection ofslip-dependent fault components based on the discrete wavelet transform[J].IEEE Trans.Ind.Electron.,2008,55(12):4167-4180.
[15]J.Seshadrinath,B.Singh,and B.K.Panigrahi.Vibration analysis basedinterturn fault diagnosis in induction machines[J].Transaction on IndustrialInformatics,2014,10(1):340-350.
[16]Z.Wu,and N.E.Huang.Ensemble empirical mode decomposition:a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis,2009,1(1):1-41.
[17]N.E.Huang,Z.Shen,S.R.Long.The empirical mode decomposition andthe Hilbert spectrum for non-linear and non stationary time series analysis[J].Proc.Royal Soc.London A, 1998,454:903-995.
[18]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[J]. IEEE Transaction on IndustrialInformatics,2014,10(2):957-966.
[19]V.K.Rai,A.R.Mohanty.Bearing fault diagnosis using FFT ofintrinsic mode functions in Hilbert-Huang transform[J].Mechanical Systems andSignal Processing,2007,21(6): 2607-2165.
[20]B.M.K.I.Theron,J.Lammertyn.Kernel pls regression on wavelettransformed nir spectra for prediction of sugar content of apple[J].Chemometrics&Intelligent Laboratory Systems,2007,85(2):243-252.
[21]P.Bastien,F.Bertrand,N.Meyer,M.Maumy-Bertrand.Deviance residuals-based sparse pls and sparse kernel pls regression for censored data[J].Bioinformatics,2015,31(3):397-404.
[22]M.Wang,G.Yan,Z.Fei.Kernel pls based prediction model constructionand simulation on theoretical cases.Neurocomputing[J].2015,165(C):389-394.
[23]J.Tang,L.J.Zhao,H.Yue,W.Yu,T.Y.Chai.Vibration analysis based onempirical mode decomposition and partial least squares[J].ProcediaEngineering,2011,16:646-652.
[24]J.Tang,L.J.Zhao,J.Jia,T.Y.Chai,W.Yu,Selective ensemble modelingparameters of mill load based on shell vibration signal,Lecture Notes inComputer Science 7367(2012)489-497.
[25]L.J.Zhao,J.Tang,W.R.Zheng,Ensemble modeling of mill load based onempirical mode decomposition and partial least squares[J].Journal ofTheoretical and Applied Information Technology,2012,45:179-191.
[26]J.Tang,T.Y.Chai,Q.M.Cong,B.C.Yuan,L.J.Zhao,Z,Liu,W,Yu,Soft sensorapproach for modeling mill load parameters based on EMD and selectiveensemble learning algorithm[J]. Acta Automatica Sinica,2014,40(9):1853-1866.
[27]司刚全,曹晖,张彦斌,贾立新.基于多传感器融合的筒式钢球磨机负荷检测方法及装置[P],陕西省西安市:西安交通大学,2007.
[28]阎高伟,龚杏雄,李国勇.基于振动信号和云推理的球磨机负荷软测量[J].控制与决策, 2014,29(6):1109-1115.
[29]周平,柴天佑.磨矿过程磨机负荷的智能监测与控制[J].控制理论与应用,2008,25(66): 1095-1099.
[30]白锐,柴天佑.基于数据融合与案例推理的球磨机负荷优化控制[J].化工学报,2009, 60(7):1746-1751.
[31]刘卓，汤健，柴天佑，周晓杰，吴志伟，贾美英，迟瑛，丁进良。<一种基于模糊推理的磨机负荷参数软测量方法>，国家知识产权局，专利号：ZL 201510886085.2，专利申请日： 2015年12月4日，授权公告日：2018年6月15日，授权公告号：CN 105528636B。
[32]K.Rajaraman,N.Mhatre,M.Jain,M.Postles,R.Balakrishnan,andD.Robert,“Low-pass filters and differential tympanal tuning in apaleotropical bushcricket with an unusually low frequency call,”Journal ofExperimental Biology,Vol.216,No.5,pp.777-787,Jul.2013.
[33]S.R.Robinson,S.Thompson,and J.B.Allen,“Effects of negative middleear pressure on wideband acoustic immittance in normal-hearing adults,”EarHear,Vol.37,No.4,pp.452-464, Jul.2016.
[34]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 [J],IEEE Transactions on IndustrialInformatics,2016,12(6)：2008-2019.
[35]J.Tang,T.Y.Chai,Z.Liu,W.Yu,Selective ensemble modeling based onnonlinear frequency spectral feature extraction for predicting load parameterin ball mills[J],Chinese Journal of Chemical Engineering,2015,23(12):2020-2028
[36]汤健,柴天佑,丛秋梅,苑明哲,赵立杰,刘卓,余文.基于EMD和选择性集成学习算法的磨机负荷参数软测量[J].自动化学报,2014,40(9):1853-1866.
[37]Z.Liu,T.Y.Chai,W.Yu,J.Tang.Multi-frequency signal modeling usingempirical mode decomposition and PCA with application to mill load[J].Neurocomputing,2014,169:392-402.
[38]J.Chen,J.Yang,J.Zhao,F.Xu,Z.Shen,L.Zhang.Energy demandforecasting of the greenhouses using nonlinear models based on modeloptimized prediction method[J]. Neurocomputing,2015,174:1087-1100.
[39]J.Hu,Z.Wang,S.Liu,H.Gao,A variance-constrained approach torecursive state estimation for time-varying complex networks with missingmeasurements[J].Automatica,2016,64: 155-162.
[40]J.Hu,Z.Wang,B.Shen,H.Gao,Quantised recursive filtering for aclass of nonlinear systems with multiplicative noises and missingmeasurements[J].Int.J.Control,2013,86: 650-663。
Claims (5)
1.一种融合集成磨机负荷参数软测量系统，其特征在于，包括：
多尺度频谱变换模块，采用EEMD算法将筒体振动和振声信号自适应分解为具有不同时间尺度的IMF，并将这些时域子信号经FFT变换为多尺度频谱和进行重新组合；
SEN潜结构映射模块：采用KPLS算法构建潜结构映射候选子模型，然后基于BBSEN进行潜结构映射集成子模型的选择与合并，得到SEN潜结构映射磨机负荷参数软测量模型；
基于潜在特征的SEN模糊推理模块，采用KPLS算法提取多尺度频谱的潜在特征，基于这些潜在特征构建模糊推理候选子模型，然后基于BBSEN进行模糊推理集成子模型的选择与合并，得到SEN模糊推理磨机负荷参数软测量模型；
基于误差信息熵的融合集成模块，采用基于误差信息熵的加权方法融合集成上述两类异质SEN模型，进而得到具有双层集成结构的磨机负荷参数软测量模型。
2.如权利要求1所述的融合集成磨机负荷参数软测量系统，其特征在于，多尺度频谱变换模块具体为：
EEMD的分解过程可以描述为：(1)初始化M和Anoise；(2)添加Anoise到原始信号；(3)对新信号执行EMD分解M次；(4)计算M次EMD分解的平均结果为最终EEMD分解结果，
筒体振动信号EEMD的分解结果可以表示为：
EEMD和EMD之间的关系可以表示为：
其中，表示第mth个EMD分解的第jVth个IMF，表示分解后的残差，
进一步，对磨机筒体振动和振声信号的分解过程可采用如下公式表示：
这些分解的信号按照频率由高到低依次排列，同时将每个IMF采用FFT变换到频域，时域与频域间的关系可用下式表示：
此处将筒体振动和振声信号的频谱重新进行编号和统一表示，如下式所示：
其中，J＝JV+JA，表示组合后振动/振声信号的多尺度频谱数量。
3.如权利要求2所述的融合集成磨机负荷参数软测量系统，其特征在于，SEN潜结构映射模块具体为：
首先，采用基于上述模块获得的J个多尺度频谱构建J个潜结构映射候选子模型；以第jth个频谱为例进行说明，首先采用如下的“核技巧”实现非线性映射：
其中，Ker表示潜结构映射模型的核参数，
然后，对核矩阵采用下式进行中心化处理得到
其中，I是k维的单位阵；1k是值为1、长度为k的向量，
依据KPLS算法，基于频谱xj的潜结构映射候选子模型的输出可表示为：
其中，Tj和Uj表示基于KPLS算法得到的输入和输出数据的潜在得分矩阵，
对于测试样本按下式进行标定处理：
其中，Kt,j是测试样本的核矩阵，Kt,j＝Kj((xt,j)l,(xj)m)，是训练数据；kt是测试样本的个数；1kt是值为1，长度为kt的向量，
测试样本的候选子模型输出可表示为：
此外，KPLS算法中还需确定潜在变量的数量，也就是潜结构映射模型的层数，将其标记为h，
第jth个潜结构映射候选子模型的构建过程可表示为：
这样，全部J个潜结构映射候选子模型的集合可以表示为：
其中，表示全部潜结构映射候选子模型的集合。
采用BBSEN进行潜结构映射候选子模型的选择与合并：首先给定潜结构映射候选子模型和加权算法，接着运行多次BBSEN获得不同集成尺寸时的最优SEN模型，最后通过排序这些模型获得最终的SEN潜结构映射模型，
进一步，将选择的潜结构映射集成子模型的集合表示为则潜结构映射集成子模型和潜结构映射候选子模型间的关系为：
其中，代表潜结构映射集成子模型的集合； 表示SEN潜结构映射模型的集成尺寸，
采用AWF算法按下式计算潜结构映射集成子模型的加权系数：
上式中， 和是基于第jselth频谱建立的潜结构映射集成子模型所对应的加权系数；为子模型输出值的标准差，k为样本个数，
SEN潜结构映射模型的输出值采用下式计算：
其中，表示基于第jselth潜结构映射集成子模型的输出，
上述的SEN潜结构映射模型的构建过程可表示为：
其中，yl为建模样本在时刻l的真值。
4.如权利要求3所述的融合集成磨机负荷参数软测量系统，其特征在于，基于潜在特征的SEN模糊推理模块具体为：
SEN模糊推理模型的输入是多尺度频谱的潜在特征，为每个多尺度频谱选择相同数量的潜在变量数量，并标记为h′，依据基于KPLS的潜在特征提取方法，将从第jth个频谱提取的潜在特征标记为：
zj＝[zj1,...,zjh′] (19)
将从全部多尺度频谱提取的潜在特征子集标记为采用所提取的潜在特征构建模糊推理候选子模型，则第jth个模糊推理候选子模型的构建过程可表示为：
其中，L表示构建模糊推理模型时设定的聚类阈值，
全部J个模糊推理候选子模型的集合可以表示为：
其中，表示全部模糊推理候选子模型的集合，
此处将选择的全部模糊推理集成子模型表示为模糊推理集成子模型和模糊推理候选子模型间的关系可表示为：
其中，代表集成子模型的集合； 表示SEN模糊推理模型的集成尺寸，
采用AWF算法按下式计算集成子模型的加权系数：
其中， 是基于第jselth个模糊推理集成子模型所对应的加权系数；为模糊推理集成子模型输出值的标准差，k为样本个数，
采用BBSEN算法进行模糊推理候选子模型的选择与合并：首先给定模糊推理候选子模型和加权算法，接着通过运行多次BBSEN可以获得不同集成尺寸时的最优SEN模型，最后通过排序这些模型获得最终的SEN模糊推理模型，其输出值由下式计算：
其中，表示基于第jselth个模糊推理集成子模型的输出，
上述SEN模糊推理模型的构建过程可以表示为：
其中，yl为建模样本在时刻l的真值。
5.如权利要求4所述的融合集成磨机负荷参数软测量系统，其特征在于，基于误差信息熵的融合集成模块具体为：
设yl为建模样本在时刻l的真值,为采用信息墒加权的第jEntropyth个子模型对建模样本在时刻l的输出值，
首先，计算第jEntropyth个集成子模型在每个时刻l的预测输出的相对误差，
其中，jEntropy＝1,2,...,JEntropy，JEntropy表示用于融合集成的集成子模型的数量；l＝1,...,k，k为建模样本的数量，
接着，计算第jEntropyth个集成子模型的预测输出的相对误差的比重
然后，计算第jEntropyth个集成子模型的预测输出的相对误差的熵值
最后，计算第jEntropyth个集成子模型的加权系数
其中，JEntropy是集成子模型的个数，
JEntropy＝2，即采用上述加权算法融合集成SEN潜结构映射模型和SEN模糊推理模型时存在如下的对应关系，
其中，
综上可知，融合集成SEN潜结构映射模型和SEN模糊推理模型的输出可表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811499493.2A CN109583115B (zh) | 2018-12-09 | 2018-12-09 | 一种融合集成磨机负荷参数软测量系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811499493.2A CN109583115B (zh) | 2018-12-09 | 2018-12-09 | 一种融合集成磨机负荷参数软测量系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109583115A true CN109583115A (zh) | 2019-04-05 |
| CN109583115B CN109583115B (zh) | 2023-10-20 |
Family
ID=65927908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811499493.2A Active CN109583115B (zh) | 2018-12-09 | 2018-12-09 | 一种融合集成磨机负荷参数软测量系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583115B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135057A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
| CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 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 |
| CN111654831A (zh) * | 2020-04-14 | 2020-09-11 | 南京信息工程大学 | 一种基于无线传感网的磨机负荷检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120253694A1 (en) * | 2011-03-28 | 2012-10-04 | Hong-Tsu Young | Method and apparatus for judging status of mechanical system |
| 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 |
| CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理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 |
-
2018
- 2018-12-09 CN CN201811499493.2A patent/CN109583115B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120253694A1 (en) * | 2011-03-28 | 2012-10-04 | Hong-Tsu Young | Method and apparatus for judging status of mechanical system |
| 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 |
| CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理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 |
Non-Patent Citations (1)
| Title |
|---|
| 汤健等: "选择性融合多尺度筒体振动频谱的磨机负荷参数建模", 《控制理论与应用》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135057A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
| CN110135057B (zh) * | 2019-05-14 | 2021-03-02 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
| US11976817B2 (en) | 2019-05-14 | 2024-05-07 | Beijing University Of Technology | Method for detecting a dioxin emission concentration of a municipal solid waste incineration process based on multi-level feature selection |
| CN111307277A (zh) * | 2020-03-20 | 2020-06-19 | 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 |
| 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 |
| CN111654831A (zh) * | 2020-04-14 | 2020-09-11 | 南京信息工程大学 | 一种基于无线传感网的磨机负荷检测方法 |
| CN111654831B (zh) * | 2020-04-14 | 2023-01-31 | 南京信息工程大学 | 一种基于无线传感网的磨机负荷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109583115B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tran et al. | Effective multi-sensor data fusion for chatter detection in milling process | |
| Wang et al. | Generalization of deep neural networks for imbalanced fault classification of machinery using generative adversarial networks | |
| CN109583115A (zh) | 一种融合集成磨机负荷参数软测量系统 | |
| CN108734192B (zh) | 一种基于投票机制的支持向量机机械故障诊断方法 | |
| Zhang et al. | Multi-fault diagnosis for rolling element bearings based on ensemble empirical mode decomposition and optimized support vector machines | |
| Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
| Wu et al. | Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference | |
| Camarena-Martinez et al. | Empirical mode decomposition and neural networks on FPGA for fault diagnosis in induction motors | |
| Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
| Tao et al. | Spur gear fault diagnosis using a multilayer gated recurrent unit approach with vibration signal | |
| Tang et al. | A comparative study that measures ball mill load parameters through different single-scale and multiscale frequency spectra-based approaches | |
| 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 | |
| Tang et al. | A novel method of fault diagnosis for rolling bearing based on dual tree complex wavelet packet transform and improved multiscale permutation entropy | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| Shi et al. | Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the load of a tumbling mill | |
| Lu et al. | Application of a whale optimized variational mode decomposition method based on envelope sample entropy in the fault diagnosis of rotating machinery | |
| JP2019185580A (ja) | 異常検出装置および方法 | |
| CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
| CN115718860A (zh) | 一种基于模态分解与稀疏时域法的低频振荡模态辨识方法 | |
| CN109635428B (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
| Zhang et al. | Nonstationary significant wave height forecasting with a hybrid VMD-CNN model | |
| Ding et al. | A fault feature extraction method of motor bearing using improved LCD | |
| Tang et al. | Dual-layer optimized selective information fusion using multi-source multi-component mechanical signals for mill load parameters forecasting | |
| Bulla et al. | Feature extraction analysis using filter banks for faults classification in induction motors | |
| Chen et al. | Gear fault diagnosis model combined with MED-LMD-Hypersphere multiclass SVM |
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 |