CN110580378A - 球磨机筒体内部负荷软测量方法、装置以及系统 - Google Patents
球磨机筒体内部负荷软测量方法、装置以及系统 Download PDFInfo
- Publication number
- CN110580378A CN110580378A CN201910729118.0A CN201910729118A CN110580378A CN 110580378 A CN110580378 A CN 110580378A CN 201910729118 A CN201910729118 A CN 201910729118A CN 110580378 A CN110580378 A CN 110580378A
- Authority
- CN
- China
- Prior art keywords
- ball mill
- load
- vibration
- learning machine
- extreme learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000005259 measurement Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 95
- 230000005236 sound signal Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000003071 parasitic effect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 241000283153 Cetacea Species 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000227 grinding Methods 0.000 abstract description 17
- 238000010845 search algorithm Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000011805 ball Substances 0.000 description 101
- 238000010586 diagram Methods 0.000 description 24
- 239000000463 material Substances 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 14
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施方式提供一种球磨机筒体内部负荷软测量方法、装置以及系统，属于自动化测量技术领域。方法包括：获取球磨机筒体的振动信号和振声信号；依据振动信号及振声信号构建球磨机筒体内部的负荷特征向量；依据负荷特征向量和预设的极限学习机模型，预测球磨机筒体的负荷参数；预设的极限学习机模型通过球磨机筒体不同负荷状态下的负荷特征向量及改进的共生生物算法对极限学习机模型进行训练后得到。发明通过经验模态分解算法和相关系数法对的筒体振动和振声信号预处理,依据振动信号及振声信号构建磨机负荷特征向量，利用改进的共生生物搜索算法优化模型参数,实现对球磨机筒体内部负荷的准确定量检测，同时能够适应磨矿过程的动态时变特性。
Description
技术领域
本发明涉及自动化测量技术领域，具体地涉及一种球磨机筒体内部负荷软测量方法、一种球磨机筒体内部负荷软测量装置以及一种球磨机筒体内部负荷软测量系统。
背景技术
球磨机作为物料碎磨的关键设备，广泛应用于煤炭、水泥、选矿等行业。磨机筒体内部负荷体由钢球、物料和水组成。磨机负荷参数与其内部钢球、物料和水相关，充填率是指磨机内球、料及水负荷的体积之和占整个磨机内腔体积的百分率，球料比是指物料体积与钢球体积之间的比值，磨矿浓度是球磨机中物料质量与物料和水的质量之和的百分比，磨机负荷参数直接关系到磨矿效率及生产安全。实践表明，保持磨机在合理的负荷状态下运行，不但能大幅度提高球磨机的磨矿效率，减少因使用不当或磨机效率低下导致的环境污染、资源浪费，对于提高磨矿工艺水平和产品质量具有十分重要的作用。
传统的磨机筒体内部负荷参数检测法，如压差法、功率法、超声法、振动法及液面高度法等，存在精度低、性能不稳定、难以在现场实施等缺点，且只能检测磨机的部分负荷参数，均不能在磨矿过程中精确有效地检测磨机筒体内部的负荷参数。
例如：压差法是检测干式磨机负荷参数常用的技术方法，分为出入口压差法和气动压差法。出入口压差法是根据磨机出入口压差与负荷的关系曲线，用经验公式表征磨机负荷，优点是应用广泛和操作人员现场经验丰富，可结合磨机出口温度、排粉机入口风压和出口风压等参数综合判断磨机负荷；缺点是测量精度低和现场应用中对给料的调节频繁，影响磨机运行稳定性，该方法常被用于衡量新方法的准确性。气动压差法可以分为探管直接测取两点的压差法和探管喷射恒压源的压差法，气动压差法原理是在磨机耳轴伸入探管直接探测料层压力，以差压变送器信号表征磨机负荷，优点是准确率较高；缺点是低料位时存在测量死区，而且取压管直接与物料和钢球接触，存在传感器易磨损甚至破环、动静部分容易被物料卡死、埋入料层无法测量等问题，该方法在双进双出钢球磨煤机上应用广泛，但对于单进单出球磨机还存在着传压管探头防砸、气动差压计的安装位置难以确定等问题。
功率法是通过磨矿过程的有用功率与负荷间的关系来判断磨机筒体内部负荷，但是磨机功率主要受钢球负荷的影响，空载与满载时功率变化范围很小，且存在极大值，同时，检测信号灵敏度低，研磨介质损耗及物料自身特性等因素对磨机功率的影响非常显著,导致负荷难以准确表达。
发明内容
本发明实施方式的目的是提供一种球磨机筒体内部负荷软测量方法、装置以及系统，以解决现有的球磨机筒体内部负荷测量精度低及测量参数不全面的问题。
为了实现上述目的，在本发明第一方面，提供一种球磨机筒体内部负荷软测量方法，其特征在于，包括：
获取球磨机筒体的振动信号和振声信号；
依据所述振动信号及所述振声信号构建所述球磨机筒体内部的负荷特征向量；
依据所述负荷特征向量和预设的极限学习机模型，预测所述球磨机筒体的负荷参数；所述预设的极限学习机模型通过所述球磨机筒体不同负荷状态下的负荷特征向量及改进的共生生物算法对极限学习机模型进行训练后得到。
可选的，所述构建所述球磨机筒体内部的负荷特征向量包括：
依据经验模态分解法将所述振动信号分解为多个第一经验模态分量，将所述振声信号分解为多个第二经验模态分量；
依据每个第一经验模态分量与所述振动信号的相关度提取第一敏感分量，依据每个第二经验模态分量与所述振声信号的相关度提取第二敏感分量；
将所有第一敏感分量进行重构，得到重构后的振动信号；
将所述重构后的振动信号经逆向云发生器后得到所述重构后的振动信号的云模型特征向量；
依据IMF能量法得到每个第二敏感分量的能量占比特征向量并归一化；
以所述云模型特征向量及归一化后的能量占比特征向量构建所述负荷特征向量。
可选的，所述依据每个第一经验模态分量与所述振动信号的相关度提取第一敏感分量，包括：
分别计算所有第一经验模态分量与所述振动信号的第一相关系数，提取第一相关系数大于预设的第一阈值的第一经验模态分量为第一敏感分量；
所述依据每个第二经验模态分量与所述振声信号的相关度提取第二敏感分量，包括：
分别计算所有第二经验模态分量与所述振声信号的第二相关系数，提取第二相关系数大于预设的第二阈值的第二经验模态分量为第二敏感分量。
可选的，所述云模型特征向量包括云模型的期望、云模型特征熵及云模型超熵。
可选的，所述IMF能量法包括：
计算所有第二敏感分量的能量Ei：
构建包括所有第二敏感分量的能量的特征向量集合T：
T＝[E1,E2,E3,…,En]；
将所述特征向量集合T转换为包括所有第二敏感分量的能量占比的改进的特征向量集合T'：
对所述改进的特征向量集合T'进行归一化处理：
其中，ci(t)表示经所述经验模态分解法分解得到的所述第二经验模态分量，x为当前所述第二敏感分量的能量占比，x*为归一化后的所述第二敏感分量的能量占比，max为集合T'中所述第二敏感分量的能量占比的最大值，min为集合T'中所述第二敏感分量的能量占比的最小值。
可选的，所述预设的极限学习机模型的训练过程包括：
建立极限学习机模型；
对所述极限学习机模型的输入权值和隐含层阈值随机赋值；
以所述球磨机筒体不同负荷状态下的负荷特征向量作为训练集对所述极限学习机模型进行训练，调整所述极限学习机模型的输出权值，以使得所述极限学习机模型输出的所述球磨机筒体的负荷参数的输出值和实际值的误差最小；
通过混沌自适应鲸鱼优化算法对所述极限学习机模型进行参数优化，得到最佳输入权值和最佳隐含层阈值；
通过所述改进的共生生物算法对所述极限学习机模型的激活函数参数进行优化，得到所述预设的极限学习机模型。
可选的，所述改进的共生生物算法包括：
以所述极限学习机模型的激活函数参数为个体构建初始种群，确定个体数量及最大迭代次数；
计算个体的适应度值，依据每个个体的适应度值大小对个体进行排序；
将适应度值最大的个体确定为所述初始种群中的最优个体；
随机从所述初始种群中选择个体Xi与个体Xj产生互利，使得个体Xi与个体Xj分别向所述最优个体学习，并按如下公式对Xi及Xj进行更新：
其中，缩放因子rand(0,1)为[0,1]之间的随机数，Xbest为当前最优个体，BE1、BE2为互利系数，Mv为互利向量，
经历共栖阶段：通过Xinew＝Xi+rand(-1,1)×(Xbest-Xj)对Xi进行更新，其中，rand(-1,1)为[-1,1]之间的随机数；Xbest-Xj表示Xi在Xj提供的帮助下不断向所述最优个体靠拢，并只留下最优的个体；
经历寄生阶段：依据所述初始种群中个体的适应度值将所述初始种群划分为精英种群及普通种群，分别对所述精英种群及所述普通种群中的个体产生寄生向量并更新个体；
更新所述初始种群，直至达到预设的终止条件，得到所述极限学习机模型的激活函数参数的最优解。
可选的，所述经历寄生阶段，包括：
以所述初始种群中适应度值大于适应度均值的个体集合作为精英种群，以所述初始种群中适应度值小于适应度均值的个体集合作为普通种群，将所述精英种群按公式Vpara＝Xi+α×rand(-1,1)×Xj产生寄生向量，若所述寄生向量的适应度值大于个体Xi，则用所述寄生向量取代个体Xi，否则，保留Xi；
其中，Vpara是由个体i创建的寄生向量，Xi、Xj为生态系统中第i个和第j个个体，rand(-1,1)为[-1,1]之间的随机数，α为变化系数。
在本发明第二方面，还提供一种球磨机筒体内部负荷软测量装置，包括存储器和处理器，所述存储器存储指令，所述指令被所述处理器执行时实现上述的球磨机筒体内部负荷软测量方法。
在本发明第三方面，还提供一种球磨机筒体内部负荷软测量系统，包括：
连接于网络的加速度传感器和声音传感器；以及
上述的球磨机筒体内部负荷软测量装置，连接于所述网络，所述装置通过所述网络获取所述加速度传感器采集的球磨机筒体振动信号及所述声音传感器采集的球磨机筒体振声信号。
本发明上述技术方案通过经验模态分解算法和相关系数法对的原始磨机筒体振动和振声信号预处理,利用云模型提取磨机筒体振动信号的特征，采用IMF能量法提取磨机振声信号的特征信息，从而构建磨机负荷特征向量，采用极限学习机算法建立磨机负荷软测量模型，利用改进的共生生物搜索算法优化磨机负荷软测量模型,实现对球磨机筒体内部负荷的准确定量检测，能够适应磨矿过程的动态时变特性，不需要进行其他复杂的数学计算，易于实现，为球磨机筒体内部负荷检测提供了一种新的技术方案。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的球磨机筒体内部负荷软测量方法的流程图；
图2是本发明一种实施方式提供的球磨机筒体内部负荷软测量方法中球磨机负荷软测量模型训练的流程图；
图3是本发明一种实施方式提供的球磨机筒体内部负荷软测量系统的结构框图；
图4是本发明一种实施方式提供的欠负荷状态下的原始振动信号波形图；
图5是本发明一种实施方式提供的正常负荷状态下的原始振动信号波形图；
图6是本发明一种实施方式提供的过负荷状态下的原始振动信号波形图；
图7是本发明一种实施方式提供的欠负荷状态下的原始振声信号波形图；
图8是本发明一种实施方式提供的正常负荷状态下的原始振声信号波形图；
图9是本发明一种实施方式提供的过负荷状态下的原始振声信号波形图；
图10是本发明一种实施方式提供的振声信号的相关系数及IMF分量的曲线图；
图11是本发明一种实施方式提供的欠负荷状态下的重构后的振动信号的波形图；
图12是本发明一种实施方式提供的正常负荷状态下的重构后的振动信号的波形图；
图13是本发明一种实施方式提供的过负荷状态下的重构后的振动信号的波形图；
图14是本发明一种实施方式提供的重构后的振动信号的云滴图；
图15是本发明一种实施方式提供的球磨机充填率预测结果仿真图；
图16是本发明一种实施方式提供的球磨机料球比预测结果仿真图；
图17是本发明一种实施方式提供的球磨机磨矿浓度预测结果仿真图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在本发明实施方式中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
如图1及图2所示，本发明的实施方式提供一种球磨机筒体内部负荷软测量方法，包括：
获取球磨机筒体的振动信号和振声信号；
依据振动信号及振声信号构建球磨机筒体内部的负荷特征向量；
依据负荷特征向量和预设的极限学习机模型，预测球磨机筒体的负荷参数；预设的极限学习机模型通过球磨机筒体不同负荷状态下的负荷特征向量及改进的共生生物算法对极限学习机模型进行训练后得到。
如此，本实施方式通过经验模态分解算法(MEEMD)和相关系数法对的原始磨机筒体振动和振声信号预处理,利用云模型提取磨机筒体振动信号的特征，采用IMF能量法提取磨机振声信号的特征信息，从而构建磨机负荷特征向量，采用极限学习机算法(ELM)建立球磨机负荷软测量模型，利用改进的共生生物搜索算法(ASOS)优化磨机负荷软测量模型,实现对湿式球磨机筒体内部负荷的准确定量检测，能够适应磨矿过程的动态时变特性，不需要进行其他复杂的数学计算，易于实现，为湿式球磨机筒体内部负荷检测提供了一种新的技术方案。
具体的，现有的气动压差法是通过在磨机耳轴伸入探管直接探测料层压力，以差压变送器信号表征磨机负荷，当低料位时存在测量死区，且取压管直接与物料和钢球接触，存在传感器易磨损、破环，动静部分容易被物料卡死、埋入料层无法测量等问题；而功率法中，磨机功率主要受钢球负荷的影响，空载与满载时功率变化范围很小，且存在极大值，检测信号灵敏度低，研磨介质损耗、物料自身特性等因素对磨机功率的影响非常显著,导致负荷难以准确表达。基于球磨机筒体的振动信号和振声信号中蕴含着大量与磨机负荷参数相关的信息，且获取时变工况球磨机的振动信号和振声信号的成本低、便于大量采集，本发明通过采集球磨机筒体的振动信号和振声信号，并基于振动信号和振声信号构建球磨机筒体内部的负荷特征向量，以得到的负荷特征向量为输入、球磨机筒体内部的负荷参数为输出，通过预设的极限学习机模型对球磨机筒体内部的负荷参数进行预测。传统的前馈神经网络通常采用梯度下降的迭代算法调整权重参数，存在学习速度缓慢，学习率难以确定、易陷入局部最小值，以及易出现过度训练引起泛化性能下降的问题，基于广义逆矩阵理论的极限学习算法同迭代算法相比，具有对学习网络输出权值更快的解析速度，极大提高了网络的泛化能力和学习速度。本实施方式还通过改进的共生生物算法对极限学习机模型的参数进行优化，使得极限学习机模型具有更高的精度，同时，改进的共生生物算法相比传统的共生生物算法具有更快的求解速度及更高的收敛精度。
进一步的，构建球磨机筒体内部的负荷特征向量包括：
依据经验模态分解法将振动信号分解为多个第一经验模态分量，将振声信号分解为多个第二经验模态分量；
依据每个第一经验模态分量与振动信号的相关度提取第一敏感分量，依据每个第二经验模态分量与振声信号的相关度提取第二敏感分量；
将所有第一敏感分量进行重构，得到重构后的振动信号；
将重构后的振动信号经逆向云发生器后得到重构后的振动信号的云模型特征向量；
依据IMF能量法得到每个第二敏感分量的能量占比特征向量并归一化；
以云模型特征向量及归一化后的能量占比特征向量构建负荷特征向量。
具体的，对采集到的球磨机筒体的原始非平稳的振动信号和振声信号进行MEEMD分解，分别将振动信号和振声信号分解为如下所示的有限个平稳的经验模态(IMF)分量：
其中，dj(t)表示经MEEMD分解得到的平稳的IMF分量，j＝1,2,…,m，m表示原始信号经过MEEMD分解得到的m个平稳的IMF分量，r(t)代表分解后的残余项。
进一步的，依据每个第一经验模态分量与振动信号的相关度提取第一敏感分量，包括：
分别计算所有第一经验模态分量与振动信号的第一相关系数，提取第一相关系数大于预设的第一阈值的第一经验模态分量为第一敏感分量；
依据每个第二经验模态分量与振声信号的相关度提取第二敏感分量，包括：
分别计算所有第二经验模态分量与振声信号的第二相关系数，提取第二相关系数大于预设的第二阈值的第二经验模态分量为第二敏感分量。
通过如下公式计算原始信号经分解得到的IMF分量与原始信号的相关系数值：
其中，ρxy表示IMF分量与原始信号的相关系数，xi为原始信号分解得到的IMF分量，为IMF分量的平均值，yi为原始信号，为原始信号的平均值。
通过如下公式计算相关系数的阈值：
其中，μh为阈值，μi为第i个IMF分量与原始信号的相关系数，max表示取最大的相关系数值。
通过上述方法得到由原始振动信号经MEEMD分解得到的每个IMF分量与原始振动信号的相关系数及相关系数的阈值，将与原始振动信号的相关系数值大于阈值μh的IMF分量作为第一敏感分量，；将小于相关系数阈值μh的IMF分量视为虚假分量并去除；同理，通过上述方法提取振声信号的第二敏感分量。
将提取到的所有第一敏感分量进行重构，得到重构后的振动信号，由于在MEEMD分解过程中，可能产生与信号无关的虚假分量，经过上述方法去除虚假分量后，使得重构后的振动信号有效的保留了有用的信息，同时去除了多余的无效信息，有利于对信号的后续处理。
以重构后的振动信号为输入，采用逆向云发生器求出重构后的振动信号的云模型特征向量，云模型特征向量包括云模型的期望、云模型特征熵及云模型超熵。重构后的振动信号的云模型期望为重构后的振动信号的云模型特征熵为重构后的振动信号的云模型超熵为其中，xi为重构后的振动信号，S为筒体振动信号的二阶中心距，
在云模型理论中，通过将云的数字特征用期望Ex、特征熵En和超熵He来表征，反映定性概念整体上的定量特征。
其中，期望为概念在论域空间的中心值，最能代表定性概念的点。
特征熵反映定性概念的不确定性，特征熵反映了在数域空间可以被定性概念接受的云滴群的范围大小，即模糊度，是定性概念模糊性的度量。En越大，定性概念所接受的云滴的取值范围越大，定性概念就越模糊。特征熵反映了这个定性概念的云滴的离散程度，表示代表定性概念的云滴出现的随机性，同时还揭示了模糊性与随机性的关联性，特征熵越大，概念越宏观，模糊性和随机性也越大，确定性量化越难。
超熵：是对熵的不确定性的度量，是熵的熵，反映在论域空间代表该语言值的所有点的不确定的凝聚性，它的大小间接反映了云的厚度。所有的云滴都在期望曲线附近做随机的波动，而波动程度的大小由He控制。
进一步的，IMF能量法包括：
计算所有第二敏感分量的能量Ei：
构建包括所有第二敏感分量的能量的特征向量集合T：
T＝[E1,E2,E3,…,En]；
将特征向量集合T转换为包括所有第二敏感分量的能量占比的改进的特征向量集合T'：
对改进的特征向量集合T'进行归一化处理：
其中，ci(t)表示经经验模态分解法分解得到的第二经验模态分量，x为当前第二敏感分量的能量占比，x*为归一化后的第二敏感分量的能量占比，max为集合T'中第二敏感分量的能量占比的最大值，min为集合T'中第二敏感分量的能量占比的最小值。
本实施方式通过将包括所有第二敏感分量的能量的特征向量集合T转换为包括所有第二敏感分量的能量占比的特征向量集合T'使得T'，能更准确的表征球磨机振声信号的特征。
将重构后的振动信号的云模型期望、特征熵及超熵，与归一化后的第二敏感分量的能量占比构建球磨机筒体的负荷特征向量，最终构建得到的负荷特征向量包含了振动信号及振声信号的有效信息，从而可进一步建立球磨机易测过程变量(振动信号及振声信号)与难测过程变量(筒体负荷参数)之间的函数关系，从而实现对球磨机作业过程中难以测量的参数进行有效预测。
因此，在本实施方式中，通过预设的极限学习机模型对球磨机筒体内部的负荷参数进行预测，其中，预设的极限学习机模型的训练过程包括：
建立极限学习机模型；
对极限学习机模型的输入权值和隐含层阈值随机赋值；
以球磨机筒体不同负荷状态下的负荷特征向量作为训练集对极限学习机模型进行训练，调整极限学习机模型的输出权值，以使得极限学习机模型输出的球磨机筒体的负荷参数的输出值和实际值的误差最小；
通过混沌自适应鲸鱼优化算法对极限学习机模型进行参数优化，得到最佳输入权值和最佳隐含层阈值；
通过改进的共生生物算法对极限学习机模型的激活函数参数进行优化，得到预设的极限学习机模型。
具体的，通过极限学习机算法(ELM)建立的球磨机筒体内部负荷软测量模型为：
其中，xj为球磨机的负荷特征向量，yj为筒体内部负荷参数，L为隐含层节点数，βi为第i个隐含层节点与输出层节点的权值向量，ωi为隐含层第i个节点与输入层节点的权值向量，bi为第i个隐含层节点的偏置参数，ωi和bi可以随机生成，j＝1,2,…,M，M为输出节点数，g(·)表示隐含层的激活函数，ωi·xj表示ωi和xj的内积。
以球磨机筒体不同负荷状态下的负荷特征向量作为训练集对极限学习机模型进行训练，训练目的是使球磨机负荷参数输出值和实际值的误差最小，可表示为：
其中，tj为期望输出，上式表示极限学习机模型的输出值与期望值的误差为0。
则问题的求解转化为求解最优权值，即存在βi、ωi和bi，使得
将转化为矩阵表达式：
Hβ＝T；
其中，H为隐含层输出矩阵，其第i列为第i个隐含层节点对应于输入x1,x2,…,xN的第i个隐含层神经元的输出向量，β为隐含层与输出层的权值矩阵，T为期望输出矩阵，令L<M。
则球磨机负荷软测量模型的训练过程可以描述为非线性优化问题，当激活函数g(x)无限可微时，输入权值ωi和隐含层阈值bi可以随机赋值，此时H为一个常数矩阵，连接隐含层和输出节点的权值可以通过求解线性方程组Hβ＝Y的最小二乘解得到，其解为：
其中，为由最小二乘计算得到的输出权值，Y为训练输出样本，H+为输出矩阵H的Moore-Penrose广义逆矩阵，求得是最小解且唯一。
传统的基于梯度下降法的算法需要在迭代的过程中调整所有参数，而在ELM算法中,一旦输入权重和隐层的偏置被随机确定，隐层的输出矩阵就被唯一确定，训练单隐层神经网络可以转化为求解一个线性系统，并且输出权重可以被确定，而无需像BP神经网络那样不断反向去调整权值和阈值，从而具有更少的计算量，同时，在保证学习精度的前提下比传统的学习算法速度更快。
在本实施方式中，考虑到输入权值和隐含层阈值随机选择不当，会影响球磨机负荷软测量模型的精度和泛化能力，因此，为进一步提高模型的测量精度，通过混沌自适应鲸鱼优化算法(CAWOA)搜索调整得到最佳输入权值和隐含层阈值，在隐含层节点尽可能少的情况下使得极限学习机算法的回归效果最好，具体步骤如下：
种群初始化：随机生成由n个鲸鱼个体组成的群体，并根据输入权值和隐含层阈值对鲸鱼个体Xi编码，Xi＝(ω11,…,ω1m,…,ωM1,…,ωMm,b1,b2,…,bM)。
确定适应度函数J：
对鲸鱼个体Xi进行收缩包围、螺旋更新位置以及混沌搜索，直至得到适应度值最佳的个体Xi，从而得到极限学习机模型的最佳输入权值和隐含层阈值，混沌自适应鲸鱼优化算法(CAWOA)的计算过程为现有技术，此处不再赘述。
进一步的，改进的共生生物算法包括：
以极限学习机模型的激活函数参数组成个体构建初始种群，确定个体数量及最大迭代次数，本实施方式中，激活函数采用Sig激活函数：
其中，x是净输入值，λ是坡度，θ是函数中心，一般情况下参数λ和θ的取值为1和0，但考虑到该函数的输出会随着λ和θ的改变而发生显著变化，因此，需找到每个隐层节点中最合适的参数，使得输出结果最优，本实施方式中，每个个体对应一组λ和θ，即X＝[λ1,λ2,…,λm,θ1,θ2,…,θm]，个体维度为2m。
计算个体的适应度值，依据每个个体的适应度值大小对个体进行排序；
将适应度值最大的个体确定为初始种群中的最优个体；
随机从初始种群中选择个体Xi与个体Xj产生互利，使得个体Xi与个体Xj分别向最优个体学习，并按如下公式对Xi及Xj进行更新：
其中，Xi为生态系统中第i(i＝1,2,…,N)个个体，i，j∈{1，2，…,N}，i≠j，缩放因子rand(0,1)为[0,1]之间的随机数，Xbest为当前最优个体，BE1、BE2为互利系数，Mv为互利向量，iter是当前迭代次数，itermax是最大迭代次数。
由于互利系数对互利向量的影响较大，但是传统的共生生物搜索算法中互利系数为{1,2}中的随机数，即仅有1和2两个互利系数，极大的影响了共生生物搜索算法的收敛速度，本实施方式对互利系数进行改进，使得互利系数具有自适应性，从而有效提高了共生生物算法搜索过程中的收敛速度。
经历共栖阶段：通过Xinew＝Xi+rand(-1,1)×(Xbest-Xj)对Xi进行更新，其中，rand(-1,1)为[-1,1]之间的随机数；Xbest-Xj表示Xi在Xj提供的帮助下不断向最优个体靠拢，并只留下最优的个体，其作用的结果使得Xi从中受益，而Xj既不受益也不受害。
经历寄生阶段：依据初始种群中个体的适应度值将初始种群划分为精英种群及普通种群，分别对精英种群及普通种群中的个体产生寄生向量并更新个体。
更新初始种群，直至达到预设的终止条件，本实施方式以达到迭代次数作为终止条件，得到极限学习机模型的激活函数参数λ和θ的最优解。
进一步的，经历寄生阶段的具体过程包括：以初始种群中适应度值大于适应度均值的个体集合作为精英种群，以初始种群中适应度值小于适应度均值的个体集合作为普通种群，将精英种群按公式Vpara＝Xi+α×rand(-1,1)×Xj产生寄生向量，若寄生向量的适应度值大于个体Xi，则用寄生向量取代个体Xi，否则，保留Xi，普通种群则按传统策略生成寄生向量。
其中，Vpara是由个体i创建的寄生向量，Xi、Xj为生态系统中第i个和第j个个体，rand(-1,1)为[-1,1]之间的随机数，α为变化系数，本实施方式中取值为0.01。
寄生是通过两个体之间的相互作用消除了生态系统中较弱的有机体，在这种关系中，一方获得利益，另一方则受到这种关系的伤害。对于个体Xi，随机选择个体Xi中若干维数的元素，替换为搜索范围内的随机值，产生新的个体——寄生向量Vpara。随机选取个体Xj(i≠j)作为Vpara的宿主，依据适应度值大小，保留寄生向量与个体Xj中两者较优的个体作为新的个体。由精英种群产生的寄生向量，对比普通种群有着更强的竞争性，本实施方式通过依据初始种群中个体的适应度值将初始种群划分为精英种群及普通种群的方式，既加快了收敛精度，又能很好地跳出局部最优。
在本发明第二方面，还提供一种球磨机筒体内部负荷软测量装置，包括存储器和处理器，存储器存储指令，指令被处理器执行时实现上述的球磨机筒体内部负荷软测量方法。
如图3所示，在本发明第三方面，本发明的实施方式还提供一种球磨机筒体内部负荷软测量系统，包括：
连接于网络的加速度传感器和声音传感器；以及
上述的球磨机筒体内部负荷软测量装置，连接于网络，上述的球磨机筒体内部负荷软测量装置通过网络获取加速度传感器采集的球磨机筒体振动信号及声音传感器采集的球磨机筒体振声信号。上述网络可以是无线网络，也可以是有线网络，加速度传感器及声音传感器采集的原始信号通过电荷/电压适调器、多路模拟开关、程控放大器、模数转换器及采样保持器处理后发送至上述的球磨机筒体内部负荷软测量装置的处理器。
以下结合实验数据进一步对本实施方式进行说明：
通过加速度传感器及声音传感器分别采集球磨机筒体的原始振动信号及原始振声信号，分别采集球磨机筒体在欠负荷、正常负荷及过负荷状态下的原始振动信号及原始振声信号，采样频率设为20kHz，每种负荷状态下采样20组样本，令工况一为欠负荷，工况二为正常负荷，工况三为过负荷，如图4、图5及图6所示分别为工况一、工况二及工况三下的原始振动信号波形图，如图7、图8及图9所示分别为工况一、工况二及工况三下的原始振声信号波形图。
对采集到的60组振动信号及60组振声信号共计120组信号分别进行MEEMD分解，分别得到每组振动信号的IMF分量及每组振声信号的IMF分量，分别计算振动信号的IMF分量与原始振动信号的相关系数值及阈值，以及振声信号的IMF分量与原始振声信号的相关系数值及阈值，将大于阈值的IMF分量确定为敏感IMF分量，小于阈值的IMF分量则作为虚假分量剔除，并将得到的振动信号的所有敏感IMF分量进行重构得到重构后的振动信号。
以振声信号为例，如图10所示，前6阶振声信号的IMF分量的相关系数值大于阈值，它们能够充分表征原始振声信号的特征，则将前6阶振声信号的IMF分量确定为振声信号的敏感IMF分量。
如图11、图12及图13所示分别为工况一、工况二及工况三下的重构后的振动信号波形图，经过对原始振动信号提取敏感分量，有效地去除了在零附近的高频噪声，完整地保留了筒体振动信号的特征信息。
分别计算不同工况下原始振动信号及重构振动信号的信噪比如表1所示，工况一的重构筒体振动信号的信噪比提高了13.31dB，工况二的重构筒体振动信号的信噪比提高了12.78dB，工况三的重构筒体振动信号的信噪比提高了13.58dB,说明通过MEEMD算法对球磨机筒体原始振动信号进行上述预处理的效果较好。
表1
利用逆向云发生器求出重构筒体振动信号的云模型特征向量，以云模型期望Ex、特征熵En和超熵He作为特征参数；采用IMF能量法计算振声信号敏感IMF分量的能量占比，以各敏感IMF分量能量占比来表征振声信号的特征信息；以筒体振动信号的云模型特征参数和振声信号的敏感IMF分量能量占比构建球磨机的负荷特征向量。
以磨机筒体振动信号的期望Ex、超熵He、熵En为输入，N个云滴(xi,u(xi))(i＝1,2,…,N)为输出，其中每个云滴属于磨机负荷状态的确定度，利用正向云发生器得到磨机筒体振动信号的云滴图，具体步骤如下：
(a)生成En为期望值，He2为方差的一个高斯随机数En'
(b)生成Ex为期望值，En'2为方差的一个高斯随机数xi；
(c)得到确定度函数为：
(d)重复上述步骤直到产生N个云滴。
如图14所示，三种工况下球磨机筒体的重构后的振动信号的云模型存在着明显的差别，则可以把球磨机筒体振动信号的云模型期望、特征熵及超熵作为球磨机振动信号的特征信息。
由表2可知，各工况下振声信号的敏感IMF分量能量占比存在明显差异，各IMF能量占比能够较好地表征磨机振声信号的特征信息。
表2
基于极限学习机算法建立以球磨机筒体振动信号和振声信号的特征信息构成的负荷特征向量为输入，填充率、料球比和磨矿浓度为输出的球磨机负荷软测量模型，利用改进的共生生物搜索算法优化球磨机负荷软测量模型。
采用极限学习机算法建立球磨机负荷软测量模型的步骤如下：
(1)确定训练样本和隐含层节点数；
(2)对输入权值矩阵和隐含层阈值随机取值；
(3)计算隐含层输出矩阵；
(4)求解得出输出权值矩阵。
本实施方式中，选取每种负荷状态的10组筒体振动信号及振声信号构建的负荷特征向量作为训练样本，每组样本的多特征参数(期望、特征熵、超熵及6阶敏感IMF分量能量占比)构成输入矩阵，故输入矩阵的维度为9，球磨机筒体内部负荷参数(填充率、料球比及磨矿浓度)作为输出矩阵，则确定球磨机负荷软测量模型的输出层为3个神经元，隐含层节点数设置为44。
考虑到输入权值和隐含层阈值随机选择不当，会影响球磨机负荷软测量模型的精度和泛化能力，因此，为进一步提高模型的测量精度，本实施方式通过混沌自适应鲸鱼优化算法(CAWOA)搜索调整得到最佳输入权值和隐含层阈值，在隐含层节点尽可能少的情况下使得极限学习机算法的回归效果最好。
设置改进的共生生物搜索算法的种群数为25，最大迭代次数为200，λ和θ的寻优范围为[-1,1]；
利用改进的共生生物搜索算法对球磨机负荷软测量模型激活函数‘Sig’的坡度λ和函数中心θ进行优化。
选取三种不同负荷状态下不同负荷参数的45组信号负荷特征向量作为训练集，另取15组作为测试数据集，测试样本的球磨机负荷参数的充填率、料球比及磨矿浓度预测结果分别如图15、图16及图17所示，可知球磨机负荷软测量模型预测的充填率、料球比及磨矿浓度与真实值非常接近，球磨机负荷参数的预测准确性较高。
为进一步量化三种磨机负荷软测量模型预测的准确率和评价模型的泛化能力，分别计算它们的平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和平均相对变动值(ARV)，如表3所示，球磨机负荷软测量模型的平均绝对误差、平均绝对百分比误差和平均相对变动值较小，说明磨机负荷参数的预测准确率较高，泛化能力较强。
表3
最后，通过已训练的球磨机负荷软测量模型预测球磨机的负荷参数。
综上所述，本发明能够准确的实现球磨机筒体内部负荷参数的定量检测，同时能够适应磨矿过程的动态时变特性，不需要进行其他复杂的数学计算，易于实现。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种球磨机筒体内部负荷软测量方法，其特征在于，包括：
获取球磨机筒体的振动信号和振声信号；
依据所述振动信号及所述振声信号构建所述球磨机筒体内部的负荷特征向量；
依据所述负荷特征向量和预设的极限学习机模型，预测所述球磨机筒体的负荷参数；所述预设的极限学习机模型通过所述球磨机筒体不同负荷状态下的负荷特征向量及改进的共生生物算法对极限学习机模型进行训练后得到。
2.根据权利要求1所述的球磨机筒体内部负荷软测量方法，其特征在于，所述构建所述球磨机筒体内部的负荷特征向量包括：
依据经验模态分解法将所述振动信号分解为多个第一经验模态分量，将所述振声信号分解为多个第二经验模态分量；
依据每个第一经验模态分量与所述振动信号的相关度提取第一敏感分量，依据每个第二经验模态分量与所述振声信号的相关度提取第二敏感分量；
将所有第一敏感分量进行重构，得到重构后的振动信号；
将所述重构后的振动信号经逆向云发生器后得到所述重构后的振动信号的云模型特征向量；
依据IMF能量法得到每个第二敏感分量的能量占比特征向量并归一化；
以所述云模型特征向量及归一化后的能量占比特征向量构建所述负荷特征向量。
3.根据权利要求2所述的球磨机筒体内部负荷软测量方法，其特征在于，所述依据每个第一经验模态分量与所述振动信号的相关度提取第一敏感分量，包括：
分别计算所有第一经验模态分量与所述振动信号的第一相关系数，提取第一相关系数大于预设的第一阈值的第一经验模态分量为第一敏感分量；
所述依据每个第二经验模态分量与所述振声信号的相关度提取第二敏感分量，包括：
分别计算所有第二经验模态分量与所述振声信号的第二相关系数，提取第二相关系数大于预设的第二阈值的第二经验模态分量为第二敏感分量。
4.根据权利要求2所述的球磨机筒体内部负荷软测量方法，其特征在于，所述云模型特征向量包括云模型的期望、云模型特征熵及云模型超熵。
5.根据权利要求2所述的球磨机筒体内部负荷软测量方法，其特征在于，所述IMF能量法包括：
计算所有第二敏感分量的能量Ei：
构建包括所有第二敏感分量的能量的特征向量集合T：
T＝[E1,E2,E3,…,En]；
将所述特征向量集合T转换为包括所有第二敏感分量的能量占比的改进的特征向量集合T'：
对所述改进的特征向量集合T'进行归一化处理：
其中，ci(t)表示经所述经验模态分解法分解得到的所述第二经验模态分量，x为当前所述第二敏感分量的能量占比，x*为归一化后的所述第二敏感分量的能量占比，max为集合T'中所述第二敏感分量的能量占比的最大值，min为集合T'中所述第二敏感分量的能量占比的最小值。
6.根据权利要求1所述的球磨机筒体内部负荷软测量方法，其特征在于，所述预设的极限学习机模型的训练过程包括：
建立极限学习机模型；
对所述极限学习机模型的输入权值和隐含层阈值随机赋值；
以所述球磨机筒体不同负荷状态下的负荷特征向量作为训练集对所述极限学习机模型进行训练，调整所述极限学习机模型的输出权值，以使得所述极限学习机模型输出的所述球磨机筒体的负荷参数的输出值和实际值的误差最小；
通过混沌自适应鲸鱼优化算法对所述极限学习机模型进行参数优化，得到最佳输入权值和最佳隐含层阈值；
通过所述改进的共生生物算法对所述极限学习机模型的激活函数参数进行优化，得到所述预设的极限学习机模型。
7.根据权利要求6所述的球磨机筒体内部负荷软测量方法，其特征在于，所述改进的共生生物算法包括：
以所述极限学习机模型的激活函数参数为个体构建初始种群，确定个体数量及最大迭代次数；
计算个体的适应度值，依据每个个体的适应度值大小对个体进行排序；
将适应度值最大的个体确定为所述初始种群中的最优个体；
随机从所述初始种群中选择个体Xi与个体Xj产生互利，使得个体Xi与个体Xj分别向所述最优个体学习，并按如下公式对Xi及Xj进行更新：
其中，缩放因子rand(0,1)为[0,1]之间的随机数，Xbest为当前最优个体，BE1、BE2为互利系数，Mv为互利向量，
经历共栖阶段：通过Xinew＝Xi+rand(-1,1)×(Xbest-Xj)对Xi进行更新，其中，rand(-1,1)为[-1,1]之间的随机数；Xbest-Xj表示Xi在Xj提供的帮助下不断向所述最优个体靠拢，并只留下最优的个体；
经历寄生阶段：依据所述初始种群中个体的适应度值将所述初始种群划分为精英种群及普通种群，分别对所述精英种群及所述普通种群中的个体产生寄生向量并更新个体；
更新所述初始种群，直至达到预设的终止条件，得到所述极限学习机模型的激活函数参数的最优解。
8.根据权利要求7所述的球磨机筒体内部负荷软测量方法，其特征在于，所述经历寄生阶段，包括：
以所述初始种群中适应度值大于适应度均值的个体集合作为精英种群，以所述初始种群中适应度值小于适应度均值的个体集合作为普通种群，将所述精英种群按公式Vpara＝Xi+α×rand(-1,1)×Xj产生寄生向量，若所述寄生向量的适应度值大于个体Xi，则用所述寄生向量取代个体Xi，否则，保留Xi；
其中，Vpara是由个体i创建的寄生向量，Xi、Xj为生态系统中第i个和第j个个体，rand(-1,1)为[-1,1]之间的随机数，α为变化系数。
9.一种球磨机筒体内部负荷软测量装置，包括存储器和处理器，其特征在于，所述存储器存储指令，所述指令被所述处理器执行时实现权利要求1～8中任意一项权利要求所述的球磨机筒体内部负荷软测量方法。
10.一种球磨机筒体内部负荷软测量系统，其特征在于，包括：
连接于网络的加速度传感器和声音传感器；以及
权利要求9所述的装置，连接于所述网络，所述装置通过所述网络获取所述加速度传感器采集的球磨机筒体振动信号及所述声音传感器采集的球磨机筒体振声信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910729118.0A CN110580378B (zh) | 2019-08-08 | 2019-08-08 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910729118.0A CN110580378B (zh) | 2019-08-08 | 2019-08-08 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110580378A true CN110580378A (zh) | 2019-12-17 |
| CN110580378B CN110580378B (zh) | 2023-07-25 |
Family
ID=68810918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910729118.0A Active CN110580378B (zh) | 2019-08-08 | 2019-08-08 | 球磨机筒体内部负荷软测量方法、装置以及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110580378B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
| CN113034554A (zh) * | 2021-02-27 | 2021-06-25 | 西北大学 | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 |
| CN113190983A (zh) * | 2021-04-21 | 2021-07-30 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| BE1028368B1 (nl) * | 2020-10-20 | 2022-01-04 | Univ Jiangxi Sci & Technology | Zachte meetmethode, apparaat en systeem voor lading in kogelmolenbuis |
| CN114282440A (zh) * | 2021-12-27 | 2022-04-05 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
| CN115235608A (zh) * | 2022-06-22 | 2022-10-25 | 湖南大学 | 一种球磨机负荷状态检测方法 |
| CN117839819A (zh) * | 2024-03-07 | 2024-04-09 | 太原理工大学 | 基于物理信息神经网络的在线多任务磨机负荷预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
| 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 |
| 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 |
| 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 |
| CN108304768A (zh) * | 2017-12-12 | 2018-07-20 | 重庆邮电大学 | 一种基于emd去噪和imf判别能量熵的磨音特征提取方法 |
| CN109013032A (zh) * | 2017-10-27 | 2018-12-18 | 江西理工大学 | 一种多源信号融合预测球磨机填充率、料球比的方法 |
| CN109255728A (zh) * | 2018-09-27 | 2019-01-22 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
| CN110458278A (zh) * | 2019-04-19 | 2019-11-15 | 四川大学 | 基于量子注意力循环编码解码神经网络的退化预测方法 |
| CN110619265A (zh) * | 2019-07-31 | 2019-12-27 | 江西理工大学 | 球磨机筒体振动信号联合去噪方法、装置及存储介质 |
-
2019
- 2019-08-08 CN CN201910729118.0A patent/CN110580378B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
| 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 |
| 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 |
| 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 |
| CN109013032A (zh) * | 2017-10-27 | 2018-12-18 | 江西理工大学 | 一种多源信号融合预测球磨机填充率、料球比的方法 |
| CN108304768A (zh) * | 2017-12-12 | 2018-07-20 | 重庆邮电大学 | 一种基于emd去噪和imf判别能量熵的磨音特征提取方法 |
| CN109255728A (zh) * | 2018-09-27 | 2019-01-22 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
| CN110458278A (zh) * | 2019-04-19 | 2019-11-15 | 四川大学 | 基于量子注意力循环编码解码神经网络的退化预测方法 |
| CN110619265A (zh) * | 2019-07-31 | 2019-12-27 | 江西理工大学 | 球磨机筒体振动信号联合去噪方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 汤健等: "基于 EMD和选择性集成学习算法的磨机负荷参数软测量", 《自动化学报》, 15 September 2014 (2014-09-15), pages 1853 - 1866 * |
| 牛培峰等: "ASOS-ELM 建模方法及在汽轮机热耗率预测中的应用", 《化工学报》, 11 July 2018 (2018-07-11), pages 3924 - 3931 * |
| 蔡改贫等: "基于 MEEMD-多尺度分形盒维数和 ELM 的球磨机负荷识别方法", 《化工学报》, 29 October 2018 (2018-10-29), pages 764 - 771 * |
| 蔡改贫等: "基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究", 《振动与冲击》, 15 April 2019 (2019-04-15), pages 128 - 133 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
| CN111272429B (zh) * | 2020-03-04 | 2021-08-17 | 贵州大学 | 一种轴承故障诊断方法 |
| BE1028368B1 (nl) * | 2020-10-20 | 2022-01-04 | Univ Jiangxi Sci & Technology | Zachte meetmethode, apparaat en systeem voor lading in kogelmolenbuis |
| CN113034554A (zh) * | 2021-02-27 | 2021-06-25 | 西北大学 | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 |
| CN113034554B (zh) * | 2021-02-27 | 2024-03-29 | 西北大学 | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 |
| CN113190983A (zh) * | 2021-04-21 | 2021-07-30 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| CN113190983B (zh) * | 2021-04-21 | 2024-03-01 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| CN114282440A (zh) * | 2021-12-27 | 2022-04-05 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
| CN114282440B (zh) * | 2021-12-27 | 2023-08-25 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
| CN115235608A (zh) * | 2022-06-22 | 2022-10-25 | 湖南大学 | 一种球磨机负荷状态检测方法 |
| CN117839819A (zh) * | 2024-03-07 | 2024-04-09 | 太原理工大学 | 基于物理信息神经网络的在线多任务磨机负荷预测方法 |
| CN117839819B (zh) * | 2024-03-07 | 2024-05-14 | 太原理工大学 | 基于物理信息神经网络的在线多任务磨机负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110580378B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110580378B (zh) | 球磨机筒体内部负荷软测量方法、装置以及系统 | |
| CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
| CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
| CN111967378B (zh) | 拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法及装置 | |
| Ai et al. | Source localization on large-scale canisters for used nuclear fuel storage using optimal number of acoustic emission sensors | |
| CN109472397B (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
| CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| CN112070357A (zh) | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 | |
| CN103675011B (zh) | 最优支持向量机的工业熔融指数软测量仪表和方法 | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| Li et al. | An adaptive CEEMD-ANN algorithm and its application in pneumatic conveying flow pattern identification | |
| CN106647285B (zh) | 一种基于软测量技术的催化剂活性检测方法 | |
| CN109583115B (zh) | 一种融合集成磨机负荷参数软测量系统 | |
| Fu et al. | Automatic bolt tightness detection using acoustic emission and deep learning | |
| Pan et al. | A hybrid model for bearing performance degradation assessment based on support vector data description and fuzzy c-means | |
| CN113203953A (zh) | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 | |
| Lis | Genetic algorithm with the dynamic probability of mutation in the classification problem | |
| CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
| Ghiasi et al. | An advanced binary slime mould algorithm for feature subset selection in structural health monitoring data | |
| Batuwatta-Gamage¹ et al. | Weight initialization in physics-informed neural networks to enhance consistency of mass-loss predictions of plant cells undergoing drying | |
| Garg et al. | Effect of different basis functions on a radial basis function network in prediction of drill flank wear from motor current signals | |
| Zhao et al. | RBF neural network based on q-Gaussian function in function approximation | |
| Krok | An improved Neural Kalman Filtering Algorithm in the analysis of cyclic behaviour of concrete specimens | |
| Zhang et al. | An intelligent fault diagnosis method using variable weight artificial immune recognizers (V-AIR) | |
| Hickmann et al. | Training and Interpretability of Deep-Neural Methods for Damage Calibration in Copper. |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cai Gaipin Inventor after: Chen Yongkang Inventor after: Chen Cheng Inventor after: Fang Zhengpei Inventor after: Zhu Ningyuan Inventor before: Cai Gaipin Inventor before: Zhu Ningyuan Inventor before: Zhou Xiaoyun Inventor before: Li Zhenyuan Inventor before: Zong Lu |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |