CN112686144A - 一种基于磨音信号的矿石球磨过程负荷识别方法 - Google Patents

Abstract

本发明公开一种基于磨音信号的矿石球磨过程负荷识别方法，首先对采集到的原始信号进行预处理，包括消除直流分量、滤波，然后提出基于自回归(AR)谱估计的几何谱减法抑制噪声信号，提高信噪比；其次基于集合经验模态分解(EEMD)方法将磨音信号分解为K个本征模态分量IMF，利用排列熵选取可靠性高的模态分量进行磨音信号重构；接着计算每种负荷类型下重构信号的盒分形维数，并作为最终负荷分类依据；最后建立基于模糊C均值聚类的Bagging和极限学习机的负荷识别模型，实现负荷识别。本发明对国内某多金属选厂实际生产负荷进行识别，结果表明该识别模型能够准确地识别不同磨机负荷状态，具有良好的泛化性能和识别精度。

Description

一种基于磨音信号的矿石球磨过程负荷识别方法

技术领域

本发明涉及磨矿过程检测技术领域，具体涉及一种基于磨音信号的矿石球磨过程负荷识别方法。

背景技术

磨机负荷是指磨机内瞬时的全部装载量，包括新给矿量、循环负荷、水量及介质装载量等。磨机研磨物料过程的机理比较复杂，具有惯性大和时滞时间长等特性，使得磨机负荷最佳工作点具有时变性。但磨机内部状态黑箱，机理复杂难以针对该过程建立精确的模型。磨机内部负荷状态常出现三种状态：欠负荷、正常、过负荷，其中磨机在欠负荷状态时，不能充分发挥磨机的效率，而磨机处于过负荷状态时，会出现“涨肚”现象，使得磨机无法正常工作，甚至损坏磨机。因此，对磨机这种能量消耗巨大而能量利用率却极低的设备，准确检测磨机负荷状态是实现磨矿过程优化控制的一个关键。

为了实现磨矿过程的自动控制及安全运行，需要对磨机内部负荷状态进行检测。但因为磨机为全封闭重型旋转设备，其内部状态无法直接检测，因此只能通过其他参数对其进行间接的检测。磨机研磨声音是一个比较好能反应磨机内部状态的量。市场上也有一定的磨音分析产品，但由于各个选厂的应用场景不同，导致效果差强人意，国外产品存在价格昂贵不便维护等缺点，而国内难以提供有效准确的监测产品。现阶段，大多数厂家仍旧依靠经验丰富的领域专家依靠“听音”对磨机负荷状态进行判别，该方法实时性强，可以无损检测磨机负荷，但人工听音主观性强。因此，为磨机安全运转等信息监测提供一种无接触、无应激的自动化监测方法，对提高选矿厂生产效益具有重要的现实意义。

发明内容

本发明的目的是提供一种基于磨音信号的矿石球磨过程负荷识别方法。为实现上述目的，本发明的技术方案如下：

步骤1，基于多录音设备进行磨音信号检测。

步骤2，先对采集到的原始信号进行预处理，包括消除直流分量，滤波处理，再利用基于自回归谱估计地几何谱减法对两个录音设备的信号进行做差，达到抑制噪声信号的效果。

步骤3，基于集合经验模态分解(EEMD)方法将磨音信号分解为K个本征模态分量IMF，然后选择排列熵大的模态分量进行磨音信号重构，最后计算每种负荷类型下重构信号的分形维数，作为负荷识别模型的输入。

步骤4，进行基于模糊C均值聚类的Bagging和极限学习机(Bag-ELM)模型的搭建与训练，将步骤3得到的负荷分类特征输入到相应的Bag-ELM中进行识别。

进一步的，所述步骤1中，将录音设备一固定在离球磨机20cm-60cm的位置，主要采集球磨机研磨声音和环境噪声，采集到的时域信号表示为Y₁(n)；录音设备二背向磨机，固定在距离球磨机1.8m-2.2m的位置，主要采集环境噪声，采集到的时域信号表示为Y₂(n)，因而有：

其中，Y₁(n)为磨音信号s(n)和环境噪声信号δ(n)的线性叠加，Y₂(n)是环境噪声信号的近似值，n＝1，2，...，N，N为时域信号采样点数量；

进一步的，所述步骤2的具体操作为：由式(1)可知现场采集的信号中包含干扰噪声，必须先进行适当的预处理，才能进行特征提取；为消除系统直流漂移带来的影响，对原始信号做以下处理：

其中，

和

分别为录音设备对应时域信号Y₁(n)和Y₂(n)的平均值；

利用窗函数方法对磨音信号进行FIR滤波器的设计，设计方法如下：

确定窗函数W_d的类型；

根据待求滤波器的理想频率响应H_d(e^jω)求出理想单位脉冲响应h_d(n)；

计算滤波器的单位脉冲响应h(n)

h(n)＝h_d(n)W_d(n) (4)其中，W_d(n)为窗函数序列。

FIR滤波器的输出为

其中y(n)＝[y₁；y₂]，

滤波后从带噪磨音信号的功率谱中减去噪声功率谱，从而得到较为纯净的磨音功率谱，方法如下：

记滤波后的磨音信号为

其p阶自回归模型可以表示为：

其中，w(n)是均值为零、方差为σ²的白噪声序列，记为{w(n)}：W_N(0，σ²)，

k＝1，2，…，p，为p阶自回归模型的系数，

的自回归功率谱为：

根据带噪磨音信号、纯净磨音信号和噪声信号之间在复平面上的几何关系，计算通用增益函数，其极坐标形式如下：

其中，{a_Y，a_X，a_D}和{θ_Y，θ_X，θ_D}分别是带噪磨音信号、纯净磨音信号和噪声信号的幅值和相位；

得到定义增益函数为噪声信号与带噪磨音信号幅值比：

其中，定义C_YD＝cos(θ_Y-θ_D)，C_XD＝cos(θ_X-θ_D)；

最终计算纯净磨音功率谱：

其中，X(ω_k)为纯净磨音频谱，通过快速傅里叶逆变换得到降噪后的时域信号序列

进一步的，步骤3的具体操作为：对降噪后的信号时间序列

中M(M＞1)次加入均值为0，幅值标准差为常数的高斯白噪声ε_j(n)(j＝1，2，…，M)，即

对

分别进行经验模态分解，得到K个IMF分量记为c_jz(n)(z＝1，2，…，K)，余项记为r_j(n)，其中表示第j次加入高斯白噪声后，分解得到的第z个IMF分量；

根据不相关随机序列的统计均值为零的原理，对M次分解得到的IMF分量做均值处理，以消除多次加入高斯白噪声对真实IMF的影响，得到EEMD分解的最终结果：

其中，c_z(n)表示对谱减信号

进行EEMD分解后得到的第z个IMF；

计算IMF分量与磨音信号

之间的排列熵，对各个分量的排列熵进行由大到小排序，前三分之二的IMF分量保留，并作为有效的IMF分量；剩余IMF分量则当作干扰分量去除，根据选出的有效IMF分量进行重构，得到重构磨音信号s′(n)；

设磨音信号

S是w维欧氏空间R^w上的闭集，将R^w划分成细网格，用边长为α的网格将S覆盖起来，若O(S)表示S中所能涵盖的格子数，则盒维数定义为：

把网格边长α逐步放大到nα，其中n属于正整数；

其中，i＝1，2，…，N_s/n，n＝1，2，…，N，N＜N_s，N_s为重构信号的采样点数，d(nα)为中间计算算子；

令N_nα为S的网格计数，可表示为

N_nα＝d(nα)/(nα)+1 (14)

其中N_nα≥1；

在lgnα-lgN_nα中选择线性较好的一段为信号无标度区间[n₁，n₂]，则此区间内应满足lgN_nα＝a lg nα+b，n₁≤n≤n₂；然后根据最小二乘法进行直线拟合，得出的斜率即为分形盒维数D_B；

进一步的，步骤4中所述的基于模糊C均值聚类的Bag-ELM算法如下：

对数据集D＝{(x_z，y_z)}，z＝1，2，…，m，其中训练集为D_train＝{(x_q，y_q)}，q＝1，2，…，a，测试集为D_test＝{(x_p，y_p)}，p＝1，2，…，b，对D_train进行boostrap自助采样，得到子训练集D_t＝{(x_e，y_e)}，e＝1，2，…，s，t＝1，2，…，T，一共可采样出T个含s个样本的训练集，其中x_q，x_p和x_e为重构磨音信号的分形盒维数，y_p，y_q和y_e为负荷标签值；对磨音信号进行多尺度时间序列分析，将采样点数为H的时间序列，分割成τ个新时间序列，对每个新时间序列进行盒分形维数计算，即样本特征维数为τ；

采用极限学习机(ELM)作为基学习器的学习算法，则弱分类器h_t为

其中，H为隐含层节点数，f为隐含层激活函数，β_i为第i个隐层神经元与输出层之间的权重，ω_i为第i个隐层神经元与输入层之间的权重，b_i为第i个隐层神经元的阈值，ω_i和b_i可以随机生成；

按照投票结果对T个ELM分类器进行模糊C均值聚类分析，其优化目标函数为

其中，c为聚类中心个数，设为T的平方根，并向上取整，λ为模糊指数，通常设为2，u_it和||h_t-v_i||分别为第t个分类器对第i个聚类中心的隶属度和欧氏距离，且必须满足约束条件

根据式(18)更新隶属度函数，根据式(19)更新聚类中心

最终得到c个聚类中心，从c个类别中分别选择一个ELM分类器组成新的集合，

所选分类器最接近各组的聚类中心，按照投票机制得出强分类器g：

所得式(20)为最终的负荷识别模型；在实际应用中根据步骤一到步骤三，得到尺度为τ的分形盒维数作为模型输入特征，将其通过c个ELM子模型得到识别结果，最后投票判断当前负荷状态。本发明提供的识别模型能够准确地识别不同磨机负荷状态，具有良好的泛化性能和识别精度。正常工况下的正确识别率为84％，识别率标准差为0.0952；偏空磨工况下的正确识别率为78％，识别率标准差为0.0831；空磨工况下的正确识别率为96％，识别率标准差为0.0121；偏饱磨磨工况下的正确识别率为92％，识别率标准差为0.0218；饱磨磨工况下的正确识别率为100％，识别率标准差为0.0031，表明该识别模型能够准确地识别磨机负荷状态，具有良好的泛化性能和识别精度。

附图说明

图1为本发明的总体流程图；

图2为几何谱减法分解示意图；

图3为降噪后空磨工况下的能量分布图；

图4为降噪后空磨工况下的声谱图；

图5为降噪后偏空磨工况下的能量分布图；

图6为降噪后偏空磨工况下的声谱图；

图7为降噪后正常工况下的能量分布图；

图8为降噪后正常工况下的声谱图；

图9为降噪后偏饱磨工况下的能量分布图；

图10为降噪后偏饱磨工况下的声谱图；

图11为降噪后饱磨工况下的能量分布图；

图12为降噪后饱磨工况下的声谱图。

具体实施方式

下面将结合附图说明本发明的具体实施方式，应当理解附图中示出和描述的实施方式仅是示例性的，意在阐述本发明的原理和方法，而并非限制本发明的范围。

如图1所示，本发明所述的是一种基于磨音信号的球磨过程负荷识别方法。首先，在磨机周围设置两个录音设备，采集多源信号，减少噪声的采集；再对采集到的原始信号进行基于AR谱估计的几何谱减法降噪处理，达到抑制噪声信号的效果；然后基于集合经验模态分解(EEMD)方法分解磨音信号，利用排列熵选取可靠性高的子信号进行磨音信号重构，并计算每种负荷类型下重构信号的分形维数，作为最终负荷分类指标；最后建立基于C均值聚类的Bagging和极限学习机(Bag-ELM)模型，将得到的负荷分类指标输入到相应的Bag-ELM中进行识别。此处采用国内某选厂的一段球磨流程的磨音数据，并对其进行样本切割，共得到2400组工业历史数据进行分析，其中将1900组数据作为训练数据，剩余500组作为测试数据。

步骤1，基于多录音设备进行信号检测，将录音设备一固定在离球磨机20cm-60cm的位置，主要采集球磨机研磨声音和环境噪声，采集到的时域信号表示为Y₁(n)；录音设备二背向磨机，固定在距离球磨机1.8m-2.2m的位置，主要采集环境噪声，采集到的时域信号表示为Y₂(n)，因而有：

其中，Y₁(n)为磨音信号s(n)和环境噪声信号δ(n)的线性叠加，Y₂(n)是环境噪声信号的近似值，n＝1，2，...，N，N为时域信号采样点数量；

步骤2，由式(1)可知现场采集的信号中包含干扰噪声，必须先进行适当的处理，才能进行特征提取，主要包括消除直流分量，滤波处理和基于AR谱估计的几何谱减法降噪；

为消除系统直流漂移带来的影响，对原始信号做以下处理：

其中，

和

分别为录音设备对应时域信号Y₁(n)和Y₂(n)的平均值；

由于磨音和故障信号的频率一般都不低于500Hz，所以500Hz以下的信号可以是认为磨机运转噪声引起，设计一个截止频率为500Hz的FIR高通滤波器将其直接滤去，利用窗函数方法对磨音信号进行FIR滤波器的设计，其性能指标为：通带截止频率f_t为550Hz，阻带截止频率f_z为500Hz，过渡带f_g为50Hz，最小阻带衰减As为50dB，滤波器的设计方法如下：

选择汉宁窗作为窗函数W_d；

根据待求滤波器的理想频率响应H_d(e^jω)求出理想单位脉冲响应h_d(n)；

计算滤波器的单位脉冲响应h(n)

h(n)＝h_d(n)W_d(n) (4)

滤波器的输出为

其中y(n)＝[y₁；y₂]，

几何谱减法将复平面中的带噪信号频谱表示为纯净信号和噪声信号的矢量和，可以为谱分解方法提供有价值的见解，可以简单理解为从带噪磨音信号的功率谱中减去噪声功率谱，从而得到较为纯净的磨音功率谱，方法如下：

记滤波后的磨音信号为

其p阶自回归模型可以表示为：

其中，w(n)是均值为零、方差为σ²的白噪声序列，记为{w(n)}：W_N(0，σ²)，

为p阶自回归模型的系数，

的自回归功率谱为：

根据带噪磨音信号、纯净磨音信号和噪声信号之间在复平面上的几何关系，如图2所示，计算通用增益函数，其极坐标形式如下：

其中，{a_Y，a_X，a_D}和{θ_Y，θ_X，θ_D}分别是带噪磨音信号、纯净磨音信号和噪声信号的幅值和相位；

得到定义增益函数为噪声信号与带噪磨音信号幅值比：

其中，定义C_YD＝cos(θ_Y-θ_D)，C_XD＝cos(θ_X-θ_D)；

最终计算纯净磨音功率谱：

其中，X(ω_k)为纯净磨音频谱，通过快速傅里叶逆变换得到降噪后的时域信号

降噪后对各个工况下的磨音进行可视化，如图3至图12所示，对应不同的负荷参数，灰度越重代表该频率段能量越集中，磨音信号的频谱主要集中在500Hz-6000Hz之间。空磨工况下能量分布整体较高；正常工况下能量分布相对均匀且整体偏低，饱磨工况下低频段能量分布较集中，高频段能量较低；偏空磨和偏饱磨则介于三者之间。现实情况中无法确定初始的信噪比，为了体现降噪效果，人为产生一定信噪比的带噪磨音。因此按照设定的信噪比产生高斯白噪声叠加到原始磨音信号中。表1为原始磨音信号与降噪后磨音信号的信噪比，可以观察到利用基于AR谱的几何谱减法降噪后磨音信号有了明显的改善；

步骤3，基于集合经验模态分解(EEMD)方法将磨音信号分解为若干个本征模态分量IMF，每个本征模态分量代表具有物理含义的单一振动模态，然后选择排列熵大的模态分量进行磨音信号重构，最后计算每种负荷类型下重构信号的多尺度分形维数，并作为最终负荷分类指标；

EEMD分解过程如下：

对降噪后的信号时间序列

中M＝10次加入均值为0、幅值标准差为常数的高斯白噪声ε_j(n)(j＝1，2，…，10)，即

对

分别进行经验模态分解，得到K＝13个IMF分量记为c_jz(n)(z＝1，2，…，13)，余项记为r_j(n)，其中表示第j次加入高斯白噪声后，分解得到的第z个IMF分量；

根据不相关随机序列的统计均值为零的原理，对10次分解得到的IMF分量做均值处理，以消除多次加入高斯白噪声对真实IMF的影响，得到EEMD分解的最终结果：

其中，c_z(n)表示对谱减信号

进行EEMD分解后得到的第z个IMF：

计算IMF分量与磨音信号

之间的排列熵，对各个分量的排列熵进行由大到小排序，前三分之二的IMF分量保留，并作为有效的IMF分量；剩余IMF分量则当作干扰分量去除，根据选出的有效IMF分量进行重构，得到重构磨音信号s′(n)；

将重构信号序列作无量纲图形化处理可得到一条自仿射曲线，具有不规则性和近似的自相似性，可以用分形维数来描述其复杂程度，其中盒维数计算简单，能从全局反映信号的复杂程度和非线性，适用于周期性的磨音信号的描述，盒维数是指覆盖一个信号的最小盒子数，盒子的尺度不同，信号的盒维数不同，一维离散信号的分形盒维数的大小在1和2之间，信号的复杂程度越高，分形盒维数越大；

设磨音信号

S是w维欧氏空间R^w上的闭集，将R^w划分成细网格，用边长为α的网格将S覆盖起来，若O(S)表示S中所能涵盖的格子数，则盒维数定义为：

把网格边长α逐步放大到nα，其中n属于正整数；

其中，i＝1，2，…，N_s/n，n＝1，2，…，N，N＜N_s，N_s为采样点数，d(nα)为中间计算算子；

令N_nα为S的网格计数，可表示为

N_nα＝d(nα)/(nα)+1 (14)

其中N_nα≥1；

在lg nα-lg N_nα中选择线性较好的一段为信号无标度区间[n₁，n₂]，则此区间内应满足lg N_nα＝a lg nα+b，n₁≤n≤n₂；然后根据最小二乘法进行直线拟合，得出的斜率即为分形盒维数D_B；

步骤4，进行基于模糊C均值聚类的Bagging和极限学习机(Bag-ELM)模型的搭建与训练，将步骤3得到的负荷分类特征输入到相应的Bag-ELM中进行识别；

对数据集D＝{(x_z，y_z)}，z＝1，2，…，2400进行划分，其中训练集为D_train＝{(x_q，y_q)}，q＝1，2，…，1900，测试集为D_test＝{(x_p，y_p)}，p＝1，2，…，500，对D_train进行boostrap自助采样，得到子训练集D_t＝{(x_e，y_e)}，e＝1，2，…，190，t＝1，2，…，10，一共可采样出10个含190个样本的训练集，其中x_q，x_p和x_e为重构磨音信号的特征，为增强数据的可靠性，将10000个采样点作为一个样本进行分割，对每1024个采样点的序列计算盒分形维数，共得到9个分形盒维数，因此样本的输入特征为9维，y_p，y_q和y_e为负荷标签值；

采用极限学习机(ELM)作为基学习器的学习算法，则弱分类器h_t为

其中，H为隐含层节点数，f为隐含层激活函数，β_i为第i个隐层神经元与输出层之间的权重，ω_i为第i个隐层神经元与输入层之间的权重，b_i为第i个隐层神经元的阈值，ω_i和b_i可以随生成；

按照投票结果对T个ELM分类器进行C均值聚类分析，其优化目标函数为

其中，c为聚类中心个数，取值为5，λ为模糊指数，通常设为2，u_it和||h_t-v_i||分别为第t个分类器对第i个聚类中心的隶属度和欧氏距离，且必须满足约束条件

根据式(18)更新隶属度函数，根据式(19)更新聚类中心

最终得到5个聚类中心，分别从5个类别中分别选择的一个ELM分类器组成新的集合，所选分类器最接近各组的聚类中心，按照投票机制得出强分类器g：

所得式(20)为最终的负荷识别模型；在实际应用中，根据步骤一到步骤三，得到尺度为9的多尺度分形盒维数作为模型输入特征，将其通过5个ELM子模型得到识别结果，最后投票判断当前负荷状态。

用本发明方法对五种工况进行识别，模型性能统计结果见表2，总体的正确识别率为90％，Kappa系数为0.8441；正常工况下的正确识别率为84％；偏空磨工况下的正确识别率为78％；空磨工况下的正确识别率为96％；偏饱磨磨工况下的正确识别率为92％；饱磨磨工况下的正确识别率为100％，表明该识别模型能够准确地识别磨机负荷状态，具有良好的泛化性能和识别精度。

表1

表2

Claims (2)

1.一种基于磨音信号的矿石球磨过程负荷识别方法，其特征在于包括以下步骤：

步骤1，基于多录音设备进行音频信号检测，将录音设备一固定在离球磨机一段距离的位置，采集球磨机研磨声音和环境噪声，采集到的时域信号表示为Y₁(n)；录音设备二背向磨机，固定在距离球磨机一段距离的位置，采集环境噪声，采集到的时域信号表示为Y₂(n)，有：

其中，Y₁(n)为磨音信号s(n)和环境噪声信号δ(n)的线性叠加，Y₂(n)是环境噪声信号的近似值，n＝1,2,…,N，N为时域信号采样点数量；

步骤2，对采集到的时域信号进行预处理以抑制噪声信号，首先消除直流分量：

其中，

和

分别为录音设备对应时域信号Y₁(n)和Y₂(n)的平均值；

然后设计一个FIR高通滤波器对时域信号进行磨机固有频率滤波降噪，滤波器的设计方法如下：

确定窗函数W_d的类型；

根据待求滤波器的理想频率响应H_d(e^jω)求出理想单位脉冲响应h_d(n)；

计算滤波器的单位脉冲响应h(n)

h(n)＝h_d(n)W_d(n) (4)

其中，W_d(n)为窗函数序列。

滤波器的输出为

其中，y(n)＝[y₁,y₂]，

滤波后从带噪磨音信号的功率谱中减去噪声功率谱，从而得到纯净的磨音功率谱，方法如下：

记滤波后的磨音信号为

其p阶自回归模型表示为：

其中，w(n)是均值为零、方差为σ²的白噪声序列，记为{w(n)}:W_N(0,σ²)，

k＝1,2,…,p，为p阶自回归模型的系数，

的自回归功率谱为：

根据带噪磨音信号、纯净磨音信号和噪声信号之间在复平面上的几何关系，计算通用增益函数，其极坐标形式如下：

其中，{a_Y,a_X,a_D}和{θ_Y,θ_X,θ_D}分别是带噪磨音信号、纯净磨音信号和噪声信号的幅值和相位；

得到定义增益函数为噪声信号与带噪磨音信号幅值比：

其中，定义C_YD＝cos(θ_Y-θ_D)，C_XD＝cos(θ_X-θ_D)；

最终计算纯净磨音功率谱：

其中，X(ω_k)为纯净磨音频谱，通过快速傅里叶逆变换得到降噪后的时域信号序列

步骤3，基于集合经验模态分解方法，即EEMD方法，将磨音信号分解为K个本征模态分量IMF，然后选择排列熵大的模态分量进行磨音信号重构，最后计算每种负荷类型下重构信号的多尺度分形维数，并作为最终负荷分类指标；

EEMD分解过程如下：

对降噪后的信号序列

中M次加入均值为0、幅值标准差为常数的高斯白噪声ε_j(n)，j＝1,2,…,M，即

对

分别进行经验模态分解，得到K个IMF分量记为c_jz(n)，z＝1,2,…,K，余项记为r_j(n)，对M次分解得到的IMF分量求平均，得到EEMD分解的最终结果：

其中，其中c_jz(n)表示第j次加入高斯白噪声后，分解得到的第z个IMF分量，c_z(n)表示对谱减信号

进行EEMD分解后得到的第z个IMF；

计算IMF分量与磨音信号

之间的排列熵，对各个分量的排列熵进行由大到小排序，前三分之二的IMF分量保留，并作为有效的IMF分量；剩余IMF分量则当作干扰分量去除，根据选出的有效IMF分量进行重构，得到重构磨音信号s′(n)；

分形维数计算方法如下：

设磨音信号

S是w维欧氏空间R^w上的闭集，将R^w划分成细网格，用边长为α的网格将S覆盖起来，若O(S)表示S中所能涵盖的格子数，则盒维数定义为：

把网格边长α逐步放大到nα，其中n属于正整数；

其中，i＝1,2,…,N_s/n，n＝1,2,…,N，N<N_s，N_s为重构信号的采样点数，d(nα)为中间计算算子；

令N_nα为S的网格计数，可表示为

N_nα＝d(nα)/(nα)+1 (14)

其中N_nα≥1；

在lgnα-lgN_nα中选择线性较好的一段为信号无标度区间[n₁,n₂]，则此区间内满足lgN_nα＝algnα+b，n₁≤n≤n₂；然后根据最小二乘法进行直线拟合，得出的斜率即为分形盒维数D_B；

步骤4，进行基于模糊C均值聚类的Bagging和极限学习机ELM模型的搭建与训练，将步骤3得到的负荷分类特征输入到相应的Bag-ELM中进行识别，基于模糊C均值聚类的Bagging-ELM算法如下：

对数据集D＝{(x_z,y_z)}，z＝1,2,…,m，其中训练集为D_train＝{(x_q,y_q)}，q＝1,2,…,a，测试集为D_test＝{(x_p,y_p)}，p＝1,2,…,b，对D_train进行boostrap自助采样，得到子训练集D_t＝{(x_e,y_e)}，e＝1,2,…,s，t＝1,2,…,T，一共采样出T个含s个样本的训练集，其中x_q、x_p和x_e为重构磨音信号的分形盒维数，y_p、y_q和y_e为负荷标签值；对磨音信号进行多尺度时间序列分析，将采样点数为H的时间序列，分割成τ个新时间序列，对每个新时间序列进行盒分形维数计算，即样本特征维数为τ；

采用极限学习机，即ELM，作为基学习器的学习算法，则弱分类器h_t为

其中，H为隐含层节点数，f为隐含层激活函数，β_i为第i个隐层神经元与输出层之间的权重，ω_i为第i个隐层神经元与输入层之间的权重，b_i为第i个隐层神经元的阈值，ω_i和b_i随机生成；

按照投票结果对T个ELM分类器进行模糊C均值聚类分析，其优化目标函数为

其中，c为聚类中心个数，设为T的平方根，并向上取整，λ为模糊指数，设为2，u_it和||h_t-v_i||分别为第t个分类器对第i个聚类中心的隶属度和欧氏距离，且必须满足约束条件

根据式(18)更新隶属度函数，根据式(19)更新聚类中心

最终得到c个聚类中心。从c个类别中分别选择一个ELM分类器组成新的集合，所选分类器最接近各组的聚类中心，按照投票机制得出强分类器g：

式(20)为最终的负荷识别模型；在实际应用中根据步骤一到步骤三，得到尺度为τ的多尺度分形盒维数作为模型输入特征，将其通过c个ELM子模型得到识别结果，最后投票判断当前负荷状态。

2.如权利要求1所述的基于磨音信号的矿石球磨过程负荷识别方法，其特征在于：根据专家经验划分五种工况为空磨、偏空磨、正常、偏饱磨、饱磨，录音设备一固定在离球磨机的距离为20cm-60cm，录音设备二背向磨机，固定在距离球磨机1.8m-2.2m的位置，分别采集五种工况下的磨音信号。

Images