本发明涉及一种节能控制方法，特别是涉及一种针对球磨机节能优化控制的深度学习方法。
背景技术：
球磨机是矿石等粗糙形物料进行粉碎加工的重要大型封闭设备。将物料、研磨钢球以及水辅料置于球磨机中进行研磨，通过对物料成分的配比投送，在保障研磨生产质量的情况下，使得球磨机能够稳定、节能运行。现有工程实践中，一般采用人工经验操作方式来控制球磨机，这种简单方式的缺陷在于过度依赖人工经验，可能会导致偏空磨或偏饱磨的现象，从而使得球磨机负荷形成剧烈波动现象。人工操作方式不能获取稳定的研磨质量，在物料使用和生产用电方面会形成较大的浪费，对生产安全也会形成一定的负面影响。因此，为提高球磨机研磨效率和质量并达到节能需求，需寻求一种智能控制方法，而实现这一方法的关键因素在于对研磨过程的状态监测与优化控制。
球磨机状态监测方面，由于在运行过程中难以直接获取球磨机内部物料负荷情况，目前多采用间接手段获取球磨机运行状态信息，主要涉及：基于设备运行参数监测的有用功率法、基于声响检测分析的电耳法、基于设备振动信号诊断的振动法等。其中，有用功率法仅依赖于球磨机自身的电压、电流参数，受环境干扰较小，但其评估球磨机运行状态的灵敏度变化不高，难以进行精细分析；电耳法利用麦克风获取球磨机运行时的声音信号来判断球磨机的物料负荷情况，但其存在环境噪声干扰、声场位置确定等难题，加大了准确精细分析的难点；振动法是直接将振动传感器安装在球磨机表面获取相应的振动信号，通过对振动信号的分析球磨机运行状态，振动法的检测灵敏度较高且不受环境因素影响，但是由于单个振动传感器的检测区域较小，需要设计多传感器检测方式来实现球磨机表面振动状态的全面覆盖。
球磨机控制方面，人工控制方式仅能确保球磨机正常运行，但经验方式不能保证球磨机运行在最优负荷状态。传统的PID(比例、积分、微分)控制方式能够在一定程度上实现球磨机设备的自动化控制，但该方法是正对设备参数的确定性控制方式，难以描述球磨机的复杂非线性控制模式。目前，模糊控制、解耦控制、神经网络控制、预测控制等策略方法被研究用于解决球磨机控制问题。
总之，球磨机作为一种大型机械设备，其存在状态监测和控制的复杂性。采用单一监测手段无法准确描述球磨机负荷运动状态的变化情况，也就难以进行有效的优化控制。
技术实现要素：
为了克服上述缺陷，本发明提供一种基于深度学习的球磨机节能优化控制方法，该方法能够有效表征球磨机运行状态并实现球磨机的节能优化控制。
本发明为了解决其技术问题所采用的技术方案是：一种基于深度学习的球磨机节能优化控制方法，包括多观测信息融合与数据深度学习、非线性优化控制两大部分，并通过球磨机运行状态形成闭环系统结构，所述多观测信息融合与数据深度学习部分包含信息融合模块、深度学习处理模块和主分量分析模块，功率信号、声音信号和振动信号通过信息融合模块进行多观测信息融合后，再通过深度学习处理模块实现抽象特征提取，最后通过主分量分析模块实现特征降维，所述非线性优化控制部分包含球磨机运行状态评估模块和神经网络控制模块，所述球磨机运行状态评估模块借助上述深度学习特征及降维参数建立关于球磨机运行状态的节能运行状态模型，所述神经网络控制模块采用径向基函数(Radical Basis Function，RBF)神经网络实现球磨机节能控制模型参数的非线性优化。
作为本发明的进一步改进，所述信息融合模块是将球磨机运行状态信号进行数据融合，涉及球磨机功率信号、声音信号和振动信号，功率信号来自球磨机驱动电机，可表征球磨机的整体负荷能力，声音信号来自于麦克风电耳传感器，放置于正对球磨机滚筒中点的一米至五米范围内，振动信号来自于符合工业环境需求的MEMS振动传感器，并采用四通道振动信号检测方式，该四通道振动传感器放置在平行于球磨机轴向的滚筒外壁，并均匀分布在同一水平线上。
作为本发明的进一步改进，所述深度学习处理模块是采用深度信念网络方法实现观测信息的特征抽象，深度信念网络是由多层的受限玻尔兹曼机堆叠构成，各层中的神经元与另一层的神经元相连接，但同一层间的神经元之间无连接，多观测融合数据通过输入层进入受限玻尔兹曼机进行学习并输出至隐含层，再将该隐含层作为更高一层的输入层，以此类推，结合对比散度快速训练方法加速数据学习训练效率，深度信念网络通过在顶层附加一监督网络层，利用反向传播算法对整个网络权值进行细微调整。
作为本发明的进一步改进，所述主分量分析模块是先将深度学习后的特征参数数据通过相空间序列矩阵构造方法形成矩阵形式，利用奇异值分解技术获取协方差矩阵及其特征值和特征向量，进而通过特征值的分布变化情况来进一步实现球磨机运行特征参数的降维处理。
作为本发明的进一步改进，所述球磨机运行状态评估模块是在对球磨机运行状态观测数据深度学习的基础上，结合历史经验参数状态数据，构建球磨机运行状态的参数描述模型，并将球磨机运行状态划分为欠磨状态、正常状态、过磨状态，利用总体最小二乘方法实现对球磨机运行状态的智能辨识，然后通过统计误差分析评估欠磨和过磨状态的偏离程度信息。
作为本发明的进一步改进，所述神经网络控制模块采用RBF神经网络实现球磨机的非线性优化控制。
本发明的有益效果是：本发明基于获取的多观测信息，构建关于球磨机运行状态的信息融合数据库，利用基于深度信念网络的深度学习算法将获得的观测数据实现由低层数据到高层抽象特征的转化，结合主分量分析方法对深度学习特征数据进行再次降维处理，进而以球磨机运行负荷与能耗为优化状态目标，构建基于神经网络非线性控制模型，实现球磨机的节能优化控制方法。
附图说明
图1为本发明一种基于深度学习的球磨机节能优化控制方法示意图。
具体实施方式
一种基于深度学习的球磨机节能优化控制方法，包括多观测信息融合与数据深度学习、非线性优化控制两大部分，并通过球磨机运行状态形成闭环系统结构，所述多观测信息融合与数据深度学习部分包含信息融合模块、深度学习处理模块和主分量分析模块，功率信号、声音信号和振动信号通过信息融合模块进行多观测信息融合后，再通过深度学习处理模块实现抽象特征提取，最后通过主分量分析模块实现特征降维，所述非线性优化控制部分包含球磨机运行状态评估模块和神经网络控制模块，所述球磨机运行状态评估模块借助上述深度学习特征及降维参数建立关于球磨机运行状态的节能运行状态模型，所述神经网络控制模块采用径向基函数(Radical Basis Function，RBF)神经网络实现球磨机节能控制模型参数的非线性优化。
所述信息融合模块是将球磨机运行状态信号进行数据融合，涉及球磨机功率信号、声音信号和振动信号，功率信号来自球磨机驱动电机，可表征球磨机的整体负荷能力，声音信号来自于麦克风电耳传感器，放置于正对球磨机滚筒中点的一米至五米范围内，振动信号来自于符合工业环境需求的MEMS振动传感器，并采用四通道振动信号检测方式，该四通道振动传感器放置在平行于球磨机轴向的滚筒外壁，并均匀分布在同一水平线上。
所述深度学习处理模块是采用深度信念网络方法实现观测信息的特征抽象，深度信念网络是由多层的受限玻尔兹曼机堆叠构成，各层中的神经元与另一层的神经元相连接，但同一层间的神经元之间无连接，多观测融合数据通过输入层进入受限玻尔兹曼机进行学习并输出至隐含层，再将该隐含层作为更高一层的输入层，以此类推，结合对比散度快速训练方法加速数据学习训练效率，深度信念网络通过在顶层附加一监督网络层，利用反向传播算法对整个网络权值进行细微调整，达到进一步优化网络参数的目的，从而使得球磨机运行状态数据能够有效抽象为特征描述参数，无需人工设定具体的特征参数提取过程，增加了球磨机运行状态参数描述的智能性。
所述主分量分析模块是先将深度学习后的特征参数数据通过相空间序列矩阵构造方法形成矩阵形式，利用奇异值分解技术获取协方差矩阵及其特征值和特征向量，进而通过特征值的分布变化情况来进一步实现球磨机运行特征参数的降维处理。
所述球磨机运行状态评估模块是在对球磨机运行状态观测数据深度学习的基础上，结合历史经验参数状态数据，构建球磨机运行状态的参数描述模型，并将球磨机运行状态划分为欠磨状态、正常状态、过磨状态，利用总体最小二乘方法实现对球磨机运行状态的智能辨识，然后通过统计误差分析评估欠磨和过磨状态的偏离程度信息。
所述神经网络控制模块采用RBF神经网络实现球磨机的非线性优化控制。RBF神经网络具有的良好控制逼近性能和全局最优特性，且网络结构简单，训练速度快，该神经网络控制模块以球磨机运行状态的评估信息作为输入，以研磨效果和能耗为优化控制目标，实现球磨机控制器控制参数的自适应调整，完成对球磨机运行的优化节能控制。
综上所述，本发明针对具有非线性、耦合和大滞后的球磨机控制特点，提出一种基于深度学习的球磨机节能优化控制方法。该方法充分利用球磨机运行的多观测数据，利用深度信念网络和主分量分析算法获取球磨机的有效抽象特征描述。进而利用总体最小二乘方法实现运行状态的智能评估与程度分析，进一步采用RBF神经网络非线性控制方法，与球磨机运作状态监测形成闭环系统结构，寻找球磨机最佳负荷点，确保磨内负荷的相对平稳和研磨系统的高效节能运行。