一种基于虚拟样本的磨机负荷参数软测量方法
【技术领域】
[0001] 本发明设及软测量领域，具体设及一种基于虚拟样本的磨机负荷参数软测量方 法。
【背景技术】
[0002] 磨矿过程的优化运行控制需要准确检测磨机内的负荷参数（参见文献[1] P.Zhou,T.Y.Chai,Η.Wang,"Intelligentoptimal-settingcontrolforgrinding circuitsofmineralprocessing, "IEEETransactionsonAutomationScienceand lingineering, 6(2009)730-743.和文献[2]T.Y.Qiai,"Operationaloptimization andfeedbackcontrolforcomplexindustrialprocesses,"ActaAutomatica Sinica，39 (2013) 1744-1757)。磨机内部数W万计的钢球分层排列，不同层的钢球对磨机内 部物料和磨机筒体的冲击力具有不同的强度和周期。通常测量得到的筒体振动信号是具有 不同时间尺度的多个子信号的混合。筒体振动是磨机振声信号的主要来源。因此，运些机 械振动和振声信号具有非稳态和多组分特征。优秀的领域专家通过同时考虑多种运行工况 和多种来源信息可有效监视磨机负荷状态和部分磨机内部的负荷参数。研究表明，人耳可 W从磨机振声信号中分辨出有价值信息。事实上，人耳是一组自适应带通滤波器，人脑具有 多层认知结构。领域专家可从多源特征和多种运行工况中提取有价值信息进行决策。领域 专家经验的差异和有限的精力难W保证磨机长期工作在优化负荷状态。针对运些情况，很 有必要模拟领域专家的认知过程建立磨机负荷参数软测量模型。
[0003] 在时域内，磨机筒体振动和振声内的有价值信息被隐含在宽带随机噪声中（参见 ^南犬[3]Y. ,Zen邑，E.Forssber邑，"Monitoring邑rindin邑parametersbyvibrationsignal me曰surement-曰prim曰ry曰pplic曰tion, ''Miner曰IsEngineering, 1994, 7 (4) :495-501.)。 基于机械振动和振声信号的磨机负荷参数建模需要关注3个子问题：多组分信号自适应分 解、多源谱特征自适应选择、基于选择多种运行工况的软测量模型构建。
[0004] 研究表明，信号处理可W简化特征的选择和提取过程（参见文献[4] S.Shukla,S.Mishra,andB.Singh,"PowerQualityEventClassificationUnder NoisyConditionsUsingEMD-BasedDe-NoisingTechniques, "IEEETransactionon IndustrialInformatics, 10(2014) 1044-1054.)。磨机负荷参数与筒体振动和振声信 号的功率谱密度（PSD)密切相关（参见文献[5]J.Tang,L.J.Zhao,J.W.Zhou,Η.化e，T. Υ.Chai,"Experimentalanalysisofwetmillloadbasedonvibrationsignalsof 1 油orato巧-scaleballmillshell,"Mineralslingineering, 23(2010)720-730.)，但运 些谱数据通常包含成千上万的特征。很多维数约简算法用于处理具有该特点的数据（参见 文南犬[6]J.Tan邑，T.Y.Chai,W.Yu,L.J.Zhao,"Modelingloadparametersofballmill ingrindingprocessb曰sedonselectiveensemblemulti-sensorinform曰tion,''IEEE TransactionsonAutomationScienceandEngineering, 10 (2013)726-740.)。基于 互信息（MI)和偏最小二乘（PLS)的算法可W有效识别运些特征（参见文献[6])。为 有效的融合运些频谱特征，基于集成化S，选择性集成（沈脚和核化S(KPLS)的软测量 模型方法已有报道（参见文献[7]J.Tang,T.Y.Chai，L.J.Zhao,W.化，比化e，"Soft sensorforparametersofmillloadbasedonmulti-spectralsegmentsPLS sub-modelsandon-lineadaptiveweightedfusionalgorithm,，，Neurocomputi ng, 78 (2012) 38-47.文献[8]J.Tang,T.Y.Qiai，W·化，LJ.Zhao,"Featureextraction andselectionbasedonvibrationspectrumwithapplicationtoestimate theloadparametersofballmillingrindingprocess，，，ControlEngineering Practice, 20 (2012) 991-1004.)。但是，快速傅里叶变换（FFT)不适合于具有非稳态特性 的机械振动和振声信号的处理（参见文献巧]Y.G.Lei,Z.J.He,Y.Y.Zi，"Applicationof theEEMDmethodtorotorfaultdiagnosisofrotatingmachinery,"Mechanical SystemsandSignalProcessing, 23 (2009) 1327-1338·)。离散小波变换、连续小波 变换（CWT)、小波包变换等时频分析方法已经被广泛应用于旋转机械设备的故障诊断 (参见文南犬[10]G.K.Singh,S.A.S.AlKazzaz,"Isolationandidentificationof drybearingfaultsininductionmachineusingwavelettransform,，，Tribology International42(2009)849-861.;文献[11]J.Cusido，LRomeral，J.A.Ortega,J. A. 民osero,andA.GarciaEspinosa,"Faultdetectionininductionmachinesusing powerspectraldensityinwaveletdecomposition, "IEEETrans.Ind.Electron.，v ol. 55,no. 2,pp. 633-643,Feb. 2008.文献[12]M.Riera-Guasp,J.A.Antonino-Daviu,M. Pineda-Sanchez，民.Puche-Panadero,J.Perez-Cruz,"Ageneralapproachfor thetransientdetectionofslip-dependentfaultcomponentsbasedonthe discretewavelettransform，"IEEETrans.Ind.Electron.，55(2008)4167-4180.文 南犬[13]J.Seshadrinath,B.Singh,andB.K.Panigrahi，"VibrationAnalysisBased InterturnFaultDiagnosisinInductionMachines,"TransactiononIndustrial Informatics, 10(2014)340-350.文献[14]P.K.Kankar，S.C.Sharma，S.P.Harsha，"Rolling elementbearingfaultdiagnosisusingautocorrelationandcontinuouswavelet transform,"JournalofVibrationandControl, 17 (201 ]_) 2081-2094.)D但这些方 法不能自适应分解本文所面对的多组分信号，如面对任何具体实际问题必须为CWT选择 合适的母小波。经验模态分解（EMD)技术通过自适应分解获取具有不同时间尺度的内 禀模态函数（IMFs，也成为子信号）（参见文献[15]N.E.Huang，Z.Shen，S.R.Long，"化6 empiricalmodedecompositionandtheHilbertspectrumfornon-linearandnon stationarytimeseriesanalysis, "Proc.民oyalSoc.LondonA, 454 (1998) 903-995.)， 并且已经被广泛应用于旋转设备故障诊断（参见文献[16]J.Faiz，V.化orbanian，and B.Μ.Ebrahimi, "EMD-BasedAnalysisofIndustrialInductionMotorsWith BrokenRotorBarsforIdentificationofOperatingPointatDifferentSupply Modes, "IEEETransactiononIndustrialInformatics, 10 (2014) 957-966.文南犬[17] Stuti.Shukla,S.Mishra,andBhimSingh,"PowerQualityEventClassificationUnder NoisyConditionsUsingEMD-BasedDe-NoisingTechniques,，，IEEETransactionon IndustrialInformatics, 10(2014) 1044-1054.文献[1 引R.Y.Li，D.He，"Rotational machinehealthmonitoringandfaultdetectionusingEMD-basedacoustic emissionfe曰turequ曰ntific曰tion, "IEEETr曰ns曰ctiononInstrument曰tion曰nd Measurement, 61 (2012) 990-1001.)。文献[19] (V.K.Rai,A.R.Mohanty,"Bearing faultdiagnosisusingFFTofintrinsicmodefunctionsinHiIbert-Huang transform,"MechanicalSystemsandSignalProcessing, 21 (2007)2607-2165.)和 文献[20] (J.Tang,L.J.Zhao,H.化e,W.化，T.Y.Qia