基于监督等距映射和支持向量回归的球磨机料位测量方法

文档序号:9751336阅读:570来源:国知局
基于监督等距映射和支持向量回归的球磨机料位测量方法
【技术领域】
[0001] 本发明涉及滚筒式球磨机料位的检测方法,具体是一种基于监督等距映射和支持 向量回归的滚筒式球磨机料位检测方法。
【背景技术】
[0002] 滚筒式球磨机是一种用于电力、矿山、冶金、化工和建材等领域中的主要设备,其 功能为将原料磨制成粉,属于一种高能耗、低效率的设备。根据研究,球磨机有10%以上的 节能潜力和9%以上的节省钢材原材料的潜力。通过准确测量滚筒式球磨机的料位,并进行 有效控制,将有利于这些潜力的挖掘。由于滚筒式球磨机工作于封闭旋转状态,缺少直接检 测其内部料位的设备,经常发生饱磨、空磨和堵磨等现象,导致生产效率降低,并影响产品 质量和设备寿命。因此可靠检测球磨机料位,使其运行在最佳状态,对提高系统的稳定性和 经济性具有重要意义。
[0003] 目前,滚筒式球磨机料位的检测方法主要有压差法、功率法、振声法和振动法。差 压法利用球磨机出入口的差压来表征球磨机料位,其优点是现场操作人员对此方法经验丰 富,缺点是由于球磨机出入口差压不仅与球磨机的存料量有关,还与钢球装载量和通风量 等相关,在实际的使用中精度较低。功率法通过检测运行时电机电流的变化来间接反映存 料量,其优点是直观性强,不易受周围环境影响,检测结果比较准确,缺点是球磨机功率主 要受钢球负荷的影响,空载与满载时功率变化很小,且非单调,灵敏度低。振声法,又称电耳 法、噪声法,利用钢球与衬板和钢球之间碰撞的噪声来表征料位,属于非接触测量,其优点 是运行成本低、结构简单,缺点是易受邻磨噪声信号、本身的运转部分和电机传动机构等设 备的背景噪声的影响,且高料位时灵敏度较低。振动法利用球磨机的振动信号来表示料位, 其优点是中低料位的灵敏度高,传感器密封好,能适应现场工作环境,缺点是在高料位时, 贴近优化区,信号随料位变化很小,灵敏度较低。可见振动法和振声法精度较高,但是在高 料位处的灵敏度较低。目前振动法广泛应用于工业现场,但是其频谱存在高维、大量冗余、 非线性,因此需要首先对振动频谱采用降维等方法对频谱特征进行处理。

【发明内容】

[0004] 本发明针对球磨机振动信号存在非线性、冗余性和振动法在高料位时灵敏度较低 的问题,提供了一种基于监督等距映射和支持向量回归的球磨机料位测量方法。
[0005] 本发明采用如下技术方案实现,基于监督等距映射和支持向量回归的球磨机料位 测量方法,其模型结构如图1所示,包括离线建模阶段与在线测量阶段,其中离线建模阶段 包括以下步骤:
[0006] 步骤一采集料位Ζ= {ζι,…,zn}下的球磨机振动信号S= {si,···,sn},其中N为训练 样本个数;
[0007] 步骤二求取振动信号的功率谱,并将内的功率谱均分成nf份,且对各部分 求取均值,得到振动功率谱基本特征x= {xi,···,xn},其中fi,、f2和nf由技术人员可根据经验 确定;
[0008] 步骤三用监督等距映射(S-Isomap)对振动功率谱基本特征X进行非线性降维和提 取特征Y,基于监督等距映射的非线性降维过程描述如下。
[0009] 1)对振动功率谱基本特征X和料位真值Z组成的训练集数据{(XI,ζι),…,(XN, zN)} 按照式(1)计算相异度距离:
[0010]
[0011] 其中d(Xl,以)表示欧式距离,α用于调节不同料位点对之间的距离,β用于防止d (Χι,&)较大时D(Xl,Xj)增长较快,一般设置为所有点对之间欧式距离的平均值。
[0012] 2)构建近邻图G,gXl和以的相异度距离D(Xl,以)小于阈值T,或者^是^的k近邻 点,则判定这两个点相邻,即在图G中有边存在,且边长为D(Xl,Xj)。
[0013] 3)根据弗洛伊德(Floyd)算法计算最短路径,对于Xi和Xj,如果有边连接,初始化其 最短路径(^匕山)=0匕,叉」),否则设(^匕山)= 〇〇,对111=1,"_,1'1,计算(^匕士)= {(^ (Xi,Xj),dG(Xi,Xm)+dG(Xm,Xj)},这样得到最短路径距离矩阵Dg= {dG(Xi,Xj)}。
[0014] 4)计算d维嵌入,将多维尺度变换(MDS)应用到Dg中,计算平方距离矩阵 嘉=巧} = {媒(心5)}和中心化矩阵H= {Oij-1/N},令τ(DG) = -HSH/2,τ(DG)的最大d个特征值 λ?,λ2,…,Ad对应的特征向量ui,U2,…,Ud所构成的矩阵为U = [ U1,U2,…,Ud ],则
d维降维结果。
[0015] S-Isomap利用样本标签得到数据点间的相异度距离,替代原有的欧式距离,从而 相对减小类内距离,增大类间距离,再通过采用相异度距离构建近邻图,然后在近邻图中用 最短路径得到近似的测地线距离,通过建立原数据的测地线距离与降维数据间的距离的等 距映射,完成数据降维。
[0016] 步骤四:学习步骤三的监督等距映射的非线性映射,训练径向基(RBF)神经网络, 使其逼近监督等距映射,RBF神经网络输入层数据为训练集振动功率谱基本特征X,输出层 数据为特征Y,将振动功率谱基本特征X输入RBF神经网络,得到映射特征Y' = {y、,...,y 'n}。
[0017] S-Isomap对在线测量数据缺乏从高维空间到低维空间的映射信息,故在离线建模 阶段采用适当的方法学习此非线性映射,用于对在线测量数据进行降维,本发明采用RBF神 经网络学习此映射。
[0018]步骤五:建立映射特征Y '和料位Z之间的支持向量回归(SVR)模型,采用SVR建立 RBF神经网络所得特征Y '与料位Z之间的非线性模型。
[0019] RBF神经网络映射所得特征Y'与料位Z组成的SVR训练集{(y'ud,· · ·,(y'N,zN)} 可通过下列优化问题得到w和b,
[0020]
[0021 ] "
[0022]
[0023]
[0024] 这里ε为不灵敏损失函数,C为惩罚系数,为松弛变量。
[0025]利用拉格朗日函数和对偶原理,得到式(2)的对偶问题
[0026]
[0027] s. t. eT(a-a*) =〇, (3)
[0028] 0 <ut,a* < C.i = 1,...,N
[0029] 式(3)中Qij = K(y'i,y'j) ξ φ (y'i)1"? (y'」),K(y'i,y'j)为核函数,本发明取径向 基核函数,
[0030] K(y'i,y'j) = exp(_| |y'i_y'j| |2/〇2) (4)
[0031] 其中i,j = l,…,Ν,σ为核参数。
[0032] 从而支持向量回归模型函数为
[0033]
(5)
[0034] 在线测量阶段包括以下步骤:
[0035] 步骤一:采集料位ζ下的球磨机振动信号s;
[0036] 步骤二:求取振动信号s的功率谱,并将内的功率谱均分成nf份,且对各部 分求取均值,得到振动功率谱基本特征X;
[0037] 步骤三:利用RBF神经网络映射将振动功率谱基本特征X映射为特征y ' ;
[0038]
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1