/^§10 = f(y') = Σ(~α.+a；)/c{j'f,/)+* 〇 i.:j.
【附图说明】
[0039] 图1为建立的软测量模型示意图。
[0040] 图2为离线训练集类间类内距离平方之比的曲线图。
[0041] 图3为在线测试数据的类间类内距离平方和之比的曲线图。
[0042] 图4为在线测量数据的球磨机测量结果与实际值的对比图。
【具体实施方式】
[0043] 本发明以实验室小型球磨机为例，该球磨机的筒体尺寸为036Omm><45Omm，采 集振动信号对球磨机料位进行检测。
[0044] 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，包括离线建模阶段与 在线测量阶段，离线建模阶段包括以下步骤：
[0045]步骤一:采集料位Z= {Z1，…，zn}下的训练集球磨机振动信号S= {S1，…，sn}，本实 施例中N=300为训练样本个数，料位为1L，2L，……，20L，每个料位15个样本。
[0046] 步骤二:求取振动信号S的功率谱，并将[f^fs]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Χ= {χι，···，xn}，本实施例中，根据经验，fl = 600Hz， f2 = 6000Hz，n = 180。
[0047] 步骤三:对振动功率谱基本特征X= {xl，…，xN}采用S-Isomap进行降维，得到提取 特征Y={yi，· · ·，yN}，本实施例中k=15，d=14，a = 〇.625。
[0048] 步骤四：采用RBF神经网络学习步骤三的S-Isomap的非线性映射，并将振动功率谱 基本特征X输入RBF，得到映射特征Y' = {y'i，. . .，y'N}，本实施例中Spread=l，最大隐节点 个数Μη = 80;
[0049] S-Isomap利用料位标签相对减小同一料位的数据点间距离，增大不同料位的数据 点间距离，从而增强了料位间的区分度。为检验S-Isomap降维对类别间区分度的影响，引入 了类间类内距离平方和之比Ratio。
[0050] 定义(类间类内距离平方和之比)在样本U中，Wf为类别p的第1个点，为类别r的 第v个点，类别P的类间类内距离平方和之比为
[0051]
\"/ "' / /=1
[0052] 其4.欧式距离，nr，nP为类别r和p的样本个数， mP为类别p的中心
[0053]
(7)
[0054] 本实施例中，离线训练集类间类内距离平方之比的曲线图如附图1所示。训练集的 降维所得特征的Ratio，均较原始特征有所增大，可见S-Isomap能增加训练集不同料位间的 区分程度。
[0055] 步骤五:建立映射特征Y'和料位之间支持向量回归模型，本实施例中γ =4,惩罚 系数C = 20,不灵敏损失函数ε=0.1。
[0056] 在线测量阶段包括以下步骤：
[0057] 步骤一:采集料位ζ下的球磨机振动信号s;
[0058] 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，本实施例中fi = 600Hz，f2 = 6000Hz，nf = 180。
[0059] 步骤三:利用RBF将基本特征x映射为特征y '。
[0060] 本实施例中，在线测试数据的类间类内距离平方之比的曲线图如图2所示，在线测 试数据共140个，料位为1L，2L，···，20L，每个料位下有7个样本。在线测试数据的降维所得特 征的Ratio，除个别料位外，均较原始特征有所增大，可见S-Isomap能增加类别间的区分程 度。
[0061 ]步骤四：将上述特征y '输入支持向量回归模型进行料位预测，得到所测量料位
[0062] 步骤五:采用均方根误差(RMSE)、最大绝对误差(MAXE)和平均绝对误差(MAE)作为 模型性能评价指标，其定义分别为：
[0063]
[0064]
[0065]
[0066] 式分别表示第i个样本的料位估计值和实际值，Μ为在线测试集的样本个 数。
[0067] 表1和附图3给出了本实施例中在线测量数据的球磨机料位测量结果，其中LM代表 1到15L的中低料位，Η代表16到20L的高料位，可以发现该发明对球磨机整个范围的料位预 测精度较高，能较好地跟踪料位曲线，高料位时测量灵敏度显著提高。
[0068] 表1球磨机料位测量结果
[0069]
[0070]本发明的优点：利用S-Isomap提取振动信号功率谱的非线性结构，提高料位间的 区分度，然后利用SVR建立回归模型，提高了模型的预测精度，特别是高料位的预测精度。而 一般情况下，球磨机总是运行于较高料位区间，因此该方法在工程实际中具有较大的应用 价值，对提高球磨机的安全性和稳定性有较大意义。
【主权项】
1. 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，其特征在于包括离 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： 步骤一:采集料位ζ = {ζι，…，zn}下的球磨机振动信号S = {s 1，…，SN}，其中N为训练样本 个数； 步骤二:求取振动信号的功率谱，并将[f^h]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Χ= {χι，…，xn}; 步骤三：用监督等距映射对振动功率谱基本特征X进行非线性降维和提取特征Y = {yi，…，yN}; 步骤四：学习步骤三的监督等距映射，训练RBF神经网络，使其逼近监督等距映射，径向 基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，并将振动功 率谱基本特征X输入RBF，得到映射特征Y ' = {y' i，…，y ' n }; 步骤五:建立映射特征Y '和料位Z之间支持向量回归模型，采用SVR建立RBF映射所得特 征Y '与料位Z之间的非线性模型。 在线测量阶段包括以下步骤： 步骤一:采集料位ζ下的球磨机振动信号s; 步骤二:求取振动信号S的功率谱，并将[f^h]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; 步骤三:利用RBF映射将振动功率谱基本特征X映射为特征y ' ； 步骤四：将上述特征y'输入支持向量回归模型进行料位预测，得到所测量料位。
【专利摘要】本发明涉及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。该方法所包括的步骤如下：采集球磨机轴承振动信号，对振动信号进行时频转换，对有效频段内的振动功率谱采用监督等距映射进行非线性降维和特征提取，采用支持向量回归建立降维特征与料位之间的回归模型。本发明对球磨机料位测量准确可靠，能增强料位间的区分度，具有较高的实际工程应用价值。
【IPC分类】G06K9/66, G06K9/62
【公开号】CN105512690
【申请号】CN201510837488
【发明人】阎高伟, 庞宇松, 乔铁柱, 任密蜂, 郭磊
【申请人】太原理工大学
【公开日】2016年4月20日
【申请日】2015年11月25日