一种基于模糊推理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，具体设及一种基于模糊推理的磨机负荷参数软测量方 法。
【背景技术】
[0002] 磨矿过程是选矿生产过程的"瓶颈"作业，其作用是将破碎后的原矿通过大型旋转 机械设备(球磨机)研磨成粒度合格的矿浆，为后续选矿过程提供原料。球磨机的运转率和 效率常常决定了磨矿过程甚至选矿全流程的生产效率和指标(参见文献1:陈剑锋，肖飞凤. 球磨机的发展方向综述[J]，中国矿业，2006,15(8) :94-98.)。准确检测磨机负荷是实现磨 矿过程优化控制和节能降耗的关键。工业界通常采用磨机研磨过程中产生的机械振动/振 声及磨机电流等多源信号对磨机负荷进行间接测量(参见文献2:汤健，赵立杰，岳恒，柴天 佑.磨机负荷检测方法研究综述[J].控制工程，2010，17 (5): 565-570 . W及文献3 : Tang Jian,Chai Tian-you,Yu Wen,Zhao Li-jie.Modeling Load Parameters of Ball Mill in Grinding Process Based on Selective Ensemble Multisensor Information!!J] .IEEE Tranzaction on Automation Science and Engineering,2013,10(3):726-740.)， 并且在采用干式球磨机的水泥、火电等行业中成功应用。
[0003] 优秀领域专家能够借助工业现场多源信息和多年积累的经验知识，凭借"人脑模 型"有效地判别所熟悉的特定磨机的负荷及其内部参数状态，进而调整操作变量保证生产。 面向干式球磨机，司刚全等人申请了融合筒体振动和振声信号的负荷检测方法和装置(参 见文献4:司刚全，曹辟，张彦斌，贾立新.基于多传感器融合的筒式钢球磨机负荷检测方法 及装置[P]，中国，2007.)，并提出了基于神经模糊推理系统的软测量方法(参见文献5:司刚 全，曹辟，张彦斌，马西奎.基于ANFIS的火电厂磨机负荷检测的软测量模型[C].中国仪器仪 表与测控技术交流大会论文集(二），成都，2007.)。针对云模型的不确定性推理能够模拟人 类思维进行不确定性语言概念转换的特点，文献6(阁高伟，薬杏雄，李国勇.基于振动信号 和云推理的球磨机负荷软测量[J].控制与决策，2014,29(6) :1109-1115.)提出了基于云模 型利用磨机轴承振动对干式球磨机料位进行概念表示和推理测量的方法，并在小型实验球 磨机上进行验证实验。
[0004] 针对磨矿过程的湿式球磨机，研究多基于实验球磨机（参见文献7 :Tang Jian, Zhao Ii-jie,Zhou jun_wu,Yue Heng,Chai tian-you.Experimental Analysis of Wet Mill Load Based on Vibration Signals of Laboratory-scale Ball Mill Shell[J] .Minerals Engineering,2010,23(9):720-730.)。理论分析表明，磨机筒体内部钢球负荷 的数量数W万计、分层排列，包裹着矿浆W不同强度和频率下落的钢球对矿石和筒体进行 周期性冲击。由此产生的筒体振动和振声信号具有较强的非线性、非平稳性和多时间尺度 特性(参见文献8:汤健，柴天佑，丛秋梅，苑明哲，赵立杰，刘卓，余文.基于EMD和选择性集成 学习算法的磨机负荷参数软测量[J].自动化学报，2014,40(9): 1853-1866.)。工业现场最 常用的信号是磨机研磨区域经筒体福射产生的振声信号。经验丰富的领域专家可"听音识 另If磨机负荷及其参数。研究表明，人耳本质上是一组自适应带通滤波器。从某种角度上讲， 专家"听音识别"过程可W理解为人耳带通滤波能力、人脑特征抽取能力和专家经验规则推 理的逐层认知过程。显然运是个基于人类专家经验进行不确定性推理的选择性信息的融合 过程。如何基于现有技术对领域专家的识别过程进行模拟是本文的主要关注点。
[0005] 采用信号处理、机器学习等多个学科领域的研究成果是开展磨机负荷检测研究的 有效手段。经验模态分解化MD)技术可W有效的将筒体振动信号分解为系列具有不同带宽 的多尺度信号（参见文献9:Tang Jian,Zhao Vibration Analysis Based on Empirical Mode Decomposition and Partial Least Squares[J].Procedia Engineering，2011，16:646-652 .)，可用于模拟人耳的"带通滤波"能力。偏最小二乘算法 (化S)可W提取同时表征输入输出数据变化的潜在变量，将难W进行规则提取的多尺度频 谱进行有效维数约简，从而模拟人脑的"特征抽取"能力。而对"人脑判别"能力的模拟则可 W通过模糊推理系统予W实现。
[0006] 优秀领域专家"听音识别"利用的是经磨机研磨区域筒体振动福射产生的振声信 号。该信号源于筒体，并且夹杂着周围其它机械设备的背景噪声。显然，灵敏度和可靠性低 于磨机筒体振动信号。但筒体振动信号难W依据专家经验提取推理规则。文献l〇(Wang L X,Mendel JM. Generating Fuzzy Rules by Learning from Examples[J]. IEEE IYansactions on Systems,Man,and 切bernetics,1992,22(6) :1414-1427.)提出了从数 据中挖掘模糊规则的高效率算法。模糊规则的可解释性和透明性也增加了推理模型的可理 解性。针对规则挖掘时，输入输出数据难W在时间序列上匹配的问题，文献IUYu Wen,Li xiao-ou.On-line Fuzzy Modeling Via Clustering and Support Vector Machines[J] .Information Sciences，2008，178(22):4264-4279.)提出了基于同步聚类的语言规则式 模糊推理模型。文献 12(Wang Yongfu,Wang Dianhui,畑ai Tianyou.Extraction and Adaptation of Fuzzy Rules for Friction Modeling and Control Compensation!!J] .I 邸E IYanzaction on Fuzz;y System, 2011,19(4) :682-694.)提出 了基于数据挖掘和系 统理论的模糊规则提取和自适应策略用于摩擦模型的建模。
[0007] 由此，亟需一种更加准确的磨机负荷参数软测量方法。
【发明内容】
[0008] 有鉴于此，本发明提供一种基于模糊推理的磨机负荷参数软测量方法，W更加精 确地进行磨机负荷参数的软测量。
[0009] 所述方法包括：
[0010] S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的样本特征信 号；
[0011] S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本子 信号代表具有物理含义的单一振动模态；
[0012] S300、对所述样本子信号进行降维W获得预定数量的相互独立的潜在特征变量；
[0013] S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构建 对应的模糊推理子模型；
[0014] S500、对于J-2种可能的集成模型中的子模型数量Jsei,通过求解如下优化问题，从 所有的模糊推理子模型中选取Jsel个作为集成子模型并求取集成子模型对应的权重，W获 得J-2个候选软测量模型：
[0017] 其中，0th为设定阔值，k为样本个数，yi为磨机负荷参数第1个样本的真值，/为选 择性集成模型对第1个样本的软测量值，义，为基于第jsel个集成子模型对第1个样本预测 值，Wfei是第jsel个集成子模型的权重J为模糊推理子模型的数量；
[0018] S600、将所述J-2个候选软测量模型中预测误差最小的作为磨机负荷参数软测量 模型；
[0019] S700、获取需要进行软测量的磨机的测试数据的潜在特征变量；
[0020] S800、根据所述磨机负荷参数软测量模型计算所述测试数据的潜在特征变量对应 的负荷参数。
[0021] 优选地，所述步骤S200包括：
[0022] 通过经验模态分解化MD)、集合经验模态分解化EMD)、希尔伯特振动分解化VD)、局 部均值分解(LMD)中的一种或几种多组分信号分解方法将所述样本特征信号分解为具有不 同时间尺度的样本子信号。
[0023] 优选地，所述步骤300包括：
[0024] 通过采用偏最小二乘回归(PLS)、核偏最小二乘回归化化S)、主成分分析(PCA)、核 主成分分析化PCA)、独立主成分分析（ICA)、核独立主成分分析化ICA)、流行学习中的一种 或几种降维方法的组合对所述样本子信号进行降维。
[00巧]优选地，所述步骤S400包括：