球磨机料位预测方法与流程

本发明涉及数据检测领域，尤其涉及一种球磨机料位预测方法。

背景技术：

滚筒式球磨机是一种基本的制粉设备。球磨机滚筒内部的料位是影响球磨机能量消耗、生产效率和生产安全的关键因素，然而在实际工业生产过程中，当球磨机系统运转时，由于其筒内环境恶劣并且情况比较复杂，球磨机料位难以准确预测，导致球磨机系统难以经济运行并且容易发生安全事故。因此，有效预测球磨机的料位，对于球磨机系统高效和安全稳定运行具有重大意义。

目前，基于软测量的球磨机料位测量方法主要是通过单一的信号源如压电信号、差压信号、振声信号、振动信号或者功率信号来预测料位。从反复试验中我们发现单一信号源具有一定的局限性例如：压电信号使用时间的不断增长，压电应变传感器很容易出现零点漂移现象，导致测量精度降低；差压信号需要的辅助变量较多，各个变量值难以准确获取，各变量之间存在冗余和耦合，并且系统复杂度较高，不方便进行维护；振声信号容易受到来自毗邻磨机噪音的干扰，以致于料位识别效率不高；振动信号容易受到电网、磨内研磨体损耗等因素的影响，从而使负荷控制点发生漂移现象；功率信号受电流影响较大，而电流又受钢球的磨损、钢球总量的减少、煤质的变化、风量的变化的影响，因而推断结果存在较大误差。

技术实现要素：

本发明的目的在于避免现有技术的不足之处而提供一种球磨机料位预测方法。

本发明的目的可以通过采用如下的技术措施来实现，设计一种球磨机料位预测方法，该方法的步骤包括：向球磨机滚筒中填充物料，采集球磨机在不同料位的振动信号x^s及振声信号x^v；根据采集到的振动信号x^s及振声信号x^v计算振动信号x^s及振声信号x^v的特征参数；将振动信号x^s及振声信号x^v的特征参数作为tbm模型的输入，训练tbm模型，通过多次训练，在使tbm模型的优化函数取最小值时，建立振动信号x^s及振声信号x^v的特征参数与预测料位的tbm模型，并通过特征参数计算预测料位。

其中，在根据采集到的振动信号x^s及振声信号x^v计算振动信号x^s及振声信号x^v的特征参数的步骤中，包括步骤：对输入的振动信号x^s及振声信号x^v进行预处理，得到振动信号x^s及振声信号x^v的分帧信号；预处理方式包括：预加重、分帧和加窗处理；对预处理后的每帧信号进行fft变换，将时域信号x^s(n)、x^v(n)转换为频域信号x^s(k)、x^v(k)，再计算其模的平方得到能量谱p^s(k)、p^v(k)；对所得能量谱p^s(k)、p^v(k)进行mel滤波，并取对数，得到：

其中，其中l为滤波器个数，hi(k)、hj(k)三角滤波器的传递参数；对梅尔滤波的结果进行离散余弦变换，得到mfcc系数a(n)作为振动信号x^s及振声信号x^v的特征参数，计算公式为

其中，在将振动信号x^s及振声信号x^v的特征参数作为tbm模型的输入，训练tbm模型，通过多次训练，在使tbm模型的优化函数取最小值时，建立振动信号x^s及振声信号x^v的特征参数与预测料位的tbm模型，并通过特征参数计算预测料位的步骤中，包括步骤：

在训练集中寻找k个最邻近样本并得到相应的信度其中，φ(d)＝γexp(-d²)，d＝g(x-xi)²，xi为邻近值，x为训练集中的样本，γ为常数；对计算得到的k个信度进行ds合成，合成结果为：

根据ds合成结果计算预测料位，计算结果为：

重复前述步骤，当优化函数的值w达到最小值时，得到参数g，并计算得到预测料位。

其中，模型训练的优化函数为

其中是预测料位，y是真实料位。

其中，在采集球磨机在相应料位的振动信号x^s及振声信号x^v的步骤中，是通过传感器采集球磨机筒壁或者轴承上的振动信号，及通过安装在球磨机周围麦克风采集振声信号。

其中，通过传感器和麦克风采集的振动信号和振声信号在计算梅尔频率倒谱系数之前，将振动信号和振声信号通过模数转换转换为数字信号。

其中，在得到预测料位后，采用均方根误差(rmse)作为模型性能评价指标，判断预测料位结果的准确性；其中，均方根误差(rmse)的计算公式为：

式中，和yi分别表示第i个样本的料位估计值和实际值，n为在线测试样本个数。

本发明的目的可以通过采用如下的技术措施来实现，设计一种球磨机料位预测装置，连接于待预测的球磨机，包括：采集模块，用于采集球磨机在不同料位的振动信号x^s及振声信号x^v；第一计算模块，用于根据采集到的振动信号x^s及振声信号x^v计算振动信号x^s及振声信号x^v的特征参数；第二计算模块，用于将振动信号x^s及振声信号x^v的特征参数作为tbm模型的输入，训练tbm模型，通过多次训练，在使tbm模型的优化函数取最小值时，建立振动信号x^s及振声信号x^v的特征参数与预测料位的tbm模型，并通过特征参数计算预测料位。

其中，第一计算模块包括：预处理单元，用于振动信号x^s及振声信号x^v进行预处理；其中，预处理的方式包括预加重、分帧和加窗处理；fft变换单元，用于对预处理后的振动信号x^s及振声信号x^v进行快速傅里叶变换，将时域信号转换为频域信号，并计算频域信号的模的平方，得到能量谱；mel滤波单元，用于对fft变换单元处理后的能量谱进行mel滤波，并取对数；dct变换单元，用于对mel滤波处理后的结果进行离散余弦变换，得到梅尔频率倒谱系数作为振动信号x^s及振声信号x^v的特征参数。

区别于现有技术，本发明的球磨机料位预测方法通过采集球磨机筒壁或者轴承上的振动信号及安装在球磨机周围麦克风的振声信号；振动信号、振声信号经调理电路、模数转换电路输入数据采集卡；通过mfcc分别计算数据采集卡中振动、振声信号的特征参数；重新组合振动、振声信号；数据采集卡收集重新组合后的信号；最后数据采集卡中的数据通过历史数据建立的tbm模型，预测相应信号的料位。本发明能有效的预测球磨机的料位，其预测料位精确度高、波动小，具有良好的实用价值和推广前景。

附图说明

图1是本发明提供的一种球磨机料位预测方法的流程示意图。

图2是本发明提供的一种球磨机料位预测装置的结构示意图。

图3是本发明提供的一种球磨机料位预测装置的硬件结构示意图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

参阅图1，图1是本发明提供的一种球磨机料位预测方法的流程示意图。该方法的步骤包括：

s110：向球磨机滚筒中填充物料，采集球磨机在不同料位的振动信号x^s及振声信号x^v。

本发明的方法涉及mfcc和tbm两种理论方法。mfcc是一种提取声音特征的方法。其鲁棒性强，可用于分析非线性信号。针对信号分析和特征提取困难的问题，将近年来广泛研究的mfcc引入球磨机料位软测量建模过程中，用于球磨机轴承振动信号以及振声信号的有效特征提取。

tbm是关于证据理论的一种解释。它是一种双层结构。“credal层”位于底层，在该层中获取信度并对其进行量化、赋值和更新处理。“pignistic层”位于上层，它将credal层上的信度转换成pignistic概率，并由此做出决策。tbm比较适用于需要逐层进行数据、特征和决策层融合的数据融合系统。因此应用于振声信号、振动信号的融合。

本发明所述的球磨机料位预测方法在具体实施时，首先在球磨机筒壁或者轴承上安装振动传感器收集振动信号，在球磨机周围安装麦克风收集振声信号。具体的，通过逐步向球磨机料仓中填充物料，逐渐增加料位，直至最大料位，并通过振动传感器、及作为振声传感器的麦克风，采集振动信号x^s、振声信号x^v，同时记录相应的料位值y＝z，其中z＝1,2,l,q。

s120：根据采集到的振动信号x^s及振声信号x^v计算振动信号x^s及振声信号x^v的特征参数。

将采集到的振动信号x^s及振声信号x^v作为输入信号，并对输入的信号进行预加重、分帧和加窗处理，得到若干分帧信号。x^s(n)、x^v(n)表示振动信号、振声信号其中任意一帧。预处理完成后，还包括对振动信号、振声信号进行模数转换的步骤。

对预处理后的每帧信号进行fft变换，将时域信号x^s(n)、x^v(n)转换为频域信号x^s(k)、x^v(k)，再计算其模的平方得到能量谱p^s(k)、p^v(k)。

对所得能量谱p^s(k)、p^v(k)进行mel滤波，并取对数，得到：

其中，其中l为滤波器个数，hi(k)、hj(k)三角滤波器的传递参数。

对梅尔滤波的结果进行离散余弦变换，得到mfcc系数a(n)，计算公式为

式中a(n)为mfcc系数，j为mfcc阶数，本发明中取为12。

s130：将振动信号x^s及振声信号x^v的特征参数作为tbm模型的输入，训练tbm模型，通过多次训练，在使tbm模型的优化函数取最小值时，建立振动信号x^s及振声信号x^v的特征参数与预测料位的tbm模型，并通过特征参数计算预测料位。

在训练集中寻找k个最邻近样本并得到相应的信度其中，φ(d)＝γexp(-d²)，d＝g(x-xi)²，xi为邻近值，x为训练集中的样本，可取步骤s120中计算得到的mfcc系数a(n)，γ为常数。

对计算得到的k个信度进行ds合成，合成结果为：

根据ds合成结果计算预测料位，计算结果为：

重复前述步骤，当优化函数的值w达到最小值时，得到参数g。

其中，tbm模型训练的优化函数为

其中是预测料位，y是真实料位。优化函数取最小值时，得到预测料位代入前述公式，计算得到g，再次重复步骤，得到预测料位与振动信号x^s及振声信号x^v的特征参数的tbm模型，并通过采集的特征参数进行料位预测。

在得到预测料位后，采用均方根误差(rmse)作为模型性能评价指标，判断预测料位结果的准确性；其中，均方根误差(rmse)的计算公式为：

式中，和yi分别表示第i个样本的料位估计值和实际值，n为在线测试样本个数。

区别于现有技术，本发明的球磨机料位预测方法通过采集球磨机筒壁或者轴承上的振动信号及安装在球磨机周围麦克风的振声信号；振动信号、振声信号经调理电路、模数转换电路输入数据采集卡；通过mfcc分别计算数据采集卡中振动、振声信号的特征参数；重新组合振动、振声信号；数据采集卡收集重新组合后的信号；最后数据采集卡中的数据通过历史数据建立的tbm模型，预测相应信号的料位。本发明能有效的预测球磨机的料位，其预测料位精确度高、波动小，具有良好的实用价值和推广前景。

参阅图2，图2是本发明提供的一种球磨机料位预测装置的结构示意图。该装置100连接于待预测的球磨机101，包括：

采集模块110，用于采集球磨机101在不同料位的振动信号x^s及振声信号x^v；

第一计算模块120，用于根据采集到的振动信号x^s及振声信号x^v计算振动信号x^s及振声信号x^v的特征参数；

第二计算模块130，用于将振动信号x^s及振声信号x^v的特征参数作为tbm模型的输入，训练tbm模型，通过多次训练，在使tbm模型的优化函数取最小值时，建立振动信号x^s及振声信号x^v的特征参数与预测料位的tbm模型，并通过特征参数计算预测料位。

其中，第一计算模块120包括：

预处理单元121，用于振动信号x^s及振声信号x^v进行预处理；其中，预处理的方式包括预加重、分帧和加窗处理；

fft变换单元122，用于对预处理后的振动信号x^s及振声信号x^v进行快速傅里叶变换，将时域信号转换为频域信号，并计算频域信号的模的平方，得到能量谱；

mel滤波单元123，用于对fft变换单元处理后的能量谱进行mel滤波，并取对数；

dct变换单元124，用于对mel滤波处理后的结果进行离散余弦变换，得到梅尔频率倒谱系数作为振动信号x^s及振声信号x^v的特征参数。

如图3所示，图3是本发明提供的一种球磨机料位预测装置的硬件结构示意图。如图所示，通过传感器和麦克风采集球磨机滚筒的不同料位的振动信号和振声信号，将振动信号和振声信号分别发送到调理电路以对振动信号和振声信号进行调理，调理完成后，将振动信号和振声信号传输到模数转换电路进行模数转换，将采集到的模拟信号转换为数字信号。转换完成后，将数据发送到一数据采集卡1和数据采集卡2，为后续的mfcc处理做准备。进一步，数据采集卡1和数据采集卡2将接收到的数字信号形式的振动信号和振声信号进行预处理，预处理的方式包括预加重、分帧和加窗处理。预处理完成后，对数字信号形式的振动信号和振声信号进行fft变换，将时域信号转换为频域信号，并计算其模的平方得到能量谱。对所得能量谱进行mel滤波，对mel滤波结果取对数后进行dct变换，将计算结果作为振动信号x^s及振声信号x^v的特征参数。将特征参数进行参数重组后，输入到数据采集卡3和数据采集卡4，进行tbm模型训练。训练的具体步骤为：在训练集中寻找k个最邻近样本并得到相应的信度，信度计算公式为：

φ(d)＝γexp(-d²)，d＝g(x-xi)²，xi为邻近值，x为训练集中的样本，γ为常数；

对计算得到的k个信度进行ds合成，合成结果为：

根据ds合成结果计算预测料位，计算结果为：

重复前述步骤，当优化函数的值w达到最小值时，得到参数g，

将参数g代入前述的信度计算公式，通过计算，可得到预测料位

最终，得到预测料位和信度m^tr的函数关系，而m^tr又与计算得到的振动信号和振声信号的特征参数成函数关系，从而得到预测料位与振动信号和振声信号的特征参数，通过采集球磨机的振动信号和振声信号，通过mfcc方式计算特征参数，即可得到预测料位，实现对球磨机料位的预测。

以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。