磨机负荷检测及建模方法研究进展

这是一篇矿业工程领域的论文。选矿厂节能降耗需求强烈,球磨机负荷检测是实现磨机控制、优化磨矿流程的关键技术。本文归纳了近年来磨机负荷的检测方法:压差法、磨音法、振动法、功率法、超声波法、基于多源信号融合的间接检测方法;总结并分析了磨机负荷的建模方法。未来一段时间内,多源信息融合的间接法将仍是检测磨机负荷的主要方法,改进神经网络为基础的建模方法、新型在线检测方法以及建立高效精准的负荷检测模型是磨机负荷检测的主要发展方向。

基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负荷参数映射关系难以描述等问题,提出了基于经验模态分解(Empirical mode decomposition,EMD)技术和选择性集成学习算法分析筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组成成分,即本征模态函数(Intrinsic mode function,IMF);接着在频域内基于互信息(Mutual information,MI)方法分析并选择IMF频谱特征;最后采用基于核偏最小二乘(Kernel partial least square,KPLS)建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.

基于频域特征提取与信息融合的磨机负荷软测量

提出了基于频域特征提取与多传感器信息融合的磨机负荷(ML)软测量新方法。针对磨矿过程主要依靠人工经验定性判断ML状态,难以定量检测ML参数的现状,通过融合磨机筒体振动、振声及驱动电机电流信号,建立了以料球比、矿浆浓度、充填率为输出的ML软测量模型。该方法首先采用快速傅里叶变换(FFT)将时域振动及振声信号转换为频谱变量,再对频谱变量通过主元分析(PCA)进行谱特征提取,然后采用径向基函数(RBF)变换生成的激活矩阵实现谱特征的非线性映射,最后采用偏最小二乘(PLS)算法建立以谱特征、激活矩阵、电流信号为输入的回归模型,从而有效克服了多传感器信息之间及RBF变换引起的多重共线性等问题。实验表明,该方法能够较准确地检测ML参数,融合多传感器的软测量方法具有更好的预测效果。

磨机负荷检测方法研究综述

为促进磨机检测方法的工业化应用和深入研究,综述磨机负荷检测的主要研究成果。按检测方式将磨机负荷检测方法分为仪表检测法和非仪表检测法。将基本具备现场应用条件,但功能有限的仪表检测法,按检测原理又细分为压差法、振声法、振动法、功率法、超声法等方法。将处于实验室实验、离线研究阶段及借助工业计算机现场应用的非仪表检测方法分为基于磨机外部响应信号和多源信息融合的检测方法。针对每种具体方法,总结了其特征、研究现状以及应用前景。最后指出融合多源信号并结合专家知识、机器学习进行智能检测的软测量方法是未来磨机负荷检测的发展方向。

基于多源数据特征融合的球磨机负荷软测量

针对磨矿过程球磨机负荷(ML)难以实时检测,生产中主要依靠人工经验判断负荷状态的难题,依据磨机筒体振动、振声、电流等信号与磨机负荷间存在相关性、信息互补与冗余的现象,提出基于多源数据特征融合的球磨机负荷软测量新方法.该方法由时域滤波、时频转换、特征提取、特征选择及软测量模型5部分组成.采用快速傅里叶变换(FFT)将滤波后的筒体振动及振声时域信号转换成频域信号,根据研磨机理将频域信号划分为低、中、高3个频段,采用核主元分析(KPCA)分别提取各个频段的非线性特征,选择振动、振声频域特征与电流时域特征的融合信号作为模型输入,建立基于最小二乘支持向量机(LSSVM)的磨机负荷软测量模型.实验结果表明,该方法与基于主元分析-最小二乘支持向量机(PCA-LSSVM)方法和单传感器方法相比,磨机负荷参数预测精度较高.

基于网格搜索与交叉验证的SVM磨机负荷预测

针对实际生产中只能依据专家经验判断磨机负荷(ML)状态,难以检测ML及其直接相关参数的问题,该文通过分析反应磨机内部负荷的振动信号,提取频谱特征,利用支持向量机(SVM)建立磨机负荷参数的预测模型。为解决SVM核函数参数g和惩罚因子C主观选取问题,提出采用网格搜索与交叉验证相结合的方法,对SVM参数进行优化。最后基于Matlab与VC混合编程,建立仿真平台,实现球磨机负荷参数的预测仿真。分别利用SVM默认参数和最佳优化参数代入ML回归预测模型,通过参数ML预测对比,得到SVM最佳优化参数下训练的平均平方误差(MSE)和平方相关系数(r2)均优于SVM默认参数下的预测结果。

基于振动频谱的磨机负荷在线软测量建模

针对磨机负荷(ML)软测量模型难以适应磨矿过程的时变特性,模型需要依据工况实时在线更新的问题,基于磨机简体振动频谱,通过递归主元分析(RPCA)和在线最小二乘支持向量回归机(LSSVR)的集成,提出了ML参数(料球比、矿浆浓度、充填率)在线软测量方法.首先,针对训练样本,采用主元分析(PCA)分别提取振动频谱在低、中、高频段的谱主元;然后以串行组合后的谱主元为输入,采用LSSVR方法构造ML参数离线软测量模型;最后,采用旧模型完成预测后,应用RPCA及在线LSSVR算法分别递归更新模型的输入和模型的回归参数,从而实现了ML软测量模型的在线更新.实验结果表明,该软测量方法与其它常规方法相比具有较高的精度和更好的预测性能.

模糊神经网络在磨机负荷控制中的应用

磨矿分级作业是选矿生产中的关键环节,其中的磨机负荷控制由于存在大惯性滞后、参数耦合性强和时变性等问题,所以难以建立精确的数学模型,因此常规PID控制很难达到预期的控制效果。针对上述情况,将模糊控制与人工神经网络控制相结合,既发挥了模糊控制鲁棒性强的优点,又可以通过数值运算的形式实现对结构性语言经验的综合推理,正向并联辨识的加入,极大地增加了磨机运行的稳定性。通过对现场运行情况的监控,表明该控制方法可以有效地消除运行过程中外部干扰带来的扰动。

基于选择性极限学习机集成的磨机负荷软测量

针对传统磨机负荷检测方法存在的测量精度低、性能不稳定等缺陷,建立一种基于筒体振动信号频谱特征提取的选择性极限学习机(ELM)集成方法.采用核主元分析(KPCA)提取振动信号频谱特征,避免输入信号维数过高引发维数灾难.在非线性频谱特征空间内选用学习速度快、泛化性好的ELM建立集成模型个体,有效克服了单一ELM个体模型存在的运行结果不稳定问题.基于遗传算法(GA)的子模型后续选择方法进一步排除部分劣势个体,构建泛化能力强的简约集成模型,降低计算复杂性.实验结果表明:该方法对于矿浆浓度、料球比、充填率磨机负荷参数具有较高的精度和稳定性.

融合时/频信息的磨矿过程磨机负荷软测量

磨机负荷(ML)是磨矿过程的重要参数,能否准确地确定ML状态及ML参数直接影响磨矿产品的质量、产量及设备安全.针对实际生产中只能依据专家经验判断ML状态,难以检测与ML及ML状态直接相关的ML参数的问题,本文提出了融合时频信息的ML软测量策略和相应的软测量方法.该方法首先求取磨机筒体振动及振声信号的频谱,再采用自适应遗传算法—偏最小二乘(AGA-PLS)选择频谱特征,然后融合时域电流信号,基于PLS算法建立融合时频数据特征的ML参数检测模型,最后通过规则推理模型判别ML状态.通过实验球磨机的磨矿过程验证了该软测量方法的有效性.

磨音影响因素分析与磨机负荷检测方法综述

介绍了磨机负荷与磨音、磨机电流的关系,简述了球磨机的发声机理,分析了球磨机填充率、筒体转速以及钢球大小等因素对磨音的影响,归纳总结了近年来磨机负荷的检测方法:基于数学模型的软测量方法、磨音法、振动法、功率法、超声波方法和基于神经网络的方法。最后指出多种测量技术融合、采用在线软测量技术及提高磨音电耳的抗噪声性能将是今后磨机负荷的检测发展方向。

磨矿过程磨机负荷的智能监测与控制

磨机过负荷是磨矿过程的常见故障工况,如果不及时、准确处理,就会造成磨矿产品质量变坏甚至磨矿生产的停顿.采用规则推理(RBR)和统计过程控制(SPC)技术,提出了由SPC机制、过负荷监测模块和监督控制器构成的磨机负荷智能监测与控制方法.该方法通过对磨机过负荷的智能监测与诊断,由监督控制器自动修改控制回路的设定值,通过控制回路的输出跟踪修改后的设定值,使磨机负荷逐渐远离过负荷状态.工业应用表明,该方法能够实现磨矿生产的安全、稳定和连续运行.

基于改进EWT-多尺度熵和KELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷靠经验难以准确判断的问题,提出了一种基于改进的经验小波变换(empirical wavelet transform, EWT)-多尺度熵和核极限学习机(KELM)的球磨机负荷识别方法。首先,针对筒体振动信号的多样性和复杂性特点,对EWT频谱分割方法进行改进,通过构建信号仿真模型,比较EWT、EMD的分解效果,证明该方法的有效性。再将不同负荷状态下的筒体振动信号用改进的EWT算法进行分解得到内禀模态函数(intrinsic mode function, IMF),接着,对分解后的IMF分量进行相关性分析得到敏感分量进行重构;最后,将重构信号的多尺度熵作为表征磨机不同负荷状态的特征向量,并计算多尺度熵偏均值。结果表明:三种负荷信号的多尺度熵及多尺度熵偏均值都存在明显的差异,关系表现为:欠负荷>正常负荷>过负荷。将提取的多维特征向量进行归一化处理并作为KELM的输入,磨机负荷状态作为输出,利用核排列(kernel target alignment, KTA)算法优化核参数,建立磨机负荷状态识别最优模型;通过磨矿实验验证了方法的可行性,相比SVM整体识别率提高了3.4%,且对于EMD-多尺度熵、EWT-多尺度熵分别提高了12.3%、8.9%。

基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究

针对球磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测方法,用完整集成经验分解算法(CEEMDAN)对不同负荷的磨机振动信号进行分解,由相关系数法选取敏感模态分量重构信号,利用逆向云发生器计算重构信号的云模型特征熵作为信号的特征参数,运用正向云发生器生成云模型特征向量的云滴图,结果表明,欠负荷、正常负荷、过负荷之间的熵值差异很大,可以较好地区分和识别磨机负荷状态;将云模型特征向量作为最小二乘支持向量机(LSSVM)的输入,料球比、充填率为输出,建立磨机负荷预测模型;通过磨矿实验验证了该方法的有效性,模型能够准确预测磨机负荷状态。

主元分析的振动频域特征识别与磨机负荷建模研究

球磨机是矿石破磨的关键设备,由于运行中筒体内负荷(ML)难以有效检测,运行状态参数的预报控制无法进行。研究通过检测筒体轴承座产生的振动信号,采用Welch法对其进行功率谱估计,提取信号的特征频谱段的能量值,分析信号功率谱与磨机筒体内负荷之间的关系,采用主元分析法(PCA)对振动谱能量值进行降维,得到与负荷高度相关的能量谱成分,最后利用支持向量机(SVM)建立磨机负荷参数分类模型,实现磨机负荷参数(填充率、料球比)的预测。试验结果表明:该方法可以准确识别磨机筒体内负荷,为状态参数的预报及控制技术的优化提供理论指导。

基于MEEMD-多尺度分形盒维数和ELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷(充填率、料球比)靠经验难以准确判断的问题,提出基于改进的集总平均经验模态分解算法(modified ensemble empirical mode decomposition, MEEMD)-多尺度分形盒维数盒和极限学习机(extreme learning machine,ELM)的负荷识别方法。该方法首先利用MEEMD算法对不同负荷状态下的磨音信号进行分解得到本征模态分量,然后,采用相关系数法选取敏感模态分量进行重构得到降噪后信号;通过分析重构信号的多尺度分形盒维数,结果表明,欠负荷、正常负荷和过负荷状态下的多尺度分形盒维数存在明显的差异,能够很好地区分磨机的不同负荷状态。将重构磨音信号的多尺度分形盒维数作为极限学习机(ELM)的输入,磨机负荷状态为输出,建立磨机负荷识别模型;通过磨矿实验验证了该方法的有效性,整体识别率高达94.8%,模型能够准确识别磨机负荷状态。

基于VB的OPC客户端在磨机负荷控制系统中的应用

针对不同监控系统之间实时数据交换的难题,文中利用Visual Basic开发了OPC客户端程序以实现对WINCC OPC服务器数据的读取,利用PC机丰富的软件资源来扩充工控组态软件的功能,从而实现磨机负荷的专家控制。该系统开发成本低、数据传输速度快、可靠性强,能够满足对磨机负荷控制的要求。

磨矿过程磨机负荷的优化计算与智能控制

磨机负荷与生产效率和能源消耗有密切的关系,针对选矿厂球磨机运行过程具有非线性、大滞后和时变性的特点,常规的PID控制难以得到预期的控制效果,因而不能长期运行在最佳的磨机负荷工作状态下。该文提出了自寻优算法与模糊控制相结合的控制策略,自寻优算法来实现磨机负荷最佳工作点的动态寻优,同时引入遗传算法来优化模糊控制器的控制规则和隶属度函数,使模糊控制器具有自学习的能力,实现磨机负荷的实时控制,保证磨机安全、稳定运行。实际的仿真结果表明,该控制策略提高了磨机的产量,同时减少了操作人员的劳动强度,实现了磨机安全稳定运行和节能降耗的目标。

氧化铝回转窑制粉系统磨机负荷的智能控制

氧化铝回转窑制粉系统采用回转窑余热产生的热风干燥煤粉时,由于热风温度低且变化频繁,常常导致制粉工况处于过负荷异常工况,出现"饱磨"故障,导致停磨,使负荷控制系统无法投入自动运行.本文提出了有规则推理的切换机制,在磨机负荷PI控制器和过负荷控制器之间进行智能切换.所提出的控制方法成功应用于氧化铝回转窑制粉系统,在热风温度低且变化频繁时,将磨机控制在出力最大的负荷范围内,避免出现故障工况.

生料浆配料过程磨机负荷的混合智能控制

针对在氧化铝生料浆配料过程中难以采用常规方法来控制磨机负荷状态的问题,提出了由负荷状态估计模型和负荷调整模型组成的磨机负荷混合智能控制方法.负荷状态估计模型根据磨机的振动与电流信号,采用规则推理方法估计出磨机的负荷状态.负荷调整模型采用案例推理方法自动调节磨机给料量,将负荷控制在合适范围内.该方法成功应用于某氧化铝厂生料浆配料过程中,长期运行结果表明,提高了磨机台时产能,减少了"堵磨"故障发生次数,提高了生产效率并节能降耗.