一種基于虛擬樣本的磨機負荷參數軟測量方法
【技術領域】
[0001] 本發明設及軟測量領域，具體設及一種基于虛擬樣本的磨機負荷參數軟測量方 法。
【背景技術】
[0002] 磨礦過程的優化運行控制需要準確檢測磨機內的負荷參數（參見文獻[1] P.Zhou,T.Y.Chai,Η.Wang,"Intelligentoptimal-settingcontrolforgrinding circuitsofmineralprocessing, "IEEETransactionsonAutomationScienceand lingineering, 6(2009)730-743.和文獻[2]T.Y.Qiai,"Operationaloptimization andfeedbackcontrolforcomplexindustrialprocesses,"ActaAutomatica Sinica，39 (2013) 1744-1757)。磨機內部數W萬計的鋼球分層排列，不同層的鋼球對磨機內 部物料和磨機筒體的沖擊力具有不同的強度和周期。通常測量得到的筒體振動信號是具有 不同時間尺度的多個子信號的混合。筒體振動是磨機振聲信號的主要來源。因此，運些機 械振動和振聲信號具有非穩態和多組分特征。優秀的領域專家通過同時考慮多種運行工況 和多種來源信息可有效監視磨機負荷狀態和部分磨機內部的負荷參數。研究表明，人耳可 W從磨機振聲信號中分辨出有價值信息。事實上，人耳是一組自適應帶通濾波器，人腦具有 多層認知結構。領域專家可從多源特征和多種運行工況中提取有價值信息進行決策。領域 專家經驗的差異和有限的精力難W保證磨機長期工作在優化負荷狀態。針對運些情況，很 有必要模擬領域專家的認知過程建立磨機負荷參數軟測量模型。
[0003] 在時域內，磨機筒體振動和振聲內的有價值信息被隱含在寬帶隨機噪聲中（參見 ^南犬[3]Y. ,Zen邑，E.Forssber邑，"Monitoring邑rindin邑parametersbyvibrationsignal me曰surement-曰prim曰ry曰pplic曰tion, ''Miner曰IsEngineering, 1994, 7 (4) :495-501.)。 基于機械振動和振聲信號的磨機負荷參數建模需要關注3個子問題：多組分信號自適應分 解、多源譜特征自適應選擇、基于選擇多種運行工況的軟測量模型構建。
[0004] 研究表明，信號處理可W簡化特征的選擇和提取過程（參見文獻[4] S.Shukla,S.Mishra,andB.Singh,"PowerQualityEventClassificationUnder NoisyConditionsUsingEMD-BasedDe-NoisingTechniques, "IEEETransactionon IndustrialInformatics, 10(2014) 1044-1054.)。磨機負荷參數與筒體振動和振聲信 號的功率譜密度（PSD)密切相關（參見文獻[5]J.Tang,L.J.Zhao,J.W.Zhou,Η.化e，T. Υ.Chai,"Experimentalanalysisofwetmillloadbasedonvibrationsignalsof 1 油orato巧-scaleballmillshell,"Mineralslingineering, 23(2010)720-730.)，但運 些譜數據通常包含成千上萬的特征。很多維數約簡算法用于處理具有該特點的數據（參見 文南犬[6]J.Tan邑，T.Y.Chai,W.Yu,L.J.Zhao,"Modelingloadparametersofballmill ingrindingprocessb曰sedonselectiveensemblemulti-sensorinform曰tion,''IEEE TransactionsonAutomationScienceandEngineering, 10 (2013)726-740.)。基于 互信息（MI)和偏最小二乘（PLS)的算法可W有效識別運些特征（參見文獻[6])。為 有效的融合運些頻譜特征，基于集成化S，選擇性集成（沈腳和核化S(KPLS)的軟測量 模型方法已有報道（參見文獻[7]J.Tang,T.Y.Chai，L.J.Zhao,W.化，比化e，"Soft sensorforparametersofmillloadbasedonmulti-spectralsegmentsPLS sub-modelsandon-lineadaptiveweightedfusionalgorithm,，，Neurocomputi ng, 78 (2012) 38-47.文獻[8]J.Tang,T.Y.Qiai，W·化，LJ.Zhao,"Featureextraction andselectionbasedonvibrationspectrumwithapplicationtoestimate theloadparametersofballmillingrindingprocess，，，ControlEngineering Practice, 20 (2012) 991-1004.)。但是，快速傅里葉變換（FFT)不適合于具有非穩態特性 的機械振動和振聲信號的處理（參見文獻巧]Y.G.Lei,Z.J.He,Y.Y.Zi，"Applicationof theEEMDmethodtorotorfaultdiagnosisofrotatingmachinery,"Mechanical SystemsandSignalProcessing, 23 (2009) 1327-1338·)。離散小波變換、連續小波 變換（CWT)、小波包變換等時頻分析方法已經被廣泛應用于旋轉機械設備的故障診斷 (參見文南犬[10]G.K.Singh,S.A.S.AlKazzaz,"Isolationandidentificationof drybearingfaultsininductionmachineusingwavelettransform,，，Tribology International42(2009)849-861.;文獻[11]J.Cusido，LRomeral，J.A.Ortega,J. A. 民osero,andA.GarciaEspinosa,"Faultdetectionininductionmachinesusing powerspectraldensityinwaveletdecomposition, "IEEETrans.Ind.Electron.，v ol. 55,no. 2,pp. 633-643,Feb. 2008.文獻[12]M.Riera-Guasp,J.A.Antonino-Daviu,M. Pineda-Sanchez，民.Puche-Panadero,J.Perez-Cruz,"Ageneralapproachfor thetransientdetectionofslip-dependentfaultcomponentsbasedonthe discretewavelettransform，"IEEETrans.Ind.Electron.，55(2008)4167-4180.文 南犬[13]J.Seshadrinath,B.Singh,andB.K.Panigrahi，"VibrationAnalysisBased InterturnFaultDiagnosisinInductionMachines,"TransactiononIndustrial Informatics, 10(2014)340-350.文獻[14]P.K.Kankar，S.C.Sharma，S.P.Harsha，"Rolling elementbearingfaultdiagnosisusingautocorrelationandcontinuouswavelet transform,"JournalofVibrationandControl, 17 (201 ]_) 2081-2094.)D但這些方 法不能自適應分解本文所面對的多組分信號，如面對任何具體實際問題必須為CWT選擇 合適的母小波。經驗模態分解（EMD)技術通過自適應分解獲取具有不同時間尺度的內 稟模態函數（IMFs，也成為子信號）（參見文獻[15]N.E.Huang，Z.Shen，S.R.Long，"化6 empiricalmodedecompositionandtheHilbertspectrumfornon-linearandnon stationarytimeseriesanalysis, "Proc.民oyalSoc.LondonA, 454 (1998) 903-995.)， 并且已經被廣泛應用于旋轉設備故障診斷（參見文獻[16]J.Faiz，V.化orbanian，and B.Μ.Ebrahimi, "EMD-BasedAnalysisofIndustrialInductionMotorsWith BrokenRotorBarsforIdentificationofOperatingPointatDifferentSupply Modes, "IEEETransactiononIndustrialInformatics, 10 (2014) 957-966.文南犬[17] Stuti.Shukla,S.Mishra,andBhimSingh,"PowerQualityEventClassificationUnder NoisyConditionsUsingEMD-BasedDe-NoisingTechniques,，，IEEETransactionon IndustrialInformatics, 10(2014) 1044-1054.文獻[1 引R.Y.Li，D.He，"Rotational machinehealthmonitoringandfaultdetectionusingEMD-basedacoustic emissionfe曰turequ曰ntific曰tion, "IEEETr曰ns曰ctiononInstrument曰tion曰nd Measurement, 61 (2012) 990-1001.)。文獻[19] (V.K.Rai,A.R.Mohanty,"Bearing faultdiagnosisusingFFTofintrinsicmodefunctionsinHiIbert-Huang transform,"MechanicalSystemsandSignalProcessing, 21 (2007)2607-2165.)和 文獻[20] (J.Tang,L.J.Zhao,H.化e,W.化，T.Y.Qia