的選擇對于譜特征的數量很重要。
[0192] 軟測量模型的性能通常采用測試樣本的均方根預測誤差進行評估。當不具備足 夠的大量測試樣本時，訓練數據也需要用于評估軟測量模型性能。留一交叉驗證化00CV)、 K-折交叉驗證、Bootstrap及其改進等性能評估方法得到了廣泛應用。針對高維小樣本數 據0. 632Bootstrap和L00CV評估方法可W得到較佳性能。
[0193] 本申請采用0.632Bootstrap評估方法。假設進行R次的Bootstrap,采用磅表示 從訓練樣本抽取的樣本，并采用貨(.)表示私訓練的軟測量模型，定義〇.632Bootstrap的 均方根相對預測誤差（MSRE巧如下：
[0197]其中，r= 1，. ..，R;R1是不包含第1個訓練樣本所抽取的樣本數量；.心.、(·)表示 由全部混合樣本訓練得到的軟測量模型.
[019引為表征軟測量模型預測性能的穩定性，定義相對預測穩定性（RP巧指標如下：
[0199]
(42)
[0200] 其中，Max(RMSRE巧、Min(RMSRE巧和Mean(RMSRE巧分別表示 0. 632Bootstrap評 估方法MSREP的最大值、最小值和平均值。
[0201] 采用上述評估指標針對不同數量混合樣本建立的軟測量模型的統計結果如表2 所示。
[0202] 表2針對不同數量混合樣本建立的軟測量模型的統計結果
[0203]
[0204] 表2表明：
[0205] (1)軟測量模型預測性能的均值和最大值隨著虛擬樣本數量的增加而增加，如 當采用81個虛擬樣本時，預測誤差的均值和最大值與無虛擬樣本時的進行比較，分別從 0. 1708 和 0. 2829 減少到了 0. 1290 和 0. 1749。
[0206] (2)在所有的軟測量模型中，無虛擬樣本建立的軟測量模型具有軟測量模型預測 性能的最小值，但是該方法同時也具有最大的方差，即具有最大的預測性能波動范圍。
[0207] (3)由WS指標可知，軟測量模型的預測穩定性隨著虛擬樣本數量的增加而提高。 其中，無虛擬樣本時，WS為負值，表明其預測穩定性較差。
[020引綜上，本申請所提方法可W有效提高磨機負荷軟測量模型的預測性能。
[0209] 本發明的方法首先采用集成經驗模態分解技術巧EMD)獲得磨機筒體振動及振聲 樣本信號的多尺度時域子信號，進行進一步處理后獲得具有不同時間尺度的高維譜數據； 接著基于運些高維譜數據采用改進的選擇性集成核偏最小二乘方法（IGASEN-WL巧構建 基于可行性的規劃（FB巧模型，并基于先驗知識和FBP模型產生新的虛擬樣本；然后將其與 真實訓練樣本混合后得到混合建模樣本，并采用基于互信息（MI)的特征選擇方法進行多 尺度譜特征的自適應選擇，采用運些選擇的譜特征構建軟測量模型；最后采用實驗球磨機 的筒體振動和振聲的高維頻譜數據，基于0. 632Bootstrap評估方法驗證了所提方法的有 效性。
[0210] W上所述僅為本發明的優選實施例，并不用于限制本發明，對于本領域技術人員 而言，本發明可W有各種改動和變化。凡在本發明的精神和原理之內所作的任何修改、等同 替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1. 一種基于虛擬樣本的磨機負荷參數軟測量方法，包括： S100、將每個真實樣本分解為JIMF個真實子信號，獲得所有真實樣本的J IMF個真實子信 號向量，每個真實子信號代表具有物理含義的單一振動模態，JIMF為預定值，所述真實樣本 為在已知負荷參數下檢測獲取的磨機筒體的樣本振動信號和樣本振聲信號； S200、提取所有真實子信號的譜特征，獲取所有真實樣本的JIMF個譜特征向量； S300、對于每個譜特征向量，在所有可插值的譜特征對之間進行插值生成多個虛擬譜 特征，所述可插值的譜特征對為自身或相關向量中預定數量的元素相同的兩個真實樣本所 對應的譜特征； S400、以每個譜特征向量和對應的負荷參數為訓練樣本，訓練獲取JIMF個子輸出預測模 型； S500、以每個譜特征向量對應的所述虛擬譜特征為輸入，根據對應子輸出預測模型計 算對應的備選子輸出，并在備選子輸出符合虛擬子信號篩選條件時將當前備選子輸出作 為虛擬譜特征對應的虛擬子輸出，在重復執行預定次數仍然不能獲得虛擬子輸出時，返回 步驟S400 ; S600、基于信息熵計算JIMF個虛擬子輸出的加權系數，并基于所述虛擬子輸出和對應的 所述加權系數加權計算虛擬樣本輸出； S700、對于每個譜特征向量，將對應的虛擬譜特征和譜特征向量合并作為混合樣本輸 入，將虛擬樣本輸出和真實樣本的負荷參數合并獲取混合樣本輸出， S800、在由混合樣本輸入和混合樣本輸出組成的混合樣本中，通過自適應譜特征選擇 獲取選取的譜特征，并劃分為訓練樣本和驗證樣本； S900、根據訓練樣本和驗證樣本，訓練獲取軟測量預測模型； S1000、獲取需要進行軟測量的磨機的測試數據的譜特征； S1100、根據所述軟測量預測模型計算測試數據的譜特征對應的負荷參數。2. 根據權利要求1所述的方法，其特征在于，所述步驟S600包括： 基于如下公式計算所述虛擬樣本輸出：其中，是不同虛擬子輸出的加權系數，：為第Γ虛擬樣本的虛擬樣本輸出，為第Γ虛擬樣本的第jIMF虛擬子輸出，所述加權系數根據如下公式計算：其中，（七_)/表示第1個真實樣本基于子輸出預測模型的預測值，y:表示第1個真實樣 本中的負荷參數，k為用于進行模型訓練的樣本數量。3. 根據權利要求1所述的方法，其特征在于，所述譜特征為子信號的基于希爾伯特變 換（Hilbert Transform，HT)的邊際譜（MSHT)、希爾伯特變換的瞬時幅值和頻率的均值及 方差（MVHT)和基于快速傅里葉變換的功率譜密度（PSD)中的一項或多項。4. 根據權利要求1所述的方法，其特征在于，步驟S400包括： 5401、 對于每個譜特征向量，將其中的譜特征和對應的負荷參數組成的樣本劃分為訓 練樣本和驗證樣本 5402、 基于Bootstrap算法從訓練樣本產生J個訓練子樣本； 5403、 采用相同的核潛變量數量和核參數基于核偏最小二乘（KPLS)算法從J個訓練子 樣本訓練獲取J個候選子模型； 5404、 對每個驗證樣本計算基于第j個候選子模型的預測輸出； 5405、 基于所述預測輸出和實際負荷參數計算預測誤差e(.aild; 5406、 基于如下公式計算所有候選子模型之間的相關系數形成相關系數矩陣；其中，<ld為第j個候選子模型和第S個候選子模型之間的相關系數，kval1%驗證樣 本的數量； 由此計算得到的相關系數矩陣為：5407、 為候選子模型產生一隨機向量?%落； 5408、 以隨機向量"為初始權重參數，根據所述相關系數矩陣以遺傳算法求取使 得預測誤差最小化的優化權重參數； 5409、 選擇對應的優化權重參數大于等于預定的選擇閾值的候選子模型為集成子模型 獲得集成子模型集合； 5410、 根據自適應加權融合（AWF)算法計算獲取集成子模型集合中各子模型的集成權 重，將集成子模型集合和對應的集成權重構成所述子輸出預測模型。5. 根據權利要求1所述的方法，其特征在于，步驟S800包括： 5801、 分別計算所有譜特征和磨機負荷參數之間的互信息值； 5802、 獲取所述互信息值的最大值和最小值； 5803、 獲取以預定步長在所述互信息值的最小值和最大值之間變化的多個譜特征選擇 閾值，基于每個譜特征選取閾值選取對應的互信息值大于該譜特征選擇閾值的所有譜特征 構建偏最小二乘回歸（PLS)模型，計算每個譜特征選取閾值對應的PLS模型的預測誤差； 5804、 將預測誤差最小的PLS模型對應的譜特征集合作為提取獲得的譜特征。6. 根據權利要求1所述的方法，其特征在于，步驟S900包括： S901、基于Bootstrap算法從訓練樣本產生J個訓練子樣本； 5902、 采用相同的核潛變量數量和核參數基于核偏最小二乘（KPLS)算法從J個訓練子 樣本訓練獲取J個候選子模型； 5903、 對每個驗證樣本計算基于第j個候選子模型的預測輸出； 5904、 基于所述預測輸出和實際負荷參數計算預測誤差; 5905、 基于如下公式計算所有候選子模型之間的相關系數形成相關系數矩陣；其中，<lld為第j個候選子模型和第S個候選子模型之間的相關系數，kvalld為驗證樣本 的數量； 由此計算得到的相關系數矩陣為：5906、 為候選子模型產生一隨機向量??=ι; 5907、 以隨機向量>,}仏為初始權重參數，根據所述相關系數矩陣以遺傳算法求取使得 預測誤差最小化的優化權重參數； 5908、 選擇對應的優化權重參數大于等于預定的選擇閾值的候選子模型為集成子模型 獲得集成子模型集合； 5909、 根據AWF算法計算獲取集成子模型集合中各子模型的集成權重，將集成子模型 集合和對應的集成權重構成所述軟測量預測模型。7. 根據權利要求6所述的方法，其特征在于，步驟S909包括根據如下公式計算集成模 型中各子模型的權重：其中，σ是集成子模型對驗證樣本的預測值乾_的方差，Γ為集成模型中子模型的數 量，^為所述權重。8. 根據權利要求1所述的方法，其特征在于，步驟S300包括基于下式生成虛擬譜特 征：其中，為第Γ個插值生成第jIMF個子信號的虛擬譜特征，為第一可插值的真實樣本的輸入向量： 為第二可插值的真實樣本的輸入向量，NVS(；為預定的插 值分段的數量。9. 根據權利要求1所述的方法，其特征在于，所述磨機為球磨機，所述負荷參數包括料 球比、礦漿濃度和充填率中的一項或多項。
【專利摘要】本發明公開了一種基于虛擬樣本的磨機負荷參數軟測量方法，所述方法首先采用集成經驗模態分解技術(EEMD)獲得磨機筒體振動及振聲樣本信號的多尺度時域子信號，進行進一步處理后獲得具有不同時間尺度的高維譜數據；接著基于這些高維譜數據采用改進的選擇性集成核偏最小二乘方法(IGASEN-KPLS)構建基于可行性的規劃(FBP)模型，并基于先驗知識和FBP模型產生新的虛擬樣本；然后將其與真實訓練樣本混合后得到混合建模樣本，并采用基于互信息(MI)的特征選擇方法進行多尺度譜特征的自適應選擇，采用這些選擇的譜特征構建軟測量模型，并進行軟測量。
【IPC分類】G06F19/00
【公開號】CN105279385
【申請號】CN201510784750
【發明人】湯健, 柴天佑, 劉卓, 吳志偉, 周曉杰, 遲瑛, 賈美英, 李 東
【申請人】中國人民解放軍61599部隊計算所, 東北大學
【公開日】2016年1月27日
【申請日】2015年11月16日