[发明专利]一种磨机负荷参数软测量方法

说明书

本发明公开了一种磨机负荷参数软测量方法，本发明的方法面向筒体振动和振声信号的多尺度和非稳态特性，基于不同视角，采用多种不同的信号分解技术将原始筒体振动信号和振声信号分解为系列子信号。将选择的子信号频谱和原始信号频谱作为多源多尺度信息构建磨机负荷参数软测量模型。采用基于自适应遗传算法(AGA)和分支定界(BB)算法的全局优化选择性集成核偏最小二乘(GOSENKPLS)优化选择候选子模型和选择性集成模型(SEN模型)的结构参数和学习参数，实现对多源多尺度信号的有效选择性融合。本发明可以提高磨机负荷参数软测量的精确性。

技术领域

本发明涉及软测量领域，具体涉及一种磨机负荷参数软测量方法。

背景技术

球磨机是一类重型封闭连续工作的旋转机械设备。它们广泛的应用于磨矿过程，并且是这些生产过程的瓶颈设备(参见文献T.Y.Chai,“Operational optimization andfeedback control for complex industrial processes,”Acta Automatica Sinica,Vol.39,No.11,pp.1744-1757,May.2013.)。球磨机内部负荷参数(如料球比(MBVR)、磨矿浓度(PD)、充填率(CVR))的过高或过低会导致磨机过负荷或欠负荷(参见文献P.Zhou,T.Y.Chai,H.Wang,“Intelligent optimal-setting control for grinding circuits ofmineral processing,”IEEE Transactions on Automation Science and Engineering,Vol.6,No.4,pp.730-743,April.2009.)。磨机过负荷会导致“磨机吐料”、“磨机出口粒度变粗”、“堵磨”，甚至“磨矿过程停产”；磨机欠负荷会导致磨机“空砸”，导致能源浪费、增加钢耗和研磨设备损坏。可见，磨机负荷参数与产品质量和产量相关，过高或过低甚至会导致研磨设备损坏。因此，它们是实现磨矿过程的优化运行和控制的关键过程参数。磨机负荷参数难以直接检测，其主要原因是球磨机封闭连续旋转的工作特点导致检测仪表不能被安装或无损害的使用。特殊设计的Sensomag检测装置(参见文献P.Keshav,B.D.Haas,B.Clermont,A.Mainza,M.Moys,“Optimisation of the secondary ball mill using an on-lineball and pulp load sensor-The Sensomag,”Minerals Engineering,Vol.24,No.3-4,pp.325-334,Feb.2011.)直接安装在磨机内部，其冲击防护和电力供给问题很难实现。磨机负荷参数也难以通过机理模型分析求得，主要原因：一是磨机入口给料存在的难以检测的频繁波动；二是磨矿过程的复杂物理、物理化学和力学过程。尽管磨机的研磨机理不是很清晰，但是物料破碎和研磨的实现主要依赖于钢球负荷的冲击行为。这个过程产生强烈的振动和振声信号。因此，这些信号被领域专家广泛应用于估计磨机负荷参数。

通常，磨机内部装载数以万计的钢球。理论上，这些钢球表面被矿浆覆盖并且分层排列。它们以不同的幅值和周期直接或间接的冲击磨机筒体。由这些冲击力导致的磨机筒体振动信号必定是由具有不同时间尺度的子信号组成。筒体振动信号具有多组分和非稳态特性。由于振动是振声信号的主要来源之一，振声信号的组成也许更为复杂。在工业实践中，领域专家基于多源信息通过他们的“人脑模型”估计他们所熟悉的磨机负荷及负荷参数来确保生产过程的安全。最常用的信号是磨机研磨区域附近的振声信号。优秀的领域专家能够“听音估计”磨机负荷参数。研究表明人耳在本质上是一组带通滤波器。因此，在某种角度上，“听音估计”过程可以被认为是一个认知建模过程，其主要包括：基于人耳的带通滤波、基于人脑的特征提取、基于专家经验的估计模型构建。本质上，这是个基于选择性融合多源多组分子信号的建模过程。