选择性融合多尺度筒体振动频谱的磨机负荷参数建模

针对目前采用经验模态分解(empirical model decomposition,EMD)得到的系列子信号构建的磨机负荷参数软测量模型泛化性能差、难以进行清晰物理解释,以及EMD算法存在的模态混叠等问题,本文提出了基于选择性融合多尺度筒体振动频谱的建模方法.首先采用EMD、集合EMD(ensemble EMD,EEMD)、希尔伯特振动分解(Hilbert vibration decomposition,HVD)共3种多组分信号自适应分解算法获得磨机筒体振动多尺度子信号的集合,接着通过相关性分析剔除虚假无关部分,然后再将与原始信号相关性强的那部分多尺度子信号变换至频域,进而更有利于构建这些多尺度频谱与磨机负荷参数间的映射模型,最后通过改进分支定界选择性集成(improved branch and bound based selective ensemble,IBBSEN)算法建立软测量模型,实现对多源多尺度筒体振动频谱的最优选择性信息融合.基于实验球磨机运行数据的仿真实验表明所提方法在模型可解释性和泛化性能上均优于之前研究所提出方法.     

基于多尺度振动和振声频谱特征自适应提取与选择的磨机负荷参数软测量

针对磨机筒体振动/振声多尺度频谱与磨机负荷参数间的模糊特性、多源多尺度频谱间的冗余性与互补性,以及现有文献中潜结构选择性集成模型难以模拟运行专家“听音”推理识别磨机负荷参数等问题,提出一种基于多尺度振动/振声频谱特征自适应提取与选择的磨机负荷参数软测量模型.该方法首先进行多尺度频谱获取,然后基于核潜结构映射和互信息进行多尺度振动和振声频谱特征的自适应提取和选择,最后采用同步聚类算法、Madani模糊模型以及基于分支定界和自适应加权融合算法的选择性集成学习策略构建磨机负荷参数软测量模型.通过实验球磨机验证了所构建的软测量模型能够模拟运行专家的模糊推理机制,具有较好的建模精度.     

基于振动频谱的磨矿过程球磨机负荷参数集成建模方法

以磨矿过程的湿式球磨机为背景, 针对传统磨机负荷(ML)检测方法只能依靠灵敏度较低的轴承振动、筒体振声和磨机功率等信号监督判断ML状态, 难以检测磨机内部负荷参数的问题, 提出了一种基于高灵敏度的筒体振动频谱的集成建模方法. 首先, 依据磨矿过程的研磨机理, 将振动频谱采用波峰聚类方法自动划分具有不同物理意义的分频段; 然后利用核偏最小二乘(KPLS)算法分别建立各分频段的ML参数子模型; 最后, 依据子模型训练数据预测误差的信息熵获得初始权重, 加权得到最终的ML参数集成预测模型; 在线使用中则根据子模型预测误差的变化进行权值的在线自适应更新. 仿真结果证明了该方法的有效性.     

基于自适应多核潜结构映射选择性集成模型的磨机负荷参数预测

磨机负荷参数是影响选矿流程产品质量和产量的难以检测关键过程变量.磨机研磨产生的多源机械信号频谱与磨机负荷参数间存在复杂的非线性映射关系.核潜结构映射(KPLS)算法适合构建基于频谱数据的磨机负荷参数预测(MLPF)模型.针对上述难点,本文提出一种面向MLPF的自适应多核潜结构映射选择性集成(SEN)模型.首先,基于经验模态分解(EEMD)和时频变换技术处理多源机械信号,得到基于不同时间尺度候选子信号的频谱数据;接着,采用KPLS和分支定界选择性集成(BBSEN)算法,构建基于多尺度频谱的候选子子模型和SEN子模型;最后,从候选子子模型和SEN子模型中优选获得不同时间尺度的候选子信号模型,并再次采用BBSEN算法优选集成子信号模型并加权组合,构建最终的MLPF模型.基于实验球磨机的实际运行数据仿真验证了所提方法的有效性.     

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.     

基于自适应多核潜结构映射选择性集成模型的磨机负荷参数预测（英文）

磨机负荷参数是影响选矿流程产品质量和产量的难以检测关键过程变量.磨机研磨产生的多源机械信号频谱与磨机负荷参数间存在复杂的非线性映射关系.核潜结构映射(KPLS)算法适合构建基于频谱数据的磨机负荷参数预测(MLPF)模型.针对上述难点,本文提出一种面向MLPF的自适应多核潜结构映射选择性集成(SEN)模型.首先,基于经验模态分解(EEMD)和时频变换技术处理多源机械信号,得到基于不同时间尺度候选子信号的频谱数据;接着,采用KPLS和分支定界选择性集成(BBSEN)算法,构建基于多尺度频谱的候选子子模型和SEN子模型;最后,从候选子子模型和SEN子模型中优选获得不同时间尺度的候选子信号模型,并再次采用BBSEN算法优选集成子信号模型并加权组合,构建最终的MLPF模型.基于实验球磨机的实际运行数据仿真验证了所提方法的有效性.     

基于虚拟样本生成技术的多组分机械信号建模

采用具有多组分、非平稳、非线性等特性的机械振动/振声信号构建数据驱动软测量模型,是目前工业界测量高能耗旋转机械设备内部难以检测过程参数的常用手段.针对机械信号产生机理的复杂性导致模型解释性弱,以及工业过程连续不间断运行和机械设备旋转封闭的特殊性导致获取完备训练样本的经济性差和周期性长等问题,本文提出一种基于虚拟样本生成（Virtual sample generation,VSG）技术的多组分机械信号建模方法.首先,将机械信号自适应分解为具有不同时间尺度的平稳子信号并变换为多尺度谱数据;接着,采用适合于小样本高维数据建模的改进选择性集成核偏最小二乘（Selective ensemble kernel partial least squares,SENKPLS）算法构建面向真实训练样本的基于可行性的规划（Feasibility-based programming,FBP）模型,提出一种综合先验知识和FBP模型等手段面向高维谱数据的VSG技术,用以弥补真实训练样本的短缺问题;然后,基于互信息（Mutual information,MI）对由真实和虚拟训练样本组成的混合建模数据进行自适应特征选择;最后,基于约简的混合训练样本采用SENKPLS构建软测量模型.以近红外谱数据和磨矿过程实验球磨机的筒体振动/振声信号验证所提VSG技术和面向多组分机械信号建模方法的合理性和有效性.     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于AMD的信号趋势项提取和应用

研究基于解析模态分解（analytical mode decomposition, AMD）法的信号趋势项提取方法,将趋势项定义为满足一定频率限值的信号分量,并探讨AMD的端部效应。对比AMD和经验模态分解（empirical mode decomposition, EMD）法的数值模拟与实测数据结果,验证该方法的可行性。分析结果表明：AMD法和EMD法对于趋势项的提取都具有很好的适用性,无须事先假定趋势项类型;与EMD法相比,AMD法处理长时间数据的效率更高。 关键词： 振动信号; AMD; EMD; 信号趋势项     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

Soft sensor for parameters of mill load based on multi-spectral segments PLS sub-models and on-line adaptive weighted fusion algorithm

The parameters of mill load (ML) not only represent the load of the ball mill, but also determine the grinding production ratio (GPR) of the grinding process. In this paper, a novel soft sensor approach based on multi-spectral segments partial least square (PLS) model and on-line adaptive weighted fusion algorithm is proposed to estimate the ML parameters. At first, frequency spectrums of the shell vibration acceleration signals are obtained. Then the PLS sub-models are constructed with the low, medium and high frequency spectral segments. At last, the PLS sub-models are fused together with a new on-line adaptive weighted fusion algorithm to obtain the final soft sensor models. This soft sensor approach has been successfully applied in a laboratory-scale wet ball mill grinding process.     

Feature extraction and selection based on vibration spectrum with application to estimating the load parameters of ball mill in grinding process

Feature extraction and selection are important issues in soft sensing and complex nonlinear system modeling. In this paper, a new feature extraction and selection approach based on the vibration frequency spectrum is proposed to estimate the load parameters of wet ball mill in grinding process. This approach can simplify the modeling process. In this study, the vibration acceleration signals are first transformed into the frequency spectrum by fast Fourier transform (FFT). Then the candidate features are extracted and selected from the frequency spectrum, which include characteristic frequency sub-bands, spectral principal components, and features of local peaks. Mutual information, spectral segment clustering and kernel principal component analysis are used to obtain these candidate features. Finally, a combinatorial optimization method based on adaptive genetic algorithm selects the input sub-set and parameters of the soft sensor model simultaneously. This approach is successfully applied in a laboratory scale wet ball mill. The test results show that the proposed approach is effective for modeling the parameters of mill load.     

基于ASOS-ELM的球磨机负荷参数软测量系统设计

球磨机负荷参数是决定磨矿工作质量和效率的重要指标,为了提升球磨机负荷参数软测量系统的运行性能,降低综合测量误差,利用ASOS-ELM算法,从硬件和软件两个方面,设计球磨机负荷参数软测量系统。加设球磨机工作数据采集器,改装处理器与输出显示屏,扩大存储器空间,利用电源电路连接硬件设备,完成硬件系统的设计。根据球磨机的组成结构和工作原理,构建球磨机数学模型,在该模型下,采集球磨机不同工况下的振动信号。利用ASOS-ELM算法,提取振动信号特征,得出球磨机球负荷、料负荷、水负荷参数的软测量结果,实现球磨机负荷参数软测量系统设计。通过系统测试实验结果表明,设计系统负荷参数的综合测量误差降低了约0.064kg,且系统运行性能得到明显提升。     

在线KPLS建模方法及在磨机负荷参数集成建模中的应用

针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口 和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题, 提出了一种在线 核偏最小二乘(On-line kernel partial least squares, OLKPLS)建模方法. 该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence, ALD)值和代表工业过程特性漂移幅度的 阈值, 选择有价值样本更新KPLS模型, 并采用合成数据和Benchmark平台数据对该方法进 行了仿真验证. 针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨 矿过程时变特性的问题, 提出了基于OLKPLS和在线自适应加权融合算法的在线集成建模方 法, 并通过实验球磨机的实际运行数据仿真验证了方法的有效性.     

基于多模态特征子集选择性集成建模的磨机负荷参数预测方法

如何融合球磨机系统研磨过程所产生的多模态机械信号构建磨机负荷参数预测(Mill load parameter forecasting, MLPF)模型是当前研究的热点. 针对上述问题, 本文提出一种基于多模态特征子集选择性集成(Selective ensemble, SEN)建模的MLPF方法. 首先, 对多模态机械信号进行时频域变换得到高维频谱数据; 接着, 采用相关系数法和互信息法对多模态频谱进行线性和非线性特征子集的自适应选择; 最后, 采用优化和加权算法对上述特征子集的候选子模型进行自适应地选择与合并, 得到基于SEN机制的MLPF模型. 采用磨矿过程实验球磨机的机械信号仿真验证了所提方法的有效性.     

Predicting mill load using partial least squares and extreme learning machines

Online prediction of mill load is useful to control system design in the grinding process. It is a challenging problem to estimate the parameters of the load inside the ball mill using measurable signals. This paper aims to develop a computational intelligence approach for predicting the mill load. Extreme learning machines (ELMs) are employed as learner models to implement the map between frequency spectral features and the mill load parameters. The inputs of the ELM model are reduced features, which are extracted and selected from the vibration frequency spectrum of the mill shell using partial least squares (PLS) algorithm. Experiments are carried out in the laboratory with comparisons on the well-known back-propagation learning algorithm, the original ELM and an optimization-based ELM (OELM). Results indicate that the reduced feature-based OELM can perform reasonably well at mill load parameter estimation, and it outperforms other learner models in terms of generalization capability.