基于LabVIEW的磨机负荷自动测试与分析系统

根据磨机的运行特点和负荷测试要求,开发了一套基于LabVlEw的磨机负荷测试系统.该系统以图形化编程语言LabVIEW为软件开发平台,以声音、振动传感器,USB-9215A型数据采集模块和计算机搭建了PCDAQ通用硬件平台.将虚拟仪器技术应用到磨机负荷测试中,使测试系统搭建快捷、方便,人机界面友好,实现了信号采集、文件存取、数据处理和显示功能.现场测试表明系统测试、分析结果正确有效,完全可以满足实用要求.     

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.     

磨音检测与处理方法研究

介绍一种根据磨机在粉磨过程中发出的噪声信号 ,用人工智能方法来对磨机喂料负荷进行识别。它可以有效地去除声音信号中的各种噪声 ,准确地反映出磨机的负荷状态。由于文章篇幅限制 ,只介绍其中的磨音检测和噪声处理部分 ,磨音与磨机负荷的数学模型将在后续文章中阐述     

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.     

磨音检测与处理方法研究

介绍一种根据磨机过程中发出的噪声信号，用人工智能方法来对磨机喂料负荷进行识别。它可以有效地去除声音信号中的各种噪声，准确地反映出磨机的负荷状态。由于文章篇幅限制，只介绍其中的磨音检测和噪声处理部分，磨音与磨机负荷的数学模型将在后续文章中阐述。     

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.     

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.     

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.     

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．