音频料位计在水泥球磨机上的应用

我公司有4套Φ3.8m×12m球磨机组成的水泥粉磨系统,设计年生产能力为155万t。为使粉磨系统运行更安全、更经济地提高水泥产量和质量,而且能准确反映磨机料位水平,为中控操作人员提供可靠真实的操作数据进行优化操作。我公司通过考察论证,选用了某公司生产的AF-71型音频料位计。音频料位计是利用球磨机运行时发出的振动信号,根据对不同工况下球磨机振动信号的分析,得出了表征球磨机变化情况的信号,将球磨机控制在最佳运行工况。     

浅谈自磨机料位自动控制

自磨机的产量、质量与磨机料位有重要关系,磨机的料位自动控制急待解决.国内外都采用磨机电流和噪声信号通过计算机来控制磨机的装载量.本文重点介绍了浙江漓渚铁矿的自磨机料位自动控制装置.该装置通过磨机电流信号控制磨机装载量,基本上消除了磨机的空磨和涨肚现象,取得了较好的经济效益.     

球磨机料位自动控制原理及应用

对球磨机料位控制从自动控制方面进行了系统的分析和总结，介绍了具体应用方法。     

基于改进EWT-多尺度熵和KELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷靠经验难以准确判断的问题,提出了一种基于改进的经验小波变换(empirical wavelet transform, EWT)-多尺度熵和核极限学习机(KELM)的球磨机负荷识别方法。首先,针对筒体振动信号的多样性和复杂性特点,对EWT频谱分割方法进行改进,通过构建信号仿真模型,比较EWT、EMD的分解效果,证明该方法的有效性。再将不同负荷状态下的筒体振动信号用改进的EWT算法进行分解得到内禀模态函数(intrinsic mode function, IMF),接着,对分解后的IMF分量进行相关性分析得到敏感分量进行重构;最后,将重构信号的多尺度熵作为表征磨机不同负荷状态的特征向量,并计算多尺度熵偏均值。结果表明：三种负荷信号的多尺度熵及多尺度熵偏均值都存在明显的差异,关系表现为:欠负荷>正常负荷>过负荷。将提取的多维特征向量进行归一化处理并作为KELM的输入,磨机负荷状态作为输出,利用核排列(kernel target alignment, KTA)算法优化核参数,建立磨机负荷状态识别最优模型;通过磨矿实验验证了方法的可行性,相比SVM整体识别率提高了3.4%,且对于EMD-多尺度熵、EWT-多尺度熵分别提高了12.3%、8.9%。     

基于EMD和ICA的AR模型在两相

为了对气液两相流流型进行准确识别,提出了一种基于经验模态分解（EMD）和独立成分分析（ICA）的AR模型的流型识别方法。该方法首先提取气液两相流动态差压信号,通过EMD技术对其进行分解,对分解出来的高频模态进行小波包消噪,然后通过ICA技术实现原始信号的降维处理。对通过ICA得到的独立分量建立AR模型,将模型参数和残差方差作为特征向量,建立不同流型的模板向量。计算未知流型信号的特征向量与模板特征向量的综合Mahalanobis距离,通过比较各判别距离的大小得到流型识别的结果。对40 mm水平管气水两相流进行实验,利用文丘里管采集动态差压信号,采用上述处理过程可以对泡状流、弹状流、塞状流进行有效识别,识别率达94.3％。该方法受环境条件影响小,可以有效滤除信号中的噪声成分,识别率高,易于工程实现。     

消息报道

我厂以前噪声最大的是磷肥球磨机,但自从把球磨机改为橡胶衬里后,它的噪声问题得到了解决,而硫酸鼓风机的噪声就变为主要矛盾。为了解决     

基于EMD和ICA的AR模型在两相流流型识别中的应用

为了对气液两相流流型进行准确识别,提出了一种基于经验模态分解(EMD)和独立成分分析(ICA)的AR模型的流型识别方法。该方法首先提取气液两相流动态差压信号,通过EMD技术对其进行分解,对分解出来的高频模态进行小波包消噪,然后通过ICA技术实现原始信号的降维处理。对通过ICA得到的独立分量建立AR模型,将模型参数和残差方差作为特征向量,建立不同流型的模板向量。计算未知流型信号的特征向量与模板特征向量的综合Mahalanobis距离,通过比较各判别距离的大小得到流型识别的结果。对40mm水平管气水两相流进行实验,利用文丘里管采集动态差压信号,采用上述处理过程可以对泡状流、弹状流、塞状流进行有效识别,识别率达94.3%。该方法受环境条件影响小,可以有效滤除信号中的噪声成分,识别率高,易于工程实现。     

自适应小波降噪的泵机组故障诊断

泵机组故障诊断的难点在于信号特征向量的提取,而故障特征往往淹没在复杂的噪音中。本文利用自适应小波函数对采集到的振动信号进行降噪,滤掉了无关的噪声信息,根据振动能量的分布,对降噪过的信号进行四层小波包分解,提取出的特征向量分布明显。最后将分类特征向量输入神经网络进行训练,测试的结果证明,该方法识别精度高、速度快,具有良好的应用前景。     

一种气,固流化床料位检测的新方法

料位高度是气、固流化床内重要的基本参数之一。虽然有压降法、测温法、电容法和回波法等可用于料位的测量,但是这些方法作为工业应用都不能令人满意。本文根据流化床内部特性提出了利用流化床内压力波动信号和料面附近的平均压力降测量流化床料位高度的新方法。实验表明,这种方法原理简单,测量精度高。不仅能测量流化床内料位的平均高度。而且还能得到料位的瞬时高度和波动范围;且测量结果不受流化床的几何尺寸、床内物料的特性及流化状态等因素的影响,从而为工业流化床提供了一种料位在线测量的新方法。     

以钢段代替钢球磨矿降低噪声强度的探索与实践

球磨机磨矿产生的噪声是选矿生产中的主要噪声源,尤其是在封闭的厂房内,球磨机噪声最高可达110 dB。在开展钢段作为球磨机磨矿介质的磨矿试验研究中发现,使用钢段磨矿相比钢球磨矿,球磨机噪声强度明显降低;同时对比两个浮选厂现场磨矿噪声强度,在最佳介质级配条件下钢段磨矿噪声相比钢球磨矿降低15 dB,效果显著。     

长距离输油气管道泄漏监测与准实时检测技术研究

在实验研究基础上,采用巴特沃兹滤波方法去除信号中的噪声干扰,将基于傅立叶方法的故障诊断方法引入长距离输油气管道泄漏监测与准实时检测技术中,对可以反映油气的泄漏压力信号的相关特征向量指标进行了系统研究。该方法对实验得到的压力信号进行快速傅里叶变换,解决了对时域信号向频域转化的难题,进而通过对加窗后重构的新序列进一步分析,就能根据不同频域内的特征向量值完成对产生泄露原因的识别。并在后期的实际应用中取得了相对较好的效果,同时在上述研究基础上,对总结油气管道泄露检测与准实时检测技术进行分析,为该技术的进一步发展与完善提供指导性建议。     

焦炉煤车料位显示的改造

酒钢焦化厂现有4台装煤车,其中2台MC-1型装煤车长期以来没有料位显示及控制装置,1台JZ-6-34型装煤车采用电容式接触型料位显示计,1台装煤车采用雷达料位计.目前,因电容式接触型料位显示计故障较多,雷达料位计因备件费较高,且料位显示均为高、中、低3点,不能做到料位的连续显示.为此,我们通过实验,得出煤斗煤量与接触电阻、导电率存在线性关系,实现煤斗料位的连续信号采集.     

球磨机隔声罩技术的应用与研究

本文对球磨机噪声进行了测试与分析，结合隔声技术的原理，提出了如何利用隔声技术降低球磨机噪声的方法，以及设计和使用中应该考虑的问题。并在试验磨机上进行了实际试验，取得了较为理想的效果。     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

水泥厂噪声污染分析及综合治理

文章分析了水泥厂噪声污染的特点,阐述了噪声对人健康的危害,重点分析了球磨机和风机噪声的控制原理和具体方法,提出了综合治理的措施。     

声电变送器——电耳

球磨机在运转时产生噪声的大小能比较敏锐地反映负载量的大小。因球磨机滚筒内装载的矿石对钢球来说在转动时产生的噪声较小,且对钢球的撞击起着缓冲作用,故致使矿量增加到发生“胀肚”时,声音变小。而当矿量减少到出现“空砸”时,声音反而增大。使用声电变送器将检拾的噪声转换为标准电信号,就可以达到检测及控制球磨机自动给矿的目的。     

基于数据融合与案例推理的球磨机负荷优化控制

在以球磨机为主要生产设备的工业过程中,球磨机负荷是与生产效率和能源消耗密切相关的重要指标。针对难以采用常规方法控制球磨机负荷的难题,将多传感器数据融合和案例推理方法相结合,提出了氧化铝生料浆配料过程的球磨机负荷优化控制方法。利用球磨机的振动和电流信号,采用多传感器数据融合方法在线估计出球磨机的负荷状态,在此基础上,采用案例推理方法自动调整进入球磨机的干料总量,从而使球磨机在“最佳负荷状态”下运行。将所提出的优化控制方法进行工业实验,结果表明,球磨机的台时产能得到了较大提高,同时降低了能源消耗并减少了“堵磨”故障次数,取得了良好的经济效益。所提出的方法为化工、冶金和电力等其他行业的球磨机负荷控制提供了重要的参考价值。     

TDLAS甲烷气体检测中驱动信号发生电路的设计

为了满足TDLAS甲烷气体检测要求,以STM32为核心,结合DAC8830、AD9833和OPA188芯片,设计一个驱动信号发生电路。实验数据表明:低频锯齿波信号和正弦波信号噪声小,有效滤除低频噪声干扰;将低频锯齿波信号与10k Hz正弦波叠加,使信号调制到较高频率,通过二倍频正弦波对检测信号进行分析,满足激光器对气体检测驱动信号的要求。     

基于相关性小波奇异熵的滚动轴承故障特征提取

针对轴承故障信号受噪声影响严重,导致故障特征提取稳定性较差的问题,将小波变换、相关性、奇异值分解和信息熵理论相结合,提出一种基于相关性小波奇异熵的轴承故障特征提取方法。该方法首先将轴承信号进行小波分解,利用小波分解系数和噪声的相关性特点不同,引入相关计算以去除噪声的影响;然后对相关处理后的规范化系数进行奇异值分解,轴承的不同故障信息就体现在奇异值中;再利用信息熵的统计特性对奇异值进行不确定度计算;最后,以相关性小波奇异熵作为特征向量,通过概率神经网络对滚动轴承故障进行识别。实验表明:该方法能够有效地提取轴承故障特征,具有良好的容噪能力和稳定性。     

基于类别特征提取的组合支持向量机模型

在建立复杂生产过程软测量模型时,使用单一的支持向量机模型或基于传统聚类方法的组合支持向量机模型有时难以很好地跟踪突变信号或取得满意的泛化效果.为解决这个问题提出了一种改进的线性判别分析算法.该算法结合类边界分析得到类别的特征向量,利用该特征向量将数据变换后分别建立支持向量机子模型,并用各组特征向量中有效特征值之和构建各...