[发明专利]一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法

说明书

技术领域

本发明涉及矿渣粉磨系统的健康状态识别和诊断，特别涉及一种基于数据挖掘的矿渣粉磨系统健康状态识别系统与方法。

背景技术

立磨是一种用于将大颗粒的矿渣等物料研磨至细微颗粒的设备，主要对建材、化工、钢铁等行业产生的废渣进行粉磨，实现废渣的再利用，经研磨得到的微粉通常作为水泥生产的原料。但是矿渣粉磨系统工艺复杂，工作环境恶劣，长期高负荷运行，系统经常会出现各种故障，控制系统连锁反应会导致整条生产线停止运转，进而导致生产线停顿的低效局面。因此，迫切需要对矿渣粉磨系统健康状态进行识别和评估，预测立磨系统的健康状态。

健康状态预测技术是在对设备系统的健康状态进行综合评价，在获取了表征健康状态性能参数的基础上，分析性能参数的时间序列，将其变化趋势外扩得到未来一段时间内装备的健康状态变化规律的技术。近年来国内外学者对复杂装备的健康状态预测技术，从随机理论和模糊理论的角度对此问题进行研究，主要方法有融合预测法、ARMA模型预测法、隐马尔科夫预测法、模糊神经网络预测法、卡尔曼滤波器预测法。融合预测法是基于同类装备的时间序列数据在不同权重下的融合曲线作为预测曲线的方法，方法简单、直观，不依赖于系统物理模型，但需要较多样本数据。牛小玲等将融合技术应用于瓦斯突出的预测问题，得了较好的预测结果。ARMA模型预测技术是在自回归模型(AR模型)和滑动平均模型(MA模型)的基础上建立起来的一种时间序列预测方法，方法在使用时不需要系统模型，但仅适用于短期预测。Pham等用线性ARMA模型和非线性GARCH模型预测装备系统的退化状态。隐马尔科夫预测法是根据可观察到的性能参数值的时间序列根据最大似然理论求隐藏的健康状态序列的马尔科夫过程，方法是从样本装备的全寿命数据提取参数，以可用于长期预测，但大量的样本数据不易获取。彭颖通过分析液压泵的监测数据，用考虑老化因子的隐半马尔科夫模型(HSMM)预测方法能很好的描述液压泵性能退化过程。模糊神经网络预测法是基于模糊推理不断训练神经网络权值的预测模型，方法利用模糊理论处理非线性问题，适应性强，但是需要专家知识，移植性差。随着微粉行业的自动化和信息化程度的提高，DCS控制系统在工厂中得到了普遍应用，数据库中积累了大量生产数据。

发明内容

为了更好的实现立磨健康状态识别和诊断，本发明提供一种基于数据挖掘的矿渣粉磨系统健康状态识别系统与方法。具体技术方案如下：

一种基于数据挖掘的矿渣粉磨系统健康状态识别系统，包括：数据预处理模块、立磨健康状态评估指标挖掘模块、立磨健康状态聚类分析模块、立磨状态评估指标特征获取模块、立磨实时特征参数预测模块，其中：

数据预处理模块，对立磨采集的数据进行异常值处理、空值处理、离散化处理和归一化处理，为数据的挖掘分析做好了准备；

立磨健康状态评估指标挖掘模块，利用一种综合的特征筛选方法对工况数据进行挖掘分析，得到影响立磨稳定的关键参数，作为立磨健康状态评估的指标；

立磨健康状态聚类分析模块，基于确定的立磨健康状态评估的指标，对工况状态进行聚类挖掘分析，得到稳定模式工况库；

立磨状态评估指标特征获取模块，分析立磨运行状态下的采集的实时数据的特点，确定进行实时状态判断的特征值；

立磨实时特征参数预测模块，利用ARIMA算法对立磨健康状态特征获取模块中确定的特征值进行模型训练，预测参数的变化趋势，用预测值辅助状态识别。

进一步地，所述的数据预处理模块中，数据异常值处理、空值处理，通过数据筛选和数据清洗实现。离散化处理和归一化处理，由特征简约和数据变换实现。

进一步地，所述的立磨健康状态评估指标挖掘模块中，一种综合的特征筛选方法由随机lasso、岭回归、随机森林、稳定性选择和递归特征消除这五种方法综合组成。筛选算法是通过求解输入变量和输出变量之间的关系，分别使用五种方法对每个特征的重要性予以打分，对五种得分情况进行处理，按照处理后的得分结果对特征的重要度进行评估，确定待选特征集中的关键特征。

进一步地，进行立磨运行关键特征筛选的具体步骤如下：

1)以振动作为输出y，以其他特征为输入x，分别使用五种方法对待选特征集进行筛选，计算每个特征的得分；

2)不同的方法特征筛选的机制不一样，为消除筛选机制的不同造成的分数差异，对每种算法的得分结果都利用最大最小值的规范化方法进行处理，把得分限制在[0，1]之间，然后求每个参数特征的平均得分，把平均值作为特征重要性排序的依据，进行特征值选择。