[发明专利]球磨机筒体内部负荷软测量方法、装置以及系统

权利要求书

1.一种球磨机筒体内部负荷软测量方法，其特征在于，包括：

获取球磨机筒体的振动信号和振声信号；

依据所述振动信号及所述振声信号构建所述球磨机筒体内部的负荷特征向量；

依据所述负荷特征向量和预设的极限学习机模型，预测所述球磨机筒体的负荷参数；所述预设的极限学习机模型通过所述球磨机筒体不同负荷状态下的负荷特征向量及改进的共生生物算法对极限学习机模型进行训练后得到；

所述构建所述球磨机筒体内部的负荷特征向量包括：

依据经验模态分解法将所述振动信号分解为多个第一经验模态分量，将所述振声信号分解为多个第二经验模态分量；

依据每个第一经验模态分量与所述振动信号的相关度提取第一敏感分量，依据每个第二经验模态分量与所述振声信号的相关度提取第二敏感分量；

将所有第一敏感分量进行重构，得到重构后的振动信号；

将所述重构后的振动信号经逆向云发生器后得到所述重构后的振动信号的云模型特征向量；

依据IMF能量法得到每个第二敏感分量的能量占比特征向量并归一化；

以所述云模型特征向量及所有归一化后的能量占比特征向量构建所述负荷特征向量；

所述IMF能量法包括：

计算所有第二敏感分量的能量E_i：

构建包括所有第二敏感分量的能量的特征向量集合T：

T＝[E₁,E₂,E₃,…,E_n]；

将所述特征向量集合T转换为包括所有第二敏感分量的能量占比的改进的特征向量集合T'：

对所述改进的特征向量集合T'进行归一化处理：

其中，c_i(t)表示经所述经验模态分解法分解得到的所述第二经验模态分量，x为当前所述第二敏感分量的能量占比，x^*为归一化后的所述第二敏感分量的能量占比，max为集合T'中所述第二敏感分量的能量占比的最大值，min为集合T'中所述第二敏感分量的能量占比的最小值；

所述预设的极限学习机模型的训练过程包括：

建立极限学习机模型；

对所述极限学习机模型的输入权值和隐含层阈值随机赋值；

以所述球磨机筒体不同负荷状态下的负荷特征向量作为训练集对所述极限学习机模型进行训练，调整所述极限学习机模型的输出权值，以使得所述极限学习机模型输出的所述球磨机筒体的负荷参数的输出值和实际值的误差最小；

通过混沌自适应鲸鱼优化算法对所述极限学习机模型进行参数优化，得到最佳输入权值和最佳隐含层阈值；

通过所述改进的共生生物算法对所述极限学习机模型的激活函数参数进行优化，得到所述预设的极限学习机模型；

所述改进的共生生物算法包括：

以所述极限学习机模型的激活函数参数为个体构建初始种群，确定个体数量及最大迭代次数；

计算个体的适应度值，依据每个个体的适应度值大小对个体进行排序；

将适应度值最大的个体确定为所述初始种群中的最优个体；

随机从所述初始种群中选择个体X_i与个体X_j产生互利，使得个体X_i与个体X_j分别向所述最优个体学习，并按如下公式对X_i及X_j进行更新：

其中，缩放因子rand(0,1)为[0,1]之间的随机数，X_best为当前最优个体，BE₁、BE₂为互利系数，iter是当前迭代次数，iter_max是最大迭代次数，M_v为互利向量，

经历共栖阶段：通过X_inew＝X_i+rand(-1,1)×(X_best-X_j)对X_i进行更新，其中，rand(-1,1)为[-1,1]之间的随机数；X_best-X_j表示X_i在X_j提供的帮助下不断向所述最优个体靠拢，并只留下最优的个体；

经历寄生阶段：依据所述初始种群中个体的适应度值将所述初始种群划分为精英种群及普通种群，分别对所述精英种群及所述普通种群中的个体产生寄生向量并更新个体；

更新所述初始种群，直至达到预设的终止条件，得到所述极限学习机模型的激活函数参数的最优解。