[发明专利]基于多层相关性的多通道机械频谱子频段特征评估方法

说明书

本发明公开一种基于多层相关性的多通道机械频谱子频段特征评估方法。首先，将多通道机械信号进行时频域变换得到多通道频谱数据，将这些频谱数据划分为若干个子频段并获取特征；接着，计算这些多通道子频段特征与磨机负荷间的标准化相关系数值；然后，采用所选择的子频段特征基于偏最小二乘算法计算子频段特征的变量投影重要性(VIP)值，并进行标准化处理；最后，采用标准化的相关系数与VIP值，并结合磨机负荷预测性能，定义基于单个通道和全部通道的综合评估指标，用于度量子频段特征的重要程度。采用磨矿过程实验球磨机的多通道机械信号验证了所提方法的有效性。

技术领域

本发明属于磨机磨矿技术领域，尤其涉及基于多层相关性的多通道机械频谱子频段特征 评估方法。

背景技术

磨矿过程的湿式球磨机负荷(ML)是指球磨机内部钢球、矿石和水负荷的总和[1]，其 决定选矿过程全流程的生产效率，对其进行实时检测是实现该过程优化控制的关键因素之一 ^[2]。磨机是封闭旋转运行的重型机械设备。文献[3,4]最早提出采用振动信号对磨机内部参数 进行监视和分析。文献[5]基于实验磨机的轴承座振动信号对负荷的动态变化进行研究。面 对工业干式球磨机，文献[6]利用前后轴承座的振动信号对磨煤过程的负荷(煤和钢球)进 行监视和诊断，文献[7]同时采用轴承座振动和研磨区域的振声信号对磨机负荷进行实验分 析，但是这些研究未涉及理论上灵敏度更高的筒体振动信号。文献[8]通过实验磨机分析了 筒体振动强度与磨机内部料位间的映射关系。针对磨矿过程的湿式磨机负荷的研究较少。文 献[9]定义了磨矿过程的ML参数(即料球比MBVR、磨矿浓度PD和充填率CVR)，并基于 实验磨机数据对筒体振动信号进行了详细分析。进一步，文献[10]针对不同研磨条件(如湿 磨和干磨、粗磨和细磨，以及磨机速度和负荷变化的情况下)的筒体振动信号进行详细分析， 结果表明筒体振动信号能够有效表征ML。因此，显然，在磨机筒体、磨机轴承、磨机研磨 区域等不同位置所采集的振动/振声等机械信号在其产生机理、针对ML的灵敏度及所蕴含 的ML信息等方面存在差异性、冗余性与互补性[11]。

研究表明，机械信号具有显著的非平稳和多组分特性，其特征难以在时域内提取[12]。 通常采用信号处理技术进行预处理以便提取更显著特征[13,14]，最常用方法是快速傅里叶变 换(FFT)，文献[15]将基于这种方式所得到的频谱称为单尺度频谱。理论上，FFT并不适合具 有非稳态和多组分特性的机械信号[16]。经验模态分解(EMD)及其改进算法能够获得具有不 同时间尺度且理论上可物理解释的系列平稳子信号^{[17,18,19,20]}。从机械信号产生机理的视角， 这些子信号具有不同的产生来源和频率特性；文献[15]将多尺度子信号进行FFT变换后的数 据称为多尺度频谱，其已广泛用于设备故障诊断、ML建模和识别^[21,22]。虽然理论上基于多 尺度机械频谱能够构建具有更合理性解释的ML参数模型，但EMD及其改进算法的复杂分 解过程也会产生一些非确定和不准确的信息。截止目前为止，基于FFT的单尺度频谱仍是 实际工业过程中应用最为广泛的数据。因此，非常有必要对单尺度频谱的子频段特征进行有 效地评估，获取不同通道机械频谱的最有价值子频段，对明晰其物理含义具有显著意义。此 外，目前的已有研究多关注于ML参数与机械频谱特征间的映射关系，针对ML的研究却是 鲜有报道。

发明内容

通常，采用相关系数度量输入变量与ML参数等难测参数间的相关性，并依据相关性的 大小进行特征选择。文献[23]结合多目标优化算法和相关系数对高维微阵列数据进行特征选 择。文献[24]提出了基于相关系数的多目标半监督特征选择方法。虽然基于相关系数和设定 阈值可以度量和选择部分变量，但该方法未考虑输入变量之间的共线性。针对高维频谱数据， 即使将其预处理为不同的子频段特征，其相互间也存在较强的共线性。此外，本发明要考虑 度量多通道子频段特征间的相对重要性。偏最小二乘(PLS)算法能够提取高维共线性变量的 低维潜在特征构建回归模型，适合对高维频谱数据建模^[25]；基于PLS算法计算得到的变量 投影重要性(VIP)值可用于度量输入变量的重要性，该指标也常用于高维谱数据的特征选择 [^26,27]。