[发明专利]基于筒体表面抛落和滑动区振动信号的磨机负荷检测方法

摘要

本发明公开了一种基于筒体表面抛落和滑动区振动信号的磨机负荷检测方法，用以解决长期以来火电厂磨机负荷难以准确检测的问题；本发明通过对磨机内部的研磨机理进行分析，选取抛落区和滑动区的振动信号作为研究对象；依据功率谱重心，对振动频谱进行特征频段选取和特征信息提取；然后利用重构支持向量算法并基于最小二乘支持向量机建立具有复杂度低、精确度高的预测模型；最后，对各个振动信号的预测估计值进行一致性检验和数据融合，从而避免个别振动传感器故障引起的预测值错误。本方法提出的磨机负荷软测量方法，能够确保在测量过程中获得良好的准确度和灵敏度，为磨机的准确监测提供了保障。

主权项

1.一种基于筒体表面抛落和滑动区振动信号的磨机负荷检测方法，其特征在于，包括以下步骤：1)在筒体表面安装若干位于同一水平面的振动传感器，通过控制采样时间来采集筒式钢球磨机抛落区和滑动区的振动信号；2)基于功率谱对获取的振动信号进行特征频段选取，并根据功率谱重心和单高斯函数计算自适应加权系数得到表征筒式磨机负荷的振动特征信息；所述的振动特征信息提取方法是基于功率谱重心和单高斯函数加权系数进行的，具体包括以下步骤：a1)功率谱能量计算，首先采集磨机负荷ML从空磨状态逐渐到满磨状态下的振动信号序列{x_ML(i)(n)；n＝1,2,…,N；i＝1,2,…,I}，其中x_ML(i)(n)表示在磨机负荷为ML(i)工况下采集的第n个数据，N为样本长度，I为磨机负荷的不同工况数量；经离散傅立叶变换后，计算在频段[ω_i,ω_j]内的能量为其中ω对应的是频带上的某一频率，且ω_i,ω_j∈[0,π]，对X_ML(i)(e^jω)进行抽样得，故定义某一微小频段内的功率谱为用k来描述频率信息；a2)识别特征频段，首先设定从第i个工况ML(i)到第j个工况ML(j)转换过程中的灵敏度阈值为θ_i→j，再计算各频率成分在磨机负荷从ML(i)到ML(j)转换过程的灵敏度对于s_i→j(k)＞θ_i→j对应的频段进行筛选，组成特征频段集K_f，其对应的功率谱记为P_f(k)，从而剔除信号中不包含在K_f内的频率成分，实现对特征频段的选择；a3)提取能量特征，对得到的特征频段内的信号计算功率谱的重心频率其中f为采样频率，ρ₁为信号的一阶自相关系数，即得特征功率谱的重心位置为Δf表示最小频率间隔，振动信号的特征能量通过对特征功率谱中各频率成分能量进行自适应加权获得：其中μ(k)为自适应加权系数，通过单高斯函数获得其中参数δ通过下式获得，其中a₁，a₂为阈值，影响着能量衰减幅度的大小，从而影响特征能量表征磨机负荷的灵敏度；3)对提取到的抛落区和滑动区的振动特征信息分别应用最小二乘支持向量机进行建模，得到初始模型，并基于重构算法对特征信息进行稀疏化，得到复杂度低和稳定性高的稀疏化模型；所述的稀疏化模型为基于重构支持向量算法用少数支持向量代替振动信号特征信息序列，从而大大降低模型复杂度低和提高模型鲁棒性，其建立方法如下：b1)构建初始样本集X表示采集后并进行特征提取的振动信号，Y表示真实磨机负荷，M表示样本个数，用最小二乘支持向量机建立初始模型Model0，从而得到预测值集合并计算样本集S中样本两两之间欧氏距离的最大值max_Dist，设定一个距离比例系数r，求得距离半径R＝r×max_Dist，在样本集S上随机选择一个密度中心C＝(X_c,Y_c)_c∈[1,M]，初始化支持向量集Sv＝φ，标注集U＝{(X_j,Y_j)∈S,j≠c}；b2)用重构的支持向量代替初始样本集S，计算U中样本与密度中心C的欧氏距离向量D_c，选取R距离范围内的样本L＝{(X_i,Y_i)|D_c(c,j)≤R}，支持向量集和标注集更新为U＝U‑{(X_j,Y_j)∈L}‑(X_c,Y_c)，如果L＝φ，则选择距离密度中心C最近的点作为新的密度中心；否则，新的密度中心C更新为当U＝φ时，说明整个数据集遍历完成，反之重新计算该步骤，直到遍历完成，最后得到的支持向量集Sv即是重构的支持向量；b3)采用径向基函数作为最小二乘支持向量机的核函数，其中的超参数通过留一法获得，在支持向量集Sv上重新建立最小二乘支持向量机，从而得到最终的软测量模型；4)对各个抛落区和滑动区的振动信号建立稀疏化模型，进行负荷预测，再对得到的多组抛落区和滑动区的磨机负荷预测值基于两正态分布均值差的双侧假设检验法进行一致性测度，剔除错误预测值；5)在保证各个信号之间的磨机负荷预测值的一致性后，采用最优加权因子算法对磨机负荷预测值进行数据融合，最后得到筒式钢球磨机的总体负荷预测值。