[发明专利]一种多源机械信号分析与优化组合方法

说明书

本发明公开一种多源机械信号分析与优化组合方法，对所采集多源机械振动和振声信号进行快速傅里叶变换，获得机械频谱数据；基于这些机械频谱数据构建潜结构映射模型，基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差；通过单一机械信号MLPF潜结构模型的验证误差和结构参数与全部机械信号MLPF潜结构模型的验证误差和结构参数之比对机械信号的预测精度贡献率和蕴含信息贡献率进行评估，并定义两者的可调加权作为综合指标，实现多源机械信号预测精度和蕴含信息贡献率的综合评估；通过选择综合指标值大于设定阈值的多源机械信号完成初选，再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号优化组合。

技术领域：

本发明属于信号分析技术领域，尤其涉及一种基于线性潜结构模型面向磨机负荷参数预测的多源机械信号分析与优化组合方法。

背景技术

实时准确的磨机负荷参数预测(MLPF)模型是选矿过程实现运行优化与运行控制的关键因素之一[1,2]。基于数据驱动的软测量模型已被广泛用于这些难以检测过程参数的推理估计[3]。球磨机是磨矿过程的关键机械设备，具有重型、旋转、封闭等特点，其连续运行过程中释放出强烈的机械振动和振声信号。通常，这些机械信号的频谱用于构建与磨矿过程质量和产量密切相关的磨机内部负荷参数模型[4,5,6]。

理论上，球磨机的机械振动和振声信号具有非稳态和多组分特性。球磨机内部的数以万计的钢球分层排列，在磨机旋转工作过程中以不同的冲击力和不同的周期对矿石和磨机衬板进行冲击。通常在磨机筒体外部所测量的筒体振动信号是由这些冲击力合成得到的。进一步，筒体振动通过磨机机械传动系统传递到磨机轴承座；同时，筒体振动也是在磨机研磨区域所测量的振声信号的主要来源。针对这些多源机械信号，通常采取的策略是首先采用信号处理技术进行分析以提取更为显著的特征[7]。

通常所采用的信号处理技术是对这些原始机械振动和振声进行快速傅里叶变换(FFT)，采用这种方式获取的频谱被称为单尺度频谱[8]。但是，理论上FFT不适合处理具有非稳态和多组分特性的机械信号[9]。小波分解及其改进算法等多种不同的时/频分析技术已被广泛用于基于此类机械信号的故障诊断[10,11]。为了能够自适应的分解该类机械信号，经验模态分解(EMD)及其改进算法可以将原始机械信号分解为具有不同时间尺度的系列子信号，并应用于不同的工业过程中[12,13,14]。从机械信号产生机理的视角出发，这些子信号被认为是具有不同尺度的多源信息，其频谱相应的被称为多尺度频谱[8]。这些多尺度频谱被广泛应用于轴承故障诊断和球磨机筒体振动分析[15,16]。理论上，基于多尺度频谱能够构建得到具有更加合理性解释的MLPF模型。但是，这些复杂的基于EMD等算法的信号分解过程也可能会产生一些非确定和不准确的信息。因此，基于FFT的单尺度频谱仍然是实际工业过程中应用最为广泛的建模数据。

在具有较高的频率分辨率时，单尺度频谱和多尺度频谱都包含成百上千的频率变量，并且相互之间存在较强的共线性。因此，潜结构映射或偏最小二乘(PLS)及其核版本常用于直接处理具有这些特点的频谱数据[17]，其主要原因是该类方法能够基于较少的潜在变量(LVs)对高维谱数据建模。同时，为了提高MLPF模型的泛化性能，基于“操作输入特征”和“操纵训练样本”集成构造策略的选择性集成(SEN)建模方法从有效融合多源有价值信息的视角进行软测量模型的构建[18]；但其模型结构较传统的单一模型复杂，难以用于简洁、快速的对多源机械信号进行分析评估。从另外一个视角，基于多尺度频谱的建模方法与工业过程中专家人脑认知磨机负荷的过程相类似；因此，基于多尺度频谱的建模方法有待于深入研究。同时，不同的MLPF建模方法的比较结果表明，基于单尺度频谱的模型在泛化性能上优于基于多尺度频谱的模型；但是，基于单尺度的MLPF建模方法在提高模型的可解释性和洞悉机械信号产生机理方面存在难以克服的固有缺点。