[发明专利]一种多源信号融合预测球磨机填充率、料球比的方法

权利要求书

1.一种多源信号融合预测球磨机填充率、料球比的方法，其特征在于，该方法包括如下步骤：

第一步，对多源信号进行采集：用于采集不同填充率、料球比参数下球磨机磨矿过程中的信号，包括但不限于轴承振动信号、筒体磨音信号、主电机电流信号；

第二步，对采集到的多源信号进行处理：根据第一步采集到的多源信号信息，分别计算出不同填充率、料球比参数下振动信号的时频域特征信息值、磨音信号的A计权声压级、主电机电流信号的均值；

第三步，对多源信号进行融合：将不同填充率、料球比的多源信号特征信息值作为输入数据，通过建立同类信号融合算法和异类信号融合算法，获得与磨机负荷参数变化强相关、强稳定性的特征信息，从而输出磨机负荷的预测数据。

2.根据权利要求1所述的一种多源信号融合预测球磨机填充率、料球比的方法，其特征在于，所述第三步中，对多源信号融合包括以下步骤：

步骤1，将t时刻磨机信号的特征信息值S_i(t)定位到数轴上，计算出不同时刻的信号特征信息值的绝对距离dis_ij(t)、平均距离为

步骤2，令所有落在真实信号X附近领域的有效信号特征信息值组成的集合为Φ，若Φ满足条件，则称集合Φ为最优融合集，集合Φ中元素的个数即为最优融合数；

步骤3，计算检测信号S_i(t),S_j(t)的融合度函数C_ij(t)和融合度矩阵C如下：

步骤4，根据步骤3的结果，再计算出传感器在t时刻内检测信号S_i(t),S_j(t)的一致融合度为μ_i(t)、分布均衡度为τ_i(t)、权重系数为ω_i(t)，如下式：

ω_i(t)＝μ_i(t)×τ_i(t)

步骤5，综合根据步骤1至步骤4计算，最终得到的融合估计表达式x_i(t)，如下式：

步骤6，构建训练数据样本和验证数据样本：提取每组实验前30s的多源特征信息值作为支持向量机(SVM)训练样本，其余时间段的多源特征信息值可作为验证样本；

所述步骤6中，包括以下步骤：

步骤6.1、利用网格搜索与交叉验证相结合的支持向量机，构造多分类支持向量机对磨机负荷状态进行模式识别；

步骤6.2、借助MATLAB编程对SVM网络的参数惩罚因子C和和核函数参数g进行优化网络训练，其主要程序为：

[bestCVaccuracy,bestc,bestg]＝gaSVMcgForRegress(Label,Data)，其中，Label为训练集的标签，分别用1、2、3表示磨机负荷分类的三种状态，Data为输入的多源特征信息值训练样本；

步骤6.3、根据多分类支持向量机的输出结果，采用投票法来判断磨机负荷的类型，将每类票总数和总票数作比就可获得各类磨机负荷的概率，即基本信度分配函数(mass函数)；

步骤7，根据步骤6.3得到的基本信度分配函数(mass函数)，采用改进的D-S证据合成规则预测球磨机的填充率、料球比，具体步骤如下：

步骤7.1，定义证据e_i和e_j之间的冲突因子为：

再定义证据e_i和e_j之间的一致性系数为：

步骤7.2，定义证据e_i和e_j的相关度为：

其中，证据相关度r_ij是证据e_i和e_j间的关联程度，相关度越高，则证据关联程度越高，证据间的冲突也越低；反之，则说明证据关联程度越低，相互支持度越小，证据间的冲突越大；

步骤7.3，提取t＝(Δt₁+Δt₂+...+Δt_m)时刻内的信号特征，得到的m条证据相关度矩阵R_ij：

其中，相关度矩阵R_ij的任意i行之和越大，则说明证据e_i被其它证据所信任，证据e_i在融合系统中的信誉度越高，证据可靠；反之，则说明证据e_i的信誉度低，证据可靠度低；

步骤7.4，用证据全局信誉度μ(e_i)描述任意证据e_i在融合系统中全局信誉度，全局信誉度最高的证据称为融合系统的权重证据，再以权重证据为依据，计算每条证据的权重系数τ_i，其表达式如下：

步骤7.5，根据步骤5至步骤7.4计算m条证据的权重系数，并对每条证据的基本信度分配函数(mass函数)进行重新分配，得到新的基本信度分配函数为：

由此可得改进后的D-S证据合成公式如下：

3.根据权利要求1所述的一种多源信号融合预测球磨机填充率、料球比的方法，其特征在于：所述对多源信号进行采集的过程通过多源信号采集模块进行，所述多源信号采集模块包括与球磨机连接的若干个传感器，所述传感器的信号通过电荷\电压适调器进行调整，所述电荷\电压适调器的输出端与数据采集仪连接，所述数据采集仪并接了多路模拟开关、程控放大器、模数转换器、采集保持器，所述数据采集仪的输出端与PC机控制系统的输入端连接。