[发明专利]一种基于模糊推理的磨机负荷参数软测量方法

摘要

本发明基于模拟领域专家“听音识别”磨机负荷参数的思路，提出了基于模糊推理的磨机负荷参数选择性集成软测量方法。分别采用多组分信号分解算法模拟人耳带通滤波能力实现筒体振动信号的多尺度自适应分解，采用潜变量特征提取的方法模拟人脑对频谱特征的提取能力，采用模糊推理集成模型模拟专家的逻辑规则推理能力，从而完成对领域专家的逐层认知、不确定性推理以及选择性信息融合过程的模拟，并通过实验验证了所提方法的可行性和有效性。本发明可以提高磨机负荷参数软测量的精确性。 1

主权项

1.一种基于模糊推理的磨机负荷参数软测量方法，包括：

S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的样本特征信号；

S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本子信号代表具有物理含义的单一振动模态；

S300、对所述样本子信号进行降维以获得预定数量的相互独立的潜在特征变量；

S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型；

S500、对于J‑2种可能的集成模型中每种集成模型的子模型数量J_sel，通过求解如下优化问题，从所有的模糊推理子模型中选取J_sel个模糊推理子模型作为集成子模型并求取集成子模型对应的权重，以获得J‑2个候选软测量模型：

其中，θ_th为设定阈值，k为样本个数，y^l为磨机负荷参数第l个样本的真值，为对应的集成模型对第l个样本的软测量值，为基于第j_sel个集成子模型对第l个样本预测值，是第j_sel个集成子模型的权重，J为所有的模糊推理子模型的数量；

S600、将所述J‑2个候选软测量模型中预测误差最小的作为磨机负荷参数软测量模型；

S700、获取需要进行软测量的磨机的测试数据的潜在特征变量；

S800、根据所述磨机负荷参数软测量模型计算所述测试数据的潜在特征变量对应的负荷参数。

2.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤S200包括：

通过经验模态分解(EMD)、集合经验模态分解(EEMD)、希尔伯特振动分解(HVD)、局部均值分解(LMD)中的一种或几种多组分信号分解方法将所述样本特征信号分解为具有不同时间尺度的样本子信号。

3.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤300包括：

通过采用偏最小二乘回归(PLS)、核偏最小二乘回归(KPLS)、主成分分析(PCA)、核主成分分析(KPCA)、独立主成分分析(ICA)、核独立主成分分析(KICA)、流行学习中的一种或几种降维方法的组合对所述样本子信号进行降维。

4.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤S400包括：

采用语言式Mamdani模糊模型建模方法或T‑S模糊模型建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型。

5.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤S500中从所有的模糊推理子模型中选取J_sel个作为集成子模型并求取集成子模型对应的权重包括：

在所有的模糊推理子模型中遍历所有的选取J_sel个模糊推理子模型作为集成子模型的候选方式，针对每一种组合方式求取对应的权重参数；

将所有的候选方式中，预测误差最小的选取方案和对应的权重参数作为集成子模型及集成子模型对应的权重。

6.根据权利要求5所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，基于如下公式计算所述权重

其中，为模糊推理子模型输出值的标准差。

7.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述表征磨机振动和/或振声的样本特征信号包括筒体振动信号、轴承振动信号、磨机研磨区域振声信号中的至少一种。

8.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述磨机为球磨机，所述负荷参数包括料球比、矿浆浓度和充填率中的一项或多项。