基于云模型不确定性推理与振声信号的球磨机料位软测量

摘要

作为一种传统的工业研磨设备，球磨机广泛应用于建筑、采矿、冶金、电力和化工等行业。虽然得到了广泛的应用，但球磨机也是一种高能耗、低效率的工业设备。其主要原因是缺乏有效的料位测量与控制方法，而运行人员出于设备安全考虑，使球磨机长期运行于保守料位的状态，从而增大了能耗，降低了能源效率。
　　随着球磨机测量技术的发展，球磨机系统的多种复杂特性得到发现，直接测量的方法已经被学者们抛弃，而采用辅助变量间接测量的软测量方法逐渐受到了学者的青睐。由于球磨机系统复杂的物理过程，机理建模实现过于困难，越来越多的基于数据建模的方法被引入到球磨机料位软测量中。例如主元回归分析法、偏最小二乘回归法、反向传播神经网络、支持向量机、极限学习机等。
　　云模型不确定性推理系统模拟人类思维方式，一方面提取数据中的随机性与模糊性特征，以云概念的方式表示数据;另一方面其概念推理方式简单易理解，云推理已经被证明能够用于任意非线性函数的逼近，从而为非线性系统软测量建模提供了一种新的选择。
　　本文基于云模型不确定性推理提出一种新的软测量建模方法，并将其应用于球磨机料位测量。主要研究工作如下:
　　(1)采用基于X信息的逆向云模型提取球磨机振声信号中的云模型定性概念参数，从而通过云模型表示球磨机的振声特征与球磨机料位概念;
　　(2)利用一维正态云模型不确定性推理实现球磨机料位的软测量;
　　(3)提出云模型不确定推理的稀疏规则与稠密规则的定义，用于判定球磨机料位测量的不确定推理规则库的稀疏性;
　　(4)提出采用综合云的方法解决云推理规则库稀疏的问题，并将其应用在大量料位数据缺失下的球磨机料位测量，解决球磨机难以获取完整训练数据集的问题。
　　通过与主流的球磨机料位软测量建模方法在同样的数据集上对比，实验发现本文提出的方法在充足样本类情形下获得了较好的效果，说明了该方法的可行性;而在稀缺样本类情形下，相较于对比方法，最好地保持了测量精度，说明本文提出的软测量建模方法在数据集缺失下有较强的鲁棒性。

目录

声明

摘要

图索引

表索引

第一章 绪论

1．1 研究背景

1．2 相关技术发展现状

1．2．1 球磨机料位软测量的发展现状

1．2．2 云模型理论

1．3 本文主要工作

1．4 本文的组织结构

第二章 研究基础

2．1 软测量技术

2．1．1 软测量的定义

2．1．2 软测量的建模方式

2．1．3 经验建模过程

2．2 云模型基本理论

2．2．1 云模型基础概念

2．2．2 云模型不确定性推理

2．3 云的稀疏规则与稠密规则

2．4 稀疏云推理规则库的推理

2．5 本章小结

第三章 基于云模型推理的球磨机料位软测量

3．1 建模过程

3．1．1 充足样本类情形下建模过程

3．1．2 稀缺样本类情形下建模过程

3．2 特征值的获取

3．3 模型的建立

3．4 推理测量过程

3．5 本章小结

第四章 实验设计与结果分析

4．1 实验的设置

4．1．1 数据采集实验设置

4．1．2 对比实验设置

4．2 充足样本类情形下的实验及对比分析

4．2．1 数据集构成

4．2．2 建立模型

4．2．3 实验结果

4．2．4 实验分析

4．3 稀缺样本类情形下的实验及对比

4．3．1 数据集构成

4．3．2 建立模型

4．3．3 实验结果

4．3．4 实验分析

4．4 本章小结

第五章 总结与展望

参考文献

致谢

攻读学位期间发表的学术论文