基于筒体表面抛落区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区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。

说明书

技术领域

本发明涉及一种筒式磨机负荷的软测量方法，具体涉及一种基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法。

背景技术

在火力发电厂中，筒式低速球磨机是制粉系统中的常用设备。由于筒式钢球磨煤机对煤种的适应性强的特点，目前仍是国内应用最广的一种磨煤机。磨煤机是制粉系统的关键设备，它能否工作在最佳工况，直接关系到制粉系统的工作效率。而磨机负荷的准确监测是实现实时调整磨机运行参数，优化当前运行工况的必要手段。

由于磨机工作环境差，粉尘污染大，内部环境恶劣，因此无法直接测量，只能通过间接法检测。目前，应用较多的磨机负荷检测方法有磨音法、振动法以及功率法。现有磨音法是通过单个声音传感器简单检测磨机噪声声强来判断其负荷，缺点是检测精度不高，未能有效去除背景噪声干扰，特别是当多台磨机同时在一个车间内运行时，临近磨机运行时所发出的噪声会严重影响负荷检测的准确性。振动法是利用磨机运转时，研磨体和物料偏于磨机的一侧，磨机的转动部分处于严重的不平衡状态，造成不平衡的离心力，并使磨机系统振动，磨机在转速不变时其振动强度与被磨物料量的多少有关这一特性检测的；而且基于振动法的负荷监测方法多采用灵敏度较低的轴承振动和筒体振动信号，造成振动法监测的线性度差，准确度不高等问题。功率法的思路是通过测量磨机运行时电机所消耗的功率来判断磨机内的负荷。在实际应用中，是测量磨机的工作电流。此种方法的不足之处在于工作电流在整个工作过程中，变化不是很大，因为磨机内煤质所占整个球磨机的比重不大，所以导致测量灵敏度低。

近年来，对磨机负荷的检测已经进行了大量的研究，如《基于ANFIS的火电厂磨机负荷检测的软测量模型》(司刚全，曹晖，张彦斌等，仪器仪表学报，第4期增刊II，2007，vol.28)，《基于复合式神经网络的火电厂筒式钢球磨煤机负荷软测量》(司刚全，曹晖，张彦斌等，热力发电，2007，第5期)。《基于神经元网络的制粉系统球磨机负荷软测量》(王东风，宋之平)。但是这些方法存在的问题是，都是基于噪声、轴承振动信号或压力信号作为参数进行建模，选用的振动信号多是灵敏度低的轴承振动信号，并且只是用来作为建模的辅助变量之一，未能充分的发挥振动信号在磨机负荷检测中的作用。同时，基于灵敏度高、抗干扰性强的磨机筒体振动信号的磨机负荷检测也在半自磨上取得应用《Investigation on measuring the fill level of an industrial ball mill based on the vibration characteristics of the mill shell》(HUANG P,JIA M P,ZHONG B L.)，但是所用的振动信号并不是从磨机振动的物理分析中得出，并且其所采用的建模对象是所有频率的振动信号，而实际应用中的振动信号的大多数频段对于磨机负荷检测没有意义。

发明内容

本发明的目的在于提供一种基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法，以克服上述现有技术存在的缺陷，本发明采用特征频段选择、特征信息提取和基于支持向量重构的最小二乘支持向量机，以及一致性监测和数据融合等技术，从而实现对磨机负荷的准确预测。

为达到上述目的，本发明采用如下技术方案：

一种基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法，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；

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；

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。

进一步地，所述的振动传感器分别安装于距离磨机筒体入口处1/3、1/2、2/3位置，所述抛落区通过安装在磨机底部的位置识别装置识别，所述滑动区的识别方法为以抛落区为起始时刻，推迟时间t，t＝1/3×T，T是筒体的旋转周期，在一个周期内，每个振动传感器采集两次振动信号，各振动信号分别表示为1/3处抛落区信号Vib_p1，1/3处滑动区信号Vib_h1；1/2处抛落区信号Vib_p2，1/2处滑动区信号Vib_h2；2/3处抛落区信号Vib_p3，2/3处滑动区信号Vib_h3。

进一步地，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：

1)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；

2)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；

3)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。

进一步地，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：

1)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}；

2)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；

3)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。

进一步地，首先对六个振动信号建立九个软测量模型，再基于两正态分布均值差的双侧假设检验法对九个模型的负荷预测值进行一致性测度，具体方法如下：

1)根据采集的振动信号，基于支持向量重构算法分别对Vib_p1，Vib_h1，Vib_p2，Vib_h2，Vib_p3，Vib_h3建立具有稀疏性的最小二乘支持向量机模型，分别简记为再对同一振动传感器的抛落区和滑动区的振动信号同时建模，分别得到同时得到对应的预测值

2)对于每个振动信号序列的磨机负荷预测值看作是服从正态分布，分别记为其中，μ_a为均值，为方差，而对于两个正态分布总体，当总体方差已知时，两总体的均值差，选用检验统计量δ＝μ_i-μ_j,i,j∈[1,9]，l_i为第i个振动序列的样本个数，l_j为第j个振动序列的样本个数，因此，在置信水平α下，定义一种置信距离其中是第i个振动信号预测值序列的方差，是第j个振动信号预测值序列的方差，为了简化计算，通过给定一个置信水平ε₀来判定各个信号的磨机负荷预测值之间的一致性，若重新使检验统计量为i,j∈[1,9]，则判定第i个磨机负荷预测值和第j个磨机负荷预测值具有一致性，反之，不具有一致性。

进一步地，步骤5)中采用最优加权因子算法对磨机负荷预测值进行数据融合具体为：

假设有T个模型的负荷预测具有一致性，其中T≤9，各预测模型的加权因子为t＝1,2,…T，且满足融合后的测量结果为得其融合后的均方误差为

由于σ′²是关于的二次函数，因此σ′²一定存在比小的最小值，通过求解约束条件的极值，得出在σ′²取得最小值所对应的加权因子为

同时可以证明，融合后的估计结果优于任何单一模型估计结果，因为融合后的最小均方误差

与现有技术相比，本发明具有以下有益的技术效果：

本发明提出一种基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法，首先从磨机的振动机理出发，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，本发明是基于筒体表面抛落区和滑动区的多个振动信号进行特征信息提取，从而滤除对于磨机负荷无关的振动频率；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，显著降低模型复杂度，缩减模型预测时间；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，最终将多个正确的负荷预测值进行数据融合得到最优的负荷估计，本发明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。

附图说明

图1是基于抛落区和滑动区多个振动信号的磨机负荷软测量的系统框图；

图2是火电厂筒式磨机负荷软测量硬件系统配置图；图中的标号分别表示：1、给煤机控制器，2、冷风门，3、热风门，4、再循环风门，5、振动传感器，6、位置定位器，7、出入口差压传感器，8、排粉机入口挡板，9、数据采集器及计算机，10、软测量模型；图中涉及制粉系统设备的标号分别表示：11、原煤仓，12、给煤机，13、磨煤机，14、粗粉分离器，15、细粉分离器，16、煤粉仓，17、排粉机。

图3(a)是振动传感器的位置安装图；

图3(b)振动传感器的数据集组合图；

图4(a)是筒式磨机特征信息提取流程图；

图4(b)是筒式磨机特征频段提取流程图；

图5是基于支持向量重构的最小二乘支持向量机流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

以某火电厂中储式制粉系统为例，给出本发明的一个具体应用。如图2所示，该中储式制粉系统配备一台磨煤机13，型号为DTM350/700，转速为17.57r/min，设计出力为60t/h，采用筒式低速磨煤机进行研磨。其工作流程为：给煤机12将原煤仓11内的原煤送入磨煤机13内，同时热风、冷风、再循环风分别通过控制冷风门2、热风门3和再循环风门4也逐量也进入磨煤机13，原煤经过破碎研磨，磨制好的煤粉被气流输送出去，从磨煤机13出来的是气粉混合物，经粗粉分离器14后，过粗的煤粉重新返回磨煤机13入口进行再研磨，合格的煤粉被带入细粉分离器15进行气粉分离，再次合格的煤粉落入煤粉仓16。

首先是软传感器节点对振动信号的采集。将振动传感器分别安装于距离磨机筒体入口处1/3、1/2、2/3同一水平的筒体表面上，总共安装三个振动传感器，滑动区和抛落区信号的采集是一个传感器通过控制时间来采集的，也就是一个位置的传感器同时采集该位置对应的抛落区和滑动区振动信号，其对抛落区的识别依靠安装的位置识别装置，对滑动区识别方法为以抛落区为起始时刻，推迟时间t，t＝1/3×T，T是筒体的旋转周期。所述的位置识别装置就是一个基于磨机筒体表面噪声的判别装置，在磨机运行过程中，不同区域的噪音信号有很大的区别，我们提前采集筒体周围360度出的噪音，经傅立叶变换后，经过分析可以得到对应的抛落区在哪个角度，从而得到抛落区位置。在抛落区三个振动传感器同时采集一次振动信号，经过0.1s时间后，再同时在滑动区采集一次振动信号，位置识别装置每隔5分钟更新对抛落区的定位。本发明选用PTR4000对采集到的振动数据无线传输到数据处理中心MSPF2812中去，在单片机内采用自适应加权滤波算法进行滤波处理得到各振动信号。振动传感器的位置安装图和数据集组合图分别如图3(a)和图3(b)所示。

对采集到的振动信号再进行特征频段选取和特征信息提取，其方法如图4(a)和图4(b)所示，具体包括以下步骤：

1)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DTFT后，可以计算在频段[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^jw)进行抽样得，故可定义某一微小频段内的功率谱为用k来描述频率信息。

2)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＝0.05。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。

3)提取能量特征，本发明采用一种基于功率谱重心频率的能量提取算法。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，即可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＝0.3，a₂＝0.8。

接着要对提取到的振动信号的特征信息进行建模，其模型流程图如图5所示，其建立方法如下：

1)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(LSSVM)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，求得距离半径R＝r×max_Dist，r＝0.2。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}。

2)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。

3)采用径向基函数作为LSSVM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。由于Sv的样本个数要远远小于S中的样本个数，且重构后支持向量的选取过程中不会把一些异常值选为密度中心，因此模型具有模型复杂度低、鲁棒性高的特点。

最后对所有的振动序列的特征信息建立软测量模型，共九个，同时得到对应的预测值并对这九个模型的预测值进行一致性检测，首先，我们定义了一种置信距离其中是第i个振动信号预测值序列的方差，是第j个振动信号预测值序列的方差。并通过i,j∈[1,9]来判定第i个磨机负荷预测值和第j个磨机负荷预测值具有一致性。对于具有一致性的预测值，采用最优加权因子算法对磨机负荷预测值进行数据融合其中可以证明融合后的估计结果优于任何单一模型估计结果。