一种基于多源信息的磨机振动与振声特征提取方法技术

本发明专利技术公开了一种基于多源信息的磨机振动与振声特征提取方法，其包括步骤：A、多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为B、浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动/振声多尺度深度特征知识的提取。本发明专利技术的方法可为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑。

【技术实现步骤摘要】

本专利技术涉及磨机磨矿过程
，具体涉及一种基于多源信息的磨机振动与振声特征提取方法。
技术介绍
磨矿作为选矿过程的“瓶颈”作业，其作用是将破碎后的原矿通过旋转机械设备(球磨机)研磨成粒度合格的矿浆，为后续工序提供原料。磨机负荷决定磨矿过程甚至选矿流程的生产效率和质量指标。磨机过负荷会导致“磨机吐料”、“磨机出口粒度变粗”、“堵磨”，甚至停产。磨机欠负荷会引起磨机“空砸”，导致能源浪费、钢耗增加，甚至造成研磨设备损坏。通常认为，实现磨矿过程的最佳负荷控制可提高磨矿处理量2％-10％，节约能耗5％-10％，提高劳动生产率25％-50％。球磨机封闭、连续旋转的工作方式，导致磨机负荷难以直接检测。磨矿过程自身的综合复杂动态特性、外界干扰因素的不确定性动态变化等原因，导致难以依据磨矿过程的质量平衡建立基于机理知识的磨机负荷数学模型，特别是对于磨矿过程湿式球磨机负荷的检测。本领域的技术人员已经意识到，有效识别磨机负荷及磨机内部负荷参数对磨矿全流程优化至关重要，而磨机研磨过程产生的机械振动/振声信号与磨机负荷间存在难以用精确数学模型描述的模糊关系。现有技术中，往往只能由经验丰富的领域专家依靠“听音”对表征其所熟悉磨机的磨机负荷的特征进行感知。但是，领域专家并不能直接感知磨机筒体振动和轴承振动等信号，并且，不同的领域专家的经验也存在较大的差异。因此，领域专家凭借听觉感知机制并不能利用高灵敏度的筒体振动和随机干扰较弱的轴承振动，以及存在极值点特性的磨机电流。因而，基于模拟领域专家的听觉感知机制对磨机振动与振声等多源信号进行特征知识的选择与提取，是准确识别和估计磨机负荷的关键技术。
技术实现思路
鉴于现有技术的以上现状，本专利技术的主要目的在于提供一种基于多源信息的磨机振动与振声特征提取方法，该方法可模拟专家听觉感知机制，实现磨机振动/振声特征提取，为构建磨机负荷状态识别和磨机负荷参数软测量模型提供支撑。为实现上述目的，本专利技术所采取的技术方案如下：一种基于多源信息的磨机振动与振声特征提取方法，其包括：步骤A：多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为步骤B：浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；步骤C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动与振声多尺度深度特征知识的提取。优选地，步骤A中，表征磨机负荷状态的信号包括下列信号中的至少一者：磨机筒体振动信号磨机前轴承振动信号磨机后轴承振动信号以及磨机研磨区域的振声信号优选地，以如下方式获取表征磨机负荷状态的信号：通过无线的振动信号采集装置采集磨机筒体振动信号并传输至多源信号采集部分；通过有线的振动信号采集装置采集磨机前轴承振动并信号并传输至多源信号采集部分；通过有线的振动信号采集装置采集磨机后轴承振动信号并传输至多源信号采集部分；通过有线的振声信号采集装置采集磨机研磨区域的振声信号并传输至多源信号采集部分。优选地，步骤B中，首先进行信号分解和信号分析，获得模拟人耳滤波功能的感知信息，再通过信息变换获得多尺度浅层特征信息，并将其统一表示为其中j＝1,...,J，J表示选择的有价值多尺度子信号的数量。优选地，步骤B中，信号分解采用多组分信号自适应分解算法，其分解过程表示为如下公式：其中，表示采用多组分信号自适应分解算法由原始信号分解得到的第jall个平稳子信号；jall＝1,...,Jall，Jall是经多组分信号自适应分解算法分解获得的全部平稳子信号的数量；表示采用多组分信号自适应分解算法获得的残差信号；DECOM表示所采用的多组分信号自适应分解算法。优选地，所述多组分信号自适应分解算法包括如下算法中的一种或多种：经验模态分解，集合经验模态分解，希尔伯特振动分析，局部均值分解，集成局部均值分解。优选地，步骤B中，信号分析过程中，首先，计算原始信号和平稳子信号间的相关系数，计算公式为： ( λ S _ D E C O M ) j a l l = Σ ( { x S t本文档来自技高网...

【技术保护点】
一种基于多源信息的磨机振动与振声特征提取方法，其特征在于，包括：步骤A：多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为步骤B：浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；步骤C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动与振声多尺度深度特征知识的提取。

【技术特征摘要】
1.一种基于多源信息的磨机振动与振声特征提取方法，其特征在于，包括：步骤A：多源信号采集，其通过数据采集系统获取表征磨机负荷状态的信号，所采集到的信号为多源时域信号，将其记为S，则采样个数为N的多源时域信号S记为步骤B：浅层特征信息选择，其基于非平稳非线性信号自适应分解和分析技术实现磨机振动与振声浅层特征信息的选择；步骤C：深度特征知识提取，其基于优化耦合深度神经网络特征提取和互信息特征度量算法实现磨机振动与振声多尺度深度特征知识的提取。2.根据权利要求1所述的方法，其特征在于，步骤A中，表征磨机负荷状态的信号包括下列信号中的至少一者：磨机筒体振动信号磨机前轴承振动信号磨机后轴承振动信号以及磨机研磨区域的振声信号3.根据权利要求2所述的方法，其特征在于，以如下方式获取表征磨机负荷状态的信号：通过无线的振动信号采集装置采集磨机筒体振动信号并传输至多源信号采集部分；通过有线的振动信号采集装置采集磨机前轴承振动信号并传输至多源信号采集部分；通过有线的振动信号采集装置采集磨机后轴承振动信号并传输至多源信号采集部分；通过有线的振声信号采集装置采集磨机研磨区域的振声信号并传输至多源信号采集部分。4.根据权利要求1-3之一所述的方法，其特征在于，步骤B中，首先进行信号分解和信号分析，获得模拟人耳滤波功能的感知信息，再通过信息变换获得多尺度浅层特征信息，并将其统一表示为其中j＝1,...,J，J表示选择的有价值多尺度子信号的数量。5.根据权利要求4所述的方法，其特征在于，步骤B中，信号分解采用多组分信号自适应分解算法，其分解过程表示为如下公式：其中，表示采用多组分信号自适应分解算法由原始信...

【专利技术属性】
技术研发人员：汤健，柴天佑，刘卓，吴志伟，周晓杰，丁进良，贾美英，李东，
申请(专利权)人：中国人民解放军六一五九九部队计算所，东北大学，
类型：发明
国别省市：北京;11