湿法球磨机负荷自适应选择性集成模型研究

Ball mill load, as the most important parameter information in the mineral processing, is one of the key factors for the control and optimization of the grinding process. The main content of this project focuses on the accuracy and adaptability of the mill load model in the industrial process with characteristic drift of the wet ball mill system. Based on the high sensitivity and less disturbance shell vibration signal, ensemble empirical mode decomposition (EEMD) and mutual information technology are used to extract the rich mill load parameter information from the intrinsic modes functions (IMFs) of the nonlinear and nonstationary shell vibration signal. An adaptive selective ensemble model of mill load based on the features of IMFs will be studied under the ensemble architecture. In order to keep the convergence of the soft sensor model error with the characteristic drift ball mill process, the following algorithm based on the feature selection and optimization technology are studied: (1) component size control algorithm of the ensemble model; (2) local increment learning algorithm based on the approximate linear condition (ALD) and (3) meta-learning adaptive weighting coefficients updating algorithm based on the stability learning. With constructed adaptive selective ensemble models based on the intrinsic mode features of EEMD, the generalization, credibility, and industrial adaptability of the soft sensor model can be improved. The development of our project will have a direct and profound effect on the control of grinding process and the development and maintenance of the on-line mill load instrument.

球磨机负荷是选矿生产最关注参数信息，同时也是磨矿过程控制关键因素之一。本项目将研究湿法球磨机特性漂移时磨机负荷测量模型精度和工业适应度问题，拟利用灵敏度高、抗干扰性强的球磨机筒壁振动信号，采用集合经验模态分解（EEMD）和互信息方法提取非线性非平稳筒壁振动信号本征模态函数(IMFs)中蕴含的丰富磨机负荷参数信息。通过IMFs特征选择和优化技术，研究基于本征模态特征的自适应选择性集成建模方法，具体包括：（1）集合成员模型尺寸控制算法；（2）基于线性依赖条件（ALD）的集合成员模型局部增量学习算法和（3）集成模型的元学习自适应权值更新稳定学习算法，以保证过程漂移时测量模型误差最终收敛到稳定。基于EEMD本征模态特征的自适应选择性集成建模方法是改善磨机负荷测量模型泛化性、可信度和适应性的有效手段，该问题的研究进展将对磨矿过程控制和磨机负荷在线仪表开发和维护产生直接、深远的影响。

为了实现球磨机负荷的实时在线检测，改善磨机负荷测量模型泛化性、可信度和适应性，开展了球磨机非线性非平稳信号本征模态频谱特征选择和能够适应时变非线性复杂工况变化的球磨机负荷在线测量模型建模方法的研究，提出了基于互信息的振动信号本征模态特征选择和优化方法、基于本征模态函数特征空间的磨机负荷集成建模方法、集合成员模型尺寸控制算法、在线选择性磨机负荷建模方法，完成了球磨机振动模态特征提取和球磨机负荷自适应选择性集成模型的构建和优化，取得预期研究成果。主要研究内容包括：.（1）针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负荷参数映射关系难以描述等问题，提出了基于集合经验模态分解技术、本征模态函数频谱特征提取和选择性集成学习算法的磨机负荷参数软测量模型的新方法。.（2）针对集成模型成员间的相关性相对较高的问题，提出一种基于快速去相关神经网络集成的球磨机负荷参数建模方法。该方法采用随机向量函数连接网络生成磨机负荷参数集成模型个体，随机分配RVFL个体模型隐含层参数，使用负相关学习，将集成模型参数转化为线性方程求解,通过控制基模型的输出之间的差异度产生具有良好泛化性的集成模型。.（3）针对过程非线性、离线模型泛化性差以及基于滑动窗口和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题，提出了一种在线核偏最小二乘建模方法。该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence, ALD) 值和代表工业过程特性漂移幅度的阈值, 选择有价值样本更新KPLS 模型。针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨矿过程时变特性的问题, 提出了在线自适应加权融合算法的在线集成建模方法。.（4）采用混合编程方式，开发实现了具有信号分解、频谱变换、特征选择、模型训练，参数预报和故障工况监视功能的球磨机信号分析、球磨机负荷参数和状态监测系统，为球磨机运行安全提供有力分析手段和工具。