基于多傳感器信息融合的球磨機(jī)負(fù)荷檢測(cè)系統(tǒng)

　　信號(hào)處理一般包括信號(hào)的預(yù)處理、A/D轉(zhuǎn)換和數(shù)字信號(hào)處理器的數(shù)字信號(hào)處理等。其中，對(duì)于要檢測(cè)的聲響和振動(dòng)信號(hào)，是隨機(jī)的混有多種噪聲信號(hào)在內(nèi)的復(fù)雜的時(shí)域信號(hào)。然而球磨機(jī)不同負(fù)荷參數(shù)的變化往往引起聲響和振動(dòng)信號(hào)頻率結(jié)構(gòu)的變化，為了通過所檢測(cè)的信號(hào)得到球磨機(jī)內(nèi)部負(fù)荷參數(shù)，往往需要了解信號(hào)的頻域信息。所以，需用快速傅立葉變換(FFT) 對(duì)聲響和振動(dòng)信號(hào)進(jìn)行頻譜分析，計(jì)算其反映球磨機(jī)內(nèi)部負(fù)荷參數(shù)的狀態(tài)和特征信息。

　　圖2 振動(dòng)信號(hào)采集電路

　　(3)數(shù)據(jù)層融合

　　由于磨礦過程機(jī)理復(fù)雜、影響因素多，又是一個(gè)多變量輸入輸出過程，生產(chǎn)過程緩慢，滯后時(shí)間長，同時(shí)具有非線性、時(shí)變性以及干擾因素多而嚴(yán)重等特點(diǎn)。此外，球磨機(jī)機(jī)組龐大，噪聲高達(dá)100dB。在這種相當(dāng)惡劣的工作環(huán)境下，如果用傳統(tǒng)的單一傳感器來觀測(cè)球磨機(jī)的外部響應(yīng)信息，顯然是難以勝任的。所以，基于信息融合的多傳感器觀測(cè)手段在這里是個(gè)很好的應(yīng)用方案。分別通過聲音傳感器、振動(dòng)加速度傳感器和有功功率傳感器進(jìn)行球磨機(jī)外部響應(yīng)信號(hào)的數(shù)據(jù)采集，經(jīng)信號(hào)處理后提取的這三個(gè)參數(shù)在數(shù)據(jù)層融合，可以增強(qiáng)獲取的球磨機(jī)外部響應(yīng)信息的冗余性和互補(bǔ)性，減少整個(gè)系統(tǒng)的不確定性;當(dāng)某個(gè)傳感器失效時(shí)，多個(gè)傳感器提供的冗余信息則可以排除故障信息，從而提高系統(tǒng)的魯棒性。

　　因?yàn)槿诤鲜窃谛畔⒌淖畹蛯哟芜M(jìn)行的，傳感器原始信息的不確定性、不完全性和不穩(wěn)定性，以及數(shù)據(jù)通信量較大，抗干擾能力較差等，決定了融合時(shí)算法需有較高的糾錯(cuò)能力，實(shí)時(shí)處理大量數(shù)據(jù)的能力等。神經(jīng)網(wǎng)絡(luò)作為一種并行的分布式信息處理系統(tǒng)，具有很強(qiáng)的信息綜合能力，知識(shí)泛化能力及結(jié)構(gòu)的容錯(cuò)性等，可以在數(shù)據(jù)層用作融合算法。

　　(4)融合算法設(shè)計(jì)

　　本文是要通過檢測(cè)球磨機(jī)的外部響應(yīng)來間接地檢測(cè)球磨機(jī)的內(nèi)部負(fù)荷參數(shù)，即球磨機(jī)外部響應(yīng)是已知的，球磨機(jī)內(nèi)部參數(shù)是待預(yù)測(cè)的。因此，可以在數(shù)據(jù)層，通過神經(jīng)網(wǎng)絡(luò)建立球磨機(jī)系統(tǒng)的逆向模型——球磨機(jī)外部響應(yīng)與內(nèi)部負(fù)荷參數(shù)之間的關(guān)系模型，從而進(jìn)行球磨機(jī)負(fù)荷的預(yù)測(cè)。

　　本文神經(jīng)網(wǎng)絡(luò)選用有教師學(xué)習(xí)的標(biāo)準(zhǔn)三層結(jié)構(gòu)的徑向基函數(shù)RBF網(wǎng)絡(luò)，輸入變量是數(shù)據(jù)層的球磨機(jī)外部響應(yīng)，輸出變量是球磨機(jī)的內(nèi)部負(fù)荷參數(shù)。

　?、?輸入層的設(shè)計(jì)

　　由于RBF神經(jīng)網(wǎng)絡(luò)模型的輸入變量是球磨機(jī)的外部響應(yīng)信號(hào)，根據(jù)三因素檢測(cè)的要求，本文檢測(cè)了球磨機(jī)的外部聲響信號(hào)、外部振動(dòng)信號(hào)和有用功率信號(hào)這三個(gè)因素，所以輸入層節(jié)點(diǎn)有三個(gè)，分別是歸一化處理后的球磨機(jī)的外部聲響信號(hào)、外部振動(dòng)信號(hào)和有用功率信號(hào)。

　?、?輸出層的設(shè)計(jì)

　　RBF神經(jīng)網(wǎng)絡(luò)模型的輸出變量是球磨機(jī)的內(nèi)部負(fù)荷參數(shù)，由于本文要檢測(cè)的球磨機(jī)內(nèi)部負(fù)荷參數(shù)包括球磨機(jī)的介質(zhì)充填率、料球比和磨礦濃度，所以，以介質(zhì)充填率、料球比和磨礦濃度作為輸出變量建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)。這樣，輸出層有三個(gè)節(jié)點(diǎn)，輸出層的激活函數(shù)是簡單的求和運(yùn)算，即輸出層是隱層輸出的加權(quán)和。

　?、?隱層的設(shè)計(jì)

　　在RBF網(wǎng)絡(luò)訓(xùn)練中，隱含層神經(jīng)元數(shù)量的確定是一個(gè)關(guān)鍵問題，MATLAB7提出了改進(jìn)方法，基本原理是從0個(gè)神經(jīng)元開始訓(xùn)練，通過檢查輸出誤差使網(wǎng)絡(luò)自動(dòng)增加神經(jīng)元。每次循環(huán)使用，使網(wǎng)絡(luò)產(chǎn)生的最大誤差所對(duì)應(yīng)的輸入向量作為權(quán)值向量，產(chǎn)生一個(gè)新的隱含層，然后檢查新網(wǎng)絡(luò)的誤差，重復(fù)此過程直到達(dá)到誤差要求或最大隱含層神經(jīng)元數(shù)為止。實(shí)現(xiàn)是：函數(shù)newrbe在創(chuàng)建RBF網(wǎng)絡(luò)時(shí)，自動(dòng)選擇隱含層的數(shù)目，使得誤差為0，完成網(wǎng)絡(luò)的訓(xùn)練和建立(RBF神經(jīng)網(wǎng)絡(luò)的建立過程就是訓(xùn)練過程)。

　　RBF神經(jīng)網(wǎng)絡(luò)輸出層三個(gè)神經(jīng)元上的數(shù)據(jù)經(jīng)過反歸一化處理后，就為球磨機(jī)的內(nèi)部負(fù)荷參數(shù)：介質(zhì)充填率、料球比和磨礦濃度。

　　在磨礦過程自動(dòng)控制中，可以根據(jù)這三個(gè)參數(shù)間接反映的球磨機(jī)的負(fù)荷(包括球負(fù)荷、物料負(fù)荷以及水量的各自數(shù)值)實(shí)現(xiàn)整個(gè)球磨機(jī)的優(yōu)化控制。