基于集員估計(jì)在球磨機(jī)料位軟測(cè)量建模中的應(yīng)用研究.pdf

1、球磨機(jī)是工業(yè)生產(chǎn)過程中對(duì)物料進(jìn)行研磨破碎的關(guān)鍵設(shè)備，被普遍地使用于冶金、電力、選礦及化工等行業(yè)。其經(jīng)濟(jì)性與內(nèi)部料位相關(guān)，料位過低導(dǎo)致當(dāng)前工作效率低，能源利用率不高，料位過高容易造成球磨機(jī)堵磨，存在安全隱患。因此，準(zhǔn)確地測(cè)量筒內(nèi)料位對(duì)實(shí)現(xiàn)球磨機(jī)的優(yōu)化控制至關(guān)重要。但是由于球磨機(jī)的密閉旋轉(zhuǎn)特性，在實(shí)際運(yùn)行過程中，料位很難通過相關(guān)傳感器直接測(cè)量，所以采用數(shù)據(jù)驅(qū)動(dòng)的建模方法，建立軟測(cè)量模型，通過輸入與球磨機(jī)料位相關(guān)的輔助變量來預(yù)測(cè)其料位。傳統(tǒng)的

2、軟測(cè)量建模方法有很多種，包括支持向量機(jī)、偏最小二乘法、神經(jīng)網(wǎng)絡(luò)以及主元回歸分析法等，皆被廣泛地應(yīng)用在球磨機(jī)料位的建模過程中。作為神經(jīng)網(wǎng)絡(luò)的一種，極限學(xué)習(xí)機(jī)（Extreme Learning Machine, ELM）以其簡(jiǎn)潔高效的訓(xùn)練機(jī)制，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的反向微調(diào)過程，從而提高模型的學(xué)習(xí)速率和泛化性，因此得到廣泛地應(yīng)用。然而，其前饋神經(jīng)網(wǎng)絡(luò)的隱含層輸出是通過某種概率進(jìn)行隨機(jī)選取，造成訓(xùn)練好的模型隨機(jī)性很大，預(yù)測(cè)結(jié)果不穩(wěn)定。此外ELM

3、單隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也限制了其特征提取的能力。
　　本研究主要內(nèi)容包括：⑴在球磨機(jī)實(shí)驗(yàn)過程中，針對(duì)ELM預(yù)測(cè)球磨機(jī)料位結(jié)果不穩(wěn)定的缺點(diǎn)，本文采用OBE，在誤差未知但有界的條件下，對(duì)訓(xùn)練好的ELM網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，提高模型的預(yù)測(cè)準(zhǔn)確度和穩(wěn)定性，并通過實(shí)驗(yàn)證明，該方法的有效性。⑵利用深度網(wǎng)絡(luò)對(duì)球磨機(jī)數(shù)據(jù)進(jìn)行軟測(cè)量建模時(shí)，為了更好抽取樣本中最高層次的抽象表達(dá)，本文提出一種多層 OBE-ELM算法(Multi-Layer OBE-ELM

4、, ML-OBE-ELM)，基于自編碼器重構(gòu)思想，采用OBE迭代算法學(xué)習(xí)輸入數(shù)據(jù)的高層特征表示，最后利用ELM算法得到高層特征與樣本標(biāo)簽的關(guān)系式。為了驗(yàn)證該算法的有效性，選用傳統(tǒng)的UCI數(shù)據(jù)集和實(shí)際球磨機(jī)數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，分別驗(yàn)證了該算法在回歸和分類中都有較好的預(yù)測(cè)性能。⑶為了解決球磨機(jī)，料位中時(shí)變和工況遷移的問題，提出基于OBE-PLS的動(dòng)態(tài)軟測(cè)量模型，首先利用離線數(shù)據(jù)訓(xùn)練軟測(cè)量模型，當(dāng)新的查詢樣本到達(dá)時(shí)，利用OBE在原有模型的基礎(chǔ)