| 主权项 |
1.一种基于EEMD的湿式球磨机负荷参数集成建模方法，其特征在于，所述方法包括基于集合经验模态自适应分解获取非线性非平稳筒体振动、振声信号本征模态函数（IMFs）及其频谱，利用区间偏最小二乘（iPLS）方法提取反映球磨机负荷参数变化的本征模态函数局部频谱特征，与电流信号融合，基于极限学习机（ELM）方法建立磨矿浓度、填充率和料球比磨机负荷参数集成模型，对球磨机振动、振声信号进行EEMD分解，首先对振动、振声信号进行预处理，剔除偏差较大的离群点得到振动数据<img file="2014101293476100001DEST_PATH_IMAGE002.GIF" wi="37" he="25" />和振声数据<img file="2014101293476100001DEST_PATH_IMAGE004.GIF" wi="38" he="25" />；然后采用EEMD将<img file="2014101293476100001DEST_PATH_IMAGE006.GIF" wi="38" he="25" />和<img file="DEST_PATH_IMAGE008.GIF" wi="32" he="25" />自适应的分解为本征模态函数<img file="DEST_PATH_IMAGE010.GIF" wi="150" he="32" />和<img file="DEST_PATH_IMAGE012.GIF" wi="153" he="32" />；将振动、振声本征模态函数IMF频谱进行iPLS特征选择，具体步骤如下：(1) 将频谱<img file="DEST_PATH_IMAGE014.GIF" wi="45" he="27" />分为<img file="DEST_PATH_IMAGE016.GIF" wi="18" he="18" />个等宽的子区间，<img file="DEST_PATH_IMAGE018.GIF" wi="125" he="27" />；(2) 采用非线性迭代偏最小二乘算法（NIPALS）在每个子区间<img file="DEST_PATH_IMAGE020.GIF" wi="48" he="27" />分别建立磨机负荷参数<img file="DEST_PATH_IMAGE022.GIF" wi="17" he="24" />局部偏最小二乘回归模型<img file="DEST_PATH_IMAGE024.GIF" wi="47" he="27" />，<img file="DEST_PATH_IMAGE026.GIF" wi="33" he="19" />算法表示为<img file="DEST_PATH_IMAGE028.GIF" wi="245" he="30" />其中矩阵<img file="DEST_PATH_IMAGE030.GIF" wi="184" he="28" />，<img file="DEST_PATH_IMAGE032.GIF" wi="194" he="28" />分别表示IMF频谱区间和输出磨机负荷参数的负荷向量，<img file="DEST_PATH_IMAGE034.GIF" wi="34" he="28" />是权值矩阵，<img file="DEST_PATH_IMAGE036.GIF" wi="33" he="28" />为内部模型对角系数矩阵，<img file="DEST_PATH_IMAGE038.GIF" wi="161" he="32" />；第<img file="DEST_PATH_IMAGE040.GIF" wi="10" he="18" />个磨机负荷参数，在IMF的第<img file="DEST_PATH_IMAGE042.GIF" wi="14" he="20" />个特征频段iPLS模型输出<img file="DEST_PATH_IMAGE044.GIF" wi="32" he="26" />为<img file="DEST_PATH_IMAGE046.GIF" wi="253" he="32" />；(3) 分析各IMF频谱子区间模型，采用交叉校验均方根误差(RMSECV)，比较各子区间局部模型精度，取精度最高的局部模型所在区间为入选频段。 |
