基于EMD和选择性集成学习算法的磨机负荷参数软测量
磨矿是选矿中的技术环节，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,提出了基于经验模态分解(Empirical mode decomposition,EMD)技术和选择性集成学习算法分析筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组成成分,即本征模态函数(Intrinsic mode function,IMF)；接着在频域内基于互信息(Mutual information,MI)方法分析并选择IMF频谱特征；最后采用基于核偏最小二乘(Kernelpartial least square,KPLS)建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.
选矿设备 磨机筒体 负荷参数 软测量模型 经验模态分解技术 选择性集成学习算法
汤健 柴天佑 丛秋梅 苑明哲 赵立杰 刘卓 余文
中国人民解放军92941部队 葫芦岛125001, 中国 东北大学自动化研究中心 沈阳110004, 中国 中国科学院沈阳自动化研究所信息服务与智能控制技术研究室 沈阳110016, 中国 沈阳化工大学信息工程学院 沈阳110142, 中国 墨西哥国立理工大学高级研究中心 墨西哥07360, 墨西哥
国内会议
呼和浩特
中文
1853-1866
2013-08-01（万方平台首次上网日期，不代表论文的发表时间）