基于EMD和选择性集成学习算法的磨机负荷参数软测量

被引：45

作者：

汤健 ^{[1
]}

柴天佑 ^{[2
]}

丛秋梅 ^{[3
]}

苑明哲 ^{[3
]}

赵立杰 ^{[4
]}

刘卓 ^{[2
]}

余文 ^{[5
]}

机构：

[1] 中国人民解放军部队

[2] 东北大学自动化研究中心

[3] 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

[4] 沈阳化工大学信息工程学院

[5] 墨西哥国立理工大学高级研究中心

来源：

自动化学报 | 2014年 / 40卷 / 09期

基金：

中国博士后科学基金;

关键词：

经验模态分解; 选择性集成建模; 磨机负荷参数; 选择性信息融合; 频谱特征;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TP274 [数据处理、数据处理系统];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0804 ; 080401 ; 080402 ; 081002 ;

摘要：

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(Kernel partial 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.

引用

页码：1853 / 1866

页数：14

共 7 条

[1]

复杂工业过程运行优化与反馈控制[J]. 柴天佑.自动化学报. 2013(11)

[2]

在线KPLS建模方法及在磨机负荷参数集成建模中的应用[J]. 汤健,柴天佑,余文,赵立杰.自动化学报. 2013(05)

[3] 有色冶金过程建模与优化的若干问题及挑战 [J].