CN101776531B - 一种球磨机负荷参数软测量方法 - Google Patents
一种球磨机负荷参数软测量方法 Download PDFInfo
- Publication number
- CN101776531B CN101776531B CN 201010107786 CN201010107786A CN101776531B CN 101776531 B CN101776531 B CN 101776531B CN 201010107786 CN201010107786 CN 201010107786 CN 201010107786 A CN201010107786 A CN 201010107786A CN 101776531 B CN101776531 B CN 101776531B
- Authority
- CN
- China
- Prior art keywords
- vibration
- frequency
- org
- formula
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000463 material Substances 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000000227 grinding Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000000691 measurement method Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 9
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 9
- 210000000299 nuclear matrix Anatomy 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000000513 principal component analysis Methods 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000005236 sound signal Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000012843 least square support vector machine Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009837 dry grinding Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000001238 wet grinding Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000617 Mangalloy Inorganic materials 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000003070 Statistical process control Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种球磨机负荷参数软测量方法,该方法通过硬件支撑平台获得的磨机筒体振动信号、振声信号及电流信号对表征磨机负荷的磨机内部参数(料球比、矿浆浓度、充填率)进行软测量。该方法包括如下步骤:采集磨机筒体振动、振声和电流数据及时域滤波,对振动及振声数据进行时频转换,对振动及振声数据进行频域内的分频段的基于核主元分析的非线性特征提取,对时域电流数据进行非线性特征提取,对融合后非线性特征数据进行特征选择,建立基于最小二乘-支持向量机的软测量模型。本发明的软测量方法灵敏度高,测量结果准确,具有很好实用价值和推广前景,有助于实现磨矿生产过程的稳定控制、优化控制和节能降耗。
Description
技术领域:
本发明属于自动化技术测量领域,特别是涉及磨矿生产过程的一种湿式球磨机负荷参数即球磨机内部料球比、矿浆浓度、充填率的软测量方法。
背景技术:
筒式球磨机在金属矿及非金属选矿厂、建材、耐火材料、水泥、煤炭、化工、电力和冶金等行业的粉磨作业中应用广泛。粉磨作业的电耗占全世界总发电量的3~4%,在选矿、电力、水泥等行业分别占各自工业过程能耗的30%~70%、15%、60%~70%,磨矿介质和衬板的消耗达0.4-3.0kg/t。根据试验研究,球磨机至少有10%以上的节能潜力和9%以上的节约钢材原材料的潜力。由于球磨机具有非线性、大时滞、强耦合、随机干扰大等综合复杂特性,旋转筒体内部运行环境复杂,对磨机运行状态及其内部参数难以进行有效测量,生产中经常发生空磨、饱磨、堵磨等现象,直接影响到产品的质量、产量以及技术经济指标。
目前,实际生产中一般是由操作员通过振声(俗称电耳)、振动或功率等间接方法,凭经验对球磨机负荷状态进行人工判断与处理。为克服人工操作的主观性和随意性,结合领域专家知识、规则推理和统计过程控制,出现了融合多种信号的智能球磨机负荷状态检测方法。但针对能够反映球磨机负荷的球磨机负荷参数(料球比、矿浆浓度、充填率)的研究较少,所建模型的输入多为轴承振动、振声、轴承压力、功率等信号的时域或频域能量之和。国外针对球磨机的轴承振动、振声的研究,采用频谱平均分段求和的方式提取频谱变量的特征,但其检测的球磨机内部参数仅限于矿浆浓度。
发明内容:
针对现有的球磨机负荷的确定主要是依靠现场操作人员的长期工作经验,难以测量表征球磨机负荷的内部参数,而且现有检测方法难以充分提取信号的非线性,导致工业过程中为保证设备的安全性,球磨机常运行在欠负荷状态,影响球磨机处理量和产品质量,无法根据市场需求进行有针对性地生产而获得最大的经济效益的问题,本发明提供一种可测量现场球磨机负荷参数的基于多源数据特征融合的球磨机负荷软测量方法。通过对球磨机筒体振动及振声信号在频域内的低、中、高三个频段采用核主元分析(KPCA)分别进行非线性特征提取,并融合时域电流信号的非线性特征,结合最小二乘-支持向量机(LSSVM)方法进行特征选择,以达到准确检测球磨机负荷参数的目的。
本发明的软测量方法由球磨机硬件支撑平台和软测量软件组成,硬件平台提供软测量方法所需数据,软测量软件负责实施本发明所提出的软测量方法。软测量软件即可以安装在分 布式计算机控制***的监控计算机上,也可以运行于独立的计算机上。该方法通过与硬件支撑平台进行通讯,获得实时的球磨机筒体振动、振声、电流信号的数据,检测球磨机负荷参数(料球比、矿浆浓度、充填率)。
本发明包括步骤如下:如图1和2所示
步骤一:采集球磨机振动、振声及电流数据
通过硬件支撑平台采集如下信号:球磨机筒体的振动加速度信号XV;球磨机研磨区域下方的振声信号XA;球磨机驱动电动机的电流信号XI;
对以上信号进行信号处理,将提取和选择的非线性特征做为软测量模型的输入,在线估计球磨机负荷内部参数即料球比、矿浆浓度、充填率,球磨机负荷参数软测量方法按照如下的结构组成样本,并收集样本数据。样本表达式为{xk,yk},其中,xk为样本的输入即采集的信号——球磨机筒体的振动信号XV、振声信号XA、电流信号XI,样本的输出yk为待估的主导变量——球磨机负荷参数:料球比y1、矿浆浓度y2、充填率y3。样本的记录机构如表1,时间为样本获取的时间。
表1 样本数据结构
考虑到样本数据应该具有代表性,并且尽可能的覆盖范围较款,应该包括球磨机研磨过程中的高矿浆浓度、低矿浆浓度;高充填率、低充填率;高料球比、低料球比等工况。将样本分为两组,一组用于用于模型误差最小的训练来选择模型参数(包括模型训练样本和误差训练样本),另一组用于模型的验证。
步骤二:对采集的球磨机振动、振声及电流数据进行滤波
采用有限冲激响应滤波器分别对振动及振声信号进行带通滤波和低通滤波。滤波器公式见下式:
式中,h(n)——滤波器的系数;
N——滤波器的长度;
y(m)——滤波器在第m点的输出;
x(m-n)——滤波器的第(m-n)个输入;
n——采样时刻n=0,1,...N-1;
m——当前采样时刻;
采用均值滤波法对电流信号进行滤波,公式见下式:
式中,y(m)——滤波器的输出,即N次采样的算术平均值;
xn——第n次的采样值;
N——采样点数;。
步骤三:对滤波后的振动及振声数据进行时频转换
球磨机机械研磨过程中产生的平稳周期性振动和振声信号中包含着大量与研磨过程相关的有用信息。但是时域内,该信息却被随机噪声信号“白噪声”所覆盖。球磨机筒体振动和振声信号可在频域内分解为叠加的正弦信号,而这些不同频段的正弦信号的幅值包含着直接与球磨机的操作状态相关信息。为保证对功率谱的无偏估计,采用改进的平均周期图法求球磨机旋转整周期的球磨机筒体振动及振声信号的功率谱密度(PSD),按如下公式:
Pr(k)——第r段的功率谱;
R——分段的段数;
N——X数字序列的数据点数;
k——为求得的频率点数。
步骤四:对振动及振声信号的频谱数据和时域电流数据进行非线性特征提取
4.1对振动及振声信号的频谱数据数据进行非线性特征提取
分析球磨机不同工况下球磨机频域信号的特征,可知空转时频域信号主要集中在低频段、干磨时信号扩展至中频段;而湿磨时其中频段特征明显,而且在球磨机内的浓度较低,而充 填率较高时,存在明显的高频段;水磨时则高频段特征明显。因此,可将湿式球磨机频域信号划分为低频段,中频段及高频段,其分别对应着球磨机的固有频率段、主要冲击频率段、次要冲击频率段。将球磨机筒体振动信号在低、中、高频的数据分别记做XV_LF_org、XV_MF_org、XV_HF_org;振声信号在低、中、高频的非线性特征分别记做XA_LF_org、XA_MF_org、XA_HF_org,这些频谱数据存在高维和共线性的问题,采用核主元分析(KPCA)分别对XV_LF_org、XV_MF_org、XV_HF_org、XA_LF_org、XA_MF_org、XA_HF_org进行降维和非线性特征提取。
基于核主元分析的非线性特征提取过程描述如下:
核主成分分析的基本思想是先通过一个非线性变换Φ把输入数据X(X∈RN)映射到一个高维特征空间F上,F={Φ(X):X∈RN},然后在特征空间F上执行经典的线性主成分分析,以便实现输入空间无法实现的线性分类。假设映射后的样本矢量已经被中心化,即满足其均值为0,可表示为 则映射后在F空间上样本集的协方差矩阵可定义为
与该矩阵对应的特征值方程为
λv=Cv (6)
根据再生核(theory of reproducing kernel)理论,由于在特征空间F中,对于任一特征值λ≠0所对应的特征向量v一定位于由{Φ(X1),...,Φ(XM)}张成的空间内。考虑到特征空间F中的所有向量都可由Φ(Xi)线性组合,所以有:
M×M阶核矩阵K定义为:
Ki,j=K(Xi,Xj)=Φ(Xi)TΦ(Xj) (8)
式中:i、j均表示具体的第几个样本;
将式(5)、式(7)、式(8)代入式(6)后,可得以下全部用核函数表示的特征值方程
这样就将求解式(6)特征向量v的问题转换成求解式(9)特征值方程的特征向量α的问题。设该特征值方程的解由大到小为:λ1≥λ1≥...≥λM≥0,对应的特征向量为α1,α2,...,αM,对应于式(6)的特征矢量为v1,v2,...,vM,并假设λM为最后一个非零特征值,则从特征矢量的正交规一条件
表示对所有的g,r=1,2,...,M都有
就可以推导出关于特征向量αk的正交规一条件,即
进而由式(9)与条件式(11)就可以得出特征向量的唯一解{αk,k=1,2,...M};
于是对输入空间的任一样本X,可按下式求得其在高维空间F中Φ(X)的第h个主成分th,即它在第h个主成分特征矢量vh方向上的投影:
式中:th——第h个主元;
αk——协方差阵的特征向量;
λ——协方差阵的特征值;
Φ——非线性变换函数;
M——样本数据的个数;
vh——高维空间中,第h个主成份的特征矢量;
K——M×M阶核矩阵;
h——主元的个数。
之前假设高维特征空间的样本矢量已经中心化,故需要对由原始数据空间映射后的核矩阵按下式进行中心化处理:
IM——系数为1/M的单位阵;
K——中心化处理之前的核矩阵。
从而,对振动及振声信号共六个频段提取非线性特征均按如下公式进行提取:
将球磨机筒体振动信号在低、中、高频的频谱变量XV_LF_org、XV_MF_org、XV_HF_org提取的非线性特征分别记做XV_LF、XV_MF、XV_HF;球磨机振声信号在低、中、高频的频谱变量XA_LF_org、XA_MF_org、XA_HF_org提取的非线性特征分别记做XA_LF、XA_MF、XA_HF,其值分别用下式表示:
M=[V,A]——表示振动(V)和振声信号(A);
N=[L,M,H]——本别表示频域信号的低(L)、中(M)、高(H)频段;
对新样本数据,按下式生成核矩阵:
式中,Xtest——表示新样本数据;
Ktest——表示新样本数据的核矩阵;
L——是新样本数据的样本数量即行数。
IN′是一个系数为1/L L×M的矩阵,L是新数据的行数。
新样本数据核矩阵按下式进行中心化:
IM′——系数为1/L L×M的矩阵;
4.2对电流数据进行非线性特征提取
诸多理论研究及实践应用表明,电流信号与球磨机负荷间存在明显的非线性关系。采用与步骤4.1中相同的方法即KPCA提取时域球磨机电流信号中的非线性特征。提取后的非线性特征记做XI,其值可用下式表示:
式中,t——主元,即提取的非线性特征;hImax——表示针对时域电流信号进行非线性特征提取后的最大主元个数。其值采用如下公式确定:
式中, ——表示电流信号前hImax个主元的方差累积之和。
步骤五:对振动、振声、电流非线性特征提取后的融合数据进行特征选择
主元分析(PCA)基于线性相关和高斯统计假设,当应用于非线性***时,较小的主元虽然代表不重要的方差,但可能包含重要的***信息。虽然核主元分析(KPCA)方法是在高维特征空间中确定主元,具有很好的非线性逼近能力和特征抽取能力,但其本质仍然是描述响应变量X数据空间内的特征信息,而X中的特征信息的大小并不一定与预测变量Y相关。因此,需要合理确定KPCA的主元个数。同时,本文所要预测的磨机负荷参数,料球比、矿浆浓度及充填率与磨机振动、振声信号中的不同频段相关,需要为不同的预测模型选择不同数量的主元个数。模型输入变量的合理选择还可以提高磨机负荷参数模型的预测精度,防止过拟和。本发明将非线性特征输入变量中每类的的最佳变量个数(KPCA的主元个数)的集合称为特征参数集,并表示为: 结合最小二乘-支持向量机模型,料球比、矿浆浓度及充填率软测量模型的特征参数集的确定均采 用如下的特征参数优化模型:
式中,RMSEval——最小二乘-支持向量机模型的最小评价误差;
三个频段进行KPCA降维和特征提取后能够选择的最大主元个数;
M=[V,A]——表示振动(V)和振声信号(A);
N=[L,M,H]——本别表示频域信号的低(L)、中(M)、高(H)频段;
n——输入变量的行数即样本数;
y——磨机负荷参数的真值;
按以下步骤对料球比模型、浓度模型、充填率模型进行特征选择,其选择过程首先是采用全部特征变量作为最小二乘-支持向量机模型的输入得到模型的参数,其次进行特征参数的选择。其流程如附图3所示。具体如下:
(5.1)开始:进行初始化操作,按下式组合特征变量并记为Xall,作为最小二乘-支持向量机模型的输入变量:Xall=[XV_LF,XV_MF,XV_HF,XA_LF,XA_MF,XA_HF,XI],此时的特征参数集
(5.2)对全部样本数据进行标准化处理:将样本数据标准化为0均值1方差的数据;
(5.3)选择误差惩罚参数和核参数的调整范围:依据经验确定对模型训练使用的误差惩罚函数和核函数的区间范围,便于选择最佳的模型参数;
(5.4)调整误差惩罚参数和核参数:从各自参数的范围设置的下限开始,每次每个参数循环一个步长,作为调整后的参数,用于建立相应的模型并对该组参数进行误差评价;
(5.5)建立以选择全部特征Xall为模型输入变量的模型:建立本模型的主要目的是初步选择模型参数:误差惩罚参数和核参数;
基于最小二乘-支持向量机的模型的建立过程描述如下:
对于给定训练集为[x(k),y(k)],k∈[1,M],其中x(k)∈Rd,y(k)∈R,d为辅助变量的个数,支持向量机的基本建模思想是首先通过非线性映射Φ(X)将输入向量从原空间Rd映射到一个高维特征空间F,在这个高维特征空间中采用结构风险最小化原则构造最优决策函数,并利用原空间的核函数取代高维特征空间的点积运算以避免复杂运算,从而将非线性函数估计问题转化为高维特征空间的线性函数问题,其构造的最优决策函数具有如下形式:
f(x)=WTΦ(x)+b (21)
式中,W——权向量;
b——偏置量;
Φ(x)——低维到高维空间的非线性映射;
求解的目的就是利用结构风险最小化原则,寻找参数WT和b,使得对于样本外的输入x,有|yk-(WTΦ(xk)-b|≤ε,寻找WT和b等价于求解下面的优化问题;
其中,W控制模型的复杂度;J是需要优化的性能指标;c>0是误差惩罚函数,表示函数的平滑度和允许误差大于ε的数值之间的折衷;Remp为经验风险,即ε不敏感损失函数,其定义为:
式中,M——样本数量;
通过定义不同的损失函数,就可以构造不同的支持向量机,最小二乘支持向量机就是选择了误差的二次项ξk 2代替标准支持向量机优化目标中损失函数为ξk即允许错分的松弛变量,从而,最小二乘支持向量机的优化问题为:
s.t:yk=WTΦ(xk)+b+ξk
式中Jp是新的需要优化的性能指标,用拉格朗日方法求解上述优化问题,定义拉格朗日函数如下:
根据优化条件
可得 αk=cξk,WTΦ(xk)+b+ξk-yk=0, (25)
定义核函数k(x,xk)=(Φ(x)·Φ(xk))代替非线性映射,根据上式可得求解的优化问题转化为求解线性方程:
通过上式确定系数b和α=[α1,...,αM],最后可得软测量模型为
其中核函数是满足默瑟即Mercer条件的任意对称函数,本方法采用径向基核函数代替非线性映射,建立软测量模型,该核函数形式为:
(5.6)读取误差评价训练样本数据:读入准备用于误差评价的一组样本数据;
(5.7)记录误差评价结果和参数:取误差训练样本数据集,定义误差函数为:
式中,L——误差评价训练样本的样本数量即行数;
最终的误差评价函数为:
E(c,δ)=min(e);
式中,c——为误差惩罚参数;
在给定的参数区间内利用软测量模型得到误差评价指标,并记录对应的参数;
(5.8)参数调整是否已经达到范围上限:定义l为调整步长,c为误差惩罚参数,cup为惩罚参数范围的上限,δ为核参数,δup为核参数范围的上限。若c+l≥cup和δ+l≥δup同时满足,则说明所有参数组合的误差评价工作完成,否则,重复步骤(5.4)~步骤(5.8)的工作;
(5.9)记录误差评价最好的模型参数:将步骤(5.7)中记录的误差评价指标,寻找其中的极小值,选择对应的参数为模型参数,该模型参数将用做以下步骤中的LSSVM模型参数;
(5.10)重新读入标准化后的训练样本:重新读入步骤(5.2)特征变量标准化的训练样本;
(5.11)选择的特征个数是否达到设定值:对输入矩阵Xall的维数进行判断,如何维数小于设定值,则认为特征选择的计算量较小,采用网格算法进行特征选择,转到步骤(5.24);否则采用遗传算法,转到步骤(5.12),加快搜索速度;
(5.12)特征变量编码:采用基于遗传算法的特征选择,直接采用二进制编码对特征变量进行编码,染色体的长度设为特征变量的个数;
(5.13)种群初始化:随机初始化种群;
(5.14)特征变量编码进行译码:将特征变量的二进制编码译码为实际的特征变量,得到此时的特征参数集FPsel_GA_ini;
(5.15)建立LSSVM模型:按步骤(5.5)的方法建立LSSVM模型,采用步骤(5.9)存储的模型参数和特征参数集;
(5.16)读取误差评价训练样本数据;
(5.17)计算个体适应度值:采用LSSVM校正模型中的均方根误差作为种群个体的适应度函数;
(5.18)记录特征参数集:记录适应度最好的特征参数集为FPsel_GA_opt;
(5.19)达到设定繁殖代数?判断GA是否达到设定的繁殖代数,若达到,转步骤(5.30);否则,转步骤(5.20);
(5.20)种群复制:根据个体适应度值的大小对个体进行排序,选择最佳个体,随机排序后替换适应度较弱的个体;
(5.21)种***叉:随机选择交配的父体和交叉点进行单点交叉;
(5.22)种群变异:采用基本变异算子进行变异操作;
(5.23)种群更新:采用更新后的种群替换步骤(5.13)产生的初始化种群,并转步骤(5.14);
(5.24)读取一组特征参数:读取网格内的一组特征参数FPsel_grid_ini;
(5.25)LSSVM校正模型:按步骤(5.5)的方法建立LSSVM模型,采用步骤(5.9)存储的模型参数和步骤(5.24)选择的特征参数;
(5.26)读取误差评价训练样本;
(5.27)记录均方根误差最小的特征参数集FPsel_grid_opt;
(5.29)全部网格搜索完毕?判断网格算法是否结束,是则转步骤(5.30);否则,转步骤(5.20),存储优化后的特征参数集步骤(5.24);
(5.30)存储优化后的特征参数集:选择由遗传算法选择的FPsel_GA_opt或网格算法选择的FPsel_GA_opt的特征参数集,并改写为FPsel;
(5.31)结束:完成LSSVM模型的最优特征选择;
对料球比、矿浆浓度及充填率模型分别执行上述过程,得到各自的优选特征参数集FPsel_mbr,FPsel_den,FPsel_bmwr可统一表示为FPseli,详见下式:
式中,i=1,2,3分别对应料球比、矿浆浓度及充填率的特征选择参数。
步骤六:确定球磨机的负荷参数料球比、矿浆浓度、充填率
球磨机负荷参数预测模型的建立流程见附图4,其详细步骤如下。
(6.1)开始:采用三个球磨机负荷参数的特征参数集FPsel_i得到料球比、矿浆浓度及充填率模型的输入变量,统一表示为Xi,详见下式:
(6.2)选择误差惩罚参数和核参数的调整范围:方法同步骤(5.3);
(6.3)调整误差惩罚参数和核参数:方法同步骤(5.4);
(6.4)建立球磨机负荷参数的模型:方法同步骤(5.5),建立的料球比、矿浆浓度及充填率模型如下:
式中,i=1,2,3分别对应料球比、矿浆浓度及充填率;
(6.5)读取误差评价训练样本数据:方法同步骤(5.6);
(6.6)记录误差评价结果和参数:方法同步骤(5.7);
(6.7)参数调整是否已经达到范围上限:方法同步骤(5.8);
(6.8)记录误差评价最好的模型参数:方法同步骤(5.9);
(6.9)确定模型:根据步骤(6.8)中选择的模型参数,确定模型训练结果,确定软测量模型;
(6.10)读入验证样本数据:读入准备用于模型验证的一组样本数据;
(6.11)模型验证:采用步骤(6.9)确定的模型按照步骤(5.7)中的均方根误差;
(6.12)模型是否满足精度?精度满足要求,则转步骤(6.14)结束模型的建立,采用建立的模型对料球比、矿浆浓度、充填率进行软测量;否则,转步骤(6.13);
(6.13)重新收集构造样本数据:验证精度不能满足软测量的需要,需要增加试验次数,重新构造训练样本,转到步骤二;
(6.14)结束。
本发明的优点:利用计算机***和检测仪表提供的球磨机筒体振动、振声及电流信号,实现了球磨机负荷参数(料球比、矿浆浓度、充填率)软测量。本发明通过测量灵敏度高、抗干扰性强的球磨机筒体振动信号,增加了模型的灵敏度和预测精度。同时,本发明提出的 对筒体振动及振声信号的低、中、高三个频段分别进行非线性特征提取的方法,结合了球磨机的研球磨机理及振动与振声信号的产生机理,充分提取了信号中的球磨机负荷参数信息,克服了振动及振声信号的时域特征难以提取、频域变量超高维及常用特征频段求和方法的不足。而且,本发明提出的特征选择方法,同时解决了非线性特征数量(主元个数)难以合理确定和最小二乘-支持向量机模型的输入变量维数过多造成的训练速度慢和过拟合的问题,提高了模型的鲁棒性和预测性能。该方法有助于实现粉磨过程的优化控制和稳定运行,降低球磨机的电耗和钢耗,提高球磨机的台时处理量,提高了企业的经济效益。
附图说明:
图1本发明一种球磨机负荷参数软测量方法的结构图;
图2本发明一种球磨机负荷参数软测量方法的总的程序流程图;
图3本发明一种球磨机负荷参数软测量方法的非线性特征选择流程图;
图4本发明一种球磨机负荷参数软测量方法的建模过程流程图;
图5(a)本发明一种球磨机负荷参数软测量方法的振动信号频域图;
图5(b)本发明一种球磨机负荷参数软测量方法的振声信号频域图。
具体实施方式:
以实验室内小型球磨机***为例。该球磨机的筒体尺寸为Φ460mm×460mm,内壁装有锰钢衬板,球磨机中部开口,可以随时停机、改变球磨机内矿物量和钢球量。该球磨机所装钢球的最大重量为80kg,矿物处理量为10kg/h。球磨机转速为53转/分钟。实验过程中使用Φ30mm、Φ20mm和Φ15mm三种锰钢钢球。实验中处理的矿石为经过破碎的铜矿石,颗粒尺寸小于6mm。
如图1和2所示,一种球磨机负荷参数软测量方法基于KPCA-LSSVM方法,包括如下步骤:
步骤一:数据采集
按实验设计方案在球磨机内添加一定质量的钢球、矿石和水,待均匀混合后,启动球磨机,记录研磨过程的振动、振声及电流信号,达到设定的采集时间后,停止球磨机并清洗,准备下一样本的采集。
步骤二:时域滤波
筒体振动信号采用频率范围为100~12000Hz的带通滤波器;振声信号则采用4000Hz的低通滤波器;电流信号则采用均值法滤波。除采集湿磨条件下的数据外,还采集了球磨机空转,空砸,水磨和干磨状态下的数据。
步骤三:振动及振声信号的时频转换:
采用改进的平均周期图法(Welch)求得球磨机旋转每周的振动及振声信号的功率谱密度(PSD),取全部周期的均值为最后结果。某一样本振动及振声信号如图5(a)和图5(b)所示。
步骤四:对振动及振声信号的频谱数据和时域电流数据进行非线性特征提取:
4.1对振动及振声信号的频谱数据数据进行非线性特征提取:
分析球磨机空转、干磨、水磨及湿磨时的频域信号特征,可得球磨机筒体振动信号的低频率段为100~1800Hz、中频段为1800~4000Hz,高频段为4000~11000Hz。对训练样本的三个频段在100~1800,1800~4000,4000~7500三个频段采用以RBF核的KPCA做非线性特征提取,其结果如表2所示。其第一个主元在低、中、高频段的方差贡献率分别为87.42%,96.89%及98.92%。
表2筒体振动信号不同频段进行KPCA分析的结果
球磨机振声信号可以分为1~800,800~2500,2500~4000三个频段。对训练样本的三个频段以RBF核的KPCA做非线性特征提取,其结果如表3所示。其第一个主元在低、中、高频段的方差贡献率分别为46.72%,42.31%及65.5%,可见振声信号的灵敏度低于筒体振动信号。
表3 振声信号不同频段进行KPCA分析的结果
4.2对电流数据进行非线性特征提取;
对电流信号进行非线性特征提取后,其第一主元的方差贡献率达到97.5%。用提取后的信号建立与充填率的模型,发先精度比提取前增加了一倍,表明了之间非线性的存在。
步骤五:对振动、振声、电流非线性特征的组合数据进行特征选择;
结合模型输入变量选择模型,球磨机负荷参数料球比、矿浆浓度、充填率模型的特征参数分别为mbr_FPsel_opt={(4,2,1)(3,1,1)(1)},density_FPsel_opt={(4,2,1)(1,1,6)(1)},bmwr_FPsel_opt={(4,2,1)(2,1,6)(1)}。
步骤六:确定球磨机负荷参料球比、矿浆浓度、充填率
按上步选定的模型输入的特征参数,分别建立料球比、矿浆浓度、充填率针最小二乘-支持向量机软测量模型,误差惩罚参数和核参数选为(28510.7,15)、(19700,447)、(30000,83)。在该参数下,三个模型的参数α和b的值分别为:
料球比模型:
α=[-0.811 0.631 -1.71 -1.29 -11.8 6.49 -3.04 3.14 -2.68 0.0436 1.82 3.875.39];b=0.966;
矿浆浓度模型:
α=[0.514 -0.685 2.94 -41.2 0.517 18.7 2.81 -11.1 40.3 16.8 2.63 -54.89 23.8-0.719];b=0.686。
充填率模型:
α=[0.693 -6.99 25.3 3.11 -11.4 -0.516 1.55 -26.8 -10.1 -3.66 36.2 -10.43.25];b=0.289。
采用均方根误差作为模型精度的统计结果,其计算按下式进行:
统计结果见表4。该表同时给出了建模的特征参数集及基于PCA-LSSVM及选择全部主元的建模结果。
表4 不同建模方法的球磨机负荷参数软测量建模结果
本实例是基于实验室球磨机***的球磨机负荷参数软测量,其料球比、矿浆浓度及充填率的变化范围大于工业现场球磨机,但是其测量精度仍然较高。因此,本发明即基于多源数据特征融合的球磨机负荷参数软测量方法能够有效的提取振动、振声及电流信号中的非线性特征并对特征参数进行有效的选择。本发明可以根据球磨机运行过程中产生的筒体振动信号、振声信号及电流信号实时估计球磨机负荷参数(料球比、矿浆浓度及充填率),精度较一般的主元分析方法平均提高一倍,其均方根误差分别为0.0889,0.1006和0.09553。因此,本发明是一个具有很好实用价值和推广前景的球磨机负荷参数(料球比、矿浆浓度及充填率)测量手段。
Claims (1)
1.一种球磨机负荷参数软测量方法,其特征在于:包括步骤如下
步骤一:采集球磨机筒体振动、振声及电流数据;
通过硬件支撑平台采集如下信号:球磨机筒体的振动加速度信号XV;球磨机研磨区域下方的振声信号XA;球磨机驱动电动机的电流信号XI;
步骤二:对采集的球磨机振动、振声及电流数据进行滤波;
采用有限冲激响应滤波器分别对振动及振声信号进行带通滤波和低通滤波,滤波器公式见下式:
式中, h(n1)——滤波器的系数;
N1——滤波器的长度;
y1(m)——滤波器在第m点的输出;
x(m-n1)——滤波器的第(m-n1)个输入;
n1——采样时刻n1=0,1,…N1-1;
m ——当前采样时刻;
采用均值滤波法对电流信号进行滤波,公式见下式:
式中,y2(m)——滤波器的输出,即N2次采样的算术平均值;
N2——采样点数;
步骤三:对滤波后的振动及振声数据进行时频转换;
采用改进的平均周期图法求球磨机旋转整周期的球磨机筒体振动及振声信号的功率谱密度;按如下公式:
Pr(k)——第r段的功率谱;
R——分段的段数;
N3——X数字序列的数据点数;
k——为求得的频率点数;
步骤四:对振动及振声信号的频谱数据和时域电流数据进行非线性特征提取;
4.1对振动及振声信号的频谱数据进行非线性特征提取;
将湿式球磨机频域信号划分为低频段,中频段及高频段,其分别对应着球磨机的固有频率段、主要冲击频率段、次要冲击频率段,将球磨机筒体振动信号在低、中、高频的数据分别记做XV_LF_org、XV_MF_org、XV_HF_org;振声信号在低、中、高频的非线性特征分别记做XA_LF_org、XA_MF_org、XA_HF_org,这些频谱数据存在高维和共线性的问题,采用核主元分析分别对XV_LF_org、XV_MF_org、XV_HF_org、XA_LF_org、XA_MF_org、XA_HF_org进行降维和非线性特征提取;
对振动及振声信号共六个频段提取非线性特征均按如下公式进行提取:
式中:k表示第k个样本,范围从1到M1;th——第h个主元;αk——协方差阵的特征向量;Φ——非线性变换函数;Φ(X)表示输入样本数据X在高维特征空间的非线性映射;vh——高维空间中,第h个主成份的特征矢量;K——M1×M1阶核矩阵;h——主元的个数;——中心化处理后的核矩阵;
将球磨机筒体振动信号在低、中、高频的频谱变量XV_LF_org、XV_MF_org、XV_HF_org提取的非线性特征分别记做XV_LF、XV_MF、XV_HF;球磨机振声信号在低、中、高频的频谱变量XA_LF_org、XA_MF_org、XA_HF_org提取的非线性特征分别记做XA_LF、XA_MF、XA_HF,其值分别用下式表示:
式中,——振动及振声信号在频域内的低中高三个频段进行KPCA降维和特征提取后能够选择的最大主元个数;
M2=[V,A]——表示振动(V)和振声信号(A);
N4=[L,M,H]——分别表示频域信号的低(L)、中(M)、高(H)频段。
4.2对电流数据进行非线性特征提取;
采用与步骤4.1中相同的方法即核主元分析提取时域球磨机电流信号中的非线性特征,提取后的非线性特征记做XI,其值可用下式表示:
式中,t——主元,即提取的非线性特征;hImax——是时域电流信号进行KPCA非线性特征提取后的最大主元个数,其值采用如下公式确定:
步骤五:对振动、振声、电流非线性特征提取后的融合数据进行特征选择;
将非线性特征输入变量中每类的最佳变量个数即KPCA的主元个数的集合称为特征参数集,并统一表示为: ,采用LSSVM模型选择误差惩罚参数和核参数的调整范围,获取存储优化后的特征参数集,最后确定料球比优选特征参数集、矿浆浓度优选特征参数集及充填率优选特征参数集,
特征参数集的确定采用如下特征参数优化模型:
式中,RMAEval——最小二乘-支持向量机模型的最小评价误差;
M2=[V,A]——表示振动(V)和振声信号(A);
N4=[L,M,H]——分别表示频域信号的低(L)、中(M)、高(H)频段;
——是时域电流信号进行KPCA非线性特征提取后的最大主元个数,一般取1;
n3———输入变量的行数即样本数;
y———磨机负荷参数的真值;
———磨机负荷参数的估计值即模型的计算值;
步骤六:确定球磨机的负荷参数料球比、矿浆浓度、充填率;
通过料球比、矿浆浓度及充填率模型的输入变量xi,采用LSSVM模型,确定的料球比、矿浆浓度及充填率:
得到球磨机的负荷参数料球比、矿浆浓度和充填率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010107786 CN101776531B (zh) | 2010-02-10 | 2010-02-10 | 一种球磨机负荷参数软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010107786 CN101776531B (zh) | 2010-02-10 | 2010-02-10 | 一种球磨机负荷参数软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101776531A CN101776531A (zh) | 2010-07-14 |
CN101776531B true CN101776531B (zh) | 2013-07-10 |
Family
ID=42513047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010107786 Expired - Fee Related CN101776531B (zh) | 2010-02-10 | 2010-02-10 | 一种球磨机负荷参数软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101776531B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102589640B (zh) * | 2012-03-17 | 2013-10-16 | 鞍钢集团矿业公司 | 大型球磨机钢球充填率检测装置及检测方法 |
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN103150609B (zh) * | 2013-02-18 | 2017-05-03 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
CN103279030B (zh) * | 2013-03-07 | 2016-05-18 | 清华大学 | 基于贝叶斯框架的动态软测量建模方法及装置 |
CN104697575B (zh) * | 2013-12-09 | 2017-05-17 | 珠海市华远自动化科技有限公司 | 动态测定球磨机内物料量、钢球量及料球比的方法 |
CN104689888B (zh) * | 2013-12-09 | 2017-02-22 | 珠海市华远自动化科技有限公司 | 动态测定球磨机筒体内物料量、钢球量及料球比的方法 |
CN103839106B (zh) * | 2014-02-19 | 2016-08-10 | 西安理工大学 | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 |
CN104932425B (zh) * | 2015-06-04 | 2017-10-20 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
CN105160421B (zh) * | 2015-08-10 | 2018-11-09 | 西安交通大学 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
CN105136276B (zh) * | 2015-09-18 | 2017-11-10 | 沈阳化工大学 | 一种非接触式的球磨机旋转筒体振动信号采集*** |
CN105268536B (zh) * | 2015-11-03 | 2017-07-25 | 西安交通大学 | 一种自适应在线校正的火电厂球磨机负荷软测量方法 |
CN105512690B (zh) * | 2015-11-25 | 2018-07-24 | 太原理工大学 | 基于监督等距映射和支持向量回归的球磨机料位测量方法 |
CN105528636B (zh) * | 2015-12-04 | 2018-06-15 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
CN105675124B (zh) * | 2016-02-04 | 2019-01-29 | 烟台索山机械有限公司 | 一种球磨机动态磨音参数检测装置 |
CN105787255B (zh) * | 2016-02-04 | 2018-10-30 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
CN107451386A (zh) * | 2016-05-31 | 2017-12-08 | 丹东东方测控技术股份有限公司 | 磨矿过程磨机功率在线软测量方法 |
CN106203253B (zh) * | 2016-06-22 | 2019-05-24 | 中国人民解放军61599部队计算所 | 一种基于多源信息的磨机振动与振声特征提取方法 |
CN106568503B (zh) * | 2016-11-07 | 2019-04-12 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
CN107199506B (zh) * | 2017-06-05 | 2019-05-21 | 苏州微著设备诊断技术有限公司 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
CN108009514B (zh) * | 2017-12-14 | 2022-04-12 | 太原理工大学 | 球磨机料位预测方法 |
CN108469805B (zh) * | 2018-03-06 | 2020-10-23 | 宁波大学 | 一种基于动态性最优选择的分散式动态过程监测方法 |
CN109709483A (zh) * | 2018-12-26 | 2019-05-03 | 天津瑞源电气有限公司 | 一种风电机组变桨距***故障诊断方法 |
CN109499694A (zh) * | 2018-12-26 | 2019-03-22 | 北京德润慧通大数据科技有限公司 | 给矿控制***及方法 |
CN110580378B (zh) * | 2019-08-08 | 2023-07-25 | 江西理工大学 | 球磨机筒体内部负荷软测量方法、装置以及*** |
CN111611533B (zh) * | 2020-05-25 | 2023-04-28 | 湖南大学 | 基于自适应vmd和改进功率谱的磨机负荷特征提取方法 |
CN114692922B (zh) * | 2020-12-30 | 2024-07-19 | 中冶长天国际工程有限责任公司 | 矿石可磨度获取方法、获取装置及预测模型 |
CN113190983B (zh) * | 2021-04-21 | 2024-03-01 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
CN113566953B (zh) * | 2021-09-23 | 2021-11-30 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
CN117839819B (zh) * | 2024-03-07 | 2024-05-14 | 太原理工大学 | 基于物理信息神经网络的在线多任务磨机负荷预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1525153A (zh) * | 2003-09-12 | 2004-09-01 | 东北大学 | 球磨机磨矿***溢流粒度指标软测量方法 |
CN101169623A (zh) * | 2007-11-22 | 2008-04-30 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7831094B2 (en) * | 2004-04-27 | 2010-11-09 | Honda Motor Co., Ltd. | Simultaneous localization and mapping using multiple view feature descriptors |
-
2010
- 2010-02-10 CN CN 201010107786 patent/CN101776531B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1525153A (zh) * | 2003-09-12 | 2004-09-01 | 东北大学 | 球磨机磨矿***溢流粒度指标软测量方法 |
CN101169623A (zh) * | 2007-11-22 | 2008-04-30 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101776531A (zh) | 2010-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101776531B (zh) | 一种球磨机负荷参数软测量方法 | |
CN104459089B (zh) | 一种高浓磨浆***游离度的软测量方法 | |
CN106568503B (zh) | 一种基于筒体表面多点振动信号的磨机负荷检测方法 | |
CN102169077B (zh) | 湿式磨矿过程溢流粒度指标混合智能软测量方法 | |
CN105279385B (zh) | 一种基于虚拟样本的磨机负荷参数软测量方法 | |
CN105528636B (zh) | 一种基于模糊推理的磨机负荷参数软测量方法 | |
CN103412489B (zh) | 一种磨矿粒度在线预报***及方法 | |
CN103902776A (zh) | 一种基于eemd的湿式球磨机负荷参数集成建模方法 | |
CN105787255A (zh) | 一种磨机负荷参数软测量方法 | |
CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
CN106563537A (zh) | 基于筒体表面抛落区和滑动区振动信号的磨机负荷检测方法 | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
CN105867341A (zh) | 一种烟草加工设备的在线设备健康状态自检方法及*** | |
CN108038079A (zh) | 一种多源机械信号分析与优化组合方法 | |
Li et al. | CPSO-XGBoost segmented regression model for asphalt pavement deflection basin area prediction | |
CN105956334B (zh) | 基于数值仿真的磨机负荷参数推理模型构建方法 | |
CN104978484B (zh) | 基于模糊预测模型的选矿厂磨矿过程矿浆浓度检测方法 | |
CN113640175A (zh) | 土石坝料压实质量评价方法 | |
CN106203253A (zh) | 一种基于多源信息的磨机振动与振声特征提取方法 | |
CN109583115B (zh) | 一种融合集成磨机负荷参数软测量*** | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN107194561A (zh) | 基于熵值法和灰色gm11模型预测房地产风险的方法 | |
CN100570327C (zh) | 测量水力旋流器固液分离溢流粒度分布的支持向量机方法 | |
CN103793582B (zh) | 圆柱壳大开孔接管结构优化方法 | |
CN117034601A (zh) | 一种多工况选矿过程溢流粒度的软测量建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130710 |