基于集員估計在球磨機料位軟測量建模中的應用研究.pdf

1、球磨機是工業(yè)生產過程中對物料進行研磨破碎的關鍵設備，被普遍地使用于冶金、電力、選礦及化工等行業(yè)。其經濟性與內部料位相關，料位過低導致當前工作效率低，能源利用率不高，料位過高容易造成球磨機堵磨，存在安全隱患。因此，準確地測量筒內料位對實現球磨機的優(yōu)化控制至關重要。但是由于球磨機的密閉旋轉特性，在實際運行過程中，料位很難通過相關傳感器直接測量，所以采用數據驅動的建模方法，建立軟測量模型，通過輸入與球磨機料位相關的輔助變量來預測其料位。傳統(tǒng)的

2、軟測量建模方法有很多種，包括支持向量機、偏最小二乘法、神經網絡以及主元回歸分析法等，皆被廣泛地應用在球磨機料位的建模過程中。作為神經網絡的一種，極限學習機（Extreme Learning Machine, ELM）以其簡潔高效的訓練機制，避免了傳統(tǒng)神經網絡的反向微調過程，從而提高模型的學習速率和泛化性，因此得到廣泛地應用。然而，其前饋神經網絡的隱含層輸出是通過某種概率進行隨機選取，造成訓練好的模型隨機性很大，預測結果不穩(wěn)定。此外ELM

3、單隱含層的神經網絡結構也限制了其特征提取的能力。
　　本研究主要內容包括：⑴在球磨機實驗過程中，針對ELM預測球磨機料位結果不穩(wěn)定的缺點，本文采用OBE，在誤差未知但有界的條件下，對訓練好的ELM網絡模型進行優(yōu)化，提高模型的預測準確度和穩(wěn)定性，并通過實驗證明，該方法的有效性。⑵利用深度網絡對球磨機數據進行軟測量建模時，為了更好抽取樣本中最高層次的抽象表達，本文提出一種多層 OBE-ELM算法(Multi-Layer OBE-ELM

4、, ML-OBE-ELM)，基于自編碼器重構思想，采用OBE迭代算法學習輸入數據的高層特征表示，最后利用ELM算法得到高層特征與樣本標簽的關系式。為了驗證該算法的有效性，選用傳統(tǒng)的UCI數據集和實際球磨機數據集作為實驗數據，分別驗證了該算法在回歸和分類中都有較好的預測性能。⑶為了解決球磨機，料位中時變和工況遷移的問題，提出基于OBE-PLS的動態(tài)軟測量模型，首先利用離線數據訓練軟測量模型，當新的查詢樣本到達時，利用OBE在原有模型的基礎