本發(fā)明涉及一種節(jié)能控制方法，特別是涉及一種針對球磨機(jī)節(jié)能優(yōu)化控制的深度學(xué)習(xí)方法。

背景技術(shù)：

球磨機(jī)是礦石等粗糙形物料進(jìn)行粉碎加工的重要大型封閉設(shè)備。將物料、研磨鋼球以及水輔料置于球磨機(jī)中進(jìn)行研磨，通過對物料成分的配比投送，在保障研磨生產(chǎn)質(zhì)量的情況下，使得球磨機(jī)能夠穩(wěn)定、節(jié)能運(yùn)行?，F(xiàn)有工程實踐中，一般采用人工經(jīng)驗操作方式來控制球磨機(jī)，這種簡單方式的缺陷在于過度依賴人工經(jīng)驗，可能會導(dǎo)致偏空磨或偏飽磨的現(xiàn)象，從而使得球磨機(jī)負(fù)荷形成劇烈波動現(xiàn)象。人工操作方式不能獲取穩(wěn)定的研磨質(zhì)量，在物料使用和生產(chǎn)用電方面會形成較大的浪費(fèi)，對生產(chǎn)安全也會形成一定的負(fù)面影響。因此，為提高球磨機(jī)研磨效率和質(zhì)量并達(dá)到節(jié)能需求，需尋求一種智能控制方法，而實現(xiàn)這一方法的關(guān)鍵因素在于對研磨過程的狀態(tài)監(jiān)測與優(yōu)化控制。

球磨機(jī)狀態(tài)監(jiān)測方面，由于在運(yùn)行過程中難以直接獲取球磨機(jī)內(nèi)部物料負(fù)荷情況，目前多采用間接手段獲取球磨機(jī)運(yùn)行狀態(tài)信息，主要涉及：基于設(shè)備運(yùn)行參數(shù)監(jiān)測的有用功率法、基于聲響檢測分析的電耳法、基于設(shè)備振動信號診斷的振動法等。其中，有用功率法僅依賴于球磨機(jī)自身的電壓、電流參數(shù)，受環(huán)境干擾較小，但其評估球磨機(jī)運(yùn)行狀態(tài)的靈敏度變化不高，難以進(jìn)行精細(xì)分析；電耳法利用麥克風(fēng)獲取球磨機(jī)運(yùn)行時的聲音信號來判斷球磨機(jī)的物料負(fù)荷情況，但其存在環(huán)境噪聲干擾、聲場位置確定等難題，加大了準(zhǔn)確精細(xì)分析的難點；振動法是直接將振動傳感器安裝在球磨機(jī)表面獲取相應(yīng)的振動信號，通過對振動信號的分析球磨機(jī)運(yùn)行狀態(tài)，振動法的檢測靈敏度較高且不受環(huán)境因素影響，但是由于單個振動傳感器的檢測區(qū)域較小，需要設(shè)計多傳感器檢測方式來實現(xiàn)球磨機(jī)表面振動狀態(tài)的全面覆蓋。

球磨機(jī)控制方面，人工控制方式僅能確保球磨機(jī)正常運(yùn)行，但經(jīng)驗方式不能保證球磨機(jī)運(yùn)行在最優(yōu)負(fù)荷狀態(tài)。傳統(tǒng)的PID(比例、積分、微分)控制方式能夠在一定程度上實現(xiàn)球磨機(jī)設(shè)備的自動化控制，但該方法是正對設(shè)備參數(shù)的確定性控制方式，難以描述球磨機(jī)的復(fù)雜非線性控制模式。目前，模糊控制、解耦控制、神經(jīng)網(wǎng)絡(luò)控制、預(yù)測控制等策略方法被研究用于解決球磨機(jī)控制問題。

總之，球磨機(jī)作為一種大型機(jī)械設(shè)備，其存在狀態(tài)監(jiān)測和控制的復(fù)雜性。采用單一監(jiān)測手段無法準(zhǔn)確描述球磨機(jī)負(fù)荷運(yùn)動狀態(tài)的變化情況，也就難以進(jìn)行有效的優(yōu)化控制。

技術(shù)實現(xiàn)要素：

為了克服上述缺陷，本發(fā)明提供一種基于深度學(xué)習(xí)的球磨機(jī)節(jié)能優(yōu)化控制方法，該方法能夠有效表征球磨機(jī)運(yùn)行狀態(tài)并實現(xiàn)球磨機(jī)的節(jié)能優(yōu)化控制。

本發(fā)明為了解決其技術(shù)問題所采用的技術(shù)方案是：一種基于深度學(xué)習(xí)的球磨機(jī)節(jié)能優(yōu)化控制方法，包括多觀測信息融合與數(shù)據(jù)深度學(xué)習(xí)、非線性優(yōu)化控制兩大部分，并通過球磨機(jī)運(yùn)行狀態(tài)形成閉環(huán)系統(tǒng)結(jié)構(gòu)，所述多觀測信息融合與數(shù)據(jù)深度學(xué)習(xí)部分包含信息融合模塊、深度學(xué)習(xí)處理模塊和主分量分析模塊，功率信號、聲音信號和振動信號通過信息融合模塊進(jìn)行多觀測信息融合后，再通過深度學(xué)習(xí)處理模塊實現(xiàn)抽象特征提取，最后通過主分量分析模塊實現(xiàn)特征降維，所述非線性優(yōu)化控制部分包含球磨機(jī)運(yùn)行狀態(tài)評估模塊和神經(jīng)網(wǎng)絡(luò)控制模塊，所述球磨機(jī)運(yùn)行狀態(tài)評估模塊借助上述深度學(xué)習(xí)特征及降維參數(shù)建立關(guān)于球磨機(jī)運(yùn)行狀態(tài)的節(jié)能運(yùn)行狀態(tài)模型，所述神經(jīng)網(wǎng)絡(luò)控制模塊采用徑向基函數(shù)(Radical Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)實現(xiàn)球磨機(jī)節(jié)能控制模型參數(shù)的非線性優(yōu)化。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述信息融合模塊是將球磨機(jī)運(yùn)行狀態(tài)信號進(jìn)行數(shù)據(jù)融合，涉及球磨機(jī)功率信號、聲音信號和振動信號，功率信號來自球磨機(jī)驅(qū)動電機(jī)，可表征球磨機(jī)的整體負(fù)荷能力，聲音信號來自于麥克風(fēng)電耳傳感器，放置于正對球磨機(jī)滾筒中點的一米至五米范圍內(nèi)，振動信號來自于符合工業(yè)環(huán)境需求的MEMS振動傳感器，并采用四通道振動信號檢測方式，該四通道振動傳感器放置在平行于球磨機(jī)軸向的滾筒外壁，并均勻分布在同一水平線上。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述深度學(xué)習(xí)處理模塊是采用深度信念網(wǎng)絡(luò)方法實現(xiàn)觀測信息的特征抽象，深度信念網(wǎng)絡(luò)是由多層的受限玻爾茲曼機(jī)堆疊構(gòu)成，各層中的神經(jīng)元與另一層的神經(jīng)元相連接，但同一層間的神經(jīng)元之間無連接，多觀測融合數(shù)據(jù)通過輸入層進(jìn)入受限玻爾茲曼機(jī)進(jìn)行學(xué)習(xí)并輸出至隱含層，再將該隱含層作為更高一層的輸入層，以此類推，結(jié)合對比散度快速訓(xùn)練方法加速數(shù)據(jù)學(xué)習(xí)訓(xùn)練效率，深度信念網(wǎng)絡(luò)通過在頂層附加一監(jiān)督網(wǎng)絡(luò)層，利用反向傳播算法對整個網(wǎng)絡(luò)權(quán)值進(jìn)行細(xì)微調(diào)整。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述主分量分析模塊是先將深度學(xué)習(xí)后的特征參數(shù)數(shù)據(jù)通過相空間序列矩陣構(gòu)造方法形成矩陣形式，利用奇異值分解技術(shù)獲取協(xié)方差矩陣及其特征值和特征向量，進(jìn)而通過特征值的分布變化情況來進(jìn)一步實現(xiàn)球磨機(jī)運(yùn)行特征參數(shù)的降維處理。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述球磨機(jī)運(yùn)行狀態(tài)評估模塊是在對球磨機(jī)運(yùn)行狀態(tài)觀測數(shù)據(jù)深度學(xué)習(xí)的基礎(chǔ)上，結(jié)合歷史經(jīng)驗參數(shù)狀態(tài)數(shù)據(jù)，構(gòu)建球磨機(jī)運(yùn)行狀態(tài)的參數(shù)描述模型，并將球磨機(jī)運(yùn)行狀態(tài)劃分為欠磨狀態(tài)、正常狀態(tài)、過磨狀態(tài)，利用總體最小二乘方法實現(xiàn)對球磨機(jī)運(yùn)行狀態(tài)的智能辨識，然后通過統(tǒng)計誤差分析評估欠磨和過磨狀態(tài)的偏離程度信息。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述神經(jīng)網(wǎng)絡(luò)控制模塊采用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)球磨機(jī)的非線性優(yōu)化控制。

本發(fā)明的有益效果是：本發(fā)明基于獲取的多觀測信息，構(gòu)建關(guān)于球磨機(jī)運(yùn)行狀態(tài)的信息融合數(shù)據(jù)庫，利用基于深度信念網(wǎng)絡(luò)的深度學(xué)習(xí)算法將獲得的觀測數(shù)據(jù)實現(xiàn)由低層數(shù)據(jù)到高層抽象特征的轉(zhuǎn)化，結(jié)合主分量分析方法對深度學(xué)習(xí)特征數(shù)據(jù)進(jìn)行再次降維處理，進(jìn)而以球磨機(jī)運(yùn)行負(fù)荷與能耗為優(yōu)化狀態(tài)目標(biāo)，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)非線性控制模型，實現(xiàn)球磨機(jī)的節(jié)能優(yōu)化控制方法。

附圖說明

圖1為本發(fā)明一種基于深度學(xué)習(xí)的球磨機(jī)節(jié)能優(yōu)化控制方法示意圖。

具體實施方式

一種基于深度學(xué)習(xí)的球磨機(jī)節(jié)能優(yōu)化控制方法，包括多觀測信息融合與數(shù)據(jù)深度學(xué)習(xí)、非線性優(yōu)化控制兩大部分，并通過球磨機(jī)運(yùn)行狀態(tài)形成閉環(huán)系統(tǒng)結(jié)構(gòu)，所述多觀測信息融合與數(shù)據(jù)深度學(xué)習(xí)部分包含信息融合模塊、深度學(xué)習(xí)處理模塊和主分量分析模塊，功率信號、聲音信號和振動信號通過信息融合模塊進(jìn)行多觀測信息融合后，再通過深度學(xué)習(xí)處理模塊實現(xiàn)抽象特征提取，最后通過主分量分析模塊實現(xiàn)特征降維，所述非線性優(yōu)化控制部分包含球磨機(jī)運(yùn)行狀態(tài)評估模塊和神經(jīng)網(wǎng)絡(luò)控制模塊，所述球磨機(jī)運(yùn)行狀態(tài)評估模塊借助上述深度學(xué)習(xí)特征及降維參數(shù)建立關(guān)于球磨機(jī)運(yùn)行狀態(tài)的節(jié)能運(yùn)行狀態(tài)模型，所述神經(jīng)網(wǎng)絡(luò)控制模塊采用徑向基函數(shù)(Radical Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)實現(xiàn)球磨機(jī)節(jié)能控制模型參數(shù)的非線性優(yōu)化。

所述信息融合模塊是將球磨機(jī)運(yùn)行狀態(tài)信號進(jìn)行數(shù)據(jù)融合，涉及球磨機(jī)功率信號、聲音信號和振動信號，功率信號來自球磨機(jī)驅(qū)動電機(jī)，可表征球磨機(jī)的整體負(fù)荷能力，聲音信號來自于麥克風(fēng)電耳傳感器，放置于正對球磨機(jī)滾筒中點的一米至五米范圍內(nèi)，振動信號來自于符合工業(yè)環(huán)境需求的MEMS振動傳感器，并采用四通道振動信號檢測方式，該四通道振動傳感器放置在平行于球磨機(jī)軸向的滾筒外壁，并均勻分布在同一水平線上。

所述深度學(xué)習(xí)處理模塊是采用深度信念網(wǎng)絡(luò)方法實現(xiàn)觀測信息的特征抽象，深度信念網(wǎng)絡(luò)是由多層的受限玻爾茲曼機(jī)堆疊構(gòu)成，各層中的神經(jīng)元與另一層的神經(jīng)元相連接，但同一層間的神經(jīng)元之間無連接，多觀測融合數(shù)據(jù)通過輸入層進(jìn)入受限玻爾茲曼機(jī)進(jìn)行學(xué)習(xí)并輸出至隱含層，再將該隱含層作為更高一層的輸入層，以此類推，結(jié)合對比散度快速訓(xùn)練方法加速數(shù)據(jù)學(xué)習(xí)訓(xùn)練效率，深度信念網(wǎng)絡(luò)通過在頂層附加一監(jiān)督網(wǎng)絡(luò)層，利用反向傳播算法對整個網(wǎng)絡(luò)權(quán)值進(jìn)行細(xì)微調(diào)整，達(dá)到進(jìn)一步優(yōu)化網(wǎng)絡(luò)參數(shù)的目的，從而使得球磨機(jī)運(yùn)行狀態(tài)數(shù)據(jù)能夠有效抽象為特征描述參數(shù)，無需人工設(shè)定具體的特征參數(shù)提取過程，增加了球磨機(jī)運(yùn)行狀態(tài)參數(shù)描述的智能性。

所述主分量分析模塊是先將深度學(xué)習(xí)后的特征參數(shù)數(shù)據(jù)通過相空間序列矩陣構(gòu)造方法形成矩陣形式，利用奇異值分解技術(shù)獲取協(xié)方差矩陣及其特征值和特征向量，進(jìn)而通過特征值的分布變化情況來進(jìn)一步實現(xiàn)球磨機(jī)運(yùn)行特征參數(shù)的降維處理。

所述球磨機(jī)運(yùn)行狀態(tài)評估模塊是在對球磨機(jī)運(yùn)行狀態(tài)觀測數(shù)據(jù)深度學(xué)習(xí)的基礎(chǔ)上，結(jié)合歷史經(jīng)驗參數(shù)狀態(tài)數(shù)據(jù)，構(gòu)建球磨機(jī)運(yùn)行狀態(tài)的參數(shù)描述模型，并將球磨機(jī)運(yùn)行狀態(tài)劃分為欠磨狀態(tài)、正常狀態(tài)、過磨狀態(tài)，利用總體最小二乘方法實現(xiàn)對球磨機(jī)運(yùn)行狀態(tài)的智能辨識，然后通過統(tǒng)計誤差分析評估欠磨和過磨狀態(tài)的偏離程度信息。

所述神經(jīng)網(wǎng)絡(luò)控制模塊采用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)球磨機(jī)的非線性優(yōu)化控制。RBF神經(jīng)網(wǎng)絡(luò)具有的良好控制逼近性能和全局最優(yōu)特性，且網(wǎng)絡(luò)結(jié)構(gòu)簡單，訓(xùn)練速度快，該神經(jīng)網(wǎng)絡(luò)控制模塊以球磨機(jī)運(yùn)行狀態(tài)的評估信息作為輸入，以研磨效果和能耗為優(yōu)化控制目標(biāo)，實現(xiàn)球磨機(jī)控制器控制參數(shù)的自適應(yīng)調(diào)整，完成對球磨機(jī)運(yùn)行的優(yōu)化節(jié)能控制。

綜上所述，本發(fā)明針對具有非線性、耦合和大滯后的球磨機(jī)控制特點，提出一種基于深度學(xué)習(xí)的球磨機(jī)節(jié)能優(yōu)化控制方法。該方法充分利用球磨機(jī)運(yùn)行的多觀測數(shù)據(jù)，利用深度信念網(wǎng)絡(luò)和主分量分析算法獲取球磨機(jī)的有效抽象特征描述。進(jìn)而利用總體最小二乘方法實現(xiàn)運(yùn)行狀態(tài)的智能評估與程度分析，進(jìn)一步采用RBF神經(jīng)網(wǎng)絡(luò)非線性控制方法，與球磨機(jī)運(yùn)作狀態(tài)監(jiān)測形成閉環(huán)系統(tǒng)結(jié)構(gòu)，尋找球磨機(jī)最佳負(fù)荷點，確保磨內(nèi)負(fù)荷的相對平穩(wěn)和研磨系統(tǒng)的高效節(jié)能運(yùn)行。