球磨机振动信号特征提取与负荷建模方法研究.pdf

学校代号 10532 学 号 S1709W0659 分 类 号 TM935 密 级 公 开 工程硕士学位论文 球磨机振动信号特征提取与 负荷建模方法研究 学位申请人姓名 卿宗胜 培养单位 电气与信息工程学院 导师姓名及职称 高云鹏 副教授 万全 高级工程师 学科专业 电气工程 研究方向 智能检测技术 论 文 提 交 日 期 2020 年 4 月 15 日 万方数据 学校代号10532 学号S1709W0659 密级公 开 湖南大学硕士学位论文湖南大学硕士学位论文 球磨机振动信号特征提取与负荷建模 方法研究 学位申请人姓名 卿宗胜 导师姓名及职称 高云鹏 副教授 万全 高级工程师 培 养 单 位 电气与信息工程学院 专 业 名 称 电气工程 论 文 提 交 日 期 2020 年 4 月 15 日 论 文 答 辩 日 期 2020 年 5 月 30 日 答辩委员会主席 滕召胜 教授 万方数据 The research on ball-mill vibration signal feature extraction and mill load modeling by QING Zongsheng B.E. Hunan Institute of Technology 2014 A thesis ted in partial satisfaction of the Requirements for the degree of Master of Engineering in Electrical Engineering in the Graduate School of Hunan University Supervisor Associate Professor GAO Yunpeng Senior Engineer WANG Quan April, 2020 万方数据 万方数据 球磨机振动信号特征提取与负荷建模方法研究 II 摘 要 球磨机作为开发利用矿石资源的关键设备，其筒内负荷变化情况直接影响整 个磨矿工业的生产安全和磨矿效率。由于球磨机封闭连续旋转的复杂运行环境， 造成磨矿过程中的球磨机负荷难以具体描述。开展球磨机负荷检测方法研究，准 确判别球磨机负荷状态，可为球磨机的优化控制和提高磨矿效率提供准确、可靠 判据。 本文以工业现场湿式球磨机为主要研究对象，开展球磨机振动信号特征提取 与负荷建模方法研究， 以实现对球磨机负荷状态的准确判别， 主要研究内容如下 首先对球磨机负荷检测研究的社会意义和经济价值进行介绍，阐述球磨机负 荷检测方法的国内外研究现状，总结常见球磨机振动信号特征提取方法，归纳现 有融合多源信号的磨机负荷建模方法的优点和不足。研究磨矿生产流程和湿式球 磨机工作原理， 根据工业实际情况， 将球磨机负荷状态划分为欠负荷、 正常负荷、 过负荷三种状态。深入分析球磨机筒体振动机理，并对筒体振动信号与磨机负荷 做相关性分析。研究影响磨机负荷变化的主要因素，选取给矿量、给水量、等 7 个磨矿过程参数作为构建负荷检测模型的输入参数。 针对球磨机筒体振动信号负荷特征难以准确提取的问题，提出一种基于自适 应 VMD 和改进功率谱估计的特征提取方法。 该方法依据筒体振动信号生成原理， 利用 EMD 的分解自适应性结合峰度参数对冲击量的敏感性， 自适应确定 VMD 的 模态数；采用数据延拓对自相关函数进行改进，有效避免自相关函数随着时延增 大导致波形幅值衰减问题， 引入 Nuttall 自卷积窗结合能量重心法提取振动信号模 态分量的功率谱最大值对应频率作为负荷特征。应用工业实测数据进行实验，结 果表明所提方法相比于 EMD 方法有更高的磨机负荷识别准确度，且自适应 VMD 相比于原 VMD 方法，具有更快的信号分解速度和负荷识别准确率。 针对球磨机封闭、连续旋转的复杂运行环境，导致基于单一信号的球磨机负 荷检测可靠性不高的问题，采用磨矿过程参数结合筒体振动信号特征构建多源特 征，建立基于 GA-BP 神经网络球磨机负荷识别模型，以实现球磨机负荷状态的准 确、可靠判别。工业实测数据实验结果表明，本文应用基于 GA-BP 神经网络建立 球磨机负荷识别模型，相比未经优化的 BP 神经网络迭代速度更快且具有高的负 荷识别率，并且将磨矿过程参数与振动特征构成的多源特征建立负荷识别模型相 比单振动特征负荷识别模型，能更准确的对负荷状态进行判别。 最后基于本文所提的振动信号特征提取与负荷建模算法， 开发基于 LabVIEW 的球磨机负荷检测系统， 详细阐述整个系统的架构， 编程实现振动信号数据采集、 万方数据 工程硕士学位论文 III 特征提取、负荷检测、数据存储等功能，并应用工业实测数据完成负荷检测系统 的测试实验，验证本文方法的准确性和有效性。 关键词球磨机负荷；自适应 VMD；Nuttall 自卷积窗；改进功率谱；GA-BP 神 经网络 万方数据 球磨机振动信号特征提取与负荷建模方法研究 IV Abstract The ball mill is the key equipment for the development and utilization of ore resources. The production safety and grinding efficiency of the entire grinding industry are directly affected by the load changes in ball mill. The closed and continuously rotating complex operating environment of the ball mill makes it difficult to describe the load of the ball mill in the grinding process. Therefore, carrying out research on mill load detection s so that the mill load status is accurately identified, which provide accurate and reliable basis for the optimization control and efficiency improvement of the grinding. In this thesis, the industrial wet ball mill as the research object, the load status of the ball mill is accurately identified through the study of vibration signal feature extraction and load modeling s. The main research contents are as follows The social significance and economic value of the ball mill load detection research are introduced. The domestic and foreign research status of the ball mill load detection is described. The common vibration signal feature extraction and s are summarized. The advantages and disadvantages of existing load detection s based on ball mill vibration fusion grinding process parameters are analyzed. The load state of the ball mill is divided into three states underload, normal load, and overload by studying the grinding production process and the working principle of the wet ball mill combined with the actual situation of the industry. The relationship between the barrel vibration signal and the mill load is deeply analyzed. The main factors affecting the load change of the mill are studied and 7 grinding process parametersare used as parameters for the construction of load detection model. Aiming at the problem that the vibration signal load feature of the ball mill barrel is difficult to accurately extract, a feature extraction based on adaptive VMD and improved power spectrum estimation is proposed in this thesis. The number of modes of VMD is adaptively determined according to the principle of cylinder vibration signal generation and using the adaptive adaptation of EMD combined with the sensitivity of the kurtosis parameter to the impact amount. The autocorrelation function decreases the amplitude of the wave as the time delay increases, which is effectively avoided by the data extension . The intrinsic mode function of 万方数据 工程硕士学位论文 V vibration signal is processed by introducing the Nuttall self-convolution window and the energy centrobaric . By introducing Nuttall self-convolution window combined with energy centroid , the frequency corresponding to the maximum power spectrum of the modal component of the vibration signal is extracted as the load feature. The industrial measured results show that the proposed is more accurate than the EMD in mill load identification. The complex operating environment of the ball mill makes the load detection of the ball mill based on a single signal unreliable. In this thesis, in order to achieve accurate and reliable determination of the load status of the ball mill, the GA-BP neural network ball mill load status identification model is established and multi-source characteristics as parameters of load identification model are constructed by combining 7 grinding process parameters and vibration characteristics. The industrial measured results show that compared with BP neural network, GA-BP neural network has faster iteration speed and high load identification rate and multi-source feature model has higher load identification rate than single vibration feature model. Finally, based on the algorithm proposed in this thesis, the ball mill load identification system based on LabVIEW plat is built. The software architecture of the whole system is introduced, and the software design of the vibration signal data collection, feature extraction, load identification, data storage and other functions is realized. By drawing on the industrial measured data, the test experiment of the load identification system is completed, and the effectiveness and accuracy of the is verified. Key WordsBall mill load; Adaptive VMD; Nuttall self-convolution window; Improved power spectrum; GA-BP neural network 万方数据 球磨机振动信号特征提取与负荷建模方法研究 VI 目 录 学位论文原创性声明与学位论文版权使用授权书 ................................................... I 摘 要 ........................................................................................................................ II Abstract .................................................................................................................... IV 插图索引 ................................................................................................................ VIII 附表索引 .................................................................................................................... X 第 1 章 绪 论 .........................................................................................................1 1.1 本文研究背景与研究意义 ..........................................................................1 1.2 球磨机负荷检测国内外研究现状 ...............................................................2 1.2.1 不同间接量的球磨机负荷检测方法研究现状 ..................................2 1.2.2 球磨机振动信号特征提取方法研究现状 ..........................................4 1.2.3 融合多源信号的球磨机负荷建模方法研究现状 ..............................6 1.3 本文主要研究内容 ......................................................................................8 第 2 章 球磨机工作原理与磨机负荷相关理论 ..................................................... 10 2.1 磨矿工艺流程与球磨机工作原理 ............................................................. 10 2.1.1 磨矿工艺流程 .................................................................................. 10 2.1.2 球磨机工作原理 .............................................................................. 11 2.2 磨机负荷状态划分 .................................................................................... 11 2.3 球磨机振动与磨机负荷相关性分析 ......................................................... 13 2.3.1 球磨机振动信号机理分析 ............................................................... 13 2.3.2 筒体振动信号与磨机负荷相关性分析 ........................................... 14 2.4 磨矿过程参数与磨机负荷相关性分析 ..................................................... 16 2.4.1 球磨机入口参数与磨机负荷相关性分析 ........................................ 16 2.4.2 球磨机出口参数与磨机负荷相关性分析 ........................................ 16 2.4.3 磨机功率与磨机负荷相关性分析 ................................................... 17 2.5 本章小结 ................................................................................................... 18 第 3 章 球磨机筒体振动信号特征提取方法研究 ................................................. 19 3.1 经验模态分解算法 .................................................................................... 19 3.2 变分模态分解算法 .................................................................................... 20 3.3 自适应变分模态分解算法 ........................................................................ 21 3.3.1 峰度参数选取 IMF 敏感分量规则 .................................................. 22 3.3.2 自适应 VMD 算法流程.................................................................... 22 万方数据 工程硕士学位论文 VII 3.3.3 仿真对比分析 .................................................................................. 23 3.4 改进功率谱估计 ........................................................................................ 29 3.4.1 改进自相关函数 .............................................................................. 29 3.4.2 Nuttall 自卷积窗能量重心法 ........................................................... 31 3.5 球磨机筒体振动信号特征提取步骤 ......................................................... 32 3.6 实例分析 ................................................................................................... 34 3.7 本章小结 ................................................................................................... 40 第 4 章 基于 GA-BP 神经网络的球磨机负荷建模 ................................................ 42 4.1 GA-BP 神经网络 ....................................................................................... 42 4.1.1 BP 神经网络基本原理 ...................................................................... 42 4.1.2 遗传算法 .......................................................................................... 44 4.1.3 遗传算法优化 BP 神经网络 ............................................................ 45 4.2 基于 GA-BP 神经网络建立球磨机负荷识别模型 .................................... 46 4.3 实例分析 ................................................................................................... 48 4.4 本章小结 ................................................................................................... 52 第 5 章 球磨机负荷检测系统设计 ......................................................................... 53 5.1 球磨机负荷检测系统架构 ........................................................................ 53 5.2 球磨机负荷检测系统软件设计 ................................................................. 55 5.2.1 系统登录与系统菜单模块 ............................................................... 55 5.2.2 振动信号特征提取模块 ................................................................... 56 5.2.3 负荷检测模块 .................................................................................. 58 5.2.4 用户管理模块 .................................................................................. 59 5.2.5 数据记录与报表生成模块 ............................................................... 61 5.3 工业实测数据系统功能测试 .................................................................... 62 5.4 本章小结 ................................................................................................... 63 结 论 ....................................................................................................................... 64 参考文献 ................................................................................................................... 66 致 谢 ....................................................................................................................... 73 附录 A 攻读硕士学位期间获得的科研成果 ......................................................... 74 附录 B 攻读硕士学位期间主研的科研项目 ......................................................... 75 万方数据 球磨机振动信号特征提取与负荷建模方法研究 VIII 插图索引 图 2.1 磨矿工艺流程 ...................................................................................... 10 图 2.2 工业湿式球磨机实物图 ....................................................................... 11 图 2.3 球磨机筒内钢球抛落运动状态 ........................................................... 12 图 2.4 磨机负荷与矿石可磨性关系 ............................................................... 12 图 2.5 球磨机内部钢球运动与负荷分布 ....................................................... 13 图 2.6 不同负荷状态筒体振动信号各 IMF 时域和频谱图 ........................... 15 图 2.7 不同给矿量下磨机负荷与磨机功率变化趋势 .................................... 17 图 3.1 自适应 VMD 算法流程 ....................................................................... 23 图 3.2 纺锤模型时域及其频谱 ....................................................................... 24 图 3.3 纺锤模型包含分量 .............................................................................. 24 图 3.4 EMD 分解 ............................................................................................ 25 图 3.5 EEMD 分解 .......................................................................................... 26 图 3.6 K5 的 VMD 分解 ............................................................................... 26 图 3.7 K6 的 VMD 分解 ............................................................................... 27 图 3.8 K7 的 VMD 分解 ............................................................................... 27 图 3.9 峰度与峰度参数变化趋势 ................................................................... 28 图 3.10 自适应 VMD 分解 ............................................................................. 29 图 3.11 改进自相关函数原理 ......................................................................... 30 图 3.12 含噪信号波形 .................................................................................... 30 图 3.13 含噪信号自相关波形 ........................................................................ 30 图 3.14 含噪信号改进自相关波形 ................................................................. 30 图 3.15 Nuttall 自卷积窗与其他窗能量重心法频率校正误差比较 .............. 33 图 3.16 不同负荷状态球磨机筒体振动信号波形 .......................................... 34 图 3.17 不同负荷状态振动信号峰度与峰度参数变化趋势 .......................... 36 图 3.18 正常负荷振动信号自适应 VMD 分解图........................................... 36 图 3.19 150 组数据各模态分量功率谱最大值频率 ....................................... 37 图 3.20 EMD 方法测试集误差矩阵 ............................................................... 39 图 3.21 原 VMD 方法测试集误差矩阵 ..........................................