基于改进的高斯混合回归的球磨机料位软测量

《基于改进的高斯混合回归的球磨机料位软测量》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。基于改进的高斯混合回归的球磨机料位软测量　　摘要：针对球磨机系统多模态复杂过程中的料位不确定性，球磨机振动信号存在非线性、噪声和外界干扰等问题，采用一种基于改进的高斯混合回归的球磨机料位软测量方法，解决传统高斯混合模型初始化含有噪声和异常值的数据难以聚类的问题。首先，利用改进的K?medoids聚类算法与EM算法分别初始化和优化高斯混合模型的最佳高斯分量个数、最优模型参数，然后采用GMR预测输出球磨

2、机料位。最后实验验证了改进GMR模型得到的预测料位可以很好地跟踪真实料位，并且通过实验结果的对比分析，验证了改进模型的有效性和实用性以及较好的预测精度。　　关键词：球磨机料位；多模态；振动信号；GMM；聚类；软测量；GMR　　中图分类号：TN98?34；TP181文献标识码：A文章编号：1004?373X05?0153?06　　Abstract：Sincethefillleveloftheballmillsysteminmultimodecomplicatedprocessisuncertain，andthevibrationsignalofballmillhasthech

3、aracteristicsofnonlinearity，noiseandoutsideinterference，asoftmeasurementmethodforballmillfilllevelbasedonimprovedGaussianmixture为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师

4、进修学校进行培训，熟悉系统的使用和维护。regressionisproposedtosolvetheproblemthatitisdifficulttoclusterthedataembeddingnoiseandabnormalvalueofthetraditionalGaussianmixturemodelinitialization.TheimprovedK?medoidsclusteringalgorithmandEMalgorithmareusedrespectivelytoinitializeandoptimizetheoptimalGaussiancompon

5、entquantityandoptimalmodelparameters.TheGMRisusedtopredicttheoutputleveloftheballmill.TheexperimentalresultsverifythatthepredictedfilllevelobtainedbyimprovedGMRmodelcantracktherealfilllevelaccurately.Thecomparativeanalysisofexperimentalresultsverifiesthattheimprovedmodelisfeasibleandpracti

6、cal，andhashighpredictionaccuracy.　　Keywords：ballmillfilllevel；multimode；vibrationsignal；Gaussianmixturemodel；clustering；softmeasurement；Gaussianmixtureregression　　0引言为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到

7、安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。　　球磨�C是磨矿工业中广泛使用的基础设备，准确测量球磨机料位是实现优化控制和节能降耗的关键技术之一。近年来，科研人员提出了许多测量球磨机料位的方法，其一般步骤是：先对采集的信号计算频谱特征，然后进行降维和特征提取，最后建立频谱特征与料位之间的模型。文献[1]利用快速傅里叶变换方法求取信号的功率谱密度，然后采用主元分析方法提取特征和减少冗余信息，最后用支持向量回归建立回归模型。文献[2]利用PCA方法