基于OBE-ELM的球磨机料位软测量

程瑞辉， 阎高伟

(太原理工大学 信息工程学院， 山西 太原 030600)

基于OBE-ELM的球磨机料位软测量

程瑞辉， 阎高伟

(太原理工大学 信息工程学院， 山西 太原 030600)

针对采用传统极限学习机在球磨机料位软测量建模过程中， 存在鲁棒性差， 预测精度不高等缺点， 提出一种基于最优定界椭球(Optimal Bounding Ellipsoid, OBE)改进极限学习机(Extreme Learning Machine, ELM)的建模方法. 该方法以球磨机振动信号为观测变量， 采用偏最小二乘法提取有效特征， 将提取到的有效特征输入到ELM中进行模型训练， 并利用OBE在模型误差未知但有界的条件下， 对网络权值进行约束优化. 通过小型球磨机实验表明， 在对球磨机料位进行回归预测时， 该方法的评价指标与其它方法相比有所提高， 测量结果的箱线图也直观展示该方法具有更好的鲁棒性.

球磨机料位； 软测量； 最优定界椭球； 极限学习机

0 引 言

球磨机作为一种基础破磨设备， 广泛应用于冶金、 电力及化工等行业. 其经济性与内部料位相关， 料位过低导致当前工作效率低， 能源利用率不高， 料位过高容易造成球磨机堵磨， 存在安全隐患. 因此， 准确地测量料位对球磨机的优化控制具有重要意义.

近年来， 科研人员针对球磨机料位的测量提出了多种软测量模型. 文献[1]对球磨机振声信号进行希尔伯特变换(Hilbert Transformation, HT)， 并提取有效特征训练BP神经网络. 文献[2] 采用傅里叶变换(Fast Fourier Transform, FFT)将振动信号从时域转换成频域， 并利用深度信念网络(Deep Belief Network, DBN)提取特征训练极限学习机(Extreme Learning Machine, ELM)， 建立料位与振动信号相对应的……