新型球磨機：多傳感器信息檢測負荷技術

紅星選礦設備廠傳感器信息技術檢測負荷，球磨機針對傳統的單因素或雙因素負荷檢測方案的不足，提出了基于多傳感器信息融合的多因素聯合檢測方案。通過檢測的多種外部響應，找出外部響應與內部負荷之間的關系，從而確定球磨機內部的多個負荷參數。實驗結果表明該方案能夠 負荷的準確、及時檢測，為磨礦過程的優化實時控制奠定基礎。

引言

在磨礦過程自動控制中，影響磨礦過程作業指標的因素很多：（1）屬于物料性質方面的有：礦石可磨度、給料粒度、產品細度等；（2）屬于磨機結構方面的有：磨機規格、型式、襯板形狀等；（3）屬于操作方面的有：介質形狀、尺寸配比及材質、介質充填率、轉速率、加球制度、料球比和磨礦濃度等。而這些因素本身又相互影響。

在上述因素中， 類和第二類因素被確定以后通常就不再改變；如果設備維修以及添加鋼球的材質都正常，則其可改變的條件只是磨機轉速率、介質充填率、料球比和磨礦濃度，而一旦磨機轉速率固定，則僅僅其余3個因素是可變的。所以，介質充填率（指球磨機靜止時磨礦介質鋼球體積占筒體有效體積的百分比）、料球比（指被磨物料密實體積占球磨機內介質中空隙體積的比例（用小數表示））和磨礦濃度（指內物料重量占礦漿總重量（物料＋水）的百分比）是球磨機負荷檢測和控制中研究的三個主要參數。這三個參數間接地反映了球磨機的負荷(包括球負荷、物料負荷以及水量的各自數值)，能否準確地檢測出球磨機的負荷是整個優化控制成敗的關鍵。

為 上述問題，本文將設計一種基于多傳感器信息融合的負荷檢測系統，使能夠準確地檢測出球磨機的內部負荷參數：介質充填率、料球比和磨礦濃度。最終根據需要來調整介質加入量、給礦量及給水量，從而 優化實時控制的目的。

系統總體設計

所謂多傳感器信息融合就是充分利用多個傳感器資源，通過對這些傳感器及其觀測信息的合理支配和使用，把多個傳感器在空間或時間上的冗余或互補信息依據某種準則進行組合，以獲得被測對象的一致性解釋或描述，使該信息系統由此獲得比它的各組成部分的子集所構成的系統更優越的性能。根據處理對象層次的不同，可分為:數據(像素)級融合、特征級融合和決策級融合。

本文采用三因素（聲響、振動和有功功率）檢測方法，分別通過聲音傳感器、振動加速度傳感器和有功功率傳感器進行外部響應信號的數據采集，經信號處理后提取這三個參數。為了保持盡可能多的現場數據，可將全部傳感器的觀測數據融合，且這三個傳感器是同質的(傳感器觀測的是同一物理現象)，所以可以在數據層進行信息融合，以便獲取充分多的外部響應信息。 通過融合算法間接地識別內部負荷參數（介質充填率、料球比和磨礦濃度）。

設計步驟

（1）三個外部響應信號的數據采集

聲響信號的采集電路由傳聲器、前置放大器及信號放大電路、抗混疊濾波器、A/D轉換器、微處理器處理部分等組成。球磨機運行時，鋼球、物料與滾筒之間，鋼球之間，鋼球與物料之間產生的撞擊造成振動，這些撞擊傳遞到滾筒裝甲上，并沿著筒體和軸承傳播開來。因此，在的軸承上即可測出球磨機滾筒的振動特性，因此采用安裝在軸承上的壓電式加速度傳感器來檢測的振動。動信號采集電路包括加速度傳感器、電荷放大器、信號放大電路、帶通濾波器、A/D轉換器、微處理器等。有功功率信號的采集選用有功功率傳感器來測量，由于球磨機的電機供電方式是三相三線制，所以選用三相有功功率傳感器。

（2）信號處理

信號處理一般包括信號的預處理、A/D轉換和數字信號處理器的數字信號處理等。其中，對于要檢測的聲響和振動信號，是隨機的混有多種噪聲信號在內的復雜的時域信號。然而不同負荷參數的變化往往引起聲響和振動信號頻率結構的變化，為了通過所檢測的信號得到球磨機內部負荷參數，往往需要了解信號的頻域信息。所以，需用快速傅立葉變換(FFT)對聲響和振動信號進行頻譜分析，計算其反映內部負荷參數的狀態和特征信息。

（3）數據層融合

由于磨礦過程機理復雜、影響因素多，又是一個多變量輸入輸出過程，生產過程緩慢，滯后時間長，同時具有非線性、時變性以及干擾因素多而嚴重等特點。此外，球磨機機組龐大，噪聲高達100dB。在這種相當惡劣的工作環境下，如果用傳統的單一傳感器來觀測外部響應信息，顯然是難以勝任的。所以，基于信息融合的多傳感器觀測手段在這里是個很好的應用方案。分別通過聲音傳感器、振動加速度傳感器和有功功率傳感器進行球磨機外部響應信號的數據采集，經信號處理后提取的這三個參數在數據層融合，可以增強獲取的球磨機外部響應信息的冗余性和互補性，減少整個系統的不確定性；當某個傳感器失效時，多個傳感器提供的冗余信息則可以排除故障信息，從而提高系統的魯棒性。

因為融合是在信息的 層次進行的，傳感器原始信息的不確定性、不完全性和不穩定性，以及數據通信量較大，抗干擾能力較差等，決定了融合時算法需有較高的糾錯能力，球磨機實時處理大量數據的能力等。神經網絡作為一種并行的分布式信息處理系統，具有很強的信息綜合能力，知識泛化能力及結構的容錯性等，可以在數據層用作融合算法。

（4）融合算法設計

本文是要通過檢測球磨機的外部響應來間接地檢測球磨機的內部負荷參數，即外部響應是已知的，球內部參數是待預測的。因此，可以在數據層，通過神經網絡建立系統的逆向模型——外部響應與內部負荷參數之間的關系模型，從而進行負荷的預測。

本文神經網絡選用有教師學習的標準三層結構的徑向基函數RBF網絡，輸入變量是數據層的球磨機外部響應，輸出變量是球磨機的內部負荷參數。

①輸入層的設計

由于RBF神經網絡模型的輸入變量是球磨機的外部響應信號，根據三因素檢測的要求，本文檢測了球磨機的外部聲響信號、外部振動信號和有用功率信號這三個因素，所以輸入層節點有三個，分別是歸一化處理后的球磨機的外部聲響信號、外部振動信號和有用功率信號。

②輸出層的設計

RBF神經網絡模型的輸出變量是球磨機的內部負荷參數，由于本文要檢測的球磨機內部負荷參數包括球磨機的介質充填率、料球比和磨礦濃度，所以，以介質充填率、料球比和磨礦濃度作為輸出變量建立神經網絡系統。這樣，輸出層有三個節點，輸出層的激活函數是簡單的求和運算，即輸出層是隱層輸出的加權和。

③隱層的設計

針對RBF網絡中隱層單元的選擇問題，本文使用一種自適應RBF神經網絡的學習算法。RBF網絡的隱層單元初始個數為零，在訓練過程中，按照一定規則自適應地添加，并將對輸出信號作用很小的隱層單元刪除，球磨機確保網絡結構簡單、緊湊，用最少的隱層單元有效 系統的非線性映射。具體 是在MATLAB7中，RBF神經網絡新建函數會根據樣本數據訓練過程中的使誤差曲線為0的原則自動調整隱層單元的節點數，完成網絡的訓練和建立（RBF神經網絡的新建和訓練在一個函數中完成）。

RBF神經網絡輸出層三個神經元上的數據經過反歸一化處理后，就為球磨機的內部負荷參數：介質充填率、料球比和磨礦濃度。在磨礦過程自動控制中，可以根據這三個參數間接反映的球磨機的負荷(包括球負荷、物料負荷以及水量的各自數值) 整個球磨機的優化控制。

結束語

本文提出了一種基于多傳感器信息融合的球磨機負荷檢測方案，并詳細地介紹了整個系統的各個環節。實驗結果表明，該系統能夠充分獲取并融合球磨機工作環境所提供的外部響應信息，從而準確地檢測出球磨機的負荷參數，為整個磨礦過程的自動控制提供了重要的技術支持。