基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基于核...

Full description

Saved in:

Bibliographic Details
Published in	自动化学报 Vol. 40; no. 9; pp. 1853 - 1866
Main Author	汤健柴天佑丛秋梅苑明哲赵立杰刘卓余文
Format	Journal Article
Language	Chinese
Published	中国人民解放军92941 部队葫芦岛 125001，中国%东北大学自动化研究中心沈阳 110004，中国%中国科学院沈阳自动化研究所信息服务与智能控制技术研究室沈阳 110016，中国%沈阳化工大学信息工程学院沈阳 110142，中国%墨西哥国立理工大学高级研究中心墨西哥 07360，墨西哥 2014
Subjects	磨机负荷参数经验模态分解选择性信息融合选择性集成建模频谱特征选择性信息融合 Empirical mode decomposition (EMD) 选择性集成建模经验模态分解磨机负荷参数 selective ensemble learning selective infor-mation fusion frequency spectrum 频谱特征 mill load parameters
Online Access	Get full text
ISSN	0254-4156 1874-1029
DOI	10.3724/SP.J.1004.2014.01853

Cover

More Information
Summary:	针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基于核偏最小二乘（Kernel partial least square,KPLS）建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.
Bibliography:	Empirical mode decomposition （EMD）, selective ensemble learning, mill load parameters, selective information fusion, frequency spectrum The components of shell vibration and acoustical signals of ball mill are complexity and difficult to interpret. Moreover, the useful information contained in these signals is redundancy and complementary, and the mapping relationships between these signals and mill load parameters are difficult to describe. Aiming at these problems, a new soft sensor approach is proposed, which analyzes shell vibration and acoustical signals for modeling mill load parameters based on empirical mode decomposition （EMD） technology and selective ensemble learning algorithm. At first, the complexity of the shell vibration and acoustical signals are analyzed based on the production mechanism. Then, these signals are adaptive decomposed into a number of intrinsic mode functions （IMFs） with different time-scales using EMD technology, and the spectral features of IMFs are analyzed and selected based
ISSN:	0254-4156 1874-1029
DOI:	10.3724/SP.J.1004.2014.01853