基于KPCA頻譜特征提取的球磨機負荷建模方法

馮 雪， 趙立杰， 鄭瀚洋

(沈陽化工大學 信息工程學院， 遼寧 沈陽 110142)

球磨機在選礦、陶瓷、化工、水泥、玻璃、耐火材料等行業中已經成為一種不可缺少的機器設備，它是物料被破碎之后，再進行粉碎的關鍵設備，也是工業生產中廣泛使用的高細磨機械之一[1].球磨機通過筒體的旋轉產生離心力，帶動筒內鋼球做拋物運動對物料進行撞擊，從而達到將物料粉碎的目的.在球磨機運行過程中，對球磨機運行狀態密切相關參數(如料球比、填充率和磨礦濃度)的預報能夠有效降低球磨機的耗能，并提高產品質量.但是球磨機內部運行環境十分惡劣，在筒體內部安裝傳感器進行狀態檢測的方法存在著傳感器易損壞，維修不方便等問題.近年來，基于球磨機外部響應振動信號進行球磨機內部狀態參數預報的方法越來越受到關注[2].球磨機的外部振動信號含有大量與內部運行狀態密切相關的信息.但時域振動信號中含有大量的噪聲，因此在進行特征識別過程中存在很大困難.在對振動信號頻譜分析過程中發現，盡管振動信號的頻譜更能體現信號特征，但球磨機振動頻譜卻存在超高維和共線性的問題.為建立更有效的磨機負荷模型，在此領域進行了大量的研究.湯健等[3]提出了通過遞歸主元分析(RPCA)和最小二乘支持向量回歸機(LSSVR)集成的方式，建立了磨機負荷軟測量模型；采用基于主元分析特征提取和徑向基函數(RBF)變換建立回歸模型[4].

極限學習機(extreme learning machine，ELM)[5]是一種簡單易用、有效的學習算法.它是一種單隱層前饋神經網絡SLFNs學習算法，與傳統的梯度學習算法(如BP算法)和SVM相比，ELM的學習速度更快，可以克服傳統梯度算法常有的局部極小、過擬合和學習率選擇不合適等問題，并且有更好的泛化能力[6].極限學習機只需要設置網絡的隱層節點個數，在算法執行過程中不需要調整網絡的輸入權值以及隱元的偏置，并且產生唯一的最優解.ELM已被廣泛應用于各類測量模型的建立及故障診斷之中，基于ELM可以建立具有良好泛化能力的溫度軟測量模型[6]；肖冬等[7]采用改進型ELM方法，將PCA與ELM相結合，建立了穿孔機導盤轉速測量模型.

盡管ELM算法能夠建立有效的預報模型，但是球磨機振動頻譜存在超高維和共線性問題，頻譜中不相關的頻譜成分將會惡化模型質量，降低模型的準確性.為了提高球磨機負荷參數預報模型的準確性，本文采用核主成分分析KPCA(Kernel Principal Component Analysis)[8]方法對筒體振動頻譜進行分析，KPCA是一種非常有效的數據壓縮技術，它能夠提取數據中互不相關的主元成分，有效地降低數據維數[9]，找到與球磨機運行狀態相關的頻譜特征.KPCA通過核函數引入非線性變換，首先將輸入映射到特征空間，再做主元分析PCA[10]，得到振動頻譜的主元，然后再采用極限學習機ELM算法對振動特征頻譜建模，得到有效的球磨機負荷參數預報模型.

1 基于KPCA頻譜特征提取的ELM建模方法

1.1 KPCA基本原理

KPCA方法的基本思想是通過某種隱式方式將輸入空間映射到某個高維空間(常稱為特征空間)，并且在特征空間中實現PCA.

假設x1,x2,…,xM為訓練樣本，用{xi}表示輸入空間，相應的映射為Φ，在對{xi}進行標準化處理后，對其進行映射為Φ的非線性變換，所得特征空間中的協方差矩陣C為：

(1)

其中M為訓練樣本個數.

求解KPCA的變換可以通過求C的特征值和特征向量來完成.

Cv=λv

(2)

其中v為特征值λ的特征矢量.考慮到所有的特征向量可表示為Φ(x1),Φ(x2),…,Φ(xM)的線性張成，即

(3)

其中αi為第i個訓練樣本對應的特征向量.

考慮等式：

Φ(xi)·Cv=λ(Φ(xi)·v)

(4)

將(1)、(3)帶入等式(4)，并令Kij=Φ(xi)·Φ(xj);i,j=1,2,…,M.得到

Mλα=Kα

(5)

其中：Mλ為K的特征值，α=[α1,α2,…,αM]為對應的特征向量.求解式(2)，便得到測試樣本在特征空間的第h個特征矢量vh方向上投影的主成分gh(x).

gh(x)=vh·Φ(x)=

(6)

由于特征空間的維數很高，計算點積非常困難，因此采用核函數K(xi,x)=Φ(xi)·Φ(x)進行替換得到.

(7)

1.2 極限學習機ELM算法

(8)

式(8)可以簡寫為

Hβ=Y

(9)

其中:

(10)

(11)

(12)

其中H*表示隱含層輸出矩陣H的Moore-Penrose廣義逆.

(1) 隨機產生輸入權值ωi和閥值bi；

(2) 計算隱含層輸出矩陣H；

1.3 基于KPCA頻譜特征提取的球磨機ELM建模

球磨機振動特征提取建模策略如圖1所示.首先對球磨機外部振動信號進行數據采集，數據采集過程在XMQL 420×450格子型球磨機數據采集系統上進行.然后將采集到的振動信號進行時頻變換，得到其對應頻譜.對頻譜做KPCA核主元分析處理，得到振動頻譜的主元.最后以振動頻譜主元作為輸入，磨機負荷參數磨礦濃度、填充率和料球比作為輸出，進行ELM極限學習機算法學習.

圖1 基于KPCA頻譜特征提取的球磨機ELM建模策略Fig.1 Strategy map of building ELM model based on KPCA

球磨機振動信號分析建模過程如下：

(1) 首先采集球磨機筒體振動信號，數據預處理后去除離群點和噪聲.筒體振動信號時域波形經PWELCH方法變換為頻域功率譜[11]，多個旋轉周期頻譜均值作為功率譜.

(2) 設球磨機筒體振動頻譜數據為X∈RN，N為頻譜長度，采用非線性變換Φ(X)將振動頻譜映射到高維特征空間S上.

(3) 在頻譜特征空間S上進行PCA主成分分析.一般選取的主元個數h的累積方法貢獻率Sh大于85 %，即Sh=arg min={Sh≥85 %}.

(5) 以ELM模型對比分析的均方根誤差RMSE和決定系數(R2)作為最佳隱含節點數的評價標準，選擇均方根誤差越小，且決定系數越大的為最佳隱含節點數.RMSE和R2定義如下：

(11)

(6) 將ELM輸入參數設置為最佳隱含節點數，根據主元個數h累積方差貢獻率Sh大于85 %得到基于KPCA特征提取的ELM磨機負荷操作參數估計的較佳的測量結果.

2 球磨機負荷參數預報實驗結果

2.1 磨礦濃度參數預報結果

表1 隱含層節點數不同時磨礦濃度測試結果Table 1 The result of grinding density with different node number

圖2 磨礦濃度均方根誤差分布箱線圖Fig.2 Box plots of grinding density RMSE

基于振動頻譜進行磨礦濃度參數預報，將基于KPCA建立的ELM模型與點數為1 200的ELM模型，振動頻譜PLS模型和基于PCA，PLS振動頻譜特征提取的ELM模型進行對比.以真實值與預測值的RMSE 作為模型性能的評價標準，同時引入相對均方根誤差(RRMSE)作為評價標準，以克服RMSE受量綱變化的影響.RRMSE 定義如下：

(12)

RMSE和RRMSE越小，模型性能越好，預報越準確.各模型誤差如表2所示.由表2可知：基于KPCA特征提取建立的ELM模型擁有最小的RMSE.盡管RRMSE要稍大于PCA結果，但是仍然遠遠小于其他方法，這說明相較于其他方法KPCA_ELM模型擁有較高的準確性.

表2 不同方法磨礦濃度預報結果誤差Table 2 RMSE and RRMSE of grinding density with different method

采用不同建模方法對磨礦濃度預報的結果如圖3所示.圖3中將KPCA_ELM模型，直接ELM模型，PCA_ELM模型，PLS_ELM模型和PLS模型的預報結果與真實值進行對比.結果顯示：各模型的預報值與真實值均相差較小，因此擁有更小誤差的基于KPCA特征提取的ELM模型性能更優越.

圖3 磨礦濃度預報結果Fig.3 The prediction results of grinding density

2.2 填充率、料球比參數預報結果

對球磨機狀態參數填充率和料球比進行參數預報，根據均方根誤差，決定系數及均方根誤差的分布情況選擇最佳隱含節點數.不同節點數的填充率、料球比均方根誤差分布情況如圖4所示.確定填充率和料球比的ELM模型的隱含層節點數分別為1 200和900.

圖4 填充率、料球比均方根誤差分布箱線圖Fig.4 Box plots of filling proportion and ball/powder weight ratio RMSE

采用KPCA，PCA，PLS分別對振動頻譜進行特征分析，建立填充率和料球比的KPCA，PCA，PLS特征ELM模型，直接ELM模型和PLS模型，并對參數進行預報，將預測值與真實值進行對比.表3為不同方法下填充率預報結果的誤差值大小.結果顯示：不同模型的誤差值存在一定差異，其中以KPCA_ELM模型的RMSE和RRMSE為最小，預報值更接近真實值.

表3 不同方法填充率預報結果誤差Table 3 RMSE and RRMSE of grinding density with different method

表4為不同方法下料球比預報結果與真實值誤差值的大小.在5種方法中，以KPCA_ELM模型的均方根誤差RMSE最小，且有一個較小的RRMSE.

表4 不同方法料球比預報結果誤差Table 4 RMSE and RRMSE of grinding density with different method

不同模型的填充率預報值與真實值的對比結果見圖5，料球比對比結果見圖6.由圖5、圖6可知：各模型的預報結果均在相同范圍，結果之間相差較小，更小的RMSE和RRMSE代表更好的模型性能.因此，擁有更小誤差值的基于KPCA建立的填充率和料球比ELM模型相較于其他模型更為準確.

圖5 填充率模型預報結果Fig.5 The prediction results of filling proportion

圖6 料球比模型預報結果Fig.6 The prediction results of grinding density

3 結 論

針對球磨機筒體振動頻譜包含大量不相關成分導致ELM預報模型準確性低的問題，采用KPCA方法對球磨機振動頻譜進行特征分析，降低數據維數，提高數據有效性.以特征選擇主元為輸入，采用極限學習機ELM方法對球磨機的3個負荷參數磨礦濃度、料球比、填充率進行參數預報.并與基于PCA和PLS的ELM模型，直接ELM模型及PLS模型進行對比.實驗結果顯示:基于球磨機振動頻譜KPCA特征提取結果建立的ELM模型更優于其他模型，具有更小的預報誤差，軟測量模型在準確性及可靠性上均有所提高.

參考文獻：

[1] 徐寧,周俊武,王清.關于選礦過程智能化控制技術的探討[J].銅業工程,2011,107(1):54-60.

[2] 馮天晶,王煥鋼,徐文立,等.基于筒壁振動信號的磨機工況監測系統[J].礦冶,2010,19(2):66-69.

[3] 湯健,趙立杰,柴天佑,等.基于振動頻譜的磨機負荷在線軟測量建模[J].信息與控制,2012,41(1):123-128.

[4] 湯健,柴天佑,趙立杰,等.融合時/頻信息的磨礦過程磨機負荷軟測量[J].控制理論與應用,2012,29(5):564-570.

[5] Huang G B,Zhu Q Y,Siew C K.Extreme Learning Machine:A New Learning Scheme of Feedforward Neural Networks[C]//Proceedings of International Joint Conference on Neural Networks (IJCNN2004).Piscataway:Institute of Electrical and Electronics Engineers Inc,2004:985-990.

[6] 田慧欣,毛志忠,王嘉錚.基于ELM新方法的LF終點溫度軟測量混合模型[J].東北大學學報：自然科學版,2008,29(1):33-36.

[7] 肖冬,王繼春,潘孝禮，等.基于改進PCA_ELM方法的穿孔機導盤轉速測量[J].控制理論與應用,2010,27(1):19-24.

[8] 高海華,楊輝華,王行愚.基于PCA和KPCA特征抽取的SVM網絡入侵檢測方法[J].華東理工大學學報：自然科學版,2006,32(3):321-326.

[9] Sch?lkopf B,Smola A,Müller K R.Nonlinear Component Analysis as a Kernel Eigenvalue Problem[J].Neural computation,1998,10(5):1299-1219.

[10] JolliHe I J.Principal Component Analysis[M].New York:Springer,1986:3-10.

[11] 湯健,趙立杰,岳恒，等.基于遺傳算法-偏最小二乘進行頻譜特征選擇的磨機負荷軟測量方法[C]// 程代展,陳杰.第29屆中國控制會議論文集.北京:北京航空航天大學出版社,2010:5066-5071.