摘要： 　　針對傳統的單因素或雙因素球磨機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。通過檢測球磨機的多種外部響應，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實現球磨機負荷的準確、及時檢測，為磨礦過程的優化實時控制奠定基礎。 　　 　　關鍵詞： 　　多傳感器信息融合、 球磨機負荷檢測、 神經網絡 　　 　　Abstract: 　　In view of the insufficient scheme of the traditional load-examination of the ball mill which is based on single-or double- factor,this paper presents a multi-factor union examination scheme which is based on the multi-sensor information amalgamation . Through examination of the multiple external response and the relations between the exterior response and internal load of the ball mill,the confirmation of the many internal load-parameters of the ball mill can be achieved accurately. The experimental result indicates that the scheme can realize the load-examination of the ball mill accurately and promptly, accordingly establishing the foundation of the optimized real-time control for the mine-grinding process. 　　 　　Key words： 　　multi-sensor information amalgamation、ball mill load-examination、nerve network 　　 　　0 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：（Ⅰ）屬于物料性質方面的有：礦石可磨度、給料粒度、產品細度等；（Ⅱ）屬于磨機結構方面的有：磨機規格、型式、襯板形狀等；（Ⅲ）屬于操作方面的有：介質形狀、尺寸配比及材質、介質充填率、磨機轉速率、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，第一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磨機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（指球磨機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球磨機優化控制成敗的關鍵。 　　為解決上述問題，本文將設計一種基于多傳感器信息融合的球磨機負荷檢測系統，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，從而實現球磨機優化實時控制的目的。 　　 　　1 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球磨機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，以便獲取充分多的球磨機外部響應信息。最后通過融合算法間接地識別球磨機內部負荷參數（介質充填率、料球比和磨礦濃度）。 　　 　　2 設計步驟 　　（1）球磨機三個外部響應信號的數據采集 　　球磨機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。聲響信號采集電路如圖1所示： 圖1聲響信號采集電路 　　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球磨機振動，這些撞擊傳遞到球磨機滾筒裝甲上，并沿著筒體和軸承傳播開來。因此，在球磨機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球磨機的振動。球磨機振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。振動信號采集電路如圖2所示。 　　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。對于本文中球磨機的有用功率信號的檢測，是選用深圳金智機電技術有限公司生產的WB2P412R型三相三線有功功率傳感器。 　　 　　（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。然而球磨機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，計算其反映球磨機內部負荷參數的狀態和特征信息。 　　圖2 振動信號采集電路 （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球磨機的外部響應信息，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最低層次進行的，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，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，即球磨機外部響應是已知的，球磨機內部參數是待預測的。因此，可以在數據層，通過神經網絡建立球磨機系統的逆向模型——球磨機外部響應與內部負荷參數之間的關系模型，從而進行球磨機負荷的預測。 　　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 　　在RBF網絡訓練中，隱含層神經元數量的確定是一個關鍵問題，MATLAB7提出了改進方法，基本原理是從0個神經元開始訓練，通過檢查輸出誤差使網絡自動增加神經元。每次循環使用，使網絡產生的最大誤差所對應的輸入向量作為權值向量，產生一個新的隱含層，然后檢查新網絡的誤差，重復此過程直到達到誤差要求或最大隱含層神經元數為止。實現是：函數newrbe在創建RBF網絡時，自動選擇隱含層的數目，使得誤差為0，完成網絡的訓練和建立（RBF神經網絡的建立過程就是訓練過程）。 　　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)實現整個球磨機的優化控制。 　　 　　3 實驗結果 　　通過在實驗球磨機上做實驗，得到了大量的實驗數據，選取其中的部分作為樣本數據（見表1），來訓練神經網絡。 表1 部分樣本數據 　　按照RBF神經網絡訓練步驟和算法，對本文的球磨機系統逆模型的RBF神經網絡模型進行訓練。神經網絡的訓練和仿真是在MATLAB7環境下，編制了相應的程序實現。訓練后返回神經網絡的權值、偏置值。網絡訓練過程的誤差曲線如圖3所示。 　　對實驗樣本數據進行仿真，得到預測誤差曲線（神經網絡輸出值與樣本目標值之差的曲線），如圖4所示。 圖3 神經網絡訓練誤差曲線 圖4 神經網絡預測誤差曲線 　　4 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。 　　 　　參考文獻 　　[1]王澤紅，陳炳辰．球磨機負荷檢測的現狀與發展趨勢[J]．中國粉體技術，2001.7（1）：19～23 　　[2]王澤紅，陳炳辰. 球磨機內部參數的三因素檢測．金屬礦山[J]，2002.1：32～34 　　[3]毛益平，高繼森，陳炳辰．基于RBF網絡球磨機雙因素建模的研究[J]．中國礦業，2000.9（5）：75～78 　　[4]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2005.3 　　[5] 馮波. 多傳感器信息融合技術的研究[D].中國優秀博碩論文全文數據庫 　　附： 　　作者簡介：周克良（1964——）男，江西贛州人，江西理工大學機電工程學院副教授，副院長，研究方向為工業過程控制。 　　聯系方式：江西贛州江西理工大學機電04研戴建國 郵編：341000 　　E—mail: liunianjingsui@126.com