新型球磨机：多传感器信息检测负荷技术

红星选矿设备厂传感器信息技术检测负荷，球磨机针对传统的单因素或双因素负荷检测方案的不足，提出了基于多传感器信息融合的多因素联合检测方案。通过检测的多种外部响应，找出外部响应与内部负荷之间的关系，从而确定球磨机内部的多个负荷参数。实验结果表明该方案能够 负荷的准确、及时检测，为磨矿过程的优化实时控制奠定基础。

引言

在磨矿过程自动控制中，影响磨矿过程作业指标的因素很多：（1）属于物料性质方面的有：矿石可磨度、给料粒度、产品细度等；（2）属于磨机结构方面的有：磨机规格、型式、衬板形状等；（3）属于操作方面的有：介质形状、尺寸配比及材质、介质充填率、转速率、加球制度、料球比和磨矿浓度等。而这些因素本身又相互影响。

在上述因素中， 类和第二类因素被确定以后通常就不再改变；如果设备维修以及添加钢球的材质都正常，则其可改变的条件只是磨机转速率、介质充填率、料球比和磨矿浓度，而一旦磨机转速率固定，则仅仅其余3个因素是可变的。所以，介质充填率（指球磨机静止时磨矿介质钢球体积占筒体有效体积的百分比）、料球比（指被磨物料密实体积占球磨机内介质中空隙体积的比例（用小数表示））和磨矿浓度（指内物料重量占矿浆总重量（物料＋水）的百分比）是球磨机负荷检测和控制中研究的三个主要参数。这三个参数间接地反映了球磨机的负荷(包括球负荷、物料负荷以及水量的各自数值)，能否准确地检测出球磨机的负荷是整个优化控制成败的关键。

为 上述问题，本文将设计一种基于多传感器信息融合的负荷检测系统，使能够准确地检测出球磨机的内部负荷参数：介质充填率、料球比和磨矿浓度。最终根据需要来调整介质加入量、给矿量及给水量，从而 优化实时控制的目的。

系统总体设计

所谓多传感器信息融合就是充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则进行组合，以获得被测对象的一致性解释或描述，使该信息系统由此获得比它的各组成部分的子集所构成的系统更优越的性能。根据处理对象层次的不同，可分为:数据(像素)级融合、特征级融合和决策级融合。

本文采用三因素（声响、振动和有功功率）检测方法，分别通过声音传感器、振动加速度传感器和有功功率传感器进行外部响应信号的数据采集，经信号处理后提取这三个参数。为了保持尽可能多的现场数据，可将全部传感器的观测数据融合，且这三个传感器是同质的(传感器观测的是同一物理现象)，所以可以在数据层进行信息融合，以便获取充分多的外部响应信息。 通过融合算法间接地识别内部负荷参数（介质充填率、料球比和磨矿浓度）。

设计步骤

（1）三个外部响应信号的数据采集

声响信号的采集电路由传声器、前置放大器及信号放大电路、抗混叠滤波器、A/D转换器、微处理器处理部分等组成。球磨机运行时，钢球、物料与滚筒之间，钢球之间，钢球与物料之间产生的撞击造成振动，这些撞击传递到滚筒装甲上，并沿着筒体和轴承传播开来。因此，在的轴承上即可测出球磨机滚筒的振动特性，因此采用安装在轴承上的压电式加速度传感器来检测的振动。动信号采集电路包括加速度传感器、电荷放大器、信号放大电路、带通滤波器、A/D转换器、微处理器等。有功功率信号的采集选用有功功率传感器来测量，由于球磨机的电机供电方式是三相三线制，所以选用三相有功功率传感器。

（2）信号处理

信号处理一般包括信号的预处理、A/D转换和数字信号处理器的数字信号处理等。其中，对于要检测的声响和振动信号，是随机的混有多种噪声信号在内的复杂的时域信号。然而不同负荷参数的变化往往引起声响和振动信号频率结构的变化，为了通过所检测的信号得到球磨机内部负荷参数，往往需要了解信号的频域信息。所以，需用快速傅立叶变换(FFT)对声响和振动信号进行频谱分析，计算其反映内部负荷参数的状态和特征信息。

（3）数据层融合

由于磨矿过程机理复杂、影响因素多，又是一个多变量输入输出过程，生产过程缓慢，滞后时间长，同时具有非线性、时变性以及干扰因素多而严重等特点。此外，球磨机机组庞大，噪声高达100dB。在这种相当恶劣的工作环境下，如果用传统的单一传感器来观测外部响应信息，显然是难以胜任的。所以，基于信息融合的多传感器观测手段在这里是个很好的应用方案。分别通过声音传感器、振动加速度传感器和有功功率传感器进行球磨机外部响应信号的数据采集，经信号处理后提取的这三个参数在数据层融合，可以增强获取的球磨机外部响应信息的冗余性和互补性，减少整个系统的不确定性；当某个传感器失效时，多个传感器提供的冗余信息则可以排除故障信息，从而提高系统的鲁棒性。

因为融合是在信息的 层次进行的，传感器原始信息的不确定性、不完全性和不稳定性，以及数据通信量较大，抗干扰能力较差等，决定了融合时算法需有较高的纠错能力，球磨机实时处理大量数据的能力等。神经网络作为一种并行的分布式信息处理系统，具有很强的信息综合能力，知识泛化能力及结构的容错性等，可以在数据层用作融合算法。

（4）融合算法设计

本文是要通过检测球磨机的外部响应来间接地检测球磨机的内部负荷参数，即外部响应是已知的，球内部参数是待预测的。因此，可以在数据层，通过神经网络建立系统的逆向模型——外部响应与内部负荷参数之间的关系模型，从而进行负荷的预测。

本文神经网络选用有教师学习的标准三层结构的径向基函数RBF网络，输入变量是数据层的球磨机外部响应，输出变量是球磨机的内部负荷参数。

①输入层的设计

由于RBF神经网络模型的输入变量是球磨机的外部响应信号，根据三因素检测的要求，本文检测了球磨机的外部声响信号、外部振动信号和有用功率信号这三个因素，所以输入层节点有三个，分别是归一化处理后的球磨机的外部声响信号、外部振动信号和有用功率信号。

②输出层的设计

RBF神经网络模型的输出变量是球磨机的内部负荷参数，由于本文要检测的球磨机内部负荷参数包括球磨机的介质充填率、料球比和磨矿浓度，所以，以介质充填率、料球比和磨矿浓度作为输出变量建立神经网络系统。这样，输出层有三个节点，输出层的激活函数是简单的求和运算，即输出层是隐层输出的加权和。

③隐层的设计

针对RBF网络中隐层单元的选择问题，本文使用一种自适应RBF神经网络的学习算法。RBF网络的隐层单元初始个数为零，在训练过程中，按照一定规则自适应地添加，并将对输出信号作用很小的隐层单元删除，球磨机确保网络结构简单、紧凑，用最少的隐层单元有效 系统的非线性映射。具体 是在MATLAB7中，RBF神经网络新建函数会根据样本数据训练过程中的使误差曲线为0的原则自动调整隐层单元的节点数，完成网络的训练和建立（RBF神经网络的新建和训练在一个函数中完成）。

RBF神经网络输出层三个神经元上的数据经过反归一化处理后，就为球磨机的内部负荷参数：介质充填率、料球比和磨矿浓度。在磨矿过程自动控制中，可以根据这三个参数间接反映的球磨机的负荷(包括球负荷、物料负荷以及水量的各自数值) 整个球磨机的优化控制。

结束语

本文提出了一种基于多传感器信息融合的球磨机负荷检测方案，并详细地介绍了整个系统的各个环节。实验结果表明，该系统能够充分获取并融合球磨机工作环境所提供的外部响应信息，从而准确地检测出球磨机的负荷参数，为整个磨矿过程的自动控制提供了重要的技术支持。