下载文档原格式
球磨机料位软测量及其建模摘要：本文讨论依靠单一信号来等效模拟球磨机料位的现状，以及软测量技术及其建模方法。
提出采用多传感器信息融合技术，即把单一信号和影响料位的因素都列为料位软测量系统的输入，通过斜率关联度来选择辅助变量。
提出新的建模方法——反向建模，在此基础上选择统计建模的神经网络算法来进行建模。
本文提出的这种球磨机料位软测量具有很强的可行性。
同时也为电厂其他参数的软测量提供了参考，该建模方法具有可移植性。
关键词：球磨机，软测量，建模前言球磨机属于一种高能耗、低效率的设备。
据统计，球磨机用电量占发电厂用电量的15%-25%，是电厂的耗电大户之一。
中速磨煤机制粉系统磨煤单耗一般在10 左右，中储式制粉系统钢球磨煤机磨煤单耗在20 左右，而双进双出钢球磨煤机磨煤单耗通常在25~30 。
随着电厂机组容量的增大，电厂逐渐采用双进双出钢球磨煤机正压直吹式之分系统。
由于正压直吹式球磨机有较大储备容量，在给煤机暂时中断情况下不会影响出力，故保持磨煤机筒体内料位稳定相当重要。
1 国内外球磨机料位软测量现状及前景球磨机的料位即球磨机内煤的体积与减去钢球所占容积后磨煤机的容积比，它具有明确的物理意义，却无法借助现有的测量手段直接测量。
1.1球磨机料位软测量现状钢球煤磨机是多变量、非线性、强耦合、大延迟对象，不仅特性复杂，且变量时变缓慢。
球磨机料位也就这样是一个受诸多因素影响的呈现复杂关系的变量。
到目前为止，国内外已有不少学者用单一信号等效模拟料位，实现料位的软测量，有压差法、噪声法、功率法、油压法、气压差动法、应变法、轴承振动法等。
1.2球磨机料位软测量的前景目前所采取的这些传统软测量的方法来测量球磨机料位，都是通过单一信号等效模拟料位，具有不真实性差、精度低、可信度小的缺点。
因此要考虑多个变量对料位的影响，研发多信号综合的软测量技术，适当提高钢球磨煤机桶内料位可以降低磨煤单耗及安全性。
最近一些学者开始尝试采用智能化的方法对球磨机实现料位的软测量。
基于多传感器信息融合双进双出磨煤机料位检测
段勇;崔宝侠;徐冰;曲星宇
【期刊名称】《机械工程学报》
【年(卷),期】2010()24
【摘要】为解决双进双出磨煤机难于实现整个运行工况精确料位检测这一问题,提出一种基于多传感器信息融合的料位检测方法,融合系统由粗糙集和模糊神经网络来实现。
根据磨煤机的工作特性将其运行工况分为三个区间,应用粗糙集理论分析不同区间中各传感器信息对于融合的重要性和决策规则的置信度,再利用粗糙集分析结果构成模糊设计网络来实现从多传感器信息到磨煤机料位的映射,并将粗糙集分析得到的属性重要度和规则置信度引入到模糊神经网络的学习过程中。
通过试验结果证明研究方法的有效性,能够实现各工况较为精确的料位检测。
【总页数】6页(P61-66)
【关键词】双进双出磨煤机;多传感器融合;粗糙集;模糊神经网络;料位检测
【作者】段勇;崔宝侠;徐冰;曲星宇
【作者单位】沈阳工业大学信息科学与工程学院;北方重工磨煤机国家重点实验室【正文语种】中文
【中图分类】TK3
【相关文献】
1.双进双出磨煤机料位检测系统优化 [J], 周国剑
2.基于多信息融合的双进双出磨煤机料位检测 [J], 崔宝侠;曲星宇;段勇;颜世康;曹
侠
3.小波包在双进双出磨煤机料位检测中的应用 [J], 崔宝侠;李明;徐冰
4.双进双出磨煤机料位智能化测量技术应用 [J], 侯金彦
5.遥测料位测量系统在双进双出磨煤机上的应用 [J], 程孝峰;徐西俊;孙亚伟
因版权原因，仅展示原文概要，查看原文内容请购买。
![基于球磨机旋转筒体振动信号的料位检测方法及其检测装置[发明专利]](https://img.taocdn.com/s1/m/13970281a45177232e60a2a1.png)
专利名称：基于球磨机旋转筒体振动信号的料位检测方法及其检测装置
专利类型：发明专利
发明人：贾民平,许飞云,黄鹏,赵薇,胡建中,钟秉林
申请号：CN200710131415.2
申请日：20070828
公开号：CN101173868A
公开日：
20080507
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于球磨机旋转筒体振动信号的料位检测方法及其检测装置，该方法包括以下步骤：A)在球磨机滚筒上安装一个振动加速度传感器，B)设置数据采集参数，计算传感器采集一组数据测点转过的周向角度L，C)确定传感器在筒体上数据采集的周向区域，并得到球磨机筒体上钢球的最大冲击点与料位之间的关系，D)通过传感器在各周向位置拾取滚筒内钢球与煤、钢球与钢球及钢球与筒壁之间的冲击振动信号，E)确定筒体上钢球的最大冲击点，F)计算出球磨机该状态下的料位值。
本发明所用的检测装置，包括球磨机筒体，在球磨机筒体上设有振动加速度传感器。
本发明采用的方法能够实时、准确地检测料位，并能克服煤种、煤的含水量、煤的粒度变化等众多因素对测量结果带来的影响。
申请人：东南大学
地址：210096 江苏省南京市四牌楼2号
国籍：CN
代理机构：南京经纬专利商标代理有限公司
代理人：陆志斌
更多信息请下载全文后查看。
基于改进即时学习算法的球磨机料位软测量贾松达;丁洁;阎高伟【期刊名称】《计算机工程与设计》【年(卷),期】2018(039)004【摘要】针对传统球磨机料位软测量模型难以适应生产过程中的时变特性,以及磨机信号中存在的非线性和不确定性等问题,将磨机筒体的振动和振声频谱作为辅助变量,提出基于改进即时学习算法的料位软测量模型.采用梅尔频率倒谱系数提取所有样本的特征参数;以当前样本作为查询样本,采用云模型理论计算其与历史样本的相似度并得到最近邻样本;利用得到的最近邻样本建立局部最小二乘支持向量机模型并预测当前料位.实验结果表明,该软测量模型可以有效地实时测量球磨机料位并能获得较高的预测精度.%The traditional soft sensor models of ball mill fill level are difficult to adapt to the time-varying characteristics in the industrial process.Moreover,the nonlinear and uncertainty universally exist in ball mill signals.Aiming at these problems,a soft sensor model based on enhanced just-in-time learning was proposed for fill level prediction,in which vibration and acoustic spectrum of the drum were regarded as the auxiliary variables.Mel-frequency cepstrum coefficient was employed to extract features from all samples.The nearest neighbor dataset of current sample was selected from the historical samples by calculating similarity measurement of cloud model.The least square support vector machine for locally modeling was built based the nearest neighbor dataset and the current level was predicted.Experimental results show that the proposedsoft sensor model can effectively measure the fill level of ball mill and obtain higher prediction accuracy.【总页数】6页(P1011-1016)【作者】贾松达;丁洁;阎高伟【作者单位】太原理工大学信息工程学院,山西太原 030024;太原理工大学信息工程学院,山西太原 030024;太原理工大学信息工程学院,山西太原 030024【正文语种】中文【中图分类】TP29【相关文献】1.基于OBE-ELM的球磨机料位软测量 [J], 程瑞辉;阎高伟2.基于改进的高斯混合回归的球磨机料位软测量 [J], 杨飞;乔铁柱;庞宇松;阎高伟3.基于即时学习策略的火电厂球磨机负荷软测量 [J], 张炎欣;王伟;张航4.基于改进即时学习算法的动液面软测量建模 [J], 王通;高宪文;刘文芳5.基于改进即时学习算法的吸收塔pH值软测量技术研究 [J], 李建强;杨红;牛成林因版权原因，仅展示原文概要，查看原文内容请购买。
基于多传感器信息融合的球磨
引言
介质充填率(指球磨机静止时磨矿介质钢球体积占磨机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(指球磨机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球磨机优化控制成败的关键。
本文将设计一种基于多传感器信息融合的球磨机负荷检测系统，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，从而实现球磨机优化实时控制的目的。
1 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。
基于DBN-ELM的球磨机料位软测量方法研究康岩;卢慕超;阎高伟【摘要】针对采用传统方法建立球磨机料位软测量模型存在测量精度不高和稳定性较低的缺点,提出一种结合深度信念网络和极限学习机的软测量方法.该方法以球磨机轴承振动信号为辅助变量,采用深度信念网络进行振动信号功率谱的特征提取,然后将提取的有效特征输入极限学习机进行模型训练,得到软测量模型.最后在小型实验室球磨机上进行试验和模型验证.结果表明,该方法与传统方法相比具有较高的测量精度和较好的稳定性.【期刊名称】《仪表技术与传感器》【年(卷),期】2015(000)004【总页数】4页(P73-75,92)【关键词】球磨机料位;深度信念网络;特征提取;极限学习机;软测量【作者】康岩;卢慕超;阎高伟【作者单位】太原理工大学信息工程学院,山西太原030024;太原理工大学信息工程学院,山西太原030024;太原理工大学信息工程学院,山西太原030024【正文语种】中文【中图分类】TP29球磨机是广泛应用于电力、磨矿和化工等行业的高能耗设备。
球磨机筒体内的料位是影响球磨机系统高效和安全稳定运行的关键因素之一，料位过低时球磨机的生产效率较低，料位过高时容易发生堵磨等安全事故。
在实际工业生产过程中，由于球磨机筒内情况复杂，存料量难以直接测量，大部分球磨机系统未能高效运行[1]，因此，准确地测量球磨机料位对保障球磨机系统高效和安全运行具有重要意义。
近年来，科研技术人员针对该问题提出了很多解决方法，其中以软测量方法为主要代表，该方法主要是采用特征提取结合机器学习方法进行建模。
文献[2]基于振动信号和反向传播神经网络建立了球磨机料位的软测量模型。
文献[3]采用主成分分析(Principle Component Analysis,PCA)方法进行振动信号的特征提取，然后采用偏最小二乘回归方法(Partial Least Square Regression,PLSR)建立料位软测量模型。
球磨机监控中多数据融合技术应用分析摘要：球磨机作为物料破碎的一种重型设备，在工矿业中得到广泛的应用。
球磨机的主轴容易产生烧毁的现象，由于轴瓦温度的异常从而导致相关的事故发生，为了避免这种事故再次发生，因此，设计了一种基于可编程逻辑控制器对球磨机进行监控的系统。
这种系统主要有几种传感器，在现场恶劣的环境下，对球磨机的的监控有着重要的作用，并且对采集的数据通过两种融合的计算方法进行处理。
本文就针对多数据融合技术在球磨机监控中的重要性进行分析，阐述多数据融合技术在球磨机监控中的应用。
关键词：球磨机监控；多数据融合技术；应用球磨机是加工研磨煤块的主要机械设备之一，它借助于热风的干燥运输，属于重载、冲击、高温等恶劣的工作条件下满负荷连续运转流水式的设备。
它是高炉炼铁生产中节约能源、降低焦比、提高产量、降低成本的主要设备。
所以在实际工作中要保证设备完好，可靠平稳地运转显得十分重要。
球磨机中的主轴不仅承受着整个回转部分的重量，并且还承受着研磨体所产生的冲击负荷。
球磨机的主轴在生产得过程中比较容易产生烧毁的现象，严重影响了工业的生产，因此，很多的技术人员已经对球磨机的主轴烧毁的原因作出分析，并且对烧瓦的问题依据轴瓦的温度提出了相应的解决方案。
本文主要是受到多传感器技术的启发，从而提出的一种多数据融合的球磨机监控系统。
一、多数据融合技术在球磨机监控中的重要性数据的融合主要是将来自多传感器获取的信息以及数据进行综合的处理，从而得到更为精确的结果。
监测监控系统中采用的大量以及各种类型的传感器，最终形成了一个多传感器的子系统。
这些传感器主要是采集环境信息以及对象信息。
环境信息主要是环境特征、环境污染指标以及干扰指标等，对象信息主要是设备的状况、工艺参数以及成品质量参数等等。
同时从传感器这里采集到的信息主要有测量物理变化的数字信号、开关信号以及相关的图像信号等。
所以在很多传感器的系统中，他们所提供的数据在时间以及空间上的表达方式是不同的，同时，各个传感器的可信度、可靠性以及优先等级也是不尽相同的，这时就需要一种系统来将各个传感器采集到的信息进行综合的处理。
基于DSP的球磨机料位监测系统研究的开题报告一、课题背景和意义球磨机是一种常用的物料研磨设备，主要用于磨碎各种矿石等非金属矿物、建筑材料等，广泛应用于冶金、化工、建材、水泥等领域。
球磨机的工作效果和生产效率与料位的高度密切相关，因此，在球磨机的生产过程中，料位的监测一直是一个重要的问题。
目前，传统的球磨机料位监测方法多采用压力差、浮子、超声波等方式进行监测，但这些方法具有精度较低、易受温度、湿度等环境因素影响等缺点，难以满足生产现场的需求。
因此，本课题拟基于DSP技术，研究开发一套高精度、稳定的球磨机料位监测系统，提高球磨机的运行效率和生产效益，实现节约资源、降低成本、提高效益的目标。
二、研究内容和技术路线本课题研究内容主要包括：球磨机料位监测系统的设计与开发；基于DSP的信号处理技术研究与开发；系统测试、性能优化及数据分析等。
技术路线主要分为以下几步：1、系统的设计与开发：根据球磨机的工作原理和实际生产需要，设计并开发一套完整的料位监测系统，包括传感器、数据采集模块、信号处理模块、显示模块等。
2、信号处理技术研究：利用DSP芯片进行信号采集、滤波、转换等处理，提高采样精度和信噪比，从而实现对球磨机料位的准确监测。
3、系统测试及性能优化：对开发的系统进行实地测试，不断优化和改进系统的性能，提高系统的稳定性和准确度。
4、数据分析及应用：对采集到的数据进行分析和处理，实现对球磨机生产过程的监控和优化，支持生产管理决策，并为生产效率的提高提供有力的保障。
三、研究预期结果本课题的预期结果是：开发出一套基于DSP的球磨机料位监测系统，实现对球磨机料位的高精度、稳定的实时监测，并用于实际生产过程中，提高球磨机的生产效率、降低生产成本、提高资源利用率。
同时，通过数据分析，实现对球磨机生产过程的全面监控和优化，支持管理决策，提高生产效益。
振 动 与 冲 击第29卷第6期J OURNAL OF V IBRAT I ON AND SHOCKVo.l 29No .62010基于信息融合的球磨机料位分级与检测研究基金项目:国家自然科学基金资助项目(50775035)收稿日期:2009-03-31 修改稿收到日期:2009-05-21第一作者陈 蔚女,硕士生,1984年12月生陈 蔚1,贾民平2,王 恒2(1.苏州热工研究院有限公司,苏州 215004;2.东南大学机械工程学院,南京 211189)摘 要:火力发电厂锅炉制粉系统的主要设备之一 球磨机的运行状况优劣在一定程度上决定了电厂的经济运行状况好坏。
分析了球磨机磨筒内料位的各种影响因素及影响特性,提出了料位分级理论,将料位分为非经济区、优化区与危险区三个区域,解决了数据融合测料位时无法获得大量料位样本的问题。
在此基础上,提出了基于BP 人工神经网络测量球磨机料位的软测量方法,对球磨机现场数据分析进一步验证了所提方法的有效性。
该方法确定了球磨机最佳运行工况的范围,为实现球磨机系统的优化运行和自动控制奠定了基础。
关键词:球磨机;料位检测;料位分级理论;BP 神经网络中图分类号:TK 31 文献标识码:A钢球磨煤机由于煤种适应性广、运行可靠安全、维护简单以及检修费用低等特点,成为火力发电厂制粉系统的主要设备。
为了实现球磨机自动控制和优化运行,降低制粉单耗,提高球磨机制粉系统运行的经济性,关键要解决球磨机筒内料位的检测问题[1-2]。
目前电厂常常单纯采用差压信号[3]或者轴承振动信号[4]来表征料位的变化,但由于球磨机特性复杂多变,单纯采用单一信号往往不能准确反映料位的变化[5]。
由于单因素测量球磨机料位的局限性,一些学者开始尝试采用智能化的方法进行多传感器数据融合,实现料位的软测量,其中大多采用了神经网络的方法,可直接通过输入和输出样本进行训练获得其中的非线性关系,从而获得料位的值[6-7]。
但是,神经网络的学习需要大量的输入输出样本,大量输出样本的获得始终是一个难点。
即使采用试验的方法获得输出样本的数据,其数量也是有限的,并不能满足神经网络学习的要求。
本文提出将料位分级的概念,克服了样本数量的局限。
通过对影响料位的辅助变量的检测以实现料位的软测量,从而实现球磨机在最佳工况运行。
1 球磨机系统料位分级理论1 1 料位分级理论的提出球磨机是多变量、非线性、强耦合、大延迟对象,不仅特性复杂,而且变量时变缓慢,它的特性曲线如图1[11-12]所示。
理论上,如果球磨机筒内料位过低,此时球磨机效率低、功耗大、振动噪声大,呈 出工不出力!状态,如∀区所示。
当球磨机筒内料位过高,此时钢球无法将煤砸粉碎,严重时造成堵煤,使系统崩溃,如#区所示。
理论上该系统存在一个耗电省、出力大的工作区,如图1所示的∃区,可使球磨机在高出力下安全工作,所以球磨机系统运行可以分为三个区域,分别是非经济区(∀区)、优化区(∃区)和危险区(#区)。
分析球磨机机现场数据,其特性曲线与理论特性曲线图基本吻合。
图1 球磨机特性曲线图F ig .1Cha racte ristic cu rves o f a ba llm ill从图1可以看到,在非经济区,球磨机的功率(可用电流来表征)随着给煤量的增加而增大,进入优化区时,球磨机功率开始随着给煤量的增大而减小。
所以,电流的变化可以作为料位分级的一个重要指标。
其余参数在料位级别变化时并没有明显的特征,暂时不考虑作为料位分级重要指标。
球磨机运行时,具有一定形状的滚筒内壁衬板带动钢球随滚筒转动,当达到一定高度时,钢球脱离圆周运动,以抛物线形式落下。
由于筒内的煤直接参与落下钢球的动量分配过程,所以筒体振动的能量和筒内存煤量有直接的对应关系。
筒体振动信号也是监测料位的重要参数。
分析试验数据可以发现,当球磨机料位进入优化区时,振动有效值会骤减,所以,除了电流变化外,筒体振动数据的变化也可以作为料位分级的重要指标。
为了更好地研究三个区域之间的关系,引入一个优化区系数的概念。
优化区系数定义:空煤时优化区系数为0,给煤量到达优化区的上限时优化区系数为100%,大于100%时,进入危险的堵煤区。
图2是分析了钢球装载量为34.5t 时的实验数据所得。
在本次实验中,实际进入优化区时给煤量约为42t/h ,给煤量约为46.4t/h 时快堵煤。
图中两条竖线将整个区域划分为三个区域,可以从图中看出,优化区(阴影部分)其实是很小的一个范围,这与实际情况也是吻合的。
进入优化区时,振动量随着给煤量减小的趋势很明显变大,进入优化区曲线上的斜率绝对值为31.5。
进入危险区时,振动衰减更大,曲线上斜率绝对值增大到50.3。
同样的,在进入优化区时电流随给煤量增加而增加的趋势变缓,曲线的斜率为0.12,进入危险区时的电流开始衰减,曲线斜率绝对值为0.19。
通过计算,优化区系数在90%左右。
图2 钢球装载量34.5t 料位分级图F i g .2M ill fill lev el grad i ng situati on for a ball filli ng o f 34.5t图3是分析钢球装载量为36t 时的实验数据得来的。
图中到达优化区和堵煤区的界限是根据现场操作经验确定的。
当给煤量为54t/h 时堵煤,之前在49t/h 时进入经济区。
进入优化区时,振动量随着给煤量减小的趋势很明显变大,进入优化区曲线上的斜率绝对值为31.9。
进入危险区时,振动衰减更大,曲线上斜率绝对值增大到50.8。
同样的,在进入优化区时电流随给煤量增加而增加的趋势变缓,曲线的斜率为0.11,进入危险区时的电流开始衰减,曲线斜率绝对值为0.20。
通过计算,优化区系数同样在90%左右。
图3 钢球装载量36t 时料位分级图F i g .3M ill fill l eve l g rading s it uation f o r a ba ll filli ng o f 36t结合对实验数据的分析,并考虑安全的因素,可以得到以下料位分级的结论:从不经济区到优化区的征兆:%筒体振动量随给煤量增加的骤然下降。
通过对几次实验的分析,振动量对给煤量曲线的斜率大于阈值v =32。
&电流随给煤量增加而增长的趋势渐弱。
电流对给煤量的曲线斜率小于阈值d =0.1。
满足了上述两个条件,料位进入优化区。
从优化区到危险区的征兆:%电流随给煤量增加而减小的趋势明显。
电流对给煤量的曲线斜率大于阈值t =0.2;&筒体振动量随给煤量增加而下降趋势更加明显。
振动量对给煤量曲线下降的斜率大于f =50。
两个条件同时满足,就进入危险区。
用新定义的优化区系数,可以得到表1所示的料位分级结论。
表1 球磨机料位分级表Tab .1M ill fill leve l grad i ng theory优化区系数0~89%90%~99.99%100%及100%以上级别非经济区优化区危险区不同钢球装载量下,虽然到达优化区和堵煤区的给煤量不同,但是优化区系数基本相同。
图4为分析钢球装载量为38t 时的实验数据得到的。
由于随着钢球装载量的增加,实际到达优化区和危险区所对应的给煤量也相应的增加,所以,在这次实验中,并未达到优化区,都运行在非经济区。
用分级理论来判断料位级别,得到同样的结果。
由此也验证了分级理论的可行性。
图4 钢球装载量38t 时料位分级图F i g .4M ill fill lev el grad i ng situati on for a ball filli ng of 38t2 基于料位分级的球磨机料位软测量用神经网络方法实现料位测量的最大问题就是料位样本难以大量获得,且数据不够准确。
但如果料位样本是根据各参数情况得到的一个级别,这就能获得大量的训练样本,从而为料位软测量奠定基础。
2 1 BP 网络辅助变量的选择通过对球磨机系统机理进行分析,选择能反映料位情况的变量。
在钢球装载量保持不变的情况下,可以认为磨电流的变化能够单值地反映了料位的变化,且不容易受其他运行参数的影响[8];如上所述,筒体振动能量大小也与料位相关;当风量稳定时,料位的变化会改变流通阻力,引起球磨机进出口压差的变化,存煤量越高,流通阻力越大,进出口的压差也会越大,进出口压差也是料位软测量一个重要参数;此外,磨入口负压能反映球磨机通风量的情况,而出口温度与出力有141第6期 陈 蔚等:基于信息融合的球磨机料位分级与检测研究很大关系,入口负压和出口温度与料位也有着密切的关系。
所以,确定输入参数为磨电流、出口温度、进出口压差、筒体振动量和磨入口负压。
2 2 BP 神经网络的结构与训练本文采用BP 神经网络结构。
该神经网络是一个含隐层的线性前向网络。
前向网络在实现线性映射时比较快,主要对系统的线性化特性建模,因而整个神经网络具有快的收敛性和良好的映射关系[9-10]。
由上节内容可知,输入有5个参量,输入节点有5个,输出是料位数据与级别,所以是2个节点。
将实验的原始数据用归一化的方法进行预处理。
建立BP 神经网络,如图5所示,将磨电流、出口温度、进出口差压、筒体振动有效值、入口负压这五个元素作为输入,将料位和级别作为输出。
料位级别根据分级理论获得。
训练样本共74组。
样本涵盖非经济区、优化区、危险区三个区域。
图6为BP网络训练过程。
图5 BP 神经网络结构F i g.5Structure o f the neura l net work图6 BP 神经网络训练结果图F i g.6T ra i n i ng res u lt o f the BP neural ne t w ork2.3 神经网络测试结果与分析将2008年3月在某电厂采集的实验数据中挑选15组作为测试样本,这15组样本同样也覆盖了非经济区(∀区)、优化区(∃区)和堵煤区(#区)。
具体测试数据如表2所示。
从表2可以看到,料位数据的融合还是比较精确的,相对误差均小于5%,精度满足工程需要,而融合得到的级别与预期的级别也基本吻合。
因此,当输入一组球磨机运行参数后,就可以得到料位的数据和料位级别,为球磨机的负荷控制提供了可靠的料位输入。
通过料位的分级情况判断球磨机的工况,从而为给煤量的调节提供依据和指导。
表2 神经网络测试结果Tab .2Test res u lt of the neural network磨电流/A 磨出口温度/∋进出口差压/kP a 筒体振动量/(m (s -2)入口负压/P a 料位样本融合输出的料位料位数据相对误差/%0.9521.03490.781.2941.4381(0,∀)(0,∀)00.97831.06460.91091.16340.9962(14.79%,∀)(14.98%,∀)1.280.98691.06460.8941.12081.007(14.79%,∀)(15.05%,∀)1.760.981.06460.88551.23651.0243(14.79%,∀)(15.25%,∀)3.110.98861.05660.90181.08440.9677(14.79%,∀)(14.06%,∀)4.930.99181.00160.9361.04540.967(23.56%,∀)(24.18%,∀)2.631.00410.93080.99291.23340.9509(23.14%,∀)(22.90%,∀)1.041.00520.93080.99391.11020.9003(23.72%,∀)(24.18%,∀)1.941.04230.97211.27240.73960.6962(34.31%,∃)(35.36%,∃)3.061.0451.04861.30440.13050.5489(39.68%,∃)(38.16%,∃)1.341.0451.0411.26460.13030.5095(38.68%,∃)(39.78%,∃)2.841.04771.0411.30570.14860.5268(39.68%,∃)(40.22%,∃)1.361.04531.04091.32530.13540.6183(38.97%,∃)(39.87%,∃)2.311.05791.0331.34651.03750.5061(40.77%,#)(39.24%,#)3.751.06491.0331.36410.09660.5239(40.77%,#)(41.59%,#)2.01142振动与冲击 2010年第29卷3 结 论本文在分析了制粉系统球磨机料位情况与各种影响因素的关系后,提出了料位分级理论,解决了数据融合测料位时无法获得大量料位样本的问题。
