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。
经验模态分解、选择性集成建模、磨机负荷参数、选择性信息融合、频谱特征
TP3;TP1
国家自然科学基金61034008,61004051,61203102,61020106003,61134006;111计划B08015;国家支撑计划2012-BAF19G00;中国博士后科学基金2013M532118,2013M530953,2013M541820资助Supported by National Natural Science Foundation of China61034008,61004051,61203102,61020106003,61134006;the 111 ProjectB08015;National Key Technology Support Program Project2012-BAF19G00;National Science Foun-dation for Post-doctoral Scientists of China2013M532118,2013M530953,2013M541820
2014-10-09（万方平台首次上网日期，不代表论文的发表时间）
共14页
1853-1866
