典型文献
基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法
文献摘要：
当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度.本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别.基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法(CEEMD)去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33％,但存在训练过程繁琐,耗费时间长的问题.在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89％,在保证识别准确率的同时有效节约了计算时间.基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障.
文献关键词：
磨机负荷;智能磨矿介质;样本熵;CNN;SVM
中图分类号：
作者姓名：
徐怀兵;王廷;邹文杰;赵建军;陶乐;张志军
作者机构：
北京科技大学土木与资源工程学院,北京 100083;矿冶过程自动控制技术国家重点实验室,北京 102628;中国矿业大学(北京)化学与环境工程学院,北京 100083
文献出处：
引用格式：
[1]徐怀兵;王廷;邹文杰;赵建军;陶乐;张志军-.基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法)[J].工程科学学报,2022(11):1821-1831
A类：
智能磨矿介质
B类：
球磨机,磨机负荷,负荷识别,机内,内嵌,加速度传感器,钢球,物理性质,相一致,充填率,磨矿效果,分磨,负荷状态,神经网络方法,加速度信号,维加,互补集合经验模态分解,CEEMD,去噪,时域特征,样本熵,特征向量,别输,GA,GS,PSO,分类模型,识别准确率,训练过程,耗费,费时间,图像识别,应用能力,质检,号数,数据转换,VGG19,分类识别,负荷分类,计算时间,介质球,在线评估,技术保障
AB值：
0.253467
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
