本發(fā)明涉及礦渣粉磨系統(tǒng)的健康狀態(tài)識(shí)別和診斷，特別涉及一種基于數(shù)據(jù)挖掘的礦渣粉磨系統(tǒng)健康狀態(tài)識(shí)別系統(tǒng)與方法。
背景技術(shù)：
：立磨是一種用于將大顆粒的礦渣等物料研磨至細(xì)微顆粒的設(shè)備，主要對(duì)建材、化工、鋼鐵等行業(yè)產(chǎn)生的廢渣進(jìn)行粉磨，實(shí)現(xiàn)廢渣的再利用，經(jīng)研磨得到的微粉通常作為水泥生產(chǎn)的原料。但是礦渣粉磨系統(tǒng)工藝復(fù)雜，工作環(huán)境惡劣，長(zhǎng)期高負(fù)荷運(yùn)行，系統(tǒng)經(jīng)常會(huì)出現(xiàn)各種故障，控制系統(tǒng)連鎖反應(yīng)會(huì)導(dǎo)致整條生產(chǎn)線停止運(yùn)轉(zhuǎn)，進(jìn)而導(dǎo)致生產(chǎn)線停頓的低效局面。因此，迫切需要對(duì)礦渣粉磨系統(tǒng)健康狀態(tài)進(jìn)行識(shí)別和評(píng)估，預(yù)測(cè)立磨系統(tǒng)的健康狀態(tài)。健康狀態(tài)預(yù)測(cè)技術(shù)是在對(duì)設(shè)備系統(tǒng)的健康狀態(tài)進(jìn)行綜合評(píng)價(jià)，在獲取了表征健康狀態(tài)性能參數(shù)的基礎(chǔ)上，分析性能參數(shù)的時(shí)間序列，將其變化趨勢(shì)外擴(kuò)得到未來(lái)一段時(shí)間內(nèi)裝備的健康狀態(tài)變化規(guī)律的技術(shù)。近年來(lái)國(guó)內(nèi)外學(xué)者對(duì)復(fù)雜裝備的健康狀態(tài)預(yù)測(cè)技術(shù)，從隨機(jī)理論和模糊理論的角度對(duì)此問(wèn)題進(jìn)行研究，主要方法有融合預(yù)測(cè)法、arma模型預(yù)測(cè)法、隱馬爾科夫預(yù)測(cè)法、模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、卡爾曼濾波器預(yù)測(cè)法。融合預(yù)測(cè)法是基于同類裝備的時(shí)間序列數(shù)據(jù)在不同權(quán)重下的融合曲線作為預(yù)測(cè)曲線的方法，方法簡(jiǎn)單、直觀，不依賴于系統(tǒng)物理模型，但需要較多樣本數(shù)據(jù)。牛小玲等將融合技術(shù)應(yīng)用于瓦斯突出的預(yù)測(cè)問(wèn)題，得了較好的預(yù)測(cè)結(jié)果。arma模型預(yù)測(cè)技術(shù)是在自回歸模型(ar模型)和滑動(dòng)平均模型(ma模型)的基礎(chǔ)上建立起來(lái)的一種時(shí)間序列預(yù)測(cè)方法，方法在使用時(shí)不需要系統(tǒng)模型，但僅適用于短期預(yù)測(cè)。pham等用線性arma模型和非線性garch模型預(yù)測(cè)裝備系統(tǒng)的退化狀態(tài)。隱馬爾科夫預(yù)測(cè)法是根據(jù)可觀察到的性能參數(shù)值的時(shí)間序列根據(jù)最大似然理論求隱藏的健康狀態(tài)序列的馬爾科夫過(guò)程，方法是從樣本裝備的全壽命數(shù)據(jù)提取參數(shù)，以可用于長(zhǎng)期預(yù)測(cè)，但大量的樣本數(shù)據(jù)不易獲取。彭穎通過(guò)分析液壓泵的監(jiān)測(cè)數(shù)據(jù)，用考慮老化因子的隱半馬爾科夫模型(hsmm)預(yù)測(cè)方法能很好的描述液壓泵性能退化過(guò)程。模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法是基于模糊推理不斷訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán)值的預(yù)測(cè)模型，方法利用模糊理論處理非線性問(wèn)題，適應(yīng)性強(qiáng)，但是需要專家知識(shí)，移植性差。隨著微粉行業(yè)的自動(dòng)化和信息化程度的提高，dcs控制系統(tǒng)在工廠中得到了普遍應(yīng)用，數(shù)據(jù)庫(kù)中積累了大量生產(chǎn)數(shù)據(jù)。技術(shù)實(shí)現(xiàn)要素：為了更好的實(shí)現(xiàn)立磨健康狀態(tài)識(shí)別和診斷，本發(fā)明提供一種基于數(shù)據(jù)挖掘的礦渣粉磨系統(tǒng)健康狀態(tài)識(shí)別系統(tǒng)與方法。具體技術(shù)方案如下：一種基于數(shù)據(jù)挖掘的礦渣粉磨系統(tǒng)健康狀態(tài)識(shí)別系統(tǒng)，包括：數(shù)據(jù)預(yù)處理模塊、立磨健康狀態(tài)評(píng)估指標(biāo)挖掘模塊、立磨健康狀態(tài)聚類分析模塊、立磨狀態(tài)評(píng)估指標(biāo)特征獲取模塊、立磨實(shí)時(shí)特征參數(shù)預(yù)測(cè)模塊，其中：數(shù)據(jù)預(yù)處理模塊，對(duì)立磨采集的數(shù)據(jù)進(jìn)行異常值處理、空值處理、離散化處理和歸一化處理，為數(shù)據(jù)的挖掘分析做好了準(zhǔn)備；立磨健康狀態(tài)評(píng)估指標(biāo)挖掘模塊，利用一種綜合的特征篩選方法對(duì)工況數(shù)據(jù)進(jìn)行挖掘分析，得到影響立磨穩(wěn)定的關(guān)鍵參數(shù)，作為立磨健康狀態(tài)評(píng)估的指標(biāo)；立磨健康狀態(tài)聚類分析模塊，基于確定的立磨健康狀態(tài)評(píng)估的指標(biāo)，對(duì)工況狀態(tài)進(jìn)行聚類挖掘分析，得到穩(wěn)定模式工況庫(kù)；立磨狀態(tài)評(píng)估指標(biāo)特征獲取模塊，分析立磨運(yùn)行狀態(tài)下的采集的實(shí)時(shí)數(shù)據(jù)的特點(diǎn)，確定進(jìn)行實(shí)時(shí)狀態(tài)判斷的特征值；立磨實(shí)時(shí)特征參數(shù)預(yù)測(cè)模塊，利用arima算法對(duì)立磨健康狀態(tài)特征獲取模塊中確定的特征值進(jìn)行模型訓(xùn)練，預(yù)測(cè)參數(shù)的變化趨勢(shì)，用預(yù)測(cè)值輔助狀態(tài)識(shí)別。進(jìn)一步地，所述的數(shù)據(jù)預(yù)處理模塊中，數(shù)據(jù)異常值處理、空值處理，通過(guò)數(shù)據(jù)篩選和數(shù)據(jù)清洗實(shí)現(xiàn)。離散化處理和歸一化處理，由特征簡(jiǎn)約和數(shù)據(jù)變換實(shí)現(xiàn)。進(jìn)一步地，所述的立磨健康狀態(tài)評(píng)估指標(biāo)挖掘模塊中，一種綜合的特征篩選方法由隨機(jī)lasso、嶺回歸、隨機(jī)森林、穩(wěn)定性選擇和遞歸特征消除這五種方法綜合組成。篩選算法是通過(guò)求解輸入變量和輸出變量之間的關(guān)系，分別使用五種方法對(duì)每個(gè)特征的重要性予以打分，對(duì)五種得分情況進(jìn)行處理，按照處理后的得分結(jié)果對(duì)特征的重要度進(jìn)行評(píng)估，確定待選特征集中的關(guān)鍵特征。進(jìn)一步地，進(jìn)行立磨運(yùn)行關(guān)鍵特征篩選的具體步驟如下：1)以振動(dòng)作為輸出y，以其他特征為輸入x，分別使用五種方法對(duì)待選特征集進(jìn)行篩選，計(jì)算每個(gè)特征的得分；2)不同的方法特征篩選的機(jī)制不一樣，為消除篩選機(jī)制的不同造成的分?jǐn)?shù)差異，對(duì)每種算法的得分結(jié)果都利用最大最小值的規(guī)范化方法進(jìn)行處理，把得分限制在[0，1]之間，然后求每個(gè)參數(shù)特征的平均得分，把平均值作為特征重要性排序的依據(jù)，進(jìn)行特征值選擇。3)對(duì)參數(shù)的綜合得分進(jìn)行分析，結(jié)合參數(shù)的可控性和實(shí)際含義確定影響振動(dòng)的關(guān)鍵參數(shù)。從得分情況看，喂料量、微粉比表、磨機(jī)進(jìn)口壓力、主排風(fēng)機(jī)轉(zhuǎn)速、循環(huán)風(fēng)閥開(kāi)度磨機(jī)進(jìn)口溫度的平均值比較低，排除這些得分偏低的特征參數(shù)。得分最高的幾個(gè)參數(shù)，按照從高到低的順序依次為：料層厚度、磨機(jī)壓差、磨機(jī)出口溫度、循環(huán)風(fēng)閥開(kāi)度。4)根據(jù)步驟2)和步驟3)中的分析，評(píng)估特征參數(shù)的篩選結(jié)果。四個(gè)得分較高的參數(shù)中，磨機(jī)壓差、料層厚度、立磨出口溫度三個(gè)參數(shù)都屬于結(jié)果變量，參數(shù)的取值是在其他可控變量的綜合影響下得到的結(jié)果。而循環(huán)風(fēng)閥開(kāi)度是調(diào)控變量不適合作為工況狀態(tài)的判斷指標(biāo)。進(jìn)一步地，所述的立磨健康狀態(tài)聚類分析模塊，基于確定的立磨健康狀態(tài)評(píng)估的指標(biāo)，結(jié)合實(shí)際生產(chǎn)經(jīng)驗(yàn)和工況庫(kù)中的數(shù)據(jù)分布，確定了四個(gè)穩(wěn)定判斷指標(biāo)會(huì)導(dǎo)致運(yùn)行異常的臨界值，在多個(gè)臨界值的限定范圍內(nèi)對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行進(jìn)一步篩選，求滿足所有限制條件的數(shù)據(jù)，得到的篩選結(jié)果作為聚類的輸入數(shù)據(jù)。聚類分析采用的是k-均值(k-means)來(lái)發(fā)現(xiàn)數(shù)據(jù)集中的k個(gè)工況簇。這里的k是用戶指定的，算法的目的是找到數(shù)據(jù)集中的k個(gè)簇的質(zhì)心，把數(shù)據(jù)集中的點(diǎn)分配給距離該點(diǎn)最近的質(zhì)心，并將該點(diǎn)分配給該質(zhì)心對(duì)應(yīng)的類別。按照對(duì)聚類分群中數(shù)據(jù)狀態(tài)的定義，完成對(duì)已有的運(yùn)行工況記錄的類別標(biāo)注，把穩(wěn)定工況類別標(biāo)簽設(shè)置為0，非穩(wěn)定工況標(biāo)簽設(shè)置為1，并從中提取穩(wěn)定工況，建立穩(wěn)定模式工況庫(kù)。所述的立磨狀態(tài)評(píng)估指標(biāo)特征獲取模塊，以振動(dòng)、料層厚度、磨機(jī)壓差、磨機(jī)出口溫度這4個(gè)狀態(tài)評(píng)估指標(biāo)的實(shí)時(shí)數(shù)據(jù)為基礎(chǔ)，計(jì)算每個(gè)參數(shù)在取數(shù)窗口時(shí)間內(nèi)的均值、方差和異常值出現(xiàn)次數(shù)，把得到的結(jié)果作為穩(wěn)定工況判斷的特征變量。進(jìn)一步地，所述的立磨實(shí)時(shí)特征參數(shù)預(yù)測(cè)模塊，采用時(shí)間序列算法對(duì)運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，并用得到的預(yù)測(cè)值輔助狀態(tài)判斷。需要預(yù)測(cè)的參數(shù)包括振動(dòng)、料層厚度、磨機(jī)出口溫度、磨機(jī)壓差、異常值次數(shù)，對(duì)這五個(gè)參數(shù)分別訓(xùn)練時(shí)間序列模型。得到的模型可以檢測(cè)一段序列是否是平穩(wěn)序列，給出參數(shù)的數(shù)值預(yù)測(cè)，用預(yù)測(cè)值輔助狀態(tài)識(shí)別。根據(jù)立磨工況的特點(diǎn)，由于環(huán)境等外部因素和其他參數(shù)對(duì)振動(dòng)的聯(lián)合影響，導(dǎo)致工況序列屬于非平穩(wěn)序列，采用arima模型進(jìn)行時(shí)間序列的建模。平穩(wěn)序列：對(duì)與一個(gè)序列{x(t)}，如果數(shù)值在某一有限范圍內(nèi)波動(dòng)，序列有常數(shù)的均值和常數(shù)方差，并且延遲k期的序列變量的自協(xié)方差和自相關(guān)系數(shù)是相等的，則該序列是平穩(wěn)序列。差分運(yùn)算：假定兩個(gè)序列的時(shí)間間隔為t，差分運(yùn)算就是把相隔為k個(gè)t的序列的對(duì)應(yīng)值做減法運(yùn)算，k＝1時(shí)，稱為一階差分運(yùn)算。arima模型的實(shí)質(zhì)是在arma運(yùn)算之前加上差分運(yùn)算，然后使用arma進(jìn)行建模，計(jì)算公式如下：xt＝φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q該模型認(rèn)為在t時(shí)刻的變量x的值是前p期的x取值和前q期的干擾ε的多元線性函數(shù)。誤差項(xiàng)是當(dāng)前的隨機(jī)干擾εt，是零均值白噪聲序列。arma模型認(rèn)為過(guò)去p期的序列值和過(guò)去q期的誤差項(xiàng)共同影響xt的取值。一種基于數(shù)據(jù)挖掘的礦渣粉磨系統(tǒng)健康狀態(tài)識(shí)別方法，步驟如下：1)利用綜合的特征篩選方法對(duì)工況數(shù)據(jù)進(jìn)行分析，確定影響穩(wěn)定的關(guān)鍵參數(shù)，作為穩(wěn)定狀態(tài)的判斷指標(biāo)。分析歷史數(shù)據(jù)中關(guān)鍵參數(shù)的取值范圍，根據(jù)其分布區(qū)間，確定觸發(fā)穩(wěn)定調(diào)控的臨界值；2)以步驟1)中確定的穩(wěn)定判斷指標(biāo)為特征，對(duì)工況狀態(tài)進(jìn)行聚類分析，使用基于k-均值的聚類算法對(duì)數(shù)據(jù)進(jìn)行挖掘，分析聚類挖掘得到的各個(gè)工況簇的特點(diǎn)，獲得歷史工況中的狀態(tài)分布情況；3)根據(jù)聚類分析的挖掘結(jié)果，定義歷史工況中的運(yùn)行狀態(tài)類別，對(duì)工況所屬的狀態(tài)進(jìn)行類別標(biāo)注和篩選，得到穩(wěn)定模式工況庫(kù)；4)然后對(duì)立磨運(yùn)行狀態(tài)下的采集的實(shí)時(shí)數(shù)據(jù)的特點(diǎn)進(jìn)行分析，確定進(jìn)行實(shí)時(shí)狀態(tài)判斷的特征值；5)利用arima算法對(duì)步驟4)中確定的特征值進(jìn)行模型訓(xùn)練，對(duì)參數(shù)的變化趨勢(shì)進(jìn)行預(yù)測(cè)，用預(yù)測(cè)值輔助狀態(tài)判斷。本發(fā)明的有益效果主要表現(xiàn)在可以基于一個(gè)準(zhǔn)確的模型來(lái)實(shí)時(shí)監(jiān)測(cè)礦渣粉磨系統(tǒng)的健康運(yùn)行狀態(tài)，在對(duì)設(shè)備系統(tǒng)的健康狀態(tài)進(jìn)行綜合評(píng)價(jià)，獲取了表征健康狀態(tài)性能參數(shù)的基礎(chǔ)上，分析性能參數(shù)的時(shí)間序列，將其變化趨勢(shì)外擴(kuò)得到未來(lái)一段時(shí)間內(nèi)立磨的健康狀態(tài)變化規(guī)律，增加礦渣粉磨系統(tǒng)的安全可靠性，有利于防止事故發(fā)生。本發(fā)明具有較高的識(shí)別精度和泛化能力，預(yù)測(cè)誤差較低，預(yù)測(cè)效果良好。附圖說(shuō)明圖1為基于數(shù)據(jù)挖掘的礦渣粉磨系統(tǒng)健康狀態(tài)識(shí)別系統(tǒng)結(jié)構(gòu)示意圖。圖2為立磨數(shù)據(jù)的預(yù)處理過(guò)程圖。圖3為立磨健康狀態(tài)評(píng)估指標(biāo)挖掘過(guò)程圖。圖4為立磨健康狀態(tài)k-means聚類分析流程圖。圖5為k＝3時(shí)，聚類分析分群的參數(shù)分布概率密度圖，(a)為類別0，(b)為類別1，(c)為類別2。圖6為立磨狀態(tài)評(píng)估指標(biāo)特征獲取流程圖。圖7為立磨實(shí)時(shí)特征參數(shù)預(yù)測(cè)的時(shí)間序列建模過(guò)程圖。圖8為振動(dòng)一段時(shí)間內(nèi)的原始序列圖。圖9為振動(dòng)一段時(shí)間內(nèi)的原始序列一階差分后的偏自相關(guān)圖。圖10為系統(tǒng)的預(yù)測(cè)值和實(shí)際值的關(guān)系圖。具體實(shí)施方式參考附圖能更加全面地描述本發(fā)明，圖上顯示本發(fā)明的某些實(shí)施例，但是并非所有的實(shí)施例。實(shí)際上，本發(fā)明可以以很多不同的形式被體現(xiàn)，不應(yīng)該把它看作僅限于這里所闡述的實(shí)施例，而應(yīng)該把本發(fā)明的實(shí)施例看作是為了使本發(fā)明公開(kāi)的內(nèi)容滿足可應(yīng)用的合法要求而提供的。下面結(jié)合說(shuō)明書(shū)附圖和具體實(shí)現(xiàn)方式對(duì)本
發(fā)明內(nèi)容作詳細(xì)說(shuō)明說(shuō)明。圖1列出了基于數(shù)據(jù)挖掘的礦渣粉磨系統(tǒng)健康狀態(tài)識(shí)別系統(tǒng)各模塊的功能以及各模塊之間的邏輯關(guān)系。數(shù)據(jù)預(yù)處理模塊，對(duì)立磨采集的數(shù)據(jù)進(jìn)行異常值處理、空值處理、離散化處理和歸一化處理，為數(shù)據(jù)的挖掘分析做好了準(zhǔn)備；立磨健康狀態(tài)評(píng)估指標(biāo)挖掘模塊，利用一種綜合的特征篩選方法對(duì)工況數(shù)據(jù)進(jìn)行挖掘分析，得到影響立磨穩(wěn)定的關(guān)鍵參數(shù)，作為立磨健康狀態(tài)評(píng)估的指標(biāo)；立磨健康狀態(tài)聚類分析模塊，基于確定的立磨健康狀態(tài)評(píng)估的指標(biāo)，對(duì)工況狀態(tài)進(jìn)行聚類挖掘分析，得到穩(wěn)定模式工況庫(kù)；立磨狀態(tài)評(píng)估指標(biāo)特征獲取模塊，分析立磨運(yùn)行狀態(tài)下的采集的實(shí)時(shí)數(shù)據(jù)的特點(diǎn)，確定進(jìn)行實(shí)時(shí)狀態(tài)判斷的特征值；立磨實(shí)時(shí)特征參數(shù)預(yù)測(cè)模塊，利用arima算法對(duì)立磨健康狀態(tài)特征獲取模塊中確定的特征值進(jìn)行模型訓(xùn)練，預(yù)測(cè)參數(shù)的變化趨勢(shì)，用預(yù)測(cè)值輔助狀態(tài)識(shí)別。如圖2所示為立磨數(shù)據(jù)的預(yù)處理過(guò)程圖。數(shù)據(jù)質(zhì)量對(duì)數(shù)據(jù)挖掘的分析結(jié)果有很大影響。獲取的立磨原始數(shù)據(jù)中包含了大量屬性，存在錯(cuò)誤值和異常值，需要對(duì)數(shù)據(jù)進(jìn)行初步篩選，去除錯(cuò)誤值和異常值，確保數(shù)據(jù)的準(zhǔn)確性，并去除與挖掘無(wú)關(guān)的屬性，而且要保證樣本數(shù)據(jù)的多樣性和特征信息的完備性。此外，還需要根據(jù)算法需求對(duì)數(shù)據(jù)進(jìn)行處理，使數(shù)據(jù)滿足算法的輸入要求。所述的數(shù)據(jù)預(yù)處理模塊中，數(shù)據(jù)異常值處理、空值處理，通過(guò)數(shù)據(jù)篩選和數(shù)據(jù)清洗實(shí)現(xiàn)：已有數(shù)據(jù)中包含了立磨供料、研磨、供風(fēng)設(shè)備、粉塵分離設(shè)備、液壓站、熱風(fēng)爐、倉(cāng)庫(kù)等部分的65個(gè)測(cè)點(diǎn)獲得的參數(shù)屬性。經(jīng)過(guò)屬性篩選后從65個(gè)屬性得到包含立磨的30個(gè)主要工藝和性能參數(shù)的屬性子集，包括立磨的振動(dòng)、喂料量、電流、研磨壓力、料層厚度，供風(fēng)系統(tǒng)冷熱風(fēng)閥的開(kāi)度、循環(huán)風(fēng)閥的開(kāi)度，選粉機(jī)轉(zhuǎn)速、各主要電流等。在立磨啟動(dòng)、停機(jī)以及故障發(fā)生前后，由于工況非常不穩(wěn)定，參數(shù)會(huì)劇烈波動(dòng)。而且立磨數(shù)據(jù)中存在記錄缺失、異常和記錄錯(cuò)誤的情況。有的記錄缺失某些參數(shù)值，有的是人工錄入錯(cuò)誤或傳感器故障等因素導(dǎo)致的數(shù)據(jù)偏差、缺失或異常。為了排除這些因素對(duì)數(shù)據(jù)的干擾，必須對(duì)這些缺失記錄和錯(cuò)誤值進(jìn)行處理，確保數(shù)據(jù)的正確、可信，這樣才能保證挖掘結(jié)果的可靠和有效性。所述的數(shù)據(jù)預(yù)處理模塊中，離散化處理和歸一化處理，由特征簡(jiǎn)約和數(shù)據(jù)變換實(shí)現(xiàn)：綜合考慮立磨數(shù)據(jù)的特征分布、企業(yè)對(duì)參數(shù)的人為設(shè)置，以及實(shí)際運(yùn)行中參數(shù)的可控性等情況，對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)約，以降低數(shù)據(jù)的維度，節(jié)約數(shù)據(jù)處理時(shí)間。在經(jīng)過(guò)特征簡(jiǎn)約的剩余14特征參數(shù)中，包含了磨機(jī)主機(jī)電流、選粉機(jī)電流、主排風(fēng)機(jī)電流三個(gè)主要電流參數(shù)。由于在降低能耗時(shí)更關(guān)心的是整體生產(chǎn)能耗的減少，而非單個(gè)部分的能耗變化，因此構(gòu)造一個(gè)新的屬性用來(lái)表征耗電的大小，命名為總電流?？傠娏鞯闹档扔谀C(jī)主機(jī)電流、選粉機(jī)電流、主排風(fēng)機(jī)電流的代數(shù)和。這樣待選特征集簡(jiǎn)化到12個(gè)特征。如圖3所示為立磨健康狀態(tài)評(píng)估指標(biāo)挖掘過(guò)程圖，具體挖掘步驟如下：1)以振動(dòng)作為輸出y，以其他特征為輸入x，分別使用五種方法對(duì)待選特征集進(jìn)行篩選，計(jì)算每個(gè)特征的得分；2)不同的方法特征篩選的機(jī)制不一樣，為消除篩選機(jī)制的不同造成的分?jǐn)?shù)差異，對(duì)每種算法的得分結(jié)果都利用最大最小值的規(guī)范化方法進(jìn)行了處理，把得分限制在了[0,1]之間，然后求每個(gè)參數(shù)特征的平均得分，把平均值作為特征重要性排序的依據(jù)，進(jìn)行特征值選擇。在立磨數(shù)據(jù)上應(yīng)用，算法處理后得到結(jié)果如下表1所示。表1不同的特征選擇方法待選特征的得分情況方法特征隨機(jī)lasso嶺回歸隨機(jī)森林穩(wěn)定性選擇遞歸特征消除平均得分喂料量0.100.030.080.180.08微粉比表0.310.390.070.00.090.17料層厚度0.61.01.00.80.710.82磨機(jī)出口溫度0.210.450.320.660.420.41磨機(jī)進(jìn)口溫度0.00.00.230.00.140.07磨機(jī)進(jìn)口壓力0.110.00.430.240.130.18選粉機(jī)轉(zhuǎn)速0.060.00.270.00.590.18磨機(jī)壓差0.50.790.670.950.950.77冷風(fēng)閥開(kāi)度0.290.00.00.00.090.08熱風(fēng)閥開(kāi)度0.210.00.010.120.00.07循環(huán)風(fēng)閥開(kāi)度0.60.210.140.240.330.3主排風(fēng)機(jī)轉(zhuǎn)速0.010.10.010.00.00.023)對(duì)參數(shù)的綜合得分進(jìn)行分析，結(jié)合參數(shù)的可控性和實(shí)際含義確定對(duì)影響振動(dòng)的關(guān)鍵參數(shù)。從得分情況看，喂料量、微粉比表、磨機(jī)進(jìn)口壓力、主排風(fēng)機(jī)轉(zhuǎn)速、循環(huán)風(fēng)閥開(kāi)度磨機(jī)進(jìn)口溫度的平均值比較低，排除這些得分偏低的特征參數(shù)。得分最高的幾個(gè)參數(shù)，按照從高到低的順序依次為：料層厚度、磨機(jī)壓差、磨機(jī)出口溫度、循環(huán)風(fēng)閥開(kāi)度。4)根據(jù)步驟2)和步驟3)中的分析，評(píng)估特征參數(shù)的篩選結(jié)果。四個(gè)得分較高的參數(shù)中，磨機(jī)壓差、料層厚度、立磨出口溫度三個(gè)參數(shù)都屬于結(jié)果變量，參數(shù)的取值是在其他可控變量的綜合影響下得到的結(jié)果。而循環(huán)風(fēng)閥開(kāi)度是調(diào)控變量不適合作為工況狀態(tài)的判斷指標(biāo)。綜合以上分析，最終確定振動(dòng)、料層厚度、磨機(jī)壓差、磨機(jī)出口溫度4個(gè)參數(shù)一起作為穩(wěn)定狀態(tài)判斷的指標(biāo)。如圖4所示為立磨健康狀態(tài)k-means聚類分析流程圖。結(jié)合實(shí)際生產(chǎn)經(jīng)驗(yàn)和工況庫(kù)中的數(shù)據(jù)分布，確定了四個(gè)穩(wěn)定判斷指標(biāo)會(huì)導(dǎo)致運(yùn)行異常的臨界值，在多個(gè)臨界值的限定范圍內(nèi)對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行進(jìn)一步篩選，求滿足所有限制條件的數(shù)據(jù)，得到的篩選結(jié)果作為聚類的輸入數(shù)據(jù)。聚類分析采用的是k-均值(k-means)來(lái)發(fā)現(xiàn)數(shù)據(jù)集中的k個(gè)工況簇。這里的k是用戶指定的，算法的目的是找到數(shù)據(jù)集中的k個(gè)簇的質(zhì)心，把數(shù)據(jù)集中的點(diǎn)分配給距離該點(diǎn)最近的質(zhì)心，并將該點(diǎn)分配給該質(zhì)心對(duì)應(yīng)的類別。選取k＝3時(shí)，聚類結(jié)果如下，聚類中心及每個(gè)簇中的數(shù)據(jù)點(diǎn)個(gè)數(shù)如表2所示，分群的參數(shù)分布概率密度圖如圖5所示。表2k＝3，分群聚類中心表類別料層厚度磨機(jī)出口溫度磨機(jī)壓差磨機(jī)殼體振動(dòng)類別數(shù)目0-0.4646510.564229-0.1108640.52045622761-0.182965-0.963877-0.437062-0.448334217821.5511880.8728791.284423-0.219220937從圖5中可以看出：類別0特點(diǎn)：料層厚的取值范圍在125～135mm之間，磨機(jī)出口溫度在100～108℃，磨機(jī)壓差在2800～3200pa，振動(dòng)值集中在7、8、9三個(gè)值附近。類別1特點(diǎn)：料層厚的取值范圍在125～144mm之間，磨機(jī)出口溫度在95～103℃，磨機(jī)壓差在2800～3200pa，振動(dòng)值集中在6、7、8三個(gè)值附近。類別2特點(diǎn)：料層厚的取值范圍在140～150mm之間，磨機(jī)出口溫度在102～108℃，磨機(jī)壓差在3200～3500pa，振動(dòng)值集中在6～8之間。選取k＝3時(shí)，振動(dòng)的重疊性較大，其他三個(gè)參數(shù)的距離間隔比較合理，結(jié)合數(shù)據(jù)來(lái)源立磨的設(shè)計(jì)生產(chǎn)建議，取三個(gè)聚簇中心時(shí)得到的類別0定義為非穩(wěn)定狀態(tài)，類別1和2中的記錄定義為穩(wěn)定狀態(tài)。如圖6所示為立磨狀態(tài)評(píng)估指標(biāo)特征獲取流程圖，具體獲取過(guò)程如下：1)采集t時(shí)刻的實(shí)時(shí)工況數(shù)據(jù)，對(duì)采集到的數(shù)據(jù)進(jìn)行空值和異常值檢測(cè)，如果讀取的過(guò)程中出現(xiàn)空值，舍棄數(shù)據(jù)或者用歷史均值填補(bǔ)空值。處理完畢，按照設(shè)定的穩(wěn)定指標(biāo)數(shù)據(jù)采樣間隔△t，繼續(xù)讀取下個(gè)采集時(shí)刻的數(shù)據(jù)，進(jìn)行數(shù)據(jù)檢測(cè)，重復(fù)這個(gè)過(guò)程直至獲得n條記錄；2)在采集n條記錄的過(guò)程中，如果有異常值出現(xiàn)，累計(jì)每個(gè)參數(shù)的異常值出現(xiàn)的次數(shù)。異常值的判斷依據(jù)參照從穩(wěn)定工況模式庫(kù)中得到的各個(gè)參數(shù)取值范圍，當(dāng)采集到的參數(shù)超出正常范圍，則認(rèn)為該時(shí)刻的數(shù)據(jù)為異常值。3)計(jì)算n條記錄中各個(gè)參數(shù)的均值和標(biāo)準(zhǔn)差。最后得到每個(gè)參數(shù)在取數(shù)周期內(nèi)得到的均值、方差和異常值次數(shù)三個(gè)維度共12個(gè)數(shù)值作為工況判斷的特征值，用以穩(wěn)定狀態(tài)的判斷。如圖7所示為立磨實(shí)時(shí)特征參數(shù)預(yù)測(cè)的時(shí)間序列建模過(guò)程圖。根據(jù)立磨工況的特點(diǎn)，由于環(huán)境等外部因素和其他參數(shù)對(duì)振動(dòng)的聯(lián)合影響，導(dǎo)致工況序列屬于非平穩(wěn)序列，采用arima模型進(jìn)行時(shí)間序列的建模。平穩(wěn)序列：對(duì)與一個(gè)序列{x(t)}，如果數(shù)值在某一有限范圍內(nèi)波動(dòng)，序列有常數(shù)的均值和常數(shù)方差，并且延遲k期的序列變量的自協(xié)方差和自相關(guān)系數(shù)是相等的，則該序列是平穩(wěn)序列。差分運(yùn)算：假定兩個(gè)序列的時(shí)間間隔為t，差分運(yùn)算就是把相隔為k個(gè)t的序列的對(duì)應(yīng)值做減法運(yùn)算，k＝1時(shí)，稱為一階差分運(yùn)算。arima模型的實(shí)質(zhì)是在arma運(yùn)算之前加上差分運(yùn)算，然后使用arma進(jìn)行建模，計(jì)算公式如下：xt＝φ0+φ1xt-1+φ2xt-2+...+φpxt-p+εt-θ1εt-1-θ2εt-2-...-θqεt-q該模型認(rèn)為在t時(shí)刻的變量x的值是前p期的x取值和前q期的干擾ε的多元線性函數(shù)。誤差項(xiàng)是當(dāng)前的隨機(jī)干擾εt，是零均值白噪聲序列。arma模型認(rèn)為過(guò)去p期的序列值和過(guò)去q期的誤差項(xiàng)共同影響xt的取值。以振動(dòng)值為例說(shuō)明采用時(shí)間序列進(jìn)行建模的過(guò)程。首先對(duì)一段連續(xù)時(shí)間內(nèi)采集到的振動(dòng)值進(jìn)行平穩(wěn)性檢測(cè)，取數(shù)間隔為5秒，連續(xù)35個(gè)振動(dòng)取值的數(shù)據(jù)如下圖8所示，可以看出該序列有上升趨勢(shì)，屬于非平穩(wěn)序列。對(duì)序列求取自相關(guān)系數(shù)，相關(guān)系數(shù)的絕對(duì)值長(zhǎng)期大于零，表明該序列具有長(zhǎng)期的相關(guān)性。對(duì)這個(gè)序列進(jìn)行一階差分后得到的偏自相關(guān)圖如圖9所示?？梢钥闯鲆浑A差分后序列的時(shí)序圖在均值附近波動(dòng)，且波動(dòng)范圍不大，所以一階差分后的序列是平穩(wěn)序列。接著對(duì)一階差分后的序列進(jìn)行白噪聲檢測(cè)，得到的p值小于0.05，所以一階差分后的序列屬于平穩(wěn)非白噪聲序列，可以用arma模型進(jìn)行擬合。接下來(lái)對(duì)arma模型進(jìn)行定階，也就是求模型中的參數(shù)，根據(jù)p、q的所有組合得到的bic信息量的大小來(lái)確定，選擇令bic信息量達(dá)到最小的p、q組合。模型定階后就可以利用建立的arima模型進(jìn)行預(yù)測(cè)。預(yù)測(cè)模型可以給出連續(xù)5分鐘的預(yù)測(cè)值、標(biāo)準(zhǔn)誤差和置信區(qū)間，預(yù)測(cè)值和實(shí)際值的關(guān)系如圖10所示。從圖中可以看出預(yù)測(cè)誤差較低，預(yù)測(cè)值基本能夠反映數(shù)值的變化趨勢(shì)，模型的預(yù)測(cè)效果良好。當(dāng)前第1頁(yè)12