。
[0035] 磨礦生產率（即磨礦產量）通常是通過最大化的優(yōu)化循環(huán)負荷得到的，而循環(huán)負 荷往往由GCI的負荷決定。磨機過負荷會導致磨機吐料、磨機出口物料的粒度變粗、磨機堵 磨，甚至導致磨礦過程停產。磨機欠負荷會導致磨機空砸，造成能源浪費，增加鋼球損耗，甚 至磨機損壞。因此，磨機負荷是非常重要的參數。球磨機內部負荷參數的準確測量對于保 證磨礦過程產品質量、生產效率，以及生產過程的安全性密切相關。工業(yè)現場中，領域專家 多依靠多源信息和自身經驗監(jiān)視磨機負荷狀態(tài)?；谀C筒體振動信號和振聲信號的數據 驅動軟測量方法常用于克服專家推理磨機負荷帶來的主觀性和不穩(wěn)定性。但是，目前已有 方法難以選擇性的同時融合隱含在機械振動信號和振聲信號多尺度譜數據和多操作工況 中（訓練樣本）的有價值信息。
[0036] 球磨機是重型旋轉機械設備，主要依靠鋼球對物料的沖擊和磨剝實現研磨。在磨 機旋轉的一個周期內，最外層鋼球對磨機上任何一點的沖擊力可以表示為：
[0038]其中，
代表沖擊、磨剝和滑動階段的沖擊力。顯 然，這些力具有不同的沖擊幅值和沖擊頻率，僅分析磨機筒體振動在某一時刻的沖擊力是 不合理的。因此，筒體振動信號分析的長度至少為磨機筒體旋轉一周的數據。
[0039]由(iC^)peA)d引起的筒體振動標記為：
[0041] 其中，
表示在沖擊、磨剝和滑動階段引起的筒體振 動。
[0042] 實際上，磨機內的鋼球數以萬計。這些鋼球分層排列并且以不同的沖擊力同時落 下。這些不同頻率和幅值的沖擊力引起的振動相互疊加。磨機自身的質量不平衡和球磨機 的安裝偏置也可以引起磨機筒體振動。這些振動信號相互耦合，最終形成可測量的筒體振 動信號可表示為：
[0044] 其中，和 < 分別表示第jvth成分和筒體振動子信號的數量；
分別表示由第1層鋼球、第2層鋼球、第 3層鋼球、磨機質量不平衡、安裝偏置和其它原因引起的振動子信號。
[0045] 磨機負荷參數包括料球比（MBVR)，礦漿濃度（PD)和充填率（CVR)，這些參數與磨 機負荷、磨機負荷狀態(tài)相關。
[0046] 筒體振動的聲輻射，即結構噪聲，是振聲信號的主要組成部分。由于磨機筒體是聲 學中的強反射面，磨機內部噪聲連續(xù)反射進行形成混合聲場，這些通過磨機筒體和磨機螺 栓傳輸到磨機外部的部分稱為空氣噪聲。測量得到的磨機研磨區(qū)域外部的振聲信號還包含 鄰近磨機和其它設備的噪聲。因此，振聲信號的組成可用下式表示：
[0048] 其中，< 是第jA個子信號，是振聲子信號的數量。
[0049] 綜上，磨機筒體振動和振聲信號具有多組分和多尺度特征，有必要對他們進行自 適應分解。
[0050] 圖2是本發(fā)明實施例的磨機負荷參數的軟測量方法的流程圖。如圖2所示，所述 磨機負荷參數的軟測量方法包括：
[0051] S100、檢測獲取在已知負荷參數下運行的磨機的筒體的樣本振動信號和樣本振聲 信號。
[0052] 如上所述，可以通過在已知負荷下運行磨機來檢測樣本振動信號和樣本振聲信 號，并根據負荷換算對應的負荷參數。
[0053] S200、基于EEMD方法將樣本振動信號和樣本振聲信號分解為J IMF個樣本子信號， 每個樣本子信號代表具有物理含義的單一振動模態(tài)，JIMF為預定值。
[0054] EMD方法廣泛地用于分析旋轉機械設備的振動信號（參見文獻[26] Y. G. Lei, J. Lin, Z. J. He, M. J. Zuo, "A review on empirical mode decomposition in fault diagnosis of rotating machinery, "Mechanical Systems and Signal Processing，35 (2013) 108-126.)。分解獲得的子信號（即頂F)按照頻率從高到底的順序 依次排列，并且這些子信號代表原始信號中的自然振動模態(tài)。理論上將，每個MF代表具有 物理含義的單一振動模態(tài)，詳細的數學描述可以參見文獻[15]，其流程如圖3所示。EEMD 可以解決EMD帶來的模態(tài)混合問題，兩者之間的關系如圖3所示，其中M代表集合數量。
[0055] 具體地，步驟S200包括：
[0056] S201、向樣本振動信號和樣本振聲信號中加入預定噪聲。
[0057] 在本實施例中，加入的預定噪聲為白噪聲
[0058] S202、基于EMD方法獲取M組初始子信號。
[0059] 具體地，如圖3所示，EMD方法包括尋找信號極值點、獲取信號的上包絡和下包絡， 計算上下包絡的均值，計算包絡均值與信號的差值并作為新的組分，然后檢查新組分是否 滿足MF準則，如果不滿足則將新組分作為原始信號返回EMD方法的第一步，否則將新組分 作為MF，并進而計算新組分和原始信號的差值作為殘差信號，再進而檢查殘差信號是否為 單調信號，如果是則EMD方法流程結束，否則將殘差信號替代原始信號返回EMD方法的第一 步。
[0060] S203、計算M組初始子信號的均值獲取JIMF個子信號。
[0061] 通過步驟S200的EEMD方法，可將原始的樣本振動信號和振聲信號分解為：
[0064] 其中，和(^A)jA是第又和j 4個IMF，和(rA)，f是殘差彳目號。
[0065] 用于特征選擇的IMF的最大數量需要提前確定。由于不同的磨機具有不同的特 性，故該數量可以依據零負荷時筒體振動信號的分解結果依據經驗確定。本實施例中，筒體 振動信號和振聲信號的頂F的數量分別標記為1和J v，并將所有的MF重新標記為：
[0067] 其中，JIMF= JA+JV是全部MF的數量，如上所述由于JJP Jv均為預定值，因此JIMF 也為預定值。
[0068] S300、提取所有子信號的譜特征并基于所述譜特征和對應的負荷參數獲取訓 練樣本集合和驗證樣本集合，所述譜特征根據子信號的基于希爾伯特變換（Hilbert Transform，HT)的邊際譜（MSHT)、希爾伯特變換的瞬時幅值和頻率的均值及方差（MVHT)和 基于快速傅里葉變換的功率譜密度（PSD)計算獲得。
[0069] 在本發(fā)明中，從筒體的振動信號和振聲信號的MF中共提取三類特征：基于希爾 伯特變換的邊際譜（簡寫為MSHT)、希爾伯特變換的瞬時幅值和頻率的均值及方差（簡寫為 MVHT)和基于FFT的功率譜密度（簡寫為PSD)。這三類特征均有自身特性，并且均已成功 應用在不同領域中（參見文獻[26]，[22]，[17])。因此，這些譜特征可以作為來自不同視角 的多源信息。本實施例基于以上提取的特征進行選擇和合并以計算提取所有子信號的譜特 征。
[0070] 具體地，如圖4所示，步驟S300包括：
[0071] S301、計算子信號的 MSHT、MVHT 和 PSD。
[0072] 本實施例中將不同的MF的相同類型特征進行合并，并表示為Z=HT={Z=HT}f=1,
[0073] S302、分別計算MSHT的所有MSHT譜變量和磨機負荷參數之間的互信息值。
[0074] 對于MSHT，可以采用密度估計方法（參見文獻[27] H. C. Peng, F. H. Long, C. Ding, Feature selection based on mutual information:criteria of max-dependenc y,max-relevance, and min-redundancy. IEEE Transactions on Pattern Analysis and MachineIntelligence, 27(2005) 1226-1238.)計算第p譜變量《3111^和磨機負荷參數y之 間的MI值：
[0076] 其中，_P((ZMSHT)P)和P(y)是(ZMSHT)P和y的邊緣概率浩、度，/^((ZmSHT)；^)是聯合概率 密度，^^1?^),，）是條件熵，〃((4^)； ))是信息墑。
[0077] S303、獲取MSHT譜變量的互信息值的最大值忠tTn和最小值。
[0078] S304、獲取以預定步長在MSHT譜變量的互信息值的最小值和最大值之間變化的 多個譜特征選擇閾值，基于每個譜特征選取閾值選取對應的互信息值大于該譜特征選擇閾 值的所有MSHT譜變量構建PLS模型，計算每個譜特征選取閾值對應的PLS模型預測誤差。
[0079] 具體地，基于下式選擇譜特征：
[0081]其中，%uin是譜特征選擇的閾值，CS；和<1是2^"的最小值 和最大值。采用下式計算閾值遞增間的步長0step:
[0083] 選擇^W)p=1的所有譜特征構建偏最小二乘回歸（PLS)模型。接著以步長0 step 增加MI的閾值，并重復上述過程。最終，具有最小PLS模型預測誤差的閾值被選定為最終 閾值，并將選擇的譜特征記為ZMSOT = {zMSHTt。
[0084] 在上述過程中，用于選擇譜特征的MF不需要在進行特征選擇過程之前提前選 定，這些有價值的MF和它們的特征均是自適應選擇確定的。
[0085] S305、將預測誤差最小的PLS模型對應的MSHT譜變量集合作為MSHT譜特征。
[0086] 與上述步驟S302-305并行地，步驟S306-309以及步驟S310-S313分別對和 Z:采用相同的過程，以分別獲得MVHT對應的MVHT譜特征和PSD對應的PSD譜特征。
[0087] S306、分別計算MVHT的所有MVHT譜變量和磨機負荷參數之間的互信息值；
[0088] S307、獲取MVHT譜變量的互信息值的最大值和最小值。
[0089] S308、獲取以預定步長在MVHT譜變量的互信息值的最小值和最大值之間變化的 多個譜特征選擇閾值，基于每個譜特征選取閾值選取對應的互信息值大于該譜特征選擇閾 值的所有MVHT譜變量構建PLS模型，計算每個譜特征選取閾值對應的PLS模型預測誤差。
[0090] S309、將預測誤差最小的PLS模型對應的MVHT譜變量集合作為MVHT譜特征。
[0091] S310、分別計算PSD的所有PSD譜變量和磨機負荷參數之間的互信息值。
[0092] S311、獲取PSD譜變量的互信息值的最大值和最小值。