原创《基于改进高斯混合回归球磨机料位软测量》：这是一篇与高斯论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
摘 要： 针对球磨机系统多模态复杂过程中的料位不确定性,球磨机振动信号存在非线性、噪声和外界干扰等问题,采用一种基于改进的高斯混合回归（GMR）的球磨机料位软测量方法,解决传统高斯混合模型初始化含有噪声和异常值的数据难以聚类的问题.首先,利用改进的K?medoids聚类算法和EM算法分别初始化和优化高斯混合模型（GMM）的最佳高斯分量个数、最优模型参数,然后采用GMR预测输出球磨机料位.最后实验验证了改进GMR模型得到的预测料位可以很好地跟踪真实料位,并且通过实验结果的对 析,验证了改进模型的有效性和实用性以及较好的预测精度.
关键词： 球磨机料位； 多模态； 振动信号； GMM； 聚类； 软测量； GMR
中图分类号： TN98?34； TP181 文献标识码： A 文章编号： 1004?373X（2018）05?0153?06
Abstract： Since the fill level of the ball mill system in multimode complicated process is uncertain, and the vibration signal of ball mill has the characteristics of nonlinearity, noise and outside interference, a soft measurement method for ball mill fill level based on improved Gaussian mixture regression （GMR） is proposed to solve the problem that it is difficult to cluster the data embedding noise and abnormal value of the traditional Gaussian mixture model （GMM） initialization. The improved K?medoids clustering algorithm and EM algorithm are used respectively to initialize and optimize the optimal Gaussian component quantity and optimal model parameters. The GMR is used to predict the output level of the ball mill. The experimental results verify that the predicted fill level obtained by improved GMR model can track the real fill level accurately. The comparative analysis of experimental results verifies that the improved model is feasible and practical, and has high prediction accuracy.
Keywords： ball mill fill level； multimode； vibration signal； Gaussian mixture model； clustering； soft measurement； Gaussian mixture regression
0 引 言
球磨機是磨矿工业中广泛使用的基础设备,准确测量球磨机料位是实现优化控制和节能降耗的关键技术之一.近年来,科研人员提出了许多测量球磨机料位的方法,其一般步骤是：先对采集的信号计算频谱特征,然后进行降维和特征提取,最后建立频谱特征和料位之间的模型.文献[1]利用快速傅里叶变换方法求取信号的功率谱密度（Power Spectrum Density,PSD）,然后采用主元分析（Principal Component Analysis,PCA）方法提取特征和减少冗余信息,最后用支持向量回归（Support Vector Regression,SVR）建立回归模型.文献[2]利用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）建立球磨机料位软测量模型.文献[3]采用偏最小二乘法（Partial Least Square,PLS）对球磨机振动信号进行特征提取和降维,然后采用极限学习机（Extreme Learning Machine,ELM）建立料位软测量模型.上述方法均取得了较好的结果.
文献[4]通过分析球磨机研磨过程的机理和筒体振动的加速度频域信号,将球磨机运行过程分解成若干个不同的特征模态,然后采用KPLS算法建立预测子模型,最后利用信息熵值的集成加权融合方法预测输出.
在此,对球磨机在不同料位条件下多工况的复杂多模态过程,由于不同料位采集数据的均值和协方差不断变化,基本的单高斯分布建立的模型较差,无法准确预测料位.高斯混合模型（GMM）是单高斯概率密度函数的延伸,具有平滑逼近任意形状密度分布的特性[5],因此可以对复杂的球磨机数据的多模态性进行很好的描述.针对球磨机系统多模态复杂过程中料位的不确定性,球磨机振动信号存在非线性、噪声和外界干扰等问题,以及GMM在多模态过程监督和软测量方面的成功应用[6?7],采用一种基于改进的高斯混合回归（GMR）在球磨机多模态过程料位软测量的方法.首先,利用改进的K?medoids算法[8]和EM[9]算法优化高斯混合模型的最佳分量个数和最优模型参数,然后利用GMR预测料位的输出.实验结果表明该方法具有较高的测量精度.
高斯论文参考资料：
结论：基于改进高斯混合回归球磨机料位软测量为适合高斯论文写作的大学硕士及相关本科毕业论文，相关数学家排名开题报告范文和学术职称论文参考文献下载。
