• 《工程索引》(EI)刊源期刊
  • 中文核心期刊(综合性理工农医类)
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

邹文杰, 王廷, 徐怀兵, 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. doi: 10.13374/j.issn2095-9389.2022.03.06.001
引用本文: 邹文杰, 王廷, 徐怀兵, 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. doi: 10.13374/j.issn2095-9389.2022.03.06.001
Ball mill load identification method based on CNN, optimized SVM model and intelligent grinding media[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2022.03.06.001
Citation: Ball mill load identification method based on CNN, optimized SVM model and intelligent grinding media[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2022.03.06.001

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

doi: 10.13374/j.issn2095-9389.2022.03.06.001
详细信息
  • 中图分类号: TD921

Ball mill load identification method based on CNN, optimized SVM model and intelligent grinding media

  • 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模型是对所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过程后;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。

     

  • 加载中
计量
  • 文章访问数:  45
  • HTML全文浏览量:  15
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 网络出版日期:  2022-05-05

目录

    /

    返回文章
    返回