摘要：本文讨论依靠单一信号来等效模拟球磨机料位的现状，以及软测量技术及其建模方法。提出采用多传感器信息融合技术，即把单一信号和影响料位的因素都列为料位软测量系统的输入，通过斜率关联度来选择辅助变量。提出新的建模方法——反向建模，在此基础上选择统计建模的神经网络算法来进行建模。本文提出的这种球磨机料位软测量具有很强的可行性。同时也为电厂其他参数的软测量提供了参考，该建模方法具有可移植性。
关键词：球磨机，软测量，建模
前言
球磨机属于一种高能耗、低效率的设备。据统计，球磨机用电量占发电厂用电量的15%-25%，是电厂的耗电大户之一。中速磨煤机制粉系统磨煤单耗一般在10 左右，中储式制粉系统钢球磨煤机磨煤单耗在20 左右，而双进双出钢球磨煤机磨煤单耗通常在25~30 。
随着电厂机组容量的增大，电厂逐渐采用双进双出钢球磨煤机正压直吹式之分系统。由于正压直吹式球磨机有较大储备容量，在给煤机暂时中断情况下不会影响出力，故保持磨煤机筒体内料位稳定相当重要。
1 国内外球磨机料位软测量现状及前景
球磨机的料位即球磨机内煤的体积与减去钢球所占容积后磨煤机的容积比，它具有明确的物理意义，却无法借助现有的测量手段直接测量。
1.1球磨机料位软测量现状
钢球煤磨机是多变量、非线性、强耦合、大延迟对象，不仅特性复杂，且变量时变缓慢。球磨机料位也就这样是一个受诸多因素影响的呈现复杂关系的变量。到目前为止，国内外已有不少学者用单一信号等效模拟料位，实现料位的软测量，有压差法、噪声法、功率法、油压法、气压差动法、应变法、轴承振动法等。
1.2球磨机料位软测量的前景
目前所采取的这些传统软测量的方法来测量球磨机料位，都是通过单一信号等效模拟料位，具有不真实性差、精度低、可信度小的缺点。因此要考虑多个变量对料位的影响，研发多信号综合的软测量技术，适当提高钢球磨煤机桶内料位可以降低磨煤单耗及安全性。最近一些学者开始尝试采用智能化的方法对球磨机实现料位的软测量。
2 软测量技术及其建模方法
2.1 软测量技术
在工业控制上，存在着一些与生产安全性或是经济性密切相关的参数，需要加以严格控制，但是由于经济或技术的原因，难以进行在线测量，只能通过离线实验室分析得到分析值。但是，离线实验室分析往往存在长时间滞后的问题，无法满足在线实时控制和优化操作的要求。近年来，为解决这类参数的估计和控制问题，软测量技术取得了重大发展。
2.2 软测量建模方法
软测量建模是软测量步骤最关键的一步，是软测量技术的核心。软测量建模技术主要有机理建模和统计建模以及这两种建模的结合。
2.2.1机理建模
就是基于系统变化机理写出各种平衡方程：物质平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及反映流体流动、传热、传质、化学反应等基本规律的特性方程，从中获取所需的数学模型。
2.2.2统计建模[9]
根据系统的输入输出数据，建立与系统外特性等价的数学模型的方法，称为统计建模。统计建模将系统看作黑箱，在不了解系统内部结构和机理的情况下，选取一组与主导变量有密切联系且容易测量的二次变量，根据某种最优准则，利用统计方法构造二次变量与主导变量间的数学模型。
期刊文章分类查询,尽在期刊图书馆
统计建模常用的方法有状态估计、线性回归、神经网络、模糊技术、支持向量机回归、偏最小二乘等方法。
2.2.3混合建模
由于实际系统的复杂多变，往往来说，一种方法建立的模型难以满足要求。如果结合实际系统的机理分析和实际情况，将不同的方法相互融合，建立混合模型。 文献[10]提出了一种将几个神经网络模型通过模糊结合的方式结合起来用于鲁棒分类的方法；文献[11]采用最小二乘多神经网络建立了常压塔粘度软测量模型，期间考虑了辅助变量滞后时间的影响，取得了较好的测量精度；文献[12]利用时间序列数据建立了一段磨矿分级粒度多模型软测量模型,成功地对磨矿产品的粒度进行了估计。
3基于球磨机料位提出的软测量建模方法
3.1辅助变量
影响球磨机料位的因素很多，但是对于给定的球磨机和燃用的煤种，球磨机系统的输入有通风量（热风量和冷风量）、给煤机转速、入口温度，进出口压差，输出有球磨机料位、入口负压、出口温度。由于球磨机系统的输出量之间存在耦合，影响料位的因素就不仅包括通风量、给煤机转速、入口温度、进出口压差，还有入口负压和出口温度。现在已有一些学者用单一的信号（如压差信号、噪声信号、电流信号、油压信号以及轴承振动信号等）来等效模拟料位，实现料位参量的软测量。考虑到单一信号模拟料位的局限性，把电流信号、轴承振动信号、压差信号以及影响料位的因素列为料位监测系统的输入，采用多传感器信息融合技术。
对于这么多的料位测量系统的输入，对于计算会带来很大的麻烦。如何选取合适的辅助变量成为建模的关键。
采用灰色斜率关联度[13]这一算法，在matlab中实现辅助变量很好的选择。斜率关联度在计算时，不需要将原始数据标准化和选择参考点，计算方便，而且原始数据中含有零或负值（如负压）也不受影响。
3.2建模方法
反向建模是系统建模时使用系统实际运行数据，这些数据包含了大量的信息，并且这些信息是在自然条件下产生的，数据之间反应了系统结构最真实的信息。
可以采用反向——统计建模相结合的建模方法，参与建模的辅助变量的数据是来自现场的运行数据，最后选用统计建模方法的一种比较合适的算法来进行建模计算。神经网络具有并行处理、分布存储、高度容错、自学习能力、强鲁棒性和强适应性特点，而且能够逼近任意非线性函数，不依赖具体数学模型。非常适合动态特性随运行工况大范围变化的对象，而球磨机就属于这类对象。又由于模糊神经网络能将数据融合，是多传感器信息融合技术的一种算法。 故采用模糊神经网络法，利用现场的运行数据进行反向建模。
4 结束语
随着电厂机组容量的大型化，双进双出球磨机直吹式制粉系统逐渐占领了优胜地位。但是为了降低制粉系统的单位耗电量，球磨机料位的监测是至关重要的。在本文中提议采用反向建模方法，利用多传感器信息融合技术——模糊神经网络算法建模。使得建模辅助变量的数据能反应系统的真实信息，更加全面的反应影响料位的主导因素。
参考文献
[1]曲守平, 赵登峰, 宋协春, 单东升. 双进双出钢球磨煤机的煤位监测技术[M]. 矿山机械2000.10
[2]陈刚.双进创出钢球磨煤机节能降耗研究[J]. 北电力技术,No.1 1997
[3]焦传宝. 双进双出钢球磨煤机满煤问题分析[J]. 江苏电机工程.2007. 1(26)
[4] Kang，E.S., Guo. Y.Y., Zhao，L.H.,2006.Acoustic Vibration Signal Processing and Analysis in Ball Mill. In Proc. World Conference on Intelligent Control and Automation. Dalian，China，pp，6690-6693
论文作者:云昆,崔建卫,龙源,王彦彦,尹士海,邵世宽
论文发表刊物:《电力设备》2017年第3期
论文发表时间:2017/4/26
标签：建模论文; 球磨机论文; 测量论文; 变量论文; 方法论文; 系统论文; 信号论文; 《电力设备》2017年第3期论文;