Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2023

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Method of vibration signal processing and load-type identification of a mill based on ACMD-SVD

Tang Wencong, Zhang Fangwei, Luo Xiaoyan, Wan Junliang, Deng Tao

Gospodarka Surowcami Mineralnymi

2023

T. 39, z. 1

217--233

Green mine construction is the main melody of mining development and problems such as safe production, energy saving and consumption reduction need to be solved urgently. The working conditions of the mill are complex in the process of grinding. Aiming at the problems existing in the feature extraction and load prediction of the mill, a signal-processing method based on adaptive chirp mode decomposition (ACMD) and a standardized variable distance classifier (SVD) is proposed. Firstly, the recursive framework of the ACMD method is used to obtain the initial frequency of mill vibration signals. Secondly, the initial frequency is used to reconstruct the high-resolution component of the mill vibration signal through the iterative frame in the ACMD method. The frequency corresponding to the frequency domain peak of the reconstructed signal is then selected as the mill load feature vector. Finally, with consideration to the influence of standard deviation and standardized variable factors on the feature vectors, a standardized variable distance classifier is proposed. The feature vectors of the mill load are input into the SVD model for training, and the state types of the mill load are obtained. The method is applied to the grinding experiment and the results show that the frequency-domain features obtained by the mill vibration signal-processing method based on ACMD-SVD are obvious, which has high accuracy in the identification of mill load types, and provides a new idea for the extraction of mill load features and prediction of the mill load.

Budowa zielonej kopalni jest główną melodią rozwoju górnictwa, a problemy takie jak: bezpieczna produkcja, oszczędność energii i redukcja zużycia wymagają pilnego rozwiązania. Warunki pracy młyna w procesie mielenia są złożone. Mając na celu rozwiązanie problemów występujących w ekstrakcji cech i przewidywaniu obciążenia młyna, zaproponowano metodę przetwarzania sygnału opartą na dekompozycji w trybie adaptacyjnym ACMD (Adaptive Chirp Made Decomposition) i znormalizowanym klasyfikatorze zmiennej odległości SVD (Variable Distance Classifier). Po pierwsze, rekurencyjna struktura metody ACMD jest wykorzystywana do uzyskania początkowej częstotliwości sygnałów drgań młyna. Po drugie, częstotliwość początkowa jest wykorzystywana do rekonstrukcji wysokorozdzielczej składowej sygnału drgań młyna poprzez ramkę iteracyjną w metodzie ACMD. Częstotliwość odpowiadająca pikowi w dziedzinie częstotliwości rekonstruowanego sygnału jest następnie wybierana jako wektor cech obciążenia młyna. Na koniec, biorąc pod uwagę wpływ odchylenia standardowego i standaryzowanych czynników zmiennych na wektory cech, zaproponowano standaryzowany klasyfikator odległości o zmiennej długości. Wektory cech obciążenia młyna są wprowadzane do modelu SVD w celu uczenia i uzyskiwane są typy stanu obciążenia młyna. Metodę zastosowano w eksperymencie mielenia, a wyniki pokazują, że cechy w dziedzinie częstotliwości uzyskane za pomocą metody przetwarzania sygnału drgań młyna opartej na ACMD-SVD są oczywiste, co ma wysoką dokładność w identyfikacji typów obciążeń młyna i zapewnia nowy pomysł na ekstrakcję cech obciążenia młyna i predykcję obciążenia młyna.