Zusammenfassung: Um die Schwächen herkömmlicher, ein- oder zweifaktorieller Verfahren zur Lasterkennung in Kugelmühlen zu beheben, wird ein mehrfaktorielles, auf Multisensor-Informationsfusion basierendes Erkennungsverfahren vorgeschlagen. Durch die Erfassung verschiedener externer Reaktionen der Kugelmühle wird der Zusammenhang zwischen diesen Reaktionen und der internen Last identifiziert und somit mehrere Lastparameter innerhalb der Kugelmühle bestimmt. Experimentelle Ergebnisse zeigen, dass dieses Verfahren eine genaue und zeitnahe Erkennung der Kugelmühlenlast ermöglicht und die Grundlage für eine optimierte Echtzeitsteuerung des Mahlprozesses bildet. Schlüsselwörter: Multisensor-Informationsfusion, Kugelmühlenlasterkennung, neuronales Netzwerk. Zusammenfassung: Angesichts der Unzulänglichkeiten herkömmlicher, ein- oder zweifaktorieller Lastprüfungsverfahren für Kugelmühlen präsentiert dieser Beitrag ein mehrfaktorielles, auf der Fusion von Multisensor-Informationen basierendes Prüfverfahren. Durch die Untersuchung der vielfältigen externen Reaktionen und der Zusammenhänge zwischen diesen Reaktionen und der internen Last der Kugelmühle kann die genaue Bestimmung zahlreicher interner Lastparameter erreicht werden. Die experimentellen Ergebnisse zeigen, dass das Verfahren eine präzise und schnelle Belastungsprüfung der Kugelmühle ermöglicht und somit die Grundlage für eine optimierte Echtzeitsteuerung des Mahlprozesses im Bergbau schafft. Schlüsselwörter: Multisensor-Informationsintegration, Belastungsprüfung der Kugelmühle, neuronales Netzwerk. Einleitung: Bei der automatischen Steuerung des Mahlprozesses beeinflussen zahlreiche Faktoren die Betriebskennzahlen: (I) Materialeigenschaften wie die Mahlbarkeit des Erzes, die Korngröße des Aufgabematerials und die Produktfeinheit; (II) die Mühlenstruktur wie Mühlenspezifikationen, -typ und Auskleidungsform; (III) der Betrieb wie Form, Korngrößenverhältnis und Material der Mahlkörper, Füllgrad, Drehzahl, Kugelzuführungssystem, Aufgabe-Kugel-Verhältnis und Mahlkonzentration. Diese Faktoren sind miteinander verknüpft. Die ersten beiden Kategorien sind in der Regel nach ihrer Festlegung fix. Bei ordnungsgemäßer Wartung der Anlage und Verwendung geeigneter Stahlkugeln können lediglich Drehzahl, Füllgrad, Aufgabe-Kugel-Verhältnis und Mahlkonzentration angepasst werden. Sobald die Mühlendrehzahl festgelegt ist, sind nur noch die drei anderen Faktoren variabel. Daher sind der Füllgrad der Mahlkörper (der prozentuale Anteil des Mahlkugelvolumens am effektiven Volumen des Mühlenzylinders im Stillstand), das Aufgabe-Kugel-Verhältnis (das Verhältnis des dichten Volumens des Mahlguts zum Porenvolumen der Mahlkörper in der Mühle (als Dezimalzahl)) und die Mahlkonzentration (der prozentuale Anteil des Gewichts des Mahlguts in der Mühle am Gesamtgewicht der Suspension (Mahlgut + Wasser)) die drei Hauptparameter, die bei der Erfassung und Regelung der Kugelmühlenlast untersucht werden. Diese drei Parameter spiegeln indirekt die Kugelmühlenlast wider (einschließlich der einzelnen Werte für Kugel-, Material- und Wassermenge). Die genaue Erfassung der Kugelmühlenlast ist entscheidend für den Erfolg der gesamten Optimierungsregelung der Kugelmühle. Um diese Problematik zu lösen, wird in diesem Beitrag ein System zur Kugelmühlenlasterfassung auf Basis von Multisensor-Datenfusion vorgestellt, das die genaue Erfassung der internen Lastparameter der Kugelmühle ermöglicht: Füllgrad der Mahlkörper, Aufgabe-Kugel-Verhältnis und Mahlkonzentration. Letztendlich werden die Medienzugaberate, die Förderrate und der Wasserdurchfluss bedarfsgerecht angepasst, um eine optimierte Echtzeitsteuerung der Kugelmühle zu erreichen. 1. Systemdesign: Die Multisensor-Informationsfusion nutzt die vielfältigen Sensorressourcen optimal aus. Durch die rationale Zuordnung und Nutzung dieser Sensoren und ihrer Messdaten werden redundante oder komplementäre Informationen mehrerer Sensoren räumlich oder zeitlich nach bestimmten Kriterien kombiniert, um eine konsistente Interpretation oder Beschreibung des Messobjekts zu erhalten. Dadurch erzielt das Informationssystem eine höhere Leistungsfähigkeit als ein System, das aus Teilmengen seiner Komponenten besteht. Je nach Verarbeitungsebene lässt sich die Fusion in Daten- (Pixel-), Merkmals- und Entscheidungsfusion unterteilen. In dieser Arbeit wird ein Drei-Faktoren-Erkennungsverfahren (Schall, Vibration und Wirkleistung) angewendet. Die Datenerfassung der externen Antwortsignale der Kugelmühle erfolgt mittels Schall-, Vibrations- und Wirkleistungssensoren. Nach der Signalverarbeitung werden diese drei Parameter extrahiert. Um möglichst viele Felddaten zu erhalten, können die Messdaten aller Sensoren fusioniert werden. Da diese drei Sensoren homogen sind (sie erfassen dasselbe physikalische Phänomen), kann eine Datenfusion durchgeführt werden, um ausreichend Informationen über die externe Reaktion der Kugelmühle zu gewinnen. Abschließend werden die internen Lastparameter der Kugelmühle (Füllgrad des Mediums, Verhältnis von Aufgabematerial zu Kugeln und Mahlkonzentration) indirekt mithilfe eines Fusionsalgorithmus ermittelt. 2. Entwurfsschritte (1) Datenerfassung der drei externen Antwortsignale der Kugelmühle Die Schaltung zur Erfassung der Schallsignale der Kugelmühle besteht aus einem Mikrofon, einem Vorverstärker und einer Signalverstärkungsschaltung, einem Anti-Aliasing-Filter, einem A/D-Wandler und einem Mikroprozessor. Die Schaltung zur Erfassung der Schallsignale ist in Abbildung 1 dargestellt: Abbildung 1 Schaltung zur Erfassung der Schallsignale Im Betrieb der Kugelmühle verursachen die Stöße zwischen den Stahlkugeln, dem Material und der Trommel, zwischen den Stahlkugeln und zwischen den Stahlkugeln und dem Material Vibrationen der Kugelmühle. Diese Stöße werden auf die Trommelpanzerung der Kugelmühle übertragen und breiten sich entlang des Zylinders und der Lager aus. Daher können die Vibrationseigenschaften der Kugelmühlentrommel an den Lagern der Kugelmühle gemessen werden. Zur Erfassung der Vibrationen der Kugelmühle wird ein piezoelektrischer Beschleunigungsmesser am Lager eingesetzt. Die Schaltung zur Erfassung des Vibrationssignals der Kugelmühle umfasst einen Beschleunigungsmesser, einen Ladungsverstärker, eine Signalverstärkungsschaltung, einen Bandpassfilter, einen A/D-Wandler und einen Mikroprozessor. Die Schaltung ist in Abbildung 2 dargestellt. Die Erfassung des Wirkleistungssignals erfolgt mittels eines Wirkleistungssensors. Da der Motor der Kugelmühle über ein Drehstromsystem mit drei Leitern versorgt wird, kommt ein Drehstrom-Wirkleistungssensor zum Einsatz. Für die Erfassung des Nutzleistungssignals der Kugelmühle wurde in dieser Arbeit der Drehstrom-Wirkleistungssensor WB2P412R der Firma Shenzhen Jinzhi Electromechanical Technology Co., Ltd. ausgewählt. (2) Signalverarbeitung: Die Signalverarbeitung umfasst im Allgemeinen die Signalvorverarbeitung, die A/D-Wandlung und die digitale Signalverarbeitung mittels digitaler Signalprozessoren. Die zu erfassenden Schall- und Vibrationssignale sind komplexe Zeitsignale mit zufälligem Rauschen. Die Änderungen der Lastparameter einer Kugelmühle führen häufig zu Veränderungen der Frequenzstruktur der Schall- und Vibrationssignale. Um die internen Lastparameter der Kugelmühle anhand der erfassten Signale zu ermitteln, ist es oft notwendig, die Frequenzbereichsinformationen der Signale zu verstehen. Daher wird die schnelle Fourier-Transformation (FFT) zur Spektralanalyse der Schall- und Vibrationssignale eingesetzt, um Zustands- und Charakteristikinformationen der internen Lastparameter der Kugelmühle zu berechnen. Abbildung 2: Schaltung zur Erfassung von Vibrationssignalen (3) Datenfusion. Aufgrund des komplexen Mechanismus des Mahlprozesses, der vielen Einflussfaktoren und der Tatsache, dass es sich um einen Prozess mit mehreren Eingangs- und Ausgangsgrößen handelt, ist der Produktionsprozess langsam, die Verzögerungszeit ist lang und er weist zudem nichtlineare, zeitlich variable Eigenschaften sowie zahlreiche und schwerwiegende Störfaktoren auf. Darüber hinaus sind Kugelmühlen massiv und erzeugen Geräuschpegel von bis zu 100 dB. In einer solch rauen Arbeitsumgebung ist die Beobachtung der externen Antwortinformationen der Kugelmühle mit herkömmlichen Einzelsensoren eindeutig unzureichend. Daher stellen Multisensor-Beobachtungsmethoden auf Basis von Datenfusion hier eine gute Anwendungslösung dar. Daten zu den externen Antwortsignalen der Kugelmühle werden separat mittels Schall-, Schwingungs- und Leistungssensoren erfasst. Nach der Signalverarbeitung werden diese drei Parameter auf der Datenebene fusioniert. Dies erhöht die Redundanz und Komplementarität der erfassten externen Antwortinformationen und reduziert die Unsicherheit des Gesamtsystems. Fällt ein Sensor aus, können die redundanten Informationen mehrerer Sensoren die Fehlerinformationen eliminieren und so die Robustheit des Systems verbessern. Da die Fusion auf der niedrigsten Informationsebene erfolgt, erfordern die Unsicherheit, Unvollständigkeit und Instabilität der ursprünglichen Sensorinformationen sowie das große Datenvolumen und die geringe Störfestigkeit, dass der Fusionsalgorithmus über hohe Fehlerkorrekturfähigkeiten und die Fähigkeit zur Echtzeitverarbeitung großer Datenmengen verfügt. Neuronale Netze, als paralleles, verteiltes Informationsverarbeitungssystem, besitzen starke Fähigkeiten zur Informationssynthese und Wissensgeneralisierung sowie strukturelle Fehlertoleranz und können als Fusionsalgorithmus auf der Datenebene eingesetzt werden. (4) Entwurf des Fusionsalgorithmus: Ziel dieser Arbeit ist die indirekte Bestimmung der internen Lastparameter der Kugelmühle durch die Erfassung ihrer externen Antwort. Das heißt, die externe Reaktion der Kugelmühle ist bekannt, die internen Parameter sollen jedoch vorhergesagt werden. Daher kann in der Datenschicht mittels eines neuronalen Netzes ein inverses Modell des Kugelmühlensystems erstellt werden – ein Modell, das den Zusammenhang zwischen der externen Reaktion und den internen Lastparametern der Kugelmühle aufzeigt –, um die Last der Kugelmühle vorherzusagen. Das in dieser Arbeit verwendete neuronale Netz ist ein standardmäßiges dreischichtiges Radialbasisfunktionsnetz (RBF-Netz) mit Lehrerlernen. Die Eingabevariable ist die externe Reaktion der Kugelmühle in der Datenschicht, die Ausgabevariable sind die internen Lastparameter. ① Entwurf der Eingabeschicht: Da die Eingabevariable des RBF-Netzmodells das externe Reaktionssignal der Kugelmühle ist, werden gemäß der Anforderung der Drei-Faktoren-Erkennung die drei Faktoren der Kugelmühle erfasst: externes Schallsignal, externes Vibrationssignal und Nutzleistungssignal. Daher gibt es drei Knoten in der Eingabeschicht: das normalisierte externe Schallsignal, das externe Vibrationssignal und das Nutzleistungssignal der Kugelmühle. 2. Entwurf der Ausgabeschicht: Die Ausgabevariablen des RBF-Neuronalnetzmodells sind die internen Lastparameter der Kugelmühle. Da die in dieser Arbeit zu ermittelnden internen Lastparameter der Kugelmühle die Füllrate des Mahlkörpers, das Verhältnis von Mahlkörper zu Kugel und die Mahlkonzentration umfassen, wird das neuronale Netzwerk mit diesen drei Parametern als Ausgabevariablen aufgebaut. Die Ausgabeschicht besteht daher aus drei Knoten, und ihre Aktivierungsfunktion ist eine einfache Summation; die Ausgabeschicht ist also eine gewichtete Summe der Ausgaben der verborgenen Schichten. 2. Entwurf der verborgenen Schicht: Beim Training von RBF-Netzwerken ist die Bestimmung der Anzahl der Neuronen in der verborgenen Schicht ein entscheidender Faktor. MATLAB 7 bietet hierfür eine verbesserte Methode. Das Grundprinzip besteht darin, das Training mit null Neuronen zu beginnen und die Anzahl der Neuronen anhand des Ausgabefehlers automatisch zu erhöhen. In jeder Schleife wird der Eingabevektor, der dem maximalen Fehler des Netzwerks entspricht, als Gewichtsvektor für die Erzeugung einer neuen verborgenen Schicht verwendet. Anschließend wird der Fehler des neuen Netzwerks überprüft. Dieser Prozess wird wiederholt, bis die Fehleranforderung erfüllt oder die maximale Anzahl an Neuronen in der verborgenen Schicht erreicht ist. Die Implementierung erfolgt wie folgt: Die Funktion `newrbe` wählt beim Erstellen des RBF-Netzwerks automatisch die Anzahl der verborgenen Schichten, sodass der Fehler auf null gesetzt wird. Dadurch wird das Training und die Etablierung des Netzwerks abgeschlossen (die Etablierung des RBF-Netzwerks entspricht dem Trainingsprozess). Nach der inversen Normalisierung werden die Daten der drei Neuronen in der Ausgabeschicht des RBF-Netzwerks zu den internen Lastparametern der Kugelmühle: Füllgrad des Mahlguts, Verhältnis von Mahlgut zu Mahlkugeln und Mahlkonzentration. In der automatischen Steuerung des Mahlprozesses kann die durch diese drei Parameter indirekt abgebildete Kugelmühlenlast (einschließlich der Einzelwerte von Mahlgutlast, Mahlgutlast und Wasservolumen) zur optimalen Steuerung der gesamten Kugelmühle genutzt werden. 3. Experimentelle Ergebnisse: Durch Experimente mit der Versuchskugelmühle wurde eine große Menge an experimentellen Daten gewonnen. Ein Teil dieser Daten wurde als Trainingsdaten für das neuronale Netzwerk ausgewählt (siehe Tabelle 1). Tabelle 1: Teildatensatz. Das in dieser Arbeit vorgestellte RBF-Neuronale-Netzwerk-Modell des inversen Modells des Kugelmühlensystems wurde gemäß den Trainingsschritten und dem Algorithmus für RBF-Neuronale-Netzwerke trainiert. Training und Simulation des neuronalen Netzwerks wurden mit einem entsprechenden, in MATLAB 7 entwickelten Programm durchgeführt. Nach dem Training werden die Gewichte und Bias-Werte des neuronalen Netzwerks ausgegeben. Die Fehlerkurve des Trainingsprozesses ist in Abbildung 3 dargestellt. Die Vorhersagefehlerkurve (die Differenz zwischen dem Ausgabewert des neuronalen Netzwerks und dem Zielwert der Stichprobe) wurde durch Simulation der experimentellen Stichprobendaten ermittelt (siehe Abbildung 4). Abbildung 3: Fehlerkurve des neuronalen Netzwerks beim Training. Abbildung 4: Vorhersagefehlerkurve des neuronalen Netzwerks. 4. Fazit: In dieser Arbeit wird ein Verfahren zur Lasterkennung in Kugelmühlen auf Basis von Multisensor-Informationsfusion vorgestellt und die verschiedenen Systemkomponenten detailliert erläutert. Die experimentellen Ergebnisse zeigen, dass das System die externen Antwortinformationen aus der Arbeitsumgebung der Kugelmühle vollständig erfassen und fusionieren kann. Dadurch werden die Lastparameter der Kugelmühle präzise erkannt, was eine wichtige technische Unterstützung für die automatische Steuerung des gesamten Mahlprozesses darstellt. Referenzen [1] Wang Zehong, Chen Bingchen. Aktueller Stand und Entwicklungstrend der Kugelmühlen-Lasterkennung [J]. China Powder Technology, 2001.7(1):19-23 [2] Wang Zehong, Chen Bingchen. Dreifaktorielle Erkennung interner Parameter von Kugelmühlen. Metal Mine [J], 2002.1:32-34 [3] Mao Yiping, Gao Jisheng, Chen Bingchen. Forschung zur Zweifaktormodellierung von Kugelmühlen basierend auf einem RBF-Netzwerk [J]. China Mining, 2000.9(5):75-78 [4] Feisi Technology Product R&D Center. Neuronale Netzwerktheorie und MATLAB7-Implementierung [M]. Beijing: Electronic Industry Press, 2005.3 [5] Feng Bo. Forschung zur Multisensor-Informationsfusionstechnologie [D]. Chinas exzellente Volltextdatenbank für Doktor- und Masterarbeiten – Anhang: Autorenvorstellung: Zhou Keliang (geb. 1964), männlich, aus Ganzhou, Provinz Jiangxi, außerordentlicher Professor und Vizedekan der Fakultät für Maschinenbau und Elektrotechnik an der Jiangxi University of Science and Technology. Forschungsschwerpunkt: Industrielle Prozesssteuerung. Kontaktinformationen: Dai Jianguo, Doktorand im Fachbereich Maschinenbau und Elektrotechnik, Jiangxi University of Science and Technology, Ganzhou, Provinz Jiangxi, Postleitzahl: 341000, E-Mail: [email protected]