CC BY
169
© Ю.И. Еременко, Д.А. Полещенко, А.И. Глущенко, Ю.М. Пожарский, 2016
Ю.И. Еременко, Д.А. Полещенко, А.И. Глущенко, Ю.М. Пожарский
О ВОЗМОЖНОСТИ ОПРЕДЕЛЕНИЯ УРОВНЯ ЗАГРУЗКИ ШАРОВОЙ МЕЛЬНИЦЫ В РЕЗУЛЬТАТЕ НЕЙРОСЕТЕВОГО АНАЛИЗА СПЕКТРА СИГНАЛА ВИБРОУСКОРЕНИЯ ЕЕ ЦАПФЫ
Рассмотрена возможность применения современных интеллектуальных способов обработки информации для оценки степени заполнения шаровой мельницы. Для этого на полупромышленной мельнице в лабораторных условиях при варьировании шаровой нагрузки произведено измерение сигнала виброускорения, установленным на поверхности ее цапфы акселерометром. В результате обработки данного сигнала методами спектрального анализа сформирована обучающая выборка для нейронной сети (НС). Обученная на данной выборке НС смогла установить зависимость между сигналом виброускорения цапфы мельницы и степенью заполнения объекта рудным материалом. В опытах установлена большая нечувствительность предлагаемого метода к помехам, вносимыми изменением шаровой загрузки, для оценки уровня заполнения барабана по сравнению с методом обработки информации, лежащим в основе функционирования вибро-акустического анализатора.
Ключевые слова: степень заполнения мельницы, акселерометр, спектральный анализ, мельница мокрого самоизмельчения, виброускорение, нейронная сеть, обучение НС.
На сегодняшний день на горно-обогатительных предприятиях при переработке рудного материала в шаровых мельницах операторы испытывают определенные трудности при управлении данными агрегатами. Суть проблемы заключается в том, что оптимальный по удельному расходу энергоресурсов режим работы объекта состоит в максимально возможной загрузке барабана мельницы рудным материалом. В свою очередь, данный режим характеризуется тем, что объект
УДК 004.042, 622.73
при подаче в мельницу излишнего объема руды может перейти в состояние перегруза, которое сопровождается выносом из мельницы крупной (неизмельченной гали), шаров и приводит к необходимости аварийной остановки объекта. Как следствие, простой мельницы до устранения последствий перегруза ведет к существенным экономическим потерям предприятия. Чтобы избежать подобного негативного явления оператор мельницы вынужден работать в режиме недогруза. Как правило утверждается, что недогруз составляет 5—7%. Но, на самом деле, проверить данное обстоятельство не представляется возможным, и оператор чаще перестраховывается, чем пытается обеспечить 5% недогруза, вследствие чего объем недогруза может составлять 5—15%. При большой энергоемкости привода мельницы (3—4 МВт) даже лишние 5% выливаются в значительные суммы неэффективно потраченных энергоресурсов. В свою очередь повышение производительности даже на 1% может принести существенную экономическую прибыль предприятию.
Невозможность оптимально управлять мельницей является следствием отсутствия метода измерения, способного точно определять уровень заполнения мельницы, для того чтобы замкнуть контур управления по изменению ее загрузки.
В горнорудной промышленности известен способ измерения степени загрузки мельницы на основании анализа сигнала активной мощности, потребляемой синхронным двигателем мельницы. На практике данный способ дает весьма противоречивые результаты. Расход энергии связан со степенью заполнения мельницы дробящейся средой. С ростом степени заполнения мельницы дробящейся средой растет расход энергии на измельчение и достигает максимума при определенной степени заполнения. Но при дальнейшем увеличении степени заполнения мельницы расход энергии уменьшается, что не позволяет нам судить о дальнейшей загрузке мельницы.
Давно известны методы определения степени заполнения барабана мельницы на базе анализа сигналов звука, исходящего от вращающегося барабана и вибрации ее цапф. Существует промышленный прибор, такой как ВАЗМ-1 [1], в основе работы которого лежит анализ спектра получаемых сигналов. Однако для управления загрузкой данное устройство не используется, так как его показания не обеспечивают требуемую точность, необходимую для целей управления, а показывают лишь направление изменения объема рудной массы в барабане мельницы. Это происходит вследствие того, что процесс помола руды
достаточно сложен и многофакторен. На состояние спектра оказывают влияние твердость руды, объем и степень износа шаровой загрузки, механические составляющие зубчатых соединений узлов вращения барабана, Рис. 1. Установка для проведения ис- состояние брони мельницы следований и т.д. Вследствие указанных
причин спектр звука и вибрации процесса измельчения изменяется, что требует перенастройки параметров ВАЗМа. В реалиях производства подбором оптимальных параметров устройства не занимаются и работают на исходных настройках.
Целью данной работы является поиск нового, более эффективного метода обработки данного сигнала за счет применения современных интеллектуальных алгоритмов с возможным выявлением зависимостей, характеризующих процесс загрузки барабана мельницы.
Для осуществления поставленной цели был проведен эксперимент в лабораторных условиях. В качестве объекта исследования была использована полупромышленная шаровая мельница (рис. 1).
В качестве привода мельницы использовался электродвигатель КПА-563 У2 коллекторный постоянного тока с независимым возбуждением, подключенный к блоку питания со встроенным регулятором скорости. В качестве датчика получения сигнала виброускорения использовался вибропреобразователь общего назначения AP 2037 с осевой чувствительностью 10,1 мВ/g и частотным диапазоном 0,5...15 000 Гц. Данный датчик был установлен на цапфе мельницы. Сигнал с датчика AP 2037 поступал на 4-канальный, 24-разрядный модуль аналогового ввода Nationallnstruments NI 9234, имеющий четыре BNC коннектора для подключения четырех каналов аналогового ввода с одновременной оцифровкой сигналов. Данный модуль устанавливается в специальное шасси National Instruments cDAQ-9191, подключаемое к ПК при помощи USB интерфейса. Значение скорости вращения барабана мельницы было получено путем снятия сигнала с инкрементального энкодера Omron E6C2-CWZ5B, установленного на валу барабана мельницы. Сигнал с датчика поступал на контроллер Simatic S7-300
с установленным центральным процессором серии CPU 314C-2 DP.
Контроллер соединялся с ПК при помощи MPI—USB переходника Siemens PC Adapter USB. В качестве центра обработки сигналов использовался ПК с установленными на него пакетами WinCC, LabView и MatLab. Scada система WinCC использовалась для контроля скорости вращения барабана мельницы с целью обеспечения одинаковой скорости вращения барабана мельницы в каждом из опытов, так как промышленные объекты вращаются при помощи синхронных машин.
Оптимальной скоростью вращения барабана мельницы считается скорость, способная обеспечить водопадный режим работы объекта и ее значение составляет 75—80% от критической [2]. Исходя из этого, при проведении экспериментов задавалась скорость равная 84 об/мин, что составляет 80% от рассчитанной критической скорости для геометрических размеров полупромышленной мельницы.
Опыты заключались в том, что в барабан мельницы было загружено 8 кг шаров (опыт 1), что составляет 40% от полной загрузки мельницы, после чего с интервалом 400 г загружался рудный материал (опыт 2, 3, 4) до загрузки барабана мельницы 10,2 кг и с интервалом 200 г (опыт 5—12) до 2,8 кг, что ориентировочно составляет 50% загрузки барабана.
С целью проверки адекватности результатов разрабатываемого метода в условиях действия помех были проведены опыты с шумом. Для этого из мельницы выгружались 300 г шаров и проводились замеры на загрузке рудной массой от 2 кг до 2 кг 800 г с шагом 200 г.
При этом для каждого из указанных режимов производился съем сигнала виброускорения в течение 9 мин. Данные снимались с частотой 30 кГц и записывались в файл формата <name>.lvm.
Анализ снятых сигналов виброускорения показал, что производить оценку степени заполнения барабана только по амп-результатов и выявления закономерностей был проведен спектральный анализ полученных сигналов [3—4]. В качестве примера на рис. 2, а приведен спектр сигнала виброускорения цапфы полупромышленной мельницы при загрузке 2 кг рудной массы. Видно, что примерно половина спектра неинформативна, поэтому для дальнейших исследований выделялась составляющая спектра в диапазоне от 0 до 6,5 кГц (рис. 2 б).
Для сравнительного анализа эффективности предлагаемой методики относительно существующего алгоритма определе-
Рис. 2. Характеристики нейронной сети
ния загрузки мельницы воспроизведена методика обработки информации, аналогичная вычислениям в виброакустическом анализаторе (ВАЗМ). Для этого был сформирован критерий (2):
1 2
J = |Спектр виброускорения (/) • сС/,
(2)
где f — частота гармонической составляющей сигнала виброускорения цапфы мельницы, Спектр виброускорения(/) — амплитуда гармоники на частоте^ ^ — нижняя граница исследуемого частотного диапазона, ¥2 — верхняя граница исследуемого частотного диапазона.
Для заданного диапазона частот для каждого уровня загрузки мельницы для опытов с шумом и без были построены графики изменения критерия J в зависимости от загрузки барабана мельницы, представленные на рис. 3, а. На основании данных опыта без шума была построена линейная зависимость кри-
терия от загрузки относительно точек минимальной и максимальной загрузки, а затем по ней рассчитаны значения воспроизводимой загрузки относительно значений критерия в опытах с шумом. Тем самым моделировалась ситуация настройки системы по текущим параметрам с дальнейшим изменением условий работы объекта. При тестировании системы в условиях шума значение критерия J носит нелинейный характер. При этом существенно снизилась чувствительность метода, то есть при разном уровне загрузки рудой значение критерия изменяется незначительно, либо остается постоянным. Такая неопределенность в работе метода в реальных условиях производства может привести к перегрузу мельницы.
При разработке альтернативного метода определения загрузки мельницы возникли определенные трудности. В результате анализа литературных источников не удалось выявить методик обработки спектров нейронными сетями. Поэтому на первом этапе исследования была предпринята попытка подать весь спектр на НС, на выходе которой формировался бы сигнал загрузки мельницы. Опыты проводились в среде пакета Matlab на ЭВМ с процессором IntelCore i7 c частотой 3,4 ГГц и объемом оперативной памяти 8 Гб. Такой эксперимент «в лоб» был проведен и не увенчался успехом, поскольку не хватило вычислительной мощности системы. С целью сокращения структуры НС был снижен объем подаваемой на нее информации. Для
Зависимость критерия J от »грузди Зависимость загрузни от критерий J
1
Л 0.4 1 \.Ь 2 2Л Ь 'НО 30 60 60 70 90
Зегруод *г Критерии чШд
Рис. 3. Усредненные тренды сигналов виброускорения
этого спектр был усреднен по поддиапазонам по 0,09 Гц. Представленный на рис. 2, в график полученного сигнала состоит из 0,5-106 точек. Следует отметить, что данный способ усреднения сформировался в результате перебора различных значений числа точек усреднения.
Для исследования предлагаемого метода была использована радиально-базисная (РБФ) нейронная сеть. Она содержит один входной и один скрытый слой нейронов с радиально-ба-зисной функцией активации, число которых обычно соответствует числу элементов в обучающей последовательности, выходной слой состоит из одного нейрона с линейной функцией активации.
Данная сеть подверглась обучению, которое проводилось стандартными методами языка МаНаЬ, а именно функцией <newrbe> [5]. На входы подавались усредненные спектры сигналов виброускорения цапфы макета мельницы для различных режимов загрузки: от 0 кг до 2,8 кг с ранее указанным шагом, а в качестве целевых значений использовались соответствующие значения загрузки барабана. Работа сети на данных обучающей выборки представлена на рис. 4, а1. Видно, что данная выборка идеально воспроизводится с порядком ошибки 10-6 (рис. 4, а2).
После обучения на НС для тестирования были поданы входные данные которые были получены в опытах с шумом. Полученный график отработки НС представлен на рис. 4, 61), а отклонение от целевых значений на рис. 4, б2).
Так как опыт проводился с фиксированными шагами, то было известно какой объем руды находится в мельнице. На промышленном объекте провести подобный опыт практически невозможно, поэтому была предпринята попытка использовать минимальную обучающую выборку. Предложено использовать данные при чисто шаровой загрузке, их можно снять при пуске мельницы после ремонта; при максимально возможной загрузке, их можно снять при непосредственном контроле объекта машинистом мельницы с целью недопущения ее перегруза; при средней загрузке барабана мельницы, условно данное значение можно снять при среднем значении расхода руды в мельницу.
Результат работы нейронной сети, обученной на выборку состоящую из набора данных для трех уровней загрузки: 0, 1,8 кг, 2,8 кг представлен на рис. 4, в1. По уровню ошибки (рис. 4, в2) видно, что при ее увеличении относительно ошибки сети обученной на полной выборке (рис. 4, б2) аппроксимирующие
а) Работа РБФ сети на обучающей выборке
4 6
Номер опыта График ошибки
1 - 3 I -
¡2 «
со
2. __ 0.4
^
я
£ 0.2 г
о
б) Работа РБФ сети на тестовой выборке
.................... 1---целевая загрузка 2-работа РБФ сети
4 6 8
Номер опыта График ошибки
10
12
4 6 8
Номер опыта
4 6 8
Номер опыта
10
в) Работа РБФ сети на тестовой выборке при обучении на минимальной выборке
Номер опыта
Рис. 4. Отработка целевого вектора загрузки мельницы нейронной сетью
свойства сохранились и динамика загрузки передается без потери чувствительности, характерного для вибро-акустического анализа.
При сходных по абсолютному значению ошибках между реальной загрузкой и рассчитанными значениями по обоим методам характер изменения более точно выдерживается для НС подхода. То есть по результатам опытов можно утверждать, что НС подход способен обеспечить нечувствительность к 3,75% изменению шаровой загрузки. Для промышленной мельницы этого достаточно, так как подгружают шары в режиме реального времени по одному кюбелю, масса шаров в котором составляет 6—7 т — 2,6% от шаровой загрузки мельницы, составляющей ориентировочно 270 т.
По результатам опытов можно сделать вывод о том, что нейронные сети возможно применять для обработки сигнала виброускорения с целью выявления зависимости между изменением его спектра и уровнем загрузки шаровой мельницы. Также прозрачным является дальнейшее направление исследований, которое будет заключаться в оптимизации как структуры НС, так и, что более важно, поиске наиболее информативных областей в спектре сигнала виброускорения, характеризующих уровень загрузки барабана, с целью снижения погрешности формируемого нейронной сетью выходного сигнала.
СПИСОК ЛИТЕРАТУРЫ
1. Улитенко К.Я., Маркин Р.П., Соколов И.В. Виброакустический анализ процессов дробления и измельчения на горно-обогатительных предприятиях. Горный журнал. — 2009. — № 10 — С. 72—76.
2. Андреев С.Е. Дробление, измельчение и грохочение полезных ископаемых. — М.: Недра, 1980. — 320 с.
3. Без паники! Цифровая обработка сигналов. / Юкио Сато: пер. с яп. Селиной Т.Г. — М.:Додэка-ХХ1, 2010. —176 с.: ил. — Доп. тит. л. яп.
4. Пожарский Ю.М., Полещенко Д.А., Подковыров И.Ю. Определение степени заполнения мельницы мокрого самоизмельчения с применением беспроводных технологий // Горный журнал. — 2013. — № 2. - С. 115-118.
5. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. Синтез системы управления чашевым окомкователем с нейросетевой надстройкой и оценка ее эффективности относительно шаговой системы экстремального управления // Мехатроника. Автоматизация. Управление. — 2011. — № 10. — С. 56—61. ЕШ
КОРОТКО ОБ АВТОРАХ
Еременко Юрий Иванович — доктор технических наук, Полещенко Дмитрий Александрович — кандидат технических наук,
Глущенко Антон Игоревич — кандидат технических наук, Пожарский Юрий Михайлович — кандидат технических наук, Старооскольский технологический институт им. А.А. Угарова (филиал), НИТУ «МИСиС» (СТИ НИТУ «МИСиС»), e-mail: 451222@sf-misis.ru.
Yu.I. Eremenko, D.A. Poleshchenko, A.I. Glushchenko, Yu.M. Pozharskiy
ABOUT THE OPPORTUNITY OF WET SELF-GRINDING MILL FILLING DEGREE EVALUATION AS A RESULT OF NEURAL NETWORK SPECTRUM ANALYSIS OF ITS PIN VIBROACCELERATION SIGNAL
The question about modern intelligent information processing methods usage for ball mill filling degree evaluation is considered. Vibroacceleration signal has been measured on a semi-industrial mill for that purpose under the conditions of different ball loading. It is made with accelerometer, attached to a mill pin. A training set for a neural network is formed with the help of spectral analysis methods, applied to the obtained signal. Trained neural network is able to find the correlation between mill pin vibroacceleration signal and mill filling degree. It is found that the neural network is much more insensitive to noise disturbance, caused by ball loading change, for ball mill filling estimation in comparison with vibro-acoustic analyzer.
Key words: mill feeling degree, acceleration gage, spectral analysis, wet self-grinding mill, vibroacceleration, neural network, neural network training.
AUTHORS
Eremenko Yu.I}, Doctor of Technical Sciences, Poleshchenko D.A.1, Candidate of Technical Sciences, Glushchenko A.I.1, Candidate of Technical Sciences, Pozharskiy Yu.M.1, Candidate of Technical Sciences, 1 Stary Oskol Technological Institute named after A.A. Ugarov, National University of Science and Technology «MISiS» branch, 309530, Stary Oskol, Russia, e-mail: 451222@sf-misis.ru.
REFERENCES
1. Ulitenko K.Ya., Markin R.P., Sokolov I.V. Gornyy zhurnal. 2009, no 10, pp. 72-76.
2. Andreev S.E. Droblenie, izmel'chenie igrokhocheniepoleznykh iskopaemykh (Mineral crushing, grinding and screening), Moscow, Nedra, 1980, 320 p.
3. Bezpaniki! Tsifrovaya obrabotka signalov. Yukio Sato, per. s yap. Selinoy T.G. (Don't panic. Digital processing of signals. Yukio Sato, translation from Japanese T.G. Selina), Moscow, Dodeka-XXI, 2010, 176 p.
4. Pozharskiy Yu.M., Poleshchenko D.A., Podkovyrov I.Yu. Gornyy zhurnal, 2013, no 2, pp. 115-118.
5. Eremenko Yu.I., Poleshchenko D.A., Glushchenko A.I. Mekhatronika. Avtomati-zatsiya. Upravlenie. 2011, no 10, pp. 56-61.
UDC 004.042, 622.73
