EEMD+iPLS：球磨机负荷参数的非线性集成建模

本文探讨了一种创新的球磨机负荷参数集成建模方法，该方法主要基于集合经验模态分解（EEMD）和区间偏最小二乘（iPLS）技术。在当前的研究背景下，传统的球磨机负荷测量模型往往依赖于线性平稳性的假设，这在实际非线性和非平稳的工作条件下可能并不适用。因此，研究人员针对这些问题提出了新的解决方案。 EEMD是一种自适应信号分解技术，它通过分解振动和振声信号，能够捕捉到反映球磨机负荷参数变化的本征模态函数（IMFs），这些IMFs能够提供非线性和非平稳信号的精细特征信息。非线性分析对于理解复杂的磨机工作过程至关重要，因为它能够揭示潜在的非线性关系和动态行为。 接下来，iPLS技术被用于处理这些IMFs的频谱特征。iPLS作为一种区间偏最小二乘方法，可以有效地剔除频谱中的不相关和冗余成分，提取出更为精确和重要的特征，从而提高模型的稳定性和泛化能力。这种方法对于降低噪声干扰，增强模型预测性能具有重要作用。 本文结合时域电流信号，构建了随机向量泛函连接网络（RVFL）集成模型，这是一种将多个基础模型（如RVFL）的输出进行加权平均的方式，以获得磨矿浓度、填充率和料球比这三个关键的球磨机负荷参数的估计值。这种集成策略允许模型融合多源信息，提升整体预测精度。 通过实验球磨机数据的仿真验证，本文的方法展示了其在实际应用中的有效性。这种方法不仅克服了传统模型的局限性，还展示了在复杂工业环境中进行有效参数预测的能力。这项研究为球磨机负荷参数的精确监测和控制提供了新的科学依据和技术支持，对于提升磨矿行业的效率和设备维护具有重要意义。 关键词：球磨机负荷，集合经验模态分解（EEMD），特征选择，集成模型，区间偏最小二乘（iPLS），随机向量泛函链接网络（RVFL）。该研究不仅对理论上有深入贡献，也对实际工业操作有着深远的应用价值。