高壓輥磨運(yùn)行工況識(shí)別算法研究

李明宇 張丹威

(1.撫順罕王傲牛礦業(yè)股份有限公司,遼寧 撫順 113125;2.流程工業(yè)綜合自動(dòng)化國(guó)家重點(diǎn)實(shí)驗(yàn)室,遼寧 沈陽(yáng) 110000)

高壓輥磨屬于礦山重型裝備[1],位于碎磨工藝流程中中碎或細(xì)碎環(huán)節(jié)。高壓輥磨的粉碎機(jī)理主要是料層粉碎,主要參數(shù)包括物料參數(shù)、設(shè)備參數(shù)和工藝參數(shù)等,工況變化也比較復(fù)雜。傳統(tǒng)高壓輥磨運(yùn)行工況主要依靠人工經(jīng)驗(yàn)進(jìn)行判斷,并未結(jié)合高壓輥磨的機(jī)理分析以及運(yùn)行過(guò)程數(shù)據(jù)[2]對(duì)其運(yùn)行工況進(jìn)行分析。高壓輥磨運(yùn)行所產(chǎn)生的高維過(guò)程數(shù)據(jù)在處理過(guò)程中面臨容易陷入維數(shù)災(zāi)難等問(wèn)題,導(dǎo)致無(wú)法對(duì)過(guò)程數(shù)據(jù)進(jìn)行有效的分析與利用。故選擇有效的方法對(duì)引起高壓輥磨運(yùn)行工況變化的過(guò)程數(shù)據(jù)進(jìn)行特征提取進(jìn)而實(shí)時(shí)準(zhǔn)確地對(duì)其運(yùn)行工況進(jìn)行識(shí)別就顯得十分迫切。

在機(jī)理分析方面,YU等[3]通過(guò)離散元法對(duì)高壓輥磨進(jìn)行機(jī)理分析進(jìn)而完成其承載能力的分析。BARRIOS等[4]利用離散元法和多體動(dòng)力學(xué)耦合建立高壓輥磨的動(dòng)力學(xué)的基本模型,為高壓輥磨的機(jī)理分析建立基礎(chǔ)。LIM等[5]通過(guò)分析輥速和輥面形貌等機(jī)理特性完成對(duì)高壓輥磨性能造成影響的因素分析。但機(jī)理分析只能得到相應(yīng)的物理機(jī)理變量,并不能從海量過(guò)程數(shù)據(jù)中發(fā)掘出對(duì)運(yùn)行工況產(chǎn)生影響的過(guò)程變量。

在數(shù)據(jù)建模技術(shù)領(lǐng)域,如文獻(xiàn)[6]利用PSO算法完成煉鋼過(guò)程數(shù)據(jù)模型預(yù)測(cè),但依然存在后期收斂性能不足的問(wèn)題;文獻(xiàn)[7]利用BA算法完成流程工業(yè)中服務(wù)器可持續(xù)分配任務(wù),不過(guò)依然存在收斂精度不高的問(wèn)題;文獻(xiàn)[8]利用GWO算法有效地解決了多目標(biāo)調(diào)度問(wèn)題,但初始種群的問(wèn)題并沒(méi)有得到解決。2017年S.Mirjalili等[9]模仿樽海鞘群覓食提出樽海鞘群算法(Salp Swarm Algorithm,SSA),通過(guò)領(lǐng)導(dǎo)者與跟隨者位置去尋找食物,故領(lǐng)導(dǎo)者與跟隨者位置更新是其尋優(yōu)精度不高的最直接的原因。這些啟發(fā)式仿生學(xué)優(yōu)化算法的提出雖然能有效地解決大規(guī)模優(yōu)化問(wèn)題,但都存在易陷入局部最優(yōu)解,收斂精度不高等問(wèn)題。

針對(duì)以上問(wèn)題,本文提出一種基于優(yōu)化算法的高壓輥磨運(yùn)行過(guò)程工況識(shí)別方法。首先,通過(guò)對(duì)高壓輥磨自身機(jī)理進(jìn)行分析,得出高壓輥磨機(jī)壓力、頻率等對(duì)高壓輥磨工況有影響的物理機(jī)理變量;其次對(duì)高壓輥磨運(yùn)行過(guò)程數(shù)據(jù)進(jìn)行分析并構(gòu)建過(guò)程數(shù)據(jù)相關(guān)性目標(biāo)函數(shù);最后利用高斯-柯西變異算子優(yōu)化樽海鞘群算法(gaussian-cauchy mutation Salp Swarm Algorithm,gcSSA)對(duì)建立的目標(biāo)函數(shù)進(jìn)行求解,高斯-柯西變異概率機(jī)制可以使樽海鞘群的領(lǐng)導(dǎo)者與跟隨者在迭代尋優(yōu)時(shí)種群分布更加合理同時(shí)提高算法后期收斂速度,防止陷入局部最優(yōu),快速準(zhǔn)確地找出隱藏在高維過(guò)程數(shù)據(jù)中對(duì)高壓輥磨工況變化造成影響的最優(yōu)過(guò)程數(shù)據(jù)特征子集。最后利用高壓輥磨實(shí)際工業(yè)生產(chǎn)數(shù)據(jù)對(duì)本文算法進(jìn)行驗(yàn)證。

1 過(guò)程分析

流程工業(yè)具有典型的工序連接性[10],因此高壓輥磨發(fā)生異常時(shí)不僅會(huì)導(dǎo)致本工序生產(chǎn)節(jié)奏紊亂,而且會(huì)導(dǎo)致上游給料以及下游出料系統(tǒng)生產(chǎn)停頓,進(jìn)而導(dǎo)致整個(gè)生產(chǎn)流程都會(huì)受到影響,造成大量的經(jīng)濟(jì)、時(shí)間成本的流失。故如何從海量過(guò)程數(shù)據(jù)中選出簡(jiǎn)單有效的過(guò)程數(shù)據(jù)特征完成對(duì)高壓輥磨工況預(yù)測(cè)對(duì)提高整個(gè)生產(chǎn)流程的效率至關(guān)重要。針對(duì)此問(wèn)題本文整體研究思路流程如圖1所示。下文分別對(duì)機(jī)理分析和數(shù)據(jù)驅(qū)動(dòng)、過(guò)程數(shù)據(jù)分析和目標(biāo)函數(shù)的建立過(guò)程進(jìn)行說(shuō)明,以及說(shuō)明建立的目標(biāo)函數(shù)求解模型樽海鞘群算法在高壓輥磨過(guò)程數(shù)據(jù)特征提取的思路及出現(xiàn)的問(wèn)題。

圖1 本文研究思路流程Fig.1 Flow chart of research in this paper

1.1 機(jī)理分析

高壓輥磨工作原理如圖2所示。高壓輥磨物料的粉碎主要通過(guò)兩個(gè)同步相向旋轉(zhuǎn)的擠壓輥完成,其中一個(gè)是與機(jī)架固定在一起的定輥,另一個(gè)是在一定范圍內(nèi)做水平移動(dòng)的動(dòng)輥。送料裝置中的物料受自身重力作用或強(qiáng)制喂料裝置向下移動(dòng),當(dāng)移動(dòng)到兩輥間的擠壓區(qū)時(shí),物料隨擠壓力的逐漸增大而被粉碎并被壓成餅,之后從出料口排出。

圖2 高壓輥磨機(jī)工作原理Fig.2 Working principle of high-pressure grinding roll

根據(jù)進(jìn)出物料平衡原理可得高壓輥磨單位時(shí)間處理量g為[11]:

式中,k為常數(shù),α為動(dòng)輥圓心角,ρ(α)為物料密度,S(α)為輥隙,L和V分別為輥長(zhǎng)度與輥速。由式(1)可以得出在出料口處的處理量為:

式中,ω為α=0時(shí)的物料密度,S(0)為α=0時(shí)輥隙大小。當(dāng)物料輸入進(jìn)來(lái)時(shí),受到兩輥擠壓的作用將物料粉碎,此時(shí)擠壓力F可以表示為:

式中,Rp為兩輥的工作壓力值,D為輥直徑。由于兩輥在擠壓物料時(shí)受到的擠壓力承受面為動(dòng)定輥兩面,因此兩輥承受的擠壓力與速度共同表征高壓輥磨在工作時(shí)的功率,如下式所示:

式中,U和I分別表示高壓輥磨工作時(shí)電壓與電流大小且電壓恒定。因此通過(guò)式(1)～(4)可知,影響高壓輥磨動(dòng)輥和定輥電流發(fā)生變化的物理機(jī)理因素主要有壓力和輥隙。

1.2 過(guò)程數(shù)據(jù)相關(guān)性分析

以實(shí)際選礦廠(chǎng)高壓輥磨生產(chǎn)過(guò)程數(shù)據(jù)為研究對(duì)象,過(guò)程數(shù)據(jù)主要包括高壓輥磨動(dòng)輥和定輥壓力、動(dòng)輥和定輥輥縫、固定端進(jìn)料閥門(mén)開(kāi)度、活動(dòng)端進(jìn)料閥門(mén)開(kāi)度、動(dòng)輥頻率、定輥頻率、動(dòng)輥電流、定輥電流等20多維數(shù)據(jù)。構(gòu)建過(guò)程數(shù)據(jù)與工況變化之間相應(yīng)的量化關(guān)系,完成對(duì)過(guò)程數(shù)據(jù)的特征提取。因此原始過(guò)程數(shù)據(jù)可由矩陣H表示:

式中m＞n,m表示輸入數(shù)據(jù)的采樣點(diǎn)數(shù),n表示輸入數(shù)據(jù)的維數(shù),最后兩列為表征工況變化的輸出數(shù)據(jù)動(dòng)輥電流和定輥電流。

通過(guò)對(duì)輸入輸出數(shù)據(jù)之間的相關(guān)性分析,建立數(shù)據(jù)相關(guān)性模型如下:輸入數(shù)據(jù)X=[x1x2…xn-2],X∈Hm×n,n向量代表輸入數(shù)據(jù)的維數(shù),m向量代表采樣點(diǎn)數(shù);輸出數(shù)據(jù)Y=[xn-1xn],Y∈Hm×n。 首先利用 Pearson相關(guān)系數(shù)[12]建立輸入數(shù)據(jù)X和輸出數(shù)據(jù)Y之間的線(xiàn)性相關(guān)性:

由于Pearson相關(guān)系數(shù)在多輸出變量中選出的輸入變量的相關(guān)性的不確定性,因此單一的Pearson相關(guān)系數(shù)無(wú)法滿(mǎn)足多輸出的輸入選擇。在概率論和信息論中,兩個(gè)隨機(jī)變量的互信息(Mutual Information,MI)[13]是變量間相互依賴(lài)性的量度,且不局限于實(shí)值隨機(jī)變量。建立輸入數(shù)據(jù)X和輸出數(shù)據(jù)Y之間的互信息關(guān)系:

由式(6)和式(7)分別計(jì)算輸入數(shù)據(jù)與輸出數(shù)據(jù)的Pearson相關(guān)系數(shù)Peari,j和互信息值I(i,j)。由式(6)和式(7)對(duì)Pearson相關(guān)系數(shù)和互信息之間的概率進(jìn)行加權(quán):

式中,γ是取值在0到1之間的任意數(shù)。由式(8)得出一種加權(quán)的特征貢獻(xiàn)度[14]目標(biāo)函數(shù)作為對(duì)高壓輥磨過(guò)程數(shù)據(jù)目標(biāo)函數(shù):

其值越大說(shuō)明特征越重要。

2 目標(biāo)函數(shù)求解建模

由于仿生學(xué)中元啟示智能優(yōu)化算法對(duì)優(yōu)化問(wèn)題求解有著操作簡(jiǎn)單、求解精度高等特點(diǎn)。陳忠云等[15]利用多子群的共生非均勻高斯變異增強(qiáng)了SSA算法的探索能力。M.A.Elaziz等[16]利用差分進(jìn)化算法的算子提高樽海鞘群局部搜索能力,提高了其對(duì)特征參數(shù)的挖掘能力。K.Gholami等[17]將突變機(jī)制引入SSA算法中提高種群的多樣性使其能夠快速地跳出局部極小值。M.H.Qais等[18]利用平方指數(shù)更新領(lǐng)導(dǎo)者位置,使算法收斂速度得到提升。因此本文采用樽海鞘群算法(SSA)對(duì)目標(biāo)函數(shù)進(jìn)行求解。

2.1 傳統(tǒng)樽海鞘群算法

傳統(tǒng)樽海鞘群是以鏈狀結(jié)構(gòu)組成,鏈的前端領(lǐng)頭的樽海鞘稱(chēng)為領(lǐng)導(dǎo)者,領(lǐng)導(dǎo)者之后的樽海鞘稱(chēng)為跟隨者。具體算法求解步驟如下:

第一步,首先要對(duì)樽海鞘鏈在有限的上下界空間內(nèi)進(jìn)行初始化:

式中,i∈N,j∈S,N為樽海鞘初始種群規(guī)模,S為算法空間維度,ub和lb分別為樽海鞘有限空間內(nèi)搜索的上下界;

第二步,確定適應(yīng)度函數(shù)值;通過(guò)目標(biāo)函數(shù)計(jì)算得出樽海鞘適應(yīng)度函數(shù)值;

第三步,通過(guò)對(duì)第二步計(jì)算得出的適應(yīng)度函數(shù)值進(jìn)行排序,最優(yōu)的適應(yīng)度函數(shù)值即為樽海鞘食物源位置;

第四步,將樽海鞘鏈一分為二,種群前N/2個(gè)樽海鞘定義為領(lǐng)導(dǎo)者,種群后N/2個(gè)樽海鞘定義為跟隨者;

第五步,對(duì)第四步確定的領(lǐng)導(dǎo)者位置進(jìn)行更新,如式(11)所示:

式中,Xi,j(t)為迭代次數(shù)t時(shí)的領(lǐng)導(dǎo)者i在j維空間的位置,Food(j)為食物源在j維空間的位置,c2和c3是取值在0和1之間的隨機(jī)數(shù)。c1與迭代次數(shù)有關(guān),如式(12)所示:

式中,max(t)為最大迭代次數(shù),m為大于0的實(shí)數(shù)。由上式可以看出當(dāng)?shù)螖?shù)增加時(shí)c1呈遞減趨勢(shì);

第六步,跟隨者樽海鞘位置更新公式為:

式中,Xi,j(t-1)和Xi-1,j(t-1)分別為上一迭代時(shí)刻跟隨者和上一代跟隨者位置;

第七步,對(duì)第五步和第六步得到的領(lǐng)導(dǎo)者和跟隨者位置在每一維做相應(yīng)的邊界處理,再利用更新后的最優(yōu)的樽海鞘位置對(duì)食物源位置進(jìn)行更新;

第八步,判斷當(dāng)前輸出結(jié)果是否滿(mǎn)足迭代次數(shù),若滿(mǎn)足返回第四步繼續(xù)更新迭代;若迭代次數(shù)達(dá)到max(t),輸出相應(yīng)的結(jié)果。

2.2 高斯-柯西變異樽海鞘群算法(gcSSA)

高斯變異(Gaussian Mutation)[19]經(jīng)常被用來(lái)對(duì)優(yōu)化算法中重點(diǎn)搜索區(qū)域提高局部搜索性能的一種高效變異方法,可以有效地提高算法的后期收斂速度,但不利于算法的全局收斂性能。高斯變異定義公式為:

式中,G(0,1)為標(biāo)準(zhǔn)高斯分布。

柯西變異(Cauchy Mutation)[20]的概率密度函數(shù)具有兩翼分布的特點(diǎn),使得優(yōu)化算法更容易跳出局部最優(yōu)解,增加全局搜索性能?？挛髯儺惗x公式為:

式中,C(0,1)為標(biāo)準(zhǔn)柯西概率分布。

綜合高斯變異和柯西變異得出高斯-柯西變異公式:

將高斯-柯西變異引入領(lǐng)導(dǎo)者更新公式中,提高種群的多樣性。改進(jìn)后的領(lǐng)導(dǎo)者更新公式為:

式中,Food(j)為上一代樽海鞘食物源位置;在樽海鞘跟隨者位置同樣引入高斯-柯西變異算子,結(jié)合式(16)和式(17)可以得出跟隨者變異更新公式為:

采用高斯-柯西變異增加樽海鞘種群的多樣性提高算法局部搜索能力、跳出局部最優(yōu)解的限制,提升算法后期收斂速度,提高算法優(yōu)化結(jié)果的準(zhǔn)確性。

3 仿真分析

為了驗(yàn)證本文所提方法尋優(yōu)能力的有效性與準(zhǔn)確性,選擇了CEC-2017中6個(gè)基準(zhǔn)函數(shù)做仿真對(duì)比試驗(yàn)分析驗(yàn)證。6個(gè)基準(zhǔn)函數(shù)特征包含單峰(unimodal)、多峰(multimodal)、可分(separable)和不可分(non-separable)等不同特征。本仿真分析實(shí)驗(yàn)采用6組對(duì)比實(shí)驗(yàn)進(jìn)行算法驗(yàn)證,包括文獻(xiàn)[9]所提原始樽海鞘群算法(SSA)、高斯變異樽海鞘群算法(gSSA)、柯西變異樽海鞘群算法(cSSA)、文獻(xiàn)[15]所提多種群高斯變異樽海鞘群算法(msnSSA)、文獻(xiàn)[16]所提一種變異樽海鞘群算法(mSSA)以及本文所提高斯-柯西變異樽海鞘群算法(gcSSA)。如表1所示即為本次仿真實(shí)驗(yàn)所選6個(gè)基準(zhǔn)函數(shù)對(duì)應(yīng)的表達(dá)式及其相應(yīng)的參數(shù)設(shè)置。

表1 仿真分析函數(shù)及其參數(shù)Table 1 Simulation analysis function and parameters

從表1可知,所選基準(zhǔn)函數(shù)滿(mǎn)足一般函數(shù)的特性。6個(gè)基準(zhǔn)函數(shù)仿真實(shí)驗(yàn)迭代次數(shù)均為1 000次,初始種群個(gè)數(shù)均為30個(gè),其中維度也均為10維。文獻(xiàn)[15]所提msnSSA方法中提出樽海鞘群算法冪系數(shù)值為2.5時(shí),樽海鞘群算法可以達(dá)到最好的開(kāi)發(fā)狀態(tài),尋優(yōu)能力也最強(qiáng),因此本文設(shè)定c1的冪系數(shù)值取2.5,6個(gè)基準(zhǔn)函數(shù)優(yōu)化算法收斂結(jié)果及仿真實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 基準(zhǔn)函數(shù)優(yōu)化算法的收斂性Fig.3 Convergence of benchmark function optimization algorithm

從圖3可以看出,文獻(xiàn)[15]所提msnSSA算法和文獻(xiàn)[16]所提mSSA算法在迭代后期無(wú)法達(dá)到較好收斂和尋優(yōu)精度,本文所提算法卻可以達(dá)到較好收斂和尋優(yōu)精度,且相對(duì)于msnSSA算法和mSSA算法本文所提算法的尋優(yōu)精度表現(xiàn)出更好的性能。F6在迭代次數(shù)為600～700時(shí)本文所提算法和文獻(xiàn)[15]算法雖然尋優(yōu)精度都達(dá)到理論最優(yōu)值0,但是本文所提算法相比于文獻(xiàn)[15]算法可以更快地達(dá)到理論最優(yōu)值,而其他算法在前期和后期都出現(xiàn)不同程度的停滯。綜上所述,本文所提算法針對(duì)6個(gè)基準(zhǔn)函數(shù)的仿真實(shí)驗(yàn)均表明了較高的收斂性和尋優(yōu)精度,表2為6個(gè)基準(zhǔn)函數(shù)仿真最優(yōu)值結(jié)果。

表2 基準(zhǔn)函數(shù)仿真最優(yōu)值Table 2 Optimal value of benchmark function simulation

對(duì)于表2中的最優(yōu)值可以從數(shù)據(jù)上反映算法的收斂精度和尋優(yōu)能力?？梢?jiàn)本文所提gcSSA算法在求解單峰、多峰、可分以及不可分基準(zhǔn)函數(shù)時(shí)都有明顯的優(yōu)勢(shì),且可以達(dá)到較高的收斂速度和尋優(yōu)精度。

4 工程實(shí)驗(yàn)驗(yàn)證

通過(guò)以上仿真實(shí)驗(yàn)驗(yàn)證了本文所提算法在收斂精度和尋優(yōu)能力的有效性。因此將本文所提算法對(duì)選礦工業(yè)中高壓輥磨過(guò)程實(shí)際工業(yè)生產(chǎn)數(shù)據(jù)所建立的目標(biāo)函數(shù)進(jìn)行尋優(yōu),用來(lái)提取相應(yīng)的高壓輥磨過(guò)程參數(shù)的特征。目標(biāo)函數(shù)優(yōu)化算法的收斂性結(jié)果如圖4所示。

圖4 目標(biāo)函數(shù)優(yōu)化算法的收斂性Fig.4 Convergence of objective function optimization algorithm

從圖4可以看出,本文所提gcSSA算法在迭代前期收斂性能相比于mSSA和msnSSA表現(xiàn)性能略差,但在迭代后期對(duì)比其他方法依然表現(xiàn)出很好的收斂能力與收斂精度。

4.1 過(guò)程數(shù)據(jù)特征提取

針對(duì)上節(jié)對(duì)高壓輥磨生產(chǎn)過(guò)程所建立的目標(biāo)函數(shù)進(jìn)行優(yōu)化結(jié)果的分析,對(duì)所有的高壓輥磨生產(chǎn)過(guò)程中產(chǎn)生的過(guò)程變量進(jìn)行分析,選出如表3所示的高壓輥磨過(guò)程數(shù)據(jù)變量作為最優(yōu)的特征選擇。

表3 高壓輥磨工況識(shí)別最優(yōu)特征變量Table 3 Optimal characteristic variables for working condition identification of high-pressure grinding roll

4.2 結(jié)果驗(yàn)證

該部分實(shí)驗(yàn)用于驗(yàn)證本文所提特征選擇方法在高壓輥磨工況預(yù)測(cè)中的有效性。同時(shí),對(duì)比文獻(xiàn)[15]msnSSA和文獻(xiàn)[16]mSSA改進(jìn)樽海鞘群算法在高壓輥磨工況預(yù)測(cè)中特征提取的準(zhǔn)確性。本實(shí)驗(yàn)數(shù)據(jù)來(lái)源于實(shí)際磨礦生產(chǎn)中的CLM系列高壓輥磨機(jī),總共選擇800組數(shù)據(jù)。針對(duì)提取到的特征數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡(luò)對(duì)高壓輥磨工況進(jìn)行預(yù)測(cè),其中實(shí)驗(yàn)訓(xùn)練樣本為600組數(shù)據(jù),100組為驗(yàn)證集,測(cè)試樣本100組。實(shí)驗(yàn)結(jié)果如圖5、圖6所示,同時(shí)統(tǒng)計(jì)出表征高壓輥磨運(yùn)行工況的動(dòng)定輥電流預(yù)測(cè)準(zhǔn)確率結(jié)果如表4所示。

圖5 gcSSA特征選擇高壓輥磨動(dòng)輥工況預(yù)測(cè)Fig.5 GCSSA feature selection high-pressure grinding roll working condition prediction

圖6 gcSSA特征選擇高壓輥磨定輥工況預(yù)測(cè)Fig.6 GCSSA feature selection high-pressure grinding roll fixed roll condition prediction

表4 高壓輥磨工況預(yù)測(cè)準(zhǔn)確率Table 4 Prediction accuracy of working conditions of high-pressure grinding roll

在gcSSA特征選擇驗(yàn)證實(shí)驗(yàn)中,工況預(yù)測(cè)精度達(dá)到95.25%和94.60%。相比文獻(xiàn)[15]和文獻(xiàn)[16]特征選擇結(jié)果,gcSSA特征選擇的結(jié)果在工況預(yù)測(cè)實(shí)驗(yàn)中有明顯優(yōu)勢(shì),說(shuō)明gcSSA對(duì)目標(biāo)函數(shù)優(yōu)化精度更高,有力地證明了本文所提算法在特征選擇過(guò)程中的有效性。

5 結(jié) 論

在傳統(tǒng)樽海鞘群算法(SSA)的基礎(chǔ)上,提出一種新的、簡(jiǎn)單、精確的優(yōu)化算法高斯-柯西變異樽海鞘群算法(gcSSA)完成對(duì)高壓輥磨過(guò)程數(shù)據(jù)的特征提取工作,并通過(guò)提取到的高壓輥磨過(guò)程數(shù)據(jù)特征有效地對(duì)表征高壓輥磨運(yùn)行工況變量參數(shù)做出預(yù)測(cè)。仿真結(jié)果表明,gcSSA的優(yōu)化性能不僅優(yōu)于傳統(tǒng)SSA算法且對(duì)于其他改進(jìn)算法也表現(xiàn)出較強(qiáng)的優(yōu)越性。最后利用本文所提方法對(duì)高壓輥磨實(shí)際生產(chǎn)過(guò)程數(shù)據(jù)進(jìn)行特征提取,結(jié)果表明本文方法不僅能有效提取到機(jī)理分析所得到的參數(shù)變量,同時(shí)也提取到了生產(chǎn)過(guò)程的數(shù)據(jù)變量,最終利用上述提取到的過(guò)程數(shù)據(jù)特征完成對(duì)高壓輥磨運(yùn)行的工況預(yù)測(cè)與識(shí)別工作,且可以達(dá)到較高的準(zhǔn)確率。在以后的工作中,本文所提算法可以作為一種工況識(shí)別工具,完成對(duì)流程工業(yè)中其他重要設(shè)備的工況識(shí)別與預(yù)測(cè)工作。