磨音影响因素分析与磨机负荷检测方法综述

金属矿山 ›› 2015, Vol. 44 ›› Issue (02): 139-144.

磨音影响因素分析与磨机负荷检测方法综述

杨志刚¹，张杰^2,3，李艳姣^2,3

1.河北联合大学电气工程学院，河北唐山 063009；2.北京科技大学自动化学院，北京 100083；3.钢铁流程先进控制教育部重点实验室，北京 100083

出版日期:2015-02-15 发布日期:2015-07-29
基金资助:
* 河北省自然科学基金项目（编号：F2010000972）。

Mill Sounds′ Influence Factors Analysis and Mill Load Detection Methods Review

Yang Zhigang¹，Zhang Jie^2,3，Li Yanjiao^2,3

1.College of Electrical Engineering，Hebei United University，Tangshan 063009，China；2．College of Automation & Electrical Engineering，University of Science and Technology Beijing，Beijing 100083，China；3．Key Laboratory of Advanced Control of Iron and Steel Process，Ministry of Education，Beijing 100083，China

Online:2015-02-15 Published:2015-07-29

摘要/Abstract

摘要： 介绍了磨机负荷与磨音、磨机电流的关系，简述了球磨机的发声机理，分析了球磨机填充率、筒体转速以及钢球大小等因素对磨音的影响，归纳总结了近年来磨机负荷的检测方法：基于数学模型的软测量方法、磨音法、振动法、功率法、超声波方法和基于神经网络的方法。最后指出多种测量技术融合、采用在线软测量技术及提高磨音电耳的抗噪声性能将是今后磨机负荷的检测发展方向。

关键词: 磨机负荷, 磨音, 软测量, 神经网络

Abstract: The relationship between mill load，mill sound and mill current is introduced.The sound mechanism of ball mill is briefly described.The influence of filling rate，rotating speed of cylinder and ball size on mill sound analyzed.Detection methods of mill load，soft measurement based on mathematical mode and classifying，mill sound method，vibration method，power method，ultrasonic method and neural network method，is reviewed respectively.Finally， the development direction in mill load detection will be multi-measurement integrated technology，on-line soft measurement technology，the anti-noise performance increasing.

Key words: Mill load, Mill sound, Soft measurement, Neural network

杨志刚, 张杰, 李艳姣. 磨音影响因素分析与磨机负荷检测方法综述[J]. 金属矿山, 2015, 44(02): 139-144.

YANG Zhi-Gang, ZHANG Jie, LI Yan-Jiao. Mill Sounds′ Influence Factors Analysis and Mill Load Detection Methods Review[J]. Metal Mine, 2015, 44(02): 139-144.

[1]	郑伦川, 梁新元, 袁乖宁. 基于集成神经网络和改进极限学习机的矿井移动机器人故障检测[J]. 金属矿山, 2024, 53(6): 159-.
[2]	徐志华, 杨　旭, 孙钱程, 何钰铭, 张国栋, 叶义成. 基于多变量自优化动态神经网络的“ 阶跃型” 滑坡变形预测[J]. 金属矿山, 2024, 53(3): 74-.
[3]	姜　燕, 连　晗, 席东河. 地表沉陷预测的改进BP 神经网络模型[J]. 金属矿山, 2024, 53(2): 205-.
[4]	聂雅琳, 王海军, 石念峰, 刘保罗. 融合深度卷积神经网络和Swin Transformer 的露天矿遥感图像超分辨率重建[J]. 金属矿山, 2024, 53(12): 240-.
[5]	苗作华, 陈澳光朱良建赵成诚刘代文. 基于自适应CKF的改进LANDMARC井下定位算法研究[J]. 金属矿山, 2024, 53(01): 158-164.
[6]	江松, 孔若男, 李鹏程, 卢才武, 章赛, 李萌. 融合 Swin Transformer 与 CNN 的露天矿车前障碍物智能检测算法[J]. 金属矿山, 2023, 52(05): 228-236.
[7]	李如仁孙加瑶. 融合 SBAS-InSAR 与 GS-LSTM 的尾矿库沉降监测与预测[J]. 金属矿山, 2023, 52(01): 102-109.
[8]	杨梅, 陈勇, 周皓, 梁雅琪, 杨金凤, 黄锦. 矿区农地重金属污染风险农户认知状况———基于 FCM 法的案例研究[J]. 金属矿山, 2022, 51(11): 222-228.
[9]	郑海青, 赵越磊, 宗广昌, 孙晓云, 靳强. 融合自注意力机制的 Conv-LSTM 边坡位移预测方法[J]. 金属矿山, 2022, 51(11): 193-197.
[10]	秦学斌, 李明桥, 申昱瞳, 杨培娇, 胡佳琛, 刘浪. 基于ECT技术的充填管道内固液两相流仿真方法研究[J]. 金属矿山, 2022, 51(09): 31-36.
[11]	吴满毅, 徐良骥, 张坤. 基于 SSA-BP 神经网络的概率积分法预计参数求取研究[J]. 金属矿山, 2022, 51(08): 182-189.
[12]	张劲满, 阎跃观, 李杰卫, 徐瑞瑞, 王芷馨, 张坤, 岳彩亚. 概率积分预计参数的ENN优化算法[J]. 金属矿山, 2022, 51(05): 170-176.
[13]	赵奎, 宋林, 曾鹏, 谢文健, 龚囱, 伍文凯, 刘宇. 单轴压缩条件下充填体—砂岩组合体破坏过程及前兆特征声发射试验研究[J]. 金属矿山, 2022, 51(05): 70-76.
[14]	毕永升, 谭卓英, 丁宇. 基于有限元的钻进参数相互影响机理研究[J]. 金属矿山, 2022, 51(02): 19-28.
[15]	许梦国, 刘红阳, 王平, 程爱平, 张威威. 基于RES理论的岩石可钻性综合预测研究[J]. 金属矿山, 2022, 51(01): 113-119.

扫码分享