代 風(fēng)， 紀(jì)楊建， 萬安平， 張 真

(浙江大學(xué)機械與工程學(xué)院 杭州，310027)

引 言

礦渣粉磨是一種將建材、化工及鋼鐵等行業(yè)生產(chǎn)剩余的大顆粒礦渣物料研磨成細(xì)微顆粒的重型高能耗設(shè)備，又稱立磨。礦渣物料經(jīng)研磨得到的微粉通常作為水泥生產(chǎn)的原料，可實現(xiàn)廢渣的再利用[1]。但是立磨系統(tǒng)工藝復(fù)雜、工作環(huán)境惡劣，高負(fù)荷運行時常會出現(xiàn)系統(tǒng)故障，導(dǎo)致生產(chǎn)率下降、設(shè)備維修及停產(chǎn)成本激增[2-3]。因此，迫切需要對立磨系統(tǒng)進行運行狀態(tài)監(jiān)控，識別和預(yù)測立磨系統(tǒng)的健康狀態(tài)[4-5]。

近年來，國內(nèi)外學(xué)者對復(fù)雜裝備的健康狀態(tài)預(yù)測技術(shù)進行了較為深入的研究?；谖锢砟Ｐ偷姆椒槠涑Ｓ梅椒?，采用數(shù)學(xué)模型描述直接或間接影響相關(guān)組件健康狀態(tài)的物理過程[6]。文獻(xiàn)[7]基于模型的重型燃?xì)廨啓C氣路故障診斷方法，建立了重型燃?xì)廨啓C氣路故障診斷系統(tǒng)。文獻(xiàn)[8]針對精確度和有效剩余壽命的置信空間等問題討論了預(yù)測在實際應(yīng)用中的情況。文獻(xiàn)[9]將物理模型應(yīng)用于設(shè)備狀態(tài)的預(yù)測，結(jié)合了基于裂縫發(fā)育規(guī)律的故障強度模型，可用于對設(shè)備的有效剩余壽命預(yù)測。文獻(xiàn)[10]在對模型正常工作情況和退化狀態(tài)進行仿真的基礎(chǔ)上搜集了一系列數(shù)據(jù)，建立了一個集成的預(yù)測模型。可見，基于失效物理的方法雖然可以獲得較為精確的預(yù)測結(jié)果，但為了建立完備的失效物理模型，需要對設(shè)備進行停機檢查，而這是工程生產(chǎn)中需要避免的。

文獻(xiàn)[11]基于狀態(tài)外推的方法，根據(jù)預(yù)測設(shè)備運行狀態(tài)的進一步發(fā)展與失效閾值進行比較，來預(yù)測設(shè)備的剩余壽命分布。文獻(xiàn)[12]分析了性能退化量對突發(fā)失效的失效閾值影響，建立了基于變失效閾值的競爭失效可靠性模型。文獻(xiàn)[13]以軸承振動信號的功率譜密度為特征變量，失效閾值為假設(shè)值，通過滾動軸承實驗數(shù)據(jù)驗證了其有效性。文獻(xiàn)[14]根據(jù)擬合的分布參數(shù)函數(shù)預(yù)測將來的失效時間分布，得到了一種基于偽失效時間數(shù)據(jù)的可靠性分析方法。以上研究大多需要預(yù)設(shè)失效閾值，還需要對設(shè)備發(fā)展趨勢進行預(yù)測。

基于統(tǒng)計分析的壽命預(yù)測模型是通過大量的壽命試驗來分析機械設(shè)備的失效情況，綜合各種可能的因素，應(yīng)用數(shù)理統(tǒng)計分析的方法，選擇恰當(dāng)?shù)膲勖植寄Ｐ?，建立以可靠性為基礎(chǔ)的統(tǒng)計學(xué)公式，獲得產(chǎn)品壽命的特征分布[15-16]。文獻(xiàn)[17]建立符合非線性Wiener過程描述的設(shè)備退化模型，利用先驗數(shù)據(jù)實現(xiàn)對設(shè)備實時剩余壽命評估。文獻(xiàn)[18]提出了一種融合隨機退化過程與失效率建模的設(shè)備剩余壽命預(yù)測方法。分析上述文獻(xiàn)可知，得到設(shè)備失效概率的函數(shù)需要大量同類設(shè)備的歷史數(shù)據(jù)。隨著信息化和自動化技術(shù)的發(fā)展，特別是傳感器、數(shù)據(jù)采集裝置在復(fù)雜產(chǎn)品上的廣泛應(yīng)用，立磨設(shè)備的生命周期數(shù)據(jù)能被實時地記錄，具有大數(shù)據(jù) 4V的特點。其中，運行過程中的數(shù)據(jù)增長幅度最大，這些數(shù)據(jù)已經(jīng)在時間和空間上隱含了產(chǎn)品服役性能特點和演化特征[19]。大數(shù)據(jù)分析側(cè)重通過分布式或并行算法提高現(xiàn)有數(shù)據(jù)挖掘方法對海量數(shù)據(jù)的處理效率，在許多領(lǐng)域開展了有益的探索和初步應(yīng)用[20-22]。

筆者提出一種基于數(shù)據(jù)挖掘的立磨系統(tǒng)健康狀態(tài)識別模型，通過健康狀態(tài)評估指標(biāo)確定、健康狀態(tài)聚類分析最終比對獲取立磨系統(tǒng)的即時及預(yù)測健康狀態(tài)評估。此外，通過應(yīng)用系統(tǒng)開發(fā)實現(xiàn)了識別模型的工程應(yīng)用驗證。

1 健康狀態(tài)識別模型

1.1 健康狀態(tài)判斷指標(biāo)確定模型

健康狀態(tài)判斷指標(biāo)是指能夠表征系統(tǒng)健康狀態(tài)的一系列設(shè)備運行參數(shù)。殼體振動是反映立磨系統(tǒng)平穩(wěn)運行和良好生產(chǎn)狀態(tài)的重要因素，是系統(tǒng)實際運行中重點監(jiān)控的參數(shù)指標(biāo)。立磨系統(tǒng)的健康運行狀態(tài)可描述為：一定時間周期內(nèi)，在額定產(chǎn)量不變的前提下，立磨殼體振動幅度保持在合理范圍的一個持續(xù)狀態(tài)。

殼體振動幅度是一個監(jiān)控變量，需要通過調(diào)節(jié)其他可調(diào)參數(shù)實現(xiàn)振動幅度大小的穩(wěn)定。立磨系統(tǒng)是一個高耦合系統(tǒng)，振動會隨著多種因素的改變而變化。為了找到對振動影響較大的關(guān)鍵參數(shù)，確定與穩(wěn)定狀態(tài)相關(guān)的特征，需要進行特征選擇。常見的特征選擇方法包括隨機lasso、嶺回歸、隨機森林、穩(wěn)定性選擇和遞歸特征消除等。這些方法有各自的優(yōu)缺點：嶺回歸及隨機lasso需要調(diào)整參數(shù)，實現(xiàn)對模型系數(shù)的稀疏性進行控制；隨機森林計算中常出現(xiàn)過擬合問題；穩(wěn)定性選擇是基于二次抽樣的，不同的抽樣效果得到的結(jié)果不同；遞歸特征消除的穩(wěn)定性則依賴于底層模型的選擇。

為了優(yōu)化穩(wěn)定狀態(tài)判斷結(jié)果的準(zhǔn)確性，筆者綜合上述5種算法，避免了單一方法的局限和缺點。其原理是通過求解輸入和輸出之間的關(guān)系，分別使用5種方法獲取穩(wěn)定特征，然后對每個特征的重要性予以打分，按照得分結(jié)果對特征的重要度進行評估，特征篩選過程模型如圖1所示。最終獲得關(guān)鍵參數(shù)及數(shù)值范圍共同構(gòu)成系統(tǒng)健康運行狀態(tài)特征。

圖1 關(guān)鍵健康特征挖掘過程模型Fig.1 Key feature mining process model

1.2 健康運行狀態(tài)的工況聚類分析模型

健康運行狀態(tài)的工況聚類是指在確定健康狀態(tài)判定指標(biāo)的基礎(chǔ)上，對樣本數(shù)據(jù)的不同工況模式進行聚類分析，獲取可能的工況模式類別。首先，根據(jù)參數(shù)數(shù)值分布及實際生產(chǎn)經(jīng)驗，對樣本數(shù)據(jù)進行預(yù)處理篩選，將篩選結(jié)果作為聚類計算的輸入；其次，采用K均值法獲取數(shù)據(jù)集中的工況簇，分別找到數(shù)據(jù)集中的K個簇的質(zhì)心，并把數(shù)據(jù)集中的點分配給與其距離最近的質(zhì)心，認(rèn)定該點為對應(yīng)質(zhì)心所屬的類別，K的取值需要根據(jù)運行結(jié)果不斷調(diào)整迭代法；最后，在確定工況聚類的類別后，需要對樣本數(shù)據(jù)中所有運行工況進行標(biāo)記，建立健康工況模式庫。健康工況模式庫的建設(shè)過程模型如圖2所示。

圖2 健康工況模式庫建立過程模型Fig.2 Establishing process model of stable working condition library

首先，抽取一組工況數(shù)據(jù)集，它包含一組可控變量狀態(tài)集合、一組健康特征參數(shù)集合以及時間標(biāo)記；然后，分別計算每組工況中參數(shù)構(gòu)成的向量與工況庫中已有工況向量的相似度距離。若存在距離小于一個較小值ζ，則認(rèn)為工況庫中已存，不再重復(fù)記錄；否則，將該工況存入健康工況庫。需要說明的是，在實際工程應(yīng)用中健康工況模式庫并非固定不變，需要定期對其進行訓(xùn)練更新。

1.3 實時健康狀態(tài)評估模型

實時健康狀態(tài)評估是指基于系統(tǒng)實時運行數(shù)據(jù)與健康工況模式庫比對，實時獲取健康狀態(tài)評估的過程。在實際生產(chǎn)過程中并非直接利用瞬態(tài)單點數(shù)據(jù)作為判斷依據(jù)，而是對運行數(shù)據(jù)進行空值、異常值清洗，再進行一定周期的均值計算后評估。針對已確定的健康特征指標(biāo)，分別計算每個參數(shù)實時運行數(shù)據(jù)在采集窗口時間內(nèi)的均值、方差和異常值出現(xiàn)次數(shù)，把得到的結(jié)果作為穩(wěn)定工況判斷的特征變量，并與健康工況模式庫中的狀態(tài)進行比對。實時健康狀態(tài)評估的流程如圖3所示，其步驟如下。

圖3 實時健康狀態(tài)評估過程模型Fig.3 Real-time data healthy-state judgment data acquisition process

1) 以某時刻T為起始時間，按照Δt為采樣間隔(基于生產(chǎn)現(xiàn)場控制計算機性能)，分別采集健康特征指標(biāo)各參數(shù)的實時運行數(shù)據(jù)。

2) 針對各參數(shù)的采樣數(shù)據(jù)進行空值及異常值清洗處理，分別記錄異常值及空值次數(shù)。每次技術(shù)累加。

3) 分別對各參數(shù)空值及異常值處理后的數(shù)據(jù)以n*Δt為周期進行均值及方差計算(n為采樣窗口周期的倍數(shù))。

4) 判斷各參數(shù)在判定周期內(nèi)空值及異常值出現(xiàn)的次數(shù)(異常值是指超過健康特征參數(shù)臨界范圍的數(shù)值)，如果大于預(yù)設(shè)定的計數(shù)閾值，則認(rèn)定當(dāng)前工況異?；虿贿m于健康狀態(tài)即時評估，需提醒現(xiàn)場生產(chǎn)人員檢查。

5) 分別以各參數(shù)在取數(shù)周期內(nèi)的均值和方差作為即時工況特征，與健康工況模式庫進行比對判斷。當(dāng)出現(xiàn)不符合健康工況狀態(tài)或與非健康工況狀態(tài)相似時，需提醒現(xiàn)場生產(chǎn)人員檢查。

1.4 健康狀態(tài)預(yù)測評估模型

健康狀態(tài)預(yù)測評估是指在實時運行數(shù)據(jù)評估的基礎(chǔ)上，對其未來一定周期內(nèi)的運行工況進行預(yù)測，并評估其健康狀態(tài)。這里首先明確一個概念——平穩(wěn)序列：對于一個序列{X(t)}，如果數(shù)值在某一有限范圍內(nèi)波動，序列有常數(shù)的均值和常數(shù)方差，并且延遲k期的序列變量的自協(xié)方差和自相關(guān)系數(shù)是相等的，則該序列為平穩(wěn)序列；反之為非平穩(wěn)序列。

由于立磨系統(tǒng)工況序列屬于非平穩(wěn)序列，因此筆者采用ARIMA進行時間序列建模。ARIMA的實質(zhì)是在自回歸移動平均模型(auto-regressive moving average model，簡稱ARMAM)上添加差分運算，如式(1)所示

xt=φ0+φ1xt-1+φ2xt-2++φpxt-p+

εt-θ1εt-1-θ2εt-2-...-θqεt-q

(1)

該模型認(rèn)為在t時刻的變量x的值為前p期的x取值和前q期的干擾ε的多元線性函數(shù)。誤差項為當(dāng)前的隨機干擾εt，為零均值白噪聲序列。

基于實時運行數(shù)據(jù)的歷史時間序列可以預(yù)測未來某一時刻t的系統(tǒng)運行工況，進而實現(xiàn)其運行健康狀態(tài)的預(yù)測評估。

2 系統(tǒng)組成及分析

筆者基于健康狀態(tài)識別模型，設(shè)計并開發(fā)了一套立磨健康狀態(tài)識別系統(tǒng)，其總體結(jié)構(gòu)框架如圖4所示。系統(tǒng)主要包括數(shù)據(jù)前處理、健康狀態(tài)評估指標(biāo)挖掘、健康狀態(tài)聚類分析、實時健康狀態(tài)評估以及健康狀態(tài)預(yù)測等5個功能模塊。

數(shù)據(jù)前處理模塊主要實現(xiàn)對樣本數(shù)據(jù)的預(yù)處理功能。模塊首先實現(xiàn)對異常值、空值進行清洗，然后進行離散化和歸一化加工，最終獲取便于挖掘分析的完整數(shù)據(jù)集。

健康狀態(tài)評估指標(biāo)挖掘模塊用于確定可以判定系統(tǒng)穩(wěn)定狀態(tài)的參數(shù)種類及其數(shù)值邊界。采用健康狀態(tài)判斷指標(biāo)確定模型，對工況數(shù)據(jù)進行挖掘分析，然后依次得到表征系統(tǒng)健康狀態(tài)的關(guān)鍵參數(shù)。

健康狀態(tài)聚類分析模塊實現(xiàn)對系統(tǒng)運行數(shù)據(jù)的分類挖掘，獲取穩(wěn)定特征參數(shù)不同時間窗口數(shù)值組成的工況簇，最終形成可識別的運行狀態(tài)工況模式庫。采用健康運行狀態(tài)的工況聚類分析模型，得到各個工況簇特點及工況中的狀態(tài)分布情況，定義歷史工況中的運行狀態(tài)類別，最后對各工況所屬的狀態(tài)進行類別標(biāo)注和篩選，形成工況模式庫。

實時健康狀態(tài)評估模塊實現(xiàn)對系統(tǒng)即時運行健康狀態(tài)評估判斷。采用實時健康狀態(tài)評估模型對穩(wěn)定特征指標(biāo)的實時運行數(shù)據(jù)進行分析，獲取是否健康運行的評估判斷。

健康狀態(tài)預(yù)測模塊利用對實時運行數(shù)據(jù)的分析，實現(xiàn)對未來一定周期內(nèi)系統(tǒng)運行健康狀態(tài)的預(yù)測。其原理是利用健康狀態(tài)預(yù)測評估模型進行健康預(yù)測模型訓(xùn)練，實現(xiàn)系統(tǒng)健康狀態(tài)的預(yù)測。

圖4 系統(tǒng)總體結(jié)構(gòu)圖Fig.4 System general structure

上述5個模塊分別以歷史采樣數(shù)據(jù)集和實時運行數(shù)據(jù)集作為輸入，通過數(shù)據(jù)處理加工及挖掘分析共同實現(xiàn)礦渣粉磨系統(tǒng)的健康狀態(tài)識別。

3 應(yīng)用實例及分析

本系統(tǒng)已在河南某微粉廠投入運行，系統(tǒng)運行界面如圖5所示。現(xiàn)場應(yīng)用證明，該系統(tǒng)為立磨健康狀態(tài)識別提供了更經(jīng)濟有效的決策，系統(tǒng)運行穩(wěn)定。具體應(yīng)用過程如下。

圖5 系統(tǒng)運行界面圖Fig.5 System operation interface diagram

3.1 數(shù)據(jù)獲取及預(yù)處理

系統(tǒng)采用OPC協(xié)議實現(xiàn)數(shù)據(jù)通訊，通過向立磨中控系統(tǒng)服務(wù)器發(fā)送連接請求實時采集數(shù)據(jù)。系統(tǒng)可以設(shè)定采集的參數(shù)種類和采樣間隔。

運行現(xiàn)場系統(tǒng)實際可采集各類數(shù)據(jù)信號參數(shù)65個。經(jīng)過屬性篩選、數(shù)據(jù)異常值處理及空值處理后得到30個立磨系統(tǒng)主要工藝和性能參數(shù)的屬性子集。綜合考慮立磨系統(tǒng)的工藝狀態(tài)、生產(chǎn)人員人為設(shè)置以及實際運行中參數(shù)的可控性等情況，對數(shù)據(jù)進一步簡化降維處理，最終剩余12個主要特征參數(shù)，包括喂料量、微粉比表、料層厚度、磨機出口溫度、磨機進口溫度、磨機進口壓力、選粉機轉(zhuǎn)速、磨機壓差、主排風(fēng)扇轉(zhuǎn)速、冷風(fēng)閥開度、熱風(fēng)閥開度和循環(huán)風(fēng)閥開度。部分特征和特征值如表1所示。

表1 特征篩選后的部分?jǐn)?shù)據(jù)

可以看出，參數(shù)的量綱不一致，取值范圍相差很大。為了消除取值范圍和量綱不同對分析結(jié)果的影響，需要對數(shù)據(jù)進行規(guī)范化處理。為避免數(shù)據(jù)中存在極大值或極小值對后續(xù)分析產(chǎn)生影響，標(biāo)準(zhǔn)化方法采用零-均值方法，這種標(biāo)準(zhǔn)化方法和使用極大極小值標(biāo)準(zhǔn)化相比更加穩(wěn)定。標(biāo)準(zhǔn)化之后的部分?jǐn)?shù)據(jù)如表2所示。

表2 標(biāo)準(zhǔn)化之后的部分?jǐn)?shù)據(jù)(無量綱單位)

3.2 健康特征指標(biāo)確定

在應(yīng)用實例現(xiàn)場以2s為采樣周期，持續(xù)15個工作日采集立磨系統(tǒng)運行狀態(tài)下的12個主要參數(shù)。隨機抽取其中3個工作日時段的運行數(shù)據(jù)作為樣本，采用健康狀態(tài)評估指標(biāo)挖掘模塊計算獲取各參數(shù)屬性指標(biāo)評分。綜合評分記錄如表3所示。最終確定除殼體振動幅度外，磨機出口溫度、料層厚度以及磨機壓差共同作為立磨系統(tǒng)的健康狀態(tài)特征。

表3K=3時待選特征的得分情況(無量綱單位)

Tab.3ThescoreresultoftheparameterofK=3

特征名稱隨機lasso嶺回歸隨機森林穩(wěn)定性選擇遞歸特征消除平均得分喂料量0.10.00.030.080.180.08微粉比表0.310.390.070.00.090.17料層厚度0.61.01.00.80.710.82磨機出口溫度0.210.450.320.660.420.41磨機進口溫度0.00.00.230.00.140.07磨機進口壓力0.110.00.430.240.130.18選粉機轉(zhuǎn)速0.060.00.270.00.590.18磨機壓差0.50.790.670.950.950.77冷風(fēng)閥開度0.290.00.00.00.090.08熱風(fēng)閥開度0.210.00.010.120.00.07循環(huán)風(fēng)閥開度0.60.210.140.240.330.3主排風(fēng)機轉(zhuǎn)速0.010.10.010.00.00.02

3.3 健康運行狀態(tài)的工況聚類

利用健康狀態(tài)聚類分析模塊進行運行工況的聚類計算。健康狀態(tài)聚類分析模塊中K-means核心參數(shù)K需要根據(jù)工程現(xiàn)場數(shù)據(jù)結(jié)果進行迭代分析。筆者依次將K=2, 3,4分別代入樣本數(shù)據(jù)開展計算。當(dāng)K=2時形成兩類數(shù)據(jù)，各參數(shù)范圍的重疊性較大，不能很好地區(qū)分類別；當(dāng)K=4時形成4類

數(shù)據(jù)，其中第1類和第3類的各參數(shù)聚類中心均比較接近，參數(shù)取值范圍交叉較多；當(dāng)K=3時，只是在殼體振動數(shù)值上有一定重合，但其他3個參數(shù)的距離間隔比較合理。圖6為K=3時分群的參數(shù)分布概率密度圖。表4為其聚類中心及每個簇中的數(shù)據(jù)點個數(shù)。

表4 分群聚類中心表(K=3)

結(jié)合立磨系統(tǒng)運行現(xiàn)場的生產(chǎn)人員建議，筆者確定取K=3作為最終聚類結(jié)果，并定義此時類別2為非健康狀態(tài)，類別0和1為健康狀態(tài)。類別0特點：殼體振動幅度集中在7～9mm，此時出口溫度在100～108℃，料層厚度范圍在125～135mm，磨機壓差在2 800～3 200 Pa。類別1特點：殼體振動幅度為6～8mm，此時磨機出口溫度為9～103℃，料層厚度在125～144mm，磨機壓差在2 800～3 200 Pa。類別2特點：殼體振動幅度在6～9mm, 此時磨機出口溫度在102～110℃，料層厚度在140～150mm，磨機壓差在3 200～3 500 Pa。根據(jù)工況分類情況，依次從樣本數(shù)據(jù)中抽取工況數(shù)據(jù)集合比對，建立系統(tǒng)健康工況模式庫。

圖6 時分群的參數(shù)分布概率密度圖(K=3)Fig.6 The distribution probability density diagram of the parameter distribution (K=3)

3.4 健康狀態(tài)識別與預(yù)測

針對殼體振動幅度、磨機出口溫度、料層厚度及磨機壓差這4個健康特征指標(biāo)，利用實時健康狀態(tài)評估模塊分別計算每個參數(shù)實時運行數(shù)據(jù)在采集窗口時間內(nèi)的均值、方差和異常值出現(xiàn)次數(shù)，把得到的結(jié)果作為穩(wěn)定工況判斷的特征變量與健康工況模式庫中的狀態(tài)進行比對。在具體操作中Δt=2s,n=15。生產(chǎn)人員可根據(jù)系統(tǒng)提供的運行狀態(tài)信號判斷系統(tǒng)當(dāng)前運行狀態(tài)是否健康。

以殼體振動幅度為例，說明采用時間序列進行穩(wěn)定狀態(tài)判斷的過程。對一段時間內(nèi)采集到的振動值進行平穩(wěn)性檢測，其原始序列圖走勢如圖7所示?？梢钥闯? 該序列有上升趨勢，屬于非平穩(wěn)序列。對序列求取自相關(guān)系數(shù)，自相關(guān)圖如圖8所示。相關(guān)系數(shù)的絕對值長期大于零，說明該序列具有長期的相關(guān)性。對這個序列進行一階差分后得到自相關(guān)圖如圖9所示。偏自相關(guān)圖如圖10所示?？梢钥闯? 一階差分后的序列在均值附近波動且波動范圍不大，為平穩(wěn)序列。

圖7 振動一段時間內(nèi)的原始序列圖Fig.7 The vibration original sequence data diagram

圖8 振動一段時間內(nèi)的原始序列自相關(guān)圖Fig.8 The vibration original sequence autocorrelation diagram for a period of time

對一階差分后的序列進行白噪聲檢測，得到的P值小于0.05，所以一階差分后的序列屬于平穩(wěn)非白噪聲序列，可以用ARIMA進行擬合。接下來對ARIMA進行定階，也就是求模型中的參數(shù)。根據(jù)p，q的所有組合得到的貝葉斯信息準(zhǔn)則(Bayesian information criterion，簡稱BIC)的信息量大小來確定，選擇令BIC信息量達(dá)到最小的p，q組合。模型定階后利用ARIMA進行預(yù)測。

圖9 振動一段時間內(nèi)的原始序列一階差分后的自相關(guān)圖Fig.9 The autocorrelation diagram after first order difference of vibration original sequence in a period time

圖10 振動一段時間內(nèi)的原始序列一階差分后的偏自相關(guān)圖Fig.10 The partial autocorrelation diagram of first order difference of vibration original sequence in a period of time

預(yù)測模型可以給出連續(xù)5min的預(yù)測值、標(biāo)準(zhǔn)誤差和置信區(qū)間，預(yù)測值和實際值的關(guān)系如圖11所示?？梢钥闯? 預(yù)測誤差較低，預(yù)測值基本能夠反映數(shù)值的變化趨勢，模型的預(yù)測效果良好。

圖11 模型的預(yù)測值和實際值比較Fig.11 Predicted value is compared to the actual value

4 結(jié)束語

提出一種基于數(shù)據(jù)挖掘的礦渣粉磨運行健康狀態(tài)識別模型。首先，利用一種綜合的特征篩選方法對工況數(shù)據(jù)進行挖掘分析，得到影響立磨穩(wěn)定運行的關(guān)鍵參數(shù)，將其作為健康狀態(tài)評估的指標(biāo)；然后，對工況狀態(tài)進行聚類挖掘分析，獲得歷史工況中的狀態(tài)分布情況，定義歷史工況中的健康運行狀態(tài)類別；最后，利用ARIMA對建立系統(tǒng)健康狀態(tài)特征訓(xùn)練模型，對系統(tǒng)運行參數(shù)的變化趨勢進行預(yù)測，實現(xiàn)健康狀態(tài)識別。該系統(tǒng)已在河南省某礦渣微粉廠投入運行。實踐表明，該系統(tǒng)運行穩(wěn)定、靈活高效，能滿足工程實際應(yīng)用。