球磨机料位测量的现状三

7、示踪原子法

国外曾经进行过这种方法的研究。其主要原理是利用示踪原子来确定煤在球磨机中的滞留时间，从而计算出煤滞留在球磨机中的量。但这种方法由于精确度不高，实施困难而未能在实际中得到应用。

8、电流法

电流法又称功率法，其依据的原理是，随着球磨机负荷从零开始逐渐上升，磨电流首先稳定增加，到达某一极值点后，随着负荷的继续上升，磨筒的重心向中心转移，转动力矩减少，球磨机的耗电功率下降，电流也相应下降。但球磨机从空磨到满磨，球磨机电流变化范围小，且受其它因素影响，导致单一采用电流法难以准确反映载煤量。

9、轴振法

轴振法是通过分析球磨机礊振动的信号从而提取料位信息的方法。钢球与衙壁相碰所产生的振动信号与球磨机的料位高低有直接关系，且与其它因素造成的振动信号分量在频率分布上有所不同。只要对采集的振动信号进行频谱分析，即可取与料位相关的有用信息，为料位的测量提供重要参数。

球磨机振动的频谱特性包括三个部分：轴振位移频谱特性、轴振加速度频谱特性和轴振速度频谱特性。在球磨机负荷变化时，轴振位移频谱特性始终保持不变，而轴振垂直分量的加速度频谱特性比其速度频谱特性反应更灵敏。

轴振法的优点是，振动信号测取方便，反映存煤变化的动态灵敏度高，纯延迟小。但在多年的实际使用过程中，也发现了它的不足之处，在球磨机保持负荷较高的工况下，料位发生变化时，振动信号随之的变化响应过于微弱，影响料位测量结果的准确性。因而光靠轴振法难以指导球磨机长期稳定地工作在高负荷的运行优化区。

10、基于神经网络的软测量法

由于单因素测量球磨机料位的局限性，一些学者开始尝试采用智能化的方法进行多传感器数据融合，实现筒内煤位的软测量，其中大多采用了神经网络的方法，把能够反映料位的因素联合起来考虑，作为神经网络的输入。神经网络采用了“黑箱”式结构，避免了对球磨机复杂的内部机理进行数学建模，可以直接通过输入和输出样本进行训练，获得其中的非线性关系，从而获得球磨机的料位值。

但是，神经网络的学习需要大量的输入输出样本，大量输出样本的获得始终是一个难点。基于RBF神经网络的球磨机负荷的软测量的方法中，输出样本是直接通过振动信号来获得，具有局限性。因为振动信号和球磨机料位之间在高负荷时具有强非线性关系，此时的振动信号甚至会反映不出筒内煤位的变化。即使采用试验的方法获得输出样本的数据，其数量也是有限的，并不能满足神经网络学习的要求。

11、料位测量技术的发展趋势

如前所述，料位的测量方法虽然很多，但各种方法的缺点造成其应用的局限性，单纯的胱氨酸用一种信号以实现料位的精确测量。而且料位的测量模型并不是一成不变的，在实际的运行过程中，煤质、煤种、钢球装载量的变化都会使测量模型参数发生漂移。因此，球磨机料位监测技术的发展趋势应是多因素联合监测、数据融合，运用软测量技术建立料位的数学模型，实现料位的准确测量。