磨机负荷的磨音多频带检测研究-毕业论文.doc

硕士学位论文中期报告

磨机负荷的磨音多频带检测研究

学 号：2006080119
学科专业：控制理论与控制工程
研究方向：动态系统的智能控制
指导教师： 教授

大学研究生学院
20XX年X月X日

The Research of Detection Mill Load on Multi-band of Mill Noise

Candidate:

Supervisor:

Major:
Control Theory and Control Engineering
School of Computer and Automation college

硕士研究生论文阶段中期考核情况表
学生
姓名

导师
姓名

时间
2007.7.3
地点
信息学院会议室
论文题目：磨机负荷的磨音多频带检测研究
考核小组成员：

导师对学生政治思想、身体健康状况以及业务能力的评价

导师签字：
考核小组意见（是否适合继续培养）：

考核小组组长签字：
备注：

目 次

目　　次
引　　言 1
1 理论分析 2
1.1 球磨机负荷的磨音检测原理 2
1.2 磨音频谱特性分析 2
1.3 数据融合的方法 4
1.4 神经网络对多维数据的拟合 6
1.4.1 人工神经网络原理 6
1.5 BP网络 8
2 研究方案 10
2.1 研究目标 10
2.2 研究内容 10
2.2.1 理论研究 10
2.2.2 硬件设计 10
2.2.2 软件设计 11
2.3 关键问题与创新点 11
2.4 技术路线和研究方法 11
3 课题进展 13
3.1 硬件电路 13
1.3.1 音频信号采集板的电路设计 13
1.3.2 微处理器板的电路设计 17
3.2软件的实现 20
4 课题存在的问题及解决办法 25
5 今后工作计划 26
参考文献 27

引 言
引　　言
长久以来 ，磨机一直是大宗物料粉磨的关键设备，并广泛用于发电、水泥、选矿、陶瓷、冶金等各个行业。在火电厂中，筒式低速磨机约占全国电厂磨煤设备总数的80%~85%。水泥厂中，两仓或三仓的磨机也一直是主要的粉磨设备。球磨机属于一种高能耗、低效率的设备，每天消耗着大量的电能。在磨机所消耗的电能中只有不到10%的能量被真正用于原料的粉磨，而90%以上的能量被转化为振动、发热和噪声[1]。
矿山选矿生产过程中，磨矿作业是整个选矿厂生产工艺流程中最关键的环节。而球磨机负荷是磨矿过程的一个重要参数。能否准确地检测出球磨机负荷是球磨机系统及整个磨矿过程优化控制成败的关键。目前球磨机的负荷检测的方法，并未精确地预测内部负荷，因而不能准确地确定球磨机在工作时的实际负荷状况，也就难以使球磨机控制在最优工作状态，从而直接影响磨矿质量和球磨机的工作效率，甚至影响整个磨矿的生产过程。在现实的磨粉生产中常常是依靠有经验的工人，凭经验判别球磨机工作时发出的磨音来确定球磨机的运行是处于“饱磨”或是“空磨”再决定给料机的给料速度[2]。球磨机饱磨时，球磨机内的物料过多,磨出的颗粒大，易超出规定的标准，产品质量得不到保证，同时容易造成球磨机的损害。如果球磨机处于空磨时,空耗能源，也易造成球磨机的损害。再加上球磨机工作时要发出巨大噪音、粉尘严重，工人长期在这种恶劣环境中工作，对身体健康损害较大。球磨机的良好运行无法保证，产品的合格率低,一般只有30%左右。目前对磨机负荷的磨音信号的检测都是在中频（1～2kHz）范围内以某一频率为中心在较宽的频带内取得反应声压大小的电流信号。作为判断磨机负荷的标准。没有在整个噪声频域内进行分析，没有可靠的噪声与工作状态之间的定量关系做为判据，所以它不能真实地反映磨机工作状态。因此，迫切需要研究并设计能够准确检测球磨机负荷的系统，以实现球磨机及整个磨矿过程的优化控制，这对于提高选矿厂的生产效率、节约能源具有重要意义[3-5]。

-29-
河北理工大学硕士学位论文中期报告
1 理论分析
1.1 球磨机负荷的磨音检测原理
磨机在运行时，研磨介质与衬板、研磨介质与研磨介质之间、研磨介质与物料、物料与衬板以及物料与物料之间都会因相互之间的碰撞和研磨而发声，且正常运转时这种噪声可高达120dB[6]。在磨机运行时发出的噪声中，钢球之间的相互碰撞，以及钢球和衬板碰撞产生的噪声是磨机噪声主要部分。磨机长期的运行实践表明，磨机的负荷与噪音信号之间存在一定的对应关系。当磨机负荷较小时，噪音主要来自研磨介质之间以及研磨介质与衬板之间的摩擦和碰撞，噪音较大且频率较高；当磨机负荷逐渐增大时，随着磨内空间和研磨介质之间的空隙逐渐被物料所充填，磨机噪音主要来自物料和研磨介质以及物料和衬板之间摩擦和碰撞，磨音较小且频率较低。因而通过对磨机噪音的检测，可以间接确定其负荷。
通过检测磨音的判断磨机的负荷的仪表称之为电耳。电耳的设计指导思想是用来模仿熟练看磨工的听觉对磨机工作状态的判别能力，人耳的听觉过程是个复杂的生理过程、对磨机工作状态的判断是建立在对噪声进行既精密而又非量化的频谱分析基础上的，其结果是难于用语言描述的结论，只能近似地用磨机声音沉闷或者清脆来解释。目前的电耳对信号的处理都是在中频(1～2kHz)范围内以某一频率为中心在较宽的频带内取得反应声压大小的电压信号。作为判断磨机负荷的标准。没有能够模仿人耳在整个噪声频域内进行分析， 没有可靠的噪声与工作状态之间的定量关系做为判据，它只能在磨机正常状态下(在 “空磨”和“饱磨”之间)初略的反应磨机的负荷[7-8]。
1.2 磨音频谱特性分析
某水泥厂水泥磨机，开路粉磨425立窑矿渣水泥，细度要求控制在4900孔筛，筛余8%左右。第一仓为阶梯衬板，装球5.7吨(其中的80的1.6吨，70的1.9吨，6~5各占1.1吨)。第二仓为平衬板，装钢段11吨(其中25×30和420×2 5各占3吨和8吨)，电机功率2l.5kW ，磨机转速率79%。从测量的目的来看，需尽可能提高测量精度，因连续频谱分析仪价格昂贵也不便于现场使用，采用了国产ND：型精密声级计和随机所带用于进行实时离散频谱分析的倍频程虑器。从球磨机所发出的噪声来看，没有过高的频率成份，与磨机负荷相关的频率在500～4kHz左右，所发出的声级低于120dB。测量时温度湿度均在正常范围之内，故选用一般的CH11型电容传声器。根据经验电容传感器在磨机第一仓，距仓头2/3处采集磨音，该处最能反映磨机的负荷[9]。为避开车间恶劣环境的影响，使用了延伸电缆在远处铡量。声级计的中心频率125，350，750，1500，2500，3500，4500，5500HZ。
首先将磨机清仓，为保证测量结果的准确性和普遍性，采取了以下几种措施：① 保证测量过程中给煤机均匀给煤；② 持续记录给煤过程的非稳态及稳态信号；③ 使给煤机工作于从空磨到满磨的各种工况；考虑到球磨机周围的近声场与磨机相对应部位的介质运动状态有关， 故在磨机周围选了介质的上升侧和着落侧测量磨音。介质着落侧频谱与上升侧频谱相应频率的声压级差稳定在3～ 5 dB，这只说明着落侧介质的冲击噪声偏高，为了简化说明同时取两侧数据的平均值为该组数据的代表，列于表1。
表1磨音强度在各频带的分布
Table 1 The distribution of mill noise intensity in the bands
介
质
填
充
率
介质填充率

声压级（dB）
中心频率（HZ）
频带

10%

30%

60%

90%
125
（0—250）
53
52
50
53
350
（250—500）
58
56
58
56
750
（500—1000）
60.5
82
87
105.5
1500
（1000—2000）
78
83
108.5
85
2500
（2000—3000）
85
90
98.5
82
3500
（3000—4000）
116.5
103
85
69.5
4500
（4000—5000）
35
25
25
20
5500
（5000—6000）
35
30
25
20
从表1和图1中可以看到，在低频段（500HZ以下）随着磨机的负荷的增加，磨音的声压变化不大，说明这带频段与磨机的负荷无关，环境噪声主要集中在这个频带，在磨机负荷90%的饱磨状态，磨音主要集中在中低频段（中心频率为750HZ），反映饱磨状态的磨机频谱曲线红线在低频段比较明显地偏离正常负荷的红色曲线，中频磨音信号在这种状态下虽有所降低但反映不明显。这表明：在饱磨的状态下磨内物料增加很多，料球比的增大使介质的冲击作用削弱，介质直接冲击到筒壁上的概率减少。介质和物料呈翻滚状态运动。磨音的频率比较低。

图1 磨音的频谱特性图
Fig.1 mill noise of the spectrum plans
磨机负荷60%的频谱曲线中可以看出，磨音信号主要集中在中频段（中心频率约为1500HZ），在中高频段（中心频率约为2500HZ）下降比较不明显，说明在这个频段有部分频率反映磨机的负荷。
反映空磨，半空磨状态（负荷10%，30%）的磨音频谱曲线与正常状态下得到的红色曲线相比高频段（中心频率为3500HZ）变化较大，磨音在这个频段也最强，这说明高频段与磨机的空磨状态相关。实际上空磨时磨机内的物料较少，钢球撞击衬板，发出磨音的频率比较高，即听起来清脆。从图1中还可看出在频率4500HZ以后磨音非常弱。可以看出于磨机负荷相关的磨音频带主要集中在500～4000HZ。
根据磨机负荷的磨音的频谱特性，对低（500～1000Hz），中（1000～2000Hz），中高（2000～3000 Hz），高频（3000～4000Hz）带进行检测，应用数据融技术，对各个频带的测量值与磨机的负荷值进行拟合，建立起各测量值与磨机负荷值的模型。
1.3 数据融合的方法
目前，用于处理数据融合数学方法主要如下几种：
1）贝叶斯法
它是表示和处理传感器测量(即证据)中不确定性的经典方法。它的一些固有缺陷，如在贝叶斯公式中必须预先给定先验概率，这只能是对真实情况的一种近似描述，这些假设只有当对实际情况有很好了解时才能接近真实情况，否则带来误差和错误；同时所作的各种假设又限制了本方法的使用范围，这些致命的弱点大大的限制了它的应用范围。
2）Dempster-Shafer 证据理论
D-S 证据理论将可信度赋予各个证据，采用概率区间来描述假设的似然度，
用不确定区间来表示由于未知信息或信息不全造成的不确定性，并且在给出完全知识时提供了一个进行证据综合的计算方法，即组合规则。它也有一些固有缺陷，证据理论具有潜在的指数复杂度；Dempster 组合规则具有组合灵敏性，有时，给基本概率赋值一个很小的变化都可能导致结果很大的变化。此外，使用 Dempster 组合规则，要求证据是独立的，这个要求有时使用起来很不方便。
3）模糊逻辑法
这种方法用某种模型系统地反映数据融合过程中的不确定性，并通过模糊推理来完成信息融合。对模糊集合以及它们成员的操作代数可以被移植到数据融合中去。实现比较复杂。
4）算术平均值与递推估计的数据融合方法
该方法要求实时性高，许多测量系统由于不能实时获得测量初值。而不能有效地利用估计算法。
5）人工神经网络BP算法对数据融合
人工神经网络BP算法在数据融合方面具有很多优点
（1）神经网络的信息统一存储在网络的联接权值和联接结构上，使得传感器的信息表示具有统的形式，便于管理和建立知识库；
（2）神经网络可以增加信息处理的容错性，当某一检测失效时，神经网络的容错功能可以使检测系统正常工作，并输出可靠信息。
（3）神经网络的自学习和自组织功能，使系统适应检测环境的不断变化和检测信息的不确定性。
（4）神经网络的并行结构和并行处理机制，使得信息处理速度快，能够满足信息实时处理要求。
基于神经网络在数据融合方面具有诸多优点，课题采用是神经网络的BP算法对各频带信号测量值与磨机的负荷值进行拟合，建立起各测量值与磨机负荷值的模型。
1.4 神经网络对多维数据的拟合
从80年代中期开始，神经网络的研究在西方发达国家掀起高潮。神经网络模型、学习算法和应用等方面都取得了众多的可喜成果。前向网络与反馈网络是人工神经网络在实际中应用较为成熟的网络模型，其网络模型相对于其它自组织、自联想记忆模型具有结构简单、算法容易掌握的优点，同时前向网络与反馈网络模型与算法在数据融合方面应用也较多[10]。
1.4.1 人工神经网络原理
1）神经网络模型
Konhonen曾给出一个神经网络的定义。他指出神经网络是由一些简单的(自适应的)单元及其层次组织的大规模并行联接构造的网络，它致力于按照生物神经系统的同样方式处理真实世界的客观事物，从而反映了人脑功能的若干特征，但并非神经系统的真实描写，而是它的简化、抽象和模拟[11]。神经元是神经网络中的最基本单元。
2）神经网络结构
根据神经元之间连接上的拓扑结构的不同可将神经元结构分为两大类:分层结构、相互连接型结构[12]。

图2 分层结构模型
Fig.2 Hierarchical structure model
分层结构：分层网络将一个神经网络模型中的所有神经元按功能分成若干层，通常由输人层、隐层(中间层)和输出层，各层按顺序连接。输人层接受外部输人模式，并由各输人单元传输给与之相连的隐层各单元;隐层(中间层)是网络内部处理单元的工作区域。不同模型的处理差别主要反映在中间层的处理。隐层不与网络外部打交道；输出层是网络产生输出矢量输，输出给外部显示设备或执行机构。结构图
如图2所示。
相互连接型结构：所谓相互连接型网络是指网络中的任意两个单元之间都是可达的，即存在连接路径。对于给定的某一输人模式，由某一初始网络参数出发，在一段时间内网络处于不断改变输出模式的动态变化中。最后，网络可能会产生某一稳定的输出模式，但有时可能进人周期振荡状态。
3)学习与记忆
(1)神经网络的学习
神经网络的学习过程就是不断地调整网络的连接权值，以获取期望输出。典型的权值调整方法有两类，即相关学习规则(Hebb规则)和误差修正学习规则。
Hebb学习规则可以描述为:如果神经网络中某一神经元与另一直接与其相连的神经元同时处于兴奋状态，那么这两个神经元的连接强度应当加强[13-15]。用算法表达式表示为：
Wji(t+1)=Wij(t)+ Oi(t)Oj(t)
其中Wji(t+1)，Wij(t)分别是第i个和第j个神经元在时刻t+1和t联结的强度，Oi(t)，Oj(t)为两个神经元在时刻t的输出，为给定的学习率。
误差修正算法是神经网络学习中另一重要的方法。BP网络学习属于此类。最基本的误差修正学习方法，即通常的学习规则。可描述如下：
(1) 任选一组初始权值Wji(0)。
(2) 计算某一输人模式对应的实际输出与期望输出的误差。
(3) 更新权值
Wji(t+1)=Wij(t)+ [dj-yj(t)]xi(t)
式中：为学习因子；
dj，yj(t)第j个神经元的期望输出与实际输出；
xi(t)为第j个神经元的输人。
(4) 返回步骤(2)，直到对所有训练模式，网络输出均满足误差要求为止。
(2)神经网络的记忆
神经网络的记忆功能包括信息的存储与回忆。网络通过学习将所获取的知识信息分布在连接权的变化上，并具有相对的稳定性。一般存储记忆需花较长时间，因此这种记忆称为长期记忆，而学习期间的记忆保持时间很短，称为短期学习。
1.5 BP网络
1）BP网络模型
通常所说的BP模型，即误差后向传播神经网络，是神经网络中使用最广泛的一类。BP网络是典型的多层网络。它分为输人层、隐层和输出层。层与层之间采用全互连方式BP网络的基本处理单元(除输人层)为非线性输人关系，一般选用S性作用函数：
f(x)=
且处理单元的输人、输出之可以连续变化。
BP网络模型实现了多层网络学习的设想。当给定网络的一个输人模式时，它由输人层单元传到隐层单元。经隐层单元处理后再送到输出层单元，由输出层单元处理后产生一个输出模式，故称为前向传播[16]。如果输出响应与期望输出模式有误差，且不满足要求，那么就转人后向传播，即将误差值沿连接通路逐层向后传递，并修正各层连接权值。
2）学习算法
BP网络学习是典型的有导师学习，其学习规则是对简单的学习规则的推广与发展。假设BP网络每层有N个处理单元，作用函数为S型作用函数，训练集包含M个样本模式对(xk,yk)。对第P个训练样本(p=1,2,3…M)单元j的输人总和(即激活函数)记为输出记为，它的第i个输入（也即第i个神经元的输出）为，则

BP算法的权值修正公式可表示为：

在实际应用中，因为学习过程的收敛性，通常为了使学习因子取值足够大，又不至于产生振荡，在权值修正公式中在加一个动量项：

式中，是常数，称为动量因子，它决定上一次学习权值对本次权值更新的影响程度。这就是加动量的BP算法。
网络学习算法学习步骤可描述如下：
(1)初始化网络参数，设置网络初始矩阵、学习因子、 动量因子等；
(2)提供训练样本，训练网络，直到满足要求。
(3)前向传播过程:对给定训练模式输人，计算网络的输出模式，并与期望模式进行比较，若有误差，则执行（4），否则，返回（2）；
(4)后向传播过程：
①计算同一层单元的误差。
②修正权值和阈值：
阈值即为i=0连接权值。
③返回（2）。
BP网络的学习是通过用给定的训练集训练而实现的。什么时候认为网络学习好了，通常，用网络的均方根值(RMS)误差来定量反映学习性能。其定义为：

式中：m—训练集内的模式对个数；n—网络输出层单元个数。当网络的均方根误差小于要求误差时，则表明对给定训练集学习已满足要求了[17-19]。
对三层的BP网络很多人证明了万能逼近定理，含一个隐层的3层BP网络，只要隐节点足够多，能任意逼近有界域上的任意连续函数。利用BP算法对测得的四个频带信号进行拟合。测量值和负荷值的模型。

2 研究方案
2.1 研究目标
研究的目标利用对磨音的不同的频带的检测，并对不同频带的信号利用神经网络的BP网络对数据拟合建立出各频带信号与磨机实际负荷值的模型。最终设计出能够对磨机负荷的准确的测量的电耳。
2.2 研究内容
本课题的研究内容主要有以下几个方面：
2.2.1 理论研究
（1）对磨机负荷的磨音的频谱特性分析。
通过查找相关文献资料和现场测量，分析磨机在各个工作状态下的频谱特性。分别分析磨机在“空磨”“饱磨”还有正常的状态下的磨音强度主要在哪些频带段，在各不同的频带段的强度的差别大小。以此设计滤波器组。
（2）数据的处理分析。
应用神经网络的BP算法，对滤波器检测的各频带磨音进行多维数据拟合建立出测量值与实际值的数学模型。
2.2.2 硬件设计
硬件的设计主要包括对信号的采集，放大，滤波，整流放大电，A/D转换，单片机处理，键盘，液晶显示等硬电路。
磨音的信号采集是通过麦克风，麦克风可以准确地检测强度为120分贝以下，频率范围为:20～16KHZ。磨音的强度在120分贝以下，频率在500～4Khz ,麦克风已满足要求，放大电路放大从麦克风传来的弱信号，再通过多组滤波器滤波后得到不同频带带宽的信号。不同频带的信号通过整流，A/D转换最后经过单片机通过液晶显示器显示出来。
2.2.2 软件设计
软件设计包括电耳的硬件电路的相关的软件设计和BP算法的软件设计。电耳的硬件电路的相关的软件，主要有数据传输，A/D转换，键盘液晶显示电路的编程，语言用汇编和C语言结合。BP算法的软件设计在Visual C++6.0环境用C编程。
2.3 关键问题与创新点
1. 关键问题：
1）对麦克风检测的磨机弱信号的整流，该信号非常小只有60～80mv。由于二极管的导通电压有0.7v，普通的二极管电桥式整流，不能适用。所以要设计一个精密的整流电路，消除二极管的降压。
2）采集磨音的球磨机的部位确定，不同的部位反映磨机负荷的灵敏度有所不同。这要经过现场多次测量，对数据分析确定。
3）电耳工作在大噪音的环境下，条件比较恶劣，强电磁干扰会严重影响微机系统的正常工作稳定性，电耳安装，设计要考虑到抗干扰。
2. 创新点：
1）通过对磨音的频谱特性研究，提出了通过检测磨音的多个频带的信号强度判断磨机负荷的方法。
2）利用BP网络对各频带的磨音信号融合，建立出测量值与实际负荷的模型。
2.4 技术路线和研究方法
1）设计硬件电路，主要包括音频信号采集电路，该电路包括模拟放大，滤波器组，整流放大；单片机点处理显示电路包括A/D转换，外部数据存储器扩展，键盘，液晶等电路；电源电路，主要是给前两个电路供电，需供直流电±5v、±12v。
2）搭好硬件后就去磨机现场进行检测，采集数据。对采集的数据进行相关处理。
3）对处理后的各频带信号，用BP算法对多维数据进行拟合；并根据拟合好的函数编程，使最终液晶显示的是磨机负荷的值。

3 课题进展
目前，已经基本完成电耳硬件设计及相关软件的设计和调试。完成了BP算法的C语言的编写。
3.1 硬件电路
硬件的设计主要包括对音频信号的采集，放大，滤波，整流电路， A/D转换，单片机处理器外围电路包括键盘，液晶显示，电源电路等硬件电路。
1.3.1 音频信号采集板的电路设计
音频信号的采集电路包括放大，滤波，整流电路
1） 放大电路的设计
磨音信号是用动圈麦克风采集的，工作原理是 以人声通过空气使震膜震动，然后在震膜上的线圈绕组和环绕在动圈麦头的磁铁形成磁力场切割，形成微弱的电流。由于麦克风输出的信号比较小通常经麦克风相关电路处理输出只有60—80mv，电压放大器的输出阻抗一般比较高，通常在几千欧到几十千欧，如果后级的输入阻抗比较小，那么信号就会有相当的部分损耗在前级的输出电阻中。在这个时候，就需要电压跟随器来从中进行缓冲同时提高带负载能力。起到承上启下的作用。

图3 放大电路
Fig.3 Amplifier Circuit
在实际设计选用一路运放op07芯片设计电压跟随器和放大电路，如图4，T1即为设计的电压跟随器，T2为放大电路，在实际设计电路板时电阻R2用电位器代替，用于调节放大倍数。放大倍数计算公式为：。
2） 滤波电路的设计
本课题滤波电路的设计采用MAXIM公司的通用滤波器芯片MAX274。MAX274内部有四个独立的通用二阶构成。其中内部1/4电路如图4所示。用一个MAX274还可以构成一个8阶的低通或带通滤波器。或构成四个独立的低通或带通的滤波器。课题从四个频带对对磨机负荷检测。所以用一个MAX274设计四个带通滤波器。
图4 1/4的MAX274内部电路
Fig.4 the internal circuit of 1/4 MAX274
MAX274是包含四个互相独立的二阶滤波单元的高效和集成芯片。通过调整外接的4个电阻（R1、R2、R3、R4）阻值，可以设计成所要求的中心频率和带宽的有源低通、高通、带通滤波器。
对磨音的频谱特性分析，与磨机负荷相关的磨音频带在500—4KHZ。根据磨机的各个状态的频谱特性。在频带在500—4KHZ内设计四路带通滤波器，分别为低频带滤波器A：=750HZ，=500 HZ；中频带滤波器B：=1.5KHZ，=1K HZ；中高频带2滤波器C：=2.5 KHZ ,= 1KHZ；高频带滤波器D：=3.5K HZ；=1KHZ。
低频带滤波器A：=750HZ，=500 HZ。外接电阻阻值的计算。
，；
由=，=750HZ，=500 HZ计算出低频带滤波器A外接电阻阻值为：
，，，。

图5 MAX274外围引脚及滤波器外围电阻
Fig.5 MAX274 external pin and filter external resistance
同样的方法可计算出其余的三个带通滤波器的外接电阻值分别如下：
中频带滤波器B：=1.5KHZ，=1K HZ；
，，，
中高频带滤波器C：=2.5 KHZ ,= 1KHZ；
，，，
高频带滤波器D：=3.5K HZ；=1KHZ；
，，，
MAX274四组滤波器的外接电阻电路图如图5所示，图中IN为麦克风接收的磨音信号经电压跟随和放大器后分出的四路信号。BPA 、BPB、BPC、BPD分别为磨音信号经四个频带滤波器滤波后的频带信号。滤波器的设计电路中滤波芯片MAX274的引脚FC接地，在电路计算中Rx/Ry=65/13。
3）整流电路的设计
由麦克风输出的信号为交变的电压信号，为了能够使传感器的输出电压信号直观地反映磨机的负荷大小，在信号处理电路中，需要加入整流电路，将交变的信号转换成单极性的直流信号，使磨机内的物料的多少通过直流电压的大小反映出来。

图6 全波精密整流电路
Fig.6 precision full-wave rectifier circuit
精密整流电路的功能是将微弱的交流电压转换成直流电压。整流电路的输出保留输入电压的形状，而仅仅改变输入电压的相位。具有单向导电性的二极管是最常用的整流元件，但是二极管的非线性将产生相当大的误差，如果信号幅度小于二极管的死区电压时，输出电压为0，由于磨音信号比较弱小（60—80mv）因此，不能用四个二极管组成的桥式整流电路对其整流。利用集成运放的放大作用和深度负反馈可以克服二极管的非线性造成的误差，可以将微弱的交流电压转换成支流电压，这就是精密整流电路。
课题设计中绝对值整流电路选用四路集成运算放大器芯片LM324，LM324中包含四个运算放大，一路精密整流需要两个放大器，要四路整流就需要两个LM324，一路全波精密整流电路及输出电压波形如图6所示。图6是其中的一路磨音信号的整流，其余的三路与之相同。
绝对值整流电路其工作原理为：电路图如图6，BPA输入，DCA输出。当输入Ui>0时，必然使第一级运放的输出U’o<0，U’o=-Ui。从而导致二极管D2导通，D1截止，电路实现反相比例运算，第二级运方输出电压Uo，Uo=-U’o=Ui 。
当Ui<0时，必然使第一个运放的输出U’o>0，从而导致二极管D1导通，D2截止，R5E中的电流为零，因此第一级运放输出电压U’o =0。第二级运放为反相比例运算，Uo =- Ui。
当输入Ui >0时，Uo =Ui；当Ui<0时，Uo =-Ui。电路达到了整流的作用，同时消除了二极管的压降。
为了确保对称，元件应该进行严格选择并满足以下条件：R1E=R2E；2R5E=R4E=R6E；R3E=(1/2)R1；R7E=(1/2)R6E，在本设计中选取R3E =1K 、R7E =1K ，则可得到R1E=R2E =2K，R5E =1K，R4=2K，R4E =2K。
1.3.2 微处理器板的电路设计
微处理器板的电路设包括，A/D转换电路，CPU外围电路，键盘，液晶等电路。
1） A/D转换电路的设计
A/D转换电路的设计，采用AD转换芯片TLC2543CN，TLC2543CN是12位开关电容逐次逼近模数转换器。每个器件有三个控制输入端：片选（CS），输入/输出时钟（I/O CLOCK）以及地址输入端（DATA  INPUT）。它还可以通过一个串行的3态输出端（DATA  OUT）与主处理器或其外围的串行口通讯，输出转换结果。
课题的研究是对四个频带的磨音与磨机负荷关系的研究，采集的是四路磨音的频带信号，需四路A/D转换，TLC2543CN可以对11路模拟信号转换。由于磨机负荷检测是一个很复杂。影响检测磨机负荷的因素很多，被磨物料的性质种类，水分，颗粒大小等。为了以后电耳的扩展和磨机负荷的多因素测量，在硬件设计上再留出四路A/D转换通道。另外的三路接地不用，如电路图8所示。在电路图7中，DCA，DCB，DCC，DCD是经过精密整流后的四个频带的磨音信号，经A/D转换后有DATAO串行输出到单片机的P1.5脚。

图7 A/D转换电路
Fig.7 A/D converter circuit
2） 单片机外围电路
单片机采用采用89C52，单片机的外围器件主要有看门狗x25045，外部数据存储器RAM62256，可编程键盘、显示接口芯片8279，8位地址锁存器74LS373，液晶模块LCM128643和键盘等。处理器的外围电路如图8所示。
（1） 单片机的引脚说明
单片机89C52的P0口作为8位数据线，P2口作为外部数据存储器的高8位地线，外部数据存储器的低8位地址有P0口经过8位地址锁存器74LS373得到。P1.1作为AD位/转换的模拟信号选择通道控制端。
（2） 看门狗x25045电路
看门狗电路是微机系统抗干扰措施之一。工程系统在运行时，通常都会遇到各种各样的现场干扰，抗干扰能力是衡量工控系统的一个重要指标。看门狗电路是自行监控系统运行的重要保证，几乎所有的工控系统都包括看门狗电路。
（3） 键盘相关电路
键盘接入单片机通过一个可编程键盘、显示接口芯片8279。 8279可用作单片机的可编程通用键盘与显示器接口，可以为64键的接触式按键阵列提供扫描接口，可以自动消除按键抖动。
电耳的键盘的设计采用的是行列式键盘，行列式键盘又称为矩阵式键盘，用I/O口线组成行列结构，按键设置在行列交叉点上，本设计的键盘按键数为16个按键，这就需要四列和四行。SL0-SL2通过3-8译码器LS138输出Y0-Y3作为列输入，RL0-RL3作为列输出。8279和单片机接口控制电路如图9所示。

图8 处理器的外围电路
Fig.8 The external circuit of processor
（3）液晶显示电路
电耳的设计的液晶模块用的是LMC128643，LMC128643控制芯片为KS0170B和KS0180A编程兼容HD61203U和HD61202U。LMC128643采用8位并行数据传输方式，显示内容128×64点，图形点阵， 8×4行。由于LMC128643已经嵌入了控制模块所以液晶显示外接电路非常简单，只要将单片机的数据线与液晶模块的数据线相连，读 、写引脚相连即可。这里就不在具体画出。

图9 8279和单片机接口控制电路
Fig.9 the Interface Circuit of 89c52 and 8279
3.1.3 电源板电路的设计
电源电路主要是给电耳电路提供电源，电源主要是给各个芯片供电，电耳电路中需要±5V，±12V。AD转换对电源要求比较高，电源的质量对精度有很大影响，在电源的设计上要考虑到电源去耦当使用TLC2543这种12位器件时，必须注意电路扳设计。每个模拟集成电路的电源端必须用一个0.1uF的陶瓷电容连到地端，作去耦用。接地线也要注意，对模拟器件和数字器件，连回到电源的地线回路必须分开。防止数字部分的噪声电流通过模拟地回路引入。这种噪声电流在模拟地回路引入噪声电压，干扰模拟信号。地线回路有一定阻抗。尽可能的，地线要宽或用地平面，以减小这个阻抗。在电源的设计上单独做一个给TLC2543供电电源。由于电源电路比较简单，在这里就不把电路画出来。
3.2软件的实现
软件设计采用模块化设计，软件设计主要包括电耳硬件的相关软件设计和BP算法的软件设计。电耳的相关软件主要有A/D转换，键盘扫描和处理，液晶初始化及数据显示等。BP算法软件主要用C语言编写，编程环境用的是Visual C++6.0。由于电耳硬件的相关软件设计比较简单，在这里就不给写出。这里主要说明下BP算法软件设计。
本BP网络采用三层，一个输入层，一个隐藏层，和一个输出层。输入层的节点数为4个（四个频带的信号），输出层的节点数1个（磨机的负荷值）。隐藏层的节点数采用通过键盘输入手动改变，当神经网络的结构和权值确定后，网络从输入到输出就够成了一个非线性的映射。对三层的BP网络很多人证明了万能逼近定理，含一个隐层的3层BP网络，只要隐节点足够多，能任意逼近有界域上的任意连续函数[20-21]。隐层的节点数，通过实际测得的数据特点，训练，进行手动调整，直到逼近网络满足要求为止。
BP网络算法的具体编程方法。
（1）网络初始化。随机确定权值、阈值初始值。设定隐藏层的节点数、学习因子、动量因子。
用＃define预处理宏定义命令分别定义学习样本个数、输入层神经元数目、输入层神经元数目、隐层神经元个数目、输出层神经元数目为N、IN、HN、ON。这里IN=4，ON =1，HN在实际训练中进行手动调整。输入层至隐层权值、隐层至输出层权值分别用实数型数组W[HN][IN]和V[ON][HN]存放。隐层的阈值、输出层的阈值分别YU_HN[HN]、YU_ON[ON]。输出层至隐层学习效率、隐层至输入层学习效率分别为a、b。动量因子为alpha。
初始化输入层到隐层的权值，随机模拟-0.5—0.5。编程为：for(i=0;i<HN;i++) {
for(j=0;j<IN;j++) {W[i][j]=(float)(((rand()/32767.0)*2-1)/2);} }；
初始化隐层到输出层的权值，随机模拟-0.5—0.5。编程为：for(ii=0;ii<ON;ii++) {for(jj=0;jj<HN;jj++) {V[ii][jj]= (float)(((rand()/32767.0)*2-1)/2);}}；
（2）向BP网络依次提供数据N个样本。四维矢量X（x1,x2,x3,x4）即低频带，中频带，中高频带，和高频带信号。设当前的输入为第m个样本。
定义一个结构放测试样本。struct {float input[IN];float expect[ON];}Test_Data[N];
结构体中input[IN]样本输入和expect[ON]对应的期望输出。
（3）计算隐层输出值。隐层单元输出值采用S型函数，其计算公式为，
，
式中：为输入层的第i个神经元至隐层第j个神经元的连接权值；为阈值。
隐层的输入、隐层的输出分别定义两个实数型数组X[HN]、H[HN]存放。实数型数组P[IN]放当前样本。隐层的输出编程：for(i=0;i<HN;i++) {
sigma1=0.0;
for(j=0;j<IN;j++)
{sigma1+=W[i][j]*P[j];}
X[i]=sigma1+YU_HN[i];
H[i]=1.0/(1.0+exp(-X[i]));
}
（4）计算输出单元的输出值，输出单元的输出值即输出网络的输出。输出值也采用S型函数，计算公式为，
，
式中：为输出层的第k个神经元输出值，这里输出层的神经元只有一个k=1。为隐层第j个神经元至输出层第k个神经元的连接权；为输出层第k个神经元的阈值。为隐层第j个神经