通過在實驗球磨機上做實驗，得到了大量的實驗數(shù)據(jù)，選取其中的部分作為樣本數(shù)據(jù)(見表1)，來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

　　表1 部分樣本數(shù)據(jù)

　　按照RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟和算法，對本文的球磨機系統(tǒng)逆模型的RBF神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真是在MATLAB7環(huán)境下，編制了相應(yīng)的程序?qū)崿F(xiàn)。訓(xùn)練后返回神經(jīng)網(wǎng)絡(luò)的權(quán)值、偏置值。網(wǎng)絡(luò)訓(xùn)練過程的誤差曲線如圖3所示。

　　對實驗樣本數(shù)據(jù)進行仿真，得到預(yù)測誤差曲線(神經(jīng)網(wǎng)絡(luò)輸出值與樣本目標(biāo)值之差的曲線)，如圖3所示。

　　圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線 圖4 神經(jīng)網(wǎng)絡(luò)預(yù)測誤差曲線

　　4 結(jié)束語

　　實驗結(jié)果表明，該系統(tǒng)能夠充分獲取并融合球磨機工作環(huán)境所提供的外部響應(yīng)信息，從而準(zhǔn)確地檢測出球磨機的負荷參數(shù)，為整個磨礦過程的自動控制提供了重要的技術(shù)支持。