球磨机作为开发利用矿石资源的关键设备，其筒内负荷变化情况直接影响整个磨矿工业的生产安全和磨矿效率。由于球磨机封闭连续旋转的复杂运行环境，造成磨矿过程中的球磨机负荷难以具体描述。开展球磨机负荷检测方法研究，准确判别球磨机负荷状态，可为球磨机的优化控制和提高磨矿效率提供准确、可靠判据。
　　本文以工业现场湿式球磨机为主要研究对象，开展球磨机振动信号特征提取与负荷建模方法研究，以实现对球磨机负荷状态的准确判别，主要研究内容如下：
　　首先对球磨机负荷检测研究的社会意义和经济价值进行介绍，阐述球磨机负荷检测方法的国内外研究现状，总结常见球磨机振动信号特征提取方法，归纳现有融合多源信号的磨机负荷建模方法的优点和不足。研究磨矿生产流程和湿式球磨机工作原理，根据工业实际情况，将球磨机负荷状态划分为欠负荷、正常负荷、过负荷三种状态。深入分析球磨机筒体振动机理，并对筒体振动信号与磨机负荷做相关性分析。研究影响磨机负荷变化的主要因素，选取给矿量、给水量、等7个磨矿过程参数作为构建负荷检测模型的输入参数。
　　针对球磨机筒体振动信号负荷特征难以准确提取的问题，提出一种基于自适应VMD和改进功率谱估计的特征提取方法。该方法依据筒体振动信号生成原理，利用EMD的分解自适应性结合峰度参数对冲击量的敏感性，自适应确定VMD的模态数；采用数据延拓对自相关函数进行改进，有效避免自相关函数随着时延增大导致波形幅值衰减问题，引入Nuttall自卷积窗结合能量重心法提取振动信号模态分量的功率谱最大值对应频率作为负荷特征。应用工业实测数据进行实验，结果表明所提方法相比于EMD方法有更高的磨机负荷识别准确度，且自适应VMD相比于原VMD方法，具有更快的信号分解速度和负荷识别准确率。
　　针对球磨机封闭、连续旋转的复杂运行环境，导致基于单一信号的球磨机负荷检测可靠性不高的问题，采用磨矿过程参数结合筒体振动信号特征构建多源特征，建立基于GA-BP神经网络球磨机负荷识别模型，以实现球磨机负荷状态的准确、可靠判别。工业实测数据实验结果表明，本文应用基于GA-BP神经网络建立球磨机负荷识别模型，相比未经优化的BP神经网络迭代速度更快且具有高的负荷识别率，并且将磨矿过程参数与振动特征构成的多源特征建立负荷识别模型相比单振动特征负荷识别模型，能更准确的对负荷状态进行判别。
　　最后基于本文所提的振动信号特征提取与负荷建模算法，开发基于LabVIEW的球磨机负荷检测系统，详细阐述整个系统的架构，编程实现振动信号数据采集、特征提取、负荷检测、数据存储等功能，并应用工业实测数据完成负荷检测系统的测试实验，验证本文方法的准确性和有效性。