磨音信号是反映磨机运行状态的一个重要参数，准确区分不同状态下的磨机信号将直接影响后续磨机运行参数优化的结果。通过聚类算法可以对磨音信号进行分类，为使磨音信号聚类效果更优，不仅需要类内距离小，还需要类间距离尽可能大。由此提出一种基于局部稳定性加权动态时间规划(Local Stability Dynamic Time Warping，LSDTW)和优化k-medoids 的磨音信号聚类方法。首先为克服动态时间规划(Dynamic Time Warping，DTW)得到的计算结果对噪声高度敏感的缺点，使用局部稳定性估计对DTW加权计算来降低噪声对计算结果的影响，其次针对k-medoids聚类需要多次计算才能确定聚类个数的不足，提出使用异常迭代模式(Abnormal Pattern，AP)优化k-medoids 方法选取代表性的初始集群中心。采用优化k-medoids 方法对LS-DTW的结果进行聚类分析，以平均轮廓系数作为评价标准，对比LS-DTW-k-medoids、DTW-k-medoids、DTW-优化k-medoids、k-means++算法效果可知，经本文方法聚类后，类内紧致性更优。

针对球磨机筒体振动信号中存在非线性、非平稳性及环境噪声强等问题，提出一种基于粒子群优化最小二乘支持向量机（PSO-LSSVM）球磨机负荷参数（填充率和料球比）预测方法，并开发基于LabVIEW的球磨机负荷参数监测系统。通过粒子群(PSO)优化最小二乘支持向量机（LSSVM）算法中的正则化参数y 和核函数宽度，简化求解过程，提高模型训练速度。以球磨机筒体振动信号的Hilbert-边际谱样本熵为输入，以球磨机筒体内部的填充率和料球比为输出，建立基于PSO-LSSVM的磨机负荷参数预测模型。与LSSVM预测结果比较，该模型的预测精度较高，填充率平均绝对误差降低0.05、平均绝对百分误差降低8.09 %；料球比平均绝对误差降低0.04、平均绝对百分误差降低2.76 %。在线测试结果表明该在线监测系统准确率为64.37 %，且系统运行一次的平均时间为45 s，可实现球磨机负荷参数的实时预测。

为了对球磨机磨矿过程中筒体内部负荷(填充率、料球比)进行研究，提出采用小波分析方法对球磨机轴承振动信号进行特征提取。以实验球磨机为对象，采集轴承座振动信号，经降噪处理和Welch法功率谱分析后得到频谱图，选用合适的小波函数，进行小波包分解后得到信号各频段的能量值和总能量值，再以各节点能量值作为对应内部负荷的特征向量，引入欧氏距离对不同内部负荷进行区别。通过实验证明该方法有效。