基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法

1.本发明属于工业安全运行控制技术领域，具体涉及一种基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法。


背景技术：

2.在实际的生产过程中，煤泥浮选过程的基础自动化程度较低，其受到运行环境复杂，不确定因素及扰动频繁发生的影响，容易出现分选效果不理想的情况，产品煤品质不一致，甚至会出现异常的工况。异常工况的发生不仅会影响产品煤的品质，甚至会威胁到人身的安全。因此，工业生产过程中的安全运行控制技术对于减少材料损耗，提高产品性能及保障操作人员的生命财产安全具有十分重要的意义。
3.现阶段，当选煤过程发生异常工况时，往往依靠操作人员的经验和知识来分析导致异常工况发生的原因，并做出相应的控制决策，以使被控变量保持在一定合理范围内。然而，由于实际生产环境非常复杂，许多设备显示的异常信息并不完全，这极大的增加了人为进行过程分析的难度。这样，即使可以获得足够多的信息，受到自身经验、知识局限性的影响，操作人员也很难确定出导致异常工况发生的原因，并做出正确的控制决策。
4.近年来智能安全控制方法主要包括基于机理模型的方法、基于专家知识的方法以及基于数据驱动的方法。以上的方法都存在一些问题，比如基于机理模型的方法存在流程工业机理复杂、变量之间耦合严重的问题，因此，对于复杂工业很难建立精确的机理模型。而专家知识的方法相关操作经验存在一定的主观性，因此，基于专家知识的方法精确度很难达到要求。另外，基于数据驱动的方法可解释性差，不利于操作人员的理解。与此同时，采取贝叶斯网络进行安全控制已经得到广泛的关注和重视。贝叶斯建模关键的一步是结构学习，目前比较成熟的贝叶斯结构学习主要有：基于专家知识建立贝叶斯结构的方法，以及基于数据驱动建立贝叶斯结构的方法。但是，现代工业过程趋向于大规模化，过程知识很难通过分析的方式获得，因此，基于专家知识建立贝叶斯结构的方法行不通。基于数据驱动建立贝叶斯结构的方法倾向于将过程中所有的节点放在一个模型中进行学习，变量之间耦合严重。其次，基于数据驱动建立贝叶斯结构的并未考虑变量的历史状态对变量间的影响，因而，其精确度仍然无法满足要求。


技术实现要素：

5.针对上述现有技术存在的问题，本发明提供一种基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法，该方法能帮助操作人员快速准确的确定出导致异常工况发生的原因，能为操作人员做出正确的安全控制决策提供可靠的依据，并可显著提高建模的效率，同时，能有效增加建模的精确度。
6.为了实现上述目的，本发明提供一种基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法，包括以下步骤：
7.步骤1：分析流程工业中的过程知识并确定需要用到的变量和几种常见的异常工
况1
…
k；
8.步骤2：确定贝叶斯网络节点的个数，并划分其状态；
9.步骤3：将变量集对应的数据进行离散处理；
10.步骤4：根据公式(1)利用互信息从全部变量中确定出异常工况相对应的变量集1
…
k；
[0011][0012]
步骤5：先在传统的bic评分函数中引入传递熵得到改进的评分函数，再将离散处理后的数据输入到公式(5)中的改进评分函数中进行结构学习得到贝叶斯结构1
…
k；
[0013][0014]
步骤6：对学习到的贝叶斯结构利用最大似然函数进行参数学习得到model 1
…
model k，其具体步骤如下：
[0015]
步骤6.1：最大似然估计方法根据公式(6)通过数据与参数的似然程度来进行参数学习；
[0016]
θ
*
＝argmax
θ
l(θ|d)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0017]
式中，θ为给定参数，d为样本数据集，其包含m个样本，d＝{d1,d2,...,dm},其中dm＝{d
m1
,d
m2
,...,d
mn
}m＝1,2,...,m；
[0018]
步骤6.2：根据公式(7)计算θ的似然函数l(θ|d)；
[0019][0020]
式中，m
ijk
表示样本数据d中满足xi＝k和pa(xi)＝j的样本数量；
[0021]
步骤6.3：根据公式(7)找到使得l(θ|d)取得最大值的
[0022][0023]
步骤6.4：对参数学习完的贝叶斯网络模型针对根节点添加相应的控制决策方案，得到精细化控制模型1
*
...k
*
；
[0024]
步骤7：提取在线异常数据并利用专家知识选择对应的精细化模型；
[0025]
步骤8：将在线提取的数据离散化处理数据输入到选择的模型中进行推理；
[0026]
步骤9：根据步骤8的推理结果对模型根节点进行调整；
[0027]
步骤10：判断异常工况是否移除，若移除则进入正常工况运行状态，若未移除则利用更新后的异常工况作为证据继续推理；
[0028]
步骤11：判断异常已移除则进入正常模式。
[0029]
流程工业过程安全稳定地运行具有重要的意义，只有保证了工业过程的安全稳定
运行才能提高产品的性能，进而有效保护操作人员的人身安全，从而达到提高经济效益的目的。但是复杂过程生产环境恶劣、原料特性波动巨大，且成分组成复杂，导致了工业生产过程经常发生各种异常工况，对此，需要通过智能安全控制方法给出正确的控制决策。贝叶斯网络作为一种强大的推理和知识表达工具，被广泛用于安全控制与决策之中。但是，随着流程工业的规模不断扩大，变量之间耦合严重，构建准确的贝叶斯网络变得越来越困难。同时，变量间的关系不仅仅受到当前状态的影响，还会受到变量历史状态的影响。为了解决这一问题，本技术提出了一种新的基于多模型与传递熵的建模方法。多模型即针对不同的异常工况分别建立贝叶斯模型，可以有效地避免变量间的耦合，并能有效提高推理效率。贝叶斯模型用于安全控制中最关键的一步在于贝叶斯结构学习，目前结构学习主要是基于专家知识和基于数据驱动的结构学习方法。但是现代工业过程趋向于大规模，过程知识很难通过分析的方式获得，因此，利用专家知识建立贝叶斯结构面对复杂工业过程并不合理。而基于数据驱动的方法可以避免采用专家知识方法带来的弊端。但是，数据驱动的方法目前趋向于将过程中所有的变量放在一个模型中进行建立，变量间耦合严重，另外，现有数据驱动方法只考虑了变量当前的状态，并未考虑变量的历史状态对变量影响，导致学得的结构并不是十分准确。而通过传递熵建立贝叶斯结构可以显著提高建模的精确度，在传统的bic评分函数中引入传递熵可以消除变量的历史状态对变量间的因果关系的影响，在此基础上对参数学习完得到的贝叶斯结构可以显著提高精确度。在建立贝叶斯网络之后将异常工况的现象变量作为证据信息输入其中，通过贝叶斯推理得到不同等级决策变量的后验概率，并遵循后验概率最大的原则获取相应的控制决策。
[0030]
本发明中的安全控制方法能够有效整合专家知识和数据信息的贝叶斯模型，并通过bic评分函数和传递熵相结合的方式进行评分，大大提高了学得的结构的准确性。首先，针对常见的异常工况，融合了定性专家知识和定量数据信息形成了贝叶斯网络模型的安全控制方法，能为煤泥浮选过程中异常工况的处理提供了可靠的依据。其次，针对全流程浮选过程中变量间耦合严重的情况，如果建立一个大的贝叶斯网络太过迟滞，因此，本方法中引入了全流程多模型的概念，可以大大提高建模的效率以及推理的灵活性。
附图说明
[0031]
图1是基于贝叶斯网络的安全运行控制建模及在线应用策略流程图；
[0032]
图2是煤泥浮选过程浓缩机、矿浆预处理器到浮选槽三部分的简化工艺流程图；
[0033]
图3是利用改进的结构学习方法学得的溢流灰分异常贝叶斯结构图；
[0034]
图4是利用改进的结构学习方法学得的浮选槽液位异常贝叶斯结构图；
[0035]
图5是溢流灰分异常对应的精细化贝叶斯网络控制图；
[0036]
图6是浮选液位异常对应的精细化贝叶斯网络控制图；
[0037]
图7是针对异常工况事件3在控制决策实施后溢流灰分的变化曲线；
[0038]
图8是针对异常工况事件3在控制决策实施后浮选槽液位的变化曲线。
具体实施方式
[0039]
下面结合实施例和附图对本发明作进一步说明，以对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实
施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有开展创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
如图1至图5所示，本发明提供了一种基于多模型与传递熵的煤泥浮选过程贝叶斯网络控制方法，包括以下步骤：
[0041]
步骤1：分析流程工业中的过程知识并确定需要用到的变量和几种常见的异常工况1
…
k；
[0042]
煤泥浮选过程现场生产环境恶劣、原料特性波动巨大且成分组成复杂，同时，受到传感器漂移、设备失效和操作失误等诸多因素的影响，工业生产过程中经常会发生各种异常工况，因此，在深入研究分析煤泥浮选过程中异常工况产生机制及相关操作方案的基础上，需要确定出异常工况变量；
[0043]
步骤2：确定贝叶斯网络节点的个数，并划分其状态；
[0044]
进行贝叶斯网络结构学习之前，需要确定网络节点的个数及状态；在实际的生产过程中，针对不同程度的异常工况，要制定不同等级的控制决策，因而需要将贝叶斯网络节点划分成不同的等级。鉴于等级个数的增多会增大模型的复杂度，会进一步提高贝叶斯网络参数学习的难度，因此本技术中，将贝叶斯网络的节点等级划分成三个；
[0045]
步骤3：将变量集对应的数据进行离散处理；
[0046]
步骤4：根据公式(1)利用互信息从全部变量中确定出异常工况相对应的变量集1
…
k；
[0047][0048]
步骤5：将离散处理后的数据输入到公式(5)中的改进评分函数中进行结构学习得到贝叶斯结构1
…
k；
[0049]
传统的贝叶斯结构学习算法主要是基于评分搜索的方法，贝叶斯网络结构学习的本质是在bn(bayesian network)结构空间中找到与样本数据拟合度最高的结构作为最优的网络拓扑结构g，如公式(2)所示中，即选择出后验概率值最大的网络结构；
[0050][0051]
在传统的结构学习算法中最常用的评分函数是bic(贝叶斯信息准则)，如公式(3)所示，该评分函数主要有两部分组成，第一部分代表的是数据对结构的拟合程度，第二部分是为了消除数据对结构的过拟合；
[0052][0053]
传递熵是对信息准确度和价值的有效测度，传递熵表明了给定信息的不确定性，其计算过程如公式(4)所示；
[0054][0055]
在传统的bic评分函数中引入传递熵可以消除变量的历史状态对变量间的因果关
系的影响，进而得到改进的评分函数，具体如公式(5)所示；
[0056][0057]
将离散处理后的数据输入到公式(5)中，用改进的评分函数进行贝叶斯结构学习得到异常工况下的贝叶斯结构；
[0058]
步骤6：对学习到的贝叶斯结构利用最大似然函数进行参数学习得到model 1
…
model k，其具体步骤如下：
[0059]
步骤6.1：最大似然估计方法根据公式(6)通过数据与参数的似然程度来进行参数学习；
[0060]
θ
*
＝argmax
θ
l(θ|d)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0061]
式中，θ为给定参数，d为样本数据集，其包含m个样本，d＝{d1,d2,...,dm},其中dm＝{d
m1
,d
m2
,...,d
mn
}m＝1,2,...,m；
[0062]
步骤6.2：根据公式(7)计算θ的似然函数l(θ|d)，似然函数l(θ|d)的具体表现形式为p(d|θ)；
[0063][0064]
式中，m
ijk
表示样本数据d中满足xi＝k和pa(xi)＝j的样本数量；
[0065]
步骤6.3：最大似然估计就是找到使得l(θ|d)取得最大值的根据公式(7)获得参数的最大似然估计；
[0066][0067]
步骤6.4：对参数学习完的贝叶斯网络模型针对根节点添加相应的控制决策方案，得到精细化控制模型1
*
...k
*
；
[0068]
步骤7：提取在线异常数据并利用专家知识选择对应的精细化模型；
[0069]
步骤8：将在线提取的数据离散化处理数据输入到选择的模型中进行推理；
[0070]
步骤9：根据步骤8的推理结果对模型根节点进行调整；
[0071]
步骤10：判断异常工况是否移除，若移除则进入正常工况运行状态，若未移除则利用更新后的异常工况作为证据继续推理；
[0072]
步骤11：判断异常已移除则进入正常模式。
[0073]
实施例1：
[0074]
步骤1：煤泥浮选的简化全流程工艺图如图2所示，以浓缩机、矿浆预处理器与浮选槽三部分的安全控制作为研究对象。三部分的安全控制共涉及10个变量，具体为：a、浓缩底流流量，b、浓缩机密度，c、矿浆预处理器密度，d、浮选槽溢流灰分，e、矿浆预处理器底流流量，f、浮选槽搅拌速度，g、药剂量，h、浮选槽液位，i、浮选槽底流流量，k、充气量。在深入分析煤泥浮选过程中常见异常工况的机制和相应操作经验的基础上，确定出两种异常工况分
别是d(浮选槽溢流灰分异常)与h(浮选槽液位异常)。
[0075]
步骤2：确定贝叶斯网络节点并划分其状态如表1所示；
[0076]
表1：贝叶斯网络节点的物理意义及其划分等级
[0077][0078]
步骤3：将变量集对应的数据进行离散处理；
[0079]
步骤4：利用公式(1)从全部变量中挑选出与浮选槽溢流灰分异常最相关的变量集、与浮选槽液位异常最相关的变量集，分别如表2和表3所示；
[0080]
表2：异常工况变量d与其他变量的互信息
[0081][0082]
表3：异常工况变量h与其他变量的互信息
[0083][0084][0085]
步骤5：将离散好的数据输入到公式(5)中的改进评分函数中进行结构学习得到异常工况贝叶斯结构1(浮选槽溢流灰分异常贝叶斯结构)和结构2(浮选槽液位异常贝叶斯结
构)，如图3(溢流灰分异常贝叶斯结构图)和图4(浮选槽液位异常贝叶斯结构图)所示；
[0086]
步骤6：对学习到的贝叶斯结构利用最大似然函数对两个模型进行参数学习；
[0087]
步骤6.1：对结构1进行参数学习如下表4-7所示；
[0088]
表4：节点a的条件概率表
[0089] a10.544520.279530.1760
[0090]
表5：节点b的条件概率表
[0091][0092]
表6：节点c的条件概率表
[0093][0094]
表7：节点d的条件概率表
[0095][0096][0097]
步骤6.2：对结构2进行参数学习如下表8和表9所示；
[0098]
表8：节点i、k的条件概率表
[0099] ik10.67700.676520.15150.153030.17150.1705
[0100]
表9：节点h的条件概率表
[0101][0102]
步骤7：对参数学习的两个模型中加入专家知识得到精细化安全控制模型如图5和图6所示；
[0103]
步骤7.1：其中变量a1、a2、a3分别代表浓缩机底流流量的三种状态正常、偏低、偏高，a1*、a2*、a3*分别代表对应浓缩机底流流量泵调整方向不变、调高、调低。变量f1、f2、f3分别代表浮选槽的搅拌速度的正常、偏低、偏高，f1*、f2*、f3*分别代表浮选槽转速对应的调整方向不变、调高、调低。变量k1、k2、k3分别代表充气量的状态正常、偏低、偏高，k1*、k2*、k3*分别代表充气量阀门对应的调整方向不变、调高、调低。变量i1、i2、i3分别代表浮选槽底流流量正常、偏低、偏高，i1*、i2*、i3*分别代表调整方向不变、调高、调低；
[0104]
步骤7.2：根据上述得到的精细化贝叶斯网络模型，在线采集的数据利用专家知识选择相应的精细化贝叶斯模型；
[0105]
步骤8：采集煤泥浮选过程中异常工况信息，并将其做离散化处理如下表10。其中事件1为正常运行工况，事件2-3为不同程度等级的异常工况事件；
[0106]
表10：重介质选煤过程中的三种可能发生的工况事件
[0107]
模型1工况序号d模型2工况序号h111122223333
[0108]
将异常工况现象变量作为证据信息输入到建立的安全控制贝叶斯模型中进行推理。利用团树传播算法得到推理结果如表11和表12所示；
[0109]
表11：模型1推理结果
[0110][0111]
表12：模型2推理结果
[0112][0113]
步骤9：当发生异常工况时，遵循后验概率最大的原则确定控制决策，并调整相应控制变量的设定值；
[0114]
表10中的工况事件作为证据信息，输入到安全控制贝叶斯网络模型中，利用团树传播算法得到的推理结果如表11-12所示。针对表11-12中每一个变量的后验概率，均遵循后验概率最大的原则确定根原因变量的状态，根据根变量状态所对应的操作方向进行调整。因此，以模型1的事件3为例，溢流灰分偏高所对应的根变量浓缩机底流流量状态为偏低，浮选槽搅拌速度状态为偏高，这两种状态所对应的阀门调整方向为：浓缩机底流泵转速调高、浮选槽搅拌速度调低。
[0115]
步骤10：判断异常工况是否移除。若移除，则进入正常工况运行状态，若未移除，则利用更新后的异常工况现象变量作为证据信息继续进行推理；
[0116]
步骤11：异常工况移除进入正常工况的操作模式；
[0117]
为了测试安全控制贝叶斯网络模型提供的控制决策的有效性，模型1以事件3为例，模型2以事件3为例。将获取相应的控制决策应用到典型流程工业过程运行状态精准认知与智能控制仿真平台中。
[0118]
首先针对模型1进行验证，浮选槽溢流灰分的阈值设定为9.7％，采样间隔为1秒钟。由图7可知，在第407个采样点时，溢流灰分开始上升。从第462个采样点开始，浮选槽溢流灰分达到了设定的阈值。贝叶斯网络安全模型1接收该异常工况的现象作为证据，并且提供相应的控制决策，在第462个采样点实施相应的控制决策后，大约在第607个采样点，浮选槽溢流灰分由异常状态迅速恢复到稳定的正常状态。
[0119]
对于模型2来说，浮选槽液位的阈值设定为0.95m。由图8可知在第275个采样点时，液位开始上升。从第395个采样点开始，浮选槽液位达到了设定的阈值。贝叶斯网络安全控制模型2接收该异常工况的现象作为证据，并且提供相应的控制决策，在第395个采样点实施相应的控制决策后，大约在第580个采样点，浮选槽液位由异常状态迅速恢复到稳定的正常状态。因此，可以看出安全控制贝叶斯网络模型提供的控制决策可以排除异常工况，改善分选效果。
[0120]
本发明针对变量间的耦合提出了针对异常工况分别建立贝叶斯模型，针对变量的历史状态对变量之间因果关系的影响提出将传统的评分函数与传递熵结合进行评分的方法，大大提高了建模的效率和准确性。该方法应用于煤泥浮选过程中，仿真结果表明该方法能够有效排除煤泥浮选过程中的异常工况，能为操作人员的安全控制决策提供可靠的依据。
[0121]
以上所述仅为本发明的示例性实施例，并不用以限制本发明，凡在本发明的精神
和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。