[0001] 本发明属于工业安全运行控制技术领域，具体涉及一种基于分布式动态贝叶斯网络的煤泥浮选安全运行控制方法。

[0002] 选矿是矿产资源加工中的关键生产环节，直接影响矿产资源的利用率和回收率。浮选是选矿中最重要的矿物分选方法，它广泛应用于湿法冶金、煤炭、化工等行业。煤泥浮选过程复杂，变量之间存在强烈的非线性和不确定性关系。在煤泥浮选过程中，工作条件的剧烈波动和原材料的频繁变化，经常会导致各种异常工况的出现。异常工况的发生将直接影响产品质量，缩短生产设备的使用寿命，严重时甚至威胁到操作人员的人身安全。在实际生产过程中，消除异常工况的操作往往是根据经验人工调整的，但这种调整方法具有较强的主观性。为了解决人工处理异常工况的不足，迫切需要提供一种更加智能化的安全控制方法。

[0003] 对于常规的控制方法，需要构建系统的机理模型。但是，选煤过程工艺流程长，机理复杂，变量间存在非线性关系，无法建立精确的机理模型。为了提高控制性能，有必要整合专家知识和数据信息发展智能化的工业过程安全运行控制方法。常规的基于智能类决策支持系统的方法获得了大量关注。决策支持系统是指通过数据及模型分析，辅助决策者分析并做出正确的决策。贝叶斯网络在图模型中最具代表性，由于其在不确定性表达方面具有很大的优势，已经成为构建决策支持系统的重要方法。

[0004] 现代工业过程趋向于大规模，简单地将全流程的变量放在一个大的贝叶斯网络中实现工业过程的安全控制已然不现实，另外，这种方式虽然简单易懂，但是操作起来无论是从时间复杂度上还是空间复杂度上都是难以实现的，因而，其并不能有效地实现煤泥浮选过程安全运行的有效控制。因此，亟需提供一种能够更加精准的控制方式，以满足大规模工业化的控制需求。

[0049] 下面将对本发明作进一步说明。

[0050] 如图1所示，本发明提供了一种基于分布式动态贝叶斯网络的煤泥浮选安全运行控制方法，包括如下步骤：

[0051] 步骤一：煤泥浮选的简化全流程图如图4所示，煤泥浮选工艺流程包括原煤筛分、煤介混合、重介质调配与回收、旋流器分选、煤泥脱介、煤泥浓缩、浮选预处理、泡沫浮选等。整个过程包括煤泥仓、单层双层筛、煤泥混合桶、旋流器、磁选机、煤泥桶、浓缩机、矿浆预处理器、浮选槽等设备。依据整个工艺流程或依据长期实践中所各界的工艺知识将煤泥浮选过程进行分块，分为原煤处理模块、重介质选煤模块和浓缩浮选模块三个子模块，并确定煤泥灰分为全局质量指标；由此，全流程运行调整问题可以近似化为这三个模块的运行调整问题。

[0052] 步骤二：煤泥浮选过程涉及10个测量变量和6个操作变量，其中10个测量变量如表1所示，6个操作变量如表2所示；

[0053] 表1煤泥浮选过程测量变量

[0054]

[0055]

[0056] 表2煤泥浮选过程操纵变量

[0057]

[0058] 确定每个模块与全局质量指标相关的变量，并进行变量分配，变量分配结果如表3所示；

[0059] 表3子模块变量分配结果

[0060]

[0061] 确定出原煤处理模块与全局质量指标相关的变量为原煤仓入煤量、双层筛出料流量、单层筛出料流量和浮选槽溢流灰分；

[0062] 确定出重介质选煤模块与全局质量指标相关的变量为混合介质桶入煤流量、混合介质桶矿浆密度、旋流器介质密度、旋流器入介压力、旋流器溢流灰分、合格介质桶密度调节、合格介质桶介质密度和浮选槽溢流灰分；

[0063] 确定出浓缩浮选模块与全局质量指标相关的变量为浓缩机底流流量、浓缩机介质密度、矿浆预处理器介质密度、浮选槽搅拌速度和浮选槽溢流灰分；

[0064] 步骤三：确定全局网络中变量的状态以及局部网络中变量的状态：

[0065] S31:确定出全局网络中变量主要为特征变量和质量变量，且质量变量状态主要为正常和异常两种状态，质量变量状态正常采用1表示，质量变量状态异常采用2表示；

[0066] S32:确定出局部网络中变量主要为过程变量和质量变量，且过程变量状态主要为正常、异常值偏低和异常值偏高三种状态，过程变量状态正常采用1表示，过程变量状态异常值偏低采用2表示，过程变量状态异常值偏高采用3表示；

[0067] 步骤四：建立全局贝叶斯网络和局部贝叶斯网络；

[0068] 如图2所示，根据原煤处理模块、重介质选煤模块和浓缩浮选模块与全局质量指标之间的关系建立全局贝叶斯网络；该过程中，可以利用专家知识进行局部贝叶斯网络的建立；

[0069] 如图3所示，根据原煤处理模块、重介质选煤模块和浓缩浮选模块之间的关系建立三个模块之间的局部贝叶斯网络；该过程中，可以利用专家知识进行局部贝叶斯网络的建立；

[0070] 如图5所示，根据原煤仓入煤量、双层筛出料流量、单层筛出料流量和浮选槽溢流灰之间的关系建立原煤处理模块的局部贝叶斯网络；该过程中，可以利用专家知识进行局部贝叶斯网络的建立；

[0071] 如图5所示，根据混合介质桶入煤流量、混合介质桶矿浆密度、旋流器介质密度、旋流器入介压力、旋流器溢流灰分、合格介质桶密度调节、合格介质桶介质密度和浮选槽溢流灰分之间的关系建立重介质选煤模块的局部贝叶斯网络；该过程中，可以利用专家知识进行局部贝叶斯网络的建立；

[0072] 如图5所示，根据浓缩机底流流量、浓缩机介质密度、矿浆预处理器介质密度、浮选槽搅拌速度和浮选槽溢流灰分之间的关系建立浓缩浮选模块的局部贝叶斯网络；该过程中，可以利用专家知识进行局部贝叶斯网络的建立；

[0073] 步骤五：根据原煤处理模块中特征变量、重介质选煤模块中特征变量和浓缩浮选模块中特征变量之间的相关性将全局贝叶斯网络转化为全局动态贝叶斯网络，如图6所示，在图6中，Sub1、Sub2、Sub3分别代表原煤处理模块中特征变量、重介质选煤模块中特征变量和浓缩浮选模块中特征变量，S代表全局质量变量；

[0074] 步骤六：判断局部贝叶斯网络中是否存在回环结构，有回环结构则进入步骤七，否则进入步骤八；从图5中可以看出，原煤处理模块的局部贝叶斯网络没有回环结构，重介质选煤模块的局部贝叶斯网络和浓缩浮选模块的局部贝叶斯网络中均有回环结构；

[0075] 步骤七：通过公式(1)利用传递熵确定局部回环贝叶斯网络的最弱因果关系，并将最弱关系中的父节点置于前一时间片，子节点位于当前时间片，以将这种因果关系转化为局部动态贝叶斯网络；

[0076]

[0077] 式中，T(Xi+1|Xi,paG(X))是变量X到变量paG(X)的传递熵，X和paG(X)表示为有向边连接的子节点和父节点,paG(X)是变量X的父节点，xi和paG(X)j表示X和paG(X)在第i和j的数据批次，xi+1表示X在未来下一个批次数据；

[0078] 重介质选煤模块的局部贝叶斯网络和浓缩浮选模块的局部贝叶斯网络中的回环结构计算值如表4所示，建立的局部动态贝叶斯网络如图7所示；

[0079] 表4回环结构中变量间传递熵值

[0080]

[0081] 在表4中，将重介质选煤模块的局部贝叶斯网络中K‑>E和浓缩浮选模块的局部贝叶斯网络中N‑>M转化为时间片之间的连接关系；

[0082] 步骤八：通过公式(2)利用所收集的煤泥浮选过程数据分别对局部动态贝叶斯网络和全局动态贝叶斯网络进行参数学习，在公式(2)中的最大似然估计方法通过数据与参数的似然程度来进行参数学习，其中，主要包括三类参数，先验概率、条件概率和时间片之间传递概率，并通过公式(3)获得参数的最大似然估计值；

[0083] θ*＝arg maxθL(θ|D)   (2)；

[0084]

[0085] 式中，θ代表给定参数，样本数据集D包含M个样本D＝{D1,D2,...,DM},其中Dm＝*{dm1,dm2,...,dmn}m＝1,2,...,M，θ为利用最大似然估计后的参数；L(θ|D)代表θ的似然函数，其具体形式为P(D|θ)，其采用其对数形式来表示，
mijk表示样本数据D中满足Xi＝k
和pa(Xi)＝j的样本数量； 为最大似然估计值；

[0086] 为了进一步进行说明，通过表5至表14进行部分条件概率的展示；

[0087] 表5节点A的先验概率表

[0088]

[0089] 表6模块1节点S*的条件概率表

[0090]

[0091] 表7节点D、G、I的先验概率表

[0092]

[0093] 表8模块2的转移概率表

[0094]

[0095] 表9节点L、P的先验概率

[0096]

[0097] 表10模块3的转移概率表

[0098]

[0099]

[0100] 表11全局网络模块特征变量的先验概率

[0101]

[0102] 表12模块1和模块2之间转移概率表

[0103]

[0104] 表13模块2和模块3之间的转移概率表

[0105]

[0106] 表14模块3和模块1之间的转移概率表

[0107]

[0108] 步骤九：完成分布式动态贝叶斯网络模型的建立；

[0109] 步骤十：步骤十：先利用布置在煤泥浮选工业系统中的传感器组在线采集煤泥浮选过程的数据，再将采集到的数据进行数据预处理，然后将在线异常数据离散化后作为证据信息输入到分布式动态贝叶斯网络中进行控制决策的推理；

[0110] 步骤十一：先将质量指标异常作为证据信息输入到全局网络中，推理得到原煤处理模块的异常概率、重介质选煤模块的异常概率和浓缩浮选模块的异常概率，具体地，异常概率如图8所示，再根据异常概率确定出发生异常的模块，并得到对模块的调整决策；

[0111] 全局网络推理规则如下：全局网络推理的结果包括前一时间片的异常概率以及当前时间片的异常概率，如果当前时间片发生异常的概率最大，则需要考量前一时间片前一模块的概率是否最大，如果是的话则对前一模块进行操作，否则对当前模块进行操作；

[0112] 为了测试所建模型的有效性选取四个案例进行研究，如表15所示，将正常的质量指标和部分过程变量的状态作为证据信息输入到局部网络中，推理出对变量的调整决策；

[0113] 局部网络推理规则如下：输入当前时间片变量的状态作为证据信息，推理出前一时间片操作变量的调整。推理出具体的操作调整如表16所示；

[0114] 表15案例的证据信息

[0115]

[0116] 表16分布式动态贝叶斯网络案例的调整策略

[0117]

[0118] 步骤十二：在煤泥浮选控制系统中实施所获得的调整决策，并判断异常工况是否移除，若移除则进入正常工况运行状态，若未移除则选择全局网络推理时第二大异常概率的模块进行调整，并在煤泥浮选控制系统中实施调整后的决策；

[0119] 步骤十三：判断异常工况是否移除，若移除则进入正常工况运行状态，若未移除则按照步骤十二的方式继续进行调整，直至异常工况移除；

[0120] 步骤十四：设置更新时间，利用公式(4)根据更新时间对分布式动态贝叶斯网络进行参数更新，确保模型的可靠性，动态贝叶斯网络的参数更新方法主要是通过整合新数据和历史数据信息的方式完成；

[0121]

[0122] 式中， 为历史数据中变量Xi为状态k同时其父节点在状态j的样本个数， 为新数据中变量Xi为状态k同时其父节点在状态j的样本个数；

[0123] 步骤十五：在煤泥浮选控制系统中循环执行步骤十至步骤十四，对实际煤泥浮选生产过程进行控制。

[0124] 为了验证本申请所提及的调整算法的有效性，在所搭建的仿真平台上模拟所选取的四个案例，并应用模型所提供的控制决策，观察质量指标的异常是否能够消除，四个案例多对应的网络参数互不相同。如图9所示，设定质量指标阈值为9.5％，超过阈值之后将作为证据输入到已建立的模型中经过推理实施控制决策。图中四个控制曲线利用的是本申请所提的分布式动态贝叶斯网络模型经过推理之后实施的控制。很明显可以看出，控制效果准确并且及时。因此，本申请所提出的分布式动态贝叶斯网络给出的控制决策不仅能够推理准确而且控制比较及时。

[0125] 本发明中，先将整个工业过程进行三个子模块的分块，接着依据模块的相关变量与全局质量指标得到全局贝叶斯网络和局部贝叶斯网络，再将全局贝叶斯网络转化为全局动态贝叶斯网络，然后，对于存在回环的局部贝叶斯网络利用最弱因果关系转化为局部动态贝叶斯网络，之后通过最大似然估计法进行参数学习并得到分布式动态贝叶斯网络。在分布式动态贝叶斯网络建立之后，利用异常数据进行控制决策的推理，并实施控制决策，以有效消除异常工况，该方法能够有效确保产品质量的达标，同时，有利于确保生产设备的使用寿命。

[0126] 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。煤泥浮选过程由于变量过多会导致建模的复杂性，提出了对全流程进行模块化，建立由全局到局部的分布式贝叶斯网络模型。然而，长流程被模块化后所建立的分布式贝叶斯网络存在两个问题，一是将全流程进行模块化后会不可忽视模块间异常传递的问题，二是局部网络由于介质回流和反馈的存在所导致贝叶斯网络中出现回环结构的问题。本发明为了提高煤泥浮选过程分布式建模的有效性，从以上两个问题出发，创造性的提出了基于分布式动态贝叶斯网络安全运行控制方法，其将分布式贝叶斯网络中全局网络建立为动态贝叶斯网络模型，进而实现了煤泥浮选过程的模块化控制，由于动态贝叶斯网络模型中不同时间片之模块相连，因而其可以有效解决以上两个问题。本申请在局部贝叶斯网络建立过程中利用传递熵识别出回环中最弱的因果关系，将最弱关系中的父节点置于前一时间片，子节点位于当前时间片。本发明提出的基于分布式动态贝叶斯网络安全运行控制方法，其实施过程简单，实施成本低，尤其适用于煤泥浮选过程中使用，验证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，为操作人员的安全控制决策提供可靠的技术依据。