本發(fā)明屬于濕法冶金技術(shù)，尤其涉及一種濕法冶金過程中濃密機(jī)的故障診斷方法。
背景技術(shù)：
：隨著我國工業(yè)化進(jìn)程的發(fā)展，資源問題成為制約我國發(fā)展的主要問題之一。礦產(chǎn)資源作為工業(yè)原料的主要來源，在經(jīng)濟(jì)社會發(fā)展中起著基礎(chǔ)性的作用。由于對礦產(chǎn)資源的粗放利用和大量消耗，致使我國面臨礦產(chǎn)資源嚴(yán)重緊缺的難題，高品位礦產(chǎn)資源的儲量正日益減少，形勢十分嚴(yán)峻。我國低品位礦產(chǎn)資源的儲量豐富，從貧、細(xì)、雜礦石中提取礦產(chǎn)資源成為了未來發(fā)展的必然趨勢，如何經(jīng)濟(jì)高效的利用低品位礦產(chǎn)資源對于我國經(jīng)濟(jì)社會的可持續(xù)發(fā)展具有重要意義。隨著礦石品位的不斷降低和對環(huán)境的要求日益嚴(yán)格，濕法冶金在低品位礦產(chǎn)資源的開發(fā)和利用中起著重要的作用。濕法冶金流程濃密洗滌是利用重力進(jìn)行固液分離的過程，可以節(jié)省大量能源，主要指標(biāo)是底流濃度。濃密洗滌過程是濕法冶金過程的一道關(guān)鍵工序。在工業(yè)生產(chǎn)中，通常將固體物料溶于溶劑中，將不同組分進(jìn)行分離，即濕法分選，選出的產(chǎn)物為固液兩相的懸浮液，為了得到含水較少的固體產(chǎn)物和基本不含固體的水，大多數(shù)情況下都要進(jìn)行固液分離。目前，濃密機(jī)洗滌過程的故障診斷大多數(shù)依靠操作人員主觀實現(xiàn)，自動化水平較低。濃密洗滌過程工藝復(fù)雜、生產(chǎn)環(huán)境惡劣，且具有大慣性、大時滯、影響因素多等特點，加之人為主觀因素的影響，很難實現(xiàn)準(zhǔn)確的故障診斷。在實際過程中，很多變量是實時變化且隨機(jī)性大，而且變動頻繁，這使得實現(xiàn)對濃密洗滌過程的故障診斷更加困難。技術(shù)實現(xiàn)要素：針對現(xiàn)有存在的技術(shù)問題，本發(fā)明提供一種濕法冶金過程中濃密機(jī)的故障診斷方法，該方法可以使操作人員根據(jù)故障診斷結(jié)果信息及時調(diào)整，進(jìn)而有效降低事故發(fā)生率，提高生產(chǎn)安全性。本發(fā)明的濕法冶金過程中濃密機(jī)的故障診斷方法，包括：獲取濕法冶金濃密機(jī)用于識別一種故障的在線定性信息和在線定量數(shù)據(jù)；針對在線定性信息，采用基于可信度的規(guī)則推理的方法獲取每一事件的可信度，并將該每一事件的可信度修正為證據(jù)理論的證據(jù)格式，獲得第一條證據(jù)；所述事件為故障識別過程中由在線定性信息確定的故障發(fā)生或不發(fā)生事件，或者故障原因追溯過程中在線定性信息中的導(dǎo)致故障發(fā)生的原因；(即在故障識別時，所述事件為該故障發(fā)生或者不發(fā)生；在故障原因追溯時，所述事件為導(dǎo)致故障發(fā)生的原因)針對在線定量數(shù)據(jù)，采用基于數(shù)據(jù)相似度的案例推理方法獲取待診斷案例的相似度，并將該待診斷案例的相似度修正為證據(jù)理論的證據(jù)格式，獲得第二條證據(jù)；所述待診斷案例為進(jìn)行案例推理時使用的由在線定量數(shù)據(jù)組成的向量；根據(jù)d-s證據(jù)理論融合規(guī)則，將兩條證據(jù)進(jìn)行融合，獲得濕法冶金過程中濃密機(jī)的故障診斷信息，所述故障診斷信息包括故障識別及故障原因追溯?？蛇x地，采用基于可信度的規(guī)則推理的方法獲取每一事件的可信度，并將該每一事件的可信度修正為證據(jù)理論的證據(jù)格式，獲得第一條證據(jù)，包括：若導(dǎo)致故障發(fā)生的n個事件的可信度cf1，cf2…cfn；則獲取第一條證據(jù)時的歸一化公式表示如下：其中，第一條證據(jù)的格式為{m11,m12…m1n}；m11,m12…m1n為基于可信度的規(guī)則推理方法的識別框架中各個元素的基本概率分布?？蛇x地，采用基于數(shù)據(jù)相似度的案例推理方法獲取待診斷案例的相似度，包括：通過下述公式一確定待診斷案例與源案例的相似度；公式一：其中，ck＝(x1k,x2k,...xik...xjk),k＝1,2,...n，表示案例庫中的源案例，n是案例庫中源案例的總數(shù)；xik(i＝1,2,...,j)是第k條源案例中第i個變量值，j是變量個數(shù)；x＝(x1,x2,....,xj)，表示待診斷案例；sim(xi,xik)為變量xi與變量xik的相似度；xi,xik∈[α,β]，α,β分別為變量xi歷史統(tǒng)計值中的最小值和最大值?？蛇x地，若待診斷案例與案例庫中n個源案例的相似度為sim1，sim2…simn；則獲取第二條證據(jù)時的歸一化公式表示如下：其中，第二條證據(jù)的格式為{m21,m22…m2n}；m21,m22…m2n為案例推理的識別框架中各個元素的基本概率分布。可選地，根據(jù)d-s證據(jù)理論融合規(guī)則，將兩條證據(jù)進(jìn)行融合，獲得濕法冶金過程中濃密機(jī)的故障診斷信息，包括：如果第一條證據(jù)和第二條證據(jù)有相同的識別框架{a1,a2,…an}，且第一條證據(jù)和第二條證據(jù)的可信度差值在預(yù)設(shè)范圍內(nèi)，則采用下述公式進(jìn)行融合，其中，m1為第一條證據(jù)，m2為第二條證據(jù)，1≤i,j≤n，ai∩aj＝c表示事件c可以由事件ai和aj相交得到；是歸一化因子，是衡量證據(jù)m1和m2之間矛盾大小的指標(biāo)?？蛇x地，如果第一條證據(jù)和第二條證據(jù)有相同的識別框架{a1,a2,…an}，且第一條證據(jù)和第二條證據(jù)的可信度差值大于預(yù)設(shè)范圍，則確定第一條證據(jù)的權(quán)重，以及第二條證據(jù)的權(quán)重；將采用下述公式q條證據(jù)加權(quán)重平均得到平均證據(jù)，q＝2，其中，為平均證據(jù)中事件a的基本概率分配，mi(a)為第i條證據(jù)中的基本概率分配，為第i條證據(jù)的權(quán)重；以及，根據(jù)公式將平均證據(jù)進(jìn)行融合；其中，mf表示融合后的基本概率分配函數(shù)，表示兩個證據(jù)進(jìn)行融合的符號，為通過求出的平均證據(jù)?？蛇x地，確定第一條證據(jù)的權(quán)重，以及第二條證據(jù)的權(quán)重，包括：獲取所述在線定量數(shù)據(jù)的時刻之前的n個采樣的數(shù)據(jù)為時間窗，確定窗口內(nèi)每個采樣數(shù)據(jù)的均值以及待診斷案例偏離正常范圍的總量表示為：xj為待診斷案例的第j個變量，為采樣的時間窗口內(nèi)的變量的平均值；則第二條證據(jù)的權(quán)重wdata表示為：wdata＝e-kσ；其中，k是系數(shù)；第一條證據(jù)的權(quán)重wrule表示為：wrule＝1-wdata。可選地，所述方法還包括：采用遍歷方法獲取濃密機(jī)可能發(fā)生的所有故障的故障診斷信息，通過所有故障的故障診斷信息，確定最終結(jié)論?？蛇x地，獲取濕法冶金濃密機(jī)用于識別一種故障的在線定性信息和在線定量數(shù)據(jù)的步驟之前，所述方法還包括：離線獲取預(yù)設(shè)時間段內(nèi)濕法冶金濃密機(jī)的歷史變量；結(jié)合濕法冶金領(lǐng)域?qū)＜壹跋嚓P(guān)操作人員的先驗知識、獲取多個用于進(jìn)行濃密機(jī)故障診斷的專家規(guī)則；根據(jù)多個用于進(jìn)行濃密機(jī)故障診斷的專家規(guī)則，建立專家規(guī)則庫；其中，每一濃密機(jī)故障診斷專家規(guī)則包括：每一規(guī)則的規(guī)則前件、規(guī)則后件、規(guī)則強(qiáng)度；每一個規(guī)則的規(guī)則前件、規(guī)則后件和規(guī)則強(qiáng)度具有對應(yīng)關(guān)系；和/或，基于可信度的規(guī)則推理的方法中，產(chǎn)生式規(guī)則的形式為：ifethenhwithcf(h/e)其中，e表示一個簡單前提，或多個簡單前提邏輯組合的邏輯組合前提，h為一個或多個結(jié)論，cf(h/e)為基于所述e發(fā)生h的可信度；相應(yīng)地，采用基于可信度的規(guī)則推理的方法獲取每一事件的可信度的步驟，包括：規(guī)則前件e成立，成立的可信度是cf(h/e)；則在線定性信息組成的每一事件e的可信度cf(h/e)為：cf(h/e)＝cf(h/e)×max{cf(e/e),0}；其中，cf(e/e)表示事件e與規(guī)則前件的匹配度，cf(h/e)表示規(guī)則強(qiáng)度?？蛇x地，獲取濕法冶金濃密機(jī)用于識別一種故障的在線定性信息和在線定量數(shù)據(jù)的步驟之前，所述方法還包括：離線收集預(yù)設(shè)時間段內(nèi)濕法冶金濃密機(jī)發(fā)生異常的數(shù)據(jù)，以及未發(fā)生異常的數(shù)據(jù)；根據(jù)收集的數(shù)據(jù)，建立案例庫。有益效果：本發(fā)明的濕法冶金過程中濃密機(jī)的故障診斷方法，不僅能夠使用專家的知識和經(jīng)驗，也結(jié)合了生產(chǎn)過程積累的大量數(shù)據(jù)信息，提高了信息的利用率，并實時根據(jù)數(shù)據(jù)準(zhǔn)確性計算不同信息源的權(quán)重，可以實時識別濃密機(jī)運行工況，診斷濃密機(jī)運行故障并給出故障原因，為操作工提供合理可靠的操作指導(dǎo)建議，以便及時對過程運行狀態(tài)進(jìn)行適當(dāng)調(diào)整，，進(jìn)而有效降低事故發(fā)生率，提高生產(chǎn)安全性，確保企業(yè)經(jīng)濟(jì)效益和生產(chǎn)效率。上述方法可有效避免人工評價的滯后問題，并及時對當(dāng)前生產(chǎn)周期過程運行狀態(tài)做出適當(dāng)調(diào)整。附圖說明圖1為本發(fā)明方法的流程示意圖；圖2為三種診斷方法對濃密機(jī)生產(chǎn)過程中濃度偏高的識別效果對比圖。具體實施方式為了更好的解釋本發(fā)明，以便于理解，下面結(jié)合附圖，通過具體實施方式，對本發(fā)明作詳細(xì)描述。本發(fā)明涉及的裝置包括濕法冶金濃密機(jī)智能故障診斷系統(tǒng)、上位機(jī)、plc、現(xiàn)場傳感變送部分和人機(jī)交互裝置。其中現(xiàn)場傳感變送部分包括濃度、壓力、流量等檢測儀表。在濕法冶金過程現(xiàn)場安裝檢測儀表，檢測儀表將采集的信號通過profibus-dp總線送到plc，plc通過以太網(wǎng)定時將采集信號傳送到上位機(jī)，上位機(jī)把接收的數(shù)據(jù)傳到濕法冶金濃密機(jī)智能故障診斷系統(tǒng)，進(jìn)行過程工況識別并對故障進(jìn)行診斷。上述裝置的各部分功能：①現(xiàn)場傳感變送部分：包括濃度、壓力、電流等檢測儀表由傳感器組成，負(fù)責(zé)過程數(shù)據(jù)的采集與傳送；②plc：負(fù)責(zé)把采集的信號a/d轉(zhuǎn)換，并通過以太網(wǎng)把信號傳送給上位機(jī)；plc控制器采用simens400系列的cpu414-2，具有profibusdp口連接分布式i/o。為plc配備以太網(wǎng)通訊模塊，用于上位機(jī)訪問plc數(shù)據(jù)。plc控制器和以太網(wǎng)通訊模塊放置在中央控制室中的plc柜中。③上位機(jī)：收集本地plc數(shù)據(jù)，傳送給濕法冶金濃密機(jī)智能故障診斷系統(tǒng)，進(jìn)行過程狀態(tài)識別并對故障進(jìn)行診斷，并提供生產(chǎn)操作指導(dǎo)建議；④人機(jī)交互裝置：負(fù)責(zé)將專家的經(jīng)驗和觀察轉(zhuǎn)化為計算機(jī)語言，交由上位機(jī)中的基于d-s融合的混合專家知識系統(tǒng)故障診斷系統(tǒng)處理，進(jìn)而，通過混合專家知識故障診斷系統(tǒng)中的d-s證據(jù)融合功能實現(xiàn)對兩個結(jié)論的融合。本發(fā)明實施例主要針對知識種類多樣且運行數(shù)據(jù)準(zhǔn)確度不高的流程系統(tǒng)。在故障診斷混合專家知識系統(tǒng)中，比較常用的是基于規(guī)則的專家知識系統(tǒng)和基于案例的專家知識系統(tǒng)的混合。基于規(guī)則的故障診斷系統(tǒng)側(cè)重將領(lǐng)域?qū)＜业闹R經(jīng)驗提煉成規(guī)則，其邏輯表達(dá)和解釋性強(qiáng)，便于理解。基于規(guī)則推理的專家知識系統(tǒng)使用操作人員提供的主觀信息，變化頻率低，但魯棒性好。引入可信度處理推理過程中的不確定問題，適合工人的操作習(xí)慣，但誤報漏報較多?；诎咐评淼墓收显\斷系統(tǒng)使用過程歷史數(shù)據(jù)，通過數(shù)據(jù)相似度尋找相似的診斷案例，得到的結(jié)論有參照性，直觀可信。而基于案例推理的專家知識系統(tǒng)使用實時定量數(shù)據(jù)，推理結(jié)果可靠性較高。但數(shù)據(jù)中的大量噪聲可能導(dǎo)致基于案例推理的結(jié)論可信度降低。而案例相似度某種程度上也包含由數(shù)據(jù)可靠性引起的不確定性。為此，本發(fā)明實施例提出一種基于d-s融合的混合知識系統(tǒng)故障診斷方法，如圖1所示，本實施例的濕法冶金濃密機(jī)智能故障診斷方法包括：第一步、獲取濕法冶金濃密機(jī)用于識別一種故障的在線定性信息和在線定量數(shù)據(jù)；第二步、針對在線定性信息，采用基于可信度的規(guī)則推理的方法獲取每一事件的可信度，并將該每一事件的可信度修正為證據(jù)理論的證據(jù)格式，獲得第一條證據(jù)。本步驟中的事件可理解為故障識別過程中由在線定性信息確定的故障發(fā)生或故障不發(fā)生，或者故障原因追溯過程中導(dǎo)致故障發(fā)生的原因。如下述的公式(15)或公式(16)舉例說明的信息。結(jié)合圖1來說，即在基于可信度/可信度銀子規(guī)則推理專家系統(tǒng)中獲取第一條證據(jù)。舉例來說，在執(zhí)行該步驟之前，可執(zhí)行下述子步驟：a01、預(yù)先離線獲取預(yù)設(shè)時間段內(nèi)濕法冶金濃密機(jī)的歷史變量；a02、結(jié)合濕法冶金領(lǐng)域?qū)＜壹跋嚓P(guān)操作人員的先驗知識、獲取多個用于進(jìn)行濃密機(jī)故障診斷的專家規(guī)則；a03、根據(jù)多個用于進(jìn)行濃密機(jī)故障診斷的專家規(guī)則，建立專家規(guī)則庫；其中，每一濃密機(jī)故障診斷專家規(guī)則包括：每一規(guī)則的規(guī)則前件、規(guī)則后件、規(guī)則強(qiáng)度；每一個規(guī)則的規(guī)則前件、規(guī)則后件和規(guī)則強(qiáng)度具有對應(yīng)關(guān)系。在具體應(yīng)用中，基于可信度的規(guī)則推理的方法中，產(chǎn)生式規(guī)則的形式為：ifethenhwithcf(h/e)其中，e表示一個簡單前提，或多個簡單前提邏輯組合的邏輯組合前提，h為一個或多個結(jié)論，cf(h/e)為基于所述e發(fā)生h的可信度；相應(yīng)地，采用基于可信度的規(guī)則推理的方法獲取每一事件的可信度的步驟，包括：規(guī)則前件e成立，成立的可信度是cf(h/e)；則在線定性信息組成的每一事件e的可信度cf(h/e)為：cf(h/e)＝cf(h/e)×max{cf(e/e),0}；其中，cf(e/e)表示事件e與規(guī)則前件的匹配度，cf(h/e)表示規(guī)則強(qiáng)度。第三步、針對在線定量數(shù)據(jù)，采用基于數(shù)據(jù)相似度的案例推理方法獲取待診斷案例的相似度，并將該待診斷案例的相似度修正為證據(jù)理論的證據(jù)格式，獲得第二條證據(jù)；所述待診斷案例為進(jìn)行案例推理時使用的由在線定量數(shù)據(jù)組成的向量。結(jié)合圖1來說，可在基于數(shù)據(jù)相似度案例推理專家系統(tǒng)中進(jìn)行處理，獲得第二條證據(jù)。在具體應(yīng)用中，執(zhí)行該步驟之前，還可預(yù)先離線收集預(yù)設(shè)時間段內(nèi)濕法冶金濃密機(jī)發(fā)生異常的數(shù)據(jù)，以及未發(fā)生異常的數(shù)據(jù)；根據(jù)收集的數(shù)據(jù)，建立案例庫。本實施例中案例庫中存儲著各種事件的案例，各種事件的標(biāo)號不同，每一事件例如下述的表格，某故障，某種故障原因等。第四步、根據(jù)d-s證據(jù)理論融合規(guī)則，將兩條證據(jù)進(jìn)行融合，獲得濕法冶金過程中濃密機(jī)的故障診斷信息，所述故障診斷信息包括故障識別及故障原因追溯。在實際應(yīng)用中，可采用遍歷方法獲取濃密機(jī)可能發(fā)生的所有故障的故障診斷信息，通過所有故障的故障診斷信息，確定最終結(jié)論。在具體實現(xiàn)過程中，若導(dǎo)致故障發(fā)生的n個事件的可信度cf1，cf2…cfn；則獲取第一條證據(jù)時的歸一化公式表示如下：其中，第一條證據(jù)的格式為{m11,m12…m1n}；m11,m12…m1n為基于可信度的規(guī)則推理方法的識別框架中各個元素的基本概率分布。相應(yīng)地，若待診斷案例與案例庫中n個源案例的相似度為sim1，sim2…simn；則獲取第二條證據(jù)時的歸一化公式表示如下：其中，第二條證據(jù)的格式為{m21,m22…m2n}；m21,m22…m2n為案例推理的識別框架中各個元素的基本概率分布。如果第一條證據(jù)和第二條證據(jù)有相同的識別框架{a1,a2,…an}，且第一條證據(jù)和第二條證據(jù)的可信度差值在預(yù)設(shè)范圍內(nèi)，則采用下述公式進(jìn)行融合，其中，m1為第一條證據(jù)，m2為第二條證據(jù)，1≤i,j≤n，ai∩aj＝c表示事件c可以由事件ai和aj相交得到；是歸一化因子，是衡量證據(jù)m1和m2之間矛盾大小的指標(biāo)。另外，如果第一條證據(jù)和第二條證據(jù)有相同的識別框架{a1,a2,…an}，且第一條證據(jù)和第二條證據(jù)的可信度差值大于預(yù)設(shè)范圍，則確定第一條證據(jù)的權(quán)重，以及第二條證據(jù)的權(quán)重；將采用下述公式q條證據(jù)加權(quán)重平均得到平均證據(jù)(本實施例中q＝2)，其中，為平均證據(jù)中事件a的基本概率分配，mi(a)為第i條證據(jù)中的基本概率分配，為第i條證據(jù)的權(quán)重；以及，根據(jù)公式將平均證據(jù)進(jìn)行融合；其中，mf表示融合后的基本概率分配函數(shù)，表示兩個證據(jù)進(jìn)行融合的符號，為通過求出的平均證據(jù)。本實施例中，上述方法不僅能夠使用專家的知識和經(jīng)驗，也結(jié)合了生產(chǎn)過程積累的大量數(shù)據(jù)信息，提高了信息的利用率，并實時根據(jù)數(shù)據(jù)準(zhǔn)確性計算不同信息源的權(quán)重，可以實時識別濃密機(jī)運行工況，診斷濃密機(jī)運行故障并給出故障原因，為操作工提供合理可靠的操作指導(dǎo)建議，以便及時對過程運行狀態(tài)進(jìn)行適當(dāng)調(diào)整，進(jìn)而有效降低事故發(fā)生率，提高生產(chǎn)安全性，確保企業(yè)經(jīng)濟(jì)效益和生產(chǎn)效率。上述方法可有效避免人工評價的滯后問題，并及時對當(dāng)前生產(chǎn)周期過程運行狀態(tài)做出適當(dāng)調(diào)整。為更詳細(xì)了解本發(fā)明實施例的方案，詳細(xì)說明如下：本實施例中，在線定性信息是操作人員如專家等可通過人機(jī)交互裝置輸入到基于可信度的規(guī)則推理知識系統(tǒng)中。1)基于可信度/可信度銀子的規(guī)則推理知識/專家系統(tǒng)獲取在線定性信息對應(yīng)的第一條證據(jù)本實施例中主要使用專家給出的模糊定性知識，通過將故障診斷經(jīng)驗知識總結(jié)成規(guī)則，進(jìn)而推理得到結(jié)論。不同流程在提取專家知識和經(jīng)驗時的復(fù)雜性也各不相同。流程工業(yè)有些關(guān)鍵變量不能測量或者測量不準(zhǔn)確，但過程運行的粗略定性信息對故障診斷具有重要作用。這些粗略信息包括聲音強(qiáng)度、物質(zhì)色澤、礦漿是否起泡等等。在很多情況下，操作人員很難及時獲得事件發(fā)生的先驗概率，對事件發(fā)生的概率大小往往憑主觀給出定量描述。根據(jù)這種操作習(xí)慣，在基于專家知識的規(guī)則推理中，使用可信度方法來處理規(guī)則的不確定性問題。產(chǎn)生式規(guī)則因為符合人們的邏輯思維習(xí)慣而被廣泛使用?？紤]到知識的不確定性，帶有規(guī)則不確定性的可信度產(chǎn)生式規(guī)則的表達(dá)形式為：ifethenhwith(cf(h/e))(1)其中e為規(guī)則的前件，表示前提條件。h為規(guī)則的后件，表示對應(yīng)的結(jié)論。cf(h/e)表示是規(guī)則的可信度，也叫規(guī)則強(qiáng)度。這些規(guī)則強(qiáng)度不僅可以通過分析歷史數(shù)據(jù)得到，也可以由專家憑經(jīng)驗主觀給出。用e表示現(xiàn)場實時觀察給出的不準(zhǔn)確信息即定性信息，其格式一般表示為e:規(guī)則前件e成立，成立的可信度是cf(h/e)。然后利用公式(2)求取結(jié)論的可信度：cf(h/e)＝cf(h/e)×max{cf(e/e),0}(2)上式中，cf(h/e)表示結(jié)論的可信度，是由現(xiàn)場信息與規(guī)則前件的匹配度cf(e/e)與規(guī)則強(qiáng)度cf(h/e)求出的。通過基于不確定性推理故障診斷知識系統(tǒng)得到各個事件發(fā)生的可信度，假設(shè)有n個事件的可信度cf1，cf2…cfn可以用下述融合過程中介紹的d-s證據(jù)理論構(gòu)建統(tǒng)一的識別框架，使用公式(3)對這n個可信度進(jìn)行歸一化：其中，m11,m12…m1n為規(guī)則推理的識別框架中各個元素的基本概率分布。本方法中識別框架內(nèi)的事件都是互斥的，因此識別框架內(nèi)事件的概率和為1，但由于兩種方法推理出來的事件的概率加和不為1，需要進(jìn)行等比例的放縮。才有了歸一化步驟。另外，可通過上位機(jī)收集在線定量數(shù)據(jù)，進(jìn)而傳送給具有案例庫的濕法冶金濃密機(jī)智能故障診斷系統(tǒng)。2)建立了濃密機(jī)故障診斷的案例庫，并基于案例推理獲取在線定量數(shù)據(jù)對應(yīng)的第二條證據(jù)本實施例的案例推理是人工智能領(lǐng)域問題求解和機(jī)器學(xué)習(xí)方法，完整的案例推理理論包含匹配、復(fù)用、修正、學(xué)習(xí)等步驟。流程工業(yè)中通過傳感器可獲得大量生產(chǎn)數(shù)據(jù)，這些數(shù)據(jù)能夠反映生產(chǎn)的運行狀態(tài)。正常生產(chǎn)狀態(tài)及各類故障狀態(tài)的數(shù)據(jù)特性不同，因此，可以提取不同類數(shù)據(jù)特性作為案例用于案例推理。一般通過數(shù)據(jù)相似度進(jìn)行案例匹配，而最近鄰方法是計算數(shù)據(jù)相似度中最常用的方法之一。其主要思想是在某種距離的定義下，使得待識別案例與距離最近的源案例的相似度最大，距離較遠(yuǎn)的案例之間相似度則較小。基于案例推理的方法用于故障診斷時，案例庫中的源案例可表示如下:ck＝(x1k,x2k,...xik...xjk),k＝1,2,...n(4)其中,n是源案例總數(shù)；xik(i＝1,2,...,j)是第k條源案例中第i個變量值，j是變量個數(shù)。在獲得待診斷案例x＝(x1,x2,....,xj)后，通過公式(5)計算x與ck中每個案例的最近鄰相似度：上式表示，待診斷案例與源案例的相似度是所有變量相似度的加權(quán)和。其中wi為根據(jù)過程知識賦予變量xi的權(quán)重，不同案例中各個變量的權(quán)重不同，權(quán)重也保存在案例庫中的相關(guān)案例中。sim(xi,xik)為變量xi與變量xik的相似度，其計算公式通過公式(6)獲得：其中，xi,xik∈[α,β]，α,β分別為變量xi歷史統(tǒng)計值中的最小值和最大值。使用公式(5)計算待診斷案例與案例庫中的每一案例的相似度，分別求得待診斷案例與n個源案例的相似度sim1，sim2…simn，如果它們可以歸進(jìn)同一個識別框架，需要通過公式(7)對這n個相似度數(shù)值進(jìn)行歸一化，得到證據(jù)理論的基本概率分配函數(shù)：其中，m21,m22…m2n為案例推理識別框架中各個元素的基本概率分布。3)將第一條證據(jù)和第二條證據(jù)進(jìn)行自適應(yīng)權(quán)重的d-s融合本實施例的d-s證據(jù)理論可以融合多種推理方法得到的過程故障診斷結(jié)論，減少多源知識推理后的結(jié)論分歧。d-s證據(jù)理論中最重要的概念是識別框架和基本概率分配函數(shù)。識別框架θ是一個由多個獨立互斥的事件組成的集合。θ的所有子集組成的集合叫做冪集，用2θ表示?；靖怕史峙浜瘮?shù)m是定義在2θ上的映射函數(shù)，使其中φ是空集，a是冪集中任一組成元素。m(a)是事件a在識別框架中的基本概率。d-s證據(jù)理論的難點是如何確定各證據(jù)的基本概率分配函數(shù)的具體形式，一般根據(jù)實際問題的不同而有不同的確定方式。在基于可信度規(guī)則專家系統(tǒng)和基于相似度的案例專家系統(tǒng)，分別使用公式(3)和(7)求取其結(jié)論的證據(jù)形式。如果兩條證據(jù)有相同的識別框架{a1,a2,…an}，d-s證據(jù)理論最重要的融合公式可以定義為：其中，m1和m2是不同來源的兩條證據(jù)。1≤i,j≤n，ai∩aj＝c表示事件c可以由事件ai和aj相交得到。是歸一化因子，是衡量證據(jù)m1和m2之間矛盾大小的重要指標(biāo)。當(dāng)證據(jù)間的矛盾和分歧較大時，實際上是證據(jù)的可信度出現(xiàn)了差異，應(yīng)當(dāng)考慮不同證據(jù)的權(quán)重問題。首先將q條證據(jù)加權(quán)重平均得到平均證據(jù)，平均證據(jù)計算如公式(10)：其中，為平均證據(jù)中事件a的基本概率分配，mi(a)為第i條證據(jù)中的基本概率分配，為第i條證據(jù)的權(quán)重。然后再將平均證據(jù)進(jìn)行融合，記融合后的基本概率分配函數(shù)為mf，則通過(9)將平均證據(jù)融合為最終證據(jù)的過程表示為：其中，規(guī)定是兩個證據(jù)進(jìn)行融合的符號，為通過(10)求出的平均證據(jù)。進(jìn)一步地，需要說明的是，在線應(yīng)用時，不同信息源的可靠性是隨時間變化的，為了提高故障診斷的準(zhǔn)確率，本實施例還提出一種通過分析數(shù)據(jù)特征來判斷證據(jù)可靠性的自適應(yīng)權(quán)重分配方法。該方法可以做到在數(shù)據(jù)準(zhǔn)確時以案例推理結(jié)果為主，數(shù)據(jù)不準(zhǔn)時通過降低案例推理的權(quán)重來降低其在最終結(jié)論中的影響。規(guī)定當(dāng)數(shù)據(jù)偏離正常波動范圍較大時處于數(shù)據(jù)可靠性較低的狀態(tài)。在線應(yīng)用時，取當(dāng)前時刻之前的n個采樣的數(shù)據(jù)為時間窗，求取窗口內(nèi)每個變量的均值則待匹配案例偏離正常范圍的總量可以由這j個變量的偏移程度表示如下：xj為待匹配案例的第j個變量，為采樣窗口內(nèi)的變量的平均值。使用e指數(shù)表達(dá)案例推理知識來源的權(quán)重wdata：wdata＝e-kσ(13)上式中，k是系數(shù)，根據(jù)實際情況取值不同。然后確定基于規(guī)則推理專家系統(tǒng)的權(quán)重wrule：wrule＝1-wdata(14)上述方法實現(xiàn)了兩種結(jié)論的融合，進(jìn)而可以合理給出故障診斷信息，以便操作人員可及時依據(jù)故障診斷信息進(jìn)行調(diào)整，保證生產(chǎn)安全。另外，以下說明基于d-s融合的混合專家知識系統(tǒng)故障診斷方法故障診斷一般分為兩步，首先診斷故障，然后追溯故障原因。兩者都使用圖1中的方法，但在具體操作上又有差別。故障診斷時，需要為每種故障設(shè)定d-s理論形式的識別框架。這些故障診斷框架都包含兩個元素，如式(15)所示：其中s為已知的故障種類數(shù)目，通過公式(15)，可以判斷過程所有已知故障是否發(fā)生。實際應(yīng)用時，在基于規(guī)則的知識系統(tǒng)和基于案例的知識系統(tǒng)中，分別推理得到故障發(fā)生的可信度和故障相似度后，通過對立事件概率公式求得故障未發(fā)生的可能性及相似度。當(dāng)故障由深層原因?qū)е虑以蜃匪莸男畔⒊浞謺r，可以進(jìn)一步建立識別框架對故障原因進(jìn)行追溯，如公式(16)所示：{故障原因1，故障原因2……故障原因t}(16)其中，t為導(dǎo)致某故障的原因數(shù)目，不同的故障，t的取值并不一樣。在實際應(yīng)用中，基于d-s融合的混合專家知識系統(tǒng)故障診斷的步驟可說明如下：(11)可離線建立規(guī)則庫和案例庫。本實施例中，不同的專家系統(tǒng)處理不同類型的知識和數(shù)據(jù)。如果數(shù)據(jù)有缺失，則通過歷史數(shù)據(jù)補全。具體地，離線建立了濃密機(jī)故障診斷專家規(guī)則庫：規(guī)則庫的建立根據(jù)過程知識和專家經(jīng)驗，總結(jié)專家對過程進(jìn)行工況識別和故障診斷時的經(jīng)驗，以if-then的形式表達(dá)出來，將多條規(guī)則匯總為故障診斷專家規(guī)則庫。這些規(guī)則都有不確定程度，以可信度來表達(dá)規(guī)則的可信程度。另外，離線建立規(guī)則庫：選擇可用的故障診斷變量，深入分析濃密機(jī)運行機(jī)理，分析主要的異常和故障。從眾多變量中找出能充分體現(xiàn)濃密機(jī)運行狀態(tài)的變量，以此為基礎(chǔ)，進(jìn)行異常和故障規(guī)則的提??；不同生產(chǎn)狀況下的過程數(shù)據(jù)各具特點，以此對數(shù)據(jù)進(jìn)行分類，建立案例庫。(12)分別進(jìn)行規(guī)則推理和案例推理，得到各自對應(yīng)的證據(jù)。(13)根據(jù)數(shù)據(jù)的準(zhǔn)確程度賦予證據(jù)不同權(quán)重。(14)通過權(quán)重d-s融合得到最終結(jié)論，認(rèn)定分配的基本概率超過設(shè)定閾值的對應(yīng)故障發(fā)生。(15)遍歷法判斷所有故障發(fā)生與否，得到最終運行結(jié)論。本實施例中，故障原因追溯的步驟與故障診斷的步驟基本相同，在進(jìn)行到第(14)步，相應(yīng)推斷出故障原因后，故障原因追溯結(jié)束。在線應(yīng)用時，專家將對證據(jù)的觀察通過人機(jī)交互裝置輸入系統(tǒng)并進(jìn)入混合專家知識故障診斷系統(tǒng)的規(guī)則推理系統(tǒng)進(jìn)行推理，得到最終結(jié)論。在線采集到的數(shù)據(jù)直接輸入混合專家知識故障診斷系統(tǒng)的案例推理系統(tǒng)進(jìn)行案例推理，也相應(yīng)的得到結(jié)論。通過混合專家知識故障診斷系統(tǒng)中的d-s證據(jù)融合功能實現(xiàn)對兩個結(jié)論的融合。融合時，根據(jù)數(shù)據(jù)的準(zhǔn)確程度給兩個專家系統(tǒng)分配權(quán)重。以下以某企業(yè)精煉廠濕法冶金濃密流程作為研究對象驗證所提方法。該過程影響生產(chǎn)的主要故障有：壓耙、壓濾機(jī)前緩沖槽冒槽、底流流量故障、底流濃度故障等。能反映濃密機(jī)生產(chǎn)狀態(tài)的可測量變量有10個，分別是：耙底壓力1、耙底壓力2、中心攪拌電機(jī)電流、壓濾機(jī)前緩沖槽液位、壓濾機(jī)前緩沖槽液位變化率、渣漿泵電流、渣漿泵頻率、溢流流量、溢流濁度、底流流量。案例庫中存儲著由這10個變量構(gòu)成的用于故障診斷和故障原因追溯的案例。此外，操作人員也有一套判斷關(guān)鍵過程運行指標(biāo)的方法。根據(jù)領(lǐng)域?qū)＜液筒僮魅藛T的經(jīng)驗和知識，總結(jié)出濃密過程故障診斷專家規(guī)則。在此，僅列舉部分可用于仿真的故障診斷規(guī)則，如表1所示：表1濃密機(jī)故障診斷規(guī)則為了驗證所提故障診斷方法的有效性，從該廠濃密流程采集2015年8月-12月運行數(shù)據(jù)用于仿真實驗，樣本數(shù)據(jù)均經(jīng)過濾波處理。選取100組只存在濃度偏高故障樣本進(jìn)行故障診斷。故障診斷結(jié)果如圖2所示。圖中縱坐標(biāo)對應(yīng)表1中的各個規(guī)則序號，0代表樣本屬于正常工況，3代表濃度偏高故障。橫坐標(biāo)為采樣序號。理想情況下，100個采樣都是濃度偏高的故障樣本，是第3類。從圖2看出，由于操作人員給出的信息變化頻率較小，所以基于規(guī)則推理的結(jié)論變化頻率小且有大量數(shù)據(jù)被診斷為正常。而通過案例推理得到的結(jié)論是基于實時數(shù)據(jù)的，數(shù)據(jù)變動較為頻繁，但也會出現(xiàn)多誤報的情況。通過自適應(yīng)權(quán)重d-s融合兩個專家系統(tǒng)的結(jié)論，只有少數(shù)采樣被診斷為正常點，結(jié)論準(zhǔn)確率可以達(dá)到94％，而單純采用規(guī)則推理和案例推理，其故障診斷的正確率都較低，融合診斷準(zhǔn)確率明顯提高，可以滿足現(xiàn)場要求。以某時刻壓濾機(jī)前緩沖槽冒槽為例，詳細(xì)解釋該方法在故障原因追溯過程中的應(yīng)用。相應(yīng)的不確定性規(guī)則如表2所示：表2壓濾機(jī)前緩沖槽冒槽原因追溯規(guī)則序號規(guī)則前件規(guī)則后件規(guī)則強(qiáng)度5冒槽，礦漿濃度不大，流量不大其他原因?qū)е旅安?.86冒槽，礦漿濃度偏大，流量不大濃度高導(dǎo)致冒槽0.87冒槽，礦漿濃度不大，流量偏大流量大導(dǎo)致冒槽0.88冒槽，礦漿濃度偏大，流量偏大濃度高且流量大導(dǎo)致冒槽0.8(1)基于可信度規(guī)則的推理首先液位超限是確定性事件。每條規(guī)則的可信度都定為0.8，專家給出的初始證據(jù)的可信度如表格3所示：表3專家給出的事件可信度事件專家給出的可信度濃度偏大0.78濃度不大-0.78流量偏大0.81流量不大-0.81計算導(dǎo)致冒槽的四種可能原因的可信度并歸一化，得到基于可信度規(guī)則推理的證據(jù)：m1＝{僅濃度高,僅流量大,濃度高且流量大,其他原因}＝{0,0,1,0}(2)基于數(shù)據(jù)相似度的案例推理首先確定與基于規(guī)則推理相同的故障原因識別框架。通過最近鄰方法求取待診斷案例與各個故障原因案例的相似度并歸一化，求取其最后證據(jù)：m2＝{0.04,0.23,0.73,0}(3)權(quán)重融合結(jié)論分析數(shù)據(jù)，分別求取不同推理方法證據(jù)的權(quán)重，此時刻過程運行正常，所有可測變量都在歷史數(shù)據(jù)正常范圍內(nèi)，通過公式(13)和公式(14)，參數(shù)k＝1，分別得到案例推理結(jié)論權(quán)重為0.9，規(guī)則推理證據(jù)權(quán)重為0.1。通過公式(10)計算平均證據(jù)為：通過公式(9)對進(jìn)行融合。融合后的基本概率分配函數(shù)為：m＝{僅濃度高,僅流量大,濃度高且流量大,其他原因}＝{0,0.07,0.93,0}單純基于可信度的規(guī)則推理結(jié)論認(rèn)為濃度高且流量大是導(dǎo)致冒槽故障的唯一原因。而基于數(shù)據(jù)相似度的案例推理則認(rèn)為其他原因不同程度對故障有貢獻(xiàn)，這更加貼合實際情況，能為后續(xù)的自愈控制提供更加準(zhǔn)確的診斷結(jié)論。通過自適應(yīng)權(quán)重d-s融合結(jié)論更加準(zhǔn)確。為了驗證自適應(yīng)權(quán)重d-s融合方法比固定權(quán)重融合的診斷效果更好。對200組已經(jīng)判斷出濃度偏高故障的樣本進(jìn)行故障原因追溯并將故障原因追溯結(jié)論與運行記錄對比。統(tǒng)計故障原因追溯的誤報率來比較兩種融合方法的優(yōu)劣。為表明自適應(yīng)權(quán)重方法的泛化能力較好，共分四種情況進(jìn)行仿真試驗。如表格4所示，每種情況下，自適應(yīng)權(quán)重d-s融合后的結(jié)論誤報率都有所降低?；旌舷到y(tǒng)故障診斷準(zhǔn)確性的提高主要是由多來源信息的使用以及結(jié)論融合實現(xiàn)的，相比于單一推理的專家知識系統(tǒng)，混合系統(tǒng)對故障進(jìn)行了雙重的識別。雖然增加了計算量。但不會造成明顯的診斷時間滯后。表4自適應(yīng)權(quán)重d-s與固定權(quán)重d-s融合對比固定權(quán)重誤報自適應(yīng)權(quán)重誤報規(guī)則信息缺失6.5％4.0％數(shù)據(jù)信息缺失10％6.5％噪聲10％5.25％4.0％數(shù)據(jù)較為準(zhǔn)確5％3.5％平均6.69％4.50％以上結(jié)合具體實施例描述了本發(fā)明的技術(shù)原理，這些描述只是為了解釋本發(fā)明的原理，不能以任何方式解釋為對本發(fā)明保護(hù)范圍的限制?；诖颂幗忉專绢I(lǐng)域的技術(shù)人員不需要付出創(chuàng)造性的勞動即可聯(lián)想到本發(fā)明的其它具體實施方式，這些方式都將落入本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12