CN110119583A

CN110119583A - 一种基于复杂事件处理和Petri网的泡沫浮选建模方法及系统

Info

Publication number: CN110119583A
Application number: CN201910412598.8A
Authority: CN
Inventors: 孙涛; 台强勇
Original assignee: Qilu University of Technology
Current assignee: Qilu University of Technology
Priority date: 2019-05-17
Filing date: 2019-05-17
Publication date: 2019-08-13
Anticipated expiration: 2039-05-17
Also published as: CN110119583B

Abstract

本公开提出了一种基于复杂事件处理和Petri网的泡沫浮选建模方法及系统，包括：将浮选过程事件进行分解，得到分解出的多个简单事件；浮选过程复杂事件模式构建：基于分解出的多个简单事件，构建控制浮选过程的多个复杂事件模式；基于得到的控制浮选过程的多个复杂事件模式，利用浮选生产流程中生产参数与浮选泡沫特征机理关系，使用Petri网构建相应的子模型，对子模型组合成泡沫浮选复杂事件处理模型。本公开所建立的模型的构建集合生产过程中的大量生产参数，解决了前人生产优化研究仅仅局限于图像处理分析或者过程控制的反馈控制的片面性，将多维数据集合起来，使用事件驱动的方式对浮选生产过程优化控制。

Description

一种基于复杂事件处理和Petri网的泡沫浮选建模方法及系统

技术领域

本公开涉及信息处理技术领域，特别是涉及一种基于复杂事件处理和Petri 网的泡沫浮选建模方法及系统。

背景技术

近年来，随着流处理技术的发展，复杂事件处理技术(Complex EventProcessing，CEP)引起了人们的关注，复杂事件处理的最有特色的地方是把数据流转化为事件流，用事件流的方式检测数据中异常行为和事件模式。CEP通过对各种来源提供的事件进行查询、过滤、转换，分析事件之间的关系，将简单事件聚合成复杂事件，对复杂事件进行实时监控。具体来说，就是以事件驱动模式的来提供实时服务，通过对复杂事件监控来提供管理和决策。当前在选矿企业工业生产的过程中，传感器收集的数据涉及工业生产过程的各个方面，基本实现了对业务流程各个环节的实时检测，由此产生的数据繁多并且复杂，如何从中获取潜在价值是当下流程工业业务流程优化亟待解决的问题。

Petri网是20世纪60年代由卡尔·A·佩特里在其博士论文中提出的，是用于描述事件和条件关系的网络。Petri网可以用简单图形表示系统中的并发、同步、因果等关系，因此在同步控制、生产系统和形式语言等建模中已得到广泛应用。当前Petri网技术扩展了对复杂系统的建模能力。为了方便使用Petri 网进行复杂事件处理建模，首先对相关概念定义。

经典的Petri网是简单的过程模型，由两种节点：库所和变迁、有向弧、以及令牌等元素组成的。库所用圆形节点表示，变迁用方形节点表示，有向弧是库所和变迁之间的有向弧，令牌是库所中的动态对象，可以从一个库所移动到另一个库所。

在这一大背景下，利用现代信息技术，以智能生产和业务流程优化为核心，推进智能优化生产，这对促进我国流程工业提质增效、转型发展具有重大意义。目前，我国选矿企业存在着技术含量低、劳动密集、高资源消耗等鲜明缺点，选矿企业间竞争压力增大，生产条件日益严峻，工业生产制造转型升级迫在眉睫；另外，过去十几年我国互联网和计算机技术取得长足的进步，现代信息技术与物联网技术运用逐渐成熟，使得当前工业流程各个环节情况得到了前所未有的洞察，充分发挥这一优势，并将应用于业务流程优化，从而促进工业转型升级。

目前，我国选矿流程工业业务流程还存在许多问题：第一，生产计划调度与优化控制系统指令仍然依赖人工经验，难以保证准确性、可靠性和灵敏性；随着业务流程优化对复杂分析、精准判断和创新决策的要求越来越高，经验知识和工作人员对业务流程优化产生了更严峻的挑战。第二，逻辑形式上的流程控制，实时的监控控制并未形成，流程工业生产过程优化调控需要大量的实时信息，时间的延迟、控制上的不精确与滞后会导致业务流程优化效率低；生产过程通常采用分层模式，进行操作优化的前提是“稳态假设”，只能解决部分问题，不能根据实际过程的动态实时运行情况，从全局出发对业务流程进行优化和调控。第三，随着选矿企业的迅速发展，产生了大量的历史数据，但这些数据往往只用于生产状态跟踪以及设备故障检修，并没有成为改善业务流程优化的基础。

发明人在研究中发现，随着计算机和自动化技术的发展，许多学者和专家开始利用机器视觉和模式识别等技术对泡沫浮选图像特征进行广泛的研究。总结来说，当前研究有效的解决了当前泡沫浮选过程的一些不足，图像研究注重研究泡沫的状态和纹理等特征，研究结论中仅能给操作者提供指导信息，部分研究结合了专家系统，只能给出相关的操作经验；另外浮选过程难以通过构建精确的数据模型进行控制,控制研究多数是通过工业控制器进行反馈控制，难以实现对浮选过程的精确控制，更不能进一步指导浮选流程操作，尤其还需要一个操作员的量化过程，还是有一定的局限性和片面性。

发明内容

本说明书实施方式的目的是提供一种基于复杂事件处理和Petri网的泡沫浮选建模方法，使用复杂事件处理技术，将离散的浮选槽传感器数据和图像处理采集数据结合起来，通过事件驱动的方式将两者关联聚合，使用Petri网模型构建泡沫浮选复杂事件模型。

本说明书实施方式提供一种基于复杂事件处理和Petri网的泡沫浮选建模方法，通过以下技术方案实现：

包括：

将浮选过程事件进行分解，得到分解出的多个简单事件；

浮选过程复杂事件模式构建：基于分解出的多个简单事件，构建控制浮选过程的多个复杂事件模式；

基于得到的控制浮选过程的多个复杂事件模式，利用浮选生产流程中生产参数与浮选泡沫特征机理关系，使用Petri网构建相应的子模型，对子模型组合成泡沫浮选复杂事件处理模型。

本说明书实施方式提供一种基于复杂事件处理和Petri网的泡沫浮选建模系统，通过以下技术方案实现：

包括：

浮选过程事件的分解模块，被配置为：将浮选过程事件进行分解，得到分解出的多个简单事件；

浮选过程复杂事件模式构建模块，被配置为：基于分解出的多个简单事件，构建控制浮选过程的多个复杂事件模式；

基于Petri网的复杂事件模型构建模块，被配置为：基于得到的控制浮选过程的多个复杂事件模式，利用浮选生产流程中生产参数与浮选泡沫特征机理关系，使用Petri网构建相应的子模型，对子模型组合成泡沫浮选复杂事件处理模型。

与现有技术相比，本公开的有益效果是：

本公开是使用复杂事件处理技术挖掘泡沫浮选生产价值的潜力，利用浮选生产流程中生产参数与浮选泡沫特征机理关系，使用Petri网构建相应的子模型，最后对子模型组合构建复杂事件处理模型，模型的构建为后面技术实现提供了清晰的思路，使用flinkCEP技术，按照模拟运行过程，构建相应的复杂事件模式，最后通过实现复杂事件模式，分析浮选生产过程实时数据，输出符合事件模式的数据，并生成事件警告，提供给生存管理人员，用于决策和调控，这个过程即实现了生产的过程优化。

本公开所建立的模型的构建集合生产过程中的大量生产参数，解决了前人生产优化研究仅仅局限于图像处理分析或者过程控制的反馈控制的片面性，将多维数据集合起来，使用事件驱动的方式对浮选生产过程优化控制。该模型的构建，为后人研究浮选生产过程提供了新的思路，将复杂事件处理引入流程工业提供了借鉴。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的浮选流程和影响浮选的一些关键因素示意图；

图2为本公开实施例子的CE₁复杂事件建模模型示意图；

图3为本公开实施例子的CE₂复杂事件建模模型示意图；

图4为本公开实施例子的CE₃复杂事件建模模型示意图；

图5为本公开实施例子的CE₄复杂事件建模模型示意图；

图6为本公开实施例子的CE₅复杂事件建模模型示意图；

图7为本公开实施例子的CE复杂事件建模模型示意图；

图8为本公开实施例子的由剂流量变化事件引起的X2子网模型示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例子一

该实施例针对泡沫浮选过程利用经验主义的不足和图像处理研究的片面性，提出了使用复杂事件处理技术，将离散的浮选槽传感器数据和图像处理采集数据结合起来，通过事件驱动的方式将两者关联聚合，使用Petri网模型构建泡沫浮选复杂事件模型，通过仿真实验验证模型的可行性。

具体的，一种基于复杂事件处理和Petri网的泡沫浮选建模方法，包括：

浮选过程事件的分解和定义：主要控制的浮选过程因素有矿浆流量、药剂量、浮选矿浆pH值、浮选槽液位、充气量和浮选泡沫体等，浮选泡沫体是由大量的大小不一、形状各异、灰度值不同的矿化气泡组成的，包含大量与浮选过程变量及浮选结果有关的信息。本发明为了更方便分析和分解浮选过程，构建简化的浮选过程以及其中的影响因素如图1。

关于数据的采集及处理，当前浮选生产过程，一般会采用先进监测设备，如矿石研磨粒度分析仪，以便于矿粉颗粒尺寸符合浮选工艺的要求；泡沫图像分析仪，实时采集泡沫图像，分析图像，生成泡沫气泡、大小尺寸、数目及其比例、气泡移动度、泡沫平均生周期和泡沫彩色亮度特征等数据流。作为流程工业生产过程，生产过程一旦开始，除非遇到生产故障或其他不确定性因素，一般不会停止生产过程，数据采集实时进行，同时会生成海量的数据，多数为机器数据并以数据流的方式存在，所有为了应对上述场景，分布式环境，使用开源flink计算平台，处理流式数据，Flink计算平台是新兴的支持流处理和批处理的大数据计算框架，特别擅长处理无边界的流式数据，同时它支持Hadoop程序以及HDFS文件系统，可以在YARN上运行，本方法涉及到复杂事件处理，在Flink计算平台上能够得到很好支持，Flink拥有CEP API，支持许多模式库，如单个模式库：times()表示模式发生次数、optional()表示模式可以不匹配、where() 表示模式的条件，联合库：next()表示严格的满足条件、followedBy()表示松散的满足条件等，

事件规则

模式代码描述：

begin("first").where(_.dataID＝'x').next("second").where(_.dataID＝'y')。从技术上，能满足浮选过程中的复杂事件模式构建。泡沫生产过程采集实时数据数据量大，结构复杂，Flink作为大数据计算框架，具有流处理特性以及低延迟和高吞吐量流处理功能，非常适合CEP工作负载。

图1中表示简明的浮选流程和影响浮选的一些关键因素，这些因素可以分为两类：一类是直接因素，如矿浆流量、药剂量和充气量，这些因素都是人为地直接控制；另一类是间接因素，如浮选液位、泡沫体的一系列特征，这些因素都是受直接因素影响的。因此，直接因素和间接因素存在着一定的因果关系。如矿浆流量大小泡沫比例变化与药剂量、浮选液位、空气流量都有一定因果关系，为了研究方便筛选了部分因素和泡沫浮选体在浮选过程中变化如表1。

表1过程参数及泡沫情况关系

从表1中能够得出一些重要的浮选过程事件变化如下：

1、药剂量用量增多/减少，泡沫会出现大小气泡数目变化、气泡稳定程度变化。

2、浮选液位升高/降低，气泡会出现气泡移动速度变化，而药剂量和矿浆流量影响浮选液位的升高/降低。

3、充气量增多/减少，泡沫会出现大小气泡数目变化和气泡移动速度变化。

4、矿浆浓度升高/降低，泡沫出现气泡稳定程度变化和气泡移动速度变化，而药剂流量和矿浆流量影响矿浆浓度变化。

5、矿浆粒度越粗/越细，泡沫尺寸发生变化和泡沫稳定程度发生变化，矿石研磨影响矿浆粒度大小。

根据目前泡沫浮选研究，泡沫浮选体直接影响精矿品质变化，小泡沫比例越大，泡沫移动速度越慢，精矿品级越高，反之越低。利用上述浮选过程事件模式和精矿品级变化，可以分解出简单事件如下：

E1：矿浆流量变化事件；

E2：药剂量变化事件；

E3：充气量变化事件；

E4：矿浆浓度变化事件；

E5：矿浆粒度变化事件；

E6：浮选液位变化事件；

E7：泡沫移动速度变化事件；

E8：泡沫大小比例变化事件；

E9：泡沫生命平均周期变化事件。

具体实施例子中，浮选过程复杂事件模式构建：根据CEP的定义，一个复杂事件通常由几个简单事件通过时空顺序、因果关系、聚合关系等约束关系聚合起来的，通常把事件之间的联系定义为复杂事件模式CE。使用前面定义的简单事件，构建控制浮选过程的复杂事件模式CE：

首先定义E₁₀为精矿品位变化复杂事件。根据前面浮选事件过程推断，矿浆浓度变化事件和浮选液位变化事件是由矿浆流量和药剂流量变化引起的，然后导致了泡沫生命周期变化事件和泡沫移动速度变化事件的发生。因此从矿浆流量变化事件和药剂流量变化事件为起点，可以分两部分表示： CE₁＝E₁→E₄∩E₆→E₇∩E₉→E₁₀，→表示顺序发生，E₄∩E₆表示同时发生，其中{E₁， E₄，E₆，E₇，E₉，E₁₀}为事件组合集合，T1，T2，T3，T4，T5表示库所状态发生变化，使用有色Petri网对CE₁复杂事件建模，如图2所示；同理CE₂复杂事件建模为CE₂＝E₂→E₄∩E₆→E₇∩E₉→E₁₀，如图3所示。

通利用浮选生产流程中生产参数与浮选泡沫特征机理关系，首先对各个生产参数和相对应的泡沫特征构建Petri网子网模型，CE₁复杂事件为例进行详细的说明：再次参见附图2所示，E库所表示相关变化事件，T表示事件变迁为事件变迁要求，同时采用有色令牌表示库所的状态信息，库所数量为无穷大，描述CE1模型过程，有色令牌位于E1，当E1发生状态发生变化，符合T1变迁的要求，就会触发变迁，然后激活了E4、E6，有色令牌移动到E4、E6，当E4、 E6符合T2变迁要求，则触发变迁，激活E7、E9件，有色令牌移动到E7、E9，当E7、E9件符合T3变迁的要求，则会触发E10事件，有色令牌移动到E10。

E10的方式代表着复杂事件发生了，而有色托肯的移动路径则为，事件发生的过程即复杂事件模式，因此而CE₁＝E₁→E₄∩E₆→E₇∩E₉→E₁₀表示复杂事件模式。针对一个变化量构建一个子网模型，因为生产过程有多个生产参数，因此涉及到的生产参数全部够上述的Petri网子模型。

在具体例子中，药剂流量变化不仅会引起矿浆浓度变化事件和浮选液位变化事件两者事件的发生，而且会直接引起泡沫特征变化事件的发生，可以表示为 CE₃＝E₂→E₈∩E₉→E₁₀，其中{E₂，E₈，E₉，E₁₀}为事件组合集合，T4，T5，T7表示库所状态发生变化，对CE₃复杂事件建模表示如图4所示。

在具体例子中，充气量变化直接会引动泡沫百分比变化事件和泡沫速度变化事件，可以表示为CE₄＝E₃→E₇∩E₈→E₁₀，其中{E₃，E₇，E₈，E₁₀}为事件集合， T3，T6，T7表示库所状态发生变化，CE₄复杂事件建模表示如图5所示。

在具体例子中，矿浆粒度变化是由研磨设备研磨均匀造成的，一般由粒度分析仪采集数据。矿浆粒度变化容易造成泡沫大小百分比变化和泡沫生命周期变化事件发生，可以表示为CE₅＝E₅→E₈∩E₉→E₁₀，其中{E₅，E₈，E₉，E₁₀}为事件集合，T4，T6，T8表示库所状态发生变化，对CE₅复杂事件建模表示如图6所示。

利用浮选生产过程的机理关系，将原子事件组合为一些列的复杂事件模式，为进一步构建复杂事件处理模型提高了基础，利用构建的5个复杂事件模式，构建基于有色Petri网的复杂事件处理模型。

如图7所示，利用复杂事件模式构建出基于有色Petri网的泡沫浮选业务流程的复杂事件检测模型，从图7中，E₁、E₂、E₃、E₅为初始事件并携带有色令牌， T1、T5、T7、T8为初始事件状态变化的跃迁，当初始事件发生后，有色令牌在跃迁过程中进行传递给下一个事件，下一个事件发生后，有色令牌进行再跃迁过程中传递，以此一下，当传递到最后E₁₀事件时，代表复杂事件发生。在浮选生产过程中，虽然对时效性要求很高，但是受控生产参数发生反应需要一定的时间，是个数据实时性要求高而过程时间滞后大生产过程，这样的情况下，有色令牌的使用，便于区分事件，减少事件冲突的可能性。而在实际监测过程中，计算框架会对冲突事件拆分，分别融入不同的复杂事件模式中。

基于Petri网的复杂事件模型：复杂事件模式是构建复杂事件处理模型的重要基础，前面我们得出控制浮选过程中的五个复杂事件模式 CE＝{CE1,CE2,CE3,CE4,CE5}，利用Petri网建模对CE复杂事件建模，其中 E＝{E1,E2……E9}为简单事件，T表示时间变迁，→表示事件发生顺序。由E1 到E9的一个过程为一个复杂事件模式CE，如图7。

本公开基于有色Petri网的泡沫浮选业务流程的复杂事件检测模型的建立，为技术实现提供了清晰思路，利用复杂事件处理模型，参考生产过程中实际运行参数，利用Flink计算平台中的CEP-API技术实现复杂事件处理模式。

复杂事件处理模型的构建为泡沫浮选业务流程优化提供基础，通过复杂事件发生路径，溯源生产过程中受控生产参数变化。以便于对受控生产参数控制，及时调控，便于生产流程优化。

采用数学公式验证模型可行性：S-不变量是Petri网中基于线性不变量的验证方法，该验证方法是将Petri网按照一定方式分解子网的过程，通过数学公式的方式证明数据的流动方向。

为分析数据的流向提供了一种方法，通过对S-不变量还可对系统优化性能分析。首先定义

定义3当且仅当以下条件满足时,则称

n×1列向量I是Petri网的S-不变量：

(1)C_m×n·I_n×1＝0,m＝|T|,n＝|S|；

(2)向量I中的任一元素均为正整数；若当向量I是Petri网的S-不变量时，则有C·I＝0。

首先将复杂事件处理模型构建关联矩阵，矩阵行标为T，列标为E，根据Pre (p,t)＝a，构建Pre矩阵如下：

根据Post(t,p)＝a，构建Post矩阵如下：

通过pre和Post得复杂事件模型的关联矩阵C(Post.Pre)如下：

令x＝(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀₎ ^T，有S-不变量的定义C·x＝0可得线性方程组：

解的该模型模型S-不变量为：

<X₁>＝(1,0,0,1,0,1,1,0,1,1)^T

<X₂>＝(0,1,0,1,0,1,1,1,1,1)^T

<X₃>＝(0,0,1,0,0,0,1,1,0,1)^T

<X₄>＝(0,0,0,0,1,0,1,1,0,1)^T

即：

<X₁>＝{E₁,E₄,E₆,E₇,E₉,E₁₀}

<X₂>＝{E₂,E₄,E₆,E₇,E₈,E₉,E₁₀}

<X₃>＝{E₃,E₇,E₈,E₁₀}

<X₄>＝{E₅,E₈,E₉,E₁₀}

由此根据S-不变量分析可以得出基于有色Petri的复杂事件处理模型的四个子网模型，他们分别是由矿浆流量变化事件引起的X₁子网模型，X₁子网模型与 CE₁复杂事件模型相同，见图2所示。

由剂流量变化事件引起的X₂子网模型，如图8所示。由充气量变化事件引起的X₃子网模型，与CE₄复杂事件模型相同，见图5所示。由矿浆粒度变化事件引起的X₄子网模型与CE₅复杂事件模型相同，如图6所示。

对浮选业务流程中受控参数和泡沫浮选情况结合起来，构建复杂事件处理模型，通过Petri网S-不变量分析，利用数学公式逆向推理，发现了其中事件模式的不完整性，并利用公式解决当前浮选业务复杂事件处理模型的缺陷，完善了复杂事件处理模型。

实施例子二

包括：

基于Petri网的复杂事件模型构建模块，被配置为：基于得到的控制浮选过程的多个复杂事件模式，利用浮选生产流程中生产参数与浮选泡沫特征机理关系，使用Petri网构建相应的子模型，对子模型组合成复杂事件处理模型。

该实例子中各模块的具体实现过程参见实施例子一中的基于复杂事件处理和Petri网的泡沫浮选建模方法，此处不再进行详细的说明。

实施例子三

本说明书实施方式公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现实施例子一中的基于复杂事件处理和Petri网的泡沫浮选建模方法的步骤。

实施例子四

本说明书实施方式公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现实施例子一中的基于复杂事件处理和Petri网的泡沫浮选建模方法的步骤。

可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims

1.一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，包括：

将浮选过程事件进行分解，得到分解出的多个简单事件；

2.如权利要求1所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，将浮选生产过程实时数据输入至复杂事件处理模型中，输出符合事件模式的数据，并生成事件警告；

浮选生产过程主要控制的浮选过程因素包括矿浆流量、药剂量、浮选矿浆pH值、浮选槽液位、充气量和浮选泡沫体。

泡沫生产过程采集实时数据传输至Flink计算平台，处理流式数据。

3.如权利要求1所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，分解出简单事件包括：

E1：矿浆流量变化事件；

E2：药剂量变化事件；

E3：充气量变化事件；

E4：矿浆浓度变化事件；

E5：矿浆粒度变化事件；

E6：浮选液位变化事件；

E7：泡沫移动速度变化事件；

E8：泡沫大小比例变化事件；

E9：泡沫生命平均周期变化事件。

4.如权利要求3所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，从矿浆流量变化事件和药剂流量变化事件为起点，可以分两部分表示：CE₁＝E₁→E₄∩E₆→E₇∩E₉→E₁₀，→表示顺序发生，E₄∩E₆表示同时发生，其中{E₁，E₄，E₆，E₇，E₉，E₁₀}为事件组合集合，T1，T2，T3，T4，T5表示库所状态发生变化，使用有色Petri网对CE₁复杂事件建模；CE₂复杂事件建模为CE₂＝E₂→E₄∩E₆→E₇∩E₉→E₁₀。

5.如权利要求4所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，药剂流量变化不仅会引起矿浆浓度变化事件和浮选液位变化事件两者事件的发生，而且会直接引起泡沫特征变化事件的发生，表示为CE₃＝E₂→E₈∩E₉→E₁₀，其中{E₂，E₈，E₉，E₁₀}为事件组合集合，T4，T5，T7表示库所状态发生变化，对CE₃复杂事件建模；

充气量变化直接会引动泡沫百分比变化事件和泡沫速度变化事件，可以表示为CE₄＝E₃→E₇∩E₈→E₁₀，其中{E₃，E₇，E₈，E₁₀}为事件集合，T3，T6，T7表示库所状态发生变化，对CE₄复杂事件建模；

矿浆粒度变化是有研磨设备研磨均匀造成的，由粒度分析仪采集数据，矿浆粒度变化容易造成泡沫大小百分比变化和泡沫生命周期变化事件发生，表示为CE₅＝E₅→E₈∩E₉→E₁₀，其中{E₅，E₈，E₉，E₁₀}为事件集合，T4，T6，T8表示库所状态发生变化，对CE₅复杂事件建模。

6.如权利要求5所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，五个复杂事件模式CE＝{CE1,CE2,CE3,CE4,CE5}，利用Petri网建模对CE复杂事件建模，其中E＝{E1,E2……E9}为简单事件，T表示时间变迁，→表示事件发生顺序；

由E1到E9的一个过程为一个复杂事件模式CE；

当初始事件发生后，有色令牌在跃迁过程中进行传递给下一个事件，下一个事件发生后，有色令牌进行再跃迁过程中传递，以此一下，当传递到最后E₁₀事件时，代表复杂事件发生。

7.如权利要求1所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法，其特征是，选用开源的Flink计算平台测试所建立的泡沫浮选复杂事件处理模型可行性。

8.一种基于复杂事件处理和Petri网的泡沫浮选建模系统，其特征是，包括：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一所述的一种的基于复杂事件处理和Petri网的泡沫浮选建模方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一所述的一种基于复杂事件处理和Petri网的泡沫浮选建模方法的步骤。