CN112415894B - 基于主动学习和bn的重介质选煤过程安全运行控制方法 - Google Patents
基于主动学习和bn的重介质选煤过程安全运行控制方法 Download PDFInfo
- Publication number
- CN112415894B CN112415894B CN202011304778.3A CN202011304778A CN112415894B CN 112415894 B CN112415894 B CN 112415894B CN 202011304778 A CN202011304778 A CN 202011304778A CN 112415894 B CN112415894 B CN 112415894B
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- nodes
- variable
- abnormal working
- working condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000003245 coal Substances 0.000 title claims abstract description 30
- 238000002360 preparation method Methods 0.000 title abstract description 6
- 229910052582 BN Inorganic materials 0.000 title description 12
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 title description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 62
- 238000000926 separation method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于主动学习和BN的重介质选煤过程安全运行控制方法，属于工业安全运行控制技术领域。本发明在分析重介质选煤过程中异常工况机制及相应操作方案的基础上，将主动学习引入到贝叶斯网络的结构学习中，减少所需数据量，提高贝叶斯网络结构学习的效率。利用贝叶斯网络能够结合定性专家知识与定量数据信息分析轻重度异常工况的优势，将异常工况的现象变量作为证据信息，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，为排除重介质选煤过程中的异常工况提供决策依据。本发明能有效排除重介质选煤过程中的异常工况，为操作人员的安全控制决策提供依据。
Description
技术领域
本发明涉及一种重介质选煤过程安全运行控制方法，属于工业安全运行控制技术领域。
背景技术
目前，在实际的生产过程中，重介质选煤过程由于运行环境复杂，原煤属性变化频繁，基础自动化程度较低，容易出现分选效果不理想，产品煤品质不一致，甚至出现异常工况。异常工况的发生不仅影响产品煤品质，还会对选煤核心设备造成损坏，甚至危及人身安全。
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分析导致异常工况发生的原因，并做出相应的控制决策，让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，这增大了人为进行过程分析的难度。即使可以获得足够多的信息，由于自身经验、知识局限性的影响，操作人员也很难找准异常工况发生的原因，并做出正确的控制决策。
针对异常工况的发生，现有的解决办法大多分为两步：找出导致异常工况发生的原因，再根据分析结果采取相应的安全控制措施。异常工况的检测包括基于机理模型的方法、基于定性专家知识的方法和基于数据驱动的方法。然而，对于大型复杂的流程工业过程，基于机理模型的方法难以建立准确可靠的机理模型；基于定性专家知识的方法虽然可解释性好，但由于专家知识收集的时间成本较高且操作经验存在主观性，应用前景有限,数据驱动的方法实施效率高，但是模型及输出结果可解释性较差，不利于操作人员理解。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足而提供一种基于主动学习和BN的安全运行控制。首先针对常见的异常工况，提出融合定性专家知识和定量数据信息的安全控制贝叶斯网络模型，为重介质选煤过程中的异常工况提供依据。其次引入主动学习机制构建贝叶斯网络模型，有效减少贝叶斯模型训练所需数据量，提高贝叶斯网络结构学习的效率和精度。
本发明提供一种基于主动学习和BN的重介质选煤过程安全运行控制方法，包括以下步骤：
1.基于主动学习和BN的重介质选煤过程安全运行控制方法，包括以下步骤：
步骤1：分析异常工况的机制和操作经验，确定与异常工况相关的原因变量、现象变量以及控制变量；
步骤1.1：在实际选煤过程中，悬浮液密度、磁性物含量、液位等参数及各种设备之间的相互作用，难免会发生异常工况。因此，在深入研究分析重介质选煤过程中异常工况产生机制及相关操作方案的基础上，确定的异常工况为重介质旋流器入介压力过小，反映该异常工况现象变量为入介压力，原因变量为合格介质桶液位和压力泵转速，控制变量为加介泵转速、加水泵转速和压力泵转速。
步骤2：根据步骤1所述，确定贝叶斯网络节点并划分其状态；
步骤2.1：进行贝叶斯网络结构学习之前，需要确定网络的节点个数及状态。在实际的生产过程中，针对不同程度的异常工况，应该制定不同等级的控制决策。因此，根据实际生产状况，需要将贝叶斯网络节点划分成不同等级，鉴于等级个数的增多会增大模型的复杂度，提高贝叶斯网络参数学习的难度，将贝叶斯网络节点的等级划分成三个。
步骤3：依据专家知识将重介质旋流器入介压力、合格介质桶液位、加介泵转速、加水泵转速、压力泵转速做离散化处理；
步骤4：利用基于主动学习的贝叶斯网络结构学习方法确定贝叶斯网络结构；
步骤4.1：基于步骤2中确定的贝叶斯网络节点及重介质选煤实际生产过程，确定干预动作集合A；
步骤4:2：利用公式(1)从动作集合A中选择出效用最大的干预动作a：
其中，D为给定的数据集，g为当前的贝叶斯网络结构模型，y为在当前网络结构执行干预动作后的观察变量。
步骤4.3：利用最佳干预动作a及给定数据集D更新结构分布，得到网络结构G；
步骤5：利用最大似然估计法确定贝叶斯网络参数，设D＝(D1,D2,...,Dm)是一组服从独立同分布的完整数据，贝叶斯网络的变量集合为X＝{X1,X2,...,Xn}，其中节点Xi共有ri个取值，其父节点π(Xi)的取值共有qi个组合。则贝叶斯网络的参数为θijk＝P(Xi＝k|π(Xi)＝j)。其中，i的取值范围为1到n，对于一个固定的i，j的取值范围为1到qi，k的取值范围为1到ri。
步骤5.1：θ的对数似然函数为公式(2)，其中θ为所有θijk组成的向量：
其中mijk是数据中满足Xi＝k和π(Xi)＝j的样本的数量
步骤5.2：利用式(3)计算θijk的最大似然估计
步骤6：根据步骤4中确定的网络结构G和步骤5中得到的网络参数建立安全控制贝叶斯网络模型；
步骤7：采集异常工况现象变量的数据信息，并将其做离散化处理；
步骤8：将离散化后的异常工况现象变量作为证据信息输入到建立的贝叶斯网络模型中进行推理；
步骤8.1：将贝叶斯网络中的所有节点保留，同时将节点间的有向边变为无向边。若贝叶斯网络中有某一节点包含两个及两个以上的父节点，将该节点的父节点两两相连，完成Moral图的构造。对包含4个及以上节点数的环，增加一条无向边将环中两个非相邻节点连接起来，完成对Moral三角化。
步骤8.2：确定团节点并且生成团树。建立的团树必须包含所有的团节点，两个团节点的交集作为连接两个团节点的分隔节点S。
步骤8.3：利用式(4)对网络各节点进行初始化：
其中，
为团节点的分布函数。
步骤8.4：利用式(5)-(7)进行消息传递，得到满足全局一致性的联合树：
其中，式(5)是分离节点S接收的信息；式(6)是团节点Ci的更新分布函数；式(7)是分隔节点S的更新分布函数。
步骤8.5：对于任意一个包含变量V的团结点C，利用式(8)计算变量V的概率分布：
其中，CV表示团结点C中除去变量V以外的其他变量。
步骤8.6：利用式(9)计算条件概率P(V|E)：
其中，v是变量V的取值，e是变量E的取值。
步骤9：当发生异常工况时，遵循后验概率最大的原则确定最终的控制决策，并调整相应控制变量的设定值；
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；
步骤11：进入正常工况的操作模式。
本发明的有益效果是：
提出了基于主动学习和BN的重介质选煤安全运行控制方法。
作为一种重要的机器学习方法，贝叶斯网络(Bayesian Network，BN)因其能够基于概率推理解决不定性和不完整条件下的问题，因其在解决由复杂设备关联性引起的故障方面有很大优势，被广泛应用于运行风险评估，故障诊断、预测、信息融合等问题。贝叶斯网络是一种结合概率论与图论的概率图模型，由结构模型和条件概率表组成。其中，贝叶斯网络的结构学习方法主要包括基于数据信息的方法和基于专家知识的方法。贝叶斯网络能够有效的结合专家知识与数据信息，在已知证据的情况下通过概率传播或推理的过程来更新已知变量的概率，帮助操作者在面对快速变化且不容易预测的问题时做出及时可靠的决策。
通过分析异常工况产生的原因及相应的解决方案，利用主动学习机制从数据信息中学习贝叶斯网络模型结构，建立了能够提供在线实时决策的贝叶斯网络模型。将异常工况的现象变量作为证据信息，并输入到建立的安全控制贝叶斯模型中，帮助操作人员做出安全可靠的控制决策。
本发明首先降低了模型复杂度和便于操作人员理解与快速决策。其次，使用的贝叶斯网络能够有效的结合专家知识与数据信息，帮助操作者在面对快速变化且不容易预测的问题时做出及时可靠的决策。最后，引入主动学习机制构建贝叶斯网络模型，有效减少贝叶斯网络模型训练所需数据量，提高贝叶斯网络结构学习的效率和精度。
附图说明
图1为基于贝叶斯网络的安全运行控制建模流程及在线应用策略。
图2为重介质选煤简化工艺流程图。
图3为基于主动学习的贝叶斯网络结构学习流程框图。
图4为安全控制贝叶斯网络模型。
图5为图4所示贝叶斯网络的Moral图。
图6为图4所示贝叶斯网络的联合树。
图7为针对异常工况事件2在安全控制决策实施后旋流器入介压力的变化曲线。
具体实施方式
下面将结合说明书附图，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。
对于本领域技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
本实例提出了一种基于主动学习和BN的重介质选煤过程安全运行控制方法，BN指贝叶斯网络(Bayesian Network，BN)。包括如下步骤：
步骤1：重介质选煤的简化工艺流程图如图2所示。在深入分析重介质选煤过程中常见异常工况的机制和相应操作经验的基础上，确定的异常工况是重介质旋流器入介压力过小，其相关的原因变量分布是合格介质桶液位和旋流器入介压力，现象变量是入介压力，相应的控制变量是加介泵转速、加水泵转速、压力泵转速；
步骤2：确定贝叶斯网络节点并划分等级。得到的贝叶斯网络模型共有6个节点，每个节点均划分为三个等级如下表1所示；
表1贝叶斯网络节点的物理意义及其划分等级
步骤3：依据专家知识将重介质旋流器入介压力、合格介质桶液位、加介泵转速、加水泵转速、压力泵转速做离散化处理；
步骤4：结合附图3利用基于主动学习的贝叶斯网络结构学习方法确定网络结构如图4；
步骤5：利用最大似然估计法确定贝叶斯网络参数如下表2-5；
表2节点A、B、C的条件概率
| A | B | C | |
| 1 | 0.23 | 0.35 | 0.25 |
| 2 | 0.42 | 0.4 | 0.41 |
| 3 | 0.35 | 0.25 | 0.34 |
表3节点D的条件概率表
表4节点E的条件概率表
表5节点F的条件概率表
步骤6：根据上述结构学习和参数学习之后得到贝叶斯网络模型。下面步骤就是利用贝叶斯推理算法对异常工况进行分析，从而获取安全控制决策；
步骤7：采集重介质选煤过程异常工况现象变量的信息，并将其做离散化处理如下表6。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；
表6重介质选煤过程中的三种可能发生的工况事件
| 序号 | F |
| 1 | 1 |
| 2 | 2 |
| 3 | 3 |
步骤8：将表6中的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7所示。具体的传播算法如下；
步骤8.1：将贝叶斯网络中的所有节点保留，同时将节点间的有向边变为无向边。若贝叶斯网络中有某一节点包含两个及两个以上的父节点，将该节点的父节点两两相连，完成Moral图的构造。对包含4个及以上节点数的环，增加一条无向边将环中两个非相邻节点连接起来，完成对Moral三角化。
步骤8.2：确定团节点并且生成团树。建立的团树必须包含所有的团节点，两个团节点的交集作为连接两个团节点的分隔节点S。
接下来在步骤8.1和8.2建立团树的基础下进行推理。
步骤8.3：利用式(1)对网络各节点进行初始化：
其中，
为团节点的分布函数
步骤8.4：利用式(2)-(4)进行消息传递，得到满足全局一致性的联合树：
其中，式(2)是分离节点S接收的信息；式(3)是团节点Ci的更新分布函数；式(4)是分隔节点S的更新分布函数。
步骤8.5：对于任意一个包含变量V的团结点C，利用式(5)计算变量V的概率分布：
其中，CV表示团结点C中除去变量V以外的其他变量。
步骤8.6：利用式(6)计算条件概率P(V|E)：
其中，v是变量V的取值，e是变量E的取值。
表7三种可能的工况事件对应相应决策的后验概率
表6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7所示。针对表7中每一个变量的后验概率，均遵循后验概率最大的原则选择拥有最大后验概率的节点等级，并将该等级对应的物理含义作为最终的决策结果。因此，以事件3为例，针对该异常工况获得的控制决策为：改变加介泵的功率为中高档，改变加水泵的功率为中高档，改变压力泵的功率为高档，其他工况事件的决策结果与事件3同理。
步骤9，当发生异常工况时，遵循后验概率最大的原则确定最终的控制决策，并调整相应控制变量的设定值。
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。
步骤11，进入正常工况的操作模式。
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，以事件2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。旋流器入介压力的阈值设定为95Kpa，采样间隔为1秒钟。由图7可知，在第980个采样点时，旋流器入介压力开始降低。从第1015个采样点开始，旋流器入介压力达到了设定的阈值。贝叶斯网络模型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1015个采样点实施相应的控制决策后，大约在第1029个采样点，旋流器入介压力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。
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。
Claims (1)
1.基于主动学习和BN的重介质选煤过程安全运行控制方法，包括以下步骤：
步骤1：分析异常工况的机制和操作经验，确定与异常工况相关的原因变量、现象变量以及控制变量；
步骤1.1：在实际选煤过程中，悬浮液密度、磁性物含量、液位等参数及各种设备之间的相互作用难免会发生异常工况，在深入研究分析重介质选煤过程中异常工况产生机制及相关操作方案的基础上，确定的异常工况为重介质旋流器入介压力过小，反映该异常工况现象变量为入介压力，原因变量为合格介质桶液位和压力泵转速，控制变量为加介泵转速、加水泵转速和压力泵转速；
步骤2：确定贝叶斯网络节点并划分其状态；
步骤2.1：进行贝叶斯网络结构学习之前，需要确定网络的节点个数及状态；在实际的生产过程中，针对不同程度的异常工况，制定不同等级的控制决策，需要将贝叶斯网络节点划分成不同等级，鉴于等级个数的增多会增大模型的复杂度，提高贝叶斯网络参数学习的难度，将贝叶斯网络节点的等级划分成三个；
步骤3：依据专家知识将重介质旋流器入介压力、合格介质桶液位、加介泵转速、加水泵转速、压力泵转速做离散化处理；
步骤4：利用基于主动学习的贝叶斯网络结构学习方法确定贝叶斯网络结构；
步骤4.1：基于步骤2中确定的贝叶斯网络节点及重介质选煤实际生产过程，确定干预动作集合A；
步骤4.2：利用公式(1)从动作集合A中选择出效用最大的干预动作a：
其中，D为给定的数据集，g为当前的贝叶斯网络结构模型，y为在当前网络结构执行干预动作后的观察变量，G1:n为第1个贝叶斯网络到第n个贝叶斯网络，Y为执行干预动作后的观察变量的集合；P(·)为概率函数；
步骤4.3：利用最佳干预动作a及给定数据集D更新结构分布，得到网络结构G；
步骤5：利用最大似然估计法确定贝叶斯网络参数，设D＝(D1,D2,...,Dm)是一组服从独立同分布的完整数据，贝叶斯网络的变量集合为X＝{X1,X2,...,Xn}，其中节点Xi共有ri个取值，其父节点π(Xi)的取值共有qi个组合，则贝叶斯网络的参数θijk＝P(Xi＝k|π(Xi)＝j)，其中，i的取值范围为1到n，对于一个固定的i，j的取值范围为1到qi，k的取值范围为1到ri；
步骤5.1：θ的对数似然函数为公式(2)，其中θ为所有θijk组成的向量：
其中mijk是数据中满足Xi＝k和π(Xi)＝j的样本的数量
步骤5.2：利用式(3)计算θijk的最大似然估计
步骤6：根据步骤4中确定的网络结构G和步骤5中得到的网络参数建立安全控制贝叶斯网络模型；
步骤7：采集异常工况现象变量的数据信息，并将其做离散化处理；
步骤8：将离散化后的异常工况现象变量作为证据信息输入到建立的贝叶斯网络模型中进行推理；
步骤8.1：将贝叶斯网络中的所有节点保留，同时将节点间的有向边变为无向边；若贝叶斯网络中有某一节点包含两个及两个以上的父节点，将该节点的父节点两两相连，完成Moral图的构造；对包含4个及以上节点数的环，增加一条无向边将环中两个非相邻节点连接起来，完成对Moral三角化；
步骤8.2：确定团节点并且生成团树；建立的团树必须包含所有的团节点，两个团节点的交集作为连接两个团节点的分隔节点S；
步骤8.3：利用式(4)对网络各节点进行初始化：
其中，
为团节点的分布函数；pa(V)为变量V的父节点；
步骤8.4：利用式(5)-(7)进行消息传递，得到满足全局一致性的联合树：
其中，式(5)是分隔节点S接收的信息；式(6)是团节点Ci的更新分布函数；式(7)是分隔节点S的更新分布函数；
步骤8.5：对于任意一个包含变量V的团结点C，利用式(8)计算变量V的概率分布：
其中，CV表示团结点C中除去变量V以外的其他变量；
步骤8.6：利用式(9)计算条件概率P(V|E)：
其中，v是变量V的取值，e是变量E的取值；
步骤9：当发生异常工况时，遵循后验概率最大的原则确定最终的控制决策，并调整相应控制变量的设定值；
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；
步骤11：进入正常工况的操作模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011304778.3A CN112415894B (zh) | 2020-11-20 | 2020-11-20 | 基于主动学习和bn的重介质选煤过程安全运行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011304778.3A CN112415894B (zh) | 2020-11-20 | 2020-11-20 | 基于主动学习和bn的重介质选煤过程安全运行控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112415894A CN112415894A (zh) | 2021-02-26 |
| CN112415894B true CN112415894B (zh) | 2021-09-10 |
Family
ID=74773772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011304778.3A Active CN112415894B (zh) | 2020-11-20 | 2020-11-20 | 基于主动学习和bn的重介质选煤过程安全运行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112415894B (zh) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7720779B1 (en) * | 2006-01-23 | 2010-05-18 | Quantum Leap Research, Inc. | Extensible bayesian network editor with inferencing capabilities |
| US8463641B2 (en) * | 2007-10-05 | 2013-06-11 | The Boeing Company | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
| CN102637019B (zh) * | 2011-02-10 | 2014-04-02 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
| CN105184386A (zh) * | 2015-07-22 | 2015-12-23 | 中国寰球工程公司 | 一种结合专家经验和历史数据建立异常事件预警系统的方法 |
| CN106372330A (zh) * | 2016-08-31 | 2017-02-01 | 北京化工大学 | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 |
| CN106990109B (zh) * | 2017-03-23 | 2019-09-06 | 中国矿业大学 | 一种基于多摄像头判定的井下皮带异物检测系统及方法 |
| CN109146246B (zh) * | 2018-05-17 | 2021-06-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
| CN109062189B (zh) * | 2018-08-30 | 2020-06-30 | 华中科技大学 | 一种用于复杂故障的工业过程故障诊断方法 |
| CN110490437A (zh) * | 2019-08-01 | 2019-11-22 | 北京交通大学 | 一种轨道交通系统运营风险链构建方法 |
-
2020
- 2020-11-20 CN CN202011304778.3A patent/CN112415894B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112415894A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114048600B (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| Shen et al. | Rough sets, their extensions and applications | |
| Yan et al. | An operational adjustment framework for a complex industrial process based on hybrid Bayesian network | |
| Şentürk et al. | Interval type-2 fuzzy c-control charts: an application in a food company | |
| Yan et al. | Hybrid approach integrating case-based reasoning and Bayesian network for operational adjustment in industrial flotation process | |
| CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| Yue et al. | Root cause analysis for process industry using causal knowledge map under large group environment | |
| CN115659774A (zh) | 一种融合机器学习的大坝风险贝叶斯网络模型建模方法 | |
| CN112415894B (zh) | 基于主动学习和bn的重介质选煤过程安全运行控制方法 | |
| Yan et al. | Operational adjustment modeling approach based on Bayesian network transfer learning for new flotation process under scarce data | |
| Bewley et al. | Learning interpretable models of aircraft handling behaviour by reinforcement learning from human feedback | |
| CN106056300A (zh) | 纵横交错的混合式资源分配规则挖掘方法 | |
| Wang et al. | FlotGAIL: An operational adjustment framework for flotation circuits using generative adversarial imitation learning | |
| Smirnov | Intelligent decision support system for the control of complex technical systems | |
| CN114967436B (zh) | 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 | |
| Zăvoianu et al. | A soft-computing framework for automated optimization of multiple product quality criteria with application to micro-fluidic chip production | |
| CN109446629A (zh) | 一种基于概率图模型的工业过程报警根源识别方法 | |
| Li | Application analysis of artificial intelligent neural network based on intelligent diagnosis | |
| Ferdaus et al. | X-Fuzz: An Evolving and Interpretable Neurofuzzy Learner for Data Streams | |
| CN114967436A (zh) | 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 | |
| Ebrahimi et al. | Framework for integrating an artificial neural network and a genetic algorithm to develop a predictive model for construction labor productivity | |
| Bao et al. | A safe control scheme for the dense medium coal separation process based on Bayesian network and Active Learning | |
| Li et al. | Aggregating predictions of multi-models for the small dataset learning tasks in the TFT-LCD process | |
| CN116899758A (zh) | 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 | |
| Lu et al. | Two-branch convolutional neural network based on multi-source information for flotation overflow identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |