CN112884151B - 一种基于因果推理对玻璃熔炉环境控制的方法及系统 - Google Patents

一种基于因果推理对玻璃熔炉环境控制的方法及系统 Download PDF

Info

Publication number
CN112884151B
CN112884151B CN202110113540.0A CN202110113540A CN112884151B CN 112884151 B CN112884151 B CN 112884151B CN 202110113540 A CN202110113540 A CN 202110113540A CN 112884151 B CN112884151 B CN 112884151B
Authority
CN
China
Prior art keywords
causal
glass
melting furnace
variable
furnace
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
Application number
CN202110113540.0A
Other languages
English (en)
Other versions
CN112884151A (zh
Inventor
夏喆
谢天雄
邹承明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110113540.0A priority Critical patent/CN112884151B/zh
Publication of CN112884151A publication Critical patent/CN112884151A/zh
Application granted granted Critical
Publication of CN112884151B publication Critical patent/CN112884151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • C—CHEMISTRY; METALLURGY
    • C03—GLASS; MINERAL OR SLAG WOOL
    • C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
    • C03B5/00—Melting in furnaces; Furnaces so far as specially adapted for glass manufacture
    • C03B5/16—Special features of the melting process; Auxiliary means specially adapted for glass-melting furnaces
    • C—CHEMISTRY; METALLURGY
    • C03—GLASS; MINERAL OR SLAG WOOL
    • C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
    • C03B5/00—Melting in furnaces; Furnaces so far as specially adapted for glass manufacture
    • C03B5/16—Special features of the melting process; Auxiliary means specially adapted for glass-melting furnaces
    • C03B5/24—Automatically regulating the melting process

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Glass Melting And Manufacturing (AREA)

Abstract

本发明提供一种基于因果推理对玻璃熔炉环境控制的方法及系统，用于以天然气和氧气为燃料的全氧玻璃窑炉熔炉，将传感器采集的玻璃熔炉相关参数时间序列和玻璃质量时间序列数据集作为输入，通过条件选择算法得到稀疏因果模型；将稀疏因果模型作为输入，通过瞬时条件独立性测试得到去除假阳性因果关联的稀疏因果模型；基于信息理论，采用源熵的概念来衡量因果强度，根据因果强度给出相应的控制决策。本发明对于高维、非线性时间序列且带有时间滞后特点的玻璃熔炉环境，能够对时间滞后因果关系进行推理；并且能够量化因果关联强度，给予玻璃熔炉环境控制提供决策支持建议。

Description

一种基于因果推理对玻璃熔炉环境控制的方法及系统
技术领域
本发明涉及玻璃熔炉环境控制技术领域，具体涉及一种基于因果推理对玻璃熔炉环境控制的方法及系统。
背景技术
玻璃熔炉是一个伴随着各种物理化学反应的复杂系统，在熔化池或料道中澄清和均化过程中，需要玻璃液能够长期稳定的保留在一个特定的温度区间，工业上为了获得良好的玻璃质量，需要对熔炉内的环境进行一定的控制。目前我国在相关领域主要采用的是传统的PID 控制技术。这种技术相对成本低廉且易于设计，但是对于熔炉这种具有高维、非线性和时间滞后的系统，控制效果并不理想，难以生产高质量的玻璃。此外，许多研究人员在此基础上提出一些改进算法来提高控制效果。如在传统PID控制器基础上与模糊逻辑控制器相结合，改善了传统PID控制器控制不佳的弊端；还有人采用机器学习算法来进一步改善控制效果。
有不少学者及研究人员提出因果推理在实际中的应用。吉林大学研究人员针对汽车纵向自动驾车决策过程，通过建立车辆跟驰行为的马尔科夫决策过程模型，提出决策过程的因果推理机制；有人提出一种基于因果推理，利用全连接神经网络来预测癌症或心脑血管疾病患者一年内再入院的概率，评估不同治疗方案的效果，辅助临床决策。针对玻璃熔炉复杂环境，需要作出合理的因果解释，给予生产者适当的决策建议。
虽然这些改进算法在实验模拟条件下表现良好，但是无法在实际应用中得到好的效益表现。其一是无法完美的模拟复杂的熔炉环境；其二是基于神经网络的机器学习算法无法解释因果性，对于实际生产决策缺乏说服力。
控制方法往往是针对温度单个参数的控制，对于炉内压力、氧气浓度和天然气浓度等因素无法得到有效的控制，如果有技术方案能够找到这些参数之间的因果关系，给出合理的决策方案，就能够更好地整体控制熔炉整体的环境因素，达到提高玻璃质量的目的。
此外由于熔炉环境有着明显的时间滞后效应，通过算法改进来提高控制温度这一方案有着时间上的误差，本发明 提出的方法，能够实现时间序列上的因果推理，克服时间滞后的问题。
发明内容
本发明提供了一种基于因果推理对玻璃熔炉环境控制的方案，目的在于找出影响玻璃质量的因素，给出精确的量化因果性强度，为玻璃熔炉环境控制提供决策。
为了实现上述目的，本发明提出一种基于因果推理对玻璃熔炉环境控制的方法，用于以天然气和氧气为燃料的全氧玻璃窑炉熔炉，将传感器采集的玻璃熔炉相关参数时间序列和玻璃质量时间序列数据集作为输入，通过条件选择算法得到稀疏因果模型；将稀疏因果模型作为输入，通过瞬时条件独立性测试得到去除假阳性因果关联的稀疏因果模型；基于信息理论，采用源熵的概念来衡量因果强度，根据因果强度给出相应的控制决策。
而且，传感器采集频率为10秒/次～300秒/次的固定频率。
而且，所述传感器类型包括温度传感器、压力计、流量计、距离传感器和浓度计。
而且，所述玻璃熔炉相关参数包括熔炉各关键位点的温度、炉内压力、氧气流量、天然气流量、天然气阀门开度、玻璃熔融物高度、炉内粉尘浓度、二氧化硫浓度和氮氧化物浓度。
而且，所述玻璃质量时间序列数据集，是玻璃各项质量指标所产生的综合质量指标时间序列数据集。
而且，通过于条件独立的条件选择算法得到稀疏因果模型，实现如下，
1)先获取时间序列集X＝(X1,X2,...,XN)，设其中一个玻璃熔炉相关参数Xj某一时刻的值为
Figure BDA0002919933740000021
j表示参数的种类标记，t表示该参数值所在的时刻，N表示所有相关变量的数量；
2)设选择参数为Xj，对这个参数某一时刻的值
Figure BDA0002919933740000022
初始化其先前序列
Figure BDA0002919933740000023
并进行无条件独立性检验，如果在显著性水平α上满足假设
Figure BDA0002919933740000024
与
Figure BDA0002919933740000025
相互独立，则将
Figure BDA0002919933740000026
从
Figure BDA0002919933740000027
中删除，i表示参数的种类标记；
其中，τ为时间滞后，τmax为最大时间滞后；
3)在接下来的每一次迭代中，首先根据初始先前序列的检验统计量对其排序，然后对
Figure BDA0002919933740000028
和
Figure BDA0002919933740000029
进行条件独立性检验，在前一次迭代中对
Figure BDA00029199337400000210
依赖最大的参数成为独立变量被删除；
4)每次迭代后，都从
Figure BDA00029199337400000211
中去除独立先前序列数据，直到没有更多的条件用于测试。
而且，所述最大时间滞后τmax，根据复杂系统中预期的最大物理时延来选择，显著性水平α通过交叉验证或基于分数进行优化。
而且，所述通过瞬时条件独立性测试得到去除假阳性因果关联的稀疏因果模型实现方式为，
设有时间序列集X＝(X1,X2,...,Xi,...,Xj,...,XN)，对于变量Xj，用条件选择算法估计得到的已排序的先前序列
Figure BDA0002919933740000031
最大时间滞后τmax，变量Xi的先前序列的最大值Xm和条件独立测试函数CI()，得到的输出结果为p-values和测试统计值I。
而且，采用源熵的概念来衡量因果强度实现如下，
Figure BDA0002919933740000032
其中，
Figure BDA0002919933740000033
表示在条件P(Xt-τ)下，
Figure BDA0002919933740000034
和
Figure BDA0002919933740000035
的条件互信息；
IX→Y(τ)表示变量X和Y之间在滞后时长为τ下的条件互信息；
Figure BDA0002919933740000036
表示变量X在时间滞后为τ下的噪声项；
Xt-τ为变量X时间滞后为τ时的值；
f(Xt-τ)为Xt-τ的多项式函数；
Figure BDA0002919933740000037
表示变量Y的噪声项；
P(Xt-τ)表示Xt-τ的先前序列；
对于线性相关的f(Xt-τ)＝cXt-τ，进一步简化为，
Figure BDA0002919933740000038
其中，c是普通系数；
对于高斯情形下的部分相关，
Figure BDA0002919933740000039
其中，ρX→Y为变量X和Y的相关系数，σX为变量X的标准差，σ2为噪声项η的方差，
Figure BDA00029199337400000310
为变量X的方差，c为普通系数。
本发明还提供一种基于因果推理对玻璃熔炉环境控制的系统，用于实现如上所述的一种基于因果推理对玻璃熔炉环境控制的方法。
本发明提供了一种基于因果推理对玻璃熔炉环境控制的方案，具备以下有益效果：
1)对于高维、非线性时间序列且带有时间滞后特点的玻璃熔炉环境的因果推理提出理论方法，能够对当前1～3个小时的时间滞后因果关系进行推理。
2)并且能够量化因果关联强度，给予玻璃熔炉环境控制提供决策支持。
本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。
附图说明
图1为本发明实施例基于因果推理对玻璃熔炉环境控制的技术路线图。
图2为本发明实施例得到的稀疏因果模型示意图。
图3为本发明实施例得到的去除假阳性的稀疏因果模型示意图。
图4为本发明实施例条件选择算法对时间序列数据集进行稀疏处理示意图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
本发明提供一种基于因果推理对玻璃熔炉环境控制的方法，用于以天然气和氧气为燃料的全氧玻璃窑炉熔炉。该方法根据玻璃熔炉测量的各关键点位的温度、压力、天然气和氧气流量、各阀门开度、玻璃熔融物高度、炉内粉尘浓度、二氧化硫浓度、氮氧化物浓度等时间序列数据集，使用条件选择算法，将在时间序列上相互条件独立的节点进行删除，得到稀疏因果模型。利用得到的稀疏因果模型作为瞬时条件独立性测试的输入，能够将稀疏因果模型中的假阳性因果关联进行排除，得到一个没有假阳性因果关联的稀疏因果模型。然后利用基于理想依赖度量属性的信息理论概念量化因果关联，从而对玻璃熔炉环境的因果性做出解释。最后基于上述量化因果关联给出玻璃熔炉控制决策建议。
参见图1，本发明实施例提供一种基于因果推理对玻璃熔炉环境控制的方法，通过估计并量化玻璃质量与熔炉相关参数因果性实现玻璃熔炉环境控制，包括以下步骤：
步骤1，通过条件选择算法得到稀疏因果图：将传感器采集的玻璃熔炉相关参数时间序列和玻璃质量时间序列数据集作为输入，通过条件选择算法得到稀疏因果模型。
本发明为了找到影响玻璃质量因素所采用的的技术方案是通过基于条件独立的条件选择算法，用于以剔除多余的混杂因素，以得到玻璃质量和玻璃熔炉相关参数的稀疏因果模型。
本发明基于因果推理对玻璃熔炉环境控制的方法，用于以天然气和氧气为燃料的全氧玻璃熔炉，其设备主要包括天然气和氧气的输送液压装置、燃烧枪、多点位的温度传感器、炉内压力计、流量计、距离测量计、浓度测量计等。
本发明采用参数的传感器类型包括：温度传感器、压力计、流量计、距离传感器、浓度计等。优选的，所述玻璃熔炉相关参数包括：熔炉各关键位点的温度、炉内压力、氧气流量、天然气流量、天然气阀门开度、玻璃熔融物高度、炉内粉尘浓度、二氧化硫浓度、氮氧化物浓度等。
优选的，温度采集和炉内压力采集选择在熔炉顶部和底部等关键位置。
优选的，流量采集通过流量计布设在天然气阀门处、炉内顶部和底部等关键位置。
具体实施时，可直接基于现有设备长时间采集炉底玻璃液面温度、碹顶温度、吊墙温度、水包温度、烟道温度、炉内压力、天然气流量、天然气阀门开度、氧气流量、氧气阀门开度、玻璃液面高度、炉内粉尘浓度、二氧化硫浓度、氮氧化物浓度等。
传感器数据采集频率优选为10秒/次～300秒/次的固定频率。推荐采集频率不低于每分钟一次，优选是每10秒一次。选择某一时间段的相关参数时间序列数据作为本实施例的数据集。
为防止误差，可以对传感器采集数据预处理：如果有数据丢失，超过3个及以上的连续数据丢失，则应该放弃该时段的样本，否则应该用算法进行缺失值补充。具体对于缺失值的补充，通常基于统计学原理，根据初始数据集中其余对象取值的分布情况对一个缺失值进行填充。在实施例中，当出现具有缺失数据的样本时，优选采用欧式距离或相关分析来确定距离缺失数据样本最近的若干个邻近样本，将这几个邻近样本值加权平均来估计该样本的缺失数据。
所述玻璃质量时间序列数据集，是玻璃各项质量指标所产生的综合质量指标时间序列数据集。玻璃质量指标是通过玻璃缺陷表征的。玻璃缺陷参数主要有：气泡大小、气泡个数、夹杂物大小、点状缺陷密集度。实施例优选对上述五个参数数据进行归一化后求和并再进行一次归一化，使得玻璃缺陷用[0,1]区间数值表示，区间内数值越高，则玻璃质量越差。
本发明实施例中，基于条件独立的条件选择算法具体步骤是：
1)先获取时间序列集X＝(X1,X2,...,XN)，
条件独立算法的输入是玻璃质量指标和玻璃熔炉相关参数的时间序列数据集。具体实施时，有温度、压力等多种参数。设其中一个参数Xj某一时刻的值为
Figure BDA0002919933740000051
其中j表示参数的种类标记，t表示该参数值所在的时刻。
其中，N表示所有相关变量的数量，即问题的维数。
2)设选择参数为Xj，对这个参数某一时刻的值
Figure BDA0002919933740000052
初始化其先前序列
Figure BDA0002919933740000053
并进行无条件独立性检验，如果在显著性水平α上满足假设
Figure BDA0002919933740000054
与
Figure BDA0002919933740000055
相互独立，则将
Figure BDA0002919933740000056
从
Figure BDA0002919933740000057
中删除。其中i也表示参数的种类标记。
其中，τ为时间滞后，τmax为最大时间滞后。优选地，最大时间滞后τmax，根据复杂系统中预期的最大物理时延来选择，显著性水平α可以通过交叉验证或基于分数(如贝叶斯信息标准)进行优化。实施例中推荐α＝0.4，最大条件数PX＝3。
3)在接下来的每一次迭代(p->p+1)中，首先根据初始先前序列(即当前时间之前的时间序列)的检验统计量对其排序，然后对
Figure BDA0002919933740000061
和
Figure BDA0002919933740000062
进行条件独立性检验，在前一次迭代中对
Figure BDA0002919933740000063
依赖最大的参数成为独立变量被删除。
4)每次迭代后，都从
Figure BDA0002919933740000064
中去除独立先前序列数据，直到没有更多的条件用于测试，则算法将收敛。
通过这种方式，条件选择算法能够自适应的收敛到典型的少数相关条件，这些条件包括具有高概率和潜在的一些假阳性的因果关联。如图2所示，为该算法稀疏因果图结果，其中 C1,…,C6是混杂因素，和被解释变量存在假阳性因果关联。
条件独立算法的主要自由参数为显著性水平α，应该视为一个超参数，可以根据赤池信息准则或交叉验证等模型选择准则进行选择。
条件独立算法中时间序列图如图4所示提供了更全面直观的视图，考虑一个底层的时间依赖系统：
Figure BDA0002919933740000065
其中fj是一些潜在的非线性函数依赖，
Figure BDA0002919933740000066
表示相互依赖的动态噪音。
Figure BDA0002919933740000067
表示变量
Figure BDA0002919933740000068
的因果先前序列，其中
Figure BDA0002919933740000069
对于图4中带有虚线的箭头为被条件选择算法去掉的相关性，而实线的箭头为真正的强因果关联，其中带有星号的箭头表示假阳性因果关联。
步骤2，通过瞬时独立性测试得到去除假阳性的稀疏因果图：将稀疏因果模型作为输入，通过瞬时条件独立性测试得到去除假阳性因果关联的稀疏因果模型。
本发明所述的假阳性因果关联是指玻璃质量和玻璃熔炉相关参数之间条件独立或者两者之间的因果性强度相对较小。
所述的稀疏因果模型为图2所示，去除假阳性的稀疏因果模型为图3所示，包括温度、压力和质量的关系。
本发明实施例中，瞬时条件独立性测试具体过程如下：
将得到的带有假阳性因果关联的稀疏因果模型作为输入，具体所需要的条件是：时间序列集X＝(X1,X2,...,Xi,...,Xj,...,XN)，对于变量Xj，用条件选择算法估计得到的已排序的先前序列
Figure BDA00029199337400000610
最大时间滞后τmax，变量Xi的先前序列的最大值Xm和条件独立测试函数CI()，得到的输出结果为p-values和测试统计值I。
如图3所示，经过瞬时条件独立性测试之后的得到的去除假阳性稀疏因果图，值得关注的变量只有温度和压力，并且变量之间的因果方向和因果强度都是知晓的。
通过瞬时条件独立性测试获得：
Figure BDA0002919933740000071
其中p-value是每个环节的显著性指标，I为测试统计值。
其中
Figure BDA0002919933740000072
为条件独立性测试节点
Figure BDA0002919933740000073
的因果先前序列节点。
其中Z为
Figure BDA0002919933740000074
和
Figure BDA0002919933740000075
随机变量条件集合。
其中
Figure BDA0002919933740000076
为
Figure BDA0002919933740000077
的已排序先前序列。
其中
Figure BDA0002919933740000078
为
Figure BDA0002919933740000079
的第一个先前序列节点Xm。
在基于
Figure BDA00029199337400000710
条件下测试
Figure BDA00029199337400000711
时，足以建立条件独立性(马尔科夫性质)，即识别间接和共同的原因链接。已排序先前序列
Figure BDA00029199337400000712
的附加条件可以解释自相关，从而在预期水平上正确控制假阳性率。
瞬时条件独立性测试在每个环节的显著性可以根据瞬时条件独立性测试的p-value(每个环节的显著性指标)来评估。所有环节的显著性指标也可以通过错误发现率控制可选地进行调整。
条件选择算法和瞬时条件独立性测试都可以灵活地与任何一种条件独立性测试相结合，实施例中包括线性偏相关(ParCorr)和两种非线性(GPDC和CMI)独立性检验。GPDC基于高斯过程回归和残差距离相关检验，适用于具有附加噪声的大量非线性相关性。CMI是一种完全非参数检验，它基于条件互信息的k近邻估计量，可以容纳几乎任何类型的依赖。
步骤3，量化因果强度：基于信息理论，具体是采用源熵的概念来衡量因果强度。
本发明为了精确量化因果性强度所采取的技术方案是通过使用基于理想依赖度量属性的信息理论概念，用于以得到去除假阳性的稀疏因果模型各个节点之间的因果性强度。
本发明实施例中，精确量化因果强度的具体过程如下：考虑因果模型中添加变量Y对变量X的依赖项，在基于条件互信息的信息理论下，研究其因果强度。本发明所采用的因果强度衡量是基于源熵的概念：
Figure BDA00029199337400000713
其中
Figure BDA00029199337400000714
表示在条件P(Xt-τ)下，
Figure BDA00029199337400000715
和
Figure BDA00029199337400000716
的条件互信息。
其中IX→Y(τ)表示变量X和Y之间在滞后时长为τ下的条件互信息。
其中
Figure BDA0002919933740000081
表示变量X在时间滞后为τ下的噪声项。
其中Xt-τ为变量X时间滞后为τ时的值。
其中f(Xt-τ)为Xt-τ的多项式函数。
其中
Figure BDA0002919933740000082
表示变量Y的噪声项。
其中P(Xt-τ)表示Xt-τ的先前序列。
对于线性相关的f(Xt-τ)＝cXt-τ，对其可以进一步简化：
Figure BDA0002919933740000083
其中c是普通系数。
对于高斯情形下的部分相关：
Figure BDA0002919933740000084
其中ρX→Y为变量X和Y的相关系数。
其中σX为变量X的标准差。
其中σ2为噪声项η的方差。
其中
Figure BDA0002919933740000085
为变量X的方差。
c为普通系数。
对于线性可加性依赖，其中因果强度可归因于单个系数c，因果强度仅依赖于该系数和噪声项。
步骤4，根据因果强度给出相应的控制决策。
瞬时条件独立性测试可以独立于先前序列P(Xt-τ)和P(Yt)的依赖关系，其中可能包括自动依赖关系。因此，一个因果信号可以更好地检测来自混杂因素或自相关噪声。
另外需要指出的是，在瞬时条件独立性测试中对于基于
Figure BDA0002919933740000086
条件下的因果排序也能够反映因果强度的大小，对于上面给出的推导是对瞬时条件独立性测试的总体结果。
本发明实施例中，玻璃熔炉控制决策具体过程为：
由上述方法得到各个变量之间的稀疏因果图，通过分析稀疏因果图，若某个变量是其他变量(包括玻璃质量)的间接或者直接影响因素，可以说明该变量是此系统需要重点控制的变量。基于这个理论，由得到的稀疏因果图表明：此系统需要重点控制的变量为温度以及压强，具体的控制值可以参考因果强度值，通过对因果强度和控制值进行关联得到以下函数关系：
f(x)＝ax+b
其中x为因果强度，f(x)为控制值，a，b为相关系数。
具体实施时，优选的参数选择方式：
最大时间延迟τmax
τmax取决于应用程序，应该根据复杂系统中预期的最大物理时延来选择。如果没有相关的时滞(可以解释其他两个变量之间的依赖关系)，那么久违反了因果充分性假设。在实践中，优选推荐一个适当大的选择，例如，带有显著无条件依赖性的最后一个延迟，因为τmax的选择太大只会导致算法的运行时间更长，但不会增加估计维数，从而能够保证算法的稳定性。
显著性检验水平α
α在模型选择技术中扮演一个正则化参数的角色。用条件选择算法估计的条件集
Figure BDA0002919933740000094
应包含真父集，同时基数小，以降低条件独立性测试的估计维数，提高其检测能力。然而，第一个需求通常更重要。在实际实验过程中，尝试在不同条件选择算法中加入不通的条件独立性测试来实现。发现太小的α值导致许多真实的连接没有包括在条件独立性测试的条件设置中，会增加假阳性因果关联。α水平过高会导致条件集的高维化，从而降低检测能力并增加运行时间。注意，对于实施例中条件选择算法的阈值α＝1，没有父变量被删除，所有变量将被选择为条件。这样，瞬时条件独立性测试就变成了完整的条件独立性测试。与任何变量选择方法一样，α可以通过交叉验证或基于分数(如贝叶斯信息标准)进行优化。在实验中对于每个
Figure BDA0002919933740000091
分别对每个α∈{0.1,0.2,0.3,0.4}运行条件选择算法，得到不同的条件集
Figure BDA0002919933740000092
然后对每个α拟合一个线性模型。此时发现对于α＝0.2时，该变量选择对于稀疏因果模型有很好的效果。
条件独立算法中最大条件数PX
为了限制高维性，可以用自由参数PX严格限制条件
Figure BDA0002919933740000093
的数量。为了避免使用另一个自由参数，在大多数实验中都保持PX不受限制。实施例中发现一个小的值PX＝3就足以减少由于强自相关而增加的假阳性因果关联，并估计因果强度。原因是，通常情况下，最大的影响因素是自我依赖，而调节它的影响就能够削弱强自相关性的效果。理论上，太小的PX应该会导致测试不那么精确，但在实践中，这是一种明智的选择。
错误发生率控制：
本方法还可以和错误发现率控制相结合，通过调整整个时间序列图中瞬时条件独立性测试阶段的p-values来控制错误发现的预期数量。更准确地说，获得的q值：
Figure BDA0002919933740000101
其中q为错误发生率。
其中P是原始的p-value，r是当p-value按照升序排序时原始p-value的秩，m是计算得到的p-value的总数。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于因果推理对玻璃熔炉环境控制的系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于因果推理对玻璃熔炉环境控制的方法。
在一些可能的实施例中，提供一种基于因果推理对玻璃熔炉环境控制的系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于因果推理对玻璃熔炉环境控制的方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于因果推理对玻璃熔炉环境控制的方法，用于以天然气和氧气为燃料的全氧玻璃窑炉熔炉，其特征在于：将传感器采集的玻璃熔炉相关参数时间序列和玻璃质量时间序列数据集作为输入，通过条件选择算法得到稀疏因果模型；将稀疏因果模型作为输入，通过瞬时条件独立性测试得到去除假阳性因果关联的稀疏因果模型；基于信息理论，采用源熵的概念来衡量因果强度，根据因果强度给出相应的控制决策；
通过与条件独立的条件选择算法得到稀疏因果模型，实现如下，
1)先获取时间序列集X＝(X1,X2,…,XN)，设其中一个玻璃熔炉相关参数Xj某一时刻的值为
Figure FDA0003653615750000011
j表示参数的种类标记，t表示该参数值所在的时刻，N表示所有相关变量的数量；
2)设选择参数为Xj，对这个参数某一时刻的值
Figure FDA0003653615750000012
初始化其先前序列
Figure FDA0003653615750000013
并进行无条件独立性检验，如果在显著性水平α上满足假设
Figure FDA0003653615750000014
与
Figure FDA0003653615750000015
相互独立，则将
Figure FDA0003653615750000016
从
Figure FDA0003653615750000017
中删除；
其中，τ为时间滞后，τmax为最大时间滞后；
3)在接下来的每一次迭代中，首先根据初始先前序列的检验统计量对其排序，然后对
Figure FDA0003653615750000018
和
Figure FDA0003653615750000019
进行条件独立性检验，在前一次迭代中对
Figure FDA00036536157500000110
依赖最大的参数成为独立变量被删除；
4)每次迭代后，都从
Figure FDA00036536157500000111
中去除独立先前序列数据，直到没有更多的条件用于测试；所述通过瞬时条件独立性测试得到去除假阳性因果关联的稀疏因果模型实现方式为，
设有时间序列集X＝(X1,X2,…,Xi,…,Xj,…,XN)，对于变量Xj，用条件选择算法估计得到的已排序的先前序列
Figure FDA00036536157500000112
最大时间滞后τmax，变量Xi的先前序列的最大值Xm和条件独立测试函数CI()，得到的输出结果为p-values和测试统计值I；
采用源熵的概念来衡量因果强度实现如下，
Figure FDA00036536157500000113
其中，
Figure FDA00036536157500000114
表示在条件P(Xt-τ)下，
Figure FDA00036536157500000115
和
Figure FDA00036536157500000116
的条件互信息；
IX→Y(τ)表示变量X和Y之间在滞后时长为τ下的条件互信息；
Figure FDA00036536157500000117
表示变量X在时间滞后为τ下的噪声项；
Xt-τ为变量X时间滞后为τ时的值；
f(Xt-τ)为Xt-τ的多项式函数；
Figure FDA0003653615750000021
表示变量Y的噪声项；
P(Xt-τ)表示Xt-τ的先前序列；
对于线性相关的f(Xt-τ)＝cXt-τ，进一步简化为，
Figure FDA0003653615750000022
其中，c是普通系数；
对于高斯情形下的部分相关，
Figure FDA0003653615750000023
其中，ρX→Y为变量X和Y的相关系数，σX为变量X的标准差，
Figure FDA0003653615750000024
为变量X的方差，同理，σY为变量Y的标准差，
Figure FDA0003653615750000025
为变量Y的方差，c为普通系数。
2.根据权利要求1所述基于因果推理对玻璃熔炉环境控制的方法，其特征在于：传感器采集频率为10秒/次～300秒/次的固定频率。
3.根据权利要求1所述基于因果推理对玻璃熔炉环境控制的方法，其特征在于：所述传感器类型包括温度传感器、压力计、流量计、距离传感器和浓度计。
4.根据权利要求1所述基于因果推理对玻璃熔炉环境控制的方法，其特征在于：所述玻璃熔炉相关参数包括熔炉各关键位点的温度、炉内压力、氧气流量、天然气流量、天然气阀门开度、玻璃熔融物高度、炉内粉尘浓度、二氧化硫浓度和氮氧化物浓度。
5.根据权利要求1所述基于因果推理对玻璃熔炉环境控制的方法，其特征在于：所述玻璃质量时间序列数据集，是玻璃各项质量指标所产生的综合质量指标时间序列数据集。
6.根据权利要求1所述基于因果推理对玻璃熔炉环境控制的方法，其特征在于：所述最大时间滞后τmax，根据复杂系统中预期的最大物理时延来选择，显著性水平α通过交叉验证或基于分数进行优化。
7.一种基于因果推理对玻璃熔炉环境控制的系统，其特征在于：用于实现如权利要求1-6任一项所述的一种基于因果推理对玻璃熔炉环境控制的方法。
CN202110113540.0A 2021-01-27 2021-01-27 一种基于因果推理对玻璃熔炉环境控制的方法及系统 Active CN112884151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110113540.0A CN112884151B (zh) 2021-01-27 2021-01-27 一种基于因果推理对玻璃熔炉环境控制的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110113540.0A CN112884151B (zh) 2021-01-27 2021-01-27 一种基于因果推理对玻璃熔炉环境控制的方法及系统

Publications (2)

Publication Number Publication Date
CN112884151A CN112884151A (zh) 2021-06-01
CN112884151B true CN112884151B (zh) 2022-07-05

Family

ID=76052852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110113540.0A Active CN112884151B (zh) 2021-01-27 2021-01-27 一种基于因果推理对玻璃熔炉环境控制的方法及系统

Country Status (1)

Country Link
CN (1) CN112884151B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116909233B (zh) * 2023-07-28 2024-05-07 安徽华容药品包装有限公司 药用玻璃瓶的生产方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886409A (zh) * 2019-02-15 2019-06-14 南京信息工程大学 一种多维时间序列的定量因果关系判定方法
CN110059294A (zh) * 2019-03-28 2019-07-26 西安交通大学 基于核递归最大互相关熵算法的非线性格兰杰因果性检测方法
CN110390396A (zh) * 2018-04-16 2019-10-29 日本电气株式会社 用于估计观测变量之间的因果关系的方法、装置和系统
CN111367959A (zh) * 2020-02-17 2020-07-03 大连理工大学 一种零时滞非线性扩展Granger因果分析方法
US10706104B1 (en) * 2019-07-25 2020-07-07 Babylon Partners Limited System and method for generating a graphical model

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645304B2 (en) * 2011-08-19 2014-02-04 International Business Machines Corporation Change point detection in causal modeling

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390396A (zh) * 2018-04-16 2019-10-29 日本电气株式会社 用于估计观测变量之间的因果关系的方法、装置和系统
CN109886409A (zh) * 2019-02-15 2019-06-14 南京信息工程大学 一种多维时间序列的定量因果关系判定方法
CN110059294A (zh) * 2019-03-28 2019-07-26 西安交通大学 基于核递归最大互相关熵算法的非线性格兰杰因果性检测方法
US10706104B1 (en) * 2019-07-25 2020-07-07 Babylon Partners Limited System and method for generating a graphical model
CN111367959A (zh) * 2020-02-17 2020-07-03 大连理工大学 一种零时滞非线性扩展Granger因果分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Independence and dependence in human causal resoning;Bob Rehder;《Cognitive Psychology》;20140331;第54-107页 *
基于结构方程模型的因果分析算法研究及应用;刘昕;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200115;第I138-1028页 *

Also Published As

Publication number Publication date
CN112884151A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111444953B (zh) 一种基于改进粒子群优化算法的传感器故障监测方法
EP3859455A1 (en) Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium
CN101436057A (zh) 数控机床热误差贝叶斯网络补偿方法
JP5186278B2 (ja) 外れ値検出方法、外れ値検出装置およびプログラム
CN112884151B (zh) 一种基于因果推理对玻璃熔炉环境控制的方法及系统
CN111612262A (zh) 一种基于分位数回归的风电功率概率预测方法
CN112464567A (zh) 基于变分同化框架的智能资料同化方法
CN101673096B (zh) 一种丹参注射液生产浓缩过程密度的软测量方法
CN113139586A (zh) 模型训练方法、设备异常诊断方法、电子设备及介质
Guo et al. A review on data-driven approaches for industrial process modelling
CN117556366A (zh) 基于数据筛选的数据异常检测系统及方法
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN1996192A (zh) 基于仿生智能的工业软测量仪表及软测量方法
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
Zhou et al. Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes
CN105787507B (zh) 基于预算支持向量集的LS‑SVMs在线学习方法
CN114924489B (zh) 一种适用于流程工业预测控制的模型自主学习方法
CN116432856A (zh) 基于cnn-glstm模型的管道动态预警方法及装置
TWI735385B (zh) 硫氧化物的預測方法與燒結工廠
Liu Leave-group-out cross-validation for latent Gaussian models
CN111859783B (zh) 水压预测方法、系统、存储介质、设备、城市供水系统
CN109284320B (zh) 大数据平台上的自动回归诊断方法
CN111650894A (zh) 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法
EP4296800A1 (en) Estimation apparatus, estimation method, and estimation program
CN116501027B (zh) 分布式制动系统健康评估方法、系统、设备及存储介质

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