基于概率灰数模糊Petri网的泡沫浮选过程工况恶化溯因方法

基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法
技术领域
1.本发明涉及数据处理领域，具体为一种基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法。


背景技术：

2.随着有用矿物资源的不断开发利用，浮选的有效研究为处理这些矿物提供了基础，泡沫浮选是选矿过程中一种重要的矿物分选方法，通过在矿浆中充入空气搅拌产生气泡，并适当加入药剂调节矿物表面润湿性，实现有用矿物与杂质脉石分离。浮选过程中的泡沫特征可以综合反映浮选工况的信息，在实际生产中，工艺人员通过肉眼观察泡沫特征并结合自身经验来调整药剂的添加，但是这种方法过于主观，存在一定的操作误差，不利于大规模推广。专家和工人虽积累了大量关于浮选泡沫特征与操作参数的知识，但知识存在一定的复杂性，并且以碎片化的形式存在，因此获取知识参数之间的关联性与准确性，对这些经验与专业知识进行表示十分重要。同时只依靠工人的观察来解释工艺现象也存在一定隐患，主观经验的不同会造成操作随意和不准确，难以合理调节浮选过程工况恶化的情况，因此对泡沫浮选运行工况恶化进行溯因分析能够协助工艺人员找到生产中出现的问题并加以调整，稳定生产过程指标、确保工业生产运行处于最佳工况状态。
3.溯因分析是指根据系统异常参数特征以及参数间的因果关系，通过反向推理的方法寻找造成异常事件的原因，国内外研究学者以贝叶斯理论作为研究基础，提出了包括贝叶斯网、故障树、petri网、动态不确因果图(ducg)、神经网络等多种方法以用于故障诊断与溯因分析。但基本事件较多时，ducg和故障树的模型建立与求解就比较困难。petri网建模简单，可以直观地表示具有逻辑关系的工艺知识，其并行推理方式可以动态描述知识的传递过程、提高了推理效率，是一种很有前途的建模工具。人们利用多种模糊形式对知识参数以及pn元件进行处理，大大降低了对经验的依赖度，但是在很多情况下，工艺专家的经验认知水平高低不一，很难对事件给出一个确切的答复，仅结合模糊集理论还不足以有效的表示和推理复杂系统的内部关系。


技术实现要素：

4.本发明的目的在于提供一种基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，包括如下步骤：
7.s1：得到浮选相关的知识变量；所述知识变量包括浮选不同运行过程中的操作变量和结果变量；
8.s2：分析操作变量和结果变量之间的因果逻辑关系，引入产生式规则，得到的
petri网模型，形成知识节点间的关联；
9.s3：基于模糊petri网的理论，用概率灰数集量化各个知识节点，从而转化为概率灰数模糊petri网模型；
10.s4：对概率灰数模糊petri网模型的变量进行初始化，以及输入、输出的关联矩阵的映射，初始库所的值表示事件本身的状态，变迁的置信度表示事件到下一事件发生的概率，进行迭代运算，收敛后得到最终矩阵；
11.s5、根据最终矩阵筛选得到导致步骤s4中某一结果变量恶化的可能性超过预设阈值的操作变量。
12.进一步的改进，所述结果变量包括气泡尺寸偏大、气泡尺寸偏小、气泡颜色偏深、气泡颜色偏浅、稳定度过高、稳定度过低、矿粒附着率偏大、矿粒附着率偏低、回收率过低、回收率过高、精矿品位过高和精矿品位过低；操作变量包括石灰乳过量、石灰乳不足、丁黄药过量、丁黄药不足、2#油过量、2#油不足、硫酸铜过量和硫酸铜不足。
13.进一步的改进，所述s2的具体步骤如下：
14.s21：采用概率灰数语言描述词来定性描述操作变量和结果变量以及结果变量和结果变量之间的逻辑关系；所述概率灰数模糊语言采用模糊词对操作变量和结果变量定性描述；
15.s22：运用模糊petri网的基本理论，用库所、变迁、有向弧来将映射后的规则构建概率灰数模糊petri网；
16.s23：将变量和结果变量以及结果变量和结果变量之间的因果关系利用逻辑词来将语句转化为概率灰数产生式规则；
17.s24：对转换后的产生式规则利用模糊petri网的表示形式来表示知识节点和知识节点之间的相连。
18.进一步的改进，所述模糊词对于尺寸用偏大、偏小描述，颜色用偏深、偏浅描述，药品用量用过量、不足描述；回收率用过低、过高描述，稳定度用好、差描述；所述逻辑词包括“与”和“或”。
19.进一步的改进，所述步骤s3的具体步骤如下：
20.s31：定义概率灰数模糊petri网模型，概率灰数模糊petri网模型pgfpn由一个七元组构成：涉及元组的概念定义如下：
21.p＝{p1,p2,p3,...pi...pn}是一个表示有n个库所的集合，描述事件本身的状态,pi是第i个库所；
22.t＝{t1,t2,t3,...tj...tm}是一个表示有m个变迁的集合，用来描述事件状态的规则动态化，tj是第j个库所；
23.是一个m
ⅹ
n维的输入矩阵，用来表示连接库所到变迁的弧，其元素的值表示输入库所pi对变迁tj的影响；
24.是一个m
ⅹ
n维的输出矩阵，用来表示变迁到库所的弧，其元素的值表示变迁对输出库所的影响；
25.是一个m
ⅹ
n维的输出矩阵，用来表示变迁的输出阈值；
26.用来表示库所到概率灰值的映射；
27.是一个n
ⅹ
n维的矩阵，表示所求库所的真值以及库所之间的影响程度，是所给的初始标记；
28.s32：将步骤s2建立的知识节点间的关联转化为所提出的概率灰数模糊petri网模型。
29.进一步的改进，步骤s4的步骤如下：
30.s41：初始化变量，建立概率灰数输入矩阵概率灰数输出矩阵
31.s42：引入运算符δ、ξ、*；δ、ξ、*含义如下：
32.(1)a,b和c是m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中矩阵表示如下：
[0033][0034]
(2)δ：aδb＝c，a,b和c分别是m
ⅹ
p、p
ⅹ
n、m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中矩阵表示如下：
[0035][0036]
(3)(3)a,b和c是m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中a、b、c同中的矩阵；
[0037]
(4)ξ：aξb＝c，a，c是m
ⅹ
n维，b是m维概率灰数矩阵和分别是矩阵a,b和c的元素，其中
[0038]
(5)*：a*b＝c，a是m维，b和c都是m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中：
[0039]
s43：按照推理公式进行并行推理：
[0040]
计算等效输入概率灰数矩阵计算等效输入概率灰数矩阵
[0041]
计算新的标志向量
[0042]
计算库所之间的影响计算库所之间的影响
[0043]
计算标记概率灰数矩阵计算标记概率灰数矩阵
[0044]
式中，令k＝0，利用m0求m1，若m0≠m1，则令k＝k+1，直到m0＝m1，停止迭代，推理结束,得到最终矩阵。
[0045]
与现有技术相比，本发明的有益效果是：
[0046]
1、本发明提出的一种基于概率灰数模糊petri网的知识表示方法构建的知识表示模型能将操作变量与工况参数间的因果关系图形化以及显性化，使得溯因模型的可解释性更加明显。在知识增多时，构建的知识模型计算复杂度不会显著增加。而且，提出的概率灰数集能够兼顾融合工艺专家的经验认知水平不一致性，使得在处理知识中的不确定信息更加灵活高效。
[0047]
2、基于矩形形式化的知识模型并行推理方法解决了目前模糊petri网的可达树反向推理的局限性，它能够同时获得所有输出节点值，不用枚举出知识模型中每个可达路径进行推理去获得节点值，当知识模型较为复杂时，能显著提升推理效率。
[0048]
3、基于pgfpn的泡沫浮选过程工况恶化溯因分析能解决实际生产过程中主要依赖人工决策的困境。针对人工决策滞后，敏捷应对工况变化的能力不足、对知识的描述存在主观性且不够精确以及传承和积累困难等问题，采用基于概率灰数模糊petri网的溯因分析方法，对于泡沫浮选工况恶化的溯因分析更加智能化，决策结果更加敏捷客观。
附图说明
[0049]
图1是本发明实施例提供的一个溯因分析方法实施流程的示意图。
[0050]
图2是本发明实施例提供的一个的基于泡沫浮选过程工况恶化的pgfpn溯因模型示意图。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出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。
[0052]
图1为本发明的整体逻辑框架，通过对工业泡沫浮选过程的分析，选取了重要特征变量来主要表示整个动态过程的变化该方法包括以下步骤：
[0053]
s1：获取工艺机理和经验知识选取重要的敏感变量并分析工况恶化的情况。
[0054]
浮选的工艺机理复杂，过程变量关联性较强，部分关键参数的在线监测也存在盲区，整个工业过程是动态的物理化学反应过程，物质与能量平衡存在互相影响和制约，导致影响浮选槽的生产指标的参数变量众多且相关，呈现复杂多变的槽况特征，如果考虑所有
相关变量的影响作用会造成异常工况繁多且难以诊断，因此选择敏感变量来主要表示整个动态过程的变化。一般工人主要通过调整浮选药剂获得良好的生产指标，药剂与矿浆之间、药剂与药剂之间交互作用复杂，互相制约，药剂添加量不合适时，就会打破泡沫浮选的平衡。浮选药剂中的捕收剂或活化剂可以使欲浮矿物表面的疏水性增强，使之浮起，起泡剂用来促使空气在矿浆中分散成细小的气泡，防止气泡兼并，破灭，降低气泡运动速度，促使气泡矿化。在改变矿物表面的性质的同时泡沫也出现了很多明显的特征，泡沫颜色可以反映矿物的种类和含量，稳定性也能决定浮选能否成功与矿石分离。
[0055]
实际运行过程常采用四种浮选药剂：石灰乳、丁黄药、2#油、硫酸铜。药剂的添加会影响泡沫特征包括泡沫的颜色、稳定度、尺寸和矿粒附着率。泡沫的特征会反映工况信息，各特征之间也存在耦合关联性。操作变量的异常会造成特征参数和生产指标的偏高或偏低，打破浮选的平衡，影响浮选的效果，常采用精矿品位和回收率作为生产指标，其偏高或偏低都会使得浮选过程工况恶化。
[0056]
s2：分析变量之间的因果逻辑关系，引入产生式规则。
[0057]
(1)获得一定的经验知识和工艺机理后，结合专家的语言习惯梳理重要变量之间的因果关系。由于工业环境的复杂以及人类固有的思维具有主观性，在评价过程中，专家工人的真实评估或偏好难以量化，语言变量的提出使得专家可以用“过量”“偏大”等词进行描述，更加符合人类语言的表达习惯，贴近人们的实际思维和认知，由此提出了基于概率灰数信息的表征形式。
[0058]
(2)产生式规则通常分为四个类型,其中if a1 and a2 then c，表示前置库所同时发生才能激发变迁引起下一库所的发生；if a then c1 and c2，表示前置库所的发生会激发变迁引起两个库所的同时发生；if a1 or a2 then c表示，表示前置库所任意一个的发生都会引起下一个库所的发生；if a then c1 or c2，表示前置库所的发生会激发变迁引起后置库所的发生，但发生哪种不确定。
[0059]
(3)表1详细展示了每个知识库所对于的库所状态，详细说明了工况恶化的现象，最终得到的petri网模型见图2
[0060]
表1
[0061]
[0062]
s3：概率灰数量化节点，建立pgfpn模型。
[0063]
详细步骤如下：
[0064]
(1)由上一步定义的概率灰数语言描述词来定性描述操作变量和特征变量之间的逻辑关系，比如药剂的添加可以分为过量、不足，描述泡沫特征的尺寸用偏大、偏小，描述泡沫颜色用偏深、偏浅，描述泡沫的稳定程度用过高、过低。
[0065]
(2)进一步运用模糊petri网的基本理论，用库所、变迁、有向弧来将映射后的规则构建概率灰数模糊petri网，从而实现机理与经验的图形化。
[0066]
(3)本发明提出的模型由一个七元组构成：涉及元组的概念定义如下：
[0067]
p＝{p1,p2,p3,....pn}是一个表示库所的集合，用来描述事件本身的状态；
[0068]
t＝{t1,t2,t3,....tm}是一个表示变迁的集合，用来描述事件状态的规则动态化；
[0069]
是一个m
ⅹ
n维的输入矩阵，用来表示连接库所到变迁的弧，其元素的值表示输入库所对变迁的影响；
[0070]
是一个m
ⅹ
n维的输出矩阵，用来表示变迁到库所的弧，其元素的值表示表示变迁对输出库所的影响；
[0071]
是一个m
ⅹ
n维的输出矩阵，用来表示变迁的输出阈值；
[0072]
用来表示库所到概率灰值的映射；
[0073]
是一个n
ⅹ
n维的矩阵，表示所求库所的真值以及库所之间的影响程度，是所给的初始标记。
[0074]
(4)将上一步建立的知识节点间的关联转化为所提出的概率灰数模糊petri网模型。
[0075]
s4：定义概率灰数模糊petri网，将浮选工业过程工况恶化的溯因分析转化为模型，并映射关联矩阵。
[0076]
(1)运用上述定义并结合浮选工业的实例获取的参数信息。输入概率灰数矩阵为12
×
20的矩阵，矩阵的元素值为
[0077][0078][0079][0080][0081][0082][0083][0084][0085]
[0086][0087]
输入矩阵的其他元素为0，代表对应事件无输入。
[0088]
输出概率灰数矩阵为12
ⅹ
20的矩阵，矩阵的元素值为：
[0089][0090][0091][0092][0093][0094][0095]
输出矩阵的其他元素为0，代表对应事件无输出。
[0096]
为12
ⅹ
20的矩阵，矩阵的元素值为：
[0097][0098][0099][0100][0101][0102][0103]
阈值矩阵的其他元素为∞，代表对应的变迁不会被触发。
[0104]
初始化标识值
[0105][0106]
(2)那么，基于概率灰数矩阵pgfpn模型的浮选工况恶化的溯因分析算法步骤如下：
[0107]
计算等效输入概率灰数矩阵：
[0108]
计算新的标志向量：
[0109]
计算库所之间的影响：
[0110]
计算标记概率灰数矩阵：式中，令k＝0，利用m0求m1，若m0≠m1，则令k＝k+1，直到m0＝m1，停止迭代，推理结束。
[0111]
最终标识值为20
ⅹ
20的矩阵，矩阵部分元素为：
[0112][0113][0114]
[0115]
s5：根据pgfpn模型的推理运算得到停止迭代后的最终矩阵，由p1-p8的初始值通过并行推理出p9-p20的值，观察矩阵的最后一列，事件p2，p3，p8对于事件p20的影响程度分别为0.0073，0.1557，0.1211，即可得到p3，p8导致事件p20发生的可能性分别为35.3％和27.5％，p2几乎无影响，因此丁黄药和硫酸铜的剂量添加不合理。同时也可以得到泡沫特征和生产指标之间的关系，观察矩阵的第17列，可以得到稳定度差和矿物附着率过高的泡沫特征体现了生产指标回收率过低的结论。因此在工业实际运行过程中要注意药剂操作的合理性，并结合泡沫的特征如稳定度和矿粒附着率去调整操作。
[0116]
本发明提出一种基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因分析，在具有不同经验和认知水平的过程专家的背景下引入了概率信息，而概率灰数理论允许更灵活地解决在行业中表示灰色和模糊知识的问题。此外，变量和特征之间的因果关系可以被图形化地揭示，该模型的优势有效的推断出工况恶化的原因，并知识决策中的非智能和模糊性。浮选行业实际案例的结果也证明了所提模型的可靠性，弥补了仅靠现场人工观察的局限性，协助工人高效调整实际工业的操作。
[0117]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，其特征在于，包括如下步骤：s1：得到浮选相关的知识变量；所述知识变量包括浮选不同运行过程中的操作变量和结果变量；s2：分析操作变量和结果变量之间的因果逻辑关系，引入产生式规则，得到的petri网模型，形成知识节点间的关联；s3：基于模糊petri网的理论，用概率灰数集量化各个知识节点，从而转化为概率灰数模糊petri网模型；s4：对概率灰数模糊petri网模型的变量进行初始化，以及输入、输出的关联矩阵的映射，初始库所的值表示事件本身的状态，变迁的置信度表示事件到下一事件发生的概率，进行迭代运算，收敛后得到最终矩阵；s5、根据最终矩阵筛选得到导致步骤s4中某一结果变量恶化的可能性超过预设阈值的操作变量。2.如权利要求1所述的基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，其特征在于，所述结果变量包括气泡尺寸偏大、气泡尺寸偏小、气泡颜色偏深、气泡颜色偏浅、稳定度过高、稳定度过低、矿粒附着率偏大、矿粒附着率偏低、回收率过低、回收率过高、精矿品位过高和精矿品位过低；操作变量包括石灰乳过量、石灰乳不足、丁黄药过量、丁黄药不足、2#油过量、2#油不足、硫酸铜过量和硫酸铜不足。3.如权利要求1所述的基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，其特征在于，所述s2的具体步骤如下：s21：采用概率灰数语言描述词来定性描述操作变量和结果变量以及结果变量和结果变量之间的逻辑关系；所述概率灰数模糊语言采用模糊词对操作变量和结果变量定性描述；s22：运用模糊petri网的基本理论，用库所、变迁、有向弧来将映射后的规则构建概率灰数模糊petri网；s23：将变量和结果变量以及结果变量和结果变量之间的因果关系利用逻辑词来将语句转化为概率灰数产生式规则；s24：对转换后的产生式规则利用模糊petri网的表示形式来表示知识节点和知识节点之间的相连。4.如权利要求3所述的基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，其特征在于，所述模糊词对于尺寸用偏大、偏小描述，颜色用偏深、偏浅描述，药品用量用过量、不足描述；回收率用过低、过高描述，稳定度用好、差描述；所述逻辑词包括“与”和“或”。5.如权利要求1所述的基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，其特征在于，所述步骤s3的具体步骤如下：s31：定义概率灰数模糊petri网模型，概率灰数模糊petri网模型pgfpn由一个七元组构成：涉及元组的概念定义如下：p＝{p1,p2,p3,...pi...pn}是一个表示有n个库所的集合，描述事件本身的状态,pi是第i个库所；t＝{t1,t2,t3,...tj...tm}是一个表示有m个变迁的集合，用来描述事件状态的规则
动态化，tj是第j个库所；是一个m
ⅹ
n维的输入矩阵，用来表示连接库所到变迁的弧，其元素的值表示输入库所p
i
对变迁t
j
的影响；是一个m
ⅹ
n维的输出矩阵，用来表示变迁到库所的弧，其元素的值表示变迁对输出库所的影响；是一个m
ⅹ
n维的输出矩阵，用来表示变迁的输出阈值；用来表示库所到概率灰值的映射；是一个n
ⅹ
n维的矩阵，表示所求库所的真值以及库所之间的影响程度，是所给的初始标记；s32：将步骤s2建立的知识节点间的关联转化为所提出的概率灰数模糊petri网模型。6.如权利要求1所述的基于概率灰数模糊petri网的泡沫浮选过程工况恶化溯因方法，其特征在于，步骤s4的步骤如下：s41：初始化变量，建立概率灰数输入矩阵概率灰数输出矩阵s42：引入运算符δ、ξ、*；δ、ξ、*含义如下：(1)a,b和c是m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中矩阵表示如下：(2)δ：aδb＝c，a,b和c分别是m
ⅹ
p、p
ⅹ
n、m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中矩阵表示如下：(3)a,b和c是m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中矩阵表示如下：(4)ξ：aξb＝c，a，c是m
ⅹ
n维，b是m维概率灰数矩阵和分别是矩阵a,b和c的元
素，且其中矩阵表示如下：(5)*：a*b＝c，a是m维，b和c都是m
ⅹ
n维的概率灰数矩阵，和分别是矩阵a,b和c的元素，且其中矩阵表示如下：s43：按照推理公式进行并行推理：计算等效输入概率灰数矩阵计算等效输入概率灰数矩阵计算新的标志向量计算新的标志向量计算库所之间的影响计算库所之间的影响计算标记概率灰数矩阵矩阵式中，令k＝0，利用m0求m1，若m0≠m1，则令k＝k+1，直到m0＝m1，停止迭代，推理结束,得到最终矩阵。

技术总结
本发明公开了一种基于概率灰数模糊Petri网的泡沫浮选过程工况恶化溯因方法，包括对泡沫浮选的知识变量建立产生式规则来描述它们之间的因果逻辑关系；将规则概率灰色化后转换为概率灰数模糊Petri网(PGFPN)模型；对获得的知识节点结合实际生产过程得到其状态值和事件发生的可能性，从而初始化变量值和建立关联矩阵进行并行推理，最终得到浮选过程工况恶化的根源。本发明克服了决策环境的主观性和复杂性。提出的PGFPN知识表示模型将操作变量与工况参数间的因果关系图形化以及显性化，使得溯因模型的可解释性更加明显，对浮选过程工况恶化的溯因，助于工人敏捷应对工况变化为操作人员调整操作提供帮助，有助于浮选过程更高效、稳定的运行。稳定的运行。稳定的运行。


技术研发人员：谢世文 李伊君 谢永芳 唐朝晖
受保护的技术使用者：中南大学
技术研发日：2023.06.02
技术公布日：2023/8/21