本發(fā)明屬于工業(yè)過程自愈控制，具體是一種基于跨時空穩(wěn)定因果動態(tài)貝葉斯網(wǎng)絡的自愈控制方法。
背景技術：
：：1、重介質(zhì)選煤是一種常用的煤炭洗選方法，它利用重介質(zhì)懸浮液將煤和矸石分離，以達到提高煤炭質(zhì)量和減少雜質(zhì)含量的目的。重介質(zhì)選煤的基本原理是利用煤和矸石在密度上的差異，通過重介質(zhì)懸浮液的作用，將密度較小的煤浮在懸浮液表面，而密度較大的矸石沉入懸浮液底部，從而實現(xiàn)煤和矸石的分離。在重介質(zhì)選煤過程中，原煤首先經(jīng)過破碎和篩分，去除大塊煤和矸石，確保入選煤的粒度均勻。預處理后的煤進入重介質(zhì)分選機，在重介質(zhì)懸浮液中，密度較小的煤會浮在表面，而密度較大的矸石會沉入底部。浮在懸浮液表面的精煤和沉入底部的矸石分別通過脫水篩進行脫水處理，去除表面的懸浮液后得到精煤和矸石。最后經(jīng)過磁選機,回收懸浮液中的磁鐵礦粉，然后重新加入懸浮液中循環(huán)使用。隨著科技進步和環(huán)保要求的提高,重介質(zhì)選煤的發(fā)展趨勢朝著自動化和智能化邁進，采用自動化和安全控制技術，能有效提高分選效率，并能保證工業(yè)過程安全穩(wěn)定的運行。2、bn是一種有向無環(huán)圖模型,常以求解概率的形式對不確定性知識進行推理，分別用網(wǎng)絡節(jié)點和節(jié)點間的有向邊表示隨機變量及其條件依賴關系。給定任意bn結構，例如變量x→y，x和y之間的依賴關系和強度由條件概率表(conditional?probability?table,cpt)表示，節(jié)點x(父節(jié)點)到y(tǒng)(子節(jié)點)通過有向弧線連接。dbn是bn的一種擴展形式，用于建模隨時間變化的流程。與傳統(tǒng)的靜態(tài)bn不同，dbn引入了時間維度，允許變量的狀態(tài)在時間上發(fā)生變化，并且可以對時間序列數(shù)據(jù)進行建模和推理。在dbn中，網(wǎng)絡結構可以隨時間變化，變量之間的依賴關系可以隨著時間的推移而改變。技術實現(xiàn)思路1、針對上述現(xiàn)有技術存在的問題，本發(fā)明提供一種基于跨時空穩(wěn)定因果動態(tài)貝葉斯網(wǎng)絡的自愈控制方法，該方法實施過程簡單，實施成本低，其可以有效解決虛假因果問題，能快速有效消除過程突發(fā)異常工況。2、為了實現(xiàn)上述目的，本發(fā)明提供一種基于跨時空穩(wěn)定因果動態(tài)貝葉斯網(wǎng)絡的自愈控制方法，包括重介質(zhì)選煤系統(tǒng)，所述重介質(zhì)選煤系統(tǒng)包括主分級篩、次分級篩、輸送機、混料桶、壓力泵、重介質(zhì)旋流器、脫介篩一、脫介篩二、磁選機、磁性介質(zhì)貯存?zhèn)}、合格介質(zhì)桶、循環(huán)泵和控制器；所述主分級篩用于通過篩分的方式將原煤分離為粗煤和精煤；所述次分級篩的進料口與主分級篩的頂部出料口連接，用于通過篩分的方式去除精煤中的煤泥雜質(zhì)；所述輸送機的進料端與次分級篩的頂部出料口連接，用于將篩選出的精煤輸出至混料桶的進料口；所述混料桶的進料口與輸送機的出料口連接，用于將精煤與重介質(zhì)懸浮液進行混合形成混合料；所述壓力泵的進口端通過管路與混料桶的出料口連接，用于將混合料輸出至重介質(zhì)旋流器；所述重介質(zhì)旋流器的進料口與壓力泵的出口端連接，用于利用物料的密度差異，將低密度物料和高密度物料進行分離得到溢流和底流的產(chǎn)品；所述脫介篩一的進料口與重介質(zhì)旋流器的高密度出料口連接，用于對高密度物料進行脫水脫介作業(yè)，其高密度出料口排出矸石；所述脫介篩二的進料口與重介質(zhì)旋流器的低密度出料口連接，用于對低密度物料進行脫水脫介作業(yè)，其高密度出料口排出精煤；所述磁選機的進料口分別與脫介篩一的低密度出料口和脫介篩二的低密度出料口連接，用于去除鐵雜質(zhì)，并實現(xiàn)低密度物料和高密度物料的分離，其高密度出料口輸出煤泥，其低密度出料口輸出稀介質(zhì)；所述磁性介質(zhì)貯存?zhèn)}用于儲存并用于定量輸出磁性介質(zhì)；所述合格介質(zhì)桶的進料口分別與磁性介質(zhì)貯存?zhèn)}的出料口和循環(huán)水加注管路連接，用于完成重介質(zhì)懸浮液的調(diào)配；所述循環(huán)泵的進口端分別與合格介質(zhì)桶的出料口和補水加注管路連接，其出口端與混料桶的進料口連接，用于將重介質(zhì)懸浮液輸送到混料桶中；所述控制器分別與主分級篩、次分級篩、輸送機、混料桶、壓力泵、重介質(zhì)旋流器、脫介篩一、脫介篩二、磁選機、磁性介質(zhì)貯存?zhèn)}、合格介質(zhì)桶、循環(huán)水加注管路上的控制閥、補水加注管路上的補水閥和循環(huán)泵連接，用于進行各部件動作的控制；3、控制方法包括以下步驟：4、步驟一：全流程數(shù)據(jù)采集；利用安裝在重介質(zhì)選煤系統(tǒng)中各個關鍵監(jiān)測節(jié)點處的若干個傳感器實時采集煤泥浮選過程中的工業(yè)過程數(shù)據(jù)；5、步驟二：對數(shù)據(jù)進行預處理，并生成時空特征；采用插值方式融合lstm算法從工業(yè)過程數(shù)據(jù)提取的時間特征和基于全流程物理單元分布知識提取的空間特征，并根據(jù)公式式(1)將時間特征和空間特征映射到同一維度，生成統(tǒng)一的時空特征；其中，在子單元特征提取過程中，將每個子單元內(nèi)的局部信息作為一個整體考慮，不僅關注單個子單元內(nèi)的局部相關性，同時提取不同子單元之間的空間特征，以更好地捕捉操作子單元之間的空間相關性；6、z(ti,sj)＝(1-α)t(ti)+αs(sj)?????(1)；7、式中，α是一個權重參數(shù)，用于控制時間特征和空間特征的融合程度，z(ti,sj)是在特定時間t和空間位置s上的綜合特征；8、步驟三：基于時間特征和空間特征，結合穩(wěn)定學習與dbn，構建知識和數(shù)據(jù)雙驅(qū)動的跨時空因果動態(tài)貝葉斯網(wǎng)絡模型；9、步驟四：利用跨時空因果動態(tài)貝葉斯網(wǎng)絡模型結合時空特征進行虛假因果關系的判別，通過尋找不同數(shù)據(jù)分布下保持因果一致的特征,利用dbn捕捉時間演化中的因果關系,并選擇在所有單元中均保持穩(wěn)定的因果關系；同時，引入滯后節(jié)點學習出不同時間段下的dbn結構，以捕捉時空演化中的因果關系，并篩選出在各個時空單元中保持穩(wěn)定的因果關系；10、步驟五：采用樣本重加權技術，調(diào)整樣本權重，優(yōu)化樣本的分布，降低混雜因素和選擇偏差對因果關系的影響，使數(shù)據(jù)更好地反映真實因果關系；11、步驟六：使用選定的特征和樣本權重訓練跨時空因果動態(tài)貝葉斯網(wǎng)絡模型，得到跨時空穩(wěn)定因果dbn模型；12、步驟七：將在線異常數(shù)據(jù)變量作為證據(jù)輸入到跨時空穩(wěn)定因果dbn模型中，利用跨時空穩(wěn)定因果dbn模型進行因果推斷，識別出變量之間的真實因果關系，確定發(fā)生異常的時間片和引起異常工況的變量，并推理出控制方案；13、其中，跨時空穩(wěn)定因果dbn模型按照如下過程獲得每個變量的概率，并根據(jù)概率確定出引起異常工況的變量；14、s71：對于給定一組變量z＝(x1,x2,x3,...,xn)，定義一個dbn(z1,z→)，其中，z1表示初始時刻的bn，定義p(z1)為初始時刻的概率，如式2所示；15、16、s72：結合公式(3)和公式(4)得到dbn初始時刻和相鄰時間片的條件分布；17、18、s73：在每個時間步驟中，變量的狀態(tài)根據(jù)前一個時間步驟的狀態(tài)和模型參數(shù)進行推斷，使得時間步長為t的節(jié)點不僅依賴于當前時間步長的父節(jié)點還依賴于前一時刻的狀態(tài)和它的父節(jié)點19、對于給定一系列變量z＝(x1,x2,x3,...,xn)，根據(jù)公式(5)計算t＝1到t的聯(lián)合概率分布p(z1:t)；20、21、步驟八：控制器基于推理出的控制方案對重介質(zhì)選煤系統(tǒng)進行控制，同時，對異常工況進行監(jiān)測，如果異常工況消除則進入到正常工作模式，如果異常工況未消除，則重新執(zhí)行步驟七，以知識為引導繼續(xù)輸入在線數(shù)據(jù)作為證據(jù)信息推理出過程控制方案，直至異常工況消除后進入到正常工作模式。22、現(xiàn)代工業(yè)過程時空特性明顯，相互關聯(lián)的工業(yè)單元交互復雜，面對工業(yè)過程中的高動態(tài)、強相關性挑戰(zhàn)?，F(xiàn)有的基于bn的安全運行控制方法，往往使用靜態(tài)貝葉斯來建模動態(tài)工業(yè)過程，或僅從時間維度進行因果建模不可避免地會導致變量間因果虛假相關性，從而難以精準定位廠級流程中的異常工況，最終影響決策效果。因此，本技術旨在解決選煤過程變量間的因果虛假相關性問題，構建知識和數(shù)據(jù)雙驅(qū)動的跨時空穩(wěn)定因果動態(tài)貝葉斯網(wǎng)絡模型。為確保選煤過程的安全穩(wěn)定運行，本技術提出了一種基于跨時空穩(wěn)定因果動態(tài)貝葉斯網(wǎng)絡的工業(yè)過程安全控制方法。與現(xiàn)有技術相比，本發(fā)明提出了一種基于跨時空穩(wěn)定因果動態(tài)貝葉斯網(wǎng)絡的自愈控制方法，其以知識為導向，利用時空信息能準確揭示子單元之間及子單元內(nèi)因果關系。首先，利用工業(yè)過程中時間特征和空間特征構建跨時空因果動態(tài)貝葉斯網(wǎng)絡模型，采用插值方式融合lstm算法與廠級流程物理單元分布知識提取出的時間和空間特征。在子單元特征提取過程中，將每個工業(yè)單元內(nèi)的局部信息作為一個整體考慮，不僅關注單個單元內(nèi)的局部相關性，同時提取不同單元之間的空間特征，以更好地捕捉操作單元之間的空間相關性。然而，在實驗中發(fā)現(xiàn)，隨著數(shù)據(jù)分布的變化，某些特征與質(zhì)量變量之間的相關性并非真正的因果關系。這種虛假相關性導致推理出的決策方案準確率不高，無法有效消除異常工況，進而影響模型在實際應用中的泛化能力。因此，本技術結合穩(wěn)定學習(stable?learning，sl)與dbn，有效去除了因果虛假相關性。通過尋找不同數(shù)據(jù)分布下保持因果一致的特征，利用dbn捕捉時間演化中的因果關系，并選擇在所有單元中均保持穩(wěn)定的因果關系。通過引入滯后節(jié)點學習出不同時間段下的dbn結構，并采用樣本重加權減小混雜因素和選擇偏差對模型的影響。通過調(diào)整樣本權重，使數(shù)據(jù)更好地反映真實的因果關系，接近理想情況下的分布。最后，將異常工況數(shù)據(jù)作為證據(jù)輸入到穩(wěn)定因果dbn模型中，推理出能消除異常工況的決策方案，并將決策方案轉(zhuǎn)換為魯棒的控制操作。該方法實施過程簡單，實施成本低，其可以有效解決虛假因果問題，能快速有效消除過程突發(fā)異常工況。當前第1頁12當前第1頁12