买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国矿业大学

摘要：一种基于弹性时变贝叶斯网络的复杂工业过程自愈控制方法，采集现场数据并进行分析处理；利用ADF平方根算法检验数据的平稳性，如果数据非平稳，则对数据进行差分处理，将数据平稳化；将平稳化后的数据与原始平稳数据进行融合之后进行数据相关性分析；通过相关性分析，确定多个变量之间的关系强度和方向；将数据输入到弹性时变动态贝叶斯网络模型中，学习出网络结构和参数；根据学习到的结构和参数结合概率密度函数精准定位异常时间片，确定引起异常的过程变量；将异常数据作为证据输入到动态贝叶斯网络中推理出能消除异常工况的决策方案，并将决策方案转换为控制操作。该方法能在煤泥浮选工业过程出现异常后迅速做出有效的控制决策。

主权项：1.一种基于弹性时变贝叶斯网络的复杂工业过程自愈控制方法，包括重介质选煤系统，所述重介质选煤系统包括输送机、重介质旋流器、弧形筛A、精煤脱介筛、弧形筛B、矸石脱介筛、稀释介质桶、稀介泵、稀介磁选机、加水泵、加介泵、加介磁选机、合格介质桶和压力泵；所述重介质旋流器的进料口与输送机的出料端与连接，所述弧形筛A的进料口连接重介质旋流器的溢流出口，所述精煤脱介筛的进料口连接弧形筛A的出料口，精煤脱介筛的筛上出口用于输出精煤，其筛下出口分别连接有第一排液管路、第二排液管路；所述弧形筛B的进料口连接重介质旋流器的底流出口，所述矸石脱介筛的进料口连接弧形筛B的出料口，矸石脱介筛的筛上出口用于输出煤矸石，其筛下出口分别连接有第三排液管路、第四排液管路；所述稀释介质桶顶部的进料口分别连接第一排液管路的出口端、第三排液管路的出口端；所述稀释泵的进口端与稀释介质桶底部的稀释介质出口连接；所述稀介磁选机的进口端与稀释泵的出口端连接；所述加水泵的进水端连接水源；所述加介泵的进口端连接介质源；所述加介磁选机的进口端连接加介泵的出口端；所述合格介质桶顶部的进料口分别连接第二排液管路的出口端、第四排液管路的出口端、稀介磁选机的出口端、加水泵的出水端和加介磁选机的出口端连接；所述压力泵的进口端与合格介质桶底部出口端连接，其出口端与重介质旋流器的进料口连接；其特征在于，包括以下步骤：步骤一：建立重介质选煤系统，并确定变量；利用输送机、重介质旋流器、弧形筛A、精煤脱介筛、弧形筛B、矸石脱介筛、稀释介质桶、稀介泵、稀介磁选机、加水泵、加介泵、加介磁选机、合格介质桶和压力泵建立重介质选煤系统；根据重介质选煤系统的运行特点确定出重介质选煤系统中的测量变量及操作变量；测量变量为6个，依次为双层筛出料流量、单层筛出料流量、混合介质桶矿浆密度、旋流器介质密度、合格介质桶介质密度、旋流器溢流灰分；操作变量为2个，依次为原煤仓入煤量、旋流器入介压力；步骤二：采集选煤过程数据，并利用ADF平方根算法检验工业过程的平稳性；S21：在重介质选煤系统运行的过程中，利用布置在重介质选煤系统中的传感器组采集选煤过程数据，并输出至控制器，控制器根据内部的时钟模块对选煤过程数据进行处理，得到时间序列数据；S22：利用ADF平方根算法检验时间序列数据的平稳性；S221：根据时间序列的特性选择有常数项和时间趋势的ADF检验模型，利用公式1获得时间序列的一阶差分Δyt； 式中，Δyt表示yt-yt-1；yt-1是滞后一阶的时间序列值；μ是常数项；λt是时间趋势项；α是ADF检验中最重要的系数，用于判断单位根的存在；βi是差分项的系数，用于消除序列中的高阶自相关；∈t是白噪声误差项；p是滞后阶数；S222：使用最小二乘法估计ADF检验模型中的参数；S223：计算ADF统计量，其形式为估计的α除以其标准误差；S224：构造假设检验，原假设H0为单位根存在，此时，数据是非平稳的，备择假设H1为单位根不存在，此时，数据是平稳的；将计算得到的ADF统计量与相应的临界值进行比较；临界值来自于Dickey-Fuller分布表；如果ADF统计量小于临界值，则拒绝原假设，认为时间序列是平稳的；如果ADF统计量大于临界值，则不能拒绝原假设，认为时间序列是非平稳的；步骤三：将非平稳数据平稳化处理；对于非平稳数据，利用差分的方式消除时间序列中的趋势和周期性成分，直到数据达到平稳状态；该过程中，通过单位根检验或观察差分后数据的时序图，检查差分后的数据是否达到平稳状态；步骤四：进行结构学习，建立弹性时变动态贝叶斯网络模型；S41：将平稳化处理后的数据与原始平稳数据进行融合，得到融合数据，对融合数据相关性分析，确定多个变量之间的关系强度和方向，并将变量之间的关系以图的形式展现；S42：将影响选煤效果的关键变量作为弹性时变动态贝叶斯网络中的节点，构建反映工业过程变量间因果关系的弹性时变动态贝叶斯网络模型，以捕捉重介质选煤系统在不同时间段的依赖关系变化；S43：利用融合数据训练弹性时变动态贝叶斯网络模型，挖掘数据背后的因果关系，确定节点之间动态的依赖关系；步骤五：弹性时变动态贝叶斯网络参数学习；给定每个节点的条件概率表，使弹性时变动态贝叶斯网络进行参数学习，得到非平稳弹性时变动态贝叶斯网络模型，为推理控制决策方案提供基础；当选煤过程发生异常工况时利用概率密度函数推理出异常时间片；然后，利用条件概率分布确定引起异常工况的变量，推断出当前时刻各个变量的状态，推理出最优安全控制决策方案；步骤六：确定发生异常的时间片和引起异常工况的变量；将在线异常数据现象变量作为证据输入到非平稳弹性时变动态贝叶斯网络模型中，非平稳弹性时变动态贝叶斯网络模型根据学习到的结构和参数精准定位出重介质选煤过程发生异常的时间片，并确定出引起异常的过程变量；步骤七：推理出控制决策方案；将期望的质量指标和变量的状态值输入到局部贝叶斯网络结构中进行推理，得出操作节点的后验概率，根据后验概率最大的原则，得到重介质选煤过程决策的调整方案，即控制决策；步骤八：实施控制决策；控制器根据所得到的控制决策调整重介质选煤系统的运行参数，如果异常工况消除则进入到正常工作模式，如果异常工况未排除，则重新收集在线异常数据，并重新执行步骤七，继续利用在线异常数据现象变量作为证据信息推理出控制决策方案，直至异常工况排除。

全文数据：

权利要求：

百度查询： 中国矿业大学 基于弹性时变贝叶斯网络的复杂工业过程自愈控制方法