CN110532699A - 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 - Google Patents

Abstract

本发明属于湿法冶金浓密洗涤过程故障诊断技术领域，尤其涉及一种基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法。该方法包括如下步骤：确定浓密洗涤过程DCD事件及事件变量，DCD事件包括节点事件和中间事件；根据DCD事件及事件变量，确定事件变量之间的因果关系及连接概率，并建立因果图模型；通过实际过程中采集到的实时运行数据对浓密洗涤过程是否有异常发生进行实时监测，若监测到有变量处于异常状态，则利用模糊思想，将因果图结构模型中的中间事件划分出异常区间，利用隶属度函数描述所述异常区间，得到故障诊断结果。该方法可以将将定性信息与定量信息相结合，根据监测到的异常现象，进行在线故障诊断，给出故障原因。

Description

基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法

技术领域

本发明属于湿法冶金浓密洗涤过程故障诊断技术领域，尤其涉及一种基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法。

背景技术

随着社会经济快速发展，矿产资源需求量日益增大，但高品位矿石储量却不断下降，湿法冶金工艺开始受到世界各国的高度关注。湿法冶金是一种常用的处理低品位矿的冶金方法，与传统的火法冶金相比具有高效、清洁、环保的优势，虽然我国是世界上矿产资源丰富、矿物种类多样的少数国家之一，就矿石本身的质量来看，我国的矿产整体质量不高，那么有效且环保地利用低品位矿产资源的冶金技术则尤为重要，从而达到废矿变优矿、一矿变多矿和小矿变多矿的目标。

在湿法冶金这个复杂工业过程中，故障的发生不仅直接影响生产效益，还可能导致严重的安全问题等诸多方面的问题，在上述情况下，为了有效地利用低品位金属矿物资源，对湿法冶金过程进行高效准确地故障诊断具有着重大意义。本发明以湿法冶金的浓密洗涤过程为研究背景，对浓密洗涤工艺过程进行实时监测和故障诊断，湿法冶金浓密洗涤过程工艺流程如图1所示。

浓密洗涤过程是将溶液与固体进行分离，回收溶液中的液相金，固体将被废弃或进一步处理，此过程主要依赖浓密机来实现将矿石原料中的固相与液相分离，浓密机的主要工作是对来自上游的未浓缩矿浆进行沉降和浓缩，未浓缩矿浆经由管道进入浓密机，浓密机利用耙子对矿浆进行搅拌，通过搅拌矿浆实现均化处理，防止矿浆分布不均匀的现象。除此之外，耙子的搅拌作用使得矿浆保持运动，防止了矿浆的底部凝聚，确保矿浆不压耙，达到预防故障目的。

随着自动化水平不断提高，***规模持续扩大，***复杂性急速增加，巨大的停机损失、高额的维修成本和严重的事故后果等问题亟待解决。由此可见，全面提高大型复杂***的安全性和可靠性具有重要意义，故障诊断技术为上述问题提供了解决途径。传统的湿法冶金过程故障诊断方法主要是以PCA为主的基于数据处理的方法，而湿法冶金生产过程相对复杂，过程参数较多且含有许多难以直接监测的变量，在这种背景下采用基于数据的方法来进行故障诊断比较困难。

总观湿法冶金生产过程，除上述可以获得的定量数据信息外，还包含着众多无法用数据准确描述的知识和信息，例如专家经验和机理知识等定性信息。由此可观，在湿法冶金过程中，定量与定性信息共存，确定与不确定性信息混杂，如何有效处理形式多样且特点各异的信息对高效准确的故障诊断方法具有着重要意义。而动态因果图这种基于知识的方法因其诸多优势而逐渐被应用于复杂工业故障诊断中，基于动态因果图的故障诊断方法可以将定性信息与定量信息相结合，这样既包含了数据信息也包含了专家经验等定性信息，信息的多样性避免了信息的丢失，可以克服利用单一信息形式的诊断方法的缺点，对于像湿法冶金这种复杂的生产过程故障诊断有很好的应用前景。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，该方法可以将将定性信息与定量信息相结合，根据监测到的异常现象，进行在线故障诊断，给出故障原因。

(二)技术方案

本发明提供一种基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，包括以下步骤：

A1、浓密洗涤过程DCD事件确定：确定浓密洗涤过程DCD事件，明确湿法冶金浓密洗涤过程所涉及的事件变量，所述DCD事件包括节点事件和中间事件；

A2、DCD结构学习：根据所述DCD事件及事件变量，确定所述事件变量之间的因果关系及连接概率，并建立因果图模型；

A3、DCD在线过程故障诊断：通过实际过程中采集到的实时运行数据对浓密洗涤过程是否有异常发生进行实时监测，若监测到有变量处于异常状态，则利用模糊思想，将因果图结构模型中的中间事件划分出异常区间，利用隶属度函数描述所述异常区间，得到故障诊断结果。

进一步地，所述步骤A1，在确定浓密洗涤过程DCD事件过程中，将过程状态变量作为因果图节点事件，将异常或故障作为因果图基本事件，通过对过程中常见的故障及其原因分析确定因果图的基本事件和节点事件。

进一步地，所述步骤A2中，利用基于先验知识的因果图结构学习方法建立因果图模型。

进一步地，所述基于先验知识的因果图结构学习方法为：

1)预先采集多位专家的知识和经验信息，将多位专家的知识和经验信息进行有效融合，其中，融合的方式为将可信度作为连接概率的权重因子，对其加权平均得到多位专家对同一对节点间连接概率值的估计，作为先验知识；

2)将获取的多专家先验知识进行压缩编码后融入到因果图的MDL函数，得到因果图结构的MDL评分函数。

进一步地，所述步骤1)具体包括：

令U是一个点的空间，其中的任意一个元素用x表示，U上的一个Vague集V用一个真隶属度函数t_V和一个假隶属函数f_V表示，t_V(x)是从支持x的证据所导出的x的隶属度下界，f_V(x)则是从反对x的证据所导出的x的否定隶属度下界，t_V(x)和f_V(x)将区间[0,1]中的实数与其中每一个元素联系起来，即t_V:U→[0,1]，f_V:U→[0,1]，t_V(x)+f_V(x)≤1，0≤t_V(x)≤1，0≤f_V(x)≤1，令x＝[t_x,1-f_x]，y＝[t_y,1-f_y]是论域U上的两个Vague集，改进的Vague集的相似度量方法如下式所示：

元素x为概率值的置信上限、均值和置信下限的取值；

获取事件最终概率值的具体步骤如下：

步骤1：分别获取每两名专家对同一节点对(V_i,V_j)之间的概率值并根据所述概率值得到该节点对的概率值相似度并构造相似度矩阵M(V_i,V_j)：

其中，为专家k对节点对(V_i,V_j)给出的概率值， 为专家l对节点对(V_i,V_j)给出的概率值，

式中：n为专家数量；

步骤2：根据相似度矩阵M(V_i,V_j)，计算每位专家的平均相似度

步骤3：根据每位专家的平均相似度计算每位专家的相对相似度

步骤4：根据预先获得的每位专家的自估可信度计算每位专家的相对可信度

步骤5：根据每位专家的相对相似度和相对可信度计算每位专家的最终可信度

式中：0≤β≤1，当β＝0时，为不考虑专家自估可信度而只考虑专家意见的相似性；当β＝1时，为不考虑专家意见的相似性而只考虑专家自估可信度；

步骤6：将每位专家的最终可信度进行加权平均，获得融合多位专家知识和经验信息的节点对(V_i,V_j)的概率值

进一步地，所述因果图的MDL函数由两部分组成：结构编码长度和数据编码长度DL_data(B)；

所述结构编码长度包括编码长度DL_Dim(B)和描述长度DL_str(B)，编码长度DL_Dim(B)和描述长度DL_str(B)分别满足如下公式：

式中：S_i为编码长度中第i个节点V_i的状态数；N为总节点数；S_j为节点V_j第j个父节点pa(V_i)的状态数；M为数据样本集中样本个数；

式中：k_i为描述长度中第i个节点X_i的父节点数；

所述数据编码长度DL_data(B)满足如下公式：

式中：p_i为通过i个数据样本计算出的参数；q_i为通过因果图结构和i个数据样本而学习出的参数；

所述因果图结构的MDL评分函数满足如下公式：

考虑先验知识对压缩编码的影响，因果图结构的MDL评分函数满足如下公式：

score_MDL＝IDL_Dim(B)+DL_str(B)+DL_data(B)

式中：

其中，当0.5≤α＜1时，α为有向边V_j→V_i存在的模糊可能性值，通过模糊数进行反模糊化得到，β＝1-α，为V_j→V_i不存在的模糊可能性，此时概率值所包含的信息用信息熵值H(α)＝-(αlog₂α+βlog₂β)表示；当0＜α＜0.5时，α为有向边V_j→V_i存在的否定信息量，将否定信息量转化为肯定信息量。

进一步地，所述步骤A3具体包括如下步骤：

步骤1：结合历史数据和预先获得的专家经验，对因果图中每个节点事件X_i划分出异常区间

步骤2：采用升梯形分布函数作为隶属度函数μ_A(x)对所述异常区间进行描述，得到每个节点事件的隶属度μ_Xi(x)；所述隶属度函数μ_A(x)满足如下公式：

步骤3：根据所述每个节点事件的隶属度μ_Xi(x)对因果图进行化简：当节点事件X_i的隶属度μ_Xi(x)＝0时，所述节点事件X_i为正常状态，删除此节点及其相连接的有向边；当节点事件X_i的隶属度μ_Xi(x)＞0时，所述节点事件X_i对异常状态具有μ_Xi(x)的隶属程度，保留此节点及其相连接的有向边；

步骤4：根据化简后的因果图进行推理诊断，得到每个可能原因事件的后验概率Pr(Bi|E)；

步骤5：以所述每个节点事件的隶属度μ_Xi(x)作为可信因子，对所述每个可能原因事件的后验概率Pr(Bi|E)进行评估和比较，得到每个可能原因事件的排序概率Pr_f(Bi|E)，进而可能诊断结果。

进一步地，步骤5中所述评估为：将每个可能原因事件的后验概率Pr(Bi|E)乘以所有与该原因事件B_i直接相连的节点事件X_k的隶属度μ_Xk(x)，得到每个可能原因事件的排序概率Pr_f(Bi|E)。

进一步地，所述步骤A1中，基本事件变量包括：第一浓密机渣浆泵、第一浓密机卸料孔、第一浓密机来料流量、第一浓密机来料浓度、第一浓密机提升装置、第二浓密机渣浆泵、第二浓密机卸料孔、第二浓密机提升装置、贫液池液位和贫液池变频泵；

节点事件变量包括：第一浓密机底流浓度、第一浓密机底流流量、第一浓密机溢流流量、第一浓密机溢流浊度、第一浓密机底耙压力、第二浓密机底流流量、第二浓密机底流浓度、第二浓密机加流水量和第二浓密机底耙压力。

(三)有益效果

本发明的有益效果是：

(1)利用基于先验信息的DCD结构学习算法来代替仅仅依靠经验知识确定因果图的方法，降低了专家提供知识的难度，进而提高故障诊断的准确度，使得此故障诊断技术更加适用于湿法冶金浓密洗涤过程；

(2)将专家经验知识与过程数据相结合分析得到初步的概率值，降低了专家知识的主观性，将专家知识与数据进行了有效融合，保证了获取概率值的准确性；

(3)将模糊思想引入到推理过程中作为一种改进方法，将原本的数值界限进行模糊化，利用一段区间来代替一个数值，并用隶属度函数来描述此区间，此方法一定程度上克服了依靠点值判断异常现象这一太过理想化的缺点，使得进入诊断机制这一过程更加合理化，提高了故障诊断准确率；

(4)提供实时的故障诊断结果，有助于工作人员及时对当前生产故障提出并实施解决方案，减少企业生产效益和经济效益的损失，降低安全隐患。

附图说明

图1为本发明中湿法冶金浓密洗涤过程工艺流程图；

图2为本发明中湿法冶金浓密洗涤过程故障诊断方法流程图；

图3为本发明中湿法冶金浓密洗涤过程初始因果图结构示意图；

图4为本发明中3种学习算法的MDL值曲线示意图；

图5为本发明中最优化结构矩阵示意图；

图6为本发明中湿法冶金浓密过程的动态因果图模型；

图7为本发明中结果学习的MDL值变化曲线图；

图8为本发明中升半梯形分布曲线图；

图9为本发明中N5浓密机来料流量异常条件概率图；

图10为本发明中N5浓密机来料流量异常实时诊断结果图；

图11为本发明中N5浓密机溢流浊度异常条件概率图；

图12为本发明中N5浓密机溢流浊度异常实时诊断结果图；

图13为本发明中X₃和X₄异常隶属度曲线图；

图14为本发明中常规推理方法E＝X₃原因事件的排序概率结果图；

图15为本发明中常规推理方法E＝X₃X₄原因事件的排序概率结果图；

图16为本发明中改进推理方法采样点85时刻原因事件的排序概率结果图；

图17为本发明中改进推理方法采样点100时刻原因事件的排序概率结果图；

图18为本发明中改进推理方法采样点135时刻原因事件的排序概率结果图；

图19为本发明中以B₁事件为例的发生概率的实时结果图；

图20为本发明中改进推理方法原因事件的排序概率曲线图；

图21为本发明中改进推理方法实时诊断结果图；

图22为本发明中常规推理方法原因事件的排序概率曲线图；

图23为本发明中常规推理方法实时诊断结果图；

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本实施方式提供了一种基于模糊DCD(Dynamic Causality Diagram，动态因果图)的湿法冶金浓密洗涤过程故障诊断方法，如图2所示，包括以下步骤：

A1、浓密洗涤过程DCD事件确定：确定浓密洗涤过程DCD事件，明确湿法冶金浓密洗涤过程所涉及的事件变量，所述DCD事件包括节点事件和中间事件；

A2、DCD结构学习：根据所述DCD事件及事件变量，确定所述事件变量之间的因果关系及连接概率，并建立因果图模型；

A3、DCD在线过程故障诊断：通过实际过程中采集到的实时运行数据对浓密洗涤过程是否有异常发生进行实时监测，若监测到有变量处于异常状态，则利用模糊思想，将因果图结构模型中的中间事件划分出异常区间，利用隶属度函数描述所述异常区间，得到故障诊断结果。

A1、浓密洗涤过程DCD事件确定

因果图模型包括因果图的结构和参数，在搭建结构和确定参数前，首先明确湿法冶金浓密洗涤过程所涉及的事件变量。在确定浓密洗涤过程DCD事件过程中，本发明遵循以下原则：将过程状态变量作为因果图节点事件，将异常或故障作为因果图基本事件，因此需要通过对过程中常见的故障及其原因分析确定因果图的基本事件及节点事件。

在分析浓密洗涤过程的主要变量异常情况及其主要故障原因之后，本发明所遵循的原则确定浓密洗涤过程的9个监测变量与10个故障原因变量作为浓密洗涤过程因果图的节点事件与基本事件，如表1所示。

表1事件定义表

A2、DCD结构学习

确定了因果图的节点事件和基本事件之后，还需要确定各变量之间的因果关系。传统动态因果图的建立主要依靠专家及现场人员的经验知识来获取各变量之间的因果关系，这种方法不适用于复杂的工业过程。因此，本发明提出一种基于先验知识的因果图结构学习方法来获得更优的因果图结构，由机理知识得到的湿法冶金浓密洗涤过程初始因果图结构如图3所示。

1)多专家先验知识的获取

实际的工业过程中，采集的信息通常会包含多位专家的知识和经验，故需对多专家知识进行有效融合。本发明提出的融合方法的主要思想是将可信度作为连接概率值的权重因子，对其加权平均来得到多专家对同一对节点间连接概率的估计。考虑到不同专家针对同一对节点给出的因果关系概率值的相似程度可以反映出概率值的可信程度，故本发明通过对概率值的相似性与专家自估可信度进行加权求和的方式求取专家的最终可信度，再将最终可信度作为权重因子。

令U是一个点(对象)的空间，其中的任意一个元素用x表示。U上的一个Vague集V用一个真隶属度函数t_V和一个假隶属函数f_V表示，t_V(x)是从支持x的证据所导出的x的隶属度下界，f_V(x)则是从反对x的证据所导出的x的否定隶属度下界，t_V(x)和f_V(x)将区间[0,1]中的实数与其中每一个元素联系起来，即t_V:U→[0,1]，f_V:U→[0,1]，t_V(x)+f_V(x)≤1，0≤t_V(x)≤1，0≤f_V(x)≤1。令x＝[t_x,1-f_x]，y＝[t_y,1-f_y]是论域U上的两个Vague集，改进的Vague集的相似度量方法如下式所示：

在本发明研究背景下，元素x为概率值的置信上限、均值和置信下限的取值。下面以概率值的置信上限为例进行说明，元素a_i表示专家针对同一因果强度给出的概率值的置信上限，集合U表示所有专家给出的同一对节点间概率值置信上限值的集合，即U＝{a₁,...,a_n}，n为专家个数，t_V(a_i)和f_V(a_i)分别为支持和反对元素a_i∈U的隶属度函数，由专家结合经验和实际情况给出。和分别表示a_i对应的隶属度值，概率值的均值和置信下限同理。

获取事件最终概率值的具体步骤如下：

步骤1：根据上述和模糊数的运算法则分别计算每两名专家对同一节点对(V_i,V_j)之间的概率值并根据所述概率值得到该节点对的概率值相似度并构造相似度矩阵M(V_i,V_j)：

其中，为专家k对节点对(V_i,V_j)给出的概率值， 为专家l对节点对(V_i,V_j)给出的概率值，

式中：n为专家数量；

步骤2：根据相似度矩阵M(V_i,V_j)，计算每位专家的平均相似度

步骤3：根据每位专家的平均相似度计算每位专家的相对相似度

步骤4：根据预先获得的每位专家的自估可信度计算每位专家的相对可信度

步骤5：根据每位专家的相对相似度和相对可信度计算每位专家的最终可信度

式中：0≤β≤1，当β＝0时，为不考虑专家自估可信度而只考虑专家意见的相似性；当β＝1时，为不考虑专家意见的相似性而只考虑专家自估可信度；

步骤6：将每位专家的最终可信度进行加权平均，获得融合多位专家知识和经验信息的节点对(V_i,V_j)的概率值

2)融合先验信息的最小描述长度评分函数

为了更好地利用先验知识中的定量信息，本发明将之前获取的多专家先验知识进行压缩编码后融入到最小评分描述长度函数，得到新的评分准则，使其更适用于因果图结构学习。结合因果图特性，因果图的MDL函数由两部分组成：因果图的结构编码长度和数据编码长度DL_data(B)。

a)结构编码长度包括编码长度DL_Dim(B)和描述长度DL_str(B)，编码长度DL_Dim(B)和描述长度DL_str(B)分别满足如下公式：

式中：S_i为编码长度中第i个节点V_i的状态数；N为总节点数；S_j为节点V_j第j个父节点pa(V_i)的状态数；M为数据样本集中样本个数；

式中：k_i为描述长度中第i个节点X_i的父节点数；

b)数据编码长度DL_data(B)满足如下公式：

式中：p_i为通过i个数据样本计算出的参数；q_i为通过因果图结构和i个数据样本而学习出的参数；

综上，因果图结构的MDL评分函数满足如下公式：

前述所采集的先验信息为因为强度信息，是对因果关系的进一步量化，因此，本发明主要考虑先验知识对压缩编码的影响，因果图结构的MDL评分函数满足如下公式：

score_MDL＝IDL_Dim(B)+DL_str(B)+DL_data(B)

式中：

其中，当0.5≤α＜1时，α为有向边V_j→V_i存在的模糊可能性值，通过模糊数进行反模糊化得到，β＝1-α，为V_j→V_i不存在的模糊可能性，此时概率值所包含的信息用信息熵值H(α)＝-(αlog₂α+βlog₂β)表示；当0＜α＜0.5时，α为有向边V_j→V_i存在的否定信息量，将否定信息量转化为肯定信息量。

对MDL评分+无先验信息(MDL－none prior information,MDL-NPI)、MDL评分+常规先验信息(MDL－common PI,MDL-CPI)和改进MDL评分+模糊先验信息(improve MDL－fuzzy PI,IMDL-FPI)3种评分测度结合模拟退火搜索算法的结构学习仿真，在样本数为800的仿真条件下，3种学习算法的MDL值曲线如图4所示，其中直线表示标准因果图在当前仿真条件下的MDL值。观察对比3种算法的MDL值曲线可知，IMDL-FPI算法稳定的值最接近与标准因果图的MDL值，MDL-CPI算法次之，相差最大的是MDL-NPI算法。易知，算法稳定后的评分值越接近于标准值，证明此算法学习出的结构越接近于标准结构，故图4证明了IMDL-FPI算法优于MDL-CPI算法，MDL-CPI算法优于MDL-NPI。综上，本发明提出的结构学习算法能够有效提高因果图结构模型的学习精度。

根据上述的动态因果图建模方法，通过模拟退火算法输出如图5所示的最优化结构矩阵，得到如图6所示的湿法冶金浓密过程的动态因果图模型，图6中虚线表示初始因果图存在但结构学习后不存在的有向边，点划线表示初始因果图不存在而结构学习后存在增加的有向边。在整个搜索算法的迭代过程中，MDL值的不断变小优化证明因果图结构的不断完善优化，为了实现对结构优化过程的检测，根据800个数据样本集进行结果学习的MDL值变化如图7所示，MDL的值不断减小，最终收敛一个稳定的MDL值附近，由此表明该因果图结构为结构学习算法学习出的最佳因果图结构。

A3、DCD在线过程故障诊断

在线过程故障诊断时，将模糊思想引入到推理过程中作为一种改进方法，将原本的数值界限进行模糊化，利用一段区间来代替一个数值，并用隶属度函数来描述此区间，认为在此区间内的每一个读数对异常情况都对应着一个隶属度，并将此隶属度作为可信因子作用于最后各可能故障事件的排序概率上。此方法一定程度上克服了依靠点值判断异常现象这一太过理想化的缺点，使得进入诊断机制这一过程更加合理化，并且更好地保存了信息的完整性，对提高故障诊断准确率具有一定的促进作用。DCD在线过程故障诊断的具体步骤如下：

步骤1：结合历史数据和预先获得的专家经验，对因果图中每个节点事件X_i划分出异常区间

步骤2：采用升梯形分布函数作为隶属度函数μ_A(x)对所述异常区间进行描述，得到每个节点事件的隶属度μ_Xi(x)；所述隶属度函数μ_A(x)的分布曲线如图8所示，隶属度函数μ_A(x)满足如下公式：

步骤3：根据所述每个节点事件的隶属度μ_Xi(x)对因果图进行化简：当节点事件X_i的隶属度μ_Xi(x)＝0时，所述节点事件X_i为正常状态，删除此节点及其相连接的有向边；当节点事件X_i的隶属度μ_Xi(x)＞0时，所述节点事件X_i对异常状态具有μ_Xi(x)的隶属程度，保留此节点及其相连接的有向边；

步骤4：根据化简后的因果图进行推理诊断，得到每个可能原因事件的后验概率Pr(Bi|E)；

步骤5：以所述每个节点事件的隶属度μ_Xi(x)作为可信因子，对所述每个可能原因事件的后验概率Pr(Bi|E)进行评估和比较，得到每个可能原因事件的排序概率Pr_f(Bi|E)，进而可能诊断结果；

评估方法为：将每个可能原因事件的后验概率Pr(Bi|E)乘以所有与该原因事件B_i直接相连的节点事件X_k的隶属度μ_Xk(x)，得到每个可能原因事件的排序概率Pr_f(Bi|E)。

本发明采用的装置包括湿法冶金浓密机智能故障诊断***、上位机、PLC、现场传感变送部分。其中现场传感变送部分包括浓度、压力、流量等检测仪表，在湿法冶金过程现场安装检测仪表，检测仪表将采集的信号通过Profibus-DP总线送到PLC，PLC通过以太网定时将采集信号传送到上位机，上位机把接受的数据传到湿法冶金浓密机智能故障诊断***，进行在线过程故障诊断。

本发明装置的各部分功能：

1)现场传感变送部分：包括浓度、压力、流量等检测仪表由传感器组成，负责过程数据的采集与传送；

2)PLC：负责把采集的信号A/D转换，并通过以太网把信号传送给上位机；

3)上位机：收集本地PLC数据并传送给湿法冶金浓密机智能故障诊断***，进入推理机制并诊断出故障原因。

本发明所提供的基于模糊DCD的湿法冶金浓密洗涤过程的故障诊断技术包括：(1)浓密洗涤过程DCD事件确定(2)DCD结构学习(3)DCD在线过程故障诊断(4)常规推理方法与改进推理方法的对比说明。

基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法主要面向浓密洗涤过程，过程检测***主要由浓度检测、压力检测、流量检测等构成。本实施方式还提供了上述方法具体的应用过程：

PLC控制器采用Simens 400系列的CPU 414-2，具有Profibus DP口连接分布式IO，为PLC配备以太网通讯模块，用于上位机访问PLC数据，PLC控制器和以太网通讯模块放置在中央控制室中的PLC柜中，PLC信号传送软件是采用C#2008编程软件，上位机选用i7联想计算机，采用WINDOW XP操作***。

矿浆浓度是通过北京矿冶研究总院的BDSM型在线浓度计进行在线测量的。传感器向被测介质中发出一束超声波脉冲，超声波经过悬浮颗粒时由于悬浮颗粒的散射和吸收会发生衰减，超声波在污泥或固体悬浮物中的衰减与液体中的污泥浓度或固体悬浮物浓度有关，通过测量超声波的衰减值可以计算出污泥或固体悬浮物浓度。

压力是通过SIEMENS公司生产的DSIII型压力检测仪进行压力在线检测的，介质压力直接作用于敏感膜片上，分布于敏感膜片上的电阻组成的惠斯通电桥，利用压阻效应实现压力向电信号的转换，通过电子线路将敏感元件产生的毫伏信号放大为工业标准电流信号。

溶解氧浓度是通过梅特勒托利多公司生产的inpro6870+M400型氧量测量传感器进行在线检测的。氧量测量传感器由阴极和带电流的反电极、无电流的参比电极组成，电极浸没在电解质中，传感器有隔膜覆盖，覆膜将电极和电解质与被测量的液体分开，只有溶解气体能渗透覆膜，因此保护了传感器，既能防止电解质逸出，又可防止外来物质的侵人而导致污染和毒化。电流信号被送入变送器，利用传感器中存储的含氧量和氧分压、温度之间的关系曲线计算含氧量，然后转化成标准信号输出。

在湿法冶金过程现场安装检测仪表，检测仪表将采集的信号通过Profibus-DP传送到PLC中，PLC定时将采集信号通过以太网传送给上位机，上位机把接受的数据传给湿法冶金浓密机智能故障诊断***进行在线故障诊断。

第一步、浓密洗涤过程DCD事件确定：首先明确湿法冶金浓密洗涤过程所涉及的事件变量。在确定事件变量过程中，本发明遵循以下原则：将过程状态变量作为因果图节点事件，将异常或故障作为因果图基本事件。因此需要通过对过程中常见的故障及其原因分析确定因果图的基本事件及节点事件。

第二步、DCD结构学习：本发明提出一种基于先验知识的因果图结构学习方法。此方法主要分为两部分：首先提取多专家知识作为先验信息，此先验信息主要包括部分节点之间的因果关系及连接概率值，基于因果关系得到初始的因果图结构；然后将连接概率值进行压缩编码并融合到最小描述长度评分函数中，利用改进的评分函数于结构搜索算法得到最优的因果图结构。

第三步、DCD在线过程故障诊断：在线过程故障诊断时，将模糊思想引入到推理过程中作为一种改进方法，将原本的数值界限进行模糊化，利用一段区间来代替一个数值，并用隶属度函数来描述此区间，并将此隶属度作为可信因子作用于最后各可能故障事件的排序概率上。此方法一定程度上克服了依靠点值判断异常现象这一太过理想化的缺点，使得进入诊断机制这一过程更加合理化，并且更好地保存了信息的完整性，对提高故障诊断准确率具有一定的促进作用。

所用数据是从某高铜矿浓密洗涤仿真平台中采集1000组样本数据，对采集到的历史生产数据分析学习后，确定浓密洗涤过程因果图模型的基本事件和连接事件的概率表，如表2和表3所示。

表2浓密洗涤过程基本事件概率

表3 X₅、X₆异常连接事件参数表

湿法冶金浓密洗涤过程共有10类常见故障，分别对应浓密洗涤过程因果图的10个B类型事件变量。对工艺过程中的各变量进行实时观测时，当观测到有变量进入异常状态，启动因果图推理过程进行故障诊断，确定故障原因，诊断出具体的故障事件。

下面对浓密洗涤过程两个常见的故障进行诊断分析。

(1)N5浓密机来料流量异常故障分析

采集200组样本，从第100个样本的采样时刻开始监测到N5溢流流量X₅异常，即证据E＝X₅。首先计算出对应的割集表达式CS_s-f和DCS_s-f分别如下所示:

X₅＝P₇₅B₇∪P₄₅X₄＝P₇₅B₇∪P₄₅P₃₄B₃∪P₄₅P₁₄B₁

由前述建立的浓密洗涤过程因果图可知，可能导致N5溢流流量异常的原因变量有B₁、B₃和B₇。按照因果图故障诊断步骤，将相关变量参数代入推理过程计算各基本事件的条件概率，结果如图9所示。

根据图9的后验概率值对比，可以判断出引起N5浓密机溢流流量异常的原因为B₇，即N5来料流量异常。通过实际情况分析可知，N5浓密机来料流量异常大，在底流流量无明显变化的情况下，会导致溢流流量增大。N5浓密机溢流流量异常的实时诊断结果如图10所示，其中横坐标表示采样时刻，纵坐标表示浓密过程常见故障原因。从图10分析可得，在第100个采样时刻开始监测到N5浓密机溢流流量异常，启动诊断过程，诊断出故障源为B₇。

(2)N5浓密机来料浓度异常故障分析

在浓密洗涤实际生产过程中，N5溢流浊度的情况主要依靠现场操作人员进行观测。现进行仿真验证，采集200组样本，从第120个样本的采样时刻观测到N5溢流浊度X₆异常即证据E＝X₆。按照因果图推理计算步骤，首先计算出对应的割集表达式CS_s-f和DCS_s-f分别如下所示:

X₆＝P₈₆B₈∪P₅₆X₅＝P₈₆B₈∪P₅₆P₇₅B₇∪P₅₆P₄₅P₃₄B₃∪P₅₆P₄₅P₁₄B₁

由浓密洗涤过程因果图可知，可能导致溢流浊度异常的原因变量有B₁、B₃、B₇和B₈，将相关变量参数代入推理过程计算各基本事件的条件概率，得到如图11所示。根据得到的条件概率值对比我们可以判断出引起N5浓密机溢流浊度异常的原因为B₈，即N5浓密机来料浓度异常。当进入浓密机的来料浓度异常时会直接影响浓密机内固体物体量，当来料浓度过大时就会导致溢流浊度异常，实时诊断结果如图12所示。

(3)依据前面的介绍可知，因果图证据的获取是进入诊断推理机制的开端，具有着重要意义，以往的通过专家给定点值界限的方式易造成信息的损失，从而影响后续的诊断结果。接下来将介绍一种改进方法，主要是将模糊思想引入到此过程中，将原本的数值界限进行模糊化，利用一段区间来代替一个数值，并用隶属度函数来描述此区间，认为在此区间内的每一个读数对异常情况都对应着一个隶属度，并将此隶属度作为可信因子作用于最后各可能故障事件的排序概率上。此方法一定程度上克服了依靠点值判断异常现象这一太过理想化的缺点，使得进入诊断机制这一过程更加合理化，并且更好地保存了信息的完整性，对提高故障诊断准确率具有一定的促进作用。

1)常规推理方法

依据前述得到的湿法冶金浓密洗涤过程的动态因果图模型，本发明以引入N5浓密机底流浓度X₃和N5浓密机底流流量X₄的异常现象为例进行分析。在实验过程中进行实时采样，在第80采样点监测到N5浓密机底流浓度X₃读数开始进入异常区间，同时观测与X₃直接相连的其他中间事件的读数，在第90个采样点观测到N5浓密机底流流量X₄进入异常区间。依据专家划分的X₃和X₄的读数区间和隶属度函数，可得X₃和X₄的异常隶属度如图13所示。

下面本发明将以几个具有代表性的采样点为例进行常规推理方法与改进推理方法的对比说明。常规因果图推理方法主要是依靠专家给出一个点值作为异常界限，高于(或低于)界限认为有异常发生，由图13可知，在第120个采样点观测到X₃发生异常，即证据E＝X₃。在第150个采样点X₄发生异常，即证据E＝X₃X₄。在第120采样点时刻，证据E＝X₃，利用常规的因果图推理机制进行故障诊断推理，并计算出故障原因事件B₇和B₈的排序概率，诊断结果如图14所示。根据图14容易得出结论，在X₃出现异常的情况下，最可能是由基本事件B₇引起的。到第150个采样点时观测到X₄进入异常，证据E＝X₃X₄，计算出故障原因事件B₁、B₃、B₇和B₈的排序概率，诊断结果如图15。根据图15容易得出结论，X₃和X₄的异常现象，最可能是由基本事件B₁引起的。在实际生产过程中，一般当故障原因事件概率值超过一定阈值时，认为此故障发生。此阈值通常有专家经过长期的现场经验总结得出，当其发生概率未超过阈值时，认为这些事件具有故障趋势，现场工作人员应重点关注。当相关原因事件概率值逐渐增大，超过了专家给出的阈值后，认为故障发生。在湿法冶金实际生产过程中，专家会针对不同事件给出相应的阈值。本文以阈值等于0.5为例进行下面的分析。当原因事件概率值均值大于0.5时，认为事件发生；当事件发生概率均值小于0.5时，认为事件有发生趋势，应及时检查并重点关注其变化趋势。

结合图22，得出如图23所示的实时诊断结果图。由图可知，在120采样点检测到X₃异常，进入推理机制，诊断出异常原因为B₇，第150采样点检测到X₄异常，诊断异常原因为B₁。

2)改进推理方法

依据图13可知，在第80采样点X₃进入异常区间，在第90采样点X₄进入异常区间，下面分别选取85、100和135采样点展开推理。由图13可得在第85个采样点时刻X₃异常隶属度为0.125，依据推理计算的步骤，计算出故障原因事件B₇和B₈的排序概率，并得到图16所示的诊断结果图。由图16可知，原因事件概率值最大的为B₇事件，此时B₇事件的发生概率均值小于0.5，认为B₇事件有发生故障的趋势，应重点关注。

在第100个采样点时刻X₃和X₄的隶属度为0.25和0.17。依据推理计算的步骤，计算出故障原因事件B₇和B₈的排序概率，并得到图17所示的诊断结果图。由图17可知，原因事件概率值最大的为B₁事件，此时B₁事件的发生概率均值小于0.5，认为B₇事件有发生故障的趋势，应重点关注。

在第135个采样点时刻X₃和X₄的隶属度为0.75和1.0。依据推理计算的步骤，计算出故障原因事件B₇和B₈的排序概率，并得到图18所示的诊断结果图。由图18可知，原因事件概率值最大的为B₁事件，此时B₁事件的发生概率均值大于0.5，认为B₇事件为故障原因。

依据运行过程中实时监测的数据，并结合上述推理过程，可以得到各原因事件概率的实时结果，其中以B₁事件为例，其发生概率的实时结果图如图19所示，其中x轴代表B₁发生的概率值，y轴表示采样点，z轴表示B₁概率值的隶属度。为保证图像的直观性，提取各事件概率模糊数的均值来进行观察和排序，得到的实时排序概率结果图如图20所示。

从图20可以看出，在第80采样点之后，X₃和X₄的读数先后进入异常区间，对每一个采样点进推理计算，可得到此采样点时刻可能的故障原因，计算可知，在第80到第135采样点之间，相关原因事件的发生概率比较小且小于0.5，此时认为这些原因事件具有出现的趋势，现场工作人员应重点关注。随着异常现象的进一步发展，可能的原因事件概率值逐渐增大，当超过了专家给出的阈值后，认为故障发生。经过上述分析，结合图20可以得出如图21所示的实时诊断结果图。

3)对比分析

对比图21改进的模糊推理机制实时诊断结果图与图23常规推理机制实时诊断结果图可知，常规方法在采样点80至采样点135时间段内，产生了误判，在常规的“点值”方法易导致信息的缺失，从而产生诊断错误的情况发生，影响了故障诊断准确率。由图21可知，在采样点105到采样点135时间段内，改进方法实现了对故障趋势的跟踪。经过上述分析可知，改进的方法一方面可以更好的保存和利用已知的先验信息，降低一些情况下的误判率；另一方面可以一定程度上预测故障。基于以上两个方面可知，改进的模糊诊断机制可以提高故障诊断准确率，更具有适用性。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (9)

1.一种基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，包括以下步骤：

A1、浓密洗涤过程DCD事件确定：确定浓密洗涤过程DCD事件，明确湿法冶金浓密洗涤过程所涉及的事件变量，所述DCD事件包括节点事件和中间事件；

A2、DCD结构学习：根据所述DCD事件及事件变量，确定所述事件变量之间的因果关系及连接概率，并建立因果图模型；

A3、DCD在线过程故障诊断：通过实际过程中采集到的实时运行数据对浓密洗涤过程是否有异常发生进行实时监测，若监测到有变量处于异常状态，则利用模糊思想，将因果图结构模型中的中间事件划分出异常区间，利用隶属度函数描述所述异常区间，得到故障诊断结果。

2.根据权利要求1所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，

所述步骤A1，在确定浓密洗涤过程DCD事件过程中，将过程状态变量作为因果图节点事件，将异常或故障作为因果图基本事件，通过对过程中常见的故障及其原因分析确定因果图的基本事件和节点事件。

3.根据权利要求2所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，

所述步骤A2中，利用基于先验知识的因果图结构学习方法建立因果图模型。

4.根据权利要求3所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，

所述基于先验知识的因果图结构学习方法为：

1)预先采集多位专家的知识和经验信息，将多位专家的知识和经验信息进行有效融合，其中，融合的方式为将可信度作为连接概率的权重因子，对其加权平均得到多位专家对同一对节点间连接概率值的估计，作为先验知识；

2)将获取的多专家先验知识进行压缩编码后融入到因果图的MDL函数，得到因果图结构的MDL评分函数。

5.根据权利要求4所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，

所述步骤1)具体包括：

令U是一个点的空间，其中的任意一个元素用x表示，U上的一个Vague集V用一个真隶属度函数t_V和一个假隶属函数f_V表示，t_V(x)是从支持x的证据所导出的x的隶属度下界，f_V(x)则是从反对x的证据所导出的x的否定隶属度下界，t_V(x)和f_V(x)将区间[0,1]中的实数与其中每一个元素联系起来，即t_V:U→[0,1]，f_V:U→[0,1]，t_V(x)+f_V(x)≤1，0≤t_V(x)≤1，0≤f_V(x)≤1，令x＝[t_x,1-f_x]，y＝[t_y,1-f_y]是论域U上的两个Vague集，改进的Vague集的相似度量方法如下式所示：

元素x为概率值的置信上限、均值和置信下限的取值；

获取事件最终概率值的具体步骤如下：

步骤1：分别获取每两名专家对同一节点对(V_i,V_j)之间的概率值并根据所述概率值得到该节点对的概率值相似度并构造相似度矩阵M(V_i,V_j)：

其中，为专家k对节点对(V_i,V_j)给出的概率值， 为专家l对节点对(V_i,V_j)给出的概率值，

式中：n为专家数量；

步骤2：根据相似度矩阵M(V_i,V_j)，计算每位专家的平均相似度

步骤3：根据每位专家的平均相似度计算每位专家的相对相似度

步骤4：根据预先获得的每位专家的自估可信度计算每位专家的相对可信度

步骤5：根据每位专家的相对相似度和相对可信度计算每位专家的最终可信度

式中：0≤β≤1，当β＝0时，为不考虑专家自估可信度而只考虑专家意见的相似性；当β＝1时，为不考虑专家意见的相似性而只考虑专家自估可信度；

步骤6：将每位专家的最终可信度进行加权平均，获得融合多位专家知识和经验信息的节点对(V_i,V_j)的概率值

6.根据权利要求5所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，

所述因果图的MDL函数由两部分组成：结构编码长度和数据编码长度DL_data(B)；

所述结构编码长度包括编码长度DL_Dim(B)和描述长度DL_str(B)，编码长度DL_Dim(B)和描述长度DL_str(B)分别满足如下公式：

式中：S_i为编码长度中第i个节点V_i的状态数；N为总节点数；S_j为节点V_j第j个父节点pa(V_i)的状态数；M为数据样本集中样本个数；

式中：k_i为描述长度中第i个节点X_i的父节点数；

所述数据编码长度DL_data(B)满足如下公式：

式中：p_i为通过i个数据样本计算出的参数；q_i为通过因果图结构和i个数据样本而学习出的参数；

所述因果图结构的MDL评分函数满足如下公式：

考虑先验知识对压缩编码的影响，因果图结构的MDL评分函数满足如下公式：

score_MDL＝IDL_Dim(B)+DL_str(B)+DL_data(B)

式中：

其中，当0.5≤α＜1时，α为有向边V_j→V_i存在的模糊可能性值，通过模糊数进行反模糊化得到，β＝1-α，为V_j→V_i不存在的模糊可能性，此时概率值所包含的信息用信息熵值H(α)＝-(αlog₂α+βlog₂β)表示；当0＜α＜0.5时，α为有向边V_j→V_i存在的否定信息量，将否定信息量转化为肯定信息量。

7.根据权利要求6所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，所述步骤A3具体包括如下步骤：

步骤1：结合历史数据和预先获得的专家经验，对因果图中每个节点事件X_i划分出异常区间

步骤2：采用升梯形分布函数作为隶属度函数μ_A(x)对所述异常区间进行描述，得到每个节点事件的隶属度μ_Xi(x)；所述隶属度函数μ_A(x)满足如下公式：

步骤3：根据所述每个节点事件的隶属度μ_Xi(x)对因果图进行化简：当节点事件X_i的隶属度μ_Xi(x)＝0时，所述节点事件X_i为正常状态，删除此节点及其相连接的有向边；当节点事件X_i的隶属度μ_Xi(x)＞0时，所述节点事件X_i对异常状态具有μ_Xi(x)的隶属程度，保留此节点及其相连接的有向边；

步骤4：根据化简后的因果图进行推理诊断，得到每个可能原因事件的后验概率Pr(Bi|E)；

步骤5：以所述每个节点事件的隶属度μ_Xi(x)作为可信因子，对所述每个可能原因事件的后验概率Pr(Bi|E)进行评估和比较，得到每个可能原因事件的排序概率Pr_f(Bi|E)，进而可能诊断结果。

8.根据权利要求7所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，步骤5中所述评估为：将每个可能原因事件的后验概率Pr(Bi|E)乘以所有与该原因事件B_i直接相连的节点事件X_k的隶属度μ_Xk(x)，得到每个可能原因事件的排序概率Pr_f(Bi|E)。

9.根据权利要求1所述的基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法，其特征在于，所述步骤A1中，基本事件变量包括：第一浓密机渣浆泵、第一浓密机卸料孔、第一浓密机来料流量、第一浓密机来料浓度、第一浓密机提升装置、第二浓密机渣浆泵、第二浓密机卸料孔、第二浓密机提升装置、贫液池液位和贫液池变频泵；

节点事件变量包括：第一浓密机底流浓度、第一浓密机底流流量、第一浓密机溢流流量、第一浓密机溢流浊度、第一浓密机底耙压力、第二浓密机底流流量、第二浓密机底流浓度、第二浓密机加流水量和第二浓密机底耙压力。