[发明专利]基于增量学习的重介质选煤过程安全控制贝叶斯网络模型在线更新方法

说明书

本发明公开了一种基于增量学习的重介质选煤过程安全控制贝叶斯网络模型在线更新方法，属于工业安全运行智能控制技术领域。本发明主要步骤如下：首先，将异常工况的现象变量作为证据信息输入到安全控制贝叶斯网络模型中进行推理。其次，依据最大后验概率原则制定相应的安全控制决策，并依据领域专家知识判断安全控制决策是否合理。若合理，则实施该控制决策。若不合理，则继续判断是否发生新的异常工况，并按照判断条件分别进行结构更新学习和参数更新学习。最后，利用更新完成的安全控制贝叶斯网络模型重新获取安全控制决策。本发明提出的重介质选煤过程安全控制模型更新方法，能够提高模型适应选煤环境变化的能力，为操作人员提供安全、可靠的控制决策。

技术领域

本发明涉及一种基于增量学习的重介质选煤过程安全控制贝叶斯网络模型在线更新方法，属于工业安全运行智能控制技术领域。

背景技术

目前，当重介质选煤过程发生异常工况时，主要依靠操作人员的经验和知识分析导致异常工况发生的原因和位置，并给出相应操作变量值，使生产过程恢复至稳定运行状态。然而，这种操作方式受到操作人员自身经验、知识局限性的影响，往往不能及时给出可靠的安全控制决策，对生产造成一定的损失。

现在，随着大数据技术的发展，一方面，由于传感器精度的提高和大数据技术的应用，选煤过程积累了大量的工业数据，这些数据蕴含着丰富的状态信息，能够帮助操作人员提高产品煤质量。另一方面，在工艺机制、物料流动及设备维护的过程中也蕴含大量的专家知识，这些知识能够指导操作人员进行相应的生产操作，便于操作人员理解。而贝叶斯网络作为一种高效地可视化图模型，在描述复杂变量间因果关系具有显著优势，能够基于贝叶斯推理解决各种不定性条件下的问题。因此，利用贝叶斯网络能够有效结合异常工况数据信息与专家知识的特点，帮助操作人员面对异常工况时，通过贝叶斯推理获取安全可靠的控制决策成为一种有效的手段。

然而，在实际生产过程中，选煤工艺之间相互关联，原煤属性变化频繁，选煤生产环境复杂多变。因此，很容易发生新的异常工况，面对新的异常工况，原有的安全控制贝叶斯模型可能无法适应环境变化。若仍使用原有模型提供的安全控制决策，不仅无法消除异常工况，甚至会威胁操作人员的生命安全。此外，原有模型中的部分结构可能仍可以表征部分新的数据信息，适应环境变化。有鉴于此，需要找到一个合适的方法，能够有效地辨识现有安全控制贝叶斯模型不适应环境变化的部分，并对其进行结构更新学习，使模型拥有能够适应环境变化的能力，从而获取安全可靠的控制决策。

发明内容

为了克服上述现有技术的不足之处，本发明提供一种基于增量学习的重介质选煤过程安全控制贝叶斯网络模型在线更新方法，能够提高模型适应选煤环境变化的能力，为操作人员提供安全、可靠的控制决策。

本发明是通过如下技术方案实现的：一种基于增量学习的重介质选煤过程安全控制贝叶斯网络模型在线更新方法，包括如下步骤：

步骤1：采集重介质选煤过程中异常工况现象变量的数据信息，并将离散化后的数据进行作为证据，输入到已有的安全控制贝叶斯网络模型中进行推理，利用式(1)求取与异常现象相关的操作变量X的后验概率：

其中，x是变量X的取值，e是变量E的取值；

步骤2：根据步骤1计算的结果，遵循后验概率最大的原则制定相应的控制决策；

步骤3：依据步骤2中的控制决策在重介质选煤过程中的实施效果，判别该安全控制决策是否合理；若不合理则转入步骤4，否则转入步骤9；

步骤4：利用式(2)-(3)判别是否发生新的异常工况；若未发生新的异常工况，则表明现有的安全控制贝叶斯网络模型的结构不需要发生改变，只需更新原有模型的参数，即转入步骤7；若发生新的异常工况，则表明现有的安全控制贝叶斯网络模型的结构和参数都需要更新，即转入步骤5；