基於可信度的溼法冶金濃密機的故障診斷方法與流程

2023-05-26 16:43:26

本發明屬於溼法冶金技術，尤其涉及一種基於可信度的溼法冶金濃密機的故障診斷方法。
背景技術：
：隨著我國工業化進程的發展，資源問題成為制約我國發展的主要問題之一。礦產資源作為工業原料的主要來源，在經濟社會發展中起著基礎性的作用。由於對礦產資源的粗放利用和大量消耗，致使我國面臨礦產資源嚴重緊缺的難題，高品位礦產資源的儲量正日益減少，形勢十分嚴峻。我國低品位礦產資源的儲量豐富，從貧、細、雜礦石中提取礦產資源成為了未來發展的必然趨勢，如何經濟高效的利用低品位礦產資源對於我國經濟社會的可持續發展具有重要意義。隨著礦石品位的不斷降低和對環境的要求日益嚴格，溼法冶金在低品位礦產資源的開發和利用中起著重要的作用。溼法冶金流程濃密洗滌是利用重力進行固液分離的過程，可以節省大量能源，主要指標是底流濃度。濃密洗滌過程是溼法冶金過程的一道關鍵工序。在工業生產中，通常將固體物料溶於溶劑中，將不同組分進行分離，即溼法分選，選出的產物為固液兩相的懸浮液，為了得到含水較少的固體產物和基本不含固體的水，大多數情況下都要進行固液分離。目前，濃密機洗滌過程的故障診斷大多數依靠操作人員主觀實現，自動化水平較低。濃密洗滌過程工藝複雜、生產環境惡劣，且具有大慣性、大時滯、影響因素多等特點，加之人為主觀因素的影響，很難實現準確的故障診斷。在實際過程中，很多變量是實時變化且隨機性大，而且變動頻繁，這使得實現對濃密洗滌過程的故障診斷更加困難。技術實現要素：針對現有存在的技術問題，本發明提供一種基於可信度的溼法冶金濃密機的故障診斷方法，該方法可以預先建立專家或操作人員的診斷經驗對應的規則庫，進而採用該規則庫中的規則及基於可信度的不確定性推理模型進行推理分析，獲取故障結果的概率，以便根據概率調整在實際操作，有效降低事故發生率，提高生產安全性。本發明的基於可信度的溼法冶金濃密機的故障診斷方法，包括：獲取溼法冶金濃密機的在線變量；根據在線變量，確定每一變量的模糊維度；所述模糊維度為預先建立的專家規則庫中的規則前件包括的變量對應的模糊維度；針對每一個變量及該變量的模糊維度，採用模糊隸屬度函數獲取該變量所屬模糊維度的可信度；基於可信度的不確定性推理模型結合專家規則庫中的規則，對每一變量的可信度進行推理分析，得到故障結論可信度；將故障結論可信度與預設閾值進行比較，根據比較結果確定是否發生故障，以及發生故障的概率。可選地，獲取溼法冶金濃密機的在線變量的步驟之前，所述方法還包括：離線獲取預設時間段內溼法冶金濃密機的歷史變量；結合溼法冶金領域專家及相關操作人員的先驗知識、獲取多個用於進行濃密機故障診斷的專家規則；根據多個用於進行濃密機故障診斷的專家規則，建立專家規則庫；其中，每一濃密機故障診斷專家規則包括：通過變量的模糊維度表達的規則前件、通過結論表達的規則後件、說明結論可信度的規則強度；每一個規則的規則前件、規則後件和規則強度具有對應關係；所述規則前件中的變量具有至少一個模糊維度。可選地，基於可信度的不確定性推理模型結合專家規則庫中的規則，對每一變量的可信度進行推理分析的步驟之前，所述方法還包括：判斷在線變量中多個變量是否反映同一個證據，如果是，則將反映同一個證據的多個變量的可信度進行邏輯組合；其中，證據為與專家規則庫中的每一規則前件對應，且屬於在線變量反映的規則前件；相應地，基於可信度的不確定性推理模型結合專家規則庫中的規則，對每一變量的可信度進行推理分析的步驟，包括：基於可信度的不確定性推理模型結合專家規則庫的規則對邏輯組合的多變量的可信度進行推理分析。可選地，判斷在線變量中多個變量是否反映同一個證據的步驟，包括：查找在線變量中每一變量所匹配的規則在專家規則庫中的規則標識；相應地，將反映同一個證據的多個變量的可信度進行邏輯組合的步驟，包括：將屬於同一規則標識的多個變量的可信度按照該規則標識中各個變量的邏輯組合關係進行邏輯組合。可選地，採用模糊隸屬度函數獲取該變量的可信度，包括：根據下述公式，獲取每一變量的可信度；其中，k為經驗係數，xmean為預先設定的待分析的變量的正常範圍平均值，x為待分析的變量，μcf(x)為待分析的變量的可信度。可選地，將故障結論可信度與預設閾值進行比較，根據比較結果確定是否發生故障及發生故障的概率，包括：若故障結論可信度大於預設閾值，則確定發生故障，且將故障結論可信度作為發生故障的概率，以及根據故障結論可信度確定故障發生可能的原因；若故障結論可信度小於等於預設閾值，則確定不發生故障，結束。可選地，溼法冶金濃密機的在線變量包括：直接測量的反映濃密機生產狀態的變量，以及通過直接測量的變量分析的反映濃密機生產狀態的變量；所述直接測量的變量包括：礦漿壓力一、礦漿壓力二、中心攪拌電機電流、壓濾機前緩衝槽液位和/或渣漿泵電流；通過直接測量的變量分析的反映濃密機生產狀態的變量包括：壓濾機前緩衝槽液位變化率、耙底壓力、底流流量和/或底流濃度。可選地，基於可信度的不確定性推理模型中，產生式規則的形式為：ifethenhwithcf(h/e)其中，e表示一個簡單前提，或多個簡單前提邏輯組合的邏輯組合前提，h為一個或多個結論，cf(h/e)為基於所述e發生h的可信度；相應地，採用產生式規則的形式表示專家規則庫的中規則前件、規則後件、規則強度的對應關係，則為：e表示每一規則的規則前件中的變量的模糊維度，h為該規則的規則後件中的結論，cf(h/e)為該規則的規則強度。可選地，基於可信度的不確定性推理模型在推理分析中使用的算法包括下述的一種或多種：第一、條件合取算法，如果前提e是n個子前提e1,e2,…,en的邏輯組合，那麼證據e分成子證據e1,e2,…,en，設e＝e1ande2…anden則cf(e/e)＝min{cf(e1/e1),cf(e2/e2),…,cf(en/en)}；第二、條件析取算法如果前提e是n個子前提e1,e2,…,en的邏輯組合，那麼證據e分成子證據e1,e2,…,en，設e＝e1ore2…oren則cf(e/e)＝max{cf(e1/e1),cf(e2/e2),…,cf(en/en)}；第三、條件求補算法cf的定義可知：即表示一個前提對某個假設有利，必然對該假設的不成立不利；第四、傳遞算法結論h的可信度由下式給出：cf(h/e)＝cf(h/e)×max{cf(e/e),0}；結果h的可信度cf(h)與cf(h/e)相同，即:cf(h)＝cf(h/e)；第五、結果組合算法對於兩個獨立證據e1和證據e2分別求出的結果h的可信度cf1(h),cf2(h)，用下式計算組合結果的可信度cf(h)；本發明的基於可信度的溼法冶金濃密機的故障診斷方法，可以預先建立專家或操作人員的診斷經驗對應的規則庫，進而採用該規則庫中的規則及基於可信度的不確定性推理模型進行推理分析，確定發生故障的概率，可使操作人員及時調整，有效降低事故發生率，提高生產安全性。附圖說明圖1為當前溼法冶金濃密過程生產流程圖；圖2a為本發明的故障診斷方法的流程示意圖；圖2b為本發明的方法中進行故障診斷的示意圖；圖2c為本發明中提及的不確定性推理模型的示意圖；圖3為本發明的離線單樣本單故障識別圖；圖4為本發明的離線單樣本多故障識別圖；圖5為本發明的多樣本故障識別診斷圖；圖6為本發明的冒槽故障原因診斷圖；圖7為本發明的濃度偏高故障原因分布圖。具體實施方式為了更好的解釋本發明，以便於理解，下面結合附圖，通過具體實施方式，對本發明作詳細描述。本發明實施例涉及到的裝置包括溼法冶金濃密機智能故障診斷系統、上位機、plc、現場傳感變送部分。其中現場傳感變送部分包括濃度、壓力、流量等檢測儀表。在溼法冶金過程現場安裝檢測儀表，檢測儀表將採集的信號通過profibus-dp總線送到plc，plc通過乙太網定時將採集信號傳送到上位機，上位機把接收的數據傳到溼法冶金濃密機智能故障診斷系統，進行過程工況識別並對故障進行診斷，提供生產操作指導建議。上述裝置的各部分功能：①現場傳感變送部分：包括濃度、壓力、電流等檢測儀表由傳感器組成，負責過程數據的採集與傳送。壓力是通過siemens公司生產的dsiii型壓力檢測儀進行壓力在線檢測的，介質壓力直接作用於敏感膜片上，分布於敏感膜片上的電阻組成的惠斯通電橋，利用壓阻效應實現壓力向電信號的轉換，通過電子線路將敏感元件產生的毫伏信號放大為工業標準電流信號。液位是通過siemens公司生產的xps-15超聲波液位進行液位的監測的，發射超聲換能器發射出的超聲脈衝，通過傳播媒質傳播到被測介質，經反射後再通過傳聲媒質返回到接收換能器，測出超聲脈衝從發射到接收在傳聲媒質中傳播的時間。再根據傳聲媒質中的聲速，就可以算得從換能器到介質面的距離，從而確定液位。②plc：負責把採集的信號a/d轉換，並通過乙太網把信號傳送給上位機。plc控制器採用simens400系列的cpu414-2，具有profibusdp口連接分布式io。為plc配備乙太網通訊模塊，用於上位機訪問plc數據。plc控制器和乙太網通訊模塊放置在中央控制室中的plc櫃中。③上位機：收集本地plc數據，傳送給溼法冶金濃密機智能故障診斷系統，進行過程狀態識別並對故障進行診斷，並提供生產操作指導建議。如圖2a所示，本實施例的基於可信度的溼法冶金濃密機的故障診斷方法包括下述步驟：201、獲取溼法冶金濃密機的在線變量。舉例來說，溼法冶金濃密機的在線變量可包括：直接測量的反映濃密機生產狀態的變量，以及通過直接測量的變量分析的反映濃密機生產狀態的變量。其中，直接測量的變量包括：礦漿壓力一、礦漿壓力二、中心攪拌電機電流、壓濾機前緩衝槽液位和/或渣漿泵電流等；通過直接測量的變量分析的反映濃密機生產狀態的變量包括：壓濾機前緩衝槽液位變化率、耙底壓力、底流流量和/或底流濃度等。202、根據在線變量，確定每一變量的模糊維度；所述模糊維度為預先建立的專家規則庫中的規則前件中所包括的變量對應的模糊維度。本實施例的模糊維度即模糊概念可理解為偏大、正常、偏小等維度或模糊概念，即專家規則中一系列的「偏大」、「偏小」等維度或概念。例如專家規則庫中的變量包括：耙底壓力、中心攪拌電機電流等，變量的模糊維度/模糊概念可為耙底壓力大、中心攪拌電機電流過大等。在專家規則庫中每一規則的規則前件均包括變量的模糊維度，為此，可根據專家規則庫中的規則前件涉及的變量的模糊維度，計算該維度下的可信度。由此，可以減少後續可信度確定過程中的計算機處理量，提高處理效率。在其他實施例中，可不用確定模糊維度，可直接採用模糊隸屬度函數獲取該變量的可信度，這裡的可信度包括模糊維度的可信度，還可包括不屬於模糊維度的可信度等。本實施例為更好的減少後續計算機處理的處理量，提高處理效率，在磁確定模糊維度。203、針對每一個變量及該變量的模糊維度，採用模糊隸屬度函數獲取該變量所屬模糊維度的可信度。舉例來說，在本實施例中，可根據下述公式，獲取每一變量的可信度；其中，k為經驗係數，xmean為預先設定的待分析的變量的正常範圍平均值，x為待分析的變量，μcf(x)為待分析的變量的可信度。若前述步驟202中確定有模糊維度，則可採用上述公式計算屬於模糊維度的可信度即可，進而減少計算量，提高處理效率。可信度可理解為變量模糊維度的量化，是一個在[0,1]之間的小數。204、基於可信度的不確定性推理模型結合專家規則庫中的規則，對每一變量的可信度進行推理分析，得到故障結論可信度。舉例來說，預先建立的專家規則庫中，每一濃密機故障診斷專家規則包括：通過變量的模糊維度表達的規則前件、通過結論表達的規則後件、說明結論可信度的規則強度；每一個規則的規則前件、規則後件和規則強度具有對應關係；所述規則前件中的變量具有至少一個模糊維度。另外，應說明的是，基於可信度的不確定性推理模型中，產生式規則的形式為：ifethenhwithcf(h/e)其中，e表示一個簡單前提，或多個簡單前提邏輯組合的邏輯組合前提，h為一個或多個結論，cf(h/e)為基於所述e發生h的可信度；相應地，採用產生式規則的形式表示專家規則庫的中規則前件、規則後件、規則強度的對應關係，則理解為為：e表示每一規則的規則前件中的變量的模糊維度，h為該規則的規則後件中的結論，cf(h/e)為該規則的規則強度。另外，舉例來說，假設專家判斷濃度正常與否是通過變量x1進行的，對流量正常與否是通過變量x2進行的。專家規則庫中的每條模糊規則的形式上都如下面的規則一和規則二：規則一：if濃度偏大and流量偏小，then(假設a發生)cf(h/e)＝0.8規則二：if濃度偏小or流量偏小，then(假設b發生)cf(h/e)＝0.9其中，濃度偏大、濃度偏小、流量偏小都是模糊維度。μcf(濃度偏小)(x1)、μcf(濃度偏大)(x1)μcf(流量偏小)(x2)三個模糊維度的可信度分別通過存儲在規則庫中的根據經驗定義好的模糊隸屬度函數求得。由於規則一中前提「濃度偏大and流量偏小」是由兩個子前提的邏輯與，因此需要用可信度的邏輯與公式計算總的前提e(也就是濃度偏大and流量偏小)成立的可信度，然後通過傳遞算法，結合cf(h/e)＝0.8求得結論(假設a發生)的可信度。205、將故障結論可信度與預設閾值進行比較，根據比較結果確定是否發生故障及發生故障的概率。具體地，若故障結論可信度大於預設閾值，則確定發生故障，且將故障結論可信度作為發生故障的概率，以及根據故障結論可信度確定故障發生可能的原因；若故障結論可信度小於等於預設閾值(閾值τ可設為0.6)，則確定不發生故障，結束。本實施例的方法可以預先建立專家或操作人員的診斷經驗對應的規則庫，進而採用該規則庫中的規則及基於可信度的不確定性推理模型對當前的在線變量進行故障診斷，可使操作人員根據故障診斷結果及時調整，進而有效降低事故發生率，提高生產安全性。也就是說，利用可測過程變量在線識別生產過程的運行狀態；為實際生產操作及管理人員實時提供濃密機生產運行狀態信息，確保企業生產效率和經濟效益；在生產過程出現異常和故障時，自動追溯其原因，為操作工提供合理可靠的操作指導建議；提供實時的過程診斷和原因追溯結果，避免人工評價的滯後問題，並及時對當前生產周期過程運行狀態做出適當調整。在一種可選的實現方式中，上述的步驟201之前，圖2a所示的方法還可包括預先建立專家規則庫的步驟。在具體應用中，預先建立專家規則庫可具體為下述的步驟200a至200c：200a、離線獲取預設時間段內溼法冶金濃密機的歷史變量；200b、結合溼法冶金領域專家及相關操作人員的先驗知識、獲取多個濃密機故障診斷專家規則；200c、根據濃密機故障診斷專家規則，建立專家規則庫，如下表3所示的專家規則庫中的規則。其中，每一濃密機故障診斷專家規則包括：通過變量的模糊維度表達的規則前件、通過結論表達的規則後件、說明結論可信度的規則強度；每一個規則的規則前件、規則後件和規則強度具有對應關係；所述規則前件中的變量具有至少一個模糊維度。在一種可選的實現方式中，前述步驟204之前，所述方法還包括下述的圖中未示出的步驟：204a、判斷在線變量中多個變量是否反映同一個證據，如果是，則將反映同一個證據的多個變量的可信度進行邏輯組合；否則，執行步驟204.其中，證據為與專家規則庫中的每一規則前件對應，且屬於在線變量反映的規則前件；相應地，步驟204可具體為：基於可信度的不確定性推理模型結合專家規則庫的規則對邏輯組合的多變量的可信度進行推理分析。在實際應用中，204a中的判斷在線變量中多個變量是否反映同一個證據的步驟可具體為：查找在線變量中每一變量所匹配的規則對應在專家規則庫中的規則標識；相應地，將反映同一個證據的多個變量的可信度進行邏輯組合的步驟可具體為：將屬於同一規則標識的多個變量的可信度按照該規則標識中各個變量的邏輯組合關係進行邏輯組合。例如下述表3中，規則11中，濃度低於設定閾值且5小時前底流流量正常；其中，低於設定閾值、5小時前底流流量正常是邏輯與的關係；進而針對在線變量中的濃度的可信度與底流流量的可信度需要進行邏輯與組合。為更好的理解本發明實施例中的不確定性模型，以下結合圖2c進行簡單說明。該不確定性模型中表示不確定性時使用的符號是c(x)，區別於將可信度引入到該模型中以後，不確定性的表示符號變化為cf(x)，兩者的關係是「一般到特殊」的關係。不確定性模型定義了模型中的各種概念、描述了這些概念所帶有的不確定的程度以及不確定性的傳遞過程。在不確定性模型中，產生式規則通過if-then描述了事件「如果前提e描述的事件發生，則假設h發生」的因果關係，還通過計算因果的可信度來描述事件h最終發生的可信程度是多少。該泛化的模型中，圖2c中虛線上面的部分是描述規則庫中規則所包含的不確定性。規則庫中是很多由前提e推理得到假設h的規則。c(h/e)描述由前提推理假設成立的可信程度。這部分內容是離線建立專家規則庫時，由專家給出的信息。(這就是專家規則存在的必要性。e和h的因果關係由規則給出，而其可信程度由規則強度，也就是規則的可信度量化給出)而圖2c中虛線下部分表示該模型在推理過程中，不確定性的計算和傳遞過程。這部分是在線推理過程。e為規則中的前提，h為規則中的假設。e為觀察到的證據，h為對應h的結論，一般情況下，可以認為h和h描述的是同一件事。只是為了在該模型中類似e和e的對應關係，而存在的對應而已。對於規則庫中的規則，前提e和假設h是一組對應概念，是由專家給定的。在實際應用時，e是對規則中前提描述的e的觀察，不一定完全符合，有一定的匹配度，下述均稱為證據。在證據中，分為初始證據和中間證據。在可信度的不確定模型中，初始證據的可信度是通過「數據---模糊隸屬度函數」計算得到的模糊概念的可信度；而中間證據的可信度是有些之前推理得到的結論被重新繼續用於推理，也就是說中間證據不需要經過「數據——模糊隸屬度函數」來計算可信度。不確定性的傳遞過程就是由證據的不確定性結合規則的不確定性推理得到結論不確定性的過程，因果關係由規則確定好了，不確定性的定量計算由下述的推理分析中使用的下述的幾個算法，如cf(h/e)＝cf(h/e)×max{cf(e/e),0}得到當前證據e下，假設h的可信度。進一步地，前述的步驟204中的基於可信度的不確定性推理模型在推理分析中使用的算法了包括下述的一種或多種：第一、條件合取算法，如果前提e是n個子前提e1,e2,…,en的邏輯組合，那麼證據e分成子證據e1,e2,…,en，設e＝e1ande2…anden則cf(e/e)＝min{cf(e1/e1),cf(e2/e2),…,cf(en/en)}；第二、條件析取算法如果前提e是n個子前提e1,e2,…,en的邏輯組合，那麼證據e分成子證據e1,e2,…,en，設e＝e1ore2…oren則cf(e/e)＝max{cf(e1/e1),cf(e2/e2),…,cf(en/en)}；第三、條件求補算法cf的定義可知：即表示一個前提對某個假設有利，必然對該假設的不成立不利；第四、傳遞算法結論h的可信度由下式給出：cf(h/e)＝cf(h/e)×max{cf(e/e),0}；結果h的可信度cf(h)與cf(h/e)相同，即:cf(h)＝cf(h/e)；第五、結果組合算法對於兩個獨立證據e1和證據e2分別求出的結果h的可信度cf1(h),cf2(h)，用下式計算組合結果的可信度cf(h)；另外，需要說明的是，前提e和假設h是一組對應概念，是由專家規則庫中預先給定的。在實際應用時，e是對規則中前提描述的e的觀察，不一定完全符合，有一定的匹配度，稱為證據。而證據中，又分為初始證據和中間證據，初始證據的可信度是通過「數據---模糊隸屬度函數」計算得到的模糊概念的可信度；而中間證據的可信度是有些之前推理得到的結論被繼續用於後序步驟的推理，也就是說中間證據不需要經過「數據——模糊隸屬度函數」來計算可信度。另外，如圖2b所示，本實施例的方法可具體說明如下。第一步、離線階段，在預設時間段內溼法冶金濃密機的歷史數據中選擇可用的故障診斷變量。可理解的是，選擇可用的故障診斷變量主要是深入分析濃密機運行機理，分析主要的異常和故障。從眾多變量中找出能充分體現濃密機運行狀態的變量，以此為基礎，進行異常和故障規則的提取。本實施例中以某溼法冶金企業濃密流程作為研究對象。生產流程如圖1所示，上一級的礦漿由進料管道輸送到濃密機中，在濃密機中經過重力沉降得到的高濃度礦漿通過底流管道運輸到濃密機下緩衝槽中，之後由渣漿泵抽出送至壓濾機前緩衝槽中，以備壓濾機進行壓濾環節。其中，能反映濃密機生產狀態的直接測量變量有五個，分別是：礦漿壓力1、礦漿壓力2、中心攪拌電機電流、壓濾機前緩衝槽液位、渣漿泵電流，如表1所示。表2是一些不可直接測量但可以通過可測變量進一步分析得到的變量。表1濃密過程可測變量表可測變量符號單位礦漿壓力1、2p1兆帕中心攪拌電機電流i1安培壓濾機前緩衝槽液位l米渣漿泵電流i2安培表2濃密過程可近似反映的變量表第二步、根據上述的故障診斷變量建立濃密機故障診斷專家規則庫，並為每一條規則賦予規則強度。該步驟中建立了濃密機故障診斷專家規則庫：根據過程知識和專家經驗，總結專家對過程進行工況識別和故障診斷時的經驗，將多條規則匯總為故障診斷專家規則庫。這些規則都有不確定程度，以規則強度來表達規則的可信程度。具體地，本實施例中根據領域專家和現場操作人員的經驗、知識，總結出濃密過程故障診斷專家規則，如表3所示。其中，規則1、2為壓耙故障，3、4、5、6為冒槽故障，這兩類故障對生產的影響較大，一旦發生必須停機檢查，影響生產進行；規則7、8為底流流量故障；規則9、10、11為底流濃度故障。濃密機相關經驗規則較多，此處僅列舉部分仿真實驗可能用的規則用來診斷以下這些故障。表3濃密過程故障診斷專家規則表通常，根據專家經驗總結的專家規則也可以理解為基於可信度的濃密機故障診斷的離線建模過程。規則強度如表3右側欄的記載，規則強度的給出可以根據歷史數據的統計得到，也可以由工藝專家和操作人員根據操作經驗給出。第三步、獲取溼法冶金濃密機在預設周期內的在線變量。預設周期可為預先定義的如一小時、半小時等。這裡的在線變量可以是測量的數值，也可以不是測量的數值，採用其他方式如劃分等級方式描述的變量等。第四步、根據在線變量，確定每一變量的模糊維度；針對每一個變量及該變量的模糊維度，採用模糊隸屬度函數獲取該變量所屬模糊維度的可信度。需要說明的是，在實際應用中，專家規則庫中規則涉及的維度可能僅是偏大一個方面，故確定偏大的模糊維度之後，可獲取可信度時僅獲取偏大維度的可信度即可，減少計算偏小維度或正常維度的可信度的過程，進而減少計算複雜度。模糊隸屬度函數公式如下：其中，xmean為變量的正常範圍平均值；k為係數，一般在0.25-1.5之間。需要說明的是，通常，對於初始證據的可信度由操作人員在智能故障診斷系統運行時提供；中間證據，由前提推出的結果作為當前推理的證據，最終結論的可信度由下述基於可信度的不確定推理模型求出。一般地，初始證據可信度賦值方法是根據經驗賦值，得到的結果主觀性強。為了消除初始證據可信度賦值偏主觀的弊端，本實施例採用模糊隸屬度函數獲取初始證據的可信度。根據經驗，通過引入模糊隸屬度函數，將在線變量的可信度數值求出來。使用模糊隸屬度函數的初始證據可信度賦值的方法對規則前件中的各個模糊維度賦初始可信度。偏大和偏小的概念都是針對均值而言的，表4是各個變量的正常範圍平均值：表4變量的正常範圍平均值變量正常範圍平均值閾值中心攪拌電機電流12a/耙底壓力0.06kpa/壓濾機前緩衝槽液位/450cm底流濃度45％48％渣漿泵電流28a20a壓濾機前緩衝槽液位變化率4cm/min/由模糊隸屬度函數只能求出單一證據的可信度。當多變量反映同一證據時，需要通過不確定性推理模型中的至少一個算法計算最終證據的可信度。第五步、基於可信度的不確定性推理模型結合專家規則庫中的規則，對每一變量的可信度進行推理分析，得到故障結論可信度。在基於可信度的不確定性推理模型中，知識(即專家經驗總結的內容)是以產生式規則的形式表示的。可信度方法實際是一種部分模糊化的規則系統，即設置規則可信度的方法。知識的不確定性則是以可信度cf(h/e)表示。產生式規則的一般形式如下：ifethenhwithcf(h/e)其中，e為前提，它既可以是一個簡單前提，也可以是由多個簡單前提構成的邏輯組合；h是假設，它可以是一個或多個結論；cf(h/e)是基於所述e發生h的可信度，它表示當前提e為真時，假設h有cf(h/e)大小的可信度。證據的不確定性用證據的可信度cf(e)表示。證據的不確定性問題反映了證據被肯定的程度，當證據肯定為真時，則取cf(e)＝1；當證據肯定為假時，則取cf(e)＝-1；當對證據一無所知時，則取cf(e)＝0。針對基於可信度的不確定性推理模型中的不確定性推理計算不確定性的推理計算是指從不確定的初始證據出發，通過運用相關的不確定性知識，最終推出結論並求出結論的可信度。它所運用的算法有：(1)條件合取算法如果前提e是n個子前提e1,e2,…,en的邏輯組合，那麼證據e也就可分成相應子證據e1,e2,…,en，設e＝e1ande2…anden則cf(e/e)＝min{cf(e1/e1),cf(e2/e2),…,cf(en/en)}；(2)條件析取算法如果前提e是n個子前提e1,e2,…,en的邏輯組合，那麼證據e也就可分成相應子證據e1,e2,…,en，設e＝e1ore2…oren則cf(e/e)＝max{cf(e1/e1),cf(e2/e2),…,cf(en/en)}；(3)條件求補算法由cf的定義可知：也就是說它表明一個證據對某個假設有利，必然對該假設的不成立不利，而且對兩者的影響程度相同。(4)傳遞算法結論h的可信度由下式給出：cf(h/e)＝cf(h/e)×max{cf(e/e),0}；cf方法認為結果的可信度cf(h)與cf(h/e)相同，即:cf(h)＝cf(h/e)(5)結果組合算法在cf方法中，也稱新證據法則。對於兩個獨立證據e1和e2分別求出的結果h的可信度cf1(h),cf2(h)，用下式計算組合結果的可信度cf(h)。本實施例中的不確定性推理計算：在線應用時，採集到的數據與相關規則前件會存在匹配程度，根據基於可信度的不確定性推理模型自身的不確定性推理規則，對過程進行不確定性推理，最終得到含有不確定性的過程運行狀態識別結論或者故障診斷結論。在線實時故障診斷時，遍歷規則庫中的所有規則，推理得到相關規則的結論和可信度，當可信度大於設定的閾值時，才認可該結論描述的異常發生，否則認為沒有發生。也就是說，當結論的可信度小於閾值時，認為該規則規定的故障沒有發生，診斷過程結束。當結論的可信度大於閾值時，說明規則後件成立，即可得出故障的原因及其可信度。也就是說，判斷是否產生式規則前件中的所有證據都滿足。當前件中的證據不是都滿足時，停止推理，該規則規定的故障沒有發生。當前件中的所有證據都滿足時，結合產生式規則的規則強度，計算規則後件的可信度。以下仿真所使用數據均為某精煉廠實際運行數據，所採集的樣本中有壓濾機前緩衝槽冒槽、渣漿泵進氣、底流管道堵塞、底流濃度異常等多種故障。選取發生底流管道堵塞故障的樣本進行單故障識別的仿真驗證，結果如圖3所示。經基於可信度的不確定性推理模型進行推理計算後，只有底流管道堵塞(規則7)的規則前件被滿足，且其可信度為0.713，大於閾值0.6。故障識別結果為只有底流管道堵塞一個故障發生，診斷結果與實際現場故障相符。上述方法也可對多故障共發的情況進行識別。選取底流管道堵塞和濃度偏大兩個故障同時發生的樣本進行仿真驗證，仿真結果如圖4所示。底流管道堵塞(規則7)和濃度偏大(規則9)的規則前件同時被滿足，且其可信度分別為0.66和0.633，均大於閾值0.6。故診斷結果為底流管道堵塞和濃度偏大同時發生，故障識別結果與現場實際故障相符。很多情況下，有些故障是並發的，為了驗證該方法在多故障並發時的工況識別的有效性，選取500組樣本進行故障診斷仿真驗證。其中0-50及401-500為正常；51-150為渣漿泵進氣(規則8)；151-250為底流管道堵塞(規則7)；251-300為進料量偏大導致濃度偏大(規則10)；300-350為底流流量偏小導致濃度偏大(規則9)；350-400為濃度高流量大導致壓濾機前緩衝槽冒槽(規則6)，仿真結果如圖5所示。其中多個採樣點出現故障並發的情況。異常識別結果直觀的呈現採樣樣本的故障類型。故障診斷需要了解導致每種故障的可能原因，即故障原因追溯。由於壓濾機前緩衝槽冒槽故障一旦發生，必須停機檢查，確保生產安全，故將其歸為嚴重故障。以此為仿真對象進行研究，在對冒槽故障進行原因追溯檢測時，選取500組樣本進行仿真驗證。其中，0-425為正常狀態，426-450為濃度高流量大導致冒槽，450-475為流量大導致冒槽，476-500恢復正常狀態，如圖6所示。原因診斷結果與實際一致，只有個別樣本診斷錯誤。在故障原因追溯時，可以直觀的反應出了各個異常與閾值的相對關係，更加直觀。底流流量小和進料量大是導致濃度偏高的兩個主要原因。在使用上述方法的基於可信度的不確定性推理模型推理用於故障原因診斷的仿真中。分別使用現場工人給出的證據可信度和通過模糊隸屬度得到的證據可信度進行仿真。實驗選取500組樣本，其中，底流流量小導致濃度偏大這一故障佔200組，如圖7所示。使用誤判率和漏判率對兩種仿真進行對比，如表5所示：表5初始證據賦值方法的對比使用隸屬函數根據經驗賦值誤判率3.8％9.4％漏判率8.5％22.5％可以看出，使用隸屬函數對初始證據賦值的誤判率和漏判率明顯小於根據經驗的賦值。以上結合具體實施例描述了本發明的技術原理，這些描述只是為了解釋本發明的原理，不能以任何方式解釋為對本發明保護範圍的限制。基於此處解釋，本領域的技術人員不需要付出創造性的勞動即可聯想到本發明的其它具體實施方式，這些方式都將落入本發明的保護範圍之內。當前第1頁12