[發明專利]基于增量學習的重介質選煤過程安全控制貝葉斯網絡模型在線更新方法

在審

• 申請號: 202210159277.3
• 申請日: 2022-02-21
• 公開（公告）號: CN114548267A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 褚菲;鮑文超;許晨峰;毛騰;張海軍;陸寧云;何大闊
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/06;G06Q50/02
• 代理公司: 徐州市三聯專利事務所 32220
• 代理人: 張斌

1.基于增量學習的重介質選煤過程安全控制貝葉斯網絡模型在線更新方法，其特征在于：包括如下步驟：

步驟1：采集重介質選煤過程中異常工況現象變量的數據信息，并將離散化后的數據進行作為證據，輸入到已有的安全控制貝葉斯網絡模型中進行推理，利用式(1)求取與異常現象相關的操作變量X的后驗概率：

其中，x是變量X的取值，e是變量E的取值；

步驟2：根據步驟1計算的結果，遵循后驗概率最大的原則制定相應的控制決策；

步驟3：依據步驟2中的控制決策在重介質選煤過程中的實施效果，判別該安全控制決策是否合理；若不合理則轉入步驟4，否則轉入步驟9；

步驟4：利用式(2)-(3)判別是否發生新的異常工況；若未發生新的異常工況，則表明現有的安全控制貝葉斯網絡模型的結構不需要發生改變，只需更新原有模型的參數，即轉入步驟7；若發生新的異常工況，則表明現有的安全控制貝葉斯網絡模型的結構和參數都需要更新，即轉入步驟5；

其中，D_old和D_new分別表示歷史數據和新采樣數據，M_old和M_new分別表示舊數據集和新數據集的大小；n是變量的個數，r_i是變量X_i的狀態個數，q_i是變量X_i的父節點Pa(X_i)的狀態組合個數，m_ijk是變量X_i為狀態k同時其父節點在狀態j的樣本個數，是似然條件概率，m是樣本量；

若ΔScore_BIC＞ξ，則表明當前模型只需進行模型參數更新學習；若ΔScore_BIC＜ξ，則表明當前模型需要進行模型結構更新學習和參數更新學習，ξ為設定的閾值；

步驟5：采用基于增量學習的貝葉斯網絡結構更新方法更新貝葉斯網絡結構，然后轉入步驟7中；

步驟5.1：利用式(4)-(5)辨識舊模型中不適應環境變化的部分結構；

其中，Pa(X_i)表示變量X_i的父節點，＜X_i,Pa(X_i)＞表示節點X_i、其父節點Pa(X_i)以及它們之間的邊所形成的局部結構；當ΔScore(＜X_i,Pa(X_i)＞|D)＞δ時，表明節點X_i附近的局部結構無需進行結構更新，其中δ是設定的閾值；當ΔScore(＜X_i,Pa(X_i)＞|D)＜δ時，表明節點X_i附近的局部結構需要進行結構更新；

步驟5.2：根據步驟5.1辨識適應環境變化的局部結構G₀及其相應節點集V₁＝{X₁,..,X_m}，將剩余的節點記為V₂＝{X_m+1,...,X_n}；

步驟5.3：利用式(6)計算集合V₁和V₂的平均互信息，并根據互信息大小將集合V₂中的變量從大到小進行排序，排序后的集合記為V₂^*；

其中，x_i和x_j分別是變量集V₁和V₂的值；

步驟5.4：設置學習步長t，判斷V₂^*是否為空，若為空則結構更新完成，返回結構G₀；若不為空，則進行下一步；

步驟5.5：取出集合V₂^*中的前t個變量放入集合V₁中，并根據集合V₁中的變量產生數據集D_i；

步驟5.6：采用式(3)所示的BIC評分函數作為評分標準，貪婪搜索為搜索策略，G₀為初始搜索種子結構，得到本次迭代的結構G_i；

步驟5.7：將G₀替換為G_i，并返回步驟5.4；

步驟6：安全控制貝葉斯網絡模型的結構更新完成，將其代替舊模型結構，并轉入步驟7；

步驟7：利用式(7)進行安全控制貝葉斯網絡模型的參數更新學習；

其中，m^old_ijk為舊數據中變量X_i為狀態k同時其父節點在狀態j的樣本個數，m^new_ijk為新數據中變量X_i為狀態k同時其父節點在狀態j的樣本個數；當ΔScore_BIC＜ξ時，舊結構模型不用改變，因此，新的參數通過新數據信息與原始數據信息進行整合而獲得；否則，則利用新數據信息獲取貝葉斯網絡參數；

步驟8：將更新完成后的安全控制貝葉斯網絡模型代替舊模型，返回步驟1中，重新進行推理獲取安全控制決策；

步驟9：實施安全控制決策。