一种基于DCD的湿法冶金浸出过程故障诊断方法与流程

本发明属于湿法冶金浸出过程的故障诊断技术领域，尤其涉及一种基于dcd的湿法冶金浸出过程故障诊断方法。

背景技术

随着高品位矿石的逐渐减少，湿法冶金工业已经开始受到世界各国的高度重视。与传统的火法冶炼相比，湿法冶金技术具有高效、清洁、适用于低品位复杂金属矿产资源回收等优势。特别是针对我国金矿品位低，复杂共生，杂质含量高的特点，湿法冶金工艺工业化对于提高金矿的综合利用率，降低固体废弃物产量，减少环境污染，都有着重大意义。面对湿法冶金这样复杂的工业过程，其间某一环节出现了异常或者故障现象除对整个的工艺流程造成巨大的生产和经济损失外，同时易导致安全事故的发生。因此，对湿法冶金过程进行有效的故障诊断具有重大的实际意义。本文以湿法冶金的浸出过程为研究背景，对浸出工艺过程进行实时监测和故障诊断。湿法冶金浸出过程工艺流程图如图3所示。

氰化浸出工序是决定最终黄金产量的重要生产过程之一。将浮选后的矿浆送往氰化浸出工序，同时向每个浸出槽内添加氰化钠并充入空气，使金与所添加试剂充分反应。其中，氰化钠是湿法冶金的重要反应试剂，充入的空气则为反应提供搅拌动力和适当的氧化还原电位，推进反应进行。另外，为防止氰化钠发生水解，放出剧毒的氰化氢气体，需要向矿浆中添加氧化钙以调节ph值。

合理的湿法冶金工艺流程是确保矿石中金有效回收利用、企业获得高收益回报的基本前提。然而，在实际生产过程受到外部环境干扰及不确定因素的影响时，操作变量(如，氰化钠流量，锌粉流量等)将逐渐偏离生产初期设定的正常工作范围，导致过程运行中异常现象的发生，进而导致运行过程出现故障。由于黄金的经济价值极高，及时发现并合理地处理湿法冶金过程出现的故障情况对于提高企业生产效率和经济效益、减少安全隐患具有重要的实际意义。

在国外，大规模处理低品位有色金属资源的技术已相当成熟。尽管我国在湿法冶金工艺方面并不落后国外，但与之相适应的自动控制技术与国外相比差距较大。显然，随着矿物资源的需求却不断地增加，仅仅依靠改进工艺来提高湿法冶金经济技术指标和经济效益变得极为困难。在可持续发展的战略方针指引下，为了经济有效地利用低品位有色金属矿物资源，如何处理湿法冶金过程中出现的故障成为现阶段研究的重点。传统的湿法冶金过程故障诊断技术主要是以pca为代表的基于数据定量分析的方法，这种方法主要依赖于过程数据。而湿法冶金过程相对复杂，过程参数较多且含有许多难以直接测量的变量，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。而采用动态因果图这种将定性与定量信息相结合的方法则可以在一定程度上避免这样的问题，因果图主要依靠过程机理和变量之间的因果关系来建立模型进行故障诊断，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。

技术实现要素：

(一)要解决的技术问题

针对现存在的技术问题，本发明提供一种基于dcd的湿法冶金浸出过程故障诊断方法，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

为了达到上述目的，本发明采用的主要技术方案包括：一种基于dcd的湿法冶金浸出过程故障诊断方法，其包括以下步骤：

步骤a：建立诊断对象的dcd知识库模型，其中包括基本事件与中间事件变量的选取与定义、变量间因果关系的连接与建立、各变量所需各种参数的设定；

步骤b：通过实际过程中采集到的实时运行数据对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，则启动推理过程进行推理计算与分析，根据定量的概率数值得到推理结果。

优选的，在步骤a中，包括浸出过程dcd事件确定，明确湿法冶金浸出过程所涉及的事件变量；

在确定浸出过程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，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。

优选的，在步骤a中还包括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，并基于互信息的因果图结构学习算法确定各变量之间的因果关系来建立因果图模型。

优选的，所述因果图结构学习算法为：

因果图结构学习算法基本思路是基于专家经验以及给定样本数据，通过条件独立性测试，将因果图的完全潜在图进行边删除操作得到一个最优的因果图无向潜在图，再由变量之间的因果关系，确定变量之间有向边的指向，得到最终的因果图；

在给定节点变量集的情况下，任何两个节点变量x和y之间的条件独立性可以通过概率表中的边缘概率和条件概率来判断，而概率表可以通过给定的数据集直接计算得出；

并给出两个如下定义：

定义1：由因果图任意两个节点之间的无向边构成的因果图模型，称为因果图的完全潜在图；

定义2：如果变量x、y和变量集z之间存在以下关系：p(x|z)＝p(x|y，z)，即在变量集z已知的条件下，变量y的状态和概率不会影响变量x的状态，称为在给定z的前提下，x条件独立于y，记为i(x⊥y|z)；

用互信息来表达因果图节点之间的因果关系强度，两个离散随机变量x和y具有联合概率函数p(x,y)和边缘概率函数p(x)、p(y)，则其平均互信息i(x,y)定义为：

同样，条件互信息i(x,y|z)定义为：

在利用因果图结构学习算法时，先假设所有的节点之间存在连接，节点x和y之间因果关联存在与否采用条件互信息来判断；

在通常情况下，设定一个正实数的阈值ε，当i(x,y|z)≤ε时，表示在给定z的条件下，x条件独立于y，即x与y之间不存在因果关系，从而删除x与y之间的连接；

经过n(n-1)/2次ci测试，最后由完全潜在图修剪成稀疏的理想潜在因果图。

优选的，所述因果图结构学习算法的实现步骤为：

步骤a：初始化因果图的完全潜在图

根据给定的具体问题和过程数据，建立完全连接图，即假设任意两个变量之间都存在依赖关系，用连接边表示变量之间的因果关联性，则构成完全潜在图pdcd；

步骤b：融合专家知识

根据专家经验及先验知识，确定因果图完全潜在图中明确不具有因果关系的节点变量，对这些节点之间的无向边进行删除操作，得到相对稀疏的因果图潜在图；

步骤c：潜在图修剪

对步骤b得到的潜在图进行ci测试，若ci测试为真值，即i(x,y|z)≤ε，删除对应两个节点变量之间的无向边，否则保留，直到所有变量之间的ci测试结束，得到理想潜在因果图ddcd；

步骤d：将无向图转化为因果图

根据实际过程机理以及专家知识，确定变量之间的因果关系，将最优的无向潜在图转化为具有有向边的因果图。

优选的，在步骤a中还包括dcd参数学习，dcd参数学习包括以下步骤：

步骤1：基本事件概率获取

湿法冶金浸出过程中存在不能直接测量的基本事件变量，因此这类基本事件概率主要依据专家及现场人员根据过程工艺机理及经验直接给出，并且此类基本事件概率的获取需要综合所有专家的知识经验，得出因果图基本事件概率；

同时，湿法冶金浸出过程中也存在测量的基本事件变量，此类基本事件概率值可以通过分析过程数据获取；

基本事件变量状态的概率，如是变量bi的所有可能状态中的的概率值，假设收集了ni条样本历史数据，其中有个样本处于变量bi的第k个状态，即变量bi的第k个状态发生，则有

步骤2：连接事件概率获取

连接事件的概率值表示变量vi第ki个状态导致变量vj第kj个状态发生的概率值，同理于步骤1，一方面可以通过专家及现场人员根据过程工艺机理及经验直接给出，另一方面可以通过过程数据分析获取；

假设收集了足够的vi和vj的数据，其中发生的数据样本数量为与同时发生的数据样本数量为则有

优选的，在获取连接概率的基础上通过参数估计方法得到准确的连接事件概率值，其具体包括以下步骤：

步骤a：连接强度参数的先验分布

对于任意给定的结果节点y，设它有m种状态yj(j＝1,2,l,m)，n个原因节点xk(k＝1,2,ln)，xk有mk种状态，第k个原因节点的第i(i＝1,2,l,mk)个状态与结果节点y的第j个状态之间的连接事件为的概率值即连接强度θij＝(θij1,θij2,l,θijn)，j＝1,2,l,m；

在因果图中，所有基本事件和连接事件相互独立，可以证明当实例数据完备时，参数θij的后验分布也相互独立，据此可以独立计算各参数的后验分布，并可用后验分布分别进行参数估计；

在实际应用时，参数θij的先验分布可由领域专家给出，如果领域专家未给出，可以选用具有共轭性的dirichlet分布作为其先验分布，即

其中λk∈(0,1](k＝1,2,∧,n)表示原因节点与结果节点之间的相关度，即原因节点的任一状态导致结果节点发生的可能性相等，它的概率都等于λk，而与节点状态无关，称为结果节点的归一化常数；

步骤b：连接强度参数的后验分布

由于

p(θij|d)＝p(d|θij)p(θij)

而在参数θij已知时，数据样本服从多项式分布，即

其中nijk表示实例数据集d中满足且y＝yi的实例样本个数，即原因为第k个节点第i个状态时，结果节点为第j个状态时实例样本数，结合上面两个公式可以得到

步骤c：连接事件概率值

由前面可知θij的后验分布也是狄利克雷分布，从而连接强度参数可用后验分布的数学期望表示，即

因此，如果各原因节点与结果节点之间的相关度λk已知，用已知实例数据集d，通过上面的公式可求得连接强度参数θijk的估计。

优选的，在步骤b中包括dcd在线过程故障诊断

在线故障诊断时，通过实时监测过程变量，判断变量是否进入异常状态，如有变量异常状况发生则进入故障推理机制，诊断当前故障的发生原因，此过程的具体步骤如下：

步骤1)通过因果图结构学习算法以及参数学习算法获取因果图模型结构与参数，完成因果图浸出过程故障诊断模型的建立；

步骤2)实时监测过程变量，通过比较变量是否超出正常范围判断变量是否发生异常若有变量发生异常，将其作为证据e；

步骤3)将证据e以及相关因果图参数代入因果图推理计算过程，求节点事件的最终割集表达式css-f和不交化割集表达式dcss-f，依据贝叶斯定理，计算各可能故障原因的后验概率p(a/b)：

步骤4)比较各故障原因后验概率，可认为后验概率最大者即为故障原因。

(三)有益效果

本发明的有益效果是：

1)利用专家知识和过程数据获取因果图知识库和因果图推理模型，为获得准确可靠的故障诊断结果提供保障；

2)利用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，减小误差，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浸出过程的故障诊断；

3)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。再利用dcd参数估计算法得到更为准确的连接事件概率值。在这一过程中，此技术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。

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为本发明具体实施方式提供的湿法冶金浸出过程工艺流程图；

图2为本发明具体实施方式提供的氧气浓度与氰根离子浓度对溶金速率的影响示意图；

图3为本发明具体实施方式提供的nacn浓度对浸出速率的影响示意图；

图4为本发明具体实施方式提供的浸出过程因果图无向潜在图；

图5为本发明具体实施方式提供的浸出过程因果图；

图6为本发明具体实施方式提供的相关因果图示例图；

图7为本发明具体实施方式提供的dcd故障诊断步骤示意图；

图8为本发明具体实施方式提供的ph值异常状况下条件概率示意图；

图9为本发明具体实施方式提供的ph值异常状况下实时诊断结果图；

图10为本发明具体实施方式提供的氰根离子浓度异常状况下条件概率示意图；

图11为本发明具体实施方式提供的氰根离子浓度异常状况下实时诊断结果图；

图12为本发明具体实施方式提供的空气流量及氧气浓度异常状况下条件概率示意图；

图13为本发明具体实施方式提供的空气流量及氧气浓度异常状况下实时诊断结果图。

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dcd(dynamiccausalitydiagram，动态因果图)的湿法冶金浸出过程故障诊断方法，包括以下步骤：

步骤a：建立诊断对象的dcd知识库模型，具体的，通过提取专家知识和过程数据中的信息作为先验信息建立动态因果图知识库，其中包括基本事件与中间事件变量的选取与定义、变量间因果关系的连接与建立、各变量所需各种参数的设定；

步骤b：通过实际过程中采集到的实时运行数据对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，则启动推理过程进行推理计算与分析，根据定量的概率数值得到推理结果。

(1)浸出过程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，首先明确湿法冶金浸出过程所涉及的事件变量。在确定浸出过程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。

在分析浸出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浸出过程的9个监测变量与10个故障原因变量作为浸出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

(2)dcd结构学习

本发明利用基于互信息的结构学习方法确定各变量之间的因果关系来建立因果图模型。传统因果图的建立主要依靠专家及现场人员的经验知识获取各变量之间的因果关系，对于像湿法冶金过程这样的复杂工业过程来说，过程变量多且变量间因果关系十分复杂，仅仅依靠经验知识来确定因果图各变量之间的因果关系存在较大不确定性，进而会导致因果图故障诊断的结果产生偏差，因此本发明提出用一种因果图结构学习算法来减小误差。

1)算法基本原理

因果图结构学习算法基本思路是基于专家经验以及给定样本数据，通过条件独立性(ci)测试，将因果图的完全潜在图进行边删除操作得到一个最优的因果图无向潜在图，最后再由变量之间的因果关系，确定变量之间有向边的指向，得到最终的因果图。在给定节点变量集的情况下，任何两个节点变量x和y之间的条件独立性可以通过概率表中的边缘概率和条件概率来判断，而概率表可以通过给定的数据集直接计算得出。这里给出两个定义如下：

定义1：由因果图任意两个节点之间的无向边构成的因果图模型，称为因果图的完全潜在图(potentialdynamiccausalitydiagram，pdcd)。

定义2：如果变量x、y和变量集z之间存在以下关系：p(x|z)＝p(x|y，z)，即在变量集z已知的条件下，变量y的状态和概率不会影响变量x的状态，称为在给定z的前提下，x条件独立于y，记为i(x⊥y|z)。

这里用互信息来表达因果图节点之间的因果关系强度。根据信息论，两个离散随机变量x和y具有联合概率函数p(x,y)和边缘概率函数p(x)、p(y)，则其平均互信息i(x,y)定义为：

同样，条件互信息i(x,y|z)定义为：

在利用因果图结构学习算法时，先假设所有的节点之间存在连接，节点x和y之间因果关联存在与否采用条件互信息来判断。在通常情况下，设定一个较小正实数的阈值ε，当i(x,y|z)≤ε时，表示在给定z的条件下，x条件独立于y，即x与y之间不存在因果关系，从而删除x与y之间的连接。最多经过n(n-1)/2次ci测试，最后由完全潜在图修剪成稀疏的理想潜在因果图(desireddynamiccausalitydiagram，ddcd)。

2)算法实现步骤

a)初始化因果图的完全潜在图

根据给定的具体问题和过程数据，建立完全连接图，即假设任意两个变量之间都存在依赖关系，用连接边表示变量之间的因果关联性，则构成完全潜在图pdcd；

b)融合专家知识

根据专家经验及先验知识，确定因果图完全潜在图中明确不具有因果关系的节点变量，对这些节点之间的无向边进行删除操作，得到相对稀疏的因果图潜在图；

c)潜在图修剪

对步骤b)得到的潜在图进行ci测试，若ci测试为真值，即i(x,y|z)≤ε，删除对应两个节点变量之间的无向边，否则保留，直到所有变量之间的ci测试结束，得到理想潜在因果图ddcd；

d)将无向图转化为因果图

根据实际过程机理以及专家知识，确定变量之间的因果关系，将最优的无向潜在图转化为具有有向边的因果图。

3)浸出过程因果图

通过前面的分析已经确定浸出过程因果图的各节点事件与基本事件，利用因果图结构学习算法来确定最终的浸出过程因果图。

首先将所有的事件构成一个浸出过程的完全潜在因果图并根据专家和现场人员经验对完全潜在图中不具有因果关系的节点之间的连接边进行删除并构成初步的因果图的无向潜在图如图4所示。

由图4可知，经过修剪的完全潜在图还存在不确定关系，即变量x5与b6、x6与x0、x8与x0之间是否存在直接的因果图关系。因此通过进行ci测试来确定其因果关系。经计算，判定变量x5与b6之间存在因果关系，即氰化钠储槽液位的变化会影响到氰化钠的添加量；而变量x6、x8与x0之间并无直接的因果关系，即矿浆的输入流量大小与矿浆ph值不会直接影响进出率的大小。通过对因果图完全潜在图的修剪，得到最终的最优潜在图，并且通过过程机理及专家知识确定有向边的指向，将潜在图转换为最终的因果图如图5所示。

(3)dcd参数学习

本发明针对可测量和不可测量事件分别进行事件概率值的确定。针对不可测量事件的概率值主要依据专家经验确定，针对可测量事件的概率值主要分析过程数据来确定，并在此基础上利用参数估计算法对连接事件概率值进行进一步精确。由于湿法冶金过程参数众多以及变量之间关系复杂，导致专家难以直接给出较为准确的模型参数，模型参数依靠单一的专家知识是不完整的，最直接的后果就是导致诊断结果的不准确。因此，本发明将专家经验与过程数据进行更加有效地结合，从而获得更加准确的参数，建立更加准确的故障诊断模型。

1)基本事件概率获取

湿法冶金浸出过程中风机发生故障的概率、空气阀门损坏的概率等此类故障不能直接测量，因此这类基本事件概率的获取主要依据专家及现场人员根据过程工艺机理及经验直接给出。湿法冶金过程系统庞大，不同专家擅长的领域有所差别，因此此类基本事件概率的获取需要综合所有专家的知识经验，从而给出较为合理的因果图基本事件概率。

同时，湿法冶金浸出过程中也存在可以测量的基本事件变量，例如调浆水流量等，此类基本事件事件概率值可以通过分析过程数据获取。基本事件变量状态的概率，例如表示变量bi的所有可能状态中的的概率值。假设收集了ni条样本历史数据，其中有个样本处于变量bi的第k个状态，即变量bi的第k个状态发生，则有

2)连接事件概率获取

连接事件的概率值表示变量vi第ki个状态导致变量vj第kj个状态发生的概率值。同理于1)，一方面可以通过专家及现场人员根据过程工艺机理及经验直接给出，另一方面可以通过过程数据分析获取。

假设收集了足够的vi和vj的数据，其中发生的数据样本数量为与同时发生的数据样本数量为则有

在实际应用中，专家通常是给出的是每个原因对中间变量的直接因果强度，而不是信度网中复杂的条件概率表，他们在考虑某个原因对结果的影响时甚至他们并没有意识到其它原因的存在，这符合专家的思维。同时，以上因果图连接事件概率值主要依据相关工程领域专家根据经验知识结合一部分可以利用过程数据分析得到，但由于没有有效地将专家知识和现场数据融合，得到的因果图事件概率值也存在误差。接下来，本发明通过参数估计方法在此基础上得到更为准确的因果图参数。

a)连接强度参数的先验分布

对于任意给定的结果节点y，设它有m种状态yj(j＝1,2,∧,m)，n个原因节点xk(k＝1,2,∧n)，xk有mk种状态，第k个原因节点的第i(i＝1,2,∧,mk)个状态与结果节点y的第j个状态之间的连接事件为的概率值即连接强度θij＝(θij1,θij2,∧,θijn)，j＝1,2,∧,m。在因果图中，所有基本事件和连接事件相互独立，可以证明当实例数据完备时，参数θij的后验分布也相互独立，据此可以独立计算各参数的后验分布，并可用后验分布分别进行参数估计。

在实际应用时，参数θij的先验分布可由领域专家给出，如果办不到，可以选用具有共轭性的dirichlet分布作为其先验分布^[45]，即

其中λk∈(0,1](k＝1,2,∧,n)表示原因节点与结果节点之间的相关度，即原因节点的任一状态导致结果节点发生的可能性相等，它的概率都等于λk，而与节点状态无关。称为结果节点的归一化常数。在实际应用时，各原因节点与结果节点之间的相关度λk一般由专家给出。

这里以一个简单的例子说明相关度。如图6所示的因果图结构中，x1、x2为原因事件节点，y为结果事件节点，x1、x2均有两个状态，y有三个状态。则在专家给定概率的时候要求相关度λk为常数(一般指定λk为1)可以理解为：

例如：

λ1＝0.1+0.2+0.3＝0.6

λ1＝0.15+0.25+0.2＝0.6

λ1＝0.25+0.35+0.2＝0.8

λ1＝0.3+0.25+0.25＝0.8

b)连接强度参数的后验分布

由于

p(θij|d)＝p(d|θij)p(θij)(7)

而在参数θij已知时，数据样本服从多项式分布，即

其中nijk表示实例数据集d中满足且y＝yi的实例样本个数，即原因为第k个节点第i个状态时，结果节点为第j个状态时实例样本数，结合上面两个公式可以得到：

c)连接事件概率值

由前面可知θij的后验分布也是狄利克雷(dirichlet)分布，从而连接强度参数可用后验分布的数学期望表示，即

因此，如果各原因节点与结果节点之间的相关度λk已知(由领域专家给出)，用已知实例数据集d，通过上面的公式可求得连接强度参数θijk的估计。

(4)dcd在线过程故障诊断

在线故障诊断时，通过实时监测过程变量，判断变量是否进入异常状态，如有变量异常状况发生则进入故障推理机制，诊断当前故障的发生原因。

采用dcd进行在线故障诊断步骤如图7所示：

1)通过因果图结构学习算法以及参数学习算法获取因果图模型结构与参数；

2)实时监测过程变量，通过比较变量是否超出正常范围判断变量是否发生异常，若有变量发生异常，将其作为证据e；

3)将证据e以及相关因果图参数代入因果图推理计算过程，求节点事件的最终割集表达式css-f和不交化割集表达式dcss-f，依据贝叶斯定理，计算各可能故障原因的后验概率p(a/b)；

4)比较各故障原因后验概率，可认为后验概率最大者即为故障原因。

本发明采用的装置包括湿法冶金浸出过程故障诊断系统、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浸出过程故障诊断系统，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，传送给湿法冶金浸出过程故障诊断系统，进入推理机制，诊断出故障原因。

本发明所提供的基于dcd的湿法冶金浸出过程的故障诊断技术包括：(1)浸出过程dcd事件确定、(2)dcd结构学习、(3)dcd参数学习、(4)dcd在线过程故障诊断等步骤。

基于dcd的湿法冶金浸出过程故障诊断方法主要面向浸出工序，过程检测系统主要由浓度检测、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simens400系列的cpu414-2，具有profibusdp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。

ph值是通过北京矿冶研究总院研制的bphm-ii型酸度计进行ph值在线检测，将溶液ph值的变化转化为mv信号的变化。玻璃电极ph测量系统将一支对于ph敏感的玻璃膜的玻璃管端部吹成泡状，管内充填有含饱和agcl的3mol/lkcl缓冲溶液，ph值为7。存在于玻璃膜二面的反映ph值的电位差用ag/agcl传导系统，导出电位差，然后用ma采集仪器将ma数换算成ph值显示出来。

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。

上位机选用i7联想计算机，采用windowxp操作系统。

plc信号传送软件是采用c#2008编程软件。

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过程故障诊断系统进行在线故障诊断。

第一步、浸出过程dcd事件确定：首先明确湿法冶金浸出过程所涉及的事件变量。在确定浸出过程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。

第二步、dcd结构学习：本发明基于专家经验以及给定样本数据，通过条件独立性(ci)测试，将因果图的完全潜在图进行边删除操作得到一个最优的因果图无向潜在图，最后再由变量之间的因果关系，确定变量之间有向边的指向，得到最终的因果图。在给定节点变量集的情况下，任何两个节点变量x和y之间的条件独立性可以通过概率表中的边缘概率和条件概率来判断，而概率表可以通过给定的数据集直接计算得出。

第三步、dcd参数学习：因果图的参数主要包括基本事件与连接事件的先验概率值。

在基本事件概率值获取过程中，针对不能直接测量基本事件的概率值，主要依据专家及现场人员根据过程工艺机理及经验直接给出。湿法冶金过程系统庞大，不同专家擅长的领域有所差别，此类基本事件概率的获取需要综合所有专家的知识经验。同时，针对可以测量基本事件的概率值，可以通过分析过程数据获取其发生概率值。

在连接事件概率值获取过程中，首先依据相关工程领域专家根据经验知识结合一部分可以利用过程数据分析得到初步的概率值，接下来，通过参数估计方法在此基础上得到更为准确的连接事件概率值。

第四步、dcd在线过程故障诊断：在线故障诊断时，通过实时监测过程变量，通过实际过程中采集到的实时运行数据对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，则启动推理过程进行推理计算与分析，根据定量的概率数值得到推理结果。

所用数据是从某高铜矿氰化浸出仿真平台中采集1000组样本数据，利用本发明的因果图参数学习算法，对采集到的历史生产数据分析学习后，确定浸出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浸出过程基本事件概率

表3(a)x3x6x8连接事件概率

表3(b)x5x7连接事件概率

表3(c)x1x4连接事件概率

表3.3(d)x0x2连接事件概率

下面对浸出过程几个常见的异常现象进行诊断分析。

(1)ph值异常诊断分析

采集了200组样本，并且从第100个样本的采样时刻开始监测到ph值x8异常降低，即证据e＝x8。首先计算出对应的割集表达式css-f和dcss-f分别如下：

由前面建立的浸出过程因果图可知，可能导致ph值异常的根原因变量有b7、b8、b9和b10，按照因果图故障诊断步骤，将前面的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8所示。

根据图8的条件概率值对比我们可以判断出引起ph值异常低的原因为b9，即添加石灰乳的蠕动泵发生故障。通过实际情况分析可知，蠕动泵无法正常工作，石灰乳无法按照设定值添加，导致石灰乳的添加量异常降低，由于其他混合液的添加量不变，从而导致ph值异常降低。ph值异常的实时诊断结果如图9所示，其中横坐标表示采样时刻，纵坐标表示浸出过程10个常见故障原因。从图9分析可得，在第101个采样时刻开始监测到ph值发生异常，立即启动诊断过程，诊断出故障源为b9。

(2)氰根离子浓度异常诊断分析

采集了200组样本，从第120个样本的采样时刻开始监测到氰根离子浓度x2异常降低，即证据e＝x2。首先计算出对应的割集表达式css-f和dcss-f分别如下：

由浸出过程因果图可知，可能导致氰根离子浓度异常的根原因变量有b4、b5、b6、b7和b8，按照因果图故障诊断步骤，将前面的相关变量参数代入推理过程计算各基本事件的条件概率如图10所示。

根据得到的条件概率值对比我们可以判断出引起氰根离子浓度异常低的原因为b7，即浸出过程矿石来料过大。石来料过大直接导致了浸出槽矿浆输入流量异常增大，在nacn添加量保持恒定时，必然导致矿浆中氰根离子浓度异常下降。实时诊断结果如图11所示。

(3)空气流量及氧气浓度异常诊断分析

采集了200组样本，并且从第100个样本的采样时刻开始监测到空气流量x4异常降低，并且从第120个样本的采样时刻开始监测到氧气浓度x1也开始异常降低，分别对当e1＝x4和e2＝x1x4的情况下进行故障诊断。对应割集表达式css-f和dcss-f分别如下：

css-f

dcss-f

由浸出过程因果图可知，可能导致氧气流量异常的根原因节点有b1，b2和b3导致氧气浓度异常的根原因节点有b1、b2、b3、b7和b8。将概率值分别代入证据e1和e2下计算条件概率值如图12所示。

由证据e1下的条件概率值可以首先判断出引起空气流量异常降低的根节点为b1，即风机发生故障，导致通入浸出槽的空气流量下降。接下来由于空气流量的异常降低，开始监测到氧气浓度的异常降低，空气流量和矿浆氧气浓度同时降低，即当证据e2＝x1x4时，再次进行推理计算，由证据e2下的条件概率值同样诊断出故障为b1，并且相对于初始证据e1下的诊断结果更加准确，实时诊断结果如图13所示。

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。