基于案例推理的湿法冶金全流程优化设定(2)

2 基于案例推理的湿法冶金全流程优化方法架构

本文提出的湿法冶金全流程优化方法包括基于案例推理的优化设定和基于规则推理的案例修正方法.当生产工况在一定范围内波动时，在湿法冶金案例库中匹配出与目标案例最为相似的源案例，如果相似度大于阈值，那么重用源案例的解，否则进行案例的在线修正，通过关联规则挖掘算法获取操作变量的设定值，并将设定值应用到生产过程中.优化设定原理如图3所示.

图3 基于数据驱动的湿法冶金全流程优化设定方法 chart of optimal setting of hydrometallurgicalwhole process based on data-driven

结合历史数据和专家经验，将典型的工况转换为案例的形式，这样湿法冶金全流程的优化设定问题就转换成案例的构造、检索、重用、修正及增删的过程.

2.1 案例库与案例描述

每一条案例至少由问题与解两部分组成，其中，问题的描述称为条件属性，解的描述称为解属性.将8个工况变量ws，Qm，Gy，wAu，wCN1，wCN2，wAu1及wAu2设置为案例的条件属性，分别用f1，f2，，f8表示.将6个浸出槽中氰化钠的添加量QCN1,1，QCN1,2，QCN1,4，QCN2,1，QCN2,2和QCN2,4以及锌粉的添加量QZn共7个变量作为案例库的解属性，分别用fs1，fs2，，fs7来表示.在案例库中，每个案例的条件属性描述为

解特征描述为

2.2 案例检索

案例检索是指根据待解决问题的描述，在案例库中寻找与该问题相同或者最相似的案例.设湿法冶金全流程当前工况的案例描述特征为F,案例库中的现有某一案例，也就是源案例，其描述特征为

F与Fk之间的相似度SIM(F，Fk)可以由式(4)表示：

式中：dm(F-Fk)表示F与Fk案例特征的马氏距离；M表示案例库数据的协方差矩阵的逆.显而易见，两个案例相似度的值在区间[0, 1]之间，SIM(F,Fk)的值越高，两个案例的相似度越高.

2.3 案例重用

一般情况下，若案例库中检索出的源案例的条件描述与当前工况条件极为相似，那么使用源案例的解属性作为目标案例的解属性.根据多次实验仿真研究，相似度阈值λ的最佳设定值为0.9.

2.4 案例在线修正与存储

当检索到的源案例与目标案例之间的相似度值小于λ时，认为源案例偏离当前的工况，所提供的解难以取得较好的控制效果，此时应该进行案例的在线修正.新的案例由目标案例的条件属性与修正获得的解属性组成，并将解属性应用到控制回路中.

3 数据处理及关联规则挖掘

由于湿法冶金各生产工序之间存在紧密耦合，各工况运行参数和各调整变量的最优设定值之间存在关联关系，利用关联规则挖掘算法可以确定各工况运行参数和各调整变量的优化设定值的关联规则.

案例修正环节就是从案例库中提取相应的规则，从而获得综合经济效益最优时各调整变量的优化设定值.

3.1 数据预处理

湿法冶金全流程的数据预处理主要包括两个部分：①湿法冶金全流程中变量多而且数据量大，因而直接剔除明显异常数据、孤立点和噪声；②由于湿法冶金全流程变量多是数值型，而关联规则算法只能接受布尔型属性变量，因此需要对数值型变量进行离散化，将连续值划分为多个不同的区间，每个区间映射成不同的布尔属性.

3.2 关联规则分析

关联分析是指发现和挖掘存在于项目集合或者事务集合之间的频繁模式或关联性.被发现的关联关系称为关联规则，通常表示为A→B(s,c)，其中，A和B为不相交的项集，s为规则的支持度，c为规则的置信度.在数据集I中，A和B为两个互不相交的集合，支持度s和置信度c分别如式(6)和式(7)所示.

式中：P是概率；A∪B是集合A和集合B的并集.

3.3 Apriori算法

Apriori算法采用了迭代的形式，先搜索出1阶候选项集C1并计算出对应的支持度，剪枝去除支持度小于最小支持度的候选集，生成1阶频繁项集L1；然后连接剩下的1阶频繁项集，生成2阶的候选项集C2，计算对应的支持度并删除小于最小支持度的候选项集，生成2阶频繁项集L2.按照上述步骤，依次迭代直到生成最大的频繁项集Lk.算法原理如图4所示.

如果频繁项集A∪B的置信度大于最小置信度，则认为关联规则A→B是强关联规则.得到强关联规则后还需要剔除冗余的规则.由于湿法冶金生产数据的检测值及对应的被控变量都是确定值，因此置信度设置成100%才能满足要求.为了获得较多的规则，经过多次试验，最小支持度设定为1%.

文章来源：《湿法冶金》 网址: http://www.sfyjzz.cn/qikandaodu/2020/1210/364.html