湿法冶金

变量编码	状态
X₀	浸出率(异常)
X₁	氧气浓度(0正常,1异常)
X₂	氰根离子浓度(0正常,1异常)
X₃	矿浆浓度(0正常,1异常)
X₄	空气流量(0正常,1异常)
X₅	氰化钠添加量(0正常,1异常)
X₆	矿浆输入流量(0正常,1异常)
X₇	空气管道压力(0正常,1异常)
X₈	pH(0正常,1异常)
B₁	风机故障(0正常,1异常)
B₂	通风管道故障(0正常,1异常)
B₃	空气调节阀故障(0正常,1异常)
B₄	电脑加药机故障(0正常,1异常)
B₅	软管泵故障(0正常,1异常)
B₆	氰化钠流量计故障(0正常,1异常)
B₇	矿石来料故障(0正常,1异常)
B₈	调浆水流量故障(0正常,1异常)
B₉	添加氰化钠蠕动泵故障(0正常,1异常)
B₁₀	石灰乳调节阀故障(0正常,1异常))

变量编码	状态
X₀	浸出率(异常)
X₁	氧气浓度(0正常,1异常)
X₂	氰根离子浓度(0正常,1异常)
X₃	矿浆浓度(0正常,1异常)
X₄	空气流量(0正常,1异常)
X₅	氰化钠添加量(0正常,1异常)
X₆	矿浆输入流量(0正常,1异常)
X₇	空气管道压力(0正常,1异常)
X₈	pH(0正常,1异常)
B₁	风机故障(0正常,1异常)
B₂	通风管道故障(0正常,1异常)
B₃	空气调节阀故障(0正常,1异常)
B₄	电脑加药机故障(0正常,1异常)
B₅	软管泵故障(0正常,1异常)
B₆	氰化钠流量计故障(0正常,1异常)
B₇	矿石来料故障(0正常,1异常)
B₈	调浆水流量故障(0正常,1异常)
B₉	添加氰化钠蠕动泵故障(0正常,1异常)
B₁₀	石灰乳调节阀故障(0正常,1异常))

变量编号	故障	概率区间
B₄	电脑加药机	[0.013 0,0.013 0]
B₅	软管泵故障	[0.010 0,0.010 0]
B₆	氰化钠流量计	[0.005 0,0.008 0]
B₇	矿石来料	[0.140 0,0.200 0]
B₈	调浆水流量	[0.011 0,0.011 0]

变量编号	故障	概率区间
B₄	电脑加药机	[0.013 0,0.013 0]
B₅	软管泵故障	[0.010 0,0.010 0]
B₆	氰化钠流量计	[0.005 0,0.008 0]
B₇	矿石来料	[0.140 0,0.200 0]
B₈	调浆水流量	[0.011 0,0.011 0]

变量编号	X₂	X₅	X₆
X₅	[0.570 0,0.600 0]	—	—
X₆	[0.440 0,0.510 0]	—	—
B₄	—	[0.500 0,0.500 0]	—
B₅	—	[0.520 0,0.520 0]	—
B₆	—	[0.200 0,0.250 0]	—
B₇	—	—	[0.570 0,0.610 0]
B₈	—	—	[0.550 0,0.550 0]

变量编号	X₂	X₅	X₆
X₅	[0.570 0,0.600 0]	—	—
X₆	[0.440 0,0.510 0]	—	—
B₄	—	[0.500 0,0.500 0]	—
B₅	—	[0.520 0,0.520 0]	—
B₆	—	[0.200 0,0.250 0]	—
B₇	—	—	[0.570 0,0.610 0]
B₈	—	—	[0.550 0,0.550 0]

条件概率	概率区间	信任度	加权条件概率	单值条件概率
$Pr\left\{E\right\}$	[0.043 0,0.078 1]	—	—	0.041 0
$Pr\left\{{B}_{4}\left\|E\right.\right\}$	[0.103 5,0.239 5]	0.6	0.052 5	0.089 8
$Pr\left\{{B}_{5}\left\|E\right.\right\}$	[0.010 0,0.010 0]	0.5	0.050 5	0.071 4
$Pr\left\{{B}_{6}\left\|E\right.\right\}$	[0.005 0,0.008 0]	0.2	0.014 8	0.016 7
$Pr\left\{{B}_{7}\left\|E\right.\right\}$	[0.492 1,1.000 0]	0.8	0.897 8	0.795 8
$Pr\left\{{B}_{8}\left\|E\right.\right\}$	[0.011 0,0.011 0]	0.5	0.046 7	0.048 2

条件概率	概率区间	信任度	加权条件概率	单值条件概率
$Pr\left\{E\right\}$	[0.043 0,0.078 1]	—	—	0.041 0
$Pr\left\{{B}_{4}\left\|E\right.\right\}$	[0.103 5,0.239 5]	0.6	0.052 5	0.089 8
$Pr\left\{{B}_{5}\left\|E\right.\right\}$	[0.010 0,0.010 0]	0.5	0.050 5	0.071 4
$Pr\left\{{B}_{6}\left\|E\right.\right\}$	[0.005 0,0.008 0]	0.2	0.014 8	0.016 7
$Pr\left\{{B}_{7}\left\|E\right.\right\}$	[0.492 1,1.000 0]	0.8	0.897 8	0.795 8
$Pr\left\{{B}_{8}\left\|E\right.\right\}$	[0.011 0,0.011 0]	0.5	0.046 7	0.048 2

方法	故障诊断准确率/%
本方法	100	100
文献[21]	98.20	98.22
传统动态因果图方法	93.40	93.50

方法	故障诊断准确率/%
本方法	100	100
文献[21]	98.20	98.22
传统动态因果图方法	93.40	93.50

基于改进动态因果图的湿法冶金浸出过程故障诊断方法研究

PDF下载

薛海莉 ¹ , 李晓敏 ²

湿法冶金 | 试验研究 2024,43(2): 201-205

收起

湿法冶金 | 试验研究 2024, 43(2): 201-205

基于改进动态因果图的湿法冶金浸出过程故障诊断方法研究

全屏

薛海莉¹, 李晓敏²

作者信息

¹ 新乡职业技术学院, 河南新乡 453006

² 河南科技学院, 河南新乡 453003

薛海莉(1981—),女,本科,讲师,主要研究方向为计算机模拟。

通讯作者:

李晓敏(1984—),女,博士,副教授,主要研究方向为计算机仿真。E-mail:xhli310@126.com。

Fault Diagnosis Method for Hydrometallurgical Leaching Process Based on Improved Dynamic Causal Diagram

Haili XUE¹, Xiaomin LI²

Affiliations

¹ Xinxiang Vocational and Technical College, Xinxiang 453006, China

² Henan Institute of Sciene and Technology, Xinxiang 453003, China

出版时间: 2024-04-20 doi: 10.13355/j.cnki.sfyj.2024.02.015

文章导航

摘要

收起

针对现有湿法冶金工艺机制复杂和浸出工艺故障诊断方法存在精度较差等问题,研究了用改进的动态因果图诊断湿法冶金浸出工艺故障,主要通过二元区间数对动态因果图进行优化改进,并对条件概率上下限进行加权,实现湿法冶金浸出工艺故障诊断。结果表明:该故障诊断方法相较于常规方法,故障诊断准确率更高,能对浸出工艺的故障进行较准确的诊断。

关键词

湿法冶金 / 浸出 / 故障诊断 / 动态因果图 / 二元区间数

Abstract

收起

Aiming at the complexity of existing hydrometallurgical process mechanism and the poor accuracy of existing leaching process fault diagnosis methods, an improved dynamic causal diagram was studied to diagnose hydrometallurgical leaching process faults. The dynamic causal diagram was optimized and improved mainly by binary interval number, and the upper and lower limit of conditional probability were weighted to realize the fault diagnosis of hydrometallurgical leaching process. The results show that the fault diagnosis method is more accurate than the conventional method, and can diagnose the faults of leaching process more accurately.

Key words

hydrometallurgy / leaching process / fault diagnosis / dynamic causal diagram / binary interval number

引用本文

薛海莉, 李晓敏. 基于改进动态因果图的湿法冶金浸出过程故障诊断方法研究. 湿法冶金, 2024 , 43 (2) : 201 -205 . DOI: 10.13355/j.cnki.sfyj.2024.02.015

Haili XUE, Xiaomin LI. Fault Diagnosis Method for Hydrometallurgical Leaching Process Based on Improved Dynamic Causal Diagram[J]. Hydrometallurgy of China, 2024 , 43 (2) : 201 -205 . DOI: 10.13355/j.cnki.sfyj.2024.02.015

正文

收起

湿法冶金是一个连续的金属提取或回收过程,其中的浸出工序最为关键,是后续工序的基础,一旦疏于检查发生故障,有可能影响整个工艺流程,因此,对浸出过程进行故障诊断具有重要意义^[1-3]。目前,湿法冶金浸出过程进行故障诊断方法主要有3种:基于数据驱动方法、基于解析模型方法和基于知识的故障树和动态因果图方法。其中应用最为广泛的是基于知识的故障树和动态因果图方法^[4-10]。但传统的动态因果图是一种基于概率的推理方法,因果图事件的概率值主要是根据专家的知识经验给出,存在一定的不确定性。试验研究建立了一种改进动态因果图并用于诊断湿法冶金浸出过程故障,主要通过二元区间数对动态因果图进行优化,并对条件概率上下限进行加权,完成湿法冶金浸出故障诊断。

1 浸出过程故障诊断模型

收起

1.1 动态因果图故障诊断

1.1.1 事件确定

试验以某氰化浸出金工艺过程的故障诊断为例进行研究。在对湿法冶金浸出过程故障进行分析后,选择9个监测变量(X₀~X₈)作为节点事件,选择10个故障原因变量(B₀~B₁₀)作为基本事件,见表1^[11-15]。

1.1.2 浸出过程因果图

根据专家和现场工作人员经验对完整潜在因果图进行精简,通过过程机制和专家知识确定指向,因果图如图1所示。

1.1.3 参数学习

采用因果图模型进行故障诊断前,须先确定基本事件和连接事件的先验概率值^[16-17]。设基本事件状态概率$\operatorname{Pr}\left\{B_{i}^{k}\right\}$为变量B_i第k个状态${B}_{i}^{k}$的概率值,历史数据数为N_i,${N}_{i}^{k}$个样本位于${B}_{i}^{k}$中,即变量B_i的第k个状态发生,见式(1)。

(1) $Pr\left\{{B}_{i}^{k}\right\}=\frac{{N}_{i}^{k}}{N{ }_{i}}$。

同样连接事件的概率值$\operatorname{Pr}\left\{P_{i j}^{k i k j}\right\}$为变量V_i的第k_i个状态${V}_{i}^{ki}$导致${V}_{j}^{kj}$发生的概率值。设${V}_{j}^{kj}$发生的数据样本数为${N}_{j}^{kj}$,${V}_{i}^{ki}$和${V}_{j}^{kj}$同时发生的数据样本数为${N}_{i}^{ki}$,见式(5)。

(2) $Pr\left\{{P}_{ij}^{kikj}\right\}=\frac{{N}_{j}^{kj}}{{N}_{i}^{ki}}$。

概率值由历史数据和实时数据2部分组成,通过权重(置信水平)进行结合,见式(3)。

(3) $Pr\left\{{V}_{i}^{ki}\right\}={\omega }_{1}Pr\left\{{V}_{i}^{ki}\right\}+{\omega }_{2}P{r}^{\ast }\left\{{V}_{i}^{ki}\right\}$。

式中:$\operatorname{Pr}\left\{V_{i}^{k i}\right\}$、$\operatorname{Pr}^{*}\left\{V_{i}^{k i}\right\}$—历史、实时数据部分;ω₁、ω₂—历史、实时部分权重。

1.2 改进动态因果图故障诊断

为降低参数不确定性,通过二元区间数对动态因果图进行优化,并对条件概率上下限进行加权,以进行湿法冶金浸出故障诊断^[18-20]。

基本事件和连接事件的概率值由区间数表示,见式(4)、(5)。

(4) $Pr\left\{{B}_{i}\right\}=[{p}_{Bd},{p}_{Bu}]$;

(5) $Pr\left\{{P}_{ij}\right\}=[{p}_{ijd},{p}_{iju}]$。

由专家根据经验知识提供适当的概率区间,再根据计算推理得到条件概率值。为明确故障原因,并以概率区间上下限信任度α和1-α,通过加权得到条件概率值,见式(6)。

(6) ${p}_{C}=(1-\alpha ){p}_{D}+\alpha {p}_{U}$。

式中:p_U、p_D—条件概率上、下限;p_C—条件概率。

改进动态因果图湿法冶金浸出故障诊断步骤如下:1)对因果图结构进行构建;2)根据区间因果图获得各基本事件及连接事件概率区间;3)根据常规因果图推理算法计算发生异常的节点事件;4)计算条件概率,确定故障原因。

2 故障诊断试验分析

收起

2.1 试验参数

为验证上述改进方法的有效性,以浸出过程中氰离子浓度异常为例进行验证试验。采集200组样品数据,通过改进动态因果图参数获取方法,得到区间形式的基本事件和连接事件的概率,见表2、3。

2.2 试验结果分析

为验证所提改进动态因果图模型的优越性,以氰离子浓度X₂异常为例进行验证试验。采集200组数据,从120组开始X₂异常下降,即证据E=X₂,基于区间数因果图推理方法,首先计算相应的切割集表,见式(7)、(8)。

(7) $\begin{array}{l}{X}_{2}={B}_{7}{P}_{76}{P}_{62}\bigcup {B}_{4}{P}_{45}{P}_{52}\bigcup {B}_{5}{P}_{55}{P}_{52}\\ \bigcup {B}_{6}{P}_{65}{P}_{52}\bigcup {B}_{8}{P}_{86}{P}_{62}\end{array}$;

(8) $\begin{array}{l}{X}_{2}={B}_{7}{P}_{76}{P}_{62}+{\stackrel{-}{B}}_{7}{B}_{8}{P}_{86}{P}_{62}+{\stackrel{-}{B}}_{7}{\stackrel{-}{B}}_{8}{B}_{4}{P}_{45}{P}_{52}+\\ {\stackrel{-}{B}}_{7}{\stackrel{-}{B}}_{8}{\stackrel{-}{B}}_{4}{B}_{5}{P}_{55}{P}_{52}+{\stackrel{-}{B}}_{7}{\stackrel{-}{B}}_{8}{\stackrel{-}{B}}_{4}{\stackrel{-}{B}}_{5}{B}_{6}{P}_{65}{P}_{52}\end{array}$。

通过表2、3数据进行故障原因条件概率计算,X₂异常的根本原因为B₄、B₅、B₆、B₇、B₈,则计算出的各故障原因事件条件概率,见表4。

根据表4的加权条件概率可以确定故障原因为B₇,即矿石来料过大;当B₈在正常范围内时,B₇增大导致输入流量的异常增大;当X₅在正常范围时,浸出槽中氰离子浓度下降。通过本方法加权条件概率与动态因果图的单值条件概率对比分析结果可知,本方法和动态因果图均能较为准确地诊断出故障原因,但本方法条件概率的差异更为明显。故障实时诊断结果如图2所示,图中诊断结果1~10代表B₁~B₁₀故障。

由图2看出:对动态因果图模型进行改进后在试验数据中所得诊断结果准确率达100%,从第120个样品采样时刻观察到氰离子浓度X₂异常下降,并给出异常原因为B₇,即矿石来料过大。说明本方法具有一定的优越性。

为进一步验证本方法的优越性,将本方法与文献[21]中改进的动态因果图及传统动态因果图方法进行对比分析。不同方法的实时诊断结果如图3所示。可以看出,本方法在试验数据中的故障诊断结果准确率达100.00%;而文献[21]方法的故障诊断结果准确率为98.00%,有4个采样点发生误报;传统动态因果图方法故障诊断准确率仅为92.00%,有16个采样点发生误报。与文献[21]及传统动态因果图方法相比,本方法故障诊断准确率分别提高2.04%和8.70%。说明本方法通过二元区间数对动态因果图进行优化,并对条件概率上下限进行加权,有效提高了故障诊断准确性。

为评价不同方法的故障诊断效果,再将建模样本增加至5 000组和10 000组,结果见表5。

由表5看出:与建模数据较少时,将建模样本增加至5 000组和10 000组,不同方法的故障诊断准确率均有不同程度的提高;本方法在试验数据增加后准确率仍为100%,实现了零误报。综上说明,在建模数据较少和充足的情况下,本方法对金浸出过程的故障诊断效果较好,可有效提高模型的故障诊断准确率。

3 结论

收起

将改进的动态因果图用于湿法冶金浸出过程故障诊断,引入二元区间数对动态因果图进行优化,通过定义区间上限信任度对推理结果进行加权,在建模数据较少和充足的情况下,均能对湿法冶金浸出过程故障进行有效诊断。

基金

收起

河南省科技攻关项目(232102211071)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

LIU

, YUAN

, WANG

, et al. Data-based compensation method for optimal operation setting of gold cyanide leaching process[J]. Engineering Letters, 2023, 31(1):1-8.

[2]

袁青云, 王福利, 何大阔. 湿法冶金中预测金产量的混合建模方法[J]. 东北大学学报(自然科学版), 2013, 34(3):308-311.

[3]

牛大鹏, 臧雅丽, 贾明兴. 基于案例推理的湿法冶金全流程优化设定[J]. 东北大学学报(自然科学版), 2020, 41(1):1-6.

[4]

高军, 刘亚东. 基于定性定量混合建模的金湿法冶金过程优化研究[J]. 长春师范大学学报, 2022, 41(10):65-73.

[5]

毛彪, 杨松, 李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3):259-265.

[6]

SHEIDAEI

, FOROUSHANI

A R

, GOHARI

, et al. A novel dynamic bayesian network approach for data mining and survival data analysis[J]. BMC Medical Informatics and Decision Making, 2022, 22(1).DOI:10.1186/S12911-022-02000-7.

[7]

FRANCESCO

, JAN

, LUCA

, et al. Hidden markov models in reliability and maintenance[J]. European Journal of Operational Research, 2023, 304(3):1242-1255.

[8]

SHARMIN

, SHOYAIB

, ALI

A A

, et al. Simultaneous feature selection and discretization based on mutual information[J]. Pattern Recognition, 2019,91:162-174.

[9]

ZHU

Y J

, GUO

, LIU

H C

. Knowledge representation and reasoning with an extended dynamic uncertain causality graph under the pythagorean uncertain linguistic environment[J]. Applied Sciences, 2022, 12(9).DOI:10.3390/APP12094670.

[10]

KAMALABAD

M S

, GRZEGORCZYK

. Non-homogeneous dynamic bayesian networks with edge-wise sequentially coupled parameters[J]. Bioinformatics, 2020, 36(4):1198-1207.

[11]

李晓晖, 艾仙斌, 徐春保. 废印刷电路板有价金属分离回收技术研究进展及展望[J]. 安徽工业大学学报(自然科学版), 2017, 34(3):247-253.

[12]

何德军, 舒建成, 陈梦君, 等. 电解锰渣建材资源化研究现状与展望[J]. 化工进展, 2020, 39(10):4227-4237.

[13]

牛大鹏, 刘元清. 基于改进即时学习算法的湿法冶金浸出过程建模[J]. 化工学报, 2017, 68(7):2873-2879.

[14]

刘韵, 阮久莉, 郭玉文, 等. 废手机电路板金的浸提方法比较研究[J]. 中国资源综合利用, 2013, 31(1):38-41.

[15]

钟捷, 黄振浩, 辛灿辉, 等. 从废印制电路板中提取金的研究[J]. 再生资源与循环经济, 2018, 11(6):32-34.

[16]

葛忠英, 李晶莹, 安妮, 等. 紫色色杆菌从废旧电子线路板中浸出金的研究[J]. 贵金属, 2017, 38(1):48-52.

[17]

郭计敏. 金氰化浸出过程非线性预测控制方法及仿真算法分析研究[J]. 湿法冶金, 2023, 42(6):659-665.

[18]

于晓颖, 王淑花, 高银东, 等. 废旧材料的高温热解回收研究进展[J]. 中国粉体工业, 2018(2):30-39.

[19]

郑炯莉, 李颖, 苑文仪, 等. 废电路板再生材料制备聚丙烯复合材料性能研究[J]. 环境科学与技术, 2019, 42(2):196-201.

[20]

王忠昂. 基于区间数的湿法冶金全流程优化控制研究[D]. 沈阳: 东北大学, 2019.

[21]

王姝, 魏楠, 孟思彤, 等. 一种基于时间动态因果图的复杂工业过程故障预测方法[J]. 控制与决策, 2023:1-8.DOI:10.13195/j.kzyjc.2022.1811.

2024年第43卷第2期

PDF下载

384

156

引用本文

BibTeX

文章信息

doi: 10.13355/j.cnki.sfyj.2024.02.015

接收时间：2023-12-21
首发时间：2025-09-10
出版时间：2024-04-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2023-12-21

基金

河南省科技攻关项目(232102211071)

作者信息

¹ 新乡职业技术学院, 河南新乡 453006

² 河南科技学院, 河南新乡 453003

通讯作者:

李晓敏(1984—),女,博士,副教授,主要研究方向为计算机仿真。E-mail:xhli310@126.com。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/sfyj/CN/10.13355/j.cnki.sfyj.2024.02.015

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

变量编码	状态
X₀	浸出率(异常)
X₁	氧气浓度(0正常,1异常)
X₂	氰根离子浓度(0正常,1异常)
X₃	矿浆浓度(0正常,1异常)
X₄	空气流量(0正常,1异常)
X₅	氰化钠添加量(0正常,1异常)
X₆	矿浆输入流量(0正常,1异常)
X₇	空气管道压力(0正常,1异常)
X₈	pH(0正常,1异常)
B₁	风机故障(0正常,1异常)
B₂	通风管道故障(0正常,1异常)
B₃	空气调节阀故障(0正常,1异常)
B₄	电脑加药机故障(0正常,1异常)
B₅	软管泵故障(0正常,1异常)
B₆	氰化钠流量计故障(0正常,1异常)
B₇	矿石来料故障(0正常,1异常)
B₈	调浆水流量故障(0正常,1异常)
B₉	添加氰化钠蠕动泵故障(0正常,1异常)
B₁₀	石灰乳调节阀故障(0正常,1异常))

变量编码

状态

X₀

浸出率(异常)

X₁

氧气浓度(0正常,1异常)

X₂

氰根离子浓度(0正常,1异常)

X₃

矿浆浓度(0正常,1异常)

X₄

空气流量(0正常,1异常)

X₅

氰化钠添加量(0正常,1异常)

X₆

矿浆输入流量(0正常,1异常)

X₇

空气管道压力(0正常,1异常)

X₈

pH(0正常,1异常)

B₁

风机故障(0正常,1异常)

B₂

通风管道故障(0正常,1异常)

B₃

空气调节阀故障(0正常,1异常)

B₄

电脑加药机故障(0正常,1异常)

B₅

软管泵故障(0正常,1异常)

B₆

氰化钠流量计故障(0正常,1异常)

B₇

矿石来料故障(0正常,1异常)

B₈

调浆水流量故障(0正常,1异常)

B₉

添加氰化钠蠕动泵故障(0正常,1异常)

B₁₀

石灰乳调节阀故障(0正常,1异常))

变量编号	故障	概率区间
B₄	电脑加药机	[0.013 0,0.013 0]
B₅	软管泵故障	[0.010 0,0.010 0]
B₆	氰化钠流量计	[0.005 0,0.008 0]
B₇	矿石来料	[0.140 0,0.200 0]
B₈	调浆水流量	[0.011 0,0.011 0]

变量编号

故障

概率区间

B₄

电脑加药机

[0.013 0,0.013 0]

B₅

软管泵故障

[0.010 0,0.010 0]

B₆

氰化钠流量计

[0.005 0,0.008 0]

B₇

矿石来料

[0.140 0,0.200 0]

B₈

调浆水流量

[0.011 0,0.011 0]

变量编号	X₂	X₅	X₆
X₅	[0.570 0,0.600 0]	—	—
X₆	[0.440 0,0.510 0]	—	—
B₄	—	[0.500 0,0.500 0]	—
B₅	—	[0.520 0,0.520 0]	—
B₆	—	[0.200 0,0.250 0]	—
B₇	—	—	[0.570 0,0.610 0]
B₈	—	—	[0.550 0,0.550 0]

变量
编号

X₂

X₅

X₆

X₅

[0.570 0,0.600 0]

—

X₆

[0.440 0,0.510 0]

—

B₄

—

[0.500 0,0.500 0]

—

B₅

—

[0.520 0,0.520 0]

—

B₆

—

[0.200 0,0.250 0]

—

B₇

—

[0.570 0,0.610 0]

B₈

—

[0.550 0,0.550 0]

条件概率	概率区间	信任度	加权条件概率	单值条件概率
$Pr\left\{E\right\}$	[0.043 0,0.078 1]	—	—	0.041 0
$Pr\left\{{B}_{4}\left\|E\right.\right\}$	[0.103 5,0.239 5]	0.6	0.052 5	0.089 8
$Pr\left\{{B}_{5}\left\|E\right.\right\}$	[0.010 0,0.010 0]	0.5	0.050 5	0.071 4
$Pr\left\{{B}_{6}\left\|E\right.\right\}$	[0.005 0,0.008 0]	0.2	0.014 8	0.016 7
$Pr\left\{{B}_{7}\left\|E\right.\right\}$	[0.492 1,1.000 0]	0.8	0.897 8	0.795 8
$Pr\left\{{B}_{8}\left\|E\right.\right\}$	[0.011 0,0.011 0]	0.5	0.046 7	0.048 2

条件概率

概率区间

信任度

加权条件概率

单值条件概率

$Pr\left\{E\right\}$

[0.043 0,0.078 1]

—

0.041 0

$Pr\left\{{B}_{4}\left|E\right.\right\}$

[0.103 5,0.239 5]

0.6

0.052 5

0.089 8

$Pr\left\{{B}_{5}\left|E\right.\right\}$

[0.010 0,0.010 0]

0.5

0.050 5

0.071 4

$Pr\left\{{B}_{6}\left|E\right.\right\}$

[0.005 0,0.008 0]

0.2

0.014 8

0.016 7

$Pr\left\{{B}_{7}\left|E\right.\right\}$

[0.492 1,1.000 0]

0.8

0.897 8

0.795 8

$Pr\left\{{B}_{8}\left|E\right.\right\}$

[0.011 0,0.011 0]

0.5

0.046 7

0.048 2

方法	故障诊断准确率/%
本方法	100	100
文献[21]	98.20	98.22
传统动态因果图方法	93.40	93.50

方法

故障诊断准确率/%

5 000组

10 000组

本方法

100

文献[21]

98.20

98.22

传统动态因果图方法

93.40

93.50