MPES通用骨架系统的研究.pdf

笫5 2 卷第1 期 2000 年2 月 有色金属 N O N F E R R O U SM E T A L S V 0 1 ．5 2 ．N o ．1 F e b r u a r y20 00 M P E S 通用骨架系统的研究 李松仁，景广军，周贤渭，梁雪梅 中南工业大学矿物工程系，长沙4 1 0 0 8 3 摘要应用工艺矿物学、矿物工程学、选矿学、专家系统，人工神经网络，遗传技术、模糊数学、多媒体及计算机技 术等多学科交叉方法，建立了选矿专家系统通用骨架系统M P E S ，系统是在W i n d o w s 平台上用C “语言编制，包括多种知识表 示方法和推理机制，适用于矿石可选性预测、选矿厂设计、机械设备故障诊断、生产过程控制和经营管理决策等方面新型专家 系统的构造，大大缩短了专家系统的建造周期。 关键词通用骨架系统；知识库；推理机；神经网络模块；多媒体脚本库 中图分类号T D 9 1 3 传统的选矿研究方法存在着许多严重的弊端， 已远远不能适应矿物工业发展的需要。从8 0 年代 开始，许多学者把较多注意力集中到人工智能的应 用，专家系统 E S 、决策支持系统 D S S 和人 工神经网络 A N N 相继被引入选矿领域并蓬勃 发展起来。目前．选矿领域已出现的专家系统可分 为矿石可选性预测专家系统、选矿厂设计专家系 统、过程控制专家系统、生产咨询专家系统、故障 诊断专家系统和生产经营决策支持系统等。但是， 这些专家系统都只能处理选矿领域中一个狭小部分 或只针对某一个选矿厂。 作者研制的选矿专家系统通用骨架系统，综合 运用工艺矿物学、选矿学、模糊数学、人工智能、 多媒体方法和计算机技术，能完成矿石可选性研 究、选矿厂设计、碎磨设备故障诊断和选矿生产过 程控制操作指导等方面功能。据不完全统计，我国 有色、黑色、稀有及非金属矿种达数百种，各类选 矿厂达数千家，如果都能建立相应的选矿专家系 统，其经济效益和社会效益是难以估量的。但是如 果每一个选矿厂或每一类矿石的选矿专家系统都要 从头开始建造，必将要耗费大量人力、物力、财力 和时间。正基于此，本文研究了用于开发选矿一体 化专家系统的通用开发工具M P E S ，以便大大简化 建造选矿各领域专家系统的过程。针对不同类型的 选矿各领域专家系统，选矿研究方法及专家系统的 建造过程十分相似，因此建立M P E S 通用骨架系 统，并据此建造新的选矿各领域或一体化专家系统 是可行的。 收稿日期1 9 9 9 0 7 2 0 基金项目国家自然科学基金资助项目 5 9 5 7 4 0 3 4 作者简介李松仁 1 9 3 6 一 ．男。教授，博士导师 l系统形式化设计 1 ．1 神经网络子功能块 N N M 神经网络算法是一数值计算过程。它的输入和 输出都是数值向量，所以神经网络系统不能直接和 外界通信，必须经过逻辑到数字和数字到逻辑的两 次转换，神经网络子功能块N N M N e u r a lN e t w o r k M o d u l e 可完成上述功能。N N M 包括三部分输 入转换器、神经网络处理器和输出转换器，如图l 所示。 堡塑，l 输入f墼主，l 神经l 塑主，f 输出L 堡墨 信息f 转换器} 信息 I 网络l 信息l 转换器l 信息’ 图1N N M 的结构示意 输入转换器的功能是将实际问题的逻辑信息转 换成数字信息，使之能被神经网络处理，输出转换 器将神经网络输出的数字信息转换为外界能够识别 和利用的逻辑信息。神经网络处理器就是一个神经 网络系统，本研究应用遗传算法优化具有全局性的 参数和网络结构，用误差反向传播算法调节和优化 具有局部性的参数。 1 ．2 总体框架 M P E S 采用“黑箱”结构，各功能模块中允许 符号加工机制和联接机制并存，都接受符号信息， 输出符号信息，其形式化设计如图2 所示。在这个 框架下，实现了知识的分层，不同的知识有不同的 表示方法和相应的推理机制。 1 ．3 知识表示 知识表示模块是建造专家系统的第一步。在 M P E S 中，在N N M 内知识用N N 表示，知识是隐 万方数据 第l 期李松仁等螂通用骨架系统的研究 4 7 - 图2M P E S 的一般框架 式表示，网络的整体表现为一种逻辑知识。在N N M 的外层使用传统方法，如事实、产生式规则、框 架、原型和面向对象的知识表示等方法。下面是一 个知识对象的构成实例 1 对象标识 对象名浮选 超类选别方法 变量磨浮段数、循环 次数、精选次数、 扫选次数 矿物浮选顺序 2 知识 类型 类型 类型 字符 字符 数值 类型字符 采用浮选的选矿厂名 选矿厂地址 矿床类型 选矿厂规模 矿物种类 3 知识处理方法 预测规则l I F [ 铜、铅、锌矿石】T H E N [ 浮选] 预测规则2 Ⅲ[ 单金属粗粒嵌布矿石】T H E N [ 一段一循环流程浮选】 预测规则3 I F 【单金属不均匀嵌布矿 石】T H E N 【尾矿再磨两段或三段浮选】 预测规则4 I Ff 有用矿物含量高、精矿质量要 求不高】T H E N [ 粗选得最终精矿】L 知识获取1 询问矿石矿物组成、原矿有用矿 物品位、氧化率 知识获取2 询问原矿有用矿物嵌布粒度、嵌 布特性、共生关系 知识获取3 询问矿石结构、产品种类等。 M P E S 的知识表示如图3 所示。 00 r ] r ] { 簧禁i 鬯知到 『表示I『表示J ‘- - - - - - - - - - - ．．．．- - - - - 一‘- - - - - - - - - - - - - - - - - _ - - - - 一 图3M P E S 的知识表示 1 ．4 知识获取 知识获取模块是建造E S 的“瓶颈”。本系统 采用两种机制在N N M 中用N N 的学习来获取， 在上层使用传统方法，在M 吣压内部，知识的获取 由神经网络的自学习功能来实现，神经网络可以在 学习过程中自动调整各神经元之间的联接权值，所 获知识最后分布存储于整个网络之中，以此实现知 识的自动获取。在N N M 外部，当用户把已总结成 规则、框架的知识送入知识库时，系统可显示满足 某一后件或某一前件中的某一条件的所有规划和框 架，用户可以在分析后，对规则和框架进行删除或 修改。对于知识的自动学习，本系统采用基于解释 的学习。即在每一次成功的推理后，把有效的推理 路径记录下来。那么，下次遇到类似情况时，推理 机就会按照记录下的路径很快找到需要的知识，这 是一种控制知识，可以用来提高推理机的推理效 率。如图4 所示。 图4M P E S 的知识获取 1 ．5 推理机制 推理机模块是E s 最重要的部分。在N N M 内，知识推理主要采用“正面推理”，思想为将 原始逻辑知识送入输入转换器；逻辑知识经输入转 换器变为数据知识；N N 的前向计算，由N N 得到 的数据知识输出转换器变为逻辑知识，新的逻辑知 识送出M 心嗄。在N N M 内部知识表示和推理是紧 密结合，并行执行的。在N N M 外部，本系统采用 对象推理机制、反向链接推理、正向链接推理、混 合推理、模糊推理。在系统管理模块的控制下，推 理得到的知识送入传统知识库，如图5 所示， 万方数据 有色金属 第5 2 卷 嚣圆 t 』呻l 鬟嚣l 圆i 一 回 田 {．．．．．．．．．．．．．．．．．一 网 图5M P E S 的知识推理 1 ．6 解释机制和接口 M P E s 的解释系统，能够以滚屏文本方式和语 音讲解方式对推理活动进行综合说明，包括实时推 理路线、推理结果及可信度、即时解释。人机接口 采用菜单选择、人工输入和语音识别等几种方式。 2系统组成和应用步骤 2 ．1 系统组成 M P E S 通用骨架系统由以下几部分组成知识 库及管理系统、推理机制、应用工具、选矿多媒体 创作工具和帮助系统。系统采用C 十语言编写， 以W i n d o w s 为平台，可在3 8 6 以上微机上运行。 部分实现对知识库的建造、管理、组织及维 护。用户可按领域知识的特点从系统提供的知识表 示方法中选择合适的表示方法。系统具有高级的知 识输入系统，可随时发现用户输入知识时的错误， 评价和检查输入知识的一致性和冗余性。知识库部 分还具有增加、删除、编辑、拷贝知识等功能。 推理机制对知识库中的知识进行处理，决定系 统目前的状态及下一步要采取的策略。用户可以选 择不同的推理机制，包括正向推理、反向推理、混合 推理．神经网络模拟推理以及各类不精确推理方法。 在应用工具中，用户界面显示一般性的问题、 解释和文本信息，并提示界面让用户制定输入知识 的格式，以及提供对知识库中间状态的处理；图形 浏览器显示推理过程中形成的推理链；通用报表功 能用来将预测结果中数据以报表的形式输送到打印 机；用户可以指定搜索和问题求解方向，使推理朝 期望的方向进行；界面设计工具帮助用户为未来的 专家系统设计界面，包括各式窗口、菜单、对话 框、按钮、图形等；与外部数据库的接口提供专家 系统与外部数据库进行通讯的手段；多媒体编辑器 可以编辑和播放各类多媒体脚本，如文本、声音、 音乐、动画、图像、影像等，以动态文本、实时语 音讲解、图像、动画等表示推理结果，大大强化了 人机结合界面，方便操作。 选矿多媒体创造工具可以根据M P E S 的推理 结果，集成推理文本、讲解语音、图形表示、动画 处理及现场录制影像，统一存储和集成播放，方便 用户的二次开发，所开发的系统可作为现场操作工 人和有关人员的电子教学工具。帮助系统则是帮助 用户学会使用M P E S 来开发新型专家系统。 2 ．2 应用步骤 M P E S 通用骨架系统是用来给具体的选矿 厂选矿专家系统的建造提供总体结构、知识库建造 工具、推理机制选择、选矿多媒体创作工具、辅助 工具等，包括调试工具、图示工具、通用报表设计 工具、外部过程调用、多媒体脚本等。用M P E S 通用骨架系统开发新型选矿专家系统的步骤如下 1 搜集、分析、归纳某选矿厂的矿石可选 性预测知识、选矿厂设计知识、机械设备故障诊断 知识及选矿生产过程操作知识，按照分类选择知识 表示方法．构造知识库结构，完成知识库； 2 选择推理机制，应用图形浏览器跟踪推 理过程。并不断完善知识库和推理机； 3 应用界面设计工具，设计所需的窗口、 菜单、按钮、对话框等一系列界面，完成多媒体脚 本的设计及对应的接口； 4 完善专家系统的解释机制、帮助功能等； 5 把各项功能与界面上的菜单项、按钮等 结合在一起，组成初步的专家系统； 6 运用骨架系统的辅助工具，测试新建成 的专家系统，不断完善。 3结论 本文分析了M P E S 通用骨架系统的可行性，并论 述了其系统结构、主要组成部分、系统的形式化设 计、工作原理及应用步骤。 1 本研究综合应用了专家系统、人工神经 网络、遗传技术、模糊技术、多媒体技术、计算机 技术与选矿领域研究的多学科交叉方法，为改革和 创新传统研究方法奠定了理论基础。 2 通过组装现场知识库，M P E S 通用骨架 系统可很快构造新型专家系统，用以完成矿石可选 性预测、选矿厂设计、碎磨设备故障诊断和磨浮生 产过程操作指导，为构建智能化矿山进行了较好的 尝试。 3 M P E S 通用骨架系统和M P C A J 创作工具 相结合，既可建造智能多媒体选矿C A I 系统，又可 作为现场操作工人和有关人员的培N - v 具。 S e eP 。4 5f o rt h ea b s t r a c t 万方数据 第l 期李英龙等基于B P 网络预测建模中的早终止方法及其矿业应用4 5 从表2 中的计算结果可以看出，“早终止”方 式终止的网络的检验结果，无论是对验证子集，还 是对测试子集，均好于以循环次数和所给精度方式 终止的网络的相应检验结果。 在第二组建模计算的检验结果中，验证子集上 的检验结果差于测试子集上的检验结果。产生这种 似乎不合理现象的原因。可以从按循环次数和所给 精度方式终止的网络的检验结果中得知对于按循 环次数和所给精度方式终止的网络，在验证子集上 的结果比在测试子集上的结果差得多．说明训练子 参考 集对验证子集的“覆盖”程度小于对测试子集的 “覆盖”程度。 3结论 本文的研究说明，要想建立实用的基于B P 网 络的预测模型，除了需要确定优化的网络拓扑结构 之外，还需合理地选择网络训练的终止方式。盲目 地过多训练网络，会造成网络的“过度拟合”。 本文的研究，有助于基于B P 网络的矿业预测 建模方法的进一步推广和应用。 文献 1R u s s e l lS J ．e ta l ，A r t i f i c i a lI n t e l l ／薛a a c e AM o d e mA p p r o a c h ，P r e n t i c e H a l l ，1 9 9 5 ． 2A r b i bM M ．T h eH a n d b o o ko fB r a i nT h e o r ya n dN e u r a lN e t w o r k s ，T h eM I TP r e s s ，1 9 9 5 3 B i s h o pC M ．N e u r a lN e t w o r k sf o rP a t t e r nR e c o g n i t i o n ，O x f o r dU 1 1 i w 塔i 哆P r e s s ，1 9 9 7 ． “E A R I j YS T O P P ⅨG ”烈M o D E L 州GP R E ] D 1 [ C T I o NB A S E Do NA B PM o D E LA N Dn SA P P ] L I C A T I O N 烈ⅣI D m R A LD 旺 I 『s T R Y L 1Y i n g l o n g ,W UD a h o n g K u n r a i m JU n i v e r s i t yo fS c i e n c e ＆T e c h n o l o g y , K u m n i n g6 5 0 0 9 3 A B S T R A C T T oo v e r c o m et h e “ o v e r f i t t i n g “o faB Pm o d e la p p l i e dt om o d e l i n gt h ep r a c t i c a lp r e d i c t i o ni n d u c e db y o v e r - t r a i n i n gt h eB Pm o d e l ，t h ep a p e rd i s c u s s e dt h em e t h o do f “ e a r l ys t o p p i n g ”d u r i n gt r a i n i n gaB Pm o d e l f o rp r e d i c t i o n ．T h em e t h o dw a su s e di nm o d e l i n gac o n o e n t r a t ee s a m p l e ． K E YW O R D SB Pm o d e l ；p r e d i c t i o n ；e a r l ys t o p p i n g ；m i n e r a li n d u s t r y C o n tf r o mp ．4 8 参考 文献 1 李松仁，陈松乔，黄平．硫化铅锌矿可选性预测专家系统的研究．有色金属 季刊 ，1 9 9 5 ，4 7 2 1 9 ～2 4 2L IS o n g r e n ，L U OS h o u z h a n g ，C H E NS o n g q i a o ．G e n e r a lS t r u c t u r eo fO B P E Ss h e l ls y s t e m ．T r a m ．N o n f e r r o u sM e t ．S o c ．C h i n a ， 1 9 9 7 ，7 2 1 5 ～1 9 3S t e v eP o t t s C l a y t o nW a l m u m ，U s i n gB o r l a n dC 4 ．5 ．U S A Q U EP r e s s ，1 9 9 6 AS T U D Yo FM P E SS K E I ．E T A I ．S Y S T E M L lS o n g r e n , J I N GG ∞响僦．Z H O U Ⅺa n w e i ．L I A N GX u e m e i D e t u r t m e n to fM i n e r a lD 研n 硎觋C e n t r a lS o u t hU n i v e r s i t yo fT e c h n o l o g y , c 础4 1 0 0 8 3 A B S T R A C T B yu s eo ft h ei n t e g r a t e dk n o w l e d g eo fm i n e r a le n g i n e e r i n g ，m i n e r a lp r o c e s s i n g ，e x p e r ts y s t e m ，a r t i f i c i a l n e u r a ln e t w o r k s ，g e n e t i ca l g o r i t h m ，f u z z ym a t h e m a f i 岱a n dm u l t i m e d i at e c h n o l o g ye t c ，M P E S M i n e r a lP m - c e s s i n gE x p e r tS y s t e m s k e l e t a ls y s t e mh a sb e e nb u i l t ，w h i c hi s ac o n s t r u c t i o nt o o lf o re x p e r ts y s t e m si nt h e f i e l do fm i n e r a lp r o c e s s i n g ．T h j ss y s t e mw h i c hi s d e v e l o p e do nM i c r o s o f tW i n d o w sp l a t f o r mu s i n gC p r o g r a m m i n gl a n g u a g e ，i n c l u d i n gm u l t i p l ek n o w l e d g ea n dr e a s o n i n gm e t h o d s ，c a nb u i l dn e we x p e r ts y s t e m sf o r o r eb e n e f i d a b i l i t yp r e d i c t i o n ，m i l ld e s i g n ，f a u l t sd i a g n o s i s ，p r o d u c t i o nc o n t r o l ，m a n a g e m e n td e c i s i o n ． K E YW O R D Ss y s t e ms k e l e t a l ；k n o w l e d g eb a s e ；i n f e m n c ee n g i n e ；m u l t i m e d i ab a s e 万方数据