基于决策规则提取的选矿厂磨矿分级系统节能优化方法

摘要

本发明公开了一种基于决策规则提取的选矿厂磨矿分级系统节能优化方法，采用基于智能控制的模糊控制技术，对选矿厂磨矿分级系统中给矿量、返砂水量和排矿水量三个控制回路的设定值进行优化估计。该优化方法中决策规则集是在对生产过程记录数据使用面向数据的决策列联表构建方法基础上建立，完备决策规则集的增量更新是在对现场增量数据使用基于决策信息的增量更新和完备化方法的基础上实现。本发明所提方法避免了模糊控制传统方法的主观性和局限性，能够为选矿厂磨矿分级系统关键控制回路设定值估计提供可靠的优化结果，为实现磨矿分级系统的节能优化控制奠定基础。

说明书

【技术领域】

本发明涉及选矿厂磨矿分级系统节能优化方法，具体涉及一种基于决策规则提取的选矿厂磨矿分级系统节能优化方法。

【背景技术】

磨矿分级系统在我国选矿厂中应用非常广泛。由于磨矿分级系统为选矿工艺流程的关键环节之一，所以其安全稳定运行直接影响到整个选矿作业的安全性和可靠性。同时，磨矿分级系统的耗电量约占厂用电量的30％～50％，其经济运行将直接影响到选矿厂的经济效益。但是，目前国内大部分选矿厂的磨矿分级系统仍处于依靠现场操作经验的人工控制状态。过载，欠载和涨肚等现象时有发生，甚至造成设备损坏，磨选机组停运，带来严重的经济损失。在人工控制时，为了防止事故发生，操作人员通常将磨矿分级系统设定在远低于最佳工作点的工况上运行。这样虽保证了选矿作业的安全运行，但磨矿分级系统运行效率低，厂用电消耗大，经济效益差。

因此，磨矿分级系统的运行优化问题一直是研究的热点。磨矿分级系统的运行优化，即在当前运行条件下搜索系统所能达到的最佳工况，即优化设定值。并将优化设定值作为控制变量的新的目标值，提供给人工控制的操作人员或者自动控制的控制器，使得磨矿分级系统保持在最佳工况下。因此，对于磨矿分级系统最佳运行设定值的搜索，成为了选矿厂节能优化的关键所在。

国外选矿厂磨矿分级系统的自动化程度较高，计算机控制技术的应用十分广泛。但是国外选矿厂多采用的是自磨加旋流分级机的磨矿分级系统，与国内广泛采用的湿式球磨系统结构不同，无法照搬。

目前，在我国优质矿石、电力能源短缺，安全生产形式依然严峻的情况下，提出基于决策规则提取的选矿厂磨矿分级系统节能优化方法，对确保选矿企业安全、经济运行，具有十分重要的意义。目前，国内选矿厂磨矿分级系统普遍依据设备制造厂提供的设计值或通过现场试验来设定系统运行值。然而，在系统实际运行时，由于矿石易磨性变化、磨机内钢球和衬板的磨损以及系统返砂量的变化等，往往会使最佳运行设定值发生漂移。如通过现场试验进行定期校正，不仅增加线程运行维护人员的工作强度，还直接影响到磨矿分级系统的正常生产运行。因此，选矿厂大多采用参考历史数据统计值的方法，即通过统计一段时间内系统运行数据，来分析获得关键控制变量的最优设定值。但是，过程数据统计需经过数据验证、典型数据选择和边界条件构建等过程，整体过程复杂费时，且一般不经常性更新分析结果，易造成分析结果和运行工况的不符。采用变工况模型计算的方法虽可确定出当前工况下的最佳设定值，但该计算结果受限于计算模型的优劣，且结果为理论计算值，较难在运行中达到。

针对磨矿分级系统运行优化所存在的问题，人们积极探索了很多先进的优化算法。有的基于传统控制理论和过程数学模型，提出磨矿分级系统的多回路PID控制算法，其通过分析现场采样数据，对磨矿控制回路模型进行调整，限定并调节各回路控制器输出的上下限。有的将模糊系统与PID控制技术相结合，采用模糊推理的方法，根据人工经验知识对各磨矿控制回路控制器的参数进行在线整定。该类算法易于理解且操作方便，并可一定程度上减小磨矿分级系统各回路间的耦合性，但系统精确数学模型无法获得，使其在实际控制应用中不甚方便。有的基于球磨机和分级机的简化机理模型，提出了一种基于预测模型的监督控制算法，根据综合经济目标函数进行在线优化，搜索监督层中各控制变量的优化设定值。该方法基于预测模型和反馈信息，实现控制作用的闭环滚动优化，但该类方法步骤繁琐，且控制精度过于依赖磨矿分级系统的过程模型和反馈校正。针对磨矿分级系统精确模型难以获得的问题，有的提出一种基于神经网络的磨矿分级专家控制算法，其应用人工神经网络对现场数据信息进行离线学习，确定出过程变量的模糊化方案以及产生式专家规则，推理出底层控制回路的优化设定值。但该类方法由于人工神经网络模型设定隐层函数中心的随机性，以及专家定性知识与数据定量信息有效集成存在的瓶颈，造成该方法的通用性受到了限制。有的基于模糊系统适于表达复杂对象动态特性的特点，提出一种基于规则的模糊控制优化算法，对各控制回路构建以相应控制变量误差和误差变化率为输入的模糊控制器，从而确定底层各控制回路的最优设定值。但在模糊控制算法的设计中，规则集的构建仍根据专家经验得到，且缺乏有效的对规则知识的动态维护方法，从而加大了该方法有效应用难度。为解决这些问题，基于对生产过程记录数据的分析和计算，自动构建出模糊决策规则集并实现规则集的增量更新和完备化。因此，在此基础上构建的磨矿分级系统节能优化方法更适合估计各控制回路的设定优化值，为选矿厂磨矿分级系统能够在自动控制下保持稳定高效的运行提供了保证。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种基于决策规则提取的选矿厂磨矿分级系统节能优化方法，该方法通过构建给矿量、返砂水量和排矿水量决策规则集，实现对选矿厂磨矿分级系统中三个控制回路优化设定值的可靠估计。这样不仅为磨矿分级系统产品质量提供了有效保证，而且能够提高选矿厂的经济效益。

为达到上述目的，本发明采用以下技术方案予以实现：

基于决策规则提取的选矿厂磨矿分级系统节能优化方法，包括以下步骤：

1)根据选矿厂磨矿分级系统在人工操作状态下，利用模拟量采集模块采集记录数据信息，以给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c组成模式属性集，分别以给矿量设定值返砂水量设定值及排矿水量设定值组成决策属性集，按照系统预设时间t₁进行数据采样记录，构成现场历史数据库；对已有历史数据库，应用统计预处理技术，获得采样时间t₂＝4t₁的预选数据库，该数据库在t₂时刻维度上的取值为：

${\bar{F}}_i\left(t_2\right)=\frac{t_1}{t_2}\underset{k=1}{\overset{t_2/t_1}{\Sigma }}{F}_i(k·t_1)$

其中，F_i、分别表示现场历史数据库和预选数据库D中的对应维度，F_i(k·t₁)表示现场历史数据库在k·t₁时刻维度F_i上的取值；而后，对数据实例数量为M预选数据库D进行归一化处理，数据实例x_j在维度上的归一化取值通过下式进行计算：

${\bar{x}}_j^{{\bar{F}}_i}=\frac{x_j^{{\bar{F}}_i}-V_{\min }^{{\bar{F}}_i}}{V_{\max }^{{\bar{F}}_i}-V_{\min }^{{\bar{F}}_i}},j=1,2,...,M$

式中，表示数据实例x_j在维度上的原始取值，和分别表示M个数据实例在维度上所取原始值的最大值和最小值；通过上述处理后，预选数据库D在模式属性集{M_o,W_rs,W_ca,I_m,I_c}和决策属性集上，每一维度的值域为[0,1]；

2)读取预选数据库D中已有M个数据实例，并组成初始数据集DS₀；工业数据库继续存储数据，并形成m个数据规模固定为L的增量数据集，其中第k个增量数据集DS_k表示为：

DS_k＝{x_(k-1)M+1,x_(k-1)M+2,…,x_(k-1)M+L}

其中，k∈{1,2,…,m}，x_j和j∈{(k-1)M+1,(k-1)M+2,…,(k-1)M+L}表示增量数据集DS_k中的一个数据实例，M为增量数据集DS_k起始位置标示，L为增量数据集DS_k的实例数量，m为大于1的自然数，k为小于等于m的自然数；

3)设定预选数据库D中给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m、分级机电流I_c、给矿量设定值返砂水量设定值及排矿水量设定值的语言变量分别为MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv，其论域为[0,1]；语言变量MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv的语言值均为{NB，NS，Z，PS，PB}，NB、NS、Z、PS和PB分别代表负大、负小、零、正小和正大；以模式属性集{M_o,W_rs,W_ca,I_m,I_c}分别与决策属性和组成给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集；

4)根据步骤3)对选矿厂磨矿分级系统预选数据库所构建的语言变量，根据定义的语言值进行预选数据库D的维度扩展；如：根据语言变量MO的语言值，将预选数据库的维M_o扩展成维维维维和维并称维维维维和维为维M_o的扩展维；接着，根据维M_o上语言值隶属度函数，以及预选数据库中每一实例在维M_o上取值，确定每个实例在维维维维和维上的隶属度值；语言变量MO、WRS、WCA、IM和IC采用论域为[0,1]的高斯型隶属度函数族，MO_sv、WRS_sv和WCA_sv中的语言值均采用论域为[0,1]的等腰三角型隶属度函数族；采用相同方法，对预选数据库D中其它维进行扩展，并确定每个实例在给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集中对应扩展维上的隶属度值；

5)使用面向数据的决策列联表构建方法，基于初始数据集DS₀进行决策列联表的构建，根据论域空间在各模式上的决策信息分布进行划分，并将最终形成的决策列联表用于搜索相应控制回路设定值优化方案；分别构建出给矿量设定列联表、返砂水量设定列联表和排矿水量设定列联表；

6)针对步骤5)所形成的给矿量设定列联表、返砂水量设定列联表和排矿水量设定列联表，使用基于决策信息的增量更新和完备化方法，基于增量数据集DS_k构建并更新各决策规则集，并依据规则集先验知识推理计算出给矿量设定规则集、返砂水量设定规则集和排矿水量设定规则集的完备形式；

7)选矿厂磨矿分级系统通过测量模块测量当前工况下的给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c的运行值且分别由m′_o、w′_rs、w′_ca、i′_m和i′_c来表征；根据步骤4)中论域选择为[0,1]的等腰三角形隶属度函数族，计算M′_o、W′_rs、W′_ca、I′_m和I′_c分别在不同扩展维上的模糊隶属度值，其中M′_o、W′_rs、W′_ca、I′_m和I′_c分别为运行值m′_o、w′_rs、w′_ca、i′_m和i′_c对应的模糊语言值；选择各语言变量下获得最大隶属度值的语言值组合形成运行前件集PAS，该前件集为{M′_o,W′_rs,W′_ca,I′_m,I′_c}；

8)搜索由步骤6)获得的规则集，如：给矿量设定规则集，匹配得到给矿量设定运行规则该规则的前件模式等于运行前件集PAS＝{M′_o,W′_rs,W′_ca,I′_m,I′_c}，运行规则中规则后件为给矿量设定值语言变量MO_sv语言值{NB,NS,Z,PS,PB}上对应的实例条件概率P_lj，j＝1,2,...,5；根据步骤4)中论域选择为[0,1]的等腰三角型隶属度函数族，并通过下式计算运行规则对应给矿量设定值的去模糊化值

${\mathrm{MO}}_{sv}^l=\underset{j=1}{\overset{5}{\Sigma }}{\bar{y}}^j{P}_{lj}$

上式中，为语言变量MO_sv对应语言值{NB,NS,Z,PS,PB}在论域[0,1]上定义的等腰三角型隶属度函数的中心；根据步骤1)中归一化公式，通过下式将论域为[0,1]的变换回其原始值域内，并表示为给矿量运行设定值MO′_sv：

${\mathrm{MO}}_{sv}^{\prime }={\mathrm{MO}}_{sv}^l(V_{max}^{M_o^{sv}}-V_{\min }^{M_o^{sv}})+V_{\min }^{M_o^{sv}}$

上式中，和分别表示预选数据D中数据实例在维度上所取原始值的最大值和最小值；

9)对返砂水量设定规则集和排矿水量设定规则集重复步骤8)的处理过程，获得当前工况下的返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv；如此得到的给矿量运行设定值MO′_sv、返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv作为当前工况下选矿厂磨矿分级系统的给矿量、返砂水量和排矿水量的最佳设定值，提供给选矿厂磨矿分级系统的控制器进行设置，使选矿厂磨矿分级系统一直在最佳方式下运行。

本发明进一步的改进在于：

所述步骤1)中，选矿厂球磨机制粉系统采用PLC和工控机组成的DCS系统；该DCS系统利用模拟量采集模块采集信号数据，采集速率为250ms，采用平均值滤波4点；并根据信号波动量大小，对给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c信号数据设置一阶惯性滤波，一阶惯性滤波公式为：

x(k)＝αy(k)+(1-α)x(k-1)

式中，x(k)为某信号数据本次最终结果，x(k-1)为该信号数据上次最终结果，y(k)为该信号数据本次实时测量值，α为滤波系数，k为大于1的自然数。

所述步骤5)中，面向数据的决策列联表构建方法，包括以下步骤：

5-1)分别从步骤4)中扩展后的预选数据库D中维M_o、维W_rs、维W_ca、维I_m和维I_c的扩展维中选择一个维度出来，组合为一条候选模式CP；遍历维M_o、维W_rs、维W_ca、维I_m和维I_c所有扩展维的组合，得到候选模式集CPS，CPS＝{CP₁,CP₂,...,CP_u}，u表示互不相同的模式数量；

5-2)对某设定数据集进行决策规则集构建，对于给矿量设定数据集，决策属性为给矿量设定值维的扩展维表示为：从候选模式集CPS中选择出一候选模式CP_i∈CPS,i＝1,2,...u，与维的5个扩展维组合，构成一条决策规则项；遍历所有候选模式CP_i与给矿量设定值的扩展维的组合，得到给矿量设定决策列联表中元素q_ij的初始值为0，即q_ij＝0,i＝1,2,...u,j＝1,2,...,5，q_ij表示在模式属性的取值组合符合模式CP_i且给矿量设定值为的数据实例的数量；

5-3)给矿量设定决策列联表中，将由维M_o、维W_rs、维W_ca、维I_m和维I_c的扩展维组合的候选模式CP_i用A表示，将由维的5个扩展维组合的规则后项用B表示；则对初始数据集DS₀中数据实例x_k，根据下式计算实例x_k对候选模式CP_i的模糊支持度

${\mathrm{FSup}}_{x_k}\left({\mathrm{CP}}_i\right)=\underset{x\in A}{\Pi }\mu \left(x_k\right)$

式中：表示初始数据集DS₀中数据实例x_k关于A中各元素的隶属度值的乘积；根据步骤4)中对维各扩展维上隶属度函数的定义，计算实例x_k对由维某一扩展维的隶属度值

5-4)遍历候选模式集CPS所有候选模式CP_i∈CPS,i＝1,2,...u，通过步骤5-3)所述公式，计算其模糊支持度对所得模糊支持度升序排列，获得使实例x_k模糊支持度最大的候选模式CP_v的标号v，即同样，遍历维的5个扩展维通过步骤5-3)所述公式，计算并升序排列隶属度值获得使隶属度值最大的扩展维的标号h，即根据计算结果，对步骤5-2)所构建给矿量设定决策列联表中元素q_vh进行累加，即q_vh＝q_vh+1；

5-5)针对初始数据集DS₀中其他数据实例，重复步骤5-3)到5-4)，实现给矿量设定决策列联表中元素的更新；表中元素q_ij，i＝1,2,...,u且j＝1,2,...,5，表示在模式属性集{M_o,W_rs,W_ca,I_m,I_c}对应的划分空间下，初始数据集DS₀中具有模式CP_i所代表模糊语言值组合，且在给矿量设定值维上模糊语言值为的实例数量；初始数据集DS₀中所有数据实例能够被唯一的划至u个互不相同的模式之一，且在每一模式内形成一定的决策值分布；

5-6)分别对返砂水量设定数据集和排矿水量设定数据集，重复步骤5-2)～步骤5-5)的决策列联表构建方法，完成返砂水量设定列联表和排矿水量设定列联表的构建。

所述步骤6)中，基于决策信息的增量更新和完备化方法，包括以下步骤：

6-1)决策列联表中模式互不相同，对于给矿量设定决策列联表具有u个互异的模式CP_i,i＝1,2,...,u；将决策列联表中每一行内容视为一条决策规则，生成形如"IF……THEN……"的规则并做如下变换：

式中，V_tj∈{NB,NS,Z,PS,PB}，表示规则在属性a_j∈{M_o,W_rs,W_ca,I_m,I_c}上的模糊语言取值；P_tj表示规则在决策属性上模糊语言取值为的条件概率q_tj表示在模式属性的取值组合符合规则且给矿量设定值为的数据实例的数量；根据上述定义，将给矿量设定决策列联表转化为给矿量设定决策规则集

6-2)对于给矿量设定决策规则集每一条蕴涵规则由单独规则前件[V_t1,V_t2,...,V_t5]和规则后件集组成；规则对应的权重M为数据实例总数；

6-3)提取步骤2)中形成增量数据库DS_k(k≥1)，如：增量数据库DS₁＝{x_M+1,x_M+1,...,x_M+L}，取出数据实例x_M+1，根据步骤5-3)和步骤5-4)所述方法确定x_M+1在模式属性集{M_o,W_rs,W_ca,I_m,I_c}对应的划分空间下规则前件取值[V_(M+1)1,V_(M+1)2,...,V_(M+1)5]，以及在决策属性上的模糊语言取值

6-4)将计算出的实例x_M+1所属规则前件[V_(M+1)1,V_(M+1)2,...,V_(M+1)5]与给矿量设定决策规则集中各规则的前件进行对比；如实例x_M+1所属规则前件无法与中任一规则的前件相匹配时，跳转至步骤6-5)；如实例x_M+1所属规则前件与中规则的规则前件相匹配时，更新规则在决策属性模糊语言值上实例数量q_ts＝q_ts+1，论域中数据实例总数M＝M+1；计算更新后决策规则集中规则在各决策属性模糊语言值上的条件概率以及所有规则的权重并跳转至步骤6-6)；

6-5)实例x_M+1所属规则前件无法与中任一规则对应前件相匹配时，新加入决策规则该新加规则的规则前件为实例x_M+1所属规则前件[V_(M+1)1,V_(M+1)2,...,V_(M+1)5]，该规则在决策属性模糊语言值上的实例数量q_(u+1)s＝1，而在其他决策属性模糊语言值上的实例数量q_js＝0；更新决策规则集的规则数量u＝u+1，论域上数据实例总数M＝M+1；计算更新后决策规则表中新加规则在各决策属性模糊语言值上的条件概率以及所有规则的权重并跳转至步骤6-6)；

6-6)获得加入增量数据集DS₁＝{x_M+1,x_M+1,...,x_M+L}中数据实例x_M+1后，更新了的给矿量设定决策规则集

6-7)对增量数据集DS₁中其他数据实例，重复步骤6-3)～步骤6-6)，获得基于初始数据集DS₀和增量数据集DS₁的给矿量设定决策规则集

6-8)对增量数据库中其他数据集DS_k,k＞1，重复步骤6-3)～步骤6-7)，实现了对决策规则集基于数据集DS_k的增量更新；

6-9)针对返砂水量设定列联表和排矿水量设定列联表重复步骤6-1)～步骤6-8)，完成对返砂水量设定决策集和排矿水量设定决策集的增量更新；

6-10)判断当前给矿量设定决策规则集是否满足u表示决策规则集规模；如符合上述条件，则跳转至6-11)；如不符合上述条件，则以当前决策规则集作为相应完备化规则集，并跳转至6-16)；

6-11)对某决策规则集进行完备化，决策规则集前件为5个语言变量{MO,WRS,WCA,IM,IC}，值域都为[0,1]，在每一语言变量上定义了5个模糊子集{NB,NS,Z,PS,PB}作为语言值；对于给矿量设定决策规则集决策变量为值域为[0,1]，其上定义5个模糊子集{NB,NS,Z,PS,PB}作为语言值；

6-12)遍历中所有规则，筛选出规则权重W_t＝0的规则并组成缺失规则集MR，即则有效规则集对缺失规则集MR中单个规则mR_i，通过匹配规则前件的语言值组合，筛选出所有与规则mR_i相差一个相邻模糊子集的有效规则eR_j∈ER，并组成缺失规则mR_i的邻近规则集NR_i；

6-13)对缺失规则mR_i∈MR的邻近规则集k＜＜u，根据下式计算缺失规则mR_i对应后件在决策语言值上的条件概率

$P_i^s=\frac{P_{1s}{W}_1+P_{2s}{W}_2+...P_{ks}{W}_k}{W_1+W_2+...+W_k}$

其中，P_ks表示邻近规则在决策语言值上的条件概率；W_k表示邻近规则的规则权重；

6-14)将缺失规则mR_i的规则前件与步骤6-13)计算所得规则后件在各决策语言值上的条件概率进行组合，构成推理规则iR_i；

6-15)依次对缺失规则集MR中所有缺失规则，重复步骤6-13)～步骤6-14)，获得一系列推理规则iR_i,i＝1,2,...,|MR|，MR|为集合的模，构成推理规则集更新给矿量设定决策规则集实现了决策规则集的完备化；

6-16)获得完备化决策规则集针对返砂水量设定决策集和排矿水量设定决策集重复步骤6-11)～步骤6-15)，分别获得完备化的决策规则集和

与现有技术相比，本发明具有以下有益效果：

本发明所述的基于决策规则提取的选矿厂磨矿分级系统节能优化方法，采用基于智能控制的模糊控制技术，通过构建给矿量、返砂水量和排矿水量决策规则集，实现对选矿厂磨矿分级系统中三个控制回路优化设定值的可靠估计。该新型节能优化方法与已有磨矿分级系统中控制回路设定值寻优方法相比，由于采用综合相关过程变量数据以构建模糊决策规则集，实现对特定控制回路设定值优化的方法，因此优化过程中即避免了采用专家经验知识所引入的主观不确定性，又克服了过程变量间相关性对回路设定值估计精度的影响。本发明所述方法基于对生产过程记录数据的分析和计算，提高模糊决策规则集的适应性，优化增量决策规则集的动态性，保证决策规则集的完备性。本发明所述的基于决策规则提取的选矿厂磨矿分级系统节能优化方法，将模糊控制技术、规则提取技术、规则增量更新技术以及规则完备化技术相集成，可消除工况时变的影响，实现磨矿分级系统中控制回路最优设定值的可靠估计。

【附图说明】

图1为给矿量语言值隶属度函数曲线图；

图2为返砂水量和排矿水量语言值隶属度函数曲线图；

图3为磨机电流和分级机电流语言值隶属度函数曲线图；

图4为给矿量设定值语言值隶属度函数曲线图；

图5为返砂水量设定值和排矿水量设定值语言值隶属度函数曲线图。

【具体实施方式】

下面结合附图对本发明做进一步详细描述：

本发明基于决策规则提取的选矿厂磨矿分级系统节能优化方法，以给矿量、返砂水量和排矿水量的优化设定为目标，构建模糊决策规则集实现对选矿厂磨矿分级系统中三个控制回路设定值的在线估计，其中，基于列联表的决策规则提取、规则集的增量更新和完备化是通过对现场过程数据进行机器学习自动获得，具体包括以下步骤：

1)根据选矿厂磨矿分级系统在人工操作状态下，利用模拟量采集模块采集记录数据信息，以给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c组成模式属性集，分别以给矿量设定值返砂水量设定值及排矿水量设定值组成决策属性集，按照系统预设时间t₁进行数据采样记录，构成现场历史数据库。对已有历史数据库，应用统计预处理技术，获得采样时间t₂＝4t₁的预选数据库，该数据库在t₂时刻维度上的取值为：

${\bar{F}}_i\left(t_2\right)=\frac{t_1}{t_2}\underset{k=1}{\overset{t_2/t_1}{\Sigma }}{F}_i(k·t_1)$

其中，F_i、分别表示现场历史数据库和预选数据库D中的对应维度，F_i(k·t₁)表示现场历史数据库在k·t₁时刻维度F_i上的取值。而后，对数据实例数量为M预选数据库D进行归一化处理，数据实例x_j在维度上的归一化取值可通过下式进行计算：

${\bar{x}}_j^{{\bar{F}}_i}=\frac{x_j^{{\bar{F}}_i}-V_{\min }^{{\bar{F}}_i}}{V_{\max }^{{\bar{F}}_i}-V_{\min }^{{\bar{F}}_i}},j=1,2,...,M$

式中，表示数据实例x_j在维度上的原始取值，和分别表示M个数据实例在维度上所取原始值的最大值和最小值。通过上述处理后，预选数据库D在模式属性集{M_o,W_rs,W_ca,I_m,I_c}和决策属性集上，每一维度的值域为[0,1]；

2)读取预选数据库D中已有M个数据实例，并组成初始数据集DS₀；工业数据库继续存储数据，并形成m个数据规模固定为L的增量数据集，其中第k个增量数据集DS_k可表示为：

DS_k＝{x_(k-1)M+1,x_(k-1)M+2,…,x_(k-1)M+L}

其中，k∈{1,2,…,m}，x_j和j∈{(k-1)M+1,(k-1)M+2,…,(k-1)M+L}表示增量数据集DS_k中的一个数据实例，M为增量数据集DS_k起始位置标示，L为增量数据集DS_k的实例数量，m为大于1的自然数，k为小于等于m的自然数；

3)设定预选数据库D中给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m、分级机电流I_c、给矿量设定值返砂水量设定值及排矿水量设定值的语言变量分别为MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv，其论域为[0,1]；语言变量MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv的语言值均为{NB，NS，Z，PS，PB}，NB、NS、Z、PS和PB分别代表负大、负小、零、正小和正大；以模式属性集{M_o,W_rs,W_ca,I_m,I_c}分别与决策属性和组成给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集。

4)根据步骤3)对选矿厂磨矿分级系统预选数据库所构建的语言变量，根据定义的语言值进行预选数据库D的维度扩展。如：根据语言变量MO的语言值，将预选数据库的维M_o扩展成维维维维和维并称维维维维和维为维M_o的扩展维。接着，根据维M_o上语言值隶属度函数，以及预选数据库中每一实例在维M_o上取值，可确定每个实例在维维维维和维上的隶属度值；语言变量MO、WRS、WCA、IM和IC采用论域为[0,1]高斯型隶属度函数族，MO_sv、WRS_sv和WCA_sv中的语言值均采用论域为[0,1]的等腰三角型隶属度函数族。采用相同方法，对预选数据库D中其它维进行扩展，并确定每个实例在给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集中对应扩展维上的隶属度值；

5)分别从步骤4)中扩展后的预选数据库D中维M_o、维W_rs、维W_ca、维I_m和维I_c的扩展维中选择一个维度出来，组合为一条候选模式CP；遍历维M_o、维W_rs、维W_ca、维I_m和维I_c所有扩展维的组合，可得到候选模式集CPS，CPS＝{CP₁,CP₂,...,CP_u}，u表示互不相同的模式数量；

6)对某设定数据集进行决策规则集构建，对于给矿量设定数据集，决策属性为给矿量设定值维的扩展维表示为：从候选模式集CPS中选择出一候选模式CP_i∈CPS,i＝1,2,...u，与维的5个扩展维组合，构成一条决策规则项；遍历所有候选模式CP_i与给矿量设定值的扩展维的组合，可得到给矿量设定决策列联表中元素q_ij的初始值为0，即q_ij＝0,i＝1,2,...u,j＝1,2,...,5，q_ij表示在模式属性的取值组合符合模式CP_i且给矿量设定值为的数据实例的数量；

7)给矿量设定决策列联表中，将由维M_o、维W_rs、维W_ca、维I_m和维I_c的扩展维组合的候选模式CP_i用A表示，将由维的5个扩展维组合的规则后项用B表示；则对初始数据集DS₀中数据实例x_k，可根据下式计算实例x_k对候选模式CP_i的模糊支持度

${\mathrm{FSup}}_{x_k}\left({\mathrm{CP}}_i\right)=\underset{x\in A}{\Pi }\mu \left(x_k\right)$

式中：表示初始数据集DS₀中数据实例x_k关于A中各元素的隶属度值的乘积。根据步骤4)中对维各扩展维上隶属度函数的定义，计算实例x_k对由维某一扩展维的隶属度值

8)遍历候选模式集CPS所有候选模式CP_i∈CPS,i＝1,2,...u，通过步骤7)所述公式，计算其模糊支持度对所得模糊支持度升序排列，获得使实例x_k模糊支持度最大的候选模式CP_v的标号v，即同样，遍历维的5个扩展维通过步骤7)所述公式，计算并升序排列隶属度值获得使隶属度值最大的扩展维的标号h，即根据计算结果，对步骤6)所构建给矿量设定决策列联表中元素q_vh进行累加，即q_vh＝q_vh+1；

9)针对初始数据集DS₀中其他数据实例，重复步骤7)到步骤8)，实现给矿量设定决策列联表中元素的更新；表中元素q_ij，i＝1,2,...,u且j＝1,2,...,5，表示在模式属性集{M_o,W_rs,W_ca,I_m,I_c}对应的划分空间下，初始数据集DS₀中具有模式CP_i所代表模糊语言值组合，且在给矿量设定值维上模糊语言值为的实例数量；初始数据集DS₀中所有数据实例可被唯一的划至u个互不相同的模式之一，且在每一模式内形成一定的决策值分布；

10)同理，分别对返砂水量设定数据集和排矿水量设定数据集，重复步骤6)～步骤9)的决策列联表构建方法，可完成返砂水量设定列联表和排矿水量设定列联表的构建。

11)上述构建的决策列联表中模式互不相同，对于给矿量设定决策列联表具有u个互异的模式CP_i,i＝1,2,...,u；将决策列联表中每一行内容视为一条决策规则，可生成形如"IF……THEN……"的规则并做如下变换：

式中，V_tj∈{NB,NS,Z,PS,PB}，表示规则在属性a_j∈{M_o,W_rs,W_ca,I_m,I_c}上的模糊语言取值；P_tj表示规则在决策属性上模糊语言取值为的条件概率q_tj表示在模式属性的取值组合符合规则且给矿量设定值为的数据实例的数量；根据上述定义，将给矿量设定决策列联表转化为给矿量设定决策规则集

12)对于给矿量设定决策规则集每一条蕴涵规则由单独规则前件[V_t1,V_t2,...,V_t5]和规则后件集组成；规则对应的权重M为数据实例总数；

13)提取步骤2)中形成增量数据库DS_k(k≥1)，如：增量数据库DS₁＝{x_M+1,x_M+1,...,x_M+L}，取出数据实例x_M+1，根据步骤7)和步骤8)所述方法确定x_M+1在模式属性集{M_o,W_rs,W_ca,I_m,I_c}对应的划分空间下规则前件取值[V_(M+1)1,V_(M+1)2,...,V_(M+1)5]，以及在决策属性上的模糊语言取值

14)将计算出的实例x_M+1所属规则前件[V_(M+1)1,V_(M+1)2,...,V_(M+1)5]与给矿量设定决策规则集中各规则的前件进行对比；如实例x_M+1所属规则前件无法与中任一规则的前件相匹配时，跳转至步骤15)；如实例x_M+1所属规则前件与中规则的规则前件相匹配时，更新规则在决策属性模糊语言值上实例数量q_ts＝q_ts+1，论域中数据实例总数M＝M+1；计算更新后决策规则集中规则在各决策属性模糊语言值上的条件概率以及所有规则的权重并跳转至步骤6-6)；

15)实例x_M+1所属规则前件无法与中任一规则对应前件相匹配时，新加入决策规则该新加规则的规则前件为实例x_M+1所属规则前件[V_(M+1)1,V_(M+1)2,...,V_(M+1)5]，该规则在决策属性模糊语言值上的实例数量q_(u+1)s＝1，而在其他决策属性模糊语言值上的实例数量q_js＝0；更新决策规则集的规则数量u＝u+1，论域上数据实例总数M＝M+1；计算更新后决策规则表中新加规则在各决策属性模糊语言值上的条件概率以及所有规则的权重并跳转至步骤16)；

16)获得加入增量数据集DS₁＝{x_M+1,x_M+1,...,x_M+L}中数据实例x_M+1后，更新了的给矿量设定决策规则集

17)对增量数据集DS₁中其他数据实例，重复步骤13)～步骤16)，获得基于初始数据集DS₀和增量数据集DS₁的给矿量设定决策规则集

18)对增量数据库中其他数据集DS_k,k＞1，重复步骤13)～步骤17)，实现了对决策规则集基于数据集DS_k的增量更新；

19)针对返砂水量设定列联表和排矿水量设定列联表重复步骤11)～步骤18)，完成对返砂水量设定决策集和排矿水量设定决策集的增量更新；

20)判断当前给矿量设定决策规则集是否满足u表示决策规则集规模；如符合上述条件，则跳转至步骤21)；如不符合上述条件，则以当前决策规则集作为相应完备化规则集，并跳转至步骤26)；

21)对某决策规则集进行完备化，决策规则集前件为5个语言变量{MO,WRS,WCA,IM,IC}，值域都为[0,1]，在每一语言变量上定义了5个模糊子集{NB,NS,Z,PS,PB}作为语言值；对于给矿量设定决策规则集决策变量为值域为[0,1]，其上定义5个模糊子集{NB,NS,Z,PS,PB}作为语言值；

22)遍历中所有规则，筛选出规则权重W_t＝0的规则并组成缺失规则集MR，即则有效规则集对缺失规则集MR中单个规则mR_i，通过匹配规则前件的语言值组合，筛选出所有与规则mR_i相差一个相邻模糊子集的有效规则eR_j∈ER，并组成缺失规则mR_i的邻近规则集NR_i；

23)对缺失规则mR_i∈MR的邻近规则集k＜＜u，根据下式计算缺失规则mR_i对应后件在决策语言值上的条件概率

$P_i^s=\frac{P_{1s}{W}_1+P_{2s}{W}_2+...P_{ks}{W}_k}{W_1+W_2+...+W_k}$

其中，P_ks表示邻近规则在决策语言值上的条件概率；W_k表示邻近规则的规则权重；

24)将缺失规则mR_i的规则前件与步骤23)计算所得规则后件在各决策语言值上的条件概率进行组合，构成推理规则iR_i；

25)依次对缺失规则集MR中所有缺失规则，重复步骤23)～步骤24)，获得一系列推理规则iR_i,i＝1,2,...,|MR|，MR|为集合的模，构成推理规则集更新给矿量设定决策规则集实现了决策规则集的完备化；

26)获得完备化决策规则集针对返砂水量设定决策集和排矿水量设定决策集重复步骤21)～步骤25)，分别获得完备化的决策规则集和

27)选矿厂磨矿分级系统通过测量模块测量当前工况下的给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c的运行值且分别由m′_o、w′_rs、w′_ca、i′_m和i′_c来表征；根据步骤4)中所述各变量语言值隶属度函数选择，计算M′_o、W′_rs、W′_ca、I′_m和I′_c分别在不同扩展维上的模糊隶属度值，其中M′_o、W′_rs、W′_ca、I′_m和I′_c分别为运行值m′_o、w′_rs、w′_ca、i′_m和i′_c对应的模糊语言值；选择各语言变量下获得最大隶属度值的语言值组合形成运行前件集PAS，该前件集为{M′_o,W′_rs,W′_ca,I′_m,I′_c}；

28)搜索由步骤26)获得的完备化规则集，如：给矿量设定规则集，匹配得到给矿量设定运行规则该规则的前件模式等于运行前件集PAS＝{M′_o,W′_rs,W′_ca,I′_m,I′_c}，运行规则中规则后件为给矿量设定值语言变量MO_sv语言值{NB,NS,Z,PS,PB}上对应的实例条件概率P_lj，j＝1,2,...,5；根据步骤4)中所述论域选择为[0,1]的等腰三角形隶属度函数族，并通过下式计算运行规则对应给矿量设定值的去模糊化值

${\mathrm{MO}}_{sv}^l=\underset{j=1}{\overset{5}{\Sigma }}{\bar{y}}^j{P}_{lj}$

为语言变量MO_sv对应语言值{NB,NS,Z,PS,PB}在论域[0,1]上定义的等腰三角型隶属度函数的中心；根据步骤1)中归一化公式，通过下式将论域为[0,1]的变换回其原始值域内，并表示为给矿量运行设定值MO′_sv：

${\mathrm{MO}}_{sv}^{\prime }={\mathrm{MO}}_{sv}^l(V_{max}^{M_o^{sv}}-V_{\min }^{M_o^{sv}})+V_{\min }^{M_o^{sv}}$

和分别表示预选数据D中数据实例在维度上所取原始值的最大值和最小值。

29)对返砂水量设定规则集和排矿水量设定规则集重复步骤28)的处理过程，获得当前工况下的返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv；如此得到的给矿量运行设定值MO′_sv、返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv作为当前工况下选矿厂磨矿分级系统的给矿量、返砂水量和排矿水量的最佳设定值，提供给选矿厂磨矿分级系统的控制器进行设置，使选矿厂磨矿分级系统一直在最佳方式下运行。

实施例：

以某选矿厂一段#4磨的磨矿分级系统为例，给出本发明的一个具体应用。该磨矿分级系统的主要设备包括：型号为QM44Φ3.6x4.5的球磨机，以及型号为2FLCΦ2400x14050的水力螺旋分级机。其工作流程为：原矿经破碎放置在矿仓中，通过变频器控制振动给矿机不断给矿至皮带，再经带有电子秤的皮带将矿物传送至球磨机进行研磨；通过电动调节阀来控制返砂水量和排矿水量，保证矿石和水的混合物在球磨机内部充分研磨，球磨机排出矿浆流入水力螺旋分级机进行粒度分级，粒度不合格(较粗)的返至球磨机再次研磨，粒度合格(较细)的在排矿水的作用下溢流下一工序；通过电流变送器检测球磨机和水力螺旋分级机的工作电流。

本发明以给矿量、返砂水量和排矿水量的优化设定为目标，构建模糊决策规则集实现对选矿厂磨矿分级系统中三个控制回路设定值的在线估计，其中，基于列联表的决策规则提取、规则集的增量更新和完备化是通过对现场过程数据进行机器学习自动获得。根据选矿厂磨矿分级系统在人工操作状态下，利用模拟量采集模块采集记录数据信息，以给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c组成模式属性集，分别以给矿量设定值返砂水量设定值及排矿水量设定值组成决策属性集，按照系统预设时间250ms进行平均值滤波，完成数据采样记录，构成现场历史数据库。并选取该磨矿分级系统处于正常([120t/h,160t/h])，欠载([0t/h,120t/h])和过载([160t/h,180t/h])等稳定工况下各1200组数据共3600组历史数据，随机抽取2000组数据作为初始数据集DS₀，并将剩余1600组数据随机划分为4个数据规模固定为400的增量数据集DS_k,k＝1,2,3,4。

设定预选数据库D中给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m、分级机电流I_c、给矿量设定值返砂水量设定值及排矿水量设定值的语言变量分别为MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv；语言变量MO、WRS、WCA、IM、IC、MO_sv、WRS_sv和WCA_sv的语言值均为{NB，NS，Z，PS，PB}，NB、NS、Z、PS和PB分别代表负大、负小、零、正小和正大；以模式属性集{M_o,W_rs,W_ca,I_m,I_c}分别与决策属性和组成给矿量设定数据集、返砂水量设定数据集和排矿水量设定数据集。构建好的各语言变量在各自原始论域中，对应隶属度函数曲线如图1-图5所示：

给矿量设定列联表、返砂水量设定列联表和排矿水量设定列联表的建立通过以下几个步骤：

1)分别从扩展后的预选数据库D中维M_o、维W_rs、维W_ca、维I_m和维I_c的扩展维中选择一个维度出来，组合为一条候选模式CP；遍历维M_o、维W_rs、维W_ca、维I_m和维I_c所有扩展维的组合，可得到候选模式集CPS，CPS＝{CP₁,CP₂,...,CP_u}，u表示互不相同的模式数量；

2)对某设定数据集进行决策规则集构建，对于给矿量设定数据集，决策属性为给矿量设定值维的扩展维表示为：从候选模式集CPS中选择出一候选模式CP_i∈CPS,i＝1,2,...u，与维的5个扩展维组合，构成一条决策规则项；遍历所有候选模式CP_i与给矿量设定值的扩展维的组合，可得到给矿量设定决策列联表中元素q_ij的初始值为0，即q_ij＝0,i＝1,2,...u,j＝1,2,...,5，q_ij表示在模式属性的取值组合符合模式CP_i且给矿量设定值为的数据实例的数量；

3)给矿量设定决策列联表中，将由维M_o、维W_rs、维W_ca、维I_m和维I_c的扩展维组合的候选模式CP_i用A表示，将由维的5个扩展维组合的规则后项用B表示；则对初始数据集DS₀中数据实例x_k，可根据下式计算实例x_k对候选模式CP_i的模糊支持度

${\mathrm{FSup}}_{x_k}\left({\mathrm{CP}}_i\right)=\underset{x\in A}{\Pi }\mu \left(x_k\right)$

式中：表示初始数据集DS₀中数据实例x_k关于A中各元素的隶属度值的乘积。根据步骤4)中对维各扩展维上隶属度函数的定义，计算实例x_k对由维某一扩展维的隶属度值

4)遍历候选模式集CPS所有候选模式CP_i∈CPS,i＝1,2,...u，通过步骤3)所述公式，计算其模糊支持度对所得模糊支持度升序排列，获得使实例x_k模糊支持度最大的候选模式CP_v的标号v，即同样，遍历维的5个扩展维通过步骤3)所述公式，计算并升序排列隶属度值获得使隶属度值最大的扩展维的标号h，即根据计算结果，对步骤2)所构建给矿量设定决策列联表中元素q_vh进行累加，即q_vh＝q_vh+1；

5)针对初始数据集DS₀中其他数据实例，重复步骤3)到步骤4)，实现给矿量设定决策列联表中元素的更新；表中元素q_ij，i＝1,2,...,u且j＝1,2,...,5，表示在模式属性集{M_o,W_rs,W_ca,I_m,I_c}对应的划分空间下，初始数据集DS₀中具有模式CP_i所代表模糊语言值组合，且在给矿量设定值维上模糊语言值为的实例数量；初始数据集DS₀中所有数据实例可被唯一的划至u个互不相同的模式之一，且在每一模式内形成一定的决策值分布；

6)同理，分别对返砂水量设定数据集和排矿水量设定数据集，重复步骤2)～步骤5)的决策列联表构建方法，可完成返砂水量设定列联表和排矿水量设定列联表的构建。

构建好的基于初始数据集DS₀的三个设定列联表如表1-表3所示。

表1给矿量设定决策列联表

表2返砂水量设定列联表

表3排矿水量设定列联表

给矿量设定规则集、返砂水量设定规则集和排矿水量设定规则集的建立通过以下几个步骤：

1)决策列联表中模式互不相同，对于表1所示给矿量设定决策列联表具有72个互异的模式CP_i,i＝1,2,...,72；将决策列联表中每一行内容视为一条决策规则，可生成形如"IF……THEN……"的规则并做如下变换：

式中，V_tj∈{NB,NS,Z,PS,PB}，表示规则在属性a_j∈{M_o,W_rs,W_ca,I_m,I_c}上的模糊语言取值；P_tj表示规则在决策属性上模糊语言取值为的条件概率q_tj表示在模式属性的取值组合符合规则且给矿量设定值为的数据实例的数量；根据上述定义，将给矿量设定决策列联表转化为给矿量设定决策规则集

2)对于给矿量设定决策规则集每一条蕴涵规则由单独规则前件[V_t1,V_t2,...,V_t5]和规则后件集组成；规则对应的权重M＝2000为数据实例总数；

3)提取增量数据库DS_k(k≥1)，如：增量数据库DS₁＝{x₂₀₀₁,x₂₀₀₂,...,x₂₄₀₀}，取出数据实例x₂₀₀₁，根据步骤5-3)和步骤5-4)所述方法确定x₂₀₀₁在模式属性集{M_o,W_rs,W_ca,I_m,I_c}对应的划分空间下规则前件取值[V_(2001)1,V_(2001)2,...,V_(2001)5]，以及在决策属性上的模糊语言取值

4)将计算出的实例x_M+1所属规则前件[V_(2001)1,V_(2001)2,...,V_(2001)5]与给矿量设定决策规则集中各规则的前件进行对比；如实例x_M+1所属规则前件无法与中任一规则的前件相匹配时，跳转至步骤5)；如实例x_M+1所属规则前件与中规则的规则前件相匹配时，更新规则在决策属性模糊语言值上实例数量q_ts＝q_ts+1，论域中数据实例总数M＝2000+1；计算更新后决策规则集中规则在各决策属性模糊语言值上的条件概率以及所有规则的权重并跳转至步骤6)；

5)实例x₂₀₀₁所属规则前件无法与中任一规则对应前件相匹配时，新加入决策规则该新加规则的规则前件为实例x₂₀₀₁所属规则前件[V_(2001)1,V_(2001)2,...,V_(2001)5]，该规则在决策属性模糊语言值上的实例数量q_(73)s＝1，而在其他决策属性模糊语言值上的实例数量q_js＝0；更新决策规则集的规则数量u＝72+1，论域上数据实例总数M＝2000+1；计算更新后决策规则表中新加规则在各决策属性模糊语言值上的条件概率以及所有规则的权重并跳转至步骤6)；

6)获得加入增量数据集DS₁＝{x₂₀₀₁,x₂₀₀₂,...,x₂₄₀₀}中数据实例x₂₀₀₁后，更新了的给矿量设定决策规则集

7)对增量数据集DS₁中其他数据实例，重复步骤3)～步骤6)，获得基于初始数据集DS₀和增量数据集DS₁的给矿量设定决策规则集

8)对增量数据库中其他数据集DS_k,k＞1，重复步骤3)～步骤7)，实现了对决策规则集基于数据集DS_k的增量更新；

9)针对表2所示返砂水量设定列联表和表3所示排矿水量设定列联表重复步骤1)～步骤8)，完成对返砂水量设定决策集和排矿水量设定决策集的增量更新；

10)判断当前给矿量设定决策规则集是否满足u表示决策规则集规模；如符合上述条件，则跳转至步骤11)；如不符合上述条件，则以当前决策规则集作为相应完备化规则集，并跳转至步骤16)；

11)对某决策规则集进行完备化，决策规则集前件为5个语言变量{MO,WRS,WCA,IM,IC}，值域都为[0,1]，在每一语言变量上定义了5个模糊子集{NB,NS,Z,PS,PB}作为语言值；对于给矿量设定决策规则集决策变量为值域为[0,1]，其上定义5个模糊子集{NB,NS,Z,PS,PB}作为语言值；

12)遍历中所有规则，筛选出规则权重W_t＝0的规则并组成缺失规则集MR，即则有效规则集对缺失规则集MR中单个规则mR_i，通过匹配规则前件的语言值组合，筛选出所有与规则mR_i相差一个相邻模糊子集的有效规则eR_j∈ER，并组成缺失规则mR_i的邻近规则集NR_i；

13)对缺失规则mR_i∈MR的邻近规则集k＜＜u，根据下式计算缺失规则mR_i对应后件在决策语言值上的条件概率

$P_i^s=\frac{P_{1s}{W}_1+P_{2s}{W}_2+...P_{ks}{W}_k}{W_1+W_2+...+W_k}$

其中，P_ks表示邻近规则在决策语言值上的条件概率；W_k表示邻近规则的规则权重；

14)将缺失规则mR_i的规则前件与步骤13)计算所得规则后件在各决策语言值上的条件概率进行组合，构成推理规则iR_i；

15)依次对缺失规则集MR中所有缺失规则，重复步骤13)～步骤14)，获得一系列推理规则iR_i,i＝1,2,...,|MR|，MR|为集合的模，构成推理规则集更新给矿量设定决策规则集实现了决策规则集的完备化；

16)获得完备化决策规则集针对返砂水量设定决策集和排矿水量设定决策集重复步骤11)～步骤15)，分别获得完备化的决策规则集和

针对选矿厂磨矿分级系统三个回路设定值的决策规则集，通过离线的方式已经设计完毕。在具体实施时，选矿厂球磨机制粉系统采用PLC和工控机组成的DCS系统，利用模拟量采集模块采集信号数据。在工控机中应用Matlab的模糊工具箱来构建图1-图5所述的隶属度函数，以及基于表1-表3的决策规则集，将设计结果存为后缀名fis的文件；而后将Matlab提供的独立C代码模糊推理引擎封装在动态链接库中；最后通过工控软件全局脚本动作功能来调用该动态链接库，读取相应fis文件和数据文件，并通过下述过程完成计算推理和预测输出：

1)选矿厂磨矿分级系统通过测量模块测量当前工况下的给矿量M_o、返砂水量W_rs、排矿水量W_ca、磨机电流I_m及分级机电流I_c的运行值且分别由m′_o、w′_rs、w′_ca、i′_m和i′_c来表征；根据图1-图5所示隶属度函数族，并进行归一化后，计算M′_o、W′_rs、W′_ca、I′_m和I′_c分别在不同扩展维上的模糊隶属度值，其中M′_o、W′_rs、W′_ca、I′_m和I′_c分别为运行值m′_o、w′_rs、w′_ca、i′_m和i′_c对应的模糊语言值；选择各语言变量下获得最大隶属度值的语言值组合形成运行前件集PAS，该前件集为{M′_o,W′_rs,W′_ca,I′_m,I′_c}；

2)搜索获得的决策规则集，如：给矿量设定规则集，匹配得到给矿量设定运行规则该规则的前件模式等于运行前件集PAS＝{M′_o,W′_rs,W′_ca,I′_m,I′_c}，运行规则中规则后件为给矿量设定值语言变量MO_sv语言值{NB,NS,Z,PS,PB}上对应的实例条件概率P_lj，j＝1,2,...,5；根据图1-图5所示隶属度函数族，归一化后，通过下式计算运行规则对应给矿量设定值的去模糊化值

${\mathrm{MO}}_{sv}^l=\underset{j=1}{\overset{5}{\Sigma }}{\bar{y}}^j{P}_{lj}$

为语言变量MO_sv对应语言值{NB,NS,Z,PS,PB}在论域[0,1]上定义的隶属度函数的中心；根据步骤1)中归一化公式，通过下式将论域为[0,1]的变换回其原始值域内，并表示为给矿量运行设定值MO′_sv：

${\mathrm{MO}}_{sv}^{\prime }={\mathrm{MO}}_{sv}^l(V_{max}^{M_o^{sv}}-V_{\min }^{M_o^{sv}})+V_{\min }^{M_o^{sv}}$

和分别表示预选数据D中数据实例在维度上所取原始值的最大值和最小值。

3)对返砂水量设定规则集和排矿水量设定规则集，重复步骤2)的处理过程，获得当前工况下的返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv。

如此得到的给矿量运行设定值MO′_sv、返砂水量运行设定值WRS′_sv和排矿水量运行设定值WCA′_sv作为当前工况下选矿厂磨矿分级系统的给矿量、返砂水量和排矿水量的最佳设定值，提供给选矿厂磨矿分级系统的控制器进行设置，使选矿厂磨矿分级系统一直在最佳方式下运行。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。