引用本文
化成城, 王宏, 卢绍文, 王宏. 面向知识自动化的磨矿系统操作员脑认知特征与控制效果的相关分析. 自动化学报, 2017, 43(11): 1898-1907. doi: 10.16383/j.aas.2017.c160328
HUA Cheng-Cheng, WANG Hong, LU Shao-Wen, WANG Hong. Knowledge Automation-oriented Brain Cognitive Feature and Control Effect Analysis of Operator in Mineral Grinding Process. ACTA AUTOMATICA SINICA, 2017, 43(11): 1898-1907. doi: 10.16383/j.aas.2017.c160328
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160328
关键词
知识自动化，操作控制水平，实时检测系统，脑认知，脑功能网络，相位锁
摘要
面向知识型工作自动化，研究了流程工业生产过程中操作人员的脑认知特征与操作控制水平之间的关键，建立了一种基于操作员脑网络特征的操作熟练程度隐性知识的显性化模型.采用关注信号瞬时相位、基于希尔伯特变换的相位锁方法，构建了脑功能网络（Functional brain network，FBN）.基于磨矿系统操作员脑功能网络的图论参数与社区连接强度，建立了特征空间，采用支持向量机与神经网络进行特征分类.结果表明，在高频区，熟练操作员（熟手）的脑功能网络连接强度明显高于不熟练操作员（生手）：在低频部分则生手的脑功能网络连接强度略高，其特征分类准确率为87.24%.磨矿系统操作过程中形成的溢流粒度（Grinding particle size，GPS）曲线可以初略地反映操作人员的熟练程度，本文在深入分析了其溢流粒度曲线与操作员脑网络特征的基础上，发现相对于溢流粒度曲线操作员的脑网络特征可以更全面地描述操作控制水平（特别在操作开始时间段），采用脑网络特征识别操作控制水平在时间上超前于溢流粒度曲线识别方法.本研究对于将知识工作者的认知特征引入到流程工业控制中，具有一定的借鉴意义.
文章导读
流程工业知识自动化涉及生产中的操作、调度、计划决策等知识型工作自动化, 而人作为其中的一环往往发挥着至关重要的作用[1], 成为了保障整个自动化系统优化运行的关键之一.目前, 在流程工业过程中, 高强度的工作往往由机器来做, 人在整个工业流程中以操作人员等形式构成了整个流程中的重要节点.操作人员的专业程度、熟练程度和专注度都直接或间接地影响着流程工业的效率和产品的质量.人不同于机器和计算机, 人易疲倦、易受情绪影响等, 因此人又是流程工业系统中较为薄弱的一环.如果能实时监测操作人员的状态, 将操作人员的信息引入到流程工业控制中, 以及帮助非熟练操作员(生手)水平的操作人员完成熟练操作员(熟手)级别的任务, 对于实现流程工业知识自动化具有重要意义.
知识获取是知识自动化系统的关键, 它直接关系到后续所建模型的精确度和有效性.传统的知识获取方法受人的主观因素影响较大, 容易产生知识的偏差, 比如问卷调查, 问卷调查确实是一种简单易行且成本低廉的判断方式, 但问卷调查结果无法表现出操作所需要的隐性知识, 比较容易受被试者主观意志影响且不能对操作人员在整个操作过程中进行实时监控.因此, 如何能够将人的操作和运行经验等知识完整且无偏差地转化为计算机能够使用的目标语言是亟待解决的关键问题.实际上, 人的行为是由脑来控制的, 人体的行为和思维信息往往可以通过人体的生理电信号反映出来.针对那些无法表达且传递较为困难的内隐知识, 采用分析相关人员脑电等生理信号的方式来实现知识提取, 将是一种可行的方法.
研究熟练操作人员(熟手)和非熟练操作人员(生手)工作中各个脑区间功能连接模式的差异, 有助于揭示人脑知识获取与大脑功能的关系, 从而了解人脑认知、记忆和信息处理的过程.从人机交互方面来讲, 认知特征的引入, 可以帮助我们更客观更超前地检测出操作人员的熟练程度.近年来, 脑网络作为神经科学领域的新方法, 得到了研究者们的广泛关注[2].对脑网络的研究主要集中在大脑神经疾病的诊断[3], 以及大脑智力、记忆力、认知、信息处理等功能或过程[4].本文将脑网络理论引入到流程工业过程中, 建立了一套基于操作人员脑网络特征的操作控制熟练程度隐性知识的显性化系统.以磨矿这一流程工业过程为例, 针对熟手与生手操作人员的脑电(Electroencephalogram, EEG)信号, 采用关注信号瞬时相位、基于希尔伯特变换的相位锁值(Phase locking value)[5-7], 构建了脑功能网络(Functional brain networks, FBN)[8], 将脑网络特征的分类结果作为隐性知识的显性化描述.利用图论(Graph theory)[9]方法和社区(Community)划分方法[10]提取脑功能网络特征, 建立特征空间.磨矿系统操作过程中形成的溢流粒度(Grinding particle size, GPS)曲线可以初略地反映操作人员的熟练程度, 本文在深入分析了其溢流粒度曲线与操作员的脑网络特征的基础上, 建立了操作控制与脑电特征之间的关系, 将工业控制过程信息与人脑认知特征有机地联系起来.
图 1 实验过程示意图
图 3 样本散点图((a)原始特征散点图; (b)主成分分析后相互独立的成分散点图)
图 4 熟手与生手操作形成的溢流粒度曲线对比
本文研究了磨矿控制过程中操作员基于脑电信号的脑认知特征与操作控制效果之间的关系, 并建立磨矿控制操作水平的识别系统.磨矿控制中操作员的操作水平为隐性知识, 该系统将操作人员脑网络特征作为表征操作水平隐形知识的显性化描述.在高频区, 熟手的脑功能网络连接强度明显高于生手; 在低频部分则生手操作员的脑功能网络连接强度略高; 上述特征在整个操作过程中一直出现, 其特征分类准确率为87.24%.相对于磨矿操作过程中形成的溢流粒度曲线可以初略地反映操作人员的熟练程度这一情况, 操作员的脑网络特征可以更加全面地描述操作控制水平(特别在操作开始时间段), 采用脑网络特征识别操作控制水平的方法能够在时间上超前于溢流粒度曲线, 且识别结果更加客观.本研究对于将知识工作者的认知特征引入到流程工业控制中, 具有一定的借鉴意义.
作者简介
化成城
东北大学机械工程与自动化学院博士研究生.主要研究方向为基于脑电信号的专家系统与模式识别.E-mail:131006411@stu.neu.edu.cn
卢绍文
东北大学流程工业综合自动化国家重点实验室副教授.2006年获得伦敦大学皇后玛丽学院电子工程学博士学位.主要研究方向为工业过程建模与仿真, 多尺度随机建模方法, 可视化方法.E-mail:lusw@mail.neu.edu.cn
王宏
曼彻斯特大学教授, 同时在东北大学、华中科技大学和中国科学院自动化研究所从事研究工作.主要研究方向为随机分布控制, 故障检测和诊断, 非线性控制, 基于数据的复杂系统的建模.E-mail:Hong.wang@manchester.ac.uk
王宏
东北大学机械工程与自动化学院教授.主要研究方向为生物机械电子工程, 人机交互与融合, 生物电信号分析与利用, 机器学习.本文通信作者.E-mail:hongwang@mail.neu.edu.cn
转载本文请联系原作者获取授权，同时请注明本文来自欧彦科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3291369-1431846.html?mobile=1
收藏
