[发明专利]一种基于N-gram模型的工业报警泛滥预测方法

说明书

本发明属于信号处理领域，尤其涉及一种基于N‑gram模型的工业报警泛滥预测方法，包括以下步骤：(1)获取历史报警泛滥数据集，统计其中报警变量，计算每个报警变量的区分度并剔除区分度为0的报警变量；(2)将处理后的数据集中的序列与正在出现的序列逐一做相似性对比，并将序列根据相似性分数从高到低排列；(3)设定时间窗口对再次处理后的数据集进行分段，并统计每个数据段的数量，求出利用样本数据集计算下一个可能出现的报警变量及对应的概率；(4)通过贝叶斯概率模型求出预测下一个出现的报警的概率和对应的置信区间；(5)对步骤(3)和(4)进行迭代运算。本发明解决了目前进行报警泛滥预测时预测不准确的问题。

技术领域

本发明属于信号处理领域，尤其涉及一种基于N-gram模型的工业报警泛滥预测方法。

背景技术

在目前的工业领域中，报警系统作为对工业过程中的异常情况进行监控和警报的角色被广泛应用。然而目前的工业报警系统依然存在着很多的问题，如滋扰报警，常驻报警和报警泛滥等。滋扰报警指的是短时间内产生的大量无意义的，不需要操作员进行响应的报警，这些报警的存在会降低操作人员对真正报警的响应能力；常驻报警指的是出现后持续保持很长时间的报警，这些报警通常在操作员采取动作后依旧清不掉，会影响操作员对系统工作状态的判断；报警泛滥是指短时间内发生许多报警，而且通常是由单一事件触发的，这些报警通常超过了操作人员的处理极限，解决起来比较复杂。

目前针对报警泛滥的研究工作主要在针对报警泛滥序列的相似性分析方面，而针对工业过程中实时出现的报警泛滥的及时预判和处理的研究还是一片空白。

报警泛滥的预测是指对于正在出现的报警泛滥，系统能够预测出下一个可能发生的报警，从而使操作人员能够提前进行操作。目前关于报警泛滥的预测主要存在的问题有：1)没有对历史报警泛滥进行分类的前提下直接进行预测，导致某些由不同事件导致的但是又有部分报警相同的历史报警泛滥用于预测时产生误导的结果；2)没有考虑历史报警泛滥数据库中数据的数量对于预测结果的影响，由实际经验来看，历史数据越多，对于预测的结果就会越精准，传统的n-gram预测方法并不能反映出历史数据数量对结果带来的影响，导致输出错误的预测结果，影响操作人员的判断。

以上两个问题为报警预测的可靠性造成了障碍，如果不解决将会可能造成错误的报警预测，影响操作人员的判断，造成工业生产过程中的安全和经济损失。

发明内容

根据以上现有技术的不足，本发明提供了一种基于N-gram模型的工业报警泛滥预测方法，其能解决目前在没有考虑历史报警泛滥的分类以及历史报警泛滥数据库中的数据数量的情况下进行报警泛滥预测而出现的预测不准确的问题。

本发明解决的技术问题采用的技术方案包括如下步骤：

(1)获取历史报警泛滥数据集统计其中报警变量计算每个报警变量的区分度D_i，对数据集中区分度为0的报警变量进行剔除预处理，形成第一数据集

(2)将第一数据集中的第m个历史报警泛滥序列与正在出现的报警序列逐一进行相似性对比，并将匹配后的序列根据相似性分数从高到低排列，形成第二数据集

(3)设定时间窗口和时间窗口的滑动大小对第二数据集进行分段，并统计每个数据段的数量，求出由第二数据集作为样本时下一个可能出现的报警变量及对应的概率；

(4)通过贝叶斯概率模型求出预测下一个出现的报警的概率和对应的置信区间[Z₁,Z₂]；

(5)对步骤(3)和步骤(4)进行N次迭代运算，取置信区间[Z₁,Z₂]下限Z₁最高的结果对应的数据集中的序列为最佳预测数据集，并将对应的预测结果输出为最终预测结果。

进一步地，步骤(1)的具体实现为：