[发明专利]一种基于报警证据融合的工业报警器设计方法

摘要

本发明涉及一种基于报警证据融合的工业报警器设计方法，属于工业报警器设计技术领域。该方法基于模糊隶属度函数构造出模糊阈值，将每个时刻过程变量的测量值与模糊阈值进行比较计算出报警证据，该报警证据体现了过程变量取值超过或低于模糊阈值的不确定性程度；利用线性加权证据更新规则将当前时刻报警证据与以往时刻报警证据进行融合，得出当前时刻的全局报警证据，在相关判定准则下判定是否发出警报，融合过程可以有效降低不确定性的影响，提升报警器的精准性；并根据过程变量测量数据中提取的测试样本，给出了寻找误报率和漏报率最低准则下最优模糊阈值的方法。

主权项

1.一种基于报警证据融合的工业报警器设计方法，其特征在于该方法包括以下各步骤：（1）设定某一设备报警器的辨识框架为Θ={N,A}，其中N表示设备处于正常运行状态，A表示设备处于异常运行状态亦即报警状态；（2）设x为该设备报警器需要监测的过程变量，令x(k)，k=1,2,3，…是传感器对过程变量x的在线测量序列，k为采样时刻，采样个数由报警器的监测周期和监控计算机的存储空间而定，k的最大取值要大于2000，记和分别为x变化的最小值和最大值，定义x_tp为确定性阈值，并有构造过程变量x关于正常运行状态N和异常运行状态A隶属度函数形式的模糊阈值分别为μ_N(x)和μ_A(x)，如式(1)和式(2)所示μN(x)=1,x≤xtpLx-xtpUxtpL-xtpU,xtpL<x<xtpU0,x≥xtpU---(1)]]>μA(x)=0,x≤xtpLx-xtpLxtpU-xtpL,xtpL<x<xtpU1,x≥xtpU---(2)]]>其中和分别表示报警上下限，并有式（2）表明当过程变量x取值超过x_tp并逐步变大时，则设备隶属于异常状态的程度逐步加大；（3）将k时刻过程变量x的测量值x(k)分别带入上述步骤（2）中关于正常运行状态N和异常运行状态A的模糊阈值μ_N(x)和μ_A(x)中，即可计算x(k)隶属于N和A的隶属程度m_k(N)和m_k(A)，分别如式(3)和式(4)所示mk(N)=1,x(k)≤xtpLx(k)-xtpUxtpL-xtpU,xtpL<x(k)<xtpU0,x(k)≥xtpU---(3)]]>mk(A)=0,x(k)≤xtpLx(k)-xtpLxtpU-xtpL,xtpL<x(k)<xtpU1,x(k)≥xtpU---(4)]]>显然有m_k(N)+m_k(A)=1，则称m_k(N)和m_k(A)为k时刻关于过程变量x的报警证据，并令m_k＝(m_k(N),m_k(A))为k时刻获得的报警证据向量；（4）按照上述步骤（3）获得当前k时刻及其以往各个时刻关于过程变量x的报警证据向量之后，可以利用线性加权证据更新规则将k时刻报警证据向量与其以往时刻报警证据向量进行融合，得出当前k时刻的全局报警证据向量，记为具体步骤如下：（4-1）当k=1时，有m1g=(m1g(N),m1g(A))=m1=(m1(N),m1(A)),]]>亦即全局报警证据向量即为该时刻获得的报警证据向量；（4-2）当k=2时，有其中的是如式(5)所示的加权融合结果：m2g(N)=α1m1g(N)+α2·δ2N---(5)]]>这里的α₁＝0.5是关于的加权比例因子，α₂＝0.5是关于m₂(N)的加权比例因子，为关于m₂(N)的示性因子，当m₂(N)>m₂(A)时当m₂(N)<m₂(A)时当m₂(N)＝m₂(A)时是如式(6)所示的加权融合结果：m2g(A)=α1m1g(A)+α2·δ2A---(6)]]>这里的为关于m₂(A)的示性因子，当m₂(N)>m₂(A)时当m₂(N)<m₂(A)时δ2A=1,]]>当m₂(N)＝m₂(A)时δ2A=0.5,]]>则有m2g(N)+m2g(A)=1;]]>（4-3）当k≥3时，有其中的是如式(7)所示的加权融合结果：mkg(N)=αk-1mk-1g(N)+αk·δkN---(7)]]>这里的α_k-1是关于的加权比例因子，α_k是关于m_k的加权比例因子，其求法如以下步骤所示：（a）在获得k时刻报警证据向量m_k＝(m_k(N),m_k(A))和k-1时刻的全局报警证据向量m_k-1^g=(m_k-1^g(N),m_k-1^g(A))以及k-2时刻的全局报警证据向量之后，分别计算m_k、m_k-1^g和之间的两两余弦相似度为Cos(mk,mk-1g)=mk·mk-1gT||mk||·||mk-1g||=mk(N)·mk-1g(N)+mk(A)·mk-1g(A)(mk(N))2+(mk(A))2·(mk-1g(N))2+(mk-1g(A))2---(8)]]>Cos(mk,mk-2g)=mk·mk-2gT||mk||·||mk-2g||=mk(N)·mk-2g(N)+mk(A)·mk-2g(A)(mk(N))2+(mk(A))2·(mk-2g(N))2+(mk-2g(A))2---(9)]]>Cos(mk-1g,mk-2g)=mk-1g·mk-2gT||mk-1g||·||mk-2g||=mk-1g(N)·mk-2g(N)+mk-1g(A)·mk-2g(A)(mk-1g(N))2+(mk-1g(A))2·(mk-2g(N))2+(mk-2g(A))2---(10)]]>（b）按照上述步骤（a）获得Cos(m_k,m_k-1^g)、和后，再分别计算m_k、m_k-1^g和中每个报警证据向量被其它两个报警证据向量的支持度为Sup(mk)=Cos(mk,mk-1g)+Cos(mk,mk-2g)---(11)]]>Sup(mk-1g)=Cos(mk,mk-1g)+Cos(mk-1g,mk-2g)---(12)]]>Sup(mk-2g)=Cos(mk,mk-2g)+Cos(mk-1g,mk-2g)---(13)]]>（c）按照上述步骤（b）获得Sup(m_k)、Sup(m_k-1^g)和后，再分别计算关于的加权比例因子α_k-1和关于m_k的加权比例因子α_k为αk-1=Sup(mk-1g)+Sup(mk-2g)Sup(mk)+Sup(mk-1g)+Sup(mk-2g)---(14)]]>αk=Sup(mk)Sup(mk)+Sup(mk-1g)+Sup(mk-2g)---(15)]]>显然有α_k-1+α_k＝1；为关于m_k(N)的示性因子，当m_k(N)>m_k(A)时当m_k(N)<m_k(A)时当m_k(N)＝m_k(A)时是如式(16)所示的加权融合结果：mkg(A)=αk-1mk-1g(A)+αk·δkA---(16)]]>这里的为关于m_k(A)的示性因子，当m_k(N)>m_k(A)时当m_k(N)<m_k(A)时δkA=1,]]>当m_k(N)＝m_k(A)时δkA=0.5,]]>则有mkg(N)+mkg(A)=1;]]>（5）根据步骤（4）得到的k时刻的全局证据向量给出报警准则：若则报警，即说明此时过程变量x的取值x(k)表明设备处于异常运行状态，若则不报警，即说明此时过程变量x的取值x(k)表明设备处于正常运行状态；（6）求取误报率和漏报率最小时对应的最优模糊阈值和具体步骤如下：（a）事先从步骤（2）所述过程变量x的测量序列的历史数据集合中，选出M个测量值作为寻找和的测试样本，排成序列x′(t)，t＝1,2,3，…M，M≥1000，并确知其中有M_N个测量值是在设备处于正常运行状态时测得的，M_A个测量值是在设备处于异常运行状态测得的，x′(t)需要覆盖x的变化区间且有M_N=0.5·M和M_A=0.5·M；（b）令步骤（2）中的确定性阈值x_tp依次取n=1,2，…,20，其中Δ=maxk(x(k))-mink(x(k))20,]]>对于每个xtp=mink(x(k))-(n-1)·Δ,]]>有则可以构造形如式(1)和(2)的模糊阈值μ_N(x)和μ_A(x)；（c）对于每个将步骤（a）中给出的测试样本序列x′(t)，代入步骤（3）中给出的报警证据求取公式，得到每个测试样本的报警证据，如式(17)和(18)所示mt(N)=1,x′(t)≤xtpLx′(t)-xtpUxtpL-xtpU,xtpL<x′(t)<xtpU0,x′(t)≥xtpU---(17)]]>mt(A)=0,x′(t)≤xtpLx′(t)-xtpLxtpU-xtpL,xtpL<x′(t)<xtpU1,x′(t)≥xtpU---(18)]]>并得到报警证据向量m_t＝(m_t(N),m_t(A))；（d）按照步骤（4）中给出的线性加权证据更新规则对步骤（c）中给出的m_t＝(m_t(N),m_t(A))进行融合，得出全局报警证据向量并按照步骤（5）中给出的准则，由判断M个测试样本给出的报警结果；（e）对于每个根据步骤（d）中给出的报警结果统计在此x_tp取值时的虚警率FAR和漏报率MAR，具体公式如下：FAR=M′MN---(19)]]>MAR=M′′MA---(20)]]>在式(19)中，将表明设备正常运行的M_N个测试样本中，按步骤（d）中给出报警结果，错误判断设备处于异常运行状态的次数记为M′，在式(20)中，将表明设备异常运行的M_A个测试样本中，按步骤（d）中给出报警结果，错误判断设备处于正常运行状态的次数记为M″；（f）对于每个n=1,2，…,20，都可按照步骤（e）计算出相应的20组虚警率FAR和漏报率MAR，挑选出其中使得(FAR²+MAR²)^0.5取最小值的那个x_tp作为最优的确定性阈值，记为根据步骤（2）即可构造出最优的模糊阈值和（7）按照步骤（f）获取过程变量x的最优模糊阈值和之后，即可按照步骤（3）至步骤（5）获得在线测量序列x(k)，在每个时刻的报警结果。