[发明专利]一种基于概率图模型的工业过程报警根源识别方法

摘要

本发明属于工业报警系统管理技术领域，尤其涉及一种基于概率图模型的工业报警根源识别方法，包括获取报警变量和报警根源变量，计算每个报警根源变量为1和0时的概率；获得给定条件下报警变量为0和1时的概率，组成先验条件概率参数集θ；采用当前数据样本X(t)对θ的先验条件概率θ(t)，在线迭代更新；计算报警变量为x_a时，其报警根源变量来源于给定条件的后验条件概率计算报警变量为1时的后验概率矢量，将该矢量的元素降序分类，第一行元素即为报警根源；判断报警变量的报警根源不是已知根源的情况。本发明能解决目前报警根源识别中没有考虑漏报警和误报警、多报警根源同时存在和已知报警根源的不完整性等因素而导致报警根源识别不精确的问题。

主权项

1.一种基于概率图模型的工业过程报警根源识别方法，其特征在于：包括如下步骤：步骤1，获取历史报警变量X_a(t)和报警变量的父节点集计算每个报警根源变量为报警状态即时的概率以及为非报警状态即时的概率其中θ_i,0(t)+θ_i,1(t)＝1,i∈[1,n]；步骤2，获得第j组由报警变量X_a(t)的父节点所产生的可能值的集合定义报警变量X_a(t)＝0为报警变量处于非报警状态，报警变量X_a(t)＝1为报警变量处于报警状态；计算给定报警变量父节点集R取报警根源变量的第j组可能值的条件下，报警变量X_a(t)＝0的先验条件概率的参数θ_a,0|j(t)和报警变量X_a(t)＝1的先验条件概率的参数θ_a,1|j(t)，其中θ_a,0|j(t):＝P(X_a(t)＝0|R＝r_j)，θ_a,1|j(t):＝P(X_a(t)＝1|R＝r_j)，θ_a,0|j(t)+θ_a,1|j(t)＝1,结合步骤1所得到的报警根源变量处于报警状态的概率与非报警状态的概率得到贝叶斯网络中各个报警根源变量和报警变量X_a(t)的先验条件概率参数集θ(t):＝{θ_i,0(t),θ_i,1(t),θ_a,0|j(t),θ_a,1|j(t)}i＝1,2,...,n，j＝1,2,...2ⁿ；步骤3，θ(t)代表贝叶斯网络中各个报警根源变量和报警变量X_a(t)所组成的先验条件概率参数集，按迭代的方式，采用(t‑1)时刻的贝叶斯网络中各个报警根源变量和报警变量X_a(t)所组成的先验条件概率参数集θ(t‑1)和可观测的当前数据样本X(t)，X(t):＝[X₁(t),X₂(t),X₃(t),...,X_n(t),X_a(t)]^T，分别在条件X_a(t)＝1,R(t)＝r_j，X_a(t)＝0,R(t)＝r_j，四种情况下，对贝叶斯网络中的先验条件概率参数集θ(t):＝{θ_i,0(t),θ_i,1(t),θ_a,0|j(t),θ_a,1|j(t)}，i＝1,2,...,n，j＝1,2,...2ⁿ进行迭代学习，在线更新概率参数集；步骤4，依据贝叶斯法则，计算当报警变量X_a(t)的取值为x_a的条件下，报警根源变量来源于第j个父节点集r_j的后验条件概率其中，步骤5，计算报警变量X_a(t)＝1时，报警根源变量来源于第j个父节点集r_j的后验条件概率θ_j|1(t)，j＝1,2,...2ⁿ，其中分母是相同的，将它的分子记作由后验条件概率的分子组成后验概率矢量θ_p(t)，其中，将后验概率矢量θ_p(t)的元素按照降序排列，降序排列后的后验概率矢量记为θ_p,s(t)，然后取后验概率矢量θ_p(t)中概率取最大值的元素，即(θ_p,s(t),η)＝max(θ_p(t))，则报警根源即为η的第一个元素η(1)，当报警变量X_a(t)＝0即非报警状态时，无需分析其报警根源；步骤6，如果后验条件概率θ_j|1(t)对于j∈[1,2ⁿ‑1]是最大的后验条件概率，那么报警变量X_a(t)＝1时，报警根源就是对应第j个父节点集r_j等于1的父节点X_1,...,X_n；如果j的最后一个元素j＝2ⁿ对应的后验条件概率为最大，则报警变量X_a(t)＝1的报警根源不是X₁,...,X_n。