專利名稱：一種基于報警證據融合的工業報警器設計方法
技術領域：
本發明涉及一種基于報警證據融合濾波的工業報警器設計方法，屬于工業報警器設計技術領域。
背景技術：
在石油化工等工業領域中，對大型設備主要運行過程變量的超限報警是掌握設備運行情況，及時發現設備異常或故障的重要手段。報警器產生的警報可以提醒設備操作者或維護人員及時采取停機或降級運行等措施，保證設備不受到更為嚴重的損害。報警器是否報警取決于所監測的過程變量是否觸發設定的報警閾值。然而在實際應用中，當報警器閾值設計不當時，常常會出現誤報甚至警報泛濫以及漏報等情況。這都會引起設備操作者無法準確判斷設備真實的運行狀況，從而導致不再信任報警器提供的警報信息。所以衡量一個報警器性能的基本指標為誤報率和漏報率。英國工程設備和材料用戶協會標準中已經·給出了數字濾波、時間延遲、設置死區等幾類常用的報警器設方法，但是這些傳統方法報警的判別方式都是基于絕對閾值的，即過程變量超過閾值則立即報警，低于閾值報警即刻解除。但是，這種絕對閾值的設計思路并不能很好的消除設備運行及傳感器信息采集中各種不確定性干擾，從而并不能完全有效地降低誤報率和漏報率，最終達到提高報警精準性的目的。為了進一步降低報警器的誤報率和漏報率，新興的信息融合技術，可以將不同時刻取得的含有不確定性的報警信息在某種規則下進行融合，從而降低不確定性因素對報警結果的影響，以獲得對設備運行狀態更精準的一致性解釋與描述，有效提高報警器警報的精準性。

發明內容
本發明的目的是提出一種基于報警證據融合的工業報警器設計方法，與傳統報警器設計方法中采用的絕對閾值報警判別方式不同，本發明所提方法基于模糊隸屬度函數設計出模糊閾值，將每個時刻過程變量的取值與模糊閾值進行比較計算出報警證據，該報警證據體現了過程變量取值超過或低于模糊閾值的不確定性程度；然后利用線性加權證據更新規則將當前時刻報警證據與以往時刻報警證據進行融合，得出當前時刻的全局報警證據，在相關判定準則下判定是否發出警報，融合過程可以有效降低不確定性的影響，提升報警器的精準性。本發明提出的基于報警證據融合的工業報警器設計方法，包括以下各步驟(I)設定某一設備報警器的辨識框架為 = {N，A}，其中N (Normal)表示設備處于正常運行狀態，A (Abnormal)表示設備處于異常運行狀態亦即報警狀態。(2)設X為該設備報警器需要監測的過程變量，令x(k)，k=l, 2，3，…是傳感器對過程變量X的在線測量序列，k為采樣時刻，采樣個數由報警器的監測周期和監控計算機的存儲空間而定，一般k的最大取值要大于2000，記1，WM和111P(WO)分別為X變化的最小值和最大值，定義Xtp為確定性閾值，并有msin< max(x(/:))，構造過程變量x關
于正常運行狀態N和異常運行狀態A隸屬度函數形式的模糊閾值分別為yN(X)和Ua(X),如式⑴和式⑵所示
hx<xfp
X-XufJN(x) = ~^,Xfp <x<xlf(I)
xv—xtp
0,x>xl
0,x<xfp·
X —JUi (X) = ^<X<《(2)
Xtp —Xtp
1,X > X1m其中4和4分別表示報警上下限，上標L代表下(low),上標U代表上(up)，并有4=x^(1_5%) K=xtp(l+5%)，式(2)表明當過程變量X取值超過Xtp并逐步變大時，則設備隸屬于異常狀態的程度逐步加大。(3)將k時刻過程變量X的測量值x(k)分別帶入上述步驟(2)中關于正常運行狀態N和異常運行狀態A的模糊閾值Un(X)和Ua(X)中，即可計算x(k)隸屬于N和A的隸屬程度mk (N)和mk(A)，分別如式(3)和式(4)所示
1,aW X1iimk (N) = < 》，xfp < x(k) < xl(3)
X￥ _xw
0,x(k)>xJlp
0,x(k)<x^x(k)-xfmt(A) =f,x <x(k) <x(4)
Y-Yv ^
P tP
1,x(k)> X^t顯然有mk (N) +mk (A)=I,則稱mk (N)和mk (A)為k時刻關于過程變量x的報警證據，并令mk = (mk (N)，mk (A))為k時刻獲得的報警證據向量。(4)按照上述步驟(3)獲得當前k時刻及其以往各個時刻關于過程變量X的報警證據向量之后，可以利用線性加權證據更新規則將k時刻報警證據向量與其以往時刻報警證據向量進行融合，得出當前k時刻的全局報警證據向量，記為< =(mf (N),mf(A))，上標g代表全局(global),具體步驟如下(4-1)當 k=l 時,有< =(mf (W),(X)) = #7丨，亦即全局報警證據
向量即為該時刻獲得的報警證據向量。(4-2)當k = 2時，有OTf =(mg2 (NlmI(A))，其中的<(#)是如式(5)所示的加權融合結果:ml (N) = aLmf (N)+ a2(5)這里的a I = 0. 5是關于OTf的加權比例因子，a 2 = 0. 5是關于Hi2(N)的加權比例因子t>力關于m2 (N)的示性因子，當m2(N)>m；^A)時= I，當m2 (N) <m2⑷時O =Ogm2(N)=Hi2(A) =0.5，/^(』)是如式(6)所示的加權融合結果rm(A) = a.mf{A) + a, 'S21(6)這里的故為關于m2(A)的示性因子，當m2(N)>m2(A)時<5 =0，當m2 (N) <m2⑷時d，=1，當 m2 (N) = m2 (A)時5/ =0.5，則有(#} + OTf (J) = I。(4-3)當k彡3時,有=(mgk(N),mgk(A))，其中的<(W)是如式(7)所示的加權融·合結果mgk (N) = OCkJnl1 (N) + ak《(7)這里的a H是關于 <—游加權比例因子，a,是關于mk的加權比例因子，其求法如以下步驟所示(a)在獲得k時刻報警證據向量mk = (mk (N), mk(A))和k_l時刻的全局報警證據向量= (HiHg(N) ,HiHg(A))以及k-2時刻的全局報警證據向邏n =Hnl^XmlAM之后，分別計算mk、Hik^g和<_2之間的兩兩余弦相似度為
廣,e、mt (Nyml^g (N)+ mk(A)(8}=
^ / ^ 、 nhnnt-2^h(N)*mf_2(N) + mk(Ayml_,(A)(9)
mfjmk_ts (AQ.mf—2 (N) + m卜產(A)Wtl1 (J)(10)(b)按照上述步驟(a)獲得Cos (mk，Hik^s)2)和廣片―2)后，再分別計算n^mk^和所|_2中每個報警證據向量被其它兩個報警證據向量的支持度為Sup(mk) = Cos (mk，mk__'g) + Cos(mk, mf_2)(11) Sup(mk^g) = Cos(mk，mk^g) + Cos(mk^g, msk^_)(12)Sup(mf__2) = Cos(mk, mf_2) + Cos{mk_xg，m\_2)(13)(c)按照上述步驟(b)獲得Sup (mk)、Sup (mklg)和如2)后，再分別計算關于的+加權比例因子a k_x和關于mk的加權比例因子a k為
Sup(mk_,s ) + Siip(mf_0)/1= e …J rg, 二 g 、(14)
Supimk) + SupimkS ) + Sup{ml_2)
Sup(Wik) i. =----(15)
Sup(mk) + Sup(mk—'g ) + Supimf^2)顯然有a H+ a k = I。<5f為關于mk (N)的示性因子，當mk (N) >mk⑷時# = I，當mk (N) <mk⑷時= 0，當mk(N) =mk(A)時5f=0.5，wf(j)是如式(16)所示的加權融合結果m>!{A)^ak ^n; ,{A) + ah 6；'(16)
這里的<為關于mk(A)的示性因子，當mk(N)>mk(A)時片=0，當mk(N) <mk(A)時St = I,當 mk (N) = mk (A)時貧=0 S 則有(N) + m8k ⑷=I。(5)根據步驟(4)得到的k時刻的全局證據向量< ={mgk (NXmgk (A))，給出報警準則若Wf⑷2<(的則報警，即說明此時過程變量X的取值x(k)表明設備處于異常運行狀態，若<04)<吋(#)則不報警，即說明此時過程變量X的取值x(k)表明設備處于正常運行狀態。(6)求取誤報率和漏報率最小時對應的最優模糊閾值/<(x)和丨(X)，上標0代表最優(optimal),具體步驟如下(a)事先從步驟(2)所述過程變量X的測量序列的歷史數據集合中，選出M個測量值作為尋找⑴和<⑷的測試樣本，排成序列X' (t)，t = 1，2，3，…M，一般M彡1000，并確知其中有Mn個測量值是在設備處于正常運行狀態時測得的，MaA測量值是在設備處于異常運行狀態測得的，X'⑴需要覆蓋X的變化區間[41市⑷Xmp (X⑷)]，且有Mn=O. 5 -M·和 Ma=O. 5 Mo(b)令步驟(2)中的確定性閾值Xtp依次取呼辦㈨州〃-…、,J1=Ij 2，…，20，
max (x{k))-min (x(々)}
其中 A =」，對于每個 xlp=imn(x(k))+(n-iyA,有.^=^,(1-5%)，
<=^0+5%)，則可以構造形如式(I)和⑵的模糊閾值Un(X)和UA(x)。(c)對于每個~IM，n=1，2，…，20，將步驟(a)中給出的測試樣本序列X' (t)，t=l，2，3，…M，代入步驟(3)中給出的報警證據求取公式，得到每個測試樣本的報警證據，如式(17)和(18)所示
I，義VX 4
xf(t) - ytL . , mt (N) = j L — J ,xtp < x (/) <xp(17)
xtP ~xtP
Q,x\t)>xl
0,^(0 <x'{t) - xfmt(J) = ] —f-,xv < x ( ) <xtp(18)
xip —xv
UV)>xl并得到報警證據向量mt = (mt(N)，mjA)), t=l, 2，3,…M。(d)按照步驟(4)中給出的線性加權證據更新規則對步驟(c)中給出的mt =(mt (N)，mt (A))進行融合，得出全局報警證據向量= (mf (N), mf⑷)，并按照步驟(5 )中給出的準則，由= (A0， f⑷)判斷M個測試樣本給出的報警結果。(e)對于每個\ = min(x(k))+( i-iyA，n=1，2，…，20，根據步驟(d)中給出的報警結果統計在此Xtp取值時的虛警率FAR和漏報率MAR，具體公式如下MfFAR = -—(19)
Mn
\A MAR = —(20)
MA在式(19)中，將表明設備正常運行的Mn個測試樣本中，按步驟(d)中給出報警結果，錯誤判斷設備處于異常運行狀態的次數記為M'，在式(20)中，將表明設備異常運行的Ma個測試樣本中，按步驟(d)中給出報警結果，錯誤判斷設備處于正常運行狀態的次數記為M"。(f)對于每個夂=m^(x(/f))+("-l)*A，n=1，2，…，20，都可按照步驟(e)計算出相
應的20組虛警率FAR和漏報率MAR，挑選出其中使得(FAR2+MAR2) 5取最小值的那個Xtp作為最優的確定性閾值，記為<，根據步驟(2)即可構造出最優的模糊閾值和M(X)。(7)按照步驟(f)獲取過程變量X的最優模糊閾值W(X)和Z(X)之后，即可按照步驟(3)至步驟(5)獲得在線測量序列x(k)，k=l, 2，3，…，在每個時刻的報警結果。本發明提出的一種基于報警證據融合的工業報警器設計方法，基于模糊隸屬度函數設計出模糊閾值，將每個時刻過程變量的測量值與模糊閾值進行比較計算出報警證據，該報警證據體現了過程變量取值超過或低于模糊閾值的不確定性程度；利用線性加權證據更新規則將當前時刻報警證據與以往時刻報警證據進行融合，得出當前時刻的全局報警證據，在相關判定準則下判定是否發出警報，融合過程可以有效降低不確定性的影響，提升報警器的精準性；并根據過程變量測量數據中提取的測試樣本，給出了尋找誤報率和漏報率最低準則下最優模糊閾值的方法。根據本發明方法編制的程序(編譯環境LabVIEW，C++等)可以在監控報警計算機上運行，并聯合傳感器、數據采集器及數據存儲器等硬件組成在線報警系統，實現對設備運行狀況的實時報警功能。


圖I是本發明方法的流程框圖。圖2是本發明方法的實施例中過程變量X的在線測量序列。圖3是本發明方法的實施例中過程變量X的測試樣本序列。圖4是本發明方法的實施例中Xtp = I時對應給出的模糊閾值。圖5是本發明方法的實施例中< =0.744時對應給出的最優模糊閾值。
具體實施例方式本發明提出的一種基于報警證據融合的工業報警器設計方法，其流程框圖如圖I所示，包括以下各步驟(I)設定某一設備報警器的辨識框架為 = {N，A}，其中N (Normal)表示設備處于正常運行狀態，A (Abnormal)表示設備處于異常運行狀態亦即報警狀態。(2)設X為該設備報警器需要監測的過程變量，令x(k)，k=l, 2，3，…是傳感器對過程變量X的在線測量序列，k為采樣時刻，采樣個數由報警器的監測周期和監控計算機的存儲空間而定，一般k的最大取值要大于2000，記0r(/())和分別為x變化的最小值和最大值，定義Xtp為確定性閾值，并有'inmp(#))，構造過程變量x關于正常運行狀態N和異常運行狀態A隸屬度函數形式的模糊閾值分別為yN(X)和Ua(X),如式⑴和式⑵所示
lx<xfp x — xuHs(X) = I L _% Xp <x< xI(I)
XtP —Xtp
0,x>x^
0,JC<x^·
Ha (X) = ^ \ , xfp <x< Xxjtp(2)
Xtp ~ Xtp
hx>Xlp其中<和分別表示報警上下限，上標L代表下(low),上標U代表上(up)，并有Xi=Xtp(ISVo) ,xl=xtp{\+5%)，式(2)表明當過程變量X取值超過Xtp并逐步變大時，則設備隸屬于異常狀態的程度逐步加大。需要說明的是，以上所構造的Un(X)和Ua(X)適用于設備異常運行引起過程變量取值變大的情況(情況一)，反之，對于設備異常運行引起過程變量取值變小的情況(情況二)，則情況一中的Un(X)即為情況二中的UA(X)，情況一中的Ua(X)即為情況二中的
y N(X)。(3)將k時刻過程變量X的測量值x(k)分別帶入上述步驟(2)中關于正常運行狀態N和異常運行狀態A的模糊閾值yN(k)和yA(X)中，即可計算x(k)隸屬于N和A的隸屬程度mk (N)和mk(A)，分別如式(3)和式(4)所示
\,x(k)<xfpmk(N) = \ L — ^ ,xl < x(k) <(3)
xtp —xp
0,x(k)>x^p
0,x(k)<xfp x(k) *■-mk(A) = j u _ K < x(k) < xl(4)
xtp —xtP
1,x(k)> X^t 顯然有mk (N) +mk (A)=I,則稱mk (N) mk (A)為k時刻關于過程變量x的報警證據，并令mk = (mk (N)，mk (A))為k時刻獲得的報警證據向量。需要說明的是，基于所構造的模糊閾值，式(3)求解出的mk(N)表示x(k)支持設備處于“正常運行狀態”的程度，式⑷求解出的mk(A)表示x(k)支持設備處于“異常運行狀態”的程度。
(4)按照上述步驟(3)獲得當前k時刻及其以往各個時刻關于過程變量X的報警證據向量之后，可以利用線性加權證據更新規則將k時刻報警證據向量與其以往時刻報警證據向量進行融合，得出當前k時刻的全局報警證據向量，記為吋，上標g代表全局(global),具體步驟如下(4-1)當 k=l 時，有wf = (mf(N),m°(A)) = Ntl= (Jnl (Ar)5W1 (A))，亦即全局報警證據向量即為該時刻獲得的報警證據向量。(4-2)當k = 2時，有w_ =(/wf(iV),/wf04))，其中的wf(#)是如式(5)所示的加權融
合結果m\ (N) = axmf (N) + a2(5)這里的a i = 0. 5是關于A的加權比例因子，a 2 = 0. 5是關于Hi2(N)的加權比例因子，為關于m2 (N)的示性因子，當m2 (N) >m2⑷時< =I，當m2 (N) <m2⑷時= 0，當·m2(N)^m2(A)mS^ =0.5煶如式(6)所示的加權融合結果(A) = a(A) + or,^d21(6)這里的為關于m2(A)的示性因子，當m2(N)>m2(A)時故=0，當m2 (N) <m2 (A)時 = I,當 m2 (N) = m2 (A)時^ = 0.5，則有(N) + mf (A) = I。(4-3)當k彡3時,有= Onf(N),m!(A))，其中的 是如式(7)所示的加權融
合結果mgk (N) = a^mll (N) + ak .d'f(7)這里的a 是關于Wl1的加權比例因子，a k是關于mk的加權比例因子，其求法如以下步驟所示(a)在獲得k時刻報警證據向量mk = (mk (N), mk(A))和k_l時刻的全局報警證據向量HiHg = OiiHg(N) ,HiHg(A))以及k-2時刻的全局報警證據向量= 2W,mf_204))之后，分別計算mk、Hik^和<2之間的兩兩余弦相似度為
廣, 、 ink-ml /mk(N)-IittJ(N)+ mk(AymkJ(A)(8) =
ros(m ...s/mk(Nyml_2(N) + m,(A).ml_2(A)(9) “ IWHlmMl
人-. mkJ(N).ml2(N) + Tn^jAyml1(A)(10)_6]如_士一+(m!_2{A)f(b)按照上述步驟(a)獲得Cos (mk, mj)、0 (%對—2)和2)后，再分別計算mk、HV18和/^_2中每個報警證據向量被其它兩個報警證據向量的支持度為Snpimk) = Cos (JTik，mk_^) + Cos (mk, )⑴)Sup(m 卜 ) = Cos(mk，) + Cosimk^g，mf_2)(12)Sup{ml_2) = Cos(mt，mf_2) + Cos(mk^s，mf—_:)(13)(c)按照上述步驟(b)獲得Sup(mk) ,Sup(Hik^g)和2)后，再分別計算關于wf—t的加權比例因子a 和關于mk的加權比例因子a k為
Sup{mk *) + Supimgk ,)ak_x =- h __廣 k,-2,--(14)
Sup{mk) + Sup(mk—ig ) + Sup(n^—2)__Supj mt)__「I qk Sup(mk、+ Sup(mk—'g、+ Sup(mf—2)顯然有a H+ a k = I。為關于mk (N)的示性因子，當mk (N) >mk⑷時< =I，當mk (N) <mk⑷時< =0，當mk(N) =HIk(A)時《=0.5，/<04)是如式(16)所示的加權融合結果m； {A) = ak ,m; , (A) + ak .(V:( 16)這里的^為關于mk⑷的示性因子，當mk (N) >mk⑷時& = 0，當mk (N) <mk⑷時8f =1，當 mk(N) =mk(A)時5/ =0.5，則有wf (W) +(= I。為了加深對步驟(4)的理解，這里舉例說明。首先假設已知k=l，2，3，4，5這5個時刻關于過程變量X的報警證據向量如表I所示·表I過程變量X的報警證據向量
時亥丨J kk=\k=2k=3k=4^=5
報警證據向量
,m / !=(0,1) " 2=(0.2,0.8) / .尸(0.6,0.4) ///4=(0.7,0.3)吧=(0.9，0.1)
mk={mk(N),mk{A))按照步驟(4)可以給出5個時刻的全局報警證據分別如下當k = I 時,根據步驟(4-1)可得，In1 ^m1= (0, I)。當k = 2 時，根據步驟(4-2)可得，mRN、= OtlIngl {N、+ oc2《=Q,其中的a J=O. 5 a 2=0. 5,5f =0= (J) +a2.5 =1，其中( * =1，則有 m2g= (0, I)。當k = 3時，根據步驟(4-3)可得，<(八/) = ^<(八/)十0 < = 0.263，其中Sf =1，根據步驟(4_3)中的子步驟 a 可得 Cos (m3, m2g) =0. 5547> Cos (m3, Hi1 g) =0. 5547>Cos (m2g, In18) =1,根據步驟(4-3)中的子步驟 b 可得 Sup (m3) =1. 1094、Sup (m2g) =1. 5547、Sup(IV)=L 5547，根據步驟(4-3)中的子步驟c可得a =0. 737和a 3=0. 263，并有mf (A) = a2mf (A) + a3 d,i = 0.737，其中 5 =0，最終則有 m/=(0. 263，0. 737)。當k = 4 時，根據步驟(4-3)可得，wf (JV) = a3/wf(iV) + a4*<54v = 0.459，其中 =1，根據步驟(4_3)中的子步驟子 a 可得 Cos (m4, m3s) =0. 6799> Cos (m4, m2g) =0. 3939、
Cos (m3g, m2g) =0. 9418,根據步驟(4-3)中的子步驟 b 可得 Sup (m4) =1. 0738、Sup (m3s) =1. 6217、Sup(m2g)=l. 3358，根據步驟(4-3)中的子步驟c可得a 3=0. 7336和a 4=0.2664，并有m; (A) = a3m (A) + = 0.541，其中( 1 = 0，最終則有 m4g= (0. 459，0. 541)。當k = 5 時，根據步驟(4-3)可得，<(A0 = a4/wf(A0 + a5.5, = 0.609,其中 =1，根據步驟(4-3)中的子步驟 a 可得 Cos (m5, m4s) =0. 7276、Cos (m5, m3g) =0. 438、
Cos (m4g, m3g) =0. 9354,根據步驟(4-3)中的子步驟 b 可得 Sup (m5) =1. 1656、Sup (m4s) =1. 663、Sup(m3g)=l. 3734，根據步驟(4-3)中的子步驟c可得a 4=0. 7226和a 5=0.2774，并有< (A) = a4ms4 (A) + a5 .(5/ = 0.391，其中5/ =0，最終則有 m5g= (0. 609，0. 391)。(5)根據步驟(4)得到的k時刻的全局證據向量wf = (mf (NlmI(A))，給出報警準則若則報警，即說明此時過程變量X的取值x(k)表明設備處于異常運行狀態，若<(』)<<(#)則不報警，即說明此時過程變量X的取值x(k)表明設備處于正常運行狀態。在上例中，根據5個時刻輸出的全局報警證據向量，根據步驟(5)可以給出報警結果如表2所示表2報警結果輸出
"7777"~全局報警證據向量 ZTTTZ^
時刻I g/ /m 報警結果 _H =(mgk (N),mgk(A))_
k=lmf =(0,1)異常運行(J)A=2w/=(0,1)異常運行(』)·
*=3 /=(0.263,0.737)異常運行(A)
k=4 /W/=(0.459,0.541)異常運行(J)
k=5 m "=(0.609,0.391)正常運行(AO(6)求取誤報率和漏報率最小時對應的最優模糊閾值(X)，上標0代表最優(optimal),具體步驟如下(a)事先從步驟(2)所述過程變量X的測量序列的歷史數據集合中，選出M個測量值作為尋找和的測試樣本，排成序列X' (t)，t = 1，2，3，…M，一般M彡1000，并確知其中有Mn個測量值是在設備處于正常運行狀態時測得的，MaA測量值是在設備處于異常運行狀態測得的，X'⑴需要覆蓋X的變化區間[呼屯⑷)#嚴(難))]，且有Mn=0. 5 -M和 Ma=O. 5 Mo(b)令步驟(2)中的確定性閾值Xtp依次取njnO(幻，n=1，2，…，20，其中 max (x(k))-min (.v(/;))
A=」，對于每個\ =m{in(雄))+(〃-” A 有;^=xfp(l-5%) ,^=^(1+5%)，
則可以構造形如式⑴和⑵的模糊閾值Un(X)和UA(x)。(c)對于旬I =m;in(x(A))+("-IVA，n=1，2，…，20，將步驟(a)中給出的測試樣本序列X' (t)，t=l，2，3，…M，代入步驟(3)中給出的報警證據求取公式，得到每個測試樣本的報警證據，如式(17)和(18)所示
xf — Xmt (N) = j ￡ _ ^ , 4 < x'(t) < %1(17)
Xtp — Xtp
0-,(/) > x；p
0,xr(t)<xfp
Xr(t) -X^mt (A) = j ir— ^ ,Xtp < x\t) <x-;p(18)
xtp —x>p
1,x'(t)>x^p并得到報警證據向量mt = (mt(N)，mt(A)), t=l, 2，3, ...M。(d)按照步驟(4)中給出的線性加權證據更新規則對步驟(c)中給出的mt =(mt (N), mt (A))進行融合，得出全局報警證據向量mf =Of (#)，<⑷)，并按照步驟(5)中給出的準則，由wf = (wf (W)，wf (3))判斷M個測試樣本給出的報警結果。(e)對于每個\ =n^iii(x伙))+(〃-l>A，n=1，2，…，20，根據步驟(d)中給出的報警
結果統計在此Xtp取值時的虛警率FAR和漏報率MAR，具體公式如下
MfFAR---(19)
Mn
U"·
MAR=-(20)在式(19)中，將表明設備正常運行的Mn個測試樣本中，按步驟(d)中給出報警結果，錯誤判斷設備處于異常運行狀態的次數記為M'，在式(20)中，將表明設備異常運行的Ma個測試樣本中，按步驟(d)中給出報警結果，錯誤判斷設備處于正常運行狀態的次數記為M"。(f)對于每個~ = m^C^))+("-IM，n=1，2，…，20，都可按照步驟(e)計算出相
應的20組虛警率FAR和漏報率MAR，挑選出其中使得(FAR2+MAR2) 5取最小值的那個Xtp作為最優的確定性閾值，記為 <，根據步驟(2)即可構造出最優的模糊閾值/^(X)和。需要說明的是，在以上步驟(6)的子步驟(a)中，在計算量允許的情況下，用于選擇最優模糊閾值和/^㈨的測試樣本個數M越大越好，子步驟(b)中Xtp取值個數n的最大值越大越好，因為此時對于每個4獲得的虛警率FAR和漏報率MAR會更加精確，所以本發明中給出的1000以及n最大取到20是結合步驟(6)在實施中節省計算量方面的考慮設定的，實際中可以適當增大M和n的最大值的取值。(7)按照步驟(f)獲取過程變量X的最優模糊閾值M(X)和<(x)之后，即可按照步驟(3)至步驟(5)獲得在線測量序列x(k)，k=l, 2，3，…，在每個時刻的報警結果。以下結合附圖，詳細介紹本發明方法的實施例本發明方法的流程框圖如圖I所示，核心部分是在確定需要監測的設備過程變量及其在線測量序列之后，造出關于該變量的模糊閾值，將每個時刻過程變量的測量值與模糊閾值進行比較計算出報警證據；利用線性加權證據更新規則將當前時刻報警證據與以往時刻報警證據進行融合，得出當前時刻的全局報警證據，在相關判定準則下判定是否發出警報，融合過程可以有效降低不確定性的影響，提升報警器的精準性；根據過程變量測量數據中提取的測試樣本，給出了尋找誤報率和漏報率最低準則下最優模糊閾值的方法。以下結合圖2中所示的過程變量的在線監測數據，給出最佳實施例，詳細介紹本發明方法的各個步驟，并通過實驗數據驗證在最優模糊閾值下得到的誤報率和漏報率顯著低于最優絕對閾值下傳統時間延遲方法得到的誤報率和漏報率。I、給定設備過程變量X的在線監測數據序列x(k)。過程變量X的在線監測數據序列x(k)如圖2所示，k的最大取值為4000，通過統計可知X變化的最小值和最大值mp(^》=7'46G2。2、求取誤報率和漏報率最小時對應的最優的模糊閾值/^(X)和(X)。根據步驟(6)中的子步驟(a)，若經事后分析得出，圖2所示的在線測量序列x(k)中，x(l) IlJ X(500)以及x(lOOl) IlJ X(1500)這1000個測量值是在設備處于正常運行狀態(N)下測得的，x(501)到x(lOOO)以及x(1501)到x(2000)這1000個測量值是在設備處于異常運行狀態(A)下測得的，則共有Mn = 1000個測量值是設備正常運行時所得數據，共有Ma=IOOO個測量值是設備異常運行時所得數據。將這兩組共2000個測量值排列成測試樣本序列X' (t), t = I, 2, 3,…M,M = MN+MA=2000,如圖3所示,X'⑴覆蓋了 x的變化區間[niin Cv(A)),max (x(k))}=[-5A 773,7.4602]唭中前1000個樣本是設備正常運行時采集的MnA
測量值，后1000個樣本是設備異常運行時采集的Ma個測量值。根據步驟(6 )中的子步驟(b )，令確定性閾值Xtp依次取呼1 (x(k))+(// - O-A，
max (x(/())-min {x(k))
n-1，2，…，20，其中A =-= 0.6071 ，對于母個x = min (.y(A))+(//-!)*A
Z\J^ k·
有4=\(1-5%) 4^(1+5%)，則可以構造形式⑴和⑵的模糊閾值，圖4中以Xtp=I為例，給出了其相應的模糊閾值。根據步驟(6)中的子步驟(C) - Cf)可得，當Xtp=O. 744時，在其對應的模糊閾值(如圖5所示)下獲得最小的(FAR2+MAR2)°-5=0. 0332，其中FAR=O. 9%和MAR=3. 2%。則圖4中的模糊閾值即為最優的模糊閾值Z(X)和/^(X)，并記最優的確定性閾值為< =0.744，相應的有最優的報警上下限分別為<[:=<(1+5%)和<~<(1-5%)。3、在設計的最優模糊閾值/4(4和Mb)下給出報警結果。在得到過程變量X的最優模糊閾值/^(X)和(X)之后，即可按照步驟(3)至步驟(5)獲得在線測量序列x(k)，k=l，2，3，…，在每個時刻的報警結果。若利用傳統的時間延遲報警器設計方法，即當x(k)中有連續3個測量值超過絕對閾值義時就報警，否則不報警。通過在區間
WM-5J773J46O2]中搜索，可選取出令(FAR2+MAR2) .5最小的最優絕對=0-7502，而此時的誤報率和漏報率分別為FAR=19. 5%和MAR=14. 4%，兩者的取值都大于本發明所給出的最優模糊閾值/^(X)和下的誤報率和漏報率，這說明了本發明所給出報警器設計方法有更好的精準性。
權利要求
1.一種基于報警證據融合的工業報警器設計方法，其特征在于該方法包括以下各步驟 (1)設定某一設備報警器的辨識框架為Θ= {N，A}，其中N表示設備處于正常運行狀態，A表示設備處于異常運行狀態亦即報警狀態； (2)設X為該設備報警器需要監測的過程變量，令x(k)，k=l，2，3，…是傳感器對過程變量X的在線測量序列，k為采樣時刻，采樣個數由報警器的監測周期和監控計算機的存儲空間而定，k的最大取值要大于分別為X變化的最小值和最大值，定義Xtp為確定性閾值，并有 < max{x{k))，構造過程變量x關于正常運行狀態N和異常運行狀態A隸屬度函數形式的模糊閾值分別為μΝ(χ)和μΑ(χ)，如式(I)和式⑵所示
全文摘要
本發明涉及一種基于報警證據融合的工業報警器設計方法，屬于工業報警器設計技術領域。該方法基于模糊隸屬度函數構造出模糊閾值，將每個時刻過程變量的測量值與模糊閾值進行比較計算出報警證據，該報警證據體現了過程變量取值超過或低于模糊閾值的不確定性程度；利用線性加權證據更新規則將當前時刻報警證據與以往時刻報警證據進行融合，得出當前時刻的全局報警證據，在相關判定準則下判定是否發出警報，融合過程可以有效降低不確定性的影響，提升報警器的精準性；并根據過程變量測量數據中提取的測試樣本，給出了尋找誤報率和漏報率最低準則下最優模糊閾值的方法。
文檔編號G08B21/18GK102789676SQ201210285220
公開日2012年11月21日 申請日期2012年8月10日 優先權日2012年8月10日
發明者宋曉靜, 徐曉濱, 文成林 申請人:杭州電子科技大學