一种融合多元信息的故障报警阈值确定方法技术

本发明专利技术适用于工业过程的状态监测和信息融合领域，旨在降低故障报警的误漏报率，提高故障检测精度。一种融合多元信息的故障报警阈值确定方法，包括以下步骤：数据向统一区间置信结构的转换；基于区间证据推理的阈值更新模型的构建；基于最小误漏报率的故障报警阈值优化。本发明专利技术创新利用区间证据推理算法融合监测数据和区间故障阈值得到总体区间置信度，基于监测数据和投影协方差矩阵自适应进化策略自适应更新报警阈值，有效解决了环境因素带来的多种不确定性问题。通过阈值优化，得到故障检测误漏报率最低的报警区间阈值。本发明专利技术能够有效降低监测系统的误报和漏报次数，提高工业过程的安全性与可靠性，具有很好的工程应用价值。

A method to determine the threshold value of fault alarm based on multi information fusion

【技术实现步骤摘要】
一种融合多元信息的故障报警阈值确定方法
本专利技术适用于工业过程的状态监测和信息融合领域，旨在降低故障报警的误漏报率，提高监测系统的故障检测精度。涉及一种融合多元信息的故障报警阈值确定方法。
技术介绍
在工业过程的状态监测中，故障报警阈值作为系统发生故障的重要判据，其设置的合理性直接影响到故障的监测精度。如附图1所示，蓝色实线代表系统的实际故障阈值，若阈值设置过高(如虚线S1)，尽管监测值P超过了实际阈值，报警系统也不会进行故障预警，造成故障漏报，进而威胁到工作人员的人身安全和系统安全；若阈值设置过低(如虚线S2)，当监测值Q低于实际阈值而超过S2时，报警系统也会频繁报警，造成故障误报，影响工作秩序。因此，设置准确合理的故障报警阈值，对于提高工作效率、确保系统的安全可靠运行来说意义重大。目前，基于模型、基于统计、基于神经网络和基于模糊推理的报警阈值确定方法在相应的领域能够完成阈值的确定。但工业过程中监测数据受噪声等因素干扰，可能存在数据缺失、信息失真等多种不确定性。此外，对于一个复杂系统而言，监测指标往往复杂多样，特征各异，定量信息和定性知识相互交织，在本专利技术中称为多元信息。而基于专家系统的方法能够将各种不确定性量化至同一框架下，有效融合多元信息，是一种有效的不确定性下的多属性决策(Mutipleattributedecisionmaking，MADM)方法。因此，在工业过程的状态监测和信息融合领域，基于专家知识的阈值确定方法较其它方法优势更加明显。工业环境复杂多变，精确的数值型阈值一般难以直接表征干扰作用下的故障信息；而区间阈值能够充分结合专家知识和系统的机理分析，将故障阈值控制在某个合理的范围内，并根据实时监测数据对故障作出更为合理的判断。可见，报警阈值的研究实质上是一个区间不确定性下的MADM问题。因此，本专利技术提出一种融合多元信息的故障报警阈值确定方法，将数值型报警阈值拓展至区间型，旨在降低故障检测误漏报率，提升监测系统性能。
技术实现思路
本专利技术针对工业过程状态监测中的报警阈值确定问题，为有效融合专家知识，解决监测数据缺失、信息失真等多种不确定性，提出一种融合多元信息的故障报警阈值确定方法。本专利技术的技术方案在于：一种融合多元信息的故障报警阈值确定方法，其特征在于：步骤1：将监测数据x和区间故障阈值[y1,y2]转换至同一个区间置信结构中；本专利技术将监测数据x和区间故障阈值[y1,y2]作为两条证据，由于二者具有不同的表达形式和数值单位，IER算法无法直接对其进行融合。考虑到置信结构能够表达任何形式的数据这一优点，在采用IER算法前，首先将监测数据x和区间故障阈值[y1,y2]转换至统一的置信结构中。所述的区间置信结构为：其中，F为评估等级，F＝{(F1，正常)，(F2，故障)，(F3，严重故障)}；参考值的选取依据历史监测数据和专家知识而定；表示为指标ai相对于评估等级Fn的区间置信度；采用基于规则的输入信息转换技术，将监测数据x和区间故障阈值[y1,y2]分别转换到相对于参考等级的区间置信结构；将监测数据x转换至区间置信结构中，表述为：区间故障阈值[y1,y2]转换至区间置信结构中，表述为：步骤2：基于区间证据推理的阈值更新模型的构建；首先，采用加权的方法将区间置信结构转化为区间概率质量；其次，采用区间证据推理算法IER依次融合监测数据x和区间故障阈值[y1,y2]对应的区间概率质量，得到融合后的区间置信度；再次，采用基于投影协方差矩阵自适应进化策略(Projectioncovariancematrixadaptionevolutionstrategy，P-CMA-ES)的算法进行阈值优化，利用监测数据x更新得到总体区间置信度最后，将转换为区间阈值；在得到如式(1)所示的区间置信结构后，首先将其转化为区间概率质量；假设监测数据x和区间故障阈值[y1,y2]的权重分别为ωi，其中i＝1,2；且ω1＝ω2，区间概率质量可由式(4)-(7)求得：其中，表示由证据的不重要性引起的剩余概率质量，表示由评估的不完整性引起的剩余概率质量，由于式(1)是完整的，通过构建下列非线性优化模型并基于IER算法融合监测数据x和区间故障阈值[y1,y2]，得到总体区间置信度基于P-CMA-ES算法求解上述非线性优化模型，结果用表示，基于式(3)求得更新后的区间阈值。步骤3：基于最小误漏报率的故障报警阈值优化；构建最小误漏报率的阈值优化模型；阈值优化模型为：其中，s为故障的误漏报率，w为误报率，l表示漏报率，N为漏报率对系统的影响程度，y1和y2分别表示初始区间故障阈值[y1,y2]的上下界，通过优化得到目标故障报警阈值[y1,y2]'L。本专利技术的技术效果在于：本专利技术核心理论为区间证据推理，结合专家知识，将监测数据和故障阈值转换至统一的区间置信结构；通过构建一对非线性优化模型，实现阈值区间的更新；通过求解以最小误漏报率为目标函数的阈值优化模型，最终实现区间阈值的优化。附图说明图1为本专利技术故障报警阈值设置说明图。图2为本专利技术的总体技术方案图。图3为本专利技术步骤2基于区间证据推理的阈值更新模型图。图4为本专利技术步骤3基于最小误漏报率的阈值优化模型图。图5为本专利技术实施例数据曲线图。具体实施方式本专利技术以某型航天继电器关键参数(吸合时间)的阈值确定为例，说明所提方法的有效性。在JRC-7M继电器的加速寿命实验中，选取如图5所示的5800组吸合时间数据，已知继电器吸合时间从动作3500次左右后处于故障状态，在临界状态选取300组数据作为训练数据x1,x2,...,x300，然后分别在故障状态和正常状态选取200组数据作为故障误漏报率的测试数据c1,c2,...,c200和c′1,c′2,...,c′200。吸合时间的故障报警阈值确定方法包括以下步骤：将监测数据x和区间故障阈值[y1,y2]转换至同一个区间置信结构中；根据JRC-7M航天继电器技术说明，设置初始阈值为[7.6000,7.7000]，定义评估等级F＝{(F1，正常)，(F2，故障)，(F3，严重故障)}，等级“正常”和“故障”的参考值分别为f1＝6.5,f2＝7.52，而“严重故障”的参考值f3由专家结合该型继电器吸合时间的历史故障数据给出，h3＝7.96。将初始阈值与吸合时间数据转换为区间置信结构，如表1所示：表1融合指标相对评估等级的区间置信度融合指标F1F2F3[y1，y2]0[0，0][0.5909，0.81本文档来自技高网...

【技术保护点】
1.一种融合多元信息的故障报警阈值确定方法，其特征在于：该方法如下：/n步骤1：将监测数据x和区间故障阈值[y

【技术特征摘要】
1.一种融合多元信息的故障报警阈值确定方法，其特征在于：该方法如下：
步骤1：将监测数据x和区间故障阈值[y1,y2]转换至同一个区间置信结构中；
步骤2：基于区间证据推理的阈值更新模型的构建；
首先，采用加权的方法将区间置信结构转化为区间概率质量；
其次，采用区间证据推理算法IER依次融合监测数据x和区间故障阈值[y1,y2]对应的区间概率质量，得到融合后的区间置信度；
再次，采用基于投影协方差矩阵自适应进化策略P-CMA-ES算法进行阈值优化，利用监测数据x更新得到总体区间置信度
最后，将转换为区间阈值；
步骤3：基于最小误漏报率的故障报警阈值优化；
构建最小误漏报率的阈值优化模型；
阈值优化模型为：



其中，s为故障的误漏报率，w为误报率，l表示漏报率，N为漏报率对系统的影响程度，y1和y2分别表示初始区间故障阈值[y1,y2]的上下界，通过优化得到目标故障报警阈值[y1,y2]'L。


2.根据权利要求1所述融合多元信息的故障报警阈值确定方法，其特征在于：所述的区间置信结构为：
所述的区间置信结构为：



其中，F为评估等级，F＝{(F1，正常)，(F2，故障)，(F3，严重故障)}；

表示为指标ai相...

【专利技术属性】
技术研发人员：周志杰，唐帅文，胡昌华，刘涛源，曹友，陈媛，张超丽，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：陕西;61