基于多目标优化与证据迭代更新的工业报警器设计方法技术

本发明专利技术涉及一种基于多目标优化与证据迭代更新的工业报警器设计方法，属于工业报警器设计技术领域。本发明专利技术所提方法先使用投点映射变换法将历史数据集转化为报警证据，用启发式准则库对证据的可靠性进行实时更新，利用融合规则进行报警证据的融合，证据权重和输入参照值利用多维蜂群算法进行离线优化，并在判定准则下判定是否发出警报。本发明专利技术能有效降低不确定性的影响，提升报警器的精度。

【技术实现步骤摘要】
基于多目标优化与证据迭代更新的工业报警器设计方法
本专利技术涉及一种基于多目标优化与证据迭代更新的工业报警器设计方法，属于工业报警器设计

技术介绍
在高新技术迅猛发展的今天，信息化促进了企业工业化、产业化、现代化的迅速发展，各个行业都在加快信息化的步伐。信息沟通交换的领域也在不断扩大，覆盖了各个车间、工厂及设备运行过程的各个层次，与此同时，由于工业生产过程的纷繁复杂性，作为生产过程中的关键设备自然也就成为重点研究对象。如何实时监测设备运行状态，利用先进的信息处理方法及时、快速的发现设备异常从而保证生产过程的正常运行是相关科研和技术人员要解决的首要问题。大型工业设备由上千的传感器、执行器以及控制回路等，任何组件出现异常都可能导致故障，轻则使得设备运行效率变低，重则导致其出现不可修复的故障或产生重大事故。传统的工业报警器是否报警取决于所监测的报警变量是否触发设定的报警阈值，这种通过单一阈值触发报警产生的机制，在实际应用中常常会导致误报、漏报等情况发生，引起工作人员无法准确判断设备的真实状况，从而导致设备的故障。通常衡量一个报警器性能的基本指标为误报率(FAR)、漏报率(MAR)和平均延迟时间(AAD)。传统的报警方法采用过程变量超过阈值则立即报警、低于阈值报警即刻解除的机制，但是考虑到其它不确定影响因素以及实际中复杂的运行状况，传统方法并不能很好的处理各种不确定性，从而导致报警器的性能变差。
技术实现思路
本专利技术的目的是提出一种基于多目标优化与证据迭代更新的工业报警器设计方法，与传统报警器设计方法中采用的绝对阈值报警判别方式不同，本专利技术所提方法先使用投点映射变换法将历史数据集转化为报警证据，用启发式准则库对证据的可靠性进行实时更新，利用融合规则进行报警证据的融合，相关参数进行离线优化，并在判定准则下判定是否发出警报，从而有效降低不确定性的影响，提升报警器的各个性能指标。本专利技术包括以下各步骤：(1)设定报警器的辨识框架为Θ＝{NA,A}，其中NA＝0表示设备处于正常运行状态，A＝1表示设备处于异常运行状态。(2)设报警器的输入为x,其中x(t)，t＝1,2,3…,是传感器监测设备的在线序列，t为采样的时刻，采样的个数由报警器的监测周期和监控计算机设备来决定，xmin为输入的最小值，xmax为输入的最大值，则输入参照值集合为U＝{Un|n＝1,2,...,N}，其中xmin＝U1<U2<…<UN＝xmax，N为报警器输入x(t)的参照值的个数；报警器输出为设备的运行状态，记为y(t)，其参照值集合为V＝{Vm|m＝1,2}，其中V1＝NA＝0,V2＝A＝1。(3)利用传感器得到x的测量序列的历史数据集作为训练样本,表示为X＝{x(t)，t＝1,2,3,…T}，并已知其中有L1个是设备处于正常运行状态下的测量值,对应输出y(t)＝0，有L2个是在设备处于异常运行状态下的测量值,对应输出y(t)＝1，满足L1+L2＝T，将T个样本矢量表示为样本矢量集合S＝[x(t),y(t)]的形式，然后分别转化为相应的参照值似同度形式，具体步骤如下：(3-1)采样集的样本矢量[x(t),y(t)]的输入值x(t)与参照值Un的似同度分布，即相似度为Ru(x(t))＝{(Un,αn)|n＝1,...,N}(1a)其中αn'＝0n'＝1,...,N,n'≠n,n+1(1c)αn表示输入值x(t)在参照值Un下的似同度。(3-2)计算样本矢量[x(t),y(t)]中的输出值y(t)与参照值Vm的似同度分布为Rv(y(t))＝{(Vm,βm)|m＝1,2}(2a)其中βm'＝0m'＝1,...,M,m'≠m,m+1(2c)βm表示输出值y(t)在参照值Vm下的似同度。(3-3)采样集样本矢量[x(t),y(t)]根据步骤(3-1)和步骤(3-2)输入输出的匹配关系被转化为相应似同度分布形式(αnβm,αn+1βm,αnβm+1,αn+1βm+1)，其中，αnβm表示样本矢量[x(t),y(t)]中，分别x(t)在输入值参照值Un下，y(t)在输出参照值Vm下的综合似同度。(4)根据步骤(3)，将样本矢量集S中所有的样本转化为综合似同度的形式，然后构造出输出参照值和输入参照值之间的投点映射矩阵，如下表1所示，其中εm,n表示所有样本矢量[x(t),y(t)]中样本输入值x(t)匹配参照值Un，样本输出值y(t)匹配参照值Vm的综合似同度之和，表示所有输入值x(t)对参照值Un的样本矢量综合似同度之和，表示所有输出值y(t)对参照值Vm的样本矢量综合似同度之和，并有表1样本[x(t),y(t)]的投点映射矩阵(5)根据步骤(4)中的投点映射矩阵，通过似然归一化的处理，可获得当输入值x(t)对应参照值Un时，输出值y(t)对应参照值Vm的证据为并有则可定义对应于参照值Un的报警证据为因此，可构造出如表2所示的报警证据矩阵分布表来描述输入x(t)和输出y(t)之间的关系；表2输入x(t)的报警证据分布表(6)在线获取输入变量x(t)，t＝1,2,3,…，必然会隶属于某一个区间[Un-1,Un]，进而相应的两条报警证据被激活，因此可通过报警证据加权和的形式得到报警器在此时刻的报警证据et＝{(Vm,pm,t),m＝1,2}(5a)pm,t＝αn-1θm,n-1+αnθm,n(5b)(7)根据步骤(6)可以获得t(t>1)时刻关于输入x(t)的报警证据et,然后利用融合规则将et与t历史时刻所获得的全局报警证据进行融合，从而得到t时刻全局报警证据Et＝{(Vm,pm,t→e(2)),m＝1,2},其中pm,t→e(2)表示t时刻两个报警证据融合后的概率，并且在t≥3时刻构建启发式准则库在线更新每个新进输入所得的报警证据的可靠性rt,i，每时刻两条证据权重wt,i为定值,i＝1,2,具体步骤如下：(7-1)当t＝1时，通过步骤(6)可获得该时刻同时也是全局报警证据E1＝e1＝{(Vm,pm,1→e(2)),m＝1,2}。(7-2)当t＝2时，通过步骤(6)可获得该时刻报警证据e2＝{(Vm,pm,2),m＝1,2},并设定两条证据权重w2,i＝1，可靠性r2，i＝0.9，i＝1,2,利用融合规则将两个时刻的报警证据进行融合可得t＝2时刻全局报警证据E2＝{(Vm,pm,2→e(2)),m＝1,2}(6a)其中qm,i＝w2,ipm,i,i＝1,2(6c)(7-3)当t≥3时，同样可获取报警证据et＝{(Vm,pm,t),m＝1,2}，两证据权重wt,i不变，rt,1＝0.9,利用启发式准则库在线更新新进报警证据的可靠性rt，2，然后利用式(6-a)、(6-b)和式(6-c)进行融合得到全局报警证据,具体更新步骤如下：(7-3-1)利本文档来自技高网...

【技术保护点】
1.基于多目标优化与证据迭代更新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：/n(1)设定报警器的辨识框架为Θ＝{NA,A}，其中NA＝0表示设备处于正常运行状态，A＝1表示设备处于异常运行状态；/n(2)设报警器的输入为x,其中x(t)是传感器监测设备的在线序列，t为采样的时刻，采样的个数由报警器的监测周期和监控计算机设备来决定，x

【技术特征摘要】
1.基于多目标优化与证据迭代更新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)设定报警器的辨识框架为Θ＝{NA,A}，其中NA＝0表示设备处于正常运行状态，A＝1表示设备处于异常运行状态；
(2)设报警器的输入为x,其中x(t)是传感器监测设备的在线序列，t为采样的时刻，采样的个数由报警器的监测周期和监控计算机设备来决定，xmin为输入的最小值，xmax为输入的最大值，则输入参照值集合为U＝{Un|n＝1,2,...,N}，其中xmin＝U1<U2<…<UN＝xmax，N为报警器输入x(t)的参照值的个数；报警器输出为设备的运行状态，记为y(t)，其参照值集合为V＝{Vm|m＝1,2}，其中V1＝NA＝0,V2＝A＝1；
(3)利用传感器得到x的测量序列的历史数据集作为训练样本,表示为X＝{x(t)，t＝1,2,3,…T}，并已知其中有L1个是设备处于正常运行状态下的测量值,对应输出y(t)＝0，有L2个是在设备处于异常运行状态下的测量值,对应输出y(t)＝1，满足L1+L2＝T，将T个样本矢量表示为样本矢量集合S＝[x(t),y(t)]的形式，然后分别转化为相应的参照值似同度形式；
(4)将样本矢量集S中所有的样本转化为综合似同度的形式，然后构造输出参照值和输入参照值之间的投点映射矩阵，如下表1所示，其中εm,n表示所有样本矢量[x(t),y(t)]中样本输入值x(t)匹配参照值Un，样本输出值y(t)匹配参照值Vm的综合似同度之和，表示所有输入值x(t)对参照值Un的样本矢量综合似同度之和，表示所有输出值y(t)对参照值Vm的样本矢量综合似同度之和，并有
表1样本[x(t),y(t)]的投点映射矩阵






(5)根据步骤(4)中的投点映射矩阵，通过似然归一化的处理，获得当输入值x(t)对应参照值Un时，输出值y(t)对应参照值Vm的证据为



并有则定义对应于参照值Un的报警证据为



构造如表2所示的报警证据矩阵分布表来描述输入x(t)和输出y(t)之间的关系；
表2输入x(t)的报警证据分布表



(6)在线获取输入变量x(t)，其必然会隶属于某一个区间[Un-1,Un]，进而相应的两条报警证据被激活，可通过报警证据加权和的形式得到报警器在此时刻的报警证据
et＝{(Vm,pm,t),m＝1,2}
pm,t＝αn-1θm,n-1+αnθm,n
(7)根据步骤(6)获得t时刻关于输入x(t)的报警证据et，然后利用融合规则将et与t历史时刻所获得的全局报警证据进行融合，从而得到t时刻全局报警证据Et＝{(Vm,pm,t→e(2)),m＝1,2},其中pm,t→e(2)表示t时刻两个报警证据融合后的概率，并且在t≥3时刻构建启发式准则库在线更新每个新进输入所得的报警证据的可靠性rt,i，每时刻两条证据权重wt,i为定值；
(8)根据步骤(7)得到每一时刻的全局报警证据Et＝{(Vm,pm,t→e(2)),m＝1,2}若p1,t→e(2)≥p2,t→e(2)，则表明在t时刻设备处于正常状态；若p1,t→e(2)<p2,t→e(2)，则表明在t时刻设备处于异常状态，需要报警。


2.根据权利要求1所述的基于多目标优化与证据迭代更新的工业报警器设计方法，其特征在于：步骤(3)具体是：
(3-1)采样集的样本矢量[x(t),y(t)]的输入值x(t)与参照值Un的似同度分布：
Ru(x(t))＝{(Un,αn)|n＝1,...,N}
其中

αn+1＝1-αnUn≤x(t)≤Un+1
αn'＝0n'＝1,...,N,n'≠n,n+1
αn表示输入值x(t)在参照值Un下的似同度；
(3-2)计算样本矢量[x(t),y(t)]中的输出值y(t)与参照值Vm的似同度分布为
Rv(y(t))＝{(Vm,βm)|m＝1,2}
其中

βm+1＝1-βmVm≤y(t)≤Vm+1
βm'＝0m'＝1,...,M,m'≠m,m+1
βm表示输出值y(t)在参照值Vm下的似同度；
(3-3)采样集样本矢量[x(t),y(t)]根据步骤(3-1)和步骤(3-2)输入输出的匹配关系被转化为相应似同度分布形式(αnβm,αn+1βm,αnβm+1,αn+1βm+1)，其中，αnβm表示样本矢量[x(t),y(t)]中，分别x(t)在输入值参照值Un下，y(t)在输出参照值Vm下的综合似同度。


3.根据权利要求1所述的基于多目标优化与证据迭代更新的工业报警器设计方法，其特征在于：步骤(7)具体是：
(7-1)当t＝1时，通过步骤(6)获得该时刻同时也是全局报警证据E1＝e1＝{(Vm,pm,1→e(2)),m＝1,2}；
(7-2)当t＝2时，通过步骤(6)获得该时刻报警证据e2＝{(Vm,pm,2),m＝1,2},并设定两条证据权重w2,i＝1，可靠性r2，i＝0.9，i＝1,2，利用融合规则将两个时刻的报警证据进行融合可得t＝2时刻全局报警证据
E2＝{(Vm,pm,2→e(2)),m＝1,2}






其中
qm,i＝w2,ipm,i,i＝1,2
(7-3)当t≥3时，同样可获取报警证据et＝{(Vm,pm,t),m＝1,2}，两证据权重wt,i不变，rt,1＝0.9，利用启发式准则库在线更新新进报警证据的可靠性rt，2，然后进行融合得到全局报警证据。...

【专利技术属性】
技术研发人员：徐晓滨，张凯，翁旭，胡燕祝，侯平智，高海波，马枫，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33