[發明專利]一種基于概率圖模型的工業過程報警根源識別方法

在審

• 申請號: 201811233927.4
• 申請日: 2018-10-23
• 公開（公告）號: CN109446629A
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 王建東;楊子江;周東華
• 申請（專利權）人: 山東科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G08B21/00
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 朱昀

1.一種基于概率圖模型的工業過程報警根源識別方法，其特征在于：包括如下步驟：

步驟1，獲取歷史報警變量X_a(t)和報警變量的父節點集計算每個報警根源變量為報警狀態即時的概率以及為非報警狀態即時的概率其中θ_i,0(t)+θ_i,1(t)＝1,i∈[1,n]；

步驟2，獲得第j組由報警變量X_a(t)的父節點所產生的可能值的集合定義報警變量X_a(t)＝0為報警變量處于非報警狀態，報警變量X_a(t)＝1為報警變量處于報警狀態；

計算給定報警變量父節點集R取報警根源變量的第j組可能值的條件下，報警變量X_a(t)＝0的先驗條件概率的參數θ_a,0|j(t)和報警變量X_a(t)＝1的先驗條件概率的參數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,

結合步驟1所得到的報警根源變量處于報警狀態的概率與非報警狀態的概率得到貝葉斯網絡中各個報警根源變量和報警變量X_a(t)的先驗條件概率參數集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；

步驟3，θ(t)代表貝葉斯網絡中各個報警根源變量和報警變量X_a(t)所組成的先驗條件概率參數集，按迭代的方式，采用(t-1)時刻的貝葉斯網絡中各個報警根源變量和報警變量X_a(t)所組成的先驗條件概率參數集θ(t-1)和可觀測的當前數據樣本X(t)，X(t):＝[X₁(t),X₂(t),X₃(t),...,X_n(t),X_a(t)]^T，分別在條件X_a(t)＝1,R(t)＝r_j，X_a(t)＝0,R(t)＝r_j，四種情況下，對貝葉斯網絡中的先驗條件概率參數集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進行迭代學習，在線更新概率參數集；

步驟4，依據貝葉斯法則，計算當報警變量X_a(t)的取值為x_a的條件下，報警根源變量來源于第j個父節點集r_j的后驗條件概率其中，

步驟5，計算報警變量X_a(t)＝1時，報警根源變量來源于第j個父節點集r_j的后驗條件概率θ_j|1(t)，j＝1,2,...2ⁿ，其中分母是相同的，將它的分子記作由后驗條件概率的分子組成后驗概率矢量θ_p(t)，其中，將后驗概率矢量θ_p(t)的元素按照降序排列，降序排列后的后驗概率矢量記為θ_p,s(t)，然后取后驗概率矢量θ_p(t)中概率取最大值的元素，即(θ_p,s(t),η)＝max(θ_p(t))，則報警根源即為η的第一個元素η(1)，當報警變量X_a(t)＝0即非報警狀態時，無需分析其報警根源；

步驟6，如果后驗條件概率θ_j|1(t)對于j∈[1,2ⁿ-1]是最大的后驗條件概率，那么報警變量X_a(t)＝1時，報警根源就是對應第j個父節點集r_j等于1的父節點X_1,...,X_n；如果j的最后一個元素j＝2ⁿ對應的后驗條件概率為最大，則報警變量X_a(t)＝1的報警根源不是X₁,...,X_n。