CN103279033A - 一种原油管道调合过程状态辨识方法 - Google Patents

Abstract

本发明公开了一种原油管道调合过程状态辨识方法，首先分析多个传感器采集到的数据，获得不同传感器对多种运行状态子集的基本概率分配（Basic Probability Assignment，BPA），然后送推理辨识器处理，推理辨识器先基于各传感器的众信度对BPA进行修正，最后进行证据组合推理获得原油管道调合过程状态的最终辨识结果。本发明适用于原油管道调合过程控制系统中存在多种传感器采集信息的情况。可以显著提高原油管道调合过程控制系统运行状态辨识精度，有效降低状态误判率，提高系统可靠性。

Description

一种原油管道调合过程状态辨识方法

技术领域

本发明公开了一种原油管道调合过程状态辨识方法，具体适用于原油管道调合过程控制系统中采用多种传感器采集信息并进行运行状态辨识的情况。

背景技术

在原油管道调合过程控制系统中，需要检测压力、液位、流量及温度等多种物理量，以辨识调合过程运行状态。正确判断调合过程状态，如管线的压力状态及组分罐（或调合罐）液位状态，对顺利完成原油调合优化控制至关重要。为了判断管线压力状态是“过压”、“欠压”、“正常”，需在压力测点（或其附近）安装一台或多台压力传感器；为了判断组分罐（或调合罐）液位状态是“过高”、“正常”、“过低”，往往要综合多个压力传感器、液位传感器或最直接的液位开关信息。

对于如压力、液位、流量及温度等不同物理量的检测，涉及压力传感器、液位计、流量计及计温度传感器等多种类型传感器；而对于辨识压力、液位状态等关系到调合过程可靠运行的重要物理量，部分场合安装多个同种或不同种类型传感器同时进行数据采集，多个同种类或不同种类传感器在自然或人为干扰条件下，不可避免会存在获取信息的不确定性，导致冲突信息的存在。目前，对于冲突信息多采用数学平均或简单逻辑处理等方法辨识判断系统运行状态。因此，无论采用单传感器辨识运行状态或多传感器信息进行辨识，普遍存在辨识精度底、可靠性差等缺点。

现有的推理辨识方法主要包括以下几种：

1.D-S证据理论

对于同一识别框架下n个独立概率分配函数m₁，m₂，…，m_n，其D-S证据推理结果m为n个概论分配函数的正交和：

，定义为：

$m_{\⊕}\left(A\right)=\left\{\begin{array}{cc}\frac{1}{1-K}\underset{\∩X_i=A}{\underset{X_i\⊆2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(X_i\right)& \∀A\⊆\mathrm{\Θ},A\≠\mathrm{\φ}\\ 0& A=\mathrm{\φ}\end{array}\right.$

这里，

反映了n个证据的冲突程度。

D-S证据推理的最大特点是在证据中对不确定性的表示、测量和组合方面优势明显；同时，又摆脱了先验概率的限制，这就使得DS证据理论可以处理不同层次属性的合成问题。故D-S证据理论在实际应用中获得广泛应用。

然而，随着D-S证据理论在实践中的应用，人们也发现当参与证据组合的证据体之间存在较大冲突时，D-S组合规则往往无法有效处理，存在诸如组合结果矛盾、一票否决、鲁棒性问题，导致获得有悖常理、违反直觉的结论。针对这些问题，先后也出现了Yager、均值、Murphy等一些改进组合规则。

2.Yager组合规则

设m₁，m₂是同一辨识框架Θ中两个不同的概率分配函数，Yager组合规则定义为：

$m_Y\left(A\right)=\left\{\begin{array}{cc}0& A=\mathrm{\φ}\\ \underset{X\∩Y=A}{\underset{X,Y\⊆2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}{m}_1\left(X\right)m_2\left(Y\right)& A\≠\mathrm{\φ},A\≠\mathrm{\Θ}\\ m_1\left(\mathrm{\Θ}\right)m_2\left(\mathrm{\Θ}\right)+\underset{X\∩Y=\mathrm{\φ}}{\underset{X,Y\⊆2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}{m}_1\left(X\right)m_2\left(Y\right)& A=\mathrm{\Θ}\end{array}\right.,$

Yager认为，既然我们对证据的全局冲突无法作出合理的选择分配,就应将其归入未知集合。该方法在证据间冲突为零时与D-S合成公式处理是一样的；对冲突证据信息则完全否定，显得非常保守。尽管有多个证据提供了信息,但由于它们相互冲突，因此我们仍然所知甚少。

3.均值组合规则

设m₁，m₂，…，m_n同一辨识框架Θ中n个不同的概率分配函数，所对应的证据集为：F₁，F₂，…，F_n。均值组合规则通过平均运算来确定合成信任函数值：

$m\left(A_i\right)=\frac{1}{n}\underset{j=1,X_i\⊆A_i}{\overset{n}{\mathrm{\Σ}}}{m}_j\left(X_i\right)$

对于不一致证据该方法可以减少冲突的影响，综合冲突证据信息，获得可以接受的结果。对于一致证据该方法缺乏如D-S组合规则一样的证据累积特性，组合结果对优势假设命题子集的支持度不但没有增加，甚至可能降低，明显不具有收敛性。

4.Murphy组合规则

首先，将证据的基本概率赋值进行平均：

$m\left(A_i\right)=\frac{1}{n}\underset{j=1,X_i\⊆A_i}{\overset{n}{\mathrm{\Σ}}}{m}_j\left(X_i\right)$

然后，以平均基本概率赋值m(A_i)，i＝1,2,…作为修改后的证据源，按D-S组合规则组合n-1次。

与其它方法相比较，该组合规则可以处理突处证据且收敛速度较快，但Murphy方法只是将多源信息证据进行简单平均后处理，没有考虑各个证据之间的相互关系，这是其不足之处。同时，由于最终也靠D-S组合规则融合，存在局部冲突在全局分配的问题。

具体文献出处如下：

G．Shafer.A mathematic theory of Evidence[M],Princeton U P,Princeton,NJ,1976.

Yager R.R.On the Dempster-Shafer framework and new combination rules[J],Information Sciences,1987,Vol.41:93-138.

Murphy C K.Combining belief functions when evidence conflicts[J],DecisionSupport Systems,2000,29:l-9.

发明内容

本发明基于多传感器信息融合技术对原油管道调合过程中的重要关键运行状态进行辨识，先采用模糊化方法获取多个不同传感器对多种运行状态的基本概率分配（Basic Probability Assignment，BPA），然后采用推理辨识器对各传感器BPA进行推理辨识，从而获得原油管道调合过程的关键运行状态。

本发明为解决上述技术问题采用以下技术方案：一种原油管道调合过程状态辨识方法，首先分析传感器采集到的数据，获得传感器对多种运行状态子集的基本概率分配，然后利用推理辨识器基于各传感器的众信度对基本概率分配进行修正，进行证据组合推理获得原油管道调合过程状态的最终辨识结果；推理辨识器的工作过程如下，

（1）基于众信度的基本概率分配修正，具体过程如下：

设Θ是包含N个两两相斥命题的完备辨识框架，P(Θ)是Θ所有子集生成的空间,A_p是P(Θ)空间中第p个元素,p＝1,2,…,2^N，m(A_p)是A_p的的概率赋值，Ψ_P(Θ)是由P(Θ)中的元素组成的空间，一个基本概率分配是Ψ_P(Θ)中以m(A_p)为坐标的向量

,表示为

$\stackrel{\→}{m}=[m\left(A_1\right),m\left(A_2\right),\·\·\·,m\left(A_{2^N}\right)],A_p\∈P\left(\mathrm{\Θ}\right)---\left(1\right)$

其中，N为大于2的自然数，

m(A_i)≥0，i＝1,2,…,2^N，且

和

是Ψ_P(Θ)中第i个、第j个基本概率分配，计算两者的Jousselme距离 $d_{\mathrm{ij}}=\sqrt{\frac{1}{2}{({\stackrel{\→}{m}}_i-{\stackrel{\→}{m}}_j)}^T\underset{=}{D}({\stackrel{\→}{m}}_i-{\stackrel{\→}{m}}_j)}---\left(2\right)$

其中，

是一个2^N×2^N矩阵，它的元素为

A,B∈P(Θ)，|·|表示焦元属性所包含的基元个数；

设系统中证据源的数目为n，n的取值为自然数,计算不同证据体之间的距离，获得距离矩阵：

$D_M=\left[\begin{array}{cccc}0& d_{12}& ...& d_{1n}\\ d_{21}& 0& ...& d_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{n1}& d_{n2}& ...& d_{\mathrm{nn}}\end{array}\right]---\left(3\right)$

其中，第k（k＝1,2,…,n）个证据E_k到证据集中其他证据的均方根距离为

$d_k=\sqrt{\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{d}_{\mathrm{kt}}}{n}}---\left(4\right)$

其中，t＝1,2,…,n，d_k反映了证据E_k与证据集中其他证据的差异程度，d_kt表示第k个基本概率分配与第t个基本概率分配的Jousselme距离；

定义证据E_k的众信度为：

$c_k=e^{{-d}_k}/\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{e}^{{-d}_t}---\left(5\right)$

其中，d_t反映了证据E_t与证据集中其他证据的差异程度，n个证据体中，若对某一证据的支持程度最高，定义其绝对众信度为1，称该证据为首要证据，其他证据为次要证据，第k个证据的绝对众信度定义如下：

$r_k=c_k/\underset{t=\mathrm{1,2},\·\·\·,n}{\max \left(c_t\right)},k=\mathrm{1,2},\·\·\·,n---\left(6\right)$

以绝对众信度r_k（k＝1,2,…,n）为证据E_k的权重，对原始证据集的基本概率分配进行修正，若原始证据E_k的基本概率分配为 ${\stackrel{\→}{m}}_k=[m_k\left(A_1\right),m_k\left(A_2\right),\·\·\·,m_k\left(A_s\right)\·\·\·,m_k\left(\mathrm{\Θ}\right)],$ 则证据源修正后基本概率分配为

${\stackrel{\→}{m}}_k^{\′}=[m_k^{\′}\left(A_1\right),m_k^{\′}\left(A_2\right),\·\·\·,m_k^{\′}\left(A_s\right)\·\·\·,m_k^{\′}\left(\mathrm{\Θ}\right)]$

（7）

其中，m′_k(A_s)=r_k·m_k(A_s)， $m_k^{\′}\left(\mathrm{\Θ}\right)=1-\underset{s=1}{\overset{2^N-1}{\mathrm{\Σ}}}{r}_i\·m_k\left(A_s\right)(A_s\≠\mathrm{\Θ},s=\mathrm{1,2},\·\·\·,2^N);$

（2）证据组合推理，具体过程如下：

修正后多个证据源的基本概率分配按其权重r_k（k＝1,2,…,n）由小到大重新排列为：

最小权重两个基本概率分配分别为

按下述公式组合：

$m\left(A_s\right)=m_{\∩\left(A_s\right)}+\mathrm{\Σ}{m}^c\left(A_s\right),{\∀A}_s\∈P\left(\mathrm{\Θ}\right),A_s\≠\mathrm{\φ},s=\mathrm{1,2},\·\·\·,2^N---\left(8\right)$

其中，乘性运算：

$m_{\∩\left(A_s\right)}=\underset{B,C\⊆\mathrm{\Θ}}{\underset{B\∩C=A_s}{\mathrm{\Σ}}}{m}_a^{\′}\left(B\right)m_b^{\′}\left(C\right)$

局部冲突中分配给A_s部分：

$m^c\left(A_s\right)=\underset{A_p,A_s\⊆\mathrm{\Θ}}{\underset{A_p\∩A_s=\mathrm{\φ}}{\mathrm{\Σ}}}\frac{m_a^{\′}\left(A_s\right)}{m_a^{\′}\left(A_s\right)+m_b^{\′}\left(A_p\right)}{m}_a^{\′}\left(A_s\right)m_b^{\′}\left(A_p\right)$

按式（8）得到新的组合结果再与下一个证据源组合得到新的结果，反复执行上述过程，直到最后一个证据m'_k参与组合后结束。

进一步的，所述分析传感器采集到的数据，获得传感器对多种运行状态子集的基本概率分配，具体过程如下：

（1）模糊化过程：

模糊化过程作为推理辨识的输入接口，将确定的输入量转换成一个模糊矢量；

（2）基本概率分配获取：

基于隶属度曲线函数值大小，基本概率分配具体生成策略如下：

（201）当传感器采样的数据与所有运行状态子集表示的隶属度曲线不相交时,

认为该采样数据不支持任一运行状态子集分类；

（202）当采样数据与某运行状态子集属性的隶属度曲线表示模型相交时,交点纵坐标为支持该运行状态子集分类的基本概率赋值；

（203）当采样数据与多个运行状态子集的隶属度曲线表示模型相交时，多个交点的纵坐标为支持多种不同运行状态子集的基本概率赋值；

（204）对生成的基本概率赋值进行归一化处理，使多种运行状态子集的基本概率赋值之和等于1，获得对应该传感器的多种运行状态子集基本概率分配。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1．本发明所提出的原油管道调合过程状态辨识方法既适应于多传感器信息一致情况、也适应于多传感器信息矛盾情况。

2．本发明考虑了不同传感器之间的相互关联关系，不仅考虑了各个证据的众信度所表征的全局有效性，而且将局部冲突进行合理分配，最大程度地减少“坏值”对融合结果和决策的影响，也降低了决策风险。

3．对冲突信息的分配更加精细，对于一致性部分采用乘性算子，提高聚焦能力；对于冲突部分，将局部冲突在引起冲突的焦元间进行加性合理分配，增加组合可靠性。

4．收敛速度快，在证据比较少的情况下就可以收敛为正确的目标。

5．原油管道调合过程状态辨识的误判率低，辨识精度高、稳定性好。

附图说明

图1是本发明的原油管道调合过程状态辨识方法框架原理图。

图2是本发明的用于获取传感器对应多种运行状态子集BPA的隶属度曲线。

图3是本发明的使用框架图。

图4是本发明实施中某传感器用于获取多种压力状态BPA的隶属度曲线。

具体实施方式

下面结合附图，基于所提出的新的原油管道调合过程状态辨识方法，以管道运行压力状态辨识为例，对本发明的技术方案做进一步的详细分析说明。

具体原油管道调合过程状态辨识方法如图1框架所示，进行运行状态推理辨识，首先要分析多个传感器采集到的数据，获得不同传感器对多种运行状态子集的基本概率分配（BPA）；然后送推理辨识器处理，推理辨识器先基于各传感器的众信度对BPA进行修正，然后进行证据组合推理获得原油调合过程状态的最终辨识结果。具体步骤如下：

1.基于隶属度函数的BPA获取

（1）模糊化过程

模糊化过程作为推理辨识的输入接口，它的主要作用是将确定的输入量转换成一个模糊矢量。模糊化等级不宜过粗、也不宜过细。过粗无法表征过程状态，过细、过密会大大增加运算及推理难度，有时也完全没有必要。

基于给定的某传感器采集数据与实际运行状态构成的样本，针对该传感器采集的多种运行状态子集样本的具体属性值,可以确定该属性的最小值、最大值、平均值，基于这3个参数可以建立一个描述该多种运行状态子集命题隶属度曲线。模糊化的隶属度曲线如图2所示,其中w₁,w₂∈[0,1]，表示隶属度大小，a₁,a₂,a₃或b₁,b₂,b₃分别表示传感器采集到的不同运行状态对应的属性最小值、平均值、最大值。

（2）BPA获取

基于隶属度曲线函数值大小，BPA具体生成策略如下：

（201）当传感器采样的数据与所有运行状态子集表示的隶属度曲线不相交时,认为该采样数据不支持任一运行状态子集分类；

（202）当采样数据与某运行状态子集属性的隶属度曲线表示模型相交时,交点纵坐标为支持该运行状态子集分类的基本概率赋值；

（203）当采样数据与多个运行状态子集的隶属度曲线表示模型相交时，多个交点的纵坐标为支持多种不同运行状态子集的基本概率赋值；

（204）对生成的基本概率赋值进行归一化处理，使多种运行状态子集的基本概率赋值之和等于1，获得对应该传感器的多种运行状态子集基本概率分配。

2.推理辨识器工作过程

推理辨识器由基于众信度的BPA修正和证据组合推理两部分。本发明提出了一种新的证据组合推理。

（1）基于众信度的基本概率分配修正，具体过程如下：

Θ是包含N个两两相斥命题的完备辨识框架，P(Θ)是Θ所有子集生成的空间,A_p是P(Θ)空间中第p个元素,p＝1,2,…,2^N，m(A_p)是A_p的的概率赋值，Ψ_P(Θ)是由P(Θ)中的元素组成的空间，一个基本概率分配是Ψ_P(Θ)中以m(A_p)为坐标的向量

,表示为

$\stackrel{\→}{m}=[m\left(A_1\right),m\left(A_2\right),\·\·\·,m\left(A_{2^N}\right)]{,A}_p\∈P\left(\mathrm{\Θ}\right)---\left(1\right)$

其中，N为大于2的自然数，

m(A_i)≥0，i＝1,2,…,2^N，且

和

是Ψ_P(Θ)中第i个、第j个基本概率分配，计算两者的Jousselme距离 $d_{\mathrm{ij}}=\sqrt{\frac{1}{2}{({\stackrel{\→}{m}}_i-{\stackrel{\→}{m}}_j)}^T\underset{=}{D}({\stackrel{\→}{m}}_i-{\stackrel{\→}{m}}_j)}---\left(2\right)$

其中，

是一个2^N×2^N矩阵，它的元素为A,B∈P(Θ)，|·|表示焦元属性所包含的基元个数；

系统中证据源的数目为n，n的取值为自然数,计算不同证据体之间的距离，获得距离矩阵：

$D_M=\left[\begin{array}{cccc}0& d_{12}& ...& d_{1n}\\ d_{21}& 0& ...& d_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{n1}& d_{n2}& ...& d_{\mathrm{nn}}\end{array}\right]---\left(3\right)$

其中，第k（k＝1,2,…,n）个证据E_k到证据集中其他证据的均方根距离为

$d_k=\sqrt{\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{d}_{\mathrm{kt}}}{n}}---\left(4\right)$

其中，t＝1,2,…,n，d_k反映了证据E_k与证据集中其他证据的差异程度，d_kt表示第k个基本概率分配与第t个基本概率分配的Jousselme距离；

定义证据E_k的众信度为：

$c_k=e^{{-d}_k}/\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{e}^{{-d}_t}---\left(5\right)$

其中，d_t反映了证据E_t与证据集中其他证据的差异程度，n个证据体中，若对某一证据的支持程度最高，定义其绝对众信度为1，称该证据为首要证据，其他证据为次要证据，第k个证据的绝对众信度定义如下：

$r_k=c_k/\underset{t=\mathrm{1,2},\·\·\·,n}{\max \left(c_t\right)},k=\mathrm{1,2},\·\·\·,n---\left(6\right)$

以绝对众信度r_k（k＝1,2,…,n）为证据E_k的权重，对原始证据集的基本概率分配进行修正，若原始证据E_k的基本概率分配为 ${\stackrel{\→}{m}}_k=[m_k\left(A_1\right),m_k\left(A_2\right),\·\·\·,m_k\left(A_s\right)\·\·\·,m_k\left(\mathrm{\Θ}\right)],$ 则证据源修正后基本概率分配为

${\stackrel{\→}{m}}_k^{\′}=[m_k^{\′}\left(A_1\right),m_k^{\′}\left(A_2\right),\·\·\·,m_k^{\′}\left(A_s\right)\·\·\·,m_k^{\′}\left(\mathrm{\Θ}\right)]$

（7）

其中， $m_k^{\′}\left(A_s\right)=r_k{\·m}_k\left(A_s\right),m_k^{\′}\left(\mathrm{\Θ}\right)=1-\underset{s=1}{\overset{2^N-1}{\mathrm{\Σ}}}{r}_i{\·m}_k\left(A_s\right)(A_s\≠\mathrm{\Θ},s=\mathrm{1,2},\·\·\·,2^N);$

（2）证据组合推理，具体过程如下：

修正后多个证据源的基本概率分配按其权重r_k（k＝1,2,…,n）由小到大重新排列为：

最小权重两个基本概率分配分别为

按下述公式组合：

$m\left(A_s\right)=m_{\∩\left(A_s\right)}+\mathrm{\Σ}{m}^c\left(A_s\right),{\∀A}_s\∈P\left(\mathrm{\Θ}\right),A_s\≠\mathrm{\φ},s=\mathrm{1,2},\·\·\·,2^N---\left(8\right)$

其中，乘性运算：

$m_{\∩\left(A_s\right)}=\underset{B,C\⊆\mathrm{\Θ}}{\underset{B\∩C=A_s}{\mathrm{\Σ}}}{m}_a^{\′}\left(B\right)m_b^{\′}\left(C\right)$

局部冲突中分配给A_s部分：

$m^c\left(A_s\right)=\underset{A_p,A_s\⊆\mathrm{\Θ}}{\underset{A_p\∩A_s=\mathrm{\φ}}{\mathrm{\Σ}}}\frac{m_a^{\′}\left(A_s\right)}{m_a^{\′}\left(A_s\right)+m_b^{\′}\left(A_p\right)}{m}_a^{\′}\left(A_s\right)m_b^{\′}\left(A_p\right)$

按式（8）得到新的组合结果再与下一个证据源组合得到新的结果，反复执行，直到最后一个证据

参与组合后结束。

本发明应用于原油管道调合控制系统中，如图3所示。控制系统采集大量原油管道调合过程现场数据，基于本发明的推理辨识方法对调合过程状态进行辨识，获得调合过程状态的准确估计，通过不同控制策略实现对原油管道调合过程的控制。现在以原油管道调合中多种压力状态的推理辨识过程加以说明。

辨识过程主要分两个步骤：首先，分布于原油管道不同位置的压力传感器采集不同测点压力数据，这些数据与对应传感器多种运行状态子集隶属度曲线对比，获取该传感器对多种运行状态的基本概率分配BPA；然后，不同传感器的BPA送至推理辨识器处理，推理辨识器先基于各传感器的众信度对BPA进行修正，然后进行证据组合推理获得原油调合运行状态的最终辨识结果。具体过程如下。

1.不同传感器原油调合压力状态BPA生成

在原油管道调合过程控制中，为保证能可靠辨识主掺练线当前压力状态，从掺练泵开始沿掺炼线每隔15米安装一台压力传感器，共安装四台，用于测量同一掺炼线不同点的压力值。

首先收集某传感器采集的压力值与实际运行状态数据，形成该传感器的的压力--状态样本数据，基于这些压力样本数据建立该传感器的原油调合压力--状态的隶属度曲线。以第一台压力传感器为例，压力状态“正常”的区间范围为[2.0MPa,2.2MPa],均值为2.1Mpa；压力状态“过低”的区间范围为[1.0MPa,2.05MPa],低于1.8Mpa确认“过低”置信度为1；压力状态“过高”的区间范围为[2.15MPa,3MPa],高于2.5Mpa确认“过高”置信度为1。第一台压力传感器对应的隶属度曲线如图4所示。

同样方法获得其他传感器对原油调合过程压力状态的隶属度曲线，其中，管道压力状态为“正常”的关键参数分别为（2.0MPa，2.1MPa，2.2MPa，1），（1.7MPa，1.8MPa，1.9MPa，1），（1.4MPa，1.5MPa，1.6MPa，1），（1.2MPa，1.3MPa，1.4MPa，1）。

若以A代表“过低”，B代表“正常”，C代表“过高”，若第一台压力传感器测得当前管道压力为2.04Mpa，则f₁(A)＝0.13，f₁(B)＝0.48，f₁(C)＝0；对其进行归一化得m₁(A)＝0.213，m₁(B)＝0.787，m₁(C)＝0。

然后，将不同压力传感器采集到的不同压力数据与其对应的隶属度曲线对比，获得不同传感器对当前原油调合状态的BPA。

2.推理辨识器处理

推理辨识器先基于式（1）～（6）计算各传感器的众信度，按式（7）对器BPA进行修正，修正后的BPA按传感器的众信度大小由小到大排列；

按式（8）依次融合推理经BPA修正后重新排列的数据，获得最终运行状态辨识结果。

下面分别以多个传感器证据间存在较大冲突或较一致两种情况进行说明。

1）证据间存在较大冲突的情况，设4个传感器的BPA值如下：

m₁(A)＝0.5，m₁(B)＝0.2，m₁(C)＝0.3

m₂(A)＝0，m₂(B)＝0.9，m₂(C)＝0.1

m₃(A)＝0.6，m₃(B)＝0.1，m₃(C)＝0.3

m₄(A)＝0.8，m₄(B)＝0.1，m₄(C)＝0.1

采用不同组合规则，对不同证据组合推理结果如表1所示。

表1不同组合规则对冲突较大证据推理结果

由表1可以看出，D-S组合规则无法有效处理冲突情况，组合结果m(A)始终为0，尽管多数证据都支持目标A，但由于证据m₂否定了A，结果永远无法识别目标为A。Yager组合规则过于保守，不利于决策，增加的支持A的证据没有使组合结果m(A)增加，而是不断增加未知项m(Θ)的数值。而且，D-S及Yager组合规则都存在“一票否决”问题，根本无法识别出目标。

均值组合规则对不一致证据的合成，可以减少冲突的影响，综合冲突证据信息，获得可以接收的结果。但该方法缺乏如D-S组合规则一样的证据累积特性，组合结果对优势假设命题子集的支持度不但没有增加，甚至可能降低，明显不具有收敛性。

Murphy组合规则没有考虑到证据间相关性，基于平均证据进行D-S推理，冲突在全局分配。随着支持A的证据增多，识别结果收敛速度较慢，系统在收集到4个证据时才能才识别出目标A。

本发明的方法在收到第3个证据时,就可以正确识别出目标了。分析原因可以发现：受某传感器自身不可靠、环境恶劣等因素影响，导致证据2与实际情况有较大的偏差。Murphy通过对不同传感器对应的BPA证据简单平均来“抵消”“坏值”的影响，在某些情况下(如本例中m₂(B)＝0.9，也就是m₂强烈支持目标B)，就需要更多的证据才能有效“抵消”“坏值”对结果的影响。本发明组合规则考虑了多个BPA证据之间的相互关联关系，不仅考虑了各个证据的众信度所表征的全局有效性，而且将局部冲突进行合理分配，最大程度地减少“坏值”对融合结果和决策的影响，提高收敛速度的同时，也降低了决策风险，在证据比较少的情况下就可以收敛为正确的目标。有效地降低了“坏值”对最终组合结果的影响，使得在比较少的证据下就能使结果收敛为正确的目标。

2）证据间存在较小冲突的情况，设4个传感器的BPA值如下：

m₁(A)＝0.6，m₁(B)＝0.1，m₁(C)＝0.3

m₂(A)＝0.7，m₂(B)＝0.2，m₂(C)＝0.1

m₃(A)＝0.5，m₃(B)＝0.2，m₃(C)＝0.3

m₄(A)＝0.65，m₄(B)＝0.1，m₄(C)＝0.25

采用不同组合规则，对4个证据组合推理结果如表2所示。

表2不同组合规则对冲突较小证据推理结果

从表2看出，D-S规则对于低冲突证据组合能取得令人非常满意的效果，4个证据组合时，组合结果中命题A的概率赋值迅速趋近于1，系统能迅速识别出目标A；而使用Yager规则、均值规则对上述证据进行组合时，命题A的概率赋值不但不会收敛到1，反而会发散，显然不合常理；Murphy规则和本发明对4个证据进行组合推理辨识，命题A的概率赋值m(A)都能收敛，但本发明所述方法收敛速度最为迅速，组合结果和D-S规则得到的的结果最为接近。可见，本发明所述方法对低冲突证据组合同样有效。

Claims (2)

1.一种原油管道调合过程状态辨识方法，首先分析传感器采集到的数据，获得传感器对运行状态子集的基本概率分配，然后利用推理辨识器基于各传感器的众信度对基本概率分配进行修正，进行证据组合推理获得原油管道调合过程状态的最终辨识结果；其特征在于，推理辨识器的工作过程如下，

（1）基于众信度的基本概率分配修正，具体过程如下：

设Θ是包含N个两两相斥命题的完备辨识框架，P(Θ)是Θ所有子集生成的空间,A_p是P(Θ)空间中第p个元素,p＝1,2,…,2^N，m(A_p)是A_p的的概率赋值，Ψ_P(Θ)是由P(Θ)中的元素组成的空间，一个基本概率分配是Ψ_P(Θ)中以m(A_p)为坐标的向量表示为

$\stackrel{\→}{m}=[m\left(A_1\right),m\left(A_2\right),\·\·\·,m\left(A_{2^N}\right)],A_p\∈P\left(\mathrm{\Θ}\right)---\left(1\right)$

其中，N为大于2的自然数，m(A_i)≥0，i＝1,2,…,2^N，且

和

分别是Ψ_P(Θ)中第i个、第j个基本概率分配，计算两者的Jousselme距离

$d_{\mathrm{ij}}=\sqrt{\frac{1}{2}{({\stackrel{\→}{m}}_i-{\stackrel{\→}{m}}_j)}^T\underset{=}{D}({\stackrel{\→}{m}}_i-{\stackrel{\→}{m}}_j)}---\left(2\right)$

其中，是一个2^N×2^N矩阵，它的元素为

A,B∈P(Θ)，|·|表示焦元属性所包含的基元个数；

设系统中证据源的数目为n，n的取值为自然数,计算不同证据体之间的距离，获得距离矩阵：

$D_M=\left[\begin{array}{cccc}0& d_{12}& ...& d_{1n}\\ d_{21}& 0& ...& d_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{1n}& d_{n2}& ...& d_{\mathrm{nn}}\end{array}\right]---\left(3\right)$

其中，第k个证据E_k到证据集中其他证据的均方根距离为

$d_k=\sqrt{\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{d}_{\mathrm{kt}}}{n}}---\left(4\right)$

其中，t＝1,2,…,n，d_k反映了证据E_k与证据集中其他证据的差异程度，d_kt表示第k个基本概率分配与第t个基本概率分配的Jousselme距离，k＝1,2,…,n；

定义证据E_k的众信度为：

$c_k=e^{{-d}_k}/\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{e}^{{-d}_t}---\left(5\right)$

其中，d_t反映了证据E_t与证据集中其他证据的差异程度，n个证据体中，若对某一证据的支持程度最高，定义其绝对众信度为1，称该证据为首要证据，其他证据为次要证据，第k个证据的绝对众信度定义如下：

$r_k=c_k/\underset{t=\mathrm{1,2},\·\·\·,n}{\max \left(c_t\right)}---\left(6\right)$

以绝对众信度r_k作为证据E_k的权重，对原始证据集的基本概率分配进行修正，若原始证据E_k的基本概率分配为 ${\stackrel{\→}{m}}_k=[m_k\left(A_1\right),m_k\left(A_2\right),\·\·\·,m_k\left(A_s\right)\·\·\·,m_k\left(\mathrm{\Θ}\right)]\text{'}$ 则证据源修正后基本概率分配为

${\stackrel{\→}{m}}_k^{\′}=[m_k^{\′}\left(A_1\right),m_k^{\′}\left(A_2\right),\·\·\·,m_k^{\′}\left(A_s\right)\·\·\·,m_k^{\′}\left(\mathrm{\Θ}\right)]---\left(7\right)$

其中，m′_k(A_s)=r_k·m_k(A_s)， $m_k^{\′}\left(\mathrm{\Θ}\right)=1-\underset{s=1}{\overset{2^N-1}{\mathrm{\Σ}}}{r}_i\·m_k\left(A_s\right),A_s\≠\mathrm{\Θ},s=\mathrm{1,2},\·\·\·{,2}^N;$

（2）证据组合推理，具体过程如下：

修正后多个证据源的基本概率分配按其权重r_k由小到大重新排列为：

最小权重两个基本概率分配分别为

按下述公式组合：

$m\left(A_s\right)=m_{\∩\left(A_s\right)}+\mathrm{\Σ}{m}^c\left(A_s\right),{\∀A}_s\∈P\left(\mathrm{\Θ}\right)---\left(8\right)$

其中，乘性运算：

$m_{\∩\left(A_s\right)}=\underset{B,C\⊆\mathrm{\Θ}}{\underset{B\∩C=A_s}{\mathrm{\Σ}}}{m}_a^{\′}\left(B\right)m_b^{\′}\left(C\right)$

局部冲突中分配给A_s部分：

$m^c\left(A_s\right)=\underset{A_p,A_s\⊆\mathrm{\Θ}}{\underset{A_p\∩A_s=\mathrm{\φ}}{\mathrm{\Σ}}}\frac{m_a^{\′}\left(A_s\right)}{m_a^{\′}\left(A_s\right)+m_b^{\′}\left(A_p\right)}{m}_a^{\′}\left(A_s\right)m_b^{\′}\left(A_p\right)$

按式（8）得到新的组合结果再与下一个证据源组合得到新的结果，反复执行上述过程，直到最后一个证据m′_k参与组合后结束。

2.如权利要求1所述的一种原油管道调合过程状态辨识方法，其特征在于：所述分析传感器采集到的数据，获得传感器对多种运行状态子集的基本概率分配，具体过程如下：

（1）模糊化过程：

模糊化过程作为推理辨识的输入接口，将确定的输入量转换成一个模糊矢量；

（2）基本概率分配获取：

基于隶属度曲线函数值大小，基本概率分配具体生成策略如下：

（201）当传感器采样的数据与所有运行状态子集表示的隶属度曲线不相交时,

该采样数据不支持任一运行状态子集分类；

（202）当采样数据与某运行状态子集属性的隶属度曲线表示模型相交时,交点纵坐标为支持该运行状态子集分类的基本概率赋值；

（203）当采样数据与多个运行状态子集的隶属度曲线表示模型相交时，多个交点的纵坐标为支持多种不同运行状态子集的基本概率赋值；

（204）对生成的基本概率赋值进行归一化处理，获得对应该传感器的多种运行状态子集基本概率分配。

Images