CN108090657A - 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 - Google Patents
基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 Download PDFInfo
- Publication number
- CN108090657A CN108090657A CN201711266840.2A CN201711266840A CN108090657A CN 108090657 A CN108090657 A CN 108090657A CN 201711266840 A CN201711266840 A CN 201711266840A CN 108090657 A CN108090657 A CN 108090657A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000012502 risk assessment Methods 0.000 title abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000007935 neutral effect Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004880 explosion Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明属于油气安全管理领域，提出了基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统及方法；该方法利用创新的大数据处理方法，结合休哈特控制理论和概率神经网络，提供一种油气储运设施风险评估与在线预警系统及方法。采用休哈特控制理论作为从大数据中筛选出异常数据的主要方法，对原有的油气储运过程中预警指标的监控方式进行改良，将统计过程方法与有监督式机器学习理念相结合，对多源流大数据进行处理，在实际操作中对瞬时多维数据进行危险性预测，与应急管理预案对接，准确率较高，模型鲁棒性较好，实现跨地区的防控管理端口前移，利用数据的智能计算驱动管理决策，丰富了预警管理手段，便于及时控制和操作。
Description
技术领域
本发明属于油气安全管理领域，基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统及方法。
背景技术
油气储运设施是石油工业内部连接产、运、销各环节的重要纽带，然而，油气在储运过程中发生泄露、爆炸的风险性很高，一旦发生事故，将会给国民带来了巨大的经济和环境损失。工程实践表明操作人员对于工艺操作缺乏了解以及规范的管理培训的缺失是油气储运安全事故的关键诱因，由此而言，对于油气储运设施进行风险评估具有重要的实际应用意义。
目前，在油气运输企业的实际生产过程中，实际操作主要依靠人为预警管理。主要人为预警管理方式是人工巡线，包括管道风险性判断采取与风险级别对应的应急预案，即工人通过敲击运输管道，观察化工仪表示数，触摸运输管道等方式进行风险性判断，进而采取油气储运企业原有的应急预案，由于人工巡线具有较大的主观性和滞后性，无法满足油气储运设施风险评估过程中的精准度要求。
随着技术的进一步发展，企业能够从储运设施的内部化工仪表中提取海量的多维时间序列数据，并基于此进行风险性判断，构建全新的数据分析体系。必须从数据挖掘层面实现油气储运设施的风险评估，通过在线智能预警管理信息系统实现防控管理端口前移，才能确保相关企业的生产安全风险最小化。因此，业界对于精准度和鲁棒性较高的风险评估系统与在线预警具有较高需求。
发明内容
本发明的目的在于利用创新的大数据处理方法，结合休哈特控制理论和概率神经网络，提供一种油气储运设施风险评估与在线预警系统及方法。
一种基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统，包括：
a.指标筛选及样本选取模块；用于根据工业现场的实际要求，筛选出导致油气泄露的预警指标；基于预警指标参数选取仪表所显示的多维时间序列数据，根据目标系统间距，从企业数据库中抽取样本点，样本点包括不同风险级别的数据，对所选数据进行统计降维预处理，筛选出有效指标，建立历史数据库；
b.预警过程监控模块；用于对历史数据库中数据的受控状态进行分析判断，根据实际精度需要，以指定个数的时点为一个统计组，在每个时点选取油气在储运过程中的样本数据，进行统计降维预处理，进而利用休哈特控制理论进行计算处理，对样本受控状态情况进行判断，区分正常情况和异常情况；
c.概率神经网络模块；用于建立概率神经网络的主要框架，将通过指标筛选及样本选取模块处理后得到的历史数据库作为初始数据集加入概率神经网络，同时结合预警过程监控模块，实现有监督的机器学习过程，令神经网络学习判断油气储运设施的风险级别；将预警过程监控模块判断为异常情况的数据，根据实际精度需要将具体风险级别分为泄露预警、燃烧预警和爆炸预警；
d.风险等级判断模块；用于判断即时输入数据对应的油气储运设施的风险级别，实现预警管理系统的即时响应；对于即时油气储运过程，以指定个数的时点为一个统计组，选取样本数据，利用休哈特控制理论，绘制即时的休哈特控制图，区分正常情况和异常情况，当异常情况出现时，将即时数据输入概率神经网络模块训练过的神经网络，自动输出其所代表的风险级别的概率值，进行风险等级判断；所述即时的样本数据导入指标筛选及样本选取模块成为历史数据，进而更新预警过程监控模块和概率神经网络模块的判断标准；
e.管理手段对接模块；用于将测算风险级别与预警管理手段进行即时匹配。选择合适的预警管理手段，作为最终评估结果提供给企业的工作人员，实现多地区、少主观、早防范的精准在线预警，为工作人员提供判断意见。
进一步地，上述导致油气泄露的预警指标包括：储罐内介质温度、储罐内介质压力、气体浓度超出标准浓度的百分比以及储罐内介质流量。
上述基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统的方法，包括如下步骤：
1)根据工业现场的实际要求，筛选出导致油气泄露的预警指标；基于预警指标参数选取仪表所显示的多维时间序列数据，根据目标系统间距，从企业数据库中抽取样本点，样本点包括不同风险级别的数据，对所选数据进行统计降维预处理，筛选出有效指标，建立历史数据库；
2)对历史数据库中数据的受控状态进行分析判断，根据实际精度需要，以指定个数的时点为一个统计组，在每个时点选取油气在储运过程中的样本数据，进行统计降维预处理，进而利用休哈特控制理论进行计算处理，对样本受控状态情况进行判断，区分正常情况和异常情况；
3)建立概率神经网络，根据实际生产规模需要、实际待测样本量、数据完整度和预警效率需求确定网络的层数和复杂度，将通过指标筛选及样本选取模块处理后得到的历史数据库作为初始数据集加入概率神经网络开展训练，同时结合预警过程监控模块，实现有监督的机器学习过程，令神经网络学习判断油气储运设施的风险级别；将预警过程监控模块判断为异常情况的数据，根据实际精度需要将具体风险级别分为泄露预警、燃烧预警和爆炸预警；
4)对即时输入的数据进行即时风险等级判断；将即时抓取到的一个监控区间内的油气储运设施数据利用步骤2)中的统计处理方式进行处理，带入休哈特控制理论框架，计算相关参数并绘制休哈特控制图，如果出现异常情况，将即时数据输入概率神经网络模块训练过的神经网络神经网络时，自动输出其所代表的风险级别的概率值，进行风险等级判断；所述即时的样本数据导入指标筛选及样本选取模块成为历史数据，进而更新预警过程监控模块和概率神经网络模块的判断标准。
5)将即时响应的风险等级与预警管理手段进行对接，选择合适的预警管理手段，作为最终评估结果提供给企业的工作人员，实现多地区、少主观、早防范的精准在线预警，为工作人员提供判断意见。
进一步地，上述步骤2)中利用休哈特控制理论进行计算处理具体方法为：依据样本数据形成的样本点位置以及变化趋势所提供的信息，分别选取某一维度的指标的所有值，计算其样本均值与样本标准差S：
接着，计算中心线CL、上控制界限UCL和下控制界限LCL，绘制休哈特控制图，并进行分析；
根据预警指标的休哈特控制图情况，将这一监控区间的样本数据情况划分为正常情况和异常情况两种。
进一步地，步骤3)中异常情况，当预警指标中有且只有一个处于异常状态为泄露预警，当预警指标中有任意两个处于异常状态为燃烧预警，当有三个及以上预警指标处于异常状态为爆炸预警。
进一步地，步骤3)中对概率神经网络开展训练具体为，在这一阶段中，m个样本被等分成c类，具有n个特征的m个样本按照类别数放入样本层中，其对应的类别放入求和层中；定义Pd为训练样本与待测样本相似程度的概率；
首先，对训练样本进行归一化处理，消除不同预警指标单位及数量级对结果的影响，设原始输入矩阵为X：
并求出：
对此矩阵，进行归一化处理，得到处理后的矩阵C：
将归一化好的样本送入到网络样本层中，计算训练样本矩阵与学习矩阵中相应元素之间的欧式距离，其中d为待识别输入样本矩阵元素：
然后，激活样本层径向基函数的神经元，学习样本与待识别样本被归一化后，通常取标准差σ＝0.1的高斯型函数。激活后得到初始概率矩阵：
在网络的求和层求得各个样本属于各类的初始概率和:
上式中，Sij代表将要被识别的样本中，第i个样本属于第j类的初始概率和；最后，计算probij，即第i个样本属于第j类的相对概率；
完成神经网络的学习过程，构建基于油气储运设施多源流历史大数据的概念神经网络模块。
本发明的有益效果在于提出了一种基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法，采用休哈特控制理论作为从大数据中筛选出异常数据的方法，然后再进一步对异常数据进行风险分类、预警、控制和管理。对原有的油气储运过程中预警指标的监控方式进行改良，将统计过程方法与有监督式机器学习理念相结合，对多源流大数据进行处理，在实际操作中对瞬时多维数据进行危险性预测，与应急管理预案对接，准确率较高，模型鲁棒性较好，实现跨地区的防控管理端口前移，利用数据的智能计算驱动管理决策，丰富了预警管理手段，便于及时控制和操作。
附图说明
图1是本发明的方法流程图。
图2是本发明的系统模块图。
具体实施方式
为了使本技术领域的人员更好的理解本发明实例中的技术方案，并使本发明的上述目的，特征和优点能够更加明显易懂，下面将对本发明中技术方案进行进一步详细的说明，但并不作为对本发明技术方案的限定。
本发明提出一种基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法，对油气储运设施进行瞬时风险评估和在线预警。
1.一种基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理方法如图1所示，其特征在于如下步骤：
a.首先结合专家意见和油气运输企业系统分析人员的经验，以代表性、独立性、可计量性为原则，筛选出导致油气泄露的潜在指标4项，如下：
根据如上参数，利用企业数据库抓取多维海量时间序列数据，主要采用系统抽样的方法，在每个取样点同时记录各维化工仪表的示数。采用主成分分析法对所选数据进行统计降维预处理操作，并将之作为重要的历史大数据库存入系统，作为下述操作的基础样本。
b.对所选样本进行过程监控。首先，以即时储运过程中每24～50个检测时点为一个监控区间，在每一个检测时点抓取一组样本数据，时点间隔可以根据实际需要加以拟定，并进行统计降维预处理操作，接着利用休哈特控制理论，对这一监控区间内样本数据的受控状态进行分析判断，依据样本数据形成的样本点位置以及变化趋势所提供的信息，分别选取某一维度的指标的所有值，计算其样本均值与样本标准差S：
接着，计算中心线CL、上控制界限UCL和下控制界限LCL，绘制休哈特控制图，并进行分析。
根据预警指标的休哈特控制图情况，可以将这一监控区间的样本数据情况划分为正常情况和异常情况两种，当图像出现如下情况时，判断为异常状况。
a)连续有7个以上的值出现在中心线一侧；
b)连续a个值中至少有b个在中心线一侧，其中，(a,b)组合为(11，10)，(14，12)，(17，14)或(20，16)
c)连续p个值中至少有q个出现在控制界限附近；其中，(p,q)组合为(3，2)(7，3)(10，4)
d)连续有7个以上的值呈上升或下降趋势；
对异常情况进行进一步细分：
当即时监控区间测算为正常情况时，可以视为当前油气储运设施不存在风险，如果测算为异常情况，则将数据代入下述概率神经网络，进一步判断风险种类。
c.建立概率神经网络，根据实际生产规模需要、实际待测样本量、数据完整度和预警效率需求确定网络的层数和复杂度，将前述历史数据库作为初始训练集对网络展开训练。在这一阶段中，m个样本被等分成c类，具有n个特征的m个样本按照类别数放入样本层中，其对应的类别放入求和层中。定义Pd为训练样本与待测样本相似程度的概率。
首先，对训练样本进行归一化处理，消除不同预警指标单位及数量级对结果的影响，设原始输入矩阵为X：
并求出：
对此矩阵，进行归一化处理，得到处理后的矩阵C：
将归一化好的样本送入到网络样本层中，计算训练样本矩阵与学习矩阵中相应元素之间的欧式距离，其中d为待识别输入样本矩阵元素：
然后，激活样本层径向基函数的神经元，学习样本与待识别样本被归一化后，通常取标准差σ＝0.1的高斯型函数。激活后得到初始概率矩阵：
在网络的求和层求得各个样本属于各类的初始概率和：
上式中，Sij代表将要被识别的样本中，第i个样本属于第j类的初始概率和。最后，计算probij，即第i个样本属于第j类的相对概率。
完成神经网络的学习过程，构建基于油气储运设施多源流历史大数据的概念神经网络模块。
d.对即时输入的数据进行即时风险等级判断。将即时抓取到的一个监控区间内的油气储运设施数据进行前述相同的统计处理方式，绘制休哈特控制图，如果出现异常情况，则将异常情况数据输入经过结构化的多源流大数据训练过的神经网络。神经网络能够计算如上所述的probij，即输入异常情况数据所对应的实际风险等级，确定预警状况应该为泄露预警、燃烧预警还是爆炸预警，实现预警系统的即时响应。并且，新数据量将直接加入训练样本，增加未来网络判断的精确度。
e.将即时响应的风险等级与预警管理手段进行对接，利用上述结果，敲定合适的预警管理手段，作为最终评估结果提供给企业的工作人员，实现多地区、少主观、早防范的精准在线预警，完成“多指标风险数据源采集-系统智能评价-自动预警-为工人操作提供依据”的风险评估与在线预警全过程，为工作人员提供判断意见。
2.一种基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警系统如图2所示，其特征在于如下步骤：
a.指标筛选及样本选取模块；用于根据工业现场的实际要求，结合实际需要和系统分析人员的经验，筛选出导致油气泄露的预警指标共计四项：储罐内介质温度、储罐内介质压力、气体浓度超出标准浓度的百分比以及储罐内介质流量。接着，基于如上参数选取化工仪表所显示的多维时间序列大数据，选取合适的系统间距，从企业数据库中抽取样本点，包括不同风险级别的数据，对所选大量数据进行统计降维预处理，筛选出有效指标，建立系统的历史数据库。
b.预警过程监控模块。用于对样本数据的受控状态进行分析判断，根据实际精度需要，以24～50个时点为一个统计组，在每个时点选取油气在储运过程中的样本数据，进行统计降维预处理，接着利用休哈特控制理论进行计算处理，对样本受控状态情况进行判断，区分正常情况和异常情况。
c.概率神经网络模块。用于建立概率神经网络的主要框架，将处理后的历史大数据作为初始数据集加入概率神经网络，实现有监督的机器学习过程，让神经网络学习如何判断油气储运设施的风险级别。结合工程经验，采用一组逻辑关系将风险性分级，将预警过程监控模块判断为异常情况的数据，划为泄露预警、燃烧预警和爆炸预警三种预警情况，该过程可以通过实际精度需要进行调整；
d.风险等级判断模块。用于判断即时输入数据对应的油气储运设施的风险级别，实现预警系统的即时响应。对于即时油气储运过程，以24～50个时点为一个统计组，选取样本数据，绘制即时的休哈特控制图，区分正常情况和异常情况，当异常情况出现时，将即时数据输入神经网络时，自动输出其所代表的风险级别的概率值，进行风险等级判断。
e.管理手段对接模块。用于将测算风险级别与预警管理手段进行即时匹配。选择合适的预警管理手段，作为最终评估结果提供给企业的工作人员，实现多地区、少主观、早防范的精准在线预警，为工作人员提供判断意见。
需要特殊说明的是：如上所述是结合具体内容提供的一种实施方式，并不能认定本发明的具体实施只局限于这些说明。凡与本发明的结构、过程相似、雷同，或是对于本发明构思前提下做出若干技术推演或替换，都应当视为本发明的保护范围。
Claims (7)
1.基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统，其特征在于，包括：
a.指标筛选及样本选取模块；用于根据工业现场的实际要求，筛选出导致油气泄露的预警指标；基于预警指标参数选取仪表所显示的多维时间序列数据，根据目标系统间距，从企业数据库中抽取样本点，样本点包括不同风险级别的数据，对所选数据进行统计降维预处理，筛选出有效指标，建立历史数据库；
b.预警过程监控模块；用于对历史数据库中数据的受控状态进行分析判断，根据实际精度需要，以指定个数的时点为一个统计组，在每个时点选取油气在储运过程中的样本数据，进行统计降维预处理，进而利用休哈特控制理论进行计算处理，对样本受控状态情况进行判断，区分正常情况和异常情况；
c.概率神经网络模块；用于建立概率神经网络的主要框架，将通过指标筛选及样本选取模块处理后得到的历史数据库作为初始数据集加入概率神经网络，同时结合预警过程监控模块，实现有监督的机器学习过程，令神经网络学习判断油气储运设施的风险级别；将预警过程监控模块判断为异常情况的数据，根据实际精度需要将具体风险级别分为泄露预警、燃烧预警和爆炸预警；
d.风险等级判断模块；用于判断即时输入数据对应的油气储运设施的风险级别，实现预警管理系统的即时响应；对于即时油气储运过程，以指定个数的时点为一个统计组，选取样本数据，利用休哈特控制理论，绘制即时的休哈特控制图，区分正常情况和异常情况，当异常情况出现时，将即时数据输入概率神经网络模块训练过的神经网络，自动输出其所代表的风险级别的概率值，进行风险等级判断；所述即时的样本数据导入指标筛选及样本选取模块成为历史数据，进而更新预警过程监控模块和概率神经网络模块的判断标准；
e.管理手段对接模块；用于将测算风险级别与预警管理手段进行即时匹配，选择合适的预警管理手段，作为最终评估结果提供给企业的工作人员。
2.根据权利要求1所述的基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统，其特征在于，导致油气泄露的预警指标包括：储罐内介质温度、储罐内介质压力、气体浓度超出标准浓度的百分比以及储罐内介质流量。
3.权利要求1或2所述基于休哈特控制理论和概率神经网络的油气储运设施在线预警管理系统的方法，其特征在于，包括如下步骤：
1)根据工业现场的实际要求，筛选出导致油气泄露的预警指标；基于预警指标参数选取仪表所显示的多维时间序列数据，根据目标系统间距，从企业数据库中抽取样本点，样本点包括不同风险级别的数据，对所选数据进行统计降维预处理，筛选出有效指标，建立历史数据库；
2)对历史数据库中数据的受控状态进行分析判断，根据实际精度需要，以指定个数的时点为一个统计组，在每个时点选取油气在储运过程中的样本数据，进行统计降维预处理，进而利用休哈特控制理论进行计算处理，对样本受控状态情况进行判断，区分正常情况和异常情况；
3)建立概率神经网络，根据实际生产规模需要、实际待测样本量、数据完整度和预警效率需求确定网络的层数和复杂度，将通过指标筛选及样本选取模块处理后得到的历史数据库作为初始数据集加入概率神经网络开展训练，同时结合预警过程监控模块，实现有监督的机器学习过程，令神经网络学习判断油气储运设施的风险级别；将预警过程监控模块判断为异常情况的数据，根据实际精度需要将具体风险级别分为泄露预警、燃烧预警和爆炸预警；
4)对即时输入的数据进行即时风险等级判断；将即时抓取到的一个监控区间内的油气储运设施数据利用步骤2)中的统计处理方式进行处理，带入休哈特控制理论框架，计算相关参数并绘制休哈特控制图，如果出现异常情况，将即时数据输入概率神经网络模块训练过的神经网络时，自动输出其所代表的风险级别的概率值，进行风险等级判断；所述即时的样本数据导入指标筛选及样本选取模块成为历史数据，进而更新预警过程监控模块和概率神经网络模块的判断标准；
5)将即时响应的风险等级与预警管理手段进行对接，选择合适的预警管理手段，作为最终评估结果提供给企业的工作人员。
4.根据权利要求3所述的在线预警管理系统的方法，其特征在于，步骤2)中利用休哈特控制理论进行计算处理具体方法为：依据样本数据形成的样本点位置以及变化趋势所提供的信息，分别选取某一维度的指标的所有值，计算其样本均值与样本标准差S：
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>S</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
接着，计算中心线CL、上控制界限UCL和下控制界限LCL，绘制休哈特控制图，并进行分析；
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>U</mi>
<mi>C</mi>
<mi>L</mi>
<mo>=</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<mn>3</mn>
<mi>S</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mi>L</mi>
<mo>=</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mi>C</mi>
<mi>L</mi>
<mo>=</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mn>3</mn>
<mi>S</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
根据预警指标的休哈特控制图情况，将这一监控区间的样本数据情况划分为正常情况和异常情况两种。
5.根据权利要求3所述的在线预警管理系统的方法，其特征在于，步骤1)中导致油气泄露的预警指标包括：储罐内介质温度、储罐内介质压力、气体浓度超出标准浓度的百分比以及储罐内介质流量。
6.根据权利要求5所述的在线预警管理系统的方法，其特征在于，步骤3)中异常情况，当预警指标中有且只有一个处于异常状态为泄露预警，当预警指标中有任意两个处于异常状态为燃烧预警，当有三个及以上预警指标处于异常状态为爆炸预警。
7.根据权利要求3所述的在线预警管理系统的方法，其特征在于，步骤3)中对概率神经网络开展训练具体为，在这一阶段中，m个样本被等分成c类，具有n个特征的m个样本按照类别数放入样本层中，其对应的类别放入求和层中；定义Pd为训练样本与待测样本相似程度的概率；
首先，对训练样本进行归一化处理，消除不同预警指标单位及数量级对结果的影响，设原始输入矩阵为X：
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
并求出：
<mrow>
<msup>
<mi>B</mi>
<mi>T</mi>
</msup>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
</mrow>
对此矩阵，进行归一化处理，得到处理后的矩阵C：
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>C</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>C</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
将归一化好的样本送入到网络样本层中，计算训练样本矩阵与学习矩阵中相应元素之间的欧式距离，其中d为待识别输入样本矩阵元素：
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>p</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>p</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msqrt>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>p</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>m</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>E</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>E</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>E</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>E</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>E</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>E</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>E</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>E</mi>
<mrow>
<mi>p</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>E</mi>
<mrow>
<mi>p</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
然后，激活样本层径向基函数的神经元，学习样本与待识别样本被归一化后，通常取标准差σ＝0.1的高斯型函数，激活后得到初始概率矩阵：
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mn>11</mn>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mn>12</mn>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mn>21</mn>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mn>22</mn>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>p</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>p</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
在网络的求和层求得各个样本属于各类的初始概率和:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>k</mi>
</mrow>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>S</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mn>1</mn>
<mi>c</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>S</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mn>2</mn>
<mi>c</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>p</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>S</mi>
<mrow>
<mi>p</mi>
<mi>c</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
上式中，Sij代表将要被识别的样本中，第i个样本属于第j类的初始概率和；最后，计算probij，即第i个样本属于第j类的相对概率；
<mrow>
<msub>
<mi>prob</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
完成神经网络的学习过程，构建基于油气储运设施多源流历史大数据的概念神经网络模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711266840.2A CN108090657A (zh) | 2017-12-05 | 2017-12-05 | 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711266840.2A CN108090657A (zh) | 2017-12-05 | 2017-12-05 | 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108090657A true CN108090657A (zh) | 2018-05-29 |
Family
ID=62172554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711266840.2A Pending CN108090657A (zh) | 2017-12-05 | 2017-12-05 | 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090657A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109164351A (zh) * | 2018-09-03 | 2019-01-08 | 北京许继电气有限公司 | 基于时间序列的物联网设备监测数据分析方法和系统 |
| CN110135689A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业经营风险预警方法、装置及计算机可读存储介质 |
| CN110660464A (zh) * | 2019-10-29 | 2020-01-07 | 浙江明峰智能医疗科技有限公司 | 一种lyso晶体pet的智能日常质量控制方法和系统 |
| CN111624303A (zh) * | 2020-05-06 | 2020-09-04 | 苏州启明可视科技有限公司 | 一种有害气体泄漏检测方法、系统及计算机存储介质 |
| CN111904400A (zh) * | 2020-07-17 | 2020-11-10 | 三峡大学 | 电子腕带 |
| CN112733544A (zh) * | 2021-04-02 | 2021-04-30 | 中国电子科技网络信息安全有限公司 | 目标人物活动轨迹信息提取方法、计算机设备及存储介质 |
| CN113627699A (zh) * | 2020-05-07 | 2021-11-09 | 中国移动通信集团山西有限公司 | 一种信息预警的方法、装置、设备及存储介质 |
| CN113705659A (zh) * | 2021-08-25 | 2021-11-26 | 北京石油化工学院 | 用于干式除尘器的爆炸风险评估系统 |
| CN114323665A (zh) * | 2021-12-13 | 2022-04-12 | 中国船舶重工集团公司第七0三研究所 | 一种燃气轮机燃料供给系统故障的检测方法 |
| CN114880887A (zh) * | 2022-07-08 | 2022-08-09 | 山东鼎泰新能源有限公司 | 一种新能源液化气罐运输过程健康度预警方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106610584A (zh) * | 2015-10-27 | 2017-05-03 | 沈阳工业大学 | 一种基于神经网络与专家系统的再制造工序质量控制方法 |
| CN106774063A (zh) * | 2016-12-12 | 2017-05-31 | 南京大学 | 一种用于货运车辆实时在途监控与预警的方法 |
-
2017
- 2017-12-05 CN CN201711266840.2A patent/CN108090657A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106610584A (zh) * | 2015-10-27 | 2017-05-03 | 沈阳工业大学 | 一种基于神经网络与专家系统的再制造工序质量控制方法 |
| CN106774063A (zh) * | 2016-12-12 | 2017-05-31 | 南京大学 | 一种用于货运车辆实时在途监控与预警的方法 |
Non-Patent Citations (2)
| Title |
|---|
| K. Z. MAO, K.-C. TAN, AND W. SER: "Probabilistic Neural-Network Structure Determination for Pattern Classification", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
| 李润求: "《矿井瓦斯爆炸灾害风险模式识别与预警》", 31 July 2016, 徐州：中国矿业大学出版社 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109164351A (zh) * | 2018-09-03 | 2019-01-08 | 北京许继电气有限公司 | 基于时间序列的物联网设备监测数据分析方法和系统 |
| CN110135689A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 企业经营风险预警方法、装置及计算机可读存储介质 |
| CN110660464A (zh) * | 2019-10-29 | 2020-01-07 | 浙江明峰智能医疗科技有限公司 | 一种lyso晶体pet的智能日常质量控制方法和系统 |
| CN111624303A (zh) * | 2020-05-06 | 2020-09-04 | 苏州启明可视科技有限公司 | 一种有害气体泄漏检测方法、系统及计算机存储介质 |
| CN111624303B (zh) * | 2020-05-06 | 2022-12-09 | 苏州启明天工一号企业管理合伙企业(有限合伙) | 一种有害气体泄漏检测方法、系统及计算机存储介质 |
| CN113627699A (zh) * | 2020-05-07 | 2021-11-09 | 中国移动通信集团山西有限公司 | 一种信息预警的方法、装置、设备及存储介质 |
| CN111904400A (zh) * | 2020-07-17 | 2020-11-10 | 三峡大学 | 电子腕带 |
| CN111904400B (zh) * | 2020-07-17 | 2022-06-03 | 三峡大学 | 电子腕带 |
| CN112733544A (zh) * | 2021-04-02 | 2021-04-30 | 中国电子科技网络信息安全有限公司 | 目标人物活动轨迹信息提取方法、计算机设备及存储介质 |
| CN113705659A (zh) * | 2021-08-25 | 2021-11-26 | 北京石油化工学院 | 用于干式除尘器的爆炸风险评估系统 |
| CN114323665A (zh) * | 2021-12-13 | 2022-04-12 | 中国船舶重工集团公司第七0三研究所 | 一种燃气轮机燃料供给系统故障的检测方法 |
| CN114880887A (zh) * | 2022-07-08 | 2022-08-09 | 山东鼎泰新能源有限公司 | 一种新能源液化气罐运输过程健康度预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090657A (zh) | 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 | |
| CN107656154B (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
| CN111651931B (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
| CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| CN104091035A (zh) | 一种基于数据驱动算法的空间站有效载荷健康监测方法 | |
| CN103337043B (zh) | 电力通信设备运行状态的预警方法和系统 | |
| CN104808651B (zh) | 化工装置关键参数合理报警限的测算方法 | |
| CN106682781A (zh) | 一种电力设备多指标预测方法 | |
| CN112101790A (zh) | 一种水体监测视频及数据联动预警方法及系统 | |
| US6636842B1 (en) | System and method for controlling an industrial process utilizing process trajectories | |
| Charbonnier et al. | A weighted dissimilarity index to isolate faults during alarm floods | |
| Yacout | Fault detection and diagnosis for condition based maintenance using the logical analysis of data | |
| CN105967063B (zh) | 维保平台故障分析处理系统及方法 | |
| CN105930629A (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
| US20180347763A1 (en) | Machine learning detection of pipeline ruptures | |
| CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与系统 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| US20230221684A1 (en) | Explaining Machine Learning Output in Industrial Applications | |
| CN108536130A (zh) | 一种群智能寻优的化工故障诊断系统 | |
| CN110009126A (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
| CN115358647A (zh) | 基于大数据的氢能产业链风险监测系统及监测方法 | |
| CN108596364A (zh) | 一种化工园区重大危险源动态预警方法 | |
| CN106599201A (zh) | 一种燃气输配设备的全生命周期管理方法 | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| CN115526407A (zh) | 基于因果机器学习的电网大数据安全检测预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180529 |