CN109034240B - 基于模糊推理的烟花爆竹生产监控预警方法及系统 - Google Patents

基于模糊推理的烟花爆竹生产监控预警方法及系统 Download PDF

Info

Publication number
CN109034240B
CN109034240B CN201810815179.4A CN201810815179A CN109034240B CN 109034240 B CN109034240 B CN 109034240B CN 201810815179 A CN201810815179 A CN 201810815179A CN 109034240 B CN109034240 B CN 109034240B
Authority
CN
China
Prior art keywords
early warning
monitoring
factor
fuzzy
decision
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.)
Active
Application number
CN201810815179.4A
Other languages
English (en)
Other versions
CN109034240A (zh
Inventor
陈承源
冯骊骁
陈国荣
葛继科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201810815179.4A priority Critical patent/CN109034240B/zh
Publication of CN109034240A publication Critical patent/CN109034240A/zh
Application granted granted Critical
Publication of CN109034240B publication Critical patent/CN109034240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种基于模糊推理的烟花爆竹生产监控预警方法及系统，其中包括：采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级，温度、湿度、粉尘、静电构成影响因素矩阵X，并上传至服务器；其中，预警类型和预警等级构成决策变量；在服务器内利用粗糙‑模糊集建立影响因素矩阵X与生产现场安全指数之间的复杂非线性关系，获得监控预警模型；利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解；将决策变量的最终解作为监控预警的决策X*通过服务器下发至从业企业的终端设备进行展示；用户根据终端设备展示的决策X*实现生产现场的监控预警。利用本发明能够实现烟花爆竹生产现场的监控预警，为从业企业提供更安全的生产环境。

Description

基于模糊推理的烟花爆竹生产监控预警方法及系统
技术领域
本发明涉及烟花爆竹安全生产监控预警领域，具体涉及一种基于模糊推理的烟花爆竹生产监控预警方法及系统。
背景技术
烟花爆竹作为一种特殊的文化消费品，其销量大、流通范围广；同时，烟花爆竹作为民用爆炸用品，从原料到成品都具有爆炸、可燃物质。因此，烟花爆竹的生产、运输和存储都为高危行业，具有很高的风险性和危险性，而且一旦发生事故，势必会给人民的生命财产造成重大损失。
目前，亟需解决的问题是建立一套全面的监控预警模型，提升烟花爆竹生产过程中的安全分析和预警能力，降低安全风险。影响生产现场安全程度的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度。
发明内容
本发明通过提供一种基于模糊推理的烟花爆竹生产监控预警方法及系统，全面评价温度、湿度、粉尘和静电等多因素对烟花爆竹生产过程的影响，从而提高生产过程的安全监控、智能决策和预警响应能力。
为实现本发明的目的，本发明采用以下技术方案予以实现：本发明提一种基于模糊推理的烟花爆竹生产监控预警方法，包括如下步骤：
步骤S1：采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级；其中，温度、湿度、粉尘含量、静电状况构成影响因素矩阵X，面积、结构构成影响因子，预警类型和预警等级构成决策变量；
步骤S2：利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的非线性关系，获得监控预警模型；
建立所述监控预警模型的步骤包括：
步骤S21：输入样本Xk，Xk＝[xk1,xk2,...,xkM],k＝1,2,...,S，S为训练样本的个数，xki为第k个样本中第i个传感器的测量值，i＝1,2,...,M；
步骤S22：对输入样本Xk，对每一个传感器的测量样本进行模糊化处理Ai＝(ai0,ai1,ai2)＝(xi-2σi,xi,xi+2σi)，ai0，ai1，ai2为三角形隶属函数的三个端点，xi为测量值，σi为测量方差；
步骤S23：基于相似性度量，计算样本间的距离d(Ai,Aj)，i,j＝1,2,...,M；
步骤S24：计算样本间的贴近度
Figure GDA0003548934030000021
步骤S25：根据每个传感器的测量样本Ai与目标估计量A0的贴近程度，计算同类别传感器的各个测量值之间的相对权重
Figure GDA0003548934030000022
步骤S26：利用融合函数
Figure GDA0003548934030000023
Ai＝(ai0,ai1,ai2)得到粗糙-模糊集
Figure GDA0003548934030000024
为
Figure GDA0003548934030000025
的三个端点。
步骤S27：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22；
步骤S3：利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解，包括以下子步骤：
步骤S31：初始化所述监控预警模型参数，包括偏移因子λ、比例因子s、移动因子m；
步骤S32：计算粗糙-模糊集
Figure GDA0003548934030000026
的代表值
Figure GDA0003548934030000027
和
Figure GDA0003548934030000028
为
Figure GDA0003548934030000029
的基值，
Figure GDA00035489340300000210
为
Figure GDA00035489340300000211
的峰值；
步骤S33：根据偏移因子
Figure GDA00035489340300000212
得到中间插值推理结果
Figure GDA00035489340300000213
和
Figure GDA00035489340300000214
其中，
Figure GDA00035489340300000215
Figure GDA00035489340300000216
和
Figure GDA00035489340300000217
为两条推理规则，
Figure GDA00035489340300000218
和
Figure GDA00035489340300000219
为规则前件，
Figure GDA00035489340300000220
和
Figure GDA00035489340300000221
为规则后件，
Figure GDA00035489340300000222
和
Figure GDA00035489340300000223
为
Figure GDA00035489340300000224
的基值，
Figure GDA00035489340300000225
为
Figure GDA00035489340300000226
的峰值，
Figure GDA00035489340300000227
和
Figure GDA00035489340300000228
为
Figure GDA00035489340300000229
的基值，
Figure GDA00035489340300000230
为
Figure GDA00035489340300000231
的峰值；
步骤S34：利用粗糙-模糊集
Figure GDA00035489340300000232
和中间插值推理结果
Figure GDA00035489340300000233
的基值，计算比例因子
Figure GDA00035489340300000234
步骤S35：判断
Figure GDA0003548934030000031
与
Figure GDA0003548934030000032
的大小，如果
Figure GDA0003548934030000033
则移动因子
Figure GDA0003548934030000034
否则，移动因子
Figure GDA0003548934030000035
步骤S36：基于比例因子s，进行第一次近似变换，得到中间插值推理结果
Figure GDA0003548934030000036
其中，
Figure GDA0003548934030000037
Figure GDA0003548934030000038
和
Figure GDA0003548934030000039
为
Figure GDA00035489340300000310
的基值，
Figure GDA00035489340300000311
为
Figure GDA00035489340300000312
的峰值；
步骤S37：基于移动因子m，进行第二次近似变换，得到模糊推理结果
Figure GDA00035489340300000313
其中，如果m≥0，则
Figure GDA00035489340300000314
否则
Figure GDA00035489340300000315
Figure GDA00035489340300000316
和
Figure GDA00035489340300000317
为
Figure GDA00035489340300000318
的基值，
Figure GDA00035489340300000319
为
Figure GDA00035489340300000320
的峰值；
步骤S38：对
Figure GDA00035489340300000321
去模糊化，
Figure GDA00035489340300000322
得到最终解
Figure GDA00035489340300000323
步骤S4：将决策变量的最终解作为监控预警的决策X*。
优选地，该方法还包括步骤S5，监控预警的决策X*通过服务器下发至从业企业的终端设备进行展示，用户根据终端设备展示的决策X*实现生产现场的监控预警。
为实现本发明的目的，本发明还提供一种基于模糊推理的烟花爆竹生产监控预警系统，包括：
数据采集单元，用于采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级，其中温度、湿度、粉尘、静电构成影响因素矩阵X，预警类型和预警等级构成决策变量；
监控预警模型建立单元，用于利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的非线性关系，获得监控预警模型，建立所述监控预警模型的步骤包括：
步骤S21：输入样本Xk，Xk＝[xk1,xk2,...,xkM],k＝1,2,...,S，S为训练样本的个数，xki为第k个样本中第i个传感器的测量值，i＝1,2,...,M；
步骤S22：对输入样本Xk，对每一个传感器的测量样本进行模糊化处理Ai＝(ai0,ai1,ai2)＝(xi-2σi,xi,xi+2σi)，ai0，ai1，ai2为三角形隶属函数的三个端点，xi为测量值，σi为测量方差；
步骤S23：基于相似性度量，计算样本间的距离d(Ai,Aj)，i,j＝1,2,...,M；
步骤S24：计算样本间的贴近度
Figure GDA0003548934030000041
步骤S25：根据每个传感器的测量样本Ai与目标估计量A0的贴近程度，计算同类别传感器的各个测量值之间的相对权重
Figure GDA0003548934030000042
步骤S26：利用融合函数
Figure GDA0003548934030000043
Ai＝(ai0,ai1,ai2)得到粗糙-模糊集
Figure GDA0003548934030000044
为
Figure GDA0003548934030000045
的三个端点；
步骤S27：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22；
决策变量最终解获取单元，用于利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解，并作为生产现场的监控预警决策X*，利用模糊规则插值算法对监控预警模型进行模糊推理获得决策变量的最终解，具体包括以下子步骤：
步骤S31：初始化所述监控预警模型参数，包括偏移因子λ、比例因子s、移动因子m；
步骤S32：计算粗糙-模糊集
Figure GDA0003548934030000046
的代表值
Figure GDA0003548934030000047
和
Figure GDA0003548934030000048
为
Figure GDA0003548934030000049
的基值，
Figure GDA00035489340300000410
为
Figure GDA00035489340300000411
的峰值；
步骤S33：根据偏移因子
Figure GDA00035489340300000412
得到中间插值推理结果
Figure GDA00035489340300000413
和
Figure GDA00035489340300000414
其中，
Figure GDA00035489340300000415
和
Figure GDA00035489340300000416
为两条推理规则，
Figure GDA0003548934030000051
和
Figure GDA0003548934030000052
为规则前件，
Figure GDA0003548934030000053
和
Figure GDA0003548934030000054
为规则后件，
Figure GDA0003548934030000055
和
Figure GDA0003548934030000056
为
Figure GDA0003548934030000057
的基值，
Figure GDA0003548934030000058
为
Figure GDA0003548934030000059
的峰值，
Figure GDA00035489340300000510
和
Figure GDA00035489340300000511
为
Figure GDA00035489340300000512
的基值，
Figure GDA00035489340300000513
为
Figure GDA00035489340300000514
的峰值；
步骤S34：利用粗糙-模糊集
Figure GDA00035489340300000515
和中间插值推理结果
Figure GDA00035489340300000516
的基值，计算比例因子
Figure GDA00035489340300000517
步骤S35：判断
Figure GDA00035489340300000518
与
Figure GDA00035489340300000519
的大小，如果
Figure GDA00035489340300000520
则移动因子
Figure GDA00035489340300000521
否则，移动因子
Figure GDA00035489340300000522
步骤S36：基于比例因子s，进行第一次近似变换，得到中间插值推理结果
Figure GDA00035489340300000523
其中，
Figure GDA00035489340300000524
Figure GDA00035489340300000525
和
Figure GDA00035489340300000526
为
Figure GDA00035489340300000527
的基值，
Figure GDA00035489340300000528
为
Figure GDA00035489340300000529
的峰值；
步骤S37：基于移动因子m，进行第二次近似变换，得到模糊推理结果
Figure GDA00035489340300000530
其中，如果m≥0，则
Figure GDA00035489340300000531
否则
Figure GDA00035489340300000532
Figure GDA00035489340300000533
和
Figure GDA00035489340300000534
为
Figure GDA00035489340300000535
的基值，
Figure GDA00035489340300000536
为
Figure GDA00035489340300000537
的峰值；
步骤S38：对
Figure GDA00035489340300000538
去模糊化，
Figure GDA00035489340300000539
得到最终解
Figure GDA00035489340300000540
优选地，该系统还包括决策下发单元，用于通过所述服务器将所述生产现场的监控预警决策X*下发至从业企业的终端设备进行展示。
与现有技术相比，本发明提供的基于模糊推理的烟花爆竹生产监控预警方法及系统的优点是：利用粗糙-模糊集建立监控预警模型，再利用模糊规则插值算法对监控预警模型进行推理决策，确定了预警类型、预警等级的最终值，并将监控预警的决策信息即时反馈给企业用户，实现烟花爆竹生产现场的监控预警，为从业企业提供更安全的生产环境。
附图说明
图1为根据本发明实施例的基于模糊推理的烟花爆竹生产监控预警方法的流程示意图。
具体实施方式
图1示出了根据本发明实施例的基于模糊推理的烟花爆竹生产监控预警方法的流程。
如图1所示，本发明提供一种基于模糊推理的烟花爆竹生产监控预警方法，包括：
步骤S1：采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级，温度、湿度、粉尘、静电构成影响因素矩阵X，并上传至服务器；其中，面积、结构构成影响因子，影响预警阀值，预警类型和预警等级构成决策变量。
进一进地，采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级被上传至服务器。于本实施例中，服务器优选为云服务器。
通过统计得到对生产现场的安全程度影响最大的变量为：面积x1、结构x2、温度x3、湿度x4、粉尘含量x5、静电状况x6、预警类型x7、预警等级x8，共8个变量；其中，温度x3、湿度x4、粉尘含量x5、静电状况x6由对应的传感器测量数据；面积x1、结构x2为固有属性，可预先设置，作为预设阀值影响因子；预警类型x7、预警等级x8构成决策变量。
生产现场的温度x3通过温度传感器和红外热像仪采集获得；湿度x4通过湿度传感器采集获得；粉尘含量x5通过粉尘检测仪采集获得；静电状况x6通过静电检测仪采集获得；利用采样电路分别与温度传感器、红外热像仪、湿度传感器、粉尘检测仪、静电检测仪进行连接，并将温度传感器、红外热像仪、湿度传感器、粉尘检测仪、静电检测仪分别采集到的场所的温度、湿度、粉尘含量、静电状况转换成数字信号。
步骤S2：利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的非线性关系，获得监控预警模型；其中，生产现场安全指数表示温度、湿度、粉尘含量、静电状况的预警阀值。该步骤中，在以在服务器内利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的非线性关系，获得监控预警模型。
在服务器内利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的复杂非线性关系，获得监控预警模型的过程，包括：
步骤S21：输入样本Xk，Xk＝[xk1,xk2,...,xkM],k＝1,2,...,S，S为训练样本的个数，xki为第k个样本中第i个传感器的测量值，i＝1,2,...,M；
步骤S22：对输入样本Xk，对每一个传感器的测量样本进行模糊化处理Ai＝(ai0,ai1,ai2)＝(xi-2σi,xi,xi+2σi)，ai0，ai1，ai2为三角形隶属函数的三个端点，xi为测量值，σi为测量方差；
步骤S23：基于相似性度量，计算样本间的距离d(Ai,Aj)，i,j＝1,2,...,M；
步骤S24：计算样本间的贴近度
Figure GDA0003548934030000071
步骤S25：根据每个传感器的测量样本Ai与目标估计量A0的贴近程度，计算同类别传感器的各个测量值之间的相对权重
Figure GDA0003548934030000072
目标估计量指某传感器的估计值，若测量值越接近估计值，则该传感器的稳定性和可靠性越好。
步骤S26：利用融合函数
Figure GDA0003548934030000073
Ai＝(ai0,ai1,ai2)得到粗糙-模糊集
Figure GDA0003548934030000074
为
Figure GDA0003548934030000075
的三个端点；
步骤S27：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。
步骤S3：利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解。
利用模糊规则插值算法对监控预警模型进行模糊推理的步骤具体包括以下子步骤：
步骤S31：初始化所述监控预警模型参数，包括偏移因子λ、比例因子s、移动因子m；
步骤S32：计算粗糙-模糊集
Figure GDA0003548934030000076
的代表值
Figure GDA0003548934030000077
和
Figure GDA0003548934030000078
为
Figure GDA0003548934030000079
的基值，
Figure GDA00035489340300000710
为
Figure GDA00035489340300000711
的峰值；
步骤S33：根据偏移因子
Figure GDA00035489340300000712
得到中间插值推理结果
Figure GDA00035489340300000713
和
Figure GDA00035489340300000714
其中，
Figure GDA00035489340300000715
Figure GDA00035489340300000716
和
Figure GDA00035489340300000717
为两条推理规则，
Figure GDA00035489340300000718
和
Figure GDA00035489340300000719
为规则前件，
Figure GDA00035489340300000720
和
Figure GDA00035489340300000721
为规则后件，
Figure GDA00035489340300000722
和
Figure GDA00035489340300000723
为
Figure GDA00035489340300000724
的基值，
Figure GDA00035489340300000725
为
Figure GDA00035489340300000726
的峰值，
Figure GDA00035489340300000727
和
Figure GDA00035489340300000728
为
Figure GDA00035489340300000729
的基值，
Figure GDA00035489340300000730
为
Figure GDA00035489340300000731
的峰值；
步骤S34：利用粗糙-模糊集
Figure GDA0003548934030000081
和中间插值推理结果
Figure GDA0003548934030000082
的基值，计算比例因子
Figure GDA0003548934030000083
步骤S35：判断
Figure GDA0003548934030000084
与
Figure GDA0003548934030000085
的大小，如果
Figure GDA0003548934030000086
则移动因子
Figure GDA0003548934030000087
否则，移动因子
Figure GDA0003548934030000088
步骤S36：基于比例因子s，进行第一次近似变换，得到中间插值推理结果
Figure GDA0003548934030000089
其中，
Figure GDA00035489340300000810
Figure GDA00035489340300000811
和
Figure GDA00035489340300000812
为
Figure GDA00035489340300000813
的基值，
Figure GDA00035489340300000814
为
Figure GDA00035489340300000815
的峰值；
步骤S37：基于移动因子m，进行第二次近似变换，得到模糊推理结果
Figure GDA00035489340300000816
其中，如果m≥0，则
Figure GDA00035489340300000817
否则
Figure GDA00035489340300000818
和
Figure GDA00035489340300000819
为
Figure GDA00035489340300000820
的基值，
Figure GDA00035489340300000821
为
Figure GDA00035489340300000822
的峰值；
步骤S38：对
Figure GDA00035489340300000823
去模糊化，
Figure GDA00035489340300000824
得到最终解
Figure GDA00035489340300000825
步骤S4：将决策变量的最终解作为监控预警的决策X*，通过服务器下发至从业企业的终端设备进行展示。
各类传感器每2秒钟采集一次数据上传至服务器，服务器接数据并通过监控预警模型给出生产现场当前安全指数的预警类型和预警等级。
步骤S5：用户根据终端设备展示的决策X*实现生产现场的监控预警。
生产现场的当前安全指数由基于模糊规则插值算法对监控预警模型进行推理得到，与决策变量的最终解相对应。
本发明提供的基于模糊推理的烟花爆竹生产监控预警方法，首先，利用传感器采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况；然后，将采集到的数据上传至服务器进行存储，在服务器内利用利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的复杂非线性关系，获得监控预警模型，利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解，并作为监控预警决策下发至从业企业的终端；最后，用户根据终端设备展示的决策实现生产现场的监控预警。该方法能够实现烟花爆竹生产现场的监控预警，为从业企业提供更安全的生产环境。
与上述方法相对应，本发明还提供一种基于模糊推理的烟花爆竹生产监控预警系统。
本发明基于模糊推理的烟花爆竹生产监控预警系统，包括：
数据采集单元，用于采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级，温度、湿度、粉尘、静电构成影响因素矩阵X，并上传至服务器；其中，预警类型和预警等级构成决策变量。
具体地，通过统计得到对生产现场的安全程度影响最大的变量为：面积x1、结构x2、温度x3、湿度x4、粉尘含量x5、静电状况x6、预警类型x7、预警等级x8，共8个变量；其中，温度x3、湿度x4、粉尘含量x5、静电状况x6由对应的传感器测量数据；面积x1、结构x2为固有属性，可预先设置，作为预设阀值影响因子；预警类型x7、预警等级x8构成决策变量。
生产现场的温度x3通过温度传感器和红外热像仪采集获得；湿度x4通过湿度传感器采集获得；粉尘含量x5通过粉尘检测仪采集获得；静电状况x6通过静电检测仪采集获得；利用采样电路分别与温度传感器、红外热像仪、湿度传感器、粉尘检测仪、静电检测仪进行连接，并将温度传感器、红外热像仪、湿度传感器、粉尘检测仪、静电检测仪分别采集到的场所的温度、湿度、粉尘含量、静电状况转换成数字信号。
监控预警模型建立单元，用于在所述服务器内利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的复杂非线性关系，获得监控预警模型。
在服务器内利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的复杂非线性关系，获得监控预警模型的过程，包括：
步骤S21：输入样本Xk，Xk＝[xk1,xk2,...,xkM],k＝1,2,...,S，S为训练样本的个数，xki为第k个样本中第i个传感器的测量值，i＝1,2,...,M；
步骤S22：对输入样本Xk，对每一个传感器的测量样本进行模糊化处理Ai＝(ai0,ai1,ai2)＝(xi-2σi,xi,xi+2σi)，ai0，ai1，ai2为三角形隶属函数的三个端点，xi为测量值，σi为测量方差；
步骤S23：基于相似性度量，计算样本间的距离d(Ai,Aj)，i,j＝1,2,...,M；
步骤S24：计算样本间的贴近度
Figure GDA0003548934030000101
步骤S25：根据每个传感器的测量样本Ai与目标估计量A0的贴近程度，计算同类别传感器的各个测量值之间的相对权重
Figure GDA0003548934030000102
步骤S26：利用融合函数
Figure GDA0003548934030000103
Ai＝(ai0,ai1,ai2)得到粗糙-模糊集
Figure GDA0003548934030000104
为
Figure GDA0003548934030000105
的三个端点；
步骤S27：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。
决策变量最终解获取单元，用于利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解，并作为所述生产现场的监控预警决策X*。
利用模糊规则插值算法对监控预警模型进行模糊推理的步骤具体包括以下子步骤：
步骤S31：初始化所述监控预警模型参数，包括偏移因子λ、比例因子s、移动因子m；
步骤S32：计算粗糙-模糊集
Figure GDA0003548934030000106
的代表值
Figure GDA0003548934030000107
和
Figure GDA0003548934030000108
为
Figure GDA0003548934030000109
的基值，
Figure GDA00035489340300001010
为
Figure GDA00035489340300001011
的峰值；
步骤S33：根据偏移因子
Figure GDA00035489340300001012
得到中间插值推理结果
Figure GDA00035489340300001013
和
Figure GDA00035489340300001014
其中，
Figure GDA00035489340300001015
Figure GDA00035489340300001016
和
Figure GDA00035489340300001017
为两条推理规则，
Figure GDA00035489340300001018
和
Figure GDA00035489340300001019
为规则前件，
Figure GDA00035489340300001020
和
Figure GDA00035489340300001021
为规则后件，
Figure GDA00035489340300001022
和
Figure GDA00035489340300001023
为
Figure GDA00035489340300001024
的基值，
Figure GDA00035489340300001025
为
Figure GDA00035489340300001026
的峰值，
Figure GDA00035489340300001027
和
Figure GDA00035489340300001028
为
Figure GDA00035489340300001029
的基值，
Figure GDA00035489340300001030
为
Figure GDA00035489340300001031
的峰值；
步骤S34：利用粗糙-模糊集
Figure GDA0003548934030000111
和中间插值推理结果
Figure GDA0003548934030000112
的基值，计算比例因子
Figure GDA0003548934030000113
步骤S35：判断
Figure GDA0003548934030000114
与
Figure GDA0003548934030000115
的大小，如果
Figure GDA0003548934030000116
则移动因子
Figure GDA0003548934030000117
否则，移动因子
Figure GDA0003548934030000118
步骤S36：基于比例因子s，进行第一次近似变换，得到中间插值推理结果
Figure GDA0003548934030000119
其中，
Figure GDA00035489340300001110
Figure GDA00035489340300001111
和
Figure GDA00035489340300001112
为
Figure GDA00035489340300001113
的基值，
Figure GDA00035489340300001114
为
Figure GDA00035489340300001115
的峰值；
步骤S37：基于移动因子m，进行第二次近似变换，得到模糊推理结果
Figure GDA00035489340300001116
其中，如果m≥0，则
Figure GDA00035489340300001117
否则
Figure GDA00035489340300001118
和
Figure GDA00035489340300001119
为
Figure GDA00035489340300001120
的基值，
Figure GDA00035489340300001121
为
Figure GDA00035489340300001122
的峰值；
步骤S38：对
Figure GDA00035489340300001123
去模糊化，
Figure GDA00035489340300001124
得到最终解
Figure GDA00035489340300001125
决策下发单元，用于通过所述服务器将所述生产现场的监控预警决策X*下发至从业企业的终端设备进行展示。
用户根据终端设备展示的决策X*实现生产现场的监控预警。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种基于模糊推理的烟花爆竹生产监控预警方法，其特征在于，包括如下步骤：
步骤S1：采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级；其中，温度、湿度、粉尘含量、静电状况构成影响因素矩阵X，面积、结构构成影响因子，预警类型和预警等级构成决策变量；
步骤S2：利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的非线性关系，获得监控预警模型，包括；
步骤S21：输入样本Xk，Xk＝[xk1,xk2,...,xkM],k＝1,2,...,S，S为训练样本的个数，xki为第k个样本中第i个传感器的测量值，i＝1,2,...,M；
步骤S22：对输入样本Xk，对每一个传感器的测量样本进行模糊化处理Ai＝(ai0,ai1,ai2)＝(xi-2σi,xi,xi+2σi)，ai0，ai1，ai2为三角形隶属函数的三个端点，xi为测量值，σi为测量方差；
步骤S23：基于相似性度量，计算样本间的距离d(Ai,Aj)，i,j＝1,2,...,M；
步骤S24：计算样本间的贴近度
Figure FDA0003548934020000011
步骤S25：根据每个传感器的测量样本Ai与目标估计量A0的贴近程度，计算同类别传感器的各个测量值之间的相对权重
Figure FDA0003548934020000012
步骤S26：利用融合函数
Figure FDA0003548934020000013
Ai＝(ai0,ai1,ai2)得到粗糙-模糊集
Figure FDA0003548934020000014
Figure FDA0003548934020000015
为
Figure FDA0003548934020000016
的三个端点；
步骤S27：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22；
步骤S3：利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解，具体包括以下子步骤：
步骤S31：初始化所述监控预警模型参数，包括偏移因子λ、比例因子s、移动因子m；
步骤S32：计算粗糙-模糊集
Figure FDA0003548934020000017
的代表值
Figure FDA0003548934020000018
Figure FDA0003548934020000019
和
Figure FDA00035489340200000110
为
Figure FDA00035489340200000111
的基值，
Figure FDA00035489340200000112
为
Figure FDA0003548934020000021
的峰值；
步骤S33：根据偏移因子
Figure FDA0003548934020000022
得到中间插值推理结果
Figure FDA0003548934020000023
和
Figure FDA0003548934020000024
其中，
Figure FDA0003548934020000025
和
Figure FDA0003548934020000026
为两条推理规则，
Figure FDA0003548934020000027
和
Figure FDA0003548934020000028
为规则前件，
Figure FDA0003548934020000029
和
Figure FDA00035489340200000210
为规则后件，
Figure FDA00035489340200000211
和
Figure FDA00035489340200000212
为
Figure FDA00035489340200000213
的基值，
Figure FDA00035489340200000214
为
Figure FDA00035489340200000215
的峰值，
Figure FDA00035489340200000216
和
Figure FDA00035489340200000217
为
Figure FDA00035489340200000218
的基值，
Figure FDA00035489340200000219
为
Figure FDA00035489340200000220
的峰值；
步骤S34：利用粗糙-模糊集
Figure FDA00035489340200000221
和中间插值推理结果
Figure FDA00035489340200000222
的基值，计算比例因子
Figure FDA00035489340200000223
步骤S35：判断
Figure FDA00035489340200000224
与
Figure FDA00035489340200000225
的大小，如果
Figure FDA00035489340200000226
则移动因子
Figure FDA00035489340200000227
否则，移动因子
Figure FDA00035489340200000228
步骤S36：基于比例因子s，进行第一次近似变换，得到中间插值推理结果
Figure FDA00035489340200000229
其中，
Figure FDA00035489340200000230
Figure FDA00035489340200000231
Figure FDA00035489340200000232
和
Figure FDA00035489340200000233
为
Figure FDA00035489340200000234
的基值，
Figure FDA00035489340200000235
为
Figure FDA00035489340200000236
的峰值；
步骤S37：基于移动因子m，进行第二次近似变换，得到模糊推理结果
Figure FDA00035489340200000237
其中，如果m≥0，则
Figure FDA00035489340200000238
否则
Figure FDA00035489340200000239
Figure FDA00035489340200000240
和
Figure FDA00035489340200000241
为
Figure FDA00035489340200000242
的基值，
Figure FDA00035489340200000243
为
Figure FDA00035489340200000244
的峰值；
步骤S38：对
Figure FDA00035489340200000245
去模糊化，
Figure FDA00035489340200000246
得到最终解
Figure FDA00035489340200000247
步骤S4：将决策变量的最终解作为监控预警的决策X*。
2.根据权利要求1所述的基于模糊推理的烟花爆竹生产监控预警方法，其特征在于，该方法还包括步骤S5，监控预警的决策X*通过服务器下发至从业企业的终端设备进行展示，用户根据终端设备展示的决策X*实现生产现场的监控预警。
3.一种基于模糊推理的烟花爆竹生产监控预警系统，其特征在于，包括：
数据采集单元，用于采集烟花爆竹生产现场的面积、结构、温度、湿度、粉尘含量、静电状况、预警类型、预警等级，其中温度、湿度、粉尘、静电构成影响因素矩阵X，预警类型和预警等级构成决策变量；
监控预警模型建立单元，用于利用粗糙-模糊集建立影响因素矩阵X与生产现场安全指数之间的非线性关系，获得监控预警模型，建立所述监控预警模型的步骤包括：
步骤S21：输入样本Xk，Xk＝[xk1,xk2,...,xkM],k＝1,2,...,S，S为训练样本的个数，xki为第k个样本中第i个传感器的测量值，i＝1,2,...,M；
步骤S22：对输入样本Xk，对每一个传感器的测量样本进行模糊化处理Ai＝(ai0,ai1,ai2)＝(xi-2σi,xi,xi+2σi)，ai0，ai1，ai2为三角形隶属函数的三个端点，xi为测量值，σi为测量方差；
步骤S23：基于相似性度量，计算样本间的距离d(Ai,Aj)，i,j＝1,2,...,M；
步骤S24：计算样本间的贴近度
Figure FDA0003548934020000031
步骤S25：根据每个传感器的测量样本Ai与目标估计量A0的贴近程度，计算同类别传感器的各个测量值之间的相对权重
Figure FDA0003548934020000032
步骤S26：利用融合函数
Figure FDA0003548934020000033
Ai＝(ai0,ai1,ai2)得到粗糙-模糊集
Figure FDA0003548934020000034
Figure FDA0003548934020000035
为
Figure FDA0003548934020000036
的三个端点；
步骤S27：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22；
决策变量最终解获取单元，用于利用模糊规则插值算法对监控预警模型进行模糊推理，获得决策变量的最终解，并作为生产现场的监控预警决策X*，利用模糊规则插值算法对监控预警模型进行模糊推理获得决策变量的最终解，具体包括以下子步骤：
步骤S31：初始化所述监控预警模型参数，包括偏移因子λ、比例因子s、移动因子m；
步骤S32：计算粗糙-模糊集
Figure FDA0003548934020000041
的代表值
Figure FDA0003548934020000042
Figure FDA0003548934020000043
和
Figure FDA0003548934020000044
为
Figure FDA0003548934020000045
的基值，
Figure FDA0003548934020000046
为
Figure FDA0003548934020000047
的峰值；
步骤S33：根据偏移因子
Figure FDA0003548934020000048
得到中间插值推理结果
Figure FDA0003548934020000049
和
Figure FDA00035489340200000410
其中，
Figure FDA00035489340200000411
和
Figure FDA00035489340200000412
为两条推理规则，
Figure FDA00035489340200000413
和
Figure FDA00035489340200000414
为规则前件，
Figure FDA00035489340200000415
和
Figure FDA00035489340200000416
为规则后件，
Figure FDA00035489340200000417
和
Figure FDA00035489340200000418
为
Figure FDA00035489340200000419
的基值，
Figure FDA00035489340200000420
为
Figure FDA00035489340200000421
的峰值，
Figure FDA00035489340200000422
和
Figure FDA00035489340200000423
为
Figure FDA00035489340200000424
的基值，
Figure FDA00035489340200000425
为
Figure FDA00035489340200000426
的峰值；
步骤S34：利用粗糙-模糊集
Figure FDA00035489340200000427
和中间插值推理结果
Figure FDA00035489340200000428
的基值，计算比例因子
Figure FDA00035489340200000429
步骤S35：判断
Figure FDA00035489340200000430
与
Figure FDA00035489340200000431
的大小，如果
Figure FDA00035489340200000432
则移动因子
Figure FDA00035489340200000433
否则，移动因子
Figure FDA00035489340200000434
步骤S36：基于比例因子s，进行第一次近似变换，得到中间插值推理结果
Figure FDA00035489340200000435
其中，
Figure FDA00035489340200000436
Figure FDA00035489340200000437
Figure FDA00035489340200000438
和
Figure FDA00035489340200000439
为
Figure FDA00035489340200000440
的基值，
Figure FDA00035489340200000441
为
Figure FDA00035489340200000442
的峰值；
步骤S37：基于移动因子m，进行第二次近似变换，得到模糊推理结果
Figure FDA00035489340200000443
其中，如果m≥0，则
Figure FDA00035489340200000444
否则
Figure FDA00035489340200000445
Figure FDA00035489340200000446
和
Figure FDA00035489340200000447
为
Figure FDA00035489340200000448
的基值，
Figure FDA00035489340200000449
为
Figure FDA00035489340200000450
的峰值；
步骤S38：对
Figure FDA0003548934020000051
去模糊化，
Figure FDA0003548934020000052
得到最终解
Figure FDA0003548934020000053
4.根据权利要求3所述的一种基于模糊推理的烟花爆竹生产监控预警系统，其特征在于，该系统还包括决策下发单元，用于通过服务器将所述生产现场的监控预警决策X*下发至从业企业的终端设备进行展示。
CN201810815179.4A 2018-07-24 2018-07-24 基于模糊推理的烟花爆竹生产监控预警方法及系统 Active CN109034240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810815179.4A CN109034240B (zh) 2018-07-24 2018-07-24 基于模糊推理的烟花爆竹生产监控预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810815179.4A CN109034240B (zh) 2018-07-24 2018-07-24 基于模糊推理的烟花爆竹生产监控预警方法及系统

Publications (2)

Publication Number Publication Date
CN109034240A CN109034240A (zh) 2018-12-18
CN109034240B true CN109034240B (zh) 2022-04-26

Family

ID=64644389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810815179.4A Active CN109034240B (zh) 2018-07-24 2018-07-24 基于模糊推理的烟花爆竹生产监控预警方法及系统

Country Status (1)

Country Link
CN (1) CN109034240B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110149414A (zh) * 2019-06-18 2019-08-20 浏阳市恒信烟花制造有限公司 烟花爆竹行业作业环境人体因素综合智能管控系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414159A (zh) * 2008-10-08 2009-04-22 重庆邮电大学 基于连续型模糊插值的模糊控制方法和系统
US8370285B2 (en) * 2008-06-26 2013-02-05 The Texas A&M University System Identification of power system events using fuzzy logic
WO2014001070A1 (fr) * 2012-06-25 2014-01-03 Commissariat A L'energie Atomique Et Aux Energies Alternatives Dispositif et procede d'optimisation d'un systeme d'inference floue preservant l'interpretabilite
CN104155574A (zh) * 2014-07-31 2014-11-19 国网湖北省电力公司武汉供电公司 基于自适应神经模糊推理系统的配电网故障分类方法
CN105185022A (zh) * 2015-10-21 2015-12-23 国家电网公司 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法
CN106951687A (zh) * 2017-02-28 2017-07-14 广东电网有限责任公司惠州供电局 基于模糊逻辑和证据推理的变压器绝缘应力计算和评价方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078192A1 (en) * 2014-09-11 2016-03-17 Cassia Networks Processing medical data on a cloud server
WO2016205286A1 (en) * 2015-06-18 2016-12-22 Aware, Inc. Automatic entity resolution with rules detection and generation system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8370285B2 (en) * 2008-06-26 2013-02-05 The Texas A&M University System Identification of power system events using fuzzy logic
CN101414159A (zh) * 2008-10-08 2009-04-22 重庆邮电大学 基于连续型模糊插值的模糊控制方法和系统
WO2014001070A1 (fr) * 2012-06-25 2014-01-03 Commissariat A L'energie Atomique Et Aux Energies Alternatives Dispositif et procede d'optimisation d'un systeme d'inference floue preservant l'interpretabilite
CN104155574A (zh) * 2014-07-31 2014-11-19 国网湖北省电力公司武汉供电公司 基于自适应神经模糊推理系统的配电网故障分类方法
CN105185022A (zh) * 2015-10-21 2015-12-23 国家电网公司 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法
CN106951687A (zh) * 2017-02-28 2017-07-14 广东电网有限责任公司惠州供电局 基于模糊逻辑和证据推理的变压器绝缘应力计算和评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Backward Fuzzy Rule Interpolation";Shangzhu Jin, Ren Diao, Chai Quek;《 IEEE Transactions on Fuzzy Systems 》;20140129;第22卷(第6期);第1682-1698页 *
"T-S型模糊推理建模方法的插值同质性";杨文光、闫守峰、杨戍;《模糊系统与数学》;20180615;第32卷(第3期);第185-190页 *
"采用三角型隶属度函数的模糊系统的插值特性";张恩勤、施颂椒、翁正新;《自动化学报》;20011122;第27卷(第6期);第784-790页 *

Also Published As

Publication number Publication date
CN109034240A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN108876822B (zh) 一种行为危险度评估方法及家庭安防看护系统
CN102956023B (zh) 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
CN111080982A (zh) 一种基于多传感器的大坝安全智能监测与预警系统及方法
CN101788517A (zh) 基于仿生嗅觉的辛味中药材气味指纹图谱构建系统及方法
CN108875118B (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN109034240B (zh) 基于模糊推理的烟花爆竹生产监控预警方法及系统
Karimi et al. Generalizability of gene expression programming and random forest methodologies in estimating cropland and grassland leaf area index
CN115063017A (zh) 一种中小跨径桥梁结构监测和评估系统及方法
CN102692253A (zh) 标准化的粮食存储空仓预警和温湿度预警方法
CN112185086B (zh) 基于偏差分析的粮库安全预警系统
CN113936413A (zh) 一种早期火灾监测预警方法和装置
CN116626238A (zh) 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法
CN117196507A (zh) 一种基于数字孪生的装配式建筑施工智能管理方法及系统
Zhang et al. A deep learning approach to estimate the state of health of lithium-ion batteries under varied and incomplete working conditions
CN114429246A (zh) 一种基于异构神经网络的电网潜在安全确定方法及装置
CN112418324B (zh) 用于电气设备状态感知的跨模态数据融合方法
CN112651622A (zh) 一种电能量质量评估方法和系统
CN112649101A (zh) 一种电池模块预警方法和系统及火灾探测装置
CN117235540A (zh) 基于特征匹配融合的传感器动态信息联动分析方法
CN107192802A (zh) 共享直饮水水质在线监测方法及系统
CN110987733B (zh) 一种复杂环境下红外探测设备可用性的评判方法
CN115685828A (zh) 变电站环境智能感知方法及系统
CN113222268A (zh) 一种基于多模式推理的烟草烘烤质量预测模型建立方法
Chen et al. Prediction method of cigarette draw resistance based on correlation analysis
CN113868642A (zh) 一种基于mflstm的隐蔽数据攻击检测方法

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
GR01 Patent grant
GR01 Patent grant