CN112418682A - 一种融合多源信息的安全性评估方法 - Google Patents

Abstract

一种融合多源信息的安全性评估方法，属于安全性评估方法领域，其特征在于：基于统计方法通过指标可靠度计算各监测指标的不确定度；进一步将指标可靠度和规则输出的全局无知性计算得到规则的可靠度；结合专家知识确定规则可靠度的删减阈值；基于置信规则库模型构建安全性评估模型，将专家知识与监测指标的监测数据进行有效融合；将每条规则的输出进行融合输出安全性等级，完成安全性评估。基于统计的方法计算得到各个指标的不确定度，通过统计的方法得到指标可靠度后，将指标可靠度与规则输出的全局无知性进行融合，计算得到规则可靠度，根据规则可靠度对模型进行约减，降低不可靠监测信息对于模型精度的影响，提高评估效率。

Description

一种融合多源信息的安全性评估方法

技术领域

本发明属于安全性评估方法领域，尤其涉及一种融合多源信息的安全性评估方法。

背景技术

大型工业结构，如液体运载设备、液化天然气储罐等，作为我国航空航天、军事装备、国民经济等领域的重要一部分，一旦发生安全事故将会对我国的国家利益、人民生命财产安全造成严重的威胁。因此，如何有效融合专家知识、监测信息等多源信息快速准确的评估其安全性状态，保证其安全可靠的运行是我们迫切需要解决的问题。

目前，在对大型工业结构安全性评估过程中，主要面临着如下四个方面的困难。首先，大型工业机构系统复杂，涉及监测部位多，所需要关注的重要部件分散；第二，有价值样本信息缺乏，由于大型工业结构属于间歇使用、长期维护的系统，并且操作规程严格，出现故障与异常工况的有价值样本信息很少；第三，环境干扰强烈，监测数据含不完全可靠，噪声信息影响安全性评估精度；第四，评估要求高准确性和高实时性，由于大型工业机构执行任务的特殊性，发生故障的危害巨大，需要及时发现、准确规避。

发明内容

本发明旨在解决上述问题，提供一种在保证评估精度的同时提高评估速度的融合多源信息的安全性评估方法。

本发明所述融合多源信息的安全性评估方法，基于统计方法通过指标可靠度计算各监测指标的不确定度；进一步将指标可靠度和规则输出的全局无知性计算得到规则的可靠度；结合专家知识确定规则可靠度的删减阈值；基于置信规则库模型构建安全性评估模型，将专家知识与监测指标的监测数据进行有效融合；同时，在安全性评估模型的训练过程中依据前述删减阈值动态删减规则；所述监测数据输入到安全性评估模型中后，置信规则库模型中的相应的规则被激活，并产生相应的输出；将每条规则的输出进行融合输出安全性等级，完成安全性评估。

进一步，本发明所述融合多源信息的安全性评估方法，所述在安全性评估模型的训练过程中依据前述删减阈值动态删减规则，包括：根据计算得到的规则可靠度确定该条规则是否满足模型整体可靠度要求；规则约减公式：

其中，θ_k为考虑规则可靠度约减后的第k条规则权重，表示当规则可靠度不满足要求时，该条规则在整个规则库中发挥的作用将会被忽略；当监测指标和专家知识调整后，该条规则可靠度可能发生变化，在满足条件后该条规则仍可以发挥作用。R_k是第k条规则的可靠度；θ_k为原始规则权重，其初始值由专家给定，后根据监测数据由优化模型进一步调整；ψ为删减阈值，其数值由专家结合评估任务要求给定，也可后期通过数据进行调整。

基于规则可靠度的规则约减方法主要根据计算得到的规则可靠度确定该条规则是否满足模型整体可靠度要求，当可靠度不满足要求时，表示该条规则的可靠度较低，会进一步将不可靠度的信息融合到最后的模型输出中。因此，需根据规则权重的大小对模型规则库进行约减，以降低模型的复杂度，有效克服不可靠信息对模型评估结果的影响程度。

进一步，本发明所述融合多源信息的安全性评估方法，所述基于统计方法计算各监测指标的可靠度具体包括：设第i个监测指标的监测数据为x_i(1),...,x_i(j),...,x_i(T),i＝1,...,M；其中M为监测指标的个数，T为监测数据的总个数，

和σ_i为该指标的均值和方差；该监测指标的数据波动范围表示为

λ为波动区间调节系数；由专家结合大型工业结构安全性评估要求和实际工作环境给定。当监测数据收到环境干扰时，数据中会掺杂进部分噪声信息，导致监测数据产生波动，从而不能准确反应系统信息。如果第j个监测数据超出波动区间，即含有噪声信息较多，不能准确表示系统运行信息，为不可靠的，则y_ij＝1；否则，y_ij＝0；

表示第i个监测指标检测数据据中的不可靠的个数；

第i个监测指标的可靠度可以通过下式求得：

其中，r_i为第i个监测指标的可靠度，需要满足0≤r_i≤1。

在系统实际工作过程中，其工作状态在一段时间内是稳定的。假如不考虑环境噪声和传感器等影响因素的干扰，所获得的观测数据也应该是恒定的或在很小的范围内波动的。但由于系统实际运行的过程中会受到一些干扰因素的影响，得到的观测数据会出现一些波动，并且受环境噪声和传感器质量等因素干扰程度越大，观测数据的波动程度越大。因此，观测数据波动幅度的大小和属性的可靠度有直接的联系。如果观测数据在一个恒定的区间内波动，可以认为它是可靠的或受干扰程度不大；如果观测数据超出一定的区间，则这个观测数据受到了干扰，无法准确的表达系统信息，这部分观测数据是不可靠的。

进一步，本发明所述融合多源信息的安全性评估方法，所述将指标可靠度和规则输出的全局无知性计算得到规则的可靠度，包括：

R_k＝r₁r₂…r_M(1-β_D,k/κ)

其中，R_k是第k条规则的可靠度；β_D,k为该条规则输出结果中的全局无知性；κ为调节系数，表示规则输出全局无知中由输入不确定性和专家知识不确定性两者之间所占的比例，其数值可以由专家给定；1-β_D,k/κ表示规则输出全局无知性中去除输入指标不确定性影响后专家知识的可靠度；规则可靠度主要受输入指标可靠度和所融合专家知识不确定性两个方面的影响。

进一步，本发明所述融合多源信息的安全性评估方法，所述将专家知识与监测指标的监测数据进行有效融合包括：在获取监测指标的监测数据后，需将不同监测指标的监测数据转换成统一的表达形式，为后续指标信息的融合奠定基础；指标监测数据转换公式如下：

其中，

为第i个监测指标在t时刻的监测数据在第j条规则中参考等级的置信度；A_ik和A_i(k+1)分别表示第i个指标在第k条和第k+1条规则中的参考等级，其数值大小由专家结合大型工业结构运行状态和经验知识给定；

为t时刻第i个监测指标的监测数据，L为规则库中规则的个数。

进一步，本发明所述融合多源信息的安全性评估方法，所述置信规则库模型中的相应的规则被激活，所述规则被激活后的激活权重计算方法包括：

其中，w_k为第k条规则激活权重，α_k为指标监测数据相对于该条规则的输入匹配度；

表示第i个属性的相对权重。

进一步，本发明所述融合多源信息的安全性评估方法，在规则被激活后，会产生相应的输出，即大型工业结构每个参考等级上的置信度；因此，需要将每条规则的输出进行融合，以得到最终的大型工业结构安全性状态。所述将每条规则的输出进行融合输出安全性等级包括：通过证据理论算法进行融合，其解析式可以表示为：

其中，β_n为最终评估得到的相对应第n个安全性参考等级D_n的置信度；

由于输入监测数据不完全可靠且专家知识中含有部分不确定信息，最终得到的输出结果中含有部分不确定信息，模型输出中包含全局无知β_D，且满足

安全性评估模型最终的输出结果为安全性等级，计算公式如下：

其中，u(D_n)为大型工业结构的安全性评估等级；u(D_n)是评估结果中第n个评估等级D_n的评估效用。

本发明所述融合多源信息的安全性评估方法，基于置信规则库模型(BRB)构建大型工业机构安全性评估模型，将专家知识与监测数据进行有效融合；然后基于统计的方法计算得到各个指标的不确定度，通过统计的方法得到指标可靠度后，将指标可靠度与规则输出的全局无知性进行融合，计算得到规则可靠度，根据规则可靠度对模型进行约减，降低不可靠监测信息对于模型精度的影响，提高评估效率。

附图说明

图1为本发明所述融合多源信息的安全性评估方法；

图2为本发明实施例二所述评估模型监测指标测试数据示意图；

图3为本发明实施例二所述评估模型约减后评估结果示意图。

具体实施方式

下面通过附图及实施例对本发明所述融合多源信息的安全性评估方法进行详细说明。

本公开实施例的总体思路为，基于置信规则库模型(BRB)构建大型工业结构安全性评估模型，将专家知识与监测数据进行有效融合；然后基于统计的方法计算得到各个指标的不确定度，进一步将指标可靠度和规则输出的全局无知性计算得到规则的可靠度；结合专家知识确定规则可靠度删减阈值；模型训练过程中动态删减规则，降低模型复杂度，去除不可靠规则，克服不可靠度监测数据对评估模型精度的影响。

BRB模型中的第k条规则可以表示为：

B_k:

Then y(t)is{(D₁,β_1,k),...,(D_N,β_N,k),(D,β_D,k)}

With rule weightθ_k,attribute weightδ₁,…δ_M

and attribute reliability r₁,…r_M

其中，x₁,x₂,…x_M表示安全性评估模型的监测指标，{D₁,…D_N}为大型工业结构的各个参考等级，D为规则中的全局无知性大小，主要由监测指标可靠度和专家知识不确定性确定，β_1,k,β_2,k…β_N,k,β_D,k为各个参考等级的置信度。θ_k是规则权重，表示该条规则在整个规则库中的相对重要程度。δ₁,…δ_M和r₁,…r_M分别表示输入监测指标的权重和可靠度，分别表示属性在主观和客观的两个方面。

在本公开实施例中，以液体运载工业设备作为大型工业结构进行实例分析。

具体流程如图1所示，主要包括一下步骤：

步骤一：大型工业结构安全性监测信号的获取及处理；

在本发明中，采用无线传感网络监测试验平台，其中主要安装有温度、湿度、振动和倾斜四个传感器，对大型工业结构的四个特征进行监测。在本公开实施例中，大型工业结构的振动和倾斜通过平台中的振动倾斜试验台模拟实现，环境噪声干扰通过无线传感网络模拟干扰器随机加入。实验过程中，环境的温湿度保持不变，主要关注于大型工业结构的振动和倾斜两个关键指标，其监测数据如图2所示。

步骤二：监测指标参考值的给定与初始模型的构建；

对于大型工业结构安全性状态而言，其等级主要分为正常安全状态、中等安全状态和危险状态，分别用H、M和L表示，其参考值如表1所示。振动和倾斜两个指标的参考等级为低、稍低、中等、稍高、高五个，分别用L、BM、N、SH和H表示，两个监测指标的参考值分别如表2和表3所示。

表1大型工业结构安全性评估等级和参考值

参考等级	H	M	L
				参考值	1	0.5	0

表2大型工业结构振动频率的等级和参考值

表3大型工业结构倾斜角度的等级和参考值

参考等级	L	BM	N	SH	H
						参考值	0.003	0.03	0.045	0.06	0.0944

结合表1、表2和表3中所示的参考等级和参考值，可以构建大型工业结构安全性评估初始模型如表4所示，其中共有25条初始规则，每条规则的置信度、规则权重由专家给定。

步骤三：大型工业结构安全性评估模型训练与约减；

基于专家构建的初始规则库后，通过监测数据对模型进行训练，同时根据规则可靠度对模型进行约减，降低不可靠信息对模型的影响。实验过程中共采集515组监测数据，从中随机抽取250组作为训练数据，用来对模型进行训练和约减，然后利用剩余265组监测数据对模型进行测试，计算约减后模型的评估精度。基于本发明中所提出的可靠度计算方法，计算得到振动和倾斜两个监测指标的可靠度分别为0.9146和0.5476。基于所构建的融合多源信息的大型工业结构安全性评估模型，使用基于考虑投影算子的协方差矩阵自适应优化策略(The projection covariance matrix adaption evolution strategy,P-CMA-ES)对其初始模型中的进行训练，并结合规则约减方法对模型进行约减。其中，训练迭代次数设置为200，优化过程中，指标可靠度作为指标的客观属性，其数值保持不变。训练约减后的评估模型如表5所示。对于训练后的安全性评估模型而言，其规则可靠度可以通过本发明所提出的规则可靠度计算方法求得，其中调节系数κ＝2，即规则中的全局无知性受输入指标的不完全可靠和专家知识的无知性影响的比例为1：1。其中，规则删减的阈值设置为0.2，即规则可靠度低于0.2时，该条规则不再发挥作用。

对比表4和表5可以看出，经过训练约减后的安全性评估模型在结构复杂度上有了很大的降低，部分不可靠规则被剔除，由25条规则约减成15条规则，大大提高了模型的评估效率。

训练后的安全性评估模型的输出结果如图3所示，其中对比了规则约减前后安全性评估模型的评估效果和训练之前的安全性评估模型的评估效果。本发明中，训练约减后模型的MSE为0.0167，远远小于模型的安全性等级，其未删减的评估模型的MSE为0.0189，与约减后精度基本一致。对比图3中的三条曲线可以得到，训练前后，模型的评估精度有了很大的提高，通过监测数据对专家知识的调整，有效降低了专家不确定性对建模精度的影响；并且经过删减后，本发明中的模型的精度与考虑属性可靠度的置信规则库模型(BRB-r)的评估精度基本保持一致，但其中本发明中所提出的模型约减方法能够充分考虑不可靠监测指标对规则的影响，降低了模型的复杂度，提高了小样本情况下复杂系统的评估效率。

表4大型工业结构安全性评估初始模型

表5大型工业结构安全性评估训练约减模型

Claims (7)

1.一种融合多源信息的安全性评估方法，其特征在于：基于统计方法通过指标可靠度计算各监测指标的不确定度；进一步将指标可靠度和规则输出的全局无知性计算得到规则的可靠度；结合专家知识确定规则可靠度的删减阈值；基于置信规则库模型构建安全性评估模型，将专家知识与监测指标的监测数据进行有效融合；同时，在安全性评估模型的训练过程中依据前述删减阈值动态删减规则；所述监测数据输入到安全性评估模型中后，置信规则库模型中的相应的规则被激活，并产生相应的输出；将每条规则的输出进行融合输出安全性等级，完成安全性评估。

2.根据权利要求1所述融合多源信息的安全性评估方法，其特征在于，所述在安全性评估模型的训练过程中依据前述删减阈值动态删减规则，包括：根据计算得到的规则可靠度确定该条规则是否满足模型整体可靠度要求；规则约减公式：

其中，θ_k为考虑规则可靠度约减后的第k条规则权重，表示当规则可靠度不满足要求时，该条规则在整个规则库中发挥的作用将会被忽略；R_k是第k条规则的可靠度；θ_k为原始规则权重；ψ为删减阈值。

3.根据权利要求2所述融合多源信息的安全性评估方法，其特征在于，所述基于统计方法计算各监测指标的可靠度具体包括：设第i个监测指标的监测数据为x_i(1),...,x_i(j),...,x_i(T),i＝1,...,M；其中M为监测指标的个数，T为监测数据的总个数，

和σ_i为该指标的均值和方差；该监测指标的数据波动范围表示为

λ为波动区间调节系数；如果第j个监测数据超出波动区间，即含有噪声信息较多，不能准确表示系统运行信息，为不可靠的，则y_ij＝1；否则，y_ij＝0；

表示第i个监测指标检测数据据中的不可靠的个数；

第i个监测指标的可靠度可以通过下式求得：

其中，r_i为第i个监测指标的可靠度，需要满足0≤r_i≤1。

4.根据权利要求3所述融合多源信息的安全性评估方法，其特征在于，所述将指标可靠度和规则输出的全局无知性计算得到规则的可靠度，包括：

R_k＝r₁r₂…r_M(1-β_D,k/κ)

其中，R_k是第k条规则的可靠度；β_D,k为该条规则输出结果中的全局无知性；κ为调节系数，表示规则输出全局无知中由输入不确定性和专家知识不确定性两者之间所占的比例；1-β_D,k/κ表示规则输出全局无知性中去除输入指标不确定性影响后专家知识的可靠度。

5.根据权利要求1或4所述融合多源信息的安全性评估方法，其特征在于，所述将专家知识与监测指标的监测数据进行有效融合包括：在获取监测指标的监测数据后，需将不同监测指标的监测数据转换成统一的表达形式；指标监测数据转换公式如下：

其中，

为第i个监测指标在t时刻的监测数据在第j条规则中参考等级的置信度；A_ik和A_i(k+1)分别表示第i个指标在第k条和第k+1条规则中的参考等级，其数值大小由专家结合大型工业结构运行状态和经验知识给定；

为t时刻第i个监测指标的监测数据，L为规则库中规则的个数。

6.根据权利要求5所述融合多源信息的安全性评估方法，其特征在于，所述置信规则库模型中的相应的规则被激活，所述规则被激活后的激活权重计算方法包括：

其中，w_k为第k条规则激活权重，α_k为指标监测数据相对于该条规则的输入匹配度；

表示第i个属性的相对权重。

7.根据权利要求6所述融合多源信息的安全性评估方法，其特征在于，所述将每条规则的输出进行融合输出安全性等级包括：通过证据理论算法进行融合，其解析式可以表示为：

其中，β_n为最终评估得到的相对应第n个安全性参考等级D_n的置信度；

模型输出中包含全局无知β_D，且满足

安全性评估模型最终的输出结果为安全性等级，计算公式如下：

其中，u(D_n)为大型工业结构的安全性评估等级；u(D_n)是评估结果中第n个评估等级D_n的评估效用。

Images