一种基于历史数据的工业报警系统

摘要

本发明属于报警技术运用领域，涉及基于历史数据的工业报警系统。根据故障发生时采样数据均值和方差的变化，将数据分成“正常”数据和“故障”数据；用小波滤波器分别将数据分为高频与低频两个部分，估计数据的概率密度分布；分析滤波后数据的概率分布特性得到FAR和MAR的计算方法，建立关于误报警概率和漏报警概率的目标函数；最后，分析滤波器窗口阶数n与报警指标FAR，MAR及ADD之间的联系，得到报警系统中滤波器阶数n和报警系统阈值xtp。本发明的方法计算量小，减少了大量的误报警，同时对漏报警的次数进行了抑制，大大减轻了操作员的工作负荷，保证了系统运行的安全性和可靠性。

主权项

一种基于历史数据的工业报警系统，其特征包括如下步骤：(1)从工厂分布式控制系统数据库中选取一段历史数据，包含系统发生故障前后的采样信息；根据故障发生时采样数据均值和方差的变化，将数据分成“正常”数据和“故障”数据；(2)用小波滤波器分别将正常数据和故障数据都分为高频与低频两个部分；(3)利用数据低频部分表示采样数据均值的分布情况；采用核心平滑密度估计法，得正常数据均值μ₁在[a,b]范围变化，μ₁的概率密度函数表示为：$p\left({\mu }_1\right)=\left\{\begin{array}{cc}p\left({\mu }_1\right),& a\le {\mu }_1\le b\\ 0,& others\end{array}\right.$故障数据组均值μ₂在[c,d]范围变化，μ₂的概率密度函数表示为：$p\left({\mu }_2\right)=\left\{\begin{array}{cc}p\left({\mu }_2\right),& c\le {\mu }_2\le d\\ 0,& others\end{array}\right.$(4)正常数据和故障数据高频部分主要为采样白噪声，采用核心平滑密度估计法得正常数据方差σ₁和故障数据方差σ₂；正常数据和故障数据的高频部分概率密度函数分别表示为：和(5)利用阶数为n的滑动平均滤波器对采用数据高频部分滤波；滤波只改变了数据方差，且新的方差与原来方差之间的关系为：${\sigma }_{new}=\frac{{\sigma }_{origin}}{\sqrt{n}};$(6)利用数据的概率统计特性，推导评价指标报警系统误报率(FAR)和漏报率(MAR)的表达式：$FAR=\underset{a}{\overset{b}{\int }}p\left({\mu }_1\right)\underset{x_{tp}}{\overset{\infty }{\int }}{\mathrm{PDF}}_{0,\frac{{\sigma }_1}{\sqrt{n}}}\left(x\right){\mathrm{dxd\mu }}_1$$MAR=\underset{c}{\overset{d}{\int }}p\left({\mu }_2\right)\underset{-\infty }{\overset{x_{tp}}{\int }}{\mathrm{PDF}}_{0,\frac{{\sigma }_2}{\sqrt{n}}}\left(x\right){\mathrm{dxd\mu }}_2$其中x_tp为报警阈值表示，1<n<8；(7)报警系统设计目标是使系统的FAR与MAR之和达到最小；当滑动平均滤波器阶数取不同值时，求使FAR+MAR最小的报警系统最优报警阈值x_tp；(8)在滤波器阶数取不同值，报警阈值取最优x_tp时，利用蒙特卡洛模拟，求不同情况下报警系统的平均检测延时ADD的值；(9)报警系统要求FAR<α，MAR<β，ADD<η，根据步骤7)计算结果，得到满足要求的滤波器阶数n和报警系统阈值x_tp。