一种原油管道调合过程状态辨识方法

摘要

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。

主权项

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$\overrightarrow{m}=[m\left(A_1\right),m\left(A_2\right),...,m\left(A_{2^n}\right)],A_p\in P\left(\Theta \right)---\left(1\right)$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$d_{\mathrm{ij}}=\sqrt{\frac{1}{2}{({\overrightarrow{m}}_i-{\overrightarrow{m}}_j)}^T\underset{\underset{‾}{‾}}{D}({\overrightarrow{m}}_i-{\overrightarrow{m}}_j)}---\left(2\right)$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：$D_M=\left[\begin{array}{cccc}0& d_{12}& ...& d_{1n}\\ d_{21}& 0& ...& d_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ d_{1n}& d_{n2}& ...& d_{\mathrm{nm}}\end{array}\right]---\left(3\right)$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$d_k=\sqrt{\frac{\underset{t=1}{\overset{n}{\Sigma }}{d}_{\mathrm{kt}}}{n}}---\left(4\right)$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：$c_k=e^{-d_k}/\underset{t=1}{\overset{n}{\Sigma }}{e}^{-d_t}---\left(5\right)$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${\overrightarrow{m}}_k=[m_k\left(A_1\right),m_k\left(A_2\right),...,m_k\left(A_s\right)...,m_k\left(\Theta \right)],$则证据源修正后基本概率分配为${\overrightarrow{m}}_k^{\prime }=[m_k^{\prime }\left(A_1\right),m_k^{\prime }\left(A_2\right),...,m_k^{\prime }\left(A_s\right)...,m_k^{\prime }\left(\Theta \right)]---\left(7\right)$其中，m'_k(A_s)＝r_k·m_k(A_s)，A_s≠Θ，s＝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：$m=\left(A_s\right)=m_{\cap \left(A_s\right)}+\Sigma m^c\left(A_s\right),\forall A_s\in P\left(\Theta \right)---\left(8\right)$其中，乘性运算：$m_{\cap \left(A_s\right)}=\underset{B,C\subseteq \Theta }{\underset{B\cap C=A_s}{\Sigma }}{m}_a^{\prime }\left(B\right)m_b^{\prime }\left(C\right)$局部冲突中分配给A_s部分：$m^c\left(A_s\right)=\underset{A_p,A_s\subseteq \Theta }{\underset{A_p\cap A_s=\phi }{\Sigma }}\frac{m_a^{\prime }\left(A_s\right)}{m_a^{\prime }\left(A_s\right)+m_b^{\prime }\left(A_p\right)}{m}_a^{\prime }\left(A_s\right)m_b^{\prime }\left(A_p\right)$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。