一種基于在線時間序列的主動防危的方法
【技術領域】
[0001]本發(fā)明涉及工業(yè)控制系統(tǒng)防危技術，特別是指一種基于在線時間序列數(shù)據(jù)的工業(yè)控制系統(tǒng)主動防危的方法。
【背景技術】
[0002]從工業(yè)事故預防和控制領域來看，其防治理論和技術的研究進程明顯滯后于經濟、社會對工業(yè)發(fā)展的要求，在事故特性、預防和控制理論研究方面存在著很多薄弱環(huán)節(jié)。對工業(yè)事故系統(tǒng)防危性進行理論、應用的研究，注重解決事故頻繁發(fā)生的深層次理論和技術問題，以達到控制工業(yè)事故危險的目的。研究和探索工業(yè)事故的演變特性、發(fā)生規(guī)律以及有效的控制技術成為我國工業(yè)必須重視并盡快解決的重大安全課題。
[0003]基于在線時間序列的主動防危，即通過在線時間序列數(shù)據(jù)建立數(shù)據(jù)預測模型，動態(tài)、實時的發(fā)現(xiàn)相應系統(tǒng)的內在特性和發(fā)展規(guī)律，實現(xiàn)對工業(yè)控制系統(tǒng)采集數(shù)據(jù)的預測，從而能夠對工控系統(tǒng)的安全風險給出精確的預測，做到對危險的預警預報，防范于未然。提高系統(tǒng)的防危性，如果實現(xiàn)對工控系統(tǒng)的趨勢預測，從而能夠對工控系統(tǒng)的安全給出精確的預測，是實現(xiàn)工控系統(tǒng)主動防危的重要所在。
[0004]傳統(tǒng)的防危保障機制是被動的操作驗證方式，無法提前預估系統(tǒng)狀態(tài)評判危險。基于時序數(shù)據(jù)預測的主動防危方法對設備的狀態(tài)進行隨時驗證，做到防患于未然。根據(jù)工業(yè)控制系統(tǒng)現(xiàn)場的時空序列數(shù)據(jù)變化的規(guī)律建立模型，盡可能多地從中提取出所需要的準確信息，動態(tài)的、實時的進行單步乃至多步預測。預測精度一直是時間序列預測研究中最核心的問題，但是在實時性要求很高的工控領域中，預測效率亦是同等重要的核心問題。如何在保證高預測精度的前提下，最大程度提高預測效率滿足工業(yè)控制系統(tǒng)實時性要求，是工業(yè)控制系統(tǒng)主動防危的重要問題。需要設計實現(xiàn)滿足工業(yè)控制系統(tǒng)的時間序列的通用、動態(tài)、實時預測算法，達到預測精度高和預測效率高的雙重目標。
【發(fā)明內容】
[0005]有鑒于此，本發(fā)明的主要目的在于提供一種基于在線時間序列數(shù)據(jù)的工業(yè)控制系統(tǒng)主動防危的方法，實際應用中大多數(shù)時間序列數(shù)據(jù)預測問題都需要以在線處理的方式進行處理，特別是復雜工業(yè)控制系統(tǒng)的狀態(tài)監(jiān)測，此類實時更新的數(shù)據(jù)包含大量信息。傳統(tǒng)離線預測模型無法保證精度，所以本發(fā)明最大化提高數(shù)據(jù)預測效率，提高預測精度，同時保證滿足工業(yè)控制系統(tǒng)實時性要求，最終給工業(yè)控制現(xiàn)場提供實時可靠的預警信息。
[0006]為了達到上述目的，該方法的設計上分為以下幾個步驟:
[0007]步驟一，積累一定時間的歷史數(shù)據(jù)，對不同數(shù)據(jù)進行加權，建立初始訓練樣本集，樣本集包括系統(tǒng)輸入集合和輸出集合；
[0008]步驟二，根據(jù)初始樣本集計算訓練模型的必要參數(shù)，獲取支持向量集合，建立最初始數(shù)據(jù)預測模型；
[0009]步驟三，對新輸入樣本進行預處理，去除工業(yè)現(xiàn)場噪聲影響，生成符合系統(tǒng)輸入輸出的特征向量；
[0010]步驟四，新增樣本進行計算，利用前一次迭代的運算結果，對增加的樣本進行學習，判斷新增樣本屬性，并由此來確定是否更新預測模型；
[0011]步驟五，使用最新的預測模型，預測系統(tǒng)輸出，對預測結果進行精度評價和計算效率評價。
[0012]本發(fā)明的目的在于提出一種基于在線時間序列數(shù)據(jù)的預測模型，通過對數(shù)據(jù)的持續(xù)在線學習，能夠迅速挖掘時間序列所隱含的信息，完成對時間序列的預測，并將其應用在工控系統(tǒng)內，結合工控系統(tǒng)邏輯，有效預測工業(yè)控制系統(tǒng)的危險數(shù)據(jù)。
【附圖說明】
[0013]圖1所示為本發(fā)明的整體框架圖。
【具體實施方式】
[0014]為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，下面結合附圖舉具體實施例，對本發(fā)明作進一步清楚、詳細、完整的說明，所描述的實施例僅僅是本發(fā)明的一部分實施例，而非全部實施例。
[0015]傳統(tǒng)的防危保障機制是被動的操作驗證方式，無法提前預估系統(tǒng)狀態(tài)評判危險。基于時序數(shù)據(jù)預測的主動防危方法對設備的狀態(tài)進行隨時驗證，做到防患于未然。如何在保證高預測精度的前提下，最大程度提高預測效率滿足工業(yè)控制系統(tǒng)實時性要求。本發(fā)明實施例提供了一種基于在線時間序列數(shù)據(jù)預測的主動防危的方法，如圖1所示，包括:
[0016]步驟一，首先根據(jù)工業(yè)現(xiàn)場設備的具體情況，選擇恰當監(jiān)測點，實時抓取數(shù)據(jù)，將積累一定時間的數(shù)據(jù)進行預處理，使用貝葉斯證據(jù)框架確定不同輸入數(shù)據(jù)的權值，構建檢測向量間的邏輯關系，并根據(jù)此關系建立訓練樣本集合，樣本集合包括系統(tǒng)輸入集合和系統(tǒng)輸出集合；
[0017]步驟二，根據(jù)初始樣本集計算訓練模型的必要參數(shù)，建立最初始數(shù)據(jù)預測模型，將訓練樣本分為3類，分別是邊界支持向量集合、誤差支持向量集合和剩余向量集合；
[0018]步驟三，對新輸入樣本進行預處理，去除工業(yè)現(xiàn)場噪聲影響，生成符合系統(tǒng)輸入輸出的特征向量；
[0019]步驟四，將步驟三生成的新增樣本進行計算，利用前一次迭代的運算結果，對增加的樣本進行學習，此種方法可以減少計算復雜度，實現(xiàn)在較小的時間代價下的新樣本學習；計算新增樣本存在的計算拉格朗日乘子、模型偏置值和誤差值，并根據(jù)誤差值將新增樣本放置于邊界支持向量集合，誤差支持向量集合和剩余向量集合之一；若新增樣本的加入，需要移動原有支持向量集合，則需要更新預測模型，重新計算模型參數(shù)，遍歷邊界支持向量集合、誤差支持向量集合和剩余向量集合，判斷集合內向量是否滿足KTT條件，不滿足條件的向量則被遺棄，重新歸并邊界支持向量集合、誤差支持向量集合和剩余向量集合；如果不需要更改支持向量集合，則不需要更新預測模型，將其直接加入集合組；
[0020]步驟五，若模型更新，則使用更新模型計算預測值，并將預測值與實際值進行比對，對預測結果進行精度評價和計算效率評價。
[0021]本發(fā)明實例提供的基于在線時間序列數(shù)據(jù)的工控系統(tǒng)主動防危方法，使用工業(yè)現(xiàn)場已有的實時數(shù)據(jù)對系統(tǒng)可能發(fā)生的未來狀況進行預測，能夠準確預測工業(yè)控制現(xiàn)場數(shù)據(jù)的變化趨勢，結合系統(tǒng)預設的報警設置，給予系統(tǒng)最大化的、主動的防危預警時間和空間，為現(xiàn)場操作人員提供有力支撐，消除工業(yè)控制系統(tǒng)的危險，做到防患于未然。采用多種技術手段，以高預測效率和預測精度，滿足工業(yè)控制系統(tǒng)的防危性需求。
[0022]以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。
【主權項】
1.一種基于在線時間序列的主動防危的方法，其特征在于，包括以下步驟: 步驟一，積累一定時間的歷史數(shù)據(jù)，對不同數(shù)據(jù)進行加權，建立初始訓練樣本集，樣本集包括系統(tǒng)輸入集合和輸出集合； 步驟二，根據(jù)初始樣本集計算訓練模型的必要參數(shù)，獲取支持向量集合，建立最初始數(shù)據(jù)預測模型； 步驟三，對新輸入樣本進行預處理，去除工業(yè)現(xiàn)場噪聲影響，生成符合系統(tǒng)輸入輸出的特征向量； 步驟四，新增樣本進行計算，利用前一次迭代的運算結果，對增加的樣本進行學習，判斷新增樣本屬性，并由此來確定是否更新預測模型； 步驟五，使用最新的預測模型，預測系統(tǒng)輸出，對預測結果進行精度評價和計算效率評價。
2.根據(jù)權利要求1所述的時間序列預測模型，其特征在于，步驟一中獲取的加權輸入數(shù)據(jù)過程為:步驟一中權值的確定使用柯西分布加權，獲得輸入的數(shù)據(jù)；確定不同輸入數(shù)據(jù)的權值，用于提高預測模型的魯棒性，構建加權預測模型。
3.根據(jù)權利要求1所述的時間序列預測模型，其特征在于，步驟一中的初始訓練樣本集包括系統(tǒng)輸入集和系統(tǒng)輸出集，根據(jù)系統(tǒng)實際情況建立二者直接的數(shù)據(jù)關聯(lián)。
4.根據(jù)權利要求1所述的時間序列預測模型，其特征在于，步驟二中模型的必要參數(shù)包括計算拉格朗日乘子、模型偏置值，將訓練樣本分為3類獲取的支持向量集合，分別是邊界支持向量集合，誤差支持向量集合和剩余向量集合。
5.根據(jù)權利要求1所述的時間序列預測模型，其特征在于，步驟三的新樣本同樣需要構建為選連樣本格式，生成輸入數(shù)據(jù)樣本。
6.根據(jù)權利要求1所述的時間序列預測模型，其特征在于，步驟四的新增樣本屬性判斷方法為計算其誤差值，根據(jù)誤差值的大小確定該樣本是屬于邊界支持向量集合，誤差支持向量集合和剩余向量集合的哪一類。
7.根據(jù)權利要求1所述的時間序列預測模型，其特征在于，步驟四的模型更新判斷方法是計算新增樣本的歸屬是否會導致集合其他向量屬性的變動，如果有向量需要更改規(guī)貝U，則需要重新計算模型。
【專利摘要】本發(fā)明公開了一種用于工業(yè)控制系統(tǒng)基于在線時間序列的主動防危的方法，涉及工業(yè)控制系統(tǒng)防危技術。該發(fā)明可嵌入現(xiàn)有工業(yè)控制系統(tǒng)，目的是提高現(xiàn)有工業(yè)控制系統(tǒng)的安全性能，通過對實時數(shù)據(jù)的在線學習，能夠及時預測數(shù)據(jù)發(fā)展，結合系統(tǒng)給出預警信息，避免工業(yè)控制系統(tǒng)危險的發(fā)生。該方法主要包括：預處理工業(yè)現(xiàn)場數(shù)據(jù)，根據(jù)時空序列數(shù)據(jù)變化規(guī)律建立模型，動態(tài)、實時進行數(shù)據(jù)預測提供防危參考。通過本發(fā)明公開的基于在線時間序列的主動防危的方法，首先累積一定時間范圍的歷史數(shù)據(jù)生成預測模型，再根據(jù)實時數(shù)據(jù)變化實時動態(tài)更新預測模型，最終實現(xiàn)實時、在線的數(shù)據(jù)預測方法，該方法有效改進預測模型準確率，為工控系統(tǒng)主動防危提供有效支撐。
【IPC分類】G06F17-30
【公開號】CN104731778
【申請?zhí)枴緾N201310692709
【發(fā)明人】李林, 徐新國, 康衛(wèi), 朱廷劭
【申請人】中國電子信息產業(yè)集團有限公司第六研究所
【公開日】2015年6月24日
【申請日】2013年12月18日