一种基于改进贝叶斯网络结构的工业报警网络构造方法

1.本发明涉及工业报警网络构造技术领域，具体为一种基于改进贝叶斯网络结构的工业报警网络构造方法。


背景技术：

2.现代流程工业是指一种生产过程长时间连续，生产流程需要严格的过程控制以及安全保障的工业生产行业，其特点是具备大型复杂的工业生产系统和庞大的生产规模。流程工业是国家经济的重要组成部分，对促进经济增长和提高国家经济实力具有重要作用。近年来，国家积极倡导工业化与信息化的深度融合，以更加高效、智能的方式发展流程工业。
3.然而，由于流程工业的生产系统极其复杂，生产设备数量众多，相互连接紧密且高度耦合，因此任何设备或单元的故障都可能通过物质流和信息流在不同的系统之间传递，导致生产过程容易受到内外部干扰。即使是微小的故障，也可能会引发连锁反应，演变并影响整个生产过程，从而对生产的安全、稳定性和产品质量造成无法预估的影响；
4.贝叶斯网络结构是一种概率图模型，它可以描述变量之间的因果关系，并且可以用于分析和预测事件的概率。传统的贝叶斯网络结构学习的过程中，互信息受到随机变量本身信息熵大小的影响，当变量之间的信息熵差很大时，用互信息来判断节点之间是否存在关系是不准确的，针对上述问题，发明人提出一种基于改进贝叶斯网络结构的工业报警网络构造方法用于解决上述问题。


技术实现要素：

5.为了解决工业报警网络与原始网络的接近程度较低的问题；本发明的目的在于提供一种基于改进贝叶斯网络结构的工业报警网络构造方法。
6.为解决上述技术问题，本发明采用如下技术方案：一种基于改进贝叶斯网络结构的工业报警网络构造方法，包括以下步骤：
7.s1、选取te化工过程数据集，并对数据集划分训练集和测试集；
8.s2、数据预处理：提取te化工过程数据集，若统计后的数据出现间断的现象，就用均值法进行补值，同时按照工业3δ法则进行阈值设定；
9.s3、基于互信息的不足，对节点之间互信息的计算进行改进，引入了去熵互信息的概念，得到去熵互信息和去熵条件互信息，进而生成无向网络图；
10.s4、将生成的无向网络图利用vll定向规则进而取得改进后的贝叶斯网络结构(eemi&vll)；
11.s5、利用asia、car、child、alarm四种标准网络数据集对eemi&vll进行实验，并对比实验效果评价指标。
12.优选地，将te过程报警数据进行划分具体为：将前5小时的报警数据作为训练集，将第5小时至第48小时的报警数据作为测试集。
13.优选地，s2所述数据预处理的过程具体包括：
14.a：提取te化工过程数据集，并将数据按照时间顺序进行排序；
15.b：对数据按照时间间隔t进行统计，其中t＝3min；
16.c：若统计后的数据出现间断的现象，采用均值法进行补值，具体公式如下所示：
[0017][0018]
其中，s
t
表示时刻的报警数据，s
t+1
、s
t-1
分别表示t+1、t-1时刻的报警数据；
[0019]
d：同时按照工业3δ法则进行阈值设定，将连续的数据按照高低阈值转化为0、1的离散序列。
[0020]
优选地，s3所述改进过程具体包括：
[0021]
a：将节点x和节点y的互信息分别除以两个节点各自的信息熵来消除自身信息熵对互信息的影响，得到两个比值记为η1和η2，具体公式如下所示：
[0022][0023]
其中η1、η2表示x和y节点信息熵中互信息的比值，i(x,y)表示节点x和节点y的互信息，h(x)表示x节点的熵，h(y)表示y节点的熵，两个节点之间的去熵互信息公式如下所示：
[0024]
eemi
xy
＝p1η1+p2η2[0025]
其中，eem
xy
表示x和y节点之间的去熵互信息，p1和p2的定义公式如下所示：
[0026][0027][0028]
b：按照如上的理论同理可以得出节点x和节点y的条件互信息分别除以节点各自的条件信息熵来消除自身条件信息熵对条件互信息的影响，得到两个比值记为η3和η4，具体公式如下所示：
[0029][0030]
其中η3和η4表示x和y节点条件信息熵中条件互信息的比值，i(x,y|z)表示给定随机变量z的条件下x和y的条件互信息，h(x|z)表示给定z的条件下x的条件熵，h(y|z)表示定z的条件下y的条件熵，两个节点之间的条件去熵互信息公式如下所示：
[0031]
eecm
xy|z
＝p3η3+p4η4[0032]
其中，eecm
xy|z
表示给定z的条件下x和y节点之间的条件去熵互信息，p3和p4的定义公式如下所示：
[0033][0034][0035]
优选地，通过利用去熵条件互信息与去熵互信息的差值构造辨别函数，通过辨别
函数检验出最大支撑树中所有的vll结构并定向，辨别函数的公式如下所示：
[0036]
δ＝eecmi
xy|k
(xi,xj)-eemi
xy
(xi,xj)
[0037]
其中，eecmi
xy|k
表示给定条件xk下x和y节点之间的条件去熵互信息，eem
xy
表示x和y节点之间的去熵互信息，δ表示给定条件xk下x和y节点之间的条件去熵互信息与去熵互信息的差值。
[0038]
优选地，通过定向后，得到改进后的贝叶斯网络结构(eemi&vll)，利用asia、car、child、alarm四种标准网络数据集对eemi&vll进行实验，并对比实验效果评价指标。
[0039]
与现有技术相比，本发明的有益效果在于：
[0040]
本发明中，通过该方法所学习到的工业报警网络与原始网络更加接近，这是由于eemi在计算节点之间关联程度时考虑了自身的信息熵，在正确率上更具优势，且vll定向规则的准确性更高。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1为本发明一种基于改进贝叶斯网络结构的工业报警网络构造流程图。
[0043]
图2为本发明三个变量间的信息交点图。
[0044]
图3为本发明vll定向规则图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
实施例：如图1-3所示，本发明提供了一种基于改进贝叶斯网络结构的工业报警网络构造方法，包括以下步骤：
[0047]
s1、选取te过程报警数据作为数据集，数据采样间隔为3分钟，并对数据集划分训练集和测试集。将te过程报警数据进行划分具体为：将前5小时共100个报警数据作为训练集，将第5小时至第48小时共860个报警数据作为测试集；
[0048]
s2、将s1提取的数据集进行排序，如若统计后的数据存在间隔的现象，采用均值法对间断地方进行补值处理，具体公式如下所示：
[0049][0050]
其中，s
t
表示t时刻的报警数据，s
t+1
、s
t-1
分别表示t+1、t-1时刻的报警数据，同时按照工业3δ法则进行阈值设定，将连续的数据按照高低阈值将超过阈值的转化为1，在阈值中间的转化为0的离散序列，经过处理后，数据在保证状态不变的前提下缩小了数据尺度，减少了训练时间；
[0051]
s3、互信息i(x,y)所占变量x和y整体信息的比例大于互信息i(y,z)所占变量y和z整体信息的比例，但是图中，i(y,z)＞i(x,y)通过互信息的相关理论，我们会认为x和z之间的实际相关性高于x和y之间的实际相关性，这恰恰与实际相反，这是因为传统的贝叶斯网络结构学习的过程中，互信息受到随机变量本身信息熵大小的影响，当变量之间的信息熵差很大时，用互信息来判断节点之间是否存在关系是不准确的，因此本发明先基于互信息的不足，对节点之间互信息的计算进行改进，引入了去熵互信息的概念，具体改进如下：
[0052]
根据以上问题，本发明将节点x和节点y的互信息分别除以两个节点各自的信息熵来消除自身信息熵对互信息的影响，得到两个比值记为η1和η2，具体公式如下所示：
[0053][0054]
其中，η1、η2表示x和y节点信息熵中互信息的比值，i(x,y)表示节点x和节点y的互信息，h(x)表示x节点的熵，h(y)表示y节点的熵，可以看到，节点的信息熵越小，对应的互信息比值就越高，两个节点之间的去熵互信息如公式下所示：
[0055]
eemi
xy
＝p1η1+p2η2[0056]
其中，eem
xy
表示x和y节点之间的去熵互信息，p1和p2的定义如公式下所示：
[0057][0058][0059]
按照如上的理论同理可以得出节点x和节点y的条件互信息分别除以节点各自的条件信息熵来消除自身条件信息熵对条件互信息的影响，得到两个比值记为η3和η4，具体公式如下所示：
[0060][0061]
其中，η3和η4表示x和y节点条件信息熵中条件互信息的比值，i(x,y|z)表示给定随机变量z的条件下x和y的条件互信息，h(x|z)表示给定z的条件下x的条件熵，h(y|z)表示定z的条件下y的条件熵，两个节点之间的条件去熵互信息公式如下所示：
[0062]
eecm
xy|z
＝p3η3+p4η4[0063]
其中，eecm
xy|z
表示给定z的条件下x和y节点之间的条件去熵互信息，p3和p4的定义公式如下所示：
[0064][0065][0066]
该赋值方法是一种参数自整定的机制，可以独立地将较大的权重赋给较大的互信息比，具有实际意义，信息熵越小的节点互信息比越能反应节点的互信息比，以上内容可得，本发明在计算节点之间关联程度时考虑了自身的信息熵，在正确率上更加有优势，且在变量数量较大时，优势更为明显；
[0067]
s4、根据s3得到了去熵互信息和去熵条件互信息，进而得到了无向网络图，将生成的无向网络图利用vll定向规则进行定向，其思想是利用去熵条件互信息与去熵互信息的差值构造辨别函数，通过辨别函数检验出最大支撑树中所有的vll结构并定向，辨别函数的公式如下所示：
[0068]
δ＝eecmi
xy|k
(xi,xj)-eemi
xy
(xi,xj)
[0069]
其中，eecmi
xy|k
表示给定条件xk下x和y节点之间的条件去熵互信息，eem
xy
表示x和y节点之间的去熵互信息，δ表示给定条件xk下x和y节点之间的条件去熵互信息与去熵互信息的差值，若δ大于0，表明在已知节点xk的状态时节点xi和节点xj之间的依赖程度增强，即节点xi和节点xj，在节点xk处形成了vll结构，于是三个节点之间存在的无向边定位为xi→
xk、xi→
xk，否则三个节点不构成vll结构，不进行定向，vll定向规则具体公式如下所示：
[0070][0071]
其中，e
ik
＝1表示有向边xi→
xk，e
jk
＝1表示有向边xj→
xk，e
ik
＝0表示不存在有向边xi→
xk，e
jk
＝0表示不存在有向边xj→
xk，进而取得改进后的贝叶斯网络结构(eemi&vll)；
[0072]
s5、经过s4得到改进后的贝叶斯网络结构(eemi&vll)，为检验eemi&vll得到的工业报警网络结构的可行性，利用asia、car、child、alarm四种标准网络数据集对eemi&vll和传统的mi&crar进行对比实验，此次实验分别生成样本量为1000,5000,10000的数据集，每组数据独立进行100次实验，取均值作为最终结果，实验结果如图表所示：
[0073]
[0074]
其中t表示变量xi和变量xj之间存在一条定向正确的边，f表示变量xi和变量xj之间存在一条定向错误的边，acc：定向正确率，具体公式如下所示：
[0075][0076]
由此可见eemi&vll所学习到的工业报警网络与原始网络更加接近，这是由于eemi在计算节点之间关联程度时考虑了自身的信息熵，在正确率上更具优势，且vll定向规则的准确性更高，且在变量数量较大时，优势更为明显。
[0077]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于改进贝叶斯网络结构的工业报警网络构造方法，其特征在于，包括以下步骤：s1、选取te化工过程数据集，并对数据集划分训练集和测试集；s2、数据预处理：提取te化工过程数据集，若统计后的数据出现间断的现象，就用均值法进行补值，同时按照工业3δ法则进行阈值设定；s3、基于互信息的不足，对节点之间互信息的计算进行改进，引入了去熵互信息的概念，得到去熵互信息和去熵条件互信息，进而生成无向网络图；s4、将生成的无向网络图利用vll定向规则进而取得改进后的贝叶斯网络结构(eemi&vll)；s5、利用asia、car、child、alarm四种标准网络数据集对eemi&vll进行实验，并对比实验效果评价指标。2.如权利要求1所述的一种基于改进贝叶斯网络结构的工业报警网络构造方法，其特征在于，将te过程报警数据进行划分具体为：将前5小时的报警数据作为训练集，将第5小时至第48小时的报警数据作为测试集。3.如权利要求1所述的一种基于改进贝叶斯网络结构的工业报警网络构造方法，其特征在于，s2所述数据预处理的过程具体包括：a：提取te化工过程数据集，并将数据按照时间顺序进行排序；b：对数据按照时间间隔t进行统计，其中t＝3min；c：若统计后的数据出现间断的现象，采用均值法进行补值，具体公式如下所示：其中，s
t
表示时刻的报警数据，s
t+1
、s
t-1
分别表示t+1、t-1时刻的报警数据；d：同时按照工业3δ法则进行阈值设定，将连续的数据按照高低阈值转化为0、1的离散序列。4.如权利要求1所述的一种基于改进贝叶斯网络结构的工业报警网络构造方法，其特征在于，s3所述改进过程具体包括：a：将节点x和节点y的互信息分别除以两个节点各自的信息熵来消除自身信息熵对互信息的影响，得到两个比值记为η1和η2，具体公式如下所示：其中η1、η2表示x和y节点信息熵中互信息的比值，i(x,y)表示节点x和节点y的互信息，h(x)表示x节点的熵，h(y)表示y节点的熵，两个节点之间的去熵互信息公式如下所示：eemi
xy
＝p1η1+p2η2其中，eem
xy
表示x和y节点之间的去熵互信息，p1和p2的定义公式如下所示：的定义公式如下所示：
b：按照如上的理论同理可以得出节点x和节点y的条件互信息分别除以节点各自的条件信息熵来消除自身条件信息熵对条件互信息的影响，得到两个比值记为η3和η4，具体公式如下所示：其中η3和η4表示x和y节点条件信息熵中条件互信息的比值，i(x,y|z)表示给定随机变量z的条件下x和y的条件互信息，h(x|z)表示给定z的条件下x的条件熵，h(y|z)表示定z的条件下y的条件熵，两个节点之间的条件去熵互信息公式如下所示：eeom
xy|z
＝p3η3+p4η4其中，eecm
xy|z
表示给定z的条件下x和y节点之间的条件去熵互信息，p3和p4的定义公式如下所示：如下所示：5.如权利要求1所述的一种基于改进贝叶斯网络结构的工业报警网络构造方法，其特征在于，通过利用去熵条件互信息与去熵互信息的差值构造辨别函数，通过辨别函数检验出最大支撑树中所有的vll结构并定向，辨别函数的公式如下所示：δ＝eecmi
xy|k
(x
i
,x
j
)-eemi
xy
(x
i
,x
j
)其中，eecmi
xy|k
表示给定条件x
k
下x和y节点之间的条件去熵互信息，eem
xy
表示x和y节点之间的去熵互信息，δ表示给定条件x
k
下x和y节点之间的条件去熵互信息与去熵互信息的差值。6.如权利要求1所述的一种基于改进贝叶斯网络结构的工业报警网络构造方法，其特征在于，通过定向后，得到改进后的贝叶斯网络结构(eemi&vll)，利用asia、car、child、alarm四种标准网络数据集对eemi&vll进行实验，并对比实验效果评价指标。

技术总结
本发明公开一种基于改进贝叶斯网络结构的工业报警网络构造方法，涉及工业报警网络构造技术领域；而本发明S1：选取TE过程报警数据作为数据集，数据采样间隔为3分钟，并对数据集划分训练集和测试集。将TE过程报警数据进行划分具体为：将前5小时共100个报警数据作为训练集，将第5小时至第48小时共860个报警数据作为测试集，S2、将S1提取的数据集进行排序，如若统计后的数据存在间隔的现象，采用均值法对间断地方进行补值处理；通过该方法所学习到的工业报警网络与原始网络更加接近，这是由于EEMI在计算节点之间关联程度时考虑了自身的信息熵，在正确率上更具优势，且VLL定向规则的准确性更高。更高。更高。


技术研发人员：屠袁飞 彭雨昂 杨小健 陈雪源 何淑华 丁辉
受保护的技术使用者：南京工业大学
技术研发日：2023.05.19
技术公布日：2023/8/14