[0080]
[0081]
[0082] 其中参数P∈[100,200];
[0083] (4-3-4)根据式(6)和式(7)可以计算单步短时报警证据mt-1、mt和发出警报的理想证据I2之间的相似度为
[0084]
[0085]
[0086] 可以得到λt和γt为
[0087]
[0088] (4-4)根据步骤(4-3-4)得到的λt和γt,将mt-1、mt融合为一个证据mt-1:t为[0089] mt-1:t=λtmt-1+γtmt (16)
[0090] (4-5)τt和νt的确定具体步骤如下:
[0091] (4-5-1)求得mt-1:t和m1:t-2的信息熵如式(17)-(18)所示
[0092] Ht-1:t=-(mt-1:t(A)logb(mt-1:t(A))+mt-1:t(NA)logb(mt-1:t(NA))) (17)[0093] H1:t-2=-(m1:t-2(A)logb(m1:t-2(A))+m1:t-2(NA)logb(m1:t-2(NA))) (18)[0094] 其中b=2;
[0095] (4-5-2)τt和νt可由下式(19)确定
[0096]
[0097] 为了加深对步骤(4)的理解,这里举个例子解释长短时信息融合的整个过程,假设a=6,前4个周期对应的短时报警证据如下表1所示
[0098] 表1短时报警证据
[0099]t mt=(mt(A),mt(NA))
1 (0.9,0.1)
2 (0.7,0.3)
3 (0.45,0.55)
4 (0.8,0.2)
[0100] 根据步骤(4)计算长时报警证据
[0101] 当t=1,2时,根据步骤(4-1)可得m1:1=m1=(0.9,0.1),m1:2=m2=(0.7,0.3)。
[0102] 当t=3时,根据步骤(4-3) ,取P=100,m1:1(A)≥m1:1(NA),则Sim(m3,
I1)=0.6436,Sim(m2,I1)=0.7680,λ3=0.5441,γ3=0.4559,再根据步骤(4-4)得到m2:3=(0.586025,0.413975),再根据步骤(4-5),b=2,得到H2:3=0.9785,H1:1=0.4690,ν3=
0.3240,τ3=0.6760,又因为m2(A)>m2(NA),m2(A|A)=1,m2(NA|A)=0,m3(NA)>m3(A),m3(A|NA)=0,m3(NA|NA)=1,因此根据式(5)得到m1:3=(0.7847,0.2154)。
[0103] 当t=4时,根据步骤(4-3) ,取P=100,m1:2(A)≥m1:2(NA),则Sim(m3,
I1)=0.6436,Sim(m4,I1)=0.8324,λ4=0.4360,γ4=0.5640,再根据步骤(4-4)得到m3:4=(0.6474,0.3526),再根据步骤(4-5),b=2,得到H3:4=0.9364,H1:2=0.8813,ν3=0.4848,τ3=0.5152,又因为m3(NA)>m3(A),m3(A|NA)=0,m3(NA|NA)=1,m4(A)>m4(NA),m4(A|A)=1,m3(NA|A)=0,因此根据式(5)得到m1:4=(0.6341,0.3659)。
[0104] (5)根据步骤(4)得到全局报警证据m1:t=(m1:t(A),m1:t(NA)),对于全局报警证据,如果m1:t(A)≥m1:t(NA),则发出警报,否则,不警报。
[0105] 在步骤(4)中的例子中得到的4个长时报警证据,对其进行决策,给出报警结果如下表2。
[0106] 表2报警结果输出
[0107]
[0108] 通过表中的数据可以看出,在正常状态下,利用短时报警证据进行决策会有一定的误差,而基于本发明方法融合后的长时报警证据更加真实的反映了现实的情况。
[0109] (6)在分别获取W>2000个Vpp在正常和异常下的训练样本值后,可以最小化这W个样本的误报率和漏报率的平方和,求得最优阈值Votp。
[0110] 以下结合附图,详细的介绍本发明方法的实施例:
[0111] 本发明方法的流程图如图1所示,核心部分是:从船舶电力推进系统采集逆变器直流回路电压瞬时值;以一定的周期计算电压瞬时值的峰-峰值,按一定间隔选取阈值,利用Sigmoid隶属度函数将峰-峰值转化为短时报警证据;利用长短时信息融合公式融合短时报警证据得到长时报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的阈值为最优阈值。
[0112] 以下结合电力推进船舶“江苏路渡3011”船,详细介绍本发明方法的各个步骤,通过实验数据在最优阈值的条件下,得到的误报率与漏报率要比在传统的方法上更加低。
[0113] 1、实验数据的采集
[0114] 基于上述船例,使用MATLAB/Simulink搭建电力推进仿真模型,以50kHz的采样频率采集直流回路电容容量正常状态和容量为80%的电压瞬时值。
[0115] 2、求得最优阈值
[0116] 以0.002秒为周期处理电压瞬时值得到4000个Vpp,正常2000个,异常2000个,Vpp(1)到Vpp(2000)这2000个数据处于正常的工作状态,Vpp(2001)到Vpp(4000)这2000个数据处于电容容量为80%的工作状态,如图2所示。min(Vpp)=-10.7318,max(Vpp)=-2.9318,以0.1为间隔选取阈值,设定a=6根据本发明步骤(3)-(5)分别得到在每一个阈值下的全局报警证据m1:t=(m1:t(A),m1:t(NA)),t=1,2,3,…,4000,并作报警决策,误报率和漏报率的平方和最小对应的最优阈值为-7.2318,误报率为8.15%,漏报率为13.2%。使用相同数据相同遍历方法求得三阶滑动平均滤波法下误报率和漏报率的平方和最小对应的最优阈值为-
7.0193,误报率为9.05%,漏报率为24.15%。
[0117] 3、测试实验
[0118] 按上述方法重新在线采集10组数据,进行处理后得到10组Vpp,每组正常2000个,异常2000个,记为 t=1,2,3,…,4000,其中 到 处于正常的工作状态, 到处于电容容量为80%的工作状态 本发明方法下最优阈值
为-7.2318,对于每一组数据,根据本发明步骤(2)和步骤(3)计算短时报警证据,再根据本发明步骤(4)进行长短时信息融合得到全局报警证据,最后根据本发明步骤(5),进行报警决策,得到误报率、漏报率。在本发明方法下,10组数据平均误报率为12.69%,漏报率为
7.51%。三阶滑动平均滤波法的最优阈值为-7.0193,使用三阶滑动平均滤波法计算每一组的误报率、漏报率,计算得到10组平均误报率为23.64%,漏报率为9.85%。从最后的报警结果可以看出,本发明在最优阈值的下产生的误报率和漏报率都比传统的三阶滑动平均滤波法更加精确。