不確定性推理方法在油田應急指揮系統的應用

康朝海 (東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

滕 飛 (大慶油田有限責任公司第三采油廠，黑龍江 大慶 163113)

張東旭 (天津通卡公用網絡系統有限公司，天津 300384)

公麗穎 (東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

不確定性推理方法在油田應急指揮系統的應用

康朝海 (東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

滕 飛 (大慶油田有限責任公司第三采油廠，黑龍江 大慶 163113)

張東旭 (天津通卡公用網絡系統有限公司，天津 300384)

公麗穎 (東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

在比較幾種不確定推理方法的基礎上，并針對油田生產中，事故發生時所表征的現象證據往往不完善，且具有一定的模糊性這一問題，提出了一種帶有比較因子的加權不確定性推理方法。油田實例分析說明，該方法既能保持推理精度又能加快推理的速度。

不確定性推理；可信度模型；加權因子；比較因子

推理就是從已知事實出發，運用已掌握的知識推導出其中蘊涵的事實性結論和歸納出某些新結論的過程。常規的推理一般是針對確定性知識的，但在油田生產中，事故發生時所表征的現象證據往往是不完善的，且具有一定的模糊性。目前，不確定性推理方法可以分為2大類：控制方法和模型方法[1]。控制方法的特點是通過識別領域中引起不確定性的某些特征及相應的控制策略來限制或減少不確定性系統產生的影響，這類方法目前沒有處理不確定性的統一模型，其效果大大依賴于控制策略。模型方法的特點是把不確定性的證據和不確定性的知識與某種度量標準對應起來，并給出更新結論不確定性的合適的算法，從而構成相應的不確定性推理模型。模型方法又可分為數值方法和非數值方法。數值方法按照所依據的理論不同又分為基于概率的方法和模糊推理方法。

在數值推理方法中，由于概率論有著完善的理論，同時還為不確定性的合成與傳遞提供了現成的公式，因而成為度量不確定性的重要手段。但雖然純概率方法有著嚴密的理論依據，它卻需要給出事件的先驗概率和條件概率，而這些數據又是不易獲得的。為此，人們經過多年研究，在概率論的基礎上，發展了一些新的處理不確定性的方法：主觀Bayes方法、證據理論方法和可信度方法[2-3]。筆者在對幾種常用的不確定性推理方法比較的基礎上，提出了帶有加權因子的不確定性推理模型(CCWR)。

1 幾種不確定方法的比較

主觀Bayes方法又稱主觀概率論，是一種基于概率邏輯的方法。主觀Bayes方法的基本思想是針對不確定推理，將所有的知識規則連接成一個有向圖，圖中的各節點代表假設結論，弧代表規則，并引入用來度量規則成立的充分性和必要性的2個數值，通過與每一條弧相關聯，建立起一個有向的推理網絡。推理過程從圖的端點(原始證據)出發，逐級計算概率最后推導出結論的概率[4-6]。

證據理論又稱D-S理論，該理論滿足比概率論弱的公理，能區分“不確定”與“不知道”的差異，并能處理由“不知道”引起的不確定性。在D-S理論中，知識的不確定性是通過一個集合形式的“可信度因子”來表示，而證據和結論的不確定性度量則采用信任函數和似然函數來表示。然而信任函數和似然函數是以概率分配函數為基礎的，因此，證據理論的推理過程是首先求出結論的概率分配函數，然后再求出結論的信任函數和似然函數，從而得出結論的信任度[7-9]。

可信度方法是基于概率論一種不確定性推理方法。在某一專業領域中很難用較精確的數據模型來進行描述，并且應用先驗概率及條件概率有時也比較困難，所以用可信度來表示知識及證據的不確定性則是一種相對較好的方法[10]。

在基于可信度不確定推理模型中，知識是以產生式規則的形式來表示的，引入可信度后，其一般的表示形式為：IfEthenH(CF(H,E))，式中，E是知識的前提條件或稱為證據，它既可以是一個簡單條件，也可以是用and及or把多個簡單條件連接起來所構成的復合條件；H是結論，它可以是一個單一的結論，也可以是多個結論；CF(H,E)是該條知識的可信度，稱為可信度因子或規則強度。

除了知識的不確定性外，在不確定性推理中證據的不確定性表示也非常重要，按照證據的個數不同其獲取方法分為單個證據的不確定性獲取方法和組合證據的不確定性獲取方法。

1)單個證據的不確定性獲取方法 在不確定性推理中，如果支持結論的證據只有一條，則其可信度值一般可由用戶直接給出。

2)組合證據的不確定性獲取方法 如果支持結論的證據有多個，則按照證據間的關系來進行求取。

①合取關系E=E1∧E2∧E3∧…∧En，即取其中可信度最小的證據。

②析取關系E=E1∨E2∨E3∨…∨En，即取其中可信度最大的證據。

不確定性的推理計算是從不確定性的初始證據出發，通過運用相關的不確定知識來推導出結論的可信度值。如果支持結論的知識只有一條，且證據E的可信度CF(E)和規則強度已知，則結論H的可信度計算公式：

CF(H)=CF(H,E)×max{0,CF(E)}

(1)

如果支持結論的知識有多條時，由于多條知識的綜合可通過兩兩的合成來實現，所以先考慮2條知識的情況，則這時結論H的可信度的公式如下：

(2)

CF1(H)=CF(H,E1)×max{0,CF(E1)}CF2(H)=CF(H,E2)×max{0,CF(E2)}

(3)

2 帶有比較因子的加權可信度推理方法

2.1CWR推理模型

在基于可信度的推理方法中，人們總是主觀的認為已經存在或發生的事實證據對結論的支持程序都是相同的。其實不然。如：If流量波動增大 and 管線泄漏檢測裝置發生報警then發生管道泄漏事故。在這一條規則中，管線泄漏檢測裝置發生報警這一條證據對結論的支持程序遠遠大于前一證據，所以當這一證據出現時，流量波動是否增大已經不重要了，可以直接判斷管道泄漏事故已經發生。

針對這一種情況，筆者在可信度推理模型的基礎上，對支持結論的證據引入加權因子，構造加權可信度推理模型(CWR)，通過加權因子來說明證據對結論的支持程度，從而提高推理精度。

CWR推理模型表述如下：

Ife1(w1)∧e2(w2)∧…∧en(wn) thenH(CF(H,e),λ)

應該根據證據對結論的支持程度給出權值。證據相對獨立且對結論支持較大時，證據所具有的權值較高。相反，證據對結論的支持度越小，權值也就越低。

在常規的產生式規則中，只有發生的事實證據與規則前件中已有證據完全符合時，才能推導出結論，而應用上述模型可以有效的解決證據不完整時的推理問題。當根據已知的事實證據可信度計算出來的組合證據可信度大于閾值時，就可以激活該規則，并推導出結論。

然而，當證據過多時，仍然采用上述推理模型，計算組合證據的可信度就會浪費大量的時間，雖然推理精度可以保證，但推理速度就會大大降低。如在油田生產中，事故發生時所表征出來的事故現象有些時候是多種多樣的，所以在規則庫中支持結論的證據會很多。針對這一問題的產生，筆者在加權可信度推理方法基礎上引入比較因子，形成帶有比較因子的加權可信度推理模型(CCWR)。

2.2CCWR推理模型

CCWR推理模型如下：

Ife1(w1)∧e2(w2)∧…∧en(wn) thenH(CF(H,e),λ,μ)

圖1 CCWR不確定推理流程圖

CCWR推理流程如圖1所示。

3 實例分析

在油田生產應急指揮規則庫中有這樣一條加權規則：If 電源全停 (0.25) and 照明全停 (0.25) and 儀表指示失效 (0.15) and繼電自動保護裝置動作停止 (0.25) and 開關信息全無 (0.1) then 發生變電所失電事故(0.99，0.8，0.16)。

若現在根據現場人員匯報上來的事故描述在綜合數據庫中只有如下證據：電源全停CF(e1)=1，照明全停CF(e2)=1，儀表指示失效CF(e3)=0.9，繼自裝置動作停止CF(e4)=1。

3.1推理方法1：采用CWR模型

組合證據的可信度：

已知λ=0.8，由CF(E)>λ可知該規則已經被激活，CF(H,E)=0.99。

結論可信度：

CF(H)=CF(H,E)×max{0,CF(E)}=0.99×0.885=0.87615由此可以判斷“發生變電所全所失電事故”的可能性為87.615%，可認為已發生事故。

3.2推理方法2：采用CCWR模型

由帶有比較因子的加權可信度推理模型可知μ=0.16；將證據的權值與比較因子進行比較：

w1>μw2>μw3>μw4>μ

通過2種方法的比較，明顯可以看出帶比較因子的加權可信度推理更方便快捷有效。

4 結 語

在比較幾種常用的不確定性推理方法的基礎上，提出了帶比較因子的加權不確定性推理模型(CCWR)，并給出了這種模型的推理方法。實例分析表明應用CCWR推理方法可以在維持原有精度的前提下有效地提高推理速度。

[1]高鷹，謝勝利.免疫粒子群優化算法[J].計算機工程與應用，2004,40(6)：4-6.

[2]劉潔.基于不確定信息處理的機器人地圖創建[D].吉林：東北電力大學，2006.

[3]利珊.不確定性中的隨機性和模糊性[J].金華職業技術學院學報，2010,10(3)：46-48

[4]于少偉.基于云理論的新的不確定性推理模型研究[J].山東大學學報(理學版)，2009，44(3)：84-87.

[5]孟福真.不確定性礦配問題的優化方法研究[D].長沙：中南大學，2009.

[6]杜江，任瀅.故障智能診斷專家系統模型研究[J].光電技術應用，2009,24(4):73-79.

[7]胡睿.鉆井工程事故診斷專家系統研究[J].中國石油大學勝利學院學報，2010,24(3):14-18.

[8]李德毅，杜鷁.不確定性人工智能[M].北京：國防工業出版社，2005.

[9]盧丹丹.基于人工智能的大學英語輔導教學專家系統[D].北京：北京化工大學，2009.

[10]陳穎，徐曉暉，李志全.基于免疫克隆原理的改進粒子群優化算法的研究[J].系統仿真學報，2008，20(6)：1471-1474.

10.3969/j.issn.1673-1409(N).2012.08.043

TP202.4

A

1673-1409(2012)08-N131-03

2012-05-20

黑龍江省教育廳科學技術研究項目(12511014)。

康朝海(1976-)，男，1998年大學畢業，碩士，講師，現主要從事復雜系統的優化控制及故障診斷的方面的教學與研究工作。

張東旭(1984-)，男，2007年大學畢業，碩士，工程師，現主要從事智能控制及地理信息系統的應用方面的研究工作;E-mail:25327109@qq.com。

[編輯] 洪云飛