多源交通信息

多源交通信息（精选七篇）

多源交通信息 篇1

近年来,随着百姓生活对汽车交通运输依赖性的不断增强,交通拥挤、道路阻塞、事故频发、天气灾害等造成的交通瘫痪问题正越来越严重地困扰着各大城市,若单纯从车辆或道路角度看,已很难有效解决问题。于是,把道路、车辆、信号系统、指挥中心等进行统一规划和管理,通过综合运用信息技术、通信技术、计算机及电子技术等形成的智能交通系统与平台应运而生[1],并开始发挥越来越重要的作用。

立足于发展智能交通的背景和社会需求,通过研究城市多源实时动态交通信息采集与处理技术,实现定点交通流、浮动车、视频等多源数据采集、融合和处理共享,并通过网站、声讯台、短信、车载导航、手机以及交通电台等多种媒介,实现多样化的交通信息发布和个性化数据需求,从而构建交通信息服务系统和平台,以提高和改善公众出行效率、提高交通管理部门的综合效率。

2 系统体系层次分析

多源实时交通信息平台在体系结构上可分为三个大层,即数据源层、处理层和用户层。系统整体层次架构图如图1所示。

数据源层,包括浮动车数据,事件信息,线圈数据,视频数据、微波、红外线、手机信令等交通实时数据,以及地图POI,RTIC道路编码,还有用户及业务数据。

用户层是界面层,对象是最终用户,包括手机用户、互联网用户和车载用户,系统管理员,客户服务人员,以及12580座席人员。

处理层即实时交通信息服务平台部分,分六个层次:

(1)数据接入层

以多种接口对接异构数据源,包括:Socket,XML,SOAP,程序接口等方式,接入数据有线圈、视频、微波和红外线等固定检测器和浮动车、带GPS功能的终端和手机信令等移动检测数据,另外有视频、人工事件以及检测器自动事件数据等。

(2)数据处理层

对数据源进行处理,包括GPS数据通过数据预处理、地图匹配、路径推测后,生成符合融合标准的路况数据,对人工录入信息进行格式转换,对线圈、微波、视频等交通流参数进行地图匹配并处理为交通信息。经本层处理后,将向上一层提供统一结构的数据。

(3)数据融合层

不同的检测手段采集内容、检测参数、数据精度、覆盖范围、采集成本等方面存在较大差异,各有其优点和不足,他们之间存在很强的互补关系[2]。本平台采取证据推理算法,强调发挥群体优势,多途径解决问题,以较低的成本获得较高的系统可靠性、灵活性和生存能力,提高信息的精度,降低不确定性,提高系统的稳健性。

(4)引擎层

GIS引擎生成全景流量图并快速生成大量区域图,动态路径规划结合实时信息和预测模式得出动态路径,另外包括路况的信息及图片生成。

(5)发布层

根据不同业务需要,将数据整理成不同的发布形态,并处理用户的交互操作[3]。

(6)管理层

横跨所有层,可以提供监控管理,监控统计,用户管理,地图管理,及系统安全控制。

3 系统功能框架设计

平台在功能上可划分为四个子系统:多源数据接入子系统、数据处理子系统、数据融合子系统、信息发布子系统,各子系统框架分析如下。

3.1 多源数据接入子系统

数据源是交通信息处理发布的基础,根据其位置特征,可分为移动(如浮动车、手机信令等)和固定数据(线圈、微波、视频等)源两类;根据信息的层次分,可分为原始数据、多源交通信息数据和事件数据,原始信息的数据量大粒度细,二次数据量小粒度粗,系统中,接入的信息按照信息的层次进行区分,其接入方式也有所不同。

数据源接入子系统分为三部分:GPS数据接入、多源交通信息接入和事件接入。数据源接入子系统架构如图2所示。

3.2 数据处理子系统

数据处理子系统的目标是通过对接入平台的多源数据进行高效地分析处理,以产生实时的道路交通信息,如道路交通拥堵情况、行车旅行时间等,最终能够通过发布系统以无线局域网、Internet或公众移动网等多种方式向公众提供实时的交通信息服务。

(1)浮动车数据处理

浮动车数据处理子系统主要是通过浮动车发送的实时数据(包括车辆ID、时间、经纬度、速度、方向等信息)进行分析处理,包括地图匹配、行车路线推测和道路交通拥堵处理等,最终生成表示浮动车所行驶覆盖的每条道路的交通拥堵情况以及路段的行车旅行时间等数据信息,并可以通过多种方式进行实时发布,为社会大众出行提供服务,同时也能够为相关交通管理部门进行道路交通状况监控、交通管理调度和路径规划等提供决策支持。

浮动车数据处理子系统的系统架构如图3所示。

浮动车处理子系统对收集到的浮动车原始数据进行有效性的甄别,并根据有效的浮动车数据生成实时的城市路况信息,是整个动态交通信息服务系统的关键所在。

(2)线圈数据处理

图4中,a是线圈数据采集系统以及该系统生成的相关数据,是作为方框b(线圈数据处理子系统)的输入。b是线圈数据处理子系统,该系统包含数据筛选与数据恢复模块、单线圈速度估计模块、位置匹配模块、路链状态生成模块和该系统所需要的线圈位置表、配置文件以及该子系统生成的相关文件。c是多源数据融合子系统,是将多种数据源进行融合处理,包括FCD处理系统生成的数据、线圈数据处理子系统生成的数据以及视频处理子系统生成的数据等,从而得到路链的最终状态信息。

(3)视频数据处理

如图5所示,视频数据处理子系统主要包括视频处理器和中心处理器。功能分配如下:

视频处理器:同时处理多路视频数据,计算出各路视频数据对应的道路的交通参数。

中心处理器:将来自各视频处理器的道路交通信息进行综合,输出中间数据格式的交通信息。

视频数据的处理流程主要包括:预处理、背景更新、减去背景、特征检测、特征跟踪、特征综合、交通参数计算步骤等[4]。

3.3 数据融合子系统

多源交通数据融合子系统是整个交通数据传输过程中的一个核心组件。所谓多源交通数据融合就是通过对异构(不同传感器)数据的综合处理,以得到比任何从单个数据源数更全面、准确的交通流状况的信息[5]。多源数据融合子系统架构图如图6所示。

从数据的粒度来看,该融合平台的输入包含两类数据,一类是原始的浮动车数据,该类数据经过浮动车处理子系统生成中间数据,作为平台的输入;另一类是经过处理后二次路况数据,主要包含线圈数据、视频数据、移动数据、浮动车数据、事件数据等。从数据的类型来看,该平台的输入分为状态数据和事件数据两类,其中事件数据包含城市编号、数据来源、事件位置、事件时间、事件类型等,其他的均为状态数据,包含城市编号、数据公司、数据种类(线圈、视频等)、路段速度、路段状态、流量等信息。

多源交通信息融合流程的输出与GIS应用平台关联,因此该流程的输出数据需要符合GIS平台接入的要求(基于TMC标准)。

3.4 信息发布子系统将包含

(1)手机SMS发布;

(2)手机WAP发布;

(3)手机MMS(彩信)发布;

(4)互联网WEB发布子系统;

(5)中国移动12580发布子系统;

(6)中心导航发布子系统;

(7)GPRS/Edge/CDMA/3G发布子系统。

4 应用

基于该框架结构开发的系统目前已经进行试用,在一个统一的平台上实现广东省部分高速公路及广州、深圳等定点交通流、浮动车、视频等多源数据采集、融合和处理共享,其中信息更新周期不大于5分钟,信息粒度不大于1KM,在许可条件下,信息覆盖率可达到80%以上,信息准确率达到80%以上。在用户层方面,借助多种媒介进行发布,通过互联网、手机短信、彩信、Wap、PND和导航仪终端,使用RDS、DARC、DAB、GPRS、CDMA1x、3G等传输规范,支持TMC和RTIC标准等多种发布方式可实现广州、深圳两个城市和京珠高速粤境24小时动态交通信息无间断服务。

图7~图9为2010年11月10日穗、深城市及京珠高速多源实时交通路况信息。其中红色表示拥堵时速小于20公里,黄色表示缓慢时速处于20公里与40公里之间,绿色表示畅通时速大于40公里。

广东省高速公路与城市多源交通信息采集、处理、融合与发布系统平台,实现了多样化的交通信息采集、融合处理与发布及个性化数据需求,实现了城市交通信息与高速公路交通信息的无缝连接,可有效解决信息孤岛问题,实现信息的扁平化,助力珠三角交通一体化进程。

参考文献

[1]张振东.智能交通系统概述及国内外发展状况[J],科学之友,2010.09.

[2]李万周.多种类采集设备的交通数据信息融合与应用[J],中国交通信息产业,2006,04.

[3]黄美灵,谭伟等.城市交通信息发布系统的设计与开发[J],重庆交通大学学报(自然科学版),2010.8.

[4]王春波,张卫东,许晓鸣.计算机视觉技术在智能交通系统中的应用[J],测控技术,2000,19-5.

浅谈多源信息融合 篇2

信息融合理论的开先河者是美国康涅狄格大学 (University of Connecticut) 国际著名系统科学家Y.Bar-Shalom教授。他最先于20世纪70年代提出了概率数据互联滤波器的概念, 这就是信息融合的雏形。随后由于美国军事研究机构发现对多个连续声纳信号进行概率数据互联滤波之后, 可以较高精度检测出敌方潜艇的位置, 从而推动了信息融合理论和方法的发展, 并研制成功多个实用的军用信息融合系统, 可以说军事应用是多源信息融合技术诞生的源泉。

二、多源信息融合的发展

随着系统论、控制论、信息论、Dempster-Shafer证据理论、Zadeh的模糊逻辑理论等基础理论, 以及计算机技术、网络技术、通信技术和高效传感器技术等实用技术的快速发展, 使信息融合技术得到前所未有的发展。

学术界每年都举办各种类型的有关信息融合的会议:美国三军信息融合年会、SPIE传感器融合年会、国际机器人和自动化会刊以及IEEE的相关会议和会刊等。

三、多源信息融合的应用

目前, 信息融合技术作为一种智能化信息处理技术, 己在民用领域得到广泛应用。

1、工业过程监视

2、工业机器人

3、空中交通管制

4、环境监视

5、金融系统

6、气象预报

7、复杂系统的状态监测与诊断维护等。

(1) 多源信息融合的定义

所谓多源信息融合, 就是充分利用不同时间与空间的多传感器信息资源, 采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配, 得到被测对象的一致性解释与描述, 以完成所需的任务.使系统获得比它的各组成部分更优越的性能。

可见, 多传感器系统是信息融合的硬件基础, 多源信息是信息融合的加工对象, 协调优化和综合处理是信息融合的核心。

(2) 多源信息融合研究的内容

信息融合研究的关键问题, 就是提出一些理论和方法, 对具有相似或不同特征模式的多源信息进行处理, 以获得具有相关和集成特性的融合信息。研究的重点是特征识别和算法, 这些算法使得多传感信息的互补集成, 改善不确定环境中的决策过程, 解决把数据用于确定共同时间和空间框架的信息理论问题, 同时用来解决模糊的和矛盾的问题。

(3) 多源信息融合的三层含义

第一层含义是信息的全空间性

融合系统要处理的是确定和不确定 (模糊) 的、全空间和子空间的、同步和非同步的、同类型和不同类型的、数字的和非数字的信息, 是比传统系统更为复杂的多源、高维信息。信息论的创始人香农认为:信息是用来消除观察者认识上的不确定性的东西。信息的内涵就是表示的是系统运动的连续变化状态, 即动态特性。从广义上讲, 信息融合的对象包括自然信息 (即可由传感器获取) 和社会信息。系统的状态变化可分为随机过程、混沌过程、确定过程以及模糊过程。前三者可用数字信息来描述, 而后者只能用语义信息来描述。

第二层含义是信息的综合性

融合可以看作是系统动态过程中所进行的一种信息综合加工处理, 也是一种信息处理系统, 只不过这里所说的系统指的是多传感器系统, 即信息融合系统在结构上是一个多输入系统, 是多模块集成系统。组合和融合之间有不同的含义。前者指的是外部特性, 它涉及的是网络结构、层次等方面的较一般的问题, 而后者主要讲的是内部特性, 指的是系统信息有效综合的更深层次问题。

第三层含义是信息的互补性

互补性包括信息表达方式上的互补性, 结构上的互补性, 功能上的互补性, 不同层次上的互补性等。它是解决系统多功能的主要手段之一, 也是实现系统智能化的必要手段。融合的目的之一是要解决系统功能上的互补问题;反过来, 互补信息的融合可以使系统发生质的飞跃。

总之, 第一层含义是讲融合空间的性质, 它研究对象是复杂的多维多输入系统;第二层讲的是融合的动态信息流, 它是信息的广义综合技术;第三层讲的是融合的算法性质, 其核心问题是信息的互补运算, 从微观结构 (指融合的本质) 上说明了融合的内涵。

四、多源信息融合的时间性与空间性

分布在不同空间位置上的多传感器在对运动目标观测时, 各传感器在不同时间和不同空间的观测值将不同, 从而形成一个观测值集合。对于目标运动状态的观测, 存在信息融合的时间性和空间性问题。

1、信息融合的时间性

信息融合的时间性表示按时间先后对观测目标在不同时间的观测值进行融合。利用单传感器在不同时间的观测结果进行信息融合时, 要考虑信息融合的时间性。

2、信息融合的空间性

信息融合的空间性表示对同一时刻不同空间位置的多传感器观测值进行信息融合。利用多传感器在同一时刻的观测结果进行信息融合时, 要考虑信息融合的空间性。

3、信息融合的时-空处理

实际应用中, 为获得观测目标的准确状态, 往往需要同时考虑信息融合的时间性与空间性, 一般有三种情况:先时间后空间;先空间后时间;空间、时间同时融合。

小结

面向多源信息的智能决策系统 篇3

当今社会, 信息的爆炸式膨胀以及变幻莫测的世界环境, 给决策者带来了巨大的挑战。信息技术和通信技术使得信息的获取和传递更加迅速, 信息的形式更加多样, 信息的来源更加繁多。例如信息的形式有文本信息, 音频信息, 图片信息, 视频信息等等。信息的来源也各不相同, 例如雷达信息、红外线信息、卫星信息、各种传感器信息等等。这些海量和复杂的信息, 使得简单的数据库方法难以适应。复杂和繁多的决策问题, 使得传统的数学模型难以应对。为了更好的利用信息做出更优的决策。此外, 为了更好的利用这些多源信息, 必须利用计算机对多源信息进行融合[1]、处理、提取和传递, 从而获得具有相关性和集成性的融合信息, 以供决策者使用。

1 研究现状

当前对多源信息的融合、决策已成为国内外研究的热点。

美国George-Mason大学C3I中心在二十世纪八十年代建立了仿真测试平台, 先后建立了数据融合单项功能测试、一级融合算法测试, 以及集目标跟踪与识别/战场态势与威胁估计于一体的仿真试验环境。

2004年, 美国启动了NCES (Net-Centric Enterprise Services, 网络中心企业服务网) 计划, 目的是要建立一个联合的、基于功能的、能满足实时性和安全性要求的多源信息化设施, 能够快速、准确的发现信息资源, 将多源信息进行融合, 并智能决策, 提供强健的协调网络信息资源管理功能。

国内关于信息融合技术的研究则起步相对较晚。到了上世纪九十年代中期, 信息融合技术在国内已发展成为多方关注的共性关键技术, 出现了许多热门研究方向, 许多学者致力于机动目标跟踪、分布监测融合、多传感器跟踪与定位、分布信息融合、目标识别与决策信息融合等领域的理论及应用研究。

2 系统总体框架

面向多源信息的智能决策技术是研究基于网络的、自适应反馈控制的多元信息融合技术。该技术利用海量的数据仓库以及知识库, 设计决策, 并根据实时状态能够自动进行推演, 通过“感知机制”了解实时更新的信息, 利用多源信息融合技术为实时变化的态势提供技术支持, 在“感知机制”的基础上进行多种“模型方案”的学习[2], 筛选出“成功”模型, 从而在多个可行的方案中选择最优方案, 从而得到准确的预测结果。系统架构如图1所示:

智能决策支持系统总体上由三大部分组成:

(1) 数据支持层。它处于该系统架构的最底层。包含了基于多源信息的数据仓库、基于复杂环境下的知识库、基于智能建模基础上的模型库以及在这些数据支撑之上的规则库与本体库。

(2) 通用处理层。它处于该系统架构的中间层。包括了多源信息关联感知, 海量信息的处理模块。

(3) 输入输出I/O层。它处于该系统架构的最上层。包括了多通道输入输出, 主要用于信息的输入和输出。

3 系统设计

3.1 多源信息关联感知

多源信息关联感知两方面的作用:一是常规性地采集相关目标的各种信息, 并经融合存于数据仓库, 备作识别样本;二是真正的目标出现, 感知、处理后与数据仓库中样本比较, 识别出目标 (种类、特征、身份等) 。如图2所示。

多源输入模型的输入为多源信息, 包括各种传感器采集, 红外, 雷达等信息。经过海量的存储, 信息融合之后, 输出融合后的信息。

信息融合技术在军事领域中的应用, 包括目标的探测、关联、识别和跟踪, 以及战场监视、战术态势估计和威胁估计等。而多源信息的目标关联、跟踪和识别是信息融合的几个重要特征, 数据融合把来自许多传感器和信息源的数据和信息加以联合、相关和组合, 以获得精确的位置估计和身份估计, 以及对战场情况和威胁及其重要程度进行实时的完整评价。

3.2 多源信息融合

多源信息融合, 又称多传感器信息融合, 是一种对于信息进行处理的技术。

多源信息融合主要将信息分成三个视图:信息层视图、特征层视图和决策层视图。信息层视图主要对信息采集设备采集的数据进行融合, 并提取特征。特征层视图对从信息中提取的特征进行分类和整理, 并融合成较为单一的特征向量。决策层视图对多个数据源的特征向量进行融合, 最终产生能够帮助决策的信息[3]。由于信息采集设备, 以及信息员的不同, 系统性能的不同, 通信宽带的不同, 可以选择, 最终产生的结果优劣性也会有所区别。

3.3 多源信息的自学习方法

由于系统面对的是不断变化的信息, 为了提高系统的性能, 必须对多种已有的模型方案进行自学习, 并且根据实际情况, 得到新的模型方案[4], 从未得到更加准确的结果。为了实现自学习方案, 需要经历三个阶段:

(1) 学习阶段。对新数据仍然使用旧的模型, 并对旧的模型进行更新, 然后得到一个初步的新模型。

(2) 评估阶段。输入一个评估数据, 对初步的新模型进行评估和打分。如果产生了预测的结果, 那么与旧的模型结果进行对比, 并筛选模型。

(3) 实现阶段。对上一个阶段筛选出的模型, 再次输入多个数据, 再根据结果找出最优的模型, 那么最终得到的一个新的可行模型。

3.4 联合环境感知识别过程

联合环境感知识别过程是指如何从众多的信息中, 识别出特殊的信息。基本步骤是:

(1) 信息提取。首先, 通过各传感器对信息进行采集, 其次用多种形式对信息进行描述, 最后, 对信息进行提取、确定可信度和格式转换。

(2) 识别聚类。在特征空间中, 利用给定的规则标准, 对信息进行比较和统计, 然后对信息进行识别和分类。

(3) 融合处理。根据识别出的信息类型, 以及已有的知识库和规则库, 对信息进行对应的处理, 并帮助最终做出决策。

3.5 数据支持层设计

(1) 知识库

知识库是按照某种决策问题的需要, 将信息以某种知识表示方式在计算机中进行存储、组织、管理和使用的一个集合。知识库主要包括问题相关理论知识、事实数据和专家经验等。

(2) 规则库

由于信息的海量性和异质性, 为了能够对信息进行准确和迅速的分析和处理, 需要建立规则库。在规则库中, 不同类型的信息, 不同决策的需要, 要求建立不同的规则, 以便规则库能够适用于任何情况的信息分析。

规则库是将许多基本的规则集合在一起, 并随着时间的增长, 系统的运行, 不断产生新的规则, 并不断的完善。

(3) 本体库

本体是对特定领域之中某套概念及其相互之间关系的形式化表达本体是指一种“形式化的, 对于共享概念体系的明确而又详细的说明”。本体库是特定领域之中那些存在着的对象类型或概念及其属性和相互关系, 或者说是一种特殊类型的术语集。构建本体的基本步骤是[5]:

a.列出所涉及到的词条;

b.按照词条的固有属性和专属特征进行归纳和修改, 对词条建立类以及层次化的分类模型;

c.加入关系和联系;

d.按照需要, 添加实例作为概念的具体对象;

e.可以利用其附带的功能和插件对本体进行文字和图形化的导出, 格式也可以自由选择。

4 结束语

当今, 科技的发展和信息设备的增多, 使得信息来源越来越复杂, 信息决策的重要性越来越重要。面向多源信息的智能决策系统, 能够对多源信息进行融合, 并且通过智能决策输出需求的结果。在这个过程中, 需要对系统技术, 决策技术, 采集技术, 检索技术, 推理技术等进行融合和集成。该系统的研究, 不仅具有理论意义, 也具有广泛的实际意义。在现代国防, 工业信息化系统, 以及对自然灾害的预防和救灾系统中, 都能够发挥重要的作用。可见, 面向多源信息的智能决策系统具有很大的发展前景和深远意义。

摘要：随着信息技术的不断发展, 通过各种信息采集技术和发达的通信网络带来了多个信息源的海量信息。为了对这些多源、异质和海量的信息进行有效的管理和利用, 就必须通过实时的判断、鉴别、融合, 从而将信息优势转变为决策优势。本文首先论述了多源信息融合和共享的背景和现状, 其次提出一个面向多源信息的智能决策支持系统, 能够对多源信息进行信息融合和信息共享, 从而提高信息的可靠性, 高效性, 灵活性, 最终帮助管理者做出最优决策。

关键词：多源信息,智能决策,信息融合

参考文献

[1]韩崇昭.多源信息融合[M].北京:清华大学出版社, 2006.

[2]胡小强.虚拟现实技术[M].北京:北京邮电大学出版社, 2005.

[3]Angel E.著, 吴文国译.交互计算机图形学[M].北京:清华大学出版社, 2006.

[4]张玉存, 邢婷婷.一种复杂系统多源信息分析建模新方法[J].电子学报, 2009, 37 (11) :27-31.

平沟煤矿多源信息模型建立 篇4

1 平沟煤矿概况

平沟煤矿位于内蒙古自治区, 属乌海市海勃湾区桌子山煤田, 井田面积约16.1km2, 走向长度约5km。平沟煤矿为采用斜井开拓方式, 全井田划分为三个盘区。目前平沟煤矿只采到一盘区深部, 而以往只是对浅部煤层进行过瓦斯基本参数测定, 没有对深部煤层的瓦斯参数进行测定, 因此对深部开采来说, 原始瓦斯参数极少, 缺少可靠的参考依据。

2 多源信息采集

2.1 实验室参数采集

实验室参数可通过煤层的工业分析、瓦斯吸附常数、煤层瓦斯含量系数、煤层透气性系数、煤的坚固性系数f和瓦斯放散初速度ΔP等反算瓦斯含量。测定情况如表1。计算结果见表2。

2.2 瓦斯含量连续测定

在瓦斯含量测定过程中, 平沟煤矿传统的煤层取样方式为岩心管取样, 该种取样方式虽然做到了定点取样, 但难以克服取样时间长、操作过程复杂、取样深度浅、下向孔取样成功率低的不足, 严重制约着该矿瓦斯含量测定的效率和准确性。为此平沟矿引进了SDQ型深孔压风定点取样装置 (图1) , 该装置能够实现本煤层孔深100m以内的任意角度的钻孔取样时间小于5min的定点取样。引进瓦斯参数测定新工艺后, 瓦斯含量测定速度加快, 由原来的单点测定提高至线状或条带连续测定。利用新工艺测定瓦斯含量共43组。

2.3 地勘钻孔动态校正

采用以地勘测定结果为基础、根据井下实测结果对地勘测定值进行修正的方法确定矿井煤层的瓦斯含量, 即采用井下实测与地勘测定的比值确定修正系数, 对矿井地勘测定结果进行动态校正 (校正系数为大于1且小于某值的一个范围, 当地勘含量大的用小校正系数、地勘含量小的用大校正系数) 。

2.4 瓦斯涌出量反算煤层瓦斯含量

瓦斯涌出反算煤层瓦斯含量是通过采掘工作面的瓦斯涌出资料统计分析, 结合工作面煤层及构造赋存情况, 找出瓦斯涌出量与煤层瓦斯含量之间的关系, 从而反算出相应位置的瓦斯含量。

瓦斯涌出反算瓦斯含量公式:

其中:巷道断面S (m2) , 巷道周长U (m) , 巷道长度L (m) , 掘进速度v (m/min) , 密度r (t/m3) , 挥发份Vdaf (%) , 涌出量q掘 (m3/min) , 含量W0 (m3/t) 。由式1求出W0即为当前生产状况下该工作面位置处煤层的瓦斯含量, 计算煤层瓦斯含量见表4。

3 多源模型建立

根据以上瓦斯参数, 拟合得出平沟煤矿16#煤层瓦斯含量模型为

式中:W表示煤层瓦斯含量 (m3/t) ;h表示标高 (m) ;H表示埋深 (m) 。

多元拟合模型的相关性系数为0.9331, 比单一的含量 (R2=0.78) 或者压力 (R2=0.84) 更具有科学性和客观实用性。将瓦斯地质信息、多信息源瓦斯参数、多元拟合模型等数据输入信息化软件, 信息化软件绘制矿井瓦斯地质图。

4 结语

通过煤与瓦斯突出日常预测指标反演法, 工作面涌出量反算法, 未开拓区域地勘钻孔动态校正法, 并引进SDQ瓦斯定点取样工艺进行连续、快速、大量、线状取样等多种方法进行瓦斯含量数据采集, 共获取数据10多组, 而以往平沟矿一层煤瓦斯参数只有5组-8组可用数据, 多种方法获取数据可达到矿井全面积覆盖, 数据量、拟合度都远远高于以往小范围井下单一测点信息, 建模后瓦斯含量预测准确率提高至90%。误差小于10%, 对指导矿井生产起到了积极的作用。

摘要：根据平沟煤矿瓦斯参数少、已开拓面积占矿井比例少等特点, 提出基于矿井多源瓦斯参数信息并引进新工艺技术进行连续线状或面状参数测定建立覆盖矿井全范围、参数丰满的煤矿瓦斯含量预测模型。多元瓦斯参数信息主要包括通过实验室参数计算瓦斯含量参数、地勘钻孔动态校正瓦斯含量参数、工作面涌出量反算瓦斯含量参数等, 可达到矿井全面积覆盖。引进SDQ瓦斯定点取样装置进行连续、快速、大量、线状取样, 获取多组瓦斯含量参数, 丰富了模型参数信息。最后建立平沟煤矿基于多源参数的瓦斯含量预测多元拟合模型, 为摸清突出矿井瓦斯地质规律提供帮助。

关键词：平沟煤矿,多源信息,模型,SDQ,涌出量反算

参考文献

[1]王麒翔.弧形构造带控气特征[J].河南理工大学学报, 2015, 34 (04) :451-454.

[2]王麒翔.深部矿井瓦斯赋存非线性特征[J].矿业安全, 2015, 46 (10) :193-195.

[3]王麒翔.煤与瓦斯突出主控地质体分析与应用[J].煤矿安全, 2015, 46:156-159

[4]王麒翔.典型瓦斯主控构造特征分析[J].煤矿安全, 2015, 46 (11) :168-170.

[5]王麒翔, 等.瓦斯地质信息化编图的思考及关键技术[J].矿业安全与环保, 2015, 42 (6) :93-95.

UPS传导骚扰多源信息融合分析 篇5

信息融合是信息科学领域的一项技术,是一种多层次、多方面的处理过程,这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计,以及完整及时的态势评估和威胁估计。它收集来自单个平台上多个传感器的数据,或组合来自空间和时间上各个不相同的平台多个传感器的数据,并将多源信息结合在一起加以协同利用,从中提取具有更多价值的信息,获得对目标最佳估计和判决的技术。信息融合技术在基本理论和实现方法上显示极大的优越性,主要表现在容错性好、系统精度高、信息处理速度快、互补性强、信息获取成本低等方面。

在UPS(不间断电源)传导骚扰多源信息融合智能分析系统中,使用多个、多类传感器,利用计算机技术从不同时间与空间获得检测数据,针对UPS产品设计时电路技术性能及存在的问题,采用一种新的数据处理方法,让其在一定的准则下进行分析、综合、支配和使用,进而获得对被测对象的一致性解释与描述,并实现响应决策和估计。

1 UPS传导骚扰多源信息融合智能分析系统的构成

图1为UPS传导骚扰多源信息融合智能分析系统框图,主要由多传感器数据采集、A/D转换、数据预处理特征提取融合计算结果输出等部分组成

1.1 数据融合

数据融合是信息融合系统在规定的初始态势下,对采集到的原始目标数据和环境条件参数进行融合。在受时序控制的事件中,各种传感器的原始测量数据未经预处理就进行综合和分析。

首先优化检测系统,进行自检和校正,消除系统误差。对于多次的等精度测量,得到的一系列离散或连续的数据,融合出数据的数学期望和方差。数据融合的主要优点是利用原始现场数据,剔除原始信息的粗大误差和进行坐标转换,融合出有效信息提供给其他融合层取舍。数据融合层具有对大量信息处理的能力和强大的纠错能力,系统中尽可能让采集板卡多解决一些问题,提高实时处理能力和后期的运算处理速度。

1.2 特征融合

特征融合是对原始信息进行数据统计,并提取特征结果,然后进行处理与综合分析。特征融合采用D-S证据理论,利用特征数据做相应的证据,证据的主要依据来源于专家的知识和实时数据;另一方面是有关的规定和标准特征融合对数据融合后所得数据进行特征提取,并结合其他经特征提取的相关信息进行融合。特征融合甄别屏蔽、筛选过滤、压缩处理、优化了原始信息。由于所提出的特征结果直接与决策分析有关,因而,融合结果给决策分析提供了特征结果信息。在特征融合方法中,必须应用关联过程将特征向量分成有意义的组,因为特征向量可以是完全不同的量如傅里叶系数、时域特征、模拟信号的失真度等。

1.3 决策融合

决策融合将所有信息分类提供调用,在全面分析UPS工作状态后给出评估报告提供参考态势和发展趋势。因此,决策层融合从决策问题的需求出发,充分利用特征层融合提取的测量对象的各类特征信息,并特别关注互为因果、连带、印证关系的信息,参照专家知识库进行数据相关、理论估计、排序比对和技术识别处理。决策融合直接针对具体决策目标,融合结果直接体现目标成果,为电路、元件参数修正提供依据。

2 传导骚扰的定义和标准

根据国家标准GB/T 4365-1995的解释,电磁骚扰可以通过设备的电源端子传导发射,造成电网的污染。因此,电磁兼容标准中对电源端子的传导骚扰发射进行了限制,这就是电源端子传导发射限值。

表1为A级和B级电源端子的传导骚扰限值。

3 信息融合技术在UPS品质分析智能仪器中的运用

3.1 UPS传导骚扰检测系统

电气产品标准及CISPR 16出版物中定义了传导骚扰的二端口网络测量连接。从图2可以看出,UPS是一种关键性负载供电系统的备用电源,它既是市电的负载,也是子设备的供电电源。根据定义,UPS对电源为传导骚扰,对于子设备将产生电源问题。所以,数据采集系统中EUT(被试品)运行和与供电电源耦合时,为将交流供电电源干扰和EUT的骚扰电压隔离,EUT通过AMN(人工电源网路)作为中间耦合。同理,在UPS和子设备(负载)之间,也插入AMN作为中间耦合。检测UPS对交流供电电源和对子设备两方面的传导骚扰

3.2 UPS传导骚扰信息融合技术应用

由UPS电路结构特点可知,UPS具备了多种产生差模和共模传导骚扰的条件。例如:UPS作为市电供电电源的负载,由于内部电池的充盈和输入整流滤波电路大容量滤波器的特性,使得UPS对于外电源表现为一个非线性负载,所有非线性负载都能产生谐波电流;UPS对于子设备输出电压的非线性畸变、失真,不间断供电时的相位、幅度差;系统中大功率开关电路、高速数字脉冲电路、高频变压器和电子电路电磁场泄漏、线路阻抗改变等;在空间上,外部供电电源的随机通断、瞬时跌落,子设备负载电流的剧烈变化等。

在UPS产品设计检测和生产调试中,利用传导骚扰智能分析系统,可以了解EUT的性能指标及异常表现,还可以通过EUT在约定条件下的运行,发现一些偶发的测量参数细微异常变化,将这些状态特征信息进行多层关联组合,再由信息融合决策分析后,比对专家系统知识库数据,获得UPS综合性能信息更可靠的认识和对潜在发展趋势的评估。最终追溯相关的目标传感器,了解具体电路和部件性能参数的正误,为修改设计、调整电路参数提供依据。

3.2.1 逆变电路开关频率、脉宽、电压幅度分析

逆变电路是UPS的核心电路,开关频率是一个重要参数,为了减小传导骚扰的限值,设计时这一数值通常选择f=10kHz～20kHz。

对于脉宽调制的逆变电路,大功率开关电路正常工作时,脉宽正比于负载的变化和反比于电池组端电压,通常20%

逆变开关大功率MOSFET的电压波形分析是本系统中采用的一种重要方法,被测信号经信号检测板卡的光电耦合器隔离、采样/保持、A/D转换后获取。首先进行电压波形的时域分析,再通过FFT(快速傅里叶变换),对信号进行频域分析。获知逆变电路的开关频率、脉冲参数及脉宽变化范围、浪涌电流和脉冲电压吸收电路能力等信息,综合这些信息并提取它们的特征,与专家知识库的数据比对,得出明确的融合决策。最后,确定功率开关电路调整目标及方向。

3.2.2 电压瞬时跌落等产生传导骚扰条件的分析

电压瞬时跌落、短时中断和电压突变等电源问题是用电设备大部分故障产生的原因,也是产生传导骚扰的重要原因,解决这些电源问题是UPS的基本功能。这些信号在现实来源中是不可重复的,为了方便信息融合系统数据采集,系统设置的检测电路框图如图3所示。

供电电源通过低通滤波器、过零比较器、程控计数器等,准确设置电压瞬时跌落或短时中断的时间和相位,采集电源在任意相位发生故障的随机过程参数。分析电压瞬时跌落、短时中断和电压突变等电源问题对UPS传导骚扰作用的影响。

电压瞬时跌落和短时中断在EUT输入端产生的电压变化,是一时间函数f(t)在t>t0时为0的左边函数信号。当输入电压幅度突变时,Δt趋于无穷小,频率成分将延伸到无穷大,分析这种类似白噪声的随机信号是很困难的。根据GB 17625.1标准,要求对40阶以下谐波进行测量;另外,标准GB/T 4365—1995规定,传导骚扰限值的带宽范围为0.15MHz～30MHz。根据这2个条件,这个信号带宽就是有界的,可以取信号40阶谐波频率作为带宽上限值,且系统的采样速度很容易满足奈奎斯特定律的2倍关系。

电压瞬时跌落和短时中断这些随机信号在理论上本不满足傅里叶变换的条件,通过测量系统的上述处理得到的有限长样本p(t),都是能量有限的确定信号,满足傅里叶变换条件,可以进行傅里叶变换。当信号经过A/D采样后,形成离散数据系列p[n],样本的数据点数为N,其离散傅里叶变换为:

根据DFT(离散傅里叶变换)可知,p[n]经DFT后得到的p[k]是一个长度为N的复数序列,其k个数据可写成如下形式:

在满足采样定理的条件下,它可以表示p[t]中频率为k/T的简谐分量,即

当电压瞬时跌落和短时中断出现在电角度的90°和时高次谐波分量最丰富同时信号的失真度也最大。利用这一特点,可以简化检测电路和减少检测次数。同时,FFT分析显示,谐波幅值随着谐波阶数的提高而减小。2、3、4、5次谐波幅度值变化的数据比较能反映UPS对这些电源问题的处理能力。系统特别关注能直接作为特征表述的信息,融合时加大权重,利用这些相关条件,可将复杂的离散信号分析简化为逻辑判断问题。决策融合中,专家系统通过对信号失真度和谐波分量的分析,获知传导骚扰产生的原因和目标,就可以有的放矢地解决产品的具体问题。

4 结束语

多传感器信息融合技术涉及到多学科、多领域,且具有多信息量、多层次、多手段等特点,UPS传导骚扰多源信息融合智能分析系统综合利用了多种传感器的信息进行信息融合,有些利用较简单的电压、电流信号采集和比较熟悉的信号处理的融合处理方法,提高信息综合利用率和综合分析能力,实现传统检测方法难以完成的任务,发挥强大的信息处理优势,获得较好的评价效果。利用信息融合技术可得到比单一信息源更精确、更完全的判断,避免简单系统的局限性限制,减少单个传感器粗大误差的影响,解决UPS传导骚扰检测中不确定推理过程,实现UPS传导骚扰检测和产品品质的快速分析,准确定位目标信息和显示检测数据。随着科学技术的发展,尤其是人工智能技术的进步,多传感器信息融合技术将不断地向工业、农业等领域渗透进而取得更为广泛的应用。

参考文献

[1]陈文辉,马铁华.多传感器信息融合技术的研究与发展[J].科技情报开发与发展,2006,16(19):212-213.

[2]孙勇,景博,张劼.最优加权与递推最小二乘法相结合的多传感器信息融合[J].传感技术学报,2004,17(4):630-634,654.

[3]付华,郭虹,徐耀松.智能仪器设计[M].北京:国防工业出版社,2007.

[4]秦树人,等.智能控件化虚拟仪器系统——原理与实现[M].北京:科学出版社,2004.

[5]钱振宇.开关电源的电磁兼容性设计与测试[M].北京:电子工业出版社,2005.

基于多源信息的电网故障诊断新方法 篇6

关键词：电网,故障诊断,优化模型,覆盖集理论,小波技术,证据理论,信息融合

0 引言

随着电力系统规模的不断扩大, 各种监控设备得到了广泛应用。在电网发生故障后, 将会有大量的警报信息涌入控制中心, 尤其是在电网发生复杂故障或自动装置动作不正常时情况更加严重。为了帮助调度人员准确地理解警报信息的含义, 快速作出决策, 对电网故障诊断方法进行研究, 并建立辅助的故障信息处理系统是必要的。

现有的电网故障诊断方法, 按数据源的不同可以分为基于遥信量的故障诊断方法和基于录波数据的故障诊断方法2种[1,2,3,4,5]。由于实际系统中存在拒动、误动、信息丢失 (最主要是全局保护信息经常获取不完整) 、畸变等异常情况, 按传统优化模型[4,5]进行诊断会对诊断结果产生不利影响。为提高故障诊断的准确度, 本文在覆盖集理论的指导下, 提出了改进的优化模型, 并利用录波数据进行信息融合, 达到了较好的诊断效果。

1 覆盖集理论

在简洁覆盖集理论[6]的框架下, 故障诊断问题被定义为一个四元组:〈Z, M, B, M+〉。其中Z=[z1, z2, …, zn]为n维向量, 表示待诊断系统中元件的假说状态 (n为元件数目) ;M=[m1, m2, …, mk]为k维向量, 表示待诊断系统中元件警报信息的集合;B= (bij) 为n×k阶矩阵, 表示元件故障与相应警报信息之间的关联关系;M+为M的子集, 表示实际出现的警报集合。

bij=1}, 对于ZIZ, G (ZI) =∪{G (zi) |zi∈ZI};对于MJM, U (MJ) =∪{U (mj) |mj∈MJ}。其中G (zi) 的含义为若关系矩阵B中元素bij取值为1, 则G (zi) 的值与相应的mj的值 (1和0分别代表警报出现和未出现) 一致。U (mj) 的含义类似。

若MJG (ZI) , 则称ZI为MJ的一个覆盖。本文认为MJ=M+, 即覆盖均指对实际出现的警报的覆盖。

定义2 Z+为实际的故障元件集合。

在不出现严重的警报信息丢失的情况下 (表征一个元件故障的所有警报均丢失) , 若

则表明, 若一故障假说产生的警报集合可以覆盖实际的警报集合, 那么实际的故障元件集合一定是这个故障假说的子集。

2 故障诊断新方法的原理

传统的基于优化技术的故障诊断 (简称优化型故障诊断) 方法, 其基本思想是根据保护动作原理将诊断问题表示成0-1整数规划问题, 然后求解。但是当系统中发生保护和断路器的拒动和误动、遥信信息的丢失、信息传输的畸变等时, 会对优化目标函数产生影响。为提高故障诊断结果的准确性, 本文基于覆盖集理论提出了改进优化模型, 并利用小波方法对录波数据进行处理, 最后将二者在改进Dempster-Shafer (D-S) 证据理论的指导下进行信息融合, 得到最终结果。

2.1 改进的优化型故障诊断模型

由于遥信数据源存在固有缺陷, 本文在覆盖集理论的指导下, 提出基于保护和断路器状态信息的故障分析目标, 即在避免漏判的基础上尽量减少误判。据此提出如下改进模型:

式中:M*为对应M的假说状态;M*为将向量M*中的每一个元素均做取非运算后得到的向量, MT的含义类同;σ为一个介于0和1之间的系数, 其取值越小诊断结果越保守, 本文取0.2。

该模型主要考虑了引起目标函数值增大的2个原因: (1) 假设故障元件无法解释部分实际警报信号; (2) 假设故障元件产生的部分假说警报信号并未发生。改进模型赋予了二者不同的权值。当σ=0时, 有且只有可以覆盖全部警报信息的假说才能使目标函数值取到0, 并成为最优解, 此时满足覆盖集理论是假说最优的充要条件, 即认为警报均由元件的事实故障引起, 是最保守的诊断。此时问题多解, 并产生明显误判。

当σ取一个大于0的小值时, 多解的问题即可解决。进一步提高σ的值有利于识别误判, 但提高太少起不到效果, 若提高太多 (经典模型取σ=1) , 则覆盖集理论又会遭到严重破坏, 有可能产生漏判。实际系统线路很长, 巡线困难, 因此应避免发生漏判。根据中国电力行业标准《220~500kV电网继电保护装置运行整定规程》, 高压电网后备保护采用近后备。当σ=0.2时, 若某线路事实故障, 则在极端情况下, 保护信号全部丢失, 且一侧断路器信号也丢失, 对于假说“线路故障”对应目标函数的值至多为1 (两侧主、后备保护均与实际不符, 加上一侧断路器不符, 总共为0.2×5=1) ;而对于假说“线路无故障”, 因无法覆盖一个断路器跳开的信号, 其目标函数值至少为1。而且上述极端情况几乎不可能发生。可见, σ=0.2对于线路来说是一个保守的取值, 基本可以保证其不会漏诊断。

对于其他站内元件, 即使在极小的可能下发生漏诊断, 也可以通过现场巡视来发现故障。因此, 可以考虑增大σ以提高这部分元件误判的识别。例如:一个母线保护发生误报, 若认为该母线故障, 则只需当母线进出线和大于5, 即σ=0.2时, 目标函数值会大于1, 从而避免误判。

综上所述, 虽然关于σ的取值, 在考虑众多实际因素及系统配置下, 难以根据一个完美的数学模型求解, 但本文认为σ=0.2是一个较理想的定值, 在实际测试中也有较好的表现。

另外, 研究表明, 当实际保护信号丢失时, 可能出现断路器警报信号一定不能被覆盖的情况, 据此对断路器的假说表达式进行改进 (文献[2]中采用了相同的表达式) :

式中:cj为第j个断路器的实际状态;cj* (Z, R) 为cj的假说状态;R为nr维向量, 表示nr个保护的实际状态;rk为R中的第k个元素;rk* (Z) 为第k个保护的假说状态, 是Z的函数。

式 (2) 和式 (3) 结合, 即为本文所采用的改进优化型故障诊断模型。

为了进行信息融合, 需要将优化诊断结果转化为元件故障的支持度, 本文定义了优化故障度 (optimization fault degree, OFD) 。

取排在诊断结果前4位的故障假说Z1, Z2, Z3, Z4 (排位更靠后的假说, 因与实际相差过大而不具备重要的参考价值) , 令它们对应的优化目标函数值分别为f1, f2, f3, f4, 则元件优化故障支持度向量mOFD为:

式中:αO<1, 为优化型故障诊断方法的可信程度, 本文取αO=0.8, 即有0.2的不确定性 (较下文基于录波数据的诊断结果可信度0.9低, 是因为该模型对线路的诊断偏保守, 存在误判可能) 。

mOFD中的元素代表对应元件的绝对故障支持度, 因为优化目标为min, 所以这里任一假说的支持度与f-1正相关。

2.2 基于小波方法和录波数据的故障诊断模型

2.2.1 小波奇异度

由于在电力系统故障时信号中含有大量的暂态和次暂态成分, 因此通过奇异值分解的方法可以辨别故障元件[7,8], 相关理论见附录A。

设p个尺度的小波分解结果可以构成一个p×q阶矩阵A, t=min (p, q) , Λi=diag (λ1, λ2, …, λt) 为系统第i (i=1, 2, …, n) 个元件对应A的奇异值特征矩阵, 令

在文献[8]中, 定义小波奇异度 (wavelet singularity degree, WSD) 为yi=Si2/ (S12+S22+…+Sn2) 。事实上, 当数据融合的辨识框架Ω为所有元件时, 应该是Ω的全部陈述集合组的幂集, 2Ω命题集合的基本概率之和为1。

上述定义相当于认为元件各自单独故障的概率和为1, 这是不合理的。若仍以所有元件为辨识框架, 则命题个数应为2n个, 而不是n个, 当n较大时, 命题数过于庞大, 不可取。

从诊断结果的角度可以认为, 系统中各元件的故障为独立事件, 在数据融合时, 仅需为每个元件定义一个框架即可。具体到小波奇异度, 定义可以使式 (5) 取到最大的元件的Si为Simax, 其故障支持度为小波奇异度诊断方法的可信程度αS (αS<1, 考虑到方法的不确定性) , 其他元件的故障支持度为:

式中:Si′为Si的函数, 可以取不同形式, 本文取Si′=S槡i, Si∈[0.25, Simax], 这样既可以满足在信息融合时能够正确判断故障, 又可以扩大故障元件与非故障元件的差距。

这种定义方法, 既简单又合理, 同时体现了各元件故障支持度的绝对性和相对性。本文另2种小波测度的定义均参照式 (6) 的思想。

2.2.2 小波故障度

小波故障度 (wavelet fault degree, WFD) 为对元件故障前后电气量幅值变化程度的表征, 故障元件的变化程度远大于非故障元件。应用小波变换技术提取故障时刻t0[9], 对小波系数进行分析, 其中D (t) 为小波变换的细节系数 (见附录B) 。令

参照式 (6) 的思路, 定义小波故障度诊断方法的支持度为:

式中:αF为小波故障度诊断方法的可信程度;Fi′和Fimax′的含义与Si′和Simax′类似。

2.2.3 小波能量度

故障后, 在故障元件中由于大量暂态分量的存在, 在信号的高频段有较强的能量, 据此可以用来识别故障元件。

设Eih为信号i的高频能量表征, Eil为低频能量

表征, 在p个分解尺度下, Eil=A2ip, 其中Dij为信号i在第j (j=1, 2, …, p) 个分解尺度下的细节系数, Aip为信号i在第p个分解尺度下的相似系数。令

参照式 (6) 的思路, 定义小波能量度 (wavelet energy degree, WED) 诊断方法的支持度mWED, i为:

式中:αE为小波能量度诊断方法的可信程度;Ei′和Eimax′的含义与Si′和Simax′类似。

相比于采用绝对能量度[8], 本文采用相对能量度, 这样在用式 (11) 计算时更加合理, 因为在同一电力系统当中, 各元件中模拟量能量的大小本身就有较大差别, 直接比较并不是很合理, 通过信号自身的高频量与低频量相比, 可解决这一问题。

2.3 信息融合方法

本文采用证据理论[10,11,12,13]对2.1节和2.2节模型的诊断结果进行融合的方法是先计算出各证据支持度的平均值, 然后在求欧氏距离时计算各证据到平均值的距离, 采用这种方法, 计算复杂度仅为O (n) 。具体流程如下所示 (其中m为证据向量, 与前述无关) 。

1) 计算各证据的平均值:m= (m1+m2+…+mn) /n。

2) 计算距离向量[d1, d2, …, dn]T, 其中di表示第i个证据向量与平均证据向量的欧氏距离。

3) 定义2个证据之间的相似性测度smi=1-di, 当采用本文改进方法时, smi即为各证据对证据i的支持度sup (mi) 。

4) 获得证据mi的可信度Crd (mi) =

sup (mi) /, 由此作为各证据的权值, 对各证据加权平均后再进行数据融合, 即可解决证据冲突问题, 且计算量很小。

这里首先求出各证据支持度的平均值, 然后计算各证据到平均值的距离, 融合结果与文献[13]很接近, 不会降低改进效果。当证据较多时, 速度上有所提高。

3 算例分析及结果

本文采用经典的测试系统[4]进行仿真验证, 见附录C。在实时数字仿真器 (RTDS) 上搭建模型, 线路参数取自广东电网典型500kV参数, 线路长度按300km考虑。

假设线路L1, L7, L8均发生单相接地故障, 其中线路L1在A相25%处、L7在B相50%处、L8在C相70%处发生故障。保护警报为:L1Sm, L1Rp, L2Rp, L7Sp, L7Rm, L8Sm, L8Rm;断路器警报为:QF7, QF11, QF12, QF29, QF30, QF39, QF40, 其中L2Rp和QF12为误动。

采用优化型故障诊断方法进行诊断的结果如表1所示。

以上为诊断结果排名前4位的假说, 可见最优解发生了误诊断, 这是因为存在与L2相关的警报不正确、模型对线路诊断偏保守所致。由式 (4) 可得:mOFD=[0.703, 0.598, 0.703, 0.800], 支持度都很大。

设αS=αF=αE=0.9 (录波数据可信度更高) , 采用录波数据和小波变换的故障诊断结果如表2所示。由表2可以看出, 利用小波系数定义的几个指标, 体现了故障线路L1, L7, L8的特点。

采用2.3节的步骤, 将mOFD与表2中的其他支持度向量进行融合, 这里仅列出L2的证据支持度表格, 如表3所示。

注:H为数据融合结果 (融合方法按2.3节中所述步骤执行, 每列代表一个支持度向量) , 取其中“故障”行对应的数字计入最后的故障支持度向量;最后的故障支持度向量为[0.982 2, 0.017 6, 0.966 7, 0.998 4];其他元件的支持度表类似。

由表3可知, L1, L7, L8故障, L2的故障支持度仅为0.017 6, 纠正了优化型故障诊断模型的误诊断。融合效果很好。

多源应急信息的融合过程与模型研究 篇7

随着社会经济的发展, 非常规突发事件的管理成为政府与学者的关注热点[1,2,3]。在非常规突发事件状态下, 由于应对主体与事件本身相互作用、相互影响的过程, 使得事件自身表现出难预测性、不确定性和社会危害性等特征。对于应急管理部门而言, 及时有效地获取多源应急信息往往成为应急处置成功与否的关键因素。因此, 研究如何利用这些来源多样化但又不完善的信息, 对于应急管理与决策具有重要的意义。

1 多源应急信息融合的内涵

多源信息的融合是通过将多种信源在空间上和时间上的互补与冗余信息依据某种优化准则组合起来, 产生对特点对象的一致性解释与描述。对于应急管理而言, 通过对多源应急信息的融合, 可以很好地应对非常规突发事件信息的不确定性问题。

多源信息融合方法的运用增加了应急处置系统的适应性与有效性。对于非常规突发事件的应急处置, 多源信息融合方法的运用具有十分迫切的必要性。

2 多源应急信息融合过程分析

在多源应急信息的融合过程中, 应包括信息实体、信息源与融合要素三个部分。

2.1 实体

应急处置的关键环节不是对于事件的识别判定, 而是事件发生后的控制事件恶化以及合理处置政府、媒体、公众相互间关系, 减小社会负面影响。所以, 在一般情况下, 多源信息融合的实体包括事件本身、政府、媒体和公众。

政府、媒体、公众和事件构成了应急处置下的多源信息融合的实体, 其实体间的关系、实体与各关系的联系以及关系与关系间的相互作用, 是多源信息融合过程中的关键。

2.2 信息源

多源信息融合的基础是各信息源获得的有关目标信息, 非常规突发事件的应急处置中的多源信息融合的主要特点有:①信息的融合级别上, 非常规突发事件应急处置的信息融合级别多在特征级和决策级上, 甚少有关于信号级别的融合。②实体类型上, 非常规突发事件应急处置的实体类型确定, 分为政府、媒体、公众和事件四类。③在信息源上, 非常规突发事件应急处置的融合信息是关于各实体的相关数据, 而不是作为一般信源的各传感器。

2.3 融合要素

非常规突发事件应急处置中的多源信息共享、交换和融合, 需要在对各类实体进行估计的基础上, 得出实体的属性特征状态来进一步做出应急态势评估, 制定应急处置方案。本章所要解决的关键问题是基于多源信息融合的应急处置关键信息的获取方法。因此, 准确地依据实体的特征要素判断实体状态, 进而获得准确的处置信息尤为重要。融合要素主要分为政府、媒体、公众、事件和环境五大部分。

①政府要素包括政府资源、应急手段、应急时机和信息发布。②媒体要素包括媒体数量、媒体种类、媒体报道量和媒体报道持续时间。③公众要素包括公众数量、公众的地域分布、公众的知识结构、公众数量的变化速度。④事件要素包括事件类型, 事件的突发时间、地点、持续时间以及事件造成的损失及影响。⑤环境要素包括自然环境、社会环境和经济环境。

3 多源应急信息的融合模型

3.1 信息融合一般功能模型[4]

根据对输入信息的抽象或融合输出结果的不同, 可以将信息融合分为不同的三级, 包括数据级融合、特征级融合及决策级融合。

信息融合的功能模型从融合过程出发, 描述信息融合包括哪些主要功能、数据库, 以及进行信息融合时系统各组成部分之间的相互作用过程。

3.2 应急处置中的多源信息共享、交换与融合模型

本论文基于多源信息融合的理论框架结构以及信息处理流程的基础上, 构建了多层级分阶段的多源应急信息融合模型, 如图1所示。

多个信息源采集来自于非常规突发事件的信息, 这里的非常规突发事件具有广义的概念, 其既包括非常规突发事件本身, 也涵盖了该事件所产生的社会影响及所有由该事件衍生而来的事件及影响。

在该模型中, 信息源主要包括针对非常规突发事件实体的传感器采集信号和其他渠道获得的相关历史数据等。时空配对指通过对信息源数据的预处理得出关于实体的基础信息, 包括事件发生事件地点等。数据融合指通过融合算法将预处理后的数据进行融合, 提取其中的实体特征。特征融合指根据数据级融合得出的各特征, 通过融合算法得出实体的特征关系。应急态势估计包括, 推断实体间的关系, 对应急态势的主要元素 (实体、属性、关系) 估计结果进行识别分类, 进一步推断和精炼实体的属性及自身作为实体的态势的属性。应急威胁估计中, 威胁是指一种特殊的、对社会具有不利或有害行为的态势, 又称为威胁态势, 应急处置中的威胁态势频繁发生, 威胁估计主要是指对预测的态势所能够产生的影响进行估计, 又称为影响估计。

在对模型相关概念阐述的基础上, 模型的主要流程分为三个阶段。既在处理来自于非常规突发事件的信息时, 首先, 对信息源的数据进行预处理 (异常值识别、去噪等) , 对目标实体进行时空配准以及数据融合。这一过程主要处理数据级上的信息融合, 如处理自然灾害发生时, 相关传感器采集的数据。数据级融合主要针对非常规突发事件, 通过对事件相关数据信息的融合, 明确事件类型, 事件属性及事件所处的状态。

其次, 对数据级融合处理过的信息进行特征提取并进行特征融合。特征的提取及特征的融合是实体估计的重要部分, 它即包括对实时数据信息的特征提取融合, 进而能够及时地为应急处置提供实体的特征信息, 为整个应急态势的评估奠定基础;也可以利用历史数据进行特征融合, 提取一类非常规突发事件的一般特征, 为应急处置的决策提供依据。这一过程主要是对实体的特征进行提取融合, 因此是特征级融合。

最后, 在特征级融合的基础上进行应急态势估计和应急威胁估计, 并根据评估结果制定相应的应急处置计划。

3.3 应急处置中信息获取方法

根据上文中的多源信息融合模型, 在模型的各个融合级别和融合步骤中使用的融合方法视具体的对象而改变。对于信息融合[5], 传统的方法是基于数学解析模型的一些经典的方法。近年来, 一类新的基于数据驱动的方法发展起来。基于数据驱动的信息获取方法有基于机器学习的方法, 基于智能计算的方法和基于数据挖掘的方法。这类方法的特点是在对于非常规突发事件应急处置过程的评估中, 不需要知道融合的数学模型, 充分利用应急处置系统的实时数据和基础数据进行融合, 提取特征, 完成对应急处置中实体的估计。非常规突发事件的突发性和非可控性决定了其在应急处置中的多源信息融合系统具有规模大和复杂程度高的特点, 很多情况下系统是强非线性的或者是高阶的, 这使得精确的数学机理模型难以建立甚至根本不能够建立。因此, 还需要进一步包含基于数据驱动的方法, 决策树、贝叶斯分类器、最近邻域、SVM、权重回归、神经网络、计算 (模糊逻辑、模糊控制、模糊集理论遗传算法、人工免疫算法、蚁群算法等。

3.4 基于煤矿自燃事故的多源信息融合

依据上文提出的多源信息融合模型, 将信息融合技术应用于煤炭自燃事故, 利用多源信息进行事故应急态势评估, 可有效帮助矿井完成对煤炭自燃事故的预警与监测。

矿井的安全生产需要对采空区、巷道、工作面及回风流等不同区域进行监测, 为了全面掌握矿井温度状况, 需要多个多类传感器采集信号以及气体浓度、环境温度数据。传感器集合获取到的信息数据再通过时空配对过程中的预处理, 得出对矿井环境特征的精确描述, 例如在某一具体时刻、具体区域下气体浓度指标。预处理后的数据需要依据矿井的实际情况, 调用合适的融合算法进一步处理, 判断矿井环境的特征。以神经网络融合算法为例, 根据煤炭氧化自燃过程中的气体 (气体比值) 与温度关系, 可选择O2, N2, CO, CO2, CO2/CO浓度等指标作为输入层, 其对应的温度作为输出层, 通过神经网络融合算法对样本数据的大量训练, 提取气体温度特征。相应的气体温度特征数据再依据特征融合算法处理后, 即可进行事故的应急态势评估, 信息融合模型最终会给出煤炭自燃事故发生的地点以及火灾危险等级判定。应急态势评估的结果作为应急威胁评估的决策基础, 可以有效帮助矿井管理者预测煤炭自燃事故带来的经济、社会损失以及其他负面影响。

4 结论

虽然信息融合技术能够有效处理不确定性信息, 但单一的信息融合方法处理不确定性信息的能力有限, 不同的信息融合方法之间很难通过一个框架来统一描述。本论文所构建的多层级分阶段的多源应急信息融合模型, 能够提高应急管理过程中对应急信息的处理精确度与处置效用。

摘要：对于非常规突发事件的应急处置, 多源信息融合方法的运用具有十分迫切的必要性。本论文所构建的多层次分阶段的多源应急信息融合模型, 能够提高应急管理过程中对应急信息的处理精确度与处置效用。

关键词：应急管理,多源信息,信息融合

参考文献

[1]魏玖长.危机信息的整合传播研究[J].中国应急管理, 2010 (2) :31-33.

[2]袁超, 罗灵军.省级应急管理地理信息平台及实现技术研究——以重庆市为例[J].地理信息世界, 2011, 9 (1) :58-64.

[3]魏玖长, 周磊, 赵定涛.基于BASS模型的危机信息扩散模式[J].系统工程, 2012, 29 (9) :16-22.

[4]何友, 薛培信, 王国宏.一种新的信息融合功能模型[J].海军航空工程学院学报, 2008, 23 (3) :241-244.