導航：安全管理網>> 安全論文>> 電力安全論文>>正文

物流單元質量安全信息追溯預警模型研究

文檔作者：張可，柴毅，翁道磊，等文檔來源： 1.重慶大學自動化學院 2.廈門紅相電力設備股份有限公司		點擊數：	更新時間： 2022年11月16日
下載地址：點擊這里	文件大小： 718.28 KB 共5頁	文檔格式： PDF	下載點數： 1 點（VIP免費）

全屏查看

內容預覽 [文件共5頁]

本文件共5頁，如需編輯使用，請下載。

注：預覽效果可能會出現部分文字亂碼（如口口口）、內容顯示不全等問題，下載是正常的。

	文件大小：718.28 KB 共5頁文件格式：PDF 下載點數：1 點（VIP會員免費）

下一篇：在線路交叉跨越情況下如何填票和布置安全…

上一篇：如何構建和諧的安全生產環境

文本預覽

僅提取頁面文字內容，供快速閱讀使用。

2010，46（24）
1 概述
“質量信息追溯”是一種先進的質量監控體系，該體系將
信息流和實物聯系起來，對物流單元的時空信息和個體狀況
進行交互，實現物流單元在供應鏈的跟蹤溯源[1-2]。
多數時候，“質量問題”由供應鏈成員在各自過程中發
現。由于各個成員在地理位置和執行功能的不同，以及物流
交換產生的差異（上游的質量問題在下游才顯現出來，或成為
隱患，與下游的質量偏差形成質量問題），質量監察不完善，導
致全局性的“質量問題”[1]。此時，僅憑質量信息追溯和供應鏈
成員的自我檢查難以發現問題。而常見的預警系統又多忽略
了數據可追溯性[3-4] （如歐盟食品和飼料類快速預警系統），其
強調產品質量安全指標參數分析，未體現出追溯系統的數據
跟蹤溯源能力。
2000 年以來，國內外已有專家學者開始關注該類問題[5-11]。
如Regattieri A、Gamberi M等在文獻[5]中提到了通用食品追
溯體系中的數據安全問題；Siena A等針對食品供應鏈的范例
學習提出了一種新型的模型，也討論了質量安全數據的規范
性[6]；史成東、邊敦新等針對供應鏈和物流工程中的知識共享
提出了基于粗糙集和模糊集的風險預警模型[7-8]；吳建敏等針
對豬肉生產質量進行了預警監控和可追溯研究[9]。此外，多個
在供應鏈中的質量安全和風險的起因和解決方法被提出[10-11]，
為本文的研究提供堅實的基礎。
但同時，上述模型和系統對于供應鏈中的生產過程數據
（這些數據正是追溯系統的核心內容）以及物流單元的原始信
息尚未有完整統一的處理，使生產事故出現之前的預警不
足。針對上述問題和需求，以現有的其他預警模型[12-13]為參
考，研究了一個物流單元質量信息追溯預警模型。模型針對
供應鏈中四種常見的數據異常，對物流單元在整個供應鏈追
溯體系中的檢測數據進行匯總分析，預警可能導致物流單元
質量問題的原因并進行診斷。
物流單元質量安全信息追溯預警模型研究
張可1，柴毅1，翁道磊1，2，匡金駿1
ZHANG Ke1，CHAI Yi1，WENG Dao-lei1，2，KUANG Jin-jun1
1.重慶大學自動化學院，重慶400030
2.廈門紅相電力設備股份有限公司研發中心，福建廈門361001
1.College of Automation，Chongqing University，Chongqing 400030，China
2.Xiamen Hong Xiang Instruments Co.，Ltd.，Xiamen，Fujian 361001，China
E-mail：zithker@hotmail.com
ZHANG Ke，CHAI Yi，WENG Dao-lei，et al.Research of pre-warning model in logistic unit quality safety for information
tracing and tracking.Computer Engineering and Applications，2010，46（24）：201-205.
Abstract：Product quality safety problem of logistic units in production supply chains is studied.Quality control requirements
of traceability systems are analyzed.A pre-warning model that can be applied to supply chain traceability systems is proposed.
In the model，all of detection data existing in the whole supply chain are analyzed.Reasons that may cause logistic unit quality
safety problem are diagnosed and pre-warned.This model focused on four abnormal data types in supply chain，mathematical
algorithms for the abnormalities are developed by combining Radial Basis Function（RBF） neural network and statistical
analysis methods.The simulation results show that the proposed pre-warning model can identify abnormal data types effectively.
Meanwhile，the detection data can be monitored and pre-warned in time as well.
Key words：supply chain；quality safety；traceability system；pre-warning analysis；logistic unit
摘要：針對物流單元在生產供應鏈中出現的產品質量安全問題，分析可追溯體系中的質量監控需求，提出了一種用于供應鏈可
追溯系統的預警模型，對整個供應鏈的檢測數據進行匯總分析，預警可能導致物流單元質量問題的原因并進行診斷。針對供應
鏈中四種常見的數據異常，提出了基于徑向基函數神經網絡、統計學分析的分析算法。實例分析和結果表明，該預警模型能夠有
效地區分異常數據的類型，實時地對追溯系統的檢測數據進行監控及預警。
關鍵詞：供應鏈；質量安全；追溯系統；預警分析；物流單元
DOI：10.3778/j.issn.1002-8331.2010.24.060 文章編號：1002-8331（2010）24-0201-05 文獻標識碼：Ａ 中圖分類號：TP182
基金項目：重慶市重大科技攻關項目（the Key Scientific and Technological Projects of Chongqing under Grant No.CSTC2006AB1032）。
作者簡介：張可（1979-），男，博士，講師，主要研究方向為智能控制、故障診斷、現代農業、計算機工程等；柴毅（1962-），男，博士，教授，博導，主要
研究方向為計算機網絡與系統控制、智能信息處理與模式識別、專家系統及其應用。
收稿日期：2010-05-18 修回日期：2010-07-02
Computer Engineering and Applications 計算機工程與應用201
Computer Engineering and 2010，46（24） Applications計算機工程與應用
2 質量信息追溯預警模型設計
物流單元質量信息追溯預警的核心思想是通過對影響物
流單元安全關鍵因素（以及存在的大量隱患）的監測、追蹤、量
化分析、信息通報預報等，以追溯數據為基礎，在供應鏈過程
中發布預警報告。
本文將以物流單元質量安全作為研究對象，提出一個監
控全程各環節的可能出現問題的預警模型。模型對供應鏈中
反映安全品質的檢測數據實時監測，利用專家知識庫和歷史
數據庫自動生成和發布預警信息報告，對全局的質量檢測數
據進行綜合診斷、判別，一旦發現可能存在的問題，立刻通報
涉及的環節，提供相應的改進決策。
模型將對各種數據異常進行量化分析，主要步驟和功能為：
（1）發現質量問題（信息不完整、生產信息不合格）；
（2）即時啟動預警機制；
（3）傳遞發現的問題的有關信息；
（4）確定有關供應商的原因和/或信息；
（5）確定有關的批號，確定產品位于的供應鏈；
（6）確定其他有同樣質量問題的批號，采取糾正行動。
2.1 預警模型總體設計分析
預警模型需要對全過程中產生的各種數據進行挖掘分
析，針對“質量問題”和起因建立專家知識庫，把相關的數據列
為監控對象（這些數據產生點分布在供應鏈的各個環節之
中），由專門的預警分析系統對這些數據（包括當前執行的工
藝參數）進行診斷分析，一旦發現可能出現的問題或是隱患，
直接反饋給全供應鏈的成員。
如圖1 所示，物流單元質量預警模型的功能模塊包括信
息源系統、預警分析系統、快速反饋和反應系統等，以及專家
知識庫、歷史數據庫、追溯系統數據庫等數據源。
2.2 信息源系統
信息源系統是以追溯系統的信息數據庫為中心，是預警
分析系統的數據基礎。追溯系統保障物流單元數據采集和供
給，及時補充和更新數據。信息源系統的核心內容是提取反
映物流單元質量安全及品質的關鍵點檢測數據，同時建立評
價指標體系。
2.3 預警分析系統
預警的關鍵是根據評價指標體系定義和分析數據，整理
出反映物流單元質量安全的異常數據。本模型主要處理四種
類型的數據異常，包括不規范異常、超限異常、分布異常和趨
勢異常。所有異常的發現、分析、診斷、決策等操作都在預警
分析系統里進行，因此該模型是最重要和核心的部分。
如圖2 所示，預警分析系統將決定是否發布預警信息，并
將該結果送入快速反饋系統和反應系統。
2.4 快速反饋系統與反應系統
數據異常情況的預警分析結果將分別輸入到快速反饋系
統與反應系統中，產生警情信息，及時發布到對應的供應鏈結
點之上。
快速反饋系統是反應系統的特殊形式，它與追溯系統的
跟蹤和溯源能力結合起來，主要功能是實現緊急應對處理；反
應系統的主要功能是按預警分析結果和快速反饋系統的結果
進行預警應對。根據警情信息的不同，通過專家知識庫給出
各種數據異常信息對應物流單元質量安全問題的警示和調控
手段，按照相關監管職能部門的要求和流程生成和發布預警
信息報告。
2.5 專家知識庫和歷史數據庫
專家知識庫是預警模型的知識來源，知識工程師將各種
知識存儲到專家知識庫中，采用產生式規則表達的形式，通過
知識映射表按“結果—方法”的映射關系存入庫中。
歷史數據庫存放已有的超限異常信息，以作為分布異常
和趨勢異常分析的數據來源。
同時對于在預警過程中產生的新知識也將作為數據庫的
來源，不斷更新，應對新情況的產生。
3 質量信息追溯預警算法設計
在上一章當中已經討論了本預警模型主要的研究對象——
四種數據異常，這四類異常能夠充分反映出當前所獲取到的
物流單元質量情況，但其產生的原因卻不盡相同，因此根據其
特性有不同的處理算法。
3.1 不規范異常
不規范異常是指物流單元的質量安全數據未按照標準方
法或對標準方法存在偏差下取得的檢測結果（如數據的超出
值域規定）。此時數據不能反映實際質量狀況，因而是不可信
的和無效的。該異常具有較低的警情等級。
處理此種異常的方法是對照標準數據庫，采用傳統的
IF-THEN方法進行判別，如果某個數據不同于標準方法數據
庫中對應的內容，即說明該數據屬于不規范異常數據。
超限異常分析
常規異常分析
預警分析系統
快速反饋系統
查找物流單元信息
設計警告信息
通報供應鏈成員
傳遞物流單元信息
快速反饋操作信息
生成預警信息
知識映射表
反應系統
專家知識庫
信息入庫
信息源系統建立評價
指標體系
追溯系統
檢測數據
提取關鍵點
數據庫1
數據庫n
…
圖1 物流單元質量預警體系結構圖
不予警告處理
分析數據是否超限異
常，得出診斷結果
標準數據庫
分析數據是否不
規范異常
物流單元
追溯數據
不規范異常處理
超限異常處理
趨勢異常分析
分布異常分析
歷史數據庫
檢測數據
發布
預警
信息
結果異常
結果正常
趨勢異常處理 分布異常處理
是
否
圖2 預警分析系統的結構及流程圖
202
弘．——L!!!一——!!!一 l¨k。J
。二查!。二垂i!
!
F：峰蟛劃”：峰輩型
2010，46（24）
3.2 超限異常
超限異常是指對于某個具體指標數據或對于多個具體指
標數據的集合，具有影響物流單元質量安全狀況的評價結
果。該異常是最易導致“質量問題”的因素，單個指標超限可
能是整個指標評測體系中可被接受的，但若與其他不同環節
上出現超限異常數據進行組合，則可能導致未預料到質量偏
差甚至造成嚴重后果。
超限異常的算法分析涉及到多種類型的數據，要求能夠
對輸入的數據向量進行分類。徑向基函數（RBF）神經網絡[14]
能充分利用狀態信息，對不同狀態的信息逐一訓練獲得映射
關系，同時通過學習形成所要求的決策區域，以期能判別當前
所獲取的數據組合是否超限異常[13，15]。基于RBF 神經網絡的
診斷系統結構如圖3 所示。
3.2.1 數據預處理
預警評價指標體系中的指標數據具有不同的單位和量
級，為保證模型的外推能力和神經元的靈敏度，所以應對數據
進行歸一化處理：設x'為轉換前的數據，x 為轉換后的數據，設
ξ和σ為樣本的最大值和最小值，有：
x = x′ - σ
ξ - σ
（1）
使得數據預處理后的值在0-1 之間分布。但實際生產中的檢
測指標并非完全可量化數據，可針對這些指標參數確定具體
的取值范圍，定義模糊診斷規則，組織學習樣本。
3.2.2 神經網絡結構設計和參數選擇
超限異常分析采用的RBF 神經網絡結構如圖3 右部所
示，其徑向基層對輸入模式起距離變換作用，它將空間R（多
個不同類型數據構成的預警特征向量）中不可分的模式變換
到高維空間Φ，Φ=[φ（1 x），φ（2 x），…，φ（j x）]T，使之在該Φ中線性
可分。其傳輸函數如下：
φ(x) = exp
é
ë
êê
ù
û
úú
-  x - c  i
2
2σ 2
i
（2）
式（2）中ci 表示第i 個徑向基結點高斯函數的中心向量（即超
限異常的類中心）；圖3中的||dist|（| 歐氏范數）即||x - ci||，σi 為
網絡中反映輸出對輸入的響應寬度，b1和b2分別為徑向基層
和輸出層中調整神經元靈敏度的閾值。
徑向基層和輸出層的兩個可調參數中心ci 和網絡權值
wji 是反映超限異常分析準確性的要素。網絡學習在確定徑
向基層參數后，根據給定的超限異常訓練樣本決定徑向基層
各結點的高斯函數的中心ci；同時利用最小二乘原則，得到輸
出層的網絡連接權值wji。
通常采用k-均值聚類算法調整中心向量，將超限異常訓
練樣本集中的輸入向量分為S1 個簇，給出S1 個中心向量，使
得簇內各樣本向量距簇中心向量的距離最小。同時在輸出層
中，S1 個簇再被映射為S2 個簇。
當ci 確定以后，訓練由徑向基層至輸出層之間的權值，由
于權值的求解可認為是線性優化問題，因此有惟一確定的解，
肯定能獲得全局最小點。
權值wji(i = 12S1；j = 12S2)的學習算法關系式為：
wji (k + 1) = wji (k ) +
η(t ) k - yk φi (x)
ΦTΦ
（3）
式（3）中j 的值等于S1。設η為學習速率，tk 和yk 分別表示第k
個輸出分量的期望值和實際值，可證當0<η><1> f, if i > niCi
ni
= 0
ni = int( Fn )
（5）
其中，f 為樣本數，ni 為徑向基層神經元數量，n 為輸入單元數，
F為輸入層神經元數量。
如圖4 所示，對超限異常實現分類診斷，將理想訓練樣本
數據預處理
功能平臺
||dist||
輸入層 徑向基層
訓練樣本
功能平臺
數據處理
檢測數據
輸出結果
映射層
S1 ´ R ci
輸出層
樣本特征選擇和提取
S2
S2 ´ 1
S2 S ´ 1 1
S1 ´ 1
S1 ´ 1
b1
R
R ´ 1
x
j1
S2 ´ S1
S1 ´ 1
φ(x)
y
S2 ´ 1
b2
j2
訓練1
·*
wji
1
圖3 基于RBF網絡的超限異常診斷流程圖
圖4 RBF網絡分類實現的超限異常診斷
20 40 60 80
1.0
0.5
0
指標歸一化值
指標序號
1.0
0.5
0
20 40 60 80
指標歸一化值
指標序號
1.0
0.5
0
20 40 60 80
指標歸一化值
指標序號
1.0
0.5
0
20 40 60 80
指標歸一化值
指標序號
（a）理想訓練樣本（b）實際訓練樣本1
（c）測試數據（d）實際訓練樣本2
張可，柴毅，翁道磊，等：物流單元質量安全信息追溯預警模型研究203
Computer Engineering and 2010，46（24） Applications計算機工程與應用
輸入RBF 網絡學習訓練，定義輸出的值，再將實際的測試數據
輸入進行判別并歸類，實現診斷。但通常在如此小的樣本環
境下，其容錯能力較差。此時可按照專家知識將實際的已歸
好類（是否需要預警）的多個歷史數據（是否需要預警）作為訓
練樣本，提升網絡的泛化能力。
3.3 分布異常
歷史數據庫記錄了每次數據超限異常，通過對超限異常
的地域分布統計分析，可發現不同地域已存在或潛在的問
題。該異常與超限異常具有聯系：對于某些可被接受的超限
數據，若規模性出現在某一范圍內，則可能存在隱患。
如將某地區A劃分成n 個區域，A =[a1a2an]，設區域
內出現超限異常情況總量為T =[t1t2tn]。從歷史數據庫提
取該地區檢測過物流單元總數O，O =[o1o2on]，通過式
（6）求出xi (xi 為i 區域異常情況數量的均值)。
xi =
ti
oi
´ C （6）
設X =[x1x2xn]；C 為常數，用于將xi 標準化至[1，10]
之間。根據實際情況設置閾值D，D =[d1d2dn]，當xi > di
時，說明區域ai 的異常數量均值已超限，需發出警報。
設異常情況總量均值為ρ：
ρ =
åi
= 1
n
ti
åi
= 1
n
oi
´ C （7）
定義gi = xi - ρ，表示i 區域與整個地區的均值偏差，檢測
人員根據實際情況設置閾值H，如果gi > H，說明該區域出現
異常情況數目顯著，應發出警報。
3.4 趨勢異常
歷史數據的集合包含了被檢測數據的變化規律。借助統
計方法獲取趨勢信息，推測檢測數據的變化規律，對于可能出
現的趨勢異常預先發出警報。
歷史異常趨勢系數ruv 是過去q 個時間片內出現異常情況
數量序列與自然數列1，2，3，…，q 的相關系數（即單位時間內
異常數據和標準數據相比的協方差），用于了解檢測數據的異
常情況數量在長期變化中升降的定量程度，有：
ruv =
å
v = 1
q [(u ) ] v - u* (v - v*)
å
v = 1
q éëê
ùûú
(u ) v - u* 2 å
v = 1
q éëê
ùûú
(v - v*)2
v* = q + 1
2
（8）
其中, u* 為q 個時間片內出現異常情況數量的總量；uv 為第v
個時間片內出現異常情況的數量；ruv 的正（負）值表示異常數
量在q 時間片內有線性增（減）的趨勢。
根據“學生t-分布”定義，符合自由度q-2 的z 值作為檢驗
趨勢的顯著水平,有：
z =
ruv q - 2
1 - r 2
uv
（9）
z 值與“學生t-分布”中的顯著性指標p 的關系通過t 函數來表
現（t 函數值有專門的表可查詢），如表1 所示。
可以由檢測人員設置趨勢系數ruv 的閾值κr 和顯著水平
p 值的閾值κp，當ruv > κr 或p > κp 時發出警報。
4 實例分析和結果
以某豬肉生產加工信息追溯系統（已實施）的預警系統為
例，詳細分析該質量安全追溯預警模型的應用。該預警系統
中信息源系統從各個供應鏈成員的生產管理系統的中心數據
庫中獲取相應的追溯數據。結合生豬養殖、豬肉屠宰分割、深
加工、運輸、銷售等環節的實際情況，按照對豬肉生產加工的
各項檢測指標與參數的規定和領域專家的測評和論證，提取
了若干個反應豬肉安全的預警指標，構建出豬肉安全預警系
統評價指標體系，部分指標如表2 所示。
領域專家按照豬肉質量安全預警評價指標體系對豬肉進
行抽檢，提供了50 組具有數據超限異常的數據集，用于測
試。限于篇幅，僅給出部分的測試結果（以故障分析歷史數據
為例），其數據和在RBF 網絡中所得的測試結果如表3 所示。
一級指標
飲用水水質
豬肉質量
深加工水質量指標
分割刀具指標
養殖場環境（豬舍）
二級指標
感官性狀及
一般化學指標
農藥限量指標
毒理學指標
理化指標
微生物
及疫病指標
三級指標
總硬度（以CaCO3計）/（mg·L-1）
溶解性總固體/（mg·L-1）
馬拉硫磷/（mg·L-1）
總砷/（mg·L-1）
硝酸鹽（以N計）/（mg·L-1）
總汞/（mg·L-1）
解凍失水率/（%）
雙氯青霉素（肝）/（mg·kg-1）
萊克多巴胺（尿）/（mg·kg-1）
菌落總數/（cfu·g-1）
金黃色葡萄球菌/（g-1）
鉛/（mg·L-1）
氟化物/（mg·L-1）
使用天數
二氧化碳/（mg·m-3）
惡臭/稀釋倍數
指標序號
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
理想
≤1 300°
≤3 000
≤0.10
≤0.05
≤20
≤0.005
≤10
≤0.1
≤0.001
≤2×106
≤2×104
≤0.07
≤1.2
30
≤500
≤40
較好
1 301°~1 450°
3 001~3 500
0.10~0.20
0.05~0.15
20~25
0.005~0.010
12~14
0.1~0.2
0.001~0.005
2×106~3×106
2×104~3×104
0.07~0.09
1.2~1.4
45
501~1 000
40~55
一般
1 451°~1 600°
3 501~4 500
0.20~0.25
0.15~0.20
25~35
0.010~0.015
14~16
0.2~0.3
0.005~0.010
3×106~4×106
3×104~4×104
0.09~0.11
1.4~1.6
60
1 001~1 500
55~70
差
＞1 600°
＞4 500
>0.25
＞0.20
＞35
＞0.015
＞16
＞0.3
＞0.010
＞4×106
＞4×104
＞0.11
＞1.6
75
＞1 500
＞70
指標標準數值或描述值
表2 豬肉質量安全預警評價指標表（部分）
z
z≥tp（q-2）
z≥tp（q-2）
z0.05
差異顯著程度
差異非常顯著
差異顯著
差異不顯著
表1 z 值與顯著性指標關系表
204
2010，46（24）
3 組結果中，都存在超限的指標，但僅對第2 組數據進行預警，
與歷史結果相符。結合其余47 組數據，RBF 網絡均能夠精確
地測試出故障類別。
數據超限異常處理后自動觸發的數據分布異常和趨勢異
常分析的結果如表4 所示。
預警分析系統發送出分析結果，快速反饋系統對超限異
常對應檢測數據的同一批次的食品進行警告標識，通過反應
系統回饋到豬肉生產加工追溯系統中；并查找該批次產品的
所在地，通報相關信息和異常數據分析結果。
目前，該模型已整合于“豬肉生產加工信息追溯系統”當
中，經前期運行來看該預警體系以及其中對異常數據的預警
診斷方法是相當有效的。
5 結束語
物流單元質量要求日趨增高，生產加工跨行業性和跨地
域性的特點越來越明顯，因此僅通過一般的可追溯系統對物
流單元質量安全進行監管的難度也隨之增大。對供應鏈中的
質量隱患因素進行預警分析是當前在物流工程、計算機工程、
企業管理、檢疫檢驗等多個領域中的重要研究方向。
本文所提出的質量信息追溯預警模型，能夠對生產、流通
過程中各關鍵環節的信息加以有效監控和管理，迅速有效地
識別出發生問題的原料或產品加工階段，明確企業或相關部
門的責任，控制有質量問題的產品的影響范圍，并敦促相關成
員及時整改，從而減少產品召回的成本，增進產品質量安全。
參考文獻：
[1] Pouliot S，Sumner D A.Traceability，liability，and incentives for
food safety and quality[J].American Journal of Agricultural Economics，
2008，90（1）：15-27.
[2] 趙春江，楊信廷，宋懌，等.水產養殖產品質量安全全程管理與追溯
方法及系統：中國，200610113644[P].2008-04-16.
[3] 楊君，黃麗，袁利鵬.關于完善我國食品安全風險預警系統的思
考[J].食品科技，2009，34（12）：327-330.
[4] 于承先，徐麗英，邢斌，等.集約化水產養殖水質預警系統的設計與
實現[J].計算機工程，2009，35（17）：268-270.
[5] Regattieri A，Gamberi M，Manzini R.Traceability of food products：
General framework and experimental evidence[J].Journal of
Food Engineering，2007，81（2）：347-356.
[6] Siena A，Maiden N，Lockerbie J.et al.Exploring the effectiveness
of normative i* modelling：Results from a case study on food
chain traceability[J].Advanced Information Systems Engineering，
2008（1）：182-196.
[7] 史成東，邊敦新.基于粗集和模糊集物流聯盟知識共享風險預警[J].
計算機工程與應用，2008，44（33）：198-200.
[8] 史成東，邊敦新，蘇菊寧.基于粗糙集和灰色的供應鏈知識共享風
險預警[J].計算機工程與應用，2008，44（10）：19-22.
[9] 吳建敏，吳承平，曹雪林，等.豬肉生產全程質量預警監控與可追溯
研究[J].中國畜牧雜志，2009，45（9）：61-64.
[10] Leindorfer P R，Hassenhove L N.Managing risk in global supply
chains[M].Cambridge，Great British：Cambridge University
Press，2004.
[11] Applequist G E，Pekny J F，Reklaitis G V.Risk and uncertainty
in managing chemical manufacturing supply chain[J].Computers
and Chemical Engineering，2000，24（9）：2211-2222.
[12] 韓華，劉風鳴，丁永生.基于海洋綜合觀測平臺的海洋智能預警的
研究[J].計算機工程與應用，2008，44（30）：226-228.
[13] 朱世偉，賽英.基于主成分分析和粗徑向基神經網絡的財務預警
模型研究[J].山東大學學報：理學版，2008，43（11）：48-53.
[14] 魏海坤，宋文忠，李奇.非線性系統RBF 網在線建模的資源優化
網絡方法[J].自動化學報，2005，31（6）：970-974.
[15] Buhmann M D.Radial basis functions[M].Cambridge，Great British：
Cambridge University Press，2001.
序號
1
2
3
測試數據（經過預處理）
0.286，0.668，0.366，0.255，0.654，
0.251，0.310，0，0.216，0.257，0.331，
0.375，0.316，0.212，0.246，0.268
0.294，0.316，0.374，0.287，0.312，
0.264，0.312，0.6，0.241，0.779，0.346，
0.384，0.324，0.241，0.613，0.584
0.301，0.321，0.319，0.244，0.349，
0.264，0.305，0.2，0.243，0.735，0.325，
0.315，0.328，0.238，0.275，0.314
超標序號
2，5
8，10
15，16
11
是否預警
否
是
否
表3 部分超限異常測試結果
表4 數據分布異常和趨勢異常分析的結果
異常類型
分布異常
趨勢異常
數據異常分析的結果
X=[4.76，5.25，4.49，6.04，5.42，5.92]
D=[6.00，6.00，6.00，6.00，6.00，6.00]
xi < di
gi = [0.27，-0.16，3.02，-0.34，-1.87，0.92]
gi < H（H=1.00）
ruv = -0.722
p=0.008
結果處理
總均值低于界限，
無警報
均值偏差高于界
限，需預警
趨勢減小但差異
非常顯著，發布預警
（上接123 頁）
[2] 郁志宏，王春光，張曉芳，等.改進的粒子群神經網絡檢測種蛋成活
性[J].計算機工程與設計，2007，28（2）：427-429.
[3] Gao X Z，Ovaska S J.Genetic algorithm training of elman neural
network in motor fault detection[M]//Neural Computing &amp;amp;
Application.London：Springer，2002：37-44．
[4] 王杰，閆東偉.提高預測精度的ELMAN和SOM神經網絡組合[J].
系統工程與電子技術，2004，26（12）：1943-1945．
[5] Sun Jun，Feng Bin，Xu Wen-bo.Particle swarm optimization with
particles having quantum behavior[C]//Proceedings of Congress
on Evolutionary Computation.[S.l.]：IEEE Press，2004：325-331.
[6] Sun Jun，Xu Wen-bo，Liu Jing.Parameter selection of quantumbehaved
particle swarm optimization[C]//LNCS 3612：ICNC 2005.
Berlin/Heidelberg：Springer，2005．
[7] 余健，郭平.自組織映射（SOM）聚類算法的研究[J].現代計算機，
2007，3：7-8.
[8] Ho N B，Tay J C.GENACE：An efficient cultural algorithm for
solving the flexible Job-shop problem[C]//Proceedings of Congress
on Evolutionary Computation，2004：1759-1766.
[9] Abs A V，Cruz D A.Cultural operators for a quantum-inspired
evolutionary algorithm applied to numerical optimization problems[
J].Computer Science，2005，3562：1-10.
[10] Nguyen T T，Yao Xin.Hybridizing cultural algorithms and local
search[J].IDEAL，2006，4224：586-594.
張可，柴毅，翁道磊，等：物流單元質量安全信息追溯預警模型研究205</η>

網友評論 more

電力安全論文最新內容

05-01