李春生，郎 敏，張可佳，周云霞

(東北石油大學(xué) 計(jì)算機(jī)信息與技術(shù)學(xué)院，黑龍江 大慶 163318)

基于多級(jí)框架的不確定知識(shí)推理方法研究

李春生，郎 敏，張可佳，周云霞

(東北石油大學(xué) 計(jì)算機(jī)信息與技術(shù)學(xué)院，黑龍江 大慶 163318)

在知識(shí)推理應(yīng)用于智能化方法的過程中，為解決知識(shí)并發(fā)性匹配及可用性等問題，設(shè)計(jì)了一種多級(jí)框架下的不確定性推理方法。該方法通過采用規(guī)則-知識(shí)衍生方式、構(gòu)建產(chǎn)生式模型和設(shè)計(jì)多級(jí)框架結(jié)構(gòu)以有效提高推理精度和準(zhǔn)確率，通過引入槽值符合率及隸屬度作為確信因子以及實(shí)現(xiàn)知識(shí)的并發(fā)性匹配，選定正向推理作為知識(shí)推理方式，應(yīng)用論據(jù)累計(jì)的Bayes方法消解知識(shí)匹配沖突。選用并發(fā)異常樣本對(duì)所提出方法的準(zhǔn)確率和并發(fā)推理能力進(jìn)行驗(yàn)證實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該算法在準(zhǔn)確率和并發(fā)推理能力方面具有較大提升，達(dá)到了知識(shí)結(jié)構(gòu)設(shè)計(jì)合理、知識(shí)抽象化程度明顯提高的目的，滿足了復(fù)雜工業(yè)生產(chǎn)等領(lǐng)域?qū)Χ嗖l(fā)推理的精細(xì)化要求。油井生產(chǎn)動(dòng)態(tài)預(yù)警應(yīng)用的實(shí)際測(cè)試分析表明，所提出的UnMF方法較大程度上提高了預(yù)警的準(zhǔn)確性，降低了生產(chǎn)異常情況的發(fā)生，對(duì)穩(wěn)定高效工業(yè)生產(chǎn)具有重要的意義。

框架系統(tǒng)；不確定性推理；FC規(guī)則閉包；反射技術(shù)；生產(chǎn)預(yù)警

0 引 言

知識(shí)推理作為生物信息學(xué)的重要理論成果，經(jīng)過數(shù)十年發(fā)展，已經(jīng)廣泛應(yīng)用于工業(yè)生產(chǎn)輔助決策、信息預(yù)警及工程監(jiān)測(cè)各領(lǐng)域，并發(fā)揮著極大的作用，如CM-BOSS系統(tǒng)、PCRC生產(chǎn)預(yù)警監(jiān)測(cè)系統(tǒng)等[1]。由于信息化的普及，對(duì)輔助決策和分析的精細(xì)化程度逐步提高，伴隨知識(shí)體系的不斷完善，于是合理設(shè)計(jì)領(lǐng)域輔助決策知識(shí)庫結(jié)構(gòu)，提供切實(shí)可用的輔助分析方案成為提高智能化應(yīng)用準(zhǔn)確率和有效性的關(guān)鍵[2]。不確定推理的提出以框架形式設(shè)計(jì)多層次知識(shí)結(jié)構(gòu)，以置信度和確信因子為基礎(chǔ)實(shí)施多向并發(fā)同步推理，突破確定性推理的瓶頸，解決工程領(lǐng)域內(nèi)知識(shí)結(jié)構(gòu)繁冗，復(fù)雜度高，并發(fā)處理困難等問題，使多決策樹及并行計(jì)算的可行性和高效性更有意義[3]。

領(lǐng)域決策者和專家的經(jīng)驗(yàn)及思維方式對(duì)于智能化應(yīng)用至關(guān)重要[4]。雖然通過不確定性推理的手段可以很好地進(jìn)行多因素并發(fā)分析，較好地解決相關(guān)領(lǐng)域內(nèi)的故障認(rèn)定、風(fēng)險(xiǎn)評(píng)價(jià)、措施優(yōu)選等問題[5]，但是依舊存在以下缺陷：決策性知識(shí)具有片段性，基于產(chǎn)生式規(guī)則的不確定推理無法描述知識(shí)簇或規(guī)則集合的涵蓋關(guān)系，降低了推理結(jié)果的可靠性[6]；知識(shí)描述缺乏抽象性描述，復(fù)用性差，導(dǎo)致推理過程運(yùn)算冗余較大，響應(yīng)時(shí)間較長；工程預(yù)警、異常診斷等推理存在故障并發(fā)、復(fù)合異常等情況，傾向性和置信度計(jì)算不夠準(zhǔn)確[7]。

針對(duì)上述問題研究基于多級(jí)框架的不確定推理方法(UnMF)，定義FC規(guī)則閉包，采用規(guī)則-知識(shí)衍生方式，構(gòu)建產(chǎn)生式模型，并設(shè)計(jì)多級(jí)框架結(jié)構(gòu)，引入槽值符合率[8]及隸屬度作為確信因子，完成不確定性知識(shí)庫模型(UnM)設(shè)計(jì)；選定正向推理作為知識(shí)推理方式，提出反射定位推理算法，應(yīng)用論據(jù)累計(jì)的Bayes方法[9]消解知識(shí)匹配沖突，完成基于UnM的UnMF的研究，同時(shí)為該方法的確信因子計(jì)算提出一套較為科學(xué)的算法，以此達(dá)到合理設(shè)計(jì)知識(shí)體系結(jié)構(gòu)、提高知識(shí)抽象化描述、實(shí)現(xiàn)多并發(fā)推理精細(xì)化分析的目的。

1 FC規(guī)則閉包的產(chǎn)生

專家組對(duì)于領(lǐng)域內(nèi)與事務(wù)相關(guān)的知識(shí)界定和分類較為準(zhǔn)確，知識(shí)的結(jié)構(gòu)具有一定通用性。將知識(shí)的表達(dá)轉(zhuǎn)化為抽象的邏輯表示形式是實(shí)現(xiàn)高效推理的基礎(chǔ)。

規(guī)則是知識(shí)依據(jù)相同算法聚類抽象形成的閉包，由規(guī)則主體RC和擴(kuò)展集RE組成，其中RC算法實(shí)體由D-Ag算法庫提供。

以n位專家組成的專家組，領(lǐng)域內(nèi)存在某事務(wù)W，給出與W相關(guān)的規(guī)則閉包的一般表述形式為：R={RC,RE|pre(RC)?null}。

1.1規(guī)則主體結(jié)構(gòu)

定義規(guī)則導(dǎo)向函數(shù)T(n)，給出規(guī)則主體RC的一般表述形式為:

RC={ID,Desc,T(Frame),T(An),T(Value),

T(Model),Ot|T(n)?null}

(1)

其中，Desc表示該規(guī)則的自然語言描述；規(guī)則門類T(Frame)包括環(huán)切型和值切型；T(An)表示規(guī)則映射算法實(shí)體；權(quán)值T(Value)表示該規(guī)則的隸屬程度，反應(yīng)該規(guī)則滿足結(jié)論的程度；Ot表示規(guī)則結(jié)論。

其中,ID反應(yīng)規(guī)則唯一性，標(biāo)準(zhǔn)表達(dá)結(jié)構(gòu)如下：

ID=Str(time)+Str(T_Frame)+str(T_An)

(2)

1.2規(guī)則擴(kuò)展集結(jié)構(gòu)

規(guī)則的擴(kuò)展集RE由描述支持規(guī)則推理和擬合運(yùn)算的參數(shù)集合構(gòu)成。參數(shù)集以數(shù)據(jù)實(shí)例形式存儲(chǔ)，并以鏈表形式反應(yīng)參數(shù)間關(guān)系。

擴(kuò)展集包括必備線性因素和非必備線性因素。定義規(guī)則導(dǎo)向函數(shù)F(n)，給出其一般表示形式:

RE={ID,F(kind),F(order),F(Value),

F(desc),bz}

(3)

其中，ID與RC存在唯一映射關(guān)系；F(kind)標(biāo)注擴(kuò)展類型，反應(yīng)擴(kuò)展集遞推方法；F(order)表示擴(kuò)展集的指針序列；F(Value)表示規(guī)則槽值；F(desc)表示規(guī)則的自然語言描述。

在一個(gè)規(guī)則內(nèi)，RC與RE的對(duì)應(yīng)關(guān)系可描述為：

(4)

其中，U(RE|n)表示n(n>1)維RE子集；對(duì)應(yīng)關(guān)系表達(dá)式滿足T(RCn)=U(RE|n)。

運(yùn)算復(fù)雜度如下:

(5)

其中，U(RE|i)=exp(T2(RCn))+Min(T(RCn))，所以運(yùn)算復(fù)雜度可表示為:

(6)

1.3知識(shí)的表達(dá)方式

知識(shí)作為規(guī)則的實(shí)例化，除繼承FC規(guī)則閉包的全部元素外，包括事務(wù)類型Wk,框架對(duì)象Fr及用于計(jì)算槽值隸屬度的G，給出知識(shí)的一般表示形式:

K=R⊕{Wk,Fr,G|pre(k)?null}

(7)

其中，Wk包括反應(yīng)事務(wù)發(fā)生類型及發(fā)生定級(jí);Fr反應(yīng)該知識(shí)所隸屬框架對(duì)象；G用于計(jì)算框架匹配程度及規(guī)則滿意度，用以進(jìn)一步計(jì)算該知識(shí)滿足推理后事件的概率。

2 不確定性知識(shí)庫模型設(shè)計(jì)

UnM采用多級(jí)框架-產(chǎn)生式結(jié)構(gòu)。框架系統(tǒng)反應(yīng)業(yè)務(wù)分類情況，產(chǎn)生式系統(tǒng)直接參與知識(shí)推理過程。

2.1基于規(guī)則-知識(shí)的產(chǎn)生式系統(tǒng)(RK-PS系統(tǒng))結(jié)構(gòu)

RK-PS系統(tǒng)借鑒面向?qū)ο蟮脑O(shè)計(jì)思想，即規(guī)則是知識(shí)的抽象化表述，知識(shí)是規(guī)則的實(shí)例。知識(shí)將繼承所隸屬規(guī)則的全部屬性和行為。產(chǎn)生式系統(tǒng)由算法庫、基于FC閉包結(jié)構(gòu)的規(guī)則庫和FC結(jié)構(gòu)衍生知識(shí)庫三部分組成。其結(jié)構(gòu)如圖1所示。

圖1 產(chǎn)生式系統(tǒng)結(jié)構(gòu)

其中，算法庫用于存儲(chǔ)各類擬合曲線、函數(shù)及算法集合，具體包括線性回歸函數(shù)，普朗克曲線，高斯方程等；規(guī)則庫采用FC規(guī)則閉包描述單體規(guī)則，并由一組數(shù)據(jù)實(shí)體(數(shù)據(jù)表)描述；知識(shí)庫結(jié)構(gòu)繼承FC規(guī)則閉包，由規(guī)則庫提供知識(shí)實(shí)例。實(shí)例化步驟描述如下：

Step1:選擇規(guī)則R'，創(chuàng)建R'的知識(shí)實(shí)例K'；

Step2:加載算法庫D-Ag索引，獲取算法實(shí)體；

Step3:有效化知識(shí)實(shí)例K'(過程賦值)；

Step4:建立K'擴(kuò)展集及映射關(guān)系。

完成實(shí)例化后，知識(shí)實(shí)例K'稱為片段知識(shí)或不完全知識(shí)。由多組知識(shí)實(shí)例組成的知識(shí)集稱為描述型知識(shí)。

2.2多級(jí)框架結(jié)構(gòu)設(shè)計(jì)

多級(jí)框架由多個(gè)單體框架構(gòu)成。單體框架反應(yīng)領(lǐng)域內(nèi)與事務(wù)相關(guān)的推理描述；基本邏輯結(jié)構(gòu)由槽集Kn、社會(huì)性關(guān)系Cm及行為信息U(f)組成。給出一般描述形式：

F={Kn,Cm,count(K)}⊕U(f)

(8)

槽集Kn由多個(gè)槽構(gòu)成。單體槽由知識(shí)K、槽值Kv、默認(rèn)槽值Kv'和槽值域Km?{0,1}組成，知識(shí)由RK-PS知識(shí)庫提供，反應(yīng)不同斜面的傾向度。

行為信息，也稱守護(hù)程序，表示在槽值未指定時(shí)指向的修改動(dòng)作，通常以WHEN CHANGED形式記錄。

多級(jí)框架結(jié)構(gòu)的級(jí)聯(lián)關(guān)系由單體框架的社會(huì)性關(guān)系Cm描述。Cm反應(yīng)框架本體與其他框架的子父類情況，標(biāo)識(shí)其在多級(jí)框架的位置。定義單體框架Fm，其社會(huì)性關(guān)系Cm的一般表述形式如下：

Cm={son_Fm,P_Fm,Is_End,F_Level}

(9)

其中，son_Fm表示Fm的子框架，定義標(biāo)記變量sfn，則反映Fm在多級(jí)框架的位置標(biāo)記方式如下：Son_Frame={begin-sf1-sf2-…-sfn-end}

(10)

P_Fm表示Fm的父類框架，用于校驗(yàn)子框架son_Fm的表述完整性，由于多級(jí)框架采用1-N映射，所以count(P_Fm)=1。

Is_End反應(yīng)框架終結(jié)情況，也是區(qū)分框架實(shí)體行為發(fā)生標(biāo)準(zhǔn)。當(dāng)Is_End=0，則繼續(xù)索引子框架；當(dāng)Is_End=1，執(zhí)行守護(hù)程序WC。

F_Level描述框架的級(jí)別位置。F_Level與框架遍歷算法的復(fù)雜度o(n)的關(guān)系如下:

o(n)=eF_Level-n

(11)

由此可知，通常情況下，F(xiàn)_Level≤4；同時(shí)，對(duì)于高階高級(jí)框架系統(tǒng)可以采用經(jīng)驗(yàn)分解法(EMD)或聚類算法拆解，降低其計(jì)算復(fù)雜度。

3 基于UnM的不確定性推理方法

不確定性推理方法以UnM知識(shí)庫為基礎(chǔ)，引入隸屬度和槽值作為確信因子，采用正向推理方式，分析高幅變化數(shù)據(jù)，對(duì)可能框架實(shí)施推理并計(jì)算最優(yōu)解。主要推理算法如下所述：

Begin:遞歸多級(jí)框架的一級(jí)框架(父類框架)；

Step1:獲取高幅變化數(shù)據(jù)實(shí)例，遞歸多級(jí)框架；

Step2:開始遍歷分析終結(jié)節(jié)點(diǎn)框架Fz；

Step3:遍歷框架Fz內(nèi)槽集T，分析知識(shí)前件；

Step4:根據(jù)衍生規(guī)則，反向定位父類規(guī)則集R；

Step5:搜索規(guī)則內(nèi)算法集，通過反射推理方法定位匹配算法；

Step6:通過匹配算法計(jì)算，判斷規(guī)則R的符合程度；

Step7:返回知識(shí)匹配權(quán)重，返回Step3，逐一分析槽集T內(nèi)的各項(xiàng)知識(shí)符合率，計(jì)算框架滿意度；

Step8:框架滿意度高于框架閾值，判定W發(fā)生；

Step9:返回Step2；

Result:給出所有超過閾值的框架U(Fz)，分析其并發(fā)原因。

最終，返回域U(Fz)即為框架的匹配結(jié)果。其中，通過反射推理方法定位匹配算法是實(shí)現(xiàn)觸發(fā)式運(yùn)算實(shí)體主動(dòng)運(yùn)算的關(guān)鍵。

3.1反射推理方法

擬合算法或函數(shù)是規(guī)則R前件條件匹配計(jì)算的主體內(nèi)容。通過規(guī)則R內(nèi)描述的擬合算法，在算法庫中搜索算法實(shí)體并實(shí)施條件匹配，是知識(shí)推理的關(guān)鍵步驟。反射推理方法是實(shí)現(xiàn)這一關(guān)鍵步驟的核心技術(shù)。

反射推理方法的作用對(duì)象是元數(shù)據(jù)，本質(zhì)是一種定位、捕獲和使用元數(shù)據(jù)的方法。元數(shù)據(jù)由算法庫內(nèi)算法實(shí)體構(gòu)成。支持反射推理的組件由輸入接口、定位模塊、反射執(zhí)行模型和校驗(yàn)?zāi)K組成。

對(duì)各組件的行為說明如下。

(1)信息接收：接收目標(biāo)元數(shù)據(jù)信息。

(2)定位搜索：搜索并定位目標(biāo)算法。

(3)反射執(zhí)行：創(chuàng)建反射對(duì)象并執(zhí)行目標(biāo)算法。

(4)加載校驗(yàn)：勘誤及反饋。

以規(guī)則前件的條件匹配過程為例，反射推理具體執(zhí)行步驟如下：

Begin：基于算法描述獲取目標(biāo)算法；

Step1：分析并獲取算法的類型信息及參數(shù)定義；

Step2：動(dòng)態(tài)創(chuàng)建反射對(duì)象Rf；

Step3：索引內(nèi)搜索并定位目標(biāo)算法實(shí)體P；

Step4：創(chuàng)建實(shí)例P',賦值Rf；

Step5：校驗(yàn)Rf，執(zhí)行P'；

End：返回計(jì)算結(jié)果。

最終返回結(jié)果將作為規(guī)則R的置信度，反射推理方法的知識(shí)推理過程存在并發(fā)沖突及不確定性界定問題。并發(fā)沖突可采用論據(jù)累積的貝葉斯方法解決[10-11]，不確定性界定可通過確信因子計(jì)算判定。

3.2論據(jù)累積的貝葉斯方法

定義知識(shí)k的事實(shí)論據(jù)pH，隸屬概率G(k)，權(quán)值V(k→r)，建立三者聯(lián)系，如式(12)所示。

pH=G(k)?V(k→r)

(12)

其中，r表示知識(shí)k的隸屬規(guī)則。

定義事件E，H分別表示不同知識(shí)闡述的事實(shí)，H表示假設(shè)，事件關(guān)系為OR，重寫貝葉斯公式，如下：

p(H|E)=

(13)

其中，p(H)為事件H發(fā)生的先驗(yàn)概率；p(E|H)為事件H發(fā)生后的論據(jù)E概率；p(H)是事件H不發(fā)生的先驗(yàn)概率；p(E|H)是事件H不發(fā)生時(shí)論據(jù)E的概率。

由貝葉斯方法衍生，累計(jì)計(jì)算事實(shí)論據(jù)E下的非單一假設(shè)H1-Hi的發(fā)生概率；或給定多事實(shí)論據(jù)E1-En，反向推廣假設(shè)H的發(fā)生概率。

假設(shè)事實(shí)H1-Hi、E1-En相互獨(dú)立且完備，則H1-Hi|E的情況描述如下：

(14)

H1-Hi|En的情況描述如下：

p(Hi|E1E2…En)=

(15)

由于所有組合條件的概率計(jì)算難度較大，所以忽略微小論據(jù)差異，并假設(shè)條件獨(dú)立。式(16)描述了論據(jù)累計(jì)的貝葉斯方法。

p(Hi|E1E2…En)=

(16)

3.3確信因子計(jì)算方法

確信因子通過計(jì)算實(shí)現(xiàn)不同框架內(nèi)不確定性界定。設(shè)框架內(nèi)知識(shí)集Kf={kf1,kf2,…,kfn}，知識(shí)可簡化表達(dá)如下：

kfn=→{cf}(17)

框架的槽值符合率包括可信度計(jì)算(正度量)及不可信計(jì)算(逆度量)，假定原始符合率范圍為[0,1]。設(shè)貝葉斯結(jié)果p'=p(H|E)，定義確信因子槽值正度量函數(shù)MB(p')，逆度量函數(shù)MD(p')，則通過先驗(yàn)條件概率計(jì)算的槽值公式如下所示：

(18)

(19)

將MB(p')，MD(p')綜合為確信因子{cf}，如下：

(20)

因此，{cf}可以表達(dá)知識(shí)的槽值符合率。研究多知識(shí)觸發(fā)的{cf}，最終給出包含知識(shí)全集的框架滿意度：

(21)

3.4校驗(yàn)算法

在獲取不確定性多級(jí)框架滿意度后，需要校驗(yàn)其可信度。設(shè)定單體框架誤差精度λ0，依據(jù)距離偏移誤差公式得：

ψps=F(Tps)-λ0×dkps

(22)

其中，ψps表示在槽值點(diǎn)Tps，預(yù)期結(jié)果F(Tps)與實(shí)際值dkps的偏移差。

計(jì)算平均誤差率及最大誤差率：

(23)

(24)

4 設(shè)計(jì)實(shí)例

以UnMF為基礎(chǔ)，設(shè)計(jì)措施作業(yè)后生產(chǎn)模型，通過分析計(jì)算油田施工后生產(chǎn)數(shù)據(jù)及相關(guān)作業(yè)歷史數(shù)據(jù)，結(jié)合油藏地質(zhì)學(xué)理論知識(shí)和生產(chǎn)經(jīng)驗(yàn)，獲取并發(fā)性油井生產(chǎn)異常，應(yīng)用在大慶油田某采油廠地質(zhì)大隊(duì)、作業(yè)大隊(duì)等相關(guān)單位。

為了縮小地質(zhì)師和作業(yè)工程師的初次界定范圍，規(guī)避客觀環(huán)境影響，通過與油藏學(xué)家及上游生產(chǎn)信息系統(tǒng)(PCEDM)設(shè)計(jì)師的反復(fù)交流和推敲，建立聚驅(qū)區(qū)塊生產(chǎn)異常知識(shí)庫。知識(shí)庫主要實(shí)體結(jié)構(gòu)和實(shí)例說明如圖2所示。

圖2 知識(shí)庫實(shí)體結(jié)構(gòu)

4.1參數(shù)設(shè)置

基于頻域特征，選擇井壁結(jié)垢生產(chǎn)異常作為框架實(shí)例。井壁結(jié)垢指由于聚合物在井壁粘連導(dǎo)致結(jié)垢阻塞[12]，隸屬于油井(一級(jí)框架)，井下故障(二級(jí)故障)，損耗性異常。

框架推理特征選用日產(chǎn)液量，日產(chǎn)油量，含水、動(dòng)液面(或沉沒度)[13]；敏感特征選用油壓、注入濃度、采聚濃度和套管半徑。部分異常界定標(biāo)準(zhǔn)如表1所示。

4.2框架實(shí)例描述

根據(jù)地質(zhì)師對(duì)南三及薩東區(qū)塊經(jīng)驗(yàn)，給出井壁結(jié)垢框架表達(dá)結(jié)構(gòu)，定義tgbj和bh分別代表該井在完鉆記錄中的套管半徑和厚度；定義槽值隸屬度總和S=100；定義環(huán)比下降70%為異常閾值[14]；重點(diǎn)分析注入壓差波動(dòng)率。

4.3知識(shí)表達(dá)

定義KM2表示井壁結(jié)垢框架，框架內(nèi)槽可用KM2C1-KM2C6表示。將KM2框架內(nèi)的知識(shí)歸結(jié)為表2所示規(guī)則。給出知識(shí)傾向度：

U(c)=

(25)

表1 油井生產(chǎn)異常界定標(biāo)準(zhǔn)

表2 規(guī)則及知識(shí)表達(dá)實(shí)例

4.4實(shí)驗(yàn)結(jié)果對(duì)比

為進(jìn)行并發(fā)測(cè)試，同時(shí)選用注入過量異常作為并發(fā)測(cè)試條件。給出結(jié)垢周期內(nèi)產(chǎn)量擬合實(shí)驗(yàn)離散點(diǎn)分布，如圖3所示。

圖3 產(chǎn)油量離散點(diǎn)分布圖

篩選某采油廠南三區(qū)西部區(qū)塊108口油井異常井，計(jì)算所有井的框架隸屬程度。定義隸屬程度閾值為55%。給出與真實(shí)情況的對(duì)比及與常規(guī)方法的數(shù)據(jù)對(duì)比分析，如表3所示。

表3 多方法診斷結(jié)果數(shù)據(jù)對(duì)比

由表3可得到以下結(jié)論：

(1)傳統(tǒng)方法的并發(fā)誤差率較大，處理單異常診斷同樣存在誤差，對(duì)于復(fù)雜因素的分析能力較差。

(2)UnMF處理并發(fā)時(shí)發(fā)生一例誤判，經(jīng)分析后發(fā)現(xiàn)該井屬于長關(guān)井。

(3)真實(shí)現(xiàn)場(chǎng)分析過程準(zhǔn)確率較高，但成本消耗高，實(shí)時(shí)性較差。

以UnMF方法為基礎(chǔ)開發(fā)的故障診斷及預(yù)警系統(tǒng)：三次采油開發(fā)輔助分析系統(tǒng)已經(jīng)正常工作，因其對(duì)專家意見的深度合理分析，較好的自適應(yīng)性和相對(duì)簡單的應(yīng)用過程受到了應(yīng)用單位的好評(píng)。

5 結(jié)束語

為解決知識(shí)推理的并發(fā)性問題，提出一種基于多級(jí)框架的不確定性推理方法。以FC規(guī)則閉包為基礎(chǔ)，借鑒面向?qū)ο笤O(shè)計(jì)思想，采用規(guī)則-知識(shí)衍生方式構(gòu)建產(chǎn)生式系統(tǒng)，設(shè)計(jì)多級(jí)框架結(jié)構(gòu)，引入多元因子參與置信度計(jì)算，完成不確定性知識(shí)庫設(shè)計(jì)；以反射推理方法為基礎(chǔ)實(shí)現(xiàn)正向不確定性推理，應(yīng)用論據(jù)累計(jì)的Bayes方法和確信因子算法消解并發(fā)沖突，同時(shí)提出一種校驗(yàn)算法驗(yàn)證推理置信度。最終將該方法用在油田預(yù)警過程中，提高了油田預(yù)警準(zhǔn)確率30%以上，達(dá)到了提高知識(shí)抽象化程度、實(shí)現(xiàn)并發(fā)計(jì)算并大幅提升推理速度的目的。

[1] 張可佳.基于混合智能的聚驅(qū)區(qū)塊生產(chǎn)動(dòng)態(tài)預(yù)警方法研究[D].大慶:東北石油大學(xué),2016.

[2] 劉立坤.海量文件系統(tǒng)元數(shù)據(jù)查詢方法與技術(shù)[D].北京:清華大學(xué),2011.

[3] Negnevitsky M.人工智能智能系統(tǒng)指南[M].北京:機(jī)械工業(yè)出版社,2012.

[4] 吳信東,謝 飛,黃詠明,等.帶通配符One-Off條件的序列模式挖掘[J].軟件學(xué)報(bào),2013,24(8):1804-1815.

[5] Lautre N K,Manna A.A study on fault diagnosis and maintenance of CNC-WEDM based on binary relational analysis and expert system[J].International Journal of Advanced Manufacturing Technology,2006,29(5):490-498.

[6] 葛林濤,徐桂瓊.基于模糊C均值聚類有效性的協(xié)同過濾算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(1):22-26.

[7] 楊一鳴,潘 嶸,潘嘉林,等.時(shí)間序列分類問題的算法比較[J].計(jì)算機(jī)學(xué)報(bào),2007,30(8):1259-1265.

[8] 孫 昊,李盼池.基于量子粒子群優(yōu)化的油水井措施方案優(yōu)選[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(9):78-82.

[9] 王 虎,丁世飛.序列模式挖掘研究與發(fā)展[J].計(jì)算機(jī)科學(xué),2009,36(12):14-17.

[10] Bi Zhongwei,Zhang Ming,Jin Feng,et al.Study on the prior information quantity and fusion technology applied in inference of rock mechanics parameters with Bayes method[J].Journal of the China Railway Society,2011,33(2):96-100.

[11] Costa P C G D,Laskey K B,Laskey K J.PR-OWL:a Bayesian ontology language for the semantic web[M]//Uncertainty reasoning for the semantic web I.Berlin:Springer,2008:88-107.

[12] 李春生,蘇曉偉,魏 軍,等.基于支持向量機(jī)的抽油機(jī)井功圖識(shí)別研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2014,24(8):215-218.

[13] 伍曉林,楚艷蘋.大慶原油中酸性及含氮組分對(duì)界面張力的影響[J].石油學(xué)報(bào):石油加工,2013,29(4):681-686.

[14] 李春生，魏 軍，王 博，等.油田生產(chǎn)動(dòng)態(tài)預(yù)警模型研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013,23(4)：245-248.

ResearchonMethodofUncertainKnowledgeReasoningBasedonMultilevelFramework

LI Chun-sheng，LANG Min，ZHANG Ke-jia，ZHOU Yun-xia

(College of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China)

In the process of knowledge reasoning applied to the intelligent method,in order to solve the problem of concurrency matching of knowledge and usability,a method of uncertainty reasoning under multi-level framework is designed.With introduction of rule-knowledge derivation,establishment of the production model and design of multi-level frame structure,its precision and accuracy of reasoning is improved effectively;introducing slot value coincidence rate and membership degree as confirmation factor as well as knowledge concurrency matching,the forward-based reasoning is adopted as knowledge reasoning and the Bayes method applied to eliminate conflict in knowledge matching.Experiments on its accuracy and concurrent reasoning have been conducted with some concurrent abnormal samples,which show that its accuracy and concurrent reasoning is promoted greatly,achieving the purpose for reasonable design of knowledge structure and significant improvement in knowledge abstraction,meeting the refinement requirements of complex industrial production in the field of multi concurrent reasoning.The analysis on results of practical testing early dynamic warning for oil well production show that the proposed UnMF method has improved accuracy of early warning,which can reduce the occurrence of abnormal production and therefore is of great significance for stable and efficient industrial production.

frame system；RUU；FC rule closure；reflection technology；productive warning

2016-09-19

2017-01-05 < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2017-07-19

黑龍江省自然科學(xué)基金面上項(xiàng)目(F2015020)；黑龍江省教育科學(xué)技術(shù)研究項(xiàng)目(12511010)；黑龍江大慶市指導(dǎo)性項(xiàng)目(zd-2016-010)；黑龍江省高教學(xué)會(huì)2016年教育科研課題(16Q117)

李春生(1960-)，男，博士，教授，博士生導(dǎo)師，研究方向?yàn)槿斯ぶ悄芗捌鋺?yīng)用、模式識(shí)別與人工智能。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170719.1108.012.html

TP312

A

1673-629X(2017)11-0052-06

10.3969/j.issn.1673-629X.2017.11.011