基于Petri网的仓库火灾预警系统建模优化分析①

陈 帅

(安徽理工大学计算机科学与工程学院，安徽 淮南 232001)

0 引 言

随着信息技术的迅速发展及其广泛的应用，原有的业务流程已经不能满足现实的情形，依据Petri网的相关定义和基本原理对日常生活中的业务流程进行建模，可以更明确的理解业务流程各个活动之间的相互关系及其可达性[1]，便于直观地观察到现有流程存在的缺陷，因此应用行为轮廓及Petri网的相关性质对模型中出现的问题进行建模分析就显得格外重要。Petri网的行为轮廓应用合理的自由选择Petri网，从过程行为方面建立模型，具体数字化Petri网模型间的行为关系，更有利于反映模型内部行为间的相互关系[2]。文献[3]从现有的严格行为等价的不适应性出发，提出了行为轮廓的概念，它能够捕获流程模型的基本行为约束。文献[4]提出了一种基于Petri网行为特征的分析方法，而现有的分析方法大多是基于对Petri网结构特征的分析，忽略了Petri网的行为特征。首先构建行为顺序关系，并对其行为进行分析，构建原始模型，之后通过提出一致性分析的方法对原始模型进行优化，进而得到优化模型。文献[5]提出了在为业务流程建模时，将多个输入模型合并成一个综合模型，并提取其摘要的方法。基于以上背景和Petri网行为轮廓的思想，提出了一种仓库火灾预警系统的优化模型。

1 基本概念

定义1[2](网)用一个三元组表示N=(S,T;F)：

1)S∪T≠∅;

2)S∩T≠∅;

3)F⊆(S×T)∪(T×S);

4)dom(F)∪cod(F)=S∪T;

其中

dom(F)={x∈S∪T|∃y∈S∪T:(x,y)∈F},

cod(F)={x∈S∪T|∃y∈S∪T:(y,x)∈F}。

在上述条件中，S与T是不相交的两个集合，S是库所的集合，T是变迁的集合。F是网N的流关系。

定义2[6](变迁发生规则)一个四元组PN=(S,T;F,M0)称作 Petri 网,当且仅当：

1)N=(S,T;F)为一个网；

2)M:S→Z·为标识(或状态)函数，M0对于变迁是初始标识；

3)发生规则：

①变迁t∈T可以发生，当且仅当∀s∈·t:M(s)≥1，记作M[t>；

②在标识M下使能的变迁发生后，得到一个新的表示M′(记作M[t>M′)，则有

定义3[7](可达性)已知Petri网PN=(S,T;F,M),如果存在t∈T,使M[t>M'则称M'为从M直接可达的；如果存在变迁序列t1,t2,…,tk和标识序列M1,M2,…,MK使得M[t1>M1[t2>M2…Mk-1[tk>Mk则称MK为从M可达的。从M可达的一切标识的集合记为R(M)。

定义4[8](行为轮廓)设(N,M0)是一个网,初始标识为M0。将所有关系的集合称为网系统的行为轮廓,记作BP={→,→-1,+,‖},对任何的变迁对(t1,t2)∈(T×T)满足下面关系：

1)若t1≻t2且t2≯t1，则称严格序关系，记作t1→t2；

2)若t1≯t2且t2≯t1，则称排他关系，记作t1+t2；

3)若t1≻t2且t2≻t1，则称交叉序关系，记作t1‖t2。

2 基于Petri的仓库火灾预警系统模型优化分析

现阶段国内企业的仓库，尤其是中小型企业，仍然在采用非常传统的火灾预警系统，这种系统不仅智能化程度低，而且还存在识别火灾不精准、安装复杂和误报率高的缺点。大多都是在火灾发生后产生警报，这时企业已经受到了一定的损失。如果人们能够在火灾初期及时发现并迅速解决，甚至起到预防的效果，这样就能将企业的损失降到最低。下面利用Petri网对这种情况进行建模分析。

图1 仓库传统火灾预警模型图

图2 仓库火灾预警模型优化图

图1为仓库传统火灾预警模型，仓库监控T1是实时进行的，T1发生后，T2和T3是并发关系，由T2烟雾传感器和T3温度传感器同时进行数据采集，然后T4发生进行信息预处理，T5和T9是一个排他关系，如果信息处理后危险系数超过阈值，T5,T6,T7发生，若危险系数没有超过阈值，则T9,T10,T11,T12发生，待无危险威胁后，T8发生继续监控。监控进行的同时，T13,T14发生，员工对仓库进行巡查，T15和T16是并发关系，T16发生，员工对仓库的各方面进行检查，若有问题则报相关部门处理，若没有问题，则T25,T26发生，员工关好仓门离开。系统虽可以在发生火灾时产生警报，但此时企业已经受到了不小的损失，无法起到预防的效果,图1中变迁文字说明见表1。

表1 图1中变迁文字说明

为了最大化的减小仓库火灾可能给企业造成的损失，通过图2给出了优化后的仓库火灾预警模型图，通过虚线框标示出来的是在增加了几个新的变迁后的优化部分。相对于图1，优化后的火灾预警模型增加了T3(CO传感器)、T4(CO2传感器)两个传感器，和图1相比，这两个传感器可以根据火灾初期不完全燃烧时产生的大量CO和CO2进行预警，预警性能大大提高。T6进行信息预处理后，T7,T8用BP神经网络算法对特征信息进行训练，T9,T10将对特征信息进行模糊逻辑推理，T11将得到的决策结果输出，T12和T15是排他关系，若决策结果为无火灾概率，T13,T14发生，继续监控，若有阴燃火、明火概率，T16,T17,T14发生，报相关部门进行相应的处理，处理完成后继续监控。BP算法的运作模式主要通过四种传感器在仓库中采集来的数据进行网络的学习和训练，在训练过程中不断调整网络的权值和阈值，使网络输出和期望输出尽可能的接近，直到神经网络最后的权矩阵满足此网络的要求为止，之后可把此网络进行泛化处理，以达到可预防火灾的目的，进一步减少企业可能面临的损失，图2中变迁文字说明见表2。

表2 图2中变迁文字说明

3 用PIPE软件对优化后的Petri网模型进行验证

为检验优化后Petri网的正确性和可达性，对优化后的模型图2使用PIPE软件仿真来验证其可行性，如图3所示。

图3 PIPE仿真图

通过仿真，利用State Space Analysis函数，得到的Petri网状态空间图如图4所示。由此可看出优化后的Petri网是正确的、可达的,可以有效对仓库火灾进行警报，减小企业的损失。

图4 Petri网状态空间图

4 结 语

基于Petri网建立了传统的仓库火灾预警模型，同时根据实际场景分析了传统火灾预警模型的不足，在此基础上通过增加库所和变迁给出了优化模型，并使用PIPE软件实验仿真验证其正确性，解决了传统火灾预警模型智能化程度低、识别火灾不精准、误报率高等问题。建立的模型通过增加库所和变迁，运用神经网络对采集到的特征信息进行训练，使系统更加智能，起到了一定的预防作用，进一步减小火灾可能给企业造成的损失，体现了该模型在实际场景中的实用性。