对于复杂的现代工业生产过程,主要是利用工业报警器来监控过程变量,通过对过程变量的处理来判断生产过程是否正常,并对异常工况进行报警,从而保障生产的安全、稳定与高效的运行。通常把误报率(FAR)、漏报率(MAR)作为衡量报警器精确性的指标,将平均时间延迟(AAD)作为衡量灵敏性的指标。在传统的工业报警器设计方法中,假设过程变量统计分布已知的条件下,最小化误报率和漏报率来优化报警器的阈值等参数来实现概率意义上的最优设计。但是在现实生产中,监测环境中的不确定性多变甚至未知,因此很难给出过程变量的精确分布,所以传统基于概率的报警器设计方法不再适用。Dempster-Shafer(DS)证据理论在对随机不确定性与认知不确定性过程变量的描述和推理方面有着巨大的优势。已有学者在过程变量概率特性不完全已知甚至未知的情况下,设计出了基于证据更新滤波方法的工业报警器,并且取得了一定的进展。在此基础上,本文引入置信规则库推理以及证据更新滤波器的多阶形式,来提高此类报警器的性能,主要工作如下:(1)证据更新滤波器在多阶上的推广及报警器设计。针对过程变量在转换成报警证据的过程中会存在信息缺失的问题,利用连续型的模糊隶属函数来替代分段式的模糊隶属度函数实现转换,这样有效的减少了过程变量信息的缺失。为了融合更多的报警信息,以便获取更为精准的报警结果,在二阶证据更新报警器设计的基础上将其推广到多阶形式,使得融合中强调历史信息重要性的同时,细化了当前证据信息的构成,最终得到更为可靠的报警证据及决策结果,通过对比实验分析来说明方法的优越性。(2)基于置信规则推理的多阶证据更新滤波报警器设计。以往的证据更新滤波报警器在融合当前和历史报警证据时,融合权重是通过报警证据间的线性关系求解的,但是这种线性关系不能完全刻画报警证据随时间变化的复杂规律。因此引入置信规则库推理方法,构建报警证据支持度(输入)与融合权重(输出)之间的非线性模型,优化置信规则库的相关参数,使得规则库对输入与输出之间的非线性关系描述的更加精确,通过与线性多阶证据更新报警器设计方法和其他传统方法对比实验分析,说明所提方法的优越性。