過程工業(yè)報(bào)警系統(tǒng)可視化監(jiān)控技術(shù)及應(yīng)用

高慧慧，徐圓，朱群雄

（北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 100029）

引 言

報(bào)警系統(tǒng)，作為過程工業(yè)裝置的首道保護(hù)層[1]及核心組成，其性能優(yōu)劣直接關(guān)系到過程安全、產(chǎn)品質(zhì)量、生產(chǎn)成本甚至人員傷亡。不合理的報(bào)警管理系統(tǒng)極易產(chǎn)生報(bào)警泛濫，大大超出操作員的處理能力，淹沒關(guān)鍵或重要報(bào)警。此外，報(bào)警系統(tǒng)信息冗余繁雜，未能挖掘有價(jià)值信息實(shí)現(xiàn)高效可視化監(jiān)控，報(bào)警系統(tǒng)缺乏定期性能評(píng)估，這些都將導(dǎo)致報(bào)警系統(tǒng)喪失應(yīng)有功能甚至產(chǎn)生錯(cuò)誤導(dǎo)向[2]。最終，微小可控的異常事件會(huì)擴(kuò)大為重大事故，甚至升級(jí)為嚴(yán)重災(zāi)難。為保證報(bào)警系統(tǒng)設(shè)計(jì)合理化，實(shí)現(xiàn)報(bào)警規(guī)范管理，工業(yè)界已產(chǎn)生了一些參考和指導(dǎo)性文件[3-6]。ISA-18.02標(biāo)準(zhǔn)指出，過程報(bào)警管理是一個(gè)連續(xù)過程，對(duì)于已經(jīng)存在的報(bào)警系統(tǒng)，連續(xù)的系統(tǒng)監(jiān)控與常規(guī)的性能評(píng)估是改善與提升報(bào)警系統(tǒng)性能的有效方法，也是基本原則。

利用數(shù)據(jù)可視化技術(shù)[7]，將知識(shí)和數(shù)據(jù)進(jìn)行有機(jī)融合，可以有效監(jiān)控、分析和處理大量報(bào)警信息，實(shí)現(xiàn)非圖形化形式所不能實(shí)現(xiàn)的目的，如模式挖掘、聚類、異常監(jiān)測(cè)等，幫助操作員理解過程信息及報(bào)警狀態(tài)，及時(shí)做出正確響應(yīng)，減少或避免人為失誤。除了過程變量趨勢(shì)曲線、報(bào)警總貌畫面、報(bào)警分組畫面等工業(yè)上普遍存在的可視化圖形外，有學(xué)者提出了高密度報(bào)警圖[8]、報(bào)警相似度色彩圖[9]、相關(guān)色彩圖[10]、時(shí)間序列剖面數(shù)據(jù)矩陣[11]、報(bào)警爆發(fā)率圖[12]等可視化工具，并采用凝聚層次聚類樹形結(jié)構(gòu)對(duì)報(bào)警進(jìn)行可視化聚類、分組，實(shí)現(xiàn)報(bào)警頻繁模式、關(guān)聯(lián)模式挖掘，從而幫助操作員快速識(shí)別滋擾報(bào)警以及過程不穩(wěn)定等異常。但上述可視化方法仍存在一些不足：①單張圖譜顯示的報(bào)警信息過多，非常雜亂，并不利于操作員檢查分析；②僅僅基于數(shù)據(jù)驅(qū)動(dòng)，利用報(bào)警數(shù)據(jù)和過程數(shù)據(jù)進(jìn)行分析，未能和過程知識(shí)進(jìn)行有機(jī)融合和相互驗(yàn)證，資源利用不充分；③未能對(duì)報(bào)警等級(jí)進(jìn)行劃分及分層分級(jí)展示，無法識(shí)別關(guān)鍵報(bào)警，未能解決操作員處理報(bào)警的盲目性；④無法展示動(dòng)態(tài)報(bào)警信息，無法快速識(shí)別報(bào)警根源。因此，需設(shè)計(jì)合適的報(bào)警信息可視化圖像，提高操作員對(duì)報(bào)警系統(tǒng)管理的效率。

為解決上述問題，本文對(duì)報(bào)警系統(tǒng)可視化監(jiān)控技術(shù)進(jìn)行了一定研究，并設(shè)計(jì)構(gòu)建了一些新型的可視化工具：基于信息融合的解釋結(jié)構(gòu)模型（information fusion based interpretative structural modelling，IFISM），層次高密度報(bào)警圖（hierarchical high density alarm plot，HHDAP），層次優(yōu)先級(jí)圖（hierarchical priority plot，HPP），報(bào)警系統(tǒng)性能水平趨勢(shì)圖（performance level trend plot，PLTP）。以采用自尋優(yōu)控制策略的TE過程為例[13]，清晰闡明了本文提出的新型可視化監(jiān)控技術(shù)的特色和優(yōu)勢(shì)。

1 新型可視化監(jiān)控技術(shù)及工具

報(bào)警系統(tǒng)監(jiān)控的目的就是識(shí)別報(bào)警系統(tǒng)中存在的問題，并采取糾正措施解決問題。監(jiān)控技術(shù)及工具的可靠性、可視性及可理解性直接影響報(bào)警系統(tǒng)監(jiān)控過程的效率，進(jìn)而影響報(bào)警系統(tǒng)性能甚至過程安全。

1.1 基于信息融合的解釋結(jié)構(gòu)模型——IFISM

在實(shí)際化工過程中存在著大量能量流、質(zhì)量流、信號(hào)流以及物理連接路徑，而異常事件會(huì)沿著上述連接路徑進(jìn)行傳播、擴(kuò)散，導(dǎo)致大量報(bào)警信號(hào)產(chǎn)生。過程拓?fù)湫畔⒌挠行Й@取及表達(dá)對(duì)挖掘故障傳播路徑，識(shí)別報(bào)警變量間的因果關(guān)系非常重要。有學(xué)者依據(jù)過程知識(shí)，建立符號(hào)有向圖[14]、多級(jí)流模型[15]、計(jì)算機(jī)輔助工程交換模型[16]等實(shí)現(xiàn)過程拓?fù)湫畔⒑彤惓鞑ヂ窂将@取，也有學(xué)者基于數(shù)據(jù)驅(qū)動(dòng)，利用互相關(guān)分析[10]、傳遞熵計(jì)算[17]、貝葉斯網(wǎng)絡(luò)[18]等建立因果模型。但上述模型未實(shí)現(xiàn)過程知識(shí)和過程數(shù)據(jù)兩種信息的有機(jī)融合，缺乏層次特性和傳播路徑動(dòng)態(tài)可視性。解釋結(jié)構(gòu)模型（interpretive structural model，ISM）可以有效識(shí)別復(fù)雜過程中不同元素之間的內(nèi)在關(guān)系，通過添加元素之間的有向連接，可將模糊、不清晰的系統(tǒng)模型轉(zhuǎn)變?yōu)榍逦?、可視的層次模型，目前已得到了廣泛成功應(yīng)用[19]。因此，本文首先利用過程數(shù)據(jù)建立初始解釋結(jié)構(gòu)模型，然后利用過程知識(shí)對(duì)該模型進(jìn)行修正，最終生成基于信息融合的解釋結(jié)構(gòu)模型IFISM，實(shí)現(xiàn)過程拓?fù)淠Ｐ偷臉?gòu)建，即靜態(tài)解釋結(jié)構(gòu)模型。在實(shí)際生產(chǎn)過程中，依據(jù)報(bào)警先后順序，實(shí)時(shí)標(biāo)注各變量的報(bào)警信息，由此形成了一種動(dòng)態(tài)IFISM模型，處于相同或不同層次的報(bào)警變量構(gòu)成了一條或多條因果鏈，不僅有利于操作員及時(shí)掌握過程信息，更有利于操作員進(jìn)行報(bào)警根源分析，實(shí)現(xiàn)因果報(bào)警識(shí)別。

1.1.1 靜態(tài)IFISM模型 靜態(tài)IFISM模型旨在實(shí)現(xiàn)過程拓?fù)浣Y(jié)構(gòu)的層次可視化，其建立過程可分為以下幾個(gè)步驟：

（1）識(shí)別要研究的過程工業(yè)變量，剔除不重要或冗余變量；

（2）采集過程變量穩(wěn)態(tài)運(yùn)行數(shù)據(jù)，計(jì)算變量之間的偏相關(guān)系數(shù)，建立初始結(jié)構(gòu)鄰接矩陣（structural adjacent matrix，SAM）；

（3）利用過程知識(shí)僅需對(duì)變量之間的雙向連接和直接連接關(guān)系進(jìn)行修正，生成最終SAM；

（4）根據(jù) SAM 產(chǎn)生可達(dá)矩陣（reachability matrix），根據(jù)可達(dá)矩陣實(shí)現(xiàn)層次劃分，并添加有向邊連接。

1.1.2 動(dòng)態(tài)IFISM模型 動(dòng)態(tài)IFISM模型是在靜態(tài)IFISM模型的基礎(chǔ)上，實(shí)時(shí)標(biāo)記報(bào)警變量信息，建立規(guī)則如下：對(duì)于連續(xù)反應(yīng)過程的每一時(shí)刻t，分別記錄當(dāng)前時(shí)刻的報(bào)警變量集合R(t)，對(duì)于R(t)的任意變量x，且x不屬于R(t?1)，若：

（1）x與R(t?1)中的某一變量存在直接因果關(guān)系時(shí)，在IFISM模型中使用色彩標(biāo)記變量x的報(bào)警信息以及對(duì)應(yīng)的有向連接路徑。

（2）x僅與R(t?1)中的某一變量通過中間變量y存在間接因果關(guān)系時(shí)，若變量y在時(shí)間間隔T內(nèi)產(chǎn)生了報(bào)警，則采用如（1）相同的方法標(biāo)記；若變量y在T內(nèi)始終未報(bào)警，則x為誤報(bào)，不予標(biāo)記。

（3）x與R(t?1)中任何變量都不存在連接關(guān)系時(shí)，則認(rèn)定該變量為新的報(bào)警根源變量，并用色彩標(biāo)記。若R(t)含多個(gè)變量，則表明此時(shí)有多個(gè)報(bào)警根源。

重復(fù)以上建立過程，當(dāng)過程變量恢復(fù)到正常狀態(tài)時(shí)，即可消除報(bào)警標(biāo)記。

1.2 層次高密度報(bào)警圖——HHDAP

依據(jù)IFISM模型層次劃分結(jié)果，對(duì)報(bào)警變量進(jìn)行層間排序。針對(duì)每一個(gè)報(bào)警變量，以10 min間隔為單位，對(duì)報(bào)警次數(shù)進(jìn)行色彩編碼。相比高密度報(bào)警圖，HHDAP不僅可識(shí)別裝置異常時(shí)間、抖振報(bào)警，還可對(duì)所有報(bào)警變量進(jìn)行層次展示，便于直觀分析關(guān)聯(lián)報(bào)警。

1.3 層次優(yōu)先級(jí)圖——HPP

報(bào)警優(yōu)先級(jí)劃分，有助于操作員在任意時(shí)刻快速識(shí)別關(guān)鍵報(bào)警和重要報(bào)警，尤其在報(bào)警活躍或報(bào)警泛濫時(shí)期，操作員可針對(duì)優(yōu)先級(jí)高的報(bào)警及時(shí)采取必要措施，保證過程安全，減少損失。報(bào)警變量層次優(yōu)先級(jí)圖HPP，按照?qǐng)?bào)警變量的優(yōu)先級(jí)數(shù)值大小進(jìn)行分層降序排列，可以更加鮮明形象化的表征各變量的重要性，以及重要程度。針對(duì)優(yōu)先級(jí)確定方法，有學(xué)者利用模糊差異驅(qū)動(dòng)算法對(duì)報(bào)警變量進(jìn)行排序[20-21]，也有學(xué)者構(gòu)建包含潛在危害發(fā)生概率P、影響程度I和過程安全時(shí)間三者在內(nèi)的綜合模型對(duì)報(bào)警變量進(jìn)行優(yōu)先級(jí)排序[22-23]。本文采用改進(jìn)的李克特量表，計(jì)算各報(bào)警變量的相對(duì)重要性指數(shù)作為重要性度量值，從而構(gòu)建層次優(yōu)先級(jí)圖。

1.4 性能水平趨勢(shì)圖——PLTP

由于傳感器老化、過程條件改變或者報(bào)警管理政策不到位，極有可能導(dǎo)致報(bào)警系統(tǒng)惡化。為明確現(xiàn)有報(bào)警系統(tǒng)性能是否合乎要求，需對(duì)報(bào)警系統(tǒng)進(jìn)行定期性能評(píng)估。本文基于EEMUA NO.191提出的五級(jí)性能水平模型，通過計(jì)算報(bào)警系統(tǒng)在特定時(shí)間內(nèi)的3個(gè)KPIs數(shù)值，確定目前的報(bào)警系統(tǒng)性能水平，描繪性能水平趨勢(shì)圖 PLTP，便于及時(shí)獲知報(bào)警系統(tǒng)性能信息，提早采取解決措施。

2 TE過程實(shí)例分析

TE過程[24]是由美國(guó) Eastman化學(xué)公司創(chuàng)建的一個(gè)模仿實(shí)際工業(yè)過程的仿真模型，已成為過程控制、過程監(jiān)控、故障診斷和報(bào)警優(yōu)化等領(lǐng)域的主要研究對(duì)象。由于TE過程開環(huán)不穩(wěn)定，目前已有多種控制結(jié)構(gòu)和策略可以實(shí)現(xiàn)有效控制。本文以采用自尋優(yōu)控制策略的TE過程[13]為例對(duì)上述可視化技術(shù)和工具進(jìn)行分析研究，并做如下兩點(diǎn)說明：

（1）為減少冗余和不必要報(bào)警，首先排除 19個(gè)成分變量和壓縮機(jī)功率測(cè)量值，壓縮機(jī)循環(huán)閥門、汽提塔蒸汽閥門、攪拌速度在控制方案中保持不變，也可忽略；余下的9個(gè)操作變量分別和各自的連續(xù)測(cè)量變量值相一致，也可忽略；因此，最終選取21個(gè)連續(xù)測(cè)量變量作為TE過程的報(bào)警設(shè)置點(diǎn)即IFISM模型變量，并對(duì)其進(jìn)行編號(hào)：①物料A流量；②物料D流量；③物料E流量；④物料A和C混合流量；⑤回收流量；⑥反應(yīng)器進(jìn)料率；⑦反應(yīng)器壓力；⑧反應(yīng)器液位；⑨反應(yīng)器溫度；⑩放空率；分離器溫度；分離器液位；分離器壓力；分離器出流量；汽提塔液位；汽提塔壓力；汽提塔出流量；汽提塔溫度；汽提塔蒸汽流量；反應(yīng)器冷卻水出口溫度；分離器冷卻水出口溫度。

（2）對(duì)IFISM模型中的21個(gè)變量設(shè)定高報(bào)、低報(bào)兩種類型報(bào)警，報(bào)警限設(shè)置采用工業(yè)上常用的3σ方法。

2.1 TE過程靜態(tài)IFISM模型

依據(jù)1.1.1節(jié)所述的4個(gè)步驟構(gòu)建TE過程的靜態(tài)IFISM模型，如圖1。

由圖 1可知，TE過程層次拓?fù)淠Ｐ凸舶?3層，分別為Ⅰ、Ⅱ、Ⅲ。處于頂層即Ⅰ層的變量?jī)H受與其可達(dá)的上游變量影響，而不會(huì)影響其他變量；處于底層即Ⅲ層的變量?jī)H會(huì)影響與其可達(dá)的下游變量，而不受其他變量影響，處于中間層即Ⅱ?qū)拥淖兞考仁苌嫌位蛲瑢幼兞坑绊懀瑫r(shí)也會(huì)影響下游或同層變量。進(jìn)一步分析處于Ⅱ?qū)拥乃?18個(gè)變量，每一個(gè)變量都可通過直接或間接連接路徑到達(dá)其余 17個(gè)變量，即該層的所有變量處于同一個(gè)環(huán)路當(dāng)中。靜態(tài)IFISM模型充分利用過程數(shù)據(jù)和過程知識(shí)實(shí)現(xiàn)了過程拓?fù)浣Y(jié)構(gòu)的層次可視化，方便操作員掌握變量之間的直接和間接有向影響關(guān)系及連接路徑，從而有助于報(bào)警根源分析。

圖1 TE過程靜態(tài)IFISM模型Fig.1 Static IFISM model of TE process

圖2 動(dòng)態(tài)IFISM模型——IDV(1)Fig.2 Dynamic IFISM model of TE process under IDV(1)

2.2 TE過程動(dòng)態(tài)IFISM模型——IDV(1)

運(yùn)行TE仿真模型達(dá)到平穩(wěn)后，施加階躍干擾IDV(1)(流量4中A/C比率變化，B恒定)，依據(jù)時(shí)長(zhǎng)為2000 min的實(shí)時(shí)報(bào)警數(shù)據(jù)構(gòu)建動(dòng)態(tài)IFISM模型，分析報(bào)警根源，如圖2所示。

根據(jù)圖 2，可方便得知因果報(bào)警傳遞路徑（加粗紅線），利用該路徑進(jìn)行反向檢驗(yàn)，處于路徑根部變量即為報(bào)警根源。對(duì)于圖2，變量4為報(bào)警根源，與施加的干擾源相一致。

2.3 層次高密度報(bào)警圖——IDV(1)

利用時(shí)長(zhǎng)為2000 min的實(shí)時(shí)數(shù)據(jù)（在6 bin時(shí)刻施加IDV(1)干擾：之前為正常工況，之后為異常工況），建立層次高密度報(bào)警圖，如圖3。該圖像對(duì)21個(gè)報(bào)警變量進(jìn)行了分層次展示，列出了每10 min內(nèi)的總報(bào)警次數(shù)（Sum），并進(jìn)行了色彩編碼，一目了然。從 6 bin時(shí)刻起，Tag1、Tag4、Tag5、Tag6等變量報(bào)警次數(shù)明顯增加，總報(bào)警次數(shù)Sum明顯超過10次，表明裝置運(yùn)行出現(xiàn)了異常。Tag5和Tag6報(bào)警次數(shù)相當(dāng)，明顯為關(guān)聯(lián)報(bào)警，事實(shí)上，由圖 2也可看出，兩者為因果報(bào)警。有些變量的報(bào)警次數(shù)在短時(shí)間內(nèi)發(fā)生突變，極有可能為抖振報(bào)警，如Tag9、Tag20等。

圖3 層次高密度報(bào)警圖——IDV(1)Fig.3 Hierarchical high density alarm plot under IDV(1)

圖4 層次優(yōu)先級(jí)圖Fig.4 Hierarchical priority plot

2.4 層次優(yōu)先級(jí)圖

利用施加IDV(1)后時(shí)長(zhǎng)為2000 min的報(bào)警數(shù)據(jù)建立李克特量表，計(jì)算各個(gè)層次內(nèi)報(bào)警變量的相對(duì)重要性指數(shù)，建立層次優(yōu)先級(jí)圖，如圖4所示。

數(shù)值越大，優(yōu)先級(jí)越高。根據(jù)ISA18.02標(biāo)準(zhǔn)，優(yōu)先級(jí)設(shè)定比例為高:中:低=80%:15%:5%，位于Ⅱ?qū)拥?Tag4優(yōu)先級(jí)最高，Tag1、Tag18、Tag11依次為中優(yōu)先級(jí)，其余的為低優(yōu)先級(jí)。層次優(yōu)先級(jí)圖可以幫助操作員識(shí)別各個(gè)層次的關(guān)鍵報(bào)警，減少處理盲目性，同時(shí)對(duì)于處于低優(yōu)先級(jí)的報(bào)警變量，可延時(shí)處理甚至抑制報(bào)警，減少了報(bào)警數(shù)量。

2.5 性能水平趨勢(shì)圖

依據(jù)實(shí)時(shí)報(bào)警數(shù)據(jù)，計(jì)算報(bào)警系統(tǒng)在30 d內(nèi)的3個(gè)關(guān)鍵性能指標(biāo)：平均報(bào)警率、峰值報(bào)警率和超出期望報(bào)警率的時(shí)間百分比，確定報(bào)警系統(tǒng)的性能水平級(jí)別，描繪性能水平趨勢(shì)圖。該趨勢(shì)圖共包含4個(gè)子圖：第1個(gè)子圖為性能水平定性趨勢(shì)，分為5個(gè)等級(jí)；位于子圖1下方的3個(gè)子圖為決定性能水平的3個(gè)關(guān)鍵性能指標(biāo)定量趨勢(shì)。如圖5所示。

在第2 d，施加干擾，3個(gè)關(guān)鍵性能指標(biāo)值驟然增大，產(chǎn)生報(bào)警泛濫，報(bào)警系統(tǒng)性能水平發(fā)生惡化，由Level5—predictive降為L(zhǎng)evel2—reactive，喪失了報(bào)警原有功能，極易導(dǎo)致危險(xiǎn)發(fā)生，此時(shí)應(yīng)采取必要的優(yōu)化措施，并對(duì)異常進(jìn)行排查處理。此時(shí)采用本文提出的解決報(bào)警泛濫的方法及可視化工具對(duì)現(xiàn)有報(bào)警系統(tǒng)進(jìn)行優(yōu)化，識(shí)別冗余報(bào)警、關(guān)聯(lián)報(bào)警以及抖振報(bào)警，找出報(bào)警根源，并且優(yōu)先處理關(guān)鍵報(bào)警，最終報(bào)警系統(tǒng)性能水平穩(wěn)定在 Level4—robust，在一定程度上解決了報(bào)警泛濫問題,提升了報(bào)警系統(tǒng)性能水平。

圖5 性能水平趨勢(shì)Fig.5 Performance level trend plot

3 結(jié)論及展望

針對(duì)目前報(bào)警系統(tǒng)中普遍存在的也是較難解決的報(bào)警泛濫問題以及報(bào)警可視化監(jiān)控存在的問題，本文分別從過程遞階模型建立、因果報(bào)警等滋擾報(bào)警識(shí)別、報(bào)警優(yōu)先級(jí)劃分3個(gè)主要方面入手，設(shè)計(jì)并構(gòu)建了新型可視化工具：基于信息融合的解釋結(jié)構(gòu)模型（靜態(tài)、動(dòng)態(tài)）IFISM、層次高密度報(bào)警圖HHDAP、層次優(yōu)先級(jí)圖HPP，幫助操作員快速、及時(shí)、準(zhǔn)確地掌握過程報(bào)警信息并做出響應(yīng)。在可視化監(jiān)控的同時(shí)，還需對(duì)報(bào)警系統(tǒng)進(jìn)行常規(guī)性能評(píng)估，為此，本文還構(gòu)建了報(bào)警系統(tǒng)性能水平趨勢(shì)圖 PLTP，以實(shí)現(xiàn)報(bào)警系統(tǒng)可視化性能測(cè)量及評(píng)估，幫助決策者采取早期修正措施。以TE過程為例，分別闡明了上述可視化工具的優(yōu)勢(shì)，從一定程度上減少了報(bào)警數(shù)量，緩解了報(bào)警泛濫現(xiàn)象。

報(bào)警系統(tǒng)可視化監(jiān)控及性能評(píng)估是報(bào)警管理生命周期的重要階段。除了本文提出的可視化技術(shù)及工具外，還存在很多問題值得研究與探索。

（1）目前報(bào)警優(yōu)先級(jí)劃分多為靜態(tài)優(yōu)先級(jí)，未考慮過程狀態(tài)變化時(shí)優(yōu)先級(jí)的動(dòng)態(tài)調(diào)整。根據(jù)EEMUA NO.191標(biāo)準(zhǔn)，應(yīng)根據(jù)過程演變對(duì)報(bào)警變量設(shè)定動(dòng)態(tài)優(yōu)先級(jí)，實(shí)時(shí)保證過程安全。

（2）將統(tǒng)計(jì)分析方法和數(shù)據(jù)挖掘算法相結(jié)合，對(duì)報(bào)警泛濫模式進(jìn)行充分挖掘、提取，并建立可視化圖形，幫助操作員了解報(bào)警發(fā)生的規(guī)律，制定并采取響應(yīng)措施。

（3）現(xiàn)有的可視化工具開發(fā)缺乏對(duì)操作員影響因素的充分考慮，致使工具可視性及可理解性差，未能有效幫助操作員處理報(bào)警。因此，應(yīng)基于人體工程學(xué)理念設(shè)計(jì)可視化圖形，同時(shí)結(jié)合報(bào)警系統(tǒng)性能指標(biāo)，將操作員滿意度融入到報(bào)警系統(tǒng)性能評(píng)估當(dāng)中，加強(qiáng)系統(tǒng)柔性管理。

[1]Stauffer T, Clarke P. Using alarms as a layer of protection //AIChE 8th Global Congress on Process Safety [C]. Houston, TX, 2012

[2]Zhu Qunxiong (朱群雄), Gao Huihui (高慧慧), Liu Feifei (劉菲菲),et al. Research progress of alarm systems in the process industries [J].Computers and Applied Chemistry(計(jì)算機(jī)與應(yīng)用化學(xué)), 2014, 31(2): 129-134

[3]Hollifield B R, Habibi E. The Alarm Management Handbook: A Comprehensive Guide [M]. Huston, Texas: PAS, 2006

[4]EEMUA. Alarm Systems: A Guide to Design, Management, and Procurement [M]. 2nd ed. London, UK: EEMUA, 2007

[5]Rothenberg D H. Alarm Management for Process Control [M]. New York: Momentum Press, 2009

[6]ISA. Management of Alarm Systems for the Process Industries [R].Technical Report ANSI/ISA -18.2-2009, 2009

[7]Ghaoui C. Encyclopedia of Human Computer Interaction [M]. IGI Global, 2006

[8]Kondaveeti S R, Izadi I, Shah S L,et al. Graphical tools for routine assessment of industrial alarm systems[J].Computers & Chemical Engineering, 2012, 46: 39-47

[9]Akatsukaa S, Nodab M. Similarity analysis of sequential alarms in plant operation data by using Levenshtein distance//Proceedings of the 6th International Conference on Process Systems Engineering(PSE ASIA)[C]. 2013, 25: 27

[10]Yang F, Shah S L, Xiao D,et al. Improved correlation analysis and visualization of industrial alarm data [J].ISA Transactions, 2012, 51(4): 499-506

[11]Chen Y, Lee J. Autonomous mining for alarm correlation patterns based on time-shift similarity clustering in manufacturing system//Prognostics and Health Management (PHM), 2011 IEEE Conference on [C]. IEEE, 2011: 1-8

[12]Ahmed K, Izadi I, Chen T,et al. Similarity analysis of industrial alarm flood data [J].Automation Science and Engineering,IEEE Transactions on, 2013, 10 (2): 452-457

[13]Larsson T, Hestetun K, Hovland E,et al. Self-optimizing control of a large-scale plant: the Tennessee Eastman process [J].Industrial &Engineering Chemistry Research, 2001, 40 (22): 4889-4901

[14]Yang F, Shah S L, Xiao D. SDG (Signed Directed Graph)based process description and fault propagation analysis for a tailings pumping process//Proceedings of the 13th IFAC Symposium on Automation in Mining, Mineral and Metal Processing [C]. Cape Town,South Africa, 2010: 50-55

[15]Dahlstrand F. Consequence analysis theory for alarm analysis[J].Knowledge-Based Systems, 2002, 15 (1): 27-36

[16]Schleburg M, Christiansen L, Thornhill N F,et al. A combined analysis of plant connectivity and alarm logs to reduce the number of alerts in an automation system [J].Journal of Process Control, 2013,23 (6): 839-851

[17]Bauer M, Cox J W, Caveness M H,et al. Finding the direction of disturbance propagation in a chemical process using transfer entropy[J].Control Systems Technology,IEEE Transactions on, 2007, 15 (1):12-21

[18]Dey S, Stori J A. A Bayesian network approach to root cause diagnosis of process variations [J].International Journal of Machine Tools and Manufacture, 2005, 45 (1): 75-91

[19]Ansari M F, Kharb R K, Luthra S,et al. Analysis of barriers to implement solar power installations in India using interpretive structural modeling technique [J].Renewable and Sustainable Energy Reviews, 2013, 27: 163-174

[20]Zhu Q X, Geng Z Q. A new fuzzy clustering-ranking algorithm and its application in process alarm management [J].Chinese Journal of Chemical Engineering, 2005, 13 (4): 477-483

[21]Geng Z, Zhu Q, Gu X. A fuzzy clustering–ranking algorithm and its application for alarm operating optimization in chemical processing[J].Process Safety Progress, 2005, 24 (1): 66-75

[22]Chang Y, Khan F, Ahmed S. A risk-based approach to design warning system for processing facilities [J].Process Safety and Environmental Protection, 2011, 89 (5): 310-316

[23]Ahmed S, Gabbar H A, Chang Y,et al. Risk based alarm design: a systems approach//Advanced Control of Industrial Processes (ADCONIP),2011 International Symposium on [C]. IEEE, 2011: 42-47

[24]Downs J J, Vogel E F. A plant-wide industrial process control problem[J].Computers & Chemical Engineering, 1993, 17 (3): 245-255