自適應(yīng)綜合指標(biāo)的化工過(guò)程參數(shù)報(bào)警閾值優(yōu)化方法研究

羅 靜，胡瑾秋

自適應(yīng)綜合指標(biāo)的化工過(guò)程參數(shù)報(bào)警閾值優(yōu)化方法研究

羅 靜，胡瑾秋*

中國(guó)石油大學(xué)(北京)機(jī)械與儲(chǔ)運(yùn)工程學(xué)院，北京 102249

面臨日益復(fù)雜的化工過(guò)程生產(chǎn)裝置，提高化工過(guò)程報(bào)警系統(tǒng)的性能有著重要的指導(dǎo)意義。傳統(tǒng)的化工過(guò)程參數(shù)報(bào)警閾值設(shè)置方法一般只考慮誤報(bào)警，并沒(méi)有同時(shí)考慮誤報(bào)警和漏報(bào)警，導(dǎo)致報(bào)警系統(tǒng)產(chǎn)生大量的錯(cuò)誤報(bào)警。針對(duì)上述問(wèn)題，提出自適應(yīng)綜合指標(biāo)的報(bào)警閾值優(yōu)化方法。采用核密度估計(jì)方法、基于歷史數(shù)據(jù)對(duì)過(guò)程報(bào)警狀態(tài)進(jìn)行估計(jì)，綜合考慮誤報(bào)警率和漏報(bào)警率，從而建立優(yōu)化報(bào)警閾值的目標(biāo)函數(shù)，將數(shù)值優(yōu)化算法內(nèi)嵌于粒子群算法形成新的算法進(jìn)行求解。案例分析中將此方法應(yīng)用于TE過(guò)程，結(jié)果表明，用此方法設(shè)置的報(bào)警閾值監(jiān)測(cè)誤報(bào)率為0，漏報(bào)率為0.78％。與傳統(tǒng)的3σ法相比，此方法能夠在保證低漏報(bào)率的條件下有效降低誤報(bào)警率，提高化工過(guò)程報(bào)警系統(tǒng)的性能，減輕現(xiàn)場(chǎng)操作人員的工作壓力，減少人員生命財(cái)產(chǎn)損失。

自適應(yīng)；綜合指標(biāo)；誤報(bào)警；漏報(bào)警；核密度估計(jì)；粒子群算法

0 引言

化工生產(chǎn)過(guò)程日益復(fù)雜，具有大量的過(guò)程數(shù)據(jù)，及時(shí)準(zhǔn)確地判斷這些過(guò)程數(shù)據(jù)的異常狀況關(guān)乎到化工生產(chǎn)過(guò)程的安全性與可靠性，進(jìn)而關(guān)乎到人員生命財(cái)產(chǎn)安全。因此，提高過(guò)程參數(shù)報(bào)警系統(tǒng)的性能具有重大意義。當(dāng)前工業(yè)過(guò)程中存在著報(bào)警數(shù)目多的問(wèn)題，根據(jù)WIT的研究[1]，操作員有效處理的報(bào)警為每天150個(gè)(每10分鐘1個(gè)報(bào)警)，一天最多處理300個(gè)報(bào)警(每5分鐘1個(gè)報(bào)警)，而在實(shí)際過(guò)程中則遠(yuǎn)遠(yuǎn)超出這個(gè)數(shù)字。報(bào)警數(shù)目多的直接原因是報(bào)警閾值設(shè)置的不合理，閾值范圍設(shè)置得過(guò)小會(huì)產(chǎn)生過(guò)多的報(bào)警，其中大部分為誤報(bào)警[2-4]。相反，如果閾值范圍設(shè)置得過(guò)大可能會(huì)漏掉重要報(bào)警，報(bào)警系統(tǒng)將失去作用。

常見(jiàn)的過(guò)程參數(shù)報(bào)警閾值的設(shè)置分為3類：(1)基于模型的方法；(2)基于知識(shí)的方法；(3)基于統(tǒng)計(jì)的方法。文獻(xiàn)[5]建立了在線和離線模型進(jìn)行報(bào)警閾值的優(yōu)化；文獻(xiàn)[6]根據(jù)數(shù)據(jù)的伯努利分布特性，在多變量統(tǒng)計(jì)過(guò)程中構(gòu)建統(tǒng)計(jì)量的二級(jí)的控制限，減少了誤報(bào)警；文獻(xiàn)[7]將模糊神經(jīng)網(wǎng)絡(luò)和遺傳算法用于閾值估計(jì)的訓(xùn)練；文獻(xiàn)[8]提出核密度估計(jì)方法得到多元統(tǒng)計(jì)量的概率密度函數(shù)，之后由等概率密度曲線得到數(shù)據(jù)分布的正常區(qū)間。在實(shí)際工業(yè)過(guò)程中應(yīng)用最多的是3σ閾值設(shè)定方法，它是根據(jù)過(guò)程參數(shù)在正常狀態(tài)的歷史數(shù)據(jù)，計(jì)算分別得到其均值μ和方差σ，將閾值范圍設(shè)在區(qū)間內(nèi)。根據(jù)概率論知識(shí)，落在此區(qū)間內(nèi)的概率為99.73％，而落在此范圍外的概率僅為0.27％，屬于小概率事件。然而，以上方法在設(shè)置閾值時(shí)一般只考慮誤報(bào)警，并沒(méi)有同時(shí)考慮漏報(bào)警，導(dǎo)致報(bào)警系統(tǒng)產(chǎn)生大量的錯(cuò)誤報(bào)警。

鑒于此，提出自適應(yīng)綜合指標(biāo)的報(bào)警閾值優(yōu)化方法。采用核密度估計(jì)方法、基于歷史數(shù)據(jù)對(duì)過(guò)程報(bào)警狀態(tài)進(jìn)行估計(jì)，綜合誤報(bào)警率和漏報(bào)警率，建立優(yōu)化報(bào)警閾值的目標(biāo)函數(shù)，將數(shù)值優(yōu)化算法內(nèi)嵌于粒子群算法形成新的算法進(jìn)行求解。此方法能夠有效減少誤報(bào)警和漏報(bào)警次數(shù)，提高化工過(guò)程報(bào)警系統(tǒng)的性能，在減少現(xiàn)場(chǎng)操作人員工作壓力的同時(shí)又能夠捕捉到重要報(bào)警信息，保證現(xiàn)場(chǎng)安全，減少人員生命財(cái)產(chǎn)損失。

1 自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法的基本概念

1.1 核密度估計(jì)

為了構(gòu)造報(bào)警閾值優(yōu)化的目標(biāo)函數(shù)，需要利用核密度估計(jì)方法來(lái)估計(jì)過(guò)程參數(shù)的報(bào)警狀態(tài)，以確定誤報(bào)警和漏報(bào)警。核密度估計(jì)(Kernel Density Estimation, KDE)是一類基于概率密度函數(shù)的非參數(shù)估計(jì)法，它從數(shù)據(jù)樣本本身出發(fā)研究數(shù)據(jù)分布的特征。KDE基于歷史數(shù)據(jù)估計(jì)未知總體的概率密度函數(shù)，使估計(jì)的密度函數(shù)與真正的密度函數(shù)間的均方積分誤差最小。KDE的表達(dá)式為：

式中，xi為歸一化后的自變量；f(x)為自變量概率密度的估計(jì)值，取f(x)=0.99時(shí)的自變量，返歸一化后得到自變量閾值δ；r為樣本數(shù)；d為空間的維數(shù)；f(x)為核函數(shù)，本文選用高斯核函數(shù)；h為窗寬，一維最優(yōu)窗寬的計(jì)算公式為

選定樣本后，根據(jù)式(1)和(2)計(jì)算每個(gè)樣本點(diǎn)的概率密度值，以其作為縱坐標(biāo)，樣本點(diǎn)作為橫坐標(biāo)，運(yùn)用KDE方法得到過(guò)程參數(shù)概率密度函數(shù)曲線(如圖1所示)。圖中，左側(cè)曲線為正常數(shù)據(jù)分布曲線，右側(cè)曲線為異常數(shù)據(jù)分布曲線，豎線所對(duì)應(yīng)的橫坐標(biāo)為參數(shù)報(bào)警閾值，異常數(shù)據(jù)分布曲線下低于報(bào)警閾值部分的區(qū)域面積是漏報(bào)率的概率，正常數(shù)據(jù)分布曲線下超出報(bào)警閾值部分的區(qū)域面積是誤報(bào)率的概率。

圖1 過(guò)程參數(shù)概率密度Fig. 1 Process parameters probability density

根據(jù)最小錯(cuò)誤率貝葉斯決策理論[16]，誤報(bào)警和漏報(bào)警發(fā)生的概率可以通過(guò)式(3)、(4)計(jì)算：

式中，f(x|ω1)為正常情況下的概率密度函數(shù)；f(x|ω2)為異常情況下的概率密度函數(shù)；t為報(bào)警閾值。可見(jiàn)，若報(bào)警閾值設(shè)置過(guò)大，誤報(bào)警的概率變小，而漏報(bào)警的概率變大；反之，誤報(bào)警的概率增大，而漏報(bào)警的概率減小。

1.2 數(shù)值優(yōu)化算法

本文選用最常見(jiàn)的數(shù)值優(yōu)化算法來(lái)尋找最佳閾值[1]。誤報(bào)警和漏報(bào)警均屬于錯(cuò)誤報(bào)警，因此，將錯(cuò)誤報(bào)警率作為數(shù)值優(yōu)化算法的目標(biāo)函數(shù)，建立如下報(bào)警閾值優(yōu)化問(wèn)題

式中，f(x)是錯(cuò)誤報(bào)警率；P1(e)是誤報(bào)警率；P2(e)是漏報(bào)警率；t是選擇的閾值；n是樣本點(diǎn)個(gè)數(shù)；h是KDE的窗寬，由式(2)計(jì)算。

數(shù)值優(yōu)化算法的實(shí)現(xiàn)步驟如下：

(1)在區(qū)間[a,b]，構(gòu)造兩點(diǎn)x1=a+q(b-a )，x2=a+(1-q)(b-a )，式中，q和(1-q)分別是算法的兩個(gè)系數(shù)一般取q=0.382；

(2)若F(x1)＜F(x2)，則搜索區(qū)間縮小為[a,x2]， b=x2，判斷是否成立，如果成立轉(zhuǎn)到步驟(4)，否則返回步驟(1)；

(3)若F(x1)≥F(x2)，則搜索區(qū)間縮小為[x1,b]， a=x1，判斷是否成立，如果成立轉(zhuǎn)到步驟(4)，否則返回步驟(1)；

然而，數(shù)值優(yōu)化算法的系數(shù)q和(1-q)是人為設(shè)置的，并不能保證算法尋優(yōu)結(jié)果接近全局最優(yōu)。因此，本文采用粒子群(Particle Swarm Optimization, PSO)算法對(duì)系數(shù)q進(jìn)行優(yōu)化，使尋優(yōu)結(jié)果接近全局最優(yōu)。

1.3 粒子群算法

粒子群(PSO)算法最早在1995年被提出，是一種從生物活動(dòng)中得到啟發(fā)而模擬自然界生物集群現(xiàn)象的進(jìn)化算法。在PSO算法中，每個(gè)優(yōu)化問(wèn)題的潛在解都稱為“粒子”，所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值(Fitness Value)，每個(gè)粒子還有一個(gè)速度決定它們移動(dòng)的方向和每一步的位移。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。PSO算法需要初始化一群隨機(jī)粒子(隨機(jī)解)，然后通過(guò)迭代找到最優(yōu)解，在每一次迭代中，粒子通過(guò)跟蹤兩個(gè)“極值”來(lái)更新自己。第一個(gè)就是粒子本身所找到的最優(yōu)解，這個(gè)解稱為個(gè)體極值。另一個(gè)是整個(gè)種群目前找到的最優(yōu)解，這個(gè)解稱為全局極值。

假設(shè)在一個(gè)N維的目標(biāo)搜索空間中，有m個(gè)粒子組成一個(gè)群落，將第i個(gè)粒子的位置表示為一個(gè)N維的向量，記為每一個(gè)粒子都是潛在的解，將帶入一個(gè)目標(biāo)函數(shù)就可以計(jì)算出其適應(yīng)值，根據(jù)適應(yīng)值大小衡量的優(yōu)劣。第i個(gè)粒子的移動(dòng)速度也是一個(gè)N維的向量，記為速度決定粒子在搜索空間單位迭代次數(shù)的位移。記第i個(gè)粒子迄今為止搜索到的最優(yōu)位置為整個(gè)粒子群迄今為止搜索到的最優(yōu)位置為粒子根據(jù)以下公式來(lái)更新其速度和位置

式中，i=1,2,…,m ；n=1,2,…,N；速度權(quán)重w隨機(jī)取值于[-1,1]；學(xué)習(xí)因子c1和c2是非負(fù)常數(shù)；r1和r2是介于[0,1]之間的隨機(jī)數(shù)；vin是第i個(gè)粒子速度向量的第n維是常數(shù)，根據(jù)實(shí)際情況設(shè)定。

迭代終止條件一般選為最大迭代次數(shù)或粒子群迄今為止搜索到的最優(yōu)化位置滿足適應(yīng)閾值。因?yàn)槭钦麄€(gè)粒子群的最優(yōu)值，因此上述PSO算法也稱為全局PSO算法。

2 自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法步驟

針對(duì)傳統(tǒng)閾值優(yōu)化方法僅考慮誤報(bào)警，并沒(méi)有綜合考慮誤報(bào)警和漏報(bào)警從而造成大量漏報(bào)的問(wèn)題，提出自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法。綜合考慮誤報(bào)警和漏報(bào)警兩個(gè)方面建立目標(biāo)函數(shù)，并用數(shù)值優(yōu)化算法內(nèi)嵌入PSO算法形成新的算法對(duì)報(bào)警閾值尋優(yōu)，力求達(dá)到降低錯(cuò)誤報(bào)警次數(shù)的目的，從而減輕現(xiàn)場(chǎng)操作人員的工作壓力。自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法的工作流程如圖2所示，具體步驟如下：

步驟1：選擇化工過(guò)程某參數(shù)的正常樣本X∈R1×NS和故障樣本Y∈R1×NS。其中，NS是樣本點(diǎn)個(gè)數(shù)，根據(jù)實(shí)際情況選?。?/p>

步驟2：繪制概率密度曲線，設(shè)置解區(qū)間。基于數(shù)據(jù)樣本X和Y，利用式(1)和(2)分別估算過(guò)程參數(shù)正常條件下和故障條件下的概率密度，以其作為縱坐標(biāo)，樣本點(diǎn)作為橫坐標(biāo)，繪制過(guò)程參數(shù)概率密度曲線，并設(shè)置解的區(qū)間[a,b]。若求報(bào)警閾值上限的區(qū)間，a=max(X )-3σ，b=max(X )+3σ；若求報(bào)警閾值下限的區(qū)間，a=min(X)-3σ，b=min(X)+3σ。式中，σ為正常樣本X的標(biāo)準(zhǔn)差；

步驟4：設(shè)置PSO算法的參數(shù)。粒子速度的慣性權(quán)重w隨機(jī)取值于[-1,1]；粒子速度的最大值vmax=0.5；粒子個(gè)體最優(yōu)的學(xué)習(xí)因子c1=cθ1，其中，c=(2w+2)θ2，θ1和θ2均隨機(jī)取值于[0,1]；粒子群體最優(yōu)的學(xué)習(xí)因子c2=c-c1；算法最大迭代次數(shù)M=200；種群個(gè)體數(shù)目m=50；算法精度e=0.000 1。

步驟5：初始化粒子的位置和速度。用系數(shù)iq對(duì)應(yīng)的一維向量來(lái)標(biāo)記第i個(gè)粒子在一維搜索空間中的位置。第i個(gè)粒子的移動(dòng)速度也是一個(gè)一維的向量，記為設(shè)置第i個(gè)粒子的初始位置粒子的初始速度其中，3θ和4θ均是隨機(jī)取值于[0,1]的值。此時(shí)，記粒子代數(shù)1k=。

步驟7：粒子的位置和速度的更新。1kk=+，根據(jù)式(5)計(jì)算第i個(gè)粒子更新后的速度判斷當(dāng)代第i個(gè)粒子的速度是否成立：1)若成立，令若不成立，判斷是否成立，若成立，令若不成立，根據(jù)式(6)計(jì)算第i個(gè)粒子更新后的位置使得

3 實(shí)例分析

3.1 TE過(guò)程

由伊斯曼公司設(shè)計(jì)的TE(Tennessee Eastman)過(guò)程是一個(gè)基于實(shí)際工業(yè)過(guò)程的仿真平臺(tái)，共包含了反應(yīng)器、冷凝器、壓縮機(jī)、分離器和汽提塔等5個(gè)操作單元，涉及到12個(gè)操作變量和41個(gè)測(cè)量變量。TE過(guò)程的工藝流程圖如圖3所示，部分測(cè)量變量如表1所示。

3.2 閾值監(jiān)測(cè)

以反應(yīng)堆溫度為例，用自適應(yīng)綜合指標(biāo)的化工過(guò)程參數(shù)報(bào)警閾值優(yōu)化方法設(shè)置變量閾值，進(jìn)行溫度監(jiān)測(cè)。與化工生產(chǎn)中常見(jiàn)的3σ法進(jìn)行對(duì)比，證明該方法能夠降低錯(cuò)誤報(bào)警率，優(yōu)化報(bào)警系統(tǒng)的性能。

3.2.1 自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法

選擇TE過(guò)程反應(yīng)堆溫度測(cè)量變量作為研究對(duì)象，運(yùn)行過(guò)程512時(shí)刻，在第256時(shí)刻加入干擾，使反應(yīng)堆冷卻水閥粘滯，前256時(shí)刻過(guò)程為正常狀態(tài)，后256時(shí)刻過(guò)程為故障狀態(tài)。選取反應(yīng)堆溫度前256組數(shù)據(jù)作為正常訓(xùn)練樣本X∈R1×256，后256組數(shù)據(jù)作為故障訓(xùn)練樣本Y∈R1×256。保持同樣的操作條件，運(yùn)行過(guò)程256時(shí)刻，在第161時(shí)刻加入同樣的干擾，獲得測(cè)試樣本Z∈R1×256(反應(yīng)堆溫度曲線如圖4所示)；

根據(jù)數(shù)據(jù)訓(xùn)練樣本X和Y，采用式(2)計(jì)算得反應(yīng)堆溫度正常數(shù)據(jù)核密度估計(jì)的窗寬h1=0.382 8，反應(yīng)堆溫度故障數(shù)據(jù)核密度估計(jì)的窗寬h2=0.729 9。根據(jù)式(2)分別估算反應(yīng)堆溫度正常條件下和故障條件下的概率密度，以其作為縱坐標(biāo)，樣本點(diǎn)作為橫坐標(biāo)，繪制反應(yīng)堆溫度的概率密度曲線(如圖5所示)。分別設(shè)置閾值上限的取值區(qū)間[120.449 2,120.450 8]和閾值下限的取值區(qū)間[120.349 2,120.350 8]；

其中，F(xiàn)1(x)和F2(x)是錯(cuò)誤報(bào)警率，t1和t2是選擇的閾值，KDE窗寬h1=0.382 8，h2=0.729 9。

運(yùn)行報(bào)警閾值優(yōu)化算法：

(1)報(bào)警閾值上限優(yōu)化

圖2 自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法步驟Fig. 2 Steps of the adaptive composite-indicator alarm threshold optimization method

圖3 TE工藝流程圖Fig. 3 Flowchart of the tennessee eastman process

表1 部分TE過(guò)程測(cè)量變量表Table 1 Part of TE process measured variables

設(shè)置PSO的參數(shù)：粒子速度的慣性權(quán)重w=0.909 6，粒子速度的最大值vmax=0.5，粒子個(gè)體最優(yōu)的學(xué)習(xí)因子c1=0.562 3，粒子群體最優(yōu)的學(xué)習(xí)因子c2=0.561 9，算法最大迭代次數(shù)M=200，種群個(gè)體數(shù)目m=50，算法精度e=0.000 1。

調(diào)用閾值優(yōu)化算法進(jìn)行迭代計(jì)算，算法共運(yùn)行5次，輸出最優(yōu)報(bào)警閾值上限t1=120.450 3，最優(yōu)數(shù)值優(yōu)化算法參數(shù)q1=0.005 6，適應(yīng)度G(q1)=0.001 0。

(2)報(bào)警閾值下限優(yōu)化

設(shè)置PSO的參數(shù)：粒子速度的慣性權(quán)重w=-0.341 0，粒子速度的最大值vmax=0.5，粒子個(gè)體最優(yōu)的學(xué)習(xí)因子c1=0.022 0，粒子群體最優(yōu)的學(xué)習(xí)因子c2=0.380 5，算法最大迭代次數(shù)M=200，種群個(gè)體數(shù)目m=50，算法精度e=0.000 1。

圖4 反應(yīng)堆溫度曲線Fig. 4 Reactor temperature curve

圖5 反應(yīng)堆溫度的概率密度曲線Fig. 5 The probability density curve of reactor temperature

調(diào)用閾值優(yōu)化算法進(jìn)行迭代計(jì)算，算法共運(yùn)行6次，輸出最優(yōu)報(bào)警閾值下限t2=120.350 3，最優(yōu)數(shù)值優(yōu)化算法參數(shù)q2= 0.010 1，適應(yīng)度G(q2)= 0.001 0。

用最優(yōu)的報(bào)警閾值[120.350 3,120.450 3]對(duì)反應(yīng)堆溫度測(cè)試數(shù)據(jù)Z進(jìn)行監(jiān)測(cè)，監(jiān)測(cè)結(jié)果如圖6所示

圖6 自適應(yīng)綜合指標(biāo)法監(jiān)測(cè)結(jié)果Fig. 6 Monitoring results of the adaptive comprehensive-index method

3.2.2 3σ法

計(jì)算反應(yīng)堆溫度正常樣本X均值μ=120.400 4，標(biāo)準(zhǔn)差σ=3.533 3e-3。由3σ法求得報(bào)警閾值[μ-3σ,μ+3?]=[120.390 0,120.411 2]，并用該閾值對(duì)測(cè)試數(shù)據(jù)Z進(jìn)行監(jiān)測(cè)，監(jiān)測(cè)結(jié)果如圖7所示。

3.3 結(jié)果對(duì)比

自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法與3σ法的誤報(bào)警和漏報(bào)警情況對(duì)比如下：

由表2可知，與3σ法相比，自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法所設(shè)閾值誤報(bào)警率降低了51.95％，漏報(bào)警率僅為0.78％，接近于0，誤報(bào)警和漏報(bào)警次數(shù)之和減少131次，證明該方法可以有效減少誤報(bào)警次數(shù)，提高報(bào)警系統(tǒng)性能，減少操作人員工作壓力。

4 結(jié)論

(1)傳統(tǒng)的化工過(guò)程參數(shù)報(bào)警閾值設(shè)置方法一般只考慮誤報(bào)警，并沒(méi)有同時(shí)考慮誤報(bào)警和漏報(bào)警這兩個(gè)問(wèn)題，導(dǎo)致報(bào)警系統(tǒng)產(chǎn)生大量的錯(cuò)誤報(bào)警。針對(duì)這個(gè)問(wèn)題，提出自適應(yīng)綜合指標(biāo)的報(bào)警閾值優(yōu)化方法。該方法采用核密度估計(jì)方法、基于歷史數(shù)據(jù)對(duì)過(guò)程報(bào)警狀態(tài)進(jìn)行估計(jì)，綜合誤報(bào)警率和漏報(bào)警率，從而建立優(yōu)化報(bào)警閾值的目標(biāo)函數(shù)，并創(chuàng)新地將數(shù)值優(yōu)化算法內(nèi)嵌于粒子群算法形成新的算法進(jìn)行求解。

(2)案例分析中，將新方法應(yīng)用于TE過(guò)程的反應(yīng)堆溫度監(jiān)測(cè)，分別優(yōu)化報(bào)警閾值上下限，并進(jìn)行閾值監(jiān)測(cè)。

圖7 3σ法監(jiān)測(cè)結(jié)果Fig. 7 Monitoring results of the 3σ method

表2 TE過(guò)程反應(yīng)堆溫度監(jiān)測(cè)的誤報(bào)次數(shù)和漏報(bào)次數(shù)Table 2 The number of false positives and false negatives of TE process reactor temperature monitoring

(3)自適應(yīng)綜合指標(biāo)報(bào)警閾值優(yōu)化方法所求的報(bào)警閾值監(jiān)測(cè)誤報(bào)率為0，漏報(bào)率為0.78％。與傳統(tǒng)的3σ法相比，此方法能夠在保證低漏報(bào)率的條件下有效降低誤報(bào)警率，提高化工過(guò)程報(bào)警系統(tǒng)的性能，減輕現(xiàn)場(chǎng)操作人員的工作壓力，減少人員生命財(cái)產(chǎn)損失。

[1]WIT J D.EEMUA recommendations for the design and construction of refrigerated liquefed gas storage tanks[J].Cryogenics, 1998, 28(12):800-804.

[2]FOONG O M, SUZIAH, ROHAYA D, et al. ALAP: Alarm prioritization system for oil refnery[J].Proceedings of the World Congresson Engineering and Computer Science, 2009, (2):1012-1017.

[3]CHAO C S, LIU A C. An alarm management framework for automated network fault identifcation[J].Computer Communications, 2004, 27(13):1341-1353.

[4]EBERHART R C, KENNEDY J.A new optimizer using particle swarm theory[C]. Sixth International Symposium on Micro and Human Science, 4-6 Oct.1995, (2): 39-43.

[5]JIANG R. Optimization of alarm threshold and sequential inspection scheme[J].Reliability Engineering and System Safety, 2010, 95:208-215.

[6]CHEN T. On reducing false alarms in multivariate statistical process control[J].Chemical Engineering Research and Design, 2010, 88(4): 430-436.

[7]MEZACHE A, SOLTANI F.A novel threshold optimization of ML-CFAR detector in Weibull clutter using fuzzy-neural networks[J]. Signal Processing, 2007, 87:2100-2110.

[8]MARTIN E B, MORRIS A J. Non-parametric confdence bounds for process performance monitoring charts[J].Process Control, 1996, 6(6):349-358.

A study of adaptive composite-indicator alarm threshold optimization of chemical process parameters

LUO Jing, HU Jinqiu
School of Mechanical & Storage and Transportation Engineering, China University of Petroleum-Beijing, Beijing 102249, China

Faced with increasingly complex chemical process plants, improving the performance of chemical process alarm systems is important. The traditional chemical process parameters alarm threshold setting method generally considers only false positives, but not taking both false positives and false negatives into account, leading to a lot of false alarms in alarm systems. To solve these problems, we used the alarm threshold optimization method based on an adaptive composite indicator. We used the kernel density estimation method to estimate the state of the process alarm based on historical data, integrating the false positives rate and false negatives rate to establish an objective function for optimal alarm thresholds. The numerical optimization algorithm was embedded in a particle swarm optimization algorithm, forming a new algorithm to solve the function. In case, this method was applied to the TE process. The results showed a false positive rate of 0, and a false negative rate of 0.78％. Compared with the traditional 3σ method, this method can effectively reduce the rate of false positives with a low false negative rate, and improve the performance of the chemical process alarm system. This will reduce stress on site operators, as well as the risks of loss of life and property.

adaptive; composite-indicator; false positives; false negatives; kernel density estimation; particle swarm optimization algorithm

2016-11-15

10.3969/j.issn.2096-1693.2016.03.036

(編輯 付娟娟)

羅靜, 胡瑾秋. 自適應(yīng)綜合指標(biāo)的化工過(guò)程參數(shù)報(bào)警閾值優(yōu)化方法研究. 石油科學(xué)通報(bào), 2016, 03: 407-416

LUO Jing, HU Jinqiu. A study of adaptive composite-indicator alarm threshold optimization of chemical process parameters. Petroleum Science Bulletin, 2016, 03: 407-416. doi: 10.3969/j.issn.2096-1693.2016.03.036

*通信作者, hujq@cup.edu.cn