工業(yè)過程報警管理研究進(jìn)展

朱群雄 高慧慧 徐圓

報警(Alarm),即利用聲信號、光信號、消息通知等方式告知操作員過程偏離、設(shè)備故障或其他異常工況,并要求操作員作出及時響應(yīng)、處理異常、消除報警.報警系統(tǒng)(Alarm system)是檢測報警狀態(tài)的硬件和軟件的集合,將狀態(tài)指示傳達(dá)給操作者,并記錄報警狀態(tài)的變化.報警管理(Alarm management)是確定、記錄、設(shè)計、操作、監(jiān)控和維護(hù)報警系統(tǒng)的過程和實踐.報警系統(tǒng)幾乎是所有現(xiàn)代工業(yè)過程(包括石油化工、冶金、電力等)的核心組成,對保障工業(yè)過程安全、高效、有序運(yùn)行起著舉足輕重的作用.隨著工業(yè)化和信息化的深度融合以及全球化競爭的日益加劇,在充分運(yùn)用信息化、智能化技術(shù)提高工業(yè)經(jīng)濟(jì)效益的同時,也給工業(yè)安全生產(chǎn)帶來了極大挑戰(zhàn)和難題,近年來,關(guān)于工業(yè)過程報警研究已經(jīng)獲得了大量成果[1?3].本文從工業(yè)過程報警管理角度出發(fā),依據(jù)報警管理生命周期各個階段的任務(wù)分配綜述了近年來工業(yè)過程報警管理的綜合研究現(xiàn)狀,首先介紹報警管理的概念及其重要性,其次闡述工業(yè)過程內(nèi)在特點,并依據(jù)這些特點分析導(dǎo)致“報警泛濫”的主要原因;然后總結(jié)工業(yè)報警規(guī)范與企業(yè)應(yīng)用進(jìn)展,并依據(jù)原因分類總結(jié)學(xué)術(shù)界的研究現(xiàn)狀;最后根據(jù)工業(yè)過程在工業(yè)化和信息化融合推動下的發(fā)展需求,探討了報警系統(tǒng)管理存在的問題與未來可能的發(fā)展方向.

1 報警管理概述及其重要性

1.1 報警管理概述

科學(xué)合理的報警管理,可以確保報警系統(tǒng)發(fā)揮應(yīng)有的保護(hù)功能,防止異常事件惡化,從而防止災(zāi)害發(fā)生.國際自動化學(xué)會(The International Society of Automation,ISA)給出了報警管理生命周期流程[4],如圖1所示.

圖1 報警管理生命周期Fig.1 Alarm management lifecycle

該生命周期模型有助于確定實施報警管理時的要求和職責(zé),適用于安裝新的報警系統(tǒng)或管理現(xiàn)有系統(tǒng).該生命周期模型包含10個階段,分別從A-理念直到J-審核,各個階段的任務(wù)、輸入和輸出如表1所示;有三個入口點,分別為理念、監(jiān)控與評價、審核.有三個閉環(huán)回路,如圖1虛線所示,一為“運(yùn)行–監(jiān)控與評價–維護(hù)–運(yùn)行”回路,該回路通過定期監(jiān)控與識別問題報警從而進(jìn)行維護(hù);二為“運(yùn)行–監(jiān)控與評價–變更管理–運(yùn)行”回路,在該回路中,會利用先進(jìn)報警技術(shù)進(jìn)行再設(shè)計;三為整個報警管理生命周期本身.

1.2 報警管理重要性

作為工業(yè)過程的首道保護(hù)層[5](如圖2),報警系統(tǒng)的性能優(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,是影響國計民生的重要因素.根據(jù)非正常工況管理聯(lián)盟(Abnormal Situation Management,ASM)調(diào)查、統(tǒng)計,每年工業(yè)企業(yè)都會由于意外停車、操作失誤等原因損失上億甚至上百億美元.例如,在1994年米爾福德港煉油廠爆炸事故[6?7]中,由于系統(tǒng)受到外界擾動,平均2～3s就至少有1個報警發(fā)生,在大量報警信息中,操作員未能識別出閥門粘滯異常,最終導(dǎo)致事故發(fā)生.大量的事故調(diào)查分析顯明,科學(xué)合理的報警系統(tǒng)對于切實保障工業(yè)過程的運(yùn)行安全性、可靠性和經(jīng)濟(jì)性具有重要的意義.

圖2 過程保護(hù)層及其影響Fig.2 Layers of protection and their impact on the process

表1 報警管理生命周期各階段概述Table 1 Alarm management lifecycle stages

由圖3的安全金字塔結(jié)構(gòu)[8]也可以明顯看出,在事故發(fā)生之前,總是伴隨有多個虛驚事件.合理的報警系統(tǒng)可以及時發(fā)現(xiàn)和告知虛驚事件的發(fā)生,幫助操作員快速采取有效措施處理異常情況,消除報警,使生產(chǎn)過程恢復(fù)到正常運(yùn)行狀態(tài),從而可以防止虛驚事件向安全事故惡化,避免事故發(fā)生.

圖3 安全金字塔結(jié)構(gòu)Fig.3 Safety pyramid with typical historical data

然而,由于報警管理不善,目前投入使用的工業(yè)報警系統(tǒng)性能低下,最為常見也是最棘手的問題便是“報警泛濫(Alarm flood)”,此時,報警數(shù)量大大超過控制臺操作員的處理能力和應(yīng)對能力.表2清晰地展示了目前石油天然氣、石化、電力和其他行業(yè)的報警系統(tǒng)基本性能指標(biāo)與歐洲工程設(shè)備和材料用戶協(xié)會（The Engineering Equipment and Materials Users′Association,EEMUA）發(fā)布的現(xiàn)行工業(yè)標(biāo)準(zhǔn)[9]的對比結(jié)果[10].從表2可以看出,工業(yè)報警系統(tǒng)管理現(xiàn)狀距離標(biāo)準(zhǔn)仍然相距甚遠(yuǎn),報警系統(tǒng)亟需合理化管理,報警系統(tǒng)性能亟需改善和提高.

針對工業(yè)過程報警系統(tǒng)的重要性及其存在的棘手問題,國內(nèi)外學(xué)術(shù)界、各大行業(yè)組織以及眾多生產(chǎn)廠商紛紛對此展開了廣泛和深入研究,學(xué)術(shù)界研究和提出了一系列創(chuàng)新性解決方案,各大行業(yè)組織制定發(fā)布了許多工業(yè)指南和標(biāo)準(zhǔn),各大生產(chǎn)廠商相繼自主開發(fā)了各具特色的智能報警管理軟件、小組件和配套工具.除此之外,工業(yè)過程報警管理更是引起了我國政府的高度重視,2006年2月國務(wù)院發(fā)布的《國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006?2020年)》、2011年4月工業(yè)和信息化部、科學(xué)技術(shù)部、財政部、商務(wù)部、國有資產(chǎn)監(jiān)督管理委員會聯(lián)合印發(fā)的《關(guān)于加快推進(jìn)信息化與工業(yè)化深度融合的若干意見》以及2016年3月出臺的《國家十三五規(guī)劃綱要》都重點強(qiáng)調(diào)了過程安全監(jiān)控和報警管理的必要性和目標(biāo).

2 工業(yè)過程“報警泛濫”分析

為有效解決工業(yè)過程報警系統(tǒng)普遍存在的“報警泛濫”,首要任務(wù)是嚴(yán)格分析導(dǎo)致這一問題產(chǎn)生的根源所在,才能依據(jù)報警管理流程和標(biāo)準(zhǔn)制定合理措施,對癥下藥,各個擊破.本文綜合考慮工業(yè)過程本身特征和外部環(huán)境對報警系統(tǒng)管理的影響,依據(jù)報警管理生命周期流程,總結(jié)出導(dǎo)致“報警泛濫”發(fā)生的五大原因.

2.1 過程關(guān)聯(lián)特征復(fù)雜,異常傳播范圍廣

現(xiàn)代工業(yè)過程裝置多、分布廣、連接路徑繁雜,物流、能流、信息流廣泛傳播,使得工業(yè)過程普遍具有大范圍不確定性、高度非線性、強(qiáng)關(guān)聯(lián)性等復(fù)雜特征.在過程運(yùn)行過程中,當(dāng)某一處發(fā)生異常時,該異常會沿著過程連接路徑進(jìn)行大范圍擴(kuò)散,從而可能導(dǎo)致過程其他部分也發(fā)生異常,當(dāng)過程測量值偏離設(shè)置的報警閾值時,就會在短時間內(nèi)產(chǎn)生大量的報警信號,遠(yuǎn)遠(yuǎn)超出操作員的處理范圍,造成“報警泛濫”.

2.2 報警閾值設(shè)計隨意,誤報、漏報率失衡

報警信號產(chǎn)生的最直接方式就是預(yù)先設(shè)置報警閾值,將過程測量值和報警閾值進(jìn)行實時比較,一旦測量值超過報警閾值,則報警信號產(chǎn)生.所以,報警閾值設(shè)計正確與否,直接關(guān)系到報警信號的數(shù)量和質(zhì)量.目前報警系統(tǒng)閾值設(shè)計仍然集中于單變量獨立設(shè)計,并未充分考慮過程變量之間的關(guān)聯(lián)性.事實上,正如第2.1節(jié)所述,工業(yè)過程具有明顯的關(guān)聯(lián)性,而且各個過程變量之間的關(guān)聯(lián)性強(qiáng)弱不一,該特性在進(jìn)行報警閾值設(shè)計時不容忽視,否則會嚴(yán)重影響誤報率和漏報率,致使兩者失衡.如圖4所示[3],在實際過程中,變量X與變量Y之間存在關(guān)聯(lián)性.目前報警系統(tǒng)的閾值設(shè)計方法大都是獨立、靜態(tài)或按照變量值線性化設(shè)計,即變量X與變量Y是單獨分開設(shè)計的,此時得到的正常工作區(qū)如虛線矩形區(qū)域所示.實際上,變量X與變量Y之間存在一定的關(guān)聯(lián)性,真正的正常工作區(qū)A如實線不規(guī)則多邊形區(qū)域所示.此時,若依據(jù)獨立設(shè)計的報警閾值進(jìn)行報警,就會導(dǎo)致誤報(如實線圓形所示)、漏報(如實線三角形所示)發(fā)生,誤報會增加大量錯誤報警信號,加劇報警泛濫;漏報極有可能遺漏重要報警,危及過程安全.

表2 實際工業(yè)統(tǒng)計結(jié)果與EEMUA標(biāo)準(zhǔn)對比Table 2 Comparison of performance metrics between real industry and benchmark

圖4 報警閾值獨立設(shè)計與誤報、漏報關(guān)系示意圖Fig.4 Schematic diagram of relationships among isolated alarm limits,false alarm and missed alarm

2.3 報警優(yōu)先級劃分模糊,處理順序不當(dāng)

當(dāng)多個不同報警信號產(chǎn)生后,操作員需要知曉報警處理的先后順序,這對于減少報警數(shù)量、抑制虛驚事件惡化起著至關(guān)重要的作用.然而,目前報警系統(tǒng)的優(yōu)先級劃分不明確,甚至沒有進(jìn)行優(yōu)先級劃分,導(dǎo)致操作員在處理報警時盲目性強(qiáng),無法在有效時間內(nèi)處理關(guān)鍵異常,及時消除報警.這樣,一方面會使報警信號源源不斷的增加,另一方面會加劇異常擴(kuò)散、事件惡化,嚴(yán)重威脅過程安全.尤其當(dāng)操作員置身于報警泛濫情況下,更是無從下手,導(dǎo)致惡性循環(huán).

2.4 報警類型繁多,難以分辨有效報警

由于工業(yè)過程分布范圍廣、關(guān)聯(lián)性強(qiáng)、工況多變、所處環(huán)境復(fù)雜,環(huán)境因素、進(jìn)料量、人為操作等外部因素的變化,都會給正常生產(chǎn)過程帶來擾動,使得過程變量產(chǎn)生隨機(jī)不確定性變化,從而導(dǎo)致報警類型多樣,可分為兩大類:一類主要為體現(xiàn)在單變量上的抖振報警(Chattering alarms),該報警特點為在報警狀態(tài)與正常狀態(tài)之間快速切換,對“報警泛濫”這一問題貢獻(xiàn)最大;另一類為體現(xiàn)在多變量上的報警集,主要包括幾乎同時發(fā)生或者在短時間內(nèi)無序串聯(lián)發(fā)生的關(guān)聯(lián)報警(Related alarms)、幾乎同時發(fā)生或者具有固定時滯的冗余報警(Redundant alarms)、短時間內(nèi)有序串聯(lián)發(fā)生的順序報警(Sequential alarms);此外,還包括以固定周期重復(fù)出現(xiàn)的周期報警(Repeating alarms)、長期保持在報警狀態(tài)的持續(xù)報警(Standing alarms)等.在這些報警里,絕大部分屬于滋擾報警(Nuisance alarms),并不需要操作員采取任何響應(yīng)措施,但仍然會產(chǎn)生報警信號或被顯示在操作面板上,不僅大大增多了報警數(shù)量,而且嚴(yán)重干擾了操作員高效處理報警的能力,還會淹沒重要報警.

2.5 報警性能評估不及時,未能實現(xiàn)再設(shè)計

報警系統(tǒng)性能評估,就是依據(jù)報警日志、過程數(shù)據(jù)、報警數(shù)據(jù)等信息,計算報警系統(tǒng)實時指標(biāo),并與標(biāo)準(zhǔn)值或事先定義好的目標(biāo)值進(jìn)行對比,驗證系統(tǒng)的設(shè)計、實施、合理化、操作和維護(hù)等是否符合要求.隨著工業(yè)過程的不斷運(yùn)行,設(shè)備老化、環(huán)境改變、工況變更等因素都會對正在使用的報警系統(tǒng)產(chǎn)生影響,導(dǎo)致報警系統(tǒng)無法滿足目標(biāo)要求,由于未對報警系統(tǒng)性能進(jìn)行定期評估,就無法及時發(fā)現(xiàn)不合理的配置和設(shè)計,使得報警系統(tǒng)一直做著無用功,喪失部分或全部保護(hù)功能,嚴(yán)重情況下會誤導(dǎo)操作員行動,使得報警質(zhì)量急劇下降,報警數(shù)量嚴(yán)重增加,導(dǎo)致“報警泛濫”.

3 工業(yè)過程報警管理研究進(jìn)展

近些年來,報警管理研究工作已經(jīng)得到國內(nèi)外工業(yè)界和學(xué)術(shù)界的高度重視,是自動化領(lǐng)域的新興研究方向之一.本節(jié)主要闡述有關(guān)報警管理的指南、標(biāo)準(zhǔn)、產(chǎn)品和學(xué)術(shù)研究成果.

3.1 工業(yè)報警規(guī)范與企業(yè)應(yīng)用進(jìn)展

為實現(xiàn)工業(yè)過程的科學(xué)有效的報警管理,眾多行業(yè)組織紛紛制定了工業(yè)指南和標(biāo)準(zhǔn)[11?15].其中,較為權(quán)威且被應(yīng)用廣泛的為歐洲工程設(shè)備和材料用戶協(xié)會(EEMUA)分別于1999年、2007年和2013年三次發(fā)布的報警系統(tǒng)指南EEMUA-191 V.1/2/3[9]以及國際自動化學(xué)會(ISA)在2009年發(fā)布的流程工業(yè)報警管理標(biāo)準(zhǔn)ANSI/ISA-18.2[4].

與此同時,眾多生產(chǎn)廠商都推出了報警管理軟件和組件.ABB(Asea Brown Boveri Ltd.)推出了報警全生命周期管理工具集AlarmInsight[16],用于管理和優(yōu)化報警配置,其中的一個組件為報警合理化工具[17](AlarmInsight?Alarm Rationalization Tool-ART),ART是一個符合IEC(International Electrotechnical Commission)發(fā)布的IEC-68682標(biāo)準(zhǔn)和ISA發(fā)布的ANSI/ISA-18.2標(biāo)準(zhǔn)的主報警數(shù)據(jù)庫,核心優(yōu)勢是高效性和簡單性,可以實現(xiàn)連續(xù)報警生命周期管理,但沒有實現(xiàn)報警閾值動態(tài)設(shè)置.霍尼韋爾(Honeywell)推出了新一代報警管理軟件DynAMo?Alarm Management Solutions[18],該軟件與全球報警管理標(biāo)準(zhǔn)和最佳實踐,包括 ANSI/ISA-18.2、IEC-68682、EEMUA-191、API(The American Petroleum Institute)發(fā)布的API-1167和ASM發(fā)布的指南,保持完全一致,符合所有行業(yè)法規(guī)和保險審計要求,能夠快速識別現(xiàn)有的報警系統(tǒng)問題,并突出顯示連續(xù)的和可持續(xù)改進(jìn)的部分,啟用主動報警管理,使操作員能夠做出更安全、更及時的決策,但無法有效地對不同類型的滋擾報警進(jìn)行自動識別和處理.艾默生(Emerson)推出了一系列報警管理產(chǎn)品和服務(wù)(DeltaV alarm management solutions)[19],實現(xiàn)符合ISA-18.2報警管理標(biāo)準(zhǔn)的完整、魯棒、可持續(xù)的報警管理程序,但無法對報警進(jìn)行自動預(yù)測,也就無法及時告知操作員采取措施以防止發(fā)生緊急停車等情況.Exida和艾默生過程管理公司一致使用Exida的報警合理化軟件SILAlarmTM和專家服務(wù),幫助客戶提高其DeltaV報警系統(tǒng)的性能[20],但針對被抑制的重要報警沒有實現(xiàn)自動再提醒,很有可能被操作員遺忘.西門子依據(jù)ANSI/ISA-18.2標(biāo)準(zhǔn)將報警管理加入進(jìn)SIMATIC PCS7系統(tǒng)中,可以幫助操作員輕松安全的管理生產(chǎn)過程[21],但未設(shè)置獨立的報警數(shù)據(jù)庫和事件分析庫,不便于移植或分析.上述現(xiàn)有的產(chǎn)品化報警管理系統(tǒng)大都關(guān)注如何減少報警數(shù)量、降低風(fēng)險,并未對報警管理主體–操作員的認(rèn)知行為、操作模式、滿意度等進(jìn)行跟蹤監(jiān)測和調(diào)查管理.

3.2 學(xué)術(shù)界報警管理研究總結(jié)

除了工業(yè)界產(chǎn)生的報警管理研究成果外,學(xué)術(shù)界各專家學(xué)者也對報警管理展開了深入探索,產(chǎn)生了一系列學(xué)術(shù)成果.

3.2.1 報警管理框架

依據(jù)工業(yè)界的標(biāo)準(zhǔn)和指南,研究者提出了不同類型的報警管理框架.Gupta等[22]建立了一套智能報警系統(tǒng)框架,該集成框架使用小波分析、主成分分析、符號有向圖、定性趨勢分析以及基于本體的知識框架,有助于快速檢測和診斷過程故障,降低了異常事件惡化進(jìn)展、生產(chǎn)中斷和生產(chǎn)力損失的可能性.這個框架的關(guān)鍵特點是,它為操作員提供了一個緩解策略以及合理的警報閾值,有助于減少工作量并便于采取糾正措施.Hu等[23]為了證明目前已有的報警管理工具的有效性,如報警系統(tǒng)的評估、干擾報警的檢測、報警泛濫分析以及更好的配置建議,基于從加拿大阿爾伯塔北部的Suncor能源公司運(yùn)營的油砂提取廠收集的報警數(shù)據(jù),實施了一些工業(yè)案例研究,應(yīng)用結(jié)果顯示了先進(jìn)的報警管理工具對報警合理化和日常報警管理的實用性.Li等[24]提出了基于大規(guī)模歷史報警數(shù)據(jù)和分布式聚類算法的并行報警管理策略,以減少現(xiàn)代化工廠操作人員接收到的報警數(shù)量.Hu等[25]考慮到在不同工況下故障之間的內(nèi)在關(guān)聯(lián)性,建立了雙級智能報警管理框架,第1級為報警過濾,第2級為報警根源診斷,每一級都采用了不同的策略,實驗證明該框架可以診斷報警泛濫時的報警根源,大大降低冗余報警、錯誤報警和失效報警,保證了石化過程的安全.Soares等[26]綜合利用關(guān)聯(lián)性分析、主成分分析和聚類方法建立了一套報警管理框架,并將這些比較進(jìn)行比較分析進(jìn)一步降低報警數(shù)量.除此,還將次理論統(tǒng)計框架與長期工業(yè)實施結(jié)合起來,展示了基于該框架的3個相同的天然氣處理廠的長期(3年)報警管理結(jié)果,為報警管理實踐做出了貢獻(xiàn).

下面結(jié)合報警管理生命周期,重點針對導(dǎo)致報警系統(tǒng)出現(xiàn)“報警泛濫”的五個主要原因,歸納和分析國內(nèi)外的報警管理技術(shù)進(jìn)展.

3.2.2 報警建模方法研究

報警建模與報警根源分析從屬于報警管理生命周期中的C-合理化、H-監(jiān)控與評價階段.在C-合理化階段,會對報警根源及其潛在后果進(jìn)行歸檔;在H-監(jiān)控與評價階段,會利用報警數(shù)據(jù)和報警理念生成監(jiān)控報告,必要情況下提出變更,通過第二個回路在合理化階段進(jìn)行重新歸檔.

為解決由于“過程關(guān)聯(lián)特征復(fù)雜,異常傳播范圍廣”而引起的“報警泛濫”,需要挖掘過程關(guān)聯(lián)特征,建立過程拓?fù)淠Ｐ?確定異常傳播路徑,找出報警根源,從源頭消除異常,使過程恢復(fù)正常運(yùn)行,避免報警數(shù)量持續(xù)增加.為此,很多學(xué)者在過程拓?fù)浣?、報警根源分析領(lǐng)域進(jìn)行了大量研究.在此需要說明的一點是,故障診斷只是針對過程中發(fā)生的異常情況進(jìn)行診斷,判斷異常事件,屬于報警管理研究的一部分.Venkatasubramanian等分別從定量模型[27]、定性模型[28]和歷史數(shù)據(jù)驅(qū)動[29]三個方向?qū)^程故障監(jiān)測和診斷方法進(jìn)行了綜述.文獻(xiàn)[30]從應(yīng)用的角度出發(fā)對基于數(shù)據(jù)驅(qū)動的過程監(jiān)控和故障診斷方法進(jìn)行了綜述,旨在為大型工業(yè)過程提供適用于不同操作條件的基礎(chǔ)數(shù)據(jù)驅(qū)動設(shè)計框架.文獻(xiàn)[31]針對基于模型驅(qū)動和信號驅(qū)動的故障診斷方法進(jìn)行了總結(jié).文獻(xiàn)[32]對大型工業(yè)過程故障根源和傳播分析方法進(jìn)行了綜述.文獻(xiàn)[33]對復(fù)雜工業(yè)過程連接性和因果性分析方法進(jìn)行了總結(jié).文獻(xiàn)[34]針對工業(yè)過程在全裝置震蕩下的根源分析進(jìn)行了綜述.在上述綜述文獻(xiàn)提到的方法中,一部分可以用于工業(yè)報警研究,除此,近幾年又出現(xiàn)了一些新型先進(jìn)智能方法用于過程拓?fù)浣：蛨缶捶治?本節(jié)將工業(yè)報警建模方法分為四大類:機(jī)理建模方法、知識驅(qū)動方法、數(shù)據(jù)驅(qū)動方法、信息融合方法,并對報警根源分析方法進(jìn)行總結(jié).

3.2.2.1 機(jī)理建模方法

機(jī)理建模方法,需要利用系統(tǒng)參數(shù)辨識、狀態(tài)估計等方法得到精確的機(jī)理模型,機(jī)理模型是在工藝機(jī)理分析的基礎(chǔ)上,依據(jù)“三傳一反”建立的對象數(shù)學(xué)模型,能反映生產(chǎn)過程的主要特征和規(guī)律[35].然而,要想得到精確的機(jī)理模型,深入詳細(xì)的過程知識以及建模過程的繁瑣是必不可少的[36],然而通常情況下,這些前提條件很難達(dá)到.而且,隨著現(xiàn)代工業(yè)過程日趨龐大、復(fù)雜、集成,機(jī)理建模方法無法實時、快速、準(zhǔn)確實現(xiàn).因此將其用于報警建模研究甚少.

3.2.2.2 知識驅(qū)動方法

知識驅(qū)動方法,需要利用現(xiàn)有的過程知識和專家經(jīng)驗,建立工業(yè)過程關(guān)聯(lián)模型或因果模型,基于知識驅(qū)動建立的模型多為定性模型.其中,應(yīng)用最為廣泛的定性模型為符號有向圖(Signed directed graph,SDG)[37?40].除此之外,文獻(xiàn)[41]采用多級流模型(Multilevel flow model,MFM)進(jìn)行報警關(guān)聯(lián)分析,MFM是用于表示(工業(yè))過程的目標(biāo)和預(yù)期功能的圖形語言,與其他建模方法之間的主要區(qū)別在于MFM 是“平均值–端”維,而不是“部分–整體”維.文獻(xiàn)[42]利用過程連接信息和拓?fù)浣Y(jié)構(gòu),定性構(gòu)建鄰接矩陣和可達(dá)矩陣,實現(xiàn)全裝置振蕩的根源分析,并利用控制回路圖進(jìn)行可視化分析.文獻(xiàn)[43]基于擴(kuò)展標(biāo)記性語言(XML discription)建立過程拓?fù)淠Ｐ?還有利用語義描述(Semantic discription)、計算機(jī)輔助工程交換模型(Computer aided engineering exchange model)[44]等進(jìn)行過程拓?fù)浣?然而這些定性模型依舊需要依賴過程連接信息(Plant connectivity information)和專家經(jīng)驗,對于缺乏知識和經(jīng)驗的過程,該方法依然束手無策.而且,這些定性模型中不包含任何定量信息,無法識別重要因素.

3.2.2.3 數(shù)據(jù)驅(qū)動方法

隨“大數(shù)據(jù)”時代的到來以及計算機(jī)處理能力的加強(qiáng),基于數(shù)據(jù)驅(qū)動的過程建模方法得到大量的關(guān)注和研究,因為它們不需要深層次的過程知識和機(jī)理模型,僅僅利用現(xiàn)有的過程數(shù)據(jù)即可實現(xiàn).Bauer等[45]利用時滯相關(guān)性分析(Lag-based cross correlation analysis),生成因果矩陣和系數(shù)矩陣,依據(jù)拓?fù)浼僭O(shè)和一致性檢驗結(jié)果,生成因果網(wǎng)絡(luò).Hu等[46]將發(fā)生延遲和關(guān)聯(lián)延遲區(qū)分開來,從而得到真正的發(fā)生延遲,然后提出一種基于真正發(fā)生延遲的統(tǒng)計檢驗方法來識別關(guān)聯(lián)性,并利用皮爾遜相關(guān)系數(shù)量化關(guān)聯(lián)強(qiáng)度.此外,一系列因果辨識方法也已被提出,如格蘭杰因果分析(Granger causality)[47]、部分定向相干技術(shù)(Partial directed coherence)[48]、傳遞熵(Transfer entropy)[49]、直接傳遞熵(Direct transfer entropy)[50]、傳遞零熵(Transfer zero entropy)[51].Wang等[52]提出一種基于數(shù)據(jù)相似度分析的方法來識別因果報警和傳播路徑,引入一種考慮相關(guān)延遲的相似度計算方法,并利用格蘭杰因果分析進(jìn)一步驗證相似報警變量之間的相互影響.為了表示過程的隨機(jī)性和不確定性,Yu等[53]和Mori等[54]利用貝葉斯網(wǎng)絡(luò)建立概率圖模型,通過計算節(jié)點的條件概率以及后驗概率來定位報警根源.此外,Ceclio 等[55]利用最臨近法 (Nearset neighbors method)來識別每一個時間序列的異常根源,利用色彩圖表示異常傳播的先后順序,根據(jù)整個變量貢獻(xiàn)圖,可以清楚地看出故障是如何在過程中擴(kuò)散傳播的[56].Jacobs等[57]提出了一種新型的基于圖論的數(shù)據(jù)挖掘算法來分析報警數(shù)據(jù),建立圖分析模型(Graph analytics model).識別冗余報警和關(guān)聯(lián)報警,找出報警根源.Hu等[58]針對單變量報警狀態(tài)轉(zhuǎn)移定義和構(gòu)建了Petri網(wǎng)模型,利用報警日志和事件日志實現(xiàn)過程發(fā)現(xiàn).然而上述方法各有各的不足之處:1)相關(guān)性分析無法分別直接相關(guān)關(guān)系和間接相關(guān)關(guān)系;2)格蘭杰因果分析方法需要回歸模型作基礎(chǔ),局限性比較大;3)傳遞熵方法高度依賴于概率密度函數(shù)估計,計算量大,對計算結(jié)果影響較大;4)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)過程復(fù)雜,而且依據(jù)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)得到的因果結(jié)果被限制為有向無環(huán)圖,與實際過程相矛盾.

3.2.2.4 信息融合方法

隨著工程的不斷運(yùn)行,過程知識、經(jīng)驗、歷史數(shù)據(jù)積累日益增加,如何充分利用現(xiàn)有的知識、數(shù)據(jù)進(jìn)行充分融合,最大限度提高報警模型的精確度成為研究重點.

文獻(xiàn)[59]指出了單純基于知識進(jìn)行SDG建模和單純基于過程數(shù)據(jù)進(jìn)行SDG建模的缺點,提出首先利用過程知識進(jìn)行定性SDG建模,之后利用數(shù)據(jù)驅(qū)動方法(過程數(shù)據(jù)加時滯)計算相關(guān)性對模型進(jìn)行驗證,實現(xiàn)互補(bǔ).文獻(xiàn)[60]利用信息融合方法實現(xiàn)SDG建模:首先利用過程知識如管道儀表圖進(jìn)行定性建模,之后利用數(shù)據(jù)驅(qū)動方法對SDG模型進(jìn)行驗證.一是考慮時間延遲對過程數(shù)據(jù)進(jìn)行互相關(guān)分析,利用相關(guān)系數(shù)對SDG中的路徑及其方向進(jìn)行驗證;二是利用傳遞熵方法進(jìn)行驗證.文獻(xiàn)[61]提出了一種新型框架進(jìn)行新故障分析,采用SDG模型因果推理和多變量統(tǒng)計過程監(jiān)控進(jìn)行.

上述提到的定性和定量模型,都具有單一、平面的共性.面對高度集成、變量眾多的復(fù)雜工業(yè)過程,利用上述模型識別報警傳播路徑過程繁瑣、計算負(fù)擔(dān)重、可視化效果較差、結(jié)果不可靠.因此,面對當(dāng)前的復(fù)雜工業(yè)過程,應(yīng)該建立充分反映過程關(guān)聯(lián)性的模型,便于理解、分析,在此基礎(chǔ)上,進(jìn)行工業(yè)報警的設(shè)計與優(yōu)化研究,解決“報警泛濫”,方便操作員及時處理報警.為此,Gao等[62?63]基于信息融合方法,充分利用過程知識,基于偏相關(guān)性分析,挖掘變量之間的因果性,依據(jù)淺層過程知識進(jìn)行分塊,依據(jù)解釋結(jié)構(gòu)模型分層原理進(jìn)行分層,從而得到多維過程拓?fù)淠Ｐ?

3.2.3 報警根源分析方法

當(dāng)?shù)玫焦I(yè)報警拓?fù)淠Ｐ秃?如SDG模型[59?61]、多級流模型[41,64?66]、因果圖網(wǎng)絡(luò)[45?52,67]、貝葉斯網(wǎng)絡(luò)[53?54,68?69]、Peri 網(wǎng)模型[58,70],就可利用回溯法、推理法、假設(shè)檢驗法定位報警根源,識別傳播路徑.Young、McDonald和Wen等[71?74]首先建立異常事件和報警變量之間關(guān)系的知識表,分別采用禁忌搜索(Tabu-search)方法和改進(jìn)的遺傳算法,找出能夠解釋給定報警集合的異常事件.Simeu-Abazi等[75]采用故障樹分析定位報警根源,Guo等[76]和Wei等[77]基于規(guī)則網(wǎng)絡(luò)和時間約束網(wǎng)絡(luò)確定故障源和擾動源,Dubois等[78]和Lee等[79]利用邏輯圖實時分析報警根源,Thambirajah等[80]結(jié)合從測量數(shù)據(jù)計算得到的因果矩陣(Cause-and-effect matrix)和從過程平面圖得到的定性信息進(jìn)行報警根源診斷.Chiang和Braatz將統(tǒng)計分析和因果圖結(jié)合在一起,診斷報警根源[81].Rodrigo等[82]結(jié)合報警日志、過程數(shù)據(jù)和過程連接性信息,隔離源自相同過程異常的報警果變量,為因果報警識別和報警根源識別提供建議.

但上述報警根源方法都存在一個共性缺點:單一集中、魯棒性差.由于真實工業(yè)過程會受到各種各樣的干擾,再加上自身的強(qiáng)耦合、強(qiáng)關(guān)聯(lián)、非線性、不確定性、分布廣等復(fù)雜特征,造成上述方法無法精確定位報警根源,抗干擾能力弱.為此,Gao等[63]提出一種分布式報警根源診斷方法,利用神經(jīng)網(wǎng)絡(luò)–極限學(xué)習(xí)機(jī)算法和改進(jìn)的層次分析法進(jìn)行融合診斷,診斷延遲短、精度高,還可依據(jù)空間解釋結(jié)構(gòu)模型確定報警傳播路徑.

面對大量的報警序列,還可利用報警序列模式提取與匹配方法來定位報警根源.Folmer等[83?85]利用該思想對頻繁發(fā)生的報警子序列進(jìn)行聚類分析,識別報警變量之間的因果關(guān)系,從而重新設(shè)計報警系統(tǒng),減少報警數(shù)量.相似的報警泛濫模式也可被利用去挖掘代表性信息.Ahmed等[86]基于連續(xù)報警頻率定位相似報警泛濫模式,利用動態(tài)時間規(guī)整(Dynamic time warping)實現(xiàn)兩個報警泛濫模式的最優(yōu)匹配.Cheng等[87]提出一種改進(jìn)的史密斯–沃特曼算法(Smith-Waterman algorithm),對兩個報警泛濫序列進(jìn)行局部比對,從而可以提取出相同的報警序列片段.Charbonnier等[88?89]從在同一故障下發(fā)生的報警序列比對集合里提取故障序列模板,當(dāng)新的報警序列出現(xiàn)時,將其和模板進(jìn)行比對,從而實現(xiàn)故障隔離.陳忠圣等[90]基于離散傅里葉變換在頻域?qū)缶簽E序列進(jìn)行相似性分析,采用離散傅里葉功率譜的歐氏距離作為度量報警泛濫序列相似度距離的方法,確定報警泛濫的模式,幫助操作員確定異常根源,作出快速響應(yīng).Hu等[91?92]提出了局部序列比對方法和快速序列比對方法來找出相似的報警泛濫序列模式,從而預(yù)測和預(yù)防報警泛濫發(fā)生.該類型的方法依賴于充足的歷史報警數(shù)據(jù),包括所有的可能模式.很顯然,在歷史數(shù)據(jù)里,不可能所有的異常狀況都已經(jīng)發(fā)生過,這就造成無法實現(xiàn)新的報警模式的在線診斷.

3.2.4 報警閾值設(shè)計研究

報警閾值設(shè)計分布在報警管理生命周期的C-合理化、D-詳細(xì)設(shè)計兩個階段.其中,C-合理化階段會對報警閾值進(jìn)行設(shè)置,D-詳細(xì)設(shè)計階段包括對報警死區(qū)、延遲、濾波器等的設(shè)計,這三者也可用于對報警閾值的優(yōu)化設(shè)計.

文獻(xiàn)[3]重點針對考慮關(guān)聯(lián)變量的多變量閾值設(shè)計進(jìn)行了總結(jié),本文將報警閾值設(shè)計方法分為兩大類:單變量報警閾值設(shè)計和多變量報警閾值設(shè)計.

3.2.4.1 單變量報警閾值設(shè)計

誤報率(False alarm rate)和漏報率(Missed alarm rate)是單變量報警閾值設(shè)計的主要參考指標(biāo),這兩者是一對矛盾存在,變化關(guān)系可用ROC(Receiver operation characteristics)曲線表示,如圖5所示,PM表示漏報率,PF表示誤報率.在設(shè)計報警閾值時,PM和PF會朝著彼此相反的方向變化.因此,要想得到較好的單變量閾值設(shè)計結(jié)果,就需要使漏報率和誤報率盡可能靠近原點.

圖5 ROC曲線Fig.5 ROC curve

目前,單變量報警閾值設(shè)計的方法[93]為設(shè)計濾波器 (Filter)[94?97]、死區(qū) (Dead band)[98]、延遲(Delay timer)[99?101],通過計算誤報率、漏報率和檢測延遲(Detection delay),確定單變量最優(yōu)閾值.Zhu等[102]針對過程過渡階段,采用基于貝葉斯估計的動態(tài)報警管理方法,計算動態(tài)報警閾值,以減少報警數(shù)量.Xu等[103]充分考慮被監(jiān)控過程變量存在的不確定性,提出一種基于證據(jù)融合理論的報警閾值設(shè)計方法,可以動態(tài)獲取最優(yōu)參數(shù).

然而,上述設(shè)計僅僅考慮單個變量,得出的報警閾值獨立于其他與之相關(guān)的過程變量.眾所周知,由于復(fù)雜工業(yè)過程存在能流、物流和信息流的傳遞,許多過程變量之間存在不同程度的關(guān)聯(lián)性甚至因果性,因此,單變量閾值獨立設(shè)計未能體現(xiàn)工業(yè)過程強(qiáng)相關(guān)、強(qiáng)耦合的本質(zhì)特征,不僅不能降低報警數(shù)量,反而會帶來負(fù)面影響,增大誤報率和漏報率,和目標(biāo)背道而馳.

3.2.4.2 多變量報警閾值設(shè)計

Bristol[104]提出設(shè)計自適應(yīng)報警閾值,以應(yīng)對不同過程工況.Brooks等[105]提出一種幾何過程控制方法,依據(jù)多變量最優(yōu)操作域確定動態(tài)報警閾值.Kondaveeti等[106]和Izadi等[107]利用多變量統(tǒng)計學(xué)方法有效產(chǎn)生報警.Yang等[108]將關(guān)聯(lián)性分析應(yīng)用到報警閾值設(shè)計中,來減少誤報率和漏報率.Xu等[109]基于動態(tài)過程模型引入了預(yù)警(Anticipatory alarms)機(jī)制,對過程狀態(tài)實現(xiàn)短期預(yù)測,從而控制報警的數(shù)量.Zang和Li[110]通過計算多維空間的概率密度函數(shù)得到漏報率和誤報率,以最小化漏報率和誤報率為目標(biāo),優(yōu)化報警閾值.Han等[111]以誤報率、漏報率和相關(guān)系數(shù)三者為目標(biāo)函數(shù),通過最小化目標(biāo)函數(shù)來優(yōu)化設(shè)計多變量報警閾值.Gao等[112]避免計算誤報率、漏報率,單以報警數(shù)據(jù)和過程數(shù)據(jù)之間的一致相關(guān)程度為目標(biāo)函數(shù),設(shè)計在不同干擾情況下的動態(tài)報警閾值.

盡管上述研究能在一定程度上減弱“報警泛濫”的程度,但都未深入考慮工業(yè)過程內(nèi)在的多變量特征.除此之外,多變量聯(lián)合概率密度函數(shù)的計算量太大,最小化漏報率和誤報率也存在一定的前提條件,即必須知道哪一部分是正常數(shù)據(jù),哪一部分是異常數(shù)據(jù).為解決上述缺陷,需要在不同的異常情況下確定相應(yīng)的關(guān)鍵變量集合,這只需為這些關(guān)鍵變量設(shè)計閾值即可,此外,還需要設(shè)計可信且通用的目標(biāo)函數(shù)來體現(xiàn)多變量關(guān)聯(lián)特征.

3.2.5 報警優(yōu)先級劃分研究

報警優(yōu)先級劃分是報警管理生命周期中C-合理化階段的任務(wù).當(dāng)報警發(fā)生時,尤其在“報警過”情況下,操作員需要時刻知道哪個是關(guān)鍵報警,從而確定報警處理順序,及時采取有效措施,避免狀況惡化.

EEMUA NO.191指南指出,可依據(jù)兩個因素:后果嚴(yán)重性和可用時間進(jìn)行報警等級劃分.Chang等[113]和Ahmed等[114]提出一種包含事件發(fā)生概率(P)、潛在事件影響(I)和過程安全時間(t)的集成模型對報警進(jìn)行排序.除了風(fēng)險分析方法外,Zhu等[115]和Geng等[116]利用模糊差異驅(qū)動算法對聚類中心和報警變量進(jìn)行排序.Foong等[117]基于模糊邏輯建立系統(tǒng)原型,利用Mamdani推理機(jī)對報警進(jìn)行分類和排序.Gao等[62]利用改進(jìn)的李克特量表打分方法對報警優(yōu)先級進(jìn)行劃分.

目前,報警優(yōu)先級劃分研究成果還很少且不成熟,但重要性不可忽視.

3.2.6 報警類型識別與處理研究

在報警管理生命周期H-監(jiān)控與評價階段,關(guān)鍵任務(wù)之一就是識別滋擾報警,當(dāng)識別滋擾報警完成后,就需要進(jìn)行C-變更管理階段,對存在問題的報警進(jìn)行添加、刪除或改變.

在工業(yè)過程運(yùn)行狀況復(fù)雜、人為操作失誤以及報警系統(tǒng)不合理設(shè)計的情況下,都會導(dǎo)致各種各樣的報警類型產(chǎn)生.有效識別報警類型并對其有效處理對于解決“報警泛濫”問題有著重要作用.通常情況下,抖振報警(Chattering alarms)占報警數(shù)量的絕大部分,文獻(xiàn)[3]對抖振報警識別和處理進(jìn)行了綜述,除此之外,Wang等[118]分析了常駐持續(xù)報警(Long-standing alarms)的產(chǎn)生原因,并通過設(shè)計動態(tài)狀態(tài)報警系統(tǒng)來抑制該滋擾報警類型.文獻(xiàn)[119]提出了一種基于相關(guān)性分析的關(guān)聯(lián)報警識別方法,該方法分為預(yù)處理、相關(guān)性測量和過濾三個階段.文獻(xiàn)[120]利用統(tǒng)計方法分析兩個報警信號識別關(guān)聯(lián)報警,首先確定報警信號的表達(dá)方式,之后利用Sorgenfrei系數(shù)計算二值數(shù)據(jù)的相關(guān)性系數(shù),并結(jié)合相關(guān)性延遲去檢測兩個報警信號是否存在相關(guān)性.文獻(xiàn)[121]在文獻(xiàn)[120]的基礎(chǔ)上,結(jié)合相似比系數(shù)和相關(guān)性延遲分布進(jìn)一步確定兩個報警信號之間的因果方向.文獻(xiàn)[122?123]利用事件關(guān)聯(lián)性分析(Event correlation analysis)方法監(jiān)測離散事件–報警和操作之間的關(guān)聯(lián)性,識別順序警報、復(fù)雜操作、不必要報警、報警根源.文獻(xiàn)[124]提出了一種利用Levenshtein距離分析連續(xù)報警相似度方法.該方法將裝置操作數(shù)據(jù)轉(zhuǎn)換為連續(xù)報警數(shù)據(jù),并且利用共沸蒸餾塔仿真數(shù)據(jù)對該方法進(jìn)行了驗證,可以正確識別關(guān)聯(lián)連續(xù)報警之間的相似度.文獻(xiàn)[125]指出重復(fù)報警是指在短時間內(nèi)多次激活和消除的報警.該文在報警自動抑制的基礎(chǔ)上引入了基于數(shù)據(jù)過濾的報警限最優(yōu)化設(shè)計,提出了基于數(shù)據(jù)過濾的報警自動抑制策略來處理重復(fù)報警.文獻(xiàn)[126]利用兩種可視化工具:高密度報警圖(High density alarm plot)和報警相似度色彩圖進(jìn)行報警系統(tǒng)常規(guī)評估,以有效識別抖振報警、相關(guān)報警等.

以上的報警類型識別與處理研究能在一定程度上減少報警數(shù)量,抑制“報警泛濫”的發(fā)生或惡化,但并未深入挖掘報警信號的內(nèi)在特征.因此,可以考慮利用先進(jìn)信號處理方法對報警序列進(jìn)行分析比對,快速確定報警類型,及時采取處理措施.

3.2.7 報警系統(tǒng)性能評價研究

報警系統(tǒng)性能評價是報警管理生命周期H-監(jiān)控與評價階段中關(guān)鍵任務(wù)之一.為保證報警系統(tǒng)正常發(fā)揮其應(yīng)用的保護(hù)功能,及時發(fā)現(xiàn)不合理設(shè)計,應(yīng)對其性能進(jìn)行定期評價.EEMUA制訂了測量報警系統(tǒng)性能水平的5級模型,分別為:超載、被動、穩(wěn)定、魯棒、預(yù)測,由平均報警率、最大報警率、超標(biāo)報警率3個指標(biāo)共同決定.

文獻(xiàn)[127]構(gòu)建操作員模型,依據(jù)事先定義好的8個指標(biāo)對報警系統(tǒng)進(jìn)行評估,從而依據(jù)評估結(jié)果提升報警系統(tǒng)性能,如調(diào)整報警閾值等.文獻(xiàn)[128?129]分析過程/質(zhì)量變量的控制圖,利用報警數(shù)據(jù)庫進(jìn)行動態(tài)風(fēng)險評估來提升過程安全和產(chǎn)品質(zhì)量.文獻(xiàn)[130?132]提出基于貝葉斯估計的動態(tài)風(fēng)險評估,利用貝葉斯后驗概率更新故障或異常狀態(tài)實際發(fā)生的概率并實現(xiàn)風(fēng)險預(yù)測,保護(hù)過程安全.文獻(xiàn)[133]構(gòu)建了4種新型可視化工具,實現(xiàn)工業(yè)報警系統(tǒng)的可視化監(jiān)控與定期性能評價.

值得注意的是,報警系統(tǒng)的目的是指導(dǎo)操作員及時采取處理異常的有效措施,但現(xiàn)有研究很少考慮操作員滿意度對報警系統(tǒng)的影響.

4 總結(jié)與展望

本文概述了工業(yè)過程報警管理的概念和意義,針對目前工業(yè)過程報警系統(tǒng)普遍存在的“報警泛濫”問題,分析了導(dǎo)致這一問題出現(xiàn)的內(nèi)在原因和外在原因,以這些原因為導(dǎo)向,總結(jié)了目前學(xué)術(shù)界和工業(yè)界在報警管理各個階段的研究成果.可以看出,工業(yè)報警管理已成為自動化領(lǐng)域的一個重要研究方向,引起了廣泛關(guān)注和探索,具有非常重要的戰(zhàn)略意義.由于報警管理全生命周期包括很多階段和步驟,直接或間接影響到報警系統(tǒng)的性能高低,加上工業(yè)過程的日益復(fù)雜以及高新技術(shù)的飛速發(fā)展,使得報警管理研究存在著如下挑戰(zhàn)性問題:

1)現(xiàn)代工業(yè)過程的多維度分布式建模

精細(xì)可靠的過程模型是實現(xiàn)報警有效管理的前提和基礎(chǔ).而現(xiàn)代工業(yè)過程機(jī)理復(fù)雜,存在多種物理與化學(xué)反應(yīng),氣、液、固三相共存,涉及復(fù)雜的物質(zhì)及能量的轉(zhuǎn)換和傳遞,原料復(fù)雜、工況多變、難以建立精確模型;反應(yīng)裝置內(nèi)部的復(fù)雜性、封閉性和不確定性導(dǎo)致了過程參數(shù)和非線性關(guān)系難以描述和估計.系統(tǒng)內(nèi)的各個參數(shù)大都具有時間分布性、空間分布性和不確定性.因此,如何充分利用過程知識、過程數(shù)據(jù)、報警數(shù)據(jù)建立能夠充分反應(yīng)工業(yè)過程本身的多維度分布式模型具有非常大的挑戰(zhàn).

2)多目標(biāo)、多約束、非線性的報警閾值動態(tài)優(yōu)化

面向安全生產(chǎn)的工業(yè)過程涉及工藝、經(jīng)濟(jì)、環(huán)境、安全約束條件眾多,這就要求處于首道保護(hù)層地位的報警系統(tǒng)在設(shè)計和再設(shè)計時也要充分考慮這些約束條件,關(guān)鍵設(shè)計點在于報警閾值的設(shè)計,閾值的合理與否,直接關(guān)系到是否有正確報警產(chǎn)生以及報警產(chǎn)生的時機(jī)是否合理.因此,如何綜合工業(yè)過程目標(biāo)和約束、報警系統(tǒng)的性能指標(biāo)和約束進(jìn)行報警閾值動態(tài)設(shè)計和優(yōu)化是個很有挑戰(zhàn)性的研究.其次,工業(yè)過程具有較強(qiáng)的非線性關(guān)聯(lián)特征,而且會發(fā)生工況改變、生產(chǎn)切換等大的改變,如何在不同生產(chǎn)條件下,有效進(jìn)行非線性關(guān)聯(lián)特征挖掘和分析,依此真實的非線性關(guān)聯(lián)性得到針對不同生產(chǎn)條件下的多變量動態(tài)報警閾值,得出如圖4所示的能反映真實工業(yè)過程的正常工作區(qū)和異常工作區(qū),值得進(jìn)行深入研究.

3)基于操作員滿意度的報警管理

報警管理的核心就是操作員響應(yīng),目前報警管理研究對于操作員滿意度的考慮還有很大欠缺.如果操作員對現(xiàn)行的報警系統(tǒng)不敏感,則所有的設(shè)計都將毫無意義.因此,應(yīng)充分考慮操作員因素,加強(qiáng)報警系統(tǒng)的柔性與敏捷性管理,定性或定量全面評估操作員對于報警系統(tǒng)可靠性、可操作性以及過程質(zhì)量三方面因素的滿意度指標(biāo),將操作員滿意度融入報警系統(tǒng)設(shè)計或管理中,實現(xiàn)報警系統(tǒng)敏捷管理.

4)基于智能化技術(shù)的智能報警管理

近年來,智能化技術(shù)在自動化領(lǐng)域的研究和應(yīng)用得到了飛速發(fā)展,使得過程建模、故障診斷、自動控制、預(yù)測估計都實現(xiàn)了智能化,降低了成本,提高了效益,但在報警管理領(lǐng)域的應(yīng)用仍較少,但其重要性不可忽視.因此,要緊隨“工業(yè)4.0”和“大數(shù)據(jù)”時代潮流,順應(yīng)兩化融合的驅(qū)動,探索智能理論和技術(shù)尤其是深度學(xué)習(xí)[134]的應(yīng)用潛力,實現(xiàn)智能報警管理,是未來工業(yè)過程報警研究的重大趨勢和核心內(nèi)容.

1 Yang Fan,Xiao De-Yun.Research topics of intelligent alarm management.Computers and Applied Chemistry,2011,28(12):1485?1491(楊帆,蕭德云.智能報警管理若干研究問題.計算機(jī)與應(yīng)用化學(xué),2011,28(12):1485?1491)

2 Zhu Qun-Xiong,Gao Hui-Hui,Liu Fei-Fei,Peng Di,Xu Yuan,Gu Xiang-Bai.Research progress of alarm systems in the process industries.Computers and Applied Chemistry,2014,31(2):129?134(朱群雄,高慧慧,劉菲菲,彭荻,徐圓,顧祥柏.過程工業(yè)報警系統(tǒng)研究進(jìn)展.計算機(jī)與應(yīng)用化學(xué),2014,31(2):129?134)

3 Wang J D,Yang F,Chen T W,Shah S L.An overview of industrial alarm systems:main causes for alarm overloading,research status,and open problems.IEEE Transactions on Automation Science and Engineering,2016,13(2):1045?1061

4 ISA.ANSI/ISA-18.2-2009 Management of alarm systems for the process industries.Durham,NC,USA:International Society of Automation,2009.

5 Stauffer T,Clarke P.Using alarms as a layer of protection.Process Safety Progress,2016,35(1):76?83

6 Health and Safety Executive.The explosion and fires at the Texaco re finery,Milford haven,24 July 1994:a report of the investigation by the health and safety executive into the explosion and fires on the Pembroke cracking company plant at the Texaco re finery,Milford haven on 24 July 1994,ISBN 0717614131,1997.

7 Powell-Price M.The explosion and fires at th Txco R-finery,24 July 1994.IChemE Loss Prevention Bulletin,1997,138:3?10

8 Pariyani A,Seider W D,Oktem U G,Soroush M.Incidents investigation and dynamic analysis of large alarm databases in chemical plants:a fluidized-catalytic-cracking unit case study.Industrial and Engineering Chemistry Research,2010,49(17):8062?8079

9 EEMUA.EEMUA-191-2013 alarm systems–a guide to design,management and procurement.London,UK:Engineering Equipment and Materials Users Association,2013.

10 Rothenberg D H.Alarm Management for Process Control.New York,USA:Momentum Press,2009.

11 NAMUR.NAMUR NA 102-2008 Alarm Management.NAMUR,2008.

12 ERPI.Advanced Control Room Alarm System: Requirements and Implementation Guidance,EPRI Report 1010076,The Electric Power Research Institute(ERPI),2005.

13 ASM.ASM consortium guideline:effective alarm management practice.Abnormal Situation Management Consortium(ASM),2005.

14 API.API 1167 Pipeline SCADA Alarm Management.American Petroleum Institute(API),2010.

15 IEC.IEC 68682 Management of alarm systems for the process industries.International Electrotechnical Commission(IEC),2014.

16 ABB.AlarmInsight?enables effective response to process disturbances[Online],available: http://～library.e.abb.com,May 9,2017

17 ABB.AlarmInsight?-alarm rationalization tool enabling continous alarm lifecycle management[Online],available:http://～library.e.abb.com,May 9,2017

18 Honeywell.DynAmo?alarm management[Online],available:http://～www.honeywellprocess.com,May 9,2017

19 Emerson.DeltaV DCS-alarm management[Online],available:http://～www2.emersonprocess.com,May 9,2017

20 Exida.SILAlarmTM:alarm management|advanced rationallization tool[Online],available:http://www.exida.com/SILAlarm,May 9,2017

21 Siemens.The SIMATIC PCS 7:process control system[Online],available: http://～www.automation.siemens.com,May 9,2017

22 Gupta A,Giridhar A,Venkatasubramanian V,Reklaitis G V.Intelligent alarm management applied to continuous pharmaceutical tablet manufacturing:an integrated approach.Industrial and Engineering Chemistry Research,2013,52(35):12357?12368

23 Hu W K,Afzal M S,Brandt G,Lau E,Chen T W,Shah S L.An application of advanced alarm management tools to an oil sand extraction plant.IFAC-PapersOnLine,2015,48(8):641?646

24 Li D W,Hu J H,Wang H,Huang W J.A distributed parallel alarm management strategy for alarm reduction in chemical plants.Journal of Process Control,2015,34:117?125

25 Hu J Q,Yi Y.A two-level intelligent alarm management framework for process safety.Safety Science,2016,82:432?444

26 Soares V B,Pinto J C,de Souza Jr M B.Alarm management practices in natural gas processing plants.Control Engineering Practice,2016,55:185?196

27 Venkatasubramanian V,Rengaswamy R,Yin K W,Kavuri S N.A review of process fault detection and diagnosis:part I:quantitative model-based methods.Computers and Chemical Engineering,2003,27(3):293?311

28 Venkatasubramanian V,Rengaswamy R,Kavuri S N.A review of process fault detection and diagnosis:part II:qualitative models and search strategies.Computers and Chemical Engineering,2003,27(3):313?326

29 Venkatasubramanian V,Rengaswamy R,Kavuri S N,Yin K W.A review of process fault detection and diagnosis:part III:process history based methods.Computers and Chemical Engineering,2003,27(3):327?346

30 Yin S,Ding S X,Xie X C,Luo H.A review on basic datadriven approaches for industrial process monitoring.IEEE Transactions on Industrial Electronics,2014,61(11):6418?6428

31 Gao Z W,Cecati C,Ding S X.A survey of fault diagnosis and fault-tolerant techniques–part I:fault diagnosis with model-based and signal-based approaches.IEEE Transactions on Industrial Electronics,2015,62(6):3757?3767

32 Yang F,Xiao D Y.Progress in root cause and fault propagation analysis of large-scale industrial processes.Journal of Control Science and Engineering,2012,2012:Article No.478373

33 Yang F,Duan P,Shah S L,Chen T W.Capturing Connectivity and Causality in Complex Industrial Processes.New York,NY,USA:Springer,2014.

34 Duan P,Chen T W,Shah S L,Yang F.Methods for root cause diagnosis of plant-wide oscillations.AIChE Journal,2014,60(6):2019?2034

35 Gui Wei-Hua,Yang Chun-Hua,Chen Xiao-Fang,Wang Ya-Lin.Modeling and optimization problems and challenges arising in nonferrous metallurgical processes.Acta Automatica Sinica,2013,39(3):197?207(桂衛(wèi)華,陽春華,陳曉方,王雅琳.有色冶金過程建模與優(yōu)化的若干問題及挑戰(zhàn).自動化學(xué)報,2013,39(3):197?207)

36 Sadrameli S M.Thermal/catalytic cracking of hydrocarbons for the production of ole fins:a state-of-the-art review I:thermal cracking review.Fuel,2015,140:102?115

37 Maurya M R,Rengaswamy R,Venkatasubramanian V.Application of signed digraphs-based analysis for fault diagnosis of chemical process flowsheets.Engineering Applications of Arti ficial Intelligence,2004,17(5):501?518

38 He B,Chen T,Yang X H.Root cause analysis in multivariate statistical process monitoring: integrating reconstruction-based multivariate contribution analysis with fuzzy-signed directed graphs.Computers and Chemical Engineering,2014,64:167?177

39 Yang Fan,Xiao De-Yun.Review of SDG modeling and its application.Control Theory and Applications,2005,22(5):767?774(楊帆,蕭德云.SDG 建模及其應(yīng)用的進(jìn)展.控制理論與應(yīng)用,2005,22(5):767?774)

40 Yang F,Xiao D Y,Shah S L.Qualitative fault detection and hazard analysis based on signed directed graphs for large-scale complex systems.Fault Detection.Rijeka,Croatia:InTech,2010.15?50

41 Dahlstrand F.Consequence analysis theory for alarm analysis.Knowledge-Based Systems,2002,15(1?2):27?36

42 Jiang H L,Patwardhan R,Shah S L.Root cause diagnosis of plant-wide oscillations using the concept of adjacency matrix.Journal of Process Control,2009,19(8):1347?1354

43 Yim S Y,Ananthakumar H G,Benabbas L,Horch A,Drath R,Thornhill N F.Using process topology in plantwide control loop performance assessment.Computers and Chemical Engineering,2006,31(2):86?99

44 Schleburg M,Christiansen L,Thornhill N F,Fay A.A combined analysis of plant connectivity and alarm logs to reduce the number of alerts in an automation system.Journal of Process Control,2013,23(6):839?851

45 Bauer M,Thornhill N F.A practical method for identifying the propagation path of plant-wide disturbances.Journal of Process Control,2008,18(7?8):707?719

46 Hu W K,Wang J D,Chen T W.A new method to detect and quantify correlated alarms with occurrence delays.Computers and Chemical Engineering,2015,80:189?198

47 Yuan T,Qin S J.Root cause diagnosis of plant-wide oscillations using Granger causality.Journal of Process Control,2014,24(2):450?459

48 Gigi S,Tangirala A K.Quantitative analysis of directional strengths in jointly stationary linear multivariate processes.Biological Cybernetics,2010,103(2):119?133

49 Bauer M,Cox J W,Caveness M H,Downs J J,Thornhill N F.Finding the direction of disturbance propagation in a chemical process using transfer entropy.IEEE Transactions on Control Systems Technology,2007,15(1):12?21

50 Duan P,Yang F,Chen T W,Shah S L.Direct causality detection via the transfer entropy approach.IEEE Transactions on Control Systems Technology,2013,21(6):2052?2066

51 Duan P,Yang F,Shah S L,Chen T W.Transfer zeroentropy and its application for capturing cause and effect relationship between variables.IEEE Transactions on Control Systems Technology,2015,23(3):855?867

52 Wang J,Li H G,Huang J W,Su C.A data similarity based analysis to consequential alarms of industrial processes.Journal of Loss Prevention in the Process Industries,2015,35:29?34

53 Yu J,Rashid M M.A novel dynamic Bayesian networkbased networked process monitoring approach for fault detection,propagation identi fication,and root cause diagnosis.AIChE Journal,2013,59(7):2348?2365

54 Mori J,Mahalec V,Yu J.Identi fication of probabilistic graphical network model for root-cause diagnosis in industrial processes.Computers and Chemical Engineering,2014,71:171?209

56 Barocio E,Pal B C,Fabozzi D,Thornhill N F.Detection and visualization of power system disturbances using principal component analysis.In:Proceedings of the 2013 IREP Symposium Bulk Power System Dynamics and Control-IX Optimization,Security and Control of the Emerging Power Grid.Rethymno,Greece:IEEE,2013.1?10

57 Jacobs S A,Dagnino A.Large-scale industrial alarm reduction and critical events mining using graph analytics on Spark.In:Proceedings of the 2nd International Conference on Big Data Computing Service and Applications(BigDataService).Oxford,UK:IEEE,2016.66?71

58 Hu W K,Al-Dabbagh A W,Chen T W,Shah S L.Process discovery of operator actions in response to univariate alarms.IFAC-PapersOnLine,2016,49(7):1026?1031

59 Yang F,Shah S L,Xiao D Y.SDG(signed directed graph)based process description and fault propagation analysis for a tailings pumping process.IFAC Proceedings Volumes,2010,43(9):50?55

60 Yang F,Sirish L S,Xiao D Y.Signed directed graph modeling of industrial processes and their validation by databased methods.In:Proceedings of the 2010 Conference on Control and Fault-Tolerant Systems(SysTol).Nice,France:IEEE,2010.387?392

61 Wang Y M,Yang F,Lv N,Xu H P,Ye H,Li W C,Xu P,Song L M,Usadi A K.Statistical root cause analysis of novel faults based on digraph models.Chemical Engineering Research and Design,2013,91(1):87?99

62 Gao H H,Xu Y,Gu X B,Lin X Y,Zhu Q X.Systematic rationalization approach for multivariate correlated alarms based on interpretive structural modeling and Likert scale.Chinese Journal of Chemical Engineering,2015,23(12):1987?1996

63 Gao H H,Xu Y,Zhu Q X.Spatial interpretive structural model identi fication and AHP-based multimodule fusion for alarm root-cause diagnosis in chemical processes.Industrial and Engineering Chemistry Research,2016,55(12):3641?3658

64 de Souza J C S,Meza E M,Schilling M T,Do Coutto Filho M B.Alarm processing in electrical power systems through a neuro-fuzzy approach.IEEE Transactions on Power Delivery,2004,19(2):537?544

65 Larsson J E,hman B,Calzada A,Nihlwing C,Jokstad H,Kristianssen L I,Kvalem J,Lind M.A revival of the alarm system:making the alarm list useful during incidents.In:Proceedings of the 5th International Topical Meeting on Nuclear Plant Instrumentation Controls,and Human Machine Interface Technology.Albuquerque,New Mexico,USA:American Nuclear Society,2006.

66 Us T,Jensen N,Lind M,J?rgensen S B.Fundamental principles of alarm design.International Journal of Nuclear Safety and Simulation,2011,2(1):44?51

67 Cauvin S,Cordier M O,Dousson C,Laborie P,Lvy F,Montmain J,Porcheron M,Servet I,Trave-Massuyes L.Monitoring and alarm interpretation in industrial environments.Aicommunications,1998,11(3?4):139?173

68 Abele L,Anic M,Gutmann T,Folmer J,Kleinsteuber M,Vogel-Heuser B.Combining knowledge modeling and machine learning for alarm root cause analysis.IFAC Proceedings Volumes,2013,46(9):1843?1848

69 Wang J D,Xu J W,Zhu D.Online root-cause analysis of alarms in discrete Bayesian networks with known structures.In:Proceedings of the 11th World Congress on Intelligent Control and Automation(WCICA).Shenyang,China:IEEE,2014.467?472

70 Kezunovic M,Guan Y F.Intelligent alarm processing:from data intensive to information rich.In:Proceedings of the 42nd Hawaii International Conference on System Sciences.Big Island,HI,USA:IEEE,2009.1?8

71 Young D J,Lo K L,McDonald J R,Howard R,Rye J.Development of a practical expert system for alarm processing(power systems).IEE Proceedings C—Generation,Transmission and Distribution,1992,139(5):437?447

72 McDonald J R,Burt G M,Young D J.Alarm processing and fault diagnosis using knowledge based systems for transmission and distribution network control.IEEE Transactions on Power Systems,1992,7(3):1292?1298

73 Wen F S,Chang C S.Tabu search approach to alarm processing in power systems.IEE Proceedings—Generation,Transmission and Distribution,1997,144(1):31?38

74 Wen F S,Chang C S,Fu W H.New approach to alarm processing in power systems based on the set covering theory and a re fined genetic algorithm.Electric Machines and Power Systems,1998,26(1):53?67

75 Simeu-Abazi Z,Lefebvre A,Derain J P.A methodology of alarm filtering using dynamic fault tree.Reliability Engineering and System Safety,2011,96(2):257?266

76 Guo W X,Wen F S,Liao Z W,Wei L H,Xin J B.An analytic model-based approach for power system alarm processing employing temporal constraint network.IEEE Transactions on Power Delivery,2010,25(4):2435?2447

77 Wei L H,Guo W X,Wen F S,Ledwich G,Liao Z W,Xin J B.An online intelligent alarm-processing system for digital substations.IEEE Transactions on Power Delivery,2011,26(3):1615?1624

78 Dubois L,Forět J M,Mack P,Ryckaert L.Advanced logic for alarm and event processing:methods to reduce cognitive load for control room operators.IFAC Proceedings Volumes,2010,43(13):158?163

79 Lee J W,Kim J T,Park J C,Hwang I K,Lyu S P.Computer-based alarm processing and presentation methods in nuclear power plants.International Scholarly and Scienti fic Research and Innovation,2010,4(5):940?944

80 Thambirajah J,Benabbas L,Bauer M,Thornhill N F.Cause-and-effect analysis in chemical processes utilizing XML,plant connectivity and quantitative process history.Computers and Chemical Engineering,2009,33(2):503?512

81 Chiang L H,Braatz R D.Process monitoring using causal map and multivariate statistics:fault detection and identi fication.Chemometrics and Intelligent Laboratory Systems,2003,65(2):159?178

82 Rodrigo V,Chioua M,Hagglund T,Hollender M.Causal analysis for alarm flood reduction.IFAC-PapersOnLine,2016,49(7):723?728

83 Folmer J,Pantfrder D,Vogel-Heuser B.An analytical alarm flood reduction to reduce operator′s workload.Human-Computer Interaction.Users and Applications.Berlin,Heidelberg,Germany:Springer,2011.297?306

84 Folmer J,Vogel-Heuser B.Computing dependent industrial alarms for alarm flood reduction.In:Proceedings of the 9th International Multi-Conference on Systems,Signals and Devices(SSD).Chemnitz,Germany:IEEE,2012.1?6

85 Folmer J,Schuricht F,Vogel-Heuser B.Detection of temporal dependencies in alarm time series of industrial plants.IFAC Proceedings Volumes,2014,47(3):1802?1807

86 Ahmed K,Izadi I,Chen T W,Joe D,Burton T.Similarity analysis of industrial alarm flood data.IEEE Transactions on Automation Science and Engineering,2013,10(2):452?457

87 Cheng Y,Izadi I,Chen T W.Pattern matching of alarm flood sequences by a modi fied Smith-Waterman algorithm.Chemical Engineering Research and Design,2013,91(6):1085?1094

88 Charbonnier S,Bouchair N,Gayet P.Fault isolation by comparing alarm lists using a symbolic sequence matching algorithm.IFAC Proceedings Volumes,2014,47(3):7085?7090

89 Charbonnier S,Bouchair N,Gayet P.A weighted dissimilarity index to isolate faults during alarm floods.Control Engineering Practice,2015,45:110?122

90 Chen Zhong-Sheng,Gao Hui-Hui,Xu Yuan,Zhu Qun-Xiong.Discrete Fourier transform-based alarm flood sequence cluster analysis and applications in process industry.CIESC Journal,2016,67(3):788?796(陳忠圣,高慧慧,徐圓,朱群雄.基于離散傅里葉變換的過程工業(yè)報警泛濫序列聚類分析及應(yīng)用.化工學(xué)報,2016,67(3):788?796)

91 HuWK,WangJD,ChenTW.Fastsequence alignment for comparing industrial alarm floods.IFACPapersOnLine,2015,48(8):647?652

92 Hu W K,Wang J D,Chen T W.A local alignment approach to similarity analysis of industrial alarm flood sequences.Control Engineering Practice,2016,55:13?25

93 Izadi I,Shah S L,Shook D S,Kondaveeti S R,Chen T W.A framework for optimal design of alarm systems.IFAC Proceedings Volumes,2009,42(8):651?656

94 Cheng Y,Izadi I,Chen T W.On optimal alarm filter design.In:Proceedings of the 2011 International Symposium on Advanced Control of Industrial Processes(ADCONIP).Hangzhou,China:IEEE,2011.139?145

95 Cheng Y,Izadi I,Chen T W.Optimal alarm signal processing: filter design and performance analysis.IEEE Transactions on Automation Science and Engineering,2013,10(2):446?451

96 Adnan N A,Izadi I.On detection delays of filtering in industrial alarm systems.In: Proceedings of the 21st Mediterranean Conference on Control and Automation(MED).Chania,Greece:IEEE,2013.113?118

97 Tan W,Sun Y K,Azad I I,Chen T W.Design of univariate alarm systems via rank order filters.Control Engineering Practice,2017,59:55?63

98 Naghoosi E,Izadi I,Chen T W.A study on the relation between alarm deadbands and optimal alarm limits.In:Proceedings of the 2011 American Control Conference(ACC).San Francisco,CA,USA:IEEE,2011.3627?3632

99 Kondaveeti S R,Izadi I,Shah S L,Chen T W.On the use of delay timers and latches for efficient alarm design.In:Proceedings of the 19th Mediterranean Conference on Control and Automation(MED).Corfu,Greece:IEEE,2011.970?975

100 Adnan N A,Izadi I,Chen T W.On expected detection delays for alarm systems with deadbands and delay-timers.Journal of Process Control,2011,21(9):1318?1331

101 Adnan N A,Cheng Y,Izadi I,Chen T W.Study of generalized delay-timers in alarm con figuration.Journal of Process Control,2013,23(3):382?395

102 Zhu J F,Shu Y D,Zhao J S,Yang F.A dynamic alarm management strategy for chemical process transitions.Journal of Loss Prevention in the Process Industries,2014,30:207?218

103 Xu X B,Li S B,Song X J,Wen C L,Xu D L.The optimal design of industrial alarm systems based on evidence theory.Control Engineering Practice,2016,46:142?156

104 Bristol E H.Improved process control alarm operation.ISA Transactions,2001,40(2):191?205

105 Brooks R,Thorpe R,Wilson J.A new method for de fining and managing process alarms and for correcting process operation when an alarm occurs.Journal of Hazardous Materials,2004,115(1?3):169?174

106 Kondaveeti S R,Shah S L,Izadi I.Application of multivariate statistics for efficient alarm generation.IFAC Proceedings Volumes,2009,42(8):657?662

107 Izadi I,Shah S L,Shook D S,Chen T W.An introduction to alarm analysis and design.IFAC Proceedings Volumes,2009,42(8):645?650

108 Yang F,Shah S L,Xiao D Y.Correlation analysis of alarm data and alarm limit design for industrial processes.In:Proceedings of the 2010 American Control Conference(ACC).Baltimore,MD,USA:IEEE,2010.5850?5855

109 Xu S C,Adhitya A,Srinivasan R.Hybrid model-based framework for alarm anticipation.Industrial and Engineering Chemistry Research,2014,53(13):5182?5193

110 Zang H,Li H G.Optimization of process alarm thresholds:a multidimensional kernel density estimation approach.Process Safety Progress,2014,33(3):292?298

111 Han L,Gao H H,Xu Y,Zhu Q X.Combining FAP,MAP and correlation analysis for multivariate alarm thresholds optimization in industrial process.Journal of Loss Prevention in the Process Industries,2016,40:471?478

112 Gao H H,Liu F F,Zhu Q X.A correlation consistency based multivariate alarm thresholds optimization approach.ISA Transactions,2016,65:37?43

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

114 Ahmed S,Gabbar H A,Chang Y J,Khan F I.Risk based alarm design:a systems approach.In:Proceedings of the 2011 International Symposium on Advanced Control of Industrial Processes(ADCONIP).Hangzhou,China:IEEE,2011.42?47

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

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

117 Foong O M,Sulaiman S,Rambli D R A,Abdullah N S.ALAP:alarm prioritization system for oil re finery.In:Proceedings of the 2009 World Congress Engineering and Computer Science(WCECS 2009).San Francisco,USA:IAENG,2009.1012?1017

118 Wang J D,Chen T W.Main causes of long-standing alarms and their removal by dynamic state-based alarm systems.Journal of Loss Prevention in the Process Industries,2016,43:106?119

119 Leit?ao G B P,Guedes L A,de Araújo J R S.A correlationbased approach to determining related alarms in industrial processes.In:Proceedings of the 17th Conference on Emerging Technologies and Factory Automation(ETFA).Krakow,Poland:IEEE,2012.1?7

120 Yang Z J,Wang J D,Chen T W.Detection of correlated alarms based on similarity coefficients of binary data.IEEE Transactions on Automation Science and Engineering,2013,10(4):1014?1025

121 Yang Z J,Wang J D,Chen T W.On correlation analysis of bivariate alarm signals.In:Proceedings of the 2012 International Conference on Information and Automation(ICIA).Shenyang,China:IEEE,2012.530?535

122 Noda M,Higuchi F,Takai T,Nishitani H.Event correlation analysis for alarm system rationalization.Asia-Paci fic Journal of Chemical Engineering,2011,6(3):497?502

123 Nishiguchi J,Takai T.IPL2 and 3 performance improvement method for process safety using event correlation analysis.Computers and Chemical Engineering,2010,34(12):2007?2013

124 Akatsuka S,Noda M,Sugimoto K.Similarity analysis of sequential alarms in plant operation data by using Levenshtein distance.Kagaku Kogaku Ronbunshu,2013,39(4):352?358

125 Zhao Jin-Song,Zhu Jian-Feng.Data filtering based alarm processing strategy for repeating alarms.Journal of Tsinghua University(Science and Technology,2012,52(3):277?281(趙勁松,朱劍鋒.基于數(shù)據(jù)過濾的化工過程重復(fù)報警處理策略.清華大學(xué)學(xué)報(自然科學(xué)版),2012,52(3):277?281)

126 Kondaveeti S R,Izadi I,Shah S L,Black T,Chen T W.Graphical tools for routine assessment of industrial alarm systems.Computers and Chemical Engineering,2012,46:39?47

127 Liu X W,Noda M,Nishitani H.Evaluation of plant alarm systems by behavior simulation using a virtual subject.Computers and Chemical Engineering,2010,34(3):374?386

128 Pariyani A,Seider W D,Oktem U G,Soroush M.Dynamic risk analysis using alarm databases to improve process safety and product quality:part I–data compaction.AIChE Journal,2012,58(3):812?825

129 Pariyani A,Seider W D,Oktem U G,Soroush M.Dynamic risk analysis using alarm databases to improve process safety and product quality:part II–Bayesian analysis.AIChE Journal,2012,58(3):826?841

130 Kalantarnia M,Khan F,Hawboldt K.Dynamic risk assessment using failure assessment and Bayesian theory.Journal of Loss Prevention in the Process Industries,2009,22(5):600?606

131 Kalantarnia M,Khan F,Hawboldt K.Modelling of BP Texas City re finery accident using dynamic risk assessment approach.Process Safety and Environmental Protection,2010,88(3):191?199

132 Zhu J F,Zhao J S,Yang F.Dynamic risk analysis with alarm data to improve process safety using Bayesian network.In:Proceedings of the 11th World Congress on Intelligent Control and Automation(WCICA).Shenyang,China:IEEE,2014.461?466

133 Gao Hui-Hui,Xu Yuan,Zhu Qun-Xiong.Visualization monitoring techniques and applications in process industry alarm systems.CIESC Journal,2015,66(1):215?221(高慧慧,徐圓,朱群雄.過程工業(yè)報警系統(tǒng)可視化監(jiān)控技術(shù)及應(yīng)用.化工學(xué)報,2015,66(1):215?221)

134 Duan Yan-Jie,Lv Yi-Sheng,Zhang Jie,Zhao Xue-Liang,Wang Fei-Yue.Deep learning for control:the state of the art and prospects.Acta Automatica Sinica,2016,42(5):643?654(段艷杰,呂宜生,張杰,趙學(xué)亮,王飛躍.深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望.自動化學(xué)報,2016,42(5):643?654)