過程參數滋擾報警的一類自適應管理策略

王佳，李宏光

（北京化工大學信息科學與技術學院，北京 100029）

過程參數滋擾報警的一類自適應管理策略

王佳，李宏光

（北京化工大學信息科學與技術學院，北京 100029）

滋擾報警是過程工業報警系統的主要問題，然而，目前報警優化方法一般敏感度低、可靠性差，根據報警變量之間的時間間隔和報警持續時間確定滋擾報警的形式，提出了自適應報警死區和報警延時器的計算方法，利用時間序列ARMA模型預測報警死區來處理高頻報警，并利用報警間隔時間更新報警延時器參數n來處理低頻報警。通過工業實例數據驗證表明，所提出的方法能夠有效減少滋擾報警的數量、提高報警系統的性能。

報警管理；報警死區；延時器； 滋擾報警

引 言

工業過程報警數量眾多一方面是由于實際過程參數關聯造成的，不正常狀態會從報警源向相關聯的環節傳播引發多處報警；另一方面由于受到隨機擾動使得過程變量在報警限附近振蕩，或者由于報警參數設置不合理導致某一參數的報警重復出現，此類報警稱為滋擾報警。滋擾報警通常不代表出現故障，振蕩報警和重復報警是其主要形式[1-4]。

近年來，對于振蕩報警和重復報警的處理受到了廣泛的關注。Burnell等[5]提出用自動擱置技術來處理重復報警，但是在不正常狀況下，自動擱置不會產生報警將給工業過程帶來嚴重的危害。此外，EEMUA指出處理滋擾報警的主要措施有包括濾波器、報警死區和報警延時器措施。為了定量化描述滋擾報警情況，Kondaveeti等[6]提出了利用報警的運行長度來量化振蕩報警的程度。由于不存在設計參數和滋擾報警之間的相連特性，Naghoosi等[7]加入了報警變量統計分布特征來分析報警延時器和死區對振蕩指數的影響。Wang等[8-9]提出了一種在線監測并且通過閾值和延時器的方法減少由于振蕩產生的報警，但是并沒有區分不同的報警信號形式和不同報警優化方法的優缺點。趙勁松等[10]提出了在報警自動抑制不足的基礎上對數據進行過濾，來優化報警限，其主要是對歷史數據進行分析，不能實現在線的實時管理，并且報警限的優化方法并不是對所有的重復報警都有效，不同的重復報警形式應采取不同的報警優化手段。

由于過程參數的動態性質，其報警狀態也是動態變化的，并且產生報警的形式多種多樣。本文為了提高對滋擾報警的在線自適應處理能力，提出對不同的報警信號區別對待。通過報警的持續時間和報警的間隔可以確定滋擾報警的形式，其中，報警死區對于高頻噪聲的抑制有很好的效果，而對于低頻或慢時變特征的信號采用報警延時器。論文利用時間序列對采集到的數據進行動態建模并識別模型中的隨機成分，利用時間序列ARMA模型實現對報警死區的預測估計；通過檢測報警間隔時間的變化，利用時間間隔的均方差模型實現報警延時階次的實時更新。對不同報警產生形式結合報警死區和報警延時器的優化方法來達到減少或者消除滋擾報警的目的。

1 滋擾報警檢測

工業標準ISA-18.2將1min內超過3次報警的情況認為是滋擾報警，即滋擾報警的最大周期為20 s，可以通過式（1）來判斷是否存在滋擾報警[6]

其中，η稱為滋擾報警指數；運行長度r指針對同一報警，時間戳上2個連續報警之間的時間間隔內的采樣點；ACr為一段時間內r的個數。一般情況下，如果滋擾報警指數大于0.05，就認為這一段報警數據包含滋擾報警。

滋擾報警指數可以判斷是否存在振蕩報警，但并不能區分振蕩報警產生機制。為了確定振蕩報警的類型，可以從報警持續時間和報警間隔兩方面對振蕩報警進行分析。

定義1：報警持續時間指從報警產生到報警清除之間的間隔，即

其中，xa(t(i?1)act)=0，xa(t(i)act)=1或者?1；xa(t(i)ret)=1或者?1，xa(t(i+1)ret)=0,t(i+1)＞t(i),xa(t)為報警數據，xa(t(i)act)為報警觸發時刻，xa(t(i)ret)為報警清除時刻。

定義2：報警間隔時間指從報警清除到下一次報警產生之間的間隔，即

其中，xa(t(i)ret)=1或者?1，xa(t(i+1)ret)=0；或者?1。

在滋擾報警范圍時間段內，如果報警持續時間與間隔時間相等并且小于ISA-18.2規定的閾值20 s，并且在一段時間內，報警持續時間與間隔時間不變，稱為快時變特征的振蕩報警。如果報警持續時間與間隔時間隨著時間變化并且大于ISA-18.2規定的閾值20 s，稱為慢時變特征的振蕩報警。

2 滋擾報警管理策略

合理設置報警死區和報警延時器是滋擾報警的主要管理策略，當振蕩報警信號具有快時變特征時，在報警優化設計過程中采用報警死區方法。當振蕩報警信號具有慢時變特征時，采用報警延時器比采用報警死區來消除滋擾報警更加合適。

（1）報警死區

過程參數()x t的概率密度函數在正常和不正常條件下由()p x和()q x表示，如圖1所示，其中，()x t是獨立同分布的函數。報警死區可以通過設置高閾值XHtp、低閾值XLtp來實現，高閾值產生報警，低閾值清除報警。在報警系統設計時需要滿足誤報警率和漏報警率兩個性能指標。假設過程變量服從獨立同分布，利用馬爾科夫過程得到報警器的誤報率（FAR）和漏報率（MAR）為

其中，，p1為正常狀態下x超過閾值的概率，p2為正常狀態下x小于閾值的概率。

當在異常狀態下的，對應的漏報警率（MAR）為

圖1 過程參數概率密度Fig.1 Process probability density

其中，q1為異常狀態下小于閾值的概率，q2為異常狀態下大于閾值的概率。

可以看出，報警死區是為初始報警閾值設定的一個上下范圍，相比于傳統的閾值設置方法，能有效地降低誤報率和漏報率，提高報警準確性。

自適應報警死區的設計應該大于期望的噪聲信號，死區被認為是噪聲方差的函數，噪聲越大，方差范圍越大，因此可以通過對噪聲的估計來改變死區的范圍。時間序列分析能夠把過程變量的測量值和噪聲信號進行分離，對采集的數據進行實時建模，預測報警的實時變化狀態。因此可以根據報警發生時的過程信號的時間序列來確定報警死區的范圍，利用報警時間序列建立過程參數的自回歸滑動平均模型ARMA[11]，即

其中，ta是白噪聲信號，方差為，()Bθ為移動平均系數，()Bψ為自回歸函數系數，()tB aθ代表過程信號的高頻噪聲信號。tz是過程的測量信號，由此可得將來的L時間段的信號范圍為

其中，uε/2是偏差值，標準正態分布以概率ε/2超過該值，sa是過程實際信號方差的估計，令ψ(B)(1+?1B+?2B2+…)=θ(B)系數相等，求得?權值。

對于可逆的移動平均過程，最大的報警范圍為

對于建立的MA過程，可得預報誤差的方差as為

其中，λ=1?θ。

（2）報警延時器

報警延時器的作用是通過對n個連續的報警采樣信號均為同類報警的判斷來清除滋擾報警，分為延時開和延時關兩種方式。其中延時開主要是指n個連續的信號超過報警限才產生報警，延時關主要是指n個連續的信號低于報警限才清除報警。

自適應報警延時器參數n的更新根據在線監測報警持續時間和報警間隔進行設計。如圖2所示，隨著參數n的增大，FAR，MAR會單調遞減。根據馬爾科夫過程的相關性質，報警延遲方法中誤報率的計算公式為

同理，當運行在異常狀態時，漏報率的計算公式為

圖2 報警延時器階次和FAR、MAR關系Fig.2 Relationship among alarm delay-timer orders, FAR and MAR

滑動窗口和整個報警序列的報警間隔時間可以描述為

其中，tact為報警觸發時刻，tret為報警清除時刻，s為整個報警序列，用報警間隔時間公式(2)定義的滑動窗口將整個報警序列分成L個報警間隔時間值。

固定報警延時器對減少工業過程的報警數量效果并不理想, 時間參數設置過大會導致漏報警,時間參數過小會導致誤報警。對于不同的報警延時器參數n可以根據已經運行的時間T的變化趨勢進行估計，根據均值、方差、給定置信水平的置信下限隨T的變化趨勢，進行動態確定[12-13]。

其中，Ti(0)是第i個報警產生的時間間隔（i=1,2,…,L），Tavg為時間間隔的平均值，ST為時間間隔的均方差。

CV=ST/Tavg服從自由度為L?1，置信區間(1?α)*100%的開方分布，其中α=0.05。利用假設檢驗公式（15）對報警持續時間是否穩定進行檢驗，如果公式（15）成立，CV發生變化，報警延時器滯后參數n需要更新。

報警延時器階次參數n更新公式如下

其中，CV為時間間隔的變異系數；T為初始延時時間閾值；n為動態延時器參數，AAD為過程中規定的平均延時時間。該方法根據報警時間序列的時間間隔波動程度來調整延時器參數n, 對于報警時間序列波動程度大的情況，增加延時器參數n能得到較好的報警效果。

3 自適應滋擾報警管理

由于報警信息的不確定性，采用預測需要做兩方面的假設條件：

（1）歷史數據中能夠提取報警信號的正常和不正常數據。

（2）報警信號具有獨立同分布特征。噪聲服從正態分布具有獨立同分布特征。其測量值可以用公式X(t)=xd(t)+e(t)表示。其中，xd(t)是確定形式可以測量的值，e(t)為IID高斯白噪聲。

針對由于擾動使得過程變量出現高頻和低頻兩種類型的滋擾報警，綜合應用報警死區預測和報警延時器給出自適應滋擾報警管理策略[14-15]，如圖3所示，具體實現步驟如下：

（1）采集的包含正常和不正常情況的歷史數據，對其進行歸一化處理，即

圖3 基于自適應機制滋擾報警抑制流程Fig.3 Flow chart of nuisance alarm suppression based on adaptive mechanisms

其中，xmin,xmax分別為原始數據的最小值和最大值，i=1,2,…,m。

（3）將預先設定的報警死區范圍和延時器參數，分別應用誤報警率和漏報警率的計算方法，見式（4）、式（5）和式（10）、式（11），得到誤報警率和漏報警率。

（4）對采集的時間序列利用滑動時間窗函數進行分割，得到一系列子序列。時間窗的大小L由歷史數據訓練得到。

（5）對于分割的子序列，由已經確定的報警閾值轉化為報警數據，采用式（1）定義的滋擾報警率，判斷是否存在滋擾報警；如果存在轉到步驟（6），否則轉到步驟（7）。

（6）利用公式（2）、公式（3）判斷子報警序列的報警持續時間和報警間隔是否相等，當有高頻滋擾報警發生時啟動報警死區優化，利用公式(8)得到最大的死區范圍；否則采用報警延時器的優化方法，其最大的延時時間由公式（17）決定。利用上述滋擾報警優化方法, 可以有效減少由于不確定性干擾和測量噪聲導致的誤報警。

（7）轉到下一個滑動時間窗口，重復步驟（5）、（6）。

4 仿真研究

采用某工業DMF雙塔回收過程的實際數據[16-17]進行分析研究，其中包含了28個操作變量、62個模擬變量和36個數字變量。選取DMF回收過程中鍋爐蒸汽進氣壓力數據，采樣周期為1 s，過程變量的運行曲線如圖4所示。

設定高報警觸發點為x=0.9，低報警觸發點為x=0.5，報警數據xa(t)如圖5所示。

圖4 鍋爐蒸汽進氣壓力Fig.4 Boiler steam inlet pressure

圖5 鍋爐蒸汽進氣壓力報警信號xa(t)Fig.5 Alarm signalsxa(t) of boiler steam inlet pressure

當在一個時間窗范圍內振蕩指數小于最小的閾值0.05時，報警死區和報警延時器的值保持原來的數值；當振蕩指數大于0.05時，得出由于噪聲和不合理的報警配置導致滋擾報警出現，需要通過報警優化死區和延時器方法減小報警數量。可以看出，壓力測量值x(t)在時間段100～200 s, 1000～2000 s, 10500～11500 s時存在滋擾報警情況。利用100～200 s的時間段時間建立ARIMA模型，進行報警死區的估計，采用95%的置信限值為1.96，方差的估計值為0.0405。因此可得死區的范圍為

當采用自適應報警死區技術進行優化時，在此時間段內由原來的60個報警減小到10個報警，優化后報警系統減少了由于不確定性干擾和測量噪聲導致的誤報警。如果不采用自適應更新機制，采用固定的報警死區值時報警數量保持在45個。

另外，在2240～2280 s，3500～4000 s，4700～5200 s，6500～7200 s, 9300～9400 s時出現了間斷性報警和慢時變特征的振蕩報警。需要通過檢測報警間隔時間來對報警滯后時間數進行更新。根據時間序列的均值和標準差變化可得到報警間隔時間的變化如圖6所示。參數n可以依據檢測值的進行更新。在3500～4000 s時，圖7（a）給出自適應報警延時器n=28的情況，報警數量從400下降到25。相反如果不采用自適應更新機制，采用固定的報警參數n值，報警數量將會保持在45，如圖7（b）所示。

當報警間隔序列沒有通過報警持續時間進行檢驗，參數n保持在默認值n=20 s。相應的誤報警和漏報警次數對比如表1所示。

表1x(t)的自適應方法仿真結果Table 1 Results using proposed method forx(t)

圖6 報警間隔時間圖Fig.6 Histograms of alarm interval

通過采用本文提出的自適應設置方法，可以大大減少誤報警的數量，并且抑制了漏報警的數量。優化結果對比如表2所示，處理后變量的誤報漏報率明顯下降。

表2 優化結果對比Table 2 Evaluation results of optimization methods

圖7 自適應報警延時器（a）和固定報警延時器（b）Fig.7 Adaptive alarm delay-timers (a) and fixed alarm delay-timers (b)

5 結 論

論文針對工業過程報警系統中的滋擾報警問題進行了研究，根據滋擾報警的表現形式不同，提出一種自適應的滋擾報警消除方法，該方法通過結合報警死區和報警延時器優缺點對信號進行處理。仿真結果表明，自適應報警死區適用于持續性發生報警的情況；對慢時變特征的報警時間間隔的波動引入自適應延時時間優化方法，簡化時間間隔參數的設定。通過兩種方法的結合，減少滋擾報警產生的誤報警和漏報警，同時又避免因信息缺失影響報警系統的準確性。

但是，當報警誤差范圍大于3倍標準差時，通過調整死區范圍不能有效地減小震蕩，更好的方法就是進一步研究報警閾值、滋擾報警率和報警死區之間的關系。自適應延時器技術對慢時變特征的報警表現出較好的效果，但是初始的延時參數太小，自適應延時方法的仿真效果就不會很明顯。

符 號 說 明

AAD ——最大延時時間

ACr——報警次數

CV ——時間間隔的變異系數

FAR ——誤報率

MAR ——漏報率

n——動態延時器參數

r——運行長度

sa——方差

T——報警時間間隔

η——滋擾報警指數

[1] Yang Fan (楊帆), Xiao Deyun (蕭德云). Research topic of intelligent alarm management [J].Computers and Applied Chemistry(計算機與應用化學),2011, 28 (12):1485-1491.

[2] Zhu Qunxiong (朱群雄). Research progress of alarm systems in the process industries [J].Computers and Applied Chemistry(計算機與應用化學), 2014, (02):129-134.

[3] Cheng Y, Izadi I, Chen T. Pattern matching of alarm flood sequences by a modified Smith-Waterman algorithm [J].Chemical Engineering Research and Design, 2013, 91 (6): 1085-1094.

[4] Xu J,et al. Performance assessment and design for univariate alarm systems based on FAR, MAR, and AAD [J].IEEE Transactions on Automation Science and Engineering, 2012, 9 (2): 296-307.

[5] Burnell E, Dicken C R. Handling of repeating alarms [C]. London: IEE Colloquium on Stemming the Alarm Flood, 1997.

[6] Kondaveeti S R,et al. Quantification of alarm chatter based on run length distributions [J].Chemical Engineering Research and Design, 2013, 91 (12): 2550-2558.

[7] Naghoosi E, Izadi I, Chen T. Estimation of alarm chattering [J].Journal of Process Control, 2011, 21 (9): 1243-1249.

[8] Wang J, Chen T. An online method for detection and reduction of chattering alarms due to oscillation [J].Computers & Chemical Engineering, 2013, 54: 140-150.

[9] Wang J, Chen T. An online method to remove chattering and repeating alarms based on alarm durations and intervals [J].Computers & Chemical Engineering, 2014, 67: 43-52.

[10] Zhao Jinsong (趙勁松), Zhu Jianfeng (朱劍鋒). Date filtering based on alarm processing strategy for repeating alarms [J].Journal of Tsinghua Univ. (Sci &Tech) (清華大學學報: 自然科學版), 2012,52 (3): 277-281.

[11] Wang Feng (王峰), Li Hongguang (李宏光), Zang Hao (臧灝). Process alarm prognosis based on logistic and ARMA models [J].CIESC Journal(化工學報), 2012, 63 (9): 2941-2947.

[12] Gong Jian (龔儉), Mei Haibin (梅海彬). Multi-feature correlation redundance elimination of intrusion event [J].Journal of South East University(Natural Science Edition) (東南大學學報：自然科學版), 2005,35 (3): 366-371.

[13] Yan Shaohua (晏少華) , Xu Lei (徐蕾). Alert aggregation method research based on dynamic time threshold [J].Journal of Shen yang Institute of Aeronautical Engineering(沈陽航空工業學院學報), 2010, 27 (5): 68-72.

[14] Liu Heng (劉恒), Liu Zhenjuan (劉振娟), Li Hongguang (李宏光). A data-driven approach to chemical process alarm threshold optimization [J].CIESC Journal(化工學報), 2012, 63 (9): 2733-2738.

[15] Xu J,et al.Performance assessment and design for univariate alarm systems based on FAR, MAR, and AAD [J].IEEE Transactions on Automation Science and Engineering, 2012, 9 (2): 296-307.

[16] Zang Hao (臧灝), Li Hongguang (李宏光), Yang Fan (楊帆), Huang Dexian (黃德先). Analysis and improvement of process industrial alarm systems traditional assessment methods [J].CIESC Journal(化工學報), 2014, 65 (11): 4459-4464.

[17] Zang H, Li H. Optimization of process alarm thresholds: a multidimensional kernel density estimation approach [J].Process Safety Progress, 2014, 33 (3): 292-298.

A class of adaptive management strategies of nuisance alarms associated with industrial process parameters

WANG Jia, LI Hongguang
(College of Information Science & Technology,Beijing University of Chemical Technology,Beijing100029,China)

Nuisance alarms are recognized as the major problem in the process industry. However, current alarm optimization methods usually suffer difficulties such as low sensitivity and poor reliability. In this paper, based on alarm interval and alarm duration of alarm data, the types of nuisance alarms are determined before an adaptive method to effectively determine the delay timers and alarm deadbands. An ARMA model is established to forecast adaptive alarm deadbands which are employed to deal with high frequency alarms, while the alarm delays updated by adaptively adjusting alarm time intervals are used to deal with low frequency alarms. Experiments with industrial process data are carried out, illustrating that the proposed method can reduce the numbers of false and missed alarms as well as improve the performance of alarm systems.

alarm managements; alarm deadbands; delay-timers; nuisance alarms

LI Hongguang,lihg@mail.buct.edu.cn

10.11949/j.issn.0438-1157.20150206

TP 277

：A

：0438—1157（2015）10—4085—07

2015-02-09收到初稿，2015-04-29收到修改稿。

聯系人：李宏光。

：王佳（1986—），男，博士研究生。

中央高校基本科研業務費專項資金項目（YS1404）。

Received date: 2015-02-09.

Foundation item: supported by the Foundamental Research Funds for the Central Universities of Ministry of Education of China (YS1404).