工業過程報警管理研究進展

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、設備故障或其他異常工況,并要求操作員作出及時響應、處理異常、消除報警.報警系統(Alarm system)是檢測報警狀態的硬件和軟件的集合,將狀態指示傳達給操作者,并記錄報警狀態的變化.報警管理(Alarm management)是確定、記錄、設計、操作、監控和維護報警系統的過程和實踐.報警系統幾乎是所有現代工業過程(包括石油化工、冶金、電力等)的核心組成,對保障工業過程安全、高效、有序運行起著舉足輕重的作用.隨著工業化和信息化的深度融合以及全球化競爭的日益加劇,在充分運用信息化、智能化技術提高工業經濟效益的同時,也給工業安全生產帶來了極大挑戰和難題,近年來,關于工業過程報警研究已經獲得了大量成果[1?3].本文從工業過程報警管理角度出發,依據報警管理生命周期各個階段的任務分配綜述了近年來工業過程報警管理的綜合研究現狀,首先介紹報警管理的概念及其重要性,其次闡述工業過程內在特點,并依據這些特點分析導致“報警泛濫”的主要原因;然后總結工業報警規范與企業應用進展,并依據原因分類總結學術界的研究現狀;最后根據工業過程在工業化和信息化融合推動下的發展需求,探討了報警系統管理存在的問題與未來可能的發展方向.

1 報警管理概述及其重要性

1.1 報警管理概述

科學合理的報警管理,可以確保報警系統發揮應有的保護功能,防止異常事件惡化,從而防止災害發生.國際自動化學會(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,適用于安裝新的報警系統或管理現有系統.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、輸入和輸出如表1所示;有三個入口點,分別為理念、監控與評價、審核.有三個閉環回路,如圖1虛線所示,一為“運行–監控與評價–維護–運行”回路,該回路通過定期監控與識別問題報警從而進行維護;二為“運行–監控與評價–變更管理–運行”回路,在該回路中,會利用先進報警技術進行再設計;三為整個報警管理生命周期本身.

1.2 報警管理重要性

作為工業過程的首道保護層[5](如圖2),報警系統的性能優劣直接關系到過程安全、產品質量、生產成本甚至人員傷亡,是影響國計民生的重要因素.根據非正常工況管理聯盟(Abnormal Situation Management,ASM)調查、統計,每年工業企業都會由于意外停車、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,由于系統受到外界擾動,平均2～3s就至少有1個報警發生,在大量報警信息中,操作員未能識別出閥門粘滯異常,最終導致事故發生.大量的事故調查分析顯明,科學合理的報警系統對于切實保障工業過程的運行安全性、可靠性和經濟性具有重要的意義.

圖2 過程保護層及其影響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的安全金字塔結構[8]也可以明顯看出,在事故發生之前,總是伴隨有多個虛驚事件.合理的報警系統可以及時發現和告知虛驚事件的發生,幫助操作員快速采取有效措施處理異常情況,消除報警,使生產過程恢復到正常運行狀態,從而可以防止虛驚事件向安全事故惡化,避免事故發生.

圖3 安全金字塔結構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報警系統性能低下,最為常見也是最棘手的問題便是“報警泛濫(Alarm flood)”,此時,報警數量大大超過控制臺操作員的處理能力和應對能力.表2清晰地展示了目前石油天然氣、石化、電力和其他行業的報警系統基本性能指標與歐洲工程設備和材料用戶協會（The Engineering Equipment and Materials Users′Association,EEMUA）發布的現行工業標準[9]的對比結果[10].從表2可以看出,工業報警系統管理現狀距離標準仍然相距甚遠,報警系統亟需合理化管理,報警系統性能亟需改善和提高.

針對工業過程報警系統的重要性及其存在的棘手問題,國內外學術界、各大行業組織以及眾多生產廠商紛紛對此展開了廣泛和深入研究,學術界研究和提出了一系列創新性解決方案,各大行業組織制定發布了許多工業指南和標準,各大生產廠商相繼自主開發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月國務院發布的《國家中長期科學和技術發展規劃綱要(2006?2020年)》、2011年4月工業和信息化部、科學技術部、財政部、商務部、國有資產監督管理委員會聯合印發的《關于加快推進信息化與工業化深度融合的若干意見》以及2016年3月出臺的《國家十三五規劃綱要》都重點強調了過程安全監控和報警管理的必要性和目標.

2 工業過程“報警泛濫”分析

為有效解決工業過程報警系統普遍存在的“報警泛濫”,首要任務是嚴格分析導致這一問題產生的根源所在,才能依據報警管理流程和標準制定合理措施,對癥下藥,各個擊破.本文綜合考慮工業過程本身特征和外部環境對報警系統管理的影響,依據報警管理生命周期流程,總結出導致“報警泛濫”發生的五大原因.

2.1 過程關聯特征復雜,異常傳播范圍廣

現代工業過程裝置多、分布廣、連接路徑繁雜,物流、能流、信息流廣泛傳播,使得工業過程普遍具有大范圍不確定性、高度非線性、強關聯性等復雜特征.在過程運行過程中,當某一處發生異常時,該異常會沿著過程連接路徑進行大范圍擴散,從而可能導致過程其他部分也發生異常,當過程測量值偏離設置的報警閾值時,就會在短時間內產生大量的報警信號,遠遠超出操作員的處理范圍,造成“報警泛濫”.

2.2 報警閾值設計隨意,誤報、漏報率失衡

報警信號產生的最直接方式就是預先設置報警閾值,將過程測量值和報警閾值進行實時比較,一旦測量值超過報警閾值,則報警信號產生.所以,報警閾值設計正確與否,直接關系到報警信號的數量和質量.目前報警系統閾值設計仍然集中于單變量獨立設計,并未充分考慮過程變量之間的關聯性.事實上,正如第2.1節所述,工業過程具有明顯的關聯性,而且各個過程變量之間的關聯性強弱不一,該特性在進行報警閾值設計時不容忽視,否則會嚴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之間存在關聯性.目前報警系統的閾值設計方法大都是獨立、靜態或按照變量值線性化設計,即變量X與變量Y是單獨分開設計的,此時得到的正常工作區如虛線矩形區域所示.實際上,變量X與變量Y之間存在一定的關聯性,真正的正常工作區A如實線不規則多邊形區域所示.此時,若依據獨立設計的報警閾值進行報警,就會導致誤報(如實線圓形所示)、漏報(如實線三角形所示)發生,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 實際工業統計結果與EEMUA標準對比Table 2 Comparison of performance metrics between real industry and benchmark

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

2.3 報警優先級劃分模糊,處理順序不當

當多個不同報警信號產生后,操作員需要知曉報警處理的先后順序,這對于減少報警數量、抑制虛驚事件惡化起著至關重要的作用.然而,目前報警系統的優先級劃分不明確,甚至沒有進行優先級劃分,導致操作員在處理報警時盲目性強,無法在有效時間內處理關鍵異常,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散、事件惡化,嚴重威脅過程安全.尤其當操作員置身于報警泛濫情況下,更是無從下手,導致惡性循環.

2.4 報警類型繁多,難以分辨有效報警

由于工業過程分布范圍廣、關聯性強、工況多變、所處環境復雜,環境因素、進料量、人為操作等外部因素的變化,都會給正常生產過程帶來擾動,使得過程變量產生隨機不確定性變化,從而導致報警類型多樣,可分為兩大類:一類主要為體現在單變量上的抖振報警(Chattering alarms),該報警特點為在報警狀態與正常狀態之間快速切換,對“報警泛濫”這一問題貢獻最大;另一類為體現在多變量上的報警集,主要包括幾乎同時發生或者在短時間內無序串聯發生的關聯報警(Related alarms)、幾乎同時發生或者具有固定時滯的冗余報警(Redundant alarms)、短時間內有序串聯發生的順序報警(Sequential alarms);此外,還包括以固定周期重復出現的周期報警(Repeating alarms)、長期保持在報警狀態的持續報警(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措施,但仍然會產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量,而且嚴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,未能實現再設計

報警系統性能評估,就是依據報警日志、過程數據、報警數據等信息,計算報警系統實時指標,并與標準值或事先定義好的目標值進行對比,驗證系統的設計、實施、合理化、操作和維護等是否符合要求.隨著工業過程的不斷運行,設備老化、環境改變、工況變更等因素都會對正在使用的報警系統產生影響,導致報警系統無法滿足目標要求,由于未對報警系統性能進行定期評估,就無法及時發現不合理的配置和設計,使得報警系統一直做著無用功,喪失部分或全部保護功能,嚴重情況下會誤導操作員行動,使得報警質量急劇下降,報警數量嚴重增加,導致“報警泛濫”.

3 工業過程報警管理研究進展

近些年來,報警管理研究工作已經得到國內外工業界和學術界的高度重視,是自動化領域的新興研究方向之一.本節主要闡述有關報警管理的指南、標準、產品和學術研究成果.

3.1 工業報警規范與企業應用進展

為實現工業過程的科學有效的報警管理,眾多行業組織紛紛制定了工業指南和標準[11?15].其中,較為權威且被應用廣泛的為歐洲工程設備和材料用戶協會(EEMUA)分別于1999年、2007年和2013年三次發布的報警系統指南EEMUA-191 V.1/2/3[9]以及國際自動化學會(ISA)在2009年發布的流程工業報警管理標準ANSI/ISA-18.2[4].

與此同時,眾多生產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)發布的IEC-68682標準和ISA發布的ANSI/ISA-18.2標準的主報警數據庫,核心優勢是高效性和簡單性,可以實現連續報警生命周期管理,但沒有實現報警閾值動態設置.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準和最佳實踐,包括 ANSI/ISA-18.2、IEC-68682、EEMUA-191、API(The American Petroleum Institute)發布的API-1167和ASM發布的指南,保持完全一致,符合所有行業法規和保險審計要求,能夠快速識別現有的報警系統問題,并突出顯示連續的和可持續改進的部分,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行自動識別和處理.艾默生(Emerson)推出了一系列報警管理產品和服務(DeltaV alarm management solutions)[19],實現符合ISA-18.2報警管理標準的完整、魯棒、可持續的報警管理程序,但無法對報警進行自動預測,也就無法及時告知操作員采取措施以防止發生緊急停車等情況.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,幫助客戶提高其DeltaV報警系統的性能[20],但針對被抑制的重要報警沒有實現自動再提醒,很有可能被操作員遺忘.西門子依據ANSI/ISA-18.2標準將報警管理加入進SIMATIC PCS7系統中,可以幫助操作員輕松安全的管理生產過程[21],但未設置獨立的報警數據庫和事件分析庫,不便于移植或分析.上述現有的產品化報警管理系統大都關注如何減少報警數量、降低風險,并未對報警管理主體–操作員的認知行為、操作模式、滿意度等進行跟蹤監測和調查管理.

3.2 學術界報警管理研究總結

除了工業界產生的報警管理研究成果外,學術界各專家學者也對報警管理展開了深入探索,產生了一系列學術成果.

3.2.1 報警管理框架

依據工業界的標準和指南,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展、生產中斷和生產力損失的可能性.這個框架的關鍵特點是,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能源公司運營的油砂提取廠收集的報警數據,實施了一些工業案例研究,應用結果顯示了先進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]提出了基于大規模歷史報警數據和分布式聚類算法的并行報警管理策略,以減少現代化工廠操作人員接收到的報警數量.Hu等[25]考慮到在不同工況下故障之間的內在關聯性,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]綜合利用關聯性分析、主成分分析和聚類方法建立了一套報警管理框架,并將這些比較進行比較分析進一步降低報警數量.除此,還將次理論統計框架與長期工業實施結合起來,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)報警管理結果,為報警管理實踐做出了貢獻.

下面結合報警管理生命周期,重點針對導致報警系統出現“報警泛濫”的五個主要原因,歸納和分析國內外的報警管理技術進展.

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行歸檔;在H-監控與評價階段,會利用報警數據和報警理念生成監控報告,必要情況下提出變更,通過第二個回路在合理化階段進行重新歸檔.

為解決由于“過程關聯特征復雜,異常傳播范圍廣”而引起的“報警泛濫”,需要挖掘過程關聯特征,建立過程拓撲模型,確定異常傳播路徑,找出報警根源,從源頭消除異常,使過程恢復正常運行,避免報警數量持續增加.為此,很多學者在過程拓撲建模、報警根源分析領域進行了大量研究.在此需要說明的一點是,故障診斷只是針對過程中發生的異常情況進行診斷,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]和歷史數據驅動[29]三個方向對過程故障監測和診斷方法進行了綜述.文獻[30]從應用的角度出發對基于數據驅動的過程監控和故障診斷方法進行了綜述,旨在為大型工業過程提供適用于不同操作條件的基礎數據驅動設計框架.文獻[31]針對基于模型驅動和信號驅動的故障診斷方法進行了總結.文獻[32]對大型工業過程故障根源和傳播分析方法進行了綜述.文獻[33]對復雜工業過程連接性和因果性分析方法進行了總結.文獻[34]針對工業過程在全裝置震蕩下的根源分析進行了綜述.在上述綜述文獻提到的方法中,一部分可以用于工業報警研究,除此,近幾年又出現了一些新型先進智能方法用于過程拓撲建模和報警根源分析.本節將工業報警建模方法分為四大類:機理建模方法、知識驅動方法、數據驅動方法、信息融合方法,并對報警根源分析方法進行總結.

3.2.2.1 機理建模方法

機理建模方法,需要利用系統參數辨識、狀態估計等方法得到精確的機理模型,機理模型是在工藝機理分析的基礎上,依據“三傳一反”建立的對象數學模型,能反映生產過程的主要特征和規律[35].然而,要想得到精確的機理模型,深入詳細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到.而且,隨著現代工業過程日趨龐大、復雜、集成,機理建模方法無法實時、快速、準確實現.因此將其用于報警建模研究甚少.

3.2.2.2 知識驅動方法

知識驅動方法,需要利用現有的過程知識和專家經驗,建立工業過程關聯模型或因果模型,基于知識驅動建立的模型多為定性模型.其中,應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[41]采用多級流模型(Multilevel flow model,MFM)進行報警關聯分析,MFM是用于表示(工業)過程的目標和預期功能的圖形語言,與其他建模方法之間的主要區別在于MFM 是“平均值–端”維,而不是“部分–整體”維.文獻[42]利用過程連接信息和拓撲結構,定性構建鄰接矩陣和可達矩陣,實現全裝置振蕩的根源分析,并利用控制回路圖進行可視化分析.文獻[43]基于擴展標記性語言(XML discription)建立過程拓撲模型.還有利用語義描述(Semantic discription)、計算機輔助工程交換模型(Computer aided engineering exchange model)[44]等進行過程拓撲建模.然而這些定性模型依舊需要依賴過程連接信息(Plant connectivity information)和專家經驗,對于缺乏知識和經驗的過程,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 數據驅動方法

隨“大數據”時代的到來以及計算機處理能力的加強,基于數據驅動的過程建模方法得到大量的關注和研究,因為它們不需要深層次的過程知識和機理模型,僅僅利用現有的過程數據即可實現.Bauer等[45]利用時滯相關性分析(Lag-based cross correlation analysis),生成因果矩陣和系數矩陣,依據拓撲假設和一致性檢驗結果,生成因果網絡.Hu等[46]將發生延遲和關聯延遲區分開來,從而得到真正的發生延遲,然后提出一種基于真正發生延遲的統計檢驗方法來識別關聯性,并利用皮爾遜相關系數量化關聯強度.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(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]提出一種基于數據相似度分析的方法來識別因果報警和傳播路徑,引入一種考慮相關延遲的相似度計算方法,并利用格蘭杰因果分析進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性和不確定性,Yu等[53]和Mori等[54]利用貝葉斯網絡建立概率圖模型,通過計算節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,根據整個變量貢獻圖,可以清楚地看出故障是如何在過程中擴散傳播的[56].Jacobs等[57]提出了一種新型的基于圖論的數據挖掘算法來分析報警數據,建立圖分析模型(Graph analytics model).識別冗余報警和關聯報警,找出報警根源.Hu等[58]針對單變量報警狀態轉移定義和構建了Petri網模型,利用報警日志和事件日志實現過程發現.然而上述方法各有各的不足之處:1)相關性分析無法分別直接相關關系和間接相關關系;2)格蘭杰因果分析方法需要回歸模型作基礎,局限性比較大;3)傳遞熵方法高度依賴于概率密度函數估計,計算量大,對計算結果影響較大;4)貝葉斯網絡學習過程復雜,而且依據貝葉斯網絡學習得到的因果結果被限制為有向無環圖,與實際過程相矛盾.

3.2.2.4 信息融合方法

隨著工程的不斷運行,過程知識、經驗、歷史數據積累日益增加,如何充分利用現有的知識、數據進行充分融合,最大限度提高報警模型的精確度成為研究重點.

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

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、變量眾多的復雜工業過程,利用上述模型識別報警傳播路徑過程繁瑣、計算負擔重、可視化效果較差、結果不可靠.因此,面對當前的復雜工業過程,應該建立充分反映過程關聯性的模型,便于理解、分析,在此基礎上,進行工業報警的設計與優化研究,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,基于偏相關性分析,挖掘變量之間的因果性,依據淺層過程知識進行分塊,依據解釋結構模型分層原理進行分層,從而得到多維過程拓撲模型.

3.2.3 報警根源分析方法

當得到工業報警拓撲模型后,如SDG模型[59?61]、多級流模型[41,64?66]、因果圖網絡[45?52,67]、貝葉斯網絡[53?54,68?69]、Peri 網模型[58,70],就可利用回溯法、推理法、假設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系的知識表,分別采用禁忌搜索(Tabu-search)方法和改進的遺傳算法,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]基于規則網絡和時間約束網絡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]結合從測量數據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行報警根源診斷.Chiang和Braatz將統計分析和因果圖結合在一起,診斷報警根源[81].Rodrigo等[82]結合報警日志、過程數據和過程連接性信息,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.由于真實工業過程會受到各種各樣的干擾,再加上自身的強耦合、強關聯、非線性、不確定性、分布廣等復雜特征,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,利用神經網絡–極限學習機算法和改進的層次分析法進行融合診斷,診斷延遲短、精度高,還可依據空間解釋結構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生的報警子序列進行聚類分析,識別報警變量之間的因果關系,從而重新設計報警系統,減少報警數量.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]基于連續報警頻率定位相似報警泛濫模式,利用動態時間規整(Dynamic time warping)實現兩個報警泛濫模式的最優匹配.Cheng等[87]提出一種改進的史密斯–沃特曼算法(Smith-Waterman algorithm),對兩個報警泛濫序列進行局部比對,從而可以提取出相同的報警序列片段.Charbonnier等[88?89]從在同一故障下發生的報警序列比對集合里提取故障序列模板,當新的報警序列出現時,將其和模板進行比對,從而實現故障隔離.陳忠圣等[90]基于離散傅里葉變換在頻域對報警泛濫序列進行相似性分析,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.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,從而預測和預防報警泛濫發生.該類型的方法依賴于充足的歷史報警數據,包括所有的可能模式.很顯然,在歷史數據里,不可能所有的異常狀況都已經發生過,這就造成無法實現新的報警模式的在線診斷.

3.2.4 報警閾值設計研究

報警閾值設計分布在報警管理生命周期的C-合理化、D-詳細設計兩個階段.其中,C-合理化階段會對報警閾值進行設置,D-詳細設計階段包括對報警死區、延遲、濾波器等的設計,這三者也可用于對報警閾值的優化設計.

文獻[3]重點針對考慮關聯變量的多變量閾值設計進行了總結,本文將報警閾值設計方法分為兩大類:單變量報警閾值設計和多變量報警閾值設計.

3.2.4.1 單變量報警閾值設計

誤報率(False alarm rate)和漏報率(Missed alarm rate)是單變量報警閾值設計的主要參考指標,這兩者是一對矛盾存在,變化關系可用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計結果,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,單變量報警閾值設計的方法[93]為設計濾波器 (Filter)[94?97]、死區 (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報警管理方法,計算動態報警閾值,以減少報警數量.Xu等[103]充分考慮被監控過程變量存在的不確定性,提出一種基于證據融合理論的報警閾值設計方法,可以動態獲取最優參數.

然而,上述設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的過程變量.眾所周知,由于復雜工業過程存在能流、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聯性甚至因果性,因此,單變量閾值獨立設計未能體現工業過程強相關、強耦合的本質特征,不僅不能降低報警數量,反而會帶來負面影響,增大誤報率和漏報率,和目標背道而馳.

3.2.4.2 多變量報警閾值設計

Bristol[104]提出設計自適應報警閾值,以應對不同過程工況.Brooks等[105]提出一種幾何過程控制方法,依據多變量最優操作域確定動態報警閾值.Kondaveeti等[106]和Izadi等[107]利用多變量統計學方法有效產生報警.Yang等[108]將關聯性分析應用到報警閾值設計中,來減少誤報率和漏報率.Xu等[109]基于動態過程模型引入了預警(Anticipatory alarms)機制,對過程狀態實現短期預測,從而控制報警的數量.Zang和Li[110]通過計算多維空間的概率密度函數得到漏報率和誤報率,以最小化漏報率和誤報率為目標,優化報警閾值.Han等[111]以誤報率、漏報率和相關系數三者為目標函數,通過最小化目標函數來優化設計多變量報警閾值.Gao等[112]避免計算誤報率、漏報率,單以報警數據和過程數據之間的一致相關程度為目標函數,設計在不同干擾情況下的動態報警閾值.

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過程內在的多變量特征.除此之外,多變量聯合概率密度函數的計算量太大,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據,哪一部分是異常數據.為解決上述缺陷,需要在不同的異常情況下確定相應的關鍵變量集合,這只需為這些關鍵變量設計閾值即可,此外,還需要設計可信且通用的目標函數來體現多變量關聯特征.

3.2.5 報警優先級劃分研究

報警優先級劃分是報警管理生命周期中C-合理化階段的任務.當報警發生時,尤其在“報警過”情況下,操作員需要時刻知道哪個是關鍵報警,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,可依據兩個因素:后果嚴重性和可用時間進行報警等級劃分.Chang等[113]和Ahmed等[114]提出一種包含事件發生概率(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行排序.除了風險分析方法外,Zhu等[115]和Geng等[116]利用模糊差異驅動算法對聚類中心和報警變量進行排序.Foong等[117]基于模糊邏輯建立系統原型,利用Mamdani推理機對報警進行分類和排序.Gao等[62]利用改進的李克特量表打分方法對報警優先級進行劃分.

目前,報警優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-監控與評價階段,關鍵任務之一就是識別滋擾報警,當識別滋擾報警完成后,就需要進行C-變更管理階段,對存在問題的報警進行添加、刪除或改變.

在工業過程運行狀況復雜、人為操作失誤以及報警系統不合理設計的情況下,都會導致各種各樣的報警類型產生.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)占報警數量的絕大部分,文獻[3]對抖振報警識別和處理進行了綜述,除此之外,Wang等[118]分析了常駐持續報警(Long-standing alarms)的產生原因,并通過設計動態狀態報警系統來抑制該滋擾報警類型.文獻[119]提出了一種基于相關性分析的關聯報警識別方法,該方法分為預處理、相關性測量和過濾三個階段.文獻[120]利用統計方法分析兩個報警信號識別關聯報警,首先確定報警信號的表達方式,之后利用Sorgenfrei系數計算二值數據的相關性系數,并結合相關性延遲去檢測兩個報警信號是否存在相關性.文獻[121]在文獻[120]的基礎上,結合相似比系數和相關性延遲分布進一步確定兩個報警信號之間的因果方向.文獻[122?123]利用事件關聯性分析(Event correlation analysis)方法監測離散事件–報警和操作之間的關聯性,識別順序警報、復雜操作、不必要報警、報警根源.文獻[124]提出了一種利用Levenshtein距離分析連續報警相似度方法.該方法將裝置操作數據轉換為連續報警數據,并且利用共沸蒸餾塔仿真數據對該方法進行了驗證,可以正確識別關聯連續報警之間的相似度.文獻[125]指出重復報警是指在短時間內多次激活和消除的報警.該文在報警自動抑制的基礎上引入了基于數據過濾的報警限最優化設計,提出了基于數據過濾的報警自動抑制策略來處理重復報警.文獻[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行報警系統常規評估,以有效識別抖振報警、相關報警等.

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量,抑制“報警泛濫”的發生或惡化,但并未深入挖掘報警信號的內在特征.因此,可以考慮利用先進信號處理方法對報警序列進行分析比對,快速確定報警類型,及時采取處理措施.

3.2.7 報警系統性能評價研究

報警系統性能評價是報警管理生命周期H-監控與評價階段中關鍵任務之一.為保證報警系統正常發揮其應用的保護功能,及時發現不合理設計,應對其性能進行定期評價.EEMUA制訂了測量報警系統性能水平的5級模型,分別為:超載、被動、穩定、魯棒、預測,由平均報警率、最大報警率、超標報警率3個指標共同決定.

文獻[127]構建操作員模型,依據事先定義好的8個指標對報警系統進行評估,從而依據評估結果提升報警系統性能,如調整報警閾值等.文獻[128?129]分析過程/質量變量的控制圖,利用報警數據庫進行動態風險評估來提升過程安全和產品質量.文獻[130?132]提出基于貝葉斯估計的動態風險評估,利用貝葉斯后驗概率更新故障或異常狀態實際發生的概率并實現風險預測,保護過程安全.文獻[133]構建了4種新型可視化工具,實現工業報警系統的可視化監控與定期性能評價.

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

4 總結與展望

本文概述了工業過程報警管理的概念和意義,針對目前工業過程報警系統普遍存在的“報警泛濫”問題,分析了導致這一問題出現的內在原因和外在原因,以這些原因為導向,總結了目前學術界和工業界在報警管理各個階段的研究成果.可以看出,工業報警管理已成為自動化領域的一個重要研究方向,引起了廣泛關注和探索,具有非常重要的戰略意義.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的性能高低,加上工業過程的日益復雜以及高新技術的飛速發展,使得報警管理研究存在著如下挑戰性問題:

1)現代工業過程的多維度分布式建模

精細可靠的過程模型是實現報警有效管理的前提和基礎.而現代工業過程機理復雜,存在多種物理與化學反應,氣、液、固三相共存,涉及復雜的物質及能量的轉換和傳遞,原料復雜、工況多變、難以建立精確模型;反應裝置內部的復雜性、封閉性和不確定性導致了過程參數和非線性關系難以描述和估計.系統內的各個參數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、過程數據、報警數據建立能夠充分反應工業過程本身的多維度分布式模型具有非常大的挑戰.

2)多目標、多約束、非線性的報警閾值動態優化

面向安全生產的工業過程涉及工藝、經濟、環境、安全約束條件眾多,這就要求處于首道保護層地位的報警系統在設計和再設計時也要充分考慮這些約束條件,關鍵設計點在于報警閾值的設計,閾值的合理與否,直接關系到是否有正確報警產生以及報警產生的時機是否合理.因此,如何綜合工業過程目標和約束、報警系統的性能指標和約束進行報警閾值動態設計和優化是個很有挑戰性的研究.其次,工業過程具有較強的非線性關聯特征,而且會發生工況改變、生產切換等大的改變,如何在不同生產條件下,有效進行非線性關聯特征挖掘和分析,依此真實的非線性關聯性得到針對不同生產條件下的多變量動態報警閾值,得出如圖4所示的能反映真實工業過程的正常工作區和異常工作區,值得進行深入研究.

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,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.如果操作員對現行的報警系統不敏感,則所有的設計都將毫無意義.因此,應充分考慮操作員因素,加強報警系統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可靠性、可操作性以及過程質量三方面因素的滿意度指標,將操作員滿意度融入報警系統設計或管理中,實現報警系統敏捷管理.

4)基于智能化技術的智能報警管理

近年來,智能化技術在自動化領域的研究和應用得到了飛速發展,使得過程建模、故障診斷、自動控制、預測估計都實現了智能化,降低了成本,提高了效益,但在報警管理領域的應用仍較少,但其重要性不可忽視.因此,要緊隨“工業4.0”和“大數據”時代潮流,順應兩化融合的驅動,探索智能理論和技術尤其是深度學習[134]的應用潛力,實現智能報警管理,是未來工業過程報警研究的重大趨勢和核心內容.

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.計算機與應用化學,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.過程工業報警系統研究進展.計算機與應用化學,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(桂衛華,陽春華,陳曉方,王雅琳.有色冶金過程建模與優化的若干問題及挑戰.自動化學報,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 建模及其應用的進展.控制理論與應用,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報警泛濫序列聚類分析及應用.化工學報,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.基于數據過濾的化工過程重復報警處理策略.清華大學學報(自然科學版),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.過程工業報警系統可視化監控技術及應用.化工學報,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,趙學亮,王飛躍.深度學習在控制領域的研究現狀與展望.自動化學報,2016,42(5):643?654)