李元，章展鵬，徐鳴遠(yuǎn)，陳丙珍，趙勁松

（化學(xué)工程聯(lián)合國家重點(diǎn)實(shí)驗(yàn)室（清華大學(xué)），北京 100084）

引言

報(bào)警系統(tǒng)建立的目的是防止化工生產(chǎn)過程中出現(xiàn)緊急停車、異常工況而引起經(jīng)濟(jì)損失。但由于分布式控制系統(tǒng)（distributed control system，DCS）的出現(xiàn)，增設(shè)報(bào)警位點(diǎn)成本極低，這直接導(dǎo)致工廠報(bào)警數(shù)量急劇上升，無效報(bào)警過多，報(bào)警泛濫現(xiàn)象頻繁發(fā)生[1]。國際標(biāo)準(zhǔn)推薦操作員每10 min接受的平均報(bào)警數(shù)不超過1次，異常工況下10 min內(nèi)的報(bào)警數(shù)不超過10次[2]，而各領(lǐng)域報(bào)警系統(tǒng)的實(shí)際現(xiàn)狀與此標(biāo)準(zhǔn)差距很大。報(bào)警管理因此具有非常重要的地位。

隨著化工生產(chǎn)過程耦合度的不斷提高，相關(guān)報(bào)警也隨之增多。Rothenberg[3]指出，相關(guān)報(bào)警可分為序列報(bào)警與非序列報(bào)警，序列報(bào)警為某一位號發(fā)生報(bào)警所引起的固定報(bào)警序列，非序列報(bào)警為接連出現(xiàn)但延遲時(shí)間不固定的多個(gè)報(bào)警。對于相關(guān)報(bào)警的分析有利于報(bào)警系統(tǒng)更加簡潔、系統(tǒng)地展示報(bào)警信息，同時(shí)有助于操作員在此基礎(chǔ)上進(jìn)行報(bào)警原因分析、異常工況預(yù)測等工作。

Izadi等[4]提出報(bào)警系統(tǒng)分析、設(shè)計(jì)、管理的標(biāo)準(zhǔn)與方法，指出合理的報(bào)警系統(tǒng)應(yīng)在漏報(bào)率、誤報(bào)率、報(bào)警延遲等指標(biāo)中做出平衡。Zhu等研究了重復(fù)報(bào)警的處置方法[5]，并提出動(dòng)態(tài)報(bào)警管理策略[6]。Choi等[7]提出了計(jì)算0、1序列之間的相似度，并利用凝聚層次聚類算法進(jìn)行分組的聚類方法。接下來的研究工作均在此框架下展開。Chen等[8-10]提出報(bào)警相似度色彩圖（alarm similarity color map，ASCM）概念，認(rèn)為它可以成為表征報(bào)警相似度的圖形工具。此外，有研究者對現(xiàn)有的相似度函數(shù)進(jìn)行總結(jié)歸納，提出了相似度函數(shù)性能的評價(jià)標(biāo)準(zhǔn)[11-12]，并指出可以使用互相關(guān)函數(shù)算法作為計(jì)算報(bào)警相似度的方法[13]。

現(xiàn)有的方法在處理序列報(bào)警時(shí)效果良好，但面對非規(guī)整報(bào)警時(shí)，傳統(tǒng)方法難以挖掘其相關(guān)性。這是因?yàn)楝F(xiàn)有方法利用整體平移0、1序列的方法引入延遲[11]，卻沒有考慮到相似報(bào)警接連出現(xiàn)但延遲時(shí)間不固定的情況。其次，現(xiàn)有的方法均假定兩個(gè)報(bào)警位點(diǎn)的相關(guān)性對稱[12]，即報(bào)警位點(diǎn)A對B的相關(guān)性等于B對A的相關(guān)性，但在實(shí)際生產(chǎn)中，會(huì)出現(xiàn)報(bào)警A必然導(dǎo)致報(bào)警B但報(bào)警B未必導(dǎo)致報(bào)警A的情況。這種非對稱的相關(guān)性是現(xiàn)有方法未考慮到的。

本文在傳統(tǒng)的基于凝聚層次聚類的報(bào)警相關(guān)性挖掘方法基礎(chǔ)上，提出了非規(guī)整報(bào)警相關(guān)性計(jì)算方法，彌補(bǔ)了傳統(tǒng)方法難以處理延遲時(shí)間變化與非對稱情況的不足。同時(shí)，為了能夠讓不同位點(diǎn)、不同裝置之間的相關(guān)性結(jié)果具有可比性，提出以概率形式表示報(bào)警位點(diǎn)之間的相關(guān)性大小的方法。最后，利用仿真案例與工廠真實(shí)生產(chǎn)案例驗(yàn)證本方法的有效性。

1 相關(guān)性計(jì)算方法改進(jìn)

1.1 生成報(bào)警0、1序列

圖1 典型的過程變量報(bào)警示意圖Fig.1 Typical sketch for process variable alarm

如圖1所示，在實(shí)際工業(yè)生產(chǎn)中，每一個(gè)位點(diǎn)設(shè)置有不同級別的報(bào)警限，當(dāng)位點(diǎn)變量值超過報(bào)警限后，便會(huì)觸發(fā)相應(yīng)級別的報(bào)警。為表征這種隨時(shí)間變化的報(bào)警序列，用“0”表示正常狀態(tài)，“1”表示超限（包括高報(bào)警限與低報(bào)警限）的報(bào)警狀態(tài)。以超出上限的情況為例，記過程變量序列為x(n)，報(bào)警序列為xalarm(n)，高報(bào)警限為xthreshold，則可以表示為

這樣的表征方法雖可以準(zhǔn)確反映變量是否處于報(bào)警狀態(tài)，但在報(bào)警泛濫現(xiàn)象出現(xiàn)時(shí)，“1”的數(shù)量會(huì)急劇增多，導(dǎo)致需要挖掘的相關(guān)性被無效信息淹沒。因此，在實(shí)際應(yīng)用中采用另一種方法，即僅將報(bào)警由正常變?yōu)槌薜臅r(shí)刻記為“1”，其余均記為“0”

1.2 凝聚層次聚類算法

在得到各個(gè)位點(diǎn)的 0、1報(bào)警序列后，可利用相似度函數(shù)計(jì)算得到位點(diǎn)兩兩之間的相似度大小。接下來，利用凝聚層次聚類算法將位點(diǎn)之間的相似度聚類，得到若干組互相關(guān)聯(lián)的報(bào)警位點(diǎn)，并利用ASCM圖可視化地展示結(jié)果。

凝聚層次聚類算法是聚類算法的一種，由Johnson[14]首先提出，具體操作步驟如下：

（1）假設(shè)有N個(gè)對象，每個(gè)對象算作一個(gè)類C，得到類集合 {C1,C2,… ,CN}，計(jì)算每對類兩兩之間的相似度，相似度計(jì)算方法可以自行定義，常見的是利用相似度函數(shù)進(jìn)行計(jì)算（見1.3節(jié)）；

（2）將相似度最大的兩個(gè)類Ci和Cj合并成一個(gè)新類CN+1；

（3）用新類CN+1替換掉Ci和Cj，得到新的類集合，且新集合中類的數(shù)量比舊集合中類的個(gè)數(shù)少1個(gè)；

（4）重新計(jì)算新集合中新類CN+1與其他類之間的相似度；

（5）重復(fù)步驟（2）～步驟（4），直至步驟（4）中計(jì)算得到的相似度低于設(shè)定閾值。最終得到的類集合即是聚類結(jié)果。

在步驟（4）中，需要定義新類CN+1與其他類之間的相似度如何計(jì)算。在本文中，計(jì)算兩個(gè)舊類Ci和Cj與其他類Ck之間的相似度，并將結(jié)果中的最大值作為新類CN+1與Ck的相似度。

將聚類后各對象之間的相似度記為維度為N的相似度矩陣，且同一類中的對象排列在對角線附近。以顏色的深淺表示相似度大小，則可以得到ASCM圖。以圖2為例，其中1～10表示10個(gè)對象，經(jīng)過凝聚層次聚類后得到 4個(gè)類，并且C1= { 8}，C2= { 1,6,7,4}，C3= { 3,9}，C4= { 10,2,5}。

圖2 ASCM示意圖Fig.2 Alarm similarity color map

1.3 傳統(tǒng)相似度函數(shù)

Yang等[11]指出，針對報(bào)警系統(tǒng)性能最好的相似度函數(shù)為 Jaccard函數(shù)與 Sorgenfrei函數(shù)。其中，Jaccard函數(shù)的形式為

Sorgenfrei函數(shù)的形式為

式中，S為相似度大小，Na為序列a中出現(xiàn)的“1”的個(gè)數(shù)，Nb為序列b中出現(xiàn)的“1”的個(gè)數(shù)，C為兩個(gè)序列中共同出現(xiàn)的“1”的個(gè)數(shù)。在Na、Nb不變的情況下，C的值越大，S的值越大，也就是說兩個(gè)序列中同時(shí)出現(xiàn)的“1”越多，相似度越大。

為處理序列報(bào)警可能存在的整體延遲，可以對序列a進(jìn)行時(shí)間長度為τ的整體平移，用平移得到的新序列aτ與b計(jì)算相似度S，并選取不同的τ多次計(jì)算以使S值最大，即

1.4 非規(guī)整報(bào)警相關(guān)性計(jì)算方法

利用傳統(tǒng)的相似度函數(shù)可以計(jì)算有固定順序形式的序列報(bào)警之間的相關(guān)性。但在實(shí)際生產(chǎn)過程中，還會(huì)出現(xiàn)延遲時(shí)間不固定和非對稱的非規(guī)整報(bào)警，這類報(bào)警同樣具有相關(guān)性，卻是傳統(tǒng)的方法無法挖掘到的。

因此，本文給出如下步驟計(jì)算非規(guī)整報(bào)警序列的相關(guān)性：

（1）計(jì)算序列a中“1”的數(shù)量，記為N；

（2）設(shè)定窗口長度l；

（3）對于序列a中的每一個(gè)“1”，若在序列b對應(yīng)位置前后各為l的長度內(nèi)存在一個(gè)“1”，則記為一個(gè)“A1”，將序列a中“A1”的數(shù)量記為m；

（4）則令序列b對序列a的相關(guān)性 /Sm N= ；

（5）同樣的方法可計(jì)算序列 a對序列 b的相關(guān)性。

計(jì)算示例如圖3所示，令l= 1。對于序列a，位置P1處的“1”在前后l的范圍內(nèi)不存在對應(yīng)的“1”，而位置P2、P3處的“1”均可被記為“A1”，因此m=2 ，序列b對序列a的相關(guān)性S=2/3=0.66。

圖3 相關(guān)性計(jì)算示例Fig.3 Example for correlation calculation

2 概率形式表示的相關(guān)性

2.1 概率形式表示相關(guān)性的基本思路

由相似度函數(shù)得到的報(bào)警相關(guān)性大小受到報(bào)警數(shù)量的影響，此外，報(bào)警限的高低也會(huì)影響報(bào)警相關(guān)性大小，這導(dǎo)致不同過程、不同位號，利用相似度函數(shù)計(jì)算出來的相關(guān)性并不具備可比性，難以確定一個(gè)固定的標(biāo)準(zhǔn)來比較兩個(gè)報(bào)警序列的相關(guān)程度。

Yang等[11]指出，利用計(jì)算概率、不等式放縮與假設(shè)檢驗(yàn)，可以得到傳統(tǒng)相關(guān)性函數(shù)的相關(guān)性閾值，進(jìn)而確定兩個(gè)報(bào)警序列是否相關(guān)。但在使用非規(guī)整相關(guān)性計(jì)算方法后，序列a中一個(gè)位置的“1”是否記為“A1”不是單純?nèi)Q于序列b中的對應(yīng)位置，而是取決于 b中對應(yīng)位置前后各為l的長度內(nèi)是否存在“1”，因此無法套用 Yang的方法計(jì)算閾值。為此，本文提出如下方法衡量相關(guān)性的大?。?/p>

（1）對于待測的兩個(gè)序列a與b，記序列a中“A1”的個(gè)數(shù)為m；

（2）構(gòu)造與待測序列中“1”的數(shù)量相同、但相互獨(dú)立的序列a′與b′，由于這樣的序列很多，因此記序列a′中存在的“A1”數(shù)量為隨機(jī)變量X；

其中，最核心的部分為計(jì)算概率分布P(X=x)。

2.2 計(jì)算概率分布

令在序列a′中某一位置出現(xiàn)“1”的概率為ap′，序列b′中某一位置出現(xiàn)“1”的概率為bp′，并假設(shè)序列中各位置出現(xiàn)“1”的事件服從獨(dú)立同分布。定義事件I為：如果序列a′中特定位置O出現(xiàn)“1”，且序列b′中位置 O前后各長度為l的窗口中出現(xiàn)“1”，則認(rèn)為出現(xiàn)事件I，同時(shí)序列a′中的“1”可記為一個(gè)“A1”。

則事件I出現(xiàn)的概率p為

求解概率分布P(X=x)可以等價(jià)于計(jì)算事件 I發(fā)生的次數(shù)。在實(shí)際生產(chǎn)過程中，pa′、pb′均遠(yuǎn)小于1，即序列中“1”的個(gè)數(shù)極少，且l值往往較小，因此序列a′中多個(gè)位置的“1”對應(yīng)于序列b′中同一個(gè)“1”的情況極為稀少，可以忽略。即認(rèn)為事件I發(fā)生的概率服從獨(dú)立同分布，X服從二項(xiàng)分布

式中，n表示序列的長度。

為驗(yàn)證式（7）的準(zhǔn)確性，隨機(jī)生成 10000對相互獨(dú)立的0、1序列，序列長度均為2000，且有pa′=0.1，pb′= 0 .05，統(tǒng)計(jì)其中出現(xiàn)的 “A1”數(shù)量為k的序列對數(shù)量，并用此頻率值與式（7）計(jì)算得到的概率值比對，結(jié)果如圖4所示。

圖4 概率分布結(jié)果驗(yàn)證Fig.4 Validation for result of probability distribution

可以看出，計(jì)算出的概率值與實(shí)際頻率基本吻合。

在實(shí)際計(jì)算式（7）的過程中，可以用“1”出現(xiàn)的頻率代替概率，即記序列長度為N，序列a′中“1”的個(gè)數(shù)為Na′，序列b′中“1”的個(gè)數(shù)為Nb′，則pa′=Na′/N，pb′=Nb′/N。

此外，可以仿照1.2節(jié)中介紹的ASCM圖，采用概率形式代替?zhèn)鹘y(tǒng)計(jì)算方法得到的相關(guān)性，并將結(jié)果繪成色彩圖，這樣得到的圖像更加具有可比性。

3 案例研究

3.1 仿真案例

假設(shè)i= 1 ,2,3,… ,1 00，而xA(i)是一個(gè)服從伯努利分布的隨機(jī)變量xp(i)∈ ( 0,1)，且有P(xp(i)=0)= 0 .5，P(xp(i)= 1 )= 0 .5。對于t∈ [20i- 1 9,20i]，構(gòu)造一對長度為2000的相關(guān)序列x(t)和y(t)

式中，N(μ,σ) 表示均值為μ、標(biāo)準(zhǔn)差為σ的正態(tài)分布。

為序列x(t)設(shè)置報(bào)警限2.5[圖5 (a)]，y(t)設(shè)置報(bào)警限3.0[圖5 (b)]，利用式（2）的方法得到報(bào)警序列xa1(t)與ya1(t)[圖 5 (c)與圖 5 (d)]，記為組 1#。將x(t)的報(bào)警限改為2.7，y(t)的報(bào)警限改為3.2，再次用式（2）的方法得到報(bào)警序列xa2(t)與ya2(t)，記為組2#。此外，利用Matlab生成長度為2000的隨機(jī)0、1序列xa3(t)與ya3(t)，顯然二者相互獨(dú)立，如圖6所示，記為組3#。分析這3組待測序列的相關(guān)性，得到結(jié)果如表1所示。

圖5 仿真案例相關(guān)序列Fig.5 Dependent sequence of simulation case

圖6 仿真案例獨(dú)立序列Fig.6 Independent sequence of simulation case

表1 仿真數(shù)據(jù)的相關(guān)性分析Table 1 Correlation analysis of simulation data

對比組1#與組2#的結(jié)果可以看出，在報(bào)警限改變后，非概率形式的相關(guān)性由0.29降為0.14。而利用概率形式表示的相關(guān)性分別為0.99與0.85，說明即使報(bào)警限改變，但計(jì)算結(jié)果依然可以說明待測序列相關(guān)。

對比組2#與組3#中非概率形式表示的相關(guān)性，前者為0.14，后者為0.15，這與組3#為獨(dú)立序列、組2#為相關(guān)序列的條件不符。這說明按照非概率形式，當(dāng)報(bào)警限改變后，會(huì)出現(xiàn)相關(guān)序列計(jì)算出的相關(guān)性低于獨(dú)立序列的情況。而在概率形式表示下，組3#的相關(guān)性僅有0.46，相比于組1#與組2#明顯更低，是獨(dú)立序列。這樣的結(jié)果更符合實(shí)驗(yàn)條件。

需要說明，在利用概率形式表示相關(guān)性大小時(shí)，得到的結(jié)果會(huì)整體偏大，如獨(dú)立序列組3#的相關(guān)性為0.46，遠(yuǎn)大于非概率形式時(shí)的0.15。而事實(shí)上，組3#利用概率形式表示的相關(guān)性大小為0.46，意味著待測序列3ax中“A1”數(shù)量大于獨(dú)立序列3ax′中“A1”數(shù)量這一事件發(fā)生概率僅有46%，顯然不能說明待測序列3ax與3ay相關(guān)。

3.2 工業(yè)案例

選取國內(nèi)某化工廠聚合裝置作為分析對象，局部流程如圖7所示。以E釜為例，聚合釜R21E進(jìn)料包括反應(yīng)用水REC-WAT、引發(fā)劑INI，單體VCM經(jīng)由泵P52A打入儲罐R52，再經(jīng)由閥V28進(jìn)入聚合釜。冷卻水COLD-WAT由泵P21E打入夾套，機(jī)封水SEAL-WAT進(jìn)入釜底的攪拌機(jī)。聚合釜出料為氣相產(chǎn)物GAS與產(chǎn)品PRODUCT。

圖7 聚合工藝局部流程Fig.7 Scheme for part of polymerize process

選取該裝置中時(shí)間跨度為1個(gè)星期內(nèi)報(bào)警最多的15個(gè)位號進(jìn)行統(tǒng)計(jì)，利用傳統(tǒng)相關(guān)性計(jì)算方法得到ASCM圖，如圖8所示。做出使用非規(guī)整報(bào)警相關(guān)性計(jì)算方法并使用概率形式表示的色彩圖，如圖9所示。

圖8 傳統(tǒng)方法得到的ASCM圖Fig.8 Alarm similarity color map made by traditional method

圖9 利用非規(guī)整報(bào)警相關(guān)性計(jì)算方法且用概率形式表示的色彩圖Fig.9 Color map made by non-regular alarm correlation method in form of probability

可以看出，傳統(tǒng)的ASCM圖僅得到3組相關(guān)位點(diǎn)，分別為 FT-A21C與 C-A21C、FT-A21A與C-A21A、C-P31與FT-P31。這3組位點(diǎn)都為序列報(bào)警，且都是管路流量與該管路閥門閥位，其相關(guān)性顯而易見，因此指導(dǎo)意義有限。

而利用非規(guī)整報(bào)警相關(guān)性計(jì)算方法且用概率形式表示的色彩圖還可以得到以下3組相關(guān)位點(diǎn)。

（1）位點(diǎn)II-P52A對位點(diǎn)PT-R21E、PT-R21C、PT-R21D分別呈現(xiàn)出相關(guān)性。II-P52A為聚合釜單體進(jìn)料泵的電流，而PT-R21E、PT-R21C、PT-R21D分別為3臺聚合釜的壓力。聚合釜單體進(jìn)料增加會(huì)導(dǎo)致反應(yīng)加劇，進(jìn)而引發(fā)聚合釜的壓力升高，因此該相關(guān)性成立。而 PT-R21E、PT-R21C、PT-R21D對II-P52A的相關(guān)性并不成立，所以此組相關(guān)位點(diǎn)屬于非對稱的相關(guān)位點(diǎn)。

（2）位點(diǎn)PT-A21B與II-P21B互相呈現(xiàn)出相關(guān)性。II-P21B為聚合釜B的循環(huán)水泵電流，PT-A21B為聚合釜B的攪拌機(jī)封水壓力。聚合釜循環(huán)水泵加大功率后，會(huì)導(dǎo)致循環(huán)水流量上升，聚合釜溫度下降，聚合釜內(nèi)以及與聚合釜聯(lián)通的機(jī)封水管路壓力均下降，因此該相關(guān)性成立。當(dāng)釜內(nèi)反應(yīng)物的存量變化時(shí)，報(bào)警循環(huán)水泵功率過大與報(bào)警釜內(nèi)壓力過低發(fā)生的間隔時(shí)間也會(huì)變化，所以此組相關(guān)位點(diǎn)屬于延遲時(shí)間變化的相關(guān)位點(diǎn)。

（3）不同釜之間攪拌機(jī)封水流量（如FT-A21A與FT-A21C）之間呈現(xiàn)出相關(guān)性。由于各分管路間的攪拌機(jī)封水流量由同一個(gè)總閥門控制，因此分管路間的攪拌機(jī)封水流量會(huì)同時(shí)波動(dòng)，該相關(guān)性成立。當(dāng)總管路與各分管路的流量變化時(shí)，某兩個(gè)分管路間攪拌機(jī)封水流量報(bào)警發(fā)生的間隔也會(huì)發(fā)生變化，所以此組相關(guān)位點(diǎn)屬于延遲時(shí)間變化的相關(guān)位點(diǎn)。

可以看出，利用非規(guī)整報(bào)警相關(guān)性計(jì)算方法且用概率形式表示的色彩圖可以得到更加全面、準(zhǔn)確的結(jié)果。此外，上述15個(gè)位號中存在3組相關(guān)的非規(guī)整報(bào)警與3組相關(guān)的序列報(bào)警，相關(guān)的非規(guī)整報(bào)警組數(shù)占到全部相關(guān)組數(shù)的50%，這說明非規(guī)整報(bào)警相關(guān)性應(yīng)該得到足夠的重視。

需要說明，聚合裝置的操作參數(shù)需要隨著產(chǎn)品牌號的不同而進(jìn)行改變，而操作參數(shù)的改變必然會(huì)影響各位點(diǎn)的報(bào)警序列，進(jìn)而影響到挖掘出的相關(guān)性結(jié)果。與此類似，當(dāng)化工裝置的生產(chǎn)工況發(fā)生改變時(shí)，需要重新進(jìn)行相關(guān)性挖掘。

為了進(jìn)一步說明不同方法之間存在的差異，選取位點(diǎn)II-P52A與PT-R21D為待測序列組1，位點(diǎn)II-P21B與PT-A21B為組2，位點(diǎn)FT-A21C與C-21C為組3，C-A21B與II-P52A為組4，分別利用傳統(tǒng)的 Jaccard相關(guān)性函數(shù)、非規(guī)整報(bào)警相關(guān)性計(jì)算方法、概率形式表示的相關(guān)性大小進(jìn)行分析。其中，組1為非對稱的相關(guān)位點(diǎn)，組2為延遲時(shí)間不固定的相關(guān)位點(diǎn)，組3為相關(guān)的序列報(bào)警位點(diǎn)，組4為相互獨(dú)立的對照組。在利用非規(guī)整報(bào)警相關(guān)性計(jì)算方法與概率形式時(shí)，僅分析每組兩個(gè)位點(diǎn)中前者對后者的相關(guān)性，如組2中即為II-P52A對PT-R21D的相關(guān)性。

此外，可以進(jìn)一步計(jì)算組 1中 PT-R21D對II-P52A的相關(guān)性，得到利用概率形式表示的相關(guān)性大小為0.56。因此，PT-R21D對II-P52A的相關(guān)性不成立，這與組1為非對稱相關(guān)位點(diǎn)的條件一致。

由表2可以看出，非規(guī)整報(bào)警相關(guān)性計(jì)算方法與傳統(tǒng)相關(guān)性函數(shù)相比，可以更好地挖掘出延遲時(shí)間變化（組1）、非對稱（組2）的相關(guān)性位點(diǎn)。然而，僅利用非規(guī)整報(bào)警相關(guān)性計(jì)算方法而不使用概率形式表示時(shí)，組1與組4的結(jié)果十分接近，這與組1相關(guān)、組4獨(dú)立的條件不符。相比之下，利用概率形式表示的相關(guān)性結(jié)果更加合理。

表2 實(shí)際數(shù)據(jù)的相關(guān)性分析Table 2 Correlation analysis of industry data

4 結(jié) 論

本文在傳統(tǒng)的基于凝聚層次聚類的報(bào)警相關(guān)性發(fā)掘算法基礎(chǔ)上，對相關(guān)性計(jì)算方法進(jìn)行改進(jìn)，提出了非規(guī)整報(bào)警相關(guān)性計(jì)算方法，從而能夠更全面、更準(zhǔn)確地挖掘化工過程中不同變量間的相關(guān)性。經(jīng)由工業(yè)數(shù)據(jù)驗(yàn)證，改進(jìn)后的相關(guān)性發(fā)掘算法能夠挖掘出延遲時(shí)間變化、非對稱的相關(guān)位點(diǎn)，得到真實(shí)存在而傳統(tǒng)算法很難發(fā)掘到的相關(guān)性。

此外，本文提出了利用概率形式表示相關(guān)性大小的計(jì)算方法，使不同位號、不同裝置間的相關(guān)性大小具有可比性，這在3.2節(jié)的工業(yè)案例中得到了驗(yàn)證。在報(bào)警相關(guān)性發(fā)掘算法中，一個(gè)重要的問題是當(dāng)變量的報(bào)警限改變、報(bào)警數(shù)量大幅變化后，如何保證發(fā)掘相關(guān)性的算法結(jié)果依然成立。經(jīng)過 3.1節(jié)中數(shù)據(jù)的驗(yàn)證，利用概率形式表示相關(guān)性大小的方法可以有效解決此問題。

[1] Izadi I, Shah S L, Shook D S, Chen Tongwen. An introduction to alarm analysis and design//The 7th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes [C].Barcelona, 2009.

[2] Engineering Equipment and Materials Users’ Association (EEMUA).EEMUA Publication 191：alarm systems—a guide to design,management and procurement [S]. London, 2007.

[3] Rothenberg D H. Alarm Management for Process Control：A Best-Practice Guide for Design, Implementation, and Use of Industrial Alarm System [M]. NewYork：Momentum Press, 2009.

[4] Izadi I, Shah S L, Shook D S, Kondaveeti S R, Chen Tongwen. A framework for optimal design of alarm systems//The 7th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes [C]. Barcelona, 2009.

[5] Zhao Jinsong (趙勁松), Zhu Jianfeng (朱劍鋒). Data filtering based alarm processing strategy for repeating alarms [J].Journal of Tsinghua University：Science and Technology(清華大學(xué)學(xué)報(bào)：自然科學(xué)版), 2012, 52 (3)：277-281.

[6] Zhu Jianfeng, Shu Yidan, Zhao Jinsong, Yang Fan. A dynamic alarm management strategy for chemical process transitions [J].Journal of Loss Prevention in the Process Industries, 2014, 30：207-218.

[7] Choi Seung-Seok, Cha Sung-Hyuk, Tappert C C. A survey of binary similarity and distance measures [J].Journal of Systemics,Cybernetics and Informatics, 2010, 8 (1)：43-48.

[8] Kondaveetia S R, Izadi I, Shaha S L, Black T, Chen Tongwen.Graphical tools for routine assessment of industrial alarm systems [J].Computers & Chemical Engineering, 2012, 46：39-47.

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

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

[11] Yang Zijiang, Wang Jiandong, Chen Tongwen. Detection of correlated alarms based on similarity coefficients of binary data [J].Automation Science and Engineering, IEEE Transactions on, 2013, 10 (4)：1014-1025.

[12] Faith D P. Asymmetric binary similarity measures [J].Oecologia,1983, 57 (3)：287-290.

[13] Masaru N, Fumitaka H, Tsutomu T, Hirokazu N. Event correlation analysis for alarm system rationalization [J].Asia-Pacific Journal of Chemical Engineering, 2011, 6 (3)：497-502.

[14] Johnson S C. Hierarchical clustering schemes [J].Psychometrika,1967, 32 (3)：241-254.