高慧慧，徐圓，朱群雄

（北京化工大學信息科學與技術學院，北京 100029）

引 言

報警系統(tǒng)，作為過程工業(yè)裝置的首道保護層[1]及核心組成，其性能優(yōu)劣直接關系到過程安全、產(chǎn)品質量、生產(chǎn)成本甚至人員傷亡。不合理的報警管理系統(tǒng)極易產(chǎn)生報警泛濫，大大超出操作員的處理能力，淹沒關鍵或重要報警。此外，報警系統(tǒng)信息冗余繁雜，未能挖掘有價值信息實現(xiàn)高效可視化監(jiān)控，報警系統(tǒng)缺乏定期性能評估，這些都將導致報警系統(tǒng)喪失應有功能甚至產(chǎn)生錯誤導向[2]。最終，微小可控的異常事件會擴大為重大事故，甚至升級為嚴重災難。為保證報警系統(tǒng)設計合理化，實現(xiàn)報警規(guī)范管理，工業(yè)界已產(chǎn)生了一些參考和指導性文件[3-6]。ISA-18.02標準指出，過程報警管理是一個連續(xù)過程，對于已經(jīng)存在的報警系統(tǒng)，連續(xù)的系統(tǒng)監(jiān)控與常規(guī)的性能評估是改善與提升報警系統(tǒng)性能的有效方法，也是基本原則。

利用數(shù)據(jù)可視化技術[7]，將知識和數(shù)據(jù)進行有機融合，可以有效監(jiān)控、分析和處理大量報警信息，實現(xiàn)非圖形化形式所不能實現(xiàn)的目的，如模式挖掘、聚類、異常監(jiān)測等，幫助操作員理解過程信息及報警狀態(tài)，及時做出正確響應，減少或避免人為失誤。除了過程變量趨勢曲線、報警總貌畫面、報警分組畫面等工業(yè)上普遍存在的可視化圖形外，有學者提出了高密度報警圖[8]、報警相似度色彩圖[9]、相關色彩圖[10]、時間序列剖面數(shù)據(jù)矩陣[11]、報警爆發(fā)率圖[12]等可視化工具，并采用凝聚層次聚類樹形結構對報警進行可視化聚類、分組，實現(xiàn)報警頻繁模式、關聯(lián)模式挖掘，從而幫助操作員快速識別滋擾報警以及過程不穩(wěn)定等異常。但上述可視化方法仍存在一些不足：①單張圖譜顯示的報警信息過多，非常雜亂，并不利于操作員檢查分析；②僅僅基于數(shù)據(jù)驅動，利用報警數(shù)據(jù)和過程數(shù)據(jù)進行分析，未能和過程知識進行有機融合和相互驗證，資源利用不充分；③未能對報警等級進行劃分及分層分級展示，無法識別關鍵報警，未能解決操作員處理報警的盲目性；④無法展示動態(tài)報警信息，無法快速識別報警根源。因此，需設計合適的報警信息可視化圖像，提高操作員對報警系統(tǒng)管理的效率。

為解決上述問題，本文對報警系統(tǒng)可視化監(jiān)控技術進行了一定研究，并設計構建了一些新型的可視化工具：基于信息融合的解釋結構模型（information fusion based interpretative structural modelling，IFISM），層次高密度報警圖（hierarchical high density alarm plot，HHDAP），層次優(yōu)先級圖（hierarchical priority plot，HPP），報警系統(tǒng)性能水平趨勢圖（performance level trend plot，PLTP）。以采用自尋優(yōu)控制策略的TE過程為例[13]，清晰闡明了本文提出的新型可視化監(jiān)控技術的特色和優(yōu)勢。

1 新型可視化監(jiān)控技術及工具

報警系統(tǒng)監(jiān)控的目的就是識別報警系統(tǒng)中存在的問題，并采取糾正措施解決問題。監(jiān)控技術及工具的可靠性、可視性及可理解性直接影響報警系統(tǒng)監(jiān)控過程的效率，進而影響報警系統(tǒng)性能甚至過程安全。

1.1 基于信息融合的解釋結構模型——IFISM

在實際化工過程中存在著大量能量流、質量流、信號流以及物理連接路徑，而異常事件會沿著上述連接路徑進行傳播、擴散，導致大量報警信號產(chǎn)生。過程拓撲信息的有效獲取及表達對挖掘故障傳播路徑，識別報警變量間的因果關系非常重要。有學者依據(jù)過程知識，建立符號有向圖[14]、多級流模型[15]、計算機輔助工程交換模型[16]等實現(xiàn)過程拓撲信息和異常傳播路徑獲取，也有學者基于數(shù)據(jù)驅動，利用互相關分析[10]、傳遞熵計算[17]、貝葉斯網(wǎng)絡[18]等建立因果模型。但上述模型未實現(xiàn)過程知識和過程數(shù)據(jù)兩種信息的有機融合，缺乏層次特性和傳播路徑動態(tài)可視性。解釋結構模型（interpretive structural model，ISM）可以有效識別復雜過程中不同元素之間的內(nèi)在關系，通過添加元素之間的有向連接，可將模糊、不清晰的系統(tǒng)模型轉變?yōu)榍逦⒖梢暤膶哟文Ｐ?，目前已得到了廣泛成功應用[19]。因此，本文首先利用過程數(shù)據(jù)建立初始解釋結構模型，然后利用過程知識對該模型進行修正，最終生成基于信息融合的解釋結構模型IFISM，實現(xiàn)過程拓撲模型的構建，即靜態(tài)解釋結構模型。在實際生產(chǎn)過程中，依據(jù)報警先后順序，實時標注各變量的報警信息，由此形成了一種動態(tài)IFISM模型，處于相同或不同層次的報警變量構成了一條或多條因果鏈，不僅有利于操作員及時掌握過程信息，更有利于操作員進行報警根源分析，實現(xiàn)因果報警識別。

1.1.1 靜態(tài)IFISM模型 靜態(tài)IFISM模型旨在實現(xiàn)過程拓撲結構的層次可視化，其建立過程可分為以下幾個步驟：

（1）識別要研究的過程工業(yè)變量，剔除不重要或冗余變量；

（2）采集過程變量穩(wěn)態(tài)運行數(shù)據(jù)，計算變量之間的偏相關系數(shù)，建立初始結構鄰接矩陣（structural adjacent matrix，SAM）；

（3）利用過程知識僅需對變量之間的雙向連接和直接連接關系進行修正，生成最終SAM；

（4）根據(jù) SAM 產(chǎn)生可達矩陣（reachability matrix），根據(jù)可達矩陣實現(xiàn)層次劃分，并添加有向邊連接。

1.1.2 動態(tài)IFISM模型 動態(tài)IFISM模型是在靜態(tài)IFISM模型的基礎上，實時標記報警變量信息，建立規(guī)則如下：對于連續(xù)反應過程的每一時刻t，分別記錄當前時刻的報警變量集合R(t)，對于R(t)的任意變量x，且x不屬于R(t?1)，若：

（1）x與R(t?1)中的某一變量存在直接因果關系時，在IFISM模型中使用色彩標記變量x的報警信息以及對應的有向連接路徑。

（2）x僅與R(t?1)中的某一變量通過中間變量y存在間接因果關系時，若變量y在時間間隔T內(nèi)產(chǎn)生了報警，則采用如（1）相同的方法標記；若變量y在T內(nèi)始終未報警，則x為誤報，不予標記。

（3）x與R(t?1)中任何變量都不存在連接關系時，則認定該變量為新的報警根源變量，并用色彩標記。若R(t)含多個變量，則表明此時有多個報警根源。

重復以上建立過程，當過程變量恢復到正常狀態(tài)時，即可消除報警標記。

1.2 層次高密度報警圖——HHDAP

依據(jù)IFISM模型層次劃分結果，對報警變量進行層間排序。針對每一個報警變量，以10 min間隔為單位，對報警次數(shù)進行色彩編碼。相比高密度報警圖，HHDAP不僅可識別裝置異常時間、抖振報警，還可對所有報警變量進行層次展示，便于直觀分析關聯(lián)報警。

1.3 層次優(yōu)先級圖——HPP

報警優(yōu)先級劃分，有助于操作員在任意時刻快速識別關鍵報警和重要報警，尤其在報警活躍或報警泛濫時期，操作員可針對優(yōu)先級高的報警及時采取必要措施，保證過程安全，減少損失。報警變量層次優(yōu)先級圖HPP，按照報警變量的優(yōu)先級數(shù)值大小進行分層降序排列，可以更加鮮明形象化的表征各變量的重要性，以及重要程度。針對優(yōu)先級確定方法，有學者利用模糊差異驅動算法對報警變量進行排序[20-21]，也有學者構建包含潛在危害發(fā)生概率P、影響程度I和過程安全時間三者在內(nèi)的綜合模型對報警變量進行優(yōu)先級排序[22-23]。本文采用改進的李克特量表，計算各報警變量的相對重要性指數(shù)作為重要性度量值，從而構建層次優(yōu)先級圖。

1.4 性能水平趨勢圖——PLTP

由于傳感器老化、過程條件改變或者報警管理政策不到位，極有可能導致報警系統(tǒng)惡化。為明確現(xiàn)有報警系統(tǒng)性能是否合乎要求，需對報警系統(tǒng)進行定期性能評估。本文基于EEMUA NO.191提出的五級性能水平模型，通過計算報警系統(tǒng)在特定時間內(nèi)的3個KPIs數(shù)值，確定目前的報警系統(tǒng)性能水平，描繪性能水平趨勢圖 PLTP，便于及時獲知報警系統(tǒng)性能信息，提早采取解決措施。

2 TE過程實例分析

TE過程[24]是由美國 Eastman化學公司創(chuàng)建的一個模仿實際工業(yè)過程的仿真模型，已成為過程控制、過程監(jiān)控、故障診斷和報警優(yōu)化等領域的主要研究對象。由于TE過程開環(huán)不穩(wěn)定，目前已有多種控制結構和策略可以實現(xiàn)有效控制。本文以采用自尋優(yōu)控制策略的TE過程[13]為例對上述可視化技術和工具進行分析研究，并做如下兩點說明：

（1）為減少冗余和不必要報警，首先排除 19個成分變量和壓縮機功率測量值，壓縮機循環(huán)閥門、汽提塔蒸汽閥門、攪拌速度在控制方案中保持不變，也可忽略；余下的9個操作變量分別和各自的連續(xù)測量變量值相一致，也可忽略；因此，最終選取21個連續(xù)測量變量作為TE過程的報警設置點即IFISM模型變量，并對其進行編號：①物料A流量；②物料D流量；③物料E流量；④物料A和C混合流量；⑤回收流量；⑥反應器進料率；⑦反應器壓力；⑧反應器液位；⑨反應器溫度；⑩放空率；分離器溫度；分離器液位；分離器壓力；分離器出流量；汽提塔液位；汽提塔壓力；汽提塔出流量；汽提塔溫度；汽提塔蒸汽流量；反應器冷卻水出口溫度；分離器冷卻水出口溫度。

（2）對IFISM模型中的21個變量設定高報、低報兩種類型報警，報警限設置采用工業(yè)上常用的3σ方法。

2.1 TE過程靜態(tài)IFISM模型

依據(jù)1.1.1節(jié)所述的4個步驟構建TE過程的靜態(tài)IFISM模型，如圖1。

由圖 1可知，TE過程層次拓撲模型共包含 3層，分別為Ⅰ、Ⅱ、Ⅲ。處于頂層即Ⅰ層的變量僅受與其可達的上游變量影響，而不會影響其他變量；處于底層即Ⅲ層的變量僅會影響與其可達的下游變量，而不受其他變量影響，處于中間層即Ⅱ層的變量既受上游或同層變量影響，同時也會影響下游或同層變量。進一步分析處于Ⅱ層的所有 18個變量，每一個變量都可通過直接或間接連接路徑到達其余 17個變量，即該層的所有變量處于同一個環(huán)路當中。靜態(tài)IFISM模型充分利用過程數(shù)據(jù)和過程知識實現(xiàn)了過程拓撲結構的層次可視化，方便操作員掌握變量之間的直接和間接有向影響關系及連接路徑，從而有助于報警根源分析。

圖1 TE過程靜態(tài)IFISM模型Fig.1 Static IFISM model of TE process

圖2 動態(tài)IFISM模型——IDV(1)Fig.2 Dynamic IFISM model of TE process under IDV(1)

2.2 TE過程動態(tài)IFISM模型——IDV(1)

運行TE仿真模型達到平穩(wěn)后，施加階躍干擾IDV(1)(流量4中A/C比率變化，B恒定)，依據(jù)時長為2000 min的實時報警數(shù)據(jù)構建動態(tài)IFISM模型，分析報警根源，如圖2所示。

根據(jù)圖 2，可方便得知因果報警傳遞路徑（加粗紅線），利用該路徑進行反向檢驗，處于路徑根部變量即為報警根源。對于圖2，變量4為報警根源，與施加的干擾源相一致。

2.3 層次高密度報警圖——IDV(1)

利用時長為2000 min的實時數(shù)據(jù)（在6 bin時刻施加IDV(1)干擾：之前為正常工況，之后為異常工況），建立層次高密度報警圖，如圖3。該圖像對21個報警變量進行了分層次展示，列出了每10 min內(nèi)的總報警次數(shù)（Sum），并進行了色彩編碼，一目了然。從 6 bin時刻起，Tag1、Tag4、Tag5、Tag6等變量報警次數(shù)明顯增加，總報警次數(shù)Sum明顯超過10次，表明裝置運行出現(xiàn)了異常。Tag5和Tag6報警次數(shù)相當，明顯為關聯(lián)報警，事實上，由圖 2也可看出，兩者為因果報警。有些變量的報警次數(shù)在短時間內(nèi)發(fā)生突變，極有可能為抖振報警，如Tag9、Tag20等。

圖3 層次高密度報警圖——IDV(1)Fig.3 Hierarchical high density alarm plot under IDV(1)

圖4 層次優(yōu)先級圖Fig.4 Hierarchical priority plot

2.4 層次優(yōu)先級圖

利用施加IDV(1)后時長為2000 min的報警數(shù)據(jù)建立李克特量表，計算各個層次內(nèi)報警變量的相對重要性指數(shù)，建立層次優(yōu)先級圖，如圖4所示。

數(shù)值越大，優(yōu)先級越高。根據(jù)ISA18.02標準，優(yōu)先級設定比例為高:中:低=80%:15%:5%，位于Ⅱ層的 Tag4優(yōu)先級最高，Tag1、Tag18、Tag11依次為中優(yōu)先級，其余的為低優(yōu)先級。層次優(yōu)先級圖可以幫助操作員識別各個層次的關鍵報警，減少處理盲目性，同時對于處于低優(yōu)先級的報警變量，可延時處理甚至抑制報警，減少了報警數(shù)量。

2.5 性能水平趨勢圖

依據(jù)實時報警數(shù)據(jù)，計算報警系統(tǒng)在30 d內(nèi)的3個關鍵性能指標：平均報警率、峰值報警率和超出期望報警率的時間百分比，確定報警系統(tǒng)的性能水平級別，描繪性能水平趨勢圖。該趨勢圖共包含4個子圖：第1個子圖為性能水平定性趨勢，分為5個等級；位于子圖1下方的3個子圖為決定性能水平的3個關鍵性能指標定量趨勢。如圖5所示。

在第2 d，施加干擾，3個關鍵性能指標值驟然增大，產(chǎn)生報警泛濫，報警系統(tǒng)性能水平發(fā)生惡化，由Level5—predictive降為Level2—reactive，喪失了報警原有功能，極易導致危險發(fā)生，此時應采取必要的優(yōu)化措施，并對異常進行排查處理。此時采用本文提出的解決報警泛濫的方法及可視化工具對現(xiàn)有報警系統(tǒng)進行優(yōu)化，識別冗余報警、關聯(lián)報警以及抖振報警，找出報警根源，并且優(yōu)先處理關鍵報警，最終報警系統(tǒng)性能水平穩(wěn)定在 Level4—robust，在一定程度上解決了報警泛濫問題,提升了報警系統(tǒng)性能水平。

圖5 性能水平趨勢Fig.5 Performance level trend plot

3 結論及展望

針對目前報警系統(tǒng)中普遍存在的也是較難解決的報警泛濫問題以及報警可視化監(jiān)控存在的問題，本文分別從過程遞階模型建立、因果報警等滋擾報警識別、報警優(yōu)先級劃分3個主要方面入手，設計并構建了新型可視化工具：基于信息融合的解釋結構模型（靜態(tài)、動態(tài)）IFISM、層次高密度報警圖HHDAP、層次優(yōu)先級圖HPP，幫助操作員快速、及時、準確地掌握過程報警信息并做出響應。在可視化監(jiān)控的同時，還需對報警系統(tǒng)進行常規(guī)性能評估，為此，本文還構建了報警系統(tǒng)性能水平趨勢圖 PLTP，以實現(xiàn)報警系統(tǒng)可視化性能測量及評估，幫助決策者采取早期修正措施。以TE過程為例，分別闡明了上述可視化工具的優(yōu)勢，從一定程度上減少了報警數(shù)量，緩解了報警泛濫現(xiàn)象。

報警系統(tǒng)可視化監(jiān)控及性能評估是報警管理生命周期的重要階段。除了本文提出的可視化技術及工具外，還存在很多問題值得研究與探索。

（1）目前報警優(yōu)先級劃分多為靜態(tài)優(yōu)先級，未考慮過程狀態(tài)變化時優(yōu)先級的動態(tài)調(diào)整。根據(jù)EEMUA NO.191標準，應根據(jù)過程演變對報警變量設定動態(tài)優(yōu)先級，實時保證過程安全。

（2）將統(tǒng)計分析方法和數(shù)據(jù)挖掘算法相結合，對報警泛濫模式進行充分挖掘、提取，并建立可視化圖形，幫助操作員了解報警發(fā)生的規(guī)律，制定并采取響應措施。

（3）現(xiàn)有的可視化工具開發(fā)缺乏對操作員影響因素的充分考慮，致使工具可視性及可理解性差，未能有效幫助操作員處理報警。因此，應基于人體工程學理念設計可視化圖形，同時結合報警系統(tǒng)性能指標，將操作員滿意度融入到報警系統(tǒng)性能評估當中，加強系統(tǒng)柔性管理。

[1]Stauffer T, Clarke P. Using alarms as a layer of protection //AIChE 8th Global Congress on Process Safety [C]. Houston, TX, 2012

[2]Zhu Qunxiong (朱群雄), Gao Huihui (高慧慧), Liu Feifei (劉菲菲),et al. Research progress of alarm systems in the process industries [J].Computers and Applied Chemistry(計算機與應用化學), 2014, 31(2): 129-134

[3]Hollifield B R, Habibi E. The Alarm Management Handbook: A Comprehensive Guide [M]. Huston, Texas: PAS, 2006

[4]EEMUA. Alarm Systems: A Guide to Design, Management, and Procurement [M]. 2nd ed. London, UK: EEMUA, 2007

[5]Rothenberg D H. Alarm Management for Process Control [M]. New York: Momentum Press, 2009

[6]ISA. Management of Alarm Systems for the Process Industries [R].Technical Report ANSI/ISA -18.2-2009, 2009

[7]Ghaoui C. Encyclopedia of Human Computer Interaction [M]. IGI Global, 2006

[8]Kondaveeti S R, Izadi I, Shah S L,et al. Graphical tools for routine assessment of industrial alarm systems[J].Computers & Chemical Engineering, 2012, 46: 39-47

[9]Akatsukaa S, Nodab M. Similarity analysis of sequential alarms in plant operation data by using Levenshtein distance//Proceedings of the 6th International Conference on Process Systems Engineering(PSE ASIA)[C]. 2013, 25: 27

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

[11]Chen Y, Lee J. Autonomous mining for alarm correlation patterns based on time-shift similarity clustering in manufacturing system//Prognostics and Health Management (PHM), 2011 IEEE Conference on [C]. IEEE, 2011: 1-8

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

[13]Larsson T, Hestetun K, Hovland E,et al. Self-optimizing control of a large-scale plant: the Tennessee Eastman process [J].Industrial &Engineering Chemistry Research, 2001, 40 (22): 4889-4901

[14]Yang F, Shah S L, Xiao D. SDG (Signed Directed Graph)based process description and fault propagation analysis for a tailings pumping process//Proceedings of the 13th IFAC Symposium on Automation in Mining, Mineral and Metal Processing [C]. Cape Town,South Africa, 2010: 50-55

[15]Dahlstrand F. Consequence analysis theory for alarm analysis[J].Knowledge-Based Systems, 2002, 15 (1): 27-36

[16]Schleburg M, Christiansen L, Thornhill N F,et al. A combined analysis of plant connectivity and alarm logs to reduce the number of alerts in an automation system [J].Journal of Process Control, 2013,23 (6): 839-851

[17]Bauer M, Cox J W, Caveness M H,et al. Finding the direction of disturbance propagation in a chemical process using transfer entropy[J].Control Systems Technology,IEEE Transactions on, 2007, 15 (1):12-21

[18]Dey S, Stori J A. A Bayesian network approach to root cause diagnosis of process variations [J].International Journal of Machine Tools and Manufacture, 2005, 45 (1): 75-91

[19]Ansari M F, Kharb R K, Luthra S,et al. Analysis of barriers to implement solar power installations in India using interpretive structural modeling technique [J].Renewable and Sustainable Energy Reviews, 2013, 27: 163-174

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

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

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

[23]Ahmed S, Gabbar H A, Chang Y,et al. Risk based alarm design: a systems approach//Advanced Control of Industrial Processes (ADCONIP),2011 International Symposium on [C]. IEEE, 2011: 42-47

[24]Downs J J, Vogel E F. A plant-wide industrial process control problem[J].Computers & Chemical Engineering, 1993, 17 (3): 245-255