基于多源数据融合的工业报警泛滥分析与抑制方法

Alarm systems are key assets of modern industrial facilities; their efficiency and reliability are of critical importance to safe operation of large-scale industries nationwide. However, the presence and propagation of alarm floods compromise the performance of alarm systems, and may even cause catastrophic accidents. In order to cope with alarm floods, this project aims at developing systematic approaches to analyze and inhibit alarm floods, with the fusion of information from disparate data resources, including the alarm data, sensor data, operator responses, and process knowledge. First, a similarity analysis method will be proposed to compare and cluster alarm floods across different processes or facilities; second, causality inference methods will be developed based on multiple data resources to discover fault propagation paths during alarm flooding periods; third, workflow models of alarm responses will be established and exploited to support operators for decision making in alarm floods; last, the effectiveness and practicality of the proposed methods will be demonstrated by industrial case studies. This project is motivated by real industrial problems and conducts theoretical research on alarm floods. Thus, it shows strong scientific and industrial values. The research outcomes are supposed to improve the performance of industrial alarm systems and to enhance process safety.

报警监控系统是现代化工业的核心成分，高可靠性的报警监控对于保障国家重大工业生产安全具有关键作用。报警泛滥是制约报警监控性能的瓶颈问题，其出现与传播会极大增加系统风险，甚至引发工业事故。本项目针对报警泛滥普遍存在且解决困难的问题，开展基于多源数据融合的工业报警泛滥分析与抑制方法研究，旨在通过对报警事件数据、连续过程数据、响应操作日志和过程工艺知识等多源数据的融合分析，建立解决报警泛滥的系统化方法与理论。首先，研究报警泛滥序列跨系统跨设备的广义相似性，实现报警泛滥的归类分析；其次，研究基于多源数据的因果推理，发现报警泛滥中的故障传播路径；再次，研究面向报警泛滥的操作决策模型构建，为操作员应对报警泛滥提供决策支持；最后，通过仿真实验验证方法的有效性和实用性。本项目面向实际工业需求开展理论方法研究，具有重要的科学理论意义和工业实用价值，研究成果对于提升报警监控性能和保障工业设施安全具有重要意义。

本项目针对实际工业中报警泛滥出现广泛且解决困难的问题，开展基于多源数据融合的报警泛滥分析与抑制方法研究，建立报警泛滥分析与抑制的系统化方法和理论，为大型工业设施解决报警泛滥问题提供有效方案。本项目首先提出了跨系统跨设备的广义报警泛滥序列相似性分析方法，通过词处理和Smith–Waterman序列比对方法，实现跨系统跨设备情况下的报警泛滥序列比对和归类分析；采用词嵌入将报警文本数据转化为高维向量，并利用动态时间规整方法实现序列比对，以更准确地量化报警序列之间的相似性；针对报警泛滥在线相似性分析，提出了一种报警泛滥序列实时序列比对和动态排序方法。其次，研究了基于多源数据的因果推理方法，包括基于定性趋势和幅值变化的时变因果关系检测、基于信息粒化和传递熵的因果推理，以及融合过程拓扑与报警数据的报警根源分析；同时，提出了基于多特征融合和宽度学习的报警监测与诊断方法，以及基于JS散度和自适应报警限的异常检测方法。进一步，面向报警操作的实时决策支持，提出了一种基于改进CloFAST的简洁序列模式挖掘方法和基于ClaSP和Top-K相结合的频繁序列模式挖掘方法；为了挖掘报警与操作之间的关联规则，提出了一种基于定量趋势和专家规则的状态识别方法并应用于地质钻进过程；同时，提出了基于FP-Growth的报警-操作事件模式挖掘方法，以及报警相关性和时延检测分析方法，利用挖掘出的序列模式和关联规则，为操作员提供实时决策支持。为验证所提方法的有效性，建立了报警监控的仿真与试验平台。此外，通过在复杂地质钻进与钢铁冶金过程中的应用，进一步验证了所提方法的有效性和实用性。