CN103440730B - 一种基于数据提取的关联报警的识别方法 - Google Patents

Abstract

本发明涉及一种基于数据提取的关联报警识别方法，属于工业检测与报警技术领域，该方法包括：确定被监测***中报警变量的数目，对每个报警变量的报警时间进行监测和记录；绘制以独立的报警变量为节点的因果关系拓扑图；首先选取一段时间；根据两个报警变量发生报警时间，确定报警变量两者之间是否相互关联；对于被监测***中所有未计算的报警变量对，得出每一对报警变量之间的关联度、因果强度，根据计算结果把因果关系图补充完整。本发明通过双向的关联度给出两个报警变量之间的因果强度。就可以得出***在某一段时间内的报警因果关系图。如果因果强度超过某个阈值，就可以认为两个报警信号之间是关联的，从而提高了操作效率。

Description

一种基于数据提取的关联报警的识别方法

技术领域

本发明属于工业检测与报警技术领域，特别涉及一种基于数据提取的关联报警的识别方法。

背景技术

随着工业企业的日益大型化和复杂化，越来越多的故障不仅影响了企业效益，更带来了很多的安全问题。在工业应用中，单回路、串级等经典控制方法的应用已经很成熟，单点报警和局部***的故障诊断也被大量应用。然而随着***规模的不断加大，报警数量的众多和无序逐渐降低了操作员的操作效率，如何对众多报警信号进行科学管理，以达到过滤无效报警信号、凸显关键报警信号的目的，从而提高操作效率、降低安全事故的发生概率，成为保证企业效益的关键问题。

对于一个智能报警管理***，十分关键的组成部分是对多变量报警的管理。在流程工业中，***发生故障时会涌现大量的报警信号，称为警涌现象。这是因为一方面对于***的关键物理量，往往会设置多个报警信号以保证可靠性，由此带来重复报警现象；另一方面由于***内部的相互关联，故障情况会从故障源向相关联的环节传播，引发多处报警，称为关联报警现象。

对于重复报警，可以利用设置死区、延迟报警时间、报警搁置以及报警自动抑制的方法来处理。但是对于关联报警，利用上述处理方式就无法消除负面影响。

经过专利检索，现有的在相近领域关注相似问题的专利有：

徐晓滨宋晓静文成林在专利号CN102789676中公开的《一种基于报警证据融合的工业报警器设计方法》。该专利所关注的问题是如何从一系列的报警数据的融合，不断调整一个可信度函数，从而得出是否要报警的决定，该专利不关注不同报警变量之间的报警是否有关联。

李勇徐化岩孙彦广于立业在专利号CN102509174中公开的《一种基于工业过程数据的报警限自学习***的方法》。该专利关注的问题主要在如何通过采集***所采得的数据即时计算并更新报警限，即报警阈值。该专利不关注报警信号的关联程度。

朱剑峰赵劲松在专利号CN102436720中公开的《一种基于数据过滤的重复报警处理方法》。该专利主要关注如何使用过滤窗口对报警信号进行过滤，减少重复报警的数量，不关心报警信号之间的关联程度。

发明内容

本发明为克服已有技术的不足之处，提出了一种基于数据提取的关联报警识别方法，这种方法在多个报警之间存在关联报警的情况时，能够正确的处理该情况，帮助操作员判断故障源头，降低安全事故发生概率。这种关联报警的识别方法还能够研究***内部变量之间的关系，有助于达到***优化的目的。

本发明提出的一种基于数据提取的关联报警识别方法，该方法包括以下的步骤：

1）确定被监测***中报警变量的数目X，对每个报警变量的报警时间进行监测和记录；绘制以独立的报警变量为节点的因果关系拓扑图；

2）对于该***中的两个报警变量A与B，首先选取一段时间；在该段时间内，设报警变量A的所有报警a₁,a₂,…,a_n，n为报警变量A在该段时间内的报警总数，分别发生在时刻t_a1,t_a2,…t_an；报警变量B的所有报警b₁,b₂,…b_m，m为B报警变量在该段时间内的报警总数，分别发生在时刻t_b1,t_b2,…t_bm,根据报警变量A和B的发生时间，确定报警变量A与B之间是否相互关联；

3）对于被监测***中所有未计算的报警变量对，遵循步骤2）进行处理，得出每一对报警变量之间的关联度P_a→b、P_b→a、因果强度I_ab（a,b=1,2,…X且a<b），根据计算结果把因果关系图补充完整。

所述步骤2）具体步骤如下：

2-1）找到报警变量A的第i次报警a_i发生之后的报警变量B的第一次报警b_j，两者的时间间隔为Δt_i，即：

Δt_i=t_bj-t_ai,i=1,2,...,n（1-1）

将A、B互换之后作同样的处理，也即找到报警变量B的第k次报警发生之后报警变量A的第一次报警a_l，两者的时间间隔为Δt_k，即：

Δt_k=t_al-t_bk，k=1,2,...,m（1-2）

2-2）定义该时间段内报警变量A、B的单次关联度p_i，q_k：

$p_i=\left\{\begin{array}{c}1/T_R,{\mathrm{\&Delta;t}}_i<T_R\\ 1/{\mathrm{\&Delta;t}}_i,T_R\&le;{\mathrm{\&Delta;t}}_i\&le;T_{\mathrm{MAX}}(i=\mathrm{1,2},...n)\\ 0,{\mathrm{\&Delta;t}}_i>T_{\mathrm{MAX}}\end{array}\right.---(2-1)$

$q_k=\left\{\begin{array}{c}1/T_R,{\mathrm{\&Delta;t}}_k<T_R\\ 1/{\mathrm{\&Delta;t}}_k,T_R\&le;{\mathrm{\&Delta;t}}_k\&le;T_{\mathrm{MAX}}(k=\mathrm{1,2},...m)\\ 0,{\mathrm{\&Delta;t}}_k>T_{\mathrm{MAX}}\end{array}\right.---(2-2)$

其中，T_R和T_MAX为两个时间阈值，T_R表示最小时间间隔，若Δt_i或Δt_k小于此阈值，则认为两个报警信号是相关的，单次关联度为1/T_R；T_MAX表示最大时间间隔，若Δt_i或Δt_k大于此阈值，则认为两个报警信号之间没有关联，单次关联度为0；

2-3）定义关联度P_A→B、P_B→A：

$P_{A\&RightArrow;B}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_i}{n}---(3-1)$

$P_{B\&RightArrow;A}=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_k}{m}---(3-2)$

2-4）定义顺序因果强度I_AB，以确定A与B之间的关联方向：

$I_{\mathrm{AB}}=\frac{P_{A\&RightArrow;B}-P_{B\&RightArrow;A}}{P_{A\&RightArrow;B}+P_{B\&RightArrow;A}}---\left(4\right)$

2-5）对因果关系拓扑图进行补充：若报警变量A和报警变量B的关联度P_A→B或P_B→A中任意一者大于关联度阈值P₀，则在因果关系拓扑图A节点与B节点之间绘制实线表示二者相关；进一步，当确定节点A,B之间存在实线的情况下，假若顺序因果强度绝对值|I_AB|超过顺序因果强度阈值I₀，则在该实线的对应端绘制箭头表示因果方向，当I_AB>I₀，箭头方向为A→B；I_AB<-I₀，箭头方向为B→A；至此完成一对报警变量A,B的关联关系计算。

所述P₀值的计算方法如下：

2-5-1）对于A序列，计算每两个报警之间的时间间隔，即：

Δt_i ^A＝t_a(i+1)-t_ai，i＝1，2，...m

2-5-2）随机生成10对互异的序号：

{(i_k,j_k)|k＝1,2,...10,i_k,j_k为随机正整数且i_k≠j_k}，每生成1对序号，就把该对序号对应步骤2-5-1）中的时间间隔Δt_ik ^A,Δt_jk ^A互相交换，交换完全部10对之后，得到报警序列A’；

2-5-3）重复步骤2-5-2）s次，得到s个A’序列：A′₁,A′₂,...,A′_s。其中s视数据规模而定，一般取100-1000次，效果较好；

2-5-4）对于每个A’序列，与B报警序列组成报警序列对，按照步骤2-1）到2-3）计算关联度P_{A’→B（i）}，其中i=1,2,…,s；得到s个关联度，取平均值作为关联度阈值P₀。

本发明的特点及有益效果：本发明提出的基于数据提取的关联报警识别方法，可根据报警信号出现的先后关系及时间间隔，判断两个报警序列是否为关联报警。在给出报警变量的因果关系图之后，报警变量之间的因果关系一目了然，对于操作员寻找故障源、及时给出消除故障的措施，有很大的指导作用。通过这种识别方法，实现了智能报警管理***对报警的简洁性和实用性的要求，对提高***的安全性能和操作效率，保证企业效益，均有着重要意义。

附图说明

图1为本发明流程框图。

图2为本实施例中的因果关系拓扑图，其中，图2（a）为未作任何计算的因果关系拓扑图，图2（b）为计算报警变量A,B之后补充的因果关系拓扑图，图2（c）为计算报警变量A,C之后补充的因果关系拓扑图，图2（d）为计算报警变量B,C之后的因果关系拓扑图。

具体实施方式

本发明提出的一种基于数据提取的关联报警的识别方法结合附图及实施例详细说明如下：

该发明的实施流程如图1所示，包括以下步骤：

1）确定被监测***中报警变量的数目X，对每个报警变量的报警时间进行监测和记录；绘制以独立的报警变量为节点的因果关系拓扑图；

2）对于该***中所有的报警变量中两个报警变量A与B，首先选取一段时间（通常应选取故障发生的时间段，即报警数目较多的时间段）；在该段时间内，设A报警变量的所有报警a₁,a₂,…,a_n（n为A报警变量在该段时间内的报警总数）分别发生在t_a1,t_a2,…t_an，B报警变量的所有报警b₁,b₂,…b_m（m为B报警变量在该段时间内的报警总数）分别发生在t_b1,t_b2,…t_bm,根据报警变量A,B报警的发生时间，确定报警变量A与B之间是否相互关联；具体步骤如下：

2-1）找到A报警变量的第i次报警a_i发生之后的B报警变量的第一次报警b_j，两者的时间间隔为Δt_i，即：

Δt_i=t_bj-t_ai,i=1,2,...,n（1-1）

将A、B互换之后作同样的处理，也即找到B报警变量的第k次报警发生之后A报警变量的第一次报警a_l，两者的时间间隔为Δt_k，即：

Δt_k=t_al-t_bk，k=1,2,...m（1-2）

2-2）计算该时间段内A、B报警变量单次关联度p_i，q_k：

$p_i=\left\{\begin{array}{c}1/T_R,{\mathrm{\&Delta;t}}_i<T_R\\ 1/{\mathrm{\&Delta;t}}_i,T_R\&le;{\mathrm{\&Delta;t}}_i\&le;T_{\mathrm{MAX}}(i=\mathrm{1,2},...n)\\ 0,{\mathrm{\&Delta;t}}_i>T_{\mathrm{MAX}}\end{array}\right.---(2-1)$

$q_k=\left\{\begin{array}{c}1/T_R,{\mathrm{\&Delta;t}}_k<T_R\\ 1/{\mathrm{\&Delta;t}}_k,T_R\&le;{\mathrm{\&Delta;t}}_k\&le;T_{\mathrm{MAX}}(k=\mathrm{1,2},...m)\\ 0,{\mathrm{\&Delta;t}}_k>T_{\mathrm{MAX}}\end{array}\right.---(2-2)$

其中，T_R和T_MAX为两个时间阈值，T_R表示最小时间间隔，若Δt_i小于此阈值，则认为两个报警信号是相关的，单次关联度为1/T_R；T_MAX表示最大时间间隔，若Δt_i大于此阈值，则认为两个报警信号之间没有关联，单次关联度为0；

（说明：两个时间阈值的取值为可调参数，供用户根据生产经验自己调整，实际取值的时候需要结合***对象特性，特别是时延特性，用实验整定的方法取值。一般在***正常运行足够长时间，得到足量数据之后再结合数据和经验进行整定。）

2-3）计算关联度P_A→B、P_B→A：

$P_{A\&RightArrow;B}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_i}{n}---(3-1)$

$P_{B\&RightArrow;A}=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_k}{m}---(3-2)$

2-4）计算顺序因果强度I_AB，以确定A与B之间的关联方向：

$I_{\mathrm{AB}}=\frac{P_{A\&RightArrow;B}-P_{B\&RightArrow;A}}{P_{A\&RightArrow;B}+P_{B\&RightArrow;A}}---\left(4\right)$

2-5）对因果关系拓扑图进行补充：若报警变量A和报警变量B的关联度P_A→B或P_B→A中任意一者大于关联度阈值P₀，则在因果关系拓扑图A节点与B节点之间绘制实线表示二者相关；进一步，当确定节点A,B之间存在实线的情况下，假若顺序因果强度绝对值|I_AB|超过顺序因果强度阈值I₀，则在该实线的对应端绘制箭头表示因果方向，当I_AB>I₀，箭头方向为A→B；I_AB<-I₀，箭头方向为B→A；至此完成一对报警变量A,B的关联关系计算；

（说明：关联度阈值P₀和顺序因果强度阈值I₀的取值为可调参数，供用户根据生产经验自己调整，实际取值的时候需要结合被监测***对象特性，特别是时延特性，用实验整定的方法取值。）

I₀取值可为0.15。对于P₀，由于***特性不同，实际中取值并不相同，可以根据生产经验取值，也可以在获得足量的报警数据之后，通过计算给出值，计算P₀值的方法如下：

现已知A,B两列报警序列，A,B在时间上可能是有关联的，也可能是无关联的，现在通过一个“打乱”过程，打乱A序列得到A’序列，消除A,B序列在时间上的关联，通过用A’,B序列进行P值的计算，得出P₀值。具体的方法如下：

2-5-1）对于A序列，计算每两个报警之间的时间间隔，即：

Δt_i ^A＝t_a(i+1)-t_ai,i＝1,2,...m

2-5-2）随机生成10对互异的序号：

{(i_k,j_k)|k＝1,2,...10,i_k,j_k为随机正整数且i_k≠j_k}，每生成1对序号，就把该对序号对应步骤2-5-1）中的时间间隔Δt_ik ^A,Δt_jk ^A互相交换，交换完全部10对之后，得到报警序列A’；

2-5-3）重复步骤2-5-2）s次，得到s个A’序列：A′₁,A′₂,...,A′_s。其中s视数据规模而定，一般取100-1000次，效果较好。

2-5-4）对于每个A’序列，与B报警序列组成报警序列对，按照步骤2-1）到2-3）计算关联度P_{A’→B（i）}，其中i=1,2,…,s；得到s个关联度，取平均值作为关联度阈值P₀；

3）对于被监测***中所有未计算的报警变量对，遵循步骤2）进行处理，得出每一对报警变量之间的关联度P_a→b、P_b→a、因果强度I_ab（a,b=1,2,…X且a<b），根据计算结果把因果关系图补充完整。

根据以上方法实现的一次具体实施例如下：

1）确定被监测***中报警变量的数目X=3，对每个报警变量的报警时间进行监测和记录；绘制以独立的报警变量为节点的因果关系拓扑图，如图2（a）所示；

本实施例的***中存在A,B,C三个报警变量，已知在某段时间内，A,B,C的报警序列如下表所示：

A报警时刻/min	19	45	48	56	74	90	123	140	159	173
											B报警时刻/min	22.5	45.7	49.8	59.4	74.5	92.8	126	143	160.7	174.3
C报警时刻/min	21	46.4	50.1	59.3	75	92	125	143.3	160	173.7

2）取A,B报警序列进行计算，选定一段时间：即用第2到第8个时刻之间这段时间，共7个点进行计算；

2-1）找到A报警变量在该段时间内的报警a_i发生之后的B报警变量的第一次报警b_j，计算两者的时间间隔Δt_i，即：

A报警时刻/min	45	48	56	74	90	123	140
								Δti	0.7	1.8	3.4	0.5	2.8	3	3

将A、B互换之后作同样的处理，也即找到B报警变量在该段时间内的报警b_k发生之后A报警变量的第一次报警a_l，计算两者的时间间隔Δt_k，即：

B报警时刻/min	45.7	49.8	59.4	74.5	92.8	126	143
								Δtk	2.3	6.2	14.6	15.5	30.2	14	16

2-2）计算单次关联度p_i，q_k；由***特性，根据经验，定义T_R=1min，T_MAX=10min，即报警延迟小于1分钟，认为关联度为1，报警延迟大于10分钟，认为没有关联。

A报警时刻/min	45	48	56	74	90	123	140
								Δti	0.7	1.8	3.4	0.5	2.8	3	3
pi	1	0.556	0.294	1	0.357	0.333	0.333

B报警时刻/min	45.7	49.8	59.4	74.5	92.8	126	143
								Δtk	2.3	6.2	14.6	15.5	30.2	14	16
qk	0.435	0.161	0	0	0	0	0

2-3）计算关联度P_A→B、P_B→A：

$P_{A\&RightArrow;B}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_i}{n}=0.555---(3-1)$

$P_{B\&RightArrow;A}=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_k}{m}=0.0851---(3-2)$

2-4）定义顺序因果强度I_AB，以确定A与B之间的关联关系：

$I_{\mathrm{AB}}=\frac{P_{A\&RightArrow;B}-P_{B\&RightArrow;A}}{P_{A\&RightArrow;B}+P_{B\&RightArrow;A}}=0.734---\left(4\right)$

2-5）为了判断A,B序列是否关联，以及关联方向如何，需要计算P₀值，具体方法如下：

2-5-1）对于A序列，计算每两个报警之间的时间间隔，即：

Δt_i ^A＝t_a(i+1)-t_ai,i＝1,2,...m

2-5-2）随机生成10对互异的序号：

{(i_k,j_k)|k＝1,2,...10,i_k,j_k为随机正整数且i_k≠j_k}，每生成1对，就把序号对应步骤2-5-1）中的时间间隔Δt_ik ^A,Δt_jk ^A交换，交换完全部10对之后，得到报警序列A’；

2-5-3）重复2-5-2）100次，得到100个A’序列：A′₁,A′₂,...,A′_s。

2-5-4）对于每个A’序列，与B报警序列组成报警序列对，按照步骤2-1）到2-3）计算关联度P_{A’→B（i）}，其中i=1,2,…,100全部计算完毕后，取平均值作为关联度阈值P₀；经过计算得到P₀=0.2029；

补充因果关系图：对于报警A和报警B，P_AB>P₀，在因果关系图A节点与B节点之间绘制实线表示二者相关。进一步，在确定A,B相关的情况下，假若顺序因果强度绝对值|I_AB|=0.734>I₀=0.15，就在实线的对应端绘制A→B方向箭头表示因果方向，如图2（b）所示；

3）取A,C序列，重复1）步骤进行计算，取T_R=1min,T_MAX=10min，结果如下：

P_A→C=0.6839,P_C→A=0.1553,P₀=0.1975,I_AC=0.6299

由于P_A→C>P₀,且I_AC>0.15，故因果关系图补充如2（c）所示：

4）取B,C序列，重复1）步骤进行计算，取T_R=1min,T_MAX=10min，结果如下：

P_B→C=0.5933,P_C→B=0.5022,P₀=0.2334,I_BC=0.0832

由于P_B→C,P_C→B>P₀,且-0.15<I_BC<0.15，故因果关系图补充如2（d）所示：

5）输出完整的因果关系图2（d），结束。

Claims (2)

1.一种基于数据提取的关联报警识别方法，该方法包括以下的步骤：

1)确定被监测***中报警变量的数目X，对每个报警变量的报警时间进行监测和记录；绘制以独立的报警变量为节点的因果关系拓扑图；

2)对于该***中的两个报警变量A与B，首先选取一段时间；在该段时间内，设报警变量A的所有报警a₁,a₂,…,a_n，n为报警变量A在该段时间内的报警总数，分别发生在时刻t_a1,t_a2,…t_an；报警变量B的所有报警b₁,b₂,…b_m，m为B报警变量在该段时间内的报警总数，分别发生在时刻t_b1,t_b2,…t_bm,根据报警变量A和B的发生时间，确定报警变量A与B之间是否相互关联；

3)对于被监测***中所有未计算的报警变量对，遵循步骤2)进行处理，得出每一对报警变量之间的关联度P_a→b、P_b→a、因果强度I_ab(a,b＝1,2,…X且a<b)，根据计算结果把因果关系图补充完整；

所述步骤2)具体步骤如下：

2-1)找到报警变量A的第i次报警a_i发生之后的报警变量B的第一次报警b_j，两者的时间间隔为Δt_i，即：

Δt_i＝t_bj-t_ai,i＝1,2,...,n(1-1)

将A、B互换之后作同样的处理，也即找到报警变量B的第k次报警发生之后报警变量A的第一次报警a_l，两者的时间间隔为Δt_k，即：

Δt_k＝t_al-t_bk，k＝1,2,...,m(1-2)

2-2)定义该时间段内报警变量A、B的单次关联度p_i，q_k：

$p_i=\left\{\begin{array}{c}1/T_R,{\mathrm{\&Delta;t}}_i<T_R\\ 1/{\mathrm{\&Delta;t}}_i,T_R\&le;{\mathrm{\&Delta;t}}_i\&le;T_{MAX}(i=1,2,...n)\\ 0,{\mathrm{\&Delta;t}}_i>T_{MAX}\end{array}\right.---(2-2)$

$q_k=\left\{\begin{array}{c}1/T_R,{\mathrm{\&Delta;t}}_k<T_R\\ 1/{\mathrm{\&Delta;t}}_k,T_R\&le;{\mathrm{\&Delta;t}}_k\&le;T_{MAX}(k=1,2,...m)\\ 0,{\mathrm{\&Delta;t}}_k>T_{MAX}\end{array}\right.---(2-2)$

其中，T_R和T_MAX为两个时间阈值，T_R表示最小时间间隔，若Δt_i或Δt_k小于此阈值，则认为两个报警信号是相关的，单次关联度为1/T_R；T_MAX表示最大时间间隔，若Δt_i或Δt_k大于此阈值，则认为两个报警信号之间没有关联，单次关联度为0；

2-3)定义关联度P_A→B、P_B→A：

$P_{A\&RightArrow;B}=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i}{n}---(3-1)$

$P_{B\&RightArrow;A}=\frac{\underset{k=1}{\overset{m}{\&Sigma;}}{q}_k}{m}---(3-2)$

2-4)定义顺序因果强度I_AB，以确定A与B之间的关联方向：

$I_{AB}=\frac{P_{A\&RightArrow;B}-P_{B\&RightArrow;A}}{P_{A\&RightArrow;B}+P_{B\&RightArrow;A}}---\left(4\right)$

2-5)对因果关系拓扑图进行补充：若报警变量A和报警变量B的关联度P_A→B或P_B→A中任意一者大于关联度阈值P₀，则在因果关系拓扑图A节点与B节点之间绘制实线表示二者相关；进一步，当确定节点A,B之间存在实线的情况下，假若顺序因果强度绝对值|I_AB|超过顺序因果强度阈值I₀，则在该实线的对应端绘制箭头表示因果方向，当I_AB>I₀，箭头方向为A→B；I_AB<-I₀，箭头方向为B→A；至此完成一对报警变量A,B的关联关系计算。

2.如权利要求1所述方法，其特征在于，所述P₀值的计算方法如下：

2-5-1)对于A序列，计算每两个报警变量之间的时间间隔，即：

Δt_i ^A＝t_a(i+1)-t_ai,i＝1,2,...m

2-5-2)随机生成10对互异的序号：

{(i_k,j_k)|k＝1,2,...10,i_k,j_k为随机正整数且i_k≠j_k}，每生成1对序号，就把该对序号对应步骤2-5-1)中的时间间隔Δt_ik ^A,Δt_jk ^A互相交换，交换完全部10对之后，得到报警序列A’；

2-5-3)重复步骤2-5-2)s次，得到s个A’序列；

2-5-4)对于每个A’序列，与B报警序列组成报警序列对，按照步骤2-1)到2-3)计算关联度P_A’→B(i)，其中i＝1,2,…,s；得到s个关联度，取平均值作为关联度阈值P₀。