CN108922139B - 一种工业报警泛滥的在线检测方法 - Google Patents

Abstract

本发明属于信号处理领域，尤其涉及一种工业报警泛滥的在线检测方法，包括以下步骤：(1)获得报警变量的测量数据，计算每个报警变量对应的持续时间和报警间隔，通过延滞定时器对测量数据中的抖动报警进行剔除预处理；(2)根据设定的时间窗口和时间窗口的滑动大小将预处理后的测量数据划分为若干数据集，计算每个数据集的索引集；(3)计算每个索引集的基数，根据索引集的基数判定是否存在报警泛滥，并在判定过程中引入参数为m的延滞定时器消除抖动报警；(4)对所有划分的数据集依次进行迭代运算，通过时间趋势图对检测结果进行分析。本发明能解决采用报警出现次数的统计结果进行报警泛滥的检测的过程中受滋扰报警影响过大的问题。

Description

一种工业报警泛滥的在线检测方法

技术领域

本发明属于信号处理领域，尤其涉及一种工业报警泛滥的在线检测方法。

背景技术

工业报警***的主要功能是对工业生产过程进行监控，确保生产过程安全、高效运行，其可以生成、记录和传达报警信息给生产运行人员，生产运行人员根据报警***提供的报警信息，迅速感知异常状态并采取相应的处理措施，以达到保证生产过程安全高效运行的目的。

报警信息的产生是将过程变量的实时数值与其报警阈值进行比较，当过程变量的实时数值大于(或小于)报警阈值时触发报警。报警泛滥是指在很短的时间内产生的大量报警，报警数量严重超出了运行人员的处理能力，进而有可能会导致重要报警信息被淹没而得不到及时处理，直至后期产生严重的生产事故。当报警泛滥出现时，生产运行人员面临巨大的运行管理压力，可能会导致许多正在出现的报警被人为忽略，甚至某些和严重异常生产状况相关的报警也被忽略，严重影响报警***的作用与功能的发挥。

检测正在出现的报警泛滥以及从历史数据集中检测出报警泛滥的存在非常重要。如果正在出现的报警泛滥被及时检测出来，生产运行人员就可以关注到正在出现的报警泛滥以及相关的异常情况；对历史报警泛滥数据的分析同样是很重要的，找到相似的报警泛滥的规律，可以使运行人员在类似报警泛滥出现时做出及时、有效的反应。

目前，报警***中关于报警泛滥的检测通常是依据报警出现次数的统计结果。然而，通过这种简单的报警泛滥检测方法受到滋扰报警的影响很大，无法取得检测到真实的报警泛滥。所以，提出一种受滋扰报警影响小的报警泛滥检测方法具有十分重要的现实意义。

发明内容

根据以上现有技术的不足，本发明提供了一种工业报警泛滥的在线检测方法，其能解决目前采用报警出现次数的统计结果进行报警泛滥的检测的过程中受滋扰报警影响过大的问题。

本发明解决的技术问题采用的技术方案为：包括如下步骤：

(1)获得报警变量x₁,x₂,···,x_M的测量数据

X(t-N+1:t)＝[x₁(t-N+1:t),...,x_M(t-N+1:t)]，计算每个报警变量对应的持续时间和报警间隔，并通过延滞定时器对测量数据中的抖动报警进行剔除预处理；

(2)根据设定的时间窗口10min和时间窗口的滑动大小1s将预处理后的测量数据划分为n个数据集，每个数据集记录对应的采样时刻之前的一个时间窗口内的数据，计算每个数据集的索引集；

具体步骤包括：

a.定义记录报警出现的索引集I₁(t)，用于记录在时间窗口内出现过报警状态的报警变量；

定义索引集I₂(t)，用于记录报警状态历时大于等于时间窗口的报警变量；

考虑到常驻报警，定义索引集I₃(t)，用于记录大于常驻报警时间窗口的报警变量；

定义索引集I(t)，用于记录最近进入过报警状态的报警变量；

b.对于第k个报警数据集X(kT-599:kT)，X(kT-599:kT)表示第k个采样时刻的前面一个时间窗口内记录的报警数据集，其索引集分为两部分，第一部分为I₁(kT)，第二部分为上个窗口中进入报警状态且报警持续时间大于时间窗口、小于常驻报警时间窗口的报警变量，即为I₃(kT)的补集和I((k-1)T)以及I₂(kT)的合集，具体为

(3)计算每个索引集对应的基数，根据索引集的基数判定是否存在报警泛滥，具体为：

计算第k个报警数据集的索引集对应的基数，即索引集中元素的数量，记为|I(kT)|；设定报警泛滥的阈值，如果索引集的基数|I(kT)|大于该阈值，则判定存在报警泛滥，记x_AF(kT)＝1，如果索引集的基数|I(kT)|小于该阈值，则判定不存在报警泛滥，记x_AF(kT)＝0；并在报警泛滥的判定过程中引入参数为m的延滞定时器消除抖动报警；

(4)对所有划分的数据集依次进行迭代运算，通过时间趋势图对检测结果进行分析。

进一步地，所述步骤(1)的具体实现过程为：

设定x_i(t-N+1:t)＝[x_i((t-N+1)h),...,x_i(th)]^T,i∈[1,M]是第i个报警变量x_i的数据集，t为一个取值为正整数的采样间隔，N为样本的数量，也是一个正整数，为了简化表示，假设h取值为1s，则t的物理解释为即时采样时刻，单位为秒，如果报警变量x_i进入报警状态，则x_i取值变为1，反之则为0；

定义报警的持续时间T₁，T₁表示报警变量x_i从一个报警出现时刻到下一个报警清除时刻之间连续的时间，报警出现定义为报警变量x_i从“0”到“1”的事件，报警清除定义为报警变量x_i从“1”到“0”的事件，报警持续时间T₁＝t₂-t₁+1，其中x_i(t₁-1)＝0,x_i(t₂+1)＝0，t₁为一个报警出现时刻，t₂为t₁紧邻的下一个报警消失时刻；

定义报警的间隔时间T₀，T₀表示报警变量x_i从一个报警消失时刻到下一个报警出现时刻之间连续的时间，报警间隔具体为T₀＝t₂-t₁+1，其中x_i(t₁-1)＝1,x_i(t₂+1)＝1，t₁为一个报警消失时刻，t₂为t₁紧邻的下一个报警出现时刻。

进一步地，所述抖动报警为报警持续时间和报警间隔小于y的报警变量，其中y的大小根据工业实际情况进行确定。

在本申请的发明人之一所做的另一件中国已公开发明(专利号为CN201710305676.5，名称为“一种抖动报警和重复报警的在线消除方法与***”)里，已详细介绍了采用报警延时器消除抖动报警的方法和原理，此处采用的延滞定时器对抖动报警的消除过程原理与专利CN201710305676.5中采用报警延时器对抖动报警的消除完全相同。在专利CN201710305676.5的独立权利要求书中有：“包括以下步骤：(1)选取报警时间段ts至te的报警信号，将所述报警信号转换为以0为代表的正常状态和以1为代表的报警状态的第一报警样本，其中ts和te对应的报警信号均为正常状态；(2)初始化报警延时器的参数m，对上述第一报警样本进行预测赋值，得到第二报警样本”，“步骤(2)中对第一报警样本进行预测赋值具体为：当且仅当有连续m个样本为报警状态，报警***就产生报警信号1；当且仅当有连续m个样本为正常状态，报警***就产生正常信号0”。在专利CN201710305676.5的说明书中又对上述步骤(2)进行了详细解释：“当t-m时刻报警信号处于正常状态0，如果t-m+1时刻，t-m+2时刻,…，t时刻报警信号都处于报警状态1，则第二报警样本在t时刻的取值为1；当t-m时刻报警信号处于正常状态0，如果t-m+1时刻，t-m+2时刻，…，t-m+a(a<m)时刻报警信号都处于报警状态1，即连续处于报警状态的样本数少于m，则第二报警样本在t-m时刻，t-m+1时刻，…，t-m+a时刻的取值均为0；当t-m时刻报警信号处于报警状态1，如果t-1时刻，t-2时刻，…，t时刻报警信号都处于正常状态0，则第二报警样本在t时刻的取值为0；当t-m时刻报警信号处于报警状态1，如果t-m+1时刻，t-m+2时刻，…，t-m+a(a<m)时刻报警信号都处于正常状态0，即连续处于正常状态的样本数少于m，则第二报警样本在t-m时刻，t-m+1时刻，…，t-m+a时刻的取值均为1。”

进一步地，在步骤(2)中的所述常驻报警时间窗口的长度为30min。

进一步地，考虑到实际情况中不可能完全消除抖动报警，所以步骤(3)中在报警泛滥的判定过程中引入参数为m的采样延滞定时器，定义报警泛滥检测变量如果检测变量在m个采样时间内x_AF(kT)都为1，即x_AF((k-m+1)T:kT)＝1，并且则记为1，视为报警泛滥出现；如果在m个采样时间内x_AF(kT)都为0，即x_AF((k-m+1)T:kT)＝0，并且则记为0，视为报警泛滥消失。

上述m采样延滞定时器对抖动报警的消除过程原理在步骤(1)的阐述中已详细解释，此处不再赘述。

最后，对所有的报警数据集依次进行迭代运算，对于在线检测的情况，m的选择服从最大可允许的检测延迟。

本发明具有以下有益效果：本发明通过计算获得的报警变量的持续时间和报警时间间隔以及采用延滞定时器消除抖动报警，并设定时间窗口和时间窗口的滑动大小对上述处理后的数据进行划分得到没有常驻报警的若干索引集，并通过索引集的基数与报警泛滥的判定阈值进行比较，并引入参数为m的延滞定时器消除抖动报警，以准确判定报警泛滥的出现和消失。本发明克服了当前因抖动报警和常驻报警的存在而错误检测报警泛滥的问题，保证了工厂生产的安全和效率。

附图说明

图1是本发明的实施例所述工业报警泛滥在线检测设计流程图；

图2是本发明的实施例的某一具体应用场景中报警泛滥的检测结果；

图3是本发明的实施例的某一具体应用场景中索引集中的报警变量的时间趋势图；

图4是本发明的实施例的某一具体应用场景中几个故障相关报警的时间趋势图。

具体实施方式

下面结合附图对本发明作进一步描述。

实施例一：

如图1，本发明所述的一种工业报警泛滥的在线检测方法，包括如下步骤：

S1，获得报警变量x₁,x₂,···,x_M的测量数据：

X(t-N+1:t)＝[x₁(t-N+1:t),...,x_M(t-N+1:t)]，计算每个报警变量对应的持续时间和报警间隔，并通过延滞定时器对测量数据中的抖动报警进行剔除预处理；

S2，根据设定的时间窗口10min和时间窗口的滑动大小1s将预处理后的测量数据划分为n个数据集，每个数据集记录对应的采样时刻之前的一个时间窗口内的数据，计算每个数据集的索引集；

具体步骤包括：

a.定义记录报警出现的索引集I₁(t)，用于记录在时间窗口内出现过报警状态的报警变量；

定义索引集I₂(t)，用于记录报警状态历时大于等于时间窗口的报警变量；

考虑到常驻报警，定义索引集I₃(t)，用于记录大于常驻报警时间窗口的报警变量；

定义索引集I(t)，用于记录最近进入过报警状态的报警变量；

b.对于第k个报警数据集X(kT-599:kT)，X(kT-599:kT)表示第k个采样时刻的前面一个时间窗口10min内记录的报警数据集，其索引集分为两部分，第一部分为I₁(kT)，第二部分为上个窗口中进入报警状态且报警持续时间大于时间窗口、小于常驻报警时间窗口的报警变量，即为I₃(kT)的补集和I((k-1)T)以及I₂(kT)的合集，具体为

S3，计算每个索引集对应的基数，根据索引集的基数判定是否存在报警泛滥，并在报警泛滥的判定过程中引入参数为m的延滞定时器消除抖动报警；

S4，对所有划分的数据集依次进行迭代运算，通过时间趋势图对检测结果进行分析。

在步骤S1中，设定

x_i(t-N+1:t)＝[x_i((t-N+1)h),...,x_i(th)]^T,i∈[1,M]是第i个报警变量x_i的数据集，h为一个实值采样区间，t为一个取值为正整数的采样间隔，N为一个取值为正整数的样本的数量，为了简化表示，假设h取值为1s，则t的物理解释为即时采样时刻，单位为秒，如果报警变量x_i进入报警状态，则x_i取值变为1，反之则为0；

定义报警的持续时间为T₁，T₁表示报警变量x_i从一个报警出现时刻到下一个报警清除时刻之间连续的时间，报警出现定义为报警变量x_i从“0”到“1”的事件，报警清除定义为报警变量x_i从“1”到“0”的事件，

报警持续时间T₁＝t₂-t₁+1，其中x_i(t₁-1)＝0,x_i(t₂+1)＝0，t₁为一个报警出现时刻，t₂为t₁紧邻的下一个报警消失时刻；

定义报警的报警间隔为T₀，T₀表示报警变量x_i从一个报警消失时刻到下一个报警出现时刻之间连续的时间，报警间隔具体为T₀＝t₂-t₁+1，其中x_i(t₁-1)＝1,x_i(t₂+1)＝1，t₁为一个报警消失时刻，t₂为t₁紧邻的下一个报警出现时刻。

其中，使用延滞定时器对测量数据中的抖动报警进行消除，所述抖动报警为报警持续时间和报警间隔小于y的报警变量，其中y的大小根据工业实际情况可以设定为20秒。

抖动报警一般由一些噪声等外部干扰引起，并没有参考价值，属于干扰报警，会严重影响工业报警***的性能表现，不仅容易导致有用的报警信息被淹没，而且容易造成操作人员长期忽视报警信息，不信任甚至关闭工业报警***。

在本申请的发明人之一所做的另一件中国已公开发明(专利号为CN201710305676.5，名称为“一种抖动报警和重复报警的在线消除方法与***”)里，已详细介绍了采用报警延时器消除抖动报警的方法和原理，此处采用的延滞定时器对抖动报警的消除过程原理与专利CN201710305676.5中采用报警延时器对抖动报警的消除完全相同。在专利CN201710305676.5的独立权利要求书中有：“包括以下步骤：(1)选取报警时间段ts至te的报警信号，将所述报警信号转换为以0为代表的正常状态和以1为代表的报警状态的第一报警样本，其中ts和te对应的报警信号均为正常状态；(2)初始化报警延时器的参数m，对上述第一报警样本进行预测赋值，得到第二报警样本”，“步骤(2)中对第一报警样本进行预测赋值具体为：当且仅当有连续m个样本为报警状态，报警***就产生报警信号1；当且仅当有连续m个样本为正常状态，报警***就产生正常信号0”。在专利CN201710305676.5的说明书中又对上述步骤(2)进行了详细解释：“当t-m时刻报警信号处于正常状态0，如果t-m+1时刻，t-m+2时刻,…，t时刻报警信号都处于报警状态1，则第二报警样本在t时刻的取值为1；当t-m时刻报警信号处于正常状态0，如果t-m+1时刻，t-m+2时刻，…，t-m+a(a<m)时刻报警信号都处于报警状态1，即连续处于报警状态的样本数少于m，则第二报警样本在t-m时刻，t-m+1时刻，…，t-m+a时刻的取值均为0；当t-m时刻报警信号处于报警状态1，如果t-1时刻，t-2时刻，…，t时刻报警信号都处于正常状态0，则第二报警样本在t时刻的取值为0；当t-m时刻报警信号处于报警状态1，如果t-m+1时刻，t-m+2时刻，…，t-m+a(a<m)时刻报警信号都处于正常状态0，即连续处于正常状态的样本数少于m，则第二报警样本在t-m时刻，t-m+1时刻，…，t-m+a时刻的取值均为1。”

判定常驻报警的时间窗口可以选为30min，常驻报警指的是出现后持续保持很长时间的报警，这些报警通常在操作员采取动作后依旧清不掉，会影响操作员对***工作状态的判断，所以在判断报警泛滥出现于消失时，需要将常驻报警剔除，故需要设定时间窗口在报警变量中判定出常驻报警；关于常驻报警判断的时间窗口可以根据操作人员的需要进行选择，但如果该时间窗口选择过大则会导致一些常驻报警未被剔除进而干扰到报警泛滥的判断。

此外，在实际使用中，即使某个最近出现过的报警变量在当前时刻已经不在报警状态了，操作人员依然需要找到触发该报警的根本原因。

在步骤S3中，计算第k个报警数据集的索引集所对应的基数，即索引集中元素的数量|I(kT)|。本实施例中可以设定报警泛滥的判定阈值为10，即将索引集中元素数目与10作比较，如果不小于10，则判定为报警泛滥出现，记x_AF(kT)＝1，如果索引集的基数|I(kT)|小于该阈值，则判定不存在报警泛滥，记x_AF(kT)＝0。

考虑到实际情况中不可能完全消除抖动报警，因此在报警泛滥判定的阶段引入m采样延滞定时器。定义报警泛滥检测变量如果在m个采样时间内x_AF(kT)都为1，即x_AF((k-m+1)T:kT)＝1，并且则记为1，视为报警泛滥出现。如果在m个采样时间内x_AF(kT)都为0，即x_AF((k-m+1)T:kT)＝0，并且则记为0，视为报警泛滥消失。

上述m采样延滞定时器对抖动报警的消除过程原理在步骤S1的阐述中已详细解释，此处不再赘述。

在步骤S4中，对所有的报警数据集依次进行迭代运算，对于在线检测的情况，m的选择服从最大可允许的检测延迟，对于发电机组来说，1min的延迟是允许的，因此在这种情况下，m的默认值选择为60s；最后通过观察报警变量的时间趋势图来验证检测结果。

本发明通过计算获得的报警变量的持续时间和报警时间间隔以及采用延滞定时器消除抖动报警，并设定时间窗口和时间窗口的滑动大小对上述处理后的数据进行划分得到没有常驻报警的若干索引集，并通过索引集的基数与报警泛滥的判定阈值进行比较，并引入参数为m的延滞定时器消除抖动报警，以准确判定报警泛滥的出现和消失。本发明克服了当前因抖动报警和常驻报警的存在而错误检测报警泛滥的问题，保证了工厂生产的安全和效率。

在某一具体应用场景中，本发明所述的工业报警泛滥的在线检测方法的应用情况如下：

给出一个采集于2015年六月25日上午十点到十一点的长度一小时的数据集，其中包含了2226个报警变量。时间窗口的滑动大小T定义为1秒。延滞定时器的参数m定为60。

第一步，首先将报警数据集中的抖动报警进行预处理。

第二步，根据时间窗口和时间窗口的滑动大小对预处理后的数据集进行划分，并计算每个数据集的索引集。

第三步，计算索引集的基数，并根据预设的延滞定时器参数m＝60对抖动报警进一步消除。最后计算出在时间区间t∈[2530,3023]发生了报警泛滥。如图2所示。图2(a)为该数据集的索引集的基数，红色虚线代表报警泛滥的阈值10。图2(b)蓝色实线为没有引用延滞定时器的检测结果，红色虚线为引用了延滞定时器的检测结果。

第四步，观察时间趋势图并分析结果。图3为时间趋势图，可以看到在集合I(t＝2530)中，有13个报警变量存在，也就是说确实存在报警泛滥。该检测到的报警泛滥主要由搅拌机C的异常造成的搅拌机终端轴承温度过高所引起的。搅拌机的终端轴承温度配置的报警变量为#517和#514。图4(a)是这两个温度传感器的测量数据。当温度高于51摄氏度时，两个传感器就会触发报警。当其中一个温度高于55摄氏度，另一个高于60摄氏度时，另一个报警变量#2090就会进入报警状态，如图4(b)蓝色实线所示。当时这个异常情况***作人员忽视了，22分钟后，搅拌机C因为两个传感器检测温度都大于60度，触发了安全保护机制紧急宕机，对应的报警为#2128，如图4(b)红色虚线所示，而搅拌机C的宕机导致工厂生产功率从275降到了245MW，如图4(c)所示，这个异常情况导致了发电机组的重大损失。

Claims (6)

1.一种工业报警泛滥的在线检测方法，其特征在于，包括如下步骤：

(1)获得报警变量x₁,x₂,…,x_M的测量数据

X(t-N+1:t)＝[x₁(t-N+1:t),...,x_M(t-N+1:t)]，计算每个报警变量对应的持续时间和报警间隔，并通过延滞定时器对测量数据中的抖动报警进行剔除预处理；

具体步骤包括：

设定x_i(t-N+1:t)＝[x_i((t-N+1)h),...,x_i(th)]^T,i∈[1,M]是第i个报警变量x_i的数据集，h为一个实值采样区间，t为一个取值为正整数的采样间隔，N为一个取值为正整数的样本的数量，为了简化表示，假设h取值为1s，则t的物理解释为即时采样时刻，单位为秒，如果报警变量x_i进入报警状态，则x_i取值变为1，反之则为0；

定义报警的持续时间为T₁，T₁表示报警变量x_i从一个报警出现时刻到下一个报警清除时刻之间连续的时间，报警出现定义为报警变量x_i从“0”到“1”的事件，报警清除定义为报警变量x_i从“1”到“0”的事件，报警持续时间T₁＝t₂-t₁+1，其中x_i(t₁-1)＝0,x_i(t₂+1)＝0，t₂＞t₁，t₁为一个报警出现时刻，t₂为t₁紧邻的下一个报警消失时刻；

定义报警的报警间隔为T₀，T₀表示报警变量x_i从一个报警消失时刻到下一个报警出现时刻之间连续的时间，报警间隔具体为T₀＝t₂-t₁+1，其中x_i(t₁-1)＝1,x_i(t₂+1)＝1，t₂＞t₁，t₁为一个报警消失时刻，t₂为t₁紧邻的下一个报警出现时刻；

(2)根据设定的时间窗口和时间窗口的滑动大小将预处理后的测量数据划分为n个数据集，每个数据集记录对应的采样时刻之前的一个时间窗口内的数据，计算每个数据集的索引集；

具体步骤包括：

a.定义记录报警出现的索引集I₁(t)，用于记录在时间窗口内出现过报警状态的报警变量；

定义索引集I₂(t)，用于记录报警状态历时大于等于时间窗口的报警变量；

考虑到常驻报警，定义索引集I₃(t)，用于记录大于常驻报警时间窗口的报警变量；

定义索引集I(t)，用于记录最近进入过报警状态的报警变量；

b.对于第k个报警数据集表示第k个采样时刻的前面一个时间窗口内记录的报警数据集，其索引集分为两部分，第一部分为I₁(kT)，第二部分为上个窗口中进入报警状态且报警持续时间大于时间窗口、小于常驻报警时间窗口的报警变量，即为I₃(kT)的补集和I((k-1)T)以及I₂(kT)的合集，具体为

(3)计算每个索引集对应的基数，根据索引集的基数判定是否存在报警泛滥，具体为：

计算第k个报警数据集的索引集对应的基数，即索引集中元素的数量，记为|I(kT)|；设定报警泛滥的阈值，如果索引集的基数|I(kT)|大于该阈值，则判定存在报警泛滥，记x_AF(kT)＝1，如果索引集的基数|I(kT)|小于该阈值，则判定不存在报警泛滥，记x_AF(kT)＝0；并在报警泛滥的判定过程中引入参数为m的延滞定时器消除抖动报警；(4)对所有划分的数据集依次进行迭代运算，通过时间趋势图对检测结果进行分析。

2.根据权利要求1所述的工业报警泛滥的在线检测方法，其特征在于，所述抖动报警为报警持续时间和报警间隔小于y的报警变量。

3.根据权利要求1所述的工业报警泛滥的在线检测方法，其特征在于，所述步骤(2)中，时间窗口的长度为10min，时间窗口的滑动大小为T＝1～600s。

4.根据权利要求3所述的工业报警泛滥的在线检测方法，其特征在于，时间窗口的滑动大小为T＝1s。

5.根据权利要求1所述的工业报警泛滥的在线检测方法，其特征在于，步骤(2)中的所述常驻报警时间窗口的长度为30min。

6.根据权利要求1所述的工业报警泛滥的在线检测方法，其特征在于，步骤(3)中，在报警泛滥的判定过程中引入参数为m的采样延滞定时器，定义报警泛滥检测变量如果检测变量在m个采样时间内x_AF(kT)都为1，即x_AF((k-m+1)T:kT)＝1，并且则记为1，视为报警泛滥出现；如果在m个采样时间内x_AF(kT)都为0，即x_AF((k-m+1)T:kT)＝0，并且则记为0，视为报警泛滥消失。