CN117037447B - 一种基于风险指标的串联和并联报警器选择方法及*** - Google Patents
一种基于风险指标的串联和并联报警器选择方法及*** Download PDFInfo
- Publication number
- CN117037447B CN117037447B CN202311300238.1A CN202311300238A CN117037447B CN 117037447 B CN117037447 B CN 117037447B CN 202311300238 A CN202311300238 A CN 202311300238A CN 117037447 B CN117037447 B CN 117037447B
- Authority
- CN
- China
- Prior art keywords
- alarm
- alarms
- risk
- removable
- parallel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010187 selection method Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000013398 bayesian method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/16—Security signalling or alarm systems, e.g. redundant systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种基于风险指标的串联和并联报警器选择方法及***，涉及工业报警器技术领域，采集待监控的工业过程中过程变量的历史数据,计算报警偏差和持续时间的集合，构建报警样本集；获取为工业过程设计的两个报警器：串联报警器和并联报警器，分别确定两个报警器的可移除区域，并对可移除区域进行网格化处理；根据报警样本集在网格化的可移除区域内的样本分布，以可移除区域内空白区域的占比作为风险指标，计算两个报警器的风险指标估计值；基于两个报警器的风险指标估计值，选择待监控工业过程的报警器；本发明通过设计一个明确的风险指标，协助在串联或并联报警器之间做出选择，降低未来错误消除真实报警的风险。
Description
技术领域
本发明属于工业报警器技术领域，尤其涉及一种基于风险指标的串联和并联报警器选择方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
工业过程中的报警***是保障生产安全和稳定运行的重要组成部分，用于监测和检测工业参数，一旦发现异常，及时发出警报通知相关人员。随着工业技术的不断发展，报警器的种类和功能不断丰富，以适应各种不同的工业应用场景。然而，尽管报警***在工业中广泛应用，误报警和漏报警问题仍然是影响报警***性能和可靠性的重要挑战。
即使过程变量在正常工作条件下，也会由于噪声或干扰的存在出现误报警。这些误报警会导致不必要的生产中断，增加工作人员的负担，同时降低报警***的可信度。漏报警是指报警***在真正异常情况下未能触发的报警，潜在的安全隐患未被及时察觉，可能会增加生产事故和损失的风险。因此，在流程工业生产过程监测中，识别和消除误报警和漏报警对于确保***稳定性和数据可靠性具有关键意义。
报警死区和延迟器在工业和生产领域被广泛应用，以应对误报警和漏报警等问题。报警死区适用于消除报警偏差较小但报警持续时间较大的误报警，而延迟器适用于处理报警持续时间较小但报警偏差较大的误报警；然而，在很多实际情况下，不同类型的误报警往往同时存在，单独依赖报警死区或延迟器很难有效地消除这些误报警；因此，报警死区和延迟器的串联和并联报警***应运而生，能够很好地处理以上问题。
不过，目前尚缺乏一种科学的方法来确定何时应选择串联或并联报警器，在串联和并联的选择上缺少科学依据，而选择不当的报警器在未来真实报警事件发生时可能更容易忽视报警信号，误报警和漏报警的频繁发生导致报警***性能和可靠性不高。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于风险指标的串联和并联报警器选择方法及***，基于网格化的可移除区域内的样本分布，设计一个明确的风险指标，协助在串联或并联报警器之间做出选择，降低未来错误消除真实报警的风险。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种基于风险指标的串联和并联报警器选择方法。
一种基于风险指标的串联和并联报警器选择方法，包括：
采集待监控的工业过程中过程变量的历史数据, 根据报警阈值生成相应的报警信号序列，计算报警偏差和持续时间的集合，构建报警样本集；
获取为工业过程设计的两个报警器：串联报警器和并联报警器，根据报警器的死区宽度和延迟因子，分别确定两个报警器的可移除区域，并对可移除区域进行网格化处理；
根据报警样本集在网格化的可移除区域内的样本分布，以可移除区域内空白区域的占比作为风险指标，计算两个报警器的风险指标估计值；
基于两个报警器的风险指标估计值，选择待监控工业过程的报警器。
进一步的，所述对可移除区域进行网格化处理，是基于先验知识，通过特定步长将可移除区域划分成等大小的网格。
进一步的，所述报警偏差是每个报警事件中从报警发生到报警清除之间的过程变量到报警阈值的最大偏差值；
所述持续时间是每个报警事件中从报警发生到报警清除的持续时间；
每对报警偏差和持续时间，作为一个报警样本。
进一步的，所述报警样本集在网格化的可移除区域内的样本分布，是可移除区域中的每个网格都有一个中心点，当网格中含有报警样本时，该中心点为一个实点；否则，该中心点为一个虚点。
进一步的，所述可移除区域内空白区域的占比，具体为：
计算可移除区域内虚点数和中心点数；
将虚点数和中心点数的比值作为风险指标，利用贝叶斯方法估计风险指标的值。
进一步的，所述计算两个报警器的风险指标估计值，具体为：
利用贝叶斯估计方法获取风险指标估计值及其置信区间；
当估计值及其置信区间满足可靠性指标时，所获得的估计值被视为可靠；否则，进一步扩充历史数据，以获得具有可靠性的风险指标估计值。
进一步的，所述贝叶斯估计方法，具体为：
每个网格是否包含报警样本看作是一个二元试验，将可移除区域内的虚点数视为一个服从二项分布的离散随机变量的实现；先将均匀分布作为风险指标的先验分布，结合实验数据后得到风险指标的后验概率，进而得到风险指标的估计值及其置信区间。
本发明第二方面提供了一种基于风险指标的串联和并联报警器选择***。
一种基于风险指标的串联和并联报警器选择***，包括样本构建模块、区域网格模块、指标估值模块和报警器选择模块：
样本构建模块，被配置为：采集待监控的工业过程中过程变量的历史数据, 根据报警阈值生成相应的报警信号序列，计算报警偏差和持续时间的集合，构建报警样本集；
区域网格模块，被配置为：获取为工业过程设计的两个报警器：串联报警器和并联报警器，根据报警器的死区宽度和延迟因子，分别确定两个报警器的可移除区域，并对可移除区域进行网格化处理；
指标估值模块，被配置为：根据报警样本集在网格化的可移除区域内的样本分布，以可移除区域内空白区域的占比作为风险指标，计算两个报警器的风险指标估计值；
报警器选择模块，被配置为：基于两个报警器的风险指标估计值，选择待监控工业过程的报警器。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种基于风险指标的串联和并联报警器选择方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种基于风险指标的串联和并联报警器选择方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明提出了一种基于风险指标的串联和并联报警器选择方法，该方法首先根据报警器设计值确定报警器的可移除区域；其次，通过特定步长将该区域划分成等大小的网格，计算不包含报警数据的空白网格数量和总网格数量；最后，利用贝叶斯估计方法获取风险指标的可靠估计。
基于网格化的可移除区域内的样本分布，设计一个明确的风险指标，协助在串联或并联报警器之间做出选择，在实践中实现简单，而且能够有效地应对误报警的多样性问题，降低未来错误消除真实报警的风险，对工业过程的安全高效运行具有至关重要的意义。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例中三容水箱结构示意图；
图3为第一个实施例中三容水箱闭环控制***仿真模型图；
图4为第一个实施例中信号的部分采样数据；
图5为第一个实施例中报警变量图；
图6为第一个实施例中并联报警器的风险指标设计图；
图7为第一个实施例中并联报警器的风险指标后验分布图；
图8为第一个实施例中串联报警器的风险指标设计图；
图9为第一个实施例中串联报警器的风险指标后验分布图；
图10为第一个实施例中某异常工况下的过程变量时间序列图；
图11为第一个实施例中某异常工况下对应的报警变量时间序列图；
图12为第一个实施例中某异常工况下并联报警器的报警变量时间序列图；
图13为第一个实施例中某异常工况下串联报警器的报警变量时间序列图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明公开了一种基于风险指标的串联和并联报警器选择方法，首先，根据过程变量的历史数据序列和报警阈值得到报警信号序列，从而计算得到报警偏差和持续时间集合。其次，在已知报警器的设计值的情况下，可以确定报警器的可移除区域，由操作人员基于一些先验知识确定最小划分区间，将该区域划分成等大小的网格；区域中的每个网格都有一个中心点，当网格中含有报警数据时，该中心点为一个实点；否则，该中心点为一个虚点。可将虚点数和中心点数的比值作为风险指标。最后，利用贝叶斯方法估计风险指标；每个网格是否包含数据可以看作是一个二元试验，因此可将有效区域内的虚点数视为一个服从二项分布的离散随机变量的实现。先将均匀分布作为风险指标的先验分布，结合实验数据后得到风险指标的后验概率，进而得到风险指标的估计值及其置信区间；如果最后的估计值满足可靠性指标，则估计值是可靠的；否则，需要扩大历史数据，继续重复以上步骤获取风险指标的可靠估计；其具体特点为：
(1)以历史报警数据为支撑，在数据的统计特征不会随时间发生变化的假定下，利用历史报警数据对报警器的风险性进行估计，并根据历史数据与报警器的拟合程度来评估漏报警的风险程度；
(2)采用特定步长对报警器可移除区域进行网格化处理，报警器可移除范围内的空白区域视为具有一定风险性，将报警器可移除范围内空白区域的占比作为风险指标，报警偏差和持续时间具有随机性，区域内不包含报警数据的网格数是不确定的，所以将风险指标具体设计为报警器可移除区域内空白网格数与总网格数的比值。
(3)利用贝叶斯估计方法获取风险指标的可靠估计，每个网格是否包含数据可以看作是一个二元试验，空白网格数可视为一个服从二项分布的离散随机变量的实现。
实施例一
在一个或多个实施方式中，公开了一种基于风险指标的串联和并联报警器选择方法，如图1所示，包括如下步骤：
步骤1：采集过程变量的历史数据序列，并根据历史数据序列和报警阈值/>得到报警信号序列/>，从而计算得到报警偏差/>和持续时间/>集合/>，其中，/>表示/>时刻采集到的过程变量，/>表示/>时刻生成的报警信号，/>表示数据序列长度，/>表示第/>次报警，/>表示第/>次报警的报警偏差，/>表示第/>次报警的持续时间。
具体的，由采集到的过程变量的历史数据和报警阈值/>得到报警变量，从而获取报警偏差/>和持续时间/>样本；报警偏差是指从一次报警发生到报警清除之间的过程变量/>与报警阈值/>之间的最大偏差值，持续时间是指从一次报警发生到报警清除之间的持续时间；第/>个最大报警偏差和持续时间为：
(1)
(2)
其中，和/>分别为第/>次报警发生和清除的采样时间。
(3)
其中，和/>为报警发生和报警清除事件；报警发生（报警清除）是报警变量/>从非报警状态“0”切换到报警状态“1”（从报警状态“1”切换到非报警状态“0”）的事件，具体为：
(4)
(5)
依据式(1)、式(2)计算得到报警偏差和持续时间集合，参数/>表示当前报警样本集合/>中的元素数量。
步骤2：根据集合设计串联和并联报警器，得到死区宽度/>和延迟因子/>的最优设计值，进而确定报警器的可移除区域/>，由操作人员基于一些先验知识确定的/>和/>的最小划分区间/>和/>，并将该区域划分成等大小的网格。
具体的，以串联报警器为例，在已知报警器的设计值下，即报警死区宽度为、延迟器的延迟因子为/>，报警偏差小于/>和持续时间小于/>的所有报警样本均可以被消除掉，由此可以确定串联报警器的二维可移除区域，并将此区域视为有效区域/>；将该区域划分成等大小的网格，每个网格都由集合表示：
(6)
其中，，/>为向下取整函数，/>和/>分别代表有效区域内可接受的最短和最长持续时间；/>和/>分别代表有效区域内可接受的最小和最大报警偏差；/>和/>是由操作人员基于一些先验知识确定的持续时间和报警偏差的最小区间，/>表示第/>维的网格划分序数。
步骤3：每对报警偏差和持续时间是相关的，可用来表示/>个报警样本。其中，/>（/>）表示为第/>个报警样本的报警偏差（持续时间）值，区域/>中的每个网格都有一个中心点，当网格中含有报警样本时，该中心点为一个实点；否则，该中心点为一个虚点；计算该区域内虚点数/>和中心点数/>。
具体的，每个网格的中心点为，其中，/>分别为网格的列序数和行序数，/>为第/>维每行（列）的中心点位置。对于一个中心点，如果能在相应的网格中可以找到一个数据点/>，即：
(7)
则将该中心点记为一个实点，否则该中心点为虚点，最后记录该网格内虚点数和中心点数/>。
步骤4：将虚点数和中心点数/>的比值作为风险指标/>，利用贝叶斯方法估计风险指标。首先，将风险指标/>视为一个取值范围在[0,1]的连续随机变量/>的一个实现，记为/>；其次，将有效区域内的虚点数视为离散随机变量/>的一个实现/>，每个网格是否包含数据可以看作是一个二元试验，因此/>遵循一个二项分布，在/>次独立试验中成功的概率为/>；最后，基于/>的实现/>可得到/>的后验概率；进而得到风险指标的估计值/>及其置信区间/>。
具体的，将虚点数与中心点的比值作为风险指标，利用贝叶斯方法获取风险指标的可靠估计；在贝叶斯方法中，/>被视为一个取值范围在[0,1]的连续随机变量的一个实现，记为/>；如果没用额外的参数信息，通常将均匀分布作为/>的先验分布，即：
(8)
将有效区域内空白网格的数量视为离散随机变量的一个实现/>，每个网格是否包含数据可以看作是一个二元试验，因此/>遵循一个二项分布，在/>次独立试验中成功的概率为/>，则/>的条件概率函数为：
(9)
基于的实现/>可得到/>的后验概率函数为：
(10)
其中，和/>的联合概率为：
(11)
的贝叶斯估计通常认为是条件均值：
(12)
在显著性水平（默认值/>）下，/>的/>置信区间被确定为满足式(13)的最窄区间/>。
(13)
步骤5：如果估计值相对于置信区间/>较大，则估计值较为可靠；否则，需要扩大数据样本以获得更多的报警偏差和持续时间，继续重复步骤1-5以获得可靠的风险指标估计值。
具体的，如果估计的相对于其置信区间/>较大，即：
(14)
则将此估计值视为风险指标/>的可靠估计；式(14)中/>的默认值为/>，表示置信区间宽度不大于/>；否则，需要增加历史数据，获取更多的/>对于/>，继续重复步骤1-5以获得风险指标的可靠估计。
步骤6：在获取串联和并联报警器的可靠性风险指标估计值后，通过比较选择具有较低风险指标的报警器作为最适合的选项。
下面以TTS20三容水箱液位控制***为实验对象，对本实施例一种基于风险指标的串联和并联报警器选择方法的实现过程进行详细说明。
图2为三容水箱***的结构示意图。、/>和/>分别代表水箱1、水箱2和水箱3，三个水箱两两串联连接，/>为水箱/>与水箱3的连接管道，/>为水箱2的输出管道，为连接管道和输出管道的阀门，假定阀门/>全部打开，/>全部关闭，通过控制水泵/>和/>来调节/>、/>的液位高度。图3为在Simulink搭建的仿真模型图，和/>为控制器的输出，/>和/>为进入水箱1和2的流量，/>、/>和/>为三个水箱的液位高度，采集输入和输出变量/>和/>。
本实验控制目标是通过PI控制器分别控制水泵、/>的供水流量，使得/>和/>两个水箱的液位稳定在设定值/>。为水箱/>设置高（低）报警阈值并对液位/>进行报警监控。
水箱周围环境中可能存在外部干扰源，如振动、温度变化等，这些干扰可能对传感器的测量结果产生影响，导致测量噪声增大。以采样周期1秒获取水箱液位传感器3小时的测量数据，数据长度/>，部分历史数据/>如图4中所示。图5为对应的报警变量/>，对此分别设计串联和并联报警器，使得最终的误报率在5%左右。下面阐述本实施例所公开的报警器风险指标设计方法的应用流程，具体如下：
第一步，根据采集得到的历史数据和高报警阈值/>得到报警变量/>，得到报警偏差和持续时间样本集/>。
第二步，在已知报警器的设计值下，如并联报警器和串联报警器/>，可以确定报警器的可移除区域/>和/>，由操作人员基于一些先验知识确定的/>和/>的最小划分区间/>和/>，将该区域划分成等大小的网格，如图6和图8所示。
第三步，每个网格的中心点为，其中，由式(7)得到并联报警器可移除区域/>内的虚点数，中心点数/>；同样的方法得到串联报警器可移除区域/>内的虚点数，中心点数/>。
第四步，利用贝叶斯估计方法计算风险指标估计值，根据式(7)-(11)得到式(12)的最终表达式：
得到并联报警器的风险指标估计值，依据式(13)得到95%的置信区间；同样，串联报警器的风险指标估计值/>，置信区间/>，图7和图9展示了两种报警器的风险指标后验分布图。
第五步，由上述估计值，依据式(14)计算并联报警器的可靠性指标，串联报警器的可靠性指标/>；因此，两个风险指标的估计值是可靠的。
第六步，通过比较两个报警器的风险指标估计值，并联报警器的风险指标较小；因此，针对液位报警监控场景而言，与串联报警器相比，采用并联报警器更为合适；图10、图11、图12和图13分别展示了在某种异常工况下的过程变量/>、对应的报警变量/>、并联报警器的报警变量/>及串联报警器的报警变量/>；显然，在此异常事件下，并联报警器可以正确激发出报警；相比之下，串联报警器会将此异常屏蔽掉。
本实施例所公开的方法通过一个指标来合理选择串联报警器或并联报警器，在实践中实现简单；所提出的方法能够有效地应对误报警的多样性问题，降低未来错误消除掉真实报警的风险，对工业过程的安全高效运行具有至关重要的意义。
实施例二
在一个或多个实施例中，公开了一种基于风险指标的串联和并联报警器选择方法，包括样本构建模块、区域网格模块、指标估值模块和报警器选择模块：
样本构建模块，被配置为：采集待监控的工业过程中过程变量的历史数据, 根据报警阈值生成相应的报警信号序列，计算报警偏差和持续时间的集合，构建报警样本集；
区域网格模块，被配置为：获取为工业过程设计的两个报警器：串联报警器和并联报警器，根据报警器的死区宽度和延迟因子，分别确定两个报警器的可移除区域，并对可移除区域进行网格化处理；
指标估值模块，被配置为：根据报警样本集在网格化的可移除区域内的样本分布，以可移除区域内空白区域的占比作为风险指标，计算两个报警器的风险指标估计值；
报警器选择模块，被配置为：基于两个报警器的风险指标估计值，选择待监控工业过程的报警器。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的一种基于风险指标的串联和并联报警器选择方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的一种基于风险指标的串联和并联报警器选择方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于风险指标的串联和并联报警器选择方法，其特征在于，包括：
采集待监控的工业过程中过程变量的历史数据, 根据报警阈值生成相应的报警信号序列，计算报警偏差和持续时间的集合，构建报警样本集；
获取为工业过程设计的两个报警器：串联报警器和并联报警器，根据报警器的死区宽度和延迟因子，分别确定两个报警器的可移除区域，并对可移除区域进行网格化处理；
根据报警样本集在网格化的可移除区域内的样本分布，以可移除区域内空白区域的占比作为风险指标，计算两个报警器的风险指标估计值；
基于两个报警器的风险指标估计值，选择待监控工业过程的报警器；
其中，所述报警样本集在网格化的可移除区域内的样本分布，是可移除区域中的每个网格都有一个中心点，当网格中含有报警样本时，该中心点为一个实点；否则，该中心点为一个虚点；
所述可移除区域内空白区域的占比，具体为：
计算可移除区域内虚点数和中心点数；
将虚点数和中心点数的比值作为风险指标，利用贝叶斯方法估计风险指标的值。
2.如权利要求1所述的一种基于风险指标的串联和并联报警器选择方法，其特征在于，所述对可移除区域进行网格化处理，是基于先验知识，通过特定步长将可移除区域划分成等大小的网格。
3.如权利要求1所述的一种基于风险指标的串联和并联报警器选择方法，其特征在于，所述报警偏差是每个报警事件中从报警发生到报警清除之间的过程变量到报警阈值的最大偏差值；
所述持续时间是每个报警事件中从报警发生到报警清除的持续时间；
每对报警偏差和持续时间，作为一个报警样本。
4.如权利要求1所述的一种基于风险指标的串联和并联报警器选择方法，其特征在于，所述计算两个报警器的风险指标估计值，具体为：
利用贝叶斯估计方法获取风险指标估计值及其置信区间；
当估计值及其置信区间满足可靠性指标时，所获得的估计值被视为可靠；否则，进一步扩充历史数据，以获得具有可靠性的风险指标估计值。
5.如权利要求4所述的一种基于风险指标的串联和并联报警器选择方法，其特征在于，所述贝叶斯估计方法，具体为：
每个网格是否包含报警样本看作是一个二元试验，将可移除区域内的虚点数视为一个服从二项分布的离散随机变量的实现；先将均匀分布作为风险指标的先验分布，结合实验数据后得到风险指标的后验概率，进而得到风险指标的估计值及其置信区间。
6.一种基于风险指标的串联和并联报警器选择***，其特征在于，包括样本构建模块、区域网格模块、指标估值模块和报警器选择模块：
样本构建模块，被配置为：采集待监控的工业过程中过程变量的历史数据, 根据报警阈值生成相应的报警信号序列，计算报警偏差和持续时间的集合，构建报警样本集；
区域网格模块，被配置为：获取为工业过程设计的两个报警器：串联报警器和并联报警器，根据报警器的死区宽度和延迟因子，分别确定两个报警器的可移除区域，并对可移除区域进行网格化处理；
指标估值模块，被配置为：根据报警样本集在网格化的可移除区域内的样本分布，以可移除区域内空白区域的占比作为风险指标，计算两个报警器的风险指标估计值；
报警器选择模块，被配置为：基于两个报警器的风险指标估计值，选择待监控工业过程的报警器；
其中，所述报警样本集在网格化的可移除区域内的样本分布，是可移除区域中的每个网格都有一个中心点，当网格中含有报警样本时，该中心点为一个实点；否则，该中心点为一个虚点；
所述可移除区域内空白区域的占比，具体为：
计算可移除区域内虚点数和中心点数；
将虚点数和中心点数的比值作为风险指标，利用贝叶斯方法估计风险指标的值。
7.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令，
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-5任一项所述的方法。
8.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-5任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311300238.1A CN117037447B (zh) | 2023-10-10 | 2023-10-10 | 一种基于风险指标的串联和并联报警器选择方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311300238.1A CN117037447B (zh) | 2023-10-10 | 2023-10-10 | 一种基于风险指标的串联和并联报警器选择方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117037447A CN117037447A (zh) | 2023-11-10 |
| CN117037447B true CN117037447B (zh) | 2024-01-23 |
Family
ID=88626710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311300238.1A Active CN117037447B (zh) | 2023-10-10 | 2023-10-10 | 一种基于风险指标的串联和并联报警器选择方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037447B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
| CN108320480A (zh) * | 2018-04-03 | 2018-07-24 | 山东科技大学 | 一种死区报警器的参数确定方法 |
| CN109739123A (zh) * | 2018-12-14 | 2019-05-10 | 山东大学 | 基于安全防护的实验室大型仪器设备联网共享*** |
| CN114005256A (zh) * | 2021-10-25 | 2022-02-01 | 山东科技大学 | 基于报警持续时间概率函数的报警延迟器设计方法及*** |
-
2023
- 2023-10-10 CN CN202311300238.1A patent/CN117037447B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
| CN108320480A (zh) * | 2018-04-03 | 2018-07-24 | 山东科技大学 | 一种死区报警器的参数确定方法 |
| CN109739123A (zh) * | 2018-12-14 | 2019-05-10 | 山东大学 | 基于安全防护的实验室大型仪器设备联网共享*** |
| CN114005256A (zh) * | 2021-10-25 | 2022-02-01 | 山东科技大学 | 基于报警持续时间概率函数的报警延迟器设计方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| Gyasi Poku ; Wang Jiandong.Design of serial alarm systems based on deadbands and delay timers for removing false alarms. Process Safety and Environmental Protection.2022,第162卷1033-1040. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117037447A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111984503B (zh) | 一种监控指标数据异常数据识别的方法及装置 | |
| CN106371939B (zh) | 一种时序数据异常检测方法及其*** | |
| CN107528722B (zh) | 一种时间序列中异常点检测方法及装置 | |
| CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
| US10410502B2 (en) | Method and apparatus for providing environmental management using smart alarms | |
| US20190384275A1 (en) | Diagnostic device, diagnostic method, and program | |
| CN105515820A (zh) | 一种用于运维管理的健康分析方法 | |
| CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
| CN105933681B (zh) | 面向行为识别的灵敏度自适应调整方法 | |
| CN105184386A (zh) | 一种结合专家经验和历史数据建立异常事件预警***的方法 | |
| CN117009831B (zh) | 一种精细化工事故风险预测评估方法 | |
| US20190235483A1 (en) | Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Risk Fault Tree Method and System | |
| US11120350B2 (en) | Multilevel pattern monitoring method for industry processes | |
| Cadini et al. | Particle filtering for the detection of fault onset time in hybrid dynamic systems with autonomous transitions | |
| CN117037447B (zh) | 一种基于风险指标的串联和并联报警器选择方法及*** | |
| CN110224852A (zh) | 基于htm算法的网络安全监测方法及装置 | |
| CN110633450A (zh) | 一种双氧水装置报警***报警阈值优化方法 | |
| CN106652393B (zh) | 假警报确定方法及装置 | |
| CN108921223B (zh) | 一种服务器冷却***及控制方法、计算机程序、计算机 | |
| US20240085878A1 (en) | Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Risk Pattern Match Method and System | |
| CN113129472B (zh) | 工况数据处理方法、装置、终端设备和可读存储介质 | |
| CN112882898B (zh) | 基于大数据日志分析的异常检测方法、***、设备及介质 | |
| Chen et al. | Design of multivariate alarm systems based on online calculation of variational directions | |
| CN112904921A (zh) | 基于物联网的实时监测监管*** | |
| CN111814331A (zh) | 复杂情况下多变点的设备剩余使用寿命预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |