基于文本挖掘的过程工业报警自适应关联分析与预测方法研究

发布时间：2021-10-08 23:44

　　报警系统是旨在引导操作者注意异常过程状态的一类系统。由于报警系统的不合理设计,在异常工况下,可能发生数以百计的过程报警甚至报警泛滥现象,严重干扰操作者对当前过程状态的判断,从而促成各种工业事故的发生。为此,采用先进的报警管理技术预报过程动态、辨识关联报警,能够全面改善报警系统表现,避免报警泛滥现象的不断发生。本文针对报警系统中存在的报警不及时、关联报警反复出现等问题,结合现有数据驱动方法存在的缺乏自适应性、可用数据信息不足等难点,提出了一套基于文本挖掘的过程工业报警自适应关联分析与预测方法,分别针对过程数据和报警日志信息进行报警关联及预测分析,开展了过程趋势自适应预警、风险传播路径自适应辨识、基于报警聚类的报警系统优化及基于文本挖掘的过程报警预测四个方面的研究工作,主要研究内容如下:（1）针对报警系统预控及时性差、现有趋势监控及预警方法缺乏自适应性和多变量预警体系等难点问题,提出了一种基于趋势监控的自适应过程预警方法,自适应提取过程数据趋势特征,对非平稳趋势的过程变量进行预警,并研究了多变量预警情况下的自适应权重计算及预警优先级排序方法。以常压塔及分馏塔异常工况为例对方法进行了应用,与... 

【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：123 页

【学位级别】：博士

【部分图文】：

"max(k)曲线

第4章基于报警聚类的过程报警系统优化方法研究-74-图4.10集成聚类结果系统树图Fig.4.10Dendrogramfortheaggregatedclusteringresult（2）采用4.2.3节引入的MDS方法实现在二维空间中报警向量的可视化，如图4.11，不同的颜色表示不同类内的报警向量（颜色与图4.10一一对应）。从该散点图中可以看出聚类结果较好，从而验证了该报警聚类方法的可行性和有效性。在图4.11中，距离十分接近的Alarm(0)（这里将各报警变量简记为Alarm(i)，i用于区分不同的报警类型）和Alarm(1)同样在图4.10中具有较低的融合距离，表明距离相近的向量会被聚为一类。此外还可以看出在图4.11中几乎重合的Alarm(7)和Alarm(9)的融合距离（如图4.10）远远短于Alarm(0)和Alarm(1)，表明向量间的距离越短，其聚类融合距离越短。图4.11报警向量MDS散点图Fig.4.11MDSscatterplotforthealarmvectors

第4章基于报警聚类的过程报警系统优化方法研究-74-图4.10集成聚类结果系统树图Fig.4.10Dendrogramfortheaggregatedclusteringresult（2）采用4.2.3节引入的MDS方法实现在二维空间中报警向量的可视化，如图4.11，不同的颜色表示不同类内的报警向量（颜色与图4.10一一对应）。从该散点图中可以看出聚类结果较好，从而验证了该报警聚类方法的可行性和有效性。在图4.11中，距离十分接近的Alarm(0)（这里将各报警变量简记为Alarm(i)，i用于区分不同的报警类型）和Alarm(1)同样在图4.10中具有较低的融合距离，表明距离相近的向量会被聚为一类。此外还可以看出在图4.11中几乎重合的Alarm(7)和Alarm(9)的融合距离（如图4.10）远远短于Alarm(0)和Alarm(1)，表明向量间的距离越短，其聚类融合距离越短。图4.11报警向量MDS散点图Fig.4.11MDSscatterplotforthealarmvectors


本文编号：3425206