论文部分内容阅读
现代化工生产中,为了提高生产过程的安全性和稳定性,通常需要使用报警管理系统对一些过程变量进行报警阈值设置。阈值设置不合理会产生过多无效报警,增加操作负荷,严重时会引发事故,导致报警系统失效。因此,对设置不合适的变量报警阈值进行优化是十分必要的。本文通过TE(Tennessee Eastman,田纳西-伊斯曼)过程和某工业原油常减压操作实例,对多变量报警阈值优化新方法进行了研究。针对多变量报警阈值优化方法,本文主要做了两方面研究。一方面,提出了基于PCA(Principal Component Analysis,主成分分析)权重和Johnson转换的多变量报警阈值优化方法。通过PCA计算变量权重,对变量数据进行Johnson正态转换,利用概率密度估计求出FAR(False Alarm Rate,误报率)和MAR(Missed Alarm Rate,漏报率),在满足FAR降低且报警数目不超过国际标准中规定的单位时间内限制的报警数目(通常平均每分钟不超过一个报警)的情况下优化报警阈值。另一方面,提出了基于报警聚类和ACO(Ant Colony Optimization,蚁群优化)的多变量报警阈值优化方法。通过标准化欧式距离(Euclidean Distance,欧几里得距离)实现报警聚类,利用熵权法求出变量权重,拟合出变量在正、异常状态下的概率密度函数。添加报警延时,建立关于误报率、漏报率和AAD(Average Alarm Delay,平均报警延时)的目标函数,利用ACO算法优化目标函数。这两种方法在一定程度上都实现了优化阈值的目的。通过TE过程和某工业原油常减压操作实例对本文研究方法进行了验证。结果表明,与传统方法相比,该方法更能有效减少报警次数和报警率,在报警阈值优化方面具有优势。