摘要
日益严重的“报警泛滥”问题影响着现代流程工业的安全运行。当报警系统无法有效应对短时间内成百上千个报警信号时，就会使操作人员无法有效处理报警事件。现代流程工业的报警变量多而复杂，且具有极强的非线性。变量的状态不仅由异常工况信号影响，同时也与自身的历史状态有关。由此可见，建立一个准确的因果关系拓扑模型和有效的报警溯源方法就变得更加关键。 贝叶斯网络可以良好地表达因果关系和推断不确定性。然而现代流程工业大多引入了反馈机制，无论是在物质流还是能量流方面，都产生了循环现象。传统的贝叶斯网络是有向无环图，本身不存在环状结构，如果使用贝叶斯网络对系统变量进行建模，就无法匹配流程工业中的循环现象。为了解决以上问题，本文形成了一套完整的基于知识驱动与数据驱动的带环贝叶斯网络结构学习方法。结合多赋值情况，对用于建模的报警变量进行划分，根据高、低报警情况将一个节点分为两个状态节点，由此形成的贝叶斯网络结构可以表达出每个报警变量在高、低报警时的因果关系。再通过合并同一节点的高、低报警状态节点，产生具有环状结构的带环贝叶斯网络。与此同时，本文采用事件推理的方式进行报警信号的溯源分析，提出了一系列报警溯源分析流程。将本文所提出的方法整体应用于TE过程的建模与报警溯源分析，实验结果表明此方法可以准确地建立出匹配循环现象的因果网络模型并且根据溯源方法正确分析出报警根节点，完成报警溯源分析。
NETL