CN102566546B - 过程数据的报警统计及辅助调度系统 - Google Patents

Abstract

一种过程数据的报警统计及辅助调度方法，属于生产调度技术领域。包括数据采集模块，报警统计模块、报警分析模块、报警预测模块、调度预案模块4个服务端模块，客户端模块；4个服务端模块之间通过进程间消息调用进行数据信息交换，数据采集模块和服务端模块之间通过网络消息调用进行数据信息交换，客户端模块通过网络消息连接服务端模块。优点在于，实现了量化评价生产运行状况以确定生产系统的最佳运行方案，通过已有报警项对其他过程数据进行运行状态预测，为调度人员提供调度指导，提高生产的安全稳定性，可在一定程度上节约生产运行成本。

Description

过程数据的报警统计及辅助调度系统

技术领域

本发明属于生产调度技术领域，特别是提供了一种过程数据的报警统计及辅助调度系统，对过程数据进行报警预报并提供调度预案。

背景技术

近年来，自动化技术、计算机技术、网络技术等信息技术的发展使得工业生产系统实现了从仪表控制到控制器控制、计算机控制的转变。在监控室里，计算机系统采集了大量的过程数据，调度人员可以通过监控系统对生产进行实时调节。

监控系统具有实时报警功能，对配置了报警限的数据项，在超限时以声音/闪烁等形式提示调度人员，当数值回到正常范围以后报警自动解除。历史数据库中记录了大量的数据信息，包括各种关键运行参数的历史曲线，通过曲线查询可以得到追溯生产运行情况，分析事故发生的原因等。然而，监控系统自带的报警功能未能进一步提供生产运行状况量化评价、预测以及调度预案支持。

中国专利局2007年09月26日公布的上海宝信软件股份有限公司申请的专利《进行实时异常判断和动态报警的方法》（CN101042580），公开了一种进行实时异常判断和动态报警的方法，可实时地进行SPC分析和趋势分析，在出现异常的第一时间实时地进行报警；中国专利局2008年07月07日公布的上海新策科技有限公司申请的专利《一种自动控制与报警的方法与系统》（CN101625564），公开了一种自动控制与报警的系统和方法，以多种报警方式实时提醒调度人员，对过程进行事前预防。

关于监控系统报警的专利很多，如CN1296848C等，大多是侧重于报警设备以及出现报警后发出报警通知，并未对报警信息进行进一步的挖掘处理。

以上的报警统计方法都是基于SPC理论的，可用于生产质量控制，如用于生产监控系统则存在如下不足之处：一是实时报警及历史数据不具有在线统计功能，无法对一段时间内的生产运行状况给出量化评价；二是生产监控系统中的报警多是相互关联的，现有监控系统不具备报警关联分析及预测功能；三是报警出现后，现场调节依赖于调度人员的经验，缺乏专家指导。

发明内容

本发明目的在于提供一种过程数据的报警统计及辅助调度系统，解决了上述背景技术的三点不足，实现了量化评价生产运行状况以确定生产系统的最佳运行方案，通过已有报警项对其他过程数据进行运行状态预测，为调度人员提供调度指导，提高生产的安全稳定性，可在一定程度上节约生产运行成本。

本发明涉及到的名词定义如下：

报警项：对监控系统中的过程数据，根据生产运行的要求，设置上限、上上限、下限、下下限，称之为报警项。

报警类型：超过上限、超过上上限、超过下限、超过下下限、正常5种，前4种状态即为报警状态，数据必处于以上5上状态中的1种，定义超过上限但未超过上上限的报警为高限预警，定义超过上上限的报警为高限报警，定义低于下限但未低于下下限的报警为低限预警，定义低于下下限的报警为低限报警。

忽略时间：由于数据采集、通信、调整缓冲等各方面的原因，报警项的状态变化后必持续时间超过一定的时间才认为有效，这个持续时间就是定义的忽略时间。

有效状态变化：报警项状态变化后的连续持续时间超过忽略时间，即认为该报警状态变化有效。

完整报警：定义报警项进入报警状态，直至回到正常状态的整个报警过程为完整报警。

发明的技术方案

本发明包括数据采集模块，报警统计模块、报警分析模块、报警预测模块、调度预案模块4个服务端模块，客户端模块；4个服务端模块之间通过进程间消息调用进行数据信息交换，数据采集模块和服务端模块之间通过网络消息调用进行数据信息交换，客户端模块通过网络消息连接服务端模块。如图1所示。各模块的具体功能如下所述：

数据采集模块：根据监控系统提供的接口，对过程数据进行实时采集，原则是“逢变则存”，即当数据值发生变化时，将其发送至报警统计模块，并将原值及周期（可配置）统计值（如平均值、滑动平均值等）存储至历史数据库，支持Oracle、SQL Server以及文本文件等。

报警统计模块：包括报警项配置和报警实时统计两个功能。报警项的属性有：名称、标签名、变比、单位、是否启用、保留天数、忽略时间、上限、上上限、下限、下下限等。报警项配置即指对影响生产运行稳定的过程数据进行编辑报警项属性，对报警项可以进行添加和删除操作。报警实时统计是指根据报警项配置以及完整报警定义，实时处理由数据采集模块提供的实时过程数据，记录报警项状态变化后的持续时间，当再一次发生有效报警状态变化时，保存各报警项的报警值到历史数据库，并以事件的形式通知订阅了该报警项的客户端；同时，报警统计服务可提供报警历史查询功能。

报警分析模块：本模块对统计期内各报警项的历史记录进行分析，按照周期（一般为班次或日）对生产运行情况给出定量评价，方法是基于统计期内低限报警、低限预警、高限预警、高限报警的时间，应用加权灰色关联分析法，得到最佳运行周期以确定最佳运行方案，具体操作步骤如下:

步骤一：收集各报警项在周期（一般为班次或日）的报警时间累计，设在统计期内有n个周期m个报警项，在第i(∈[1,n])个周期内，对第j(∈[1,m])个报警项统计其低限报警时间t_LL、低限预警时间t_L、高限预警时间t_H、高限报警时间t_HH，设各报警时间的权值系数依次为非负数W_LL,W_L,W_H,W_HH,且有W_LL+W_L+W_H+W_HH=1，令X_i=(x_i(1),x_i(2),…,x_i(m))^T(i=1,2,…,n)为第i(∈[1,n])个周期内的各个报警项的报警时间统计结果（即第i个周期的生产运行序列），其中x_i(j)=t_LLij*W_LL+t_Lij*W_L+t_Hij*W_H+t_HHij*W_HH表示第i个周期内第j个报警项的加权报警时间值，形成如下矩阵：

$(X_1,X_2,...,X_n)=\left(\begin{array}{cccc}{x}_1\left(1\right),& x_2\left(1\right),& ...,& x_n\left(1\right)\\ x_1\left(2\right),& x_2\left(2\right),& ...,& x_n\left(2\right)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_1\left(m\right),& x_2\left(m\right),& ...,& x_n\left(m\right)\end{array}\right).$

步骤二：确定参考数据列，记为最优生产运行序列，可自定义，推荐选择最小报警时间作为最优值，记为

X₀=(x₀(1),x₀(2),…,x₀(m))^T，其中 $x_0\left(k\right)=\underset{i=1}{\overset{n}{\min }}{x}_i\left(k\right),(k=1,...,m)$ 表示第k个报警项在统计期内的n个报警周期中的最小报警时间。

步骤三：逐个计算|x₀(k)-x_i(k)|(i=1,…,n;k=1,…,m),并确定

$\underset{i=1}{\overset{n}{\min }}|x_0\left(k\right)-x_i\left(k\right)|$ 与 $\underset{i=1}{\overset{n}{\max }}|x_0\left(k\right)-x_i\left(k\right)|.$

步骤四：计算第i个周期的生产运行序列X_i(i∈[1,n])与最优生产运行序列X₀的关联系数，计算公式如下：

${\mathrm{\ζ}}_i\left(k\right)=\frac{\underset{i=1}{\overset{n}{\min }}|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\·\underset{i=1}{\overset{n}{\max }}|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\·\underset{i=1}{\overset{n}{\max }}|x_0\left(k\right)-x_i\left(k\right)|}(k=1,...,m)$

式中ρ为分辨系数，在（0，1）内取值，若ρ越小，关联系数间差异就越大，区分能力就越强。通常ρ取0.5，ζ_i(k)越大，表明X_i与最有序列X₀越相近，即生产运行情况越好。

步骤五：计算关联序，令各个报警项的权值系数为W_k(k∈[1,m])，对各个周期的生产运行序列X_i(i∈[1,n])，计算其个指标与最优生产运行序列X₀对应元素的关联系数的均值，记为

${\mathrm{\γ}}_{0i}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{W}_k\·{\mathrm{\ζ}}_i\left(j\right)(k=1,...,m).$

步骤六：依据各周期的生产运行序列的关联序，得出综合评价结果：γ_0i(i∈[1,n])越大，则表明统计期内第i个周期的整体生产运行情况越好。

报警预测模块：本模块对所有报警项进行在线关联分析，由关联度、已出现报警对整体生产运行情况进行预测，估计出其他报警出现的时间，为调度人员提前进行调整争取了更多的时间，有利于整个生产系统的稳定运行，具体操作步骤如下：

步骤一：从数据采集模块获取m个报警项的实时数据并进行归一化处理，对上一个周期内，记归一化的报警项X_i=(x_1i,x_2i,…,x_ni)^T(i∈[1,m])，其中n为本周期内经过滤波后的数据个数（滤波的方式可采用均值法、滑动平均法等），每个报警项在一个统计期内取得同时刻的n个数据，得到如下矩阵：

$(X_1,X_2,...,X_m)=\left(\begin{array}{cccc}{x}_{11},& x_{12},& ...,& x_{m1}\\ x_{21},& x_{22},& ...,& x_{m2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1},& x_{n2},& ...,& x_{\mathrm{nm}}\end{array}\right)$

步骤二：将任意报警项X_i选作参考序列，计算相对于其他报警项X_j的灰色关联系数ζ_jk，其中k=1,…,n，j=1,…,m且j≠i

${\mathrm{\ζ}}_{\mathrm{jk}}=\frac{\underset{k=1}{\overset{n}{\min }}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|+\mathrm{\ρ}\·\underset{k=1}{\overset{n}{\max }}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|}{|x_{\mathrm{ik}}-x_{\mathrm{jk}}|+\mathrm{\ρ}\·\underset{k=1}{\overset{n}{\max }}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|}$

步骤三：计算报警项X_j相对于参考报警项X_i的关联序γ_ij，

${\mathrm{\γ}}_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ζ}}_{\mathrm{jk}}$

γ_ij越接近于1，报警项X_j与报警项X_i的相关性就越强；

步骤四：重复步骤二、步骤三，直到所有的报警项都被选作参考序列，在实际计算中，报警项X_j相对于参考报警项X_i的关联序γ_ij与报警项X_i相对于参考报警项X_j的关联序γ_ji是相等的，因此计算过程中可据此做相应简化；

步骤五：当报警项X_i的实时数据出现报警，将以X_i为参考序列的关联序γ_ij排序，预测与X_i相似性强（γ_ij接近于1）的序列X_j即将出现与报警项X_i相似的报警。

调度预案模块：本模块包括调度预案库及调度预案输出两部分。调度预案库根据本监控系统的生产运行要求，制定各报警项进入报警区后调度人员应该采取的标准操作原则。当出现报警以及预测报警后，本模块自动搜索调度预案库，分别给出对已出现报警的调整方案以及对预测报警的调整预案，结果输出至客户端模块，由调度人员执行相应的操作，提高了对生产运行调节的准确性和及时性。

客户端模块：本模块包括报警项配置、实时报警接收及历史报警查询、报警分析量化评价结果查询、报警预测实时展示、标准操作原则编辑、调整方案以及调度预案输出等功能。

本发明的优点

⑴对各报警项进行了报警状态实时统计，客户端通知方式出现报警并给出调整方案，提高了调度的准确性及生产运行稳定性；

⑵依据各报警项的统计记录对生产运行情况给出定量评价，为优化生产运行方式提供信息支持；

⑶基于实时数据的进行报警在线关联预测，为调度人员提前进行调整提供了信息支持；

⑷调整方案规范了调度人员的操作，调度预案实现了生产调节由事后调节向事前调整的转变，提高了调节的及时性，增强了生产运行稳定性。

附图说明

图1为本发明的系统模块关系图。

图2为报警统计模块逻辑关系图。

具体实施方式

本发明包括数据采集模块，报警统计模块、报警分析模块、报警预测模块、调度预案模块4个服务端模块，客户端模块，各模块之间的关系如下：4个服务端模块之间通过进程间消息调用进行数据信息交换，数据采集模块和服务端模块之间通过网络消息调用进行数据信息交换，客户端模块通过网络消息连接服务端模块。如图1所示。

以某污水处理站的调度为例说明本发明的实施过程。该污水处理站需要保证处理后的水质各项指标达标，且要保证送出水的水压在一定范围内，因此需要对生产过程中的重要运行参数（压力、流量、水质等）进行报警统计并据此进行调度调整，具体操作步骤如下：

第一步：根据该污水处理站的生产组织相关要求，得到本系统的标准操作原则，并确定报警项。系统部署要求如下：将数据采集模块部署在可提供过程数据接口的计算机上；报警统计模块、报警分析模块、报警预测模块、调度预案模块4个服务模块部署在一台计算机上，并保证通过网络连接数据采集模块；客户端模块部署在监控系统客户端所在的计算机上，并保证其可以通过网络连接4个服务模块。

第二步：根据监控系统提供的接口，应用数据采集程序采集过程数据，并将原值及周期（本实例中选择1分钟）平均值存入历史数据库，此处选择文本文件。

第三步：配置每一个报警项的参数，可根据生产运行情况对报警项参数进行修改，也可以添加或删除报警项。报警统计模块运行后执行在线报警统计，其内部逻辑关系图如图2所示。报警统计模块把实时报警发送至调度预案模块和客户端模块。

第四步：对统计期（此处选择一个月）内的报警统计结果进行报警分析，根据污水处理站现场运行情况，选择24小时作为一个周期，运行报警分析模块，可以得到统计期内生产运行情况的综合排序，据此得到生产运行最佳日，将该日的生产组织方式作为下一个月生产组织方式的参考。

第五步：对污水处理站所有报警项进行在线关联分析，选择60秒的原始数据平均值作为元数据，对当前时刻前1小时内的数据计算关联序，根据关联序的结果以及已出现报警项进行报警预测；

第六步：当系统出现报警项，通过调度预案模块搜索调度预案库，给出在该报警情况下的标准操作，并根据预测报警项，搜索调度预案库，给出在该预测报警情况下的调整预案。调度预案模块的结果可以输出至操作台，也可以输出至本系统的客户端。

第七步：在本系统的客户端，可以进行报警项配置、标准操作原则编辑等操作，也可以进行报警、报警预测、调度预案等查询操作。

通过在污水处理站实施运行本系统，整体生产情况有了明显好转，水质指标达标率提高，同时送出水量提高，单位处理成本下降。

本发明可以应用于工业生产中的各种监控系统、集成监控系统中，有利于提高整体生产运行稳定性，进而节约成本。

Claims (3)

1.一种过程数据的报警统计及辅助调度系统，其特征在于：包括数据采集模块，报警统计模块、报警分析模块、报警预测模块、调度预案模块4个服务端模块，客户端模块；4个服务端模块之间通过进程间消息调用进行数据信息交换，数据采集模块和服务端模块之间通过网络消息调用进行数据信息交换，客户端模块通过网络消息连接服务端模块；

数据采集模块：根据监控系统提供的接口，对过程数据进行实时采集，原则是“逢变则存”，即当数据值发生变化时，将其发送至报警统计模块，并将原值及周期统计值存储至历史数据库，支持Oracle、SQL Server以及文本文件；

报警统计模块：包括报警项配置和报警实时统计两个功能；报警项的属性有：名称、标签名、变比、单位、是否启用、保留天数、忽略时间、上限、上上限、下限、下下限；报警项配置即指对影响生产运行稳定的过程数据进行编辑报警项属性，对报警项进行添加和删除操作；报警实时统计是指根据报警项配置以及完整报警定义，实时处理由数据采集模块提供的实时过程数据，记录报警项状态变化后的持续时间，当再一次发生有效报警状态变化时，保存各报警项的报警值到历史数据库，并以事件的形式通知订阅了该报警项的客户端；同时，报警统计服务可提供报警历史查询功能；

报警分析模块：对统计期内各报警项的历史记录进行分析，按照周期对生产运行情况给出定量评价，方法是基于统计期内低限报警、低限预警、高限预警、高限报警的时间，应用加权灰色关联分析法，得到最佳运行周期以确定最佳运行方案；

报警预测模块：对所有报警项进行在线关联分析，由关联度、已出现报警对整体生产运行情况进行预测，估计出其他报警出现的时间，为调度人员提前进行调整争取了更多的时间，有利于整个生产系统的稳定运行；

调度预案模块：本模块包括调度预案库及调度预案输出两部分；调度预案库根据本监控系统的生产运行要求，制定各报警项进入报警区后调度人员应该采取的标准操作原则；当出现报警以及预测报警后，本模块自动搜索调度预案库，分别给出对已出现报警的调整方案以及对预测报警的调整预案，结果输出至客户端模块，由调度人员执行相应的操作，提高了对生产运行调节的准确性和及时性；

客户端模块：本模块包括报警项配置、实时报警接收及历史报警查询、报警分析量化评价结果查询、报警预测实时展示、标准操作原则编辑、调整方案以及调度预案输出功能；

2.如权利1所述的过程数据的报警统计及辅助调度系统，其特征在于：报警分析模块使用了加权灰色关联分析法，具体步骤如下：

步骤一：收集各报警项在周期的报警时间累计，设在统计期内有n个周期m个报警项，在第i(∈[1,n])个周期内，对第j(∈[1,m])个报警项统计其低限报警时间t_LL、低限预警时间t_L、高限预警时间t_H、高限报警时间t_HH，设各报警时间的权值系数依次为非负数W_LL,W_L,W_H,W_HH,且有W_LL+W_L+W_H+W_HH=1，令X_i=(x_i(1),x_i(2),…,x_i(m))^T(i=1,2,…,n)为第i(∈[1,n])个周期内的各个报警项的报警时间统计结果（即第i个周期的生产运行序列），其中x_i(j)=t_LLij*W_LL+t_Lij*W_L+t_Hij*W_H+t_HHij*W_HH表示第i个周期内第j个报警项的加权报警时间值，形成如下矩阵：

$(X_1,X_2,...,X_n)=\left(\begin{array}{cccc}{x}_1\left(1\right),& x_2\left(1\right),& ...,& x_n\left(1\right)\\ x_1\left(2\right),& x_2\left(2\right),& ...,& x_n\left(2\right)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_1\left(m\right),& x_2\left(m\right),& ...,& x_n\left(m\right)\end{array}\right);$

步骤二：确定参考数据列，记为最优生产运行序列，自定义，选择最小报警时间作为最优值，记为

X₀=(x₀(1),x₀(2),…,x₀(m))^T，其中 $x_0\left(k\right)=\underset{i=1}{\overset{n}{\min }}{x}_i\left(k\right),(k=1,...,m)$ 表示第k个报警项在统计期内的n个报警周期中的最小报警时间；

步骤三：逐个计算|x₀(k)-x_i(k)|(i=1,…,n;k=1,…,m),并确定

$\underset{i=1}{\overset{n}{\min }}|x_0\left(k\right)-x_i\left(k\right)|$ 与 $\underset{i=1}{\overset{n}{\max }}|x_0\left(k\right)-x_i\left(k\right)|;$

步骤四：计算第i个周期的生产运行序列X_i(i∈[1,n])与最优生产运行序列X₀的关联

系数，计算公式如下：

${\mathrm{\ζ}}_i\left(k\right)=\frac{\underset{i=1}{\overset{n}{\min }}|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\·\underset{i=1}{\overset{n}{\max }}|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\·\underset{i=1}{\overset{n}{\max }}|x_0\left(k\right)-x_i\left(k\right)|}(k=1,...,m)$

式中ρ为分辨系数，在（0，1）内取值，若ρ越小，关联系数间差异就越大，区分能力就越强；通常ρ取0.5，ζ_i(k)越大，表明X_i与最优生产运行序列X₀越相近，即生产运行情况越好；

步骤五：计算关联序，令各个报警项的权值系数为W_k(k∈[1,m])，对各个周期的生产运行序列X_i(i∈[1,n])，计算各个指标与最优生产运行序列X₀对应元素的关联系数的均值，记为

${\mathrm{\γ}}_{0i}=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{W}_k\·{\mathrm{\ζ}}_i(k=1,...,m);$

步骤六：依据各周期的生产运行序列的关联序，得出综合评价结果：γ_0i(i∈[1,n])越大，则表明统计期内第i个周期的整体生产运行情况越好。

3.如权利1所述的过程数据的报警统计及辅助调度系统，其特征在于：报警预测模块使用了在线关联分析法，具体步骤如下：

步骤一：从数据采集模块获取m个报警项的实时数据并进行归一化处理，对上一个周期内，记归一化的报警项X_i=(x_1i,x_2i,…,x_ni)^T(i∈[1,m])，其中n为本周期内经过滤波后的数据个数，滤波的方式采用均值法、滑动平均法，每个报警项在一个统计期内取得同时刻的n个数据，得到如下矩阵：

$(X_1,X_2,...,X_m)=\left(\begin{array}{cccc}{x}_{11},& x_{12},& ...,& x_{m1}\\ x_{21},& x_{22},& ...,& x_{m2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1},& x_{n2},& ...,& x_{\mathrm{nm}}\end{array}\right)$

步骤二：将任意报警项X_i选作参考序列，计算相对于其他报警项X_j的灰色关联系数ζ_jk，其中k=1,…,n，j=1,…,m且j≠i

${\mathrm{\ζ}}_{\mathrm{jk}}=\frac{\underset{k=1}{\overset{n}{\min }}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|+\mathrm{\ρ}\·\underset{k=1}{\overset{n}{\max }}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|}{|x_{\mathrm{ik}}-x_{\mathrm{jk}}|+\mathrm{\ρ}\·\underset{k=1}{\overset{n}{\max }}|x_{\mathrm{ik}}-x_{\mathrm{jk}}|}$

步骤三：计算报警项X_j相对于参考报警项X_i的关联序γ_ij，

${\mathrm{\γ}}_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ζ}}_{\mathrm{jk}}$

γ_ij越接近于1，报警项X_j与报警项X_i的相关性就越强；

步骤四：重复步骤二、步骤三，直到所有的报警项都被选作参考序列，在实际计算中，报警项X_j相对于参考报警项X_i的关联序γ_ij与报警项X_i相对于参考报警项X_j的关联序γ_ji是相等的，因此计算过程中可据此做相应简化；

步骤五：当报警项X_i的实时数据出现报警，将以X_i为参考序列的关联序γ_ij排序，预测γ_ij接近于1的序列X_j即将出现与报警项X_i相似的报警。

Images