CN105006119B - 一种基于贝叶斯网络的报警系统优化方法 - Google Patents

Abstract

本发明公开一种基于贝叶斯网络的报警系统优化方法，包括以下步骤：步骤1：采集报警数据，所述报警数据包括报警变量及报警的种类；步骤2：预处理所述报警数据，根据所有报警变量的状态生成用于贝叶斯网络学习的数据集；步骤3：从所述报警数据学习监控各报警变量之间的相关关系，并用贝叶斯网络定性定量表征这些相关关系；步骤4：使用获得的贝叶斯网络调整报警网络，快速定位引起报警的根本原因，减少报警泛洪。本发明的目的是采用基于贝叶斯网络的报警系统管理方法来优化报警网络性能，尽可能减少报警泛洪，从而帮助人们快速定位引起报警的根本原因并采取措施。

Description

一种基于贝叶斯网络的报警系统优化方法

技术领域

本发明涉及报警系统领域，具体而言，涉及一种基于贝叶斯网络的报警系统优化方法。

背景技术

在早期的工业企业中，控制系统较为简单，各个报警信号都是通过硬线直接连接到中控室，但此方法成本较高，维护复杂，无法达到良好的使用效果。在现代过程工业中，单闭环控制、串级控制等控制方法已经被成熟运用，生产规模日益复杂化、大型化，可编程逻辑控制器(PLC)、现场总线控制系统(FCS)和集散控制系统(DCS)获得广泛使用，使得报警的生成和采集非常容易，系统规模的扩大以及报警信号设定的简易性，不可避免的产生了大量的虚假或冗余的报警信息。特别是当故障发生时，由于系统内部的相互作用关系以及报警设置的不合理，使得报警信息大量出现，在某些情况下，大量报警的报警系统不仅起不到应有的预警作用，反而会干扰操作人员的正常判断和合理处置，使得操作人员无法判断真实的故障源头(Root Cause)，这种情况被称作报警泛洪(Alarm Flooding)。

目前，报警泛洪是报警系统中存在的最普遍最难解决的问题。报警泛洪的来源有很多，如滋扰报警(包括：关联报警、冗余报警、非必要报警、间接报警、连续报警、过时报警、抖振报警等)和因果报警等。因此，系统、科学、有效地报警系统设计及管理对提高生产过程安全、质量和可操作性能至关重要。

发明内容

本发明提供一种基于贝叶斯网络的报警系统优化方法，采用基于贝叶斯网络的报警系统管理方法，从大量报警数据中学习监控变量间的定性定量相关关系，并以此为基础对报警系统进行优化调整。

为达到上述目的，本发明提供了一种基于贝叶斯网络的报警系统优化方法，包括以下步骤：

步骤1：采集报警数据，所述报警数据包括报警变量及报警的种类；

步骤2：预处理所述报警数据，根据所有报警变量的状态生成用于贝叶斯网络学习的数据集；

步骤3：从所述报警数据学习监控各报警变量之间的相关关系，并用贝叶斯网络定性定量表征这些相关关系，具体为：

步骤3.1：学习贝叶斯网络结构，建立包含各报警变量之间定性的相关关系的有向无环图；

步骤3.2：学习贝叶斯网络参数，得到主要报警变量的状态分布以及相关报警变量间的条件概率表，得到不同报警变量间定量的条件依赖关系；

步骤3.3：计算相关报警变量间的连接强度，分析各相关报警变量间相关性的强弱；

步骤4：使用获得的贝叶斯网络调整报警网络，快速定位引起报警的根本原因，减少报警泛洪。

进一步地，所述贝叶斯网络的网络结构由有向无环图表示，G＝(V,E)，其中V表示有向无环图中所有的节点，E表示有向无环图中所有的边，对于每一个节点v_i∈V对应X_V的变量i＝1,…,n，每条边用来表示两个节点的相关关系；联合概率分布分解为如下形式：

其中是节点变量的父节点。贝叶斯网络的联合概率由链式法则求得，贝叶斯网络的节点是被监控的报警变量，贝叶斯网络的边是这些变量间的相关关系。

进一步地，在学习贝叶斯网络结构，通过评分函数和GTT算法寻找最优化的网络结构，其中采用的评分函数如下：

进一步地，采用最大似然算法估计贝叶斯网络的参数θ，所采用的公式如下：

其中，S为所获得的最佳的贝叶斯网络结构，D为给定报警数据集，d为数据集D中的记录，为对贝叶斯网络参数θ的最大似然估计参数。

进一步地，贝叶斯网络中两个节点变量X,Y的连接强度定义为给定Y父节点集合Z的条件下的互信息，计算公式如下：

进一步地，使用获得的贝叶斯网络调整报警网络，快速定位引起报警的根本原因，减少报警泛洪包括：

对于单个报警变量报警，根据所建立的贝叶斯网络模型，对报警限进行调整；

对于多个报警变量报警，根据所建立的贝叶斯网络模型明确各报警变量之间的依赖关系及其强弱，进而通过优化控制策略、工艺流程提高贝叶斯网络模型中作为根节点的报警变量的稳定性，降低报警数量；和/或，依据贝叶斯网络模型所确定的根节点和枝节点，确定主要报警和次要报警，去除部分次要报警，达到减少报警点设置的目的。

本发明的目的是采用基于贝叶斯网络的报警系统管理方法来优化报警网络性能，尽可能减少报警泛洪，从而帮助人们快速定位引起报警的根本原因并采取措施。

在本发明的实施例中，采用基于贝叶斯网络的报警系统优化方法，从大量DCS报警数据中学习监控变量间的定性定量相关关系，并以此为基础对报警系统进行优化调整，获取更好的性能，例如，快速定位引起报警的根本原因(Root Cause Analysis)，减少报警泛洪(Alarm Flooding)等。不断采集报警数据，重复这一过程，不断改进报警系统的性能，直到满足要求为止。

与传统报警系统相比，本发明的技术方案具有以下有益效果：

(1)系统提示报警信息时，不再以传统的一条条报警文本记录形式体现，而是以变量的状态及其相互关系表示，使报警信息更加清晰直观，有利于工作人员定位报警源头。

(2)通过机器学习的方法获得，相比于传统的专家知识系统有以下优势：

1)可以处理大规模数据，而且数据规模越大，越具有代表性；

2)能够体现变量相互关系的网络模型可以快速形成；

3)为诸多有关报警管理方面的理论研究提供理论基础。

(3)具有广阔的应用前景：

利用本发明提供的方法，人们可以根据已有数据建立贝叶斯网络模型，并在如下领域有重要应用：控制策略、工艺流程和报警点的优化，报警系统性能评定机制的建立，报警根本原因的确定，控制系统的在线控制等。

例如，对于单个报警，可以依据所建立的贝叶斯网络模型，对报警限进行调整。对于多个变量报警，可根据贝叶斯网络模型明确变量之间的依赖关系及其强弱，进而通过优化控制策略、工艺流程来提高根节点变量的稳定性，从而降低报警数量；同时，依据网络模型所确定的根节点和枝节点，确定主要报警和次要报警，去除部分次要报警，达到减少报警点设置的目的。综上所述，通过利用贝叶斯方法建立的报警点网络模型，可以明确各个变量之间的相关关系和连接强度，为报警系统的优化提供了理论依据，可以减少或避免报警泛洪，提高报警的简洁性和实用型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例的基于贝叶斯网络的报警系统优化方法流程图；

图2为本发明一个实施例的水箱报警系统示意图；

图3为初始化的有向无环图；

图4为添加有向边Inlet→Outlet的有向无环图；

图5为添加有向边Inlet→Level的有向无环图；

图6为添加有向边Outlet→Inlet的有向无环图；

图7为添加有向边Outlet→Level的有向无环图；

图8为添加有向边Level→Inlet的有向无环图；

图9为添加有向边Level→Outlet的有向无环图；

图10为第二步中初始化的有向无环图；

图11为向图10中添加有向边Inlet→Outlet的有向无环图；

图12为向图10中添加有向边Outlet→Inlet的有向无环图；

图13为向图10中添加有向边Outlet→Level的有向无环图；

图14为向图10中添加有向边Level→Outlet的有向无环图；

图15为图10中逆转有向边Inlet→Level的有向无环图；

图16为利用第二步中的最佳操作初始化的有向无环图；

图17为向图16添加有向边Inlet→Outlet的有向无环图；

图18为向图16中添加有向边Outlet→Inlet的有向无环图；

图19为从图16中删除有向边Inlet→Level的有向无环图；

图20为从图16中删除有向边Outlet→Level的有向无环图；

图21为图16中逆转有向边Inlet→Level的有向无环图；

图22为图16中逆转有向边Outlet→Level的有向无环图；

图23基于观测数据集的最佳网络结构图；

图24为优化的水箱系统的贝叶斯网络示意图；

图25为每天报警次数大于50次的所有变量间的相关关系图(共有49个变量，15,296条报警记录)；

图26为每天报警次数大于50次的所有变量的参数及状态分布示意图(共有49个变量，15,296条报警记录)。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明一个实施例的基于贝叶斯网络的报警系统优化方法流程图；如图所示，该基于贝叶斯网络的报警系统优化方法包含以下步骤：

第一步，采集报警数据，包括报警变量及其报警的种类等；

第二步，预处理报警数据，展开所有变量的状态生成用于贝叶斯网络学习的数据集；

第三步，从报警数据学习监控变量之间的相关关系，并用贝叶斯网络定性定量表征这些相关关系，具体为：

步骤3.1，学习贝叶斯网络结构，建立包含监控变量之间定性的相关关系的有向无环图；

步骤3.2，学习贝叶斯网络参数，得到主要变量的状态分布以及相关变量间的条件概率表，即不同变量间定量的条件依赖关系；

步骤3.3，计算相关变量间的连接强度，分析变量相关性的强弱；

第四步，使用获得的贝叶斯网络调整报警网络，获取更好的性能。

以下是两个具体的实施案例：前者用于说明具体的实施步骤；后者用于显示可以解决的问题规模。

案例学习一：

1.1.准备报警数据

图2为本发明一个实施例的水箱报警系统示意图(其中，图2-图23中，L代表Level(水位)，I代表Inlet(入口)，O代表Outlet(出口))；该水箱报警系统合成的报警数据如下表所示，其中，NR表示恢复到正常情况，HI表示高报(高于上限报警)、LO表示低报(低于下限报警)。

表1.合成的水箱DCS系统报警数据

1.2.预处理报警数据

预处理报警数据如下表所示。

表2.依据报警数据展开所有变量的状态

这些数据可以用于学习变量间的相关关系，参数数值，以及连接强度。

1.3.结构学习

1.3.1.贝叶斯网络

贝叶斯网络(Bayesian Network,BN)B＝(G,P)是图形化表示的相关联变量的概率分布，包含两部分：有向无环图(Directed Acyclic Graph,DAG)图形化的表示变量间的定性相关关系，条件概率定量表示变量间的相关关系。

网络结构由有向无环图表示G＝(V,E)，其中V表示所有的节点，E表示所有的边。对于每一个节点，v_i∈V对应X_V的变量i＝1,",n。每条边用来表示两个节点的相关关系。联合概率分布可以分解为如下形式：

其中是节点变量的父节点。贝叶斯网络的联合概率由链式法则求得。在本发明的方法中，贝叶斯网络的节点是被监控的系统变量，边是这些变量间的相关关系。

1.3.2.结构学习

贝叶斯网络结构能够从DCS报警数据中学习得到。贝叶斯网络结构的学习是一个搜索最佳网络结构的过程，也就是说，找到一个最佳的网络结构，能够最似然的生成所有观测数据。

通常给定节点个数，潜在的可能结构数量与节点之间的关系如下式所示。

有向无环图的个数随着节点个数的增加而迅速增长，下表列出了部分节点和相应有向无环图个数的数据。

表3.节点个数与有向无环图个数之间的关系

从表中可以看到，可能的有向无环图的个数随变量个数增加而增长迅速。例如，10个节点，可能的有向无环图个数高达4.2*10¹⁸。贝叶斯网络结构学习是一个NP难问题，当数据量比较少时，这一过程更加困难，但是在特定的算法下，可以在合理的时间范围内找到网络结构。

结构学习是一个优化过程，搜索过程依据评分函数的结果开展。评分函数为每一个可能的有向无环图评分，给出该结构对于所有观测数据的有效程度。基于评分函数，Greedy Thick Thinning(GTT)算法可用来学习贝叶斯网络的结构，找到最优化的网络结构，能够最大程度的最好的表征观测的数据集。

在结构学习算法中评分函数是一个重要组成部分，常用的K2评分函数如下：

以下使用评分函数和GTT算法，学习数据集对应的网络结构。

(1)初始化

搜索算法从空的有向无环图开始。图3为初始化的有向无环图；在这个结构下，参数数值如下：

n＝3,对应3个节点；

r₁＝3,r₂＝3,r₃＝3,对应3种状态LO，NR，HI在入口流量、出口流量和液位高度；

q₁＝1,q₂＝1,q₃＝1,由于没有父节点，默认为1；

N_ijk是数据集中满足某种条件的记录条数，例如，N₁₁₁,在当前结构下指进口流量状态为LO的所有记录，共有16条，其它N_ijk数值见下表；

所以N₁₁＝N₂₁＝N₃₁＝80。

表4.进口流量的N_ijk数值

表5.出口流量的N_ijk数值

表6.液位高度的N_ijk数值

计算该有向无环图的评分，结果如下：

同样的方法计算每一个操作之后得到的新的有向无环图的评分，那些使得评分增加的操作产生更好的网络结构，最优的网络结构得到最大的评分。在每次操作中，主要计算评分的变化，根据评分结果确定最佳操作。

(2)第一步

(a)初始化有向无环图

空有向无环图如图3所示，此时的评分为-252.3171。

(b)添加有向边

在这步操作中，可以添加6条有向边：i)从Inlet到Outlet；ii)从Inlet到Level；iii)从Outlet到Inlet；iv)从Outlet到Level；v)从Level到Inlet；以及vi)从Level到Outlet。在以下的操作中，每次添加一条有向边。

i.添加有向边Inlet→Outlet

首先添加有向边Inlet→Outlet得到图4。图4为添加有向边Inlet→Outlet的有向无环图。

计算图4所示结构的评分：

此时，n＝3,r₁＝r₂＝r₃＝3,q₁＝q₃＝1,与初始化时相同，考虑到Outlet的父节点的状态，所以q₂＝3。N_ijk的数值如下表所示，此时，N₁₁＝N₃₁＝80,N₂₁＝16,N₂₂＝53,N₂₃＝11。

表7.进口流量的N_ijk数值

表8.出口流量的N_ijk数值

表9.液位高度的N_ijk数值

计算评分

比较初始化结构的评分，此次操作后得到的结构的评分增加值为：-0.827787。这表明该操作产生的有向无环图，相比于初始化的有向无环图，不利于表征观测到的数据。

同样的方法添加其它有向边，并且计算新结构的评分变化。

ii.添加有向边Inlet→Level

添加有向边，得到图5的结构，评分变化为：0.8165。图5为添加有向边Inlet→Level的有向无环图。

iii.添加有向边Outlet→Inlet

添加有向边，得到图6的结构，评分变化为：-1.9850。图6为添加有向边Outlet→Inlet的有向无环图。

iv.添加有向边Outlet→Level

添加有向边，得到图7的结构，评分变化为：-0.8102。图7为添加有向边Outlet→Level的有向无环图。

v.添加有向边Level→Inlet

添加有向边，得到图8的结构，评分变化为：-0.2765。图8为添加有向边Level→Inlet的有向无环图。

vi.添加有向边Level→Outlet

添加有向边，得到图9的结构，评分变化为：-0.7460。图9为添加有向边Level→Outlet的有向无环图。

(c)删除有向边

在GTT算法中还要尝试删除存在的有向边，如果能够增加评分函数的结果，那么删除有向边的操作就是可取的。

由于初始的空的有向无环图中，不存在有向边，所以这里不进行删除有向边的操作。

(d)逆转有向边

和删除有向边类似，通过该操作来寻找最佳的网络结构。在这一步中，由于不存在有向边，所以不再进行逆转操作。

(e)最佳操作

在这一步中，最佳操作是添加从Inlet到Level的有向边，该操作使得评分函数增加0.8164。

(3)第二步

(a)初始化有向无环图

基于第一步的最佳操作，这一步的初始化的有向无环图如图10所示。图10为第二步中初始化的有向无环图。此时网络结构的评分为-251.5006。

(b)添加有向边

在第二步，可以添加四条有向边：i)从Inlet到Outlet；ii)从Outlet到Inlet；iii)从Outlet到Level；以及iv)从Level到Outlet。每次进行一次操作，计算操作后网络结构的分值变化。

i.添加有向边Inlet→Outlet

添加有向边，得到图11的结构，评分变化为：-0.8278。图11为向图10中添加有向边Inlet→Outlet的有向无环图。

ii.添加有向边Outlet→Inlet

添加有向边，得到图12的结构，评分变化为：-1.9850。图12为向图10中添加有向边Outlet→Inlet有向无环图。

iii.添加有向边Outlet→Level

添加有向边，得到图13的结构，评分变化为：0.2726。图13为向图10中添加有向边Outlet→Level的有向无环图。

iv.添加有向边Level→Outlet

添加有向边，得到图14的结构，评分变化为：-0.7460。图14为向图10中添加有向边Level→Outlet的有向无环图。

(c)删除有向边

i.删除有向边Inlet→Level

删除有向边，从Inlet到Level，之后得到第一步的初始化结构，该操作将会使得评分变化：-0.8165，与第一步中添加从Inlet到Level的有向边数值相同，但是符号相反。

(d)逆转有向边

i.逆转有向边Inlet→Level

逆转有向边，得到图15，该操作使得评分变化-1.0930。图15为图10中逆转有向边Inlet→Level的有向无环图。

(e)最佳操作

在第二步中的最佳操作是添加有向边，从Outlet到Level，该操作使得评分函数增加0.2726，得到的更佳的网络结构。

(4)第三步

(a)初始化有向无环图

应用第二步的最佳操作后，得到网络结构如图16所示。图16为初始化的有向无环图。图16的结构的评分是-251.2280。

(b)添加有向边

i.添加有向边Inlet→Outlet

添加有向边，得到图的结构，评分变化为：-0.8278。图17为向图16中添加有向边Inlet→Outlet的有向无环图。

ii.添加有向边Outlet→Inlet

添加有向边，得到图18的结构，评分变化为：-1.9850。图18为向图16中添加有向边Outlet→Inlet的有向无环图。

(c)删除有向边

i.删除有向边Inlet→Level

删除有向边，得到图19的结构，该操作使得评分函数变化：-1.8992。图19为从图18中删除有向边Inlet→Level的有向无环图。

ii.删除有向边Outlet→Level

删除有向边，得到图20的结构，该操作使得评分函数变化：-0.2726。图20为从图16中删除有向边Outlet→Level的有向无环图。

(d)逆转有向边

i.逆转有向边Inlet→Level

逆转有向边，得到图21的结构，该操作使得评分变化：-2.1757。图21为图16中逆转有向边Inlet→Level的有向无环图。

ii.逆转有向边Outlet→Level

类似的，逆转有向边，得到图22的结构，该操作使得评分变化：-1.0186。图22为图16中逆转有向边Outlet→Level的有向无环图。

(e)最佳操作

在这步的所有操作得到的结构都无法使得评分增加，也就是说，这一步的所有操作都不能产生更好的网络结构。最佳的网络结构为这一步的初始化的网络结构。

(5)最佳结果

通过以上的所有操作，找到最佳的有向无环图如图23所示。图23基于观测数据集的最佳网络结构图。从理论上来说，图23的有向无环图结果，具有最大的概率生成观测到的报警数据集。

1.4.参数学习

在获得最佳的贝叶斯网络结构S后，给定报警数据集D的情况下(d为数据集中的记录)，通常使用最大似然(Maximum Likelihood)算法，估计网络的参数θ。

对贝叶斯网络参数θ的最大似然估计的参数记为

通过求解优化问题，得到最佳的估计参数，在这个问题中，计算结果如表10，表11，表12和表13所示。节点图如图24所示。图24为优化的水箱系统的贝叶斯网络示意图。

表10.进口流量的参数

表11.出口流量的参数

表12.液位高度的参数

表13.液位高度(Level)的条件概率表

1.5.计算有向边的连接强度

在给定贝叶斯网络结构，和对应的观测数据集的情况下，可以计算每一条有向边的连接强度。

两个节点变量X,Y的连接强度定义为给定Y父节点集合Z的条件下的互信息(Mutual Information)，公式如下：

计算最佳有向图结构图中的两条有向边的连接强度，结果如表14所示。

表14.有向边的连接强度

有向边的连接强度，定量的描述了在观测数据集的基础上，相关变量间的依赖关系的强弱。

案例学习二：

使用同样的方法，学习更加复杂的工业过程的DCS系统的报警数据，分析每天报警次数大于50次的所有变量，共有49个变量以及15296条报警记录，分析这些变量之间的依赖关系结果如图25，图26所示。图25为每天报警次数大于50次的所有变量间的相关关系图(共有49个变量，15,296条报警记录)。图26为每天报警次数大于50次的所有变量的参数及状态分布示意图(共有49个变量，15,296条报警记录)。

在本发明的实施例中，采用基于贝叶斯网络的报警系统优化方法，从大量DCS报警数据中学习监控变量间的定性定量相关关系，并以此为基础对报警系统进行优化调整，获取更好的性能，例如，快速定位引起报警的根本原因(Root Cause Analysis)，减少报警泛洪(Alarm Flooding)等。不断采集报警数据，重复这一过程，不断改进报警系统的性能，直到满足要求为止。

与传统报警系统相比，本发明的技术方案具有以下有益效果：

(1)系统提示报警信息时，不再以传统的一条条报警文本记录形式体现，而是以变量的状态及其相互关系表示，使报警信息更加清晰直观，有利于工作人员定位报警源头。

(2)通过机器学习的方法获得，相比于传统的专家知识系统有以下优势：

1)可以处理大规模数据，而且数据规模越大，越具有代表性；

2)能够体现变量相互关系的网络模型可以快速形成；

3)为诸多有关报警管理方面的理论研究提供理论基础。

(3)具有广阔的应用前景：

利用本发明提供的方法，人们可以根据已有数据建立贝叶斯网络模型，并在如下领域有重要应用：控制策略、工艺流程和报警点的优化，报警系统性能评定机制的建立，报警根本原因的确定，控制系统的在线控制等。

例如，对于单个报警，可以依据所建立的贝叶斯网络模型，对报警限进行调整。对于多个变量报警，可根据贝叶斯网络模型明确变量之间的依赖关系及其强弱，进而通过优化控制策略、工艺流程来提高根节点变量的稳定性，从而降低报警数量；同时，依据网络模型所确定的根节点和枝节点，确定主要报警和次要报警，去除部分次要报警，达到减少报警点设置的目的。综上所述，通过利用贝叶斯方法建立的报警点网络模型，可以明确各个变量之间的相关关系和连接强度，为报警系统的优化提供了理论依据，可以减少或避免报警泛洪，提高报警的简介性和实用型。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (4)

1.一种基于贝叶斯网络的报警系统优化方法，其特征在于，包括以下步骤：

步骤1：采集报警数据，所述报警数据包括报警变量及报警的种类，所述报警的种类包括恢复到正常情况、高于上限报警和低于下限报警；

步骤2：预处理所述报警数据，根据所有报警变量的状态生成用于贝叶斯网络学习的数据集；

步骤3：从所述报警数据学习监控各报警变量之间的相关关系，并用贝叶斯网络定性定量表征这些相关关系，具体为：

步骤3.1：学习贝叶斯网络结构，建立包含各报警变量之间定性的相关关系的有向无环图；

步骤3.2：学习贝叶斯网络参数，得到主要报警变量的状态分布以及相关报警变量间的条件概率表，得到不同报警变量间定量的条件依赖关系；

步骤3.3：计算相关报警变量间的连接强度，分析各相关报警变量间相关性的强弱，其中，贝叶斯网络中两个节点变量X,Y的连接强度定义为给定Y的父节点集合Z的条件下的互信息，计算公式如下：

步骤4：使用获得的贝叶斯网络调整报警网络，快速定位引起报警的根本原因，减少报警泛洪，其中包括：

对于单个报警变量报警，根据所建立的贝叶斯网络模型，对报警限进行调整；

对于多个报警变量报警，根据所建立的贝叶斯网络模型明确各报警变量之间的依赖关系及其强弱，进而通过优化控制策略、工艺流程提高贝叶斯网络模型中作为根节点的报警变量的稳定性，降低报警数量；和/或，依据贝叶斯网络模型所确定的根节点和枝节点，确定主要报警和次要报警，去除部分次要报警，达到减少报警点设置的目的。

2.根据权利要求1所述的基于贝叶斯网络的报警系统优化方法，其特征在于，所述贝叶斯网络的网络结构由有向无环图表示，G＝(V,E)，其中V表示有向无环图中所有的节点，E表示有向无环图中所有的边，对于每一个节点v_i∈V对应X_V的变量n为自然数，每条边用来表示两个节点的相关关系；联合概率分布分解为如下形式：

其中是节点变量的父节点，贝叶斯网络的联合概率由链式法则求得，贝叶斯网络的节点是被监控的报警变量，贝叶斯网络的边是这些变量间的相关关系。

3.根据权利要求1所述的基于贝叶斯网络的报警系统优化方法，其特征在于，在学习贝叶斯网络结构，通过评分函数和GTT算法寻找最优化的网络结构，其中采用的评分函数如下：

4.根据权利要求1所述的基于贝叶斯网络的报警系统优化方法，其特征在于，采用最大似然算法估计贝叶斯网络的参数θ，所采用的公式如下：

其中，S为所获得的最佳的贝叶斯网络结构，D为给定报警数据集，d为数据集D中的记录，为对贝叶斯网络参数θ的最大似然估计参数。