CN112147974B - 基于化工过程知识自动化的报警根原因诊断方法 - Google Patents
基于化工过程知识自动化的报警根原因诊断方法 Download PDFInfo
- Publication number
- CN112147974B CN112147974B CN202010714268.7A CN202010714268A CN112147974B CN 112147974 B CN112147974 B CN 112147974B CN 202010714268 A CN202010714268 A CN 202010714268A CN 112147974 B CN112147974 B CN 112147974B
- Authority
- CN
- China
- Prior art keywords
- alarm
- chemical process
- root cause
- deviation
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于化工过程知识自动化的报警根原因诊断方法,包括偏差因果传递的过程拓扑建立、报警数据的实时采集、关联报警识别、报警根原因诊断、辅助决策系统。本发明中,基于偏差因果时序传递分析,充分利用化工过程知识建立过程拓扑模型,采集化工过程报警数据及其时间信息,通过路径搜索判断变量间的因果关联,自动推理报警根原因,通过即时搜索引擎自动检索报警根原因关键字,从数据库中检索相关的操作信息,辅助操作员决策,解决现有技术中报警根原因诊断准确率低、过度依赖人工决策以及拓扑模型建立工作量大等问题。
Description
技术领域
本发明涉及化工企业报警根原因诊断方法,尤其涉及基于化工过程知识自动化的报警根原因诊断方法。
背景技术
在化工企业报警管理领域常常出现的“报警泛滥”现象给过程安全带来较大干扰,而无法准确快速判断报警根原因在“报警泛滥”时成为一种普遍现象。目前企业对报警根原因的诊断主要依靠人工决策,具有明显的主观性和不一致性。尤其当短时间内出现较多报警时,单纯依靠人工决策难以应对较大的工艺波动。
化工过程报警变量之间存在较强的关联特征,如能够事先掌握报警变量之间的因果关联,那么当短时间内多个报警同时出现时,可以迅速定位初始报警,确定报警根原因,辅助操作员决策,就能够尽快消除安全隐患,对于降低安全风险具有重要的意义。
目前对报警根原因的分析比较有效的方法,是首先建立工业报警拓扑模型,然后利用回溯法、推理法、假设检验法定位报警根源,识别传播路径。在工业报警拓扑模型建立方面单纯依靠管道仪表流程图进行定性建模,工作量太大,难以大规模推广应用;依靠传递熵分析方法识别报警传播路径过程繁琐、结果不可靠。企业现有仪表系统主要对具体报警点进行显示,无法显示报警之间的内在关联。对于一些已上线的报警根原因诊断系统,辅助决策功能较弱,未有效发挥即时搜索技术提供辅助操作信息。在企业的控室中,操作员期望在多报警发生时得到导致高优先级报警发生的初始原因,以及消除初始原因的具体指导措施。
发明内容
本发明的目的是为了解决现有技术中报警根原因诊断准确率低、过度依赖人工决策以及拓扑模型建立工作量大的上述问题,而提出的基于化工过程知识自动化的报警根原因诊断方法。
为了实现上述目的,本发明采用了如下技术方案:
基于化工过程知识自动化的报警根原因诊断方法,包括如下步骤:
步骤一:基于偏差因果时序传递分析,利用化工过程知识建立过程拓扑,采集化工过程报警数据及其时间信息;
步骤二:通过路径搜索判断变量间的因果关联,自动推理报警根原因;
步骤三:通过即时搜索引擎自动检索报警根原因关键字,从数据库中检索相关的操作信息,辅助操作员决策;
偏差因果时序传递分析的拓扑建立:利用改进HAZOP分析方法,通过初始原因-中间原因-偏差-中间后果-最终后果优化HAZOP分析表格,通过报警变量位号间的因果关联分析建立能够被计算机识别的过程拓扑关系;
过程拓扑中对节点进行分类:字母A代表正常的工艺偏差报警;字母B代表无法使用高、低来表述的后果;字母C代表设备仪表失效/故障、管理控制失效;
报警根原因推理:将报警数据从数据存储系统抽取到MYSQL数据库,采用回溯法来分析当前的实时报警数据之间的关系;
对任一报警信号进行分析,根据报警位号从过程拓扑图中提取偏差分析行中的所有类型的原因项;
针对不同类型的原因的每一个依次进行循环回溯分析,识别关联报警,并将因果拓扑关系图显示输出;
根据关联报警发生的时间数据,核实报警的初始原因。
作为上述技术方案的进一步描述:
所述化工过程报警数据的采集:采用编程实现的报警数据的实时采集平台,平台具备双处理器板,支持冗余备份,配备UPS电源,采用可扩展机框管理单元,通过IPMI总线完成插箱内各节点板及风机的控制和管理,同时具备USB接口,支持加密卡,由支持OPC AE通信协议的数据采集层作为基础,实时从DCS系统、SIS系统采集报警数据,采集的报警数据由Hadoop分布式文件系统进行存储。
作为上述技术方案的进一步描述:
所述辅助操作员决策:采用基于Lucene检索引擎的即时搜索系统,智能对报警根原因关键字智能实时跨库检索,从岗位操作法数据库中检索得到与该报警根原因相关的参数信息和操作信息。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明中,针对报警根原因诊断准确率低、过度依赖人工决策以及拓扑模型建立工作量大等问题,偏差因果传递分析能有效利用HAZOP分析等非结构化数据,建立过程拓扑,又能利用实时报警信息等结构化数据,识别关联报警,并结合时间信息确定报警根原因。通过报警根原因关键字,采用即时搜索系统,及时推送操作信息,辅助决策。相较于现有的报警根原因诊断系统,本专利提出的基于化工过程知识自动化的报警根原因诊断方法具有准确率高、诊断时间短、辅助决策能力强等优势,具有良好的应用效果。
附图说明
图1为本发明中基于化工过程知识自动化的报警根原因诊断系统结构示意图;
图2为本发明中过程拓扑关系示意图;
图3为本发明中关联报警流程示意图;
图4为本发明中辅助决策显示界面示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1-3,基于化工过程知识自动化的报警根原因诊断方法,包括如下步骤:步骤一:基于偏差因果时序传递分析,利用化工过程知识建立过程拓扑,采集化工过程报警数据及其时间信息;步骤二:通过路径搜索判断变量间的因果关联,自动推理报警根原因;步骤三:通过即时搜索引擎自动检索报警根原因关键字,从数据库中检索相关的操作信息,辅助操作员决策。
偏差因果传递过程拓扑的建立:利用改进HAZOP分析方法,通过初始原因-中间原因-偏差-中间后果-最终后果优化HAZOP分析表格,通过报警变量位号间的因果关联分析建立能够被计算机识别的过程拓扑关系;过程拓扑中对节点进行分类:字母A代表正常的工艺偏差报警;字母B代表无法使用高、低来表述的后果;字母C代表设备仪表失效/故障、管理控制失效等初始原因。
化工过程报警数据的采集:采用编程实现的报警数据的实时采集平台,平台具备双处理器板,支持冗余备份,配备UPS电源,采用可扩展机框管理单元,通过IPMI总线完成插箱内各节点板及风机的控制和管理,同时具备USB接口,支持加密卡,由支持OPC AE通信协议的数据采集层作为基础,实时从DCS系统、SIS系统等系统采集报警数据(报警位号、报警值、报警阈值、报警时间),采集的报警数据由Hadoop分布式文件系统进行存储。
报警根原因推理:将报警数据从数据存储系统抽取到MYSQL数据库,采用回溯法来分析当前的实时报警数据之间的关系;对任一报警信号进行分析,根据报警位号从过程拓扑图中提取该偏差分析行中的所有类型的原因项;针对不同类型的原因依次进行循环回溯分析,识别关联报警,并将因果拓扑关系图显示输出;根据关联报警发生的时间数据,核实报警的初始原因。
采用基于Lucene检索引擎的即时搜索系统,智能对报警根原因关键字智能实时跨库检索,从岗位操作法等数据库中检索得到与该报警根原因相关的参数信息和操作信息。
根据图1所示,一种基于化工过程知识自动化的报警根原因诊断方法,包括非结构化数据预处理、偏差因果传递的过程拓扑网络建立、报警结构化数据的实时采集、关联报警识别、报警根原因诊断以及辅助决策等环节。数据的实施采集平台搭建:由支持OPC AE等通信协议的数据采集层作为基础,实时从DCS系统、SIS系统等系统采集报警数据,报警阈值数据采集频次为每小时1次,报警数据采集频次为:报警前每分钟1次,报警后每10秒钟1次。采集的报警数据由Hadoop分布式文件系统进行存储。将实时报警数据从数据存储系统抽取到MYSQL数据库。非结构化数据预处理:基于HAZOP分析的非结构化数据预处理数据表如表1所示。
表1
基于偏差因果传递分析:根据预处理表单,自动生成如图2所示的偏差因果传递路径。
关联报警识别:对任一报警信号i进行分析,首先根据报警信号i的位号从改进后的HAZOP分析表格中检索到其对应的分析偏差,提取该偏差分析行中的所有原因项,原因项分为三类,第一类为有报警位号对应的工艺偏差,第二类为无报警位号对应的工艺偏差,第三类为非工艺偏差类的原因项。针对这三类依次进行分析,如果当前报警信号集中出现了第一类原因项对应的报警信号j(一个或多个),则当前报警i为报警j的关联报警;如果所有第一类原因项对应的报警均未出现,则从改进HAZOP报告中检索各原因项对应的分析行,对原因项的原因项进行循环分析,该循环的目的是向前追溯隔代的报警信号,图3中用m<2表示最多隔代追溯的深度为2层,实际应用时可自定义层数;第一类原因项分析完成后进入第二类原因项的分析,从改进HAZOP报告中检索第二类原因项所对应偏差的分析行,循环上一层次分析,如果隔代追溯完仍未找到关联报警,则认定该报警为初始报警,纳入初始报警集中;如工艺报警i对应的所有原因项均不属于第一类或第二类,则直接认定该报警i为初始报警,纳入到初始报警集中。
实施例二:
请参阅图4,与实施例一不同的是实施例二具有决策输出,决策界面输出:报警根原因为初始节点,因果传递路径以符号有向图的形式进行呈现。其中报警优先级最高的报警位号被重点标记。
在图4中,通过即时搜索系统智能检索的辅助决策信息显示在图像的最左侧。EDC流量低报警、VCM裂解炉温度高报警和VCM裂解炉炉管压力高报警同时发生时,根据已建立的偏差因果传递路径,自动进行关联报警识别,EDC流量低的原因有3个,2个为初始原因,一个为中间原因EDC反应器压力低,系统自动对EDC反应器压力低报警及其上游报警进行核实,发现均未出现报警,判定初始原因可能是EDC采样连接未关或EDC冷却器污染,此时提供辅助决策信息,提醒操作人员及时到现场核实,从而确定最终的报警根原因。
比较例一:
基于化工过程知识自动化的报警根原因诊断方法与目前相关技术方法的对比如表2所示。
表2
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.基于化工过程知识自动化的报警根原因诊断方法,其特征在于,包括如下步骤:
步骤一:基于偏差因果时序传递分析,利用化工过程知识建立过程拓扑,采集化工过程报警数据及其时间信息;
步骤二:通过路径搜索判断变量间的因果关联,自动推理报警根原因;
步骤三:通过即时搜索引擎自动检索报警根原因关键字,从数据库中检索相关的操作信息,辅助操作员决策;
偏差因果时序传递分析的拓扑建立:利用改进HAZOP分析方法,通过初始原因-中间原因-偏差-中间后果-最终后果优化HAZOP分析表格,通过报警变量位号间的因果关联分析建立能够被计算机识别的过程拓扑关系;
过程拓扑中对节点进行分类:字母A代表正常的工艺偏差报警;字母B代表无法使用高、低来表述的后果;字母C代表设备仪表失效/故障、管理控制失效;
报警根原因推理:将报警数据从数据存储系统抽取到MYSQL数据库,采用回溯法来分析当前的实时报警数据之间的关系;
对任一报警信号进行分析,根据报警位号从过程拓扑图中提取偏差分析行中的所有类型的原因项;
针对不同类型的原因的每一个依次进行循环回溯分析,识别关联报警,并将因果拓扑关系图显示输出;
根据关联报警发生的时间数据,核实报警的初始原因。
2.根据权利要求1所述的基于化工过程知识自动化的报警根原因诊断方法,其特征在于,所述化工过程报警数据的采集:采用编程实现的报警数据的实时采集平台,平台具备双处理器板,支持冗余备份,配备UPS电源,采用可扩展机框管理单元,通过IPMI总线完成插箱内各节点板及风机的控制和管理,同时具备USB接口,支持加密卡,由支持OPC AE通信协议的数据采集层作为基础,实时从DCS系统、SIS系统采集报警数据,采集的报警数据由Hadoop分布式文件系统进行存储。
3.根据权利要求1所述的基于化工过程知识自动化的报警根原因诊断方法,其特征在于,所述辅助操作员决策:采用基于Lucene检索引擎的即时搜索系统,智能对报警根原因关键字智能实时跨库检索,从岗位操作法数据库中检索得到与该报警根原因相关的参数信息和操作信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714268.7A CN112147974B (zh) | 2020-07-22 | 2020-07-22 | 基于化工过程知识自动化的报警根原因诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714268.7A CN112147974B (zh) | 2020-07-22 | 2020-07-22 | 基于化工过程知识自动化的报警根原因诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147974A CN112147974A (zh) | 2020-12-29 |
CN112147974B true CN112147974B (zh) | 2022-07-12 |
Family
ID=73888391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010714268.7A Active CN112147974B (zh) | 2020-07-22 | 2020-07-22 | 基于化工过程知识自动化的报警根原因诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147974B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673107B (zh) * | 2021-08-23 | 2024-05-31 | 山东中图软件技术有限公司 | 一种基于工业仿真的可视化化工监测方法、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 |
CN104298225A (zh) * | 2014-09-25 | 2015-01-21 | 中国石油化工股份有限公司 | 化工过程异常工况因果关系推理模型建模与图形化展示方法 |
CN104376033A (zh) * | 2014-08-01 | 2015-02-25 | 中国人民解放军装甲兵工程学院 | 一种基于故障树和数据库技术的故障诊断方法 |
CN104483958A (zh) * | 2014-10-31 | 2015-04-01 | 中国石油大学(北京) | 一种复杂炼化过程自适应数据驱动故障诊断方法及装置 |
CN104571084A (zh) * | 2014-12-12 | 2015-04-29 | 中国石油大学(北京) | 主风机组故障根源深度诊断方法和装置 |
CN107341068A (zh) * | 2017-06-28 | 2017-11-10 | 北京优特捷信息技术有限公司 | 通过自然语言处理进行运维排障的方法和装置 |
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN110457184A (zh) * | 2018-05-07 | 2019-11-15 | 中国石油化工股份有限公司 | 基于时序波动关联的化工异常因果分析与图形展示方法 |
WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2656264B2 (ja) * | 1987-10-01 | 1997-09-24 | 株式会社東芝 | 警報処理診断装置 |
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
CN111352759B (zh) * | 2019-12-31 | 2024-04-02 | 杭州亚信软件有限公司 | 一种告警根因的判定方法及装置 |
-
2020
- 2020-07-22 CN CN202010714268.7A patent/CN112147974B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 |
CN104376033A (zh) * | 2014-08-01 | 2015-02-25 | 中国人民解放军装甲兵工程学院 | 一种基于故障树和数据库技术的故障诊断方法 |
CN104298225A (zh) * | 2014-09-25 | 2015-01-21 | 中国石油化工股份有限公司 | 化工过程异常工况因果关系推理模型建模与图形化展示方法 |
CN104483958A (zh) * | 2014-10-31 | 2015-04-01 | 中国石油大学(北京) | 一种复杂炼化过程自适应数据驱动故障诊断方法及装置 |
CN104571084A (zh) * | 2014-12-12 | 2015-04-29 | 中国石油大学(北京) | 主风机组故障根源深度诊断方法和装置 |
CN107341068A (zh) * | 2017-06-28 | 2017-11-10 | 北京优特捷信息技术有限公司 | 通过自然语言处理进行运维排障的方法和装置 |
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN110457184A (zh) * | 2018-05-07 | 2019-11-15 | 中国石油化工股份有限公司 | 基于时序波动关联的化工异常因果分析与图形展示方法 |
WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
Non-Patent Citations (1)
Title |
---|
张贝克 等.基于图形化剧情对象模型的安全评价及其应用.《化工学报》.2013,第64卷(第7期),正文第1-2节. * |
Also Published As
Publication number | Publication date |
---|---|
CN112147974A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112152830B (zh) | 一种智能的故障根因分析方法及系统 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
RU2557771C1 (ru) | Способ технического контроля и диагностирования бортовых систем беспилотного летательного аппарата с поддержкой принятия решений и комплекс контрольно-проверочной аппаратуры с интеллектуальной системой поддержки принятия решений для его осуществления | |
CN101989087A (zh) | 工业化加工渣油的在线实时故障监测与诊断的系统装置 | |
Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
CN103761173A (zh) | 一种基于日志的计算机系统故障诊断方法及装置 | |
CN105967063B (zh) | 维保平台故障分析处理系统及方法 | |
Ali et al. | Middleware for real-time event detection andpredictive analytics in smart manufacturing | |
CN112415331A (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
CN112182233B (zh) | 用于存储设备故障记录的知识库、及利用其辅助定位设备故障的方法及系统 | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
CN112147974B (zh) | 基于化工过程知识自动化的报警根原因诊断方法 | |
CN116089231A (zh) | 一种故障告警方法、装置、电子设备及存储介质 | |
CN117333038A (zh) | 一种基于大数据的经济趋势分析系统 | |
CN116755992B (zh) | 一种基于OpenStack云计算的日志分析方法及系统 | |
CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
CN113065580A (zh) | 一种基于多信息融合的电厂设备管理方法及系统 | |
CN107454089A (zh) | 一种基于多节点关联性的网络安全态势诊断方法 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
CN116028450A (zh) | 一种日志检测方法、装置及设备 | |
CN113836203A (zh) | 一种网络数据化诊断检测分析系统 | |
CN116635843A (zh) | 分析工业工厂的日志文件的设备、计算平台和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |