面向报警日志退化与检测延迟的在线报警洪水分类扰动鲁棒性基准评测

《Computers & Chemical Engineering》:Perturbation-based robustness benchmarking of online alarm flood classification under alarm-log degradations and detection delays

【字体: 大 中 小 】 时间:2026年10月23日 来源:Computers & Chemical Engineering 4.9

编辑推荐:

  提出AFC-RobustBench,用于在线报警洪水分类(online alarm flood classification, AFC)鲁棒性的基准评测。引入六种报警日志退化作为扰动,以评估相关方法。在两个数据集上测试覆盖全部报警数据表示形式的七种方法。这些方

  
提出AFC-RobustBench,用于在线报警洪水分类(online alarm flood classification, AFC)鲁棒性的基准评测。引入六种报警日志退化作为扰动,以评估相关方法。在两个数据集上测试覆盖全部报警数据表示形式的七种方法。这些方法在不同扰动下表现出差异性性能。结果与讨论为未来鲁棒方法设计提供有价值的基础。
研究背景与问题。工业过程报警系统是自动控制与人工监督之间的主要接口。报警洪水(alarm flood,报警激活率超过操作员解释与响应能力的时段)常因扰动沿设备、能量和控制回路传播而触发级联报警,损害态势感知并延迟诊断与纠正操作。在线报警洪水分类(online alarm flood classification, AFC)通过将展开的带时间戳报警事件流分配给预定义报警洪水类别,为操作员诊断提供支持。现有在线AFC研究多在清洁报警日志和稳定检测与分割管道假设下评估,偏重名义预测性能;而报警事件流在采集与归档链中可能出现缺失、伪报警、时间戳不一致和延迟,上游检测与分割也可能延迟声明起始并截断早期信息。已有研究虽提出对伪报警和顺序变异性的鲁棒性要求,但系统性的、面向在线前缀观测、同时覆盖报警日志退化(alarm-log degradation,观测日志中的不完美)与管道不确定性的扰动(perturbation,受控输入变换)鲁棒性基准评测仍有限,且常缺少混合扰动与不确定性量化。因此,研究人员提出AFC-RobustBench,构建面向在线AFC的扰动统计鲁棒性基准评测协议,并在两个过程工业数据集上评估七种方法。其意义在于揭示清洁性能与部署可靠性之间的差异,为鲁棒方法设计和应用相关模型选择提供依据。

关键技术方法(不超过250字)。研究人员构建AFC-RobustBench协议,对已提取报警洪水片段施加四类基础扰动及其有序混合:缺失事件、伪事件、时间不确定性、管道诱导的片段起始延迟(pipeline-induced episode-start delay),并以轨迹修复(trace repair)保证各报警标签的ACT/RTN序列有效;将各方法原生在线预测轨迹左映射到公共报告网格,先对观测进度求平均,再对严重度进行梯形积分,得到场景鲁棒性分数及平均/最差场景汇总,并以分层5折交叉验证(cross-validation)和10次Monte-Carlo扰动抽样估计不确定性。评估WDI-1NN、JAC-1NN、EAC-1NN、MBW-LR、Hybrid AE+Trans.、ACM-SVM和CASIM。样本来源为TEP报警数据集扩展(基于Bathelt et al.修正TEP、IEEE Dataport)和Kunze et al.开放FCC报警数据集(基于Santander et al. MATLAB仿真模型)。

研究结果。5.1 Tennessee-Eastman process评估数据集:研究人员采用五类故障、每类200次不同随机种子仿真、共1000次运行,报警激活共30,019次,平均每片段30.02个报警;该受控数据为后续鲁棒性比较提供基础。5.2 流化催化裂化(fluidized catalytic cracking, FCC)报警数据集:采用16类故障、每类100次仿真、共1600次运行,配置57个报警变量,报警激活共20,789次,平均每片段12.99个报警;该数据集具有更多类别和更低事件密度。5.3 实验设置:在相同训练—测试划分、扰动抽样、严重度、原生更新时间和报告网格下比较七种方法,采用分层5折交叉验证,预测自10 min开始并每10 min更新至60 min,严重度网格覆盖0至0.9,每场景每严重度10次Monte-Carlo抽样,单扰动用于汇总分数,混合扰动单独报告;扰动不参与模型拟合或超参数选择,从而获得可比评估。5.4 评估结果:通过Jaccard相似度诊断扰动对重构报警序列表示的影响,发现FCC在缺失、伪事件和时间扰动下保留较高相似性,TEP下降更明显,片段起始延迟和含延迟混合场景快速降低相似性;清洁性能与鲁棒性存在权衡,CASIM取得最高清洁进度平均准确率(TEP为0.966±0.005,FCC为0.982±0.004),Hybrid AE+Trans.次之(0.944±0.009,0.977±0.007),但EAC-1NN取得最佳平均与最差场景鲁棒性(TEP为R?avg=0.748±0.012、R?min=0.709±0.010;FCC为R?avg=0.705±0.007、R?min=0.304±0.008);场景级结果显示时间不确定性相对温和,片段起始延迟和复合扰动造成强退化,FCC尤甚,混合扰动总体沿其最具破坏性分量的趋势退化而非产生新的失效模式。

讨论总结与结论翻译。5.5 讨论表明:清洁在线准确率与扰动鲁棒性是不同评估目标;鲁棒性并非仅由报警数据表示类别决定,特征、相似度、分类器和训练协议同样重要;检测延迟应与片段内报警日志退化分开处理;数据集特征显著影响鲁棒性,FCC的最差场景鲁棒性普遍低于TEP,与其类别更多、每片段报警激活更少有关。实际应用中应同时报告退化剖面与标量鲁棒性分数,并以应用相关的清洁—鲁棒性权衡支持模型选择;当前结果受评估配置和训练程序约束,且局限于仿真数据,未量化操作员干预等影响。6 结论与未来工作(翻译):本文提出AFC-RobustBench,一种在报警日志退化和报警洪水检测延迟下对在线AFC进行扰动统计鲁棒性基准评测的协议,将缺失事件、伪事件、时间不确定性和片段起始延迟建模为报警事件流上的扰动函数,并支持有序混合扰动,报告随严重度和观测进度变化的退化剖面、标量鲁棒性分数及基于交叉验证折和Monte-Carlo抽样的不确定性估计。TEP和FCC评估表明,清洁在线性能可能误导部署可靠性;CASIM取得最佳清洁进度平均准确率,Hybrid AE+Trans.第二,EAC-1NN取得最佳平均和最差场景鲁棒性;时间不确定性相对可容忍,片段起始延迟和复合扰动导致强退化,FCC尤甚。总体而言,鲁棒性排序可与清洁性能排序显著不同,在线AFC应在明确的报警日志与管道不确定性下评估。局限是数据集均为仿真来源,迁移至工业报警日志需验证,扰动模型受控且可解释但未捕获报警标签、过程拓扑和日志基础设施间全部依赖。未来应将AFC-RobustBench扩展到具有经验证标签和运行上下文的工业日志,纳入更结构化扰动,研究在线AFC鲁棒性改进策略,评估包含预处理、洪水检测与分割及分类的完整流程,比较更多应用相关组合及顺序,并将共享严重度协议扩展为各阶段独立变化的严重度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号