《Engineering Applications of Artificial Intelligence》:An information-theoretic approach for similarity analysis, dynamic clustering, and early classification of alarm floods
编辑推荐:
本文针对工业控制系统中短时间内大量报警显示于人机接口屏幕所引发的报警洪泛问题,提出了一种基于信息论的方法。在该方法中,工业控制系统中每个基于文本的报警标签以概率分布表示,从而可刻画不同报警洪泛中所显示报警之间的散度,实现有效的相似性分析。此外,本文还提出了报警
本文针对工业控制系统中短时间内大量报警显示于人机接口屏幕所引发的报警洪泛问题,提出了一种基于信息论的方法。在该方法中,工业控制系统中每个基于文本的报警标签以概率分布表示,从而可刻画不同报警洪泛中所显示报警之间的散度,实现有效的相似性分析。此外,本文还提出了报警洪泛的动态聚类与早期分类方法,同时考虑了报警显示中的不确定性,包括报警相对显示时间、顺序及发生与否的不确定性,从而应对实际场景中因运行条件变化而导致报警洪泛随时间演变的情形。所提方法与有效性通过田纳西-伊斯曼过程(Tennessee Eastman process)中生成的报警洪泛数据进行了验证。
论文解读:基于信息论的报警洪泛相似性分析、动态聚类与早期分类方法
一、研究背景与问题
工业过程运行依赖于多层级自动化体系,其中人机接口(human-machine interface, HMI)系统使操作员能够监控过程状态并适时干预。报警系统依据ANSI/ISA-18.2(2016)标准,在过程异常时通过显示报警标签向操作员发出警报。然而,在级联偏差或过程扰动等异常工况下,短时间内可能出现大量报警,即报警洪泛,使操作员面临过量信息,难以迅速识别根本原因并采取正确措施。因此,对报警洪泛进行分析和诊断具有重要实际意义。
现有研究提出了多种报警洪泛处理方法,包括报警排序、预测、相关性分析、聚类与分类等。然而,已有方法大多仅适用于离线场景,无法实时运行或根据新模式自适应更新。部分在线分类方法虽能实时工作,但难以处理未见过的报警洪泛序列,且无法区分不同的未知类型。更重要的是,现有方法普遍未充分考虑报警洪泛模式随时间演变的特性:同一类型报警洪泛因运行条件变化(如设定值调整、手动操作差异、环境条件变化等),报警的相对时间、顺序可能变化,报警可能被移除或新增。这种不确定性若被忽略,将导致相似性分析、聚类和分类的准确性下降甚至产生错误结果。此外,动态聚类(即聚类随时间演变)以及在历史数据无标签或不可用(如过程启动阶段)条件下的早期分类问题,也缺乏充分研究。
因此,本文提出一种信息论方法,对报警标签进行概率分布建模,在此基础上实现报警洪泛的相似性分析、动态聚类和早期分类。
二、研究内容与主要方法
研究人员提出了以概率分布表示每个报警标签的方法,将报警洪泛序列转化为向量形式。具体地,每个报警标签以其出现时刻为均值、以设计参数σ
0为标准差构成高斯分布,并以权重参数表示其重要性。随后,利用Kullback-Leibler(KL)散度与Jensen-Shannon(JS)散度刻画同一报警标签在不同报警洪泛中对应分布之间的差异,并定义了归一化距离。为消除同一类型报警洪泛之间在报警时间上的系统性偏移,研究人员引入移位参数,通过网格搜索确定最优归一化距离。
在聚类方面,研究人员建立了报警洪泛数据库和模式数据库。模式数据库存储每个聚类的代表性报警模式,该模式随新报警洪泛的出现而动态更新,采用遗忘因子控制历史信息与新信息的相对权重。当新报警洪泛与所有现有代表性模式的距离超过相似度阈值时,则创建新聚类。在分类方面,研究人员使用基于长短期记忆(long short-term memory, LSTM)的神经网络进行报警洪泛的早期分类,该网络能够在报警洪泛尚未完全结束时持续更新分类结果。
案例研究基于田纳西-伊斯曼(Tennessee Eastman)过程模拟器(Bathelt等修改版本)展开,共使用41个过程变量中的39个(排除PV_19和PV_37),设定7种故障类型,其中前5种视为已知类型,后2种视为未知类型。每种故障生成10个报警洪泛,并在部分仿真中改变设定值以产生演化模式和显示不确定性。
三、研究结果
动态聚类结果
研究人员首先利用50个已知标签的报警洪泛(前5种故障各10个)选择最优参数。通过计算不同σ
0值下的整体轮廓系数(Silhouette index),确定σ
0*=4。利用层次凝聚聚类确定相似度阈值γ=0.46。动态聚类采用遗忘因子β=0.2,初始时模式数据库和报警洪泛数据库为空,报警洪泛逐一处理。
当引入1个未知标签的报警洪泛时,本文方法与Cheng等(2013)的方法均能正确创建6个聚类。但当继续引入2个同类型报警洪泛后,Cheng等的方法将53个报警洪泛错误分为8个聚类,而本文方法仍正确分为6个聚类。当引入全部20个未知标签报警洪泛后,Cheng等的方法错误创建10个聚类,而本文方法正确创建7个聚类。这表明动态聚类方法能有效适应报警洪泛模式的演化,避免因报警时间变化和报警增删导致的错误聚类。
敏感性分析表明,相似度阈值γ=0.3或0.4时轮廓系数最高,与层次凝聚聚类确定的γ=0.46一致;遗忘因子β从0增至0.5时简化轮廓系数稳步提高,β>0.5后下降,建议无先验信息时β取0.2-0.7。
早期分类结果
研究人员使用50个已知类型的报警洪泛训练LSTM神经网络,并用70个报警洪泛(含20个未知类型)作为测试集。当遇到未知类型报警洪泛时,对网络进行重训练。与Shang和Chen(2019)及Alinezhad等(2022a)的方法相比,本文方法在分类准确率上持续领先。混淆矩阵显示,对比方法无法正确分类未知故障类型6和7的报警洪泛,且无法适应设定值变化导致的报警模式演化;而本文方法正确分类了70个报警洪泛中的67个。在宏精确率(macro precision)、宏召回率(macro recall)和宏F1分数(macro F1-score)上,本文方法分别达到0.963、0.957和0.957,显著高于对比方法。当训练数据比例降至40%时,分类准确率仍达0.843,表明方法具有较好的鲁棒性。
四、讨论与结论
本文提出的信息论方法通过概率分布建模报警标签,能够有效刻画报警洪泛之间的相似性;动态聚类方法通过代表性模式的更新和遗忘因子的调节,适应报警洪泛模式的演化;LSTM神经网络实现了在线早期分类,并能在检测到新类型时通过重训练避免误分类。该方法在田纳西-伊斯曼过程上验证了有效性,处理了报警时间变化、顺序变化、报警增删等不确定性。
研究结论指出,该方法允许容忍报警发出时间和顺序的变异以及新报警洪泛中报警的移除或新增,从而在相似性分析、聚类和分类中考虑了报警洪泛模式的演化特性和显示不确定性。未来工作可包括:无用户干预地优化设计参数(如相似度阈值γ和遗忘因子β)的选择;考虑混合模型和Gamma分布等其他概率分布;使用真实工业过程数据进一步验证方法的可扩展性和鲁棒性,特别是处理更多报警标签、缺失信息、网络延迟及更高程度不确定性的场景。