一种集成多模态特征挖掘与预训练强化学习的化学过程报警预测方法

《Computers & Chemical Engineering》：Chemical process alarm prediction method integrating multi-modal feature mining and pre-trained reinforcement learning

　　

何亚东|袁壮|徐伟|孙冰|舒志敏|张帅

中国山东省青岛市化学安全国家重点实验室，266000

摘要

准确预测化学过程警报对于确保生产安全和减轻警报过载问题至关重要。然而，传统的警报预测方法主要侧重于时间建模，存在局限性，例如未能充分利用多源数据以及适应动态环境的能力有限。为了解决这些挑战，本文提出了一种结合多模态特征挖掘和预训练强化学习的警报预测方法。通过深入挖掘两种异构数据，该方法系统地提取了警报的静态配置属性和动态演化属性，构建了一个多模态特征空间，以全面增强警报信息的表示能力。此外，警报预测被建模为一个序列决策任务，并设计了一个基于近端策略优化算法的警报预测智能代理。开发了一个奖励函数，该函数结合了预测误差、优先级权重和时间衰减因素，以实现复杂警报序列的动态自适应决策优化。此外，引入了经过Transformer监督预训练的模型来初始化代理策略网络，通过知识蒸馏机制降低了强化学习中的初始探索成本。在流化催化裂化装置数据集上的实验结果表明，所提出的方法在精确度和召回率指标上显著优于对比算法，验证了其在复杂工业场景中的有效性和实用性。

引言

化学生产涉及许多危险因素，如高温高压、易燃和易爆物质。如果这些因素失控，可能会导致严重后果，对人员和设备构成重大威胁（Szatmári等人，2024年；Johnes等人，2026年）。在这种背景下，分布式控制系统（DCS）得到了迅速发展和应用，使工厂人员能够通过实时收集传感器数据来监控过程参数的运行状态（Wang等人，2025年），从而有效控制各种复杂反应过程并提高化学生产的安全性。作为DCS的核心组成部分，警报系统在现代化学生产过程中发挥着不可或缺的作用（Hu等人，2023年）。从安全角度来看，警报系统通过配置警报参数、阈值、类型、听觉信号和视觉指示器（Marugán等人，2019年），在过程参数偏离预设的可接受阈值时及时触发警报。这使得操作员能够及时识别异常并采取纠正措施，从而有效防止异常和潜在事件的升级，同时确保化学生产的安全和稳定。图1简要描述了化学企业中警报系统的操作过程。

然而，一方面，化学生产过程具有非稳态运行的特点（Roy等人，2026年），包括负载调整、生产修改、外部环境变化和设定点修改等复杂过程，其显著特征包括参数波动显著、强耦合效应以及生产系统内频繁的人工干预。另一方面，DCS的持续进步提高了人机交互的自动化水平，便于配置警报参数，并使监控变量的数量持续增长。受这两个因素驱动，警报系统在高负载条件下持续运行，警报触发频率急剧上升（Alinezhad等人，2023年）。因此，工厂操作员每天都会面临大量且多样的警报，远远超出可管理阈值，严重阻碍了有效的警报分析和精确响应的实施，从而增加了安全事故的风险（Wang等人，2024年）。

为了减轻工厂中由警报过载引起的安全风险并提高警报保护层的有效性，研究人员尝试了数据驱动的方法来预测生产过程中的即将发生的警报事件（Cai等人，2019年；Xu等人，2019年），这些方法可以分为三类：基于实时数据（RD）的方法、基于警报事件（AE）的方法和混合数据（MD）的方法。RD方法通过结合实时参数变化和机器学习或深度学习技术来构建预测模型（Jiang等人，2024年）。具体实现包括LSTM残差网络（Villalobos等人，2021年）、非线性系统框架（Khan等人，2021年）、集成空间模型（Wang等人，2022年）、DiPCA-LSTM（Bai等人，2023年）、正常操作区域（Wang等人，2024年）、稀疏贝叶斯方法（Duan等人，2024年）以及具有注意力机制的多任务学习（Shao等人，2024年）。然而，RD方法严重依赖于数据收集的频率和完整性，由于阈值与实际过程特性的不匹配，经常会产生不必要的警告。与RD方法不同，AE方法使用模式匹配和序列分析等技术来理解相关性。代表性研究包括相似性计算（Lai等人，2017年）、跨过程匹配（Zhou等人，2020年）、振荡警报预测（Tamascelli等人，2020年）、基于最大熵的预测（Xu和Wang，2021年）、高斯混合策略（Alinezhad等人，2021年）、实时排名（Parvez等人，2022年）、K最近邻（Chacón等人，2023年）和基于信息器的模型（Jiang等人，2024年）。然而，AE方法的性能取决于捕捉警报事件之间的相互关系，设置不合理的警报阈值可能导致误报或漏报。相比之下，MD方法整合并建模了各种类型的数据（例如实时测量值、警报事件），包括过程变量的相关性分析（Weng等人，2023年）、传感器-事件日志融合（Liu和Hui，2024年）以及基于Transformer的策略（Strem等人，2025年；Strem等人，2025年）。通过结合互补的数据驱动因素，MD方法通常在警报预测效果上优于DA和AE方法，因此受到了越来越多的研究关注。尽管取得了这些进展，工业警报预测仍然是一个复杂的非确定性问题（Panjapornpon等人，2023年）。现有方法主要关注单一类型的数据，缺乏对多模态异构过程数据的有效整合。此外，它们通常强调时间建模，但对动态警报特征（如局部依赖性、动态相关性和不确定性）的适应性不足。强化学习（RL）构建了能够在复杂环境中进行在线学习的动态决策框架，在多目标优化和不确定性量化方面具有明显优势（Tao等人，2026年；Qin等人，2026年）。目前，基于RL的警报预测仍处于起步阶段，只有有限的研究努力探索主动管理和操作员支持（Parvez等人，2024年；Parvez等人，2025年）。

为了解决上述局限性，本文介绍了一种基于充分利用异构过程数据的动态决策机制的强化学习方法，提出了一种结合多模态特征挖掘和预训练强化学习的警报预测方法（AP-MFMPRL）。首先，利用历史警报事件信息通过滑动窗口方法构建初始警报预测序列。其次，从DCS中捕获和提取警报参数的静态配置属性和动态演化属性，以建立多模态特征空间，缓解单个警报事件中信息内容不足的问题。随后，使用近端策略优化（PPO）算法开发警报预测代理，该算法结合了预测误差、警报优先级权重和时间衰减因素的奖励函数，通过迭代试错学习实现任务解决。最后，为了加速代理训练，建立了一个经过Transformer监督预训练的模型，通过知识蒸馏机制初始化代理策略网络，以降低初始探索成本。在真实的流化催化裂化（FCC）装置数据集上的广泛实验表明，所提出的方法在精确度和召回率指标上明显优于对比算法。

主要贡献总结如下：

• (1)
  整合了双过程数据用于警报预测，从静态和动态维度进行了全面的特征描述，从而提供了关于警报相关数据利用的新见解。
• (2)
  将警报预测问题转化为序列决策任务。引入了强化学习机制来构建预测代理，通过在线学习和试错过程实现有效适应动态环境变化。这代表了将强化学习应用于警报预测的重要探索。
• (3)
  引入了预训练的知识蒸馏机制来解决代理的冷启动问题，这属于跨领域知识转移策略。这种方法在硬件资源有限和实时要求严格的工业约束下降低了训练复杂性和计算成本，使得复杂任务处理能力能够快速部署。

本文的其余部分组织如下：第2节详细描述了所提出的警报预测方法。第3节在流化催化裂化单元数据集上进行了广泛的对比实验，给出了对比实验的详细结果并进行了详细分析。第4节总结了本研究的主要结论并概述了未来的工作。

章节片段

提出的方法

本节详细介绍了所提出的ap-mfmprl方法的核心框架。如图2所示，它主要包括四个模块：警报序列划分（图2(a)）、多模态特征空间构建（图2(b)）、警报预测代理（图2(c)和预训练蒸馏（图2(d)）。以下是对每个模块的深入解释。

实验

使用FCC装置数据集进行了广泛的对比实验，以证明所提出的AP-MFMPRL模型的有效性。硬件环境配置为Windows 10、3.60 GHz Intel i7–9700 K CPU和16 GB RAM。相关模型使用Python 3.8和五个主要的开源库实现：Gensim、Scikit-learn、PyTorch、Stable Baselines3和SHAP。本节主要解决以下两个问题：

问题1

所提出的AP-MFMPRL模型能否获得

结论

本文提出了一种结合多模态特征挖掘和预训练强化学习的警报预测方法，以减轻化学过程警报过载引起的安全风险。通过构建多模态特征空间并将预测形式化为序列决策任务，该方法有效地捕捉了复杂的警报传播模式。在FCC数据集上的实验结果表明，所提出的方法表现出显著的性能提升：

CRediT作者贡献声明

何亚东：可视化、软件、形式分析、概念化。袁壮：方法论、调查、形式分析。徐伟：撰写——原始草稿、资源获取、概念化。孙冰：撰写——原始草稿、方法论。舒志敏：撰写——原始草稿、可视化。张帅：监督、可视化。