集成自然语言处理与动态模拟应用于石化过程的风险感知报警管理

《Process Safety and Environmental Protection》：Integrating Natural Language Processing and Dynamic Simulation for Risk-Informed Alarm Management in Petrochemical Processes

　　

摘要 有效的报警管理对于确保石化过程的安全和运行效率至关重要。传统的报警优先级排序往往严重依赖主观判断，可能无法充分量化操作员干预的时间余量。为了解决这些局限性，本研究开发了一个动态风险知情框架用于报警合理化。该框架将定性的危险与可操作性（HAZOP）分析与 Aspen Dynamics 中的定量动态仿真相结合。利用自然语言处理技术，开发了一个领域定制的 LE-NEZHA-Bi-LSTM-IDCNN-CRF (LNBIC) 模型，以高准确率（F1 分数：97.8%）从 HAZOP 报告中提取后果严重程度等级。同时，HAZOP-动态 - 后果时间方法采用 Aspen Dynamics 模拟工艺偏差并估计动态阈值时间，进一步用于将紧急程度分类为“紧急”（<3 分钟）和“非紧急”（3-15 分钟）。通过将后果严重程度和响应时间结合到优先级矩阵中，提出的框架将报警分为四个级别：关键、重要、一般和非必要。在催化裂化装置上进行的案例研究表明，所提出的方法将高优先级报警（关键和重要）的比例从 30.9% 降低到 17.5%，对应减少了 13.4 个百分点。产生的优先级分布更符合工程设备与材料用户协会（EEMUA）指南，并支持更高效的报警管理。总体而言，提出的框架为将领域知识和动态仿真集成到报警优先级排序中提供了一个面向站点和工程的概念验证。需要进一步的验证以支持更广泛的工业应用。

引言 由于化学过程固有的风险和复杂性，报警管理对于化工行业保持安全、运行效率和合规性至关重要。有效的报警管理通过消除干扰性报警、对关键报警进行优先级排序并为操作员提供可操作的信息来优化流程，从而创造更安全的工作环境、降低风险并提高化工厂运行的可靠性。然而，化工行业报警设置的快速增长导致了一种令人担忧的情况，即操作员频繁被大量的报警淹没，这种现象被称为“报警泛滥”。这会对安全和运行性能产生重大影响。

事实上，短时间内多次报警发生的频率正在增加（Hollifield 和 Habibi, 2011）。在这种过载条件下，操作员可能会感到困惑和疲劳，这阻碍了他们及时做出决策并采取适当行动，可能导致重大事故（Arunthavanathan 等人，2021）。例如，英国 Buncefield 存储设施的事故与报警系统故障有关，这阻碍了操作员接收及时准确的警报并认识情况的严重性。同样，委内瑞拉一家主要炼油厂爆炸的部分原因归咎于不当的报警优先级排序和人机界面（HMI）设计（Shirshahi 和 Aliyari-Shoorehdeli, 2024）。以前的研究表明，及时的报警响应和适当的响应顺序对报警管理性能有显著影响（Goel 等人，2017）。适当的报警优先级排序可以减少认知负担，增强操作员及时应对实际紧急情况的能力。

研究人员为提高报警优先级排序做出了显著努力。ANSI/ISA-18.2 标准为有效的报警管理提供了系统的框架和原则（自动化协会，2016）。该标准中定义优先级的原则见表 1 和表 2。

在本研究中，严重程度、紧急程度和优先级被视为相关但不同的概念。严重程度反映偏差的潜在影响幅度，紧急程度代表操作员干预的时间紧迫性，优先级表示通过结合严重程度、紧急程度和防护层考虑因素确定的最终报警重要性级别。

报警优先级排序方法通常可分为四类：基于风险评估的方法、基于时间关键性的方法、基于专家判断的方法和数据驱动的方法。前三种方法主要是定性的，而数据驱动的方法提供定量支持。基于风险评估的方法通常涉及危险识别、基于后果严重程度和可能性的风险评估以及报警优先级排序，其中风险越高对应优先级越高。Dorgo 等人（Dorgo 等人，2021）的早期研究建立了基于风险矩阵的优先级排序框架。这些方法随后通过整合时间因素和概率分析得到了扩展（Chang 等人，2011）。最近，数据驱动的贝叶斯网络被用于从风险角度对与关键报警相关的故障进行优先级排序，同时减少输入不确定性并解决操作数据不完整的问题（Song 等人，2025）。然而，这些策略可能仍需要大量的工艺知识和建模努力，且报警紧急程度并不总是被明确量化。然而，这些策略通常需要广泛且复杂的风险评估程序，并严重依赖主观判断。此外，时间敏感性和报警紧急程度并不总是被明确考虑。

基于时间关键性的方法根据操作紧急程度和所需响应时间来评估报警优先级。最近的研究使用实时模式匹配和动态排序来预测即将到来的报警泛滥并支持操作员及时干预（Parvez 等人，2022）。其他方法从历史报警和事件日志中捕获报警发生顺序和相关模式，以揭示过程相互作用并优先分析报警（Rao 等人，2024）。最近，开发了动态概率模型来实时识别最关键的报警，使操作员能够专注于需要立即关注的异常（Rahaman 等人，2025）。然而，主要受报警事件时间和历史顺序驱动的方法可能无法完全代表后果严重程度和整体过程风险。

基于专家判断的方法依赖具有相关领域专业知识的主观事项专家小组，通过结构化讨论和审议共同确定报警优先级。这些方法借鉴了行业专家的实际知识，并能够基于现实经验对多种因素进行全面评估。然而，主观评估可能会受到个人偏见的影响，专家小组的组织通常具有挑战性，且决策一致性难以保证。实地调查表明，许多工业企业仍然严重依赖专家判断进行报警优先级排序。

数据驱动的方法通过分析与报警事件、后果和升级模式相关的历史数据来对报警进行优先级排序。这些方法利用从历史数据中提取的客观模式和趋势。然而，它们的有效性强烈依赖于可用数据的数量、质量和可靠性，且对于历史记录有限的罕见或新兴事件表现不佳。报警优先级排序的最新进展包括基于图的生命周期和因果建模方法（Parsa 等人，2022）、模糊风险评估方法和不确定性感知报警决策方法（Aziz 等人，2025，Weng 等人，2021）、过程挖掘技术（Hu 等人，2023）、概率网络模型（Caspari 等人，2020）以及混合风险 - 数据方法（Wang 和 Wang, 2021），这些方法共同增强了报警管理性能。因此，几项研究强调，有效的报警优先级排序需要基于报警重要性及其对安全和过程完整性的影响进行系统的报警合理化。这个过程通常涉及多个利益相关者，包括操作员、工程师和报警管理团队，以确保全面了解过程动态和潜在危害。然而，这种协作程序通常是劳动密集型和耗时的。因此，迫切需要工程导向的解决方案，能够将领域知识和数据驱动分析系统地集成到现有的报警管理工作流程中。

最近的研究越来越多地超越了传统的报警生命周期管理，转向基于历史报警数据、过程知识、自适应配置和高级分析的智能报警系统设计。Wang 等人（2024）系统总结了单变量和多变量报警设计、报警事件根本原因分析、报警泛滥分析和报警可视化分析的最新发展。Mustafa 等人（2023）回顾了工业过程控制中有效报警管理的主要障碍、当前方法和新兴机会。最近的研究调查了从历史报警和事件日志中提取的报警相关模式，以及在报警泛滥期间识别和优先排序最关键报警（Rahaman 等人，2024）。这些发展为报警配置、泛滥减少和操作员决策支持提供了重要工具。本研究通过将 HAZOP 衍生的后果严重程度与动态模拟的阈值时间信息相结合，用于报警合理化和优先级确定，从而补充了这些努力。

HAZOP 广泛用于过程工业的定性危险识别，但其叙述性报告格式限制了专家知识的高效重用和转移（Zhang 等人，2023，Elhosary 和 Moselhi, 2025，Aziz 等人，2019，Single 等人，2020）。最近的研究引入了自然语言处理、命名实体识别、本体和知识图谱技术，从 HAZOP 和其他过程安全文档中提取结构化信息（Feng 等人，2021，Wang 等人，2021，Wang 和 Gu, 2022，Wang 等人，2022）。与此同时，基于 Aspen 的动态仿真已被应用于建模偏差传播、估计阈值时间并支持过程安全评估（Peng 等人，2019，Chen 等人，2020，Li 等人，2021，Jano?ovsky 等人，2017，Berdouzi 等人，2018，Larriba 等人，2018，Cui 等人，2019，Ko 等人，2020）。然而，这两个研究分支通常分开发展。很少有研究自动将 HAZOP 报告中的后果严重程度转移到报警台账中，并将其与特定场景的动态响应时间信息相结合用于报警优先级确定。这一差距激发了本研究提出的集成框架。

基于 API-RP-1167 提出的严重程度 - 响应时间矩阵方法，本研究开发了一个领域定制和工程导向的报警优先级排序框架，将定性的危险与可操作性（HAZOP）评估与通过 Aspen Dynamics 实现的定量动态过程仿真相结合。提出的框架并不是提出一种根本新的算法范式，而是专注于为中国 HAZOP 文档和下游报警工程应用定制现有的 NLP 和仿真技术。该方法旨在通过利用现有知识和数据支持高效的报警合理化，从而为操作员在报警管理生命周期中提供实用且科学依据的参考。

报警优先级排序方法

本文提出了一种报警优先级排序方法，结合了定性 HAZOP 分析与定量基于 Aspen 的仿真，以确定报警后果的严重程度和响应时间的紧急程度。总体架构如图 1 所示。如图 1 所示，提出的框架由两个互补模块组成。基于 NLP 的后果提取模块从 HAZOP 文档中将后果描述和后果等级填充到报警点台账中。

实例

催化裂化装置作为炼油厂最重要的操作之一，具有工艺复杂、变量众多和安全风险高等特点，一直受到研究人员的持续关注。在本文中，选择一家石化公司的催化裂化装置吸收稳定系统作为代表性案例研究，在获得真实工厂文档和数据后进行建模和验证，并详细说明了详细的研究步骤。

结论

本研究提出了一个针对站点的概念验证框架，通过将定性 HAZOP 知识与定量基于 Aspen 的响应时间仿真相结合，支持石化过程中的报警合理化和初步紧急程度筛选。LNBIC 模型是使用 HAZOP 报告和报警点数据为实体识别方法开发的，在五次交叉验证中达到 0.977 ± 0.004 的平均 F1 分数，表明高准确率。

利益冲突声明

我们提请编辑注意以下可能被视为潜在利益冲突的事实。我们确认手稿已由所有署名作者阅读并批准。所有作者均参与了（a）构思和设计，或数据的分析和解释；（b）撰写文章或对其重要智力内容进行批判性修订；以及（c）批准最终版本。本手稿未提交至，也不在审查中

致谢

这项工作得到了青岛博士后支持计划（资助号：QDBSH20240202073）和中国石油大学（华东）独立创新科学研究计划青年科学家基金（资助号：24CX06092A）的支持。

宋晓淼 | 李春旭 | 尹发波 | 赵东风