基于报警的工业过程深度学习根因分析

报警管理系统在现代工业中已不可或缺。报警向操作员通报异常情况，尤其在设备故障情况下。由于系统各部分的相互连接，每个故障都可能影响其他正常运行的系统部分。结果，故障通过无故障设备传播，增加了报警数量。因此，操作员及时检测触发报警的主要故障可防止后续后果。然而，由于系统复杂性，往往无法找到底层故障与报警之间的精确关系。因此，操作员需要支持以立即做出适当决策。基于历史报警数据对报警建模，可协助操作员确定报警根因。本研究旨在利用数据库中的历史报警数据对工业报警之间的关系建模。首先，收集报警数据并对报警标签排序。然后，使用词嵌入将这些序列转换为数值向量。接下来，采用基于自注意力的 BiLSTM-CNN 分类器学习历史报警数据之间的结构与相关性。训练模型后，该模型用于在线故障检测。最后，作为一个案例研究，所提模型在著名的 Tennessee Eastman 过程中实现，并给出了结果。