3. 报警优先级分布审计与偏差识别

审计对象与判定基准

报警优先级分布审计的核心不是“数一数各优先级有多少条”，而是判断优先级结构是否与风险结构匹配。ISA 18.2 给出的参考分布是：紧急（P1）约 5%、高（P2）约 15%、低/提示（P3）约 80%。这个比例是设计目标而非硬性验收线，审计时应把它作为“偏差方向”的参照，重点识别两类问题：

• 高优先级泛滥：P1+P2 合计显著超过 20%，通常意味着大量报警被“就高不就低”地配置，操作员对高优先级产生钝化。
• 低优先级缺失：P3 占比过低、P1/P2 挤占空间，说明分级粒度不足，缺少“提示类”报警的缓冲层。

海洋平台的特殊性在于系统间风险差异极大：工艺系统（分离器、压缩机、外输泵）报警量大但多数属可延迟处理；火气（F&G）与安全仪表（ESD）报警量小但单条权重高。因此审计必须按系统分组统计，再与全平台总体分布对照，否则总量比例会被工艺系统的大基数稀释，掩盖 F&G 系统的分级异常。

统计口径与数据准备

审计输入沿用标准化报警数据集，至少需要四个字段：system（所属系统）、priority（优先级，统一映射为 P1/P2/P3）、tag（位号）、event_time（事件时间）。统计前需固定三条口径，避免不同人算出不同结果：

1. 按报警事件计数，而非按位号计数——同一高位号反复触发会放大其权重，这正是泛滥的真实表现。
2. 优先级缺失值单列：priority 为空或为“未定义”的记录不并入 P3，单独作为“未分级”统计，它本身就是审计发现。
3. 统计窗口一致：所有系统使用同一时间窗（如连续 30 天），窗口内无报警的系统标注为“无数据”，不与“零报警”混淆。

分布计算与偏差量化

对每个系统计算三个量：各优先级事件数、各优先级占比、与 ISA 18.2 参考值的偏差。偏差用百分点（pp）表示，便于跨系统比较。下面是一段可直接运行的统计脚本，输入为 CSV，输出按系统分组的分布表与偏差标记。

import pandas as pd

# 参考比例（ISA 18.2 建议）
REF = {"P1": 0.05, "P2": 0.15, "P3": 0.80}
# 偏差判定阈值（百分点）
HIGH_FLOOD_PP = 10.0   # P1+P2 超出参考合计 20% 的容忍度
LOW_MISSING_PP = 15.0  # P3 低于参考 80% 的容忍度

df = pd.read_csv("alarm_std.csv", parse_dates=["event_time"])
df["priority"] = df["priority"].fillna("未分级").str.upper().str.strip()

# 按系统 × 优先级计数
cnt = (df.groupby(["system", "priority"]).size()
         .unstack(fill_value=0))
for p in ["P1", "P2", "P3", "未分级"]:
    if p not in cnt.columns:
        cnt[p] = 0

cnt["总事件"] = cnt[["P1", "P2", "P3", "未分级"]].sum(axis=1)
cnt = cnt[cnt["总事件"] > 0]

# 占比（%）
for p in ["P1", "P2", "P3", "未分级"]:
    cnt[f"{p}占比"] = (cnt[p] / cnt["总事件"] * 100).round(1)

cnt["高优先级合计占比"] = (cnt["P1占比"] + cnt["P2占比"]).round(1)
cnt["高优先级偏差pp"] = (cnt["高优先级合计占比"] - 20.0).round(1)
cnt["P3偏差pp"] = (cnt["P3占比"] - 80.0).round(1)

# 偏差标记
def flag(row):
    tags = []
    if row["高优先级偏差pp"] >= HIGH_FLOOD_PP:
        tags.append("高优先级泛滥")
    if row["P3偏差pp"] <= -LOW_MISSING_PP:
        tags.append("低优先级缺失")
    if row["未分级"] > 0:
        tags.append("存在未分级")
    return "；".join(tags) if tags else "基本符合"

cnt["审计结论"] = cnt.apply(flag, axis=1)
print(cnt[["总事件", "P1占比", "P2占比", "P3占比",
           "高优先级偏差pp", "P3偏差pp", "审计结论"]]
      .sort_values("高优先级偏差pp", ascending=False))

脚本输出的是“系统级”结论。实际审计中还需要一步下钻：对标记为“高优先级泛滥”的系统，按位号统计 P1/P2 事件数排名，找出贡献最大的前若干位号。这些位号往往集中在少数几个测点（如液位高高、压力高高），是后续降级或抑制的直接对象。

分布结构与偏差识别

下图把审计逻辑压缩为一张结构图：左侧是各系统的事件基数，中间是分级占比与参考带的对照，右侧是偏差判定与下钻方向。注意 F&G 系统事件量小但 P1 占比高，属于“合理的高优先级集中”，不应与工艺系统的泛滥混为一谈——这正是按系统分组审计的价值。

审计结果判读与下钻

拿到分布表后，按以下顺序判读，避免被总量数字误导：

1. 先看未分级：任一系统存在未分级记录，先补分级，该系统的比例结论暂缓使用。
2. 再看高优先级偏差：按“高优先级偏差pp”降序排列，排在前面的系统即为高优先级泛滥候选。对每个候选系统，按位号统计 P1/P2 事件数，取累计占比达到该系统高优先级事件 50% 的位号集合，作为降级审查清单。
3. 最后看低优先级缺失：P3 占比明显偏低的系统，检查是否存在“所有报警都至少设为 P2”的配置习惯，或提示类报警被整体关闭。

需要强调的是，偏差识别只回答“哪里可能有问题”，不直接给出“应该改成什么级别”。降级动作必须结合该位号的工艺后果、联锁关系和操作规程逐条确认，这部分工作属于后续的报警合理化审查，不在本次审计范围内。

可复用的审计输出表

审计结论应落成一张可直接交给仪表与工艺专业复核的表，字段如下（示例数据为教学假设，非实测）：

表中“下钻重点”一列是审计与后续治理的衔接点：它把系统级偏差转化为可核查的位号范围，使降级或抑制工作有明确起点，而不是在全平台范围内盲目筛查。