随着现代科技的发展,化工系统也朝着精细化、大型化方向发展。为了及时发现故障,保证生产正常进行,报警系统必不可少。然而,当前报警系统还存在一系列的问题,如报警数量大、误报和漏报等。这些问题严重干扰了报警系统的正常运行,增加了工作人员的负担,带来了额外的工业损失。如何利用当前日益完善的数据挖掘技术,逐步优化工业生产中的问题,成为一个重要的研究课题。报警阈值直接关系着报警系统的性能,阈值设定太低,则正常状态的数据也被误判为报警数据,产生大量误报,进而将重要的报警数据淹没在海量的误报中,导致报警系统的报警性能降低;如果报警阈值设定太高,则会忽略掉重要的报警数据,漏报增加。为了使得报警系统的性能更佳,需要对报警阈值进行合理的优化设置。本文基于数据驱动故障诊断方法,选取化工过程为研究对象,提出了一种新的报警阈值设定方法。首先基于历史数据,利用核密度估计技术估算误报和漏报的概率分布,并引入损失函数作为衡量的标准,从价值和效益的角度说明新方法的特性;最终使用高效的人工鱼群算法得到最佳的报警阈值。TE过程的仿真结果表明,该方法能快速有效的寻找最佳阈值,平衡漏报和误报,使报警系统的性能更优化。