过程变量之间的相关性信息描述了变量之间的相互影响关系,本文主要研究了应用解释结构模型法和基于相关性分析的报警阈值优化方法来优化工业系统的报警阈值。在报警系统中,当报警阈值发生变化时,生成的报警序列也会随之变化,进而导致报警数据之间的相关关系也发生改变。本文利用过程测量数据和报警数据之间相关性的差异度对工业系统的报警阈值进行优化,而解释结构模型的主要目的是对变量之间的相关关系进行描述,同时也为优化对象的选择提供了依据。本文所做的研究内容如下：1、研究了基于数据驱动的解释结构模型法。针对工业过程测量数据,利用偏相关系数生成邻接矩阵和可达矩阵,构建解释结构模型,描述了系统变量之间的影响关系。2、本文还研究了基于相关性分析的报警阈值优化方法,通过非参数的核密度估计法对过程数据的特征参数进行估计,得到报警数据的皮尔逊相关系数,同时与过程数据的相关系数进行比较,建立阈值优化的解析表达式,并应用粒子群优化算法进行求解。3、将解释结构模型法和相关性分析结合在一起,提出一种多变量的阈值优化方法,同时以TE仿真过程作为实例,分别采用了提出的新方法、工程中常用的三倍标准差3σ法以及基于误报率和漏报率的单变量优化方法对报警阈值进行设置,并对这三种方法下,变量之间的相关系数差异度和报警次数情况进行了比较,结果表明新方法得到的阈值使得报警序列的相关系数更接近过程测量数据的相关系数,而且新方法在一定程度上减少了误报警和漏报警的次数,为报警阈值的合理化设置提供了新思路。