CN107976969A - 过程设备状况和性能监控 - Google Patents
过程设备状况和性能监控 Download PDFInfo
- Publication number
- CN107976969A CN107976969A CN201711003250.0A CN201711003250A CN107976969A CN 107976969 A CN107976969 A CN 107976969A CN 201711003250 A CN201711003250 A CN 201711003250A CN 107976969 A CN107976969 A CN 107976969A
- Authority
- CN
- China
- Prior art keywords
- valve
- process plant
- data
- situation
- parameter value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 972
- 230000008569 process Effects 0.000 title claims abstract description 557
- 238000012544 monitoring process Methods 0.000 title claims description 29
- 238000004891 communication Methods 0.000 claims abstract description 95
- 238000010801 machine learning Methods 0.000 claims abstract description 52
- 241000196324 Embryophyta Species 0.000 claims description 354
- 238000013179 statistical model Methods 0.000 claims description 119
- 238000005259 measurement Methods 0.000 claims description 112
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 13
- 241000208340 Araliaceae Species 0.000 claims description 11
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 11
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 11
- 235000008434 ginseng Nutrition 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 11
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 39
- 230000003862 health status Effects 0.000 abstract description 16
- 230000036541 health Effects 0.000 description 94
- 238000004886 process control Methods 0.000 description 76
- 230000004087 circulation Effects 0.000 description 43
- 230000008859 change Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 25
- 230000007246 mechanism Effects 0.000 description 20
- 238000009826 distribution Methods 0.000 description 19
- 239000000463 material Substances 0.000 description 14
- 238000012369 In process control Methods 0.000 description 11
- 238000010965 in-process control Methods 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012731 temporal analysis Methods 0.000 description 8
- 238000000700 time series analysis Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 5
- 238000009529 body temperature measurement Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000001568 sexual effect Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000032750 Device leakage Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000013056 hazardous product Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004989 laser desorption mass spectroscopy Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32191—Real time statistical process monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
保护从过程工厂到远程系统的通信包括设置在其间的数据二极管,其允许数据从工厂流出,但是防止数据进入工厂及其相关联的系统中。然后,使用各种机器学习技术来分析来自安全通信的过程工厂数据,以检测在过程工厂中的过程工厂实体处发生的状况。当过程工厂实体是阀时,确定阀的操作模式,并且对阀在其中操作的每个模式应用不同的分析。另外,每个阀的过程工厂数据与同一工厂、企业、工业等中的其它阀进行比较。因此,阀中的每个阀的健康状态相对彼此进行排列,并且每个阀的过程工厂数据以并排比较的方式进行显示。
Description
相关参考文献
本公开内容涉及共同拥有的于2014年10月6日提交的名称为“过程控制系统中的区域大数据(Regional Big Data in Process Control Systems)”的美国专利申请No.14/507,188和于2016年9月23日提交的名称为“用于分布式工业性能监控的数据分析服务(Distributed Industrial Performance Monitoring and Analytics)”的美国专利申请No.15/274,519;以及于2016年9月23日提交的名称为“分布式工业性能监控和分析(Distributed Industrial Performance Monitoring and Analytics)”的美国专利申请No.15/274,233;以及在此同时提交的美国专利申请No.15/332,751并且名称为“安全过程控制通信(Secured Process Control Communications)”(代理人案卷No.06005-593588),其全部公开内容通过引用并入本文。
技术领域
本公开内容总体上涉及过程工厂和过程控制系统,并且更具体地,涉及通过分析时间序列数据来检测过程工厂内的设备的状况。
背景技术
分布式过程控制系统(如在化学、石油或其它过程工厂中使用的那些分布式过程控制系统)通常包括一个或多个过程控制器,这些过程控制器经由I/O卡或设备、模拟、数字或组合的模拟/数字总线或者无线通信链路或网络通信地耦合到一个或多个现场设备。现场设备(其可以是例如阀、阀定位器、致动器、开关和变送器(例如,温度、压力、液位和流速传感器)位于过程环境内,并且通常执行物理或过程控制功能,诸如打开或关闭阀、测量过程参数(诸如压力、温度等)以控制在过程工厂或系统内执行的一个或多个过程。智能现场设备(诸如符合公知的Fieldbus协议的现场设备)还可以执行控制计算、报警功能以及通常在控制器内实现的其它控制功能。通常也位于工厂环境中的过程控制器接收(例如,经由相应的I/O卡或设备)指示由现场设备获得的过程测量结果的信号和/或与现场设备有关的其它信息,并且执行控制器应用,该控制器应用运行例如不同的控制模块(这些控制模块进行过程控制决策、基于接收到的信息生成控制信号以及与在现场设备(诸如和Fieldbus现场设备)中执行的其它控制模块或块进行协调)。控制器中的控制模块通过通信线路或链路将控制信号发送到现场设备,从而控制过程工厂或系统的至少一部分的操作。如本文所使用的,现场设备、I/O卡或设备、以及控制器通常被称为“过程设备”或“过程控制设备”。
来自现场设备和控制器的信息通常通过数据高速通道而可用于一个或多个其它硬件设备,例如操作员工作站、个人计算机或计算设备、数据历史库、报告生成器、集中式数据库或其它集中式管理计算设备,这些硬件设备通常放置在控制室内或其它远离较苛刻的设备环境的位置。这些硬件设备中的每一个通常跨过程工厂或者跨过程工厂的一部分而集中。这些硬件设备运行应用,该应用例如可以使操作员能够执行关于控制过程和/或操作过程工厂的功能,诸如改变过程控制例程的设置、修改控制器内的控制模块或现场设备的操作、查看过程的当前状态、查看由现场设备和控制器生成的警报、出于培训人员或测试过程控制软件的目的模拟过程的操作、保持和更新配置数据库等。由硬件设备、控制器和现场设备使用的数据高速通道可以包括有线通信路径、无线通信路径、或有线和无线通信路径的组合。
作为示例,由艾默生过程管理公司出售的DeltaVTM控制系统包括存储在位于过程工厂内的不同场所的不同设备内并由这些设备执行的多个应用。驻留在一个或多个工作站或计算设备中的配置应用使用户能够创建或改变过程控制模块,并且经由数据高速通道将这些过程控制模块下载到专用分布式控制器。通常,这些控制模块由通信地互连的功能块构成,这些功能块是基于到其的输入执行控制方案内的功能并且向控制方案内的其它功能块提供输出的面向对象编程协议中的对象。配置应用还可以允许配置设计者创建或改变由查看应用使用的操作员接口来向操作员显示数据,并且使操作员能够在过程控制例程内改变诸如设定点之类的设置。每个专用控制器以及在某些情况下一个或多个现场设备存储并执行运行向其分配和下载的控制模块以执行实际的过程控制功能的相应控制器应用。可以在一个或多个操作员工作站上(或在与操作员工作站和数据高速通道通信连接的一个或多个远程计算设备上)执行的查看应用经由数据高速通道接收来自控制器应用的数据,并且使用用户接口将该数据显示给过程控制系统设计者、操作员或用户,并且可以提供诸如操作员视图、工程师视图、技术人员视图等的多个不同视图中的任何一个。数据历史库应用通常存储在数据历史库设备中并且由其执行,其中数据历史库设备收集并存储跨数据高速通道提供的一些或全部数据,同时配置数据库应用可以在附接到数据高速通道的又一个计算机中运行以存储当前过程控制例程配置和与其相关联的数据。或者,配置数据库可以与配置应用位于相同的工作站中。
总体来说,过程工厂的过程控制系统包括通过分层网络和总线的集合互连的现场设备、控制器、工作站和其它设备。过程控制系统可以反过来与各种业务和外部网络连接,例如,以降低制造和操作成本、提高生产力和效率、及时提供对过程控制和/或过程工厂信息的访问等。在另一方面,过程工厂和/或过程控制系统与企业和/或外部网络和系统的互连增加了可能由商业系统和应用(诸如在企业和/或外部网络中使用的那些)中的预期的缺陷引起的网络入侵和/或恶意网络攻击的风险。对过程工厂、网络和/或控制系统的网络入侵和恶意网络攻击可能会对信息资产的机密性、完整性和/或可用性产生负面影响,而这些缺陷总体来说是与通用计算网络的缺陷相似的缺陷。然而,与通用计算机网络不同,对过程工厂、网络和/或控制系统的网络入侵还可能不仅导致对工厂装备、产品和其它物理资产的损害、破坏和/或丢失,而且还导致人命的丧失。例如,网络入侵可能使得过程变得不受控制,从而产生爆炸、火灾、洪水、暴露于危险材料等。因此,确保与过程控制工厂和系统相关的通信是至关重要的。
图1包括用于过程控制或工业过程系统的示例性安全等级的框图10。图10描绘了过程控制系统的各个部件之间、过程控制系统本身、以及过程控制系统可以通信地与其连接的其它系统和/或网络之间的互连,以及与在过程控制系统和其它系统/网络中的和它们之间的通信相关的安全层或等级。安全等级经由分段或分离为安全性提供分层方法,并且各个等级由一个或多个防火墙12a、12b、12c保护,以仅允许不同等级之间的授权业务。在图1中,较小编号的安全等级更接近正在被控制的在线过程,而较高编号的安全等级更多地从执行过程中移除。因此,信任等级(例如,消息、分组和其它通信的相对信任程度是安全的)在设备等级(等级0)是最高的,并且信任等级在商业网络等级(等级5)(例如,在公共互联网上)以上是最低等级。使用由ISA(国际自动化学会)95.01-IEC(国际电工委员会)62264-1标准化的控制层级逻辑框架的普渡(Purdue)模型,过程控制系统通常落入等级0-2,并且制造、公司和企业系统通常落入等级3-5。
图1中示出了在不同安全等级中的每个安全等级处的不同功能的示例。通常,等级0包括与过程直接接触的现场设备,例如,传感器、阀、阀定位器、开关、变送器和执行物理和/或过程控制功能(诸如打开或关闭阀、测量过程参数(诸如压力、温度等)等等)的其它设备。为了清楚说明,示例性现场设备在图1中未示出。
等级1包括控制器和其它过程控制设备15a-15d,其例如,通过从现场设备接收输入,使用控制方案、模块或逻辑处理输入,以及将结果输出发送到其它设备,来提供对过程的实时操作的基本控制。例如,在等级1处的过程控制设备可以包括过程控制器、可编程逻辑控制器(PLC)、远程终端单元(RTU)等。通常,这种过程控制设备被编程和/或配置有相应的控制方案。如图1所示,在等级1处的过程控制设备可以包括执行批量控制15a、离散控制15b、连续控制15c、混合控制15d和/或其它类型的控制的那些过程控制设备。
等级2包括提供生产区域监督控制的设备和装备18A-18D。例如,等级2可以包括产品控制18A,诸如报警和/或警告系统、操作员工作站18C、其它人机接口(HMI)18B、18D等。通常,等级2设备和装备可以(例如,经由一个或多个防火墙12A、12B)与等级1设备15A-15D以及与等级3设备和装备进行通信。
等级3容纳了工厂系统和/或网络,例如,管理现场/工厂操作和控制以生产或制造期望的最终产品的设备、装备和系统20A-20D。例如,等级3可以包括用于生产控制、报告、调度等的生产系统20A;用于提高质量、生产率、效率等的优化系统20B;用于历史化由过程工厂生成和/或指示的数据的历史库20C;和/或由人员用于设计和开发控制方案和模块的工程工作站或计算设备20D、操作员工作站和/或HMI接口等。
跳到等级5,等级5通常容纳商业、公司或企业系统和/或网络。通常,这种系统和/或网络管理与企业外部的系统的接口连接。例如,企业的VPN(虚拟专用网络)、公司或企业互联网接入服务、和/或其它IT(信息技术)基础设施系统和应用可以在等级5中找到。
可以被视为等级5的向内扩展的等级4,通常容纳企业的内部的公司或企业系统,诸如电子邮件、内联网、站点业务规划和后勤、库存、调度和/或其它公司/企业系统和网络。
如图1所示,等级3和等级4由非军事区(DMZ)22分离,以将业务或企业系统和/或网络与工厂/过程系统和/或网络分离,从而最小化过程工厂被暴露的的安全风险等级。DMZ22可以包括一个或多个相应的防火墙12C,并且可以容纳与在较低等级处的工厂相关的设备、装备、和应用进行通信、和/或与在较高等级处的企业相关的设备、装备和应用进行通信的各种设备、装备、服务器、和/或应用25A-25F。例如,DMZ 22可以容纳终端服务25A、补丁管理25B、一个或多个AV服务器25C、一个或多个历史库25D(可以是镜像历史库)、网络服务操作25E、和/或一个或多个应用服务器25F等,仅举几例。通常,对于在DMZ 22以上等级处的设备、装备和/或应用,只有被授权访问过程工厂及其控制系统的那些才被允许连接到设备、装备、服务器、和/或应用25A-25F,设备、装备、服务器、和/或应用25A-25F转而维持与较低等级的单独连接,从而保护过程工厂和控制系统免受来自企业(以及更高级)系统和/或网络的攻击。
现在转向对远程服务的简要讨论,远程服务正在变得越来越通常地由不同的用户和系统使用。例如,由Microsoft操作系统提供的远程桌面服务产品使用户能够从公司网络和/或从互联网访问基于会话的桌面、基于虚拟机的桌面、或者和/或数据中心中的其它应用。由提供的在线产品使用户能够经由互联网执行会计功能,诸如现金流管理、开发票、和在线支付。总体来说,远程服务由从访问远程服务的系统或用户远程执行的一个或多个应用提供。例如,一个或多个应用执行和管理在服务器的远程银行处、在云中等的数据,并经由一个或多个专用和/或公共网络(诸如企业网络和/或公共网络)进行访问。
发明内容
本文公开了用于使用时间序列分析来检测过程工厂内的设备的状况的技术、系统、装置、部件、设备和方法。所述技术、系统、装置、部件、设备和方法可以应用于工业过程控制系统、环境和/或工厂,其本文可互换地称为“工业控制”、“过程控制”、或“过程”系统、环境和/或工厂。通常,这种系统和设备以分布式方式提供对一个或多个过程的控制,该一个或多个过程操作以制造、细化、变换、生成、或生产物理材料或产品。
为了检测过程控制设备处或过程控制设备的状况,一个或多个计算设备在若干实例中及时接收与过程工厂实体相对应的过程参数的过程参数值。过程工厂实体包括在过程工厂内的设备,该设备(例如,阀、罐、混合器、泵、热交换器等)执行物理功能以控制过程。在某些情况下,过程工厂实体可以包括控制器和/或I/O设备。总体来说,过程工厂实体可以包含、转换、生成或传送过程工厂中的物理材料。
过程参数包括在过程工厂内流过过程工厂的材料或执行物理功能以控制过程的设备的设定点或测量值(例如,阀参数、现场设备参数、控制器参数等)。例如,过程参数包括流过过程工厂的材料的温度、压力、流速、质量、体积、密度、面积等,或其设定点。过程参数还包括执行物理功能以控制过程(例如阀)的设备的驱动信号、行程、压力、温度等,或其设定点。
通过使用防火墙、加密技术、或任何其它适合的安全机制,(诸如经由数据二极管(如下文更详细地描述))以安全的方式接收过程参数值。然后,(一个或多个)计算设备通过对所接收的时间序列数据应用规则或使用机器学习技术,来检测或识别在过程工厂实体处发生的状况(例如,性能监控度量、错误、泄漏、死区、死区时间、机械磨损等)。
在示例中,计算设备对每个过程参数执行统计计算,以确定过程参数的平均值、标准偏差、预定时间段内的移动平均值、预定时间段内的衰减平均值、过程参数的最大值/最小值、随时间流逝的与过程参数值相对应的波的幅度、相位和/或频率等。然后将统计测量结果与使用用于过程工厂实体的历史过程参数值生成的统计模型进行比较并且检测或识别过程工厂实体的结果状况。
统计模型可以例如是决策树。计算设备可以生成由节点、分支和叶组成的决策树,其中每个节点表示对统计测量的测试,每个分支表示测试的结果,并且每个叶表示过程工厂实体将经历状况的可能性。通过将目标过程控制实体的所计算的统计测量与决策树进行比较,计算设备确定在过程工厂实体处正在发生或存在特定状况,诸如过度死区(例如,超过允许的阈值的死区)。计算设备将对检测到的状况的指示传送到诸如操作员工作站之类的用户接口设备,以向操作员警告该状况。例如,当过程控制系统中的阀经历了过度的死区时,操作员被警告该状况,并可以检查阀以解决问题。
在某些情况下,诸如当过程设备实体是阀时,计算设备基于所接收的过程参数数据或阀数据来确定用于过程工厂实体或阀的操作模式(例如,全冲程循环、连续性节流、周期性节流等)。例如,基于接收到的与阀相对应的过程参数的过程参数值来确定阀的操作模式,例如,基于接收到的与阀相对应的一个或多个阀参数的阀参数值来确定阀的操作模式。计算设备将一组规则应用于过程参数值和/或使用机器学习技术以确定阀的操作模式。
基于所确定的阀的操作模式,计算设备将(根据阀数据确定的)阀的统计测量与基于在确定的模式下操作的阀具体生成的统计模型进行比较。在某些实施例中,计算设备生成一个或多个特定于模式的统计模型。例如,计算设备可以使用来自在全冲程循环模式下操作的阀的历史过程参数值来生成用于检测阀状况的统计模型。计算设备可以使用来自在连续节流模式下操作的阀的历史过程参数值来生成用于检测阀状况的另一个统计模型,以及使用来自在周期性节流模式下操作的阀的历史过程参数值来生成用于检测阀状态的第三统计模型。使用所确定的操作模式的统计模型和所接收的阀数据,计算设备检测或识别在阀处发生的状况。
此外在某些情况下,诸如当过程工厂实体是阀时,计算设备将在同一过程工厂、企业、行业或跨所有行业的多个阀的阀数据(阀或过程参数值)进行比较。计算设备然后确定相对于其它阀的目标阀的健康状态,并将对比较的指示(例如,相对健康指示符)发送到用户接口设备,以向操作员或另一个计算设备或应用进行显示。例如,用户接口设备显示阀中的每个的排名列表,或者在图形描绘中并排呈现用于阀中的每个的阀数据。另外,该比较结果用作为阀的状态的进一步测量。例如,当阀数据与使用历史过程参数值生成的统计模型进行比较时,计算设备可以确定阀正在经历过度的死区时间(例如超过允许阈值的死区时间)。然而,当阀与同一行业中的所有其它阀进行比较时,计算设备可以确定阀正在经历的死区时间约为行业内的平均值,并且因此死区时间是在可接受的范围内。
在实施例中,一种用于检测过程工厂中阀的操作模式的方法,包括:在计算设备处接收由于阀在过程工厂内操作以控制工业过程而生成的数据,其中阀数据包括在多个时间实例上的针对一个或多个阀参数的阀的相应的阀参数值。该方法还包括由计算设备分析阀数据,以从多个阀操作模式中识别阀的操作模式。多个阀操作模式包括全冲程循环、连续节流、或周期性节流中的两个或更多个。另外,该方法包括向用户接口或另一个应用中的至少一个发送对所识别的阀的操作模式的指示,以便分析过程工厂中的操作。
在实施例中,一种用于检测过程工厂中的阀的操作模式的系统,包括:在过程工厂内操作以控制工业过程的阀和一个或多个计算设备。该一个或多个计算设备包括一个或多个处理器、通信单元以及耦合到一个或多个处理器和通信单元的一个或多个非暂时计算机可读介质。一个或多个非暂时计算机可读介质在其上存储指令,当指令被一个或多个处理器执行时,使得一个或多个计算设备经由通信单元接收由于阀在过程工厂内操作以控制工业过程而生成的数据。例如,阀数据包括在多个时间实例上的针对一个或多个阀参数的阀的相应的阀参数值。指令还可执行以使得一个或多个计算设备分析阀数据,以从多个阀操作模式中识别阀的操作模式。多个阀操作模式可以包括选自以下各项的两个或更多个操作模式:全冲程循环、连续节流、或周期性节流。另外,指令还可执行以使得一个或多个计算设备经由通信单元向用户接口或另一个应用中的至少一个发送对所识别的阀的操作模式的指示,以便分析过程工厂中的操作。
附图说明
图1包括用于过程控制或工业过程系统的示例性安全等级的框图,其包括特别是过程控制系统的各个示例性部件之间、过程控制系统本身、和其它示例性系统和/或网络之间的互连;
图2是示例性过程工厂或过程控制系统的框图,其示出了特别是过程控制系统的各个示例性部件之间、过程控制系统本身和其它示例性系统和/或网络之间的互连;
图3是用于过程工厂或过程控制系统的示例性安全架构的框图;
图4示出了过程工厂实体随时间收集的、并可以使用本文所描述的技术进行分析的示例性过程参数值;
图5是表示用于分析安全通信的过程工厂数据以检测或识别过程工厂实体中的状况的示例性方法的流程图;
图6A示出了每个阀在不同的操作模式下操作时,三个阀随时间收集的阀行程百分比的示例性曲线描述;
图6B是表示用于基于阀的过程参数值检测或识别阀的操作模式的示例性基于规则的方法的流程图;
图6C是表示用于检测或识别阀的操作模式的示例性机器学习方法的流程图。
图7A是三个不同的阀随时间收集的阀循环的示例性曲线描述;
图7B是表示用于将若干个阀的健康状态彼此进行比较,并且基于比较结果来检测或识别阀的相应状况的示例性方法的流程图;以及
图8是用于监控阀或其它过程工厂实体的健康状态和/或性能的示例性方法的流程图。
具体实施方式
如上面所讨论的,用于检测过程工厂实体处的或过程工厂实体的状况的过程工厂数据以安全的方式在计算设备处被接收。一旦以安全的方式接收到过程工厂数据,则分析与过程工厂实体相对应的过程工厂数据,以检测或识别在过程工厂实体处发生的状况或过程工厂实体的状况。例如,可以通过将一组规则应用到包括在过程工厂数据中的过程参数值或者通过使用下面更详细描述的各种机器学习技术来分析过程工厂数据。将对状况的指示发送到用户接口设备,以向操作员警告该情况,和/或将对状况的指示提供给与过程工厂相对应的应用或服务。
本文所描述的新颖的系统、部件、装置、方法和技术涉及执行对过程工厂数据的时间序列分析以检测在过程工厂实体处发生的或过程工厂实体的状况。过程工厂数据以安全的方式接收,这将在下文参考图1-3进一步详细描述。此外,下面参考图4-8更详细地描述对过程工厂数据的时间序列分析。
保护过程控制工厂和系统以免受到网络入侵和恶意网络攻击通常利用分层或分等的安全层级,其中通过使用防火墙和其它安全机制来保护层或等级中的至少某些。例如,如先前参考图1所讨论的,可以通过使用DMZ22和一个或多个防火墙12c来保护在等级0-3处的过程工厂系统、网络和设备免受来自等级4-5处的企业网络的威胁、和/或保护在等级0-3处的过程工厂系统、网络和设备免受任何高于等级5的外部网络利用企业网络。然而,随着对过程工厂数据操作的越来越多服务和应用被移动,以例如在过程工厂外部的网络和系统(例如,在企业或业务内的等级4和/或等级5)、和/或甚至在企业或业务外部的网络和系统(例如,经由互联网或其它公共网络的等级5以上)上远程执行,需要用于防止过程工厂系统、网络和设备受到危害的更强大的技术。
为了说明,图2是可以利用本文所描述的新颖的安全技术中的任何一种或多种来保护的示例性过程工厂100的框图。过程工厂100(其还可以互换地称为过程控制系统100或过程控制环境100)包括一个或多个过程控制器,该过程控制器接收指示由现场设备获得的过程测量结果的信号,处理该信息以执行控制例程,并生成控制信号,该控制信号通过有线或无线过程控制通信链路或网络被发送到其它现场设备以控制在工厂100中的过程的操作。通常,至少一个现场设备执行物理功能(例如,打开或关闭阀,增加或降低温度、进行测量、感测状况等)以控制对过程的操作。某些类型的现场设备通过使用I/O设备与控制器进行通信。过程控制器、现场设备、和I/O设备可以是有线或无线的,并且任何数量的有线和无线过程控制器、现场设备和I/O设备和它们的任意组合可以被包括在过程工厂环境或系统100中。
例如,图2示出了过程控制器111,该过程控制器111经由输入/输出(I/O)卡126和128通信地连接到有线现场设备115-122,并且经由无线网关135和过程控制数据高速通道或主干110通信地连接到无线现场设备140-146。过程控制数据高速通道110可以包括一个或多个有线和/或无线通信链路,并且可以使用任何期望的或适合的通信协议(诸如例如以太网协议之类)来实现。在某些配置(未示出)中,控制器111可以使用除了主干110之外的一个或多个通信网络,诸如通过使用支持一个或多个通信协议(例如,Wi-Fi或其它符合IEEE802.11的无线局域网协议、移动通信协议(例如,WiMAX、LTE、或其它ITU-R兼容协议)、 Profibus,Fieldbus等。)的任何数量的其它有线或无线通信链路,来通信地连接到无线网关135。
控制器111(作为示例,可以是由艾默生过程管理公司出售的DeltaVTM控制器)可以操作以使用现场设备115-122和140-146中的至少某些来执行批量过程或连续过程。在实施例中,除了通信地连接到过程控制数据高速通道110之外,控制器111还使用与例如,标准的4-20mA设备、I/O卡126,128、和/或任何智能通信协议(诸如Fieldbus协议、协议、协议等)相关联的任何期望的硬件和软件通信地连接到现场设备115-122和140-146中的至少某些。在图2中,控制器111、现场设备115-122和I/O卡126、128是有线设备,并且现场设备140-146是无线现场设备。当然,有线现场设备115-122和无线现场设备140-146可以符合任何其它期望的(一个或多个)标准或协议,诸如任何有线或无线协议,包括将来开发的任何标准或协议。
图2的过程控制器111包括执行或监督一个或多个过程控制例程138(例如,存储在存储器132中)的处理器130。处理器130被配置为与现场设备115-122和140-146以及与通信地连接到控制器111的其它节点进行通信。应当注意的是,如果期望的话,本文所描述的任何控制例程或模块的部分可以由不同的控制器或其它设备实现或执行。同样地,将在过程控制系统100内执行的本文所描述的控制例程或模块138可以采取任何形式,包括软件、固件、硬件等。控制例程可以以任何期望的软件格式诸如使用面向对象的编程、梯形逻辑、顺序功能图、功能框图、或使用任何其它软件编程语言或设计范例来执行。控制例程138可以存储在任何期望类型的存储器132中,诸如随机存取存储器(RAM)、或只读存储器(ROM)。同样地,控制例程138可以被硬编码到例如,一个或多个EPROM、EEPROM、专用集成电路(ASIC)或任何其它硬件或固件元件中。因此,控制器111可以被配置为以任何期望的方式执行控制策略或控制例程。
控制器111使用通常被称为功能块的块来执行控制策略,其中每个功能块是整个控制例程的对象或其它部分(例如,子例程),并且与其它功能块(经由称为链路的通信)结合操作以执行过程控制系统100内的过程控制循环。基于功能块的控制通常执行输入功能、控制功能或输出功能中的一种,该输入功能诸如与变送器、传感器或其它过程参数测量设备相关联、控制功能诸如与执行PID、模糊逻辑等控制的控制例程相关联、输出功能控制诸如阀的某个设备的操作,以在过程控制系统100内执行某个物理功能。当然,存在混合和其它类型的功能块。功能块可以存储在控制器111中并由控制器111执行,这通常是当这些功能块用于或与标准4-20mA设备和某些类型的智能现场设备(诸如设备)相关联的情况,或可以存储在现场设备本身中并由现场设备执行,这可以是利用Fieldbus设备的情况。控制器111可以包括可以执行通过执行功能块中的一个或多个来执行的一个或多个控制回路的一个或多个控制例程138。
有线现场设备115-122可以是任何类型的设备,诸如传感器、阀、变送器、定位器等,而I/O卡126和128可以是符合任何期望的通信或控制器协议的任何类型的I/O设备。在图2中,现场设备115-118是通过模拟线路或组合的模拟和数字线路与I/O卡126通信的标准4-20mA设备或设备,而现场设备119-122是使用Fieldbus通信协议通过数字总线与I/O卡128进行通信的智能设备,例如Fieldbus现场设备。在某些实施例中,尽管有线现场设备115、116和118-121中的至少某些和/或I/O卡126、128中的至少某些另外地或替代地使用过程控制数据高速通道110和/或通过使用其它适合的控制系统协议(例如,Profibus、DeviceNet、Foundation Fieldbus、ControlNet、Modbus、HART等)与控制器111进行通信。
在图2中,无线现场设备140-146使用诸如协议之类的无线协议经由无线过程控制通信网络170进行通信。这种无线现场设备140-146可以直接与无线网络170的一个或多个其它设备或节点进行通信,这些设备或节点还被配置为无线地通信(例如,使用无线协议或另一个无线协议)。为了与未被配置为无线通信的一个或多个其它节点进行通信,无线现场设备140-146可以利用连接到过程控制数据高速通道110或另一个过程控制通信网络的无线网关135。无线网关135提供对无线通信网络170的各种无线设备140-158的访问。特别地,无线网关135提供在无线设备140-158、有线设备115-128、和/或过程控制设备100的其它节点或设备之间的通信耦合。例如,无线网关135可以通过使用过程控制数据高速通道110和/或通过使用过程工厂100的一个或多个其它通信网络来提供通信耦合。
类似于有线现场设备115-122,无线网络170的无线现场设备140-146执行过程工厂100内的物理控制功能,例如,打开或关闭阀、或获得过程参数的测量结果。然而,无线现场设备140-146被配置为使用网络170的无线协议进行通信。这样,无线网络170的无线现场设备140-146、无线网关135、和其它无线节点152-158是无线通信分组的生产者和消费者。
在过程工厂100的某些配置中,无线网络170包括非无线设备。例如,在图2中,图2的现场设备148是传统的4-20mA设备,并且现场设备150是wired设备。为了在网络170内通信,现场设备148和150经由无线适配器152A、152B连接到无线通信网络170。无线适配器152A、152B支持诸如WirelessHART之类的无线协议,并且还可以支持一个或多个其它通信协议,诸如Fieldbus、PROFIBUS、DeviceNet等。另外,在某些配置中,无线网络170包括一个或多个网络接入点155A、155B,其可以是与无线网关135进行有线通信的单独的物理设备,或者可以将无线网关135提供为整体设备。无线网络170还可以包括一个或多个路由器158以将分组从一个无线设备转发到无线通信网络170内的另一个无线设备。在图2中,无线设备140-146和152-158通过无线通信网络170的无线链路160和/或经由过程控制数据高速通道110彼此进行通信并且与无线网关135进行通信。
在图2中,过程控制系统100包括通信地连接到数据高速通道110的一个或多个操作员工作站171。经由操作员工作站171,操作员可以查看和监控过程工厂100的运行-时间操作,以及进行任何诊断、纠正、维护和/或可能需要的其它动作。操作员工作站171中的至少某些可以位于工厂100中或附近的各种保护区域处,并且在某些情况下,操作员工作站171中的至少某些可以远程定位,但是与工厂100通信连接。操作员工作站171可以是有线或无线计算设备。
示例性过程控制系统100被进一步示出为包括配置应用172A和配置数据库172B,配置应用172A和配置数据库172B中的每个还通信地连接到数据高速通道110。如上面所讨论的,配置应用172A的各种实例可以在一个或多个计算设备(未示出)上执行,以使用户能够创建或改变过程控制模块,并且经由数据高速通道110将这些模块下载到控制器111,以及使用户能够创建或改变操作员接口,经由该操作员接口,操作员能够查看数据并改变过程控制例程内的数据设置。配置数据库172B存储所创建的(例如,配置的)模块和/或操作员接口。通常,配置应用172A和和配置数据库172B是集中式的并且具有到过程控制系统100的统一的逻辑外观,但是配置应用172A的多个实例可以在过程控制系统100内同时执行,并且配置数据库172B可以跨多个物理数据存储设备来实现。因此,配置应用172A、配置数据库172B、以及到其的用户接口(未示出)包括用于控制和/或显示模块的配置或开发系统172。通常,但不是必须,用于配置系统172的用户接口不同于操作员工作站171,因为由配置和开发工程师利用用于配置系统172的用户接口,而不管工厂100是否实时操作,而操作员工作站171由操作员在过程工厂100的实时操作期间被利用(这里还被互换地称为过程工厂100的“运行-时间”操作)。
示例性过程控制系统100包括数据历史库应用173A和数据历史库数据库173B,数据历史库应用173A和数据历史库数据库173B中的每个还可通信地连接到数据高速通道110。数据历史库应用173A操作以收集跨数据高速通道110提供的数据中的某些或所有数据,并且将历史化数据或将数据存储在历史库数据库173B中以便长期存储。类似于配置应用172A和配置数据库172B,数据历史库应用173A和历史库数据库173B是集中式的,并且到过程控制系统100具有统一的逻辑外观,但是数据历史库应用173A的多个实例可以在过程控制系统100内同时执行,并且数据历史库数据库173B可以跨多个物理数据存储设备来实现。
在某些配置中,过程控制系统100包括使用其它无线协议(诸如Wi-Fi或其它IEEE802.11兼容的无线局域网协议、诸如WiMAX(微波存取全球互通)、LTE(长期演进)或其它ITU-R(国际电信联盟无线电通信部门)兼容的协议之类的移动通信协议,诸如近场通信(NFC)和蓝牙之类的短波无线电通信或其它无线通信协议)与其它设备进行通信的一个或多个其它无线接入点174。通常,这种无线接入点174允许手持式或其它便携式计算设备(例如,用户接口设备175)通过相应的无线过程控制通信网络进行通信,该无线过程控制通信网络不同于无线网络170,并支持与无线网络170不同的无线协议网络。例如,无线或便携式用户接口设备175可以是由过程工厂100内的操作员利用的移动工作站或诊断测试装备(例如,操作员工作站171中的一个的实例)。在某些情况下,除了便携式计算设备之外,一个或多个过程控制设备(例如,控制器111、现场设备115-122、或无线设备135、140-158)还使用由接入点174支持的无线协议进行通信。
在某些配置中,过程控制系统100包括到系统的一个或多个网关176,178,该系统是即时过程控制系统100外部的系统。通常,这种系统是由过程控制系统100生成或在过程控制系统100操作的客户或供应商的信息。例如,过程控制工厂100可以包括网关节点176,以将即时过程工厂100与另一个过程工厂进行通信连接。另外地或替代地,过程控制设备100可以包括网关节点178,以将即时过程工厂100与外部公共或专用系统进行通信连接,这些外部公共或专用系统诸如实验室系统(例如,实验室信息管理系统或LIMS)、操作员轮班数据库、材料处理系统、维护管理系统、产品库存控制系统、生产调度系统、天气数据系统、运输和处理系统、包装系统、互联网、另一个供应商的过程控制系统、或其它外部系统。
注意的是,尽管图2仅示出了单个控制器111以及有限数量的现场设备115-122和140-146、无线网关135、无线适配器152、接入点155、路由器158、和包括在示例性过程工厂100中的无线过程控制通信网络170,但这仅是说明性和非限制性的实施例。任何数量的控制器111可以包括在过程控制工厂或系统100中,并且控制器111中的任何控制器可以与任何数量的有线或无线设备和网络115-122、140-146、135、152、155、158和170进行通信以控制工厂100中的过程。
图3包括用于过程工厂100的示例性安全架构200的框图。为了参考,跨图3的顶部描绘了图1的各种安全等级0-5,以指示安全架构200的各个部分可以被包括在哪些安全等级中。
如图3所示,一个或多个设备202通信地连接到一个或多个无线网关205A、205B,其例如可以是图2的无线网关135的实例。如先前所讨论的,无线网关205A、205B可以例如在过程工厂100本身内位于安全等级1和/或安全等级2处。网关205A、205B和设备202之间的通信连接由附图标记204A、204B表示。
设备集合202被示为处于过程工厂100的安全等级0,并且被描绘为包括有限数量的无线现场设备。然而,应当理解的是,本文关于设备202所描述的概念和特征可以容易地被应用于过程工厂100的任何数量的现场设备以及任何类型的现场设备。例如,现场设备202可以包括经由过程工厂100的一个或多个有线通信网络通信地连接到无线网关205A、205B的一个或多个有线现场设备115-122,和/或现场设备202可以包括耦合到无线适配器152A、152B的有线现场设备148、150。
此外,应当理解的是,设备集合202不仅限于现场设备,而且可以另外地或替代地包括在过程工厂100内的任何设备或部件,该过程工厂100由于过程工厂100控制在线过程的结果而生成数据。例如,设备集合202可以包括生成诊断数据的诊断设备或部件、在过程工厂100的各个部件之间传送信息的网络路由设备或部件等。实际上,在图2中示出的部件中的任何部件(例如,部件111、115-122、126、128、135、140-146、152、155、158、160、170、171-176、178)和未示出的其它部件可以是生成用于传输到远程系统210的数据的设备。这样,设备集合202在本文中可互换地被称为“数据源202”或“数据源设备202”。
图3还示出了可以用于过程工厂100的和/或过程工厂100利用的远程应用或服务的集合208。总体来说,远程应用或服务的集合208可以在一个或多个远程系统210处执行或群集,并且远程应用/服务的集合208被认为处于安全等级5或以上。在实时数据由过程工厂100生成并由应用或服务208接收时,应用或服务208中的至少某些对实时数据进行实时操作。其它应用或服务208可以对具有不太严格的定时要求过程工厂生成的数据进行操作或执行。可以在远程系统210处执行或驻留并且由过程工厂100生成的数据的消费者的应用/服务208的示例包括监控和/或感测在过程工厂100处发生的状况和/或事件的应用,以及在过程工厂100处正在执行时监控在线过程本身的至少一部分应用或服务。应用/服务208的其它示例包括描述性和/或规范性分析,其可以对由过程工厂100生成的数据进行操作,并且在某些情况下,其可以对从分析过程工厂生成的数据所收集或所发现的知识进行操作,以及对从其它过程工厂生成和接收的数据进行操作。应用/服务208的另外的其它示例包括一个或多个例程,该例程执行将要被执行回到过程工厂100中的规定功能和/或变化,例如,作为另一个服务或应用的结果。应用和服务208的某些示例在2016年9月23日提交的名称为“Data Analytics Services for Distributed Industrial Performance Monitoring”的美国专利申请No.15/274,519中以及在2016年9月23日提交的名称为“DistributedIndustrial Performance Monitoring and Analytics”的美国专利申请No.15/274,233中进行了描述,上述全部公开内容通过引用并入本文。如将在下面更详细描述的,应用和服务208的其它示例对从分析由过程工厂和/或其它过程工厂生成的历史数据或从用于过程工厂实体的数据与用于相同或类似类型的过程工厂实体的数据进行比较所收集的知识进行操作。
一个或多个远程系统210可以以任何期望的方式(诸如由联网服务器的远程银行、一个或多个云计算系统、一个或多个网络等)来实现。为了便于讨论,一个或多个远程系统210使用单数形式,即,“远程系统210”在本文被指代,但是可以理解为所述术语可以指代一个系统、多于一个的系统、或任何数量的系统。在某些情况下,被配置为分析过程工厂数据的一个或多个计算设备250可以被包括在远程系统210内。例如,一个或多个远程应用或服务208可以在一个或多个计算设备250上执行以分析由过程工厂100生成的过程工厂数据。应当注意的是,本文中使用单数形式指代一个或多个计算设备250,例如“计算设备250”,然而,这是为了便于阅读并不是限制的目的,一个或多个计算设备250可以包括一个、两个或任何数量的计算设备。
总体来说,安全架构200向远程系统210提供来自过程工厂100的现场环境的端到端的安全性,设备202被安装在该过程工厂100中并在该过程工厂100中操作,该远程系统210提供对由过程工厂100生成的数据进行消耗和执行的应用和/或服务208。这样,由设备202和过程工厂100的其它部件生成的数据能够被安全地传输到远程系统210以供远程应用/服务208使用,同时保护工厂100免受网络攻击、入侵、和/或其它恶意事件。特别地,安全架构200包括设置在过程工厂100(例如,过程工厂100的无线网关205A、205B之间)和远程系统210之间的现场网关212、数据二极管215和边缘网关218。通常,但不是必须,现场网关212、数据二极管215、和边缘网关218被包括在安全等级2-5中。
安全架构200的关键方面是数据二极管215。数据二极管215是在硬件、固件和/或软件实现的部件,并且该数据二极管215特别地被配置为防止过程工厂100和远程系统210之间的双向通信。也就是说,数据二极管215允许数据业务从过程控制系统100流出(egress)到远程系统210,并且防止数据业务(例如,从远程系统210或其它系统传送或发送的数据业务)进入过程控制系统100中。
因此,数据二极管215包括通信地连接到现场网关212的至少一个输入端口220和通信地连接到边缘网关218的至少一个输出端口222。数据二极管215还包括将其输入端口222连接到其输出端口222的任何其他适合的技术的光纤或通信链路。为了防止数据业务流向(例如,进入)过程控制系统100,在示例性实施方式中,数据二极管215排除或者省略输入端口以从边缘网关218(或在更高安全等级处的其它部件)接收数据,和/或排除或省略输出端口以将数据传送到现场网关212(或在较低安全等级处的其它部件)。在另外的或替代的实施方式中,数据二极管215排除、省略和/或禁用收发机,其以其它方式将允许数据从输出端口222流到输入端口220,和/或排除用于数据从输出端口222流到输入端口220的物理通信路径。另外地或替代地,数据二极管215可以仅支持经由软件从输入端口220到输出端口222的单向数据流,例如,通过丢弃或阻止在输出端口222处从边缘网关218(或更高安全等级部件)接收的任何消息,和/或通过丢弃或阻止到现场网关212(或较低安全等级部件)寻址的任何消息。
从过程工厂100流出并跨数据二极管215从输入端口220传送到输出端口222的数据可以通过加密被进一步跨数据二极管215上而被保护。在示例中,现场网关212加密数据并将经加密的数据传递到输入端口220。在另一个示例中,数据二极管215从现场网关212接收数据业务,并且数据二极管215在将数据传送到出口端口222之前加密所接收到的数据业务。,跨数据二极管215加密和传输的数据业务在示例中可以是UDP(用户数据报协议)数据业务,并且在另一个示例中可以是JSON数据业务或某些其它通用通信格式。
现场网关212将数据二极管215的较低安全侧通信地连接到过程控制工厂100。如图3所示,现场网关212被通信地连接到设置在过程工厂100的现场环境内并且被通信地连接到一个或多个设备或数据源202的无线网关205A、205B。如先前所讨论的,设备或数据源202和无线网关205A、205B可以使用WirelessHART工业协议或其它适合的无线协议进行通信,该其它适合的无线协议经由一个或多个安全机制被构造为提供安全的通信。例如,WirelessHART工业协议提供128位AES加密,并且可以相应地保护通信路径204A、204B。
另外,无线网关205A、205B和现场网关212之间的通信连接225相应地使用与针对通信连接204A、204B所利用的相同或不同的安全机制而进行保护。在示例中,通信连接225由TLS(传输层安全)封装器进行保护。例如,无线网关205A、205B生成HART-IP格式的分组,该分组由TLS封装器保护以便传送到现场网关212。
因此,如上面所描述的,在实施例中,可以使用第一安全机制保护由设备202生成的数据或分组以传送204A、204B到无线网关205A、205B,并且随后可以使用第二安全机制进行保护以从无线网关205A、205B传送225到现场网关212,以及随后使用第三安全机制保护以跨数据二极管215传送。
现在转向数据二极管215的较高安全侧,如果需要,可以通过使用第四安全机制,或者通过使用在上面讨论的数据二极管215的较低安全侧上使用的安全机制中的一种,来保护从数据二极管215流出的数据业务以传送到边缘网关218。另外地或替代地,并且如图3所描述的,边缘网关218可以由防火墙228保护,该防火墙228可以是图1的防火墙12C或另一个防火墙。
可以使用一个或多个公共和/或专用网络(诸如,专用企业网络、互联网、蜂窝路由器、回程互联网或其它类型回程连接)传输从边缘网关218传送到远程系统210的数据。重要地,通过使用第五安全机制或通过使用上面讨论的安全机制中的一种安全机制来保护从边缘网关218传送到远程系统210的数据。图3描绘了从边缘网关218向远程系统210传输的数据业务经由可以通过在远程系统210处提供的令牌服务230而管理的SAS(共享访问签名)令牌进行保护。边缘网关218认证令牌服务230并请求SAS令牌,其可以仅在有限的时间段(例如,两分钟、五分钟、三十分钟、不超过一个小时等)内有效。边缘网关218接收并使用SAS令牌来保护和认证到远程系统210的AMQP(高级消息队列协议)连接,经由远程系统210将内容数据从边缘网关218发送到远程系统210。当然,使用SAS令牌和AMQP协议来保护在边缘网关218和远程系统210之间传送的数据仅是许多可能的安全机制中的一种。例如,可以利用任何一种或多种适合的物联网(IOT)安全机制来保护在边缘网关218和远程系统210之间传送的数据,例如,X.509证书、其它类型的令牌、其它IOT(诸如MQTT(MQ遥测传输)或XMPP(可扩展消息收发和存在协议)等)。在这些其它实施例中,例如,服务230提供和/或发布适当的安全令牌或证书。
在远程系统210处,用户认证和/或授权由任何一个或多个适合的认证和/或授权安全机制232提供。例如,对远程系统210的安全访问可以由域认证服务、API用户认证服务、和/或任何其它适合的认证和/或授权服务232提供。这样,仅经由认证和/或授权服务232认证和/或授权的用户235能够获取对在远程系统210处可用的数据中的至少某些的访问,其特别包括由设备202生成的数据。
因此,如上面所描述的,安全架构200为由设备或数据源202生成的数据提供端到端的安全性,同时在过程工厂100中操作以控制过程,例如,从由数据源202获得数据开始通过其到远程系统210的传输以由一个或多个远程应用或服务208对其进行操作。重要地,安全架构200提供该种端到端的安全性,同时防止在过程工厂100上发生恶意攻击。
应当注意,尽管图3描绘了在将设备或数据源202通信地连接到现场网关212时的无线网关205A、205B,但是在某些布置中,省略了无线网关205A、205B中的一个或多个,并且源数据从数据源202直接发送到现场网关212。例如,数据源202可以经由过程工厂100的大数据网络将源数据直接发送到现场网关212。总体来说,过程工厂100的大数据网络既不是主干工厂网络110,大数据网络也不是用于使用工业通信协议(例如,Profibus、DeviceNet、Foundation Fieldbus、ControlNet、Modbus、HART等)在设备之间传送控制信号的工业协议网络。相反,例如,过程工厂100的大数据网络可以是被实现用于过程工厂100的重叠网络,该网络在节点之间流式传输数据,用于数据处理和分析目的。大数据网络的节点可以包括例如,
数据源202、无线网关205A,205B和现场网关212,以及如图2中示出的部件111、115-122、126、128、135、140-146、152、155、158、160、170、171-176、178中的任何一个或多个以及其它部件。因此,例如,对于过程工厂数据网络的许多节点,相应地包括通常利用工业通信协议的用于过程工厂操作的指定接口、以及可以利用流式传输协议的用于数据处理/分析操作的另一个指定接口。可以在过程工厂100中利用的大数据网络的示例在2014年10月6日提交的名称为“Regional Big Data in Process Control Systems”的美国专利申请14/507,188中进行了描述,其全部公开内容通过引用并入本文。
参考图3还应当进一步注意,在某些实施例中,有线网关(未示出)可以用于代替无线网关205A、205B中的一个。此外,现场网关212、数据二极管215、和边缘网关218可以在物理上位于同一位置,诸如图3中所示的框235所示,或者部件212、215、218中的一个或多个可以在物理上跨多个位置定位。例如,现场网关212、数据二极管215、或边缘网关218中的一个或多个可以设置在过程工厂100处。另外地或替代地,现场网关212、数据二极管215、或边缘网关218中的一个或多个可以远离过程工厂100进行设置。
如果需要,可以由多于一个现场网关212服务过程工厂100,并且可以由单个边缘网关218服务任何数量的现场网关210。在某些实施例中,如果需要,由多于一个的边缘网关218服务远程系统210。
如先前所讨论的,保护了跨数据二极管215传输的数据业务。这种数据业务可以例如通过使用串行通信或UDP通信跨数据二极管215进行传送。然而,在没有双向通信的情况下保护这种通信是困难的和麻烦的,因为通常UDP和串行通信要求双方不仅双向地进行通信(这不可能使用数据二极管215),而且还要记住和输入长键序列。因此,除了使用传统的双向通信来保护跨单向数据二极管215的数据传输,还可以经由在边缘网关218和现场网关212之间利用的安全性防范过程来保护所传输的数据。安全性防范过程建立了在边缘网关218和现场网关212之间共享的唯一的初始密钥或秘密材料(例如,对称密钥或对称材料),诸如连接密钥。使用该连接密钥,边缘网关218和现场网关212建立用于交换另外的密钥或秘密资料的安全连接,这进一步用于跨数据二极管215安全地传输数据业务。安全性防范过程将在此与本申请同时提交的名称为“Secured Process Control Communications”的美国专利申请No15/332,751中有更详细的描述,其通过引用并入本文。
此外,尽管上面的示例指代用于将过程工厂数据作为为经由数据二极管215接收过程工厂数据的远程系统210的部件进行分析的计算设备250,但是这仅是许多实施例中的一个,因为计算设备250可以以安全的方式经由过程工厂100的任何适合的通信部件接收过程工厂数据。例如,计算设备250可以通信地连接到无线网关205A,205B、现场网关212、或边缘网关218。可以经由加密技术、防火墙、数据二极管、或任何其它适合的安全机制从设备202到计算设备250保护通信路径。
一旦在计算设备250处接收到过程工厂数据,则计算设备250分析过程工厂数据以检测或识别对应的过程工厂实体中的状况。然后,对状况的指示例如经由域认证服务传送到用户接口设备235,和/或对状况的指示经由另一个通信网络(未示出)传送到过程工厂100的操作员工作站171中的一个。以这种方式,操作员可以被警告在过程工厂内的各种过程工厂实体处发生的状况。然后,操作员可以采取适当的措施来解决由这些状况创建的问题。在某些情况下,对各种过程工厂实体的所检测的状况的指示被传送到其它计算设备、应用或服务,例如,位于远程系统210中、在过程工厂100处的或在其它位置处的那些计算设备、应用或服务,以便其相应的使用和/或分析。
如上面所述,过程工厂数据包括随时间收集的、与过程工厂实体相对应的过程参数的过程参数值。过程参数包括在过程工厂内的流经过程工厂的材料或执行物理功能以控制该过程的设备的设定点或测量的值(例如,阀参数、现场设备参数、控制器参数等)。例如,过程参数包括流经过程工厂的材料或其设定点的温度、压力、流速、质量、体积、密度或面积。过程参数还包括执行物理功能以控制过程(例如,阀)或其设定点的设备的驱动信号、行程、压力或温度。过程工厂实体包括在过程工厂内、执行物理功能以控制过程的设备,例如,阀、罐、混合器、泵、热交换器等。在某些情况下,过程工厂实体可以包括控制器和/或I/O设备。为了说明,下面参考图4描述示例性场景,其中分析阀的过程参数以检测阀的状况。
图4示出了在本文所描述的技术的示例性实施方式中的与阀相对应的过程参数的随时间收集的过程参数值的示例性图形描绘300。过程参数值是从设备202中的一个或若干个设备进行收集的,并在计算设备250处进行分析。具体地,在该示例性实施方式中,设备202实时地将过程参数值跨数据二极管215流式传输到计算设备250。如图4所示,过程参数包括用于阀302的驱动信号、阀304处的材料的入口压力、阀306处的材料的温度、和阀行程308。每个过程参数值都包括相应的时间戳(例如,在时间40时收集的值80的驱动信号)。
对于过程参数302-308中的每一个,计算设备250可以对随时间收集的相应的过程参数值执行统计计算,以生成过程参数度量。例如,根据阀306处的材料的温度的值,计算设备250可以确定一个或多个过程参数度量,诸如在阀处的材料的平均温度、温度的标准偏差、温度的20-秒移动平均值、和/或温度的20秒衰减平均值,其中,最近温度被加权最高并且20秒前的温度被加权到最低。计算设备250可以另外地或替代地确定由随时间收集的各种温度产生的波的幅度和频率。此外,计算设备250可以对温度值应用各种滤波器以去除噪声,并且在应用滤波器之后执行另外的统计计算。
用于阀或过程工厂实体的过程参数度量用于检测或识别在阀/过程工厂实体处发生的状况。例如,计算设备250使用各种机器学习技术来生成统计模型以检测或识别特定状况是否在阀/过程工厂实体处发生或存在。单个统计模型可以用于检测或识别可能在过程工厂实体处发生或存在的多种状况,或者不同的统计模型对于每种类型的状况可以是特定的,并且过程参数度量可以应用于每个统计模型以检测或识别在过程工厂实体处发生或存在哪种状况(如果存在的话)。可以通过使用适当的机器学习技术(线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、提升(boosting)、最近邻值、或神经网络等等来生成统计模型中的一个或多个。
在某些实施例中,使用训练数据生成一个或多个统计模型,该训练数据包括先前由过程工厂100和/或其它过程工厂的过程工厂实体产生的历史过程参数值。例如,如图2所示,可以从数据历史库数据库173B获取历史过程参数值。
在某些情况下,与特定时间窗(例如,一小时)相对应的历史过程参数值中的每个或历史过程参数值集合被分类为与特定状况相关联的过程参数值的子集,该特定状况在生成历史过程参数值的时间期间或与生成历史过程参数值的时间相关联的对应的过程工厂实体处发生或存在。例如,当温度值(例如,在热交换器处识别的错误的阈值时间段内)被收集时,温度值的集合可以被分类为与在热交换器处的错误相关联的过程参数值的子集。另外,当在生成历史过程参数值或附近的时间,过程工厂实体未发生状况或者不存在状况时,历史过程参数值被分类为与对过程工厂实体的正常操作相关联的过程参数值的另一个子集。计算设备250将与状况相关联的历史过程参数值的子集与和状况不关联的历史过程参数值的另一个子集进行比较以生成统计模型。以该种方式,计算设备250识别指示过程工厂实体正在经历特定状况的过程参数的特征。
朴素贝叶斯
在某些实施例中,用于生成和/或利用统计模型的机器学习技术是朴素贝叶斯。例如,计算设备250生成用于与过程工厂实体相关联的每种类型的状况(例如,性能监控度量、错误、泄漏、死区、死区时间、机械磨损等)的统计模型。为了说明,对于诸如热交换器处的泄漏之类的特定状况,计算设备250将与热交换器相关联的历史过程参数值分类为与热交换器泄漏相关联的过程参数值的第一子集和与热交换器泄漏不相关联的过程参数值的第二子集。然后,计算设备250对子集中的每个执行统计计算。例如,对于第一子集中的每个历史过程参数,计算设备250计算对应的历史过程参数值的平均值和对应的历史过程参数值的标准偏差。计算设备250还计算与第二子集中的每个历史过程参数相对应的历史过程参数值的平均值和标准偏差。在某些实施例中,对历史过程参数的平均值进行加权,其中在时间上更靠近对状况的检测所收集的历史过程参数值被加权得更越高。例如,如果在时间t=9分钟时检测到泄漏,则当计算与泄露相关联的平均压力值时,在时间t=8分59秒时的压力值比在时间t=8分40秒时的压力值被加权得更高。
在某些情况下,计算设备250使用假设高斯分布或任何其它适合的概率密度函数的第一子集中的每个历史过程参数(例如,与热交换器泄漏相关联的那些)的平均值和标准偏差来生成第一统计模型。计算设备250还使用假设高斯分布或任何其它适合的概率密度函数的第二子集中的每个历史过程参数(例如,与热交换器泄漏不相关联的那些)的平均值和标准偏差来生成第二统计模型。
在示例中,计算设备250根据历史过程参数(诸如压力、温度和过程设备实体(诸如热交换器)的流速)生成统计模型。在该示例中,对于第一统计模型,计算设备250确定过程参数值的第一子集中的压力、温度、和流速(例如,与热交换器泄漏相关联的那些)的平均压力、压力标准偏差、平均温度、温度标准偏差、平均流速和流速标准偏差。计算设备250然后相应地生成第一子集的压力分布、温度分布、和流速分布。对于第二统计模型,计算设备250确定过程参数值的第二子集中的压力、温度、和流速(例如,与热交换器泄漏不相关的那些)的平均压力、压力标准偏差、平均温度、温度标准偏差、平均流速和流速标准偏差。计算设备250相应地生成对于第二子集的压力分布、温度分布、和流速分布。
然后将第一统计模型和第二统计模型与根据从过程工厂接收的在线过程工厂数据计算的过程参数度量进行比较。基于该比较,计算设备250例如通过确定相应的对相似度或差异的测量以及比较该相应的测量,以判断第一统计模型和第二统计模型中的哪一个与过程参数度量更紧密地匹配。当过程参数度量与第一统计模型更紧密地匹配时,计算设备250确定与过程参数度量(例如,在该示例性场景中,热交换器)相对应的过程工厂实体正在经历泄漏。另一方面,当过程参数度量与第二统计模型更紧密地匹配时,计算设备250确定与过程参数度量(例如,在该示例性场景中,热交换器)相对应的过程工厂实体没有经历泄漏。如上面所述,根据以安全方式接收到的和随时间收集的过程参数值计算过程参数度量。因此,使用上面的技术,可以使用热交换器中的温度值的移动平均值(例如,温度度量)来检测热交换器处的泄漏。
继续上述示例,将压力度量(例如,压力的衰减平均值)与根据来自过程参数值的第一子集的平均压力和压力标准偏差生成的压力分布(例如,与热交换器泄漏相关联的那些)进行比较。基于比较结果,计算设备250确定与过程参数值的第一子集的压力度量和平均压力之间的差异(以标准偏差的形式)相对应的概率。计算设备250还执行类似的步骤以确定与过程参数值的第一子集的温度度量和平均温度之间的差异(以标准偏差形式)相对应的概率,以及与过程参数值的第一子集的流速度量和平均流速之间的差异(以标准偏差的形式)相对应的概率。然后将概率进行组合(相乘、聚合等)以确定所确定的过程参数度量与过程参数值的第一子集相对应的总体概率,该过程参数值的第一子集与热交换器泄漏相关联。
另外,将压力度量、温度量度、和流速度量分别与基于过程参数值的第二子集确定的压力分布、温度分布、和流速分布(例如,与热交换器泄漏相关联的那些)进行比较。基于比较结果,计算设备250确定与过程参数值的第二子集的压力度量和平均压力之间的差异(以标准偏差的形式)相对应的概率、与第二子集的温度度量和平均温度之间的差异(以标准偏差形式)相对应的概率,以及与过程参数值的第二子集的流速度量和平均流速之间的差异(以标准偏差形式)相对应的概率。将概率进行组合(相乘,聚合等)以确定过程参数度量与过程参数值的第二子集相对应的总体概率,该过程参数值的第二子集与热交换器泄漏不相关联。
随后,将针对第一子集的总体概率与针对第二子集的总体概率进行比较。当针对第一子集的总体概率较高时,计算设备250确定对应的过程工厂实体(例如,热交换器)正在经历泄漏。否则,计算设备250确定对应的过程工厂实体(例如,热交换器)未在经历泄漏。如上所述,计算设备250针对每种类型的状况生成统计模型,并且判断对应的过程工厂实体是否相应地经历每种类型的状况。
决策树
在其它实施例中,用于生成和/或利用统计模型的机器学习技术是决策树或使用决策树的机器学习技术,诸如随机森林或提升。例如,当机器学习技术是随机森林时,计算设备250收集过程工厂数据中的每个数据的若干个代表性样本。使用每个代表性样本,计算设备250生成用于确定状况在过程工厂实体处发生的可能性的决策树。然后,计算设备250聚合和/或组合决策树中的每个决策树以生成统计模型,例如通过平均化在每个单独的树处所确定的可能性、计算加权平均、进行多数投票等。在某些实施例中,当机器学习技术提升时,计算设备250还可以生成决策树。
每个决策树包括若干节点、分支和叶,其中每个节点表示对过程参数度量的测试(例如,衰减流量速率平均值是否大于20?),每个分支表示测试的结果(例如,衰减流量速率平均值大于20),并且每个叶表示过程工厂实体正在经历特定类型的状况的可能性。例如,决策树的分支表示过程工厂实体将经历错误、泄漏、死区、死区时间、机械磨损等的可能性。因此,计算设备250可以使用来自收集的过程工厂数据的过程参数度量来遍历每个决策树,以确定过程工厂实体正在经历哪些状况(如果有的话)。如果过程工厂实体正在经历特定类型的状况的可能性高于阈值可能性(例如,0.5、0.7等),则计算设备250确定过程工厂实体正在经历该状况并且发送对该状况的指示到用户接口设备和/或另一个计算设备、服务、或应用。
例如,计算设备250生成包括第一节点的决策树,该第一节点与20秒移动平均压力是否大于25相对应。如果20秒移动平均压力不高于25,则第一分支连接到第一叶节点,该第一叶节点指示过程工厂实体正在经历机械磨损的可能性是0.6。如果20秒移动平均压力评分高于七,则第二分支连接到与温度的标准偏差是否大于10相对应的第二节点。
如果温度的标准偏差大于10,则第三分支连接到第二叶节点,其指示过程工厂实体正在经历机械磨损的可能性是0.75。然而,如果温度的标准偏差不大于10,则第四分支连接到第三叶节点,其指示过程工厂实体正在经历机械磨损的可能性是0.25。尽管决策树包括三个叶节点和四个分支,但这仅仅是为了便于说明的示例。每个决策树可以包括任何数量的节点、分支和叶,具有对过程参数度量的任何适合的数量和/或类型的测试。
在任何情况下,通过如随机森林或提升方法中对多个决策树进行组合和/或聚合,计算设备250识别对于确定过程工厂实体正在经历特定类型的状况的可能性而言最重要的过程参数度量。最重要的过程参数度量是最频繁导致决策树的早期分裂的过程参数度量,并且是最能表明过程工厂实体是否正在经历状况的过程参数度量。参考上面的示例性决策树,由于温度的标准偏差在树中比20秒移动平均压力低,所以20秒移动平均压力可能比温度的标准偏差更重要。因此,在该示例中,20秒移动平均压力是最重要的过程参数度量。
在某些实施例中,过程参数度量根据其相应的重要程度来被分配权重。计算设备250在生成统计模型时使用分配的权重。在某些情况下,最不重要的过程参数度量可以由为0或几乎为0的因子进行加权,以从统计模型过滤掉该过程参数度量。
回归
在其它实施例中,用于生成和/或利用统计模型的机器学习技术是回归分析,诸如逻辑回归、线性回归、多项式回归等。例如,除了将历史过程参数值分类到相应的、与特定状况相关联或不相关联的过程参数值的子集,每个历史过程参数值都被分配了性能监控度量。性能监控度量指示过程工厂实体的性能或评估等级,诸如根据相应的过程工厂实体的健康状态的总体设备健康参数。
基于历史过程参数值和相应的性能监控度量,计算设备250生成统计模型作为使历史过程参数值与性能监控度量最接近的方程式。在某些实施例中,普通最小二乘法用于最小化使用统计模型的预测性能监控度量的值与分配给历史过程参数值的实际性能监控度量之间的差异。另外,使用统计模型的每个预测性能监控度量的值与性能监控度量(yi)的之间的差异以任何适合的方式进行聚合和/或组合以确定回归的均方误差(MSE)。然后,MSE用于确定统计模型中的标准误差或标准偏差(σε),该标准误差或标准偏差又用于创建置信区间。
使用统计模型,计算设备250将根据过程工厂数据计算的过程参数度量应用于作为回归分析的结果生成的方程式(例如,生成的统计模型)。因此,计算设备250确定或识别过程工厂实体的性能监控度量(例如,总体设备健康参数)。
尽管过程参数值包括在图4中的图形描绘中,但这仅仅是为了说明方便。可以在计算设备250处收集和分析过程参数值,作为具有相应的时间戳的数据点(例如,作为时间序列数据),而不在显示中呈现过程参数值。此外,尽管将计算设备250描述为使用机器学习技术来检测或识别在过程工厂实体处发生的状况,但是可以通过应用规则集合以另外地或替代地检测或识别状况。例如,计算设备250通过比较驱动信号和阀行程的差异来识别阀中的过度死区。当差异超过了预定阈值量时,计算设备250识别阀中的过度死区。
图5描绘了表示用于基于对安全地接收到的数据的分析来检测或识别过程工厂实体中的状况的示例性方法400的流程图。方法400可以由如图3所示的计算设备250或由任何适合的计算设备执行。如上所述,计算设备250可以包括在远程系统210中和/或可以通信地连接到无线网关205A、205B、现场网关212、数据二极管215、和/或边缘网关218。
在框402处,针对与过程工厂实体(例如,阀、罐等)相对应的若干个过程参数,获取历史过程参数值。与特定时间窗(例如,一小时)相对应的历史过程参数值或历史过程参数值集合中的每个被分类到与特定状况相关联的过程参数值的子集(框404),其中在生成历史过程参数值时或大约在生成历史过程参数值时在相应的过程工厂处发生该特定状况。例如,当在热交换器处识别的错误的阈值时间段内收集到温度值时,可以将温度值集合分类到与热交换器处的错误相关联的过程参数值的子集。另外,过程参数值的子集与过程工厂实体的正常操作相关联,和/或当在生成历史过程参数值的时候或大约在生成历史过程参数值的时候,状况在过程工厂实体处不发生或不存在时,历史过程参数值可以被分类到过程参数值的子集。
在框406处,例如通过使用各种规则和/或机器学习技术,基于历史过程参数值的子集来生成统计模型。机器学习技术可以包括线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、提升、最近邻、神经网络等。在某些实施例中,生成单个统计模型以检测或识别可能发生或可能存在于加工厂实体的几种类型的状况。在其它实施例中,针对可能发生或可能存在于过程工厂实体的每种类型的状况,生成不同的统计模型。在某些实施例中,将过程参数度量与指示各种状况(或其不存在)的多个统计模型进行比较,以确定哪个统计模型最可能对应于过程参数度量。
在任何情况下,在框408处,以安全的方式接收过程工厂实体的过程工厂数据。例如,过程工厂数据可以使用防火墙、加密技术和/或任何其它适合的安全机制经由数据二极管215发送到计算设备250。过程工厂数据可以包括对应于过程工厂实体的过程参数,例如与阀或流过阀的材料相对应的驱动信号、阀行程、行程设定点、密度、面积、质量、体积、压力、温度或流量速率。一般来说,过程工厂数据可以是作为过程工厂实体进行操作以控制工业过程的结果而生成的数据,并且可以描述过程工厂实体的行为或操作。过程工厂数据可能或可能不由过程工厂实体本身生成。例如,阀数据可以描述阀本身和/或由阀本身产生(例如,阀的打开或关闭的量度)和/或可以描述阀的致动器和/或由阀的致动器产生(例如,致动器将特定信号施加到阀的频率)。对于每个过程参数,计算设备250在几个时间实例上接收多个过程参数值。每个过程参数值包括例如指示何时生成过程参数值的相应时间戳。
在框410处,基于相应的接收到的过程参数值,为每个过程参数生成、确定和/或计算一个或多个过程参数度量。过程参数度量包括例如过程参数的平均值、标准偏差、预定时间段上的移动平均、预定时间段上的衰减平均、过程参数的最大值/最小值、与过程参数值相对应的波随时间的幅度、相位和/或频率等。
将过程参数量度中的每个与(一个或多个)统计模型进行比较(框412)以检测或识别过程工厂实体正在经历哪些状况(如果有的话)(框414)。例如,当机器学习技术是朴素贝叶斯时,将过程参数度量和与状况相关联的过程参数值的子集的分布以及与状况不相关联的过程参数值的子集的另一个分布进行比较。计算设备250确定哪个分布与过程参数度量更接近地匹配,并且基于分布匹配来检测/识别过程设备实体是否正在经历该状况。在另一个示例中,当机器学习技术是决策树、随机森林或提升时,计算设备250使用过程参数度量来遍历决策树的节点,以确定过程工厂实体正在经历哪些状况(如果有的话)。在另一个示例中,当机器学习技术是诸如逻辑回归、线性回归、多项式回归等的回归分析时,计算设备250将过程参数度量应用于回归方程以检测或识别过程工厂实体的性能监控度量。
在框416处,计算设备250将对识别的状况的指示发送到用户接口设备235,以向操作者通知该状况。对状况的指示可以是报警或错误消息,其包括检测到的状况类型(例如,性能监控度量、死区、机械磨损等),过程工厂实体在经历该状况、用于检测状况的过程参数值、用于解决由状况生成的潜在问题的步骤、或任何其它适合信息。
在某些实施例中,计算设备250还使得根据过程工厂实体的识别的状况,在过程工厂100处生成报警或事件。例如,计算设备250将通信发送到过程工厂100以显示过程工厂实体的报警或事件,或者向用户接口设备235发送请求以将通信发送到过程工厂100,从而显示过程工厂实体的报警或事件。在其它实施例中,计算设备250将控制信号发送到过程工厂110,以基于所识别的状况来调整过程工厂实体的操作。例如,当过程工厂实体正在经历泄漏时,计算设备250将控制信号发送到过程工厂110以关闭过程工厂实体的操作。
当过程工厂实体的状况变得已知(例如,操作者评估过程工厂实体以确定在过程工厂实体处是否发生任何状况)时,过程参数值被添加到历史过程参数值(框418),并且相应地更新(一个或多个)统计模型。例如,如图2所示,过程参数值存储在数据历史库数据库173B中。
另外地或替代地,计算设备250将对状况的指示发送到另一个计算设备、服务或应用(例如,以用于进一步分析)。例如,计算设备250内的状况确定应用或模块检测或识别过程工厂实体的状况,并将对所识别的状况的指示发送到计算设备250或另一计算设备中的另一应用或模块。其它应用或模块可以执行另外的分析,例如,相对于同一过程工厂100、企业、工业等中的其它过程工厂实体而言,以检测过程工厂实体的健康状态,如以下参考图7A-7B更详细描述的。其它应用或模块基于过程工厂实体的相对健康状态来检测过程工厂实体的状况。
在某些实施例中,将基于过程工厂实体的相对健康状态确定的状况与基于机器学习方法确定的状况进行比较。当基于过程工厂实体的相对健康状态指标确定的状况与基于机器学习方法确定的状况不一致时,其它应用或模块执行一步分析以检测或识别在过程工厂实体处发生的状况和/或向操作者发送对状况的指示和相关过程参数度量以便进一步察看。
为了增加检测或识别在过程工厂实体处发生的状况的精确性,可以分别为过程工厂实体的某些操作特性生成单独的统计模型。例如,当过程工厂实体是阀时,对于阀可以在其中操作的每种模式(诸如,全行程循环、连续节流、周期性节流等)生成不同的统计模型。当计算设备250识别阀当前正在操作的模式时(例如,以上面讨论的方式),将阀的过程参数值与基于以相同模式操作的阀的历史过程参数值生成的统计模型进行比较。以此方式,统计分析更精确。在一个操作模式中的过程参数值可以指示与在另一个操作模式中的过程参数值不同的状况。例如,尽管在连续节流模式中特定量的死区时间过长,但在全行程循环模式中相同量的死区时间可能是可接受的。
可以使用各种机器学习技术(诸如线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、提升、最近邻、神经网络),以上面所描述的类似的方式生成针对每种模式的统计模型。历史过程参数值根据对应阀的操作模式来进一步分类,并且基于针对每个操作模式和/或状况的历史过程参数值的子集生成统计模型。
然而,在将阀的在线过程参数值与针对与阀相同的操作模式的统计模型进行比较之前,计算设备250确定阀的操作模式。可以使用与统计模型进行比较的相同的过程参数集合、不同的过程参数集合、或与统计模型进行比较的过程参数集合重叠的过程参数集合,来确定阀的操作模式。在任何情况下,用于确定阀的操作模式的示例性过程参数通常可以包括:阀行程、行程设定点和/或阀的驱动信号。为了确定阀的操作模式,计算设备250另外地或替代地使用基于随时间收集的过程参数值的过程参数度量,诸如每次反转的平均阀行程、每次反转的移动平均阀行程、每次反转的衰减阀行程、阀行程的标准偏差、或每个时间段的反转数量。(反转是阀行程中从打开到关闭或从关闭到打开的转换。)
在某些实施例中,计算设备250内的模式确定应用或模块确定阀的操作模式。然后,模式确定应用或模块向用户接口设备235发送对所确定的操作模式的指示,以向操作者通知该操作模式。另外,模式确定应用或模块可以将对所确定的操作模式的指示发送到计算设备250或其它计算设备中的另一应用或模块。其它应用或模块然后使用所确定的操作模式来将阀的在线过程参数和与该阀相同的操作模式的统计模型进行比较,以检测或识别在阀处发生的状况(如果有的话)。
图6A示出了使用本文所描述的新颖技术中的至少某些,针对在不同操作模式下各自操作的三个阀随时间收集的阀行程数据的示例性图形描绘500。第一阀502在全行程循环模式下操作。第二阀504在周期性节流模式下操作,并且第三阀506在连续节流模式下操作。当阀完全打开时,阀行程可能是0%,当阀完全关闭时,阀行程可能是100%,或阀行程可能是其间的任何位置(例如,50%)。如图6A所示,作为时间的函数的阀行程对于每种操作模式具有不同的图案。
例如,连续节流模式中第三阀506的阀行程具有恒定频率和幅度显著小于100%(例如,20%)的正弦曲线图案。在连续节流模式中,响应于过程控制系统100中的调整,第三阀506是静止的或不断移动的。然而,除非操作被关闭,否则第三阀506在该模式下不完全打开或关闭。在时间t=15时第三阀506的阀行程约为52%(参考506a),在时间t=20时约为48%(参考506b),在时间t=25时再次约为52%(参考506c)。
在另一方面,在全行程循环模式中,第一阀502从完全打开到完全关闭,反之亦然,但并不是部分地打开或关闭。因此,在全行程循环模式中,第一阀502的阀行程是阶跃函数图案,其中,第一阀502的阀行程从时间t=10到t=20是0%(参考502a),从时间t=25到t=40是100%(参考502b),从时间t=42到t=60是0%(参考502c)。
周期性节流模式是全行程循环和连续节流模式的组合。在周期性节流模式中,第二阀504在节流状态和完全关闭/打开的状态之间交替。因此,在周期性节流模式中,第二阀504的阀行程是阶跃函数图案和正弦图案的组合。第二阀504的阀行程从时间t=10到t=15是0%(参考504a),并且然后转换到类似于阶跃函数的30%(参考504b)。然后,从时间t=18到t=28,阀行程在大约30%以约2%的幅度的正弦图案进行振荡。在大约t=30时间,阀行程转换回到0%(参考504c),并保留在此直到时间t=35,之后再次转换到30%。在周期性节流模式中,第二阀504的阀行程展示两个频率,每次阀行程从0%转换到30%时,第一小频率从0%至30%反复转换,第二大频率每次从大约29%到大约31%反复振荡。
基于针对各种操作模式作为时间的函数的阀行程的图形描绘中的不同图案,计算设备250通过分析随着阀的在时间上的阀行程数据来确定操作模式。另外地或替代地,计算设备250分析其它阀参数值,诸如操纵阀的驱动信号、阀的行程设定点和/或随时间的其它阀参数值,以确定阀的操作模式。还可以分析其它参数(诸如致动器压力)以确定阀的操作模式。
在某些实施例中,计算设备250通过将预定的规则集合应用于过程参数或过程参数度量来确定操作模式。例如,计算设备250可以将在时间上的阀行程转换到频域并检测或识别阀行程是否包括高频(连续节流)、低频(全行程循环)、或高频和低频的组合(周期性节流)。计算设备250可以应用诸如高通、低通或带通滤波器之类的滤波器来检测或识别频率并确定阀的相应的操作模式。
另外地或替代地,计算设备250使用阀数据来计算过程参数度量。例如,使用阀行程测量数据,可以计算过程参数度量(诸如每次反转的平均阀行程、每次反转的移动平均阀行程、每次反转的衰减阀行程、阀行程的标准偏差、每个时间段的反转数量等)。例如,对于第一阀502在大约时间t=40处发生反转,因为在大约时间t=20处阀关闭(阀行程增加),然后在大约时间t=0处开始打开(阀行程减小)。在该时间帧期间,阀行程从0%移动到100%,因此每次反转的阀行程是100%。然而,上面仅仅是可以用于确定阀的操作模式的示例性过程参数和/或过程参数度量。可以利用任何适合的过程参数和/或过程参数度量。
图6B描绘了表示用于检测或识别阀的操作模式的示例性基于规则的方法550的流程图。方法550可以由如图3所示的计算设备250,或者由任何适合的计算设备执行(例如,经由模式确定应用或模块)。如上所述,计算设备250可以包括在远程系统210中和/或可以通信地连接到无线网关205A、205B、现场网关212、数据二极管215、和/或边缘网关218。
在框552处,以安全的方式接收用于阀的过程参数值(例如,阀参数值)。例如,过程或阀参数值可以经由数据二极管,使用防火墙、加密技术、和/或任何其它适合的安全机制发送到计算设备250。对于每个过程参数或阀参数,计算设备250接收与若干时间实例相对应的若干过程参数值。每个过程参数值包括指示何时生成过程参数值的相应的时间戳。用于检测或识别阀的操作模式的过程或阀参数可以包括用于检测或识别在阀处发生的状况的相同的过程或阀参数集合(例如,如图5的方法400所描述的),以及用于检测或识别在阀处发生的状况的不同的过程或阀参数集合,或者在其中集合中的某些过程/阀参数相同并且其它不同的重叠的过程或阀参数集合。针对阀的过程/阀参数可以包括阀行程测量或指示、阀的驱动信号、阀行程设定点、致动器压力等。
在任何情况下,在框554处,确定阀的一个或多个过程参数度量。例如,针对阀,确定每循环的平均阀行程。通过计算每次阀从打开到关闭或从关闭到打开的转换的阀行程的变化,然后对所计算出的阀行程的变化进行平均,来确定每个循环的平均阀行程。例如,转向图6A中随时间推移的阀行程的图形描绘500,第一阀502包括在时间t=10到时间t=40之间100%的阀行程的变化(从0%到100%)。从时间t=42到t=60的阀行程的变化也是100%(从100%到0%)。此外,阀行程的变化从时间t=70到t=90再次是100%。因此,每个循环的平均阀行程是100%。相比之下,第三阀506包括在时间t=15到t=20之间的约4%的阀行程变化(从52%至48%),并且4%的变化是稳定的,直到时间t=35,其中阀行程的变化从时间t=30到t=35增加了10%左右(从45%到55%)。在那里,每个循环的平均阀行程约为7%。
在框556处,计算设备250确定每个周期的平均阀行程是否大于阈值数量(例如,95%)。当每个循环的平均阀行程大于95%时,计算设备250确定阀的操作模式是全行程循环(框558)。例如,如图6A所示的第一阀502具有每个循环的平均阀行程高于95%,并且因此第一阀502处于全行程循环模式。在某些实施例中,计算设备250然后执行分析,例如,使用上述机器学习技术来检测或识别在阀处发生的状况(如果有的话)。例如,使用根据在全行程循环模式中的阀的历史过程参数值生成的统计模型来识别该状况。在其它实施例中,计算设备250内的模式确定应用或模块将对所确定的操作模式的指示发送到用户接口设备235或者计算设备250或其它计算设备中的另一个应用或模块。其它应用或模块可以基于所确定的操作模式和/或阀数据来执行分析,例如,使用上述机器学习技术来检测或识别在阀处发生的状况(如果有的话)。
当每循环的平均阀行程不大于阈值数量(例如,95%)时,计算设备250确定阀行程是否在时间段上变化超过了阈值错误范围(例如,2%)(框560)。当阀行程不变化时,计算设备250确定阀不移动并处于饱和状况(框561)。另一方面,当阀行程变化时,计算设备250确定在在线操作期间接收到的阀行程值是否偶尔达到截止值(例如,0%或100%)(框562)。当阀行程值偶尔(例如,至少一次)达到0%或100%截止值时,计算设备250确定阀的操作模式是周期性节流(框564)。例如,如图6A所示的第二阀504的阀行程从时间t=10到t=15是0%。在某些实施例中,计算设备250然后(例如,使用上述机器学习技术)执行分析,以检测或识别在阀处发生的状况(如果有的话)。使用根据在周期性节流模式中的阀的历史过程参数值生成的统计模型来识别状况。在其它实施例中,计算设备250内的模式确定应用或模块将对所确定的操作模式的指示发送到用户接口设备235或计算设备250或其它计算设备中的另一个应用或模块。然后,其它应用或模块(例如,使用上述机器学习技术)执行分析,以检测或识别在阀处发生的状况(如果有的话)。
另一方面,当阀行程值没有达到0%或100%截止值时,计算设备250确定阀的操作模式是连续的节流(框566)。例如,如图6A所示第三阀506的阀行程保持在约45%和55%之间,从不达到0或100%。在某些实施例中,计算设备250然后(例如,使用上述机器学习技术)执行分析,以检测或识别在阀处发生的状况(如果有的话)。使用根据在连续节流模式中的阀的历史过程参数值生成的统计模型来识别该状况。在其它实施例中,计算设备250内的模式确定应用或模块将对所确定的操作模式的指示发送到用户接口设备235或者计算设备250或其它计算设备中的另一个应用或模块。然后,其它应用或模块(例如,使用上述机器学习技术)执行分析,以检测或识别在阀处发生的状况(如果有的话)。
尽管方法550包括用于检测或识别阀的操作模式的预定规则集合,但这仅仅是为了便于说明的一个示例。计算设备250可以使用任何适合的预定规则集合来检测或识别阀的操作模式,包括对于包括在方法550中的规则的另外的或替代的规则。此外,尽管方法550中的预定规则集合被应用于阀行程过程参数,但是该预定规则集合可以被应用于阀的任何数量的过程参数。
在其它实施例中,计算设备250使用类似于上述机器学习技术的各种机器学习技术来确定操作模式,以检测或识别在过程工厂实体处发生的状况。例如,对于与阀相关的若干过程参数(例如,阀行程、阀驱动信号、阀行程设定点、致动器压力等),计算设备250接收随时间收集的历史过程参数值,其中历史过程参数值中的每个通过相应阀的操作方式进行分类。计算设备250然后分析与特定操作模式相对应的历史过程参数值的子集中的每个,以生成用于每个操作模式的统计模型。当在计算设备250处接收到阀的过程参数值和相应的时间戳时,计算设备250将过程参数值与每个统计模型进行比较,以确定阀的操作模式。
图6C描绘了表示用于检测或识别阀的操作模式的示例性方法580的流程图。该方法580可以经由例如模式确定应用或模块,在如图3所示的计算设备250上或任何适合的计算设备执行。如上所述,计算设备250可以包括在远程系统210中和/或可以通信地连接到无线网关205A、205B、现场网关212、数据二极管215、或边缘网关218。
在框582处,获取针对与一个或多个阀相对应的一个或多个过程参数(例如,一个或多个阀参数)的历史过程参数值(例如,历史阀参数值)。历史过程参数值中的每个包括当生成历史过程参数值时相应的时间戳和对相应阀的操作模式的指示。与特定时间窗(例如,一小时)相关联的历史过程参数值或历史过程参数值集合中的每个被分类到过程参数值的相应子集(框584),其中该特定时间窗与相应的阀的特定操作模式相关联。例如,历史过程参数值可以被分类到与全行程循环模式相关联的过程参数值的第一子集、与连续节流模式相关联的过程参数值的第二子集、或与周期性节流模式相关联的过程参数值的第三子集。
在框586处,例如通过使用各种机器学习技术,基于历史过程/阀参数值的子集来生成统计模型。机器学习技术可以包括线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、提升、最近邻、神经网络等。在某些实施例中,针对多个阀操作模式,生成单个统计模型。在其它实施例中,针对每个阀操作模式,生成不同的统计模型。在其它实施例中,将根据在时间上的历史过程参数值(例如,平均值、移动平均值等,例如如上所述)生成的过程参数度量与表示各种阀操作模式的多个统计模型进行比较,以确定哪个模式特定的统计模型最接近地对应于过程参数度量。例如,可以针对每个模式特定的统计模型(关于过程参数度量)生成相似度或差异的相应测量,并将该测量进行比较以确定适当的模式特定统计模型。
在任何情况下,在框588处,以安全的方式接收目标阀的阀数据。例如,阀数据可以经由数据二极管,使用防火墙、加密技术、和/或任何其它适合的安全机制传送到计算设备250。阀数据包括与阀相对应的过程参数值,诸如与驱动信号、阀行程测量、行程设定点、致动器压力等相对应的值。对于每个过程参数,计算设备250接收在若干时间实例处获取的若干过程参数值。例如,每个过程参数值包括指示何时生成过程参数值的相应的时间戳。
基于目标阀的相应的时间序列过程参数值,可以针对每个过程参数生成一个或多个过程参数度量。示例性过程参数度量包括每次反转的平均阀行程、每次反转的移动平均阀行程、每次反转的衰减阀行程、阀行程的标准偏差、每个时间段的反转数量、与阀行程相对应的波随时间的幅度、相位和/或频率等。
将过程参数度量中的一个或多个与(一个或多个)统计模型进行比较(框590),以检测或识别目标阀的操作模式(框592)。例如,当由朴素贝叶斯生成统计模型时,将一个或多个过程参数度量和与全行程循环模式相关联的过程参数值的子集的分布、与连续节流模式相关联的过程参数值的子集的另一个分布,以及与周期性节流模式相关联的过程参数值的子集的又一个分布进行比较。计算设备250确定哪个分布与过程参数度量最接近匹配,并且因此识别目标阀的操作模式。在另一个示例中,当由决策树、随机森林、或提升生成统计模型时,计算设备250使用过程参数度量来遍历决策树的节点,以确定目标阀的操作模式。
基于所识别的目标阀的操作模式,计算设备250执行相应的分析以检测或识别在目标阀处出现或存在的状况(如果有的话)。例如,当所识别的阀操作模式是周期性节流时,计算设备250例如使用基于在周期性节流模式中操作的阀的历史过程参数值生成的统计模型来执行分析,以检测或识别在阀处出现状况(如果有的话)(框594a)。当所识别的操作模式是连续性节流时,计算设备250例如使用基于在连续节流模式中操作的阀的历史过程参数值生成的统计模型来执行分析(框594b)。当所识别的操作模式是全行程循环时,计算设备250例如使用基于在全行程循环模式中操作的阀的历史过程参数值生成的统计模型来执行分析(框594c)。
在某些实施例中,计算设备250内的模式确定应用或模块将对所确定的操作模式的指示传送到用户接口设备235、到计算设备250中的另一个应用或模块、和/或到另一个计算设备。其它应用、模块或计算设备例如使用机器学习技术和/或诸如上面讨论的那些统计模型之类的统计模型来执行相应的分析,以检测或识别在目标阀上出现或存在的状况(如果有的话)。
在框596处,例如,通过使用与所识别的用于阀的操作模式相同的操作模式生成的统计模型,以检测或识别阀的状况。例如,对于与所识别的阀操作模式相对应的、并通过使用朴素贝叶斯生成的统计模型,将目标阀的过程参数度量和与状况相关联的过程参数值的子集的分布以及与状况不相关联的过程参数值的子集的另一个分布进行比较。计算设备250确定哪个分布与过程参数度量更接近地匹配,并且识别目标阀是否正在相应地经历该状况。在另一个示例中,对于与所识别的阀操作模式相对应的并与决策树、随机森林、或提升相对应的统计模型,计算设备250使用目标阀的过程参数度量来遍历决策树的节点,以确定目标阀正在经历哪些状况(如果有的话)。在又一个示例中,对于与所识别的阀操作模式相对应的并使用诸如逻辑回归、线性回归、多项式回归等回归分析生成的统计模型,计算设备250将目标阀的过程参数度量应用于相应的回归方程,以检测或识别阀的性能监控度量或其它状况。
在框598处,计算设备250向用户接口设备235传送对检测到/识别的状况的指示,例如,以通知操作者该状况。对状况的指示可以是警报或错误消息,包括检测到的状况的类型(例如,死区、机械磨损等),以及对经历该状况的阀的识别、用于检测状况的过程或阀参数值、用于解决由该状况产生的潜在问题的步骤、和/或任何其它适合的信息。
在某些实施例中,计算设备250使得根据检测到/识别到的阀的状态在过程工厂100处生成警报或事件。例如,计算设备250将通信传送到过程工厂100以激活阀的警报或事件,或者向用户接口设备235传送请求以将相应的通信传送到过程工厂100以激活阀的警报或事件。在其它实施例中,计算设备250将控制信号传送到过程工厂110,以基于所识别的状况来调整阀的操作和/或过程工厂的操作。例如,当阀正在经历泄漏时,计算设备250将控制信号传送到过程工厂110以关闭阀的操作。
另外地或替代地,计算设备250将对状况的指示传送到另一个计算设备、服务或应用(例如,以用于进一步分析)。例如,计算设备250内的状况确定应用或模块检测或识别过程工厂实体的状况,并将对所识别的状况的指示传送到计算设备250或其它计算设备中的另一个应用或模块。其它应用或模块可以执行另外的分析,例如相对于同一的过程工厂100、企业、工业等中的其它过程工厂实体而言,以检测过程工厂实体的健康状态,如以下参考图7A-7B的更详细地描述的。其它应用或模块基于过程工厂实体的相对健康来检测过程工厂实体的状况。
在某些实施例中,将基于过程工厂实体的相对健康确定的状况与基于机器学习方法确定的状况进行比较。当基于过程工厂实体的相对健康指示符确定的状况与基于机器学习方法确定的状况不一致时,其它应用或模块执行进一步分析以检测或识别在过程工厂实体处发生的状况和/或向操作者发送对状况和相关过程参数度量的指示,以便进一步察看。
注意,尽管图6B和图6C所示的方法550、580检测或识别了阀的三种操作模式(全行程循环、连续性节流和周期性节流),但是可以识别另外的、替代的、或任何适合数量的操作模式。
为了进一步提供对阀的统计分析,可以将特定阀的阀数据与同一过程工厂、企业、工业中或所有行业的若干其它阀的阀数据进行比较。以此方式,除了历史过程参数之外,还可以相对于其它当前操作的阀来识别特定阀的健康。在某些实施例中,对特定阀的健康在同一工厂、企业、行业或所有行业中操作的每个阀之间进行排序。
例如,基于与阀相对应的过程参数值与历史过程参数值的比较,例如,通过使用统计模型,计算设备250确定在特定阀处正在发生或存在的特定状况(例如,错误)。然而,根据针对阀中的每个阀的总体设备健康参数或与错误状况相关的某些其它过程参数,特定阀可能排序在过程工厂中的这些阀的中间。因此,基于阀的总体设备健康参数,当与过程工厂中的其它阀进行比较时,计算设备250确定特定阀正在正常操作。
为了说明,图7A示出了对于三个不同的阀随时间收集的阀循环的示例性图形描绘600,其中循环表示在阀行程方向(例如,从打开到关闭或从关闭到打开)的反转。在该示例中,阀循环用于生成总体设备健康参数,以便比较在同一过程工厂100、企业、工业中或所有行业中操作的阀602-606中的每个。然而,这仅是一个示例,并且可以使用另外的或替代的过程参数或过程参数度量来生成总体设备健康参数。
在任何情况下,对于第一阀602,在13周的时间跨度中阀循环的量是一致的,平均在整个时间段中每个小时大约11个循环。尽管值从每小时约10个循环改变为每小时约12个循环,但是平均斜率或每小时循环的变化几乎是平坦的。对于第二阀604,阀循环的量在大约每小时9个循环是一致的直到第7周。然后,在从第8周到第13以每小时大约14个循环的一致值处趋向平稳之前,阀循环的量从第7周增加到第8周。这可能指示过程参数值的变化或阀的机械变化,诸如机械磨损。对于第三阀606,阀循环的量在约每个小时9.5个循环,直到约第7周。然后阀循环的量在第13周随时间逐渐增加到每小时约16个循环。
因此,计算设备250通过将阀的相应的总体设备健康状态参数与其它阀的总体设备健康参数进行比较来确定每个阀602、604、606的相对健康状态指标。阀的相对健康指示符可以指示阀在其它阀之间该阀的排列的位置、针对阀的总体设备健康参数之间的总体设备健康参数的百分位数,或某些其它适合的指标。
例如,由于第一阀602的每周的阀循环是最一致的,所以计算设备250可将第一阀602排列为最高或者将最高的总体设备健康参数分配给第一阀602。因为当阀604和阀606两者的阀循环的量随时间增加时,阀循环的量在第二阀604中趋于平稳,而阀循环的量持续在第三阀606中随时间增加,所以第二阀604可以在第三阀606上排名第二。
在某些实施例中,图形描绘600被传送到用户接口设备235,以在用户接口(例如,用户接口设备235的用户接口、和/或操作者工作站171的用户接口)处进行显示。另外地或替代地,包括在图形描绘600中的数据由计算设备250进行分析。在某些实施例中,用于阀602-606中的每个的相应的相对设备健康指示符(例如,总体设备健康参数或排名)被传送以在用户接口(例如,用户接口设备235的用户接口、和/或操作者工作站171的用户接口)处进行显示。
根据随时间的每小时平均阀循环的变化,可以确定阀602-606中的每个的总体设备健康参数。还基于分析确定或调整在阀处发生的状况,并将该状况传送到用户接口设备235。
例如,对于第二阀604,计算设备250例如通过使用上述机器学习技术来分析与第二阀604相对应的过程参数值。计算设备250例如,通过使用上述技术,还确定第二阀604的操作模式,并且识别适当统计模型以将其应用于过程参数值,以检测或识别在第二阀604处发生的状况。如果基于所应用的统计模型,计算设备250确定第二阀604正在经历机械磨损,则相对设备健康指示符(例如,总体设备健康参数或第二阀604与其它阀602、606的并排比较)可以用于确认第二阀604确实正在经历机械磨损。另一方面,相对设备健康指示符(例如,总体设备健康参数或第一阀602与其它阀604、606的并排比较)可以建议与其它阀604、606相比,第一阀602相对健康,即使对统计模型的应用的结果指示阀604正在经历一定程度的机械磨损。该学习的信息可以被提供给操作者和/或另一个应用或服务以便进一步分析。
图7B描绘了表示用于比较若干阀的健康状态和基于该比较来检测/识别阀的相应状况的示例性方法650的流程图。方法650可以由如图3所示计算设备250或由任何适合的计算设备执行。如上所述,计算设备250可以包括在远程系统210中和/或可以通信地连接到无线网关205A,205B、现场网关212、数据二极管215、或边缘网关218。
在框652处,以安全的方式接收多个阀的过程参数值(例如,阀参数值)。例如,过程或阀参数值可以经由数据二极管,使用防火墙、加密技术、和/或任何其它适合的安全机制传送到计算设备250。多个阀可以包括在同一过程工厂100、企业、行业或所有行业中。例如,将用于过程工厂100外部的阀的过程参数从网关176、178接收到系统,该系统是即时过程控制系统100外部的系统。
对于每个过程或阀参数,计算设备250接收在若干时间实例处生成的若干过程参数值。例如,每个过程/阀参数值包括指示何时生成过程参数的相应的时间戳。用于比较阀健康状态的过程/阀参数可以包括用于检测或识别在阀处发生的状况的过程参数的同一集合(例如,如图5的方法400所述),用于检测或识别在阀处发生的状况的过程参数的不同集合,或者在集合中的某些过程参数相同而其它不同的过程参数的重叠集合。阀的示例性过程参数包括阀行程、阀的驱动信号、阀行程设定点、致动器压力等。
在某些实施例中,对于多个阀中的每个,计算设备250基于相应的过程参数值随时间确定每个过程参数的一个或多个相应的过程参数度量。过程参数度量包括例如每次反转的平均阀行程、每次反转的移动平均阀行程、每次反转的衰减阀行程、阀行程的标准偏差、如图7A所示的每个时间段的循环的数量、随时间推移的与阀行程相对应的波的幅度、相位和/或频率等。
在框654处,对每个阀的过程参数度量执行统计分析,以确定阀的总体设备健康参数。在某些实施例中,可以通过将规则集合应用于过程参数度量来确定总体设备健康参数。例如,如参考图7A所示,根据随时间的每小时平均阀循环的变化,将总体设备健康参数分配给每个阀,其中总体设备健康参数随着每小时平均阀循环的变化增加而减小。
在其它实施例中,使用与上面所描述的机器学习技术类似的一种或多种机器学习技术来确定总体设备健康参数。例如,一种或多种机器学习技术可以包括回归分析,诸如逻辑回归、线性回归、多项式回归等。此外,根据相应阀的健康状态,将总体设备健康参数分配给与阀相对应的过程参数的历史过程参数值中的每个。
基于历史过程参数值和相应的总体设备健康参数,计算设备250生成方程式,该方程式根据历史过程参数值,最逼近总体设备健康参数。在某些实施例中,使用普通最小二乘法来最小化使用统计模型的预测总体设备健康参数的值与分配给历史过程参数值的实际总体设备健康参数之间的差异。另外,使用统计模型的每个预测的总体设备健康参数的值与总体设备健康参数(yi)的值之间的差异以任何适合的方式被聚合和/或组合,以确定回归的均方误差(MSE)。然后,MSE用于确定统计模型中的标准误差或标准偏差(σε),其又用于创建置信区间。
使用统计模型,计算设备250将过程参数度量应用于作为回归分析的结果生成的方程式。因此,计算设备250识别阀的总体设备健康参数。对于阀中的每个重复该点以确定每个阀的总体设备健康参数。
使用总体设备健康参数(例如,随时间的每个时间段的平均阀循环等),计算设备250将一个阀的总体设备健康参数与同一过程设备100、企业、行业或所有行业中其它阀的总体设备健康参数进行比较。基于该比较,计算设备250确定每个阀的相对健康指示符。例如,在某些实施例中,基于其相应的总体设备健康参数,对阀进行排列。在其它实施例中,基于特定的过程参数或过程参数度量而对阀进行排列,并为若干过程参数和/或过程参数度量生成阀的若干排名。
在其它实施例中,计算设备250确定阀中的每个的总体设备健康参数的平均值和标准偏差。然后,假设高斯分布或任何其它适合的概率密度函数,计算设备250确定阀中的每个的总体设备健康参数百分位数作为每个阀的相对健康指示符。例如,具有等于平均总体设备健康参数值的总体设备健康参数的阀可以在第50百分位数。具有关于平均总体设备健康参数的2个标准偏差的总体设备健康参数的另一个阀,可以在第98百分位数中,而具有低于平均总体设备健康参数的1个标准偏差的总体设备健康参数的另一个阀可以是在第16百分位数。
然后在框658处,基于阀的相对健康指示符来确定在阀处发生的状况。在某些实施例中,特定过程参数或过程参数度量指示特定类型的状况。例如,根据随时间每小时平均阀循环的变化,排列在阀的底部附近的阀可能经历了机械磨损。而且,根据死区时间或死区的数量,排列在阀的底部附近的阀可能会经历过多的死区时间或死区。此外,根据阀行程设定点和测量的阀行程之间的差异,排列在阀的底部附近的阀可能经历错误。
在其它实施例中,阀的相对健康指示符与机器学习方法(诸如图5中的方法400)结合使用以检测或识别在阀处发生的状况。例如,当基于阀的相对健康指示符确定的状况和基于机器学习方法确定的状况一致时,计算设备250确定基于机器学习方法确定的状况是精确的。另一方面,当基于阀的相对健康指示符确定的状况和基于机器学习方法确定的状况不一致时,计算设备250执行进一步分析以检测或识别在阀处发生的状况和/或向操作者传送对状况和相关过程参数度量的指示以便进一步审查。在其它实施例中,基于阀的相对健康指示符确定的状况覆盖了基于机器学习方法确定的状况。因此,计算设备250将基于阀的相对健康指示符确定的对状况的指示传送到用户接口设备235,以向操作者警告该状况。
例如,当阀数据与使用历史过程参数值生成的统计模型进行比较时,计算设备250确定阀正在经历过度的死区时间。然而,当阀与同一行业中的所有其它阀进行比较时,计算设备250确定阀正在经历的死区时间在该行业内约为平均值,因此该死区时间在可接受的范围内。
在另一个示例中,当阀数据与使用历史过程参数值生成的统计模型进行比较时,计算设备250确定阀的死区的量在可接受的范围内。然而,当阀与同一行业中的所有其它阀进行比较时,计算设备250确定与同一行业中的其它阀相比,阀的死区的数量在第99百分位数中。因此,计算设备250确定阀正在经历过度的死区。因此,计算设备250向用户接口设备235传送对过度死区状况的指示,使得在过程工厂100处生成警告或事件,该过程工厂100指示过度死区在阀处,或基于过度死区将控制信号传送到过程工厂110,以调整对阀的操作。例如,控制信号可以是关闭阀的指令。
在框660处,将对阀的状况的指示传送到用户接口设备235,以向操作者警告该状况。在某些实施例中,每个阀的相对健康指示符还被传送到用户接口设备235。例如,总体设备健康参数以及根据总体设备健康参数的对每个阀的排名被传送到用户接口设备235。对状况的指示可以是警报或错误消息,包括检测到的状况类型(例如,死区、机械磨损等)、经历该状况的阀、用于检测该状况的过程参数值、用于解决由状况创建的潜在问题的步骤或任何其它适合的信息。
在某些实施例中,计算设备250还根据阀的所识别的状况,在过程工厂100处生成警报或事件。例如,计算设备250将通信传送到过程工厂100以显示用于阀的警报或事件,或者向用户接口设备235传送请求以将通信传送到过程工厂100而显示用于阀的警报或事件。在其它实施例中,计算设备250将控制信号传送到过程工厂110,以基于所识别的状况来调整阀的操作。例如,当阀正在经历泄漏时,计算设备250将控制信号传送到过程工厂110以关闭对阀的操作。
另外,在框662处,对于每个阀,在若干时间实例处对过程参数值的指示被传送到用户接口设备235以便并排比较。例如,如图7A所示的图形描绘600可以被传送到用户接口设备235。以该种方式,操作者可以查看阀中的每个随时间的过程参数值的变化,并且可以将阀进行比较。
现在转到图8,图8是用于监控阀或其它过程工厂实体的健康状态和/或性能的示例性方法700的流程图。在实施例中,方法700的至少一部分由计算设备250和/或由远程应用或服务208执行。在某些实施例中,方法700的至少一部分由另一个计算设备执行,例如,该另一个计算设备在通信地连接到数据通道110的计算设备处、相对于过程工厂100在本地设置。特别地,方法700可以结合本文描述的技术、方法、系统、设备、和/或装置中的一个或多个进行操作。
总体来说,方法700旨在连续地和/或周期性地监控阀或其它目标过程实体,并且在阀正在操作时执行,以控制过程工厂100中的过程。这样,为了说明而不限制的目的,方法700是参考受监控的阀进行描述的。例如方法700(再)执行处的频率可以是预定的、和/或可以基于阀的临界性。当然,除了循环执行之外,可以基于诸如在过程工厂100内发生的事件之类的触发和/或用户请求或命令来启动对方法700的执行。
无论如何,在框702处,方法700包括确定与阀相对应的任何告警是否是有效的。如果在框702处,方法700确定存在与该阀相对应的有效的警报,则该方法包括通知用户,例如,通过在操作者工作站170和/或在用户接口设备235处向用户接口传送(一个或多个)有效告警的指示(框705)。如果需要,可以结合有效的告警通知来传送每个有效告警的相应优先级(框705)。例如,可以基于有效告警的等级和阀的临界性的度量或其它指示来确定相应的优先级。在完成用户通知之后(框705),方法700继续监控阀的健康状态和/或性能(框708),并返回到框702。
如果在框702处方法700确定不存在与阀相对应的任何有效告警,则方法700继续执行针对阀的一个或多个时间序列分析(框710)。例如,在框710处,方法700可以包括获取与阀相对应的时间序列阀数据,基于时间序列阀数据生成一个或多个过程工厂度量,以及将生成的过程工厂度量与一个或多个统计模型(例如,以诸如先前关于图5描述的方式)进行比较。在某些情况下,针对阀的时间序列分析可以基于检测到的阀的操作模式,诸如先前关于图6C所进行的描述。可以对阀执行的时间序列分析的示例(框710)包括确定斜率和/或趋势、确定平均值和其它度量、确定标准偏差和/或方差、将阀数据与各种阈值进行比较、和/或其它分析。在实施例中,框710包括确定对阀的总体设备健康状态的值或测量、和/或阀的相对健康指示符的值或测量,例如,诸如先前关于图7B所进行的描述。
在框712处,方法700包括确定框710处执行的时间序列分析的一个或多个结果的变化是否已发生或被观察到。例如,可以将最近执行的时间序列分析的结果(框710)与阀和/或类似阀的历史时间序列分析结果进行比较,和/或一个或多个时间序列分析结果可以与一个或多个监控的阀参数相对应。可以基于与阈值或基线的偏差的量(例如,期望值和/或随时间推移的行为)来确定阀参数值中的变化和/或到时间序列分析结果的变化的存在,例如,如果需要,指示变化的存在的偏差量可以是可配置的。可能被监控的变化的示例(框712)包括对驱动信号、行驶偏差、循环和/或行程量度、供应压力和/或与阀相对应的其它时间序列分析结果的变化。
如果在框712处方法700确定没有发生和/或没有观察到变化,则方法700继续监控阀的健康状态和/或性能(框708),并返回到框702。如果在框700处方法700确定已经发生和/或观察到变化,则方法700可选地包括确定变化的严重性的等级或测量(框715)。确定变化的严重性可以基于已经变化的参数值和/或时间序列分析结果的显著性、参数值/时间序列分析结果的变化的幅度、阀的临界性、和/或其它因素。
在框718处,方法700包括向用户通知阀参数和/或时间序列分析结果的变化以及可选地其相应的严重性。例如,可以向在操作者工作站170的用户接口和/或用户接口设备235传送变化和其严重性的通知。在完成了用户对变化的通知(框718)后,方法700继续监控阀的健康状态和/或性能(框708),并返回到框702。
在本公开内容中描述的技术的实施例可以包括单独或组合的任何数量的以下方面:
1、一种用于通过使用从过程工厂安全地传输到云计算系统的数据来检测过程工厂实体的状况的方法,所述方法包括:当过程工厂进行操作以控制工业过程时,在云计算系统处接收由过程工厂的一个或多个设备生成的数据,所述数据被保护以便经由数据二极管从所述一个或多个设备传送到所述云计算系统,并且所述数据二极管被配置为防止所述过程工厂的网络与所述云计算系统的网络之间的双向通信;在所述云计算系统处分析所述数据,从而检测过程工厂实体的状况,所述过程工厂实体执行物理功能以控制所述过程工厂中的所述工业过程,所述过程工厂实体与所述一个或多个设备相对应;并且将对所述过程工厂实体的状况的指示传送到用户接口设备,以向操作者警告所述状况。
2、根据方面1所述的方法,其中,接收由所述一个或多个设备生成的所述数据包括在多个时间实例处接收用于所述过程工厂实体的一个或多个过程参数中的每个的相应过程参数值。
3、根据前述方面中任一项所述的方法,其中分析所述数据从而检测所述过程工厂实体的状况包括:对于所述一个或多个过程参数中的每个,在所述多个时间实例上组合所述一个或多个过程参数的所述相应的过程参数值,以生成过程参数度量;以及基于所述过程参数度量来检测所述过程工厂实体的状况。
4、根据前述方面中任一项所述的方法,其中,在所述多个时间实例上组合所述一个或多个过程参数的所述相应的过程参数值以生成所述过程参数度量,包括:计算以下参数中的至少一个以生成过程参数度量:在所述多个时间实例上的所述相应的过程参数值的移动平均值或者相应的过程参数值的衰减平均值。
5、根据前述方面中任一项所述的方法,还包括基于所述一个或多个过程参数的历史过程参数值生成统计模型;并且其中基于所述过程参数度量来检测所述过程工厂实体的状况包括将所述过程参数度量应用于所述统计模型。
6、根据前述方面中任一项所述的方法,其中,基于所述一个或多个过程参数的所述历史过程参数值来生成所述统计模型包括:将每个历史过程参数值分类为:对应于针对已经经历了所述状况的一个或多个过程工厂实体的过程参数值的第一集合;或分类为对应于针对未经历所述状况的一个或多个过程工厂实体的过程参数值的第二集合;以及基于对所述历史过程参数值的分类来生成所述统计模型。
7、根据前述方面中任一项所述的方法,还包括:接收对所述过程工厂实体是否已经经历了所述状况的指示;以及基于对所述过程工厂实体是否已经经历了所述状况的指示,更新所述历史过程参数值以包括所述过程工厂实体的所述一个或多个过程参数的相应的过程参数值。
8、根据前述方面中任一项所述的方法,其中,检测所述过程工厂实体的状况,包括以下步骤中的至少一个:检测所述过程工厂实体的性能监控度量;或检测在所述过程工厂实体处的错误、死区、死区时间、或泄露中的至少一个。
9、根据前述方面中任一项所述的方法,还包括基于所检测的所述过程工厂实体的状况来引起在所述过程工厂处生成的警报或事件。
10、根据前述方面中任一项所述的方法,还包括向所述过程工厂传送控制信号,以基于检测到所述过程工厂实体的状况来调整对所述过程工厂实体的操作。
11、根据前述方面中任一项所述的方法,其中,接收由所述一个或多个设备生成的数据包括经由所述数据二极管接收从所述一个或多个设备流动到所述云计算系统的实时数据。
12、根据前述方面中任一项所述的方法,其中,所述过程工厂实体包括以下设备中的至少一个:阀、致动器、罐、混合器、泵、热交换器、现场设备、I/O设备、控制器或执行物理功能以控制过程工厂中的工业过程的另一个设备。
13、根据前述方面中任一项所述的方法,其中所述一个或多个设备包括以下至少一个:包括在所述过程工厂实体中的一个或多个设备,现场设备,I/O设备,控制器,节点,通信设备,适配器,路由器,网关或设置在过程工厂中的另一设备。
14、根据前述方面中任一项所述的方法,还包括确定所述过程工厂实体的操作模式,并且其中分析所述数据包括利用与所述过程工厂实体的操作模式相对应的技术或模型来分析所述数据。
15、一种用于检测过程工厂的过程工厂实体的状况的系统,所述系统包括:
设置在所述过程工厂中并且执行物理功能以控制工业过程的过程工厂实体相对应一个或多个设备;
将所述一个或多个设备通信地连接到一个或多个计算设备的数据二极管,所述数据二极管被配置为防止所述过程工厂的网络与所述一个或多个计算设备之间的双向通信;以及
一个或多个计算设备包括:一个或多个处理器;通信单元;以及耦合到所述一个或多个处理器和所述通信单元的一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质在其上存储指令,所述指令在由所述一个或多个处理器执行时,使得所述计算设备执行以下步骤:
在过程工厂在线时,经由所述数据二极管和所述通信单元接收由所述过程工厂的所述一个或多个设备生成的数据,该数据被保护以便经由所述数据二极管从一个或多个设备传送到计算设备;分析所述数据以检测所述过程工厂实体的状况;并且经由所述通信单元向用户接口设备传送所述过程工厂实体的状态的指示以向操作者警告所述状况。
16、根据前述方面的系统,其中,由所述一个或多个设备生成的数据包括在多个时间实例中所述过程工厂实体的一个或多个过程参数中的每个的相应过程参数值。
17、根据方面15-16中任一项所述的系统,其中:对用于检测所述过程工厂实体的状况的所述数据的分析包括在所述多个时间实例上,对所述一个或多个过程参数的相应的过程参数值进行组合以生成一个或多个过程参数度量;并且基于所述一个或多个过程参数度量来检测所述过程工厂实体的状况。
18、根据方面15-17中任一项所述的系统,其中,所述相应的过程参数值的组合包括以下参数中的至少之一:所述相应过程参数值的移动平均值或所述相应的过程参数值的衰减平均值。
19、根据方面15-18中任一项所述的系统,还包括基于所述一个或多个过程参数的历史过程参数值生成的统计模型;并且其中,通过将所述一个或多个过程参数度量应用于所述统计模型来检测所述过程工厂实体的状况。
20、根据方面15-19中任一项所述的系统,其中,所述统计模型是基于如下的分类来生成的:将每个历史过程参数值分类为对应于针对已经经历了所述状况的一个或多个过程工厂实体的过程参数值的第一集合;或分类为对应于针对未经历所述状况的一个或多个过程工厂实体的过程参数值的第二集合。
21、根据方面15-20中任一项所述的系统,其中,通过使用一个或多个机器学习技术而生成所述统计模型,所述一个或多个机器学习技术包括:线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、引导、最近邻值、或神经网络。
22、根据方面15-21中任一项所述的系统,其中,所述一个或多个过程参数指示以下参数中的至少一个:压力、温度、流量、密度、面积或体积。
23、根据方面15-22中任一项所述的系统,其中,所述过程工厂实体的状况包括以下状况中的至少一个:性能监控度量、错误、死区、死区时间或所述过程工厂实体处中的泄漏。
24、根据方面15-23中任一项所述的系统,其中,所述一个或多个设备包括以下设备中的至少一个:现场设备或执行控制例程的控制器,所述控制例程利用以下信号中的至少一个信号:由所述现场设备生成的信号或发送到所述现场设备的信号。
25、根据方面15-24中任一项所述的系统,其中,所述过程工厂实体包括以下设备中的至少一个:阀、现场设备、I/O设备、经由所述I/O设备耦合到所述现场设备的控制器、罐、混合器、泵、或热交换器。
26、根据方面15-25中任一项所述的系统,还被配置为执行方面1-14中任一项的方法。
27、一种用于检测过程工厂中的阀的操作模式的方法,所述方法包括:在计算设备处接收由于所述阀在所述过程工厂内操作以控制工业过程而生成的数据,所述阀数据包括在多个时间实例上针对一个或多个阀参数的所述阀的相应的阀参数值;由所述计算设备分析所述阀数据,以从多个阀操作模式中识别所述阀的操作模式,所述多个阀操作模式包括以下模式中的两个或更多个:全冲程循环、连续节流、或周期性节流;以及向用户接口或另一个应用中的至少一个发送对所识别的所述阀的操作模式的指示,以便分析所述过程工厂中的操作。
28、根据前述方面的方法,其中,所述相应的阀参数值是阀参数的第一集合,并且所述方法还包括:基于所识别的所述阀的操作模式,选择阀参数的第二集合;对所述多个时间实例上的所述阀参数的第二集合的阀参数值的第二集合进行分析,从而检测所述阀的状况,所述阀参数值的第二集合包括在所述阀数据中;以及向所述用户接口发送对所检测到的所述阀的状况的指示。
29、对所述多个时间实例上的所述阀参数值的第二集合进行分析,从而检测所述阀的状况包括:将在所述多个时间实例上的所述阀参数值的第二集合进行组合,以生成一个或多个阀参数度量;以及基于所述一个或多个阀参数度量检测所述阀的状况。
30、根据方面27-29中任一项所述的方法,还包括:基于针对所述阀参数的第二集合的历史阀参数值来生成统计模型,所述历史阀参数值由在所识别的所述阀的操作模式下操作的一个或多个阀生成;并且其中,基于所述一个或多个阀参数度量检测所述阀的状况包括:将所述一个或多个阀参数度量应用于所述统计模型。
31、根据方面27-30中任一项所述的方法,其中,生成所述统计模型包括使用一个或多个机器学习技术生成所述统计模型,所述一个或多个机器学习技术包括以下技术中的至少一个:线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、引导、最近邻值或神经网络。
32、根据方面27-31中任一项所述的方法,基于所检测的所述阀的状况来使得警报或事件在所述过程工厂处生成。
33、根据方面27-32中任一项所述的方法,其中,检测所述阀的状况包括以下动作中的至少一个:确定所述阀的性能度量,或者检测以下参数中至少之一:错误、死区、死区时间、或在所述阀处的泄漏。
34、根据方面27-33中任一项所述的方法,其中,分析所述阀数据以识别所述阀的操作模式包括:将在所述多个时间实例上的所述阀的相应的阀参数值进行组合,以生成所述阀的阀参数度量;将所述阀的阀参数度量和相应地与多个阀操作模式相对应的多个统计模型进行比较,每个统计模型都与相应的阀操作模式相对应,并且基于在所述相应的阀操作模式下操作的一个或多个阀的相应的历史阀参数值而生成;以及基于比较结果识别所述阀的操作模式。
35、根据方面27-34中任一项所述的方法,其中,分析包括相应的阀参数值的阀数据以识别所述阀的操作模式包括:分析与以下中的至少一个相对应的值,以识别阀的操作模式:行程设定点、阀行程测量结果、仪器驱动信号、致动器压力、行程循环、循环计数器、行程累加器、或在所述多个时间实例上的控制信号。
36、根据方面27-35中任一项所述的方法,其中,在所述过程工厂的在线操作期间对所述多个时间实例上的所述阀的相应的阀行程测量结果进行分析,以确定每个循环的平均阀行程;当所述每个循环的平均阀行程超过阈值数量时,确定所述阀正在所述全冲程循环模式下操作;当所述每个循环的平均阀行程未超过所述阈值数量时,确定所述阀正在所述连续节流模式下操作;以及当所述阀在所述全冲程循环模式下操作与在所述连续节流模式下操作之间交替时,确定所述阀正在所述周期性节流模式下操作。
37、方面27-36中任一项的方法与方面1-14中任一项的方法进行组合。
38、根据方面27-37中任一项所述的方法,由方面15-26的中任一项的系统执行。
39、一种用于检测过程工厂中的阀的操作模式的系统,所述系统包括:在过程工厂内操作以控制工业过程的阀;以及
一个或多个计算设备,所述一个或多个计算设备包括:一个或多个处理器;通信单元;以及一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质耦合到所述一个或多个处理器和所述通信单元,所述一个或多个非暂时性计算机可读介质在其上存储指令,当所述指令被所述一个或多个处理器执行时,使得所述一个或多个计算设备被配置为:
经由所述通信单元接收由于在所述过程工厂内操作的阀而生成的数据,以控制所述工业过程,所述阀数据包括在多个时间实例内的用于一个或多个阀参数的阀的相应的阀参数值;分析所述阀数据,以从多个阀操作模式中识别所述阀的操作模式,所述多个阀操作模式包括以下模式中的两个或多个:全行程循环、连续性节流、或周期性节流;并且经由所述通信单元将对所识别的所述阀的操作模式的指示传送到所述过程工厂中的用于分析操作的用户接口或另一个应用中的至少一个。
40、根据前述方面的系统,其中,所述相应的阀参数值是阀参数的第一集合,并且所述指令可执行以进一步使所述计算设备执行以下步骤:基于所述阀的所识别的操作模式,选择阀参数的第二集合;在多个时间实例内,分析所述阀参数的第二集合的阀参数值的第二集合,以检测所述阀的状况,所述阀参数值的第二集合包括在所述阀数据中;并且经由所述通信单元向所述用户接口传送对所述阀的检测到的状况的指示。
41、根据方面39-40中任一项所述的系统,其中:在所述多个时间实例上对所述阀参数值的第二集合的分析包括在所述多个时间实例上对所述阀参数值的第二集合进行组合,以生成所述阀的阀参数度量;并且基于所述阀参数度量来检测所述阀的状况。
42、根据方面39-41中任一项所述的系统,还包括与所述阀的所识别的操作模式相对应的、并基于在所识别的操作模式中操作的阀的历史阀参数值生成的统计模型;并且其中,基于将阀参数度量应用到与所述阀的所标识的模式相对应的统计模型,以检测阀的状态。
43、根据方面39-42中任一项所述的系统,其中,使用一个或多个机器学习技术生成所述统计模型,所述一个或多个机器学习技术包括以下中的至少一个:线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、引导、最近邻值或神经网络。
44、根据方面39-43中任一项所述的系统,其中,所述阀的检测状态包括以下参数中的至少一个:性能度量、错误、死区、死区时间或在所述阀处的泄漏。
45、根据方面39-44中任一项所述的系统,其中,对用于识别所述阀的操作模式的所述阀数据的分析包括:在所述多个时间实例上,对所述阀的相应阀参数值进行组合以生成所述阀的阀参数度量;将阀的阀参数度量与相应地与多个阀操作模式相对应的多个统计模型进行比较,每个统计模型与相应的阀操作模式相对应,并且基于根据相应的阀操作的模式操作的一个或多个阀的相应的历史阀参数值;以及基于该比较而对阀的操作模式进行识别。
46、根据方面39-45中任一项所述的系统,其中,使用一个或多个机器学习技术生成所述多个统计模型。
47、根据方面39-46中任一项所述的系统,其中,所述阀数据包括与一下参数中的至少一个相对应的所述阀的阀参数值:行程设定点、阀行程测量结果、致动器压力、行程循环、循环计数器、行程累加器或控制信号。
48、根据方面39-47中任一项所述的系统,其中:对所述阀数据的分析包括在所述过程工厂在线操作期间,在所述多个时间实例上对所述阀的相应阀行程测量结果进行分析,以确定每个循环的平均阀行程;当每个循环的平均阀行程超过阈值数量时,确定阀正在全行程循环模式下操作;当每个循环的平均阀行程不超过阈值数量时,确定阀在连续性节流模式下操作;并且当阀在全行程循环模式和连续节流模式之间交替操作时,确定阀在周期性节流模式下操作。
49、根据方面39-48中任一项所述的系统,其中,所述一个或多个计算设备被包括在云计算系统中。
50、根据方面39-49中任一项所述的系统,其中,所述云计算系统和所述过程工厂经由数据二极管进行通信地连接,所述数据二极管被配置为防止数据业务进入所述过程工厂。
51、根据方面39-50中任一项所述的系统,还被配置为执行方面27-38中任一项的方法。
52、一种用于检测阀的健康的方法,所述方法包括:在计算设备处接收与阀相对应的数据,所述阀设置在过程工厂中并进行操作以控制工业过程,所述阀数据包括在多个时间实例上针对一个或多个阀参数的所述阀的相应的阀参数值;由所述计算设备分析所述阀数据以确定所述阀的总体设备健康参数的值;由所述计算设备基于所述阀的总体设备健康参数值与多个阀的相应的总体设备健康参数值的比较来确定所述阀的相对健康指示符;以及提供所述阀的相对健康指示符,以用于以下中的至少一个:在用户接口处的显示、在数据存储实体中的存储、或应用的使用。
53、根据前述方面的方法,其中:基于所述阀的总体设备健康参数值与所述多个阀的相应的总体设备健康参数值的比较来确定所述阀的相对健康指示符包括:基于所述多个阀的相应的总体设备健康参数值,对所述多个阀进行排序;以及提供所述阀的相对健康指示符包括:提供对所述阀的总体设备健康参数值的指示以及对所述多个阀的排序的指示。
54、根据方面52-53中任一项所述的方法,其中,分析所述阀数据以确定所述阀的总体设备健康参数值包括:对在所述多个时间实例上针对所述一个或多个阀参数的所述阀的相应的阀参数值进行组合,以生成一个或多个阀参数度量;以及基于所述一个或多个阀参数度量来确定所述阀的总体设备健康参数值。
55、根据方面52-54中任一项所述的方法,还包括基于用于所述一个或多个阀参数的历史阀参数值而生成统计模型;并且其中,基于所述一个或多个阀参数度量以确定所述阀的总体设备健康参数值包括将所述一个或多个阀参数度量应用于所述统计模型。
56、根据方面52-55中任一项所述的方法,还包括:基于所述阀的总体设备健康参数值或对所述阀的相对健康指示符中的至少一个来检测所述阀的状况;以及将对检测到的阀的状况的指示传送到用户接口。
57、根据方面52-56中任一项所述的方法,其中:(i)所述阀的检测到的状况是第一检测到的状况;(ii)所述方法还包括:基于用于所述一个或多个阀参数的历史阀参数值生成用于检测所述阀的第二状况的统计模型;通过将所述一个或多个阀参数度量应用于所述统计模型来检测所述阀的第二状况;以及将所述第一检测的状况与所述第二检测状况进行比较;以及(iii)将对所述阀的第一检测状况的指示传送到所述用户接口包括当所述第一检测状况与所述第二检测状况不同时,将对所述阀的所述第一检测状况的指示传送到所述用户接口。
58、根据方面52-57中任一项所述的方法,还包括基于所检测到的所述阀的状况,在所述过程工厂处生成警报或事件。
59、根据方面52-58中任一项所述的方法,还包括将控制信号传送到所述过程工厂,以基于所述阀的检测状况来调整对所述过程工厂的操作。
60、根据方面52-59中任一项所述的方法,其中,检测所述阀的状况包括以下中的至少一个:确定所述阀的性能度量、或者检测以下中的至少一个:错误、死区、死区时间、机械磨损或在所述阀处的泄漏。
61、根据方面52-60中任一项所述的方法,还包括:在所述多个时间实例上,生成对用于所述一个或多个参数的所述多个阀的相应的阀参数值的指示;并且向用于在时间序列描绘中显示的用户接口提供与在所述多个时间实例上的用于所述一个或多个阀参数的相应的阀参数值结合的在所述多个时间实例上的用于所述一个或多个阀参数的所述多个阀的相应的阀参数值的指示。
62、根据方面52-61中任一项的方法与根据方面27-38中任一项的方法进行组合。
63、一种用于检测多个阀的健康状态的系统,所述系统包括:多个阀,其中的至少某些阀在过程工厂内操作以控制工业过程;以及
一个或多个计算设备包括:一个或多个处理器;通信单元;以及耦合到所述一个或多个处理器和所述通信单元的一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质在其上存储指令,当由所述一个或多个处理器执行所述指令时,使得所述一个或多个计算设备执行以下步骤:
接收与所述多个阀相对应的阀数据,所述阀数据包括在多个时间实例上针对一个或多个阀参数的、包括在所述多个阀中的每个阀的相应的阀参数值,分析所述每个阀的相应的阀参数值,以确定针对所述每个阀的相应的总体设备健康参数值;基于对所述多个阀的总体设备健康参数值的比较,确定针对所述每个阀的相应的相对健康指示符;以及将所述每个阀的相应的相对健康指示符提供给以下中的至少一个:用户接口、数据存储实体、或应用。
64、根据前述方面的系统,其中:基于对所述多个阀的排名而确定所述多个阀的相应的相对健康指示符,基于所述多个阀的总体健康参数值而对所述多个阀进行排名;并且结合所述每个阀的相对健康指示符提供对多个阀的排名的指示。
65、根据方面63-64中任一项所述的系统,其中:对所述每个阀的相应阀参数值的分析包括在多个时间实例内的所述每个阀的相应阀参数值的组合,以生成所述每个阀的阀参数度量;并且用于所述每个阀的相应的总体设备健康参数的值基于所述每个阀的阀参数度量。
66、根据方面63-65中任一项所述的系统,还包括基于用于所述一个或多个阀参数的历史阀参数值生成的统计模型;并且通过将所述每个阀的阀参数度量应用于所述统计模型,以确定用于所述每个阀的相应的总体设备健康参数的值。
67、根据方面63-66中任一项所述的系统,其中,所述历史阀参数值中的每个与用于相应的阀的相应设备健康评分相关联,并且还基于与历史阀参数值相关联的相应设备健康评分而生成所述统计模型。
68、根据方面63-67中任一项所述的系统,其中,使用一个或多个机器学习技术生成所述统计模型,所述一个或多个机器学习技术包括以下中的至少一个:线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、引导、最近邻值或神经网络。
69、根据方面63-68中任一项所述的系统,其中,所述指令还可执行以使得所述一个或多个计算设备执行以下步骤:基于所述每个阀的相应健康指示符来检测所述每个阀的状况;并将对所述每个阀的检测状况的指示传送到所述用户接口。
70、根据方面63-69中任一项所述的系统,其中,所述每个阀的检测状况包括以下中参数的至少一个:在所述每个阀处的性能度量、错误、泄漏、死区或机械磨损。
71、根据方面63-70中任一项所述的系统,还包括数据二极管,该数据二极管被配置为防止所在述过程工厂的网络与所述一个或多个计算设备之间的双向通信;并且其中,保护所述阀数据经由所述数据二极管从所述过程工厂传送到所述一个或多个计算设备。
72、根据方面63-71中任一项所述的系统,其中,所述一个或多个计算设备被包括在云计算系统中。
73、根据方面63-72中任一项所述的系统,其中,所述指令还可执行以使得所述一个或多个计算设备执行以下步骤:在所述多个时间实例上生成对用于所述一个或多个阀参数的所述多个阀的相应阀参数值的指示;以及向在时间序列描绘中显示的用户接口提供对在多个时间实例内的用于所述一个或多个阀参数的所述多个阀的相应的阀参数值的指示。
74、根据方面63-73中任一项所述的系统,还被配置为执行方面52-62中任一项的方法。
75、前述方面中的任何一个与前述方面中的任何其它方面进行组合。
当用软件实现时,本文所描述的任何应用、服务和引擎可以存储在任何有形的、非暂时性计算机可读存储器中(例如在磁盘、激光盘、固态存储器设备、分子存储器存储设备或其它存储介质上)、在计算机或处理器的RAM或ROM中等。虽然本文所公开的示例系统被公开为除了其它组件,包括在硬件上执行的软件和/或固件,但是应当注意的是,这种系统仅仅是说明性的,不应该被认为是限制性的。例如,可以想到,这些硬件、软件和固件组件中的任何一个或全部可以专门用硬件、专门用软件或用硬件和软件的任何组合来体现。因此,尽管本文所描述的示例性系统被描述为在一个或多个计算机的处理器上执行的软件中实现,但是本领域普通技术人员将容易地理解,所提供的实施例不是实现这种系统的唯一方式。
因此,虽然已经参考了特定实施例来描述了本发明,但是这些特定实施例仅仅旨在是说明性的而非对本发明进行限制,但是对于本领域普通技术人员而言显而易见的是,可以在不脱离本发明的精神和范围的情况下对所公开的实施例进行改变、添加或者删除。
Claims (22)
1.一种用于通过使用数据来检测过程工厂实体的状况的方法,所述数据从过程工厂安全地传输到云计算系统,所述方法包括:
在所述过程工厂进行操作以控制工业过程时,在所述云计算系统处接收由所述过程工厂的一个或多个设备生成的数据,所述数据被保护以便经由数据二极管从所述一个或多个设备传送到所述云计算系统,并且所述数据二极管被配置为防止在所述过程工厂的网络与所述云计算系统的网络之间的双向通信;
在所述云计算系统处分析所述数据,从而检测过程工厂实体的状况,所述过程工厂实体执行物理功能以控制所述过程工厂中的所述工业过程,所述过程工厂实体与所述一个或多个设备相对应;以及
将对所述过程工厂实体的状况的指示传送到用户接口设备,以向操作者警告所述状况。
2.根据权利要求1所述的方法,其中,接收由所述一个或多个设备生成的所述数据包括:在多个时间实例处接收针对所述过程工厂实体的一个或多个过程参数中的每个过程参数的相应的过程参数值。
3.根据权利要求2所述的方法,其中,分析所述数据,从而检测所述过程工厂实体的状况包括:
对于所述一个或多个过程参数中的每个过程参数,将在所述多个时间实例上的所述一个或多个过程参数的相应的过程参数值进行组合,以生成过程参数度量;以及
基于所述过程参数度量检测所述过程工厂实体的状况。
4.根据权利要求3所述的方法,其中,将在所述多个时间实例上的所述一个或多个过程参数的相应的过程参数值进行组合以生成所述过程参数度量包括计算以下项中的至少一个,以生成所述过程参数度量:在所述多个时间实例上的所述相应的过程参数值的移动平均值或所述相应的过程参数值的衰减平均值。
5.根据权利要求3所述的方法,
还包括基于所述一个或多个过程参数的历史过程参数值来生成统计模型;以及
其中,基于所述过程参数度量来检测所述过程工厂实体的状况包括:将所述过程参数度量应用到所述统计模型。
6.根据权利要求5所述的方法,其中,基于所述一个或多个过程参数的所述历史过程参数值来生成所述统计模型包括:
将每个历史过程参数值分类为对应于针对已经经历了所述状况的一个或多个过程工厂实体的过程参数值的第一集合;或分类为对应于针对未经历所述状况的一个或多个过程工厂实体的过程参数值的第二集合;以及
基于对所述历史过程参数值的分类来生成所述统计模型。
7.根据权利要求5所述的方法,还包括:
接收对所述过程工厂实体是否已经经历了所述状况的指示;以及
基于对所述过程工厂实体是否已经经历了所述状况的指示,更新所述历史过程参数值以包括所述过程工厂实体的所述一个或多个过程参数的相应的过程参数值。
8.根据权利要求1所述的方法,其中,检测所述过程工厂实体的状况,包括以下步骤中的至少一个:检测所述过程工厂实体的性能监控度量;或检测在所述过程工厂实体处的错误、死区、死区时间、或泄露中的至少一个。
9.根据权利要求1所述的方法,还包括:
基于检测到的所述过程工厂实体的状况,引起将在所述过程工厂处生成警报或事件。
10.根据权利要求1所述的方法,还包括:
向所述过程工厂传送控制信号,以基于检测到所述过程工厂实体的状况来调整对所述过程工厂实体的操作。
11.根据权利要求1所述的方法,其中,接收由所述一个或多个设备生成的数据包括:经由所述数据二极管接收从所述一个或多个设备流动到所述云计算系统的实时数据。
12.一种用于检测过程工厂的过程工厂实体的状况的系统,所述系统包括:
一个或多个设备,所述一个或多个设备与设置在所述过程工厂中的过程工厂实体相对应,并执行物理功能以控制工业过程;
数据二极管,所述数据二极管将所述一个或多个设备通信地连接到一个或多个计算设备,所述数据二极管被配置为防止在所述过程工厂的网络与所述一个或多个计算设备之间的双向通信;并且
所述一个或多个计算设备包括:
一个或多个处理器;
通信单元;以及
一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质耦合到所述一个或多个处理器并耦合到所述通信单元,在所述一个或多个非暂时性计算机可读介质上存储有指令,当由所述一个或多个处理器执行所述指令时,使得所述计算设备执行以下步骤:
当所述过程工厂在线时,经由所述数据二极管和所述通信单元接收由所述过程工厂的所述一个或多个设备生成的数据,所述数据被保护以便经由所述数据二极管从所述一个或多个设备传送到所述计算设备;
分析所述数据,以检测所述过程工厂实体的状况;以及
经由所述通信单元向所述用户接口设备传送对所述过程工厂实体的状况的指示,以向操作者警告所述状况。
13.根据权利要求12所述的系统,其中,由所述一个或多个设备生成的所述数据包括:在多个时间实例处的针对所述过程工厂实体的一个或多个过程参数中的每个过程参数的相应的过程参数值。
14.根据权利要求13所述的系统,其中:
对所述数据进行分析以检测所述过程工厂实体的状况包括:对在所述多个时间实例上的所述一个或多个过程参数的所述相应的过程参数值进行组合,以生成一个或多个过程参数度量;以及
所述过程工厂实体的状况是基于所述一个或多个过程参数度量来检测的。
15.根据权利要求14所述的系统,其中,对所述相应的过程参数值进行组合包括以下项中的至少一个:所述相应的过程参数值的移动平均值或所述相应的过程参数值的衰减平均值。
16.根据权利要求14所述的系统,
还包括:基于所述一个或多个过程参数的历史过程参数值而生成的统计模型;以及
其中,所述过程工厂实体的状况是通过将所述一个或多个过程参数度量应用到所述统计模型来检测的。
17.根据权利要求16所述的系统,其中,所述统计模型是基于如下的分类来生成的:将每个历史过程参数值分类为对应于针对已经经历了所述状况的一个或多个过程工厂实体的过程参数值的第一集合;或分类为对应于针对未经历所述状况的一个或多个过程工厂实体的过程参数值的第二集合。
18.根据权利要求16所述的系统,其中,所述统计模型是通过使用一种或多种机器学习技术来生成的,所述一种或多种机器学习技术包括:线性回归、多项式回归、逻辑回归、朴素贝叶斯、决策树、随机森林、引导、最近邻值或神经网络。
19.根据权利要求13所述的系统,其中,所述一个或多个过程参数指示以下中的至少一个:压力、温度、流量、密度、面积或体积。
20.根据权利要求12所述的系统,其中,所述过程工厂实体的状况包括以下中的至少一个:在过程工厂实体处的性能监控度量、错误、死区、死区时间或泄漏。
21.根据权利要求12所述的系统,其中,所述一个或多个设备包括以下中的至少一个:现场设备或执行控制例程的控制器,所述控制例程利用由所述现场设备生成和/或发送到所述现场设备的信号。
22.根据权利要求12所述的系统,其中,所述过程工厂实体包括以下中的至少一个:阀、现场设备、I/O设备、经由所述I/O设备耦合到所述现场设备的控制器、罐、混合器、泵、或热交换器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/332,521 | 2016-10-24 | ||
US15/332,521 US10877465B2 (en) | 2016-10-24 | 2016-10-24 | Process device condition and performance monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107976969A true CN107976969A (zh) | 2018-05-01 |
Family
ID=61866581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711003250.0A Pending CN107976969A (zh) | 2016-10-24 | 2017-10-24 | 过程设备状况和性能监控 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10877465B2 (zh) |
JP (2) | JP7324564B2 (zh) |
CN (1) | CN107976969A (zh) |
DE (1) | DE102017124884A1 (zh) |
GB (1) | GB2556455B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646675A (zh) * | 2018-05-04 | 2018-10-12 | 上海罗湖斯自动化技术有限公司 | 存储介质、工厂控制系统、人机界面显示操作方法及其组态系统 |
CN111368451A (zh) * | 2020-03-16 | 2020-07-03 | 福建省特种设备检验研究院 | 基于多数据采集的石化常压储油罐健康状态评估方法 |
CN111769996A (zh) * | 2020-09-02 | 2020-10-13 | 江苏达科云数据科技有限公司 | 一种应用于复杂网络环境下的设备监控方法 |
CN112800110A (zh) * | 2021-01-22 | 2021-05-14 | 国家电网有限公司技术学院分公司 | 电力物联网传感器弱敏感数据异常检测系统 |
CN113039495A (zh) * | 2018-12-13 | 2021-06-25 | 安德里茨公司 | 工业厂房控制器 |
CN113853553A (zh) * | 2019-03-25 | 2021-12-28 | 施耐德电子系统美国股份有限公司 | 从工程数据源中自动提取资产数据以用于生成hmi |
TWI772976B (zh) * | 2019-11-20 | 2022-08-01 | 美商奈米創尼克影像公司 | 用於判定網路攻擊及產生警告之製造系統及電腦實施方法 |
CN115336235A (zh) * | 2020-04-03 | 2022-11-11 | 三菱电机株式会社 | 在用于工厂自动化的公共网络中提供多站点编制的方法、编制器、以及通信系统 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197287A1 (en) * | 2017-01-08 | 2018-07-12 | Adrian Ronaldo Macias | Process of using machine learning for cannabis plant health diagnostics |
US11130111B2 (en) * | 2017-03-28 | 2021-09-28 | Uop Llc | Air-cooled heat exchangers |
US11396002B2 (en) * | 2017-03-28 | 2022-07-26 | Uop Llc | Detecting and correcting problems in liquid lifting in heat exchangers |
US10382407B1 (en) * | 2017-03-31 | 2019-08-13 | EMC IP Holding Company LLC | Encryption and decryption of time series data using a digital filter array |
US10678224B2 (en) * | 2017-06-21 | 2020-06-09 | Fisher-Rosemount Systems, Inc. | Loop interface |
US10956843B2 (en) * | 2017-11-07 | 2021-03-23 | International Business Machines Corporation | Determining optimal device refresh cycles and device repairs through cognitive analysis of unstructured data and device health scores |
DE102018116964A1 (de) * | 2018-06-14 | 2019-12-19 | Schaeffler Technologies AG & Co. KG | Verfahren einer auf dem Ausfallrisiko basierten Produktionskontrolle |
US11075957B2 (en) * | 2018-09-07 | 2021-07-27 | Honeywell International Inc. | Adaptive cybersecurity ring for industrial wireless sensor networks |
WO2020056314A1 (en) * | 2018-09-13 | 2020-03-19 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for a simulation program of a percolation model for the loss distribution caused by a cyber attack |
CA3115709A1 (en) | 2018-10-12 | 2020-04-16 | Bray International, Inc. | Smart valve with integrated electronics |
MX2021006622A (es) | 2018-12-06 | 2021-09-21 | Bray Int Inc | Adaptador de válvula inteligente con componentes electrónicos integrados. |
JP7257823B2 (ja) * | 2019-03-12 | 2023-04-14 | 三菱電機株式会社 | セキュリティ異常検知システム |
US11195348B2 (en) | 2019-04-29 | 2021-12-07 | Caterpillar Inc. | System and method for determining a priority of monitoring a machine |
GB2589661B (en) | 2019-06-10 | 2024-06-05 | Fisher Rosemount Systems Inc | Virtualized real-time I/O in process control systems |
US11231701B2 (en) | 2019-06-10 | 2022-01-25 | Fisher-Rosemount Systems, Inc. | Publish/subscribe protocol for real-time process control |
GB2589941B (en) | 2019-06-10 | 2024-03-27 | Fisher Rosemount Systems Inc | Ease of node switchovers in process control systems |
GB2623651A (en) | 2019-06-10 | 2024-04-24 | Fisher Rosemount Systems Inc | Automatic load balancing and performance leveling of virtual nodes running real-time control in process control systems |
US11249464B2 (en) * | 2019-06-10 | 2022-02-15 | Fisher-Rosemount Systems, Inc. | Industrial control system architecture for real-time simulation and process control |
US11768878B2 (en) * | 2019-09-20 | 2023-09-26 | Fisher-Rosemount Systems, Inc. | Search results display in a process control system |
US11768877B2 (en) * | 2019-09-20 | 2023-09-26 | Fisher-Rosemount Systems, Inc. | Smart search capabilities in a process control system |
US11126636B2 (en) * | 2019-11-14 | 2021-09-21 | Fisher-Rosemount Systems, Inc. | Apparatus and methods for secure data logging |
US11153275B2 (en) * | 2020-02-24 | 2021-10-19 | Saudi Arabian Oil Company | Method to transfer process data utilizing highly secure boundary networks |
DE102020202463A1 (de) | 2020-02-26 | 2021-08-26 | WAGO Verwaltungsgesellschaft mit beschränkter Haftung | Datenreduzierte Edge-zu-Cloud-Übertragung basierend auf Vorhersagemodellen |
FR3108418A1 (fr) * | 2020-03-18 | 2021-09-24 | Orange | Réseau de collecte de données sécurisé |
KR102220138B1 (ko) * | 2020-08-03 | 2021-02-26 | 주식회사 유디엠텍 | 제어구간 온도신호의 분석을 통한 공정이상 탐지장치 및 방법 |
CN114153182B (zh) * | 2020-08-18 | 2024-03-12 | 中国航天系统工程有限公司 | 一种工艺自适应的工业终端安全防护系统及方法 |
DE102021115589A1 (de) * | 2021-06-16 | 2022-12-22 | Gemü Gebr. Müller Apparatebau Gmbh & Co. Kommanditgesellschaft | Verfahren und Vorrichtungen für Prozessventil-Einheiten |
US20220404788A1 (en) * | 2021-06-16 | 2022-12-22 | Fisher-Rosemount Systems, Inc. | Discovery Service in a Software Defined Control System |
US11979333B2 (en) * | 2021-12-08 | 2024-05-07 | The Western Union Company | Systems and methods for adaptive multi-system operations with smart routing protocols |
US20230384757A1 (en) * | 2022-05-25 | 2023-11-30 | Fisher-Rosemount Systems, Inc. | Suspicious control valve performance detection |
CN114967623B (zh) * | 2022-06-07 | 2023-06-16 | 中国人民解放军陆军工程大学 | 城市地下污水处理厂规模优化与工艺选择方法 |
US20240053712A1 (en) * | 2022-08-12 | 2024-02-15 | Fisher-Rosemount Systems, Inc. | Systems, apparatus, articles of manufacture, and methods for an application marketplace for process control systems |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101156120A (zh) * | 2005-04-04 | 2008-04-02 | 费舍-柔斯芒特系统股份有限公司 | 用于异常情况检测中的统计处理方法 |
CN101542408A (zh) * | 2006-09-29 | 2009-09-23 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统中的瞬时区域的多元检测 |
US20130117556A1 (en) * | 2011-11-03 | 2013-05-09 | Savannah River Nuclear Solutions, Llc | Authenticated sensor interface device |
CN103291998A (zh) * | 2012-02-29 | 2013-09-11 | 费希尔控制国际公司 | 加上时间戳的用于过程控制设备的排放数据集 |
CN105487499A (zh) * | 2014-10-06 | 2016-04-13 | 费希尔-罗斯蒙特系统公司 | 过程控制系统中的区域性大数据 |
US20160282859A1 (en) * | 2015-03-27 | 2016-09-29 | Rockwell Automation Technologies, Inc. | Systems and methods for maintaining equipment in an industrial automation environment |
Family Cites Families (79)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311562A (en) | 1992-12-01 | 1994-05-10 | Westinghouse Electric Corp. | Plant maintenance with predictive diagnostics |
US6442616B1 (en) | 1997-01-16 | 2002-08-27 | Kabushiki Kaisha Toshiba | Method and apparatus for communication control of mobil computers in communication network systems using private IP addresses |
US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
US8044793B2 (en) | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
US6959346B2 (en) | 2000-12-22 | 2005-10-25 | Mosaid Technologies, Inc. | Method and system for packet encryption |
WO2002097545A1 (en) | 2001-05-29 | 2002-12-05 | Westinghouse Electric Company Llc | Health monitoring display system for a complex plant |
US7647422B2 (en) | 2001-11-06 | 2010-01-12 | Enterasys Networks, Inc. | VPN failure recovery |
FI113121B (fi) | 2002-05-30 | 2004-02-27 | Metso Automation Oy | Järjestelmä, tietoliikenneverkko ja menetelmä tietojen lähettämiseksi |
US9565275B2 (en) | 2012-02-09 | 2017-02-07 | Rockwell Automation Technologies, Inc. | Transformation of industrial data into useful cloud information |
US6904327B2 (en) | 2003-01-29 | 2005-06-07 | Honeywell International Inc. | Integrated control system to control addressable remote devices |
US7089086B2 (en) | 2003-02-14 | 2006-08-08 | Dresser, Inc. | Method, system and storage medium for performing online valve diagnostics |
US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
JP3936937B2 (ja) | 2003-08-27 | 2007-06-27 | 株式会社日立国際電気 | デジタル無線通信システムにおけるポーリング方法および車両検索方法 |
US7313573B2 (en) | 2003-09-17 | 2007-12-25 | International Business Machines Corporation | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis |
JP2007536634A (ja) * | 2004-05-04 | 2007-12-13 | フィッシャー−ローズマウント・システムズ・インコーポレーテッド | プロセス制御システムのためのサービス指向型アーキテクチャ |
GB0414840D0 (en) | 2004-07-02 | 2004-08-04 | Ncr Int Inc | Self-service terminal |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
US7693608B2 (en) | 2006-04-12 | 2010-04-06 | Edsa Micro Corporation | Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment |
US9411769B2 (en) | 2006-09-19 | 2016-08-09 | Fisher-Rosemount Systems, Inc. | Apparatus and methods to communicatively couple field devices to controllers in a process control system |
US20080123852A1 (en) | 2006-11-28 | 2008-05-29 | Jianping Jiang | Method and system for managing a wireless network |
US7606636B2 (en) * | 2007-01-31 | 2009-10-20 | Halliburton Energy Services, Inc. | Methods for managing flow control valves in process systems |
US7649452B2 (en) * | 2007-06-29 | 2010-01-19 | Waterfall Solutions Ltd. | Protection of control networks using a one-way link |
US8331249B2 (en) | 2007-07-10 | 2012-12-11 | Qualcomm Incorporated | Methods and apparatus for communicating in a peer to peer system where device communications may partially interfere with one another |
US8407721B2 (en) | 2008-12-12 | 2013-03-26 | Microsoft Corporation | Communication interface selection on multi-homed devices |
FI125797B (fi) | 2009-01-09 | 2016-02-29 | Metso Flow Control Oy | Menetelmä ja laitteisto venttiilin kunnonvalvontaan |
US9412137B2 (en) | 2009-04-01 | 2016-08-09 | Honeywell International Inc. | Cloud computing for a manufacturing execution system |
US9218000B2 (en) | 2009-04-01 | 2015-12-22 | Honeywell International Inc. | System and method for cloud computing |
US7970830B2 (en) | 2009-04-01 | 2011-06-28 | Honeywell International Inc. | Cloud computing for an industrial automation and manufacturing system |
US8204717B2 (en) | 2009-04-01 | 2012-06-19 | Honeywell International Inc. | Cloud computing as a basis for equipment health monitoring service |
US8555381B2 (en) | 2009-04-01 | 2013-10-08 | Honeywell International Inc. | Cloud computing as a security layer |
US8068504B2 (en) | 2009-05-18 | 2011-11-29 | Tresys Technology, Llc | One-way router |
US20110231478A1 (en) | 2009-09-10 | 2011-09-22 | Motorola, Inc. | System, Server, and Mobile Device for Content Provider Website Interaction and Method Therefore |
US9274518B2 (en) | 2010-01-08 | 2016-03-01 | Rockwell Automation Technologies, Inc. | Industrial control energy object |
JPWO2012049771A1 (ja) | 2010-10-15 | 2014-02-24 | 東芝三菱電機産業システム株式会社 | 自動遠隔監視診断システム |
GB2488369B (en) | 2011-02-28 | 2018-05-09 | Perkins Engines Co Ltd | Monitoring operation of a DC motor valve assembly |
US8644165B2 (en) | 2011-03-31 | 2014-02-04 | Navteq B.V. | Method and apparatus for managing device operational modes based on context information |
US9594367B2 (en) | 2011-10-31 | 2017-03-14 | Rockwell Automation Technologies, Inc. | Systems and methods for process control including process-initiated workflow |
US9143563B2 (en) | 2011-11-11 | 2015-09-22 | Rockwell Automation Technologies, Inc. | Integrated and scalable architecture for accessing and delivering data |
US9477936B2 (en) | 2012-02-09 | 2016-10-25 | Rockwell Automation Technologies, Inc. | Cloud-based operator interface for industrial automation |
JP2013195398A (ja) * | 2012-03-22 | 2013-09-30 | Mitsubishi Heavy Ind Ltd | 原子力発電プラント監視操作システム及びその監視操作方法 |
EP2660667B1 (en) | 2012-05-04 | 2021-11-10 | Rockwell Automation Technologies, Inc. | Cloud gateway for industrial automation information and control systems |
GB2505297B (en) | 2012-07-16 | 2014-11-26 | Owl Computing Technologies Inc | File manifest filter for unidirectional transfer of files |
US9256222B2 (en) | 2012-07-18 | 2016-02-09 | International Business Machines Corporation | Sensor virtualization through cloud storage and retrieval mechanisms |
US9253054B2 (en) | 2012-08-09 | 2016-02-02 | Rockwell Automation Technologies, Inc. | Remote industrial monitoring and analytics using a cloud infrastructure |
US9467500B2 (en) | 2012-08-09 | 2016-10-11 | Rockwell Automation Technologies, Inc. | Remote industrial monitoring using a cloud infrastructure |
US9635037B2 (en) | 2012-09-06 | 2017-04-25 | Waterfall Security Solutions Ltd. | Remote control of secure installations |
US9292012B2 (en) | 2012-11-05 | 2016-03-22 | Rockwell Automation Technologies, Inc. | Secure models for model-based control and optimization |
WO2014094982A1 (en) | 2012-12-20 | 2014-06-26 | Abb Ag | Commissioning system and method for a secure exchange of sensitive information for the commissioning and configuring of technical equipment |
US9218470B2 (en) | 2012-12-31 | 2015-12-22 | General Electric Company | Systems and methods for non-destructive testing user profiles |
US9217999B2 (en) | 2013-01-22 | 2015-12-22 | General Electric Company | Systems and methods for analyzing data in a non-destructive testing system |
US9430589B2 (en) | 2013-02-05 | 2016-08-30 | Rockwell Automation Technologies, Inc. | Safety automation builder |
EP2778817A1 (de) | 2013-03-12 | 2014-09-17 | Siemens Aktiengesellschaft | Überwachung einer ersten Ausrüstung einer ersten technischen Anlage mittels Benchmark |
US9438648B2 (en) | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
US9244042B2 (en) | 2013-07-31 | 2016-01-26 | General Electric Company | Vibration condition monitoring system and methods |
US9084112B2 (en) | 2013-10-14 | 2015-07-14 | Trellisware Technologies, Inc. | Secure group key agreement for wireless networks |
US20150163198A1 (en) | 2013-12-10 | 2015-06-11 | Futaris, Inc. | Methods and apparatus for providing controlled unidirectional flow of data |
US8874719B1 (en) | 2013-12-19 | 2014-10-28 | Architecture Technology Corporation | Context-aware network and situation management for crypto-partitioned networks |
US20150195086A1 (en) | 2014-01-05 | 2015-07-09 | Core Business IT, LLC | Mediated encryption policy framework for user-transparent method-agnostic data protection |
US9189637B2 (en) | 2014-03-17 | 2015-11-17 | Saudi Arabian Oil Company | Systems, methods, and computer medium to securely transfer business transactional data between physically isolated networks having different levels of network protection utilizing barcode technology |
US9614963B2 (en) | 2014-03-26 | 2017-04-04 | Rockwell Automation Technologies, Inc. | Cloud-based global alarm annunciation system for industrial systems |
US9843617B2 (en) | 2014-03-26 | 2017-12-12 | Rockwell Automation Technologies, Inc. | Cloud manifest configuration management system |
US9489832B2 (en) | 2014-04-04 | 2016-11-08 | Rockwell Automation Technologies, Inc. | Industrial-enabled mobile device |
US10063429B2 (en) | 2014-04-09 | 2018-08-28 | The Keyw Corporation | Systems and methods for optimizing computer network operations |
US9532225B2 (en) | 2014-06-12 | 2016-12-27 | General Electric Company | Secure pairing of end user devices with instruments |
US9706396B2 (en) | 2014-08-08 | 2017-07-11 | Samsung Electronics Co., Ltd. | System and method of counter management and security key update for device-to-device group communication |
GB2532051A (en) | 2014-11-07 | 2016-05-11 | Nomad Spectrum Ltd | Data traffic processing and analysis |
US11073805B2 (en) | 2014-11-21 | 2021-07-27 | Fisher-Rosemount Systems, Inc. | Process plant network with secured external access |
US10176032B2 (en) | 2014-12-01 | 2019-01-08 | Uptake Technologies, Inc. | Subsystem health score |
US9210187B1 (en) | 2015-01-13 | 2015-12-08 | Centri Technology, Inc. | Transparent denial of service protection |
GB2536059B (en) | 2015-03-06 | 2017-03-01 | Garrison Tech Ltd | Secure control of insecure device |
EP3101493B1 (de) | 2015-06-03 | 2019-03-20 | Siemens Aktiengesellschaft | System und verfahren zur steuerung und/oder analytik eines industriellen prozesses |
US10021072B2 (en) * | 2015-08-20 | 2018-07-10 | Mitsubishi Hitachi Power Systems, Ltd. | Security system and communication control method |
US10091170B2 (en) | 2016-03-31 | 2018-10-02 | Cisco Technology, Inc. | Method and apparatus for distributing encryption and decryption processes between network devices |
US9967234B1 (en) | 2016-04-27 | 2018-05-08 | The United States Of America, As Represented By The Secretary Of The Navy | Miniaturized real time pseudo-cross domain data communication system with air gapped full motion video device and method |
US10419930B2 (en) | 2016-05-27 | 2019-09-17 | Afero, Inc. | System and method for establishing secure communication channels with internet of things (IoT) devices |
US10157105B2 (en) | 2016-07-28 | 2018-12-18 | Prophetstor Data Services, Inc. | Method for data protection for cloud-based service system |
US10095880B2 (en) | 2016-09-01 | 2018-10-09 | International Business Machines Corporation | Performing secure queries from a higher security domain of information in a lower security domain |
US10619760B2 (en) * | 2016-10-24 | 2020-04-14 | Fisher Controls International Llc | Time-series analytics for control valve health assessment |
US9934671B1 (en) * | 2016-10-24 | 2018-04-03 | Fisher Controls International Llc | Valve service detection through data analysis |
-
2016
- 2016-10-24 US US15/332,521 patent/US10877465B2/en active Active
-
2017
- 2017-10-23 GB GB1717368.3A patent/GB2556455B/en active Active
- 2017-10-24 JP JP2017205479A patent/JP7324564B2/ja active Active
- 2017-10-24 CN CN201711003250.0A patent/CN107976969A/zh active Pending
- 2017-10-24 DE DE102017124884.6A patent/DE102017124884A1/de active Pending
-
2023
- 2023-04-13 JP JP2023065359A patent/JP2023085548A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101156120A (zh) * | 2005-04-04 | 2008-04-02 | 费舍-柔斯芒特系统股份有限公司 | 用于异常情况检测中的统计处理方法 |
CN101542408A (zh) * | 2006-09-29 | 2009-09-23 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统中的瞬时区域的多元检测 |
US20130117556A1 (en) * | 2011-11-03 | 2013-05-09 | Savannah River Nuclear Solutions, Llc | Authenticated sensor interface device |
CN103291998A (zh) * | 2012-02-29 | 2013-09-11 | 费希尔控制国际公司 | 加上时间戳的用于过程控制设备的排放数据集 |
CN105487499A (zh) * | 2014-10-06 | 2016-04-13 | 费希尔-罗斯蒙特系统公司 | 过程控制系统中的区域性大数据 |
US20160282859A1 (en) * | 2015-03-27 | 2016-09-29 | Rockwell Automation Technologies, Inc. | Systems and methods for maintaining equipment in an industrial automation environment |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646675A (zh) * | 2018-05-04 | 2018-10-12 | 上海罗湖斯自动化技术有限公司 | 存储介质、工厂控制系统、人机界面显示操作方法及其组态系统 |
CN113039495A (zh) * | 2018-12-13 | 2021-06-25 | 安德里茨公司 | 工业厂房控制器 |
CN113853553A (zh) * | 2019-03-25 | 2021-12-28 | 施耐德电子系统美国股份有限公司 | 从工程数据源中自动提取资产数据以用于生成hmi |
TWI772976B (zh) * | 2019-11-20 | 2022-08-01 | 美商奈米創尼克影像公司 | 用於判定網路攻擊及產生警告之製造系統及電腦實施方法 |
CN111368451A (zh) * | 2020-03-16 | 2020-07-03 | 福建省特种设备检验研究院 | 基于多数据采集的石化常压储油罐健康状态评估方法 |
CN111368451B (zh) * | 2020-03-16 | 2023-03-31 | 福建省特种设备检验研究院 | 基于多数据采集的石化常压储油罐健康状态评估方法 |
CN115336235A (zh) * | 2020-04-03 | 2022-11-11 | 三菱电机株式会社 | 在用于工厂自动化的公共网络中提供多站点编制的方法、编制器、以及通信系统 |
CN115336235B (zh) * | 2020-04-03 | 2024-02-02 | 三菱电机株式会社 | 在用于工厂自动化的公共网络中提供多站点编制的方法、编制器、以及通信系统 |
CN111769996A (zh) * | 2020-09-02 | 2020-10-13 | 江苏达科云数据科技有限公司 | 一种应用于复杂网络环境下的设备监控方法 |
CN112800110A (zh) * | 2021-01-22 | 2021-05-14 | 国家电网有限公司技术学院分公司 | 电力物联网传感器弱敏感数据异常检测系统 |
Also Published As
Publication number | Publication date |
---|---|
GB2556455B (en) | 2022-04-20 |
JP2018073417A (ja) | 2018-05-10 |
DE102017124884A1 (de) | 2018-04-26 |
US10877465B2 (en) | 2020-12-29 |
JP2023085548A (ja) | 2023-06-20 |
GB2556455A (en) | 2018-05-30 |
JP7324564B2 (ja) | 2023-08-10 |
GB201717368D0 (en) | 2017-12-06 |
US20180113442A1 (en) | 2018-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107976969A (zh) | 过程设备状况和性能监控 | |
CN107976968A (zh) | 通过数据分析的阀服务检测 | |
CN107976974A (zh) | 用于控制阀健康评估的时间序列分析 | |
CN1969239B (zh) | 用于检测与控制回路的过程增益相关的异常状况的系统和方法 | |
US11175976B2 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
Kotriwala et al. | XAI for Operations in the Process Industry-Applications, Theses, and Research Directions. | |
Feng et al. | Introduction to digital twin engineering | |
GB2556444A (en) | Mobile devices for remote access of process control data | |
Madhawa et al. | Roll forward validation based decision tree classification for detecting data integrity attacks in industrial internet of things | |
GB2556445A (en) | Methods and apparatus for configuring remote access of process control data | |
US20210092107A1 (en) | Secure off-premises access of process control data by a mobile device | |
EP3674828B1 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
GB2556201A (en) | Methods and systems for streaming process control data to remote devices | |
Hassan et al. | Hybrid PID Based Predictive Control Strategies for WirelessHART Networked Control Systems | |
RU2790331C1 (ru) | Способ определения аномалии в киберфизической системе | |
Siddique et al. | Challenges and opportunities of computational intelligence in industrial control system (ICS) | |
EP4246888A1 (en) | System and method for determination of anomalies in a cyber-physical system | |
Rauch et al. | AI as an Enabler for Long-Term Resilience in Manufacturing | |
Saischek | Chemistry 4.0–Digitalization and Risks: A case study | |
Wortel et al. | DIGITAL MANUFACTURING PLATFORMS FOR CONNECTED SMART FACTORIES | |
BASHENDY | INTRUSION RESPONSE FOR CYBER-PHYSICAL SYSTEMS: A MODEL-FREE DEEP REINFORCEMENT LEARNING APPROACH | |
Al Hamoud | Model design for industrial supervisory intelligent control | |
Bashendy et al. | Autonomous Response Agent for Cyber Physical System Attacks: A Model-Free Deep Reinforcement Learning Approach (Drl-Irs) | |
SI24243A (sl) | Sistem in postopek za kontinuiran nadzor in upravljanje procesa proizvodnje tablet |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |