CN109416534A - 工厂过程自动化中的报警处置系统和方法 - Google Patents
工厂过程自动化中的报警处置系统和方法 Download PDFInfo
- Publication number
- CN109416534A CN109416534A CN201780041170.6A CN201780041170A CN109416534A CN 109416534 A CN109416534 A CN 109416534A CN 201780041170 A CN201780041170 A CN 201780041170A CN 109416534 A CN109416534 A CN 109416534A
- Authority
- CN
- China
- Prior art keywords
- alarm
- threshold value
- point
- prediction
- process variable
- 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 132
- 230000008569 process Effects 0.000 title claims abstract description 106
- 238000011282 treatment Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000002688 persistence Effects 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000013459 approach Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 239000002828 fuel tank Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- 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]
- G05B19/41885—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 modeling, simulation of the manufacturing 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34457—Emit alarm signal
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
工厂过程自动化中的报警处置方法和系统,工厂过程自动化中的报警处置方法和系统包括数据处理装置,其包括:至少一个接口(10),访问或处理一个或多个过程信号,并且确定对应过程变量(24);报警配置装置(20),访问或提供报警配置信息,其包括一个或多个所确定的过程变量的至少一个设置点;预测装置(30),确定和处理至少一个过程变量的当前变化速率,以预测它将花费多久或者预测何时达到或跨过所提供的设置点或阈值,具体来说是预定义的设置点或阈值,并且具体来说是结果阈值(28),或者确定所监测的或确定的过程变量值中的至少一个是否以及何时将跨过相应设置点,具体来说是例如当指示恢复正常情形时的报警设置点(26)。
Description
本发明涉及工厂过程自动化中的报警处置系统和报警处置方法和/或用于像例如餐饮产业、石油和天然气产业、化学和制药产业中的过程工厂设施的过程自动化技术。
当今在工厂过程自动化中,假定针对过程变量的交替速率的最坏情况情形(像例如,如果在油箱中达到水平L(跳闸)引起自动关机动作,例如停止全部流入的话)来计算或确定报警设置点,报警设置点L(报警)按照如下方式来计算:甚至在水平和/或相应过程变量的最大增加速度(最大交替速率)的情况下,也使得操作员仍然有足够时间来避免跳闸。在图1中公开这种状况,其摘自公开工厂过程自动化中的常见报警处置状况的IEC 62682。
不利地,甚至在如果变化速率低于相应过程变量的最大交替速率并且相应地相应水平的变化速率低于最坏情况情形的情况下(其中报警设置点能够非常接近仍然给予操作员充分时间进行反应的结果阈值),也不考虑当前或实际变化速率,并且可能不适配一次定义的报警设置点。
因此,当今不存在工厂过程自动化中的报警设置点的动态反馈自适应,以及相应地,过程工厂自动化中的报警的更实际并更有效率的评估和处置和/或相应地,报警的更准确评估不可用和/或不是可能的。
因此,本发明的目的是提供工厂过程自动化中的更实际并且有效率的报警处置可能性。
此目的通过按照权利要求1所述的特征的工厂过程自动化中的报警处置系统来解决。在另外的权利要求和以下描述中公开另外的实施例以及报警处置方法。
按照本发明的工厂过程自动化中的报警处置系统包括数据处理装置,其包括:
• 至少一个接口,访问和/或处理一个或多个过程信号,并且确定对应的过程变量值,
• 报警配置装置,访问和/或提供报警配置信息,所述报警配置信息包括一个或多个所确定过程变量的至少一个设置点,
预测装置,确定和处理至少一个过程变量的当前变化速率,以预测将花费多久来达到和/或跨过所提供的设置点和/或阈值,和/或预测直至达到和/或跨过所提供的设置点和/或阈值的周期,和/或预测在哪个日期和/或何时达到和/或跨过所提供的设置点和/或阈值,所述所提供的设置点和/或阈值具体来说是预定义的设置点或阈值,并且具体来说是结果阈值,和/或确定所监测的和/或确定的过程变量值中的至少一个是否和/或何时将跨过相应设置点(具体来说是例如当指示恢复正常情形时的报警设置点)。
相应地,报警处置系统以及具体来说是预测装置可按照至少一个过程变量的交替速率和倒计数定时器和/或至少一个相关的设置点或阈值(其表示与所述至少一个过程变量相关)的趋势确定来提供并且确保动态报警反馈。
在另外的实施例中,由预测装置所执行的预测在预定义的循环长度(具体来说每30秒)中的循环和/或周期基础上运行。循环长度可被预定义,以及循环长度或循环周期可以是数秒至数分钟。
在另外的实施例中,由预测装置所执行的预测在事件触发的基础上(例如当交替速率变化和/或变化速率发生和/或被检测和/或确定时)来运行。
在另外的实施例中,由预测装置所执行的预测通过请求(具体来说通过操作员的请求)来运行。
预测能够基于具有当前变化速率的简单线性内插,但是也能够基于以历史数据为基础的更复杂的预测模型(例如隐马尔可夫模型(Hidden Markov Models))。
唯一附加要求的配置参数是与报警相关的结果阈值,其无论如何都应当是可用的,因为它对报警设置点的计算是重要的。如果预测和指示应当被限制到关于报警是否和/或何时将恢复正常的信息,则甚至能够省略此附加要求的配置参数。
有利地,按照本发明的途径生成与现有技术当前水平途径相同的报警,并且没有增加风险或显著的复杂度,但是允许报警的更实际并且有效率的处置以及更复杂的评估。
此外,预测可通过将回归算法应用于至少一个相应过程变量来执行,这意味着直到下一个阈值被跨过或者被超过阈值再次被跨过(恢复正常)的时间能够通过回归(例如多项式回归、梯度提升树、随机梯度提升、人工神经网络/深度学习、高斯过程、核回归)或分类(例如决策树、支持向量机、逻辑回归、朴素贝叶斯()、随机森林、人工神经网络/深度学习)或者回归和分类两种方法的组合来估计。
在另外的实施例中,预测可通过将线性回归算法或函数应用于至少一个相应过程变量来执行。
在另外的实施例中,提供配置学习器装置,其中报警配置信息(像例如适合和/或适当过程变量、对应报警设置点和结果阈值)从具体存储在至少一个历史数据库上的历史数据(包括例如报警日志和过程测量)来推出和/或确定。
在另外的实施例中,提供预测模型学习器,其中应用和运行预测模型,其将当前过程信号值当作输入值(其经处理以预测一个或多个过程变量值的将来值和/或趋势)。
在另外的实施例中,处理预测器装置考虑来自信号的最近读数以及预测将来值并且检查是否以及何时分别达到和/或跨过了跨过结果阈值或报警设置点和阈值来运行和/或执行预测。
在另外的实施例中,提供报警显示装置,所述报警显示装置采取列表形式来呈现报警消息,并且所述报警显示装置周期地或者事件触发地更新。
在另外的实施例中,公开和/或示出所预测的信息(像持续时间和/或日期和/或时间)连同相关的报警和/或报警消息。
操作员能够使用所述信息来更好地评估和优先化哪个报警对工厂最为关键和/或哪个报警要首先起作用,以避免相应过程的任何损坏或干扰。
在另外的实施例中,预测装置处理具体由报警配置装置所提供的下列配置参数中的至少一个:报警极限;相关跳闸极限,其中这些通常是“Hi”和“HiHi”报警;以及相关过程信号,其能够示为当今已经存在的800xA报警列表中的选项。
在另外的实施例中,在甚至报警设置点和相关过程信号不是容易地可用(例如在遗留控制器中硬编码)时的情况下,历史过程测量以及报警和事件日志能够通过配置学习器装置和/或预测模型学习器装置来利用(leverage),以按照自动化和数据驱动方式重新工程设计报警设置点。
按照另一个实施例,提供报警处置系统部件,通过其逐步执行下列步骤:
• 在第一可选步骤,报警配置信息(其包括信号、报警设置点和结果阈值)能够从由配置学习器装置所执行的历史数据(具体来说是报警日志和过程测量)来推出,
• 在可选第二步骤,创建和/或学习预测模型,其将当前信号当作输入,并且预测将来值,
• 在第三和第一必要步骤,在最简单情况下通过考虑来自信号的最近读数的线性外插以及预测将来值并且检查是否以及何时跨过结果阈值或报警设置点来执行预测。
• 在第四和第二必要步骤,相应地更新报警显示或列表。
在另外的实施例中,第四步骤可包括基于由第三步骤所提供的信息(例如直到恢复正常的时间或者像由更复杂预测方法所提供的概率或置信度的附加信息)的报警的过滤(不显示),和/或第五可选步骤可包括更新屏幕的预测的周期重新计算,具体包括显示先前在第四步骤被过滤的报警。
此外,本发明的目的还通过根据权利要求7所述的特征的报警处置方法来解决。
按照本发明的工厂过程自动化中的报警处置方法包括逐步进行:
• 一个或多个过程信号的访问和/或处理并且确定对应过程变量和/或过程变量值,
• 访问和/或提供报警配置信息,其包括一个或多个所确定的过程变量的至少一个设置点和/或阈值,
• 确定和处理至少一个过程变量的当前变化速率,并且预测将花费多久来达到和/或跨过所提供的设置点和/或阈值,和/或预测直至达到和/或跨过所提供的设置点和/或阈值的周期,和/或预测在哪个日期和/或何时达到和/或跨过所提供的设置点和/或阈值,所述所提供的设置点和/或阈值具体来说是预定义的设置点或阈值,并且具体来说是结果阈值,和/或确定所监测的和/或确定的过程变量值中的至少一个是否和/或何时将跨过相应设置点(具体来说是指示恢复正常情形的报警设置点)。
在另外的实施例中,所执行的预测在预定义的循环长度(具体来说每30秒)中的循环和/或周期基础上运行和/或执行。循环长度可被预定义,以及循环长度或周期可以是数秒到一分钟或数分钟。
在另外的实施例中,所执行的预测在事件触发的基础上(例如在交替速率变化和/或变化速率发生和/或被检测和/或确定的情况下)来运行。
在另外的实施例中,预测通过请求(具体来说通过操作员的请求)来运行。
预测能够基于具有当前变化速率的简单线性内插,但是也可基于以历史数据为基础的更复杂预测模型(例如隐马尔可夫模型)。
唯一附加要求的配置参数是与报警相关的结果阈值,其无论如何都应当是可用的,因为它对报警设置点的计算是重要的。如果预测和指示应当被限制到关于报警是否和/或何时将恢复正常的信息,则甚至能够省略此附加要求的配置参数。
有利地,按照本发明的途径生成与现有技术当前水平途径相同的报警,并且没有增加风险或显著的复杂度,但是允许报警的更实际并且有效率的处置以及更复杂评估。
此外,预测可通过将回归算法应用于至少一个相应过程变量来执行,这意味着直到下一个阈值被跨过或者被超过阈值再次被跨过(恢复正常)的时间能够通过回归(例如多项式回归、梯度提升树、随机梯度提升、人工神经网络/深度学习、高斯过程、核回归)或分类(例如决策树、支持向量机、逻辑回归、朴素贝叶斯、随机森林、人工神经网络/深度学习)或者回归和分类两种方法的组合来估计。
在另外的实施例中,预测可通过将线性回归算法或函数应用于至少一个相应过程变量来执行。
在另外的实施例中,报警配置信息(像例如适合和/或适当过程变量、对应报警设置点和结果阈值)从具体存储在至少一个历史数据库上的历史数据(包括例如报警日志和过程测量)来推出和/或确定。
在另外的实施例中,提供或创建和/或应用和运行预测模型,其将当前过程信号值当作输入值(其经处理以预测一个或多个过程变量的将来值和/或趋势)。
在另外的实施例中,预测考虑来自信号的最近读数以及预测将来值并且检查是否以及何时分别达到和/或跨过了跨过结果阈值或报警设置点和阈值。
在另外的实施例中,报警和/或报警消息采取列表形式来显示,并且周期地或者事件触发地更新。
在另外的实施例中,公开和/或示出预测信息(像持续时间和/或日期和/或时间)连同相关的报警和/或报警消息。
操作员能够使用所述信息来更好地评估和优先化哪个报警对工厂最为关键和/或哪个报警要首先起作用,以避免相应过程的任何损坏或干扰。
在另外的实施例中,处理下列配置参数中的至少一个:报警极限;相关跳闸极限,其中这些通常是“Hi”和“HiHi”报警;以及相关过程信号,其能够示为当今已经存在的800xA报警列表中的选项。
在另外的实施例中,在甚至报警设置点和相关过程信号不是容易地可用(例如在遗留控制器中硬编码)时的情况下,历史过程测量以及报警和事件日志能够被利用,以按照自动化和数据驱动方式重新工程设计报警设置点。
按照另一个实施例,报警处置方法:
• 在第一可选步骤,报警配置信息(其包括信号、报警设置点和结果阈值)能够从历史数据(具体来说是报警日志和过程测量)来推出,
• 在可选第二步骤,创建和/或学习预测模型,其将当前信号当作输入,并且预测将来值,
• 在第三和第一必要步骤,在最简单情况下通过考虑来自信号的最近读数的线性外插以及预测将来值并且检查是否以及何时跨过结果阈值或报警设置点来执行预测。
• 在第四和第二必要步骤,相应地更新报警显示或列表。
按照若干附图和执行示例更详细公开和解释要求保护的本发明和有利实施例。
附图公开:
图1是按照现有技术水平的报警处置;
图2是按照本发明的示范报警处置系统的示意图;
图3是按照本发明的示范报警处置方法的示意图;
图4是报警的优先化矩阵;
图5是包括预测趋势的示范报警列表。
图1中呈现了现有技术水平情形,其中在工厂过程自动化中,假定针对过程变量的最大交替速率的最坏情况情形(像例如,如果在油箱中达到水平L(跳闸)引起自动关机动作,例如停止全部流入的话)来计算报警设置点,报警设置点L(报警)按照如下方式来计算:甚至在水平和/或相应过程变量的最大增加速度(最大交替速率)的情况下,也使得操作员仍然有足够时间来避免跳闸。这种状况摘自IEC 62682。相应地,图1中公开与报警处置系统的实现相关的全部可能元件。图1示出简图,其中y轴指的是过程变量,以及x轴指的是时间。对于示范过程变量,定义报警设置点和结果阈值。当测量过程变量值达到和/或跨过报警设置点时,生成报警。按照基于所述过程值的最大交替速率的已知系统和方法,确定时间的周期和时刻,其定义容许响应时间、过程静寂时间(dead time)、当过程变量跨过结果阈值时的时间、过程响应延迟延迟时间和死区延迟、过程变量何时恢复到正常值和正常情形。不利地,在大多数情况下,所测量交替速率与所定义最大交替速率有所不同,因而所计算和/或确定的时刻过于悲观和/或不正确。
假定不只一个特定过程变量和报警必须被处置,但是至少从十直到数百个报警必须被处置,这可导致所述报警的不正确和错误分级(其可导致误诊以及整个工厂或设施的最终功能障碍)。
图2中呈现按照本发明的工厂过程自动化设施的报警处置系统,其包括具有至少一个接口的数据处理装置,该接口访问和/或处理一个或多个过程信号,并且确定对应过程变量值。
此外,提供报警配置装置20,访问和/或提供报警配置信息,该信息包括一个或多个所确定过程变量24的至少一个设置点22。提供预测装置30,确定和处理至少一个过程变量的当前变化速率,以预测将花费多久来达到和/或跨过所提供设置点和/或阈值,和/或预测直至达到和/或跨过所提供设置点和/或阈值的周期,和/或预测在哪个日期和/或何时达到和/或跨过所提供设置点和/或阈值,所述所提供设置点和/或阈值具体来说是预定义的设置点和/或阈值,并且具体来说是结果阈值28,和/或确定所监测的和/或确定的过程变量值24的至少一个是否和/或何时将跨过相应设置点26(具体来说是例如指示恢复正常情形的报警设置点26)。
由预测装置所执行的预测过程可在预定义的循环长度(具体来说每30秒)中的循环和/或周期基础上运行。循环长度可被预定义,以及循环长度或周期可从数秒至数分钟。
此外,作为备选或组合,预测可在事件触发的基础上(例如报警、交替速率变化和/或相应过程变量(具体为温度、压力或流量)的变化速率发生和/或被检测和/或确定)和/或通过请求来运行。
预测能够基于具有当前变化速率的简单线性内插,但是也能够基于以历史数据为基础的更复杂预测模型(例如隐马尔可夫模型)。
有利地,按照本发明的途径生成与现有技术当前水平途径相同的报警,并且没有增加风险或显著的复杂度,但是允许报警的更实际并且有效率的处置以及更复杂评估。
此外,预测可通过将回归算法应用于至少一个相应过程变量来执行,这意味着直到下一个阈值被跨过或者被超过阈值再次被跨过(恢复正常)的时间能够通过回归(例如多项式回归、梯度提升树、随机梯度提升、人工神经网络/深度学习、高斯过程、核回归)或分类(例如决策树、支持向量机、逻辑回归、朴素贝叶斯、随机森林、人工神经网络/深度学习)或者回归和分类两种方法的组合来估计。
此外,提供配置学习器装置42,其中报警配置信息(像例如适合和/或适当过程变量、对应报警设置点和结果阈值)从具体存储在至少一个历史数据库44、46上的历史数据(包括例如报警日志和过程测量)来推出和/或确定。
另外,可提供预测模型学习器48,其中应用和运行预测模型,其将当前过程信号值当作输入值(其经处理以预测一个或多个过程变量值的将来值和/或趋势)。
因此,在甚至报警设置点和相关过程信号不是容易地可用(例如在遗留控制器中硬编码)时的情况下,历史过程测量以及报警和事件日志能够通过配置学习器装置42和/或预测模型学习器装置46来利用,以按照自动化和数据驱动方式重新工程设计报警设置点26。
预测器装置30考虑来自信号的最近读数以及预测将来值并且检查是否以及何时分别达到和/或跨过了跨过结果阈值或报警设置点和阈值来运行和/或执行预测。
提供报警显示装置40,所述报警显示装置采取列表形式来呈现报警消息,所述报警消息包含特定过程变量的趋势指示符以及报警和/或设置点,其中更新呈现和相应报警信息,其中周期地和/或事件触发地和/或通过请求来公开和/或示出预测信息(像持续时间和/或日期和/或时间)连同相关的报警和/或报警消息,如图5所公开的。还可以提供和呈现如图4中公开的优先化矩阵。
操作员能够使用所述信息来更好地评估和优先化哪个报警对工厂最为关键和/或哪个报警要首先起作用,以避免相应过程的任何损坏或干扰。
图3中公开按照本发明的报警处置方法的示范实施例的示意图,提供报警处置系统部件,通过其逐步执行下列步骤:
• 在第一可选步骤50,报警配置信息(其包括信号、报警设置点和结果阈值)能够从具体由配置学习器装置42所执行的历史数据(具体来说是报警日志和过程测量)来推出,
• 在可选第二步骤52,创建和/或学习预测模型,其将当前信号当作输入,并且预测将来值,
• 在第三和第一必要步骤54,在最简单情况下通过考虑来自信号24的最近读数的线性外插以及预测将来值并且检查是否以及何时达到和/或跨过相应结果阈值28或报警设置点26来执行预测,其中预测首先可通过报警激活来触发。
在第四和第二必要步骤56,相应地更新报警显示或列表。由预测装置所执行的预测过程可在预定义的循环长度(具体来说每30秒)中的循环和/或周期基础上运行。循环长度可被预定义,以及循环长度或周期可从数秒至数分钟。
此外,作为备选或组合,预测可在事件触发的基础上(例如报警、交替速率变化和/或相应过程变量(具体为温度、压力或流量)的变化速率发生和/或被检测和/或确定)和/或通过请求来运行。
例如,在高填充水平报警的情况下:
假定容器必须在任何情况下不溢出,填充高度对报警的触发按照如下方式来计算:使得在最大填充速度下,操作员安排某个最小响应时间(例如三分钟)。所要求的响应时间通常通过报警优先级(例如优先级“红色”(高))来覆盖,因为快速反应是必需的并且潜在损坏相当高。
如果触发报警,则所指配优先级基于最高假定填充速度。但是,实际填充速度可能低得多,在那种特定情况下,在所指示的优先级的程度被认为是“错误的”,重要的是了解从报警不能推断直到溢出发生的可能的时间周期可以是多少,但是这对操作员非常重要。
在最简单情况下,能够评估如下:t(溢出) = h(离边缘的当前距离) / v(当前填充速度)。
在报警中指示此时间也将令人感兴趣。
如果工厂操作员需要决定相等优先级的两个报警中的哪个应当先被处置,则本发明实际帮助识别更“急迫”报警。
图4中呈现报警评估和处理的示范优先化矩阵。它示出现有技术当前水平当前如何进行报警优先级的静态离线配置。左边的结果表显示能够如何定义潜在损坏的四个不同等级的示例。第一行示出在操作员没有对报警进行反应的情况下的最严重潜在结果。在此示例中,这意味着至少一个人将死亡,或者超过50桶原油将被释放到海洋中或者大于5百万欧元的财务损失将发生。除了这四个严重性等级之外,右边的矩阵引入操作员必须进行反应的三个时间范围(立即、迅速、不久)。该矩阵确定操作员的优先级:例如要求立即响应的报警以及最严重潜在结果获得优先级“紧急”。如果这种报警发生,则操作员知道他们应当首先集中于这个报警。
图5中公开报警消息的示范列表,其包括表示(具体为工厂中安装的不同技术设备的传感器的)不同测量过程温度和压力变量的若干报警和/或报警消息的相应设置点和/或阈值的预测趋势和时间调度。操作员的难题是要首先处置哪个报警。在这种情况下,存在具有优先级“关键”(其通常意味着这些报警需要立即响应并且如果没有采取动作,则能够发生严重损坏)的三个报警。来自本发明的附加信息示出“p123”迅速升高,并且在五分钟内预测跳闸,而对另外两个关键报警预测更多时间(30分钟和超过60分钟)。很明显,操作员应当首先集中于“p123”。在常规系统中没有了解关于要首先集中于三个关键报警中的哪个的简易方式。
Claims (10)
1.一种工厂过程自动化中的报警处置系统,所述报警处置系统具有数据处理装置,所述数据处理装置包括:
• 至少一个接口(10),所述至少一个接口访问和/或处理一个或多个过程信号,并且确定对应的过程变量(24),
• 报警配置装置(20),所述报警配置装置访问和/或提供报警配置信息,所述报警配置信息包括一个或多个所确定的过程变量的至少一个设置点,
• 预测装置(30),所述预测装置确定和处理至少一个过程变量的当前变化速率,以预测将花费多久来达到和/或跨过所提供的设置点和/或阈值,和/或预测直至达到和/或跨过所提供的设置点和/或阈值的周期,和/或预测在哪个日期和/或何时达到和/或跨过所提供的设置点和/或阈值,所述所提供的设置点和/或阈值具体来说是预定义的设置点和/或阈值,并且具体来说是结果阈值(28),和/或确定所监测的和/或确定的过程变量值中的至少一个是否和/或何时将跨过相应设置点,具体来说是例如当指示恢复正常情形时的报警设置点(26)。
2.根据权利要求1所述的报警处置系统,其特征在于,由所述预测装置(30)所执行的所述预测在预定义的循环长度、具体来说每30秒中的循环和/或周期基础上运行,和/或其中所述循环长度可被自由定义,并且具体来说所述循环长度或周期可从数秒延伸到数分钟。
3.根据前述权利要求其中之一所述的报警处置系统,其特征在于,由所述预测装置所执行的所述预测在事件触发的基础上,例如当交替速率变化和/或变化速率发生和/或被检测和/或确定时,来运行。
4.根据前述权利要求其中之一所述的报警处置系统,其特征在于,提供配置学习器装置(42),其中报警配置信息,像例如适合和/或适当过程变量、对应报警设置点和结果阈值,从具体存储在至少一个历史数据库上的、包括例如报警日志和过程测量的历史数据来推出和/或确定。
5.根据前述权利要求其中之一所述的报警处置系统,其特征在于,提供预测模型学习器(48),其中应用和运行预测模型,所述预测模型将所述当前过程信号值当作输入值,所述输入值经处理以预测一个或多个过程变量值的将来值和/或趋势。
6. 根据前述权利要求其中之一所述的报警处置系统,其特征在于,提供报警显示装置,所述报警显示装置采取列表形式来呈现报警消息,并且所述报警显示装置周期地或事件触发地更新,以及其中公开和/或示出像持续时间和/或日期和/或时间的所预测的信息连同相关的报警和/或报警消息。
7.一种工厂过程自动化中的报警处置方法,包括下列步骤
• 一个或多个过程信号的访问和/或处理并且确定对应过程变量和/或过程变量值,
• 访问和/或提供报警配置信息,所述报警配置信息包括一个或多个所确定的过程变量的至少一个设置点和/或阈值,
• 确定和处理至少一个过程变量的当前变化速率,并且预测将花费多久来达到和/或跨过所提供的设置点和/或阈值,和/或预测直至达到和/或跨过所提供的设置点和/或阈值的周期,和/或预测在哪个日期和/或何时达到和/或跨过所提供的设置点和/或阈值,所述所提供的设置点和/或阈值具体来说是预定义的设置点或阈值,并且具体来说是结果阈值,和/或确定所监测的和/或确定的过程变量值中的至少一个是否和/或何时将跨过所述相应设置点,具体来说是指示恢复正常情形的所述报警设置点。
8.根据权利要求7所述的报警处置方法,其特征在于,所执行的所述预测在预定义的循环长度、具体来说每30秒中的循环和/或周期基础上运行和/或执行,其中所述循环长度可自由定义,和/或所述循环长度或周期可从数秒延伸直到一分钟或数分钟。
9.根据权利要求7或8所述的报警处置方法,其特征在于,所执行的所述预测在事件触发的基础上,例如在所述交替速率变化和/或变化速率发生和/或被检测和/或被确定的情况下,和/或通过请求,具体来说通过操作员的请求,来运行。
10.根据权利要求7至9其中之一所述的报警处置方法,其特征在于,预测能够基于具有所述当前变化速率的简单线性内插,但是也能够基于以历史数据为基础的更复杂的预测模型,例如隐马尔可夫模型,和/或所述预测可通过将回归算法应用于至少一个相应过程变量来执行,这意味着直到下一个阈值被跨过或者所超过的阈值再次被跨过(恢复正常)的时间能够通过回归,例如多项式回归、梯度提升树、随机梯度提升、人工神经网络/深度学习、高斯过程、核回归,或者分类,例如决策树、支持向量机、逻辑回归、朴素贝叶斯、随机森林、人工神经网络/深度学习,或者回归和分类两种方法的组合来估计,或者通过将线性回归算法或函数应用于所述至少一个相应过程变量来执行。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16168327 | 2016-05-04 | ||
EP16168327.1 | 2016-05-04 | ||
PCT/EP2017/060651 WO2017191253A1 (en) | 2016-05-04 | 2017-05-04 | Alarm handling system and method in plant process automation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109416534A true CN109416534A (zh) | 2019-03-01 |
Family
ID=55919664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780041170.6A Pending CN109416534A (zh) | 2016-05-04 | 2017-05-04 | 工厂过程自动化中的报警处置系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10824963B2 (zh) |
EP (1) | EP3452878A1 (zh) |
CN (1) | CN109416534A (zh) |
WO (1) | WO2017191253A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136400A (zh) * | 2019-03-29 | 2019-08-16 | 广州明珞汽车装备有限公司 | 一种电极帽更换报警方法和系统 |
CN111832880A (zh) * | 2019-04-17 | 2020-10-27 | Abb瑞士股份有限公司 | 对正在进行的生产批运行的质量指示符的计算机实现的确定 |
CN116189399A (zh) * | 2022-12-22 | 2023-05-30 | 北京天河地塬安防技术服务有限公司 | 报警信息管理方法、装置、存储介质及电子设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3287960B1 (en) * | 2016-08-25 | 2024-05-15 | ABB Schweiz AG | Computer system and method to process alarm signals |
JP6794919B2 (ja) * | 2017-04-28 | 2020-12-02 | 横河電機株式会社 | プロセス制御システム及びデータ処理方法 |
US11099529B2 (en) | 2019-07-23 | 2021-08-24 | International Business Machines Corporation | Prediction optimization for system level production control |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1690901A (zh) * | 2004-04-22 | 2005-11-02 | 横河电机株式会社 | 工厂运转支持系统 |
US20100241901A1 (en) * | 2009-02-12 | 2010-09-23 | Roland Jahn | Method and apparatus for checking a control program in an industrial system |
US20160042541A1 (en) * | 2013-03-15 | 2016-02-11 | Fisher-Rosemount Systems, Inc. | Graphical Process Variable Trend Monitoring, Predictive Analytics and Fault Detection in a Process Control System |
US20160098647A1 (en) * | 2014-10-06 | 2016-04-07 | Fisher-Rosemount Systems, Inc. | Automatic signal processing-based learning in a process plant |
CN109542740A (zh) * | 2017-09-22 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
CN110324168A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 异常事件监控方法和装置及电子设备 |
CN110489306A (zh) * | 2019-08-26 | 2019-11-22 | 北京博睿宏远数据科技股份有限公司 | 一种报警阈值确定方法、装置、计算机设备及存储介质 |
CN110942210A (zh) * | 2019-12-11 | 2020-03-31 | 中国铁建重工集团股份有限公司 | 一种盾构tbm姿态偏移预警方法 |
CN111145895A (zh) * | 2019-12-24 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 异常数据的检测方法及终端设备 |
CN111706499A (zh) * | 2020-06-09 | 2020-09-25 | 成都数之联科技有限公司 | 一种真空泵的预测维护系统及方法及真空泵自动采购系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6453207B1 (en) * | 1999-07-01 | 2002-09-17 | Donald S. Holmes | Method, system and article of manufacture for operating a process |
DE10213746B4 (de) * | 2002-03-26 | 2013-04-18 | Endress + Hauser Gmbh + Co. Kg | Vorrichtung zum Bedienen von Feldgeräten |
JP4789277B2 (ja) * | 2004-04-22 | 2011-10-12 | 横河電機株式会社 | プラント運転支援装置 |
US8818562B2 (en) * | 2011-06-04 | 2014-08-26 | Invensys Systems, Inc. | Simulated fermentation process |
US9529348B2 (en) * | 2012-01-24 | 2016-12-27 | Emerson Process Management Power & Water Solutions, Inc. | Method and apparatus for deploying industrial plant simulators using cloud computing technologies |
WO2015104691A2 (en) * | 2014-01-13 | 2015-07-16 | Brightsource Industries (Israel) Ltd. | Systems, methods, and devices for detecting anomalies in an industrial control system |
US10101731B2 (en) * | 2014-05-01 | 2018-10-16 | Johnson Controls Technology Company | Low level central plant optimization |
-
2017
- 2017-05-04 EP EP17720169.6A patent/EP3452878A1/en active Pending
- 2017-05-04 WO PCT/EP2017/060651 patent/WO2017191253A1/en unknown
- 2017-05-04 CN CN201780041170.6A patent/CN109416534A/zh active Pending
-
2018
- 2018-11-02 US US16/178,629 patent/US10824963B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1690901A (zh) * | 2004-04-22 | 2005-11-02 | 横河电机株式会社 | 工厂运转支持系统 |
US20100241901A1 (en) * | 2009-02-12 | 2010-09-23 | Roland Jahn | Method and apparatus for checking a control program in an industrial system |
US20160042541A1 (en) * | 2013-03-15 | 2016-02-11 | Fisher-Rosemount Systems, Inc. | Graphical Process Variable Trend Monitoring, Predictive Analytics and Fault Detection in a Process Control System |
US20160098647A1 (en) * | 2014-10-06 | 2016-04-07 | Fisher-Rosemount Systems, Inc. | Automatic signal processing-based learning in a process plant |
CN109542740A (zh) * | 2017-09-22 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
CN110324168A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 异常事件监控方法和装置及电子设备 |
CN110489306A (zh) * | 2019-08-26 | 2019-11-22 | 北京博睿宏远数据科技股份有限公司 | 一种报警阈值确定方法、装置、计算机设备及存储介质 |
CN110942210A (zh) * | 2019-12-11 | 2020-03-31 | 中国铁建重工集团股份有限公司 | 一种盾构tbm姿态偏移预警方法 |
CN111145895A (zh) * | 2019-12-24 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 异常数据的检测方法及终端设备 |
CN111706499A (zh) * | 2020-06-09 | 2020-09-25 | 成都数之联科技有限公司 | 一种真空泵的预测维护系统及方法及真空泵自动采购系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136400A (zh) * | 2019-03-29 | 2019-08-16 | 广州明珞汽车装备有限公司 | 一种电极帽更换报警方法和系统 |
CN111832880A (zh) * | 2019-04-17 | 2020-10-27 | Abb瑞士股份有限公司 | 对正在进行的生产批运行的质量指示符的计算机实现的确定 |
CN111832880B (zh) * | 2019-04-17 | 2024-04-16 | Abb瑞士股份有限公司 | 对正在进行的生产批运行的质量指示符的计算机实现的确定 |
CN116189399A (zh) * | 2022-12-22 | 2023-05-30 | 北京天河地塬安防技术服务有限公司 | 报警信息管理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US20190073609A1 (en) | 2019-03-07 |
US10824963B2 (en) | 2020-11-03 |
EP3452878A1 (en) | 2019-03-13 |
WO2017191253A1 (en) | 2017-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416534A (zh) | 工厂过程自动化中的报警处置系统和方法 | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
US20220147672A1 (en) | Method and system for adaptive learning of models for manufacturing systems | |
US11175976B2 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
US20160048139A1 (en) | Real-Time Chemical Process Monitoring, Assessment and Decision-Making Assistance Method | |
US10776706B2 (en) | Cost-driven system and method for predictive equipment failure detection | |
WO2020094523A1 (en) | Solution for controlling a target system | |
KR20220062329A (ko) | 제조 프로세스 위험을 예측하기 위한 시스템 및 방법 | |
JP2019045905A (ja) | 挙動予測システム及び挙動予測方法 | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
EP3839782A1 (en) | Dynamic monitoring and securing of factory processes, equipment and automated systems | |
Huang et al. | Zero defect manufacturing of microsemiconductors–an application of machine learning and artificial intelligence | |
CN109564423B (zh) | 监测和控制工业过程的方法以及过程控制系统 | |
US20230034769A1 (en) | Method for an Intelligent Alarm Management in Industrial Processes | |
US10955837B2 (en) | Method and system for error detection and monitoring for an electronically closed-loop or open-loop controlled machine part | |
EP3674828B1 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
EP3109806A1 (en) | Method for generating prognostic alerts and a human machine interface (hmi) device therefor | |
CN110956409B (zh) | 一种社区燃气设备的风险控制方法及装置 | |
Patton et al. | Actuator fault diagnosis in a continuous stirred tank reactor using identification techniques | |
Ariamuthu Venkidasalapathy | SAFETY-CENTERED QUANTITATIVE APPROACH FOR ALARM SYSTEM DESIGN AND PROCESS CONTROL DESIGN | |
Apple | AI AND ALARM ANALYTICS FOR FAILURE ANALYSIS AND PREVENTION | |
Kapadia et al. | HealthMAP-A Model-Based Framework for On-Line Prognostics and Health Management (PHM) | |
Bangert et al. | Modeling: Neural Networks |
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 |