CN111857904A - 用于操作者的支持系统 - Google Patents
用于操作者的支持系统 Download PDFInfo
- Publication number
- CN111857904A CN111857904A CN202010332917.7A CN202010332917A CN111857904A CN 111857904 A CN111857904 A CN 111857904A CN 202010332917 A CN202010332917 A CN 202010332917A CN 111857904 A CN111857904 A CN 111857904A
- Authority
- CN
- China
- Prior art keywords
- session
- human operator
- computer
- measurements
- alertness
- 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 claims abstract description 143
- 230000008569 process Effects 0.000 claims abstract description 126
- 230000036626 alertness Effects 0.000 claims abstract description 59
- 230000009471 action Effects 0.000 claims abstract description 44
- 230000004044 response Effects 0.000 claims abstract description 32
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 67
- 238000005259 measurement Methods 0.000 claims description 46
- 238000004519 manufacturing process Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004886 process control Methods 0.000 claims description 3
- 238000012993 chemical processing Methods 0.000 claims description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 2
- 239000011707 mineral Substances 0.000 claims description 2
- 230000037081 physical activity Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims 2
- 230000001960 triggered effect Effects 0.000 abstract description 15
- 230000003111 delayed effect Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 33
- 230000008447 perception Effects 0.000 description 16
- 238000013500 data storage Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010960 commercial process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
- A63F13/798—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for assessing skills or for ranking players, e.g. for generating a hall of fame
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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], computer integrated manufacturing [CIM]
- G05B19/41815—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], computer integrated manufacturing [CIM] characterised by the cooperation between machine tools, manipulators and conveyor or other workpiece supply system, workcell
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/0415—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting absence of activity per se
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0453—Sensor means for detecting worn on the body to detect health condition by physiological monitoring, e.g. electrocardiogram, temperature, breathing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
- A63F2300/558—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history by assessing the players' skills or ranking
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31038—Watchdog, timer to alert if operator does not executes operation within time
-
- 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
- G05B2219/32012—Operator must signify his continued attendance at the workstation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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]
Abstract
为了最小化人工操作者的延迟控制动作的发生概率,与过程的包括控制动作的至少人工操作者的交互以及对控制动作的过程响应被测量且处理,以确定人工操作者的警觉水平,并且如果警觉水平足够低,则可以触发参与会话。
Description
技术领域
本发明涉及一种用于监测和控制例如一个或多个工业过程的操作者的支持系统。
背景技术
能够在没有用户参与的情况下通信的测量设备(尤其是不同传感器)和计算机之间的联网的发展增加了在设备和过程上收集的数据量。作为示例,不是没有听说过具有对工业工厂内的过程和设备的方面进行决策、监测和控制的数千个传感器和元件。所收集的数据或所收集的数据中的至少一些数据通常被传输到通常是分布式控制系统的控制系统,并且经由控制室中的图形用户界面(GUI)为一个或多个人工操作者显示。人工操作者可以经由人机界面(例如屏幕和控制台)查看和控制(例如发出过程命令)过程的任何部分,同时保持工厂概观以维持工厂的安全和有效操作。延迟的控制动作将降低生产能力,并且可能导致过程的计划外停机时间和/或质量差。
发明内容
本发明的目的是要提供一种适于在从属权利要求中提供支持的机构。
根据关于人工操作者的方面。本发明的目的通过一种方法、计算机程序产品、设备和系统来实现,其特征在于独立权利要求中所述的内容。本发明的另外实施例公开了与过程的人工操作者的交互以及过程响应由经训练的模型来测量和处理,以确定人工操作者的警觉水平(alertness level),并且如果警觉水平足够低,则可以触发参与会话。
附图说明
在下文中,将参考附图更详细地描述示范性实施例,其中
图1示出了系统的简化架构;
图2图示示例信息流;
图3至11是图示功能性的示例的流程图;以及
图12是示意性框图。
具体实施方式
以下实施例是示范性的。尽管说明书可能在若干位置中提到“一”、“一个”或“一些”实施例,但这不一定意味着每个这样的引用是针对相同的(一个或多个)实施例,或者该特征仅适用于单个实施例。不同实施例的单个特征也可以组合,以提供其它实施例。
本发明可应用于任何控制室,其中操作设置可由人工操作者调整,或者自动设置由人工操作者手动超驰控制的调整。操作者设置可以是例如用于处理系统和/或用于工业制造相关的过程和/或用于技术过程的系统。示例的非限制性列表包括用于发电厂、制造厂、化学加工厂、电力传输系统、采矿和矿物加工厂、上游油气系统、数据中心、船和运输队系统的控制室。
以下使用单个单元、模型、设备和存储器来描述不同的实施例和示例,而不将实施例/示例限制于这样的解决方案。可以使用被称为云计算和/或虚拟化的概念。虚拟化可以允许单个物理计算装置托管作为独立计算装置出现和操作的虚拟机的一个或多个实例,使得单个物理计算装置可以以动态方式创建、维护、删除或以其它方式管理虚拟机。也有可能的是,装置操作将分布在多个服务器、节点、装置或主机之中。在云计算网络装置中,计算装置和/或存储装置提供共享资源。一些其它技术进步(例如软件定义网络(SDN))可以使下面描述的功能中的一个或多个迁移到任何对应的抽象或设备或装置。因此,所有的词语和表达应当被广义地解释,并且它们旨在说明而不是限制实施例。
图1中图示了系统的一般示范性架构。图1是简化的系统架构,其仅示出了一些装备(设置、装置、节点)和功能实体,所有这些都是逻辑单元,逻辑单元的实现和/或数量可以与图1所示的实现和/或数量不同。图1中所示的连接是逻辑连接;实际的物理连接可以是不同的。对于本领域技术人员来说,显然的是该系统还包括其它装备、功能实体和结构。
在图1中的所图示的示例中,系统100包括工业过程系统101和离线站点102。
工业过程系统101在本文中描绘了任何过程或过程系统,其包括工业工厂中的不同装置、机器、设备、装备和子系统,其示例在上文中列出。另外的示例包括纸浆和造纸厂、水泥厂、金属制造厂、精炼厂和医院。然而,工业过程系统不限于所列的示例,而是覆盖涉及技术考虑并且不是纯粹的商业过程的任何过程。工业过程系统101包括一个或多个过程110(图示了仅一个),其例如由形成控制系统的一部分121的控制回路120或者一个或多个控制系统的一个或多个部分控制。应当领会,术语控制在本文中还涵盖供应链管理、服务和维护。控制回路120通过传感器111测量过程110的过程变量的值,并通过致动器112自动地或根据经由控制室130中的一个或多个人机界面(HMI) 131从人工操作者接收的操作者输入来操纵过程110。控制回路120可以是开放控制回路或封闭控制回路,并且控制系统121可以是分布式控制系统或集中式控制系统。
控制室130是指一个或多个人工操作者的工作空间/环境。控制室130用于在现场和/或远程地监测和/或控制(包括操纵和调整)一个或多个工业过程110。换句话说,控制室130描绘了监测和/或控制系统(子系统),其可以由包括分析数据或该数据的一些段的应用的不同装置实现,例如用于实时控制目的。控制室的示例的非限制性列表包括发电厂控制室、过程控制室、电网控制中心、矿中央控制室、油气命令中心、轨道操作中心、交通管理中心、海运船队处理中心、数据中心控制室和医院容量命令中心。
针对自动化控制和监测系统存在广泛的应用,特别是在工业环境中。该分析可以包括输出警报、扰动、异常,和/或在确定之后输出与测量数据有关的诸如最小值和最大值之类的不同属性,和/或在计算之后输出不同的关键性能指标。控制室130包括一个或多个人机界面(HMI) 131,其用来将不同的输出输出到控制室中的一个或多个人工操作者,使得人工操作者可以例如通过经由一个或多个用户界面输入用户输入来检测异常(非预期行为、性能恶化等)、操纵、控制或调整一个或多个过程。此外,人机界面131被配置成在线测量(即,追踪)人工操作者与一个或多个过程的交互,并且将交互(用户输入)存储到例如本地数据库140。所测量的交互可以指示一旦用户输入被提示(请求)用户输入实际输入某事所花费的时间以及用户输入的一致性。交互可以优选地以这样的方式被存储为匿名数据,即,它们构成人工操作者特定的私人信息,其可由所讨论的人工操作者作为他/她的数据访问,并且可作为匿名信息或元数据由其他人访问。
在图1的所图示的示例中,对于用于操作者(人工操作者)的支持系统,控制室130包括一个或多个不同的传感器132、一个或多个参与用户界面131-1 (E-UI)以及本文被称为人工智能操作者(AI操作者)的装备133。此外,在所图示的示例中,控制室还包括本地数据库140 (本地历史)和本地离线装备150。然而,本地数据库140和/或本地离线装备150可以位于远离控制室的位置中,并且本地数据库140可以位于与本地离线装备150不同的位置中。
参与用户接口131-1是一个或多个人机接口131 (HMI)为了参与目的而包括的单独的界面,或者与监测环境至少不同的环境。由于它是与用于监测和控制的(一个或多个)接口分离的接口,因此人工操作者可以容易地将参与视图(训练视图或模拟视图,或仿真视图)与该人工操作者正在监测的过程的真实视图区分开来。自然地,对参与用户界面的用户输入(交互)也被追踪(测量)并优选地作为匿名数据存储到例如本地数据库140。
一个或多个不同的传感器132收集关于控制室130中的一个或多个人工操作者的数据。传感器可以安装在控制室中,或者它可以是可穿戴传感器。传感器132的非限制性列表包括视觉传感器(如相机)、音频传感器(如音频记录器)和用于测量不同生理值(如血压、体温和心跳速率)的生物测定传感器。此外,控制室中的一个或多个不同的传感器132还可以包括收集关于控制室的环境信息的传感器,所述环境信息诸如室温、湿度、亮度或关于操作者室中的微气候的其它信息。在人工操作者上收集的传感器数据被输入到AI操作者130,并且还优选地作为匿名数据存储到本地数据库140。
在图1的所图示的示例中,AI操作者133包括作为支持系统的子系统的协调器单元133-1、感知单元133-2 (AWARE)、参与单元133-3 (ENU)和人工智能伴随单元133-4 (AIC)。协调器单元133-1被配置成协调其它单元的操作。感知单元133-2被配置/训练以便评估人工操作者的警觉水平。参与单元133-3被配置/训练以便经由参与用户接口131-1输出交互式参与会话。人工智能伴随单元133-4可以被配置/训练以便至少根据借助于传感器111测量的过程变量的值来检测异常和/或创建/生成实时或近实时预测,和/或向人工操作者提供不同的建议。下面将结合图2至图10更详细地描述AI操作者及其单元。
本地数据库140被配置成存储本地历史(即,在一个或多个过程110上收集的信息)、对包括参与用户接口131-1的人机接口131的用户输入,以及控制室中的一个或多个传感器132的传感器测量结果。换句话说,本地历史包括特定于控制室、在控制室中工作的操作者和控制的过程/工厂的数据。
本地离线装备150包括训练器单元151,其被配置成至少训练用于感知单元133-2的模型或完成训练预训练模型,并且使用本地数据存储140中的本地历史来再训练该模型。本地离线装备150可包括用于在AI操作者133的其它单元中使用的其它经训练的模型的训练器单元。自然地,装备150可以是在线装备,或者与离线站点102集成。
图1的离线站点102还包括具有预训练器单元161的离线装备160,其被配置成使用离线站点102中的数据存储装置170中的测量历史来创建用于感知单元133-2的至少预训练模型。数据存储装置170中的测量历史可以包括不同地点/工厂和控制室处收集的数据,并且可能存储到对应的本地数据存储装置。换句话说,异常、过程变量的测量值和控制室变量(包括在人工操作者上测量的值)可以存储到本地数据存储器140和数据存储装置170 (测量结果归档)。
此外,离线装备160可包括可在AI操作者133的其它单元中使用的其它经训练的模型的训练器单元和/或预训练器单元。自然地,至少在测量结果也可以实时或几乎实时地输入到装备160的意义上,装备160可以是在线装备。
为了使用特定于控制室和控制的过程/工厂的数据来完成预训练模型,为特定环境定制了感知单元,同时使用存储到归档数据存储装置170的更大量的数据的预训练提供了更好的准确性并允许更快的收敛。
AI操作者133和/或本地离线装备150和/或离线装备160可以包括用于机器学习应用和/或人工神经网络的定制计算硬件,其用于额外的效率和实时性能。
描绘一个或多个数据存储装置的本地数据存储装置140及描绘一个或多个数据存储装置的归档数据存储装置170可为由任何合适的管理系统管理的任何种类的常规或未来数据存储库,包括数据的分布式及集中式存储。分布式存储的示例包括云环境(例如,其可以是公共云、社区云、私有云或混合云)中的基于云的存储。云存储服务可通过共置的云计算机服务、web服务应用编程接口(API)或由利用诸如云桌面存储、云存储网关或基于web的内容管理系统之类API的应用来访问。换言之,数据存储装置140、170可以是配备有一个或多个存储器的计算装备,或者子系统,或者在线存档系统,该子系统或系统包括计算装置,该计算装置被配置成表现为用于向其存储数据和/或从其检索数据的装备(装置)的一个逻辑在线存档(历史记录)。然而,数据存储装置140、170的实现、数据存储如何被存储、检索和更新的方式(即数据存储装置如何被接口的细节)、以及其中数据被存储的位置与本发明无关。对于本领域技术人员来说,显然的是可以使用任何已知的或将来的解决方案。
图2图示了用于感知单元的训练模型的逻辑结构的示例,以及感知单元如何产生一个或多个警觉水平的基本原理。所图示的训练模型利用(即基于)机器学习,并且更精确地基于深度学习。如果从不同的源接收输入,则经训练的模型可以基于多模态深度学习方法。自然地,可以使用任何其它机器学习,诸如图像学习、基于规则的学习和基于解释的学习。
图2中所图示的感知单元200基于深度神经网络。所图示的结构被高度简化,仅示出了两层,尽管深度神经网络包括若干层:一个或多个输入层、一个或多个处理层、一个或多个输出层以及一个或多个决策层,所述一个或多个处理层可以包括一个或多个递归层、一个或多个神经层等,所述一个或多个输出层用于确定感兴趣的量,所述一个或多个决策层用于根据来自输出层创建的输出来做出决策。
参考图2,所图示的感知单元包括描绘(一个或多个)输入层和(一个或多个)处理层的第一层210以及描绘(一个或多个)输出层和(一个或多个)决策层的第二层220。两个或更多个输入201a、201b在本文描绘了表示与控制室/人工操作者相关的在线测量结果的输入201a和表示来自过程的在线测量结果的输入201b。表示与控制室和/或人工操作者相关的在线测量结果的输入201a包括至少交互数据。交互数据是指当人工操作者与过程/工厂交互时收集的数据。交互数据可以包括屏幕之间的切换、设定点改变、手动开/关切换等,并且它可以从在一个或多个过程上收集的信息获得。当然,在某一时间段内的交互的数量是交互数据,并且从过程变化到另一过程。表示来自过程的在线测量结果的输入201b包括至少过程响应数据。过程响应数据指的是在过程上收集(测量)的人工操作者的控制动作的间接结果(值)。换句话说,过程响应数据中的值是人工操作者不能直接设置(或以其它方式操纵/控制)、仅用来观察的值。以下示例仅是为了更清楚地说明处理响应(即处理响应数据)的含义。马达正在运行,测量速度和温度,并将其作为在线测量结果显示给人工操作者。人工操作者可以直接将马达的速度设置为某一值,并且之后测量的速度值将是由人工操作者设置的速度,但是之后测量的温度值是过程响应,人工操作者不能设置温度。如果人工操作者想要将温度升高某一量,则人工操作者需要知道如何改变速度,并且希望速度改变引起想要的温度升高。
自然地,来自一个或多个过程的其它在线测量结果也可以输入到感知单元。
第一层210将两个或更多个输入201a、202b处理成可解释特征202。可解释特征202然后被输入到第二层220。第二层220将可解释特征处理成从感知单元输出的一个或多个警觉水平203,例如一个或多个指标。一个或多个警觉水平可以被输出到协调器单元,或者输出到协调器单元,并且经由一个或多个人机接口也输出到一个或多个人工操作者。此外,警觉水平可以输出,优选地匿名输出到负责人工操作者的安全和安康以及工作调度的监督者。监督者可以使用警觉水平来请求紧急支持、释放要在其它地方使用的额外能力(高警觉)、根据人工操作者的最佳时间偏移来调度工作偏移等,所有这些都是从长远来看提高生产率并缩短过程的停机时间的措施。
交互数据可被用作诸如可解释特征202。过程数据也可用作诸如可解释特征202和/或来自过程数据的可解释特征202例如可包括与期望值的偏差。
表示与控制室/人工操作者相关的在线测量结果的输入201a还可以包括作为另外的输入的由以上参照图1描述的一个或多个传感器测量的传感器数据。到感知单元的一个或多个另外的输入201a的非限制性列表包括视觉数据(例如面部表情和身体运动)、音频数据、在人工操作者的身体上测量的不同生物测定(例如心跳率、体温)和如室温和湿度的环境条件(操作者室的微气候)。在人工操作者上测量/捕获的数据有助于增加交互数据和过程响应数据的准确性。此外,环境条件对人工操作者的警觉具有显著影响,因此同样输入环境条件进一步增加了准确性。
来自视觉数据的可解释特征202的非限制性列表包括情绪状态、身体姿势和眼睛注视追踪。来自音频数据的可解释特征202的非限制性列表包括谈话分析和声音干扰。来自生物测定学的可解释特征202的非限制性列表包括应力水平和身体舒适度。环境条件可被用作诸如可解释特征202。
警觉水平的非限制性列表包括用于参与的指标值、用于压力的指标值、用于置信的指标值和用于报警的指标值。例如,每个指标可以是0到100之间的任何数值。应当领会,代替指标值,警觉水平输出可以以另一种方式指示警觉水平。例如,警觉水平可以简单地被指示为“未关注”或“关注且警觉”,其由一个比特指示(例如,0意味着“未关注”)。如果交互的频率低于由感知单元确定的阈值或者预设给感知单元的阈值,则警觉水平可以是“未关注的”。下面将关于图7描述另外的示例。
应当领会,感知水平是基于个体来评估的。如果在相同控制室中有两个或更多个人工操作者,则存在区分它们的几种方式。例如,如果在控制室中安装和使用用于视觉数据的传感器,或者每个操作者可以具有他/她自己的用于识别目的标签、可以使用它们来区分人工操作者的位置等,则面部识别软件可以区分它们。
总之,感知单元优选地融合来自不同传感器的数据流,并且生成实时评估人工操作者的态势感知(参与、置信度、压力、警报水平)的实值输出。然而,作为最低要求,需要人工操作者的交互和处理响应数据来实时生成警觉水平的指示。
与现有技术解决方案相比,例如在性能监测相当直接的飞行员和驾驶员辅助解决方案中,确定过程控制的警觉水平要求更复杂的设计;在飞行员和驾驶员辅助解决方案中,低高度或车道交叉容易检测,而在工业过程中,没有指示人工操作者的低警觉水平的这样的容易可测量和可检测的限制。
图3图示参与单元在包括一个参与事件的参与会话期间的示例功能性。参与会话的示例的非限制性列表包括与过程相关的基于计算机的自动交互式训练会话、计算机指示的身体活动会话、关于过程的操作的执行的计算机叙述的音频报告会话、关于过程的操作的执行的计算机叙述的视觉报告会话、具有游戏化的基于应用的交互式训练会话、与过程相关的训练会话及其任何组合。
参与单元在被配置成提供与过程相关的训练会话时可以基于过程102的数据驱动模型,其已经利用对应的人工操作者控制动作对包括意外事故的过去异常和由控制动作引起的结果进行分类。例如,可以通过将机器学习应用于本地数据存储装置中的数据或用于类似过程的归档数据存储装置中的数据来创建数据驱动模型。数据驱动模型可以基于多级分析,以在几个级别和/或规模上提供对过程行为的详细洞察。换句话说,数据驱动模型可以提供从输入到过程/工厂输出或下一状态或关键性能指标的映射/函数,所述输入包括人工操作者的控制动作、环境信息、过程/工厂的当前状态和过程/工厂的配置中的一个或多个。此外,可以通过应用游戏化来实现这样的参与单元。在游戏化中,游戏设计元素和游戏原理被应用于非游戏环境中,游戏设计元素包括例如计分。
在图3所图示的示例中,具有与过程相关的一个训练事件的交互式训练会话被用作参与会话的示例,而不将该示例及其实现限制于训练会话。此外,假设参与单元被配置成通过在过去的情况(异常)中选择一个并且提示用户提供解决方案,并且然后输出最优解决方案来提供训练事件。由参与单元在与过程有关的训练会话中提供的虚拟环境可以被看作过程(或工厂)的数字孪生。数字孪生又提供过程动态的仿真以用于增加的真实性。
参考图3,当在步骤301中检测到触发了训练时,过程开始。该检测可以基于接收指示"我想要训练"的用户输入,或者AI操作者内的内部输入,该内部输入是由例如检测到低警觉水平的感知单元或者检测到将存在/已经存在长不活动时间的人工智能伙伴引起的。
如果训练是操作者发起的(步骤302:是),即已经接收到对应的用户输入,则在步骤303中确定该过程的估计稳定时间。稳定时间是在不使人工操作者的注意力从他/她的实际任务中抑制的情况下训练可以进行多长时间的估计。下面将关于图6更详细地解释如何确定稳定时间。在所图示的示例中,如果训练由内部输入触发,则不执行稳定时间检查,因为假设只有在稳定时间足够长的情况下训练才由内部输入触发。然而,在另一实现中,当训练由内部输入触发时,也将检查稳定时间。
如果稳定时间足够长(步骤304:是)或者如果训练由内部输入触发(步骤302:否),则在步骤305中在本地数据存储装置中或者在参与单元中的一组训练事件中选择训练事件(即需要人工操作者参与的情况)以用于训练会话,并且在步骤305中将该情况输出给人工操作者。一组训练事件中的训练事件可以包括例如使用下面关于图4描述的原理自动获得的事件,和/或从设计用于训练目的和/或由人工操作者定义的训练组件获得的事件。训练事件可以依次随机选择,这取决于这种异常在实际过程中发生的频率、训练事件对过程/工厂的操作的重要性、完成训练事件所花费的时间、训练事件最后被选择的时间和/或基于训练会话有多难,例如当通过响应的成功来判断时。此外,可以提示人工操作者在所有训练事件中或者在训练事件的子集中选择训练事件,该子集是使用例如与上述相同的原理来选择的。如关于图1所述,在特定的训练用户接口中输出该情况,该训练用户接口提供了与操作者正在监测的(一个或多个)过程的主动操作者视图不同的环境,使得仿真(模拟)的情况不与真实(一个或多个)过程的当前情况混合。在输出(重放)该情况时,参与单元提示人工操作者执行一个或多个动作(控制动作),该一个或多个动作可以在改进性能和保证安全性两方面解决所选择的情况。在步骤306中,追踪由人工操作者执行的一个或多个动作,即经由参与用户界面接收的响应。追踪包括存储响应,优选地,将响应加密和匿名化以便为人工操作者提供数据保护。
然后在步骤307中将该响应处理成预测,该预测关于如果情况是真实情况,则该过程将如何响应于该动作而改变,并且在步骤307中将结果输出给人工操作者。备选地或另外,可输出最优解决方案,或可以向人工操作者提供如何对该情况作出反应的其它种类的提示(备选解决方案)。如果实现游戏化,则可以提供分数,并且与正在训练的其他人工操作者相比,优选地甚至在相同的情况下,对分数进行排名。
自然地,在输出结果之后,可以提示人工操作者选择是否继续训练会话,并且如果输入是要继续,则过程返回到步骤303以确定稳定时间。
如果稳定时间不够长(步骤304:否),则在所图示的示例中,通过在步骤308中输出指示现在不能训练的信息来通知人工操作者。
通过训练,使用在正被监测的过程中发生的情况,人工操作者的精神状态保持接近他/她的控制任务。此外,它提供了一种方便的方式来向人工操作者传递关于其他人工操作者的控制动作的知识,以及提供了解决这些情况的最佳方式,从而增加了人工操作者的经验。此外,训练还提供了对罕见情况的训练,即,在现实生活中很少发生但最好准备的异常。换句话说,训练便于在没有或具有最少的人工操作者教导另一人工操作者的专家知识的情况下教导复杂任务。当存在更多数据要解释和/或更多种类的警报时,这在具有更复杂的控制应用的更大和更复杂的工业工厂中尤其有用,因为它降低了非最佳控制动作的概率。非最佳控制动作又将降低生产能力,并且可能导致过程的计划外停机时间和/或质量差。如果应用游戏化,则人工操作者可能更有动机进行训练,尤其是当过程中的任何事情都在良好地进行而没有异常并且没有与过程的主动交互。
图4和图5图示人工智能伙伴单元的不同功能性的示例。取决于实现,人工智能伙伴单元可被配置成实现这两个功能性或其中之一。
参考图4,人工智能伙伴单元可以被训练为经训练的分类器,当其在步骤401中接收关于过程和人工操作者的交互(追踪的用户输入)的在线测量时,其在步骤402中对与人工操作者控制动作有关的输入进行分类。这样的输入包括由传感器测量的触发人工操作者控制动作的那些值、人工操作者控制动作、采取控制动作所花费的时间、什么是人工操作者控制动作的结果/,并且优选地还包括关于人工操作者和/或控制室的测量值。换句话说,对具有对应的用户输入(控制动作)的至少异常进行分类。控制动作(即用户输入)的非限制性列表包括各种设定点值的改变、接通或断开装备、在不同生产模式之间切换、以及触发或调度维护活动。然后,为了按时检测,在步骤403中在存储的分类结果中搜索类似的模式,即与异常相关的模式。模式可以是在信号的时间序列中捕获的事件,或者是需要用户动作并且存在于当前和先前测量中的事件。如果找到任何类似的模式(步骤404:是),则在步骤405中,经由一个或多个人机接口输出基于先前动作和结果的建议,以支持人类操作者决定执行什么控制动作。然后,过程继续到步骤401以接收信息。如果没有发现类似的模式(步骤404:否),则该过程继续到步骤401以接收信息。
应当领会,参与单元可以被配置成执行对应的分类,和/或将由人工智能伙伴单元分类的数据用于训练事件或其它类型的参与事件。
例如,如上所述的那样分类的数据可由人工智能伙伴单元和参与单元使用,以通过模仿学习来连续地更新对应单元。
人工伙伴单元还可以被配置成提供关于所监测的工业过程的预测。例如,人工智能伙伴单元可包括欧洲专利申请号18212177中描述的用于异常检测和/或预测的在线预测装备,可能还被配置成向人工操作者输出建议和/或对输入进行分类。欧洲专利申请号18212177转让给同一申请人,已经在2018年12月13日提交,并由此通过引用结合。当然,可以使用任何其它数据驱动模型,其被训练以基于先前的人工操作者控制动作以及在类似情况下的相应过程响应来生成准时的优化建议。
参考图5,当接收到工业过程的在线测量结果时(步骤501),人工智能伙伴单元在步骤502中将它们处理成关于过程的一个或多个预测。然后确定预测是否指示将需要操作者输入(即用户输入)的异常。对于每个异常或对于某些类型的异常,可能需要人工操作者输入。
如果需要用户输入(步骤503:是),则在步骤504中确定关于要采取的控制动作的一个或多个建议,并在步骤505中将其输出。输出的建议帮助人工操作者决定是否以及如何调整该过程。例如,该建议可以是特定的控制动作、用来移动阀位置或改变马达速度或关闭系统或启动并行过程的指令。由于预测可以向人工操作者警告紧急情况,以及在紧急情况发生之前如何克服紧急情况的建议,因此人工操作者可以预先执行控制动作,使得紧急情况将不会发生,与其中响应于紧急情况发生而生成警告的解决方案相比,这进而提高了生产率(生产效率)并且缩短了停机时间。
在输出一个或多个建议之后,或者如果确定不需要用户输入(步骤503:否),则过程在步骤501通过接收在线测量而继续。
当然,即使没有明确提及,也可以利用测量值将预测输出给一个或多个人工操作者,以指示当前和未来状态,即使没有检测到异常时也是如此。
图6图示根据图1所图示的示例实现的AI操作者的功能性。该功能性描述了连续过程,其中不同的步骤可以是并行的,即使为了清楚起见被描述为连续的步骤。此外,即使步骤与执行步骤的单元(子系统)相关联,所述步骤也可以由其它单元执行,或者AI操作者可以是执行所有步骤的一个单元。此外,在所图示的示例中,未示出正常控制动作和人工操作者-过程交互。
参考图6,在步骤601中,由感知单元确定人工操作者的警觉水平。然后,在步骤602中,由协调器单元检查警觉水平是否低于阈值,即,人工操作者是否足够关注。该检查可以包括确定阈值,如下面关于图7所描述的。
如果警觉水平低于阈值(步骤602:是),即,人工操作者没有足够关注,则协调器单元使人工智能伙伴单元在步骤602中在时间t1内确定人工操作者所监测的过程的预测稳定性。时间t1可以是对假定一个参与事件平均所取的时间的估计。稳定性表示不应发生异常中的状态,或应发生需要操作人员参与的至少异常中的状态。只要过程/工厂保持稳定,就可以安全地执行参与事件,而无需操作人工操作者从他/她的实际任务中转移。然而,如果过程/工厂需要人工操作者输入,或者处于不稳定状态,或者预期需要人工操作者输入或很快进入不稳定状态(在时间t1内,可能增加一些额外的时间),则不应触发参与会话。
如果预测指示过程在时间t1内将是稳定的(步骤604),则协调器单元在步骤605中提示操作人员开始参与会话。如果经由用户接口接收到对于开始参与会话的接受(步骤606:是),则协调器单元在步骤607中将自动异常/故障检测从正常增加到更敏感的水平。换句话说,在自动异常/故障子系统中,触发增加。通过这样做,确保了人工操作者将接收到例如警报,使得他/她可以在需要时更快速地从参与会话中脱离,因为发生了不可预见的事情。此外,在步骤608中,由参与单元中的协调器单元开始参与会话。参与会话可以是上文关于图4描述的参与会话中的一个,且包括一个或多个参与事件。一旦参与会话结束(步骤609:是),协调器单元在步骤610中将自动异常/故障检测降低回到正常水平。所述水平可以基于异常预测的概率。例如,在正常水平下,被预测为在接下来的30分钟内以30%或更多的概率发生的、需要用户动作的任何事件触发对人工操作者的警告,但是在敏感水平下,触发警告的概率可以是20%或更多。
此外,在步骤611中,由协调器单元检查人工智能伙伴单元是否检测到任何异常(AIC异常)。如果检测到AIC异常(步骤611:是),则人工智能伙伴单元在步骤612确定针对该异常的控制动作的建议,并且在步骤612输出该建议,并且优选地还输出异常,除非在检测到异常时不输出。然后所图示的过程继续至步骤601以确定警觉水平。自然地,步骤611在过程运行的所有时间作为后台步骤执行,并且如果检测到AIC异常,则过程立即进行到步骤612。例如,参与会话(参与事件)可自动暂停或停止。
如果没有检测到AIC异常(步骤611:否),则所图示的过程继续至步骤601以确定警觉水平。
如果人工操作者足够关注(步骤602:否),则不建议参与会话,但是过程进行到步骤611以检查是否存在AIC异常。
如果该过程在时间t1内将不稳定(步骤604:否),则在所图示的示例中,通过在步骤613中警告人工操作者来增加操作人员的警觉。警告可以是将显示器的背景颜色改变为另一种颜色,并且然后回到原始颜色,提供声音警报等。然后,或者在仍在警告时,过程进行到步骤611以检查是否存在AIC异常。而且,可以通知监督者和/或后备人员关于人工操作者已经被警告,或者人工操作者的警觉水平太低。
如果人工操作者拒绝参与会话(步骤606:否),则过程进行到步骤611以检查是否存在AIC异常。
实现关于以上附图所述功能性的AI操作者为人工操作者提供了高级支持系统。该高级支持系统帮助人工操作者进行控制任务,提高装备和人员在其中工业过程正在运行的现场的性能和长期安全。通过AI操作者,有可能最小化关于执行什么控制动作的次优决定的数量。
然而,即使是包括感知单元和参与单元的不太高级的支持系统,也通过由参与会话将人工操作者的警觉水平保持得足够高而提供了优点。此外,当参与会话是与过程相关的交互式训练会话时,它们增加体验。图7图示了包括感知单元和参与单元但不包括人工智能伙伴单元的支持系统的示例功能性。
参考图7,当在步骤701中接收到包括至少人工操作者的控制动作和对控制动作的过程响应的在线测量结果时,在步骤702中由感知单元或对应的基于机器学习的单元将它们处理成一个或多个警觉水平(值)。此外,在步骤703中确定定义指示警觉何时过低的最小/最大值的一个或多个阈值。一个或多个阈值可以是变量,其值取决于例如一天中的时间和/或工厂状态(预测状态、或过去状态、或两者)。如果有足够的操作者特定数据可用,则阈值也可以取决于人工操作者数据。然后在步骤704中将这些水平与对应的阈值进行比较。如果在步骤702中确定了两个或更多个水平,则可以将每个水平与对应的水平进行比较,并且这取决于需要多少水平低于阈值以便确定警觉太低的实现。例如,如果人工操作者的交互的频率低于由经训练的模型确定的频率,则警觉太低。在另一示例中,如果人工操作者的响应的延迟大于由经训练的模型针对类似的足够的情况所确定的可接受延迟,例如,警觉太低。在另外的示例中,如果对控制动作的过程响应偏离由经训练的模型确定的预期值,则警觉太低。在又一示例中,如果操作者的控制动作或任何交互与其他操作者在类似的情况中如何表现相比是由经训练的模型确定的离群值,则警觉太低。备选的或另外,可从两个或更多个水平计算一个指标值且将其与阈值进行比较。
如果步骤704中的比较结果是警觉水平低于阈值,则通过在步骤705中触发参与会话来增加人工操作者的警觉。
包括感知单元和人工智能伙伴单元的不太先进的支持系统的另一个示例通过在需要时增加人工操作者的警觉水平来提供优点。图8图示这种支持系统的示例功能性。在所图示的示例中,支持系统还被配置成使用所谓的休闲时段(其中假设不需要用户交互的稳定时段)来增加人工操作者通过训练的体验。自然地,可以触发任何其它参与会话而不是训练会话。
参考图8,当接收到工业过程的在线测量结果时(步骤801),人工智能伙伴单元在步骤802中将它们处理成关于过程的一个或多个预测。然后在步骤803中确定预测是否指示需要人工操作者输入(即用户输入)的异常。对于每个异常或对于某些类型的异常,可能需要人工操作者输入。
如果需要用户输入(步骤803:是),则在步骤804中由感知单元确定人工操作者的警觉水平,或者更准确地,获得其当前值。然后在步骤805中由协调器单元或人工智能单元检查警觉水平是否低于阈值,即人工操作者是否足够关注。该步骤可以包括确定阈值,如以上关于图7所述。
如果警觉水平低于阈值(步骤805:是),即人工操作者没有足够关注,则在步骤806中通过在步骤806中输出警告来增加他/她的警觉。该警告可以类似于以上关于图6所述的警告,此外,它可以包括更明确的警告,例如“你针对X的输入可能在五分钟内被要求”。此外,在步骤807中确定关于要采取的控制动作的一个或多个建议,并且在步骤807中输出该建议,以在需要用户输入(控制动作)时引导和辅助操作人员正确地动作,如以上关于图5所述。由于警告和建议,人工操作者将更专注于并知道做什么,并且将处于以适当的方式及时地行动的位置。与其中响应于紧急情况发生而生成警报的解决方案相比,这进而提高了生产率(生产效率)并缩短了关闭时间。
在输出一个或多个建议之后,或者如果用户足够关注(步骤805),则在该示例中发生异常(事件),并且在步骤808中提示用户进行用户输入,并且该过程在步骤801中通过接收在线测量结果而继续。由于警告和建议,"非关注"人工操作者将更关注并知道做什么,并且将处于以适当的方式及时地行动的位置。与其中没有创建现有警告的解决方案相比,这又提高了生产率(生产效率)并缩短了停机时间。应当注意,在该示例中,假设关注的人工操作者可以以适当的方式及时地行动。然而,也有可能当人工操作者被关注时提供建议(换句话说,该过程可以从步骤805继续到步骤806或步骤807)。
如果不需要用户输入(步骤803:否),则在所图示的示例中,在步骤809中检查非活跃定时器t _ ia是否已经期满。在所图示的示例中,不活动定时器由人工操作者维护-特别地作为后台进程,并且每当检测到人的交互时被重置,该交互意味着与人机接口的任何交互。当不活动时间超过限制时不活动定时器将期满,所述限制可以是恒定值或变量,并且可以是人工操作者特定的,和/或取决于一天中的时间、取决于当前正被处理和监测的产品等。如果不活动定时器期满(步骤809:是),则在步骤810中触发训练,并且该过程通过接收在线测量而在步骤801中继续。因此,休闲时段被自动地用于训练。如果不活动定时器没有期满(步骤809:否),则该过程在步骤801中通过接收在线测量来继续。
从以上示例中明显的是,训练或任何交互式参与会话可以被用作虚拟警觉测试,并且训练(交互式参与会话)可以被用于评估虚拟警觉测试中的人工操作者的反应时间。
在以上示例中,假设当异常可能在预测时段内发生时,将不触发参与会话。然而,在现实生活中,可能发生不可预测的情况。此外,可以存在允许参与会话而不检查稳定性的实现。对于那些情况,人工智能操作者(例如协调单元)可以被配置成执行图9中描述的示例功能性。
参考图9,当在步骤901中检测到需要用户输入以用于控制动作时,在步骤902中检查人工操作者当前是否参与会话,例如是否是训练。如果人工操作者参与会话(步骤902:是),则在步骤903中立即停止参与会话,并且在步骤904中将经由参与接口将操作者从参与接口引导到人机接口中的相关控制面板,其中在步骤905中提示人工操作者进行用户输入。
如果人工操作者不涉及参与会话(步骤902:否),则在步骤905中提示人工操作者进行用户输入。
应当领会,提示用户输入可以包括显示针对输入的一个或多个建议。
为AI操作者训练的一个或多个模型可能需要再训练,或者可能被再训练以仅确保它们尽可能好地反映控制室中的操作者。再训练可以基于各种触发事件来触发。再训练可以例如由协调器自动触发,和/或手动触发,即,人工操作者输入命令,导致触发再训练。可以引起再训练被触发的示例包括从模型被训练/再训练的最后时间起、或者响应于操作者的存储的测量结果的量增加了一定量或者基于一些预测度量(例如,预测对测量值的MSE(均方误差))而到期的预定时间限制。
图10描述了训练器单元的与感知单元(AWARE)的再训练有关的功能性的示例。通过再训练,单元将被更新为更加符合当前人工操作者和当前配置,其可能不同于先前训练中使用的那些。
参考图10,在步骤1001中监测是否触发再训练。当检测到再训练已经被触发时(步骤1001:是),在步骤1002中从本地数据存储装置检索(重新检索)过去的测量结果以用作训练数据。当(重新)检索过去的测量结果时,将在先前的训练/再训练之后存储到数据存储装置的测量结果输入到训练过程。然后,在步骤1003中,例如基于深度神经网络训练模型(AWARE),以获得用于感知单元的更新模型。当再训练过程结束时,在步骤1004中引起模型向AI操作者的更新。
如果再训练不引起对对应的模型的实际更新(即,如果有的话,仅有微小的改变),则不需要引起更新(步骤1004)。
自然地,其它单元中的其它模型可以经历类似的再训练过程。此外,完成预训练模型的训练也使用相同的原理。
在其它实现中,其中训练器单元是在线系统的一部分,可以连续地执行再训练过程(不实施步骤1001的监测,并且可以将接收到的测量结果添加到训练材料,即,也可以省略步骤1002)。
在以上示例中,假设有足够的过去测量结果,其可被用作训练数据和验证数据来创建经训练模型。尽管没有明确说明,训练过程继续,直到达到预测的预定准确性标准。准确性标准取决于模型被训练所针对的工业工厂中的过程以及模型的目的。
图11图示其中还存储所确定的警觉水平的实现。例如,AI操作者可以基于所存储的警觉水平生成(步骤1101)不同的报告。此外,AI操作者可以基于所存储的警觉水平生成(步骤1102)不同的性能度量或匿名化的性能度量。负责人工操作者的安全和安康以及工作调度的监督者可以使用报告和性能度量来根据操作人员的最佳时间轮班等调度工作轮班、工作轮班内的轮班等,所有这些都是长期提高生产率并缩短过程的停机时间的措施。
上文在图2至图11中描述的步骤和相关功能不是绝对的时间顺序,并且一些步骤可以同时执行或以不同于给定顺序的顺序执行。在步骤之间或步骤内也可以执行其它功能。例如,人工操作者可以访问ENU,并且能够在模拟环境中操纵设定点等。一些步骤或部分步骤也可以被省略或由对应的步骤或部分步骤代替。例如,在图8的过程中可以省略对不活动定时器期满的监测。此外,所描述的过程可以并行运行,并且来自一个过程(功能性)的特征可以被组合到另一过程(功能性)。
本文描述的技术和方法可以通过各种手段来实现,使得被配置为实现人工智能操作者或者至少部分地根据以上关于图1至10中的任何图所公开的内容来创建/更新一个或多个训练模型的准备/装置/设备不仅包括现有技术手段,而且包括用于实现以上例如借助于图1至10中的任何图关于实施例/示例描述的对应功能的一个或多个功能/操作的手段,并且准备可以包括用于每个单独功能/操作的单独手段,或者可以被配置成执行两个或更多个功能/操作的手段。例如,上述装置和/或协调器单元和/或感知单元和/或参与单元和/或人工智能单元和/或一个或多个训练器单元和/或一个或多个预训练器单元中的一个或多个可以以硬件(一个或多个装置)、固件(一个或多个装置)、软件(一个或多个模块)或其组合来实现。
图12是图示用于装备1200的一些单元的简化框图,所述装备被配置成向人工智能操作者装备或对应的计算装置提供一个或多个单元或对应的训练模型,和/或离线装备,所述离线装备包括至少一个或多个预训练单元、训练器单元或对应的单元和子单元,如上文关于图1至图11所描述的,或者如果功能性在未来被分布,则包括对应的功能性或对应的功能性中的一些。在所图示的示例中,装备包括用于来往于其它装置以及来往于用户接收和/或传送信息的一个或多个接口(IF) 1201,包括不同的人机接口,配置成实现人工智能装备或对应计算装置的功能性的一个或多个处理器1202,具有协调器单元和/或感知单元和/或参与单元和/或人工智能单元,和/或离线装备,离线装备包括至少一个或多个训练器单元和/或一个或多个预训练器单元,如上文参照图1至11所述,或者如果利用对应算法1203实现分布式场景则作为子单元功能性的对应功能性的至少一部分,以及一个或多个存储器1204,所述一个或多个存储器1204可用于存储人工智能装备或对应计算装置的功能性所需的计算机程序代码,具有协调器单元和/或感知单元和/或参与单元和/或人工智能单元,和/或离线装备包括至少一个或多个训练器单元和/或一个或多个预训练器单元,即用于实现功能的算法。存储器1204还可用于存储一个或多个经训练的模型、参与事件的集合以及诸如警觉水平之类的其他信息。
换言之,被配置成向人工智能装备或对应的计算装置提供协调器单元和/或感知单元和/或参与单元和/或人工智能单元和/或包括至少一个或多个训练器单元和/或一个或多个预训练器单元的离线装备的装备(装置、设备),或被配置为提供以上参考图1至11描述的对应功能性中的一个或多个的装置/设备是可以是被配置成执行以上参考实施例/示例/实现描述的对应功能性中的一个或多个的任何设备或装置或装备或节点的计算装备,并且其可以被配置成执行来自不同实施例/示例/实现的功能形。所需单元和子单元(例如感知单元)可以是分离的单元,甚至位于另一个物理设备中,分布式物理设备形成提供功能的一个逻辑设备,或者集成到相同设备中的另一个单元。
被配置成向人工智能设备或对应的计算装置提供协调器单元和/或感知单元和/或参与单元和/或人工智能单元,和/或包括至少一个或多个训练器单元和/或一个或多个预训练器单元的离线装备,或被配置成提供一个或多个对应功能性的装置,通常可以包括连接到一个或多个存储器和设备的各种接口的一个或多个处理器、控制单元、微控制器等。通常,处理器是中央处理单元,但是处理器可以是附加的操作处理器。这里描述的单元/子单元和/或算法中的每一个或一些或一个可以被配置成计算机或处理器、或微处理器,例如单片计算机元件、或芯片组,至少包括用于提供用于算术运算的存储区域的存储器和用于执行算术运算的运算处理器。上述单元/子单元和/或算法中的每一个或一些或一个可以包括一个或多个计算机处理器、专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、逻辑门和/或其它硬件组件,其已经被编程和/或将通过下载计算机程序代码(一个或多个算法)来编程,以这样的方式来执行一个或多个实施例/实现/示例的一个或多个功能。一个实施例提供了一种在任何客户端可读分发/数据存储介质或存储器单元或制品上实施的计算机程序,包括可由一个或多个处理器/计算机执行的程序指令,当被加载到装置中时,所述指令构成协调器单元和/或感知单元和/或参与单元和/或人工智能单元和/或一个或多个训练器单元和/或一个或多个预训练器单元或任何子单元。程序(也称为程序产品)包括软件例程、构成“程序库”的程序片段、小应用程序和宏,可以存储在任何介质中,并且可以下载到装置中。换句话说,上述单元/子单元和/或算法中的每一个或一些或一个可以是包括一个或多个算术逻辑单元、多个专用寄存器和控制电路的元件。
此外,具有协调器单元和/或感知单元和/或参与单元和/或人工智能单元的人工智能装备或对应的计算装置,和/或包括至少一个或多个训练器单元和/或一个或多个预训练器单元的离线装备,或被配置成提供以上结合图1至11描述的对应功能性中的一个或多个的装置,通常可以包括易失性和/或非易失性存储器,例如EEPROM、ROM、PROM、RAM、DRAM、SRAM、双浮动栅场效应晶体管、固件、可编程逻辑等,并且通常存储内容、数据等。一个或多个存储器可以是任何类型(彼此不同),具有任何可能的存储结构,并且如果需要,由任何数据库管理系统管理。换句话说,存储器或其一部分可以是处理器/装备内或处理器/装备外部的任何计算机可用的非暂时性介质,在这种情况下,它可以经由本领域已知的各种手段通信地耦合到处理器/装备。外部存储器的示例包括可拆卸地连接到装置的可移除存储器、分布式数据库和云服务器。存储器还可以存储计算机程序代码,诸如软件应用(例如,用于一个或多个单元/子单元/算法)或操作系统、信息、数据、内容等,以便处理器执行与根据示例/实施例的设备的操作相关联的步骤。
对于本领域技术人员来说,随着技术的进步,本发明的概念可以以各种方式实现是显而易见的。本发明及其实施例不限于上述示例,而是可以在权利要求的范围内变化。
Claims (15)
1.一种计算机实现的方法,包括:
接收正在监测和控制工业过程的人工操作者的在线测量结果,所述在线测量结果包括与所述工业过程的至少人工操作者的交互,所述交互包括控制动作;
从所述过程接收在线测量结果,所述在线测量结果指示对所述控制动作的过程响应;
输入所述人工操作者的测量结果和指示对利用机器学习的第一经训练的模型的过程响应的至少所述测量结果;
由所述第一经训练的模型将所输入的测量结果处理成一个或多个警觉水平;
响应于所述警觉水平指示警觉的过低水平,触发与所述人工操作者的参与会话。
2.根据权利要求1所述的计算机实现的方法,其中所述人工操作者的所述在线测量结果还包括所述人工操作者的视觉数据、音频数据和一个或多个生理值中的至少一个。
3.如权利要求1所述的计算机实现的方法,还包括:
接收所述人工操作者所在的控制室的在线测量结果;
将所述控制室的测量结果与所述人工操作者的测量结果一起输入到所述第一经训练的模型以被处理成所述一个或多个警觉水平。
4.如权利要求1所述的计算机实现的方法,还包括:
将来自所述工业过程的所述测量结果处理为所述过程的状态的一个或多个预测;
在触发所述参与会话之前,基于所述一个或多个预测来确定所述工业过程在时限内的稳定性;以及
仅当所述工业过程在所述时限内被预测为稳定时,才触发所述参与会话。
5.如权利要求1所述的计算机实现的方法,还包括响应于所述警觉水平指示警觉的过低水平,向所述操作者的监督者和/或后备人员发送所述警觉水平的通知。
6.如权利要求1所述的计算机实现的方法,其中触发所述参与会话包括提示用户接受所述会话;以及响应于接收到接受参与会话的用户输入而开始参与会话。
7.如权利要求1所述的计算机实现的方法,还包括:
响应于开始参与会话,将自动异常检测从正常水平增加到更敏感水平;以及
响应于所述参与会话结束,将所述自动异常检测降低回到所述正常水平。
8.如权利要求1所述的计算机实现的方法,其中所述参与会话是与所述过程相关的基于计算机的自动交互式训练会话、计算机指示的身体活动会话、关于所述过程的操作的执行的计算机叙述的音频报告会话、关于所述过程的操作的执行的计算机叙述的视觉报告会话、具有游戏化的基于应用的交互式训练会话、与所述过程相关的所述训练会话或其任何组合。
9.如权利要求1所述的计算机实现的方法,还包括
存储所述警觉水平;
基于所存储的警觉水平生成报告;以及
基于所存储的警觉水平来生成性能度量或匿名化性能度量。
10.如权利要求1所述的计算机实现的方法,还包括:
接收请求触发参与会话的用户输入;以及
响应于所接收的请求触发参与会话的用户输入而开始参与会话。
11.如权利要求4所述的计算机实现的方法,还包括:
响应于自动检测到所述工业过程中的异常,输出针对所述人工操作者的一个或多个控制动作的一个或多个建议。
12.一种计算机可读介质,其包括程序指令,所述程序指令用于在接收到控制工业工厂中的过程的人工操作者的测量结果和从所述工业工厂中的所述过程测量的测量结果时,使计算装备执行根据任何前述权利要求所述的方法。
13.一种装备,其包括至少一个处理器和至少一个存储器,所述至少一个存储器包括计算机程序代码,其中所述至少一个存储器和所述计算机程序代码利用所述至少一个处理器被配置成使得所述装备执行根据权利要求1至11中的任一项所述的方法。
14.一种系统,包括至少下列:
一个或多个传感器,其提供关于工业工厂中的一个或多个过程的测量结果,来自过程的在线测量结果指示对控制动作的过程响应;
控制室,其用于由一个或多个人工操作者监测和控制所述一个或多个工业过程,所述控制室被配置成在线测量与工业过程的至少人工操作者的交互,所述交互包括控制动作;以及
如权利要求13所述的装备。
15.如权利要求14所述的系统,其中所述控制室是发电厂控制室、过程控制室、电网控制中心、矿中央控制室、油和/或气命令中心、轨道操作中心、交通管理中心、海运船队处理中心、数据中心控制室、医院容量命令中心、用于制造厂的控制室、用于化学加工厂的控制室和用于矿物加工厂的控制室中的一个。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19170924.5 | 2019-04-24 | ||
EP19170924.5A EP3731201B1 (en) | 2019-04-24 | 2019-04-24 | A support system for an operator |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111857904A true CN111857904A (zh) | 2020-10-30 |
Family
ID=66589174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010332917.7A Pending CN111857904A (zh) | 2019-04-24 | 2020-04-24 | 用于操作者的支持系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200342988A1 (zh) |
EP (1) | EP3731201B1 (zh) |
CN (1) | CN111857904A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020111250A1 (de) * | 2019-04-25 | 2020-10-29 | Aptiv Technologies Limited | Grafische benutzerschnittstelle zur anzeige des verhaltens autonomer fahrzeuge |
US11774924B2 (en) | 2020-12-03 | 2023-10-03 | Aspentech Corporation | Method and system for process schedule reconciliation using algebraic model optimization |
US11775909B2 (en) * | 2021-03-31 | 2023-10-03 | Caterpillar Inc. | Monitoring operator condition using sensor data |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050055249A1 (en) * | 2003-09-04 | 2005-03-10 | Jonathon Helitzer | System for reducing the risk associated with an insured building structure through the incorporation of selected technologies |
US20080231461A1 (en) * | 2007-03-20 | 2008-09-25 | Julian Sanchez | Method and system for maintaining operator alertness |
CN102124432A (zh) * | 2008-06-20 | 2011-07-13 | 因文西斯系统公司 | 对用于过程控制、环境控制和工业控制的实际和/或仿真设施进行沉浸式交互的系统和方法 |
US20150265201A1 (en) * | 2014-03-18 | 2015-09-24 | J. Kimo Arbas | System and method to detect alertness of machine operator |
CN105900022A (zh) * | 2013-11-27 | 2016-08-24 | 精通人工智能系统有限公司 | 使用概率介质的基于人工智能模型的动态过程控制的方法和系统 |
WO2017028895A1 (en) * | 2015-08-17 | 2017-02-23 | Polar Electro Oy | Enhancing vehicle system control |
CN106663426A (zh) * | 2014-07-03 | 2017-05-10 | 微软技术许可有限责任公司 | 生成对社交会话输入的计算机响应 |
CN107072541A (zh) * | 2014-09-09 | 2017-08-18 | 托维克公司 | 用于利用可穿戴装置监测个体警觉度并提供通知的方法和设备 |
CN107438095A (zh) * | 2016-05-25 | 2017-12-05 | 罗克韦尔自动化技术公司 | 制造操作信息的会话接口代理 |
CN108135534A (zh) * | 2015-08-26 | 2018-06-08 | 瑞思迈传感器技术有限公司 | 监测和管理慢性疾病的系统与方法 |
CN108460285A (zh) * | 2017-02-17 | 2018-08-28 | 谷歌有限责任公司 | 在私密状态与非私密状态之间转变 |
CN109416868A (zh) * | 2016-06-30 | 2019-03-01 | 开利公司 | 协同警报监控系统和方法 |
CN109528219A (zh) * | 2017-09-22 | 2019-03-29 | 极光飞行科学公司 | 用于监测操作者的系统 |
CN109544985A (zh) * | 2017-09-22 | 2019-03-29 | 极光飞行科学公司 | 用于交通工具的检测系统 |
CN109564423A (zh) * | 2016-08-17 | 2019-04-02 | Abb瑞士股份有限公司 | 监测和控制工业过程的方法以及过程控制系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8075484B2 (en) * | 2005-03-02 | 2011-12-13 | Martin Moore-Ede | Systems and methods for assessing equipment operator fatigue and using fatigue-risk-informed safety-performance-based systems and methods to replace or supplement prescriptive work-rest regulations |
TW200809530A (en) | 2006-02-16 | 2008-02-16 | Technology Properties Ltd | Asynchronous power saving computer |
US8862250B2 (en) * | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
US9892613B2 (en) * | 2012-10-10 | 2018-02-13 | Nxp Usa, Inc. | Method and apparatus for maintaining alertness of an operator of a manually-operated system |
US9665843B2 (en) * | 2013-06-03 | 2017-05-30 | Abb Schweiz Ag | Industrial asset health profile |
US9396639B2 (en) * | 2014-10-21 | 2016-07-19 | Honeywell International Inc. | Apparatus and method for managing operator alertness and enhancing operator effectiveness for industrial control systems |
US11327475B2 (en) * | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
CN110892350B (zh) * | 2017-06-12 | 2023-04-28 | 霍尼韦尔国际公司 | 用于识别、可视化和触发来自自动建议动作的工作流以回收基于模型的工业过程控制器的损失利益的装置和方法 |
US10747206B2 (en) * | 2017-10-05 | 2020-08-18 | Honeywell International Inc. | Intelligent data access for industrial internet of things devices using latent semantic indexing |
US11227242B2 (en) * | 2018-08-28 | 2022-01-18 | Caterpillar Inc. | System and method for automatically triggering incident intervention |
-
2019
- 2019-04-24 EP EP19170924.5A patent/EP3731201B1/en active Active
-
2020
- 2020-04-24 US US16/857,234 patent/US20200342988A1/en active Pending
- 2020-04-24 CN CN202010332917.7A patent/CN111857904A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050055249A1 (en) * | 2003-09-04 | 2005-03-10 | Jonathon Helitzer | System for reducing the risk associated with an insured building structure through the incorporation of selected technologies |
US20080231461A1 (en) * | 2007-03-20 | 2008-09-25 | Julian Sanchez | Method and system for maintaining operator alertness |
CN102124432A (zh) * | 2008-06-20 | 2011-07-13 | 因文西斯系统公司 | 对用于过程控制、环境控制和工业控制的实际和/或仿真设施进行沉浸式交互的系统和方法 |
CN105900022A (zh) * | 2013-11-27 | 2016-08-24 | 精通人工智能系统有限公司 | 使用概率介质的基于人工智能模型的动态过程控制的方法和系统 |
US20150265201A1 (en) * | 2014-03-18 | 2015-09-24 | J. Kimo Arbas | System and method to detect alertness of machine operator |
CN106663426A (zh) * | 2014-07-03 | 2017-05-10 | 微软技术许可有限责任公司 | 生成对社交会话输入的计算机响应 |
CN107072541A (zh) * | 2014-09-09 | 2017-08-18 | 托维克公司 | 用于利用可穿戴装置监测个体警觉度并提供通知的方法和设备 |
WO2017028895A1 (en) * | 2015-08-17 | 2017-02-23 | Polar Electro Oy | Enhancing vehicle system control |
CN108135534A (zh) * | 2015-08-26 | 2018-06-08 | 瑞思迈传感器技术有限公司 | 监测和管理慢性疾病的系统与方法 |
CN107438095A (zh) * | 2016-05-25 | 2017-12-05 | 罗克韦尔自动化技术公司 | 制造操作信息的会话接口代理 |
CN109416868A (zh) * | 2016-06-30 | 2019-03-01 | 开利公司 | 协同警报监控系统和方法 |
CN109564423A (zh) * | 2016-08-17 | 2019-04-02 | Abb瑞士股份有限公司 | 监测和控制工业过程的方法以及过程控制系统 |
CN108460285A (zh) * | 2017-02-17 | 2018-08-28 | 谷歌有限责任公司 | 在私密状态与非私密状态之间转变 |
CN109528219A (zh) * | 2017-09-22 | 2019-03-29 | 极光飞行科学公司 | 用于监测操作者的系统 |
CN109544985A (zh) * | 2017-09-22 | 2019-03-29 | 极光飞行科学公司 | 用于交通工具的检测系统 |
Non-Patent Citations (5)
Title |
---|
MARJORIE SKUBIC等: "Automated Health Alerts Using In-Home Sensor Data for Embedded Health Assessment", IEEE JOURNAL OF TRANSLATIONAL ENGINEERING IN HEALTH AND MEDICINE, vol. 3, pages 1, XP011579274, DOI: 10.1109/JTEHM.2015.2421499 * |
刘伟, 袁修干, 柳忠起, 康卫勇, 马锐: "航空工效中情境觉知的研究", 中国安全科学学报, vol. 14, no. 12, pages 22 * |
姜劲: "模拟航天任务的操作者功能状态研究", 载人航天, vol. 23, no. 1, pages 123 * |
蔡博伟等: "基于前馈神经网络的焓差试验台故障预测", 制冷技术, vol. 38, no. 6, pages 46 * |
郝爱东等: "疲劳应用评估技术综述", 生命科学仪器, vol. 16, no. 1, pages 122 * |
Also Published As
Publication number | Publication date |
---|---|
EP3731201A1 (en) | 2020-10-28 |
US20200342988A1 (en) | 2020-10-29 |
EP3731201B1 (en) | 2022-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111857904A (zh) | 用于操作者的支持系统 | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
CA3104482C (en) | Deep-learning-based fault detection in building automation systems | |
CN104142663B (zh) | 云平台中的工业设备和系统证明 | |
Sheridan | Speculations on future relations between humans and automation | |
US11604459B2 (en) | Real-time control using directed predictive simulation within a control system of a process plant | |
JP2018160093A (ja) | 異常検知システムおよび異常検知方法 | |
CN111260176B (zh) | 用于排除技术设施中的故障状况的方法和系统 | |
EP2983054B1 (en) | Optimization of human supervisors and cyber-physical systems | |
Vanderhaegen et al. | Human‐machine cooperation: Toward an activity regulation assistance for different air traffic control levels | |
Millot et al. | Authority and cooperation between humans and machines | |
US20170169342A1 (en) | System and method for diagnosing at least one component requiring maintenance in an appliance and/or installation | |
JP2019045905A (ja) | 挙動予測システム及び挙動予測方法 | |
EP3012701B1 (en) | Apparatus and method for managing operator alertness and enhancing operator effectiveness for industrial control systems | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
Shahab et al. | HMM-based models of control room operator's cognition during process abnormalities. 1. Formalism and model identification | |
Shahab et al. | HMM-based models of control room operator's cognition during process abnormalities. 2. Application to operator training | |
US20140052425A1 (en) | Method and apparatus for evaluating a model of an industrial plant process | |
Goel et al. | How Big Data & Analytics Can Improve Process and Plant Safety and Become an Indispensable Tool for Risk Management. | |
EP3971800A1 (en) | Safety interlock recommendation system | |
Partovi et al. | Relationship between device performance, trust and user behaviour in a care-taking scenario | |
Lin et al. | Use of neural networks to achieve dynamic task allocation: a flexible manufacturing system example | |
CA3173315A1 (en) | Method for an intelligent alarm management in industrial processes | |
Millot | Toward human-machine cooperation | |
Dubois et al. | Advanced logic for alarm and event processing: Methods to reduce cognitive load for control room operators |
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 |