CN113678150A - 用于动作确定的系统 - Google Patents
用于动作确定的系统 Download PDFInfo
- Publication number
- CN113678150A CN113678150A CN202080031054.8A CN202080031054A CN113678150A CN 113678150 A CN113678150 A CN 113678150A CN 202080031054 A CN202080031054 A CN 202080031054A CN 113678150 A CN113678150 A CN 113678150A
- Authority
- CN
- China
- Prior art keywords
- alarms
- processing unit
- actions
- past
- action
- 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
- 230000009471 action Effects 0.000 claims abstract description 165
- 238000000034 method Methods 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004886 process control Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
Abstract
本发明涉及用于动作确定的系统。系统包括输入单元、处理单元和输出单元。输入单元被配置成给处理单元提供信息,该信息涉及与工业过程的操作关联的时间段上的复数个过去动作。输入单元被配置成给处理单元提供信息,该信息涉及与工业过程的操作关联的时间段上的复数个过去过程事件。输入单元被配置成给处理单元提供涉及新过程事件的信息。处理单元被配置成确定在复数个过去动作中的至少一些与过去过程事件中的至少一些之间的相关性。处理单元被配置成根据涉及新过程事件的信息来确定至少一个推荐的动作,该确定包括利用所确定的相关性。输出单元被配置成输出至少一个推荐的动作。
Description
技术领域
本发明涉及用于动作确定的系统,以及涉及用于动作确定的方法,以及涉及计算机程序元件和计算机可读介质。
背景技术
加工厂(process plant)能够有许多过程控制系统,例如化工、石油和其它工业过程中使用的那些。一个或多个过程控制器以通信方式耦合到各种现场装置,诸如阀门、阀门定位器、继电器、开关、监测温度、压力、位置、流速等的各种传感器。过程控制器接收指示由现场装置进行的过程测量的数据信号,其能够用于生成控制信号以实现控制例程。
控制室中的用户或操作员有权访问来自现场装置和过程控制器的信息,并且在计算机系统上运行的适当软件能够执行各种任务,诸如查看过程的当前状态,改变操作状态,改变过程控制例程的设置,修改过程控制器和/或现场装置的操作。
此外,此类加工厂具有监测现场装置和过程控制器的许多警报系统。警报数据也被提供给用户和操作员,并且这形成了识别要求立即动作的安装或过程状态的重要帮助。由于控制系统的各个部件和子系统被设计成生成警报。因此,能够出现数以万计的数据信号和警报数据。然而,如果在严重情况期间生成太多警报,用户/操作员在它们经验不足的情况下可能感到困惑,并且实际上重要的警报可能在警报泛滥时仍未被识别或忽略,或者操作员可能采取错误的决定/动作或进行不一致的动作。在异常警报或事件刚刚发生过或正在发生时,这是特别有问题的。
在历史上,有经验的操作员已经能够应对这种情况,但即使具有多年经验的有经验的操作员也难以应对可能经历的警报泛滥。随着这些有经验的操作员退休,对于初级或经验不足的操作员来说,情况是恶化的。
需要解决这种情况。
发明内容
因此,具有确定此类过程环境内要采取的动作的改进能力将是有利的。
本发明的目的利用独立权利要求的主题来解决,其中在从属权利要求中并入另外的实施例。
在第一方面,提供有用于动作确定的系统,包括:
- 输入单元;
- 处理单元;以及
- 输出单元。
输入单元被配置成给处理单元提供信息,该信息涉及与工业过程的操作关联的时间段上的复数个过去动作。输入单元被配置成给处理单元提供信息,信息涉及与该工业过程的操作关联的时间段上的复数个过去过程事件。输入单元被配置成给处理单元提供涉及新过程事件的信息。处理单元被配置成确定在复数个过去动作中的至少一些与过去过程事件中的至少一些之间的相关性。处理单元被配置成根据涉及新过程事件的信息来确定至少一个推荐的动作,该确定包括对所确定的相关性的利用。输出单元被配置成输出该至少一个推荐的动作。
在上文中,动作是能够被记录的任何事物,而无论是过去动作还是推荐的动作。因此,动作可来自工业加工系统。动作也能够是呼叫特定电话号码。动作能够是打开特定应用(例如:CMMS、排放监测、振动监测等)。动作能够是在特定页面上打开特定文档(例如,pdf/html/Word文档等)。动作能够是向特定人员或用户群组发送消息。动作也能够是有关不止一个动作的“动作群组”,并且能够例如是一系列的多个动作。此外,过去动作能够涉及与工业过程关联的检查活动。
在上文中,输出单元能够是分布式控制系统(DCS)本身的一部分,其中例如输出单元能够被启用以直接执行例行动作(例如,关闭和/或打开阀门)。输出单元能够是操作员的控制台,其中特定视图(例如,相关警报列表、趋势视图、过程图)被打开以帮助操作员评估情况和采取进一步动作。输出单元能够涉及DCS外部的动作(例如,用于呼叫同事,创建工单,向同事发送电子邮件,呼叫紧急服务等)。
换而言之,提供了用于基于诸如工业加工厂的警报之类的过去动作和事件来确定动作的系统,系统在例如异常警报或事件发生时使适当动作能够被确定,并且使最佳的动作方式能够补救要确定的情况。
加工厂能够具有数千个时变数据信号,伴随有许多警报和事件发生,经常以泛滥的事件到来。然而,这些信号、警报和事件中只有一些与工厂中的特定问题相关。有多年经验的操作员能够应对此大量涌入的信息,以确定在这些情况下的适当动作,但是随着这些人员退休,对于操作员,尤其是初级操作员,采取正确的动作正变得越来越困难。此外,在高风险的情况下采取错误动作的代价是高昂的。有时,此类初级操作员行动不一致,并且采取错误的动作方式。因此,所开发的系统将诸如警报和信号之类的过去事件的大量涌入考虑在内,并且将有经验的操作员是如何行动的考虑在内,以及处理所有信息以使得能够基于现有操作员以前均未曾经历的新过程事件来确定适当的动作。而且,操作员几乎确定是正确的相对平凡的动作由系统确认,从而在操作员知道要做什么但只确认该动作的情况下提供“第二双眼睛”。因此,新操作员能够更有信心地行动,并且变得更有效、更快速。
在示例中,涉及复数个过去过程动作的信息包括一个或多个操作员动作。
在示例中,涉及复数个过程动作的信息包括在GUI级别上的一个或多个动作。
在示例中,涉及复数个过程事件的信息包括一个或多个警报。
在示例中,涉及复数个过程事件的信息包括一个或多个系统状态。
在示例中,一个或多个系统状态包括一个或多个当前系统状态和/或一个或多个预测的系统状态。
在示例中,新过程事件是警报。
在示例中,一个或多个警报包括复数个警报,并且其中处理单元被配置成确定过去过程事件中的至少一些,所述确定包括忽略多次出现的一个或多个警报。
在示例中,一个或多个警报包括复数个警报,并且其中处理单元被配置成确定过去过程事件中的至少一些,所述确定包括忽略在该时间段上均匀地出现的一个或多个警报。
在示例中,一个或多个警报包括复数个警报,并且其中处理单元被配置成确定过去过程事件中的至少一些。确定包括将在相对于该时间段的定义的短时间间隔内的多个相同警报聚类(cluster)成单个警报。
在示例中,一个或多个警报包括复数个警报,并且其中相关性的确定包括统计分析以检测在警报与动作之间的关系。
在示例中,一个或多个警报包括复数个警报,并且其中相关性的确定包括选择该时间段期间罕见地发生的警报。
在示例中,一个或多个警报包括复数个警报,并且其中相关性的确定包括动作确定动作对警报矩阵(action to alarm matrix)。
在示例中,相关性的确定包括动作对警报矩阵的统计反演(inversion)以确定复数个规则和关联概率。至少一个推荐的动作的确定随后包括利用复数个规则和关联概率。
在示例中,处理单元被配置成去除与触发极大数量的规则的警报对应的一个或多个规则。至少一个推荐的动作的确定随后包括在去除一个或多个规则之后利用保留的复数个规则和关联概率。
在示例中,处理单元被配置成应用主成分分析以过滤最重要规则。至少一个推荐的动作的确定随后包括利用最重要规则。
在示例中,相关性的确定包括利用自然语言处理和词嵌入(word embedding),以获得涉及复数个过去动作的信息和涉及复数个过去过程事件的信息的向量表示。在有关动作和事件相对于其它映射在特征空间中被紧密地映射在一起时,动作和事件被确定为是相关的。
在示例中,相关性的确定包括利用神经网络。
第二方面,提供有一种用于动作确定的方法,包括:
a) 给处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去动作;
b) 给处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去过程事件;
c) 给处理单元提供涉及新过程事件的信息;
d) 由处理单元确定在步骤a)提供的复数个过去动作中的至少一些与在步骤b)提供的过去过程事件中的至少一些之间的相关性;
e) 由处理单元根据涉及在步骤c)提供的新过程事件的信息来确定至少一个推荐的动作,所述确定包括利用在步骤d)确定的相关性;以及
f)由输出单元输出至少一个推荐的动作。
根据另一方面,提供了控制如前面所述的设备或系统的计算机程序元件,所述计算机程序元件在由处理单元执行时,设备或系统适合于执行如前面所述的方法步骤。
根据另一方面,还提供了计算机可读介质,其存储有如前面所述的计算机元件。
上述方面和示例将根据下文描述的实施例变得明白,并且将参照下文描述的实施例来阐明。
附图说明
下面将参照以下附图来描述示范实施例:
图1示出用于在过程环境内的动作确定的系统和方法的示例。
具体实施方式
本公开涉及一种用于动作确定的系统和方法。在示例中,系统包括输入单元、处理单元和输出单元。输入单元被配置成给处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去动作。输入单元还被配置成给处理单元提供信息,所述信息涉及与该工业过程的操作关联的时间段上的复数个过去过程事件。输入单元还被配置成给处理单元提供涉及新过程事件的信息。处理单元被配置成确定在复数个过去动作中的至少一些与过去过程事件中的至少一些之间的相关性。处理单元还被配置成根据涉及新过程事件的信息来确定至少一个推荐的动作,所述确定包括利用所确定的相关性。输出单元被配置成输出推荐的动作。
因此,输出单元能够在输出一个或多个推荐的动作时自动操作,并且在没有人为干预的情况下,使得诸如打开或关闭阀之类的动作能够发生。或者输出单元能够基于工作管理系统中的过去记录而输出推荐派送技术人员检查特定设备的动作。或者输出单元能够输出推荐呼叫或警示某人的动作。
在示例中,处理单元被配置成实现机器学习算法,以确定在复数个过去动作中的至少一些与过去过程事件中的至少一些之间的相关性。
根据示例,涉及复数个过去过程动作的信息包括一个或多个操作员动作。
根据示例,涉及复数个过程动作的信息包括在GUI级别上的一个或多个动作。
在示例中,在GUI级别上的动作包括打开趋势。
在示例中,在GUI级别上的动作包括打开面板。
在示例中,在GUI级别上的动作包括改变设定点。
在示例中,在GUI级别上的动作包括与核心控制动作不同的动作。
根据示例,涉及复数个过程事件的信息包括一个或多个警报。
根据示例,涉及复数个过程事件的信息包括一个或多个系统状态。
根据示例,一个或多个系统状态包括一个或多个当前系统状态和/或一个或多个预测的系统状态。
根据示例,新过程事件是警报。
根据示例,一个或多个警报包括多个警报。处理单元被配置成确定过去过程事件中的至少一些,所述确定包括忽略多次出现的一个或多个警报。
根据示例,一个或多个警报包括多个警报。处理单元被配置成确定过去过程事件中的至少一些,所述确定包括忽略在该时间段上均匀地出现的一个或多个警报。
根据示例,一个或多个警报包括多个警报。处理单元被配置成确定过去过程事件中的至少一些,所述确定包括将在相对于该时间段的定义的短时间间隔内的多个相同警报聚类成单个警报。
根据示例,一个或多个警报包括复数个警报,并且相关性的确定包括统计分析以检测警报与动作之间的关系。
根据示例,一个或多个警报包括复数个警报,并且相关性的确定包括选择在该时间段期间罕见地发生的警报。
根据示例,一个或多个警报包括复数个警报,并且相关性的确定包括确定动作对警报矩阵。
根据示例,相关性的确定包括动作对警报矩阵的统计反演以确定复数个规则和关联概率。至少一个推荐的动作的确定包括利用复数个规则和关联概率。
根据示例,处理单元被配置成去除与触发极大数量的规则的警报对应的一个或多个规则。至少一个推荐的动作的确定包括利用在去除一个或多个规则之后保留的复数个规则和关联概率。
根据示例,处理单元被配置成应用主成分分析以过滤最重要规则,并且至少一个推荐的动作的确定包括利用最重要规则。
根据示例,相关性的确定包括利用自然语言处理和词嵌入,以获得涉及复数个过去动作的信息和涉及复数个过去过程事件的信息的向量表示。在有关动作和事件相对于其它映射在特征空间中被紧密地映射在一起时,动作和事件被确定为是相关的。
根据示例,相关性的确定包括利用神经网络。
因此,与系统关联的是用于动作确定的方法,包括:
a) 给处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去动作;
b) 给处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去过程事件;
c) 给处理单元提供涉及新过程事件的信息;
d) 由处理单元确定在步骤a)提供的复数个过去动作中的至少一些与在步骤b)提供的过去过程事件中的至少一些之间的相关性;
e) 由处理单元根据涉及在步骤c)提供的新过程事件的信息来确定至少一个推荐的动作,所述确定包括利用在步骤d)确定的相关性;以及
f)由输出单元输出至少一个推荐的动作。
在示例中,在步骤a)中涉及复数个过去过程动作的信息包括一个或多个操作员动作。
在示例中,在步骤a)中涉及复数个过程动作的信息包括在GUI级别上的一个或多个动作。
在示例中,在GUI级别上的动作包括打开趋势。
在示例中,在GUI级别上的动作包括打开面板。
在示例中,在GUI级别上的动作包括改变设定点。
在示例中,在GUI级别上的动作包括与核心控制动作不同的动作。
在示例中,在步骤b)中涉及复数个过程事件的信息包括一个或多个警报。
在示例中,在步骤b)中涉及复数个过程事件的信息包括一个或多个系统状态。
在示例中,一个或多个系统状态包括一个或多个当前系统状态和/或一个或多个预测的系统状态。
在示例中,在步骤c)中涉及新过程事件的信息涉及下述过程事件:该过程事件是警报。
在示例中,在步骤b)中复数个过去过程事件包括复数个警报,并且其中在步骤d)中处理单元确定过去过程事件中的至少一些,所述确定包括忽略多次出现的一个或多个警报。
在示例中,在步骤b)中复数个过去过程事件包括复数个警报,并且其中在步骤d)中处理单元确定过去过程事件中的至少一些,所述确定包括忽略在该时间段上均匀地出现的一个或多个警报。
在示例中,在步骤b)中复数个过去过程事件包括复数个警报,并且其中在步骤d)中处理单元确定过去过程事件中的至少一些,所述确定包括将在相对于该时间段的定义的短时间间隔内的多个相同警报聚类成单个警报。
在示例中,在步骤b)中复数个过去过程事件包括复数个警报,并且其中步骤d)包括统计分析以检测在警报与动作之间的关系。
在示例中,在步骤b)中复数个过去过程事件包括复数个警报,并且其中步骤d)选择在该时间段期间罕见地发生的警报。
在示例中,在步骤b)中复数个过去过程事件包括复数个警报,并且其中步骤d)确定动作对警报矩阵。
在示例中,步骤d)包括确定动作对警报矩阵的统计反演以确定复数个规则和关联概率,并且其中步骤e)包括利用复数个规则和关联概率。
在示例中,步骤d)包括去除与触发极大数量的规则的警报对应的一个或多个规则,并且其中步骤e)包括利用在一个或多个规则去除后保留的复数个规则和关联概率。
在示例中,步骤d)包括应用主成分分析以过滤最重要规则,并且其中步骤e)包括利用最重要规则。
在示例中,步骤d)包括利用自然语言处理和词嵌入,以获得涉及复数个过去动作的信息和涉及复数个过去过程事件的信息的向量表示,并且其中在有关动作和事件相对于其它映射在特征空间中被紧密地映射在一起时,动作和事件被确定为是相关的。
在示例中,步骤d)包括利用机器学习算法,诸如神经网络或判决树算法。
因此,在用于动作确定的新系统和方法中,操作员动作被捕捉并且与过程事件(例如,警报、当前系统状态或预测的系统状态)是相关的。在GUI级别上的动作也被捕捉(打开趋势,打开面板),因此,相关的动作不仅仅是核心控制动作。随后,在类似过程事件再次发生时,可以做出动作的推荐。这样,为将来的完全自主过程控制(即,可以从操作员学习如何响应于异常状况并防止它们的基于人工智能的系统)建立了基础。
换而言之,关于事件(例如,警报)的操作员动作被捕捉用于训练目的,从而为警报合理化提供了持续且担负得起的解决方案。这也通过允许“重放”过去动作而使得操作员效率能够被提升,并且为基于AI的操作积累知识库。这样,系统相对于建议(推荐的动作)而逐渐保持改进。这可以例如通过人工反馈、例如通过过去过程事件和过去动作的合理化来增强,通过捕获的历史动作和事件来促进。
因此,以前问题一直是工厂操作员接收太多警报并且其中重要警报可能被忽略。有经验的操作员的专门知识丢失,对初级操作员的培训可能不足,并且对如何应对特定的警报没有最佳实践。对警报的反应耗时且不一致,并且合理化是很昂贵的,并且经常警报从未被合理化。这意味着大多数警报发生是无意义的。另外,重要的警报可能被忽略,即,没有执行动作,尽管它本将被要求。对于分析存在另外的障碍,因为许多统计方法在此类状况下将不起作用。
此处描述的用于动作确定的系统和方法解决了这些问题。
在如图1举例说明的非常详细的实施例中,用于动作确定的系统和方法包括以下:
数据记录:记载警报和操作员动作二者;
预处理:去除不重要的频繁项目;
规则检测算法:学习警报与动作之间的关系;
后处理:去除巧合发生的规则;
动作建议和合理化:对接以接受/修改/拒绝检测到的规则
数据记录
除警报记录记载之外,还记载所有操作员动作(像打开面板、打开趋势、更改设定点等)与所有重要参数,以便根据记录的数据将可重现动作。格式用于存储,该格式可以容易地被重用于重新进行动作(例如,自动打开趋势,而无论何时发生警报)。
预处理
通过忽略以高频率均匀出现的警报,去除不重要且非常频繁的警报。
在定义的短时间帧内的多个相同警报被聚类成一个警报。
规则检测
统计分析用于检测在警报与动作之间的关系。重点关注罕见和非常罕见的警报(例如,每周/每月/每年发生不到一次);
设定动作对警报矩阵:对于采取的每个动作和每个警报,在动作之前计算在定义的时间跨度中该警报发生的频率。在统计上反演动作对警报矩阵以查找可能的规则候选和概率。
超越统计分析:自然语言处理和词嵌入用于以使得有关警报/事件被映射到特征空间中的密切点的方式获得警报和事件的向量表示。这样,专门知识可以在相同的部分/设备(例如,若干相同的磨煤机)之间传递。此外,可以将密切相关的传感器(像冗余传感器)之间的关系考虑在内(当前方法是一旦名称不同,就单独处置每个警报);
基于词嵌入将警报/动作关系教授给诸如神经网络的预测模型。
后处理
主成分分析(经由奇异值分解的低秩近似)应用于动作对警报矩阵以过滤最重要的规则;
去除巧合出现的规则:去除与触发许多规则的警报对应的规则,并且在历史数据中按时间将这些规则的这些示例相关。
动作建议和合理化
无论何时警报发生,向操作员建议与检测到的规则对应的按概率排序的动作。
操作员和/或专家被给予将检测到的规则合理化的概率。这被提供,因为规则中的一些(例如,基于反复犯相同错误的初级操作员的动作)可能是错误的;
异常情况(希望是)并非每天发生。因此,在远远大于1年的长时段,需要日志文件以了解足够令人感兴趣的异常情况(许多工业警报日志系统在经常少于一年的某个时段后删除警报);
骚扰警报(具有高频率的警报)可能破坏分析,并且系统和方法应对此情况。
在另一示范实施例中,提供了计算机程序或计算机程序元件,其特征在于,被配置成在适当系统上执行根据前述实施例中任一个所述的方法的方法步骤。
计算机程序元件可能因此被存储在计算机单元上,所述计算机单元可能也是实施例的一部分。此计算单元可被配置成执行或使得执行上述方法的步骤。此外,它可被配置成操作上述设备和/或系统的组件。计算单元可以被配置成自动操作和/或执行用户的命令。计算机程序可被加载到数据处理器的工作存储器中。数据处理器可因此被配备成实行根据前述实施例中任一个所述的方法。
根据本发明的另外的示范实施例,介绍了诸如CD-ROM的计算机可读介质,其中计算机可读介质具有其上存储的计算机程序元件,所述计算机程序元件由前述部分描述。
虽然本发明已在附图和前面描述中图示和详细描述,但此类图示和描述要被视为是说明性或示范性的,并且不是限制性的。本发明不限于所公开的实施例。通过研究附图、本公开和从属权利要求,本领域技术人员可以在实践要求保护的发明时理解和实现所公开实施例的其它变化。
Claims (21)
1.一种用于动作确定的系统,包括:
- 输入单元;
- 处理单元;以及
- 输出单元;
其中,所述输入单元被配置成给所述处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去动作;
其中,所述输入单元被配置成给所述处理单元提供信息,所述信息涉及与所述工业过程的所述操作关联的所述时间段上的复数个过去过程事件;
其中,所述输入单元被配置成给所述处理单元提供涉及新过程事件的信息;
其中,所述处理单元被配置成确定所述复数个过去动作中的至少一些与所述过去过程事件中的至少一些之间的相关性;
其中,所述处理单元被配置成根据涉及所述新过程事件的所述信息来确定至少一个推荐的动作,所述确定包括利用所确定的相关性;以及
其中,所述输出单元被配置成输出所述至少一个推荐的动作。
2.根据权利要求1所述的系统,其中,涉及所述复数个过去过程动作的所述信息包括一个或多个操作员动作。
3.根据权利要求1-2中的任一项所述的系统,其中,涉及所述复数个过程动作的所述信息包括在GUI级别上的一个或多个动作。
4.根据权利要求1-3中的任一项所述的系统,其中,涉及所述复数个过程事件的所述信息包括一个或多个警报。
5.根据权利要求1-4中的任一项所述的系统,其中,涉及所述复数个过程事件的所述信息包括一个或多个系统状态。
6.根据权利要求5所述的系统,其中,所述一个或多个系统状态包括一个或多个当前系统状态和/或一个或多个预测的系统状态。
7.根据权利要求1-6中的任一项所述的系统,其中,所述新过程事件是警报。
8.根据权利要求5或在从属于权利要求5时的权利要求6-7中的任一项所述的系统,其中,所述一个或多个警报包括复数个警报,并且其中所述处理单元被配置成确定所述过去过程事件中的所述至少一些,所述确定包括忽略多次出现的一个或多个警报。
9.根据权利要求5或在从属于权利要求5时的权利要求6-7中的任一项或权利要求8所述的系统,其中,所述一个或多个警报包括复数个警报,并且其中所述处理单元被配置成确定所述过去过程事件中的所述至少一些,所述确定包括忽略在所述时间段上均匀地出现的一个或多个警报。
10.根据权利要求5或在从属于权利要求5时的权利要求6-7中的任一项或权利要求8-9中的任一项所述的系统,其中,所述一个或多个警报包括复数个警报,并且其中所述处理单元被配置成确定所述过去过程事件中的所述至少一些,所述确定包括将在相对于所述时间段的定义的短时间间隔内的多个相同警报聚类成单个警报。
11.根据权利要求5或在从属于权利要求5时的权利要求6-10中的任一项所述的系统,其中,所述一个或多个警报包括复数个警报,并且其中所述相关性的确定包括统计分析以检测在警报与动作之间的关系。
12.根据权利要求5或在从属于权利要求5时的权利要求6-11中的任一项所述的系统,其中,所述一个或多个警报包括复数个警报,并且其中所述相关性的确定包括选择所述时间段期间罕见地发生的警报。
13.根据权利要求5或在从属于权利要求5时的权利要求6-12中的任一项所述的系统,其中,所述一个或多个警报包括复数个警报,并且其中所述相关性的确定包括确定动作对警报矩阵。
14.根据权利要求13所述的系统,其中,所述相关性的确定包括所述动作对警报矩阵的统计反演以确定复数个规则和关联概率,并且其中所述至少一个推荐的动作的确定包括利用所述复数个规则和关联概率。
15.根据权利要求14所述的系统,其中,所述处理单元被配置成去除与触发极大数量的规则的警报对应的一个或多个规则,并且其中所述至少一个推荐的动作的确定包括利用在所述一个或多个规则去除后保留的所述复数个规则和关联概率。
16.根据权利要求14-15中的任一项所述的系统,其中,所述处理单元被配置成应用主成分分析以过滤最重要规则,并且其中所述至少一个推荐的动作的确定包括利用所述最重要规则。
17.根据权利要求1-16中的任一项所述的系统,其中,所述相关性的确定包括利用自然语言处理和词嵌入,以获得涉及所述复数个过去动作的信息和涉及所述复数个过去过程事件的所述信息的向量表示,并且其中在有关动作和事件相对于其它映射在特征空间中被紧密地映射在一起时,动作和事件被确定为是相关的。
18.根据权利要求1-17中的任一项所述的系统,其中,所述相关性的确定包括利用神经网络。
19.一种用于动作确定的方法,包括:
a)给处理单元提供信息,所述信息涉及与工业过程的操作关联的时间段上的复数个过去动作;
b)给所述处理单元提供信息,所述信息涉及与所述工业过程的所述操作关联的所述时间段上的复数个过去过程事件;
c)给所述处理单元提供涉及新过程事件的信息;
d)由所述处理单元确定在步骤a)提供的所述复数个过去动作中的至少一些与在步骤b)提供的所述过去过程事件中的至少一些之间的相关性;
e) 由所述处理单元根据与在步骤c)提供的所述新过程事件有关的所述信息来确定至少一个推荐的动作,所述确定包括利用在步骤d)确定的所述相关性;以及
f)由输出单元输出所述至少一个推荐的动作。
20.一种用于控制根据权利要求1-18中的任一项所述的系统设备的计算机程序元件,所述计算机程序元件在由处理器执行时,被配置成实行根据权利要求19所述的方法。
21.一种计算机可读介质,存储有根据权利要求20所述的计算机程序元件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19171067.2 | 2019-04-25 | ||
EP19171067.2A EP3731156A1 (en) | 2019-04-25 | 2019-04-25 | System for action determination |
PCT/EP2020/061008 WO2020216718A1 (en) | 2019-04-25 | 2020-04-20 | System for action determination |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113678150A true CN113678150A (zh) | 2021-11-19 |
Family
ID=66397010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080031054.8A Pending CN113678150A (zh) | 2019-04-25 | 2020-04-20 | 用于动作确定的系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220044178A1 (zh) |
EP (1) | EP3731156A1 (zh) |
CN (1) | CN113678150A (zh) |
CA (1) | CA3137794C (zh) |
WO (1) | WO2020216718A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11681916B2 (en) * | 2019-07-24 | 2023-06-20 | Accenture Global Solutions Limited | Complex system for knowledge layout facilitated analytics-based action selection |
US11880184B2 (en) * | 2020-05-29 | 2024-01-23 | Honeywell International Inc. | Operator console providing guidance for operator decisions |
US11934172B2 (en) | 2020-06-15 | 2024-03-19 | Honeywell International Inc. | Operator console with dynamic future representations for processing equipment |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100289638A1 (en) * | 2009-05-18 | 2010-11-18 | Abb Technology Ag | Method and device for identification of correlations between alarm messages or between alarm messages and operator actions |
US20170076209A1 (en) * | 2015-09-14 | 2017-03-16 | Wellaware Holdings, Inc. | Managing Performance of Systems at Industrial Sites |
US20180322770A1 (en) * | 2017-05-05 | 2018-11-08 | Honeywell International Inc. | Methods for analytics-driven alarm rationalization, assessment of operator response, and incident diagnosis and related systems |
US20190041845A1 (en) * | 2016-05-09 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection and intelligent process adjustment in an industrial environment |
WO2019038283A1 (en) * | 2017-08-23 | 2019-02-28 | Abb Schweiz Ag | METHOD FOR MONITORING AN INDUSTRIAL INSTALLATION AND INDUSTRIAL CONTROL SYSTEM |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010071998A1 (en) * | 2008-12-23 | 2010-07-01 | Andrew Wong | System, method and computer program for pattern based intelligent control, monitoring and automation |
US10725464B2 (en) * | 2018-03-22 | 2020-07-28 | Fisher-Rosemount Systems, Inc. | Systems and methods for managing alerts associated with devices of a process control system |
-
2019
- 2019-04-25 EP EP19171067.2A patent/EP3731156A1/en active Pending
-
2020
- 2020-04-20 CN CN202080031054.8A patent/CN113678150A/zh active Pending
- 2020-04-20 WO PCT/EP2020/061008 patent/WO2020216718A1/en active Application Filing
- 2020-04-20 CA CA3137794A patent/CA3137794C/en active Active
-
2021
- 2021-10-22 US US17/507,819 patent/US20220044178A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100289638A1 (en) * | 2009-05-18 | 2010-11-18 | Abb Technology Ag | Method and device for identification of correlations between alarm messages or between alarm messages and operator actions |
US20170076209A1 (en) * | 2015-09-14 | 2017-03-16 | Wellaware Holdings, Inc. | Managing Performance of Systems at Industrial Sites |
US20190041845A1 (en) * | 2016-05-09 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection and intelligent process adjustment in an industrial environment |
US20180322770A1 (en) * | 2017-05-05 | 2018-11-08 | Honeywell International Inc. | Methods for analytics-driven alarm rationalization, assessment of operator response, and incident diagnosis and related systems |
WO2019038283A1 (en) * | 2017-08-23 | 2019-02-28 | Abb Schweiz Ag | METHOD FOR MONITORING AN INDUSTRIAL INSTALLATION AND INDUSTRIAL CONTROL SYSTEM |
Also Published As
Publication number | Publication date |
---|---|
EP3731156A1 (en) | 2020-10-28 |
WO2020216718A1 (en) | 2020-10-29 |
US20220044178A1 (en) | 2022-02-10 |
CA3137794C (en) | 2023-10-17 |
JP2022530076A (ja) | 2022-06-27 |
CA3137794A1 (en) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11042145B2 (en) | Automatic health indicator learning using reinforcement learning for predictive maintenance | |
CN113678150A (zh) | 用于动作确定的系统 | |
US20200125465A1 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
CN101196740B (zh) | 集成于过程控制网络的分析服务器 | |
CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
US11797890B2 (en) | Performance manager to autonomously evaluate replacement algorithms | |
US20180261100A1 (en) | Decision aid system for remotely controlled/partially autonomous vessels | |
US20150355901A1 (en) | Method and system to automate the maintenance of data-driven analytic models | |
US11916940B2 (en) | Attack detection and localization with adaptive thresholding | |
US11620341B1 (en) | Industrial virtual assistant platform with robotic process automation for knowledge and insights management | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
EP4038557A1 (en) | Method and system for continuous estimation and representation of risk | |
JP6808588B2 (ja) | エレベータシステム | |
CN110855489B (zh) | 故障处理方法、装置和故障处理装置 | |
KR20220020553A (ko) | 멀티 클라우드 환경에서 애플리케이션 성능 모니터링 방법 및 장치 | |
JP7485695B2 (ja) | アクション決定のためのシステム | |
WO2020170807A1 (ja) | アラーム制御装置及びアラーム制御方法 | |
JP2019166475A (ja) | 水処理設備のメンテナンス支援装置及びメンテナンス支援システム | |
CN113326822B (zh) | 一种具有安全警示系统的程控工业机器人 | |
EP4231104A1 (en) | Interactive proposal system for determining a set of operational parameters for a machine tool, control system for a machine tool, machine tool and method for determining a set of operational parameters | |
EP3979017A1 (en) | Method for controlling a virtual assistant for an industrial plant | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
US11151473B1 (en) | Systems and methods for machine-learning augmented application monitoring | |
KR20240063347A (ko) | 앙상블 러닝과 칼만 필터를 이용한 스마트 공장의 이상 징후 예측 시스템 및 그 방법 | |
CN117668064A (zh) | 内部数据系统的资讯获取方法及内部数据交互系统 |
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 |