CN115407710A - 人工智能警报管理 - Google Patents
人工智能警报管理 Download PDFInfo
- Publication number
- CN115407710A CN115407710A CN202210591230.4A CN202210591230A CN115407710A CN 115407710 A CN115407710 A CN 115407710A CN 202210591230 A CN202210591230 A CN 202210591230A CN 115407710 A CN115407710 A CN 115407710A
- Authority
- CN
- China
- Prior art keywords
- alarm
- alarms
- alert
- rationalization
- advisory
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 108
- 230000008569 process Effects 0.000 claims abstract description 87
- 238000004886 process control Methods 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims description 14
- 238000002360 preparation method Methods 0.000 claims description 10
- 238000012552 review Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- SXHBILQYQWZSIW-UHFFFAOYSA-L disodium;4-[3,5-dimethyl-n-(4-sulfonatobutyl)anilino]butane-1-sulfonate Chemical compound [Na+].[Na+].CC1=CC(C)=CC(N(CCCCS([O-])(=O)=O)CCCCS([O-])(=O)=O)=C1 SXHBILQYQWZSIW-UHFFFAOYSA-L 0.000 claims 6
- 238000007726 management method Methods 0.000 description 23
- 230000009471 action Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000012550 audit Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 238000004801 process automation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B19/048—Monitoring; Safety
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31437—Monitoring, global and local alarms
-
- 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
- G05B2219/31439—Alarms can be warning, alert or fault
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及人工智能警报管理。一种警报合理化系统,接收并响应从过程控制系统收集的工业过程信息,以识别一个或多个警报并执行人工智能(AI)警报引擎。AI警报引擎基于接收到的工业过程信息和历史化的警报信息构建过程/领域模型,以根据预定义的警报理念对警报进行评估。AI警报引擎然后基于模型生成多个警报定义,以对警报进行优化。AI警报引擎用警报定义自动填充主警报数据库(MADB)。然后基于存储在MADB中的警报定义来合理化警报。
Description
相关申请的交叉引用
本申请要求于2021年5月28日提交的印度临时专利申请No.202111023899和于2021年9月16日提交的印度临时专利申请No.202111041859的优先权,其全部公开内容通过引用并入本文。
背景技术
警报合理化是作为警报管理理念(philosophy)的一部分的审查、验证和证明警报的过程。警报合理化的目标是确定最高效的警报数量以确保过程系统安全并保持在操作范围内。常规的警报合理化过程是手动的并且要求来自高级过程工程师、高级操作者等的输入。这些高级员工首先在车间集思广益,提出警报合理化配置、设置和/或指南,以对照用于未合理化的系统和合理化的系统二者的警报理念文档中的准则审查潜在警报。它们定义警报属性,记录用于每个警报的基本原理,并将这个信息存储在主警报数据库(MADB)(也称为警报目录)中。
准备和生成捕获用于每个警报的配置的MADB报告(或指导)的整个过程是耗时的。例如,基于工厂的过程要求,单个工厂可以有数万个警报,而常规的警报合理化要求高级用户每个警报花费大约15-20分钟来配置具有合理化设置或参数的警报。总体而言,根据工厂所涉及的工业过程的复杂性,警报合理化常常花费高级用户团队数周或甚至数月的工作。
当前的警报合理化标准包括:ISA 18.2、EEMUA 191、IEC 62682等。
发明内容
本公开的各方面提供了一种基于人工智能(AI)的警报管理解决方案,该解决方案遵循警报管理理念和标准并且能够结合到现有的和新的系统(即,合理化和未合理化的系统)中,这使得能够进行评估、识别改进、提供自动化的规定,并将建议应用于审核(audit),以改进“警报系统性能”度量、装备/设备/资产操作度量和“操作者效率”,具有由应用了警报管理理念和标准的任何工厂/行业驱动的警报度量和关键绩效指标(KPI)。
一方面,一种警报合理化系统包括:咨询系统处理器,接收并响应从过程控制系统收集的工业过程信息;以及耦合到咨询系统处理器的咨询系统数据库。咨询系统数据库存储从过程控制系统收集的历史化的警报信息。该系统还包括耦合到咨询系统处理器的MADB和存储计算机可执行指令的存储器。指令在由咨询系统处理器执行时将咨询系统处理器配置用于接收工业过程信息、基于接收到的工业过程信息识别一个或多个警报,以及执行AI警报引擎。执行AI警报引擎包括基于接收到的工业过程信息和历史化的警报信息来构建过程/领域模型,以根据预定义的警报理念对警报进行评估、通过过程/领域模型生成多个警报定义以优化警报,并用警报定义自动填充MADB。指令在由咨询系统处理器执行时还将咨询系统处理器配置用于基于存储在MADB中的警报定义来合理化警报。
另一方面,一种在过程控制系统中的警报合理化的方法包括由过程控制系统的咨询系统处理器接收从过程控制系统收集的工业过程信息并将从过程控制系统收集的历史化的警报信息存储到耦合到咨询系统处理器的咨询系统数据库中。该方法还包括由咨询系统处理器基于接收到的工业过程信息识别一个或多个警报并且由咨询系统处理器执行AI警报引擎。执行AI警报引擎包括基于接收到的工业过程信息和历史化的警报信息来构建过程/领域模型以根据预定义的警报理念对警报进行评估,通过过程/领域模型生成多个警报定义以优化警报,并用警报定义自动填充MADB。该方法还包括由咨询系统处理器基于存储在MADB中的警报定义来合理化警报。
在又一方面,一种在过程控制系统的警报系统中的警报合理化的方法包括为装备警报和自定义过程警报中的至少一个定义默认警报设置、定义独立于警报系统的合理化状态的合理化指导,以及在过程控制系统的控制器上执行响应于预定条件而触发警报的逻辑。该方法还包括基于预定的基于标准的警报理念来定义和创建维持预定操作限制(例如,设备/装备/资产和/或过程控制系统的正常和安全操作限制)所需的最小警报集合、对从过程控制系统收集的数据进行历史化,并基于历史化的数据识别和预测性能改进模式。该方法还包括训练AI警报引擎以执行前述步骤中的一个或多个、基于对性能改进模式的审核生成一个或多个警报合理化设置、自动填充警报合理化MADB报告以将警报合理化设置馈送到警报系统,并重复地重新训练AI警报引擎。
本公开的其它目的和特征将在本文中部分地显而易见并且部分地指出。
附图说明
图1图示了根据实施例的警报合理化系统。
图2图示了用在图1的系统中的人工智能(AI)警报引擎。
图3图示了用于向图1的系统提供度量数据的机构。
图4图示了根据实施例的警报管理生命周期。
图5图示了图2的AI警报引擎的另外的方面。
图6是图示根据示例用例的基于响应时间的警报优先级的图。
图7A是图示根据另一个示例用例的抖动警报的图。
图7B图示了图7A的抖动警报用例的示例工作流。
图7C图示了图7B的工作流的自动死区检测器的示例工作流。
图8A和8B是图示根据又一个示例用例的识别警报根本原因的图。
对应的附图标记在整个附图中指示对应的部分。
具体实施方式
参考下面的附图和描述,公开了支持基于人工智能(AI)(诸如机器学习(ML)之类)的警报合理化的系统100。图1是图示系统100执行实施本公开的各方面的示例过程的框图。在实施例中,在准备警报合理化中为工业过程的资产102(例如,装备、现场设备、硬件等)定义默认警报。默认警报包括用于装备警报的警报设置和合理化指导。为警报合理化做准备还关注基于设计的控制叙述/循环以及涉及资产102和一个或多个控制设备104(例如,现场总线模块(FBM)、现场控制处理器(FCP)、端接组件(TA))的过程流配置图来定义自定义过程警报。一般而言,过程专家或高级操作者根据工业工厂的现有知识开发控制叙述/循环和过程流配置。
如图1中所示,针对合理化的准备涉及收集资产信息以及过程叙述和控制叙述。在实施例中,过程流叙述与使用分布式控制系统(DCS)块实现的对应控制叙述(例如,控制逻辑或循环)相映射。工业过程的控制器(例如,控制设备104)执行叙述并触发警报,即,向操作者发出装备误动、过程偏差或另一种异常状况要求及时响应的可听和/或视觉指示。如上所述,常规的警报合理化要求高级过程专家、高级操作者等的团队对照预定警报理念和标准中的准则审查潜在警报。主要目标是为任何系统(即,未合理化的或先前已合理化的)创建最小的警报集合,以确保工厂安全并在正常操作限制内。针对合理化的准备还包括与高级过程专家和高级操作者一起在车间准备“警报合理化”指导。这个指导供在工作站上工作的操作者使用。
本公开的各方面将基于AI的警报管理解决方案结合到未合理化和合理化的系统中,以使得能够进行评估、识别改进、提供自动化的规定、将建议应用于审核等。在实施例中,咨询系统108导入收集的资产和叙述信息以训练AI警报引擎110(也参见图2)以使合理化过程自动化。在实施例中,AI警报引擎110包括由咨询系统108的处理器执行的计算机可执行指令。如图2中所示,基于AI的警报引擎110经由资产102和控制设备104接收资产警报和处理和控制叙述的输入。此外,咨询系统108经由咨询系统数据库112向AI警报引擎110提供DCS警报信息、历史化的警报和操作者动作日志(OAJ)消息以及当前合理化信息。一旦经过训练,AI警报引擎110就输出带有值(即,合理化)的警报定义,用于自动填充主警报数据库(MADB)116,MADB116是合理化的警报和相关联的属性的经授权的列表。例如,MADB 116存储警报实例数据,包括警报类型、警报优先级、警报等级、警报限制(设定点)、操作者动作、不作为的后果等。所需的输入参数被输入到用于系统100的警报引擎110中进行训练和发展以创建警报合理化报告(或指导),即,基于来自MADB 116的警报定义和值的特定于工业工厂的MADB报告118。
警报合理化MADB报告118将生成的“合理化设置”馈送到咨询系统108软件(或任何MADB支持的软件)。在实施例中,MADB报告118中记录的警报合理化设置或参数被自动配置到(一个或多个)咨询和/或警报可视化软件(诸如咨询系统108软件)或任何MADB支持的软件,以改进设备/装备、操作者和控制系统的工程效率。应该理解的是,本公开的各方面可以应用于过程自动化之外的其它应用。相比之下,常规的警报合理化要求高级用户每个警报花费大约15-20分钟来配置具有合理化设置或参数的警报。
现在参考图3,本公开的各方面通过将性能度量数据和操作者驱动的效率度量反馈到MADB 116来进一步改进系统100的整体警报性能。MADB 116是操作者对经由工作站报告的警报采取行动的参考指导,以提高警报系统性能、设备操作度量和操作者驱动的动作的效率。注意的是,不允许操作者直接修改MADB 116。在实施例中,操作者通过交互式软件执行动作,诸如监视和控制图形可视化软件或系统(例如,人机界面(HMI)软件),其根据AI警报引擎110修改MADB 116。交互式软件可以是独立的,或者是咨询软件的组件或子系统。有利地,借助于由应用了警报管理理念和标准的工厂/行业驱动的警报度量和关键绩效指标(KPI),基于AI的警报管理提高了警报系统性能指标和操作者效率。本公开的各方面关注将AI引入系统100以训练和构建过程/领域模型或过程/领域智能,以便自动化警报合理化过程和供操作者使用的MADB报告118的生成。以这种方式,本公开的各方面改进了警报系统性能基准报告,使用户能够在采用AI控制之前和之后持续地对系统进行比较。
AI警报引擎110评估警报系统性能报告并推荐合理化配置,并以审核作为反馈,反馈基于风险指标,并推荐需要的合理化设置供高级过程工程师和操作者批准和应用。该解决方案可以为各种项目推荐和自动化合理化,并支持通过咨询系统108导出和导入MADB报告118。系统100还可以使MABD指南“即时”可用于坐在HMI或咨询软件工作站前面的操作者或维护工程师,以评估和执行对过程的上下文的临时决定。
下面的表I是关于装备的默认警报的示例,用于定义装备和资产102的警报,包括默认和自定义过程警报:
表I
下面的表II是自定义过程警报的示例。在这个示例中,如果容器一液位(LT1234)的值大于85%达5秒,并且容器一入口阀门(NV1234)打开,那么触发“红色”优先级警报。用于定义自定义警报的信息包括:
·行程点-来自现场的模拟输入值将启动延迟定时器的点;
·延迟-显示警报之前需要过期的时间量;
·活动条件-激活警报所需的任何其它条件;以及
·优先级–警报严重性包括:
○优先级1-红色:安全性和环境关键;
○优先级2-橙色:过程关键;
○优先级3-黄色:过程限制;以及
○优先级4-蓝色:通信。
表II
通过将ML/AI系统实现到警报合理化过程中以自定义警报设置,系统100消除或减少了过程工程师和操作者对警报合理化过程的准备时间。这也将导致消除被定义为针对每个警报的警报合理化过程的一部分的警报设置的配置时间。由于根据警报合理化指导配置每个警报平均需要15-20分钟,这消除了过程工程师和操作者的大量时间。系统100还允许分别坐在HMI或咨询软件工作站前面的操作者或维护工程师评估和执行最新的临时决策,以在当前正在运行的过程的上下文中在安全操作限制内运行资产。在实施例中,系统100还提供操作者动作跟踪简档报告作为警报系统性能报告的一部分。
图4图示了实施本公开的各方面的示例警报管理生命周期。在实施例中,咨询系统108软件包含管理整个生命周期的警报的所有必要模块,优选地根据ISA 18.2警报管理标准。如图所示,改变的监视和管理(MOC)循环402定义警报属性并记录每个警报的基本原理,从而产生MADB 116。监视和维护循环404提供历史警报/事件和OAJ数据库并允许显示KPI仪表板。
图4的警报管理生命周期以预定义的警报理念和标准开始于406,其基于工业工厂的目标和标准记录警报系统100的目标、指南和工作过程。在实施例中,AI警报引擎110是警报理念的上下文中的插件解决方案。理念文档优选地包括警报理念和警报系统要求规范。在408处,基于管道和仪表图(P&ID)、操作过程、过程和控制叙述、默认装备警报等识别潜在警报。如上所述,在410处的合理化是如下工作过程:确定哪些警报是必要的、在MADB 116中建立其设计设置(例如,优先级、限制、分类)并记录其基础(原因、后果、纠正动作、响应时间等)。根据本公开的各方面,系统100采用AI警报引擎110根据警报理念和潜在警报的列表执行基于AI的合理化。在实施例中,AI警报引擎110驻留在警报理念的408和410处并在准备过程(识别、定义和创建用于给定设计的“授权(mandate)”警报)期间自动化合理化410,如上面结合图1所描述的。
在412处的详细设计涉及根据406处的理念设计系统100以满足在410处的合理化中定义的要求。详细设计包括基本警报设计、HMI设计和基于MADB 116中记录的警报设计要求的高级警报设计。在414处警报系统100的实现包括例如安装和调试、初始测试和初始训练。实现产生可操作警报、警报响应过程,并自动化用于每个警报的警报合理化设置,这导致生成MADB指导118。有利地,本公开的各方面克服了对手动配置合理化设置的需要(例如,每个警报大约15-20分钟)。在实施例中,AI警报引擎110还驻留在监视和MOC循环402的414处并且自动化实现414的各方面。
监视和维护循环404包括在416处的操作,在此期间警报系统100起作用。操作者使用可用的工具(例如,搁置和警报响应过程,MADB报告118)来诊断和响应警报。取决于警报监视报告和警报理念,警报可能需要停止服务以进行维修和更换、定期测试等,以便在418处进行维护。如上所述,在操作和维护期间产生的警报数据被反馈到AI警报引擎110以改进系统100。420处的监视和评估测量警报系统性能,以便与理念中的KPI进行比较。识别问题警报(滋扰警报、频繁发生的警报)并将问题警报提供给AI警报引擎110。在实施例中,AI警报引擎110还驻留在维护和监视循环404的420处并提供“更新后的”反馈以自动化运行系统的合理化410(并更新MADB 116),以便操作者在“即时”提供的合理化设置下动作。在422处的改变的管理是授权添加、修改和删除警报的过程。警报管理生命周期以在424处的审核结束,用于定期审核警报管理过程(例如,将DCS警报设置与MADB 116进行比较)、标准、警报理念、审核协议等。如上所述,本发明的各方面发明使得能够应用推荐。例如,在422处的MOC审查和批准推荐以在424处的审核。
进一步参考图4,在实施例中,基于AI的绿地(Greenfield)(优选地未合理化的)系统的警报合理化使用系统100可用的现有过程/领域知识,其形式为已经设计和记录的过程和控制叙述(循环或逻辑)(见图1)的配置。例如,对于现有的棕地(Brownfield)系统(合理化或未合理化),本公开的方面另外探索历史警报、OAJ消息、过程数据、过程和控制叙述等。有利地,基于AI的警报合理化使用AI/ML分析数据并用通过MOC模块生成的审核自动应用适当的警报设置。在这方面,AI警报合理化引擎110与用于改变的审查和批准的MOC以及抑制和取消抑制警报以提高警报性能效率的搁置实用程序(utility)相结合涵盖了警报理念。
本公开的各方面通过关注以下方面来提高警报管理系统的效率:警报合理化准备过程;为运行/实况系统的操作者“即时”更新警报合理化设置;MADB 116的自动化;警报系统性能度量;设备/装备/资产操作度量;操作者操作度量;不断发展以解决警报管理(涉及合理化)过程和理念中的其它因素。
根据本公开的各方面,以下描述基于AI的警报管理示例用例和解决方案。一般而言,用例识别出对于未合理化的系统和合理化的系统二者,需要通过合理化自动化来驱动警报系统性能,并且解决方案提供警报合理化定义模型(具有领域/专业知识)。定义模型包括:用于资产的数据表102(定义装备警报);关于控制和过程叙述的现有专业知识/知识(定义警报);来自警报合理化数据的现有专业知识;过程操作手册;P&ID;DCS警报信息;以及历史化的经处理的数据、警报和OAJ。基于AI的警报管理示例用例的结果使用咨询系统108软件在警报合理化准备过程期间节省时间,用合理化配置/定义自动填充MADB 116,提供完整性/差异检查和指标,以及导入和导出MADB报告118。
下面的表III是示例基准报告,通过合理化捕获警报性能评估和向源系统(例如,DCS系统)反馈推荐。在实施例中,咨询系统108软件提供:基于警报性能度量反馈的评估、比较和推荐;带有审核的基于自动评估的合理化配置;以及关于附加需要的合理化的推荐。
表III
在高级别,实施本公开的各方面的解决方案以警报合理化过程自动化为目标:准备时间;配置时间;以及可操作(对于合理化和未合理化的系统)。因此,该解决方案提高了工程效率、警报系统性能以及设备和操作者操作效率(用于合理化的系统和未合理化的系统二者的操作者度量)。
在实施例中,本公开关注将AI引入合理化或未合理化的系统构建过程&控制叙述和流程,以及在持续的基础上采用ML和深度学习来训练和构建“过程/领域”智能的基于历史化的数据的警报模型,以自动化合理化过程并生成MADB报告118供操作者使用,以改进警报系统性能基准报告。AI警报引擎110评估警报系统性能报告并推荐合理化配置,并以审核作为反馈,该反馈基于风险指标,并推荐需要的合理化设置供高级过程工程师和操作者批准和应用。该解决方案被配置为向各种项目进行推荐并自动化合理化,并支持MADB报告118的导出和导入。以这种方式,本公开的各方面提供基于AI引擎110的合理化、具有“风险”报告度量的警报性能,以及基于AI系统推荐/反馈的自动(带有改变的审核/管理)和手动的合理化支持。
以下用例说明了本公开的各方面以及此类方面如何为警报系统构建推荐和解决方案:
A.使用警报打开/关闭泵(作为事件而不是警报的优先级化的P4):
·HIGH(高)/LOW(低)警报将被用于自动开始/停止泵。
·当警报发生时,操作者无任何动作可做,因此可将这个警报设为P4,其将被记录为事件而不是警报。
B.测量中和控制器块中的警报(相关或重复的警报):
·在闭环中,可以单独在控制器块中配置过程警报,并且可以移除在测量块中配置的重复警报。
C.来自第三方系统的重复警报,诸如机器监视系统(重复警报):
·压缩机、泵和其它机器的关键控制由第三方系统控制。
·他们的健康和状况由他们自己的控制系统监视。
·针对操作者信息,接口逻辑和警报与DCS挂钩。
·如果已配置,那么需要移除重复的警报。
D.针对操作者发起的动作的警报(作为事件的优先化的P4):
·为复位开关和其它手动开关配置的警报无需通知,而是记录为优先级4警报。
E.用警报统计信息识别不良行为者(立即注意):
·持续的不良警报—可以是退役系统的一部分。
·每个过程区域中的前20个频繁警报(关注最频繁的警报提高系统性能)。
·每个过程区域中的前20个常设警报。
F.3个发送器中的所有2个中的警报(相关警报):
·3个发送器中有2个与安全系统挂钩,所有发送器的过程值都将接口到操作者支持。
·可以移除所有三个发送器的警报,以便仅对偏差进行警报。
G.相关警报-意义。
H.事件相对于(vs)警报。
I.搁置和取消搁置警报(动态或手动)。
J.识别并减少抖动和泛滥警报。
K.警报设定点和优先级的一致性。
L.操作者动作跟踪报告:
·响应的时间。
·针对操作者发起的动作的警报。
·操作者接受时间的测量。
M.设备/装备/资产运营指标和报告:
·安全相对于(vs)偏差。
·死区范围。
N.连续警报评估报告:
·之前和之后控制,直到系统可靠和健壮。
图5图示了AI警报引擎110的另外的方面。在实施例中,AI警报引擎110实时工作并且被构造为独立的或集成到过程控制系统中,使得它接收来自过程控制系统的各个子系统的输入。
在操作中,AI/ML和统计/数学模型都通过传统和深度学习ML方法针对问题/输入的上下文构建和训练AI警报引擎110。各方面包括通过过程和控制对警报合理化过程准备进行建模,并为未合理化或合理化的系统提供合理化指导。另外的方面包括以更“通用”的方式持续地发展或训练AI警报引擎110(可以以准确性和精度作为结果来学习和响应“新”数据)以及根据历史化的数据识别和预测性能改进模式。
本公开不应当被解释为仅限于一个过程工业,而是可以在执行警报合理化过程的任何地方扩展和训练系统。本公开还使系统能够以数字方式训练以构建目前只有高级专家才能获得的“过程/领域”智能。
附录A提供了基于历史化的数据(应用ML)的三个用例的示例,其实施了本公开的各方面。
本公开的实施例可以包括包括各种计算机硬件的专用计算机,如本文更详细描述的。
为了说明的目的,程序和其它可执行程序组件被示为离散的块。但是,应当认识到的是,这种程序和组件在不同时间驻留在计算设备的不同存储组件中,并且由设备的(一个或多个)数据处理器执行。
虽然结合示例计算系统环境进行了描述,但是本发明的各方面的实施例与其它专用计算系统环境或配置一起操作。计算系统环境并不意在对本发明的任何方面的使用或功能性范围提出任何限制。而且,计算系统环境不应当被解释为具有与示例操作环境中所示的组件中的任何一个或组件组合相关的任何依赖性或要求。可以适用于本发明的各方面的计算系统、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、手持式或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、移动电话、网络PC、小型计算机、大型计算机、包括上述系统或设备中的任何一种的分布式计算环境,等等。
可以在数据和/或处理器可执行指令(诸如程序模块)的一般上下文中描述本公开的各方面的实施例,数据和/或处理器可执行指令存储在一个或多个有形的、非暂态存储介质中并由一个或多个处理器或其它设备执行。一般而言,程序模块包括但不限于执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和数据结构。本公开的各方面还可以在分布式计算环境中实践,其中任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中,程序模块可以位于包括存储器存储设备的本地和远程存储介质中。
在操作中,处理器、计算机和/或服务器可以执行处理器可执行指令(例如,软件、固件和/或硬件),诸如本文所示实现本发明的各方面的那些指令。
实施例可以用处理器可执行指令来实现。处理器可执行指令可以被组织成有形处理器可读存储介质上的一个或多个处理器可执行组件或模块。而且,实施例可以用这种组件或模块的任何数量和组织来实现。例如,本公开的各方面不限于特定的处理器可执行指令或图中所示并在本文描述的特定的组件或模块。其它实施例可以包括具有比本文所示和描述的更多或更少功能的不同的处理器可执行指令或组件。
除非另有说明,否则本文示出和描述的根据本公开的各方面的操作的执行次序不是必须的。即,除非另有说明,否则操作可以以任何次序执行,并且实施例可以包括比本文公开的更多或更少的操作。例如,可以预期在另一个操作之前、同时或之后执行或运行特定操作在本发明的范围内。
当介绍本发明或其实施例的元素时,冠词“一个”、“该”和“所述”意味着存在一个或多个元素。术语“包括”、“包含”和“具有”意在是包容性的并且意味着除了所列出的元素之外可以存在附加元素。
不是所示出或描述的所有绘出的组件都是需要的。此外,一些实现和实施例可以包括附加组件。在不背离如本文所阐述的权利要求的精神或范围的情况下,可以进行组件的布置和类型的变化。此外,可以提供不同或更少的组件,并且可以组合组件。可替代地或此外,组件可以由若干组件来实现。
上面的描述通过示例而非限制地说明了实施例。这种描述使得本领域技术人员能够制作和使用本发明的各方面,并且描述了本发明的各方面的若干实施例、适应、变化、替代方案和使用,包括目前认为是执行本发明的各方面的最佳模式的内容。此外,应当理解的是,本发明的各方面在其应用上不限于在以下描述中阐述或在附图中示出的组件的构造和布置的细节。本发明的各方面能够具有其它实施例并且以各种方式被实践或执行。而且,应当理解的是,本文使用的措辞和术语是为了描述的目的,不应当被视为限制。
显然,在不脱离所附权利要求定义的本发明的范围的情况下,有可能进行修改和变化。由于在不脱离本发明的范围的情况下可以对上述构造和方法进行各种改变,因此上述描述中包含的和附图中所示的所有内容都应被解释为说明性的而不是限制性的。
鉴于以上所述,将看出的是,实现了本发明的各方面的若干优点并获得了其它有利的结果。
提供摘要和发明内容是为了帮助读者快速确定技术公开的性质。它们被提交,但应当理解的是,它们将不用来解释或限制权利要求的范围或含义。发明内容的提供是为了以简化的形式介绍在具体实施方式中进一步描述的概念的选择。发明内容不意在识别所要求保护的主题的关键特征或基本特征,也不意在用于帮助确定所要求保护的主题。
附录A
用例1:基于操作者的响应时间的警报优先级
警报管理系统识别操作者响应警报的时间超过针对优先级1警报的预定最大响应时间(例如,5分钟)的标签。基于延迟的响应时间的发生次数,警报管理系统训练该模型以自动将这些标签重新分类为较低优先级。例如,当操作者在大于5分钟的时间内定期解决某些警报时,该模型进行学习。虽然此类警报可以已被指定为优先级1,但模型学习到它们没有被视为如此并自动将这些警报重新分类为具有较低优先级。图6图示了基于响应时间的警报优先级的各方面。在图6的示例中,总共有5292个警报、2238个优先级1警报和24个响应时间大于5分钟的优先级1标签。
下面的表A-I是基于时间的优先级的示例:
表A-I:KPI(根据响应时间的推荐的优先级)
优先级 | 最小(分钟) | 最大(分钟) |
1 | 0 | 5 |
2 | 5 | 15 |
3 | 15 | 30 |
4 | 30 | 60 |
5 | 60 | >60 |
用例2:抖动警报
如第二用例所指示的,基于抖动警报的分布对模型进行训练允许自动调整死区以减少抖动警报的发生率。图7A图示了相对于设定点的死区的示例。图7B图示了用于识别与用于任何标签T1的警报下限相关联的死区的抖动警报用例的示例工作流。图7C图示了图7B的自动死区检测器的示例工作流。在实施例中,图7B的工作流采用无监督机器学习算法用于识别抖动警报并推荐新的死区以减少抖动警报的实例。
下面的表A-II、A-III、A-IV和A-V是调整死区的示例:
表A-II:KPI(配置的警报分布)
优先级 | KPI–配置的警报分布 | 在合理化死区之前 | 在合理化死区之后 |
1 | 每班<5 | 24 | 5 |
2 | 每小时<2 | 1660 | 974 |
3 | 每小时<10 | 467 | 126 |
表A-III:合理化死区以减少抖动警报
表A-IV:带有标签之一的示例
因素 | 在合理化之前 | 在合理化之后 |
警报的总数 | 427 | 173 |
抖动警报实例 | 25 | 0 |
标签 | 2(即,范围的1.2%) | 2.45(即,范围的1.49%) |
表A-V:合理化之前和之后的最大死区
测量 | 对于先前的死区 | 对于新死区 | 根据标准允许的最大值 |
流量 | 2.0% | 5.0% | 5.0% |
液位 | 0.2% | 0.38% | 5.0% |
压力 | 1.0% | 2.0% | 2.0% |
分析仪 | 2.0% | 2.0% | 2.0% |
如图7B中所示,数据聚合器聚合来自历史和警报数据库的过程数据,用于针对任何给定标签T1的警报(诸如低警报)。这个示例中的抖动实例是针对标签的在一分钟内触发超过3次的警报实例。这个示例中的抖动组是在指定时间范围内多次发生的一组抖动实例(例如,一小时内10个抖动实例)。图7C的ISA标准数据库表示包含根据ISA标准推荐的参数的数据库(例如,用于压力变量的推荐的死区)。数据点的集群是指过程变量值在相似范围内的数据点/过程变量(及其记录时间)的集群。例如,具有高值的数据点被分组到集群中,而那些具有低值的数据点被分组到另一个集群中。可以使用某些准则(诸如输入数据点的总数中存在的数位数)来确定集群的总数。例如,如果数据点的数量在10到99之间,那么集群的数量是2,而如果数据点的数量在100到999之间,那么集群的数量是3,以此类推。
用例3:基于发生的警报分布
第三用例说明了当触发一系列相关警报时识别警报的根本原因。图8A和8B以图形方式图示了用于识别何时触发相关警报的警报。通过识别和显示这种信息,操作者可以关注修复根本原因警报,以便后果警报自动返回到正常。
Claims (16)
1.一种警报合理化系统,包括:
咨询系统处理器,接收并响应从过程控制系统收集的工业过程信息;
咨询系统数据库,耦合到咨询系统处理器,咨询系统数据库存储从过程控制系统收集的历史化的警报信息;
主警报数据库MADB,耦合到咨询系统处理器;以及
存储器,存储计算机可执行指令,所述计算机可执行指令在由咨询系统处理器执行时将咨询系统处理器配置用于:
接收工业过程信息;
基于接收到的工业过程信息识别一个或多个警报;以及
执行人工智能AI警报引擎,其中执行AI警报引擎包括:
基于接收到的工业过程信息和历史化的警报信息来构建过程/领域模型,以根据预定义的警报理念对警报进行评估;
通过过程/领域模型生成多个警报定义以优化警报;以及
用警报定义自动填充MADB;以及
基于存储在MADB中的警报定义来合理化警报。
2.如权利要求1所述的系统,其中存储在存储器中的计算机可执行指令在由咨询系统处理器执行时进一步将咨询系统处理器配置用于执行以下一项或多项:
收集警报性能度量,其中执行AI警报引擎还包括基于收集的性能度量训练过程/领域模型;
对照预定义的警报理念审查警报,其中生成警报定义包括根据警报理念定义和创建维持过程控制系统的正常操作限制所需的最小警报集合;以及
基于由过程/领域模型生成的警报定义重新定义默认警报设置。
3.如前述权利要求中的任一项所述的系统,其中识别警报包括定义默认警报、默认警报设置、默认合理化指导、自定义过程警报和自定义装备警报中的一个或多个。
4.如前述权利要求中的任一项所述的系统,其中工业过程信息包括资产信息、装备信息、控制叙述、过程叙述、管道&仪表图以及操作过程中的一个或多个。
5.如权利要求4所述的系统,其中识别警报包括由与咨询系统处理器相关联的控制器执行控制叙述和过程叙述中的至少一个,以基于预定义的异常状况触发警报中的至少一个,并且其中预定义的异常状况包括装备误动和过程偏差中的至少一个。
6.如前述权利要求中的任一项所述的系统,其中过程控制系统在被咨询系统处理器合理化之前是未合理化的。
7.如前述权利要求中的任一项所述的系统,其中AI警报引擎包括交互式控制系统软件的插件组件,所述插件组件在由咨询系统处理器执行时将咨询系统处理器配置用于在遵守预定义的警报理念的情况下自动化警报合理化。
8.一种在过程控制系统中的警报合理化的方法,所述方法包括:
由过程控制系统的咨询系统处理器接收从过程控制系统收集的工业过程信息;
将从过程控制系统收集的历史化的警报信息存储到耦合到咨询系统处理器的咨询系统数据库中;
由咨询系统处理器基于接收到的工业过程信息识别一个或多个警报;
由咨询系统处理器执行人工智能AI警报引擎,其中执行AI警报引擎包括:
基于接收到的工业过程信息和历史化的警报信息来构建过程/领域模型,以根据预定义的警报理念对警报进行评估;
通过过程/领域模型生成多个警报定义以优化警报;以及
用警报定义自动填充主警报数据库MADB;以及
由咨询系统处理器基于存储在MADB中的警报定义来合理化警报。
9.如权利要求8所述的方法,还包括以下一项或多项:
由咨询系统处理器收集警报性能度量,其中执行AI警报引擎还包括基于收集的性能度量训练过程/领域模型;
由咨询系统处理器对照预定义的警报理念审查警报,其中生成警报定义包括根据警报理念定义和创建维持过程控制系统的正常操作限制所需的最小警报集合;以及
包括由咨询系统处理器基于由过程/领域模型生成的警报定义重新定义默认警报设置。
10.如权利要求8或权利要求9所述的方法,其中识别警报包括定义默认警报、默认警报设置、默认合理化指导、自定义过程警报和自定义装备警报中的一个或多个。
11.如权利要求8至10中的任一项所述的方法,其中工业过程信息包括资产信息、装备信息、控制叙述、过程叙述、管道&仪表图以及操作过程中的一个或多个。
12.如权利要求11所述的方法,其中识别警报包括由与咨询系统处理器相关联的控制器执行控制叙述和过程叙述中的至少一个,以基于预定义的异常状况触发警报中的至少一个,并且其中预定义的异常状况包括装备误动和过程偏差中的至少一个。
13.如权利要求8至12中的任一项所述的方法,其中过程控制系统在被咨询系统处理器合理化之前是未合理化的。
14.如权利要求8至13中的任一项所述的方法,其中合理化包括执行AI警报引擎以使准备过程自动化,所述准备过程包括识别、定义和创建一个或多个警报。
15.一种在过程控制系统的警报系统中的警报合理化的方法,所述方法包括:
为装备警报和自定义过程警报中的至少一个定义默认警报设置;
定义独立于警报系统的合理化状态的合理化指导;
在过程控制系统的控制器上执行响应于预定条件而触发警报的逻辑;
基于预定的基于标准的警报理念来定义和创建维持过程控制系统的正常操作限制所需的最小警报集合;
对从过程控制系统收集的数据进行历史化;
基于历史化的数据识别和预测性能改进模式;
训练人工智能AI警报引擎以执行前述步骤中的一个或多个;
基于对性能改进模式的审核生成一个或多个警报合理化设置;
自动填充警报合理化主警报数据库MADB报告以将警报合理化设置馈送到警报系统;以及
重复地重新训练AI警报引擎。
16.如权利要求21所述的方法,其中被执行以触发警报的逻辑包括控制流、控制叙述、过程流和过程叙述中的至少一个。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202111023899 | 2021-05-28 | ||
IN202111023899 | 2021-05-28 | ||
IN202111041859 | 2021-09-16 | ||
IN202111041859 | 2021-09-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115407710A true CN115407710A (zh) | 2022-11-29 |
Family
ID=82100625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210591230.4A Pending CN115407710A (zh) | 2021-05-28 | 2022-05-27 | 人工智能警报管理 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220382245A1 (zh) |
EP (1) | EP4105750A3 (zh) |
CN (1) | CN115407710A (zh) |
AU (1) | AU2022202976A1 (zh) |
CA (1) | CA3159920A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014163605A1 (en) * | 2013-03-31 | 2014-10-09 | Schneider Electric USA, Inc. | Automatic configuration of alarm aggregations |
US10586172B2 (en) * | 2016-06-13 | 2020-03-10 | General Electric Company | Method and system of alarm rationalization in an industrial control system |
US10635945B2 (en) * | 2018-06-28 | 2020-04-28 | Schneider Electric Systems Usa, Inc. | Machine learning analysis of piping and instrumentation diagrams |
WO2020168190A1 (en) * | 2019-02-15 | 2020-08-20 | Aveva Software, Llc | Process mapping and monitoring using artificial intelligence |
-
2022
- 2022-05-04 AU AU2022202976A patent/AU2022202976A1/en active Pending
- 2022-05-12 CA CA3159920A patent/CA3159920A1/en active Pending
- 2022-05-17 US US17/746,299 patent/US20220382245A1/en active Pending
- 2022-05-25 EP EP22175497.1A patent/EP4105750A3/en active Pending
- 2022-05-27 CN CN202210591230.4A patent/CN115407710A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220382245A1 (en) | 2022-12-01 |
AU2022202976A1 (en) | 2022-12-15 |
EP4105750A3 (en) | 2023-03-15 |
CA3159920A1 (en) | 2022-11-28 |
EP4105750A2 (en) | 2022-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11340591B2 (en) | Predictive maintenance and process supervision using a scalable industrial analytics platform | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
Unver | An ISA-95-based manufacturing intelligence system in support of lean initiatives | |
EP1366399B1 (en) | Cavitation detection in a process plant | |
Orellana et al. | From legacy-based factories to smart factories level 2 according to the industry 4.0 | |
CA2932804C (en) | Data reliability analysis | |
US11687064B2 (en) | IBATCH interactive batch operations system enabling operational excellence and competency transition | |
US10996160B2 (en) | Mitigating asset damage via asset data analysis and processing | |
CN111324639A (zh) | 数据监测方法、装置及计算机可读存储介质 | |
Rivera-Gomez et al. | Production and quality control policies for deteriorating manufacturing system | |
Confalonieri et al. | An AI based decision support system for preventive maintenance and production optimization in energy intensive manufacturing plants | |
EP3187950B1 (en) | A method for managing alarms in a control system | |
Medaković et al. | A model of management information system for technical system maintenance | |
Purnachand et al. | Predictive maintenance of machines and industrial equipment | |
US20230229144A1 (en) | Safety Interlock Recommendation System | |
Ariansyah et al. | Enhancing interoperability of digital twin in the maintenance phase of lifecycle | |
CN115407710A (zh) | 人工智能警报管理 | |
Li et al. | Embedding CSPC database with CPS to enhance toy product safety | |
Stark et al. | Conceptualizing an industry 4.0’s predictive maintenance system in a medical devices manufacturing enterprise | |
EP4361745A1 (en) | Autonomous operation of modular industrial plants | |
Pereira | Hidden Value in Maintenance System Data: Using Machine Learning to Correlate and Predict the Risk of Asset Failures | |
Ananth Seshan | Asset Intelligence System | |
CN116762072A (zh) | 为连续或分批连续过程的稳态操作提供操作者变化分析的系统和方法 |
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 |