DE102015117015A1

DE102015117015A1 - Regionale Big-Data in Prozesssteuerungssystemen

Info

Publication number: DE102015117015A1
Application number: DE102015117015.9A
Authority: DE
Inventors: Peter Zornio; Mark J. Nixon; Wilhelm K. Wojsznis; J. Michael Lucas; Eric D. Rotvold; Terrence L. Blevins; Paul Richard Muston; Gary K. Law
Original assignee: Fisher Rosemount Systems Inc
Current assignee: Fisher Rosemount Systems Inc
Priority date: 2014-10-06
Filing date: 2015-10-06
Publication date: 2016-04-07
Also published as: CN105487499B; GB2532849A; GB2532849B; GB201517038D0; CN105487499A; JP2016076217A; US9823626B2; US20160098021A1; JP6707331B2

Abstract

Ein regionaler Big-Data-Knoten verwaltet oder bedient während des Echtzeitbetriebs einer Prozessanlage oder eines Prozesssteuerungssystems eine jeweilige Region aus einer Vielzahl von Regionen der Anlage/des Systems, wobei zumindest einige der Regionen jeweils ein oder mehrere Prozesssteuerungsgeräte enthalten, die arbeiten, um einen in der Anlage/im System ausgeführten Prozess zu steuern. Der regionale Big-Data-Knoten ist konfiguriert, um Big-Data, gestreamte Daten und in Erfahrung gebrachtes Wissen, die/das von der jeweiligen Region generiert, empfangen oder beobachtet wird/werden, zu empfangen und zu speichern, und eine oder mehrere Erfahrungsanalysen an zumindest einigen der gespeicherten Daten durchzuführen. Als Ergebnis der Erfahrungsanalysen erzeugt der regionale Big-Data-Knoten neues in Erfahrung gebrachtes Wissen, das der regionale Big-Data-Knoten verwenden kann, um Vorgänge in seiner jeweiligen Region zu modifizieren und/oder das der regionale Big-Data-Knoten an andere Big-Data-Knoten der Anlage/des Systems übertragen kann.

Description

QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
Diese Anmeldung bezieht sich auf die US-Anmeldung Nr. 62/060,408 (Aktenzeichen des Bevollmächtigten 06005/593085P) mit dem Titel „DATA PIPELINE FOR PROCESS CONTROL SYSTEM ANALYTICS“, die zusammen mit diesem Dokument eingereicht wird und deren gesamte Offenbarung hiermit per Verweis in dieses Dokument einbezogen ist. Diese Anmeldung bezieht sich auch auf die US-Anmeldung Nr. 14/506,863 (Aktenzeichen des Bevollmächtigten 06005/593070) mit dem Titel „STREAMING DATA FOR ANALYTICS IN PROCESS CONTROL SYSTEMS“, die zusammen mit diesem Dokument eingereicht wird und deren gesamte Offenbarung hiermit per Verweis in dieses Dokument einbezogen ist. Außerdem bezieht sich diese Anmeldung auf die US-Anmeldung Nr.14/507,252 (Aktenzeichen des Bevollmächtigten 06005/593086) mit dem Titel „AUTOMATIC SIGNAL PROCESSING-BASED LEARNING IN A PROCESS PLANT“, die zusammen mit diesem Dokument eingereicht wird und deren gesamte Offenbarung hiermit per Verweis in dieses Dokument einbezogen ist.
Weiter bezieht sich die vorliegende Offenbarung auf das US-Patent mit der Anmeldungsnummer 13/784,041 mit dem Titel „BIG DATA IN PROCESS CONTROL SYSTEMS“, eingereicht am 3. März 2013; US-Patent mit der Anmeldungsnummer 14/028,785 mit dem Titel „METHOD AND APPARATUS FOR CONTROLLING A PROCESS PLANT WITH LOCATION AWARE MOBILE CONTROL DEVICES“, eingereicht am 17. September 2013; US-Patent mit der Anmeldungsnummer 14/174,413 mit dem Titel „COLLECTING AND DELIVERING DATA TO A BIG DATA MACHINE IN A PROCESS CONTROL SYSTEM“, eingereicht am 6. Februar 2014; US-Patent mit der Anmeldungsnummer 14/212,493 mit dem Titel „DISTRIBUTED BIG DATA IN A PROCESS CONTROL SYSTEM“, eingereicht am 14. März 2014; und das US-Patent mit der Anmeldungsnummer 14/212,411 mit dem Titel „DETERMINING ASSOCIATIONS AND ALIGNMENTS OF PROCESS ELEMENTS AND MEASUREMENTS IN A PROCESS“, eingereicht am 14. März 2014, wobei die gesamten Offenbarungen jeder Anmeldung hiermit ausdrücklich per Verweis einbezogen sind.
TECHNISCHES GEBIET
Die vorliegende Offenbarung bezieht sich allgemein auf Prozessanlagen und auf Prozesssteuerungssysteme und insbesondere auf die Verwendung von regionalen Big-Data in Prozessanlagen und Prozesssteuerungssystemen.
HINTERGRUND
Verteilte Prozesssteuerungssysteme, wie diejenigen, die in Prozessanlagen für Chemikalien, Erdöl oder anderen Prozessanlagen verwendet werden, enthalten typischerweise eine oder mehrere Prozesssteuerungen, die über analoge, digitale oder kombinierte analoge/digitale Busse oder über ein(e) drahtlose(s) Kommunikationsverbindung oder Netzwerk kommunikativ an ein oder mehrere Feldgeräte gekoppelt sind. Die Feldgeräte, die zum Beispiel Ventile, Ventilstellungsregler, Schalter und Transmitter (z. B. Temperatur-, Druck-, Niveau- und Durchflusssensoren) sein können, befinden sich in der Prozessumgebung und führen allgemein physikalische oder Prozesssteuerungsfunktionen wie das Öffnen oder Schließen von Ventilen, Messen von Prozessparametern usw. durch, um einen oder mehrere Prozesse zu steuern, die in der Prozessanlage oder im System durchgeführt werden und/oder von der Prozessanlage oder dem System gesteuert werden. Der eine oder die mehreren Prozesse können zumindest teilweise physikalische Prozesse sein, z. B. Herstellen, Veredeln, Produktion usw. Intelligente Feldgeräte wie die Feldgeräte, die dem bekannten Feldbus-Protokoll entsprechen, können auch Kontrollrechnungen, Warnfunktionen und andere Steuerungsfunktionen durchführen, die allgemein in der Steuerung umgesetzt werden. Die Prozesssteuerungen, die sich auch typischerweise in der Anlagenumgebung befinden, empfangen Signale, die von den Feldgeräten durchgeführte Prozessmessungen und/oder andere die Feldgeräte betreffende Informationen angeben und führen eine Steuerungsanwendung aus, die zum Beispiel verschiedene Steuerungsmodule abspielt, die Prozesssteuerungsentscheidungen treffen, erzeugen Steuerungssignale basierend auf den empfangenen Informationen und koordinieren mit den Steuerungsmodulen oder -blöcken, die in den Feldgeräten ausgeführt werden, wie zum Beispiel die Feldgeräte HART^®, WirelessHART^® und FOUNDATION^®-Feldbus. Die Steuerungsmodule in der Steuerung senden die Steuerungssignale über die Kommunikationsleitungen oder -verbindungen an die Feldgeräte, um dadurch den Betrieb von zumindest einem Teil der Prozessanlage oder des Systems zu steuern.
Informationen von den Feldgeräten und der Steuerung werden üblicherweise über eine Datenautobahn einem oder mehreren anderen Hardware-Geräten, wie Bedienarbeitsplätzen, PCs oder Computergeräten, Daten-Historians, Berichtgeneratoren, zentralisierten Datenbanken oder anderen zentralisierten administrativen Computergeräten, die typischerweise in Kontrollräumen oder an anderen Orten von der raueren Anlagenumgebung entfernt platziert sind, zur Verfügung gestellt. Jedes dieser Hardware-Geräte ist typischerweise quer durch die Prozessanlage oder durch einen Teil der Prozessanlage zentralisiert. Diese Hardware-Geräte führen Anwendungen aus, die es zum Beispiel einem Betreiber ermöglichen können, Funktionen in Bezug auf die Steuerung eines Prozesses und/oder den Betrieb der Prozessanlage durchzuführen, wie das Ändern von Einstellungen der Prozesssteuerungsroutine, Modifizieren des Betriebs der Steuerungsmodule in den Steuerungen oder den Feldgeräten, Ansehen des aktuellen Status des Prozesses, Ansehen der von den Feldgeräten und Steuerungen erzeugten Warnungen, Simulieren des Betriebs des Prozesses zum Zweck der Schulung von Personal oder des Testens der Prozesssteuerungssoftware, Warten und Aktualisieren einer Konfigurationsdatenbank usw. Die von den Hardware-Geräten, Steuerungen und Feldgeräten verwendete Datenautobahn kann einen verdrahteten Kommunikationspfad, einen drahtlosen Kommunikationspfad oder eine Kombination aus verdrahteten und drahtlosen Kommunikationspfaden enthalten.
Als Beispiel enthält das Steuerungssystem DeltaV^TM, verkauft von Emerson Process Management, mehrere Anwendungen, die in verschiedenen Geräten gespeichert sind und von diesen ausgeführt werden, die sich an diversen Stellen in einer Prozessanlage befinden. Eine Konfigurationsanwendung, die sich in einem oder mehreren Arbeitsplätzen oder Computergeräten befindet, ermöglicht Nutzern, Prozesssteuerungsmodule zu erstellen oder zu ändern und diese Prozesssteuerungsmodule über eine Datenautobahn auf bestimmte verteilte Steuerungen herunterzuladen. Typischerweise bestehen diese Steuerungsmodule aus kommunikativ miteinander verbundenen Funktionsblöcken, die Objekte in einem objektorientierten Programmierungsprotokoll sind, die Funktionen im Steuerungsschema basierend auf Eingaben darin durchführen und die anderen Funktionsblöcken im Steuerungsschema Ausgaben bereitstellen. Die Konfigurationsanwendung kann einem Konfigurationsentwickler auch ermöglichen, Betreiberschnittstellen zu erstellen oder zu ändern, die von einer Betrachtungsanwendung verwendet werden, um einem Betreiber Daten anzuzeigen und dem Betreiber zu ermöglichen, Einstellungen wie Sollwerte in den Prozesssteuerungsroutinen zu ändern. Jede bestimmte Steuerung und in einigen Fällen ein oder mehrere Feldgeräte speichert und führt eine jeweilige Steuerungsanwendung durch, die die zugewiesenen und darauf heruntergeladenen Steuerungsmodule abspielt, um tatsächliche Prozesssteuerungsfunktionalität umzusetzen. Die Betrachtungsanwendungen, die auf einem oder mehreren Betreiberarbeitsplätzen (oder an einem oder mehreren Ferncomputergeräten in kommunikativer Verbindung mit den Betreiberarbeitsplätzen und der Datenautobahn) ausgeführt werden können, empfangen über die Datenautobahn Daten von der Steuerungsanwendung und zeigen diese Daten den Prozesssteuerungssystementwicklern, Betreibern oder Nutzern, die die Nutzerschnittstellen verwenden, an, und können eine beliebige Anzahl von verschiedenen Ansichten bereitstellen, wie eine Betreiberansicht, eine Ingenieursansicht, eine Technikeransicht usw. Eine Daten-Historian-Anwendung wird typischerweise in einem Daten-Historian-Gerät gespeichert und von diesem ausgeführt, das einige oder alle der auf der Datenautobahn bereitgestellten Daten sammelt und speichert, während eine Konfigurationsdatenbankanwendung auf einem weiteren Computer laufen kann, der mit der Datenautobahn verbunden ist, um die aktuelle Prozesssteuerungsroutinekonfiguration und die damit assoziierten Daten zu speichern. Alternativ kann sich die Konfigurationsdatenbank im gleichen Arbeitsplatz wie die Konfigurationsanwendung befinden.
Die Architektur von derzeit bekannten Prozesssteuerungsanlagen und Prozesssteuerungssystemen wird stark von eingeschränktem/eingeschränkter Steuerungs- und Gerätespeicher, Kommunikationsbandbreite und Steuerungs- und Geräteprozessorleistungsfähigkeit beeinflusst. Zum Beispiel ist in derzeit bekannten Prozesssteuerungssystemarchitekturen die Verwendung von dynamischem und statischem nicht-flüchtigen Speicher in der Steuerung in der Regel minimiert oder wird zumindest sorgfältig verwaltet. Als Folge muss ein Nutzer während der Systemkonfiguration (z. B. a priori) typischerweise wählen, welche Daten in der Steuerung archiviert oder gespeichert werden sollen, mit welcher Häufigkeit sie gespeichert werden, und ob Komprimierung angewendet wird oder nicht, und die Steuerung wird entsprechend mit diesem eingeschränkten Satz an Datenregeln konfiguriert. Somit werden Daten, die bei der Fehlerbehebung und Prozessanalyse nützlich sein könnten, oft nicht archiviert, und wenn sie gesammelt werden, sind die nützlichen Informationen möglicherweise aufgrund der Datenkomprimierung verloren.
Zusätzlich werden, um den Steuerungsspeicherverbrauch in derzeit bekannten Prozesssteuerungssystemen zu minimieren, ausgewählte Daten, die archiviert oder gespeichert werden sollen (wie durch die Konfiguration der Steuerung angegeben), dem Arbeitsplatz oder Computergerät zum Speichern in einem geeigneten Daten-Historian oder Datensilo gemeldet. Die derzeit verwendeten Techniken zum Melden der Daten nutzen Kommunikationsressourcen spärlich und bewirken ein exzessives Laden der Steuerung. Zusätzlich ist die Datensammlung und Zeitstempelung aufgrund der Zeitverzögerungen bei der Kommunikation und dem Sampling am Historian oder Silo oft nicht mit dem tatsächlichen Prozess synchron.
Ähnlich bleiben in Batch-Prozesssteuerungssystemen, um den Steuerungsspeicherverbrauch zu minimieren, Batch-Rezepte und Schnappschüsse der Steuerungskonfiguration typischerweise auf einem zentralisierten administrativen Computergerät oder Ort (z. B. auf einem Datensilo oder Historian) gespeichert und werden nur bei Bedarf an eine Steuerung weitergeleitet. Eine solche Strategie führt zu erheblichen Burst-Ladungen in der Steuerung und in der Kommunikation zwischen dem Arbeitsplatz oder zentralisiertem administrativen Computergerät und der Steuerung.
Weiter spielen die Einschränkungen in der Fähigkeit und Leistung von relationalen Datenbanken von derzeit bekannten Prozesssteuerungssystemen, kombiniert mit den zuvor hohen Kosten der Plattenspeicherung, eine große Rolle bei der Strukturierung von Daten in unabhängige Einheiten oder Silos, um die Ziele von spezifischen Anwendungen zu erreichen. Zum Beispiel wird im System DeltaV^TM die Archivierung von Prozessmodellen, kontinuierlichen historischen Daten und Batch- und Ereignisdaten in drei verschiedenen Anwendungsdatenbanken oder Silos an Daten gespeichert. Jedes Silo hat eine andere Schnittstelle für den Zugriff auf die darin gespeicherten Daten.
Die Strukturierung von Daten auf diese Weise erzeugt eine Barriere auf dem Weg, auf dem historisierte Daten aufgerufen und verwendet werden. Zum Beispiel kann die Grundursache von Schwankungen in der Produktqualität mit Daten in mehr als aus diesen Datensilos assoziiert werden. Jedoch ist es aufgrund der unterschiedlichen Datenstrukturen der Silos nicht möglich, Werkzeuge bereitzustellen, die ermöglichen, dass auf diese Daten zur Analyse schnell und einfach zugegriffen wird. Weiter müssen Prüf- oder Synchronisierungsfunktionen durchgeführt werden, um sicherzustellen, dass Daten in verschiedenen Silos konsistent sind.
Die oben besprochenen Einschränkungen derzeit bekannter Prozessanlagen und Prozesssteuerungssysteme und andere Einschränkungen können unerwünscht beim Betrieb und der Optimierung von Prozessanlagen oder Prozesssteuerungssystemen in Erscheinung treten, zum Beispiel während Betriebsvorgängen in Anlagen, der Fehlerbehebung und/oder der prädiktiven Modellierung. Zum Beispiel forcieren solche Einschränkungen umständliche und langwierige Arbeitsabläufe, die durchgeführt werden müssen, um Daten für die Fehlerbehebung und die Generierung von aktualisierten Modellen zu erhalten. Zusätzlich können die erhaltenen Daten aufgrund von Datenkomprimierung, ungenügender Bandbreite oder versetzten Zeitstempeln ungenau sein.
„Big-Data“ bezieht sich im Allgemeinen auf eine Sammlung von einem oder mehreren Datensätzen, die so groß oder komplex sind, dass traditionelle Werkzeuge zur Datenbankverwaltung und/oder Datenverarbeitungsanwendungen (z. B. relationale Datenbanken und Desktop-Statistik-Pakete) nicht dazu in der Lage sind, die Datensätze innerhalb eines tolerablen Zeitraums zu verwalten. Typischerweise sind Anwendungen, die Big-Data verwenden, transaktional und an den Endnutzer gerichtet oder auf diesen fokussiert. Zum Beispiel können Internetsuchmaschinen, Anwendungen für soziale Medien, Marketinganwendungen und Einzelhandelsanwendungen Big-Data verwenden und manipulieren. Big-Data können von einer verteilten Datenbank unterstützt werden, die ermöglicht, dass die parallele Verarbeitungsfähigkeit von modernen Multiprozess-, Multicore-Servern vollständig genutzt wird.
KURZDARSTELLUNG
Eine Ausführungsform eines regionalen Big-Data-Knotens zur Unterstützung von Big-Data in einer Prozessanlage oder einem Prozesssteuerungssystem, die/das einen Prozess steuert, enthält eine Netzwerkschnittstelle, die den regionalen Big-Data-Knoten kommunikativ mit einer aus einer Vielzahl von Regionen der Prozessanlage oder des Prozesssteuerungssystems verbindet. Die eine aus der Vielzahl von Regionen umfasst eine Vielzahl von lokalen Big-Data-Knoten, von denen jeder in Echtzeit Daten überträgt, die durch die Steuerung des Prozesses durch die Prozessanlage oder das Prozesssteuerungssystem generiert werden, während der Prozess in Echtzeit gesteuert wird. Der regionale Big-Data-Knoten enthält auch einen Big-Data-Speicherbereich, umfassend ein oder mehrere greifbare, nicht-flüchtige, computerlesbare Speichermedien, die für das Speichern regionaler Big-Data konfiguriert sind. Weiter enthält der regionale Big-Data-Knoten einen Big-Data-Empfänger, der für den Empfang der von der Vielzahl von lokalen Big-Data-Knoten übertragenen und über die Netzwerkschnittstelle am regionalen Big-Data-Knoten empfangenen Daten und für das Speichern der empfangenen Daten im Big-Data-Speicherbereich konfiguriert ist. Außerdem enthält der regionale Big-Data-Knoten einen Big-Data-Analysator, der zum Durchführen einer Erfahrungsanalyse an zumindest einem Teil der regionalen Big-Data, Generieren von in Erfahrung gebrachtem Wissen basierend auf einem Ergebnis der Erfahrungsanalyse, und Bewirken einer Veränderung des Betriebs von zumindest einem Teil der Prozessanlage oder des Systems basierend auf dem Ergebnis der Erfahrungsanalyse konfiguriert ist, einschließlich des Bewirkens der Übertragung des in Erfahrung gebrachten Wissens an einen Big-Data-Empfängerknoten, der dem zumindest einen Teil der Prozessanlage oder des Prozesssteuerungssystems entspricht.
Eine Ausführungsform eines Verfahrens der Verwendung von regionalen Big-Data zur Verbesserung des Betriebs einer Prozessanlage oder eines Prozesssteuerungssystems, die/das einen Prozess steuert, enthält das Sammeln von Daten an einem oder mehreren regionalen Big-Data-Knoten der Prozessanlage oder des Systems. Jeder des einen oder der mehreren regionalen Big-Data-Knoten entspricht einer jeweiligen Region, die in einer Vielzahl von Regionen der Prozessanlage oder des Systems enthalten ist. Die gesammelten Daten enthalten von einer jeweiligen Vielzahl von lokalen Big-Data-Knoten der jeweiligen Region übertragene Daten, und jeder lokale Big-Data-Knoten überträgt in Echtzeit jeweilige Daten, die sich aus Online-Betriebsvorgängen der jeweiligen Region jedes lokalen Big-Data-Knotens ergeben. Das Verfahren enthält auch das Speichern der gesammelten Daten als regionale Big-Data andem einen oder den mehreren regionalen Big-Data-Knoten. Weiter enthält das Verfahren das Durchführen von einer oder mehreren Erfahrungsanalysen an zumindest einem Teil der regionalen Big-Data durch den einen oder die mehreren regionalen Big-Data-Knoten, und das Generieren von in Erfahrung gebrachtem Wissen basierend auf Ergebnissen der einen oder mehreren Erfahrungsanalysen. Zusätzlich enthält das Verfahren das Bewirken einer Veränderung des Betriebs von zumindest einem Teil der Prozessanlage oder des Prozesssteuerungssystems basierend auf den Ergebnissen der einen oder mehreren Erfahrungsanalysen, einschließlich Übertragen des in Erfahrung gebrachten Wissens auf einen Big-Data-Empfängerknoten, der dem zumindest einen Teil des Prozessanlagensystems entspricht.
Eine Ausführungsform eines Systems zur Unterstützung regionaler Big-Data in einer Prozessanlage oder einem Prozesssteuerungssystem enthält einen oder mehrere regionale Big-Data-Knoten, eine Vielzahl von lokalen Big-Data-Knoten, und ein Kommunikationsnetzwerk, das den einen oder die mehreren regionalen Big-Data-Knoten und die Vielzahl von lokalen Big-Data-Knoten kommunikativ verbindet. Die Vielzahl von lokalen Big-Data-Knoten sind zu einer Vielzahl von Regionen angeordnet, wobei jede davon von einem regionalen Big-Data-Knoten bedient wird, der in dem einen oder den mehreren regionalen Big-Data-Knoten enthalten ist. Der jeweilige regionale Big-Data-Knoten ist für das Sammeln von Daten konfiguriert, die von einem Satz an lokalen Big-Data-Knoten, die mit der jeweiligen von dem jeweiligen regionalen Big-Data-Knoten bedienten Region assoziiert werden, in Echtzeit generiert werden, wobei die Daten aufgrund von Echtzeitsteuerung eines Prozesses in der Prozessanlage oder dem Prozesssteuerungssystem von dem Satz an lokalen Big-Data-Knoten in Echtzeit generiert werden. Der jeweilige regionale Big-Data-Knoten ist auch für das Speichern der gesammelten Daten als jeweilige regionale Big-Data in einem Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist, konfiguriert. Weiter ist der jeweilige regionale Big-Data-Knoten für das Durchführen, unter Verwendung eines im jeweiligen regionalen Big-Data-Knoten enthaltenen Big-Data-Analysators, einer Erfahrungsanalyse an zumindest einem Teil der gespeicherten jeweiligen regionalen Big-Data und das Generieren von in Erfahrung gebrachtem Wissen basierend auf dem Ergebnis der durchgeführten Erfahrungsanalyse konfiguriert. Noch weiter ist der regionale Big-Data-Knoten für zumindest eines von (i) Speichern des in Erfahrung gebrachten Wissens als zusätzliche jeweilige regionale Big-Data im Big-Data-Speicherbereich, oder (ii) Übertragen des in Erfahrung gebrachten Wissens an einen in der Prozessanlage oder im Prozesssteuerungssystem enthaltenen Big-Data-Empfängerknoten konfiguriert.
Die Wissensentdeckung und Big-Data-Techniken in einer/einem Prozesssteuerungsanlage, -system oder -umgebung unterscheiden sich grundlegend von traditionellen Big-Data-Techniken. Typischerweise sind traditionelle Big-Data-Anwendungen singulär transaktional, an den Endnutzer gerichtet, und haben keine strengen Zeitanforderungen oder -abhängigkeiten. Zum Beispiel sammelt ein Interneteinzelhändler Big-Data, die angesehene Produkte, gekaufte Produkte und Kundenprofile betreffen und verwendet diese gesammelten Daten, um Werbung und Zusatzkaufvorschläge für individuelle Kunden maßzuschneidern, während diese auf der Website des Einzelhändlers navigieren. Falls eine bestimmte Einzelhandelstransaktion (z. B. ein bestimmter Datenpunkt) versehentlich in der Big-Data-Analyse des Einzelhändlers ausgelassen wird, kann die Auswirkung dieser Auslassung in den meisten Fällen vernachlässigbar sein, vor allem wenn die Anzahl an analysierten Datenpunkten sehr groß ist. Im schlimmsten Fall ist eine Werbung oder ein Zusatzkaufvorschlag möglicherweise nicht so eng für einen bestimmten Kunden maßgeschneidert, wie es hätte sein können, wenn der ausgelassene Datenpunkt in der Big-Data-Analyse des Einzelhändlers enthalten gewesen wäre.
In Prozessanlagen und Prozesssteuerungsumgebungen ist die Dimension der Zeit und das Vorhandensein oder Auslassen von bestimmten Datenpunkten jedoch entscheidend. Wenn zum Beispiel ein bestimmter Datenwert nicht innerhalb eines bestimmten Zeitintervalls an eine Empfangskomponente der Prozessanlage geliefert wird, kann ein Prozess unkontrolliert werden, was zu einem Feuer, einer Explosion, Verlust von Ausstattung, und/oder Verlust von Menschenleben führen kann. Weiter können sich mehrere und/oder komplexe zeitbasierte Beziehungen zwischen verschiedenen Komponenten, Einheiten und/oder Prozessen, die in der Prozessanlage und/oder außerhalb der Prozessanlage betrieben werden, auf die Betriebseffizienz, Produktqualität und/oder Anlagensicherheit auswirken. Die von den in diesem Dokument beschriebenen Big-Data-Techniken des Prozesssteuerungssystems bereitgestellte Wissensentdeckung kann ermöglichen, dass solche zeitbasierten Beziehungen entdeckt und verwendet werden, wodurch eine effizientere und sichere Prozessanlage ermöglicht wird, die möglicherweise ein Produkt von höherer Qualität produziert.
Ein wesentliches Merkmal der in diesem Dokument beschriebenen regionalen Big-Data-Techniken der Prozesssteuerung ist die Skalierbarkeit. Obwohl durch das Beschreiben von massiven Computerplattformen, die dazu in der Lage sind, das Computerwesen über hunderte von Servern auszubreiten, viel Werbung gemacht worden ist, gab es einen mangelnden Fokus auf kleinere, realistischere Probleme. Es gibt viele Gründe für die Berücksichtigung von kleineren, sich näher an der Quelle befindenden Big-Data-Systemen, darunter die einfache Verwendung (z. B. einfacher zu installieren, lehren und warten), Kosten (z. B. für das Computerwesen, das Speichern und die Bandbreiteressourcen) und die Verfügbarkeit von Experten. Entsprechend wird ein kleineres System mit der Fähigkeit für hinzugefügte konfigurierbare Module von vorhandenem Personal einfach zu verstehen, planen und unterstützen sein. Im Gegensatz dazu erfordert ein großes Cluster an Computern oder ein massives cloudbasiertes System erhebliche Erfahrung und Computerressourcen, die möglicherweise nicht immer allen Parteien (z. B. anderen Computersystemen, Nutzern, Geräten usw.) zur Verfügung stehen. Ein anderes wesentliches Merkmal der in diesem Dokument beschriebenen regionalen Big-Data-Techniken der Prozesssteuerung ist, dass die Techniken unabhängig ohne Unterbrechungen von vorhandenen Prozesssteuerungsanlagen oder Systemen (z. B. Steuerungssystemen, Vermögensverwaltungssystemen, Maschinengesundheitssystemen usw.), die für den Betrieb einer Anlage, einer Organisation oder eines Unternehmens entscheidend sein können, umgesetzt werden können. Zum Beispiel können regionale Big-Data-Techniken nur auf entscheidende Teile einer Prozessanlage oder nur auf Hinzufügungen, neue Abschnitte einer Prozessanlage angewandt werden. In einem anderen Beispiel können regionale Big-Data-Techniken über gewünschte Teile einer Prozessanlage gelegt werden.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockdiagramm eines beispielhaften Big-Data-Netzwerks für eine Prozessanlage oder ein Prozesssteuerungssystem, das regionale Big-Data unterstützt;
2 ist ein Blockdiagramm einer beispielhaften Big-Data-Anwendung, die im Big-Data-Netzwerk zur Prozesssteuerung der 1 enthalten sein kann;
3 ist ein Blockdiagramm, das ein(e) beispielhafte(s) Prozessanlage oder Prozesssteuerungssystem darstellt, die/das beispielhafte Big-Data-Geräte oder Knoten enthält, die regionale Big-Data im Big-Data-Netzwerk zur Prozesssteuerung der 1 unterstützen;
4 ist ein Flussdiagramm eines beispielhaften Verfahrens zur Unterstützung von regionalen Big-Data in einem Prozesssteuerungssystem oder einer Prozessanlage.
DETAILLIERTE BESCHREIBUNG
1 ist ein vereinfachtes Blockdiagramm eines beispielhaften Big-Data-Netzwerks 100 für eine Prozessanlage oder ein Prozesssteuerungssystem 10, die/das einen oder mehrere Prozesse steuert und die/das Big-Data zur Prozesssteuerung stützt, und insbesondere Big-Data zur regionalen Prozesssteuerung stützt. Das Big-Data-Netzwerk zur Prozesssteuerung 100 enthält einen oder mehrere Big-Data-Knoten zur Prozesssteuerung 102–110, wobei jeder davon Big-Data zur Prozesssteuerung sammelt, beobachtet, generiert, speichert, analysiert, aufruft, überträgt, empfängt und/oder betreibt. Die Begriffe „Big-Data zur Prozesssteuerung“, „Prozess-Big-Data“ und „Big-Data“, die in diesem Dokument austauschbar verwendet werden, beziehen sich allgemein auf alle (oder fast alle) Daten, die von im Prozesssteuerungssystem oder in der Anlage 10 enthaltenen und damit assoziierten Geräten generiert, empfangen und/oder beobachtet werden. In einer Ausführungsform werden alle Daten, die von oder an allen in der Prozessanlage 10 enthaltenen und damit assoziierten Geräten generiert, erstellt, empfangen oder anderweitig beobachtet werden, im Big-Data-Netzwerk zur Prozesssteuerung 100 als Big-Data gesammelt und gespeichert.
Das beispielhafte Big-Data-Netzwerk zur Prozesssteuerung 100 enthält eine oder mehrere verschiedene Arten an Big-Data-Knoten oder Geräten zur Prozesssteuerung 102–110, wobei jeder/jedes davon durch die Steuerung des einen oder der mehreren Prozesse durch die Prozessanlage oder das Prozesssteuerungssystem 10 generierte oder darauf basierende Big-Data zur Prozesssteuerung sammelt, beobachtet, generiert, speichert, analysiert, aufruft, überträgt, empfängt und/oder betreibt. Jeder/jedes Big-Data-Knoten oder Gerät zur Prozesssteuerung 102–110 ist mit einem Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems (nicht gezeigt) verbunden und kann diesen Backbone verwenden, um mit einem oder mehreren anderen Big-Data-Knoten zur Prozesssteuerung zu kommunizieren. Entsprechend umfasst das Big-Data-Netzwerk zur Prozesssteuerung 100 den Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems und die Big-Data-Knoten zur Prozesssteuerung 102–110, die kommunikativ damit verbunden sind. In einem Beispiel enthält das Big-Data-Netzwerk zur Prozesssteuerung 100 eine Vielzahl von vernetzten Computergeräten oder Schaltern, die zum Routen von Paketen an/von verschiedene(n) andere(n) Geräte(n), Schalter(n) oder Knoten des Netzwerks 100 über den Backbone konfiguriert sind.
Der Big-Data-Netzwerk-Backbone zur Prozesssteuerung umfasst eine beliebige Anzahl an verdrahteten Kommunikationsverbindungen und eine beliebige Anzahl an drahtlosen Kommunikationsverbindungen, die ein oder mehrere geeignete Routing-Protokolle unterstützen, z. B. in der Internetprotokollfamilie (IP) enthaltene Protokolle (z. B. UPD (User Datagram Protocol), TCP (Transmission Control Protocol), Ethernet, usw.) oder andere geeignete Routing-Protokolle. In einer Ausführungsform unterstützt der Backbone ein Streaming-Protokoll wie das Stream Control Transmission Protocol (SCTP) und/oder ein anderes geeignetes Streaming-Protokoll zum Streamen (z. B. Transport) von Daten zwischen Big-Data-Knoten zur Prozesssteuerung. Zum Beispiel beschreibt die oben genannte US-Anmeldung Nr. 14/506,863 (Aktenzeichen des Bevollmächtigten 06005/593070) mit dem Titel „STREAMING DATA FOR ANALYTICS IN PROCESS CONTROL SYSTEMS“ Beispiele für Streaming-Protokolle und Techniken für Big-Data zur Prozesssteuerung, wobei eines oder mehrere davon vom Big-Data-Netzwerk-Backbone zur Prozesssteuerung im Netzwerk 100 verwendet werden können. Typischerweise kann jeder im Big-Data-Netzwerk zur Prozesssteuerung 100 enthaltene Knoten zumindest eine Anwendungsschicht (und bei einigen Knoten zusätzliche Schichten) des/der vom Backbone unterstützten Routing-Protokolls/-Protokolle unterstützen. In einer Ausführungsform wird jeder Big-Data-Knoten zur Prozesssteuerung 102–110 eindeutig im Big-Data-Netzwerk des Prozesssteuerungssystems 100 identifiziert, z. B. durch eine eindeutige Netzwerkadresse.
In einer Ausführungsform ist zumindest ein Teil des Big-Data-Netzwerks des Prozesssteuerungssystems 100 ein Ad-hoc-Netzwerk. Als solche können zumindest einige der Knoten 102–110 (und/oder ein oder mehrere andere Knoten, wie ein Nutzerschnittstellengerät 130) auf Ad-hoc-Weise mit dem Netzwerk-Backbone (oder mit einem anderen Knoten des Netzwerks 100) verbunden werden.
Da 1 ein vereinfachtes Diagramm ist, das kommunikative Verbindungen zwischen verschiedenen Big-Data-Knoten 102–110 im Big-Data-Netzwerk zur Prozesssteuerung 100 darstellt, wird der Netzwerk-Backbone zur Prozesssteuerung nicht explizit in 1 gezeigt. Jedoch wird ein Beispiel für einen solchen Backbone, der mit einer oder allen der in diesem Dokument beschriebenen Techniken verwendet werden kann, im US-Patent mit der Anmeldungsnummer 13/784,041 mit dem Titel „BIG DATA IN PROCESS CONTROL SYSTEMS“, eingereicht am 3. März 2013, beschrieben, dessen gesamte Offenbarung per Verweis in dieses Dokument einbezogen ist. Natürlich beschränken sich einige oder alle der in diesem Dokument beschriebenen Techniken nicht auf die Verwendung mit dem im US-Patent mit der Anmeldungsnummer 13/784,041 beschriebenen Backbone, sondern können mit jedem geeigneten Kommunikationsnetzwerk-Backbone verwendet werden.
Jetzt zu den verschiedenen Arten an Big-Data-Knoten oder Geräten zur Prozesssteuerung 102–110 kommend, kann im Allgemeinen ein Big-Data-Knoten zur Prozesssteuerung des Netzwerks 100 ein „Big-Data-Anbieter“ sein und/oder kann eine „Big-Data-Anwendung“ wie nachfolgend besprochen enthalten.
Die Begriffe „Big-Data-Anbieter“, „Big-Data-Anbieterknoten“ oder „Anbieterknoten“ wie in diesem Dokument austauschbar verwendet beziehen sich im Allgemeinen auf einen Big-Data-Knoten zur Prozesssteuerung, der auf die Prozesssteuerung bezogene Big-Data unter Verwendung des Big-Data-Netzwerks zur Prozesssteuerung 100 sammelt, generiert, beobachtet und/oder weiterleitet. Die Big-Data zur Prozesssteuerung, die von Anbieterknoten generiert, gesammelt, beobachtet und/oder weitergeleitet werden, können Daten enthalten, die direkt in der Steuerung eines Prozesses in der Anlage 10 verwendet oder daraus generiert worden sind, z. B. Echtzeit- und Konfigurationsdaten erster Ordnung, die von Steuerungsgeräten wie Steuerungen, Input-/Output-(I/O)-Geräten und Feldgeräten generiert oder von diesen verwendet werden. Zusätzlich oder alternativ können Big-Data-Anbieterknoten zur Prozesssteuerung Daten generieren, sammeln, beobachten und/oder weiterleiten, die sich auf das Liefern und Routen solcher Prozesssteuerungsdaten erster Ordnung und andere Daten in der Prozessanlage 10 beziehen, z. B. Daten, die sich auf die Netzwerksteuerung des Big-Data-Netzwerks 100 und/oder anderer Kommunikationsnetzwerke in der Anlage 10 beziehen, Daten, die die Bandbreite, Netzwerkzugriffsversuche, Diagnosedaten usw. angeben. Weiter können manche Big-Data-Anbieterknoten zur Prozesssteuerung Daten generieren, sammeln, beobachten und/oder weiterleiten, die Ergebnisse, Erfahrungen und/oder Informationen angeben, die im Big-Data-Netzwerk zur Prozesssteuerung 100 durch die Analyse von Big-Data zur Prozesssteuerung, die gesammelt wurden, in Erfahrung gebracht worden sind. Typischerweise werden solche Analytikergebnisse, Erfahrungen und/oder in Erfahrung gebrachte Informationen von automatischen, autonomen Analytiken generiert, die von einem oder mehreren Big-Data-Knoten zur Prozesssteuerung durchgeführt werden.
In den meisten Fällen enthält ein Big-Data-Anbieterknoten Multicore-Hardware (z. B. Multicore-Prozessoren) zum Übertragen und Empfangen von Big-Data in Echtzeit (z. B. gestreamt) und in einigen Ausführungsformen zum Cachen der Echtzeit-Big-Data als Vorbereitung auf das Streamen oder eine andere Lieferung über das Big-Data-Netzwerk zur Prozesssteuerung 100. Ein Big-Data-Anbieterknoten kann in einigen Ausführungsformen auch einen High-Density-Speicher zum Cachen der Echtzeit-Big-Data enthalten. Beispiele für Echtzeit-Big-Data, die übertragen, empfangen, gestreamt, gecacht, gesammelt und/oder anderweitig von Big-Data-Empfängerknoten beobachtet werden können, können Prozesssteuerungsdaten wie Messdaten, Konfigurationsdaten, Batch-Daten, Ereignisdaten und/oder kontinuierliche Daten enthalten. Zum Beispiel können Echtzeitdaten gesammelt werden, die Konfigurationen, Batch-Rezepten, Sollwerten, Ausgaben, Raten, Steuerungsaktionen, Diagnosen, Warnungen, Ereignissen und/oder Änderungen daran entsprechen. Andere Beispiele für Echtzeitdaten können Prozessmodelle, Statistiken, Statusdaten und Netzwerk- und Anlagenverwaltungsdaten enthalten. In einigen Ausführungsformen cacht ein Big-Data-Anbieterknoten nicht zumindest einige der Echtzeit-Big-Data, die er beobachtet, sondern streamt stattdessen die nicht gecachten Daten zu einem oder mehreren anderen Big-Data-Knoten, während die Daten beobachtet, empfangen oder generiert werden. Beispiele für Big-Data-Anbieterknoten, die mit einer oder allen der in diesem Dokument beschriebenen Techniken verwendet werden können, können im zuvor erwähnten US-Patent mit der Anmeldungsnummer 13/784,041; im US-Patent mit der Anmeldungsnummer 14/174,413 mit dem Titel „COLLECTING AND DELIVERING DATA TO A BIG DATA MACHINE IN A PROCESS CONTROL SYSTEM“, eingereicht am 6. Februar 2014; und im US-Patent mit der Anmeldungsnummer 14/212,493 mit dem Titel „DISTRIBUTED BIG DATA IN A PROCESS CONTROL SYSTEM“, eingereicht am 14. März 2014 gefunden werden, wobei die gesamten Offenbarungen davon hiermit per Verweis einbezogen sind. Natürlich kann eine oder können alle der in diesem Dokument beschriebenen Techniken alternativ oder zusätzlich mit anderen als in den US-Anmeldungsnummern 13/784,041, 14/174,413 und 14/212,493 beschriebenen Big-Data-Anbieterknoten verwendet werden.
Andererseits beziehen sich die Begriffe „Big-Data-Anwendung“, „Big-Data-Anwendungsknoten“ oder „Anwendungsknoten“ wie in diesem Dokument austauschbar verwendet allgemein auf einen Big-Data-Knoten zur Prozesssteuerung, der Big-Data zur Prozesssteuerung empfängt, speichert, abruft und analysiert. Als solches arbeitet eine Big-Data-Anwendung zur Prozesssteuerung (oder „BDA“) im Allgemeinen mit Big-Data, die von einem oder mehreren Big-Data-Anbieterknoten zur Prozesssteuerung generiert oder bereitgestellt wurden. Im Allgemeinen unterstützt eine BDA das Daten-Mining und Datenanalytiken im großen Maßstab an mehrdimensionalen Daten, darunter kontinuierliche Echtzeitwerte, Ereignissammlung, Batch-Daten-Sammlung, Bedienerrundendaten und/oder andere Daten. Daten, die an der Quelle gesammelt und zeitgestempelt werden, können unter Verwendung eines spezialisierten History-Objekt-Kommunikationsprotokolls wie im oben genannten US-Patent mit der Anmeldungsnummer 14/506,863 (Aktenzeichen des Bevollmächtigten 06005/593070) mit dem Titel „STREAMING DATA FOR ANALYTICS IN PROCESS CONTROL SYSTEMS“ beschrieben oder einem anderen geeigneten Kommunikationsprotokoll zum BDA weitergeleitet oder übertragen werden. Das BDA kann verschiedene Tools enthalten, die mit strukturierten sowie unstrukturierten Daten arbeiten (z. B. R-Scripts, Python-Scripts, Matlab^®-Scripts, Statgraphics usw.), und Erfahrungsalgorithmen (z. B. partielle Kleinst-Quadrate-Regression, Hauptkomponentenanalyse, usw.), Klassifizierungstechniken (z. B. Random Forest, Mustererkennung usw.) und/oder andere Datenanalytiken durchführen, um nützliche Informationen wie die Vorhersage von Produktfähigkeiten, Qualitäten und/oder anderen gewünschten Merkmalen zu generieren. Weiter können einige BDAs Schnittstellen für Konfigurations- und Entwicklungsmodelle, Laufzeitmaschinen für die Ausführung von Modellen und Dashboards für die Anzeige von Ergebnissen an einer Nutzerschnittstelle enthalten. Zum Beispiel kann eine BDA mit Analytiken zur Laufzeit auf eine Weise konfiguriert sein, wie in der oben genannten US-Anmeldung Nr. 62/060,408 (Aktenzeichen des Bevollmächtigten 06005/593085P) mit dem Titel „DATA PIPELINE FOR PROCESS CONTROL SYSTEM ANALYTICS“ besprochen. Die angezeigten Ergebnisse können standardmäßige deskriptive Statistiken, Histogramme, Korrelationsdarstellungen und/oder andere Datendarstellungen enthalten, die implizite Beziehungen in den verschiedenen Datensätzen identifizieren können.
In einigen Fällen ist eine Big-Data-Anwendung in einem Big-Data-Anbieterknoten enthalten oder ist mit einem Big-Data-Anbieter in einem gleichen Knoten oder Gerät gleichzeitig vorhanden. In solchen Fällen wird die Big-Data-Anwendung als „eingebettete Big-Data-Anwendung“ bezeichnet, da die Anwendung in den Anbieterknoten oder das Gerät eingebettet ist und mit den Big-Data arbeitet, die vom gleichzeitig vorhandenen Big-Data-Anbieter empfangen, gesammelt oder generiert wurden. In einem Beispiel analysiert eine eingebettete Big-Data-Anwendung Big-Data, die lokal generiert und/oder von dem Big-Data-Anbieterknoten bereitgestellt wurden, an dem die eingebettete Big-Data-Anwendung sich befindet, um Wissen zu entdecken oder in Erfahrung zu bringen. Dieses in Erfahrung gebrachte Wissen kann in der eingebetteten Big-Data-Anwendung gespeichert werden, von der eingebetteten Big-Data-Anwendung lokal verwendet werden, und/oder als Big-Data für/an andere Big-Data-Knoten, z. B. Big-Data-Empfängerknoten, bereitgestellt oder übertragen werden. Beschreibungen eingebetteter Big-Data-Anwendungen, die mit einer oder allen der in diesem Dokument beschriebenen Techniken verwendet werden können, können zum Beispiel im oben genannten US-Patent mit der Anmeldungsnummer 14/212,493 gefunden werden, obwohl andere geeignete eingebettete Big-Data-Anwendungen mit einer oder allen in diesem Dokument beschriebenen Techniken verwendet werden können. Weiter wird angemerkt, dass in Ausführungsformen, bei denen ein Big-Data-Anbieterknoten eine eingebettete Big-Data-Anwendung enthält, der Cache des Big-Data-Anbieterknotens in der Größe reduziert oder weggelassen werden kann, da die eingebettete Big-Data-Anwendung lokale Datenspeicherfähigkeiten bereitstellt.
In einigen Fällen kann eine Big-Data-Anwendung ein eigenständiger Big-Data-Knoten des Big-Data-Netzwerks zur Prozesssteuerung 100 sein. Das heißt, dass in diesen Fällen eine Big-Data-Anwendung nicht in einem Big-Data-Anbieterknoten eingebettet oder zusammen mit diesem vorhanden ist. Daher muss ein Big-Data-Knoten zur Prozesssteuerung, der eine Big-Data-Anwendung enthält, nicht unbedingt selbst ein Anbieter von Big-Data sein.
2 stellt ein vereinfachtes Blockdiagramm einer beispielhaften Big-Data-Anwendung 114 bereit, wobei Beispiele davon im Big-Data-Netzwerk zur Prozesssteuerung 100 der 1 enthalten sein können. Bezug nehmend auf 2 enthält die beispielhafte Big-Data-Anwendung 114 einen Big-Data-Speicherbereich 120 zum Historisieren oder Speichern empfangener Big-Data, einen oder mehrere Big-Data-Anwendungsempfänger 122, und einen oder mehrere Big-Data-Anwendungsanfrage-Servicer 124. Jeder der Big-Data-Anwendungsempfänger 122 ist konfiguriert, dass er über eine oder mehrere Netzwerkschnittstellen (z. B. zu einem Big-Data-Netzwerk zur Prozesssteuerung) Big-Data-Pakete (die von einem anderen Knoten gestreamt werden können und/oder von einem Big-Data-Knoten, auf dem sich die Anwendung 114 befindet, generiert werden können) empfängt, die Datenpakete verarbeitet, um die darin enthaltenen wesentlichen Daten und Zeitstempel abzurufen, und die wesentlichen Daten und Zeitstempel im Big-Data-Speicherbereich 120 der Anwendung 114 z. B. als Zeitreihendaten und optional auch als Metadaten speichert. Der Big-Data-Speicherbereich 120 kann mehrere lokale und/oder remote physische Datenlaufwerke oder Speichereinheiten umfassen, wie RAID-Speicher (redundante Anordnung unabhängiger Festplatten), Festkörperspeicher, Cloud-Speicher, Datenspeicher mit hoher Speicherdichte und/oder jede andere geeignete Datenspeichertechnologie, die für die Datenbank- oder Datenzentrum-Speicherung geeignet ist, und die das Auftreten eines einzelnen oder einheitlichen logischen Datenspeicherbereichs oder einer Einheit zu anderen Knoten hat. Weiter ist jeder der Big-Data-Anwendungsanfrage-Servicer 124 konfiguriert, um auf im Big-Data-Anwendungsspeicherbereich 120 gespeicherte Zeitreihendaten und/oder Metadaten zuzugreifen, z. B. per Anfrage einer anfragenden Einheit oder Anwendung.
In einigen Fällen enthält eine Big-Data-Anwendung 114 einen oder mehrere Big-Data-Analysatoren 126 zum Durchführen jeweiliger Datenanalytiken und/oder in Erfahrung bringen von zumindest Teilen der gespeicherten Big-Data, typischerweise auf automatische und/oder unabhängige Weise ohne Einsatz von Nutzereingaben zum Initiieren und/oder Durchführen der Erfahrungsanalyse. Zum Beispiel kann die Datenanalytik und/oder das in Erfahrung bringen auf eine Weise wie vorstehend besprochen, auf eine Weise wie in der oben genannten US-Anmeldungsnummer 62/060,408 (Aktenzeichen des Bevollmächtigten 06005/593085P) mit dem Titel „DATA PIPELINE FOR PROCESS CONTROL SYSTEM ANALYTICS“ besprochen oder auf andere geeignete Weise durchgeführt werden. In einer Ausführungsform führen die Big-Data-Analysatoren 126 individuell oder kollektiv eine Datenanalyse im großen Maßstab an den gespeicherten Daten durch (z. B. Daten-Mining, Datenentdeckung usw.), um neue Informationen oder Wissen zu entdecken, erkennen oder in Erfahrung zu bringen. Zum Beispiel beinhaltet das Daten-Mining im Allgemeinen den Prozess des Untersuchens von großen Mengen an Daten, um neue oder zuvor unbekannte interessante Daten oder Muster wie ungewöhnliche Aufzeichnungen oder mehrere Gruppen an Datenaufzeichnungen zu extrahieren. Die Big-Data-Analysatoren 126 können auch eine Datenanalyse im großen Maßstab an den gespeicherten Daten durchführen (z. B. maschinelle Erfahrungsanalyse, Datenmodellierung, Mustererkennung, Vorhersageanalyse, Korrelationsanalyse usw.), um implizite Beziehungen oder Inferenzen in den gespeicherten Daten vorherzusagen, zu berechnen oder zu identifizieren. In einer Ausführungsform können mehrere Big-Data-Analysatoren 126 (und/oder mehrere Instanzen von zumindest einem Big-Data-Analysator 126) parallel und/oder kooperativ arbeiten, um die im Big-Data-Speicherbereich 120 der Anwendung 114 gespeicherten Daten zu analysieren. Weiter können die mehreren Big-Data-Analysatoren 126 errechnete Parameter und Modellinformationen untereinander als eine Art kooperativer Datenanalytik und Erfahrung teilen, austauschen oder weiterleiten. Die mehreren Big-Data-Analysatoren 126 können an einem gleichen Big-Data-Knoten zusammen vorhanden sein oder können an verschiedenen Big-Data-Knoten vorhanden sein. Ein Beispiel für eine kooperative Datenanalytik, die mit einer oder allen der in diesem Dokument beschriebenen Techniken verwendet werden kann, ist in der oben genannten US-Anmeldungsnummer 62/060,408 (Aktenzeichen des Bevollmächtigten 06005/593085P) mit dem Titel „DATA PIPELINE FOR PROCESS CONTROL SYSTEM ANALYTICS“ vorhanden, obwohl jede geeignete kooperative Datenanalytiktechnik oder -techniken mit einem oder allen Aspekten der vorliegenden Offenbarung verwendet werden kann/können.
In einer Ausführungsform ist zumindest ein Teil der Big-Data-Empfänger 122, der Big-Data-Anwendungsanfrage-Servicer 124 und/oder der Big-Data-Analysatoren 126 an einem oder mehreren integrierten Schaltkreisen, Halbleitern, Chips oder anderer geeigneter Hardware enthalten oder umgesetzt. Zum Beispiel kann ein Big-Data-Analysator 126, der eine Spektralanalyse durchführt, von einem integrierten Schaltkreischip umgesetzt werden, der in einem Big-Data-Knoten enthalten ist, wie in der oben genannten US-Anmeldung 14/507,252 (Aktenzeichen des Bevollmächtigten 06005/593086) mit dem Titel „AUTOMATIC SIGNAL PROCESSING-BASED LEARNING IN A PROCESS PLANT“ beschrieben. In einer Ausführungsform umfasst zumindest ein Teil der Big-Data-Empfänger 122, der Big-Data-Anwendungsanfrage-Servicer 124 und/oder der Big-Data-Analysatoren 126 vom Computer durchführbare Anweisungen, die in einem Speicher gespeichert sind und von einem auf der Big-Data-Anwendung 114 laufenden Prozess durchführbar sind. Zum Beispiel umfassen zumindest einige Teile der Big-Data-Anwendungsempfänger 122, der Big-Data-Anwendungsanfrage-Servicer 124 und/oder der Big-Data-Anwendungsanalysatoren 126 jeweilige vom Computer durchführbare Anweisungen, die in einem oder mehreren nicht-flüchtigen, greifbaren Speichern oder Datenspeichergeräten gespeichert sind und von einem oder mehreren Prozessoren zur Durchführung einer oder mehrerer ihrer jeweiligen Big-Data-Funktionen durchführbar sind.
In einigen Ausführungsformen sind die Big-Data-Analysatoren 126 nicht in einer Big-Data-Anwendung 114 enthalten, sondern sind stattdessen zusammen mit der Big-Data-Anwendung 114 an einem gleichen Big-Data-Knoten vorhanden und kommunikativ mit der Big-Data-Anwendung 114 verbunden. Zum Beispiel kann die Big-Data-Anwendung 114, einschließlich des Speicherbereichs 120, der Empfänger 122 und der Servicer 124, von einem ersten Satz an vom Computer ausführbaren Anweisungen ausgeführt werden, und die Big-Data-Analysatoren 126 können von einem Halbleiterchip oder von einem zweiten Satz an vom Computer ausführbaren Anweisungen, die in den gleichen nicht-flüchtigen, greifbaren Speichern oder Datenspeichergeräten als der erste Satz an vom Computer ausführbaren Anweisungen gespeichert sein können oder nicht, ausgeführt werden. In einigen Ausführungsformen sind die Big-Data-Analysatoren 126 nicht in einer Big-Data-Anwendung 114 enthalten und sind nicht zusammen mit der Big-Data-Anwendung 114 an einem gleichen Big-Data-Knoten vorhanden, aber trotzdem kommunikativ mit der Big-Data-Anwendung 114 verbunden. Beschreibungen verschiedener Arten an beispielhaften Big-Data-Anwendungen und ihrer Komponenten, die mit einer oder allen der in diesem Dokument beschriebenen Techniken verwendet werden können, können in den oben genannten Patenten mit den Anmeldungsnummern 13/784,041, 14/174,413 und 14/212,493 gefunden werden, obwohl anzumerken ist, dass eine oder alle der in diesem Dokument beschriebenen Techniken mit anderen geeigneten Big-Data-Anwendungen verwendet werden kann/können.
Erneut zurückkehrend zu 1 kann das Big-Data-Netzwerk zur Prozesssteuerung 100 Big-Data-Anbieterknoten zur Prozesssteuerung 102–110 enthalten, die auf/in verschiedenen Ebenen, Stufen oder Reihenfolgen in Bezug auf Daten erster Ordnung oder primäre Daten, die sich auf den Prozess beziehen, arbeiten, die direkt von Prozesssteuerungsgeräten wie Steuerungen, I/O-Geräten, Feldgeräten usw. generiert, weitergeleitet und/oder verwendet werden. In/auf der niedrigsten Reihenfolge, Stufe oder Ebene sind „lokale“ Big-Data-Anbieterknoten oder Geräte 102a–102n, die am nächsten zum Prozess arbeiten, um primäre Prozess-Big-Data zu sammeln, generieren, beobachten und/oder weiterzuleiten, die sich auf die Eingabe, den Betrieb und die Ausgabe von Prozessgeräten und Ausstattung in der Prozessanlage 10 beziehen. Als solche sind „lokale Big-Data-Anbieterknoten oder Geräte“ 102a–102n typischerweise Knoten und/oder Geräte, die primäre Prozesssteuerungsdaten generieren, weiterleiten und/oder empfangen, um dem einen oder den mehreren Prozessen zu ermöglichen, in Echtzeit in der Prozessanlage 10 gesteuert zu werden. Beispiele für lokale Big-Data-Anbieterknoten 102a–102n enthalten Geräte, deren primäre Funktion an das Generieren von und/oder Arbeiten mit Prozesssteuerungsdaten zur Steuerung eines Prozesses gerichtet ist, z. B. verdrahtete und drahtlose Feldgeräte, Steuerungen und I/O.Geräte. Diese Prozesssteuerungsgeräte können auf verteilte Weise kommunikativ miteinander und/oder mit einem oder mehreren Prozesssteuerungskommunikationsnetzwerken verbunden sein. Zum Beispiel ist/sind ein oder mehrere Feldgeräte kommunikativ mit einem oder mehreren I/O-Geräten verbunden, die wiederum kommunikativ mit einer oder mehreren Steuerungen verbunden sind, die wiederum kommunikativ an ein oder mehrere Prozesssteuerungskommunikationsnetzwerke gekoppelt sind (z. B. HART^®, WirelessHART^®, Big-Data zur Prozesssteuerung, FOUNDATION^®-Feldbus usw.).
Andere Beispiele für lokale Big-Data-Anbieterknoten 102a–102n enthalten Geräte, deren primäre Funktion das Bereitstellen von Zugriff auf oder das Routen von primäre(n) Prozessdaten durch ein oder mehrere Kommunikationsnetzwerke des Prozesssteuerungssystems 10 ist (das das Big-Data-Netzwerk zur Prozesssteuerung 100 und/oder andere Kommunikationsnetzwerke enthalten kann). Beispiele für solche Arten an lokalen Big-Data-Anbieterknoten 102a–102n enthalten Zugriffspunkte, Router, Schnittstellen zu verdrahteten Steuerungsbussen, Gateways zu drahtlosen Kommunikationsnetzwerken, Gateways zu externen Netzwerken oder Systemen und andere solche Routing- und Networking-Systeme. Noch andere Beispiele für lokale Big-Data-Anbieterknoten 102a–102n enthalten Geräte wie Historian-Geräte, die konfiguriert sind, um Big-Data durchweg im Prozesssteuerungssystem 10 temporär zu speichern, z. B. als Overflow-Cache, Zwischenstation oder Routing-Queue.
In einigen Fällen enthält ein lokaler Big-Data-Anbieterknoten eine jeweilige lokale Big-Data-Anwendung, wie in 1 durch die Knoten 102a, 102n dargestellt, die jeweils die eingebetteten Big-Data-Anwendungen 112a, 112n enthalten. Jede lokale, eingebettete Big-Data-Anwendung 112a, 112n empfängt und speichert jeweilige lokale Big-Data, bereitgestellt von ihrem jeweiligen Anbieter 102a, 102n. Weiter können in einigen lokalen Big-Data-Anbieterknoten, wie im Knoten 102a, eine oder mehrere Analytikfunktionen, -routinen, -vorgänge oder -prozesse (dargestellt durch das eingekreiste A₁) an zumindest einigen der in der Anwendung 112a gespeicherten lokalen Big-Data durchgeführt werden. In einer Ausführungsform werden die Analytiken A₁ von einem oder mehreren der Big-Data-Analysatoren 126 der 2 durchgeführt. Die in Erfahrung gebrachten Informationen, Erkenntnisse und/oder die Ergebnisse der einen oder mehreren Analytiken A₁ können auch in der lokalen Big-Data-Anwendung 112a gespeichert werden, und zumindest einige der in Erfahrung gebrachten Informationen oder Ergebnisse können einem anderen Big-Data-Knoten 106a bereitgestellt werden. Zum Beispiel führt ein lokaler Big-Data-Anbieterknoten, der in einer Steuerung enthalten oder daran gekoppelt ist, eine Frequenzanalyse oder andere signalverarbeitende Analyse am Ausgabesignal der Steuerung durch (wie in der oben genannten US-Anmeldungsnummer 14/507,252 (Aktenzeichen des Bevollmächtigten 06005/593086) mit dem Titel „AUTOMATIC SIGNAL PROCESSING-BASED LEARNING IN A PROCESS PLANT“ beschrieben), und der lokale Big-Data-Anbieterknoten überträgt die Ergebnisse der Analyse an einen anderen Big-Data-Knoten.
Einige lokale Anbieterknoten, z. B. wie durch den Knoten 102n dargestellt, enthalten eine jeweilige lokale, eingebettete Big-Data-Anwendung 112n zum Sammeln und Historisieren lokaler Big-Data, jedoch führt die residente Anwendung 112n eine minimale oder keine Analytik durch. Als solcher streamt der Knoten 102n lediglich lokal gespeicherte Big-Data zu einem anderen Knoten 106b (oder überträgt anderweitig, z. B. auf Anfrage oder zu geeigneten Zeiten), z. B. zur analytischen Verarbeitung oder zum weiteren Weiterleiten. Einige lokale Big-Data-Knoten, z. B. der Knoten 102b, enthalten überhaupt keine Big-Data-Anwendung. Solche Knoten 102b können in Echtzeit oder mit Hilfe eines Caches lokal beobachtete Big-Data zu einem oder mehreren anderen Big-Data-Knoten 102a, 106b streamen.
Verschiedene Arten an Echtzeitdaten, wie prozessbezogene Daten, anlagenbezogene Daten und andere Arten an Daten, können als Big-Data von den Big-Data-Anbieterknoten oder Geräten 102a–102n gecacht, gesammelt, gespeichert, übertragen und/oder gestreamt werden. Beispiele für prozessbezogene Daten enthalten kontinuierliche, Batch-, Mess- und Ereignisdaten, die generiert werden, während ein Prozess in der Prozessanlage 10 gesteuert wird (und in einigen Fällen ein Ereignis einer Echtzeitdurchführung des Prozesses angeben). Weiter können prozessbezogene Daten Prozessdefinitionen, Anordnungs- oder Aufstellungsdaten wie Konfigurationsdaten und/oder Batch-Rezept-Daten, Daten, die der Konfiguration, Ausführung und Ergebnissen der Prozessdiagnose entsprechen, usw. enthalten.
Anlagenbezogene Daten, wie Daten, die sich auf die Prozessanlage 10 beziehen, die aber nicht von Anwendungen generiert werden können, die einen Prozess in der Prozessanlage 10 direkt konfigurieren, steuern oder diagnostizieren, können ebenfalls als Big-Data von den Big-Data-Anbieterknoten 102a–102n gecacht, gesammelt, gespeichert, übertragen und/oder gestreamt werden. Beispiele für anlagenbezogene Daten enthalten Vibrationsdaten, Kondensatableiterdaten, Daten, die einen Wert eines Parameters angeben, der der Anlagensicherheit entspricht (z. B. Korrosionsdaten, Gaserkennungsdaten usw.), Daten, die ein Ereignis angeben, das der Anlagensicherheit entspricht, Daten, die der Gesundheit von Maschinen entsprechen, Daten, die Vermögenswerten in der Anlage wie Anlagenausstattung und/oder Geräten entsprechen, Daten, die der Konfiguration, Ausführung und den Ergebnissen der Ausstattungs-, Maschinen- und/oder Gerätediagnose entsprechen, und Daten, die für die Diagnose und Prognose nützlich sind.
Weiter können andere Arten an Daten, darunter Datenautobahnverkehr und Netzwerkmanagementdaten, bezogen auf den Big-Data-Backbone zur Prozesssteuerung und von verschiedenen Kommunikationsnetzwerken der Prozessanlage 10, nutzerbezogene Daten wie Daten, die sich auf den Nutzerverkehr, Einloggversuche und Anweisungen beziehen, Textdaten (z. B. Protokolle, Betriebsverfahren, Anleitungen usw.), räumliche Daten (z. B. standortbasierte Daten) und Multimediadaten (z. B. Videoüberwachung, Videoclips usw.) als Big-Data von den Big-Data-Anbieterknoten 102a–102n gecacht, gesammelt, gespeichert, übertragen und/oder gestreamt werden.
In einigen Ausführungsformen können dynamische Mess- und Steuerungsdaten als Big-Data von den Big-Data-Anbieterknoten 102a–102n automatisch gecacht, gesammelt, gespeichert, übertragen und/oder gestreamt werden. Beispiele für dynamische Mess- und Steuerungsdaten enthalten Daten, die Änderungen eines Prozessbetriebs spezifizieren, Daten, die Änderungen der Betriebsparameter wie Sollwerte, Aufzeichnungen von Prozess- und Hardwarewarnungen und Ereignissen wie Downloads oder gescheiterte Kommunikation usw. spezifizieren. Außerdem können statische Daten wie Steuerungskonfigurationen, Batch-Rezepte, Warnungen und Ereignisse standardmäßig automatisch gesammelt werden, wenn eine Änderung erkannt wird oder wenn eine Steuerung oder andere Einheit anfänglich dem Big-Data-Netzwerk 100 hinzugefügt wird.
Außerdem werden in einigen Szenarien zumindest einige statische Metadaten, die dynamische Steuerungs- und Messdaten beschreiben oder identifizieren, in den Big-Data-Anbieterknoten 102a–102n festgehalten, wenn eine Änderung der Metadaten erkannt wird. Wenn zum Beispiel eine Änderung an der Steuerungskonfiguration vorgenommen wird, die sich auf die Mess- und Steuerungsdaten in Modulen oder Einheiten auswirkt, die von der Steuerung gesendet werden müssen, dann wird eine Aktualisierung der assoziierten Metadaten automatisch von den Big-Data-Anbieterknoten 102a–102n festgehalten. Zusätzlich oder alternativ können Parameter, die mit speziellen Modulen assoziiert werden, die zum Puffern von Daten von externen Systemen oder Quellen (z. B. Wettervorhersagen, öffentliche Ereignisse, Unternehmensentscheidungen usw.), Überwachungsdaten und/oder anderen Arten von Beobachtungsdaten verwendet werden, automatisch von den Big-Data-Anbieterknoten 102a–102n festgehalten werden.
In einigen Situationen werden hinzugefügte Parameter, die von Endnutzern erstellt wurden, automatisch in den Big-Data-Anbieterknoten 102a–102n festgehalten. Zum Beispiel kann ein Endnutzer eine spezielle Berechnung in einem Modul erstellen oder kann einer Einheit einen Parameter hinzufügen, der gesammelt werden muss, oder der Endnutzer möchte möglicherweise einen standardmäßigen diagnostischen Steuerungsparameter sammeln, der nicht standardmäßig kommuniziert wird. Parameter, die der Endnutzer optional konfiguriert, können auf die gleiche Weise wie die Standardparameter kommuniziert werden.
Wieder Bezug nehmend auf 1 kann auf einer oder mehreren Ebenen oder Stufen über den lokalen Big-Data-Knoten 102a–102n das Big-Data-Netzwerk zur Prozesssteuerung 100 einen oder mehrere regionale Big-Data-Knoten 106a–106m enthalten. Um regionale Big-Data auszuführen, kann die Prozessanlage oder das Prozesssteuerungssystem 10 als eine Vielzahl von verschiedenen Bereichen oder Regionen aufweisend betrachtet werden, die auf/nach jede(r) gewünschte Weise und/oder Gruppierung dargestellt werden können, wie geographisch, physikalisch, funktional, logisch usw. In einem illustrativen, aber nicht einschränkenden Beispiel kann eine Prozessanlage eine erste Region, die Rohstoffe empfängt und ein erstes Zwischenprodukt produziert, eine zweite Region, die andere Rohstoffe empfängt und ein zweites Zwischenprodukt produziert und eine dritte Region, die die ersten und zweiten Zwischenprodukte empfängt, um ein Ausgabeprodukt zu produzieren, aufweisen. Jede dieser drei verschiedenen beispielhaften Regionen kann von einem jeweiligen „regionalen“ Big-Data-Knoten 106a, 106b, 106m bedient werden, um mit Big-Data zu arbeiten, die von seiner jeweiligen Region produziert wurden. Entsprechend stellt ein „regionaler Big-Data-Knoten“ Big-Data-Unterstützung und Dienste für Daten bereit, die von einer jeweiligen Gruppierung oder Region an lokalen Big-Data-Anbieterknoten 102 und in einigen Fällen von anderen Big-Data-Anbieterknoten 104 generiert und/oder bereitgestellt werden. Andere Big-Data-Anbieterknoten 104 können zum Beispiel Big-Data-Knoten, die extern zur Region der Anlage 10 sind (z. B. ein tragbares Diagnosegerät oder ein Offline-Simulator), Nutzerschnittstellengeräte 130 oder Datenquellen, die extern zur Prozessanlage 10 zusammen sind, enthalten (z. B. ein Computergerät eines Materiallieferanten, ein Feed, der eine Wettervorhersage bietet, usw.).
Wie in 1 gezeigt, kann eine jeweilige von einem regionalen Big-Data-Knoten 106a–106m bediente Gruppierung oder Region einen oder mehrere Big-Data-Anbieterknoten 102a–102n und/oder andere Big-Data-Knoten 104 umfassen, die auf einige oder zumindest eine von einer geographischen, physikalischen, funktionalen, logischen oder anderen gewünschten Weise verwandt sind. Zum Beispiel bedient der regionale Big-Data-Knoten 106a eine Region einschließlich der lokalen Big-Data-Anbieterknoten 102a und 102b, und der regionale Big-Data-Knoten 106b bedient eine Region einschließlich der lokalen Big-Data-Knoten 102b und 102n sowie einen anderen Big-Data-Knoten 104. Die bestimmten in einer bestimmten Region enthaltenen Knoten 102, 104 können Daten zum Zwecke der/des regionalen Big-Data-Speicherung, -Zugriffs und/oder -Analyse an ihren jeweiligen regionalen Big-Data-Knoten 106 streamen oder liefern. Weiter kann jeder der Big-Data-Anbieterknoten 102a–102n und/oder die anderen Big-Data-Knoten 104 mit einem bestimmten regionalen Big-Data-Knoten 106a–106m kommunizieren, um regional verfügbare Dienste anzufordern und/oder auf darin gespeicherte regionale Big-Data und Metadaten zuzugreifen, egal, ob solche anfragenden Knoten in der bestimmten Region des bestimmten regionalen Big-Data-Knotens 106a–106m enthalten sind oder nicht.
Entsprechend enthält jeder regionale Big-Data-Knoten 106a–106m eine jeweilige regionale Big-Data-Anwendung 116a–116m, über die Big-Data empfangen, als regionale Big-Data gespeichert und aufgerufen oder angefordert werden. Weiter enthält jeder regionale Big-Data-Knoten 106a–106m typischerweise eine oder mehrere Analytikfunktionen, -routinen, -vorgänge oder -prozesse (z. B. A₂ – A_w), die individuell und/oder kooperativ mit zumindest einigen der regionalen Big-Data arbeiten können. Zum Beispiel kann die regionale Big-Data-Anwendung 116b lokale Big-Data von lokalen Anbieterknoten 102b, 102n empfangen, die konfiguriert sind, um den Fluss einer Flüssigkeit durch einen Teil oder eine Region der Prozessanlage 10 kooperativ zu steuern, und der Knoten 106b kann einen Analytikprozess A₄ an zumindest einigen der empfangenen Daten durchführen, um eine durchschnittliche Transportverzögerung der Flüssigkeit innerhalb des Teils oder der Region der Prozessanlage zu bestimmen. Die Ergebnisse der Analytik A₄ können dann als zusätzliche regionale Big-Data in der regionalen Big-Data-Anwendung 116b gespeichert oder historisiert werden. In einer Ausführungsform wird jede der Analytiken A₂ – A_w von einem oder mehreren Big-Data-Analysatoren 126 der 2 durchgeführt, die an dem jeweiligen Big-Data-Knoten vorhanden sind.
In einigen Situationen kommunizieren die regionalen Big-Data-Knoten oder Geräte 106a–106m empfangene oder generierte Big-Data, in Erfahrung gebrachte(s) Wissen oder Informationen, und/oder Analytikergebnisse mit einem anderen regionalen Big-Data Knoten 106a–106m, z. B. als Peers. In der Darstellung der Fortsetzung des obigen Beispiels empfängt der regionale Big-Data-Knoten 116a in Erfahrung gebrachte Informationen, die durch die vom regionalen Big-Data-Knoten 106b durchgeführte Analytikanalyse A₄ generiert worden sind. Anschließend kann der regionale Big-Data-Knoten 106a dann in Zusammenhang mit den von den lokalen Big-Data-Knoten 102a, 102b empfangenen lokalen Big-Data innerhalb seiner eigenen Region eine oder mehrere jeweilige regionale Analytiken A₂, A₃ an zumindest einem Teil der vom Peer bereitgestellten in Erfahrung gebrachten Informationen des Knotens 106b durchführen. Die Analytiken A₂, A₃ können wiederum zusätzliche regionale Big-Data zum Historisieren in der regionalen Big-Data-Anwendung 116a und/oder zum Bereitstellen für andere Big-Data-Knoten 106b, 106c, 108 generieren. Als solcher kann ein regionaler Big-Data-Knoten 106a–106m, da ein regionaler Big-Data-Knoten 106a–106m in einigen Szenarien regionale Big-Data erzeugen kann (z. B. basierend auf den Ergebnissen oder Erfahrungen einer residenten Analytik, die dadurch durchgeführt wurde), auch als regionaler Big-Data-Anbieterknoten agieren.
Das Gruppieren der Big-Data-Anbieterknoten 102a–102n unter jeweiligen regionalen Big-Data-Knoten kann auf jede gewünschte Weise wie geographisch, physikalisch, funktional, logisch usw. durchgeführt werden. Zum Beispiel kann in einem illustrativen, aber nicht einschränkenden Beispiel ein Prozess in der Prozessanlage 10 ein bestimmtes Produkt basierend auf zwei Zwischenprodukten produzieren. Als solcher kann der lokale Big-Data-Anbieterknoten 102a einen ersten Steuerungskreis darstellen, der das erste Zwischenprodukt produziert, und der lokale Big-Data-Anbieterknoten 102b kann einen zweiten Steuerungskreis darstellen, der das zweite Zwischenprodukt produziert. Daher können alle Prozesssteuerungsdaten, die von den zwei Steuerungskreisen 102a, 102b generiert, gesammelt, empfangen oder anderweitig beobachtet werden, zum Historisieren, Speichern und Analysieren an den regionalen Big-Data-Knoten 106a übertragen werden.
Auf ähnliche Weise kann der regionale Big-Data-Knoten 106b Daten von seiner jeweiligen Gruppe an Big-Data-Anbieterknoten empfangen und analysieren. Zum Beispiel kann der regionale Big-Data-Knoten 106b für das Analysieren der Big-Data entsprechend der Produktion eines anderen Produkts, das auf Zwischenprodukten von jedem der Big-Data-Anbieterknoten 102b, 102n in Verbindung mit von anderen Quellen 104 bereitgestellten Big-Data basiert, verantwortlich sein.
Am regionalen Big-Data-Knoten 106a können die empfangenen Big-Data analysiert werden (z. B. durch Verwendung einer oder mehrerer Analytikfunktionen oder Prozesse A₂, A₃), um über Zeit und/oder über zumindest einige der verschiedenen Datensätze in Erfahrung gebrachtes Wissen zu erzeugen oder zu generieren. Zum Beispiel kann eine bestimmte Kombination an Ereignissen in den zwei Steuerungskreisen 102a, 102b zu schlechter Produktqualität führen, wenn das bestimmte Produkt schließlich hergestellt wird. Um die Grundursachen für die schlechte Produktqualität zu bestimmen, analysiert der regionale Big-Data-Knoten 106a von der Kombination an Ereignissen während des oder direkt nach dem Auftreten(s) generierte Daten (z. B. wenn die Daten, die dem Auftreten der Ereignisse entsprechen, am regionalen Big-Data-Knoten 106a empfangen werden). Der regionale Big-Data-Knoten 106a kann in Erfahrung gebrachtes Wissen generieren, das die schlechte Produktqualität basierend auf dem Auftreten dieser Ereignisse vorhersagt und/oder kann einen oder mehrere Parameter in Echtzeit automatisch anpassen oder ändern, um die Auswirkungen der Kombination an Ereignissen abzuschwächen, falls und wenn sie in der Zukunft eintreten. Zum Beispiel kann der regionale Big-Data-Knoten 106a einen überarbeiteten Sollwert oder überarbeitete Parameterwerte bestimmen, um die zwei Steuerungskreise 102a, 102b besser zu regulieren und verwalten.
Allgemein analysiert jeder regionale Big-Data-Knoten 106a–106m (oder seine jeweilige Big-Data-Anwendung 116a–116m) Daten aus seiner jeweiligen Gruppe oder Region an Big-Data-Anbieterknoten, um bedeutende Muster, Korrelationen, Entwicklungen usw. zu bestimmen. Die in Erfahrung gebrachten Muster, Korrelationen, Entwicklungen usw. werden dann in den jeweiligen regionalen Big-Data-Anwendungen 116a–116m als in Erfahrung gebrachtes Wissen gespeichert. Der Begriff „in Erfahrung gebrachtes Wissen“ oder „Erfahrungen“ wie in diesem Dokument verwendet bezieht sich allgemein auf Daten, Dienste, Funktionen, Routinen und/oder Anwendungen, die als Ergebnis einer oder mehrerer an Big-Data durchgeführten Analysen generiert werden. Weiter kann jeder regionale Big-Data-Knoten 106a–106m (oder seine jeweilige Big-Data-Anwendung 116a–116m) basierend auf dem anfangs in Erfahrung gebrachten Wissen eine(n) neue(n) Dienst, Funktion, Routine oder Anwendung bestimmen oder definieren, welche(r) wiederum als weiteres in Erfahrung gebrachtes Wissen gespeichert wird (und/oder eine(n) vorhandene(n) Dienst, Funktion, Routine oder Anwendung modifizieren).
Regionale Big-Data-Knoten 106a–106m können für geschichtete oder abgestufte Erfahrungen verwendet werden. Zum Beispiel kann/können ein oder mehrere regionale Big-Data-Knoten ihr in Erfahrung gebrachtes Wissen und/oder gespeicherten Daten an einen vorgelagerten Big-Data-Knoten übertragen, der mehrere Regionen überwacht oder bedient. Wie in 1 gezeigt, empfängt ein regionaler Big-Data-Knoten 106c in Erfahrung gebrachtes Wissen und/oder Daten von den regionalen Big-Data-Knoten 106a und 106b und der Knoten 106c historisiert die empfangenen Big-Data in seiner jeweiligen eingebetteten Anwendung 116c. Der regionale Big-Data-Knoten 106c kann weitere Analysen oder Erfahrungen an zumindest einigen des/der empfangenen in Erfahrung gebrachten Wissens und/oder Daten durchführen (z. B. durch Verwendung einer oder mehrerer der Analytikfunktionen A₈ – A_w), um zusätzliches in Erfahrung gebrachtes Wissen zu generieren (z. B. Datenmuster, Entwicklungen, Korrelationen, usw., Dienste, Funktionen, Routinen und/oder Anwendungen), die wiederum als zusätzliche regionale Big-Data in der eingebetteten Anwendung 116c gespeichert und/oder anderen Big-Data-Knoten 106a, 106b, 108 zur Verfügung gestellt werden können.
In einer Ausführungsform werden geschichtete oder abgestufte Erfahrungen auf einer Basis von oben nach unten durchgeführt. In einem illustrativen, aber nicht einschränkenden Beispiel analysiert ein regionaler Big-Data-Knoten 106a von seiner jeweiligen Gruppe an lokalen Big-Data-Anbieterknoten 102a, 102b empfangene Daten, um zu bestimmen, ob seine „Region“ korrekt funktioniert. Das Wissen, das der regionale Big-Data-Knoten 106a durch seine Analyse in Erfahrung bringt, kann dazu führen, dass der regionale Big-Data-Knoten 106a eine neue Diagnoseroutine generiert (z. B. eine in Erfahrung gebrachte Routine). Der regionale Big-Data-Knoten 106a kann die generierte Diagnoseroutine an einen vorgelagerten Big-Data-Knoten 106c zum Speichern, Nutzen und/oder Aufrufen übertragen. Der regionale Big-Data-Knoten 106a kann unabhängig das Teilen der neuen Diagnoseroutine mit dem vorgelagerten regionalen Big-Data-Knoten 106c initiieren (z. B. automatisch wie generiert oder auf einer regelmäßigen Basis), oder der regionale Big-Data-Knoten 106a kann bewirken, dass die neue Diagnoseroutine übertragen wird, wenn der vorgelagerte regionale Big-Data-Knoten 106c den regionalen Big-Data-Knoten 106a auffordert, eine oder mehrere Arten des neuen in Erfahrung gebrachten Wissens zu teilen.
In einer Ausführungsform werden geschichtete oder abgestufte Erfahrungen auf einer Basis von unten nach oben durchgeführt. In der Darstellung der Fortsetzung des obigen Beispiels kann der vorgelagerte regionale Big-Data-Knoten 106c die empfangene Diagnoseroutine analysieren und bestimmen, dass die Diagnoseroutine für andere regionale Big-Data-Knoten (z. B. den regionalen Big-Data-Knoten 106b) nützlich oder anwendbar ist. Entsprechend kann der vorgelagerte regionale Big-Data-Knoten 106c die Diagnoseroutine an den regionalen Big-Data-Knoten 106b verteilen, sodass der regionale Big-Data-Knoten 106b und/oder einer der lokalen Anbieterknoten 102a, 102n, 104 in seiner Region dazu in der Lage ist, die Diagnoseroutine für seine jeweiligen Diagnosezwecke zu verwenden. Der vorgelagerte regionale Big-Data-Knoten 106c kann unabhängig das Teilen der neuen Diagnoseroutine mit dem regionalen Big-Data-Knoten 106b initiieren, oder der vorgelagerte regionale Big-Data-Knoten 106c kann bewirken, dass die neue Diagnoseroutine auf Aufforderung des regionalen Big-Data-Knotens 106b übertragen wird. Alternativ oder zusätzlich kann der vorgelagerte regionale Big-Data-Knoten 106c durch Aggregieren und Analysieren von in Erfahrung gebrachtem Wissen, das er von allen regionalen Big-Data-Knoten empfangen hat, die er überwacht, bedient und/oder mit denen er verbunden ist, eine allgemeine Diagnoseroutine generieren. In diesem Szenario verteilt der vorgelagerte regionale Big-Data-Knoten 106c die allgemeine Diagnoseroutine an einen oder alle seiner regionalen Big-Data-Knoten, z. B. automatisch wie generiert oder auf einer regelmäßigen Basis, auf Anfrage eines bestimmten regionalen Big-Data-Knotens, wenn der vorgelagerte regionale Big-Data-Knoten 106c Daten von einem regionalen Big-Data-Knoten empfängt, der angibt, dass die allgemeine Diagnose nützlich sein kann, oder aus einem anderen Grund. Anschließend und auf ähnliche Weise kann jeder dem regionalen Big-Data-Knoten 106c nachgelagerte regionale Big-Data-Knoten die allgemeine Diagnoseroutine an eine beliebige Anzahl der lokalen Big-Data-Anbieter in seiner jeweiligen Region verteilen.
In einigen Ausführungsformen können regionale Big-Data-Knoten, z. B. die Knoten 106a und 106b, in Erfahrung gebrachtes Wissen miteinander teilen, z. B. auf Peer-an-Peer-Weise. Zum Beispiel überträgt der regionale Big-Data-Knoten 106a eine neue oder in Erfahrung gebrachte Analytikroutine direkt an den regionalen Big-Data-Knoten 106b, sodass der regionale Big-Data-Knoten 106b die neue Analytikroutine für seine eigenen Zwecke verwenden kann.
Es wird angemerkt, dass in 1 nur ein vorgelagerter regionaler Big-Data-Knoten 106c dargestellt ist. Jedoch können die in Bezug auf 1 besprochenen Techniken und Konzepte auf eine beliebige Anzahl an vorgelagerten regionalen Big-Data-Knoten, die mehrere Schichten oder Ebenen des Historisierens, Speicherns und Erlernens von Big-Data unterstützen, angewandt werden.
Weiter werden, da sowohl regionale Big-Data-Anwendungen als auch lokalisierte Big-Data-Anwendungen verschiedene jeweilige Big-Data-Knoten und/oder verschiedene jeweilige Gruppen oder Regionen der Prozessanlage 10 bedienen, aber nicht die gesamte Prozessanlage 10 oder mehr als eine Region davon bedienen, sowohl regionale Big-Data-Anwendungen als auch lokalisierte Big-Data-Anwendungen in diesem Dokument allgemein und kategorisch als „verteilte Big-Data-Anwendungen“ bezeichnet. Allgemein kommunizieren verteilte Big-Data-Anwendungen Big-Data mit mehreren anderen Big-Data-Anwendungen. Zum Beispiel kann eine in einem bestimmten Big-Data-Anbieterknoten enthaltene lokale Big-Data-Anwendung in Erfahrung gebrachtes Wissen und/oder Big-Data an andere lokalisierte Big-Data-Anwendungen, die in anderen Big-Data-Anbieterknoten enthalten sind, an eine oder mehrere regionale Big-Data-Anwendungen und/oder an eine zentralisierte Big-Data-Anwendung kommunizieren (was nachfolgend näher beschrieben wird). Ähnlich kann eine regionale Big-Data-Anwendung Big-Data von einer oder mehreren lokalisierten Big-Data-Anwendungen und/oder Big-Data-Anbieterknoten empfangen. Die regionale Big-Data-Anwendung kann in Erfahrung gebrachte(s) Wissen und/oder Big-Data an andere regionale Big-Data-Anwendungen und/oder an eine zentralisierte Big-Data-Anwendung kommunizieren.
Wie oben erwähnt, kommunizieren in einigen Konfigurationen des Big-Data-Netzwerks zur Prozesssteuerung 100 zumindest einige der regionalen Big-Data-Knoten oder Geräte 106a–106m, lokalen Big-Data-Knoten oder Geräte 102a–102n, und/oder anderen Big-Data-Knoten oder Geräte 104 jeweilige Big-Data, Analytikergebnisse und/oder in Erfahrung gebrachte Informationen an einen zentralisierten Big-Data-Knoten 108. Ein „zentralisierter Big-Data-Knoten“ wie in diesem Dokument verwendet bedient typischerweise mehrere Regionen der Prozessanlage 10, und bedient in einigen Situationen eine Mehrheit oder eine Gesamtheit der Prozessanlage 10. Als solcher enthält der zentralisierte Big-Data-Knoten 108 eine oder mehrere zentralisierte, eingebettete Big-Data-Anwendungen 118, um Big-Data der Prozessanlage zu empfangen, zu speichern und darauf Zugriff bereitzustellen. Zum Beispiel kann die zentralisierte Big-Data-Anwendung 118 eine umfassende, langfristige Historisierung der meisten oder aller von der Prozessanlage 10 generierten Big-Data bereitstellen, und/oder die zentralisierte Big-Data-Anwendung 118 kann Big-Data für die prozessanlagenweite Verfügbarkeit für andere Big-Data-Knoten, oder sogar für Computergeräte innerhalb oder außerhalb der Prozessanlage, die keine Big-Data-Knoten zur Prozesssteuerung sind, veröffentlichen.
In einigen Konfigurationen bedient ein einzelner zentralisierter Big-Data-Knoten 108 oder eine Anwendung 118 möglicherweise nicht ein gesamtes Prozesssteuerungssystem oder eine Anlage 10, aber bedient möglicherweise mehr als eine Region des Prozessteuerungssystems oder der Anlage 10. Zum Beispiel können verschiedene zentralisierte Big-Data-Knoten 108 oder Anwendungen 118 innerhalb einer/eines einzelnen Anlage oder Systems 10 verwendet werden, um verschiedene Arten oder Bereiche an Big-Data für Sicherheits- und Zugriffszwecke zu unterteilen. In einigen Konfigurationen bedient ein(e) einzelne(r) zentralisierter Big-Data-Knoten 108 oder Anwendung 118 die gesamte Prozessanlage 10.
In der Prozessanlage 10 können ein oder mehrere der regionalen Big-Data-Knoten 106a–106m bewirken, dass einige(s) oder die Gesamtheit seines/seiner generierten oder empfangenen in Erfahrung gebrachten Wissens und/oder Daten gestreamt oder anderweitig an den zentralisierten Big-Data-Knoten 108 geliefert werden. Zum Beispiel überträgt einer oder mehrere der regionalen Big-Data-Knoten 106a–106m zumindest einige(s) seines/seiner jeweils gespeicherten in Erfahrung gebrachten Wissens und/oder Daten an den zentralisierten Big-Data-Knoten 108. In einigen Ausführungsformen pusht einer oder mehrere der regionalen Big-Data-Knoten 106a–106m in regelmäßigen Intervallen zumindest einige(s) seines/seiner jeweils gespeicherten in Erfahrung gebrachten Wissens und/oder Daten an den zentralisierten Big-Data-Knoten 108 weiter. In einigen Ausführungsformen stellt einer oder mehrere der regionalen Big-Data-Knoten 106a–106m zumindest einen Teil seines/seiner jeweils gespeicherten in Erfahrung gebrachten Wissens und/oder Daten als Antwort auf eine Aufforderung des zentralisierten Big-Data-Knotens 108 zur Verfügung.
Der zentralisierte Big-Data-Knoten 108 und/oder seine eingebettete Anwendung 118 kann konfiguriert sein, um eines oder einen Teil des in Erfahrung gebrachte Wissens und/oder der Daten, empfangen von den regionalen Big-Data-Knoten 106a–106m, durch Verwendung einer oder mehrerer der Analytikfunktionen A_x – A_y weiter zu analysieren. In einer Ausführungsform wird jede der Analytiken A_x – A_y von einem oder mehreren der Big-Data-Analysatoren 126 der 2 durchgeführt, die an dem jeweiligen Big-Data-Knoten vorhanden sind. Die eine oder mehreren Analytikfunktionen A_x – A_y können mit dem/den empfangenen in Erfahrung gebrachten Wissen und/oder Daten arbeiten, um zusätzliches Wissen zu generieren und Beziehungen zwischen verschiedenen Einheiten und Anbietern innerhalb und außerhalb der Prozessanlage 10 zu bestimmen. Das zusätzliche Wissen und die bestimmten Beziehungen können als zusätzliche zentralisierte Big-Data zum Beispiel in der eingebetteten Anwendung 118 gespeichert und anderweitig verwendet werden. In einigen Fällen verwendet der zentralisierte Big-Data-Knoten 108 oder die Anwendung 118 das generierte Wissen und die Beziehungen, um einen oder mehrere Prozesse der Anlage 10 entsprechend zu steuern.
Tatsächlich kann jeder Knoten 102–106 des Big-Data-Netzwerks 100 Big-Data an eine zentralisierte Big-Data-Anwendung 118 streamen oder anderweitig bereitstellen, z. B. zur Historisierung oder langfristigen Speicherung. Zum Beispiel kann ein lokaler Big-Data-Anbieterknoten 102 seine Big-Data direkt an den zentralisierten Big-Data-Knoten 108 streamen. Ähnlich kann jeder Knoten 102–106 des Big-Data-Netzwerks von der eingebetteten zentralisierten Anwendung 118 bereitgestellte Dienste anfordern und/oder kann Zugriff auf darin gespeicherte Daten und Metadaten anfordern. Weiter können in Ausführungsformen, in denen mehrere zentralisierte Big-Data-Knoten 108 oder Anwendungen 118 eine einzelne Prozessanlage 10 bedienen, die mehreren zentralisierten Big-Data-Knoten 108 oder Anwendungen 118 auf Peer-an-Peer-Weise kommunizieren, ähnlich derjenigen, die für die regionalen Big-Data-Knoten 106a–106m beschrieben wurde.
Ähnlich dem regionalen Big-Data-Knoten 106a–106m kann ein zentralisierter Big-Data-Knoten 108 in einigen Situationen selbst ein Produzent oder Anbieter von Big-Data sein, wie zum Beispiel, wenn vom zentralisierten Big-Data-Knoten 108 durchgeführte Analytiken (z. B. eine oder mehrere der Analytikfunktionen A_x – A_y) zu zusätzlichen entdeckten oder in Erfahrung gebrachten Informationen führen, die in der zentralisierten Big-Data-Anwendung 118 gespeichert und anderen Big-Data-Knoten 102–106 zugänglich gemacht werden. Jedoch wird typischerweise die Mehrheit des Volumens an von einer zentralisierten Big-Data-Anwendung gehandhabten und bedienten Big-Data von anderen Big-Data-Knoten 102–106 empfangen. Eine Beschreibung eines beispielhaften zentralisierten Big-Data-Knotens 108 und einer beispielhaften zentralisierten Big-Data-Anwendung 118, der/die mit einer oder aller der in diesem Dokument beschriebenen Techniken verwendet werden kann, kann im oben genannten US-Patent mit der Anmeldungsnummer 13/784,041 gefunden werden. Jedoch kann eine oder können alle der in diesem Dokument beschriebenen Techniken alternativ oder zusätzlich mit anderen als in der US-Anmeldungsnummer 13/784,041 beschriebenen zentralisierten Big-Data-Anwendungen verwendet werden.
In einigen Konfigurationen kommuniziert ein zentralisierter Big-Data-Knoten 108 Daten und in Erfahrung gebrachte Informationen an einen remoten Big-Data-Knoten (z. B. einen Big-Data-Knoten, der in Bezug auf die Prozessanlage 10 remote ist) zum Historisieren, Speichern, Aufrufen und/oder Analysieren von Big-Data. Ein solcher Big-Data-Knoten, in diesem Dokument als „Big-Data-Cloud-Knoten 110“ bezeichnet, kann mehreren verschiedenen Prozessanlagen oder Prozesssteuerungssystemen 10 Dienste bereitstellen. Zum Beispiel kann ein Unternehmen, das mehrere verschiedene Ölraffinerien betreibt, einen Big-Data-Cloud-Knoten 110 und eine Big-Data-Cloud-Anwendung 121 bereitstellen, um Big-Data in Bezug auf alle seiner Ölraffinerien zu bedienen. Zum Beispiel kann ein zentralisierter Big-Data-Knoten einer bestimmten Raffinerie über den Big-Data-Cloud-Knoten 110 und die residente Big-Data-Cloud-Anwendung 121 veröffentlichte Big-Data der Prozessanlage 10 erhalten und kann die erhaltenen, veröffentlichten Big-Data für Anlagenvorgänge in der bestimmten Raffinerie nutzen. In einigen Ausführungsformen kann jeder der Big-Data-Knoten 102–106 Daten direkt an den Big-Data-Cloud-Knoten 110 streamen oder bereitstellen. Ähnlich kann jeder der Big-Data-Knoten 102–106 von der eingebetteten Anwendung 121 des Big-Data-Cloud-Knotens 110 bereitgestellte Dienste anfordern und/oder auf darin gespeicherte Daten und Metadaten zugreifen. Obwohl in 1 nicht gezeigt, kann ein Big-Data-Cloud-Knoten 110 eine oder mehrere jeweilige Analytikroutinen, -funktionen oder -prozesse darin enthalten, z. B. wie sie von den Big-Data-Analysatoren 126 der 2 bereitgestellt werden können.
Weiter wird angemerkt, dass nicht alle Arten an Big-Data-Knoten in allen Prozessanlagen enthalten sind. Zum Beispiel kann eine höchste Ebene der Verarbeitung von Big-Data in einer bestimmten Prozessanlage auf regionaler Ebene sein, und als solche enthält die bestimmte Prozessanlage möglicherweise keine zentralisierten Big-Data-Knoten 108 und ist möglicherweise nicht mit einem Big-Data-Cloud-Knoten 110 verbunden. Allgemein enthält eine Prozessanlage 10 jedoch zumindest einen lokalen Big-Data-Anbieterknoten 102 und zumindest einen regionalen Big-Data-Knoten 106, um regionale Big-Data zu vereinfachen oder zu unterstützen.
In einer Ausführungsform können sich zumindest einige der regionalen Big-Data-Knoten 106 in Bezug auf die lokalen Big-Data-Anbieterknoten 102 überlagern. Zum Beispiel können verschiedene lokale Big-Data-Anbieterknoten 102 Geräte oder Knoten eines vorhandenen Steuerungssystems umfassen, z. B. Prozesssteuerungsgeräte (z. B. Feldgeräte, Steuerungen, I/O-Geräte), Gateway-Geräte, Zugriffspunkte, Routing-Geräte oder Router, Historian-Geräte, Netzwerkmanagement-Geräte usw. Um regionale Big-Data auszuführen, kann/können ein oder mehrere regionale Big-Data-Knoten 106 dem vorhandenen Steuerungssystem hinzugefügt oder an die Spitze davon gelegt werden, sodass Analytiken durchgeführt werden können und Big-Data zwischen regionalen Big-Data-Knoten des Big-Data-Netzwerks auf eine Weise unabhängig des Betriebs des vorhandenen Steuerungssystems weitergeleitet werden können.
Außerdem enthält eine Prozessanlage 10 in einigen Ausführungsformen ein oder mehrere Vermächtnis-Prozesssteuerungsgeräte (nicht gezeigt), die nicht inhärent eine Big-Data-Unterstützung enthalten. In diesen Ausführungsformen kann ein Gateway-Knoten in der Anlage 10 oder ein direkt an ein Vermächtnisgerät gekoppeltes beigefügtes Gerät Datennachrichten zwischen einem vom Vermächtnisgerät verwendeten Protokoll und dem vom Big-Data-Netzwerk-Backbone zur Prozesssteuerung verwendeten Protokoll konvertieren oder übersetzen, wodurch das Vermächtnisgerät und das Big-Data-Netzwerk 100 zur Prozesssteuerung kommunikativ verbunden werden. Beispiele für Vermächtnisgeräte, die mit einem Big-Data-Netzwerk zur Prozesssteuerung verwendet werden, werden in der oben genannten US-Anmeldungsnummer 14/506,863 (Aktenzeichen des Bevollmächtigten 06005/593070) mit dem Titel „STREAMING DATA FOR ANALYTICS IN PROCESS CONTROL SYSTEMS“ besprochen.
Außerdem haben die Big-Data-Knoten oder Geräte 102–110 typischerweise keine integrale Nutzerschnittstelle, obwohl einige der Big-Data-Knoten oder Geräte 102–110 die Fähigkeit haben können, in kommunikativer Verbindung mit einem oder mehreren Nutzerschnittstellengeräten 130 zu stehen, z. B. durch Kommunizieren über eine verdrahtete oder drahtlose Kommunikationsverbindung, oder durch Anstecken eines Nutzerschnittstellengeräts 130 an einen Port der Big-Data-Knoten oder Geräte 102–110. In 1 wird das Nutzerschnittstellengerät 130 als Big-Data-Knoten dargestellt, der drahtlos mit dem Big-Data-Netzwerk zur Prozessteuerung 100 verbunden ist.
Das Nutzerschnittstellengerät oder der Nutzerschnittstellen-Big-Data-Knoten 130 ist ein Gerät mit einer oder mehreren integrierten Nutzerschnittstellen (z. B. ein mobiles oder stationäres Computergerät, ein Arbeitsplatz, ein Handgerät, ein Oberflächencomputergerät, ein Tablet usw.), über die ein Nutzer oder Betreiber mit dem Prozesssteuerungssystem oder der Prozessanlage 10 interagieren kann, um Handlungen in Bezug auf die Prozessanlage 10 durchzuführen (z. B. konfigurieren, ansehen, verfolgen, testen, diagnostizieren, befehlen, planen, festsetzen, anmerken und/oder andere Handlungen). Integrierte Nutzerschnittstellen können einen Bildschirm, eine Tastatur, ein Tastenfeld, eine Maus, Schaltflächen, einen Touchscreen, ein Touchpad, eine biometrische Schnittstelle, Lautsprecher und Mikrofone, Kameras und/oder eine andere Nutzerschnittstellentechnologie enthalten. Die Nutzerschnittstellengeräte 130 können eine direkte verdrahtete und/oder drahtlose Verbindung zum Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems enthalten oder können eine indirekte Verbindung zum Backbone enthalten, z. B. über einen Zugriffspunkt oder ein Gateway.
In einigen Ausführungsformen kann ein Nutzerschnittstellengerät 130 eine oder mehrere eingebaute analytische Fähigkeiten oder Routinen aufweisen (dargestellt in 1 durch das eingekreiste A_z). Anders gesagt kann ein Nutzerschnittstellengerät 130 mit einer beliebigen Anzahl an Big-Data-Knoten und/oder Big-Data-Anwendungen kommunizieren, um Daten herunterzuladen und eine lokale Analyse A_z an den heruntergeladenen Daten und/oder an zusätzlichen Daten, die dem Nutzerschnittstellengerät 130 bekannt sind, durchzuführen, um Wissen zu entdecken oder in Erfahrung zu bringen. Tatsächlich ist ein Nutzerschnittstellengerät 130 in einigen Konfigurationen ein Big-Data-Anbieterknoten und kann selbst zumindest einige der Ergebnisse seiner Analyse A_z und/oder seines Wissens, das aus den Analyseergebnissen in Erfahrung gebracht wird, einem oder mehreren anderen lokalen, regionalen, zentralisierten, Cloud- oder anderen Big-Data-Knoten 102–110 als Big-Data bereitstellen. Beispiele für die Verwendung von Nutzerschnittstellengeräten in Big-Data-Netzwerken zur Prozesssteuerung (die mit einer oder allen der in diesem Dokument beschriebenen Techniken verwendet werden können), können zum Beispiel im US-Patent mit der Anmeldungsnummer 14/028,785 mit dem Titel „METHOD AND APPARATUS FOR CONTROLLING A PROCESS PLANT WITH LOCATION AWARE MOBILE CONTROL DEVICES“, eingereicht am 17. September 2013 gefunden werden, dessen gesamte Offenbarung hiermit per Verweis in dieses Dokument einbezogen ist. Natürlich können aber alternativ oder zusätzlich andere Techniken zur Verwendung von Nutzerschnittstellengeräten mit dem Big-Data-Netzwerk zur Prozesssteuerung 100 mit einer oder allen der in diesem Dokument beschriebenen Techniken ausgeführt werden.
In einer Ausführungsform ist das Nutzerschnittstellengerät 130 ein drahtloses oder handgehaltenes Gerät mit speziellen Chip-Einstellungen und/oder vom Computer durchführbaren Anweisungen, das analytische Anwendungen oder Applets abspielen kann. Als solches kann das Nutzerschnittstellengerät 130 Daten von einem der lokalen, regionalen, zentralisierten oder Big-Data-Cloud-Knoten 102–110 herunterladen oder anfordern und die Applets dann ausführen, um eine spezialisierte Verarbeitung an einer oder allen der heruntergeladenen Daten und/oder in einigen Fällen an anderem dem Nutzerschnittstellengerät 130 bekannten Daten durchzuführen. Das Nutzerschnittstellengerät 130 kann die Applets automatisch ausführen, sobald die Daten vollständig heruntergeladen sind, oder das Nutzerschnittstellengerät 130 kann die Applets basierend auf einer/einem über eine Nutzerschnittstelle, die Teil des Geräts 130 ist, empfangene Nutzereingabe oder Befehl ausführen. Von den Applets generierte Ergebnisse oder Analytiken können vom Nutzerschnittstellengerät 130 an einen oder mehrere Big-Data-Knoten des Big-Data-Netzwerks zur Prozesssteuerung übertragen werden, z. B. als in Erfahrung gebrachtes Wissen. Das vom Nutzerschnittstellengerät 130 generierte in Erfahrung gebrachte Wissen kann den verschiedenen Big-Data-Knoten 102–110 nützliche Informationen in der Form von Feedback, Diagnosen, Fehlerbehebung, Online-Vorhersagen, Fehlererkennungen, Empfehlungen usw. bieten. Zum Beispiel können analytische Applets dieser Art entwickelt werden, um spezifische Ausstattung, Geräte, Prozesse, Anlagen, Unternehmen usw. zu evaluieren oder zu analysieren.
Ein detailliertes Blockdiagramm, das beispielhafte lokale Big-Data-Anbietergeräte 102 darstellt, die regionale Big-Data in einer Prozessanlage oder einer Prozesssteuerungsumgebung unterstützen, wird in 3 gezeigt. Obwohl die Geräte 102 mit Bezug auf die Prozessanlage oder das Prozesssteuerungssystem 10 der 1 besprochen werden, können die lokalen Big-Data-Anbietergeräte 102 in oder mit anderen Prozessanlagen oder Prozesssteuerungssystemen verwendet werden, um regionale Big-Data darin zu unterstützen.
In FIG. bedeutet ein „BD“, dass ein bestimmtes Gerät oder ein bestimmter Knoten Big-Data unterstützt. Insbesondere zeigt 3 mehrere lokale Big-Data-Anbietergeräte 11, 15, 16, 18, 19, 20, 21, 26, 28, 35, 42a, 42b, 44, 52a, 55a, 58, regionale Big-Data-Knoten 106w–106z und einen zentralisierten Big-Data-Knoten 108. Natürlich sind die Anzahl und Arten der in 3 gezeigten Big-Data-Knoten nicht einschränkend und dienen illustrativen Zwecken. Eine Prozessanlage oder ein Prozesssteuerungssystem, die/das regionale Big-Data unterstützt, kann mindestens einen Big-Data-Anbieterknoten und mindestens einen regionalen Big-Data-Knoten enthalten.
Wie oben besprochen, können die lokalen Big-Data-Anbietergeräte 102 Geräte enthalten, deren Hauptfunktion das automatische Generieren und/oder Empfangen von Prozesssteuerungsdaten ist, die verwendet werden, um Funktionen zur Steuerung eines Prozesses in Echtzeit in der Prozessanlagenumgebung 10 durchzuführen. Zum Beispiel sind Prozesssteuerungen, Feldgeräte und I/O-Geräte Beispiele für mögliche lokale Big-Data-Geräte 102. In einer Prozessanlagenumgebung 10 empfangen Prozesssteuerungen Signale, die auf von Feldgeräten vorgenommene Prozessmessungen hinweisen, verarbeiten diese Informationen, um eine Steuerungsroutine umzusetzen, und generieren Steuerungssignale, die über verdrahtete oder drahtlose Kommunikationsverbindungen an andere Feldgeräte gesendet werden, um den Betrieb eines Prozesses in der Anlage 10 zu steuern. Typischerweise führt zumindest ein Feldgerät eine physische Funktion durch (z. B. Öffnen oder Schließen eines Ventils, Erhöhen oder Reduzieren einer Temperatur usw.), um den Betrieb eines Prozesses zu steuern, und einige Arten an Feldgeräten können unter Verwendung von I/O-Geräten mit Steuerungen kommunizieren. Prozesssteuerungen, Feldgeräte und I/O-Geräte können verdrahtet oder drahtlos sein, und jede Anzahl und Kombination an verdrahteten und drahtlosen Prozesssteuerungen, Feldgeräten und I/O-Geräten kann die lokalen Big-Data-Anbieterknoten 102a–102n des Big-Data-Netzwerks zur Prozesssteuerung 100 sein.
Zum Beispiel stellt 3 eine Prozesssteuerung 11 dar, die über Input-/Output-(I/O)-Karten 26 und 28 kommunikativ mit verdrahteten Feldgeräten 15–22 verbunden ist und über ein drahtloses Gateway 35 und einen Big-Data-Netzwerk-Backbone zur Prozesssteuerung 105 (der dem in 1 besprochenen Netzwerk-Backbone ähnlich sein kann) kommunikativ mit drahtlosen Feldgeräten 40–46 verbunden ist. In einer Ausführungsform kann die Steuerung 11 unter Verwendung eines oder mehrerer anderer Kommunikationsnetzwerke als des Backbones 105 kommunikativ mit dem drahtlosen Gateway 35 verbunden sein, zum Beispiel durch Verwenden einer beliebigen Anzahl an anderen verdrahteten oder drahtlosen Kommunikationsverbindungen.
Die Steuerung 11, die zum Beispiel die von Emerson Process Management verkaufte Steuerung DeltaV^TM sein kann, kann arbeiten, um unter Verwendung zumindest einiger der Feldgeräte 15–22 und 40–46 einen Batch-Prozess oder einen kontinuierlichen Prozess auszuführen. In einer Ausführungsform kann die Steuerung 11, zusätzlich zur kommunikativen Verbindung mit dem Big-Data-Netzwerk-Backbone zur Prozesssteuerung 105 unter Verwendung jeder gewünschten Hardware und Software, die zum Beispiel mit standardmäßigen 4–20 mA-Geräten, I/O-Karten 26, 28 und/oder einem intelligenten Kommunikationsprotokoll wie dem FOUNDATION^®-Feldbus-Protokoll, dem HART^®-Protokoll, dem WirelessHART^®-Protokoll usw. assoziiert wird, auch kommunikativ mit zumindest einigen der Feldgeräte 15–22 und 40–46 verbunden sein. In 3 sind die Steuerung 11, die Feldgeräte 15–22 und die I/O-Karten 26, 28 verdrahtete Geräte, und die Feldgeräte 40–46 sind drahtlose Feldgeräte. Natürlich könnten die verdrahteten Feldgeräte 15–22 und drahtlosen Feldgeräte 40–46 jedem/jeden anderen gewünschten Standard(s) oder Protokollen entsprechen, wie zum Beispiel jeden verdrahteten oder drahtlosen Protokollen, darunter sämtliche zukünftig entwickelten Standards oder Protokolle.
Die Prozesssteuerung 11 der 3 enthält einen Prozessor 30, der eine oder mehrere Prozesssteuerungsroutinen ausführt oder überwacht (z. B. diejenigen, die in einem Speicher 32 gespeichert sind). Der Prozessor 30 ist für die Kommunikation mit den Feldgeräten 15–22 und 40–46 und mit anderen kommunikativ mit der Steuerung 11 verbundenen Knoten konfiguriert. Es ist anzumerken, dass Teile von in diesem Dokument beschriebenen Steuerungsroutinen oder -modulen (darunter Module oder Funktionsblöcke für die Qualitätsvorhersage und Fehlererkennung) bei Bedarf von verschiedenen Steuerungen oder anderen Geräten ausgeführt oder umgesetzt werden. Ähnlich können die in diesem Dokument beschriebenen Steuerungsroutinen oder -module, die im Prozesssteuerungssystem 10 ausgeführt werden, jede Form annehmen, darunter Software, Firmware, Hardware usw. Steuerungsroutinen können in jedem gewünschten Softwareformat ausgeführt werden, wie die Verwendung von objektorientierter Programmierung, Kontaktplänen, Ablaufsprachen, Funktionsblockdiagrammen oder die Verwendung jeder/jedes anderen Softwareprogrammiersprache oder Design-Paradigmas. Die Steuerungsroutinen können in jeder gewünschten Art von Speicher gespeichert werden, wie einem Arbeitsspeicher (RAM) oder Festspeicher (ROM). Ähnlich können die Steuerungsroutinen zum Beispiel in eine oder mehrere EPROMs, EEPROMs, anwendungsspezifische integrierte Schaltkreise (ASICs) oder andere Hardware- oder Firmwareelemente fest eingebaut sein. Daher kann die Steuerung 11 zum Ausführen einer Steuerungsstrategie oder Steuerungsroutine auf jede gewünschte Weise konfiguriert sein.
In einigen Ausführungsformen führt die Steuerung 11 unter Anwendung dessen, was allgemein als Funktionsblöcke bezeichnet wird, eine Steuerungsstrategie aus, wobei jeder Funktionsblock ein Objekt oder anderer Teil (z. B. eine Unterroutine) einer Gesamtsteuerungsroutine ist und in Verbindung mit anderen Funktionsblöcken (über Kommunikation namens Verbindungen) arbeitet, um Prozesssteuerungskreise im Prozesssteuerungssystem 10 auszuführen. Steuerungsbasierte Funktionsblöcke führen typischerweise eine von einer Eingabefunktion aus, wie diejenige, die mit einem Transmitter, einem Sensor oder anderem Prozessparametermessgerät assoziiert wird, einer Steuerungsfunktion, wie diejenige, die mit einer Steuerungsroutine, die PID, Fuzzy-Logik, usw. assoziiert wird, Steuerung, oder einer Ausgabefunktion, die den Betrieb eines Geräts, wie eines Ventils, steuert, um im Prozesssteuerungssystem 10 eine physische Funktion durchzuführen. Natürlich gibt es Mischformen und andere Arten an Funktionsblöcken. Funktionsblöcke können in der Steuerung 11 gespeichert und von dieser ausgeführt werden, was typischerweise der Fall ist, wenn diese Funktionsblöcke für standardmäßige 4–20 mA-Geräte und einige Arten an intelligenten Feldgeräten wie HART^®-Geräten verwendet werden oder damit assoziiert werden, oder können in den Feldgeräten selbst gespeichert und davon ausgeführt werden, was bei FOUNDATION^®-Feldbus-Geräten der Fall sein kann. Die Steuerung 11 kann eine oder mehrere Steuerungsroutinen 38 enthalten, die einen oder mehrere Steuerungskreise ausführen können, und können durch Ausführen von einem oder mehreren der Funktionsblöcke durchgeführt werden.
Die verdrahteten Feldgeräte 15–22 können alle Arten an Geräten sein, wie Sensoren, Ventile, Transmitter, Positionierer usw., während die I/O-Karten 26 und 28 jede Art von I/O-Geräten sein können, die einem gewünschten Kommunikations- oder Steuerungsprotokoll entspricht. In 3 sind die Feldgeräte 15–18 standardmäßige 4–20 mA-Geräte oder HART^®-Geräte, die über analoge Leitungen oder kombinierte analoge und digitale Leitungen zur I/O-Karte 26 kommunizieren, während die Feldgeräte 19–22 intelligente Geräte sind, wie FOUNDATION^®-Feldbus-Geräte, die unter Verwendung eines FOUNDATION^®-Feldbus-Kommunikationsprotokolls über einen digitalen Bus zur I/O-Karte 28 kommunizieren. In einigen Ausführungsformen kommunizieren jedoch zumindest einige der verdrahteten Feldgeräte 15, 16 und 18–21 und/oder zumindest einige der Big-Data-I/O-Karten 26, 28 unter Verwendung des Big-Data-Netzwerk-Backbones 105 zusätzlich oder alternativ mit der Steuerung 11 (und/oder anderen Big-Data-Knoten).
In 3 kommunizieren die drahtlosen Feldgeräte 40–46 in einem drahtlosen Netzwerk 70 unter Verwendung eines Drahtlosprotokolls, wie dem WirelessHART^®-Protokoll. Solche drahtlosen Feldgeräte 40–46 können direkt mit einem oder mehreren anderen Geräten oder Knoten des Big-Data-Netzwerks zur Prozesssteuerung 100 kommunizieren, die auch für die drahtlose Kommunikation (zum Beispiel unter Verwendung des Drahtlosprotokolls oder eines anderen Drahtlosprotokolls) konfiguriert sind. Um mit einem oder mehreren anderen Knoten zu kommunizieren, die nicht für die drahtlose Kommunikation konfiguriert sind, können die drahtlosen Feldgeräte 40–46 ein drahtloses Gateway 35 verwenden, das mit dem Big-Data-Netzwerk-Backbone 105 oder mit einem anderen Kommunikationsnetzwerk zur Prozesssteuerung verbunden ist.
Das drahtlose Gateway 35 kann Zugriff auf verschiedene drahtlose Geräte 40–58 des drahtlosen Kommunikationsnetzwerks 70 bereitstellen. Insbesondere stellt das drahtlose Gateway 35 eine kommunikative Kopplung zwischen den drahtlosen Geräten 40–58, den verdrahteten Geräten 11–8 und/oder anderen Knoten oder Geräten des Big-Data-Netzwerks zur Prozesssteuerung bereit. Zum Beispiel kann das drahtlose Gateway 35 durch Verwendung des Big-Data-Netzwerk-Backbones 105 und/oder durch Verwendung eines oder mehrerer anderer Kommunikationsnetzwerke der Prozessanlage 10 eine kommunikative Kopplung bereitstellen. Zusätzlich oder alternativ können die drahtlosen Big-Data-Anbietergeräte 42a, 42b, 44, 52a, 55a, 58 jeweils direkt auf verdrahtete oder drahtlose Weise mit dem Big-Data-Netzwerk-Backbone 105 verbunden sein. Zum Beispiel können zumindest einige der Geräte 42a, 42b, 44, 52a, 55a, 58 sowohl über das drahtlose Netzwerk 70 als auch den Big-Data-Netzwerk-Backbone 105 kommunizieren.
Ähnlich wie die verdrahteten Feldgeräte 15–22 können die drahtlosen Feldgeräte 40–46 des drahtlosen Netzwerks 70 physische Steuerungsfunktionen in der Prozessanlage 10 durchführen, z. B. Öffnen oder Schließen von Ventilen oder Vornehmen von Messungen von Prozessparametern. Die drahtlosen Feldgeräte 40–46 sind jedoch für die Kommunikation unter Verwendung des Drahtlosprotokolls des Netzwerks 70 konfiguriert. Als solche sind die drahtlosen Feldgeräte 40–46, das drahtlose Gateway 35 und andere drahtlose Knoten 52–58 des drahtlosen Netzwerks 70 Produzenten von drahtlosen Kommunikationspaketen.
In einigen Szenarien kann das drahtlose Netzwerk 70 nicht-drahtlose Geräte enthalten. Zum Beispiel kann ein Feldgerät 48 der 3 ein 4–20mA-Vermächtnisgerät sein und kann ein Feldgerät 50 ein traditionelles verdrahtetes HART^®-Gerät sein. Um innerhalb des Netzwerks 70 zu kommunizieren, können die Feldgeräte 48 und 50 über einen Drahtlosadapter 52a oder 52b mit dem drahtlosen Kommunikationsnetzwerk 70 verbunden sein. Die Drahtlosadapter 52a, 52b können andere Kommunikationsprotokolle wie Foundation^®-Feldbus, PROFIBUS, DeviceNet usw. unterstützen. Weiter kann das drahtlose Netzwerk 70 einen oder mehrere von Netzwerkzugriffspunkten 55a, 55b enthalten, welche separate physische Geräte in verdrahteter Verbindung mit dem drahtlosen Gateway 35 sein können oder mit dem drahtlosen Gateway 35 als integrales Gerät bereitgestellt werden können. Das drahtlose Netzwerk 70 kann auch einen oder mehrere Router 70 enthalten, um Pakete von einem drahtlosen Gerät an ein anderes drahtloses Gerät innerhalb des drahtlosen Kommunikationsnetzwerks 70 weiterzuleiten. Die drahtlosen Geräte 40–46 und 52–58 können über Drahtlosverbindungen 60 des drahtlosen Kommunikationsnetzwerks 70 und/oder über den Big-Data-Netzwerk-Backbone 105 miteinander und mit dem drahtlosen Gateway 35 kommunizieren. Wie in 3 gezeigt unterstützen der Adapter 52a, der Zugriffspunkt 55a und der Router 58 jeweils Big-Data zur Prozesssteuerung wie durch das „BD“ angegeben.
In einigen Ausführungsformen können die lokalen Big-Data-Anbietergeräte 102 des Big-Data-Netzwerks zur Prozesssteuerung 100 andere drahtlose Zugriffspunkte enthalten (in 3 nicht gezeigt), die unter Verwendung anderer Drahtlosprotokolle kommunizieren, wie Wi-Fi oder anderen mit IEEE 802.11 konformen Drahtlosprotokollen lokaler Netzwerke, Mobilkommunikationsprotokollen wie WiMAX (Worldwide Interoperability for Microwave Access), LTE (Long Term Evolution) oder anderen mit dem ITU-R (International Telecommunication Union Radiocommunication Sector) kompatiblen Protokollen, kurzwelliger Radiokommunikation wie Nahfeldkommunikation (NFC) und Bluetooth oder anderen Protokollen zur drahtlosen Kommunikation. Die anderen drahtlosen Zugriffspunkte können jeweils Big-Data zur Prozesssteuerung unterstützen oder nicht.
In einigen Ausführungsformen können die lokalen Big-Data-Anbietergeräte oder Knoten 102 ein oder mehrere Gateways (in 3 nicht gezeigt) zu Systemen, die sich außerhalb des unmittelbaren Prozesssteuerungssystems 10 befinden, enthalten. Typischerweise sind solche Systeme Kunden oder Lieferanten von Informationen, die vom Prozesssteuerungssystem 10 generiert oder verwendet werden. Zum Beispiel kann ein Gateway die unmittelbare Prozessanlage 10 kommunikativ mit einer anderen Prozessanlage, einem externen öffentlichen oder privaten System wie einem Laborsystem (z. B. Laboratory Information Management System oder LIMS), einer Bedienerrundendatenbank, einem Materialtransportsystem, einem Wartungsmanagementsystem, einem Produktbestandsteuerungssystem, einem Produktionsplanungssystem, einem Wetterdatensystem, einem Versand- und Transportsystem, einem Verpackungssystem, dem Internet, dem Prozesssteuerungssystem eines anderen Anbieters oder anderen externen Systemen verbinden. Die anderen drahtlosen Zugriffspunkte können jeweils Big-Data zur Prozesssteuerung unterstützen oder nicht.
Obwohl 3 nur eine einzelne Steuerung 11 mit einer begrenzten Anzahl an Feldgeräten 15–22 und 40–46, drahtlosen Gateways 35, Drahtlosadaptern 52, Zugriffspunkten 55, Routern 58 und Kommunikationsnetzwerken zur drahtlosen Prozesssteuerung 70 darstellt, ist dies lediglich eine illustrative und nicht-einschränkende Ausführungsform. In den lokalen Big-Data-Anbieterknoten 102 des Big-Data-Netzwerks zur Prozesssteuerung 100 kann jede Anzahl an Steuerungen 11 enthalten sein, und jede der Steuerungen 11 kann mit jeder Anzahl an verdrahteten oder drahtlosen Geräten und Netzwerken 15–22, 40–46, 35, 52, 55, 58 und 70 kommunizieren, um einen Prozess in der Anlage 10 zu steuern.
Um regionale Big-Data auszuführen oder zu unterstützen, können die verschiedenen verdrahteten oder drahtlosen Geräte, die in 3 gezeigt werden, in jeweilige Regionen gruppiert werden. Sobald sie gruppiert sind, werden Daten, die von einem oder allen Geräten in jeder Region generiert, gesammelt, empfangen oder anderweitig beobachtet werden, an einen jeweiligen regionalen Big-Data-Knoten 106w–106z geliefert oder gestreamt. Jeder regionale Big-Data-Knoten 106w–106z in 3 enthält eine jeweilige regionale Big-Data-Anwendung (z. B. eine Instanz der in 1 besprochenen regionalen Big-Daten-Anwendung 116a–116m), über die Big-Data empfangen, als regionale Big-Data gespeichert und aufgerufen oder angefordert werden. Weiter enthält jeder regionale Big-Data-Knoten 106w–106z typischerweise eine oder mehrere Analytikfunktionen, -routinen, -vorgänge oder -prozesse, die individuell und/oder kooperativ mit zumindest einigen der regionalen Big-Data arbeiten können.
Eine Region kann auf jede gewünschte Weise gebildet sein. In einem in 3 gezeigten illustrativen Beispiel sind drei verschiedene Regionen 140, 142 und 144 auf funktionale Weise gebildet. Zum Beispiel stellt die Region 140, innerhalb der durchgehenden Linie dargestellt, einen beispielhaften Steuerungskreis dar, der in der Prozessanlage 10 ausgeführt wird, um zumindest einen Teil eines Prozesses in Echtzeit zu bedienen oder zu steuern. Als solcher enthält der Steuerungskreis 140 verschiedene Prozesssteuerungsgeräte wie die Steuerung 11, die I/O-Karte 28, den Drahtlosadapter 52a und die Feldgeräte 19–22, 42a und 48. Jedes Feldgerät 19–22, 42a und 48 im Steuerungskreis 140 kann Prozesssteuerungsdaten generieren, Prozesssteuerungsdaten empfangen und/oder Prozesssteuerungsdaten an die Steuerung 11 übertragen, um der Steuerung 11 zu ermöglichen, den Betrieb des Steuerungskreises 140 zu überwachen. Die Feldgeräte 19–22 sind verdrahtete Geräte, die über die I/O-Karte 28 mit der Steuerung 11 verbunden sind. Das Feldgerät 42a ist ein drahtloses Gerät, das über das drahtlose Gateway 35 und den Netzwerk-Backbone 105 mit der Steuerung 11 kommuniziert. Das Feldgerät 48 ist ein anderes verdrahtetes Gerät, das an den Adapter 52a gekoppelt ist, welcher wiederum mit dem Gateway 35 kommuniziert, um mit der Steuerung 11 zu kommunizieren. Obwohl 3 die Feldgeräte als 19–22, 42 und 48 als nebeneinander im Steuerungskreis 140 positioniert zeigt, können sich die Feldgeräte 19–22, 42 und 48 tatsächlich in verschiedenen Teilen der Prozessanlage 10 befinden, sind aber basierend auf den Funktionen, die sie durchführen, um den Steuerungskreis 140 auszuführen, zusammen gruppiert.
Ähnlich stellt die Region 142, innerhalb der gestrichelten Linie dargestellt, einen anderen beispielhaften Steuerungskreis dar, der in der Prozessanlage 10 ausgeführt wird, um einen anderen Teil eines Prozesses (oder insgesamt einen anderen Prozess) in Echtzeit zu bedienen oder zu steuern. Daher enthält der Steuerungskreis 142 verschiedene Prozesssteuerungsgeräte wie die Steuerung 11, die I/O-Karte 26, den Drahtlosadapter 52b, den Router 58 und die Feldgeräte 15–18, 40, 44 und 50. Die Steuerung 11 überwacht den Betrieb des Steuerungskreises 142 durch Verarbeiten von Informationen und Daten, die von jedem der Feldgeräte 15–18, 40, 44 und 50 empfangen wurden. Als solche sind die verdrahteten Feldgeräte 15–28 über die I/O-Karte 26 kommunikativ mit der Steuerung 11 verbunden, während das drahtlose Feldgerät 40 über das Gateway 35 und den Netzwerk-Backbone 105 kommunikativ mit der Steuerung 11 verbunden ist. Weiter ist das verdrahtete Feldgerät 50 an den Adapter 52b gekoppelt, der zusammen mit dem drahtlosen Feldgerät 44 mit dem Router 58 kommuniziert, um sich über das Gateway 35 und den Netzwerk-Backbone 105 kommunikativ mit der Steuerung 11 zu verbinden. Ähnlich wie oben angemerkt können sich die Feldgeräte 15–18, 40, 44 und 50 in verschiedenen Teilen der Prozessanlage 10 befinden, sind aber gemäß ihren Funktionen beim Ausführen des Steuerungskreises 142 zusammen gruppiert.
3 zeigt auch die Region 144, die innerhalb der strichpunktierten Linie dargestellt wird. Anstatt einen Steuerungskreis darzustellen, stellt die Region 144 ein beispielhaftes Kommunikationsnetzwerk dar, das dazu dient, Netzwerk-Routing-Funktionalität und -Verwaltung bereitzustellen. Insbesondere stellt die Region 144 das drahtlose Kommunikationsnetzwerk 70 dar, das das drahtlose Gateway 35, die Drahtlosadapter 52a, 52b, die Zugriffspunkte 55a, 55b und den Router 58 enthält. Jedes in der Region 144 enthaltene Gerät führt die Funktion des Routens und Übertragens von drahtlosen Paketen durch. Das drahtlose Gateway 35 führt auch Datenverkehrsmanagement und administrative Funktionen durch (z. B. Ressourcenmanagement, Leistungsanpassungen, Netzwerkfehlerminderung, Datenverkehrsüberwachung, Sicherheit usw.), und leitet Datenverkehr an und von verdrahtete(n) Netzwerke(n), die kommunikativ mit dem drahtlosen Netzwerk 70 verbunden sind.
Einige oder alle von den lokalen Big-Data-Anbieterknoten der Regionen 140, 142 und 144 generierte oder bereitgestellte Daten können zum Historisieren, Analysieren, Speichern, Verwenden und/oder Zugreifen an jeweilige regionale Big-Data-Knoten 106x–106z gestreamt werden. Insbesondere können auf die Regionen 140 und 142 bezogene Prozesssteuerungsdaten, wie Messdaten (z. B. Ausgaben, Raten usw.), Konfigurationsdaten (z. B. Sollwerte, Konfigurationsänderungen usw.), Batch-Daten (z. B. Batch-Rezepte, Batch-Bedingungen usw.), Ereignisdaten (z. B. Warnungen, Prozesssteuerungsereignisse usw.), kontinuierliche Daten (z. B. Parameterwerte, Video-Feeds usw.), berechnete Daten (z. B. interne Zustände, Zwischenkalkulationen usw.) und/oder Diagnosedaten jeweils zu den regionalen Big-Data-Knoten 106x und 106y gestreamt werden. Auf die Region 144 bezogene Netzwerkdaten (z. B. Bandbreite, Datenverkehr, Netzwerkkonfiguration usw.) können zum regionalen Big-Data-Knoten 106z gestreamt werden.
An jedem der regionalen Big-Data-Knoten 106x–106z kann die Berechnung oder Datenanalyse an zumindest einigen der empfangenen Daten durchgeführt werden, um bedeutende Muster, Korrelationen, Entwicklungen usw. zu bestimmen und um allgemein neues Wissen zu generieren. Beispiele für die Berechnungs- oder Datenanalysetechniken können in der oben genannten US-Anmeldungsnummer 62/060,408 (Aktenzeichen des Bevollmächtigten 06005/593085P) mit dem Titel „DATA PIPELINE FOR PROCESS CONTROL SYSTEM ANALYTICS“gefunden werden. Als Ergebnis der durchgeführten Berechnung oder Analyse können die regionalen Big-Data-Knoten 106x–106z in Erfahrung gebrachtes Wissen wie einen neuen Satz an Datenpunkten oder Beobachtungen, deskriptive Statistiken, die sich auf die Daten beziehen, Korrelationen in den Daten, neue oder modifizierte Modelle für die Daten usw. produzieren. In einigen Fällen enthält das resultierende in Erfahrung gebrachte Wissen eine neue oder modifizierte Anwendung, eine neue oder modifizierte Funktion, eine neue oder modifizierte Routine, eine neue oder modifizierte Erfahrungsanalyse, einen neuen oder modifizierten Dienst usw. Zum Beispiel kann das resultierende in Erfahrung gebrachte Wissen eine neu erstellte gefolgerte Funktion sein, die zum Mapping neuer Datenbeispiele verwendet werden kann.
In einer Ausführungsform kann jeder regionale Big-Data-Knoten 106x–106z basierend auf dem resultierenden in Erfahrung gebrachten Wissen die Betriebsvorgänge seiner jeweiligen Region aktualisieren, verbessern oder modifizieren. Zum Beispiel modifiziert der regionale Big-Data-Knoten 106x bestimmte Prozessparameterwerte, um den Prozess, der in der Region 140 gesteuert wird, basierend auf dem resultierenden in Erfahrung gebrachten Wissen zu optimieren. In einem anderen Beispiel aktualisiert der regionale Big-Data-Knoten 106y eine diagnostische Routine für seine Region 142 basierend auf dem resultierenden in Erfahrung gebrachten Wissen. In noch einem anderen Beispiel bestimmt der regionale Big-Data-Knoten 106z einen besseren Datenweg zum Routen des Netzwerkverkehrs in der Region 144 basierend auf dem resultierenden in Erfahrung gebrachten Wissen.
In einigen Ausführungsformen übertragen die regionalen Big-Data-Knoten 106x–106z ihr in Erfahrung gebrachtes Wissen an einen anderen regionalen Big-Data-Knoten 106w, um das geschichtete oder abgestufte Erlernen zu unterstützen. Der regionale Big-Data-Knoten 106w funktioniert zum Überwachen einer oder mehrerer Regionen. Als solcher kann der regionale Big-Data-Knoten 106w weitere(s) Analysen oder Erlernen an zumindest einigem des erhaltenen in Erfahrung gebrachten Wissens durchführen, um zusätzliches in Erfahrung gebrachtes Wissen über die eine oder mehreren Regionen 140, 142, 144 zu generieren, die er überwacht oder bedient, welches dann an einige oder alle der jeweiligen regionalen Big-Data-Knoten 106x–106z verteilt werden kann. Zusätzlich oder alternativ können der regionale Big-Data-Knoten 106w und/oder einer der regionalen Big-Data-Knoten 106x–106z bewirken, dass das resultierende in Erfahrung gebrachte Wissen an den zentralisierten Big-Data-Knoten 108 oder an andere Big-Data-Knoten zur Prozesssteuerung im Prozesssteuerungssystem 10 übertragen wird. Der zentralisierte Big-Data-Knoten 108 kann mit dem aggregierten in Erfahrung gebrachten Wissen arbeiten, um Wissen auf anlagenweiter Basis zu generieren.
4 stellt ein Flussdiagramm eines beispielhaften Verfahrens 400 zur Unterstützung von regionalen Big-Data in Prozessanlagen und Prozesssteuerungssystemen dar. Das Verfahren 400 kann zum Beispiel von den regionalen Big-Data-Knoten 106a–106m der 1 und den regionalen Big-Data-Knoten 106w–106z der 3 durchgeführt werden. Zur einfacheren Besprechung und nicht für einschränkende Zwecke wird das Verfahren 400 mit gleichzeitigem Verweis auf die 1–3 beschrieben.
An einem Block 402 können Daten, die Prozesssteuerungsanlagen oder Netzwerken entsprechen, an einem regionalen Big-Data-Knoten, z. B. einem der regionalen Big-Data-Knoten 106, empfangen, erhalten und/oder gesammelt werden. Der regionale Big-Data-Knoten 106 ist kommunikativ mit einer „Region“ oder einer Gruppe an lokalen Big-Data-Anbieterknoten 102 und/oder anderen Big-Data-Knoten 104, die auf einiges oder zumindest eines von einer geographischen, physikalischen, funktionalen, logischen oder anderen gewünschten Weise verbunden sind, z. B. die Regionen 140, 142 oder 144, verbunden und bedient diese. Entsprechend werden alle Daten, die von der Gruppe an lokalen Big-Data-Anbieterknoten 102 und/oder anderen Big-Data-Knoten 104 generiert oder bereitgestellt werden, zum Sammeln an den regionalen Big-Data-Knoten 106 gestreamt. Der regionale Big-Data-Knoten 106 kann über eine oder mehrere Netzwerkschnittstellen kommunikativ mit einem Kommunikationsnetzwerk einer Prozessanlage oder eines Prozesssteuerungssystems wie dem Netzwerk-Backbone 105 des Big-Data-Netzwerks des Prozesssteuerungssystems 100 verbunden sein. Die am regionalen Big-Data-Knoten 106 gesammelten oder empfangenen Daten können Messdaten, Ereignisdaten, Batch-Daten, berechnete Daten, Konfigurationsdaten, kontinuierliche Daten und/oder in Erfahrung gebrachte Daten enthalten. Allgemein enthalten die gesammelten Daten typischerweise alle Arten von Daten, die von der jeweiligen Region, die mit dem regionalen Big-Data-Knoten 106 verbunden ist, generiert, erstellt, empfangen oder anderweitig beobachtet werden.
An einem Block 404 können die gesammelten Daten in einer regionalen Big-Data-Anwendung am regionalen Big-Data-Knoten 106, wie der regionalen Big-Data-Anwendung 116, gespeichert werden. Zum Beispiel werden die Daten und ihr jeweiliger Zeitstempel als Eintrag in einem Big-Data-Speicher 120 der regionalen Big-Data-Anwendung 116 gespeichert. In Ausführungsformen, bei denen im Laufe der Zeit mehrere Werte der Daten erhalten werden (Block 402), wird jeder Wert zusammen mit seinem jeweiligen Zeitstempel im gleichen Eintrag oder in einem anderen Eintrag des Big-Data-Speichers 120 gespeichert.
An einem Block 406 werden an zumindest einem Teil der gespeicherten regionalen Daten eine oder mehrere Erfahrungsanalysen durchgeführt, z. B. um neues Wissen, bedeutende Beziehungen, Muster, Korrelationen, Entwicklungen usw. zu erfahren, vorherzusagen oder zu entdecken. Die eine oder mehreren Erfahrungsanalysen (z. B. wie von einem oder mehreren der Big-Data-Analysatoren 126 durchgeführt), können eine beliebige Anzahl an Datenentdeckungs- und/oder Erfahrungsalgorithmen und Techniken wie z. B. eine partielle Kleinst-Quadrate-Analyse, einen Random Forest, eine Mustererkennung, eine Vorhersageanalyse, eine Korrelationsanalyse, eine Hauptkomponentenanalyse, eine Klassifizierungsanalyse, Wahrscheinlichkeitsanalyse, Daten-Mining, Datenentdeckung oder andere maschinelle Erfahrungstechniken, darunter heuristisches Lernen (wie oben besprochen) enthalten. In einigen Fällen analysiert die regionale Big-Data-Anwendung 116 zumindest einige der gespeicherten regionalen Big-Data, um Datenmuster zu extrahieren, die dann evaluiert werden, um interessierende Muster zu entdecken, die Wissen basierend auf Interessantheitsmessungen darstellen. In einigen Fällen bestimmt die regionale Big-Data-Anwendung 116, welche relevante(n) Erfahrungsanalyse oder -analysen verwendet werden sollen, und bestimmt, mit welchen Teilen (oder in einigen Fällen alle) der gespeicherten Daten die Erfahrungsanalyse oder -analysen arbeiten sollen. Zum Beispiel enthält das Bestimmen der Erfahrungsanalyse eine Auswahl oder einer Abweichung der Erfahrungsanalyse. Als solches kann das Auswählen oder Abweichen der Erfahrungsanalyse auf einer oder mehreren Eigenschaften von zumindest einem Teil der gespeicherten regionalen Big-Data basieren, z. B. basierend auf dem jeweiligen Zeitstempel, der mit den gespeicherten Daten assoziiert wird, basierend auf Verschiebungen oder anderen in den gespeicherten Daten vorhandenen Maßnahmen, basierend auf der Art der Feldgeräte, von denen die gespeicherten Daten stammen, basierend auf bestimmten identifizierten Cluster innerhalb der gespeicherten Daten usw.
An einem Block 408 wird in Erfahrung gebrachtes Wissen, das ein Ergebnis der Erfahrungsanalyse angibt, erstellt oder generiert. Zum Beispiel enthält erstelltes oder generiertes in Erfahrung gebrachtes Wissen in Erfahrung gebrachte Daten, zusätzliche Daten, die dem regionalen Big-Data-Knoten 106 zuvor nicht bekannt waren und/oder eine oder mehrere in Erfahrung gebrachte Anwendungen, Funktionen, Routinen, Diensten, Erfahrungsanalysen oder Modifikationen dazu. In einem anderen Beispiel enthält das in Erfahrung gebrachte Wissen eine Vorhersage basierend auf einer oder mehreren Eigenschaften von zumindest einem Teil der gespeicherten regionalen Big-Data. Das in Erfahrung gebrachte Wissen kann neue Informationen bereitstellen, die für eine Reihe von Zwecken zur Vorhersage, Modellierung, Diagnose und/oder Fehlerbehebung nützlich sind. Typischerweise, aber nicht zwingend, ist das in Erfahrung gebrachte Wissen in der regionalen Big-Data-Anwendung 116 des regionalen Big-Data-Knotens 106 gespeichert.
An einem Block 410 enthält das Verfahren 400, basierend auf dem in Erfahrung gebrachten Wissen (Block 408) das Bewirken einer Veränderung oder Modifizierung eines oder mehrerer der Betriebsvorgänge, z. B. in der jeweiligen Region 140, 142, 144, die vom regionalen Big-Data-Knoten 106 bedient wird. Zum Beispiel könnte das in Erfahrung gebrachte Wissen zu einer Modifizierung von Prozessparametern für einen Prozess, der in einer oder mehreren jeweiligen Regionen gesteuert oder ausgeführt wird, führen. In einem anderen Beispiel könnte das in Erfahrung gebrachte Wissen zu einer Erstellung eines neuen Prozessmodells führen, welches im Anschluss in einer jeweiligen Region ausgeführt wird. Allgemein kann am Block 410 die Änderung oder Modifizierung eines oder mehrerer Betriebsvorgänge der jeweiligen Region 140, 142, 144 eine Änderung oder Modifizierung an einem lokalen Big-Data-Knoten (und/oder einem oder mehreren seiner Betriebsvorgänge), der in der jeweiligen Region 140, 142, 144 enthalten ist, und/oder eine Änderung oder Modifizierung an einem anderen Nicht-Big-Data-Gerät (und/oder einem oder mehreren seiner Betriebsvorgänge), das mit einem in der jeweiligen Region enthaltenen lokalen Big-Data-Knoten verbunden ist, enthalten. Zum Beispiel kann eine Änderung eines Steuerungsparameters eines Nicht-Big-Data- oder Vermächtnisgeräts, das mit einem Adapter für das Big-Data-Netzwerk zur Prozesssteuerung verbunden ist, durch Verwendung des Blocks 410 des Verfahrens 400 erwirkt werden. In einigen Ausführungsformen enthält der Block 410 das Bewirken einer Änderung oder Modifizierung eines oder mehrerer Betriebsvorgänge in einer anderen Region als der jeweiligen Region 140, 142, 144, die vom regionalen Big-Data-Knoten 106 bedient wird. Zum Beispiel kann der regionale Big-Data-Knoten 106 das in Erfahrung gebrachte Wissen an einen anderen regionalen Big-Data-Knoten übertragen, der eine andere Region bedient, und der regionale Big-Data-Empfängerknoten kann eine Änderung oder Modifizierung des Betriebs eines Teils seiner jeweiligen Region bewirken.
Tatsächlich enthält das Verfahren 400 in einigen Ausführungsformen das Bewirken der Weiterleitung von zumindest einigem des in Erfahrung gebrachten Wissens an einen anderen Big-Data-Knoten (wie an einen lokalen Big-Data-Knoten innerhalb seiner eigenen Region, an einen zentralisierten Big-Data-Knoten 108 oder an einen anderen regionalen Big-Data-Knoten 106, der eine andere Region bedient), z. B. zur Verwendung vom Big-Data-Empfängerknoten für seine jeweiligen Erfahrungsanalysen und/oder Betriebsvorgänge (Block 412). In einer Ausführungsform führt das in Erfahrung gebrachte Wissen zu einer Modifizierung eines Betriebsvorgangs, die vom Empfängerknoten und/oder von einem anderen an den Empfängerknoten gekoppelten Gerät (Block 410) durchgeführt wird. Als solches kann das Verfahren 400 bewirken, dass eine Angabe der Modifikation an den Big-Data-Empfängerknoten in Verbindung mit dem in Erfahrung gebrachten Wissen übertragen wird.
In einigen Ausführungsformen enthält das Verfahren 400 das Durchführen von Suchen im Kontext basierend auf dem in Erfahrung gebrachten Wissen (nicht gezeigt). Zum Beispiel kann sich ein Nutzer während einer Wartungsprüfung wünschen, den Status der verschiedenen Ventile in der Prozessanlage zu bestimmen. Als solches kann das Verfahren 400 das in Erfahrung gebrachte Wissen verwenden, um die nächsten Ventile, die sich neben dem Nutzer befinden, die nächsten Ventile, die im vergangenen Monat bedient wurden, die nächsten Ventile, die gewartet werden müssen usw. zu finden. Die Ergebnisse der Suchen im Kontext können einer remoten oder lokalen Nutzerschnittstelle bereitgestellt werden oder können protokolliert werden.
In einigen Ausführungsformen enthält das Verfahren 400 das Bereitstellen von Empfehlungen für Nutzer (z. B. Außenbediener, Wartungsarbeiter, Ingenieure usw.) basierend auf dem in Erfahrung gebrachten Wissen (nicht gezeigt), z. B. an einer remoten oder lokalen Nutzerschnittstelle, oder in ein Protokoll geschrieben. Ganz insbesondere kann das Verfahren 400 den Nutzern Empfehlungen im Kontext dazu, wo in der Prozessanlage sie arbeiten, bereitstellen. Zum Beispiel kann sich ein Bediener wünschen, Anpassungen für einen Messprozess vorzunehmen, der in der Prozessanlage durchgeführt wird. Als solches kann das Verfahren 400 das in Erfahrung gebrachte Wissen verwenden, um dem Bediener Details dazu bereitzustellen, welche Regionen in der Prozessanlage für das Vornehmen der Anpassungen relevant sind und welche Regionen nicht betrachtet werden müssen.
In einigen Ausführungsformen ist nur einer der Blöcke 410 oder 412 im Verfahren 400 enthalten. In anderen Ausführungsformen werden die Blocke 410 und 412 der Reihe nach ausgeführt, sodass der regionale Big-Data-Knoten zuerst den Betrieb seiner jeweiligen Region basierend auf dem in Erfahrung gebrachten Wissen (Block 410) modifiziert und dann das in Erfahrung gebrachte Wissen an andere Big-Data-Empfängerknoten (Block 412) überträgt oder umgekehrt. In noch anderen Ausführungsformen des Verfahrens 400 werden die Blöcke 410 und 412 parallel ausgeführt.
Das Verfahren 400 enthält optional den Empfang zusätzlichen in Erfahrung gebrachten Wissens (Block 414) von anderen Big-Data-Knoten (z. B. von anderen regionalen Big-Data-Knoten 106, zentralisierten Big-Data-Knoten 108 und/oder anderen Big-Data-Knoten 104) der Prozessanlage. Der regionale Big-Data-Knoten 106 kann das empfangene in Erfahrung gebrachte Wissen speichern (Block 404) und kann eine oder mehrere anschließende Erfahrungsanalysen (Block 406) an dem zusätzlichen in Erfahrung gebrachten Wissen und an zumindest einem Teil der lokal gespeicherten regionalen Big-Data durchführen. Basierend auf den Ausgaben der anschließenden Erfahrungsanalyse oder -analysen kann zusätzliches in Erfahrung gebrachtes Wissen erstellt, generiert (Block 408) und optional am regionalen Big-Data-Knoten 106 gespeichert werden. In einigen Situationen werden basierend auf dem neu generierten in Erfahrung gebrachten Wissen ein oder mehrere Betriebsvorgänge, die in der jeweiligen mit dem regionalen Big-Data-Knoten verbundenen Region auftreten (Block 410) und/oder zumindest einiges des neuen in Erfahrung gebrachten Wissens an einen oder mehrere Big-Data-Empfängerknoten (Block 412) oder Anwendungen übertragen.
In einigen Ausführungsformen wird das Verfahren 400 automatisch oder unabhängig ohne Nutzereingaben in Echtzeit durchgeführt oder ausgeführt. Zum Beispiel werden Nutzereingaben zum Ausführen und/oder Initiieren der Ausführung eines der Schritte von einer Ausführungsform des Verfahrens 400 nicht benötigt oder verwendet. In anderen Ausführungsformen wird das Verfahren 400 mit oder basierend auf Nutzereingaben in Echtzeit durchgeführt oder ausgeführt.
Ausführungsformen der in der vorliegenden Offenbarung beschriebenen Techniken können jede Anzahl der folgenden Aspekte enthalten, entweder alleine oder in Kombination:

1. Regionaler Big-Data-Knoten zur Unterstützung von Big-Data in einer Prozessanlage, die einen Prozess steuert. Der regionale Big-Data-Knoten umfasst eine Netzwerkschnittstelle, die den regionalen Big-Data-Knoten kommunikativ mit einer aus einer Vielzahl von Regionen der Prozessanlage verbindet, wobei die eine aus der Vielzahl von Regionen eine Vielzahl von lokalen Big-Data-Knoten umfasst, von denen jeder in Echtzeit Daten überträgt, die durch die Steuerung des Prozesses durch die Prozessanlage generiert werden, während der Prozess in Echtzeit gesteuert wird. Der regionale Big-Data-Knoten umfasst auch einen Big-Data-Speicherbereich, umfassend ein oder mehrere greifbare, nicht-flüchtige, computerlesbare Speichermedien, die für das Speichern regionaler Big-Data konfiguriert sind. Weiter umfasst der regionale Big-Data-Knoten einen Big-Data-Empfänger, der für den Empfang der von der Vielzahl von lokalen Big-Data-Knoten übertragenen und über die Netzwerkschnittstelle am regionalen Big-Data-Knoten empfangenen Daten und für das Speichern der empfangenen Daten im Big-Data-Speicherbereich konfiguriert ist. Noch weiter umfasst der regionale Big-Data-Knoten einen Big-Data-Analysator, der für Folgendes konfiguriert ist: Durchführen einer Erfahrungsanalyse an zumindest einem Teil der regionalen Big-Data, Generieren von in Erfahrung gebrachtem Wissen basierend auf einem Ergebnis der Erfahrungsanalyse, und Bewirken einer Veränderung des Betriebs von zumindest einem Teil der Prozessanlage basierend auf dem Ergebnis der Erfahrungsanalyse, einschließlich des Bewirkens der Übertragung des in Erfahrung gebrachten Wissens an einen Big-Data-Empfängerknoten, der dem zumindest einen Teil der Prozessanlage entspricht.
2. Regionaler Big-Data-Knoten nach dem vorhergehenden Aspekt, wobei die eine aus der Vielzahl von Regionen gemäß zumindest einer von einer geographischen, physikalischen, funktionalen oder logischen Gruppierung gebildet ist.
3. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei: die Vielzahl von lokalen Big-Data-Knoten der einen aus der Vielzahl von Regionen mindestens eines des Folgenden enthält: ein Prozesssteuerungsgerät, ein Gateway-Gerät, einen Zugriffspunkt, ein Routing-Gerät, ein Historian-Gerät oder ein Netzwerkmanagement-Gerät, der bzw. das in der Prozessanlage enthalten ist. Das Prozesssteuerungsgerät ist eines von einer Steuerung, einem Feldgerät, das eine physikalische Funktion zur Steuerung von zumindest einem Teil des Prozesses durchführt, oder einem Input-/Output-(I/O)-Gerät, das die Steuerung und das Feldgerät kommunikativ verbindet.
4. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei die regionalen Big-Data mehrere Datentypen enthalten und ein Satz an Datentypen kontinuierliche Daten, Ereignisdaten, Messdaten, Batch-Daten, berechnete Daten, Diagnosedaten, Konfigurationsdaten, Daten, die dem in Erfahrung gebrachten Wissen entsprechen, und Daten, die anderem in Erfahrung gebrachten Wissen entsprechen, enthält.
5. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei die Erfahrungsanalyse mindestens eines des Folgenden enthält: eine partielle Kleinst-Quadrate-Regressions-Analyse, einen Random Forest, eine Mustererkennung, eine Vorhersageanalyse, eine Korrelationsanalyse, eine Hauptkomponentenanalyse, Data-Mining, Data-Discovery oder andere maschinelle Lerntechniken, darunter heuristisches Lernen.
6. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei die Veränderung des Betriebs des zumindest einen Teils der Prozessanlage basierend auf dem Ergebnis der Erfahrungsanalyse eine Modifikation eines Betriebsvorgangs umfasst, die in der einen aus der Vielzahl von Regionen basierend auf dem in Erfahrung gebrachten Wissen durchgeführt wird. Der Big-Data-Analysator ist weiter so konfiguriert, dass er eine Angabe der Modifikation zur Übertragung an den Big-Data-Empfängerknoten in Verbindung mit dem in Erfahrung gebrachten Wissen bewirkt.
7. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei das in Erfahrung gebrachte Wissen erstes in Erfahrung gebrachtes Wissen ist, die Erfahrungsanalyse eine erste Erfahrungsanalyse ist, und die eine aus der Vielzahl von Regionen eine erste Region ist. Der Big-Data-Empfänger ist weiter für den Empfang von zweitem in Erfahrung gebrachtem Wissen, das von einem anderen Big-Data-Knoten einer zweiten Region aus der Vielzahl von Regionen generiert wird, konfiguriert. Der Big-Data-Analysator ist noch weiter für zumindest eines von einem (i) Bewirken einer Modifikation basierend auf dem empfangenen in Erfahrung gebrachten zweiten Wissen an einem in der ersten Region durchgeführten Betriebsvorgang, oder (ii) Durchführen einer zweiten Erfahrungsanalyse an dem empfangenen zweiten in Erfahrung gebrachten Wissen und zumindest einigen der regionalen Big-Data konfiguriert.
8. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei der andere Big Date-Knoten der zweiten Region ein regionaler Big-Data-Knoten ist, der die zweite Region bedient.
9. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei das in Erfahrung gebrachte Wissen mindestens eines des Folgenden enthält: zusätzliche Daten, die sich aus der Steuerung des Prozesses ergeben, die dem regionalen Big-Data-Knoten zuvor unbekannt waren, eine Anwendung, eine Dienstleistung, eine Routine, eine Funktion, oder eine andere Erfahrungsanalyse.
10. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei der Big-Data-Analysator weiter für die Durchführung einer Suche im Kontext basierend auf dem in Erfahrung gebrachten Wissen konfiguriert ist.
11. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei der Big-Data-Analysator weiter für die Bereitstellungen von Empfehlungen für Nutzer basierend auf dem in Erfahrung gebrachten Wissen konfiguriert ist.
12. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei die Netzwerkschnittstelle den regionalen Big-Data-Knoten kommunikativ mit einem Big-Data-Knoten der Nutzerschnittstelle verbindet. Der Big-Data-Knoten der Nutzerschnittstelle enthält eine Nutzerschnittstelle und eine oder mehrere jeweilige Analytikroutinen. Der Big-Data-Empfänger ist weiter so konfiguriert, dass er unter Verwendung der Netzwerkschnittstelle Daten empfängt, die basierend auf einem Ergebnis der einen oder mehreren jeweiligen am Big-Data-Knoten der Nutzerschnittstelle ausgeführten Analytikroutinen basierend auf einer über die Nutzerschnittstelle des Big-Data-Knotens der Nutzerschnittstelle empfangenen Nutzereingabe, generiert wurden, und die vom Big-Data-Knoten der Nutzerschnittstelle empfangenen Daten im Big-Data-Speicherbereich speichert. Der Big-Data-Analysator ist weiter so konfiguriert, dass er die Erfahrungsanalyse oder eine andere Erfahrungsanalyse an einem anderen Teil der regionalen Big-Data, darunter den vom Big-Data-Knoten der Nutzerschnittstelle empfangenen Daten, durchführt.
13. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei die Netzwerkschnittstelle den regionalen Big-Data-Knoten kommunikativ mit einem zentralisierten Big-Data-Knoten verbindet. Der zentralisierte Big-Data-Knoten enthält eine oder mehrere jeweilige Analytikroutinen. Der Big-Data-Empfänger des regionalen Big-Data-Knotens ist weiter so konfiguriert, dass er unter Verwendung der Netzwerkschnittstelle Daten empfängt, die basierend auf einem Ergebnis der einen oder mehreren am zentralisierten Big-Data-Knoten ausgeführten Analytikroutinen generiert wurden, und die vom zentralisierten Big-Data-Knoten empfangenen Daten im Big-Data-Speicherbereich speichert. Der Big-Data-Analysator des regionalen Big-Data-Knotens ist weiter für mindestens eines des Folgenden konfiguriert: Durchführen der Erfahrungsanalyse oder einer anderen Erfahrungsanalyse an einem anderen Teil der regionalen Big-Data, darunter den vom zentralisierten Big-Data-Knoten empfangenen Daten, oder Modifizieren eines Betriebs basierend auf den vom zentralisierten Big-Data-Knoten enthaltenen Daten.
14. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei zumindest ein Teil von zumindest einem von dem Big-Data-Empfänger oder dem Big-Data-Analysator auf einem oder mehreren integrierten Schaltkreisen enthalten ist.
15. Regionaler Big-Data-Knoten nach einem der vorhergehenden Aspekte, wobei zumindest ein Teil von zumindest einem von dem Big-Data-Empfänger oder dem Big-Data-Analysator computerlesbare Anweisungen umfasst, die in einem Speicher des regionalen Big-Data-Knotens gespeichert und von einem Prozessor des regionalen Big-Data-Knotens durchführbar sind.
16. Verfahren zur Verwendung regionaler Big-Data zur Verbesserung des Betriebs einer Prozessanlage, die einen Prozess steuert. Das Verfahren kann, zumindest teilweise, vom regionalen Big-Data-Knoten nach einem der vorhergehenden Aspekte durchgeführt werden. Das Verfahren umfasst das Sammeln von Daten an einem oder mehreren regionalen Big-Data-Knoten der Prozessanlage. Jeder des einen oder der mehreren regionalen Big-Data-Knoten entspricht einer jeweiligen Region, die in einer Vielzahl von Regionen der Prozessanlage enthalten ist. Die gesammelten Daten enthalten von einer jeweiligen Vielzahl von lokalen Big-Data-Knoten der jeweiligen Region übertragene Daten, und jeder lokale Big-Data-Knoten überträgt in Echtzeit jeweilige Daten, die sich aus Online-Betriebsvorgängen der jeweiligen Region jedes lokalen Big-Data-Knotens ergeben. Das Verfahren umfasst auch das Speichern der gesammelten Daten als regionale Big-Data auf dem einen oder den mehreren regionalen Big-Data-Knoten. Weiter umfasst das Verfahren das Durchführen von einer oder mehreren Erfahrungsanalysen an zumindest einem Teil der regionalen Big-Data durch den einen oder die mehreren regionalen Big-Data-Knoten, und das Generieren von in Erfahrung gebrachtem Wissen basierend auf Ergebnissen der einen oder mehreren Erfahrungsanalysen. Noch weiter umfasst das Verfahren das Bewirken einer Veränderung des Betriebs von zumindest einem Teil der Prozessanlage basierend auf den Ergebnissen der einen oder mehreren Erfahrungsanalysen, einschließlich Übertragen des in Erfahrung gebrachten Wissens auf einen Big-Data-Empfängerknoten, der dem zumindest einen Teil der Prozessanlage entspricht.
17. Verfahren nach dem vorhergehenden Aspekt, wobei das Verfahren unabhängig ohne oder mit Nutzung von Echtzeit-Nutzereingaben durchgeführt wird.
18. Verfahren nach einem der vorhergehenden Aspekte, wobei jeder des einen oder der mehreren regionalen Big-Data-Knoten gemäß einer von einer geographischen, physikalischen, funktionalen oder logischen Gruppierung gebildet ist.
19. Verfahren nach einem der vorhergehenden Aspekte, wobei das Sammeln der Daten an dem einen oder den mehreren regionalen Big-Data-Knoten das Sammeln der von mindestens einem der Folgenden übertragenen Daten umfasst: einem Prozesssteuerungsgerät, einem Gateway-Gerät, einem Zugriffspunkt, einem Routing-Gerät, einem Historian-Gerät, einem Nutzerschnittstellengerät oder einem Netzwerkmanagement-Gerät der Prozessanlage. Das Prozesssteuerungsgerät ist eines von einer Steuerung, einem Feldgerät, das eine physikalische Funktion zur Steuerung von zumindest einem Teil des Prozesses durchführt, oder einem Input-/Output-(I/O)-Gerät, das die Steuerung und das Feldgerät kommunikativ verbindet. Die gesammelten Daten enthalten mindestens einen Datentyp, der in einem Satz an Datentypen enthalten ist, der kontinuierliche Daten, Ereignisdaten, Messdaten, Batch-Daten, berechnete Daten, Diagnosedaten, Konfigurationsdaten und Daten, die anderem in Erfahrung gebrachten Wissen entsprechen, umfasst.
20. Verfahren nach einem der vorhergehenden Aspekte, wobei das in Erfahrung gebrachte Wissen erstes in Erfahrung gebrachtes Wissen ist, und wobei das Sammeln der Daten an dem einen oder den mehreren regionalen Big-Data-Knoten das Sammeln von zweitem in Erfahrung gebrachten Wissen, generiert von dem einen oder den mehreren regionalen Big-Data-Knoten oder von einem anderen Big-Data-Knoten der Prozessanlage, umfasst.
21. Verfahren nach einem der vorhergehenden Aspekte, weiter umfassend zumindest eines des Folgenden: Auswählen einer ersten zumindest einen aus der einen oder den mehreren Erfahrungsanalysen, oder Ableiten einer zweiten zumindest einen aus der einen oder den mehreren Erfahrungsanalysen.
22. Verfahren nach einem der vorhergehenden Aspekte, wobei das Generieren des in Erfahrung gebrachten Wissens das Generieren von zumindest einem des Folgenden umfasst: zusätzliche Daten, die dem einen oder den mehreren regionalen Big-Data-Knoten zuvor unbekannt waren, eine neue oder modifizierte Anwendung, eine neue oder modifizierte Funktion, eine neue oder modifizierte Routine, eine neue oder modifizierte Erfahrungsanalyse oder eine neue oder modifizierte Dienstleistung.
23. Verfahren nach einem der vorhergehenden Aspekte, wobei der zumindest eine Teil der regionalen Big-Data ein erster zumindest eine Teil der regionalen Big-Data ist. Das Verfahren umfasst weiter die Durchführung der neuen oder modifizierten Erfahrungsanalyse an einem zweiten zumindest einen Teil der regionalen Big-Data.
24. Verfahren nach einem der vorhergehenden Aspekte, wobei das Durchführen der einen oder mehreren Erfahrungsanalysen das Durchführen zumindest eines von einer maschinellen Erfahrungsanalyse, einer Vorhersageanalyse, einem Data-Mining oder einer Data-Discovery umfasst.
24. Verfahren nach einem der vorhergehenden Aspekte, wobei das Durchführen der einen oder mehreren Erfahrungsanalysen durch den einen oder die mehreren regionalen Big-Data-Knoten das Durchführen der einen oder mehreren Erfahrungsanalysen von mehr als einen regionalen Big-Data-Knoten umfasst und das Generieren des in Erfahrung gebrachten Wissens basierend auf den Ergebnissen der einen oder mehreren Erfahrungsanalysen das Generieren des in Erfahrung gebrachten Wissens basierend auf Ergebnissen der einen oder mehreren von dem mehr als einen regionalen Big-Data-Knoten durchgeführten Erfahrungsanalysen umfasst.
26. System zur Unterstützung regionaler Big-Data in einer Prozessanlage. Das System umfasst einen oder mehrere regionale Big-Data-Knoten, eine Vielzahl von lokalen Big-Data-Knoten, und ein Kommunikationsnetzwerk, das den einen oder die mehreren regionalen Big-Data-Knoten und die Vielzahl von lokalen Big-Data-Knoten kommunikativ verbindet. Das System kann in einer Ausführungsform zumindest einen Teil einer der vorhergehenden Verfahren durchführen. Die Vielzahl von lokalen Big-Data-Knoten sind zu einer Vielzahl von Regionen angeordnet, wobei jede davon von einem regionalen Big-Data-Knoten bedient wird, der in dem einen oder den mehreren regionalen Big-Data-Knoten enthalten ist. Der jeweilige regionale Big-Data-Knoten ist für das Sammeln von Daten konfiguriert, die von einem Satz an lokalen Big-Data-Knoten, die mit der jeweiligen von dem jeweiligen regionalen Big-Data-Knoten bedienten Region assoziiert werden, in Echtzeit generiert wurden, wobei die Daten aufgrund von Echtzeitsteuerung eines Prozesses in der Prozessanlage von dem Satz an lokalen Big-Data-Knoten in Echtzeit generiert werden. Der jeweilige regionale Big-Data-Knoten ist auch für das Speichern der gesammelten Daten als jeweilige regionale Big-Data in einem Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist, konfiguriert. Weiter ist der jeweilige regionale Big-Data-Knoten für das Durchführen, unter Verwendung eines im jeweiligen regionalen Big-Data-Knoten enthaltenen Big-Data-Analysators, einer Erfahrungsanalyse an zumindest einem Teil der gespeicherten jeweiligen regionalen Big-Data und das Generieren von in Erfahrung gebrachtem Wissen basierend auf dem Ergebnis der durchgeführten Erfahrungsanalyse konfiguriert. Noch weiter ist der regionale Big-Data-Knoten für zumindest eines von (i) Speichern des in Erfahrung gebrachten Wissens als zusätzliche jeweilige regionale Big-Data im Big-Data-Speicherbereich, oder (ii) Übertragen des in Erfahrung gebrachten Wissens an einen in der Prozessanlage enthaltenen Big-Data-Empfängerknoten konfiguriert.
27. System nach dem vorhergehenden Aspekt, wobei die Vielzahl von lokalen Big-Data-Knoten in der Vielzahl von Regionen gemäß zumindest einer von einer geographischen, physikalischen, funktionalen oder logischen Gruppierung angeordnet ist.
28. System nach einem der vorhergehenden Aspekte, wobei das in Erfahrung gebrachte Wissen mindestens eines des Folgenden enthält: zusätzliche Daten, die sich aus der Echtzeitsteuerung des Prozesses ergeben, eine Anwendung, eine Funktion, eine Dienstleistung, eine Routine oder eine andere Erfahrungsanalyse.
29. System nach einem der vorhergehenden Aspekte, wobei das Ergebnis der durchgeführten Erfahrungsanalyse eine Vorhersage basierend auf Eigenschaften des zumindest einen Teils der gespeicherten jeweiligen regionalen Big-Data enthält.
30. System nach einem der vorhergehenden Aspekte, weiter umfassend einen Big-Data-Knoten der Nutzerschnittstelle mit einer jeweiligen Erfahrungsanalyse, und wobei die gesammelten Daten erste gesammelte Daten sind. Der jeweilige regionale Big-Data-Knoten ist weiter für das Sammeln von zweiten Daten, generiert durch eine Durchführung der jeweiligen Erfahrungsanalyse am Big-Data-Knoten der Nutzerschnittstelle, konfiguriert. Zusätzlich ist der jeweilige regionale Big-Data-Knoten weiter für das Speichern der zweiten gesammelten Daten im Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist, konfiguriert. Der jeweilige regionale Big-Data-Knoten ist weiter für mindestens eines des Folgenden konfiguriert: Durchführen der Erfahrungsanalyse oder einer anderen Erfahrungsanalyse an einem Satz an gespeicherten jeweiligen regionalen Daten einschließlich der zweiten gesammelten Daten, oder Bewirken der Übertragung der zweiten gesammelten Daten an einen anderen Big-Data-Knoten.
31. System nach einem der vorhergehenden Aspekte, weiter umfassend mindestens eines von einem zentralisierten Big-Data-Knoten oder einer anderen Art von Big-Data-Knoten, und wobei die gesammelten Daten erste gesammelte Daten sind. Der jeweilige regionale Big-Data-Knoten ist weiter für das Sammeln von zweiten Daten, generiert durch eine Durchführung einer Erfahrungsanalyse an dem zumindest einen der zentralisierten Big-Data-Knoten oder der anderen Art von Big-Data-Knoten, konfiguriert. Außerdem ist der jeweilige regionale Big-Data-Knoten weiter konfiguriert für das Speichern der zweiten gesammelten Daten im Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist, und das Durchführen der Erfahrungsanalyse oder einer anderen Erfahrungsanalyse an einem Satz an gespeicherten jeweiligen regionalen Daten, darunter den zweiten gesammelten Daten.
32. System nach einem der vorhergehenden Aspekte, wobei die in Echtzeit von dem Satz an lokalen Big-Data-Knoten generierten Daten Daten enthält, die in Echtzeit von einem oder mehreren der Folgenden generiert wurden: einem Feldgerät, einer Steuerung, einem Input-/Output-(I/O)-Gerät mit einer Schnittstelle zur Steuerung und einer Schnittstelle zum Feldgerät, einem Gateway-Gerät, einem Zugriffspunkt, einem Routing-Gerät, einem Historian-Gerät oder einem Netzwerkmanagement-Gerät. Die Steuerung ist konfiguriert, um einen Satz an Eingaben zu empfangen, basierend auf dem Satz an Eingaben einen Wert einer Ausgabe zu bestimmen, und die Übertragung der Ausgabe an das Feldgerät zu bewirken, um den von der Prozessanlage ausgeführten Prozess zu steuern. Das Feldgerät ist konfiguriert, um eine physikalische Funktion basierend auf der Ausgabe der Steuerung durchzuführen, um den Prozess zu steuern.
33. System nach einem der vorhergehenden Aspekte, wobei das in Erfahrung gebrachte Wissen an den Big-Data-Empfangsknoten übertragen wird, und wobei der Big-Data-Empfangsknoten mindestens eines (i) einer Modifikation am Big-Data-Empfangsknoten basierend auf dem empfangenen in Erfahrung gebrachten Wissen, oder (ii) eine Modifikation an einem Anbieter von Big-Data für den Big-Data-Empfangsknoten bewirkt.

Bei der Umsetzung in Software kann jede der in diesem Dokument beschriebenen Anwendungen, Dienste und Maschinen in jedem greifbaren, nicht-flüchtigen, computerlesbaren Speicher gespeichert werden, wie auf einer Magnetplatte, einer Laserplatte, einem Festkörperspeichergerät, einem Molekularspeichergerät, oder einem anderen Speichermedium, in einem RAM oder ROM eines Computers oder Prozessors usw. Obwohl die in diesem Dokument offenbarten beispielhaften Systeme als, neben anderen Komponenten, auf Hardware ausgeführte Software und/oder Firmware enthaltend offenbart werden, ist anzumerken, dass solche Systeme lediglich illustrativ sind und nicht als einschränkend betrachtet werden sollten. Es ist zum Beispiel vorgesehen, dass eine oder alle dieser Hardware-, Software- und Firmware-Komponenten ausschließlich ausgeführt in Hardware, ausschließlich in Software, oder in jeder Kombination von Hardware und Software sein könnte. Entsprechend erkennt ein Fachmann, obwohl die in diesem Dokument beschriebenen beispielhaften Systeme als in Software umgesetzt beschrieben werden, die auf einem Prozessor oder einem oder mehreren Computergeräten ausgeführt wird, dass die bereitgestellten Beispiele nicht die einzige Möglichkeit zur Umsetzung solcher Systeme sind.
Daher ist, während die vorliegende Erfindung mit Bezug auf spezifische Beispiele beschrieben worden ist, die lediglich illustrativ sein und die Erfindung nicht einschränken sollen, für einen Fachmann offensichtlich, dass Änderungen, Hinzufügungen oder Löschungen an den offenbarten Ausführungsformen vorgenommen werden können, ohne vom Geist und Umfang der Erfindung abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

IEEE 802.11 [0089]

Claims

Regionaler Big-Data-Knoten zur Unterstützung von Big-Data in einer Prozessanlage, die einen Prozess steuert, wobei der regionale Big-Data-Knoten Folgendes umfasst: eine Netzwerkschnittstelle, die den regionalen Big-Data-Knoten kommunikativ mit einer aus einer Vielzahl von Regionen der Prozessanlage verbindet, wobei die eine aus der Vielzahl von Regionen eine Vielzahl von lokalen Big-Data-Knoten umfasst, von denen jeder in Echtzeit Daten überträgt, die durch die Steuerung des Prozesses durch die Prozessanlage generiert werden, während der Prozess in Echtzeit gesteuert wird; einen Big-Data-Speicherbereich, umfassend ein oder mehrere greifbare, nicht-flüchtige, computerlesbare Speichermedien, die für das Speichern regionaler Big-Data konfiguriert sind; einen Big-Data-Empfänger, der für den Empfang der von der Vielzahl von lokalen Big-Data-Knoten übertragenen und über die Netzwerkschnittstelle am regionalen Big-Data-Knoten empfangenen Daten und für das Speichern der empfangenen Daten im Big-Data-Speicherbereich konfiguriert ist; und einen Big-Data-Analysator, der für Folgendes konfiguriert ist: Durchführen einer Erfahrungsanalyse an zumindest einem Teil der regionalen Big-Data; Generieren von in Erfahrung gebrachtem Wissen basierend auf einem Ergebnis der Erfahrungsanalyse; und Bewirken einer Veränderung des Betriebs von zumindest einem Teil der Prozessanlage basierend auf dem Ergebnis der Erfahrungsanalyse, einschließlich Bewirken der Übertragung des in Erfahrung gebrachten Wissens an einen Big-Data-Empfängerknoten, der dem zumindest einen Teil der Prozessanlage entspricht.
Regionaler Big-Data-Knoten nach Anspruch 1, wobei die eine aus der Vielzahl von Regionen gemäß zumindest einer von einer geographischen, physikalischen, funktionalen oder logischen Gruppierung gebildet ist; und/oder wobei: die Vielzahl von lokalen Big-Data-Knoten der einen aus der Vielzahl von Regionen mindestens eines des Folgenden enthält: ein Prozesssteuerungsgerät, ein Gateway-Gerät, einen Zugriffspunkt, ein Routing-Gerät, ein Historian-Gerät oder ein Netzwerkmanagement-Gerät, der bzw. das in der Prozessanlage enthalten ist; und das Prozesssteuerungsgerät eines von einer Steuerung, einem Feldgerät, das eine physikalische Funktion zur Steuerung von zumindest einem Teil des Prozesses durchführt, oder einem Input-/Output-(I/O)-Gerät, das die Steuerung und das Feldgerät kommunikativ verbindet, ist.
Regionaler Big-Data-Knoten nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei die regionalen Big-Data mehrere Datentypen enthalten und ein Satz an Datentypen kontinuierliche Daten, Ereignisdaten, Messdaten, Batch-Daten, berechnete Daten, Diagnosedaten, Konfigurationsdaten, Daten, die dem in Erfahrung gebrachten Wissen entsprechen, und Daten, die anderem in Erfahrung gebrachten Wissen entsprechen, enthält; und/oder wobei die Erfahrungsanalyse mindestens eines des Folgenden enthält: eine partielle Kleinst-Quadrate-Regressions-Analyse, einen Random Forest, eine Mustererkennung, eine Vorhersageanalyse, eine Korrelationsanalyse, eine Hauptkomponentenanalyse, Data-Mining, Data-Discovery oder andere maschinelle Lerntechniken, darunter heuristisches Lernen; und/oder wobei: die Veränderung des Betriebs des zumindest einen Teils der Prozessanlage basierend auf dem Ergebnis der Erfahrungsanalyse eine Modifikation eines Betriebsvorgangs umfasst, die in der einen aus der Vielzahl von Regionen basierend auf dem in Erfahrung gebrachten Wissen durchgeführt wird, und der Big-Data-Analysator weiter so konfiguriert ist, dass er eine Angabe der Modifikation zur Übertragung an den Big-Data-Empfängerknoten in Verbindung mit dem in Erfahrung gebrachten Wissen bewirkt.
Regionaler Big-Data-Knoten nach Anspruch 1, wobei: das in Erfahrung gebrachte Wissen erstes in Erfahrung gebrachtes Wissen ist, die Erfahrungsanalyse eine erste Erfahrungsanalyse ist, und die eine aus der Vielzahl von Regionen eine erste Region ist; der Big-Data-Empfänger weiter für den Empfang von zweitem in Erfahrung gebrachten Wissen, das von einem anderen Big-Data-Knoten einer zweiten Region aus der Vielzahl von Regionen generiert wird, konfiguriert ist; und der Big-Data-Analysator weiter für zumindest eines von einem (i) Bewirken einer Modifikation basierend auf dem empfangenen in Erfahrung gebrachten zweiten Wissen an einem in der ersten Region durchgeführten Betriebsvorgang, oder (ii) Durchführen einer zweiten Erfahrungsanalyse an dem empfangenen zweiten in Erfahrung gebrachten Wissen und zumindest einigen der regionalen Big-Data konfiguriert ist.
Regionaler Big-Data-Knoten nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 4, wobei der andere Big Date-Knoten der zweiten Region ein regionaler Big-Data-Knoten ist, der die zweite Region bedient.
Regionaler Big-Data-Knoten nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei das in Erfahrung gebrachte Wissen mindestens eines des Folgenden enthält: zusätzliche Daten, die sich aus der Steuerung des Prozesses ergeben, die dem regionalen Big-Data-Knoten zuvor unbekannt waren, eine Anwendung, eine Dienstleistung, eine Routine, eine Funktion, oder eine andere Erfahrungsanalyse; und/oder wobei der Big-Data-Analysator weiter für die Durchführung einer Suche im Kontext basierend auf dem in Erfahrung gebrachten Wissen konfiguriert ist; und/oder wobei der Big-Data-Analysator weiter für die Bereitstellung von Empfehlungen für Nutzer basierend auf dem in Erfahrung gebrachten Wissen konfiguriert ist.
Regionaler Big-Data-Knoten nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei: die Netzwerkschnittstelle den regionalen Big-Data-Knoten kommunikativ mit einem Big-Data-Knoten der Nutzerschnittstelle verbindet, wobei der Big-Data-Knoten der Nutzerschnittstelle eine Nutzerschnittstelle und eine oder mehrere jeweilige Analytikroutinen enthält; der Big-Data-Empfänger weiter so konfiguriert ist, dass er unter Verwendung der Netzwerkschnittstelle Daten empfängt, die basierend auf einem Ergebnis der einen oder mehreren jeweiligen am Big-Data-Knoten der Nutzerschnittstelle ausgeführten Analytikroutinen basierend auf einer über die Nutzerschnittstelle des Big-Data-Knotens der Nutzerschnittstelle empfangenen Nutzereingabe, generiert wurden, und die vom Big-Data-Knoten der Nutzerschnittstelle empfangenen Daten im Big-Data-Speicherbereich speichert; und der Big-Data-Analysator weiter so konfiguriert ist, dass er die Erfahrungsanalyse oder eine andere Erfahrungsanalyse an einem anderen Teil der regionalen Big-Data, darunter den vom Big-Data-Knoten der Nutzerschnittstelle empfangenen Daten, durchführt.
Regionaler Big-Data-Knoten nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei: die Netzwerkschnittstelle den regionalen Big-Data-Knoten kommunikativ mit einem zentralisierten Big-Data-Knoten verbindet; der zentralisierte Big-Data-Knoten eine oder mehrere jeweilige Analytikroutinen enthält; der Big-Data-Empfänger des regionalen Big-Data-Knotens weiter so konfiguriert ist, dass er unter Verwendung der Netzwerkschnittstelle Daten empfängt, die basierend auf einem Ergebnis der einen oder mehreren am zentralisierten Big-Data-Knoten ausgeführten Analytikroutinen generiert wurden, und die vom zentralisierten Big-Data-Knoten empfangenen Daten im Big-Data-Speicherbereich speichert; und mindestens eines des Folgenden gilt: der Big-Data-Analysator weiter so konfiguriert ist, dass er die Erfahrungsanalyse oder eine andere Erfahrungsanalyse an einem anderen Teil der regionalen Big-Data, darunter den vom zentralisierten Big-Data-Knoten empfangenen Daten, durchführt, oder der regionale Big-Data-Knoten so konfiguriert ist, dass er einen Betriebsvorgang basierend auf den vom zentralisierten Big-Data-Knoten empfangenen Daten modifiziert.
Regionaler Big-Data-Knoten nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei zumindest ein Teil von zumindest einem von de Big-Data-Empfänger oder dem Big-Data-Analysator auf einem oder mehreren integrierten Schaltkreisen enthalten ist; und/oder wobei zumindest ein Teil von zumindest einem von de Big-Data-Empfänger oder dem Big-Data-Analysator computerlesbare Anweisungen umfasst, die in einem Speicher des regionalen Big-Data-Knotens gespeichert und von einem Prozessor des regionalen Big-Data-Knotens durchführbar sind.
Verfahren zur Verwendung regionaler Big-Data zur Verbesserung des Betriebs einer Prozessanlage, die einen Prozess steuert, wobei das Verfahren Folgendes umfasst: Sammeln von Daten an einem oder mehreren regionalen Big-Data-Knoten der Prozessanlage, wobei: jeder des einen oder der mehreren regionalen Big-Data-Knoten einer jeweiligen Region entspricht, die in einer Vielzahl von Regionen der Prozessanlage enthalten ist, die gesammelten Daten von einer jeweiligen Vielzahl von lokalen Big-Data-Knoten der jeweiligen Region übertragene Daten enthalten, und jeder lokale Big-Data-Knoten in Echtzeit jeweilige Daten überträgt, die sich aus Online-Betriebsvorgängen der jeweiligen Region jedes lokalen Big-Data-Knotens ergeben; Speichern der gesammelten Daten als regionale Big-Data auf dem einen oder den mehreren regionalen Big-Data-Knoten; Durchführen einer oder mehrerer Erfahrungsanalysen an zumindest einem Teil der regionalen Big-Data durch den einen oder die mehreren regionalen Big-Data-Knoten; Generieren von in Erfahrung gebrachtem Wissen basierend auf Ergebnissen der einen oder mehreren Erfahrungsanalysen; und Bewirken einer Veränderung des Betriebs von zumindest einem Teil der Prozessanlage basierend auf den Ergebnissen der einen oder mehreren Erfahrungsanalysen, einschließlich Übertragen des in Erfahrung gebrachten Wissens auf einen Big-Data-Empfängerknoten, der dem zumindest einen Teil der Prozessanlage entspricht.
Verfahren nach Anspruch 10, wobei das Verfahren unabhängig ohne Nutzung von Echtzeit-Nutzereingaben durchgeführt wird; und/oder wobei jeder des einen oder der mehreren regionalen Big-Data-Knoten gemäß einer von einer geographischen, physikalischen, funktionalen oder logischen Gruppierung gebildet ist.
Verfahren nach einem der Ansprüche 10 oder 11, insbesondere nach Anspruch 10, wobei: das Sammeln der Daten an dem einen oder den mehreren regionalen Big-Data-Knoten das Sammeln der von mindestens einem der Folgenden übertragenen Daten umfasst: einem Prozesssteuerungsgerät, einem Gateway-Gerät, einem Zugriffspunkt, einem Routing-Gerät, einem Historian-Gerät, einem Nutzerschnittstellengerät oder einem Netzwerkmanagement-Gerät der Prozessanlage; das Prozesssteuerungsgerät eines von einer Steuerung, einem Feldgerät, das eine physikalische Funktion zur Steuerung von zumindest einem Teil des Prozesses durchführt, oder einem Input-/Output-(I/O)-Gerät, das die Steuerung und das Feldgerät kommunikativ verbindet, ist; und die gesammelten Daten mindestens einen Datentyp enthalten, der in einem Satz an Datentypen enthalten ist, der kontinuierliche Daten, Ereignisdaten, Messdaten, Batch-Daten, berechnete Daten, Diagnosedaten, Konfigurationsdaten und Daten, die anderem in Erfahrung gebrachten Wissen entsprechen, umfasst.
Verfahren nach einem der Ansprüche 10 bis 12, insbesondere nach Anspruch 10, wobei das in Erfahrung gebrachte Wissen erstes in Erfahrung gebrachtes Wissen ist, und wobei das Sammeln der Daten an dem einen oder den mehreren regionalen Big-Data-Knoten das Sammeln von zweitem in Erfahrung gebrachten Wissen, generiert von dem einen oder den mehreren regionalen Big-Data-Knoten oder von einem anderen Big-Data-Knoten der Prozessanlage, umfasst; und/oder das Verfahren, weiter umfassend zumindest eines des Folgenden: Auswählen einer ersten zumindest einen aus der einen oder den mehreren Erfahrungsanalysen, oder Ableiten einer zweiten zumindest einen aus der einen oder den mehreren Erfahrungsanalysen; und/oder wobei das Generieren des in Erfahrung gebrachten Wissens das Generieren von zumindest einem des Folgenden umfasst: zusätzliche Daten, die dem einen oder den mehreren regionalen Big-Data-Knoten zuvor unbekannt waren, eine neue oder modifizierte Anwendung, eine neue oder modifizierte Funktion, eine neue oder modifizierte Routine, eine neue oder modifizierte Erfahrungsanalyse oder eine neue oder modifizierte Dienstleistung; und/oder wobei: der zumindest eine Teil der regionalen Big-Data ein erster zumindest eine Teil der regionalen Big-Data ist; und das Verfahren weiter die Durchführung der neuen oder modifizierten Erfahrungsanalyse an einem zweiten zumindest einen Teil der regionalen Big-Data umfasst; und/oder wobei das Durchführen der einen oder mehreren Erfahrungsanalysen das Durchführen zumindest eines von einer maschinellen Erfahrungsanalyse, einer Vorhersageanalyse, einem Data-Mining oder einer Data-Discovery umfasst.
Verfahren nach einem der Ansprüche 10 bis 13, insbesondere nach Anspruch 10, wobei: das Durchführen der einen oder mehreren Erfahrungsanalysen durch den einen oder die mehreren regionalen Big-Data-Knoten das Durchführen der einen oder mehreren Erfahrungsanalysen durch mehr als einen regionalen Big-Data-Knoten umfasst; und das Generieren des in Erfahrung gebrachten Wissens basierend auf den Ergebnissen der einen oder mehreren Erfahrungsanalysen das Generieren des in Erfahrung gebrachten Wissens basierend auf Ergebnissen der einen oder mehreren von den mehr als einem regionalen Big-Data-Knoten durchgeführten Erfahrungsanalysen umfasst.
System zur Unterstützung regionaler Big-Data in einer Prozessanlage, umfassend: einen oder mehrere regionale Big-Data-Knoten; eine Vielzahl von lokalen Big-Data-Knoten; und ein Kommunikationsnetzwerk, das den einen oder die mehreren regionalen Big-Data-Knoten und die Vielzahl von lokalen Big-Data-Knoten kommunikativ verbindet, wobei die Vielzahl von lokalen Big-Data-Knoten in einer Vielzahl von Regionen angeordnet ist, wobei jede davon von einem jeweiligen regionalen Big-Data-Knoten bedient wird, der in dem einen oder den mehreren regionalen Big-Data-Knoten enthalten ist, wobei der jeweilige regionale Big-Data-Knoten für Folgendes konfiguriert ist: Sammeln von Daten, die von einem Satz an lokalen Big-Data-Knoten, die mit der jeweiligen von dem jeweiligen regionalen Big-Data-Knoten bedienten Region assoziiert werden, in Echtzeit generiert wurden, wobei die Daten aufgrund von Echtzeitsteuerung eines Prozesses in der Prozessanlage von dem Satz an lokalen Big-Data-Knoten in Echtzeit generiert werden; Speichern der gesammelten Daten als jeweilige regionale Big-Data in einem Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist; und Durchführen einer Erfahrungsanalyse an zumindest einem Teil der gespeicherten jeweiligen regionalen Big-Data unter Verwendung eines im jeweiligen regionalen Big-Data-Knoten enthaltenen Big-Data-Analysators, und Generieren von in Erfahrung gebrachtem Wissen basierend auf dem Ergebnis der durchgeführten Erfahrungsanalyse; und zumindest eines von (i) Speichern des in Erfahrung gebrachten Wissens als zusätzliche jeweilige regionale Big-Data im Big-Data-Speicherbereich, oder (ii) Übertragen des in Erfahrung gebrachten Wissens an einen in der Prozessanlage enthaltenen Big-Data-Empfängerknoten.
System nach Anspruch 15, wobei die Vielzahl von lokalen Big-Data-Knoten in der Vielzahl von Regionen gemäß zumindest einer von einer geographischen, physikalischen, funktionalen oder logischen Gruppierung angeordnet ist; und/oder wobei das in Erfahrung gebrachte Wissen mindestens eines des Folgenden enthält: zusätzliche Daten, die sich aus der Echtzeitsteuerung des Prozesses ergeben, eine Anwendung, eine Funktion, eine Dienstleistung, eine Routine oder eine andere Erfahrungsanalyse; und/oder wobei das Ergebnis der durchgeführten Erfahrungsanalyse eine Vorhersage basierend auf Eigenschaften des zumindest einen Teils der gespeicherten jeweiligen regionalen Big-Data enthält.
System nach einem der Ansprüche 15 bis 16, insbesondere nach Anspruch 15, weiter umfassend einen Big-Data-Knoten der Nutzerschnittstelle mit einer jeweiligen Erfahrungsanalyse, und wobei: die gesammelten Daten erste gesammelte Daten sind, und der jeweilige regionale Big-Data-Knoten weiter für Folgendes konfiguriert ist: Sammeln von zweiten Daten, generiert durch eine Durchführung der jeweiligen Erfahrungsanalyse am Big-Data-Knoten der Nutzerschnittstelle; Speichern der zweiten gesammelten Daten im Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist; und mindestens eines des Folgenden: Durchführen der Erfahrungsanalyse oder einer anderen Erfahrungsanalyse an einem Satz an gespeicherten jeweiligen regionalen Daten einschließlich der zweiten gesammelten Daten, oder Bewirken der Übertragung der zweiten gesammelten Daten an einen anderen Big-Data-Knoten.
System nach einem der Ansprüche 15 bis 17, insbesondere nach Anspruch 15, weiter umfassend mindestens einen eines zentralisierten Big-Data-Knotens oder einer anderen Art von Big-Data-Knoten, und wobei: die gesammelten Daten erste gesammelte Daten sind; und der jeweilige regionale Big-Data-Knoten weiter für Folgendes konfiguriert ist: Sammeln von zweiten Daten, generiert durch eine Durchführung einer Erfahrungsanalyse an dem zumindest einen der zentralisierten Big-Data-Knoten oder der anderen Art von Big-Data-Knoten; Speichern der zweiten gesammelten Daten im Big-Data-Speicherbereich, der im jeweiligen regionalen Big-Data-Knoten enthalten ist; und Durchführen der Erfahrungsanalyse oder einer anderen Erfahrungsanalyse an einem Satz von gespeicherten jeweiligen regionalen Daten einschließlich der zweiten gesammelten Daten.
System nach einem der Ansprüche 15 bis 18, insbesondere nach Anspruch 15, wobei die von dem Satz an lokalen Big-Data-Knoten in Echtzeit generierten Daten in Echtzeit von einem oder mehreren des Folgenden generierte Daten enthalten: einem Feldgerät; einer Steuerung, die konfiguriert ist, um einen Satz an Eingaben zu empfangen, basierend auf dem Satz an Eingaben einen Wert einer Ausgabe zu bestimmen, und die Übertragung der Ausgabe an das Feldgerät zu bewirken, um den von der Prozessanlage ausgeführten Prozess zu steuern, wobei das Feldgerät für die Durchführung einer physikalischen Funktion basierend auf der Ausgabe der Steuerung zur Steuerung des Prozesses konfiguriert ist; einem Input-/Output-(I/O)-Gerät mit einer Schnittstelle mit der Steuerung und einer Schnittstelle mit dem Feldgerät; einem Gateway-Gerät; einem Zugriffspunkt; einem Routing-Gerät; einem Historian-Gerät; oder einem Netzwerkmanagement-Gerät.
System nach einem der Ansprüche 15 bis 19, insbesondere nach Anspruch 15, wobei das in Erfahrung gebrachte Wissen an den Big-Data-Empfangsknoten übertragen wird, und wobei der Big-Data-Empfangsknoten mindestens eines (i) einer Modifikation am Big-Data-Empfangsknoten basierend auf dem empfangenen in Erfahrung gebrachten Wissen, oder (ii) eine Modifikation an einem Anbieter von Big-Data für den Big-Data-Empfangsknoten bewirkt.
Computerlesbares Speichermedium, das Instruktionen enthält, die einen Prozessor dazu veranlassen, ein Verfahren nach einem der Ansprüche 10 bis 14 zu implementieren, wenn die Instruktionen durch den Prozessor ausgeführt werden.