QUERVERWEIS AUF VERWANDTE ANMELDUNGENCROSS-REFERENCE TO RELATED APPLICATIONS
Dies ist eine PCT-Anmeldung, die die Priorität und den Nutzen des Einreichungsdatums der US-Patentanmeldung Nr. 14/212,493 mit der Bezeichnung „Distributed Big Data in a Process Control System“, eingereicht am 14. März 2014, beansprucht, welche die Priorität und den Nutzen des Einreichungsdatums der US-Anmeldung Nr. 61/783,112 mit der Bezeichnung „Collecting and Delivering Data to a Big Data Machine in a Process Control System“, eingereicht am 14. März 2013, beansprucht, deren gesamten Offenbarungen hiermit vollständig durch Bezugnahme in diese Schrift aufgenommen werden. Die vorliegende Anmeldung ist ferner mit der US-Anmeldung Nr. 13/784,041 mit der Bezeichnung „Big Data in Process Control Systems“, eingereicht am 7. März 2013, verwandt, deren gesamte Offenbarung hiermit vollständig durch Bezugnahme in diese Schrift aufgenommen wird. Darüber hinaus ist die vorliegende Anmeldung mit der US-Anmeldung Nr. 14/212,411 mit der Bezeichnung „Determining Associations and Alignments of Process Elements and Measurements in a Process“, eingereicht am 14. März 2014, verwandt, deren gesamte Offenbarung hiermit vollständig durch Bezugnahme in diese Schrift aufgenommen wird. This is a PCT application claiming priority and utility of the filing date of US Patent Application No. 14 / 212,493 entitled "Distributed Big Data in a Process Control System", filed March 14, 2014, which is the priority and the benefit of the filing date of US Application No. 61 / 783,112 entitled "Collecting and Delivering Data to a Big Data Machine in a Process Control System" filed on Mar. 14, 2013, the entire disclosures of which are fully incorporated herein by reference be included in this writing. The present application is further related to U.S. Application No. 13 / 784,041, entitled "Big Data in Process Control Systems," filed Mar. 7, 2013, the entire disclosure of which is hereby incorporated by reference in its entirety. In addition, the present application is related to U.S. Application No. 14 / 212,411, entitled "Determining Associations and Alignments of Process Elements and Measurements in a Process," filed Mar. 14, 2014, the entire disclosure of which is hereby incorporated by reference is included in this document.
GEGENSTAND DER ERFINDUNGSCOPE OF THE INVENTION
Die vorliegende Offenbarung bezieht sich im Allgemeinen auf Prozessanlagen und auf Prozesssteuerungssysteme und insbesondere auf Vorrichtungen, die verteilte Big Data in Prozessanlagen und Prozesssteuerungssystemen unterstützen. The present disclosure generally relates to process plants and to process control systems, and more particularly to devices that support distributed big data in process plants and process control systems.
STAND DER TECHNIKSTATE OF THE ART
Verteilte Prozesssteuerungssysteme wie diejenigen, die in Chemie-, Erdöl- oder sonstigen Prozessanlagen verwendet werden, umfassen typischerweise eine oder mehrere Prozesssteuerungen, die über analoge, digitale oder eine Kombination aus analogen/digitalen Bussen oder über eine drahtlose Kommunikationsverbindung oder ein Netzwerk kommunikativ mit einer oder mehreren Feldvorrichtungen gekoppelt sind. Die Feldvorrichtungen, bei denen es sich zum Beispiel um Ventile, Ventilstellungsregler, Switches und Transmitter (z. B. Temperatur-, Druck-, Füllstands- und Durchflusssensoren) handeln kann, befinden sich in der Prozessumgebung und führen im Allgemeinen physikalische oder Prozesssteuerungsfunktionen wie das Öffnen oder Schließen von Ventilen, das Messen von Prozessparametern usw. aus, um einen oder mehrere Prozesse zu steuern, die in der Prozessanlage oder dem -system ausgeführt werden. Intelligente Feldvorrichtungen wie die Feldvorrichtungen, die dem wohlbekannten Feldbus-Protokoll entsprechen, können außerdem Steuerungsberechnungen, Alarmfunktionen und andere Steuerfunktionen ausführen, die in der Steuerung gemeinhin implementiert werden. Die Prozesssteuerungen, die sich darüber hinaus typischerweise in der Anlagenumgebung befinden, empfangen Signale, die auf von den Feldvorrichtungen durchgeführte Prozessmessungen und/oder andere Informationen hinweisen, die die Feldvorrichtungen betreffen, und führen eine Steuerungsanwendung aus, die zum Beispiel verschiedene Steuermodule ablaufen lässt, welche Prozesssteuerungsentscheidungen treffen, auf Grundlage der empfangenen Informationen Steuersignale erzeugen und sich mit den Steuermodulen oder -blöcken, die in den Feldvorrichtungen ausgeführt werden, z. B. HART®-, WirelessHART®- und FOUNDATION®-Feldbus-Feldvorrichtungen, abstimmen. Die Steuermodule in der Steuerung senden die Steuersignale über die Kommunikationsleitungen oder -verbindungen an die Feldvorrichtungen, um dadurch den Betrieb von mindestens einem Teil der Prozessanlage oder des -systems zu steuern.Distributed process control systems, such as those used in chemical, petroleum, or other process plants, typically include one or more process controllers communicatively communicating with one or more of analog, digital, or a combination of analog / digital buses or over a wireless communication link or network coupled to a plurality of field devices. The field devices, which may be, for example, valves, valve positioners, switches, and transmitters (eg, temperature, pressure, level, and flow sensors) are in the process environment and generally perform physical or process control functions such as Opening or closing valves, measuring process parameters, etc. to control one or more processes executing in the process plant or system. Intelligent field devices, such as the field devices that conform to the well-known fieldbus protocol, may also perform control calculations, alarms, and other control functions that are commonly implemented in the controller. Moreover, the process controllers, which are typically located in the plant environment, receive signals indicative of process measurements made by the field devices and / or other information pertaining to the field devices and execute a control application that, for example, runs various control modules Make process control decisions, generate control signals based on the received information, and communicate with the control modules or blocks executed in the field devices, e.g. Vote and FOUNDATION ® fieldbus field devices - B. HART ® - WirelessHART ®. The control modules in the controller send the control signals to the field devices via the communication lines or connections to thereby control the operation of at least a portion of the process plant or system.
Informationen von den Feldvorrichtungen und der Steuerung werden üblicherweise über eine Datenautobahn für eine oder mehrere Hardware-Vorrichtungen zugänglich gemacht, z. B. Bedienarbeitsplätze, PCs oder Rechenvorrichtungen, Datenhistorienspeicher, Reportgeneratoren, zentralisierte Datenbanken oder andere zentralisierte verwaltende Rechenvorrichtungen, die typischerweise in Steuerräumen oder an anderen, von der raueren Anlagenumgebung entfernten Orten platziert werden. Jede dieser Hardware-Vorrichtungen ist typischerweise über die Prozessanlage oder über einen Teil der Prozessanlage zentralisiert. Diese Hardware-Vorrichtungen lassen Anwendungen ablaufen, die es einem Bediener beispielsweise ermöglichen können, Funktionen in Bezug auf die Steuerung eines Prozesses und/oder den Betrieb der Prozessanlage auszuführen, wie zum Beispiel das Ändern von Einstellungen der Prozesssteuerungsroutine, das Modifizieren des Betriebs der Steuermodule in den Steuerungen oder den Feldvorrichtungen, das Ansehen des derzeitigen Prozessstatus, das Ansehen von mit Feldvorrichtungen und Steuerungen erzeugten Alarmsignalen, das Simulieren des Prozessbetriebs zum Zwecke der Schulung des Personals oder zum Testen der Prozesssteuerungssoftware, das Pflegen und Aktualisieren einer Konfigurationsdatenbank usw. Die von den Hardware-Vorrichtungen, Steuerungen und Feldvorrichtungen verwendete Datenautobahn kann einen verdrahteten Kommunikationsweg, einen drahtlosen Kommunikationsweg oder eine Kombination aus verdrahteten und drahtlosen Kommunikationswegen umfassen.Information from the field devices and the controller are commonly accessed via a data highway for one or more hardware devices, e.g. Workstations, personal computers or computing devices, data history stores, report generators, centralized databases, or other centralized managing computing devices typically placed in control rooms or other locations remote from the harsh asset environment. Each of these hardware devices is typically centralized across the process plant or over part of the process plant. These hardware devices run applications that may, for example, enable an operator to perform functions related to the control of a process and / or the operation of the process plant, such as changing settings of the process control routine, modifying the operation of the control modules the controls or field devices, viewing the current process status, viewing alert signals generated by field devices and controls, simulating process operation for training staff or testing process control software, maintaining and updating a configuration database, and so forth Data Highway used in devices, controllers, and field devices may include a wired communication path, a wireless communication path, or a combination of wired and wireless communication paths.
Als Beispiel umfasst das von Emerson Process Management verkaufte Steuerungssystem DeltaVTM mehrere Anwendungen, die in verschiedenen Vorrichtungen, die sich an verschiedenen Orten innerhalb einer Prozessanlage befinden, gespeichert sind und von diesen ausgeführt werden. Eine Konfigurationsanwendung, die sich in einer oder mehreren Arbeitsstationen oder Rechenvorrichtungen befindet, ermöglicht es Benutzern, Prozesssteuerungsmodule zu erstellen oder zu ändern und diese Prozesssteuerungsmodule über eine Datenautobahn auf zugehörige verteilte Steuerungen herunterzuladen. Typischerweise bestehen diese Steuerungsmodule aus kommunikativ miteinander verbundenen Funktionsblöcken, bei denen es sich um Objekte in einem objektorientierten Programmierprotokoll handelt, die Funktionen innerhalb des Steuerungsschemas auf Grundlage von Eingaben an dieses ausführen und die anderen Funktionsblöcken in dem Steuerungsschema Ausgaben bereitstellen. Die Konfigurationsanwendung kann es einem Konfigurationskonstrukteur darüber hinaus ermöglichen, Bedienschnittstellen zu erstellen oder zu verändern, die von einer Betrachtungsanwendung verwendet werden, um einem Bediener Daten anzuzeigen und um dem Bediener das Ändern von Einstellungen wie Sollwerten in den Prozesssteuerungsroutinen zu ermöglichen. Jede zugehörige Steuerung und in einigen Fällen eine oder mehrere Feldvorrichtungen speichern eine entsprechende Steuerungsanwendung, die die ihr zugewiesenen und auf diese heruntergeladenen Steuermodule ablaufen lässt, und führen diese aus, um die tatsächliche Prozesssteuerungsfunktionalität zu implementieren. Die Betrachtungsanwendungen, die an einer oder mehreren Arbeitsstationen mit Bedienpersonal (oder an einer oder mehreren entfernten Rechenvorrichtungen, die kommunikativ mit den Arbeitsstationen mit Bedienpersonal und der Datenautobahn verbunden sind) ausgeführt werden können, empfangen über die Datenautobahn Daten von der Steuerungsanwendung und zeigen diese Daten Konstrukteuren von Prozesssteuerungssystemen, Bedienern oder Benutzern an, die die Benutzerschnittstellen verwenden, und können eine beliebige Anzahl verschiedener Ansichten wie eine Ansicht Bedieneransicht, eine Ingenieursansicht, eine Technikeransicht usw. bereitstellen. Eine Datenhistorienspeicheranwendung wird üblicherweise in einer Datenhistorienspeichervorrichtung, die einige oder alle der Daten sammelt oder speichert, die über die Datenautobahn bereitgestellt werden, gespeichert und von dieser ausgeführt, während eine Konfigurationsdatenbankanwendung in einem weiteren mit der Datenautobahn verbundenen Computer ablaufen kann, um die aktuelle Routinekonfiguration der Prozesssteuerung und damit verknüpfte Daten zu speichern. Alternativ kann sich die Konfigurationsdatenbank in der gleichen Arbeitsstation befinden wie die Konfigurationsanwendung.As an example, the control system sold by Emerson Process Management DeltaV ™ multiple applications stored in and executed by different devices located at different locations within a process plant. A configuration application located in one or more workstations or computing devices allows users to create or modify process control modules and to download these process control modules via a data highway to associated distributed controllers. Typically, these control modules consist of communicatively interconnected functional blocks, which are objects in an object-oriented programming protocol, that perform functions within the control scheme based on inputs to it, and which provide outputs to the other functional blocks in the control scheme. The configuration application may also enable a configuration designer to create or modify user interfaces used by a viewing application to display data to an operator and to allow the operator to change settings such as setpoints in the process control routines. Each associated controller, and in some cases one or more field devices, stores and executes a corresponding control application that runs the control modules assigned to and downloaded to it, to implement the actual process control functionality. The viewing applications that may be executed at one or more workstations with operators (or at one or more remote computing devices communicatively connected to the operator workstations and the data highway) receive data from the control application via the data highway and display that data to designers of process control systems, operators, or users using the user interfaces, and can provide any number of different views, such as an operator view view, an engineering view, a technician view, and so on. A data history storage application is typically stored in and executed by a data history storage device that collects or stores some or all of the data provided over the data highway while a configuration database application in another computer connected to the data highway may run to determine the current routine configuration of the data processing system Process control and related data store. Alternatively, the configuration database may reside in the same workstation as the configuration application.
Die Architektur derzeit bekannter Prozesssteuerungsanlagen und Prozesssteuerungssysteme wird stark von begrenzten Steuerungs- und Vorrichtungsspeichern, Kommunikationsbandbreiten und einem begrenzten Leistungsvermögen der Prozessoren von Steuerungen und Vorrichtungen beeinflusst. Zum Beispiel wird in derzeit bekannten Architekturen von Prozesssteuerungssystemen die Verwendung dynamischer und statischer nichtflüchtiger Speicher in der Steuerung üblicherweise minimiert oder zumindest sorgfältig gesteuert. Infolgedessen muss ein Benutzer während der Systemkonfiguration (z. B. a priori) üblicherweise auswählen, welche Daten in der Steuerung archiviert oder gespeichert werden sollen, mit welcher Frequenz sie gespeichert werden und ob eine Komprimierung angewendet wird oder nicht, und die Steuerung wird dementsprechend mit dieser beschränkten Gruppe von Datenrichtlinien konfiguriert. Folglich werden Daten, die bei der Fehlerbehebung und Prozessanalyse nützlich sein könnten, oftmals nicht archiviert, und wenn sie gesammelt werden, können die nützlichen Informationen aufgrund der Datenkompression verlorengegangen sein. The architecture of currently known process control systems and process control systems is heavily influenced by limited control and device memories, communication bandwidths, and limited performance of the processors of controllers and devices. For example, in currently known architectures of process control systems, the use of dynamic and static non-volatile memory in the controller is usually minimized or at least carefully controlled. As a result, during system configuration (eg, a priori), a user typically needs to select what data to archive or store in the controller, what frequency they will be stored in, whether compression will be applied or not, and control will follow accordingly configured this limited set of data policies. As a result, data that might be useful in troubleshooting and process analysis is often not archived, and when it is collected, the useful information may be lost due to data compression.
Darüber hinaus werden, um die Verwendung von Steuerspeicher in aktuell bekannten Prozesssteuerungssystemen zu minimieren, ausgewählte Daten, die archiviert oder gespeichert werden sollen (wie durch die Konfiguration der Steuerung angegeben), der Arbeitsstation oder der Rechenvorrichtung zur Speicherung auf einem geeigneten Datenhistorienspeicher oder Datensilo gemeldet. Die aktuellen Techniken, die zur Meldung der Daten verwendet werden, setzen Kommunikationsressourcen schlecht ein und leiten eine übermäßige Ladung der Steuerung ein. Darüber hinaus laufen aufgrund der Zeitverzögerungen in der Kommunikation und der Abtastung am Historienspeicher oder am Silo die Datensammlung und die Zeiterfassung häufig nicht synchron ab.In addition, to minimize the use of control storage in currently known process control systems, selected data to be archived or stored (as indicated by the controller's configuration), workstation, or computing device is reported for storage on a suitable data history memory or data silo. The current techniques used to report the data are using communication resources poorly and initiating excessive charging of the controller. Moreover, due to the time delays in the communication and the sampling at the history memory or at the silo, the data collection and the time recording often do not synchronize.
Auf ähnliche Weise bleiben in Chargenprozesssteuerungssystemen zur Minimierung der Verwendung von Steuerspeicher Chargenrezepte und Speicherauszüge der Steuerungskonfigurationen typischerweise auf einer zentralisierten administrativen Rechenvorrichtung oder einem Ort (z. B. einem Datensilo oder Historienspeicher) gespeichert und werden nur bei Bedarf an eine Steuerung übertragen. Eine solche Strategie bringt wesentliche Burstlasten in die Steuerung und in die Kommunikation zwischen der Arbeitsstation oder der zentralisierten administrativen Rechenvorrichtung und der Speicherung ein. Similarly, in batch process control systems to minimize the use of control storage, batch recipes and dumps of control configurations typically remain stored on a centralized administrative computing device or location (eg, a data silo or history store) and are only transferred to a controller as needed. Such a strategy introduces substantial burst burdens into the control and communication between the workstation or the centralized administrative computing device and storage.
Ferner spielen die Kapazitäts- und Leistungsbegrenzungen von relationalen Datenbanken derzeit bekannter Prozesssteuerungssysteme in Kombination mit dem vorherigen hohen Preis von Diskettenspeicher eine große Rolle bei der Strukturierung von Daten in unabhängige Einheiten oder Silos, um die Ziele bestimmter Anwendungen zu erfüllen. Zum Beispiel werden in dem System DeltaVTM die Archivierung von Prozessmodellen, kontinuierlichen historischen Daten und Chargen- und Ereignisdaten in drei unterschiedlichen Anwendungsdatenbanken oder Datensilos gespeichert. Jedes Silo weist eine andere Schnittstelle für den Zugriff auf die darin gespeicherten Daten auf.Furthermore, the capacity and performance limitations of relational databases of currently known process control systems, in combination with the previous high price of disk storage, play a major role in structuring data into independent units or silos to meet the goals of particular applications. For example, in the DeltaV ™ system, the Archiving process models, continuous historical data and batch and event data stored in three different application databases or data silos. Each silo has a different interface for accessing the data stored therein.
Das Strukturieren von Daten auf diese Weise erzeugt eine Barriere bei der Art und Weise, in der auf historische Daten zugegriffen wird und in der diese verwendet werden. Zum Beispiel kann die Hauptursache von Abweichungen bei der Produktqualität im Zusammenhang mit Daten in mehr als einem dieser Datensilos stehen. Aufgrund der unterschiedlichen Datenstrukturen der Silos ist es jedoch nicht möglich, Instrumente bereitzustellen, die es gestatten, dass zur Analyse schnell und leicht auf diese Daten zugegriffen werden kann. Ferner müssen Audit- oder Synchronisierungsfunktionen ausgeführt werden, um zu gewährleisten, dass die Daten über unterschiedliche Silos hinweg konsistent sind.Structuring data in this way creates a barrier to the way historic data is accessed and used. For example, the main cause of product quality variation may be related to data in more than one of these data silos. However, due to the different data structures of the silos, it is not possible to provide instruments that allow the data to be accessed quickly and easily for analysis. Furthermore, audit or synchronization functions must be performed to ensure that the data is consistent across different silos.
Die oben erörterten Einschränkungen derzeit bekannter Prozessanlagen und Prozesssteuerungssysteme und andere Einschränkungen können sich auf unerwünschte Weise bei dem Betrieb und der Optimierung von Prozessanlagen oder Prozesssteuerungssystemen manifestieren, zum Beispiel während des Anlagenbetriebs, der Fehlerbehebung und/oder der Vorhersagemodellierung. Zum Beispiel erzwingen derartige Beschränkungen mühsame und langwierige Arbeitsabläufe, die durchgeführt werden müssen, um Daten zur Problembehebung und Erzeugung aktualisierter Modelle zu erhalten. Darüber hinaus können die erhaltenen Daten aufgrund von Datenkompression, unzureichender Bandbreite oder verschobener Zeitstempel fehlerhaft sein.The limitations of currently known process plants and process control systems and other limitations discussed above may undesirably manifest in the operation and optimization of process plants or systems, for example, during plant operation, troubleshooting, and / or predictive modeling. For example, such limitations impose tedious and lengthy procedures that must be performed to obtain data for troubleshooting and generation of updated models. In addition, the data obtained may be erroneous due to data compression, insufficient bandwidth, or delayed timestamps.
„Big Data“ bezieht sich im Allgemeinen auf eine Sammlung von einem oder mehreren Datensätzen, die so groß oder komplex sind, dass herkömmliche Instrumente für die Datenbankverwaltung und/oder Anwendungen für die Datenverarbeitung (z. B. relationale Datenbanken und Desktop-Statistikpakete) nicht dazu in der Lage sind, die Datensätze innerhalb einer vertretbaren Zeitspanne zu verwalten. Typischerweise sind Anwendungen, die Big Data verwenden, transaktional und auf den Endbenutzer gerichtet oder fokussiert. Zum Beispiel können Web-Suchmaschinen, Social-Media-Anwendungen, Marketing-Anwendungen und Einzelhandelsanwendungen Big Data verwenden und manipulieren. Big Data kann von einer verteilten Datenbank unterstützt werden, die es ermöglicht, dass die Fähigkeit moderner Multiprozess-, Multikern-Server zur parallelen Verarbeitung vollständig genutzt werden kann.Big data generally refers to a collection of one or more records that are as large or complex as traditional database management tools and / or data processing applications (eg, relational databases and desktop statistics packages) are able to manage the records within a reasonable amount of time. Typically, applications that use big data are transactional and focused or focused on the end user. For example, web search engines, social media applications, marketing applications, and retail applications can use and manipulate big data. Big Data can be supported by a distributed database that allows the ability of modern multiprocessing, multicore servers to be used in parallel for parallel processing.
KURZDARSTELLUNGSUMMARY
Eine Ausführungsform einer Prozesssteuerungsvorrichtung zur Unterstützung verteilter Big Data in einer Prozessanlage umfasst einen Prozessor und ein oder mehrere greifbare, nichtflüchtige, computerlesbare Speichermedien, auf denen eine Gruppe computerausführbarer Anweisungen gespeichert ist. Wenn die computerausführbaren Anweisungen von dem Prozessor ausgeführt werden, arbeitet die Prozesssteuerungsvorrichtung so, dass sie in Echtzeit zumindest einen Teil eines Prozesses steuert, der von der Prozessanlage ausgeführt wird, indem sie Prozessdaten erzeugt, die zur Steuerung zumindest des Teils des Prozesses verwendet werden, und/oder indem sie mit empfangenen Prozessdaten arbeitet, um den mindestens den Teil des Prozesses zu steuern. An sich handelt es sich bei den erzeugten Prozessdaten und den empfangenen Prozessdaten um Prozessdaten, die aus der Echtzeitsteuerung des Prozesses erzeugt werden. Die Prozesssteuerungsvorrichtung umfasst ferner einen Hinweis zu ihrem Typ, bei dem es sich beispielsweise um eine Feldvorrichtung, eine Steuerung oder einer Eingabe/Ausgabe (E/A) Vorrichtung handeln kann, die zwischen der Feldvorrichtung und der Steuerung angeordnet und damit verbunden ist. Darüber hinaus umfasst die Prozesssteuerungsvorrichtung eine eingebettete Big-Data-Einrichtung, die konfiguriert ist, die erzeugten Prozessdaten und die empfangenen Prozessdaten zu speichern, eine Lernanalyse zu zumindest einem Teil der gespeicherten Prozessdaten durchzuführen, gelerntes Wissen auf Grundlage eines Ergebnisses der Lernanalyse zu erstellen und zu verursachen, dass das gelernte Wissen an eine andere Prozesssteuerungsvorrichtung in der Prozessanlage übertragen wird. One embodiment of a process control apparatus for supporting distributed big data in a process plant includes a processor and one or more tangible, non-transitory, computer-readable storage media storing a set of computer-executable instructions. When the computer-executable instructions are executed by the processor, the process control device operates to control, in real time, at least a portion of a process executed by the process plant, generating process data used to control at least the portion of the process, and / or by working with received process data to control the at least part of the process. By itself, the generated process data and the received process data are process data generated from the real-time control of the process. The process control device further includes an indication of its type, which may be, for example, a field device, a controller, or an input / output (I / O) device located and connected between the field device and the controller. In addition, the process control device includes an embedded big-data device configured to store the generated process data and the received process data, to perform a learning analysis on at least a part of the stored process data, to create and acquire learned knowledge based on a result of the learning analysis cause the learned knowledge to be transferred to another process control device in the process plant.
Eine Ausführungsform eines Verfahrens zur Unterstützung verteilter Big Data unter Verwendung einer Vorrichtung, die kommunikativ mit einem Kommunikationsnetzwerk einer Prozessanlage gekoppelt ist und so abläuft, dass sie einen Prozess in Echtzeit in der Prozessanlage steuert, umfasst das Sammeln von Daten auf der Vorrichtung. Die gesammelten Daten umfassen mindestens eines der Folgenden: (i) Daten, die von der Vorrichtung erzeugt werden, (ii) Daten, die von der Vorrichtung erstellt werden oder (iii) Daten, die auf der Vorrichtung empfangen werden, und bei den gesammelten Daten handelt es sich im Allgemeinen um Daten, die aus der Steuerung des Prozesses in Echtzeit entstehen. Bei der Vorrichtung handelt es sich beispielsweise um eine Feldvorrichtung, eine Steuerung oder eine Eingabe/Ausgabe(E/A)-Vorrichtung. Das Verfahren umfasst ferner das Speichern der gesammelten Daten in einer eingebetteten Big-Data-Einrichtung der Vorrichtung und das Durchführen einer Lernanalyse zu zumindest einem Teil der gespeicherten Daten durch die eingebettete Big-Data-Einrichtung der Vorrichtung. Darüber hinaus umfasst das Verfahren das Erzeugen von gelerntem Wissen, das auf ein Ergebnis der Lernanalyse hinweist, und das Modifizieren eines Vorgangs der Vorrichtung zur Steuerung des Prozesses in Echtzeit auf Grundlage des gelernten Wissens.An embodiment of a method for supporting distributed big data using a device that is communicatively coupled to a communication network of a process plant and that operates to control a process in real time in the process plant includes collecting data on the device. The collected data includes at least one of the following: (i) data generated by the device, (ii) data created by the device, or (iii) data received on the device and the data collected These are generally data that comes from controlling the process in real time. The device is, for example, a field device, a controller or an input / output (I / O) device. The method further includes storing the collected data in an embedded big-data device of the device and performing a learning analysis on at least a portion of the stored data by the device's embedded big-data device. About that In addition, the method includes generating learned knowledge indicative of a result of the learning analysis, and modifying an operation of the device to control the process in real time based on the learned knowledge.
Eine Ausführungsform eines Systems zum Unterstützen verteilter Big Data in einer Prozessanlage umfasst ein Kommunikationsnetzwerk, das eine Mehrzahl von Knoten aufweist, von denen mindestens einer eine Prozesssteuerungsvorrichtung ist, die in Echtzeit so abläuft, dass sie einen Prozess steuert, der in der Prozessanlage abläuft. Jeder aus der Mehrzahl von Knoten ist konfiguriert, Daten zu sammeln, die in Echtzeit erzeugt wurden und aus der Steuerung des Prozesses entstanden sind, der in der Prozessanlage abläuft. Jeder aus der Mehrzahl von Knoten ist darüber hinaus konfiguriert, die gesammelten Daten auf einer entsprechenden eingebetteten Big-Data-Einrichtung zu sammeln, die in jedem aus der Mehrzahl von Knoten enthalten ist, und durch die entsprechende eingebettete Big-Data-Einrichtung, die in dem Knoten enthalten ist, eine entsprechende Lernanalyse zu zumindest einem Teil der lokal gespeicherten Daten durchzuführen. Ein Knoten kann ferner konfiguriert sein, zu verursachen, dass gelerntes Wissen (das infolge seiner eigenen Durchführung einer Lernanalyse erzeugt wurde), an einen anderen Konten zur Verwendung in den Lernanalysen des anderen Knotens übertragen wird.One embodiment of a system for supporting distributed big data in a process plant includes a communication network having a plurality of nodes, at least one of which is a process control device that runs in real time to control a process running in the process plant. Each of the plurality of nodes is configured to collect data generated in real time originating from the control of the process running in the process plant. Each of the plurality of nodes is further configured to collect the collected data on a respective embedded big-data device contained in each of the plurality of nodes and the corresponding embedded big-data device included in each of the plurality of nodes the node is included to perform a corresponding learning analysis to at least a portion of the locally stored data. A node may also be configured to cause learned knowledge (generated as a result of its own performance of a learning analysis) to be transferred to another account for use in the learning analysis of the other node.
KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS
1 ist ein Blockdiagramm eines beispielhaften Big Data-Netzwerks für eine Prozessanlage oder ein Prozesssteuerungssystem, das verteilte Big-Data-Vorrichtungen oder -Knoten umfasst; 1 Figure 10 is a block diagram of an example big data network for a process plant or process control system that includes distributed big data devices or nodes;
2 ist ein Blockdiagramm, das eine beispielhafte Prozessanlage oder ein Prozesssteuerungssystem darstellt, die/das beispielhafte verteilte Big-Data-Vorrichtungen oder -Knoten des Big-Data-Netzwerks der Prozesssteuerungsanlage aus 1 umfasst; 2 FIG. 10 is a block diagram illustrating an example process plant or process control system that includes the exemplary distributed big data device or node of the process control plant big data network 1 includes;
3 ist ein Blockdiagramm einer beispielhaften verteilten Big-Data-Vorrichtung in Prozesssteuerungssystemen oder -anlangen; 3 FIG. 10 is a block diagram of an example distributed big data device in process control systems or systems; FIG.
4 ist ein Blockdiagramm, das eine beispielhafte Verwendung von verteilten Big-Data-Vorrichtungen darstellt, die nivelliertes oder geschichtetes Lernen unterstützen; und 4 Figure 13 is a block diagram illustrating an example use of distributed big data devices supporting leveled or layered learning; and
5 ist ein Flussdiagramm eines beispielhaften Verfahrens zur Verwendung von verteilten Big-Data-Vorrichtungen in einem Prozesssteuerungssystem oder einer Prozessanlage. 5 FIG. 10 is a flowchart of an example method of using distributed big data devices in a process control system or process plant.
DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION
In Prozesssteuerungsanlagen oder -systemen werden Daten häufig in der Umgebung verschiedener Prozessausrüstung oder Vorrichtungen erzeugt, die so arbeiten, dass sie einen Prozess in der Anlage oder dem System steuern. In vielerlei Hinsicht ist eine erste oder niedrigste Detailabfolge für einen Prozess in einer Prozesssteuerungsanlage oder einem -system mit der Eingabe, dem Betrieb und der Ausgabe für jedes Teil der Prozessausrüstung oder einer Sammlung von Prozessausrüstung in einer Steuerschleife des Prozesses verbunden, z. B. während die Prozessausrüstung so arbeitet, dass sie den Prozess steuert. Infolgedessen umfasst eine mögliche Ansicht oder Perspektive des Prozesses Big-Data-Anhäufung in der Umgebung jedes Teils der Prozessausrüstung oder jeder Steuerschleife. Die in der vorliegenden Schrift offenbarten Systeme, Verfahren, Einrichtungen und Techniken verwenden diese lokalisierte und verteilte Perspektive des Prozesses, um die Effizienz beim Betrieb und der Optimierung des Prozesses zu steigern, zum Beispiel durch Verwenden von Analysen aussagekräftiger, lokalisierter und verteilter Daten. Zum Beispiel werden anstelle der Analyse der gesamten Big Data der Prozessanlage auf einer einzigen oder zentralisierten Datenbank zumindest einige Prozesssteuerungsalgorithmen (einschließlich Vorhersage-, Modellierungs- und/oder Diagnosealgorithmen) nach unten zu der individuellen Prozessausrüstung geschoben oder darin eingebettet, um einen Echtzeitbetrieb an lokalisierten Daten zu gestatten. Dabei kann Prozessausrüstung mit eingebettetem Lernen die Entdeckung wichtiger zeitlicher und kausaler Beziehungen zwischen verschiedenen Prozessvariablen des Prozesses schnell und effizient und in einigen Fällen in Echtzeit ermöglichen, während der Prozess gesteuert wird. In process control systems or systems, data is often generated in the environment of various process equipment or devices that operate to control a process in the plant or system. In many ways, a first or lowest detail sequence for a process in a process control plant or system is associated with input, operation, and output for each piece of process equipment or collection of process equipment in a control loop of the process, e.g. While the process equipment is operating to control the process. As a result, one possible view or perspective of the process involves big data accumulation in the environment of each part of the process equipment or control loop. The systems, methods, devices, and techniques disclosed herein utilize this localized and distributed perspective of the process to increase the efficiency of operating and optimizing the process, for example, by using meaningful, localized, and distributed data analysis. For example, instead of analyzing the entire big data of the process plant on a single or centralized database, at least some process control algorithms (including prediction, modeling, and / or diagnostic algorithms) are pushed down or embedded in the individual process equipment to provide real-time operation on localized data to allow. In the process, embedded learning processing equipment can enable the discovery of important temporal and causal relationships between different process variables of the process quickly and efficiently, and in some cases in real time, as the process is controlled.
1 ist ein Blockdiagramm eines beispielhaften Big-Data-Netzwerks 100 für eine Prozessanlage oder ein Prozesssteuerungssystem 10. Das beispielhafte Big-Data-Netzwerk 100 umfasst eine Mehrzahl von Knoten oder Vorrichtungen 102, die jeweils verteilte Big Data, z. B. „verteilte Big-Data-Knoten oder -Vorrichtungen 102“, unterstützen und die kommunikativ durch einen Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 verbunden sind. Verschiedene Datentypen wie prozessbezogene Echtzeitdaten, anlagenbezogene Daten und sonstige Datentypen können gesammelt und lokal auf jeder der Mehrzahl von Vorrichtungen 102 gespeichert werden. Auf jeder der Mehrzahl von Vorrichtungen 102 können die lokal gespeicherten Daten lokal auf der Vorrichtung 102 analysiert werden, um gelerntes Wissen zu erstellen oder zu erzeugen, das aussagekräftige Beziehungen, Muster, Korrelationen, Tendenzen usw. im Laufe der Zeit und/oder über zumindest einige der verschiedenen Datensätze hinweg beschreibt. In einer Ausführungsform können zumindest einige der gesammelten Daten und/oder des erzeugten gelernten Wissens zwischen Knoten und Vorrichtungen des Netzwerks 100 versandt werden, z. B. damit sie zur Verbesserung der Steuerung eines Prozesses in Echtzeit verwendet werden können. In einigen Konfigurationen sind zumindest einige der Knoten oder Vorrichtungen 102 des Netzwerks 100 entfernt von der Prozessanlage oder dem -system 10 angeordnet. 1 FIG. 10 is a block diagram of an example big data network. FIG 100 for a process plant or a process control system 10 , The exemplary big data network 100 includes a plurality of nodes or devices 102 , each distributed big data, z. B. "distributed big data nodes or devices 102 "Support and communicate through a big data network backbone of the process control system 105 are connected. Various types of data, such as process-related real-time data, asset-related data, and other types of data, may be collected and stored locally on each of the plurality of devices 102 get saved. On each of the plurality of devices 102 can store the locally stored data locally on the device 102 be analyzed to create or generate learned knowledge that describes meaningful relationships, patterns, correlations, trends, etc. over time and / or over at least some of the various data sets. In one embodiment at least some of the collected data and / or generated learned knowledge between nodes and devices of the network 100 be sent, for. For example, to be used to improve the control of a process in real time. In some configurations, at least some of the nodes or devices 102 of the network 100 away from the process plant or system 10 arranged.
Es können beliebige Datentypen, die sich auf das Prozesssteuerungssystem 10 beziehen, gesammelt, analysiert und auf jeder der verteilte Big-Data-Vorrichtungen 102 als Big Data gespeichert werden. Zum Beispiel können Echtzeitdaten wie kontinuierliche, Chargen-, Mess- und Ereignisdaten, die während der Steuerung eines Prozesses in der Prozessanlage 10 erzeugt werden (und in einigen Fällen auf eine Wirkung einer Ausführung des Prozesses in Echtzeit hinweisen) gesammelt, analysiert und gespeichert werden. Prozessdefinitions-, Anordnungs- oder Einrichtungsdaten wie beispielsweise Konfigurationsdaten und/oder Chargenrezeptdaten können gesammelt, analysiert und gespeichert werden. Daten, die der Konfiguration, der Ausführung und den Ergebnissen der Prozessdiagnose entsprechen, können gesammelt, analysiert und gespeichert werden. Andere Prozessdatentypen können ebenfalls gesammelt, analysiert und gespeichert werden.It can be any data types that relate to the process control system 10 relate, collected, analyzed and distributed on each of the big data devices 102 stored as Big Data. For example, real-time data such as continuous, batch, measurement, and event data may be generated during the control of a process in the process plant 10 be generated (and in some cases indicative of an effect of real-time execution of the process) collected, analyzed and stored. Process definition, ordering or setup data such as configuration data and / or batch recipe data can be collected, analyzed and stored. Data corresponding to the configuration, execution and results of the process diagnostics can be collected, analyzed and stored. Other process data types can also be collected, analyzed and stored.
Ferner können der Verkehr auf Datenautobahnen und Netzwerkverwaltungsdaten, die sich auf den Backbone 105 beziehen, und solche aus verschiedenen anderen Kommunikationsnetzwerken der Prozessanlage 10 lokal gesammelt, analysiert und auf zumindest einigen der verteilten Big-Data-Vorrichtungen 102 gespeichert werden. Benutzerbezogene Daten wie Daten, die sich auf Benutzerverkehr, Anmeldeversuche, Anfragen und Anweisungen beziehen, können gesammelt, analysiert und gespeichert werden. Es können Textdaten (z. B. Protokolle, Betriebsabläufe, Anleitungen usw.), räumliche Daten (z. B. standortbasierte Daten) und Multimediadaten (z. B. Videoüberwachung, Videoclips usw.) gesammelt, analysiert und gespeichert werden.It also allows traffic on data highways and network management data that resides on the backbone 105 and from various other communication networks of the process plant 10 locally collected, analyzed, and on at least some of the distributed big-data devices 102 get saved. User-related data, such as data related to user traffic, login attempts, requests, and instructions, can be collected, analyzed, and stored. Textual data (eg, protocols, operations, instructions, etc.), spatial data (eg, location-based data), and multimedia data (eg, video surveillance, video clips, etc.) can be collected, analyzed, and stored.
In einigen Szenarien können Daten, die sich auf die Prozessanlage 10 (z. B. auf physikalische, in der Prozessanlage 10 enthaltene Ausrüstung wie Maschinen und Vorrichtungen) beziehen, jedoch nicht durch Anwendungen erzeugt werden können, die einen Prozess direkt konfigurieren, steuern oder diagnostizieren, auf zumindest einigen der verteilten Big-Data-Vorrichtungen 102 lokal gesammelt, analysiert und gespeichert werden. Zum Beispiel können Vibrationsdaten und Daten von Kondensatabscheidern gesammelt, analysiert und gespeichert werden. Weitere Beispiele für derartige Anlagendaten umfassen Daten, die auf einen Wert eines Parameters hinweisen, der der Sicherheit der Anlage entspricht (z. B. Korrosionsdaten, Gaserkennungsdaten usw.) oder Daten, die auf ein Ereignis hinweisen, das der Sicherheit der Anlage entspricht. Daten, die dem Zustand von Maschinen, Anlagenausrüstung und/oder Vorrichtungen entsprechen, können gesammelt, analysiert und gespeichert werden (z. B. Daten, die von den Vorrichtungen und/oder Maschinen erstellt werden, die zu Diagnose- oder Prognosezwecken verwendet werden). Daten, die der Konfiguration, der Ausführung und den Ergebnissen der Diagnose von Ausrüstung, Maschine und/oder Vorrichtung entsprechen, können gesammelt, analysiert und gespeichert werden. Ferner können erstellte oder berechnete Daten, die nützlich zur Diagnose und Prognose sind, gesammelt, analysiert und gespeichert werden.In some scenarios, data may be related to the process plant 10 (eg physical, in the process plant 10 however, can not be generated by applications that directly configure, control, or diagnose a process on at least some of the distributed big data devices 102 locally collected, analyzed and stored. For example, vibration data and data from condensers can be collected, analyzed and stored. Other examples of such plant data include data indicative of a value of a parameter corresponding to the safety of the plant (eg, corrosion data, gas detection data, etc.) or data indicative of an event corresponding to the safety of the plant. Data corresponding to the state of machinery, plant equipment and / or devices may be collected, analyzed and stored (eg, data created by the devices and / or machines used for diagnostic or prognostic purposes). Data corresponding to the configuration, execution and results of the diagnosis of the equipment, machine and / or device can be collected, analyzed and stored. Furthermore, generated or calculated data useful for diagnosis and prognosis can be collected, analyzed and stored.
In einigen Ausführungsformen können Daten, die von Einheiten außerhalb der Prozessanlage 10 erzeugt oder an diese übertragen werden, lokal gesammelt, analysiert und auf mindestens einigen der verteilten Big-Data-Vorrichtungen 102 gespeichert werden, zum Beispiel Daten, die sich auf die Kosten für Rohmaterialien, erwartete Ankunftszeiten von Teilen oder Ausrüstung und sonstige externe Daten beziehen. In einer Ausführungsform werden alle Daten, die von allen Knoten oder Vorrichtungen 102, die kommunikativ mit dem Netzwerk-Backbone 105 verbunden sind, erzeugt werden, von diesen erstellt werden, an diesen empfangen werden oder anderweitig beobachtet werden, entsprechend und lokal gesammelt, analysiert und auf mindestens einigen der Knoten oder Vorrichtungen 102 als Big Data gespeichert.In some embodiments, data may be from units outside the process plant 10 generated or transmitted to, locally collected, analyzed, and on at least some of the distributed big data devices 102 For example, data relating to the cost of raw materials, expected arrival times of parts or equipment and other external data. In one embodiment, all data is from all nodes or devices 102 communicating with the network backbone 105 are connected to, generated by, created by, received by or otherwise observed, appropriately and locally collected, analyzed, and on at least some of the nodes or devices 102 stored as Big Data.
In einigen Ausführungsformen können verschiedene Datentypen automatisch gesammelt und lokal auf jeder dieser verteilten Big-Data-Vorrichtungen 102 als Big Data gespeichert werden. Zum Beispiel werden dynamische Mess- und Steuerungsdaten automatisch gesammelt und auf den verteilten Big-Data-Vorrichtungen 102 gespeichert. Beispiele für dynamische Mess- und Steuerungsdaten können Daten umfassen, die Veränderungen in einem Prozessvorgang spezifizieren, Daten, die Veränderungen in Betriebsparametern spezifizieren, z. B. Sollwerte, Datensätze zu Prozess- und Hardware-Alarmsignalen und Ereignisse wie Downloads oder Kommunikationsfehler usw. In beliebigen dieser Ausführungsformen werden alle Mess- und Steuerdatentypen automatisch als Big Data in den Vorrichtungen 102 erfasst. Darüber hinaus können statistische Daten wie Steuerungskonfigurationen, Chargenrezepte, Alarmsignale und Ereignisse automatisch standardmäßig übermittelt werden, wenn eine Veränderung erkannt wird oder wenn eine Steuerung oder sonstige Einheit erstmalig zu dem Big-Data-Netzwerk 100 hinzugefügt wird.In some embodiments, different types of data may be collected automatically and locally on each of these distributed big data devices 102 stored as Big Data. For example, dynamic measurement and control data is automatically collected and distributed on the big-data devices 102 saved. Examples of dynamic measurement and control data may include data specifying changes in a process operation, data specifying changes in operating parameters, e.g. For example, setpoints, process and hardware alarm signal records, and events such as downloads or communication errors, etc. In any of these embodiments, all measurement and control data types automatically become big data in the devices 102 detected. In addition, statistical data such as control configurations, batch recipes, alerts, and events can be automatically transmitted by default when a change is detected, or when a controller or other device joins the big data network for the first time 100 will be added.
Zudem werden in einigen Szenarien zumindest einige statische Metadaten, die dynamische Steuer- und Messdaten beschreiben und identifizieren, in den verteilten Big-Data-Vorrichtungen 102 erfasst, wenn eine Veränderung der Metadaten erkannt wird. Wenn zum Beispiel eine Veränderung der Steuerungskonfiguration vorgenommen wird, die sich auf die Mess- und Steuerdaten in Modulen oder Einheiten auswirkt, welche von der Steuerung versendet werden müssen, wird eine Aktualisierung der zugehörigen Metadaten automatisch in der Steuerung erfasst. In einigen Situationen werden Parameter, die mit den konkreten Modulen verbunden sind, welche zum Puffern von Daten aus externen Systemen oder Quellen (z. B. Wettervorhersagen, öffentliche Ereignisse, Unternehmensentscheidungen usw.) verwendet werden, automatisch standardmäßig in den Vorrichtungen 102 erfasst. Zusätzlich oder alternativ können Überwachungsdaten und/oder sonstige Kontrolldatentypen automatisch in den Vorrichtungen 102 erfasst werden.In addition, in some scenarios, at least some static metadata become dynamic Describe and identify control and measurement data in the distributed Big Data devices 102 detected when a change in metadata is detected. For example, if a change is made to the control configuration that affects the measurement and control data in modules or units that must be sent by the controller, an update of the associated metadata is automatically captured in the controller. In some situations, parameters associated with the particular modules used to buffer data from external systems or sources (e.g., weather forecasts, public events, business decisions, etc.) are automatically defaults in the devices 102 detected. Additionally or alternatively, monitoring data and / or other control data types may be automatically stored in the devices 102 be recorded.
Ferner werden in einigen Ausführungsformen Parameter, die von Endbenutzern erstellt wurden, automatisch in den verteilten Big-Data-Vorrichtungen 102 erfasst. Zum Beispiel kann ein Endbenutzer in einem Modul eine besondere Berechnung erstellen oder kann zu einer Einheit, die gesammelt werden soll, einen Parameter hinzufügen oder der Endbenutzer möchte möglicherweise einen standardmäßigen Diagnoseparameter für die Steuerung sammeln, der nicht standardmäßig übermittelt wird. Parameter, die der Endnutzer gegebenenfalls konfiguriert, können in der gleichen Weise übermittelt werden wie die Standardparameter.Further, in some embodiments, parameters created by end users will automatically be in the distributed big data devices 102 detected. For example, an end user in a module may create a particular calculation, or may add a parameter to a device to be collected, or the end user may want to collect a default diagnostic parameter for the controller that is not delivered by default. Parameters that the end user optionally configures can be communicated in the same way as the default parameters.
Die Mehrzahl von verteilten Big-Data-Knoten oder Vorrichtungen 102 des Big-Data-Netzwerks der Prozesssteuerung 100 kann verschiedene unterschiedliche Knoten- oder Vorrichtungsgruppen 110–114 umfassen, die verteilte Big Data in Prozesssteuerungssystemen oder -anlagen unterstützen. Eine erste Gruppe von Knoten oder Vorrichtungen 110, die in dieser Schrift austauschbar als „verteilte Big-Data-Provider-Knoten 110“, „verteilte Big-Data-Provider-Vorrichtungen 110“, „Provider-Knoten 110“ oder „Provider-Vorrichtungen 110“ bezeichnet werden, umfasst einen oder mehrere Knoten oder Vorrichtungen, die Prozesssteuerungsdaten erzeugen, routen und/oder empfangen, um zu ermöglichen, dass Prozesse in der Prozessanlagenumgebung 10 in Echtzeit gesteuert werden. Beispiele für Provider-Knoten oder -Vorrichtungen 110 umfassen Vorrichtungen, deren primäre Funktion auf das Erzeugen von und/oder das Arbeiten mit Prozesssteuerungsdaten gerichtet ist, um einen Prozess zu steuern, z. B. verdrahtete und drahtlose Feldvorrichtungen, Steuerungen und Eingabe/Ausgabe-Vorrichtungen (E/A-Vorrichtungen). Weitere Beispiele für Provider-Vorrichtungen 110 umfassen Vorrichtungen, deren primäre Funktion darin besteht, einen Zugriff auf oder Routen durch ein oder mehrere Kommunikationsnetzwerke des Prozesssteuerungssystems bereitzustellen (von denen das Big-Data-Netzwerk der Prozesssteuerung 100 eines ist), z. B. Zugriffspunkte, Router, Schnittstellen zu verdrahteten Steuerbussen, Gateways zu drahtlosen Kommunikationsnetzen, Gateways zu externen Netzwerken oder Systemen und andere derartige Routing- und Netzwerkvorrichtungen. Wieder andere Beispiele für die Provider-Vorrichtungen 110 umfassen Historienspeichervorrichtungen, deren primäre Funktion darin besteht, Prozessdaten (in einigen Fällen temporär) und sonstige verwandte Daten zu speichern, die über das Prozesssteuerungssystem 10 hinweg akkumuliert werden.The majority of distributed big data nodes or devices 102 the big data network of process control 100 can have different different node or device groups 110 - 114 that support distributed big data in process control systems or facilities. A first group of nodes or devices 110 This interchangeable as "distributed big data provider node 110 "," Distributed big data provider devices 110 "," Provider node 110 "Or" provider devices 110 "Includes one or more nodes or devices that generate, route and / or receive process control data to enable processes in the process plant environment 10 be controlled in real time. Examples of provider nodes or devices 110 include devices whose primary function is to generate and / or work with process control data to control a process, e.g. Wired and wireless field devices, controllers and input / output (I / O) devices. Further examples of provider devices 110 include devices whose primary function is to provide access to or routes through one or more communication networks of the process control system (of which the process control big data network 100 one is), z. Access points, routers, interfaces to wired control buses, gateways to wireless communication networks, gateways to external networks or systems, and other such routing and network devices. Yet other examples of the provider devices 110 include history storage devices whose primary function is to store process data (in some cases temporary) and other related data, via the process control system 10 be accumulated.
Mindestens einer/eines von den Provider-Knoten oder -Vorrichtungen 110 ist direkt kommunikativ mit dem Big-Data-Netzwerk-Backbone der Prozesssteuerung 105 verbunden. In einigen Prozessanlagen ist mindestens eine der Provider-Vorrichtungen 110 indirekt kommunikativ mit dem Backbone 105 verbunden. Zum Beispiel ist eine drahtlose Feldvorrichtung kommunikativ über einen Router und einen Zugriffspunkt und ein drahtloses Gateway mit dem Backbone 105 verbunden. Ferner können zumindest einige der Provider-Knoten oder -Vorrichtungen 110 hierarchisch kommunikativ mit dem Backbone 105 verbunden sein. Zum Beispiel ist/sind eine oder mehrere Feldvorrichtungen kommunikativ mit einer oder mehreren E/A-Vorrichtungen verbunden, die kommunikativ mit einer oder mehreren Steuerungen verbunden sind, die wiederum mit dem Backbone 105 verbunden ist/sind. Darüber hinaus kann mindestens einer der Provider-Knoten oder -Vorrichtungen 110 über eine Peer-to Peer-Verbindung kommunikativ mit einem/einer anderen Provider-Knoten oder -Vorrichtung 110 verbunden sein. Zum Beispiel sind zwei Steuerungen kommunikativ miteinander verbunden, während eine oder beide der Steuerungen ebenfalls kommunikativ mit dem Backbone 105 verbunden sind. Typischerweise weisen Provider-Knoten oder -Vorrichtungen 110 keine integrierte Benutzerschnittstelle auf, obwohl einige der Provider-Vorrichtungen 110 dazu in der Lage sein können, in kommunikativer Verbindung mit einer Benutzerrechenvorrichtung oder einer Benutzerschnittstelle zu stehen, z. B. indem sie über eine verdrahtete oder drahtlose Kommunikationsverbindung oder durch das Einstecken einer Benutzerschnittstellenvorrichtung in einen Anschluss der Provider-Vorrichtung 110 kommunizieren.At least one of the provider nodes or devices 110 is directly communicative with the big data network backbone of process control 105 connected. In some process plants, at least one of the provider devices 110 indirectly communicative with the backbone 105 connected. For example, a wireless field device is communicatively via a router and an access point and a wireless gateway to the backbone 105 connected. Further, at least some of the provider nodes or devices 110 hierarchically communicative with the backbone 105 be connected. For example, one or more field devices are communicatively connected to one or more I / O devices that are communicatively connected to one or more controllers, which in turn communicate with the backbone 105 is connected / are. In addition, at least one of the provider nodes or devices 110 via a peer-to-peer connection communicatively with another provider node or device 110 be connected. For example, two controllers are communicatively connected, while one or both of the controllers are also communicative with the backbone 105 are connected. Typically, provider nodes or devices 110 no integrated user interface even though some of the provider devices 110 may be able to communicate with a user computing device or user interface, e.g. By connecting via a wired or wireless communication link or by plugging a user interface device into a port of the provider device 110 communicate.
Eine zweite Gruppe von Knoten oder Vorrichtungen 112, die verteilte Big Data in Prozesssteuerungssystemen oder -Anlagen unterstützen, werden in der vorliegenden Schrift austauschbar als „verteilte Big-Data-Benutzerschnittstellenknoten 112“, „verteilte Big-Data-Benutzerschnittstellenvorrichtungen 112“, „Benutzerschnittstellenknoten 112“ oder „Benutzerschnittstellenvorrichtungen 112“ bezeichnet. Die zweite Gruppe von Vorrichtungen 112 umfasst einen oder mehrere Knoten oder Vorrichtungen, die jeweils eine integrierte Benutzerschnittstelle aufweisen, über die ein Benutzer oder Bediener mit dem Prozesssteuerungssystem oder der Prozessanlage 10 interagieren kann, um Aktionen in Bezug auf die Prozessanlage 10 auszuführen (z. B. Konfigurieren, Betrachten, Kontrollieren, Testen, Diagnostizieren, Anweisen, Planen, Einteilen, Kommentieren und/oder sonstige Aktionen). Beispiele für diese Benutzerschnittstellenknoten oder -vorrichtungen 112 umfassen mobile oder feststehende Rechenvorrichtungen, Arbeitsstationen, Handvorrichtungen, Tablets, Oberflächenrechenvorrichtungen und beliebige andere Rechenvorrichtungen, die einen Prozessor, einen Speicher und eine integrierte Benutzerschnittstelle aufweisen. Integrierte Benutzerschnittstellen können einen Bildschirm, eine Tastatur, ein Tastenfeld, eine Maus, Tasten, einen Touchscreen, ein Touchpad, eine biometrische Schnittstelle, Lautsprecher und Mikrofone, Kameras und/oder eine beliebige andere Benutzerschnittstellentechnik umfassen. Jede Benutzerschnittstellenvorrichtungen 112 kann eine oder mehrere integrierte Benutzerschnittstellen umfassen. Benutzerschnittstellenknoten oder -vorrichtungen 112 können eine direkte Verbindung zu dem Big-Data-Netzwerk-Backbone der Prozesssteuerung 105 umfassen oder sie können eine indirekte Verbindung zu dem Backbone 105 umfassen, z. B. über einen Zugriffspunkt oder ein Gateway. Benutzerschnittstellenvorrichtungen 112 können sich verdrahtet und/oder drahtlos kommunikativ mit dem Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 verbinden. In einigen Ausführungsformen kann sich eine Benutzerschnittstellenvorrichtung 112 ad hoc mit dem Netzwerk-Backbone 105 verbinden.A second group of nodes or devices 112 , which support distributed big data in process control systems or systems, are interchangeably referred to herein as "distributed big-data user interface nodes 112 "," Distributed big data user interface devices 112 "," User interface node 112 Or user interface devices 112 " designated. The second group of devices 112 includes one or more nodes or devices each having an integrated user interface through which a user or operator communicates with the process control system or the process plant 10 can interact to actions related to the process plant 10 configure (for example, configure, view, control, test, diagnose, instruct, schedule, classify, comment, and / or perform other actions). Examples of these user interface nodes or devices 112 include mobile or fixed computing devices, workstations, handheld devices, tablets, surface computing devices, and any other computing devices having a processor, a memory, and an integrated user interface. Integrated user interfaces may include a screen, a keyboard, a keypad, a mouse, buttons, a touch screen, a touchpad, a biometric interface, speakers and microphones, cameras, and / or any other user interface technology. Every user interface devices 112 may include one or more integrated user interfaces. User interface nodes or devices 112 can connect directly to the big data network backbone of process control 105 include or they may have an indirect connection to the backbone 105 include, for. Via an access point or a gateway. User interface devices 112 can be wired and / or communicatively communicating with the big data network backbone of the process control system 105 connect. In some embodiments, a user interface device may be 112 ad hoc with the network backbone 105 connect.
Selbstverständlich ist die Mehrzahl von verteilten Big-Data-Knoten oder -Vorrichtungen 102 in Prozesssteuerungsanlagen und -systemen nicht nur auf Providerknoten 110 und Benutzerschnittstellenknoten 112 begrenzt. Einer oder mehrere andere Typen von verteilten Big-Data-Knoten oder -Vorrichtungen 114 können darüber hinaus in der Mehrzahl von Knoten oder Vorrichtungen 102 enthalten sein. Zum Beispiel kann ein Knoten 114 eines Systems, das sich außerhalb der Prozessanlage 10 befindet (z. B. ein Laborsystem oder ein Materialtransportsystem), kommunikativ mit dem Netzwerk-Backbone 105 des Systems 100 verbunden sein. Ein Knoten oder eine Vorrichtungen 114 kann über eine direkte oder eine indirekte Verbindung kommunikativ mit dem Backbone 105 verbunden sein, und ein Knoten oder eine Vorrichtung 114 kann über eine verdrahtete oder eine drahtlose Verbindung kommunikativ mit dem Backbone 105 verbunden sein. In einigen Ausführungsformen kann die Gruppe sonstiger Knoten oder Vorrichtungen 114 aus dem Big-Data-Netzwerk des Prozesssteuerungssystems 100 ausgelassen werden.Of course, the majority are distributed big data nodes or devices 102 in process control systems and systems, not just provider nodes 110 and user interface nodes 112 limited. One or more other types of distributed big data nodes or devices 114 In addition, in the majority of nodes or devices 102 be included. For example, a node 114 a system that is outside the process plant 10 located (eg, a lab system or a material transport system) communicatively with the network backbone 105 of the system 100 be connected. A knot or devices 114 Can communicate with the backbone via a direct or indirect connection 105 be connected, and a node or device 114 Can communicate with the backbone via a wired or wireless connection 105 be connected. In some embodiments, the group of other nodes or devices 114 from the big data network of the process control system 100 be left out.
Um verteilte Big Data zu unterstützen, umfasst eine beliebige Anzahl der Knoten oder Vorrichtungen 110–114 jeweils eine entsprechende eingebettete Big-Data-Einrichtung oder ein -Element 116. Die/Das eingebettete Big-Data-Einrichtung oder -Element 116 umfasst zum Beispiel einen eingebetteten Big-Data-Speicher 120 zum Speichern oder Historisieren von Daten, einen oder mehrere Prozessoren (nicht dargestellt), einen oder mehrere eingebettete Big-Data-Empfänger 122, ein oder mehrere Analyseelemente 124 und einen oder mehrere eingebettete Big-Data-Anfrageabwickler 126. In einer Ausführungsform umfassen die eingebetteten Big-Data-Empfänger 122, die eingebetteten Big-Data-Analyseelemente 124 und die eingebetteten Big-Data-Anfrageabwickler 126 entsprechende computerausführbare Anweisungen, die auf einem oder mehreren greifbaren, nichtflüchtigen computerlesbaren Speichermedien gespeichert sind (z. B dem eingebetteten Big-Data-Speicher 120, einer Speichervorrichtung, einer anderen Datenspeichervorrichtung) und die durch den einen oder die mehreren Prozessoren des eingebetteten Big-Data-Elements 116 ausführbar sind. In einigen der Knoten oder Vorrichtungen 110–114 führen der eine oder die mehreren Prozessoren des eingebetteten Big-Data-Elements 116 zusätzlich zum Ausführen der Big-Data-Anweisungen oder -Funktionen darüber hinaus Nicht-Big-Data-Anweisungen oder -Funktionen aus, die von Vorrichtungen eines Prozesssteuerungssystems ausgeführt werden, z. B. Steueralgorithmen, Daten-Routing, Messungen, Benutzerschnittstellenverwaltung und dergleichen. Jede dieser Komponenten 120, 122, 124, 126 des eingebetteten Big-Data-Elements 116 wird weiter unten ausführlicher beschrieben. Zur Vereinfachung der Erörterung bezieht sich der Ausdruck „bestimmte Vorrichtung 110–114“ im Allgemeinen auf jede von einer oder mehreren der Vorrichtungen 110–114, die verteilte Big Data in Prozessanlagen und Prozesssteuerungssystemen unterstützen.To support distributed big data, includes any number of nodes or devices 110 - 114 one respective embedded big-data device or element 116 , The embedded big-data facility or element 116 includes, for example, an embedded big data memory 120 for storing or historizing data, one or more processors (not shown), one or more embedded big data receivers 122 , one or more analysis elements 124 and one or more embedded big data request handlers 126 , In one embodiment, the embedded big data receivers include 122 , the embedded big-data analysis elements 124 and the embedded Big Data request handlers 126 corresponding computer-executable instructions stored on one or more tangible, non-transitory, computer-readable storage media (e.g., the embedded big-data storage 120 , a storage device, other data storage device) and by the one or more processors of the embedded Big Data element 116 are executable. In some of the nodes or devices 110 - 114 run the one or more processors of the embedded Big Data element 116 In addition to performing the big-data instructions or functions, moreover, non-big-data instructions or functions executed by devices of a process control system, e.g. Control algorithms, data routing, measurements, user interface management, and the like. Each of these components 120 . 122 . 124 . 126 embedded big-data element 116 will be described in more detail below. For ease of discussion, the term "particular device 110 - 114 "Generally on any of one or more of the devices 110 - 114 that support distributed big data in process plants and process control systems.
Der eingebettete Big-Data-Speicher 120 einer bestimmten Vorrichtung 110–114 umfasst einen oder mehrere greifbare, nichtflüchtige Datenspeicher, die eine Datenspeichertechnologie mit hoher Dichte verwenden, zum Beispiel Solid-State-Drive-Speicher, Halbleiterspeicher, optischer Speicher, molekularer Speicher, biologischer Speicher oder eine beliebige sonstige geeignete Speichertechnologie mit hoher Dichte. Für die anderen Knoten oder Vorrichtungen 110–114 des Netzwerks 100 kann der eingebettete Big-Data-Speicher 120 den Anschein eines einzigen oder einheitlichen Speicherbereichs oder einer -einheit für logische Daten machen, der/die in dem Netzwerk 100 als Einheit, die sich von der bestimmten Vorrichtung 110–114 unterscheidet, adressiert oder nicht adressiert werden kann. Typischerweise ist der eingebettete Big-Data-Speicher 120 in die bestimmte Vorrichtung 110–114 integriert. In einer Ausführungsform umfasst der eingebettete Big-Data-Speicher 120 eine integrierte Firewall.The embedded big data store 120 a particular device 110 - 114 includes one or more tangible, nonvolatile data storage devices utilizing high density data storage technology, for example, solid state drive storage, semiconductor storage, optical storage, molecular storage, biological storage, or any other suitable high density storage technology. For the other nodes or devices 110 - 114 of the network 100 can be the embedded Big Data memory 120 make the appearance of a single or unified logical data storage unit or unit in the network 100 as a unit, different from the particular device 110 - 114 differentiates, addresses or can not be addressed. Typically, the embedded Big Data memory 120 into the particular device 110 - 114 integrated. In a Embodiment includes the embedded big data memory 120 an integrated firewall.
Die Struktur des eingebetteten Big-Data-Speichers 120, der in der bestimmten Vorrichtungen 110–114 enthalten ist, unterstützt in einer Ausführungsform den Speicher beliebiger und sämtlicher Prozesssteuerungssysteme und anlagenbezogener Daten, die von der bestimmten Vorrichtung 110–114 gesammelt wurden. Jede(r) Eintrag, Datenpunkt oder Beobachtung, der/die in dem eingebetteten Big-Data-Speicher 120 gespeichert ist, umfasst beispielsweise einen Hinweis auf die Identität der Daten (z. B. Vorrichtung, Tag, Standort etc.), einen Inhalt der Daten (z. B. Messung, Wert usw.) und einen Zeitstempel, der auf eine Zeit hinweist, zu der die Daten gesammelt, erzeugt, erstellt, empfangen oder beobachtet wurden. Als solche werden diese Einträge, Datenpunkte oder Beobachtungen in der vorliegenden Schrift als „Zeitreihendaten“ bezeichnet. Die Daten werden in dem eingebetteten Big-Data-Speicher 120 der bestimmten Vorrichtung 110–114 unter Verwendung eines üblichen Formats gespeichert, das ein Schema umfasst, welches beispielsweise skalierbaren Speicher unterstützt und bei dem es sich um dasselbe Schema, das von anderen bestimmten Vorrichtungen 110–114 verwendet wird, oder auch nicht handeln kann.The structure of the embedded big data store 120 that in the particular devices 110 - 114 in one embodiment, supports the memory of any and all of the process control systems and system-related data generated by the particular device 110 - 114 were collected. Any entry, data point, or observation in the embedded big data store 120 includes, for example, an indication of the identity of the data (eg, device, day, location, etc.), content of the data (eg, measurement, value, etc.) and a timestamp indicating a time to which the data was collected, generated, created, received or observed. As such, these entries, data points or observations in the present specification are referred to as "time series data". The data is stored in the big-data memory 120 the particular device 110 - 114 stored using a common format that includes a schema that supports, for example, scalable memory and that is the same scheme used by other particular devices 110 - 114 used or can not act.
In einer Ausführungsform umfasst das Schema das Speichern mehrere Beobachtungen in einer Zeile und die Verwendung eines Zeilenschlüssels mit einem benutzerdefinierten Hashwert, um die Daten in der Zeile zu filtern. Der Hashwert basiert in einer Ausführungsform auf dem Zeitstempel und einem Tag. In einem Beispiel ist der Hashwert ein gerundeter Wert des Zeitstempels, und der Tag entspricht einem Ereignis oder einer Einheit des Prozesssteuerungssystems oder einem/einer, der/die darauf bezogen ist. In einer Ausführungsform werden Metadaten, die jeder Zeile oder einer Zeilengruppe entsprechen, darüber hinaus, entweder in die Zeitreihendaten integriert oder von den Zeitreihendaten getrennt, in dem eingebetteten Big-Data-Speicher 120 der bestimmten Vorrichtung 110–114 gespeichert. Zum Beispiel können die Metadaten schemafrei getrennt von den Zeitreihendaten gespeichert werden.In one embodiment, the scheme includes storing multiple observations in a row and using a row key with a user-defined hash value to filter the data in the row. The hash value is based on the timestamp and a day in one embodiment. In one example, the hash value is a rounded value of the timestamp, and the tag corresponds to an event or entity of the process control system or one that relates to it. In one embodiment, metadata corresponding to each row or a row group, in addition to being integrated into the time series data or separated from the time series data, is also embedded in the big data memory 120 the particular device 110 - 114 saved. For example, the metadata may be stored in a schema-free manner separate from the time series data.
Zusätzlich zu dem eingebetteten Big-Data-Speicher 120 umfasst das eingebettete Big-Data-Element 116 der bestimmten Vorrichtung 110–114 einen oder mehrere eingebettete Big-Data-Empfänger 122, von denen jeder konfiguriert ist, Daten zu empfangen, die von der bestimmten Vorrichtung 110–114 gesammelt wurden. In einer Ausführungsform können mehrere eingebettete Big-Data-Empfänger 122 (und/oder mehrere Instanzen von mindestens einem eingebetteten Big-Data-Empfänger 122) parallel arbeiten, um die Daten zu empfangen, die lokal von der bestimmten Vorrichtungen 110–114 gesammelt wurden.In addition to the embedded Big Data memory 120 includes the embedded big data element 116 the particular device 110 - 114 one or more embedded big data receivers 122 each of which is configured to receive data from the particular device 110 - 114 were collected. In one embodiment, multiple embedded big-data receivers 122 (and / or multiple instances of at least one embedded big-data receiver 122 ) work in parallel to receive the data locally from the particular devices 110 - 114 were collected.
Beispiele für Daten, die lokal gesammelt und von den Providerknoten oder -vorrichtungen 110 gespeichert werden können, z. B. als verteilte Daten, können Messdaten, Konfigurationsdaten, Chargendaten, Ereignisdaten und/oder kontinuierliche Daten umfassen. Zum Beispiel können Daten gesammelt werden, die Konfigurationen, Chargenrezepten, Sollwerten, Ausgaben, Geschwindigkeiten, Steuerhandlungen, Diagnosen, dem Zustand der Vorrichtung oder weiterer Vorrichtungen, Alarmsignalen, Ereignissen und/oder Veränderungen und Diagnosedaten dazu entsprechen. Andere Beispiele für Daten können Prozessmodelle, Statistiken, Statusdaten sowie Netzwerk- und Anlagenverwaltungsdaten umfassen.Examples of data collected locally and from provider nodes or devices 110 can be stored, for. As distributed data, may include measurement data, configuration data, batch data, event data and / or continuous data. For example, data may be collected that corresponds to configurations, batch recipes, setpoints, outputs, speeds, control actions, diagnostics, the state of the device or other devices, alarms, events, and / or changes and diagnostic data thereto. Other examples of data may include process models, statistics, status data, and network and asset management data.
Beispiele für Daten, die lokal gesammelt und von den Benutzerschnittstellenknoten oder -vorrichtungen 112 gespeichert werden, z. B. als verteilte Big Data, können beispielsweise Benutzeranmeldungen, Benutzeranfragen, von einem Benutzer erfasste Daten (z. B. durch Kamera-, Audio- oder Videoaufzeichnungsvorrichtung), Benutzerbefehle, Dateierstellung, -modifikation oder -löschung, einen physischen oder räumlichen Standort eines Benutzerschnittstellenknotens oder einer -vorrichtung, Ergebnisse einer Diagnose oder eines Tests, die/der von der Benutzerschnittstellenvorrichtung 112 ausgeführt wurde, und sonstige Handlungen oder Aktionen, die von einem Benutzer, der mit einem Benutzerschnittstellenknoten 112 interagiert oder darauf bezogen ist, initiiert wurden.Examples of data collected locally and from user interface nodes or devices 112 be stored, for. For example, as distributed big data, user logins, user requests, user-collected data (eg, by camera, audio, or video recorder), user commands, file creation, modification, or deletion, may include a physical or spatial location of a user interface node or a device, results of a diagnostic or test from the user interface device 112 has been executed, and any other actions or actions taken by a user connected to a user interface node 112 interacting or related to.
Bei gesammelten Daten kann es sich um dynamische oder statische Daten handeln. Gesammelte Daten können beispielsweise Datenbankdaten, Konfigurationsdaten, Chargendaten, Streaming-Daten und/oder Transaktionsdaten umfassen. Allgemein ausgedrückt können beliebige Daten, die eine bestimmte Vorrichtung 110–114 erzeugt, empfängt oder anderweitig beobachtet, mit einem entsprechenden Zeitstempel oder Hinweis auf eine Zeit, zu der sie von der bestimmten Vorrichtung 110–114 erzeugt, empfangen oder beobachtet wurden, gesammelt werden.Collected data can be dynamic or static. Collected data may include, for example, database data, configuration data, batch data, streaming data and / or transaction data. Generally speaking, any data representing a particular device 110 - 114 is generated, received or otherwise observed, with a corresponding time stamp or an indication of a time at which they are received by the particular device 110 - 114 be generated, received or observed.
In einer Ausführungsform ist jede der Vorrichtungen 110, 112 (und gegebenenfalls mindestens eine der anderen Vorrichtungen 114) konfiguriert, Echtzeitdaten automatisch zu sammeln, ohne dass verlustbehaftete Datenkompression, Daten-Teilabtastung oder Konfigurierung des Knotens für Datensammelzwecke erforderlich ist. Demnach können die Vorrichtungen 110, 112 (und gegebenenfalls mindestens eine der anderen Vorrichtungen 114) des Big-Data-Systems der Prozesssteuerung 100 automatisch alle Daten sammeln (z. B. Mess- und Steuerdaten sowie verschiedene andere Datentypen), die von der Vorrichtung in einer Geschwindigkeit, mit der die Daten erzeugt, erstellt, empfangen oder erhalten werden, erzeugt wird, erstellt wird, daran empfangen wird oder dadurch erhalten wird.In one embodiment, each of the devices is 110 . 112 (and optionally at least one of the other devices 114 ) is configured to automatically collect real-time data without requiring lossy data compression, data subsampling, or node configuration for data collection purposes. Accordingly, the devices 110 . 112 (and optionally at least one of the other devices 114 ) of the big data system of process control 100 automatically collect all data (eg measurement and control data as well as various other data types) generated, received or received by the device at a rate at which the data is generated will be created, created, received or obtained.
Das eingebettete Big-Data-Element 116 der bestimmten Vorrichtung 110–114 kann ein oder mehrere eingebettete Big-Data-Analyseelemente 124 umfassen, von denen jedes konfiguriert ist, Lernanalysen zu auf dem eingebetteten Big-Data-Speicher 120 gespeicherten Daten auszuführen oder durchzuführen, typischerweise ohne Benutzereingaben zu verwenden, um die Lernanalyse zu initiieren und/oder durchzuführen. Im Allgemeinen kann die Lernanalyse überwacht (z. B. Bestimmen von Beziehungen oder Mustern aus markierten Daten), teilüberwacht (z. B. Bestimmen von Beziehungen oder Mustern aus nichtmarkierten Daten und einer Teilmenge markierter Daten), unüberwacht (z. B. Bestimmen von Beziehungen oder Mustern aus unmarkierten Daten) oder eine beliebige Kombination davon sein. In einer Ausführungsform können mehrere eingebettete Big-Data-Analyseelemente 124 (und/oder mehrere Instanzen von mindestens einem eingebetteten Big-Data-Analyseelement 124) parallel arbeiten, um die Daten zu analysieren, die in dem eingebetteten Big-Data-Speicher 120 der bestimmten Vorrichtungen 110–114 eingebettet sind.The embedded big data element 116 the particular device 110 - 114 can have one or more embedded Big Data analysis elements 124 Each of which is configured to include learning analyzes on the embedded Big Data memory 120 to execute or perform stored data, typically without user input, to initiate and / or perform the learning analysis. In general, the learning analysis may be monitored (eg, determining relationships or patterns from tagged data), partially supervised (eg, determining relationships or patterns from unlabelled data and a subset of tagged data), unsupervised (e.g., determining Relationships or patterns from unlabeled data) or any combination thereof. In one embodiment, multiple embedded big-data analysis elements 124 (and / or multiple instances of at least one embedded big-data analytic item 124 ) work in parallel to analyze the data in the embedded big-data memory 120 certain devices 110 - 114 are embedded.
In einer Ausführungsform können die eingebetteten Big-Data-Analyseelemente 124 eine umfangreiche Datenanalyse zu den gespeicherten Daten (z. B. Data-Mining, Data-Discovery usw.) durchführen, um Informationen und Wissen zu entdecken, zu erkennen oder zu lernen. Zum Beispiel umfasst das Data-Mining im Allgemeinen den Vorgang der Untersuchung großer Datenmengen, um neue oder zuvor unbekannte interessante Daten oder Muster wie ungewöhnliche Datensätze oder mehrere Gruppen von Datensätzen zu extrahieren. Die eingebetteten Big-Data-Analyseelemente 124 können darüber hinaus eine umfangreiche Datenanalyse zu den gespeicherten Daten (z. B. maschinelle Lernanalyse, Datenmodellierung, Mustererkennung, Vorhersageanalyse, Korrelationsanalyse usw.) durchführen, um implizite Beziehungen oder Schlussfolgerungen für die gespeicherten Daten vorherzusagen, zu berechnen oder zu identifizieren. Zum Beispiel können die eingebetteten Datenanalyseelemente 124 eine Vielzahl von Datenlernalgorithmen und Klassifizierungstechniken wie die Partial-Least-Square-Regression (PLS-Regression), Random-Forest und/oder Hauptkomponentenanalyse (PCA) verwenden. Aus der umfangreichen Datenanalyse (z. B. auf Grundlage von Ergebnissen der umfangreichen Datenanalyse) können die eingebetteten Big-Data-Analyseelemente 124 der bestimmten Vorrichtung 110–114 nachfolgendes gelerntes Wissen erstellen oder erzeugen, das in dem eingebetteten Big-Data-Speicher 120 der bestimmten Vorrichtung 110–114 gespeichert oder zu diesem hinzugefügt werden kann.In one embodiment, the embedded big data analysis elements 124 perform extensive data analysis on the stored data (eg, data mining, data discovery, etc.) to discover, recognize, or learn information and knowledge. For example, data mining generally involves the process of examining large amounts of data to extract new or previously unknown interesting data or patterns, such as unusual records or multiple sets of records. The embedded Big Data analysis elements 124 In addition, they can perform extensive data analysis on the stored data (eg, machine learning analysis, data modeling, pattern recognition, predictive analysis, correlation analysis, etc.) to predict, calculate, or identify implied relationships or inferences for the stored data. For example, the embedded data analysis elements 124 use a variety of data learning algorithms and classification techniques such as Partial Least Square Regression (PLS Regression), Random Forest and / or Principal Component Analysis (PCA). From the extensive data analysis (eg based on results of the extensive data analysis), the embedded Big Data analysis elements 124 the particular device 110 - 114 create or generate subsequent learned knowledge in the embedded big data memory 120 the particular device 110 - 114 saved or added to this.
Ferner kann das eingebettete Big-Data-Element 116 der bestimmten Vorrichtung 110–114 einen oder mehrere eingebettete Big-Data-Anfrageabwickler 126 umfassen, von denen jeder konfiguriert ist, auf lokalisierte Daten zuzugreifen, die in dem eingebetteten Big-Data-Speicher 120 enthalten sind, z. B. durch die Anfrage einer Anfrageeinheit oder anwendung. In einer Ausführungsform können mehrere eingebettete Big-Data-Anfrageabwickler 126 (und/oder mehrere Instanzen von mindestens einem eingebetteten Big-Data-Anfrageabwickler 126) der bestimmten Vorrichtung 110–114 parallel mit mehreren Anfragen von mehreren Anfrageeinheiten oder -anwendungen arbeiten. In einer Ausführungsform kann ein einziger eingebetteter Big-Data-Anfrageabwickler 126 der bestimmten Vorrichtung 110–114 verschiedene Anfragen abwickeln, zum Beispiel mehrere Anfragen von einer einzigen Einheit oder Anwendung oder mehrere Anfragen von unterschiedlichen Instanzen einer Anwendung.Furthermore, the embedded Big Data element 116 the particular device 110 - 114 one or more embedded big data request handlers 126 each of which is configured to access localized data stored in the embedded big data memory 120 are included, for. B. by the request of a request unit or application. In one embodiment, multiple embedded big data request handlers 126 (and / or multiple instances of at least one embedded big data request handler 126 ) of the particular device 110 - 114 work in parallel with multiple requests from multiple request units or applications. In one embodiment, a single embedded big data request handler may 126 the particular device 110 - 114 handle multiple requests, for example, multiple requests from a single unit or application or multiple requests from different instances of an application.
Weiterhin in Bezug auf 1 umfasst der Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 eine Mehrzahl von vernetzten Rechenvorrichtungen oder Switches, die konfiguriert sind, Pakete zu/von verschiedenen verteilte Big-Data-Vorrichtungen 102 des Big-Data-Netzwerks des Prozesssteuerungssystems 102 zu routen. Die Mehrzahl vernetzter Rechenvorrichtungen des Backbones 105 kann mit einer beliebigen Anzahl drahtloser und/oder verdrahteter Verknüpfungen verbunden sein. In einer Ausführungsform umfasst der Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 eine oder mehrere Firewall-Vorrichtungen.Continue in terms of 1 includes the big data network backbone of the process control system 105 a plurality of networked computing devices or switches that are configured to package to / from different distributed big data devices 102 the big data network of the process control system 102 to route. The majority of networked computing devices of the backbone 105 can be connected to any number of wireless and / or wired links. In an embodiment, the big data network backbone comprises the process control system 105 one or more firewall devices.
Der Big-Data-Netzwerk-Backbone 105 kann ein oder mehrere geeignete Routing-Protokolle, z. B. Protokolle, die in der Internetprotokoll(IP)-Familie (z. B. UPD (User Datagram Protocol) enthalten sind, TCP (Transmission Control Protocol), Ethernet usw.) oder sonstige geeignete Routing-Protokolle unterstützen. Typischerweise unterstützt jede(r) Vorrichtung oder Knoten 102, die/der in dem Big-Data-Netzwerk für Prozessdaten 100 enthalten ist, mindestens eine Anwendungsschicht (und für einige Vorrichtungen zusätzliche Schichten) des/der von dem Backbone 105 unterstützten Routingprotokolls/Routingprotokolle. In einer Ausführungsform wird jede(r) Vorrichtung oder Knoten 102 in dem Big-Data-Netzwerk des Prozesssteuerungssystems 100 eindeutig identifiziert, z. B. durch eine eindeutige Netzwerkadresse. In einer Ausführungsform handelt es sich zumindest bei ein Teil des Big-Data-Netzwerks der Prozesssteuerung 100 um ein Ad-hoc-Netzwerk. An sich können sich zumindest einige der Vorrichtungen 102 ad-hoc mit dem Netzwerk-Backbone 105 (oder mit einem anderen Knoten des Netzwerks 100) verbinden.The big data network backbone 105 may be one or more suitable routing protocols, e.g. For example, protocols that are included in the Internet Protocol (IP) family (for example, UPD (User Datagram Protocol), Transmission Control Protocol (TCP), Ethernet, etc.) or other suitable routing protocols. Typically, each device or node supports 102 who are in the big data network for process data 100 at least one application layer (and for some devices additional layers) of the backbone 105 Supported routing protocol / routing protocols. In one embodiment, each device or node becomes 102 in the big data network of the process control system 100 clearly identified, eg. B. by a unique network address. In one embodiment, at least part of the big data network is process control 100 an ad hoc network. In itself, at least some of the devices can 102 ad hoc with the network backbone 105 (or with another node of the network 100 ) connect.
Erneut in Bezug auf 1 umfasst das beispielhafte Big-Data-Prozesssteuerungsnetzwerk des Prozesssteuerungssystems 100 ein(e) zentralisierte(s) Big-Data-Einrichtung oder -Element des Prozesssteuerungssystems 108, das konfiguriert ist, gesammelte Daten und/oder erzeugtes gelerntes Wissen aus den verteilten Big-Data-Vorrichtungen oder -Knoten 102 (z. B. über ein Streaming- und/oder über irgendein anderes Protokoll) des Netzwerks 100 sowie aus anderen Big-Data-Vorrichtungen oder -Knoten 128 zu empfangen und zu speichern, die Big Data zentralisiert unterstützen (z. B. Vorrichtungen oder Knoten, bei denen es sich um nichtverteilte oder zentralisierte Big-Data-Vorrichtungen oder -Knoten handelt). Das Big-Data-Element der Prozesssteuerungsanlage 108 kann darüber hinaus konfiguriert sein, beliebige oder sämtliche der empfangenen Daten und des gelernten Wissens, das von verteilten Big-Data-Knoten 102 und von zentralisierten Big-Data-Knoten 128 empfangen wurde, näher zu analysieren. An sich kann die/das zentralisierte Big-Data-Einrichtung oder -Element des Prozesssteuerungssystems 108 einen zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130, eine Mehrzahl zentralisierter Big-Data-Empfänger des Prozesssteuerungssystems 132, eine Mehrzahl zentralisierter Big-Data-Analyseelemente des Prozesssteuerungssystems 134 und eine Mehrzahl zentralisierter Big-Data-Anfrageabwickler des Prozesssteuerungssystems 136 umfassen. Jede der zentralisierten Komponenten 130, 132, 134, 136 des zentralisierten Big-Data-Elements des Prozesssteuerungssystems 108 kann den verteilten Komponenten 120, 122, 124, 126 des eingebetteten Big-Data-Elements 116, wie zuvor bereits oben beschrieben, ähneln. Again in terms of 1 includes the exemplary big data process control network of the process control system 100 a centralized big data facility or element of the process control system 108 that is configured, collected data and / or generated learned knowledge from the distributed big data devices or nodes 102 (eg, via a streaming and / or any other protocol) of the network 100 and other big data devices or nodes 128 receive and store central data that supports big data (for example, devices or nodes that are undistributed or centralized big data devices or nodes). The big data element of the process control system 108 may also be configured to receive any or all of the received data and learned knowledge from distributed big data nodes 102 and from centralized big data nodes 128 was received, to analyze more closely. As such, the centralized big data facility or element of the process control system 108 a centralized big data storage area of the process control system 130 , a plurality of centralized big data receivers of the process control system 132 , a plurality of centralized big-data analysis elements of the process control system 134 and a plurality of centralized big data request handlers of the process control system 136 include. Each of the centralized components 130 . 132 . 134 . 136 the centralized big-data element of the process control system 108 can be the distributed components 120 . 122 . 124 . 126 embedded big-data element 116 , as previously described above, similar.
In einer Ausführungsform ähnelt das zentralisierte Big-Data-Element des Prozesssteuerungssystems 108 dem in der zuvor genannten US-Anmeldung mit der Nr. 13/784,041. Zum Beispiel kann der zentralisierte Big-Data-Speicherbereich des Prozesssteuerungssystems 130 mehrere physikalische Datenlaufwerke oder Speichereinheiten umfassen, zum Beispiel RAID-Speicher (Redundant Array of Independent Disks), Cloud-Speicher oder eine beliebige andere geeignete Datenspeichertechnik, die für Datenbank- oder Rechenzentrumspeicherung geeignet ist. Ferner kann jeder aus der Mehrzahl zentralisierter Big-Data-Empfänger des Prozesssteuerungssystems 132 konfiguriert sein, Datenpakete von dem Backbone 105 zu empfangen, die Paketdaten zu verarbeiten, um die substanziellen Daten und/oder das gelernte Wissen, das darin enthalten ist, zu empfangen, und die substanziellen Daten und/oder das gelernte Wissen in dem zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130 zu speichern. In einer Ausführungsform wird das Schema, das zum Speichern von Daten und/oder gelerntem Wissen auf einem oder mehreren der eingebetteten Big-Data-Speicher 120 in dem Netzwerk 100 verwendet wird, auch zum Speichern von Daten und/oder gelerntem Wissen in dem zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130 verwendet. Entsprechend wird in der vorliegenden Ausführungsform das Schema beibehalten, wenn die Daten und/oder das gelernte Wissen von dem einen oder den mehreren eingebetteten Big-Data-Speichern 120 über den Backbone 105 hinweg an den zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130 übertragen werden/wird. In einer Ausführungsform verwenden zumindest einige der verteilten Big-Data-Vorrichtungen 102 ein Streaming-Protokoll wie das Stream Control Transmission Protocol (SCTP), um gespeicherte Daten und/oder gelerntes Wissen von den Vorrichtungen 102 über den Netzwerk-Backbone 105 an das zentralisierte Big-Data-Element des Prozesssteuerungssystems 108 zu streamen.In one embodiment, the centralized big data element of the process control system is similar 108 in US Patent Application Serial No. 13 / 784,041. For example, the centralized big data storage area of the process control system 130 multiple physical data drives or storage devices, for example, redundant array of independent disks, cloud storage, or any other suitable data storage technique suitable for database or data center storage. Furthermore, each of the plurality of centralized big data receivers of the process control system 132 be configured to receive data packets from the backbone 105 receive, process the packet data to receive the substantial data and / or the learned knowledge contained therein, and the substantial data and / or the learned knowledge in the centralized big data storage area of the process control system 130 save. In one embodiment, the scheme used to store data and / or learned knowledge on one or more of the embedded big data storage 120 in the network 100 is also used to store data and / or learned knowledge in the centralized big data storage area of the process control system 130 used. Accordingly, in the present embodiment, the schema is maintained when the data and / or the learned knowledge from the one or more embedded big data stores 120 over the backbone 105 to the centralized big data storage area of the process control system 130 be transferred / will. In one embodiment, at least some of the distributed big data devices use 102 a streaming protocol such as the Stream Control Transmission Protocol (SCTP) to store stored data and / or learned knowledge from the devices 102 over the network backbone 105 to the centralized big-data element of the process control system 108 to stream.
In Bezug auf die zentralisierten Big-Data-Knoten oder -Vorrichtungen 128 können die zentralisierten Big-Data-Knoten oder -Vorrichtungen 128 den in der zuvor genannten US-Anmeldung mit der Nr. 61/783,112 beschriebenen ähneln. Zum Beispiel können die zentralisierten Big-Data-Knoten oder -Vorrichtungen 128 einen Mehrkernprozessor und einen Cache-Speicher umfassen, der konfiguriert ist, Daten, die von seiner entsprechenden Vorrichtung 128 erzeugt wurden, erstellt wurden, an dieser empfangen wurden oder anderweitig von dieser beobachtet wurden, temporär zu speichern oder zu cachen. Der Mehrkernprozessor der zentralisierten Big-Data-Vorrichtung 128 ist konfiguriert, zu verursachen, dass die gecachten Daten zum Speichern auf dem Big-Data-Element des Prozesssteuerungssystems 108 übertragen werden.Regarding the centralized big data nodes or devices 128 can be the centralized big data nodes or devices 128 similar to that described in the aforementioned U.S. Application No. 61 / 783,112. For example, the centralized big data nodes or devices 128 a multi-core processor and a cache memory configured to receive data from its corresponding device 128 have been created, received, received at, or otherwise observed by, temporarily storing or caching. The multi-core processor of the centralized big data device 128 is configured to cause the cached data to be stored on the Big Data element of the process control system 108 be transmitted.
Ferner kann in einigen Ausführungsformen das beispielhafte Big-Data-Steuerungsnetzwerk 100 des Prozesssteuerungssystems veraltete oder dem Stand der Technik entsprechende Prozesssteuerungsvorrichtungen (nicht dargestellt) umfassen, die keine Big-Data-Unterstützung umfassen. In diesen Ausführungsformen kann ein Gateway-Knoten in der Anlage 10 Nachrichten zwischen einem von dem Big-Data-Backbone 105 verwendeten Protokoll und einem anderen, von einem Kommunikationsnetzwerk, mit dem die alten oder dem Stand der Technik entsprechenden Vorrichtungen kommunikativ verbunden sind, verwendeten Protokoll umwandeln oder überführen.Further, in some embodiments, the example big data control network 100 The process control system may include obsolete or prior art process control devices (not shown) that do not include big data support. In these embodiments, a gateway node may be in the plant 10 Messages between one of the big data backbones 105 used and another protocol used by a communication network to which the old or prior art devices are communicatively connected.
Ein detailliertes Blockdiagramm, das beispielhafte verteilte Big-Data-Provider-Vorrichtungen 110 in einer Prozessanlage oder Prozesssteuerungsumgebung darstellt, ist in 2 dargestellt. Auf beispielhafte verteilte Big-Data-Provider-Vorrichtungen 110 wird in 2 unter Verwendung eines „DBD“-Bezugs hingewiesen, der den Einschluss eines entsprechenden eingebetteten Big-Data-Elements 116 darin kennzeichnet. Auch wenn die Vorrichtungen 110 unter Bezugnahme auf die Prozessanlage oder das Prozesssteuerungssystem 10 aus 1 erläutert werden, können die beispielhaften verteilten Big-Data-Provider-Vorrichtungen 110 in oder an sonstigen Prozessanlagen oder Prozesssteuerungssystemen verwendet werden, um verteilte Big Data darin zu unterstützen.A detailed block diagram illustrating exemplary distributed big data provider devices 110 in a process plant or process control environment is in 2 shown. Exemplary distributed big data provider devices 110 is in 2 using a "DBD" reference that includes the inclusion of a corresponding embedded big-data element 116 in this features. Even if the devices 110 with reference to the process plant or the process control system 10 out 1 can be explained, the exemplary distributed big data provider devices 110 be used in or on other process plants or process control systems to support distributed big data therein.
Wie zuvor erörtert können die verteilten Big-Data-Provider-Vorrichtungen 110 Vorrichtungen umfassen, deren Hauptfunktion darin besteht, lokal automatisch Prozesssteuerungsdaten zu erzeugen und/oder zu empfangen, die zur Durchführung von Funktionen zur Steuerung eines Prozesses in Echtzeit in der Prozessanlagenumgebung 10 und zur lokalen Speicherung oder Historisierung der Daten verwendet werden. Zum Beispiel sind Feldvorrichtungen und E/A-Vorrichtungen Beispiele für mögliche verteilte Big-Data-Provider 110. In einer Prozessanlagenumgebung 10 empfangen Prozesssteuerungen Signale, die auf Prozessmessungen hinweisen, die von Feldvorrichtungen durchgeführt wurden, verarbeiten diese Informationen, um eine Steuerungsroutine zu implementieren, und erzeugen Steuerungssignale, die über verdrahtete oder drahtlose Kommunikationsverbindungen an andere Feldvorrichtungen gesendet werden, um den Betrieb eines Prozesses in der Anlage 10 zu steuern. Typischerweise führt mindestens eine Feldvorrichtung eine physikalische Funktion (z. B. Öffnen oder Schließen eines Ventils, Erhöhen oder Verringern einer Temperatur usw.) aus, um den Betrieb eines Prozesses zu steuern, und einige Feldvorrichtungstypen können mit den Steuerungen über E/A-Vorrichtungen kommunizieren. Prozesssteuerungen, Feldvorrichtungen und E/A-Vorrichtungen können verdrahtet oder drahtlos sein, und es kann sich bei einer Vielzahl und einer Kombination von verdrahteten und drahtlosen Prozesssteuerungen, Feldvorrichtungen und E/A-Vorrichtungen um verteilte Big-Data-Knoten 110 des Big-Data-Netzwerks der Prozesssteuerung 100 handeln, wobei jedes davon Big Data sammelt, analysiert und speichert.As previously discussed, the distributed big data provider devices 110 Devices whose main function is to locally generate and / or receive locally process control data necessary for performing functions to control a process in real time in the process plant environment 10 and used for local storage or historization of the data. For example, field devices and I / O devices are examples of potential distributed big data providers 110 , In a process plant environment 10 Receive Process Controls Signals indicative of process measurements made by field devices process this information to implement a control routine and generate control signals sent over wired or wireless communication links to other field devices for the operation of a process in the plant 10 to control. Typically, at least one field device performs a physical function (eg, opening or closing a valve, increasing or decreasing a temperature, etc.) to control the operation of a process, and some field device types can communicate with the controllers via I / O devices communicate. Process controllers, field devices, and I / O devices may be wired or wireless, and multiple and a combination of wired and wireless process controllers, field devices, and I / O devices may be distributed big data nodes 110 the big data network of process control 100 each of which collects, analyzes and stores big data.
Zum Beispiel zeigt 2 eine verteilte Big-Data-Prozesssteuerungsvorrichtung 11, die lokal Big Data des Prozesssteuerungsnetzwerks oder der -anlage 10 sammelt, analysiert und speichert. Die Steuerung 11 ist über Eingabe/Ausgabe(E/A)-Karten 26 und 28 kommunikativ mit den verdrahteten Feldvorrichtungen 15–22 verbunden und ist über ein drahtloses Gateway 35 und den Netzwerk-Backbone 105 kommunikativ mit den drahtlosen Feldvorrichtungen 40–46 verbunden. In einer anderen Ausführungsform kann die Steuerung 11 jedoch unter Verwendung eines anderen Kommunikationsnetzwerks als dem Backbone 105 kommunikativ mit dem drahtlosen Gateway 35 verbunden sein, zum Beispiel indem eine andere verdrahtete oder eine drahtlose Kommunikationsverbindung verwendet wird. In 2 handelt es sich bei der Steuerung 11 um einen verteilten Big-Data-Providerknoten 110 des Big-Data-Netzwerks des Prozesssteuerungssystems 100 (wie durch die DBD-Markierung gekennzeichnet) und sie ist direkt mit dem Big-Data-Netzwerk-Backbone der Prozesssteuerung 105 verbunden.For example, shows 2 a distributed big data process control device 11 Local Big Data of Process Control Network or Plant 10 collects, analyzes and saves. The control 11 is about input / output (I / O) cards 26 and 28 communicative with the wired field devices 15 - 22 connected and is via a wireless gateway 35 and the network backbone 105 communicative with the wireless field devices 40 - 46 connected. In another embodiment, the controller 11 however, using a communication network other than the backbone 105 communicative with the wireless gateway 35 connected by, for example, using another wired or wireless communication link. In 2 it is the controller 11 around a distributed big data provider node 110 the big data network of the process control system 100 (as indicated by the DBD mark) and it's directly connected to the big data network backbone of process control 105 connected.
Die Steuerung 11, bei der es sich beispielsweise um die von Emerson Process Management vertriebene DeltaVTM-Steuerung handeln kann, kann betrieben werden, um einen Chargenprozess oder einen kontinuierlichen Prozess unter Verwendung zumindest einiger der Feldvorrichtungen 15–22 und 40–46 zu implementieren. In einer Ausführungsform kann die Steuerung zusätzlich dazu, dass sie kommunikativ mit dem Big-Data-Netzwerk-Backbone der Prozesssteuerung 105 verbunden ist, außerdem zumindest mit einigen der Feldvorrichtungen 15–22 und 40–46 unter Verwendung einer gewünschten Hardware und Software kommunikativ verbunden sein, die zum Beispiel in Verbindung mit 4–20-mA-Vorrichtungen, E/A-Karten 26, 28 und/oder einem beliebigen intelligenten Kommunikationsprotokoll stehen, zum Beispiel dem FOUNDATION®-Feldbus-Protokoll, dem HART®-Protokoll, dem WirelessHART®-Protokoll usw. In einer Ausführungsform kann die Steuerung 11 unter Verwendung des Big-Data-Netzwerk-Backbones 105 zumindest mit einigen der Feldvorrichtungen 15–22 und 40–46 kommunikativ verbunden sein. In 2 sind die Steuerung 11, die Feldvorrichtungen 15–22 und die E/A-Karten 26, 28 verdrahtete Vorrichtungen und die Feldvorrichtungen 40–46 sind drahtlose Feldvorrichtungen. Natürlich könnten die verdrahteten Feldvorrichtungen 15–22 und die drahtlosen Feldvorrichtungen 40–46 (einem) beliebigen anderen gewünschten Standard(s) oder Protokollen entsprechen, zum Beispiel beliebigen verdrahteten oder drahtlosen Protokollen, einschließlich beliebigen in der Zukunft entwickelten Standards oder Protokollen.The control 11 , which may be, for example, the DeltaV ™ control marketed by Emerson Process Management, may be operated to perform a batch process or a continuous process using at least some of the field devices 15 - 22 and 40 - 46 to implement. In one embodiment, the controller may be additionally communicative with the big data network backbone of the process controller 105 In addition, at least with some of the field devices 15 - 22 and 40 - 46 be communicatively connected using desired hardware and software, for example, in conjunction with 4-20mA devices, I / O cards 26 . 28 and / or are any smart communication protocol, such as the FOUNDATION ® fieldbus protocol, the HART ® protocol, the WirelessHART ® protocol, etc. In one embodiment, the controller 11 using the big data network backbone 105 at least with some of the field devices 15 - 22 and 40 - 46 be communicatively connected. In 2 are the controller 11 , the field devices 15 - 22 and the I / O cards 26 . 28 wired devices and the field devices 40 - 46 are wireless field devices. Of course, the wired field devices could 15 - 22 and the wireless field devices 40 - 46 correspond to any other desired standard (s) or protocols, for example, any wired or wireless protocols, including any standards or protocols developed in the future.
Die Prozesssteuerungsvorrichtung 11 aus 2 umfasst einen Prozessor 30, der eine oder mehrere Prozesssteuerungsroutinen (die z. B. in einem Speicher 32 gespeichert sind) implementiert oder überwacht, die Steuerschleifen umfassen können. Der Prozessor 30 ist konfiguriert, mit den Feldvorrichtungen 15–22 und 40–46 und mit anderen Knoten (z. B. Knoten 110, 112, 114) zu kommunizieren, die kommunikativ mit dem Backbone 105 verbunden sind. Es ist zu beachten, dass bei beliebigen in dieser Schrift beschriebenen Steuerroutinen oder -modulen (einschließlich Modulen oder Funktionsblöcken für die Qualitätsvorhersage und Fehlererkennung) Teile von unterschiedlichen Steuerungen oder anderen Vorrichtungen implementiert oder ausgeführt werden, falls dies gewünscht ist zu beachten. Auch die in dieser Schrift beschriebenen Steuerroutinen oder -module, die in dem Prozesssteuerungssystem 10 implementiert werden sollen, können eine beliebige Form einschließlich Software, Firmware, Hardware usw. annehmen. Steuerroutinen können in jedem gewünschten Softwareformat implementiert werden, Zum Beispiel unter Verwendung von objektorientierter Programmierung, Leiterlogik, Funktionsablaufplänen, Funktionsblockdiagrammen oder unter Verwendung einer anderen Sprache für die Softwareprogrammierung oder eines anderen Designparadigmas. Die Steuerroutinen können in einem beliebigen gewünschten Speichertyp gespeichert werden, zum Beispiel Random Access Memory (RAM) oder Read Only Memory (ROM). Gleichermaßen können die Steuerroutinen zum Beispiel in einem/einer oder mehreren EPROMs, EEPROMs, anwendungsspezifischen integrierten Schaltungen (ASICs) oder beliebigen anderen Hardware- oder Firmware-Elementen fest kodiert werden. Demnach kann die Steuerung 11 konfiguriert werden, eine Steuerstrategie oder eine Steuerroutine in gewünschter Weise zu implementieren.The process control device 11 out 2 includes a processor 30 containing one or more process control routines (eg, in a memory 32 are stored) implemented or monitored, which may include control loops. The processor 30 is configured with the field devices 15 - 22 and 40 - 46 and with other nodes (eg nodes 110 . 112 . 114 ) communicate communicatively with the backbone 105 are connected. It should be noted that any control routines or modules described herein (including quality prediction and error detection modules or blocks) will implement or execute parts of different controllers or other devices if desired. Also, the control routines or modules described in this document are those in the process control system 10 can be implemented accept any form including software, firmware, hardware, etc. Control routines may be implemented in any desired software format, for example, using object-oriented programming, ladder logic, functional flowcharts, functional block diagrams, or using another language for software programming or other design paradigm. The control routines can be stored in any desired memory type, for example Random Access Memory (RAM) or Read Only Memory (ROM). Likewise, for example, the control routines may be hard-coded in one or more EPROMs, EEPROMs, application specific integrated circuits (ASICs), or any other hardware or firmware elements. Accordingly, the controller 11 be configured to implement a control strategy or a control routine in a desired manner.
In einigen Ausführungsformen implementiert die Steuerung 11 eine Steuerstrategie unter Verwendung dessen, was gemeinhin als Funktionsblöcke bezeichnet wird, wobei jeder Funktionsblock ein Objekt oder ein anderer Teil (z. B. eine Teilroutine) einer gesamten Steuerroutine ist und zusammen mit anderen Funktionsblöcken arbeitet (über als Verbindungen bezeichnete Kommunikation), um Prozesssteuerungsschleifen in dem Prozesssteuerungssystem 10 zu implementieren. Steuerungsbasierte Funktionsblöcke führen typischerweise eine von einer Eingabefunktion wie diejenige, die mit einem Transmitter, einem Sensor oder anderen Messvorrichtungen für Prozessparameter verknüpft ist, einer Steuerfunktion, wie diejenige, die mit einer Steuerroutine verknüpft ist, die eine PID, eine Fuzzy Logic usw. ausführt, einer Steuerung oder einer Ausgabefunktion aus, die den Betrieb von einigen Vorrichtungen wie einem Ventil steuert, um in dem Prozesssteuerungssystem 10 eine physikalische Funktion auszuführen. Natürlich existieren Mischtypen und andere Funktionsblocktypen. Funktionsblöcke können in der Steuerung 11 gespeichert und von dieser ausgeführt werden, was typischerweise der Fall ist, wenn diese Funktionsblöcke an standardmäßigen 4–20-mA-Vorrichtungen und einige Typen von intelligenten Feldvorrichtungen wie HART-Vorrichtungen verwendet werden oder mit diesen verknüpft sind, oder sie können in den Feldvorrichtungen selbst gespeichert und von diesen implementiert werden, was bei Feldbus-Vorrichtungen der Fall sein kann. Die Steuerung 11 kann eine oder mehrere Steuerroutinen 38 umfassen, die eine oder mehrere Steuerschleifen implementieren können. Jede Steuerschleife wird typischerweise als Steuermodul bezeichnet und kann durch die Ausführung von einem oder mehreren der Funktionsblöcke ausgeführt werden.In some embodiments, the controller implements 11 a control strategy using what are commonly referred to as function blocks, where each function block is an object or other part (eg, a subroutine) of an entire control routine and works with other function blocks (via communication called connections) to process control loops in the process control system 10 to implement. Control-based functional blocks typically carry one of an input function such as that associated with a transmitter, sensor, or other process parameter measuring device, a control function such as that associated with a control routine that performs a PID, a fuzzy logic, etc. a controller or an output function that controls the operation of some devices, such as a valve, in the process control system 10 to perform a physical function. Of course, there are mixed types and other functional block types. Function blocks can be in the controller 11 may be stored and executed by them, which is typically the case when these functional blocks are used on or linked to standard 4-20mA devices and some types of smart field devices such as HART devices, or may be used in the field devices themselves stored and implemented by them, which may be the case with fieldbus devices. The control 11 can have one or more control routines 38 include that can implement one or more control loops. Each control loop is typically referred to as a control module and may be executed by the execution of one or more of the functional blocks.
Weitere Beispiele für Providervorrichtungen 110, die verteilte Big Data in der Prozessanlage oder dem -system 10 unterstützen, sind verdrahtete Feldvorrichtungen 15 und 18–20 und die in 2 dargestellte E/A-Karte 26. Als solche kann es sich zumindest bei einigen der verdrahteten Feldvorrichtungen 15, 18–20 und der E/A-Karte 26 um verteilte Big-Data-Knoten 102 des Big-Data-Netzwerks des Prozesssteuerungssystems 100 handeln. Darüber hinaus zeigt 2, dass die verdrahteten zentralisierten Big-Data-Vorrichtungen (z. B. die verdrahteten Feldvorrichtungen 16, 21 und die E/A-Karte 28, wie in 2 durch den „CBD“-Bezug dargestellt) und veraltete verdrahtete Vorrichtungen (z. B. die Vorrichtungen 17 und 22) zusammen mit den verdrahteten verteilten Big-Data-Vorrichtungen 15, 18–20, 26 in der Prozessanlage betrieben werden können. Bei den verdrahteten Feldvorrichtungen 15–22 kann es sich um beliebige Vorrichtungstypen handeln, zum Beispiel Sensoren, Ventile, Sender, Stellungsregler usw., während es sich bei den E/A-Karten 26 und 28 um beliebige E/A-Vorrichtungstypen handeln kann, die einem gewünschten Kommunikations- oder Steuerungsprotokoll entsprechen. In 2 sind die Feldvorrichtungen 15–18 standardmäßige 4–20-mA-Vorrichtungen oder HART-Vorrichtungen, die über analoge Leitungen oder eine Kombination aus analogen und digitalen Leitungen mit der E/A-Karte 26 kommunizieren, während die Feldvorrichtungen 19–22 intelligente Vorrichtungen wie FOUNDATION®-Feldbus-Feldvorrichtungen sind, die über einen digitalen Bus mit der E/A-Karte 28 unter Verwendung eines Feldbus-Kommunikationsprotokolls kommunizieren. In einigen Ausführungsformen kommunizieren jedoch zumindest einige der verdrahteten Big-Data-Feldvorrichtungen 15, 16 und 18–21 und/oder zumindest einige der Big-Data-E/A-Karten 26, 28 zusätzlich oder alternativ unter Verwendung des Big-Data-Netzwerk-Backbones 105 mit der Steuerung 11.Other examples of provider devices 110 Distributing big data in the process plant or system 10 support are wired field devices 15 and 18 - 20 and the in 2 illustrated I / O card 26 , As such, at least some of the wired field devices may be 15 . 18 - 20 and the I / O card 26 around distributed big-data nodes 102 the big data network of the process control system 100 act. In addition, shows 2 in that the wired centralized big data devices (e.g., the wired field devices 16 . 21 and the I / O card 28 , as in 2 represented by the "CBD" reference) and obsolete wired devices (eg, the devices 17 and 22 ) along with the wired distributed big data devices 15 . 18 - 20 . 26 can be operated in the process plant. For the wired field devices 15 - 22 These can be any type of device, such as sensors, valves, transmitters, positioners, etc., while the I / O cards 26 and 28 can be any type of I / O device that conforms to a desired communication or control protocol. In 2 are the field devices 15 - 18 standard 4-20 mA devices or HART devices that use analog lines or a combination of analog and digital lines with the I / O card 26 communicate while the field devices 19 - 22 smart devices such as FOUNDATION ® fieldbus field devices that are connected via a digital bus to the I / O card 28 communicate using a fieldbus communication protocol. However, in some embodiments, at least some of the wired big data field devices communicate 15 . 16 and 18 - 21 and / or at least some of the Big Data I / O cards 26 . 28 additionally or alternatively using the big data network backbone 105 with the controller 11 ,
Die in 2 dargestellten drahtlosen Feldvorrichtungen 40–46 umfassen Beispiele für drahtlose Provider-Vorrichtungen 110, die verteilte Big-Data in der Prozessanlage oder dem -system 10 unterstützen (z. B. die Vorrichtungen 42a und 42b). 2 umfasst darüber hinaus ein Beispiel für eine drahtlose zentralisierte Big-Data-Vorrichtung (z. B. Vorrichtung 44) sowie ein Beispiel für eine veraltete drahtlose Vorrichtung (z. B. Vorrichtung 46). In 2 kommunizieren die drahtlosen Feldvorrichtungen 40–46 in einem Drahtlosnetzwerk 70 unter Verwendung eines drahtlosen Protokolls wie dem WirelessHART-Protokoll. Derartige drahtlose Feldvorrichtungen 40–46 können direkt mit einer/einem oder mehreren anderen Vorrichtungen oder Knoten (z. B. verteilten Big-Data-Knoten 102, zentralisierten Big-Data-Knoten 128 oder sonstigen Knoten) des Big-Data-Netzwerks der Prozesssteuerung 100 kommunizieren, die ebenfalls konfiguriert sind, drahtlos (zum Beispiel unter Verwendung des Drahtlosprotokolls) zu kommunizieren. Um mit einem oder mehreren anderen Knoten (z. B. verteilten Big-Data-Knoten 102, zentralisierten Big-Data-Knoten 128 oder sonstigen Knoten) zu kommunizieren, die nicht konfiguriert sind, um drahtlos zu kommunizieren, können die drahtlosen Feldvorrichtungen 40–46 ein drahtloses Gateway 35 verwenden, das mit dem Backbone 105 oder mit einem anderen Kommunikationsnetzwerk der Prozesssteuerung verbunden ist. In einer Prozessanlage 10 kann eine beliebige Anzahl von drahtlosen Feldvorrichtungen verwendet werden, die Big Data unterstützen.In the 2 illustrated wireless field devices 40 - 46 include examples of wireless provider devices 110 that distributed big data in the process plant or system 10 support (eg the devices 42a and 42b ). 2 also includes an example of a wireless centralized big data device (e.g., device 44 ) and an example of an outdated wireless device (e.g., device 46 ). In 2 the wireless field devices communicate 40 - 46 in a wireless network 70 using a wireless protocol such as the WirelessHART protocol. Such wireless field devices 40 - 46 can communicate directly with one or more other devices or nodes (eg, distributed Big Data nodes 102 , centralized big data node 128 or other nodes) of the big data network of process control 100 communicate, which are also configured wirelessly (for example using the wireless protocol). To work with one or more other nodes (for example, distributed Big Data nodes 102 , centralized big data node 128 or other nodes) that are not configured to communicate wirelessly, the wireless field devices 40 - 46 a wireless gateway 35 use that with the backbone 105 or is connected to another communication network of the process control. In a process plant 10 Any number of wireless field devices that support big data can be used.
In einer Ausführungsform handelt es sich bei dem drahtlosen Gateway 35 um eine verteilte Big-Data-Provider-Vorrichtung 110, die in der Prozesssteuerungsanlage oder dem -system 10 enthalten ist. Das drahtlose Gateway 35 kann einen Zugriff auf verschiedene drahtlose Vorrichtungen 40–58 eines drahtlosen Kommunikationsnetzwerks 70 bereitstellen. Insbesondere ermöglicht das drahtlose Gateway 35 eine kommunikative Kopplung zwischen den drahtlosen Vorrichtungen 40–58, den verdrahteten Vorrichtungen 11–28 und/oder anderen Knoten oder Vorrichtungen des Big-Data-Netzwerks der Prozesssteuerung 100 (einschließlich der Steuerung 11 aus 2). Zum Beispiel kann das drahtlose Gateway 35 unter Verwendung des Big-Data-Netzwerk-Backbones 105 und/oder unter Verwendung eines oder mehrerer anderer Kommunikationsnetzwerke der Prozessanlage 10 eine kommunikative Kopplung ermöglichen. Das drahtlose Gateway 35 kann verteilte Big Data, zentralisierte Big Data oder sowohl verteilte Big Data als auch zentralisierte Big Data unterstützen, und in einigen Prozessanlagen handelt es sich bei dem drahtlosen Gateway 35 um einen Knoten 110 des Big-Data-Netzwerks des Prozesssteuerungssystems 100.In one embodiment, the wireless gateway is 35 to a distributed big data provider device 110 operating in the process control plant or system 10 is included. The wireless gateway 35 can access various wireless devices 40 - 58 a wireless communication network 70 provide. In particular, the wireless gateway allows 35 a communicative coupling between the wireless devices 40 - 58 , the wired devices 11 - 28 and / or other nodes or devices of the big data network of process control 100 (including the controller 11 out 2 ). For example, the wireless gateway 35 using the big data network backbone 105 and / or using one or more other communication networks of the process plant 10 enable a communicative coupling. The wireless gateway 35 can support distributed big data, centralized big data, or both distributed big data and centralized big data, and in some process plants it is the wireless gateway 35 around a node 110 the big data network of the process control system 100 ,
Das drahtlose Gateway 35 stellt eine kommunikative Kopplung bereit, in einigen Fällen durch das Routing, die Pufferung und das Timing von Diensten für untere Schichten der verdrahteten und drahtlosen Protokollstapel (z. B. Adressumwandlung, Routing, Paketsegmentierung, Priorisierung usw.), während für eine geteilte Schicht bzw. Schichten der verdrahteten und drahtlosen Protokollstapel eine Tunnelung ausgeführt wird. In anderen Fällen kann das drahtlose Gateway 35 Befehle zwischen verdrahteten und drahtlosen Protokollen umwandeln, die sich keine Protokollschichten teilen. Zusätzlich zu der Umwandlung von Protokollen und Befehlen kann das drahtlose Gateway 35 eine synchronisierte Taktung bereitstellen, die von Zeitschlitzen und Superframes (Sätze von Kommunikationszeitschlitzen, die zeitlich gleichmäßig beabstandet sind) eines Planungsschemas verwendet wird, das mit dem drahtlosen Protokoll verknüpft ist, das in dem Drahtlosnetzwerk 70 implementiert wird. Zudem kann das drahtlose Gateway 35 eine Netzwerkverwaltung und administrative Funktionen für das Drahtlosnetzwerk 70 bereitstellen, zum Beispiel Ressourcenverwaltung, Leistungsanpassungen, die Abschwächung von Netzwerkfehlern, die Überwachung von Verkehr, Sicherheit und dergleichen.The wireless gateway 35 provides communicative coupling, in some cases through the routing, buffering, and timing of lower layer services of the wired and wireless protocol stacks (e.g., address conversion, routing, packet segmentation, prioritization, etc.) while for a shared layer Layers of wired and wireless protocol stacks undergo tunneling. In other cases, the wireless gateway 35 Convert commands between wired and wireless protocols that do not share protocol layers. In addition to the conversion of protocols and commands, the wireless gateway can 35 provide synchronized timing used by time slots and superframes (sets of communication slots spaced evenly in time) of a scheduling scheme associated with the wireless protocol used in the wireless network 70 is implemented. In addition, the wireless gateway 35 Network management and administrative functions for the wireless network 70 provide, for example, resource management, power adjustments, mitigation of network failures, traffic monitoring, security, and the like.
Ähnlich wie die verdrahteten Feldvorrichtungen 15–22 können die drahtlosen Feldvorrichtungen 40–46 des Drahtlosnetzwerks 70 in der Prozessanlage 10 physikalische Steuerfunktionen ausführen, z. B. das Öffnen oder Schließen von Ventilen oder das Vornehmen von Messungen für Prozessparameter. Die drahtlosen Feldvorrichtungen 40–46 sind jedoch konfiguriert, unter Verwendung des Drahtlosprotokolls des Netzwerks 70 zu kommunizieren. Als solche sind die drahtlosen Feldvorrichtungen 40–46, das drahtlose Gateway 35 und die anderen drahtlosen Knoten 52–58 des Drahtlosnetzwerks 70 Erzeuger und Konsumenten von drahtlosen Kommunikationspaketen.Similar to the wired field devices 15 - 22 can the wireless field devices 40 - 46 of the wireless network 70 in the process plant 10 perform physical control functions, e.g. Opening or closing valves or making measurements for process parameters. The wireless field devices 40 - 46 however, are configured using the wireless protocol of the network 70 to communicate. As such, the wireless field devices 40 - 46 , the wireless gateway 35 and the other wireless nodes 52 - 58 of the wireless network 70 Producers and consumers of wireless communication packages.
In einigen Szenarien kann das Drahtlosnetzwerk 70 nichtdrahtlose Vorrichtungen umfassen. Zum Beispiel kann eine Feldvorrichtung 48 aus 2 eine veraltete 4–20-mA-Vorrichtung sein und eine Feldvorrichtung 50 kann eine herkömmliche verdrahtete HART-Vorrichtung sein. Um in dem Netzwerk 70 zu kommunizieren, können die Feldvorrichtungen 48 und 50 über einen Drahtlosadapter (WA) 52a oder 52b mit dem drahtlosen Kommunikationsnetzwerk 70 verbunden sein. In 2 ist der Drahtlosadapter 52b als veralteter Drahtlosadapter dargestellt, der unter Verwendung des Drahtlosprotokolls kommuniziert, und der Drahtlosadapter 52a ist als verteilte Big Data unterstützend dargestellt und ist demnach kommunikativ mit dem Big-Data-Netzwerk-Backbone 105 verbunden. Zusätzlich können die Drahtlosadapter 52a, 52b andere Kommunikationsprotokolle unterstützen, wie etwa Foundation®-Feldbus, PROFIBUS, DeviceNet usw. Zudem kann das Drahtlosnetzwerk 70 einen oder mehrere Netzwerkzugriffspunkte 55a, 55b umfassen, die getrennte physikalische Vorrichtungen in verdrahteter Kommunikation mit dem drahtlosen Gateway 35 sein oder an dem drahtlosen Gateway 35 als integrierte Vorrichtung bereitgestellt sein können. In 2 ist der Netzwerkzugriffspunkt 55a als verteilte Big-Data-Vorrichtung 110 dargestellt, während der Netzwerkzugriffspunkt 55b ein veralteter Zugriffspunkt ist. Das Drahtlosnetzwerk 70 kann außerdem einen oder mehrere Router 58 umfassen, um Pakete in dem drahtlosen Kommunikationsnetzwerk 70 von einer drahtlosen Vorrichtung zu einer anderen drahtlosen Vorrichtung weiterzuleiten, die jeweils verteilte Big Data in dem Prozesssteuerungssystem 10 unterstützen können oder auch nicht. Die drahtlosen Vorrichtungen 40–46 und 52–58 können miteinander und mit dem drahtlosen Gateway 35 über drahtlose Verbindungen 60 des drahtlosen Kommunikationsnetzwerks 70 und/oder über den Big-Data-Netzwerk-Backbone 105 kommunizieren, wenn die drahtlosen Vorrichtungen verteilte und/oder zentralisierte Big-Data-Vorrichtungen sind.In some scenarios, the wireless network can 70 include non-wireless devices. For example, a field device 48 out 2 an outdated 4-20 mA device and a field device 50 may be a conventional wired HART device. To be in the network 70 The field devices can communicate 48 and 50 via a wireless adapter (WA) 52a or 52b with the wireless communication network 70 be connected. In 2 is the wireless adapter 52b represented as an outdated wireless adapter that communicates using the wireless protocol, and the wireless adapter 52a is represented as distributed big data supporting and is therefore communicative with the big data network backbone 105 connected. Additionally, the wireless adapters 52a . 52b support other communication protocols, such as Foundation ® Fieldbus, PROFIBUS, DeviceNet, etc. In addition, the wireless network 70 one or more network access points 55a . 55b comprise the separate physical devices in wired communication with the wireless gateway 35 or at the wireless gateway 35 can be provided as an integrated device. In 2 is the network access point 55a as a distributed big-data device 110 while the network access point 55b is an outdated access point. The wireless network 70 can also have one or more routers 58 include packets in the wireless communication network 70 from a wireless device to another wireless device, each distributing big data in the process control system 10 support or not. The wireless devices 40 - 46 and 52 - 58 can communicate with each other and with the wireless gateway 35 over wireless connections 60 of the wireless communication network 70 and / or the Big Data Network backbone 105 communicate when the wireless devices are distributed and / or centralized big data devices.
Dementsprechend umfasst 2 verschiedene Beispiele für verteilte Big-Data-Provider-Vorrichtungen 110, die vorrangig dazu dienen, eine Netzwerkroutingfunktionalität und eine Administration für verschiedene Netzwerke des Prozesssteuerungssystems bereitzustellen. Zum Beispiel umfassen das drahtlose Gateway 35, der Zugriffspunkt 55a und der Router 58 jeweils eine Funktionalität für das Routen drahtloser Pakete in dem drahtlosen Kommunikationsnetzwerk 70. Das drahtlose Gateway 35 führt eine Verkehrsverwaltung und administrative Funktionen für das Drahtlosnetzwerk 70 aus und routet darüber hinaus Verkehr zu und von verdrahteten Netzwerken, die kommunikativ mit dem Drahtlosnetzwerk 70 verbunden sind. Das Drahtlosnetzwerk 70 kann ein Prozesssteuerungsprotokoll verwenden, das speziell Prozesssteuerungsnachrichten und -funktionen wie WirelessHART unterstützt. Wie in 2 dargestellt unterstützen die Vorrichtungen 35, 55a, 52a, 42a, 42b und 58 des Drahtlosnetzwerks 70 verteilte Big Data in der Prozesssteuerungsanlage oder dem Netzwerk 10, wobei jedoch eine beliebige Anzahl von beliebigen Knotentypen des Drahtlosnetzwerks 70 verteilte Big Data in der Prozessanlage 10 unterstützen kann.Accordingly includes 2 various examples of distributed big data provider devices 110 primarily intended to provide network routing functionality and administration to various networks of the process control system. For example, include the wireless gateway 35 , the access point 55a and the router 58 each a functionality for the routing of wireless packets in the wireless communication network 70 , The wireless gateway 35 performs traffic management and administrative functions for the wireless network 70 It also routes and routes traffic to and from wired networks communicative with the wireless network 70 are connected. The wireless network 70 can use a process control protocol that specifically supports process control messages and functions such as WirelessHART. As in 2 shown support the devices 35 . 55a . 52a . 42a . 42b and 58 of the wireless network 70 distributed big data in the process control plant or the network 10 However, any number of arbitrary node types of the wireless network 70 distributed big data in the process plant 10 can support.
Die verteilten Big-Data-Provider-Vorrichtungen 110 des Big-Data-Netzwerks der Prozesssteuerung 100 können jedoch auch andere Vorrichtungen umfassen, die unter Verwendung anderer Drahtlosprotokolle kommunizieren. In 2 umfassen die verteilten Big-Data-Provider-Vorrichtungen oder -Knoten 110 einen oder mehrere drahtlose Zugriffspunkte 72, die andere drahtlose Protokolle verwenden, wie WiFi oder andere IEEE 802.11-kompatible drahtlose Local-Area-Network-Protokolle, mobile Kommunikationsprotokolle wie WiMAX (Worldwide Interoperability for Microwave Access), LTE (Long Term Evolution) oder andere ITU-R-kompatible (International Telecommunication Union Radiocommunication Sector) Protokolle, kurzwellige Funkkommunikation wie Nahfeldkommunikation (NFC) und Bluetooth oder andere drahtlose Kommunikationsprotokolle. Typischerweise ermöglichen derartige drahtlose Zugriffspunkte 72, dass Hand- oder sonstige tragbare Rechenvorrichtungen (z. B. Benutzerschnittstellenvorrichtungen 112) über ein entsprechendes Drahtlosnetzwerk kommunizieren, das sich von dem Drahtlosnetzwerk 70 unterscheidet und ein anderes drahtloses Protokoll unterstützt als das Drahtlosnetzwerk 70. In einigen Szenarien können zusätzlich zu tragbaren Rechenvorrichtungen außerdem eine oder mehrere Prozesssteuerungsvorrichtungen (z. B. Steuerung 11, Feldvorrichtungen 15–22 oder drahtlose Vorrichtungen 35, 40–58) unter Verwendung des Drahtlosprotokolls kommunizieren, das von dem Zugriffspunkt 72 unterstützt wird. In einer Ausführungsform unterstützen zumindest einige der drahtlosen Zugriffspunkte 72 auch zentralisierte Big Data.The distributed big data provider devices 110 the big data network of process control 100 however, may include other devices that communicate using other wireless protocols. In 2 include the distributed big data provider devices or nodes 110 one or more wireless access points 72 that use other wireless protocols, such as WiFi or other IEEE 802.11 compliant local area network wireless protocols, mobile communication protocols such as WiMAX (World Wide Interoperability for Microwave Access), LTE (Long Term Evolution), or other ITU-R compatible ( International Telecommunication Union Radiocommunication Sector) protocols, shortwave radio communication such as near field communication (NFC) and Bluetooth or other wireless communication protocols. Typically, such wireless access points allow 72 in that handheld or other portable computing devices (eg, user interface devices 112 ) communicate over an appropriate wireless network, different from the wireless network 70 different and supports a different wireless protocol than the wireless network 70 , In some scenarios, in addition to portable computing devices, one or more process control devices (eg, controller 11 , Field devices 15 - 22 or wireless devices 35 . 40 - 58 ) communicate using the wireless protocol from the access point 72 is supported. In one embodiment, at least some of the wireless access points support 72 also centralized big data.
In 2 umfassen die Provider-Vorrichtungen oder -Knoten 110, die verteilte Big Data in der Prozessanlage oder dem -system 10 unterstützen, ein oder mehrere Gateways 75, 78 zu Systemen, die sich außerhalb des direkten Prozesssteuerungssystems 10 befinden. Typischerweise sind solche Systeme Abnehmer oder Lieferanten von Informationen, die von dem Prozesssteuerungssystem 10 erzeugt werden oder mit denen dieses betrieben wird. Zum Beispiel kann ein Gateway-Knoten einer Anlage 75 die unmittelbare Prozessanlage 10 (die ihren eigenen entsprechenden Big-Data-Netzwerk-Backbone der Prozesssteuerung 105 aufweist) kommunikativ mit einer anderen Prozessanlage verbinden, die einen eigenen entsprechenden Big-Data-Netzwerk-Backbone der Prozesssteuerung aufweist. In einer Ausführungsform kann ein einzelner Big-Data-Netzwerk-Backbone der Prozesssteuerung 105 mehrere Prozessanlagen oder Umgebungen der Prozesssteuerung versorgen. In einer Ausführungsform unterstützen zumindest einige der Gateways 75, 78 auch zentralisierte Big Data.In 2 include the provider devices or nodes 110 Distributing big data in the process plant or system 10 support one or more gateways 75 . 78 to systems that are outside the direct process control system 10 are located. Typically, such systems are customers or suppliers of information provided by the process control system 10 be generated or with which this is operated. For example, a gateway node may be a plant 75 the immediate process plant 10 (which has its own corresponding big data network backbone of process control 105 communicatively connect to another process plant having its own corresponding big data network backbone of process control. In one embodiment, a single big data network backbone may be the process controller 105 supply multiple process plants or process control environments. In one embodiment, at least some of the gateways support 75 . 78 also centralized big data.
Ebenfalls in 2 verbindet einen Gateway-Knoten der Anlage 75, der verteilte Big Data in der Prozessanlage oder dem -system 10 unterstützt, kommunikativ die unmittelbare Prozessanlage 10 mit einer veralteten oder dem Stand der Technik entsprechenden Prozessanlage, die kein Big-Data-Netzwerk der Prozesssteuerung 100 oder keinen -Backbone 105 umfasst. In diesem Beispiel kann der Gateway-Knoten einer Anlage 75 Nachrichten zwischen einem Protokoll, das von dem Big-Data-Backbone der Prozesssteuerung 105 der Anlage 10 verwendet wird und einem anderen Protokoll, das von dem veralteten System verwendet wird (z. B. Ethernet, Profibus, Feldbus, DeviceNet usw.), konvertieren oder umwandeln.Also in 2 connects a gateway node of the plant 75 that distributes big data in the process plant or system 10 supports, communicatively, the immediate process plant 10 with an outdated or state of the art process equipment that is not a big data network of process control 100 or no -backbone 105 includes. In this example, the gateway node may be an attachment 75 Messages between a log coming from the big data backbone of process control 105 the plant 10 is used and convert or convert to any other protocol used by the legacy system (eg, Ethernet, Profibus, Fieldbus, DeviceNet, etc.).
Die verteilten Big-Data-Provider-Vorrichtungen oder Knoten 110 in der Prozessanlage oder dem -system 10 können einen oder mehreren externe System-Gateway-Knoten 78 umfassen, die das Big-Data-Netzwerk der Prozesssteuerung 100 kommunikativ mit dem Netzwerk eines externen öffentlichen oder privaten Systems, zum Beispiel einem Laborsystem (z. B. Labor-Informations- und Managementsystem oder LIMS), einer Bedienerrundendatenbank, einem Materialtransportsystem, einem Wartungsmanagementsystem, einem Produktbestandssteuerungssystem, einem Produktionszeitplansystem, einem Wetterdatensystem, einem Versand- und Transportsystem, einem Verpackungssystem, dem Internet, dem Prozesssteuerungssystem eines anderen Providers oder anderen externen Systemen verbinden.The distributed big data provider devices or nodes 110 in the process plant or system 10 can have one or more external system gateway nodes 78 include the big data network of process control 100 communicatively with the network of an external public or private system, for example a laboratory system (eg Laboratory Information and Management System or LIMS), an operator database, a material handling system, a maintenance management system, a product inventory control system, a production schedule system, a weather data system, a shipping and transport system, a packaging system, the Internet, the process control system of another provider or other external systems.
Obwohl 2 lediglich eine einzelne Steuerung 11 mit einer endlichen Anzahl von Feldvorrichtungen 15–22 und 40–46 darstellt, handelt es sich dabei lediglich um eine veranschaulichende und nicht-einschränkende Ausführungsform. Es kann eine beliebige Anzahl von Steuerungen 11 in den Provider-Vorrichtungen oder -Knoten 110 des Big-Data-Netzwerks der Prozesssteuerung 100 umfassen, und es können beliebige der Steuerungen 11 mit einer beliebigen Anzahl von verdrahteten oder drahtlosen Feldvorrichtungen 15–22, 40–46 kommunizieren, um einen Prozess in der Anlage 10 zu steuern. Darüber hinaus kann die Prozessanlage 10 auch eine beliebige Anzahl von drahtlosen Gateways 35, Routern 58, Zugriffspunkten 55, drahtlosen Kommunikationsnetzwerken der Prozesssteuerung 70, Zugriffspunkten 72 und/oder Gateways 75, 78 umfassen. Des Weiteren kann 2 ein zentralisiertes Big-Data-Element 108 umfassen, das gesammelte Daten und/oder erzeugtes gelerntes Wissen von beliebigen oder allen der Big-Data-Vorrichtungen CBD, DBD in der Prozessanlage 10 empfangen und speichern kann. Even though 2 just a single control 11 with a finite number of field devices 15 - 22 and 40 - 46 This is merely an illustrative and non-limiting embodiment. It can be any number of controllers 11 in the provider devices or nodes 110 the big data network of process control 100 include, and it can be any of the controls 11 with any number of wired or wireless field devices 15 - 22 . 40 - 46 communicate to a process in the plant 10 to control. In addition, the process plant 10 also any number of wireless gateways 35 , Routers 58 , Access points 55 , process control wireless communication networks 70 , Access points 72 and / or gateways 75 . 78 include. Furthermore, can 2 a centralized big data element 108 comprise the collected data and / or generated learned knowledge from any or all of the big data devices CBD, DBD in the process plant 10 can receive and save.
Unter allgemeiner Bezugnahme auf die verteilten Big-Data-Vorrichtungen, die in 2 dargestellt und durch die Markierung „DBD“ gekennzeichnet sind, wie zuvor erörtert, umfasst jede der Vorrichtungen ein entsprechendes eingebettetes Big-Data-Element 116, das einen entsprechenden eingebetteten Big-Data-Speicher 120, einen entsprechenden Big-Data-Empfänger 122, ein entsprechendes eingebettetes Big-Data-Analyseelement 124 und einen entsprechenden Big-Data-Anfrageabwickler 126 umfasst. Als solche können Daten, die von jeder verteilten Big-Data-Provider-Vorrichtung 110 gesammelt wurden, von ihrem eingebetteten Big-Data-Empfänger 122 empfangen und in ihrem eingebetteten Big-Data-Speicher 120 gespeichert werden. Ferner kann jede verteilte Big-Data-Provider-Vorrichtung 110 ihr eingebettetes Big-Data-Analyseelement 124 verwenden, um die gespeicherten Daten zu analysieren, um gelerntes Wissen zu erzeugen, das aussagekräftige Muster, Korrelationen, Tendenzen usw. in den gespeicherten Daten beschreibt. Darüber hinaus kann jede verteilte Big-Data-Provider-Vorrichtung 110 ihre eingebetteten Big-Data-Anfrageabwickler 126 verwenden, um auf Anfrage einer Anfrageeinheit oder -Anwendung auf gespeicherte Daten zuzugreifen.With general reference to the distributed big-data devices disclosed in U.S. Patent Nos. 5,366,367, 5,869,866, 5,829,866, 5,829,859 2 As illustrated previously, each of the devices includes a corresponding embedded big-data element 116 that has a corresponding embedded big-data memory 120 , a corresponding big-data receiver 122 , a corresponding embedded big data analysis element 124 and a corresponding big data request handler 126 includes. As such, data can be distributed by any big data provider device 110 collected from their embedded big-data receiver 122 received and in their embedded big data memory 120 get saved. Further, any distributed big data provider device 110 their embedded Big Data analytic element 124 to analyze the stored data to produce learned knowledge describing meaningful patterns, correlations, tendencies, etc. in the stored data. In addition, any distributed big data provider device 110 their embedded big data request handlers 126 use to access stored data at the request of a request unit or application.
3 stellt ein Blockdiagramm einer beispielhaften Vorrichtung 300 dar, die verteilte Big Data in Prozessanlagen oder -Systemen unterstützt, zum Beispiel der Prozessanlage 10 aus 1 oder anderen geeigneten Prozessanlagen oder -systemen. Zum Beispiel ähnelt die Vorrichtung 300 einer von den verteilten Big-Data-Provider-Knoten oder -Vorrichtungen DBD, die in 2 dargestellt sind. Zum Beispiel kann es sich bei der Vorrichtung 300 um eine Prozesssteuerung (z. B. die Steuerung 11), eine Feldvorrichtung (z. B. eine der Feldvorrichtungen 15, 18, 19, 20, 42a oder 42b), eine E/A-Vorrichtung (z. B. die E/A-Karten 26) oder eine Netzwerk- oder Netzwerkverwaltungsvorrichtung (z. B. das drahtlose Gateway 35, den Router 58, den Zugriffspunkt 72) handeln. In einer Ausführungsform handelt es sich bei der Vorrichtung 300 um eine Benutzerschnittstellenvorrichtung (z. B. einen von den verteilten Big-Data-Benutzerschnittstellenknoten oder -vorrichtungen 112 in 1) oder es handelt sich bei der Vorrichtung 300 um einen anderen Typ von verteilter Big-Data-Vorrichtung 114. Es wird darauf hingewiesen, dass 3 unten unter Bezugnahme auf 1 und 2 erörtert wird, um die Erörterung zu vereinfachen und nicht, um Einschränkungen vorzunehmen. 3 FIG. 4 illustrates a block diagram of an example device. FIG 300 that supports distributed big data in process plants or systems, such as the process plant 10 out 1 or other suitable process equipment or systems. For example, the device is similar 300 one of the distributed big data provider nodes or devices DBD, which in 2 are shown. For example, the device may be 300 to a process control (eg the controller 11 ), a field device (eg one of the field devices 15 . 18 . 19 . 20 . 42a or 42b ), an I / O device (for example, the I / O cards 26 ) or a network or network management device (eg, the wireless gateway 35 , the router 58 , the access point 72 ) act. In one embodiment, the device is 300 a user interface device (e.g., one of the distributed big data user interface nodes or devices 112 in 1 ) or it is in the device 300 another type of distributed big-data device 114 , It is noted that 3 below with reference to 1 and 2 is discussed in order to simplify the discussion and not to impose restrictions.
Bei der verteilten Big-Data-Vorrichtung 300 kann es sich um einen Knoten eines Netzwerks handeln, der verteilte Big Data in einem Prozesssteuerungssystem unterstützt, zum Beispiel das Big-Data-Netzwerk des Prozesssteuerungssystems 100 aus 1 oder ein anderes geeignetes Netzwerk. Als solche kann die Vorrichtung 300 kommunikativ mit einem Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems gekoppelt sein, zum Beispiel dem Backbone 105. Zum Beispiel ist die Vorrichtung 300 mit dem Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 unter Verwendung einer Netzwerkschnittstelle 302 gekoppelt. In einigen Prozessanlagen sind eine oder mehrere darin enthaltene verteilte Big-Data-Vorrichtungen eigenständig und somit nicht mit dem Big-Data-Netzwerk-Backbone 105 verbunden.In the distributed big-data device 300 it can be a node of a network that supports distributed big data in a process control system, such as the big data network of the process control system 100 out 1 or another suitable network. As such, the device can 300 communicatively coupled to a big data network backbone of the process control system, for example the backbone 105 , For example, the device is 300 with the big data network backbone of the process control system 105 using a network interface 302 coupled. In some process plants, one or more distributed big data devices contained therein are standalone, and thus not associated with the big data network backbone 105 connected.
In einer Ausführungsform läuft die Vorrichtung 300 in der Prozessanlage oder dem Prozesssteuerungssystem 10 so ab, dass sie einen Prozess in Echtzeit steuert, z. B. als Teil einer Steuerschleife. Zum Beispiel verbindet sich die Vorrichtung 300 unter Verwendung einer Prozesssteuerungsschnittstelle 305 mit einem Prozesssteuerungskommunikationsnetzwerk 303, über das die Vorrichtung 300 Signale an andere Vorrichtungen senden und/oder Signale von diesen empfangen kann, um einen Prozess in Echtzeit in dem Prozesssteuerungssystem 10 zu steuern. Bei dem Prozesssteuerungskommunikationsnetzwerk 303 kann es sich um ein verdrahtetes oder drahtloses Kommunikationsnetzwerk (z. B. das Drahtlosnetzwerk 70, ein Feldbusnetzwerk, ein verdrahtetes HART-Netzwerk usw.) handeln oder das Prozesssteuerungskommunikationsnetzwerk 303 kann sowohl ein verdrahtetes als auch ein drahtloses Kommunikationsnetzwerk umfassen. Zusätzlich oder alternativ kann die Vorrichtung 300 Signale übertragen und/oder empfangen, um den Prozess in Echtzeit unter Verwendung eines Big-Data-Netzwerk-Backbones der Prozesssteuerung 105, z. B. über die Netzwerkschnittstelle 302, zu steuern. In einer Ausführungsform kann es sich bei der Netzwerkschnittstelle 302 und der Prozesssteuerungsschnittstelle 305 um dieselbe Schnittstelle handeln (z. B. eine integrierte Schnittstelle).In one embodiment, the device runs 300 in the process plant or the process control system 10 so that it controls a process in real time, eg. B. as part of a control loop. For example, the device connects 300 using a process control interface 305 with a process control communication network 303 about which the device 300 Send signals to and / or receive signals from other devices to perform a real-time process in the process control system 10 to control. In the process control communication network 303 it can be a wired or wireless communication network (eg the wireless network 70 , a fieldbus network, a wired HART network, etc.) or the process control communication network 303 may include both a wired and a wireless communication network. Additionally or alternatively, the device 300 Signals are transmitted and / or received to the process in real time using a big data network backbone of process control 105 , z. Via the network interface 302 to control. In one embodiment, the network interface may be 302 and the Process control interface 305 to act on the same interface (eg an integrated interface).
Die Prozesssteuerungsschnittstelle 305 ist konfiguriert, Prozesssteuerungsdaten, die einem Prozess der Prozessanlage 10 oder einem Prozess, der in der Prozessanlage 10 gesteuert wird, zu übertragen und/oder zu empfangen. Prozesssteuerungsdaten können Messdaten (z. B. Ausgaben, Geschwindigkeiten usw.), Konfigurationsdaten (z. B. Sollwerte, Konfigurationsänderungen usw.), Chargendaten (z. B. Chargenrezepte, Chargenbedingungen usw.), Ereignisdaten (z. B. Warnsignale, Prozesssteuerungsereignisse usw.), kontinuierliche Daten (z. B. Parameterwerte, Video-Eingaben usw.), berechnete Daten (z. B. interne Zustände, Zwischenberechnungen usw.), Diagnosedaten, Daten, die auf den Zustand der Vorrichtung 300 oder einer anderen Vorrichtung hinweisen, und/oder sonstige Arten von Prozesssteuerungsdaten umfassen. Darüber hinaus können die Prozesssteuerungsdaten von der Vorrichtung 300 selbst erstellte Daten umfassen, z. B. infolge der Durchführung einer Steuerungsfunktion.The process control interface 305 is configured to process control data, which is a process of the process plant 10 or a process in the process plant 10 is controlled to transmit and / or receive. Process control data may include measurement data (eg, outputs, velocities, etc.), configuration data (eg, setpoints, configuration changes, etc.), batch data (eg, batch recipes, batch conditions, etc.), event data (eg, warning signals, process control events etc.), continuous data (eg, parameter values, video inputs, etc.), calculated data (eg, internal states, intermediate calculations, etc.), diagnostic data, data related to the state of the device 300 or other device, and / or include other types of process control data. In addition, the process control data from the device 300 self-generated data include, for. B. as a result of performing a control function.
In einer Ausführungsform handelt es sich bei der verteilten Big-Data-Vorrichtung 300 um eine Prozesssteuerung, und die Prozesssteuerungsschnittstelle 305 wird verwendet, um eine Konfigurationen der Steuerung (z. B. von einer Arbeitsstation) zu erhalten und/oder um Daten zu erhalten, die an eine zur Steuerung eines Prozesses in Echtzeit mit der Steuerung verbundene Feldvorrichtung übertragen werden oder von dieser empfangen werden. Zum Beispiel kann die Steuerung mit einem drahtlosen HART-Ventilstellungsregler verbunden sein, der Ventilstellungsregler kann Prozesssteuerungsdaten erzeugen, die einem Zustand des Ventils entsprechen, und die erzeugten Daten der Steuerung über die Prozesssteuerungsschnittstelle 305 bereitstellen. Die empfangenen Daten können in der Steuerung gespeichert sein und/oder sie können von der Steuerung verwendet werden, um eine Steuerungsfunktion oder zumindest einen Teil einer Steuerschleife durchzuführen.In one embodiment, the distributed big data device is 300 a process control, and the process control interface 305 is used to obtain a configuration of the controller (eg, from a workstation) and / or to obtain data that is transmitted to or received from a field device connected to control a process in real time with the controller. For example, the controller may be connected to a wireless HART valve positioner, the valve position controller may generate process control data corresponding to a state of the valve, and the generated data of the controller via the process control interface 305 provide. The received data may be stored in the controller and / or may be used by the controller to perform a control function or at least part of a control loop.
In einer anderen Ausführungsform handelt es sich bei der verteilten Big-Data-Vorrichtung 300 um eine E/A-Vorrichtung, die eine Verbindung zwischen einer Steuerung und einer Feldvorrichtung bereitstellt. In dieser Ausführungsform umfasst die Prozesssteuerungsschnittstelle 305 eine Feldvorrichtungsschnittstelle, um Prozesssteuerungsdaten mit der Feldvorrichtung auszutauschen, und eine Steuerungsschnittstelle, um Prozesssteuerungsdaten mit der Steuerung auszutauschen. Die Feldvorrichtungsschnittstelle ist mit der Steuerungsschnittstelle verbunden, sodass die Daten über die E/A-Vorrichtung von der Feldvorrichtung an die Steuerung übertragen und empfangen werden können.In another embodiment, the distributed big data device is 300 an I / O device that provides a connection between a controller and a field device. In this embodiment, the process control interface includes 305 a field device interface to exchange process control data with the field device, and a control interface to exchange process control data with the controller. The field device interface is connected to the control interface so that the data can be transmitted and received via the I / O device from the field device to the controller.
In einer weiteren Ausführungsform handelt es sich bei der verteilten Big-Data-Vorrichtung 300 um eine Feldvorrichtung, die eine physikalische Funktion ausführt, um einen Prozess zu steuern. Zum Beispiel kann es sich bei der Vorrichtung 300 um einen Durchflussmesser handeln, der Prozesssteuerungsdaten, die einem aktuell gemessenen Durchfluss entsprechen, über die Prozesssteuerungsschnittstelle 305 misst und erhält und ein Signal, das dem gemessenen Durchfluss entspricht, an eine Steuerung sendet, um einen Prozess über die Schnittstelle 305 zu steuern.In a further embodiment, the distributed big data device is 300 a field device that performs a physical function to control a process. For example, the device may be 300 a flow meter that communicates process control data corresponding to a currently measured flow through the process control interface 305 measures and receives and sends a signal, which corresponds to the measured flow, to a controller to initiate a process via the interface 305 to control.
Auch wenn sich die obige Erörterung auf die verteilte Big-Data-Vorrichtung 300 als eine Prozesssteuerungsvorrichtung, die in einer Steuerschleife abläuft, bezieht, gelten die oben bereitgestellten Techniken und Beschreibungen gleichermaßen für Ausführungsformen, in denen es sich bei der Vorrichtung 300 um einen anderen Vorrichtungstyp handelt, der mit der Prozesssteuerungsanlage oder dem -system 10 verbunden ist. In einem Beispiel handelt es sich bei der verteilten Big-Data-Vorrichtung 300 um eine Netzwerkverwaltungsvorrichtung wie einen Zugriffspunkt 72. Die Netzwerkverwaltungsvorrichtung beobachtet Daten (z. B. Bandbreite, Verkehr, Datentypen, Netzwerkkonfiguration, Anmeldeidentitäten und -versuche usw.) über die Schnittstelle 305 und leitet die erzeugten Daten über die Netzwerkschnittstelle 302 an den Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 weiter. In einem weiteren Beispiel handelt es sich bei der Vorrichtung 300 um eine verteilte Big-Data-Benutzerschnittstellenvorrichtung 112 (z. B. eine Mobilvorrichtung, ein Tablet usw.), die konfiguriert ist, es einem Benutzer oder Bediener zu gestatten, mit dem Prozesssteuerungssystem oder der Prozessanlage 10 zu interagieren. Zum Beispiel kann es sich bei der Schnittstelle 305 in der Vorrichtung 300 um eine Schnittstelle zu einer WiFi- oder NFC-Kommunikationsverbindung handeln, die es dem Benutzer ermöglicht, Aktionen in der Prozessanlage 10 wie Konfiguration, Betrachten, Planen, Überwachen durchzuführen. Benutzeranmeldungen, Befehle und Antworten können über die Schnittstelle 305 gesammelt werden und über die Netzwerkschnittstelle 302 an den Big-Data-Netzwerk-Backbone des Prozesssteuerungssystems 105 übertragen werden.Although the above discussion is directed to the distributed big data device 300 As a process control device operating in a control loop, the techniques and descriptions provided above apply equally to embodiments in which the device 300 is another type of device associated with the process control equipment or system 10 connected is. In one example, the distributed big data device is 300 to a network management device such as an access point 72 , The network management device monitors data (e.g., bandwidth, traffic, data types, network configuration, login identities and attempts, etc.) over the interface 305 and routes the generated data over the network interface 302 to the big data network backbone of the process control system 105 further. In another example, the device is 300 around a distributed big data user interface device 112 (eg, a mobile device, a tablet, etc.) configured to allow a user or operator to interact with the process control system or process plant 10 to interact. For example, it may be at the interface 305 in the device 300 to interface to a Wi-Fi or NFC communication link that allows the user to perform actions in the process plant 10 such as configuration, viewing, scheduling, monitoring. User logins, commands and responses can be sent through the interface 305 be collected and over the network interface 302 to the big data network backbone of the process control system 105 be transmitted.
Zusätzlich zu den Schnittstellen 302, 305 umfasst die verteilte Big-Data-Vorrichtung 300 einen Prozessor 308, der konfiguriert ist, computerlesbare Anweisungen auszuführen, die in einem Speicher 310 und einem eingebetteten Big-Data-Element 312 gespeichert sind. Der Prozessor 308 umfasst Verarbeitungselemente wie zentrale Verarbeitungseinheiten (CPU). In einer Ausführungsform weist der Prozessor 308 ein einzelnes Verarbeitungselement auf. In einer Ausführungsform weist der Prozessor 308 mehrere Verarbeitungselemente auf, die in der Lage sind, mehrere Aufgaben oder Funktionen gleichzeitig oder parallel durch das Zuweisen mehrere Berechnungen zu den mehreren Verarbeitungselementen auszuführen. In jedem Fall kann der Prozessor 308 verursachen, dass Daten gesammelt oder erfasst werden, z. B. Daten, die durch die Schnittstelle 305 verlaufen. Zum Beispiel kann der Prozessor 308 Daten sammeln, die direkt von der Vorrichtung 300 erzeugt werden, die von der Vorrichtung 300 erstellt werden oder die an der Vorrichtung 300 direkt erhalten werden. Der Prozessor 308 kann darüber hinaus die Vorrichtung 300 so betreiben, dass sie einen Prozess in der Prozessanlage 10 in Echtzeit steuert (z. B. Echtzeitprozessdaten sendet und/oder empfängt und/oder Steuerungsroutinen implementiert, um einen Prozess zu steuern.In addition to the interfaces 302 . 305 includes the distributed big data device 300 a processor 308 configured to execute computer-readable instructions stored in memory 310 and an embedded big data element 312 are stored. The processor 308 includes processing elements such as central processing units (CPU). In one embodiment, the processor 308 a single processing element. In one embodiment, the processor 308 Several processing elements that in the Are able to perform multiple tasks or functions simultaneously or in parallel by assigning multiple calculations to the multiple processing elements. In any case, the processor can 308 cause data to be collected or collected, e.g. B. Data passing through the interface 305 run. For example, the processor 308 Collect data directly from the device 300 to be generated by the device 300 be created or attached to the device 300 be obtained directly. The processor 308 In addition, the device can 300 operate so that they have a process in the process plant 10 controls in real time (eg, sends and / or receives real-time process data and / or implements control routines to control a process.
Der Speicher 310 der Vorrichtung 300 speichert eine oder mehrere Gruppen von computerlesbaren oder computerausführbaren Anweisungen, die durch den Prozessor 308 ausführbar sind. Als solcher umfasst der Speicher 310 ein oder mehrere greifbare, nichtflüchtige computerlesbare Speichermedien. Der Speicher 310 kann als einer oder mehrere Halbleiterspeicher, magnetisch lesbare Speicher, optisch lesbare Speicher, molekulare Speicher, zellulare Speicher implementiert sein und/oder der Speicher 310 kann ein(e) beliebige(s) andere(s) geeignete(s) greifbare(s), nichtflüchtige(s) Speichermedium oder Datenspeichertechnologie verwenden.The memory 310 the device 300 stores one or more sets of computer-readable or computer-executable instructions issued by the processor 308 are executable. As such, the memory includes 310 One or more tangible nonvolatile computer readable storage media. The memory 310 may be implemented as one or more semiconductor memories, magnetically readable memories, optically readable memories, molecular memories, cellular memories, and / or the memory 310 may use any other suitable tangible (nonvolatile) storage medium or data storage technology.
Die Vorrichtung 300 kann dynamische Mess- und Steuerdaten sowie verschiedene andere Datentypen sammeln, ohne vom Nutzer bereitgestellte Informationen zu erfordern, die a priori erkennen oder darauf hinweisen, welche Daten gesammelt werden sollen. Das heißt, eine Konfiguration der Vorrichtung 300 schließt Hinweise zu Identitäten der Mess- und Steuerdaten und verschiedener anderer Datentypen, die an der Vorrichtung 300 zur Historisierung gesammelt werden sollen, z. B. in dem eingebetteten Big-Data-Element 312 der Vorrichtung 300, aus. In derzeit bekannten Prozessanlagen oder Prozesssteuerungssystemen muss ein Bediener oder ein Benutzer typischerweise eine Prozesssteuerungsvorrichtung (z. B. eine Steuerung) konfigurieren, um Mess- und Steuerdaten durch Identifizieren, welche Daten gesammelt oder gespeichert werden sollen, und in einigen Ausführungsformen durch Spezifizieren der Zeiten und Frequenzen, zu/mit denen die Daten gesammelt oder gespeichert werden sollen, zu erfassen. Die Identitäten (und gegebenenfalls die Zeiten/Frequenzen) der zu sammelnden Daten sind in der Konfiguration der Prozesssteuerungsvorrichtung enthalten. Im Gegensatz dazu muss die Vorrichtung 300 nicht mit den Identitäten der Mess- und Steuerdaten, die wünschenswerterweise gesammelt werden, und den Zeiten/Frequenzen ihrer Sammlung konfiguriert sein. In einer Ausführungsform werden tatsächlich alle Mess- und Steuerdaten sowie sonstige Datentypen, die direkt von der Vorrichtung 300 erzeugt und/oder direkt an dieser empfangen werden, automatisch gesammelt.The device 300 It can collect dynamic measurement and control data, as well as various other data types, without requiring user-supplied information that a priori recognizes or indicates what data should be collected. That is, a configuration of the device 300 includes references to identities of the measurement and control data and various other data types attached to the device 300 to be collected for historicization, z. In the embedded big data element 312 the device 300 , out. In currently known process equipment or systems, an operator or user typically needs to configure a process control device (eg, a controller) to acquire measurement and control data by identifying which data to collect or store, and in some embodiments, by specifying times and Frequencies at / to which the data is to be collected or stored. The identities (and optionally times / frequencies) of the data to be collected are included in the configuration of the process control device. In contrast, the device needs 300 not be configured with the identities of the measurement and control data that are desirably collected and the times / frequencies of their collection. In one embodiment, in fact, all measurement and control data, as well as other data types, are derived directly from the device 300 generated and / or received directly at this, automatically collected.
Ferner müssen die Geschwindigkeit, mit der die Mess- und Steuerdaten und verschiedene andere Datentypen gesammelt und/oder von der verteilten Big-Data-Vorrichtung 300 übertragen werden, ebenfalls nicht in der Vorrichtung 300 konfiguriert sein. Das heißt, die Geschwindigkeit, mit der Daten gesammelt und/oder übertragen werden, ist aus einer Konfiguration der Vorrichtung 300 ausgeschlossen. Stattdessen kann die Vorrichtung 300 automatisch Mess- und Steuerdaten und verschiedene andere Datentypen in einer Ausführungsform zur lokalen Historisierung sammeln.Furthermore, the speed with which the measurement and control data and various other data types are collected and / or distributed by the big data device must be 300 are transmitted, also not in the device 300 be configured. That is, the speed at which data is collected and / or transmitted is from a configuration of the device 300 locked out. Instead, the device can 300 automatically collect measurement and control data and various other data types in one embodiment for local historization.
Unter Bezugnahme auf das eingebettete Big-Data-Element 312 der verteilten Big-Data-Vorrichtung 300 kann es sich bei dem verteilten Big-Data-Element 312 zum Beispiel um das eingebettete Big-Data-Element 116 halten. Als solches umfasst das Big-Data-Element 312 aus 3 einen eingebetteten Big-Data-Speicher 314, einen eingebetteten Big-Data-Empfänger 316, ein eingebettetes Big-Data-Analyseelement 318 und eine Gruppe von eingebetteten Big-Data-Anfrageabwicklern oder -Diensten 320a–320c. Während 3 einen eingebetteten Big-Data-Empfänger 316, ein eingebettetes Big-Data-Analyseelement 318 und drei eingebettete Big-Data-Anfrageabwickler 320a–320c darstellt, können die in dieser Schrift erörterten Techniken und Konzepte in Bezug auf 3 auf eine beliebige Anzahl und beliebige Typen von eingebetteten Big-Data-Empfängern 316, Big-Data-Analyseelementen 318 und/oder Big-Data-Anfrageabwicklern 320 angewendet werden. Ferner ist in einigen Ausführungsformen zumindest ein Teil des eingebetteten Big-Data-Elements 312 in den Prozessor 308 integriert. Zum Beispiel kann es sich bei einem Prozessor 308 um einen Smart-Chip handeln, der Signalverarbeitung und Lernen kombiniert, und er kann ein oder mehrere Verarbeitungselemente zusammen mit beliebigen oder sämtlichen der Komponenten 314, 316, 318 und 320 umfassen. Darüber hinaus ist in einigen Ausführungsformen zumindest ein Teil des eingebetteten Big-Data-Elements 312 in den Speicher 310 integriert. Zum Beispiel kann es sich bei dem Speicher 310 und zumindest bei einem Teil des Datenspeichers 314 um eine integrierte physikalische Einheit handeln.With reference to the embedded Big Data element 312 the distributed big data device 300 This can be the distributed Big Data element 312 for example, the embedded big data element 116 hold. As such, the big data element includes 312 out 3 an embedded big data store 314 , an embedded big data receiver 316 , an embedded Big Data analytic element 318 and a group of embedded big data request handlers or services 320a - 320c , While 3 an embedded big data receiver 316 , an embedded Big Data analytic element 318 and three embedded big data request handlers 320a - 320c The techniques and concepts discussed in this document may relate to 3 to any number and types of embedded Big Data receivers 316 , Big Data Analysis Elements 318 and / or big data request handlers 320 be applied. Further, in some embodiments, at least a portion of the embedded big data element is 312 in the processor 308 integrated. For example, it may be at a processor 308 It may be a smart chip combining signal processing and learning, and it may include one or more processing elements along with any or all of the components 314 . 316 . 318 and 320 include. Moreover, in some embodiments, at least part of the embedded Big Data element is 312 in the store 310 integrated. For example, the memory may be 310 and at least part of the data memory 314 to act as an integrated physical entity.
Im Allgemeinen empfängt der eingebettete Big-Data-Empfänger 316 Daten, die von der verteilten Big-Data-Vorrichtung 300 gesammelt wurden, und speichert die Daten in dem eingebetteten Big-Data-Speicher 314. Typischerweise, aber nicht zwingend, werden Daten, die über den eingebetteten Big-Data-Empfänger 316 empfangen werden, in dem eingebetteten Big-Data-Speicher 314 gespeichert, z. B. unter Verwendung eines gewünschten Schemas. Der Prozessor 308 kann auf den eingebetteten Big-Data-Empfänger 316 über Anweisungen zugreifen, die in dem Speicher 310 gespeichert sind, während die Vorrichtung 300 in Betrieb oder online ist. Bei den von der verteilten Big-Data-Vorrichtung 300 gesammelten Daten kann es sich zum Beispiel um Daten handeln, die über den Big-Data-Netzwerk-Backbone 105 (z. B. gestreamte Daten) übertragen oder empfangen werden, und/oder es kann sich dabei um Daten handeln, die über sonstige verdrahtete und/oder drahtlose Prozesssteuerungsnetzwerke übertragen oder empfangen werden. In einigen Fällen werden die Daten, die von der verteilten Big-Data-Vorrichtung 300 gesammelt werden, von der Vorrichtung 300 selbst erzeugt oder erstellt.In general, the embedded big-data receiver receives 316 Data coming from the distributed big-data device 300 collected and stores the data in the embedded Big Data memory 314 , Typically, but not compulsorily, data is transmitted over the embedded big-data receiver 316 are received in the embedded Big Data memory 314 stored, z. B. using a desired scheme. The processor 308 can be on the embedded big data receiver 316 to access instructions in the memory 310 are stored while the device 300 in operation or online. In the distributed by the big-data device 300 Collected data may be, for example, data that passes through the big data network backbone 105 (e.g., streamed data) may be transmitted or received, and / or may be data transmitted or received over other wired and / or wireless process control networks. In some cases, the data is distributed by the big-data device 300 be collected from the device 300 even created or created.
Bei dem eingebetteten Big-Data-Speicher 314 handelt es sich um einen einheitlichen, logischen Datenspeicherbereich, der auf der verteilten Big-Data-Vorrichtung 300 sämtliche Daten einschließlich Zeitreihendaten 314a und Metadaten 314b lokal speichert und historisiert. In 3 sind die Zeitreihendaten 314a als von den entsprechenden Metadaten 314b getrennt gespeichert dargestellt, obwohl in einigen Ausführungsformen zumindest einige der Metadaten 314b zusammen mit den Zeitreihendaten 314a gespeichert sein können. In einer Ausführungsform umfasst der eingebettete Big-Data-Speicher 314 einen oder mehrere Dateneinträge. An sich umfasst jede Dateneingabe einen Wert eines Datums oder Datenpunkts, das/der von der Vorrichtung 300 gesammelt oder erfasst wurde, und einen entsprechenden Zeitstempel oder einen Hinweis zu einer Zeitinstanz, zu der der Datenwert von der Vorrichtung 300 erzeugt wurde, erstellt wurde, an dieser empfangen oder von dieser beobachtet wurde.In the embedded Big Data memory 314 is a unified, logical data storage area that resides on the distributed big data device 300 all data including time series data 314a and metadata 314b locally stores and historizes. In 3 are the time series data 314a than from the corresponding metadata 314b stored separately, although in some embodiments, at least some of the metadata 314b along with the time series data 314a can be stored. In one embodiment, the embedded big data memory comprises 314 one or more data entries. As such, each data entry includes a value of a date or data point from the device 300 was collected or detected, and a corresponding time stamp or an indication of a time instance to which the data value from the device 300 was created, received at this or was observed by this.
Der eingebettete Big-Data-Speicher 314 kann darüber hinaus Vorrichtungskonfigurationsdaten, Chargenrezepte und/oder sonstige Daten speichern, die die verteilte Big-Data-Vorrichtung 300 verwendet, um Vorgänge nach Verlassen eines Offline-Zustands wiederaufzunehmen. Zum Beispiel wird, wenn eine Konfiguration einer Vorrichtung 300 heruntergeladen oder verändert wird oder wenn ein neues oder verändertes Chargenrezept heruntergeladen wird, ein Speicherauszug der entsprechenden Daten über den eingebetteten Big-Data-Empfänger 316 empfangen und in dem eingebetteten Big-Data-Speicher 314 gespeichert. Dieser Speicherauszug kann während Re-Boots, während Wiederherstellung oder zu einer beliebigen anderen Zeit verwendet werden, wenn sich die Vorrichtung 300 von einem Offline-Zustand in einen Online-Zustand bewegt. An sich können Kommunikations-Burstlasten oder -spitzen, die der Übertragung von von einer Arbeitsstation auf die Vorrichtung 300 heruntergeladenen Daten zugeordnet sind, nach Veränderungen des Zustands der Vorrichtung 300 verringert oder beseitigt werden. Zum Beispiel können Verzögerungen bei der Chargenverarbeitung, die infolge der langen Zeit auftreten, die zur Übertragung der Rezeptinformationen an eine Steuerung erforderlich ist, verringert oder beseitigt werden. Darüber hinaus können Informationen in dem Speicherauszug verwendet werden, um Veränderungen der Konfiguration der Vorrichtung zu verfolgen und eine vollständige Wiederherstellung von Konfigurationsparametern und/oder Chargenrezepten in der Vorrichtung 300 nach einem Stromausfall oder einem anderen Ereignis, das verursachen kann, dass die Vorrichtung 300 offline ist, zu unterstützen.The embedded big data store 314 may also store device configuration data, batch recipes, and / or other data representing the distributed big data device 300 used to resume operations after exiting an offline state. For example, when a configuration of a device 300 downloaded or modified, or when a new or modified batch recipe is downloaded, a snapshot of the corresponding data through the embedded big data receiver 316 received and in the embedded big data memory 314 saved. This snapshot can be used during reboots, during recovery, or at any other time when the device is down 300 moved from an offline state to an online state. As such, communication burst loads or spikes may be involved in the transmission of data from a workstation to the device 300 downloaded data after changes in the state of the device 300 be reduced or eliminated. For example, delays in batch processing that occur due to the long time required to transfer the recipe information to a controller can be reduced or eliminated. In addition, information in the snapshot may be used to track changes in the configuration of the device and complete recovery of configuration parameters and / or batch recipes in the device 300 after a power failure or other event that may cause the device 300 is offline, support.
In einer Ausführungsform wird verursacht, dass sämtliche Daten, die von der verteilten Big-Data-Vorrichtung 300 erzeugt werden, erstellt werden, an dieser empfangen werden oder anderweitig von dieser beobachtet werden, über den eingebetteten Big-Data-Empfänger 316 in dem eingebetteten Big-Data-Speicher 314 gespeichert werden. Zum Beispiel wird zumindest ein Teil aller beobachteten Daten kontinuierlich in dem eingebetteten Datenspeicher 314 gespeichert.In one embodiment, all the data caused by the distributed big data device is caused 300 can be created, received, received at, or otherwise observed by, the embedded Big Data receiver 316 in the embedded Big Data memory 314 get saved. For example, at least a portion of all observed data is continuously in the embedded data memory 314 saved.
Das eingebettete Big-Data-Analyseelement 318 führt eine lokale Berechnung oder Datenanalyse auf der verteilten Big-Data-Vorrichtung 300 zu zumindest einigen der in dem eingebetteten Big-Data-Speicher 314 gespeicherten Daten durch, um aussagekräftige Muster, Korrelationen, Tendenzen usw. zu bestimmen und im Allgemeinen neues Wissen zu erzeugen. Bei der lokalen Berechnung oder Datenanalyse kann es sich beispielsweise um eine Analyseroutine, eine Funktion oder einen Algorithmus für gelernte Daten handeln, die/der zuvor von der verteilten Big-Data-Vorrichtung 300 selbst erzeugt oder erstellt wurde. In einigen Fällen wurde die Berechnung oder Datenanalyse von einer anderen Vorrichtung erzeugt oder erstellt, zum Beispiel durch eine andere verteilte Big-Data-Vorrichtung oder durch ein zentralisiertes Big-Data-Element, und die Berechnung oder Datenanalyse wurde von der verteilten Big-Data-Vorrichtung 300 empfangen und auf dieser gespeichert.The embedded big data analytic element 318 performs a local computation or data analysis on the distributed big data device 300 to at least some of the embedded Big Data memory 314 stored data to determine meaningful patterns, correlations, tendencies, etc., and generally generate new knowledge. The local computation or data analysis may be, for example, an analytic routine, a function, or a learned-data algorithm previously performed by the distributed big-data device 300 even created or created. In some cases, the computation or data analysis has been generated or created by another device, for example by another distributed big data device or by a centralized big data element, and the computation or data analysis has been performed by the distributed big data contraption 300 received and saved on this.
Infolge der ausgeführten Berechnung oder Analyse kann das eingebettete Big-Data-Analyseelement 318 gelerntes Wissen wie beispielsweise eine neue Gruppe von Datenpunkten oder Beobachtungen, beschriebene Statistiken, die sich auf die Daten beziehen, Korrelationen in den Daten, neue oder modifizierte Modelle usw. herstellen. Das erzeugte gelernte Wissen kann eine A-Posteriori-Analyse von Aspekten der Vorrichtung 300 (z. B. Diagnose oder Problemlösung) bereitstellen oder A-Priori-Vorhersagen (z. B. Prognosen) bereitstellen, die der Vorrichtung 300 entsprechen. In einer Ausführungsform für das eingebettete Big-Data-Analyseelement 318 Data-Mining zu einer ausgewählten Teilmenge von Daten durch, die in dem eingebetteten Datenspeicher 314, und führt eine Musterevaluation zu einem Data-Mining unterzogenen Daten durch, um das gelernte Wissen zu erzeugen. In einigen Ausführungsformen können mehrere eingebettete Big-Data-Analyseelemente 318 oder Instanzen davon kooperieren, um das gelernte Wissen zu erzeugen.As a result of the calculation or analysis being performed, the embedded big-data analysis element 318 learned knowledge such as a new set of data points or observations, described statistics related to the data, correlations in the data, new or modified models, etc. The learned knowledge generated may be an a posteriori analysis of aspects of the device 300 (eg diagnostics or problem solving) or provide a priori predictions (eg, forecasts) of the device 300 correspond. In one embodiment, for the embedded big data analysis element 318 Data mining to a selected subset of data in the embedded data store 314 , and leads to a pattern evaluation to a Data-mined data to generate the learned knowledge. In some embodiments, multiple embedded big-data analysis elements may be included 318 or instances of it cooperate to produce the learned knowledge.
Das erhaltene gelernte Wissen kann zum Beispiel in dem eingebetteten Big-Data-Speicher 314 gespeichert (oder zu diesem hinzugefügt) werden und kann zusätzlich oder alternativ auf einer oder mehreren Benutzerschnittstellenvorrichtungen dargestellt werden, zum Beispiel auf einer verteilte Big-Data-Benutzerschnittstelle 112 oder eine veraltete Benutzerschnittstelle. In einigen Fällen umfasst das entstehende gelernte Wissen zusätzliche Daten, die der Vorrichtung 300 zuvor unbekannt waren. Zum Beispiel können die zusätzlichen Daten neu identifizierte Daten-Cluster, neu entdeckte versteckte Strukturen in den gespeicherten Daten, zuvor unbekannte Beziehungen zwischen gespeicherten Datensätzen usw. umfassen. In einigen Fällen umfasst das entstehende gelernte Wissen eine neue oder modifizierte Anwendung, eine neue oder modifizierte Funktion, eine neue oder modifizierte Routine, einen neuen oder modifizierten Dienst usw. Zum Beispiel kann es sich bei dem entstehenden gelernten Wissen um eine neu erstellte geschlussfolgerte Funktion halten, die zum Abbilden neuer Datenbeispiele verwendet werden kann.The learned knowledge obtained, for example, in the embedded big data memory 314 stored (or added to) and may additionally or alternatively be displayed on one or more user interface devices, for example on a distributed big data user interface 112 or an outdated user interface. In some cases, the resulting learned knowledge includes additional data of the device 300 previously unknown. For example, the additional data may include newly identified data clusters, newly discovered hidden structures in the stored data, previously unknown relationships between stored data sets, and so forth. In some cases, the resulting learned knowledge includes a new or modified application, a new or modified function, a new or modified routine, a new or modified service, etc. For example, the resulting learned knowledge may be a newly created inferential function that can be used to map new data samples.
In einer Ausführungsform kann die verteilte Big-Data-Vorrichtung 300 auf Grundlage des entstandenen gelernten Wissens seinen Betrieb modifizieren, um einen Prozess in Echtzeit in dem Prozesssteuerungssystem 10 zu steuern. Zum Beispiel modifiziert die verteilte Big-Data-Vorrichtung 300 ihr Prozessmodell auf Grundlage des entstandenen gelernten Wissens. In einem weiteren Beispiel modifiziert die verteilte Big-Data-Vorrichtung 300 ihre Selbstdiagnoseroutine auf Grundlage des entstandenen gelernten Wissens. Die verteilte Big-Data-Vorrichtung 300 kann darüber hinaus einen Hinweis auf die Modifizierung (z. B. ein aktualisiertes Prozessmodell oder Selbstdiagnoseroutine) in dem eingebetteten Big-Data-Speicher 314 zusammen mit dem entstehenden gelernten Wissen speichern. Zusätzlich oder alternativ kann die verteilte Big-Data-Vorrichtung 300 den Hinweis auf die Modifizierung zusammen mit dem entstehenden gelernten Wissen verursachen, das an eine andere verteilte Big-Data-Vorrichtung und/oder das zentralisierte Big-Data-Element 108 in dem Prozesssteuerungssystem 10 übertragen werden soll. Darüber hinaus kann die verteilte Big-Data-Vorrichtung 300 Analysefunktionen, Routinen, Logik und/oder Algorithmen in Form eines Analysecodes (z. B. R-Skripte, Python-Skripte, Matlab®-Skripte usw.) speichern, die auf dem entstehenden gelernten Wissen basieren können oder auch nicht. Die verteilte Big-Data-Vorrichtung 300 kann verursachen, dass die gespeicherte Logik und/oder die Algorithmen an eine andere verteilte Big-Data-Vorrichtung übertragen oder darauf heruntergeladen werden. Die andere verteilte Big-Data-Vorrichtung kann anschließend einen Betrieb unter Verwendung der heruntergeladenen Logik und/oder der Algorithmen ausführen. Zusätzlich oder alternativ kann die verteilte Big-Data-Vorrichtung 300 verursachen, dass die gespeicherte Logik und/oder die Algorithmen an das zentralisierte Big-Data-Element 108 in dem Prozesssteuerungssystem 10 übertragen wird/werden. Der Prozessor 308 kann das eingebettete Big-Data-Analyseelement 318 über Anweisungen, die in dem Speicher 310 gespeichert sind, ausführen. In einer Ausführungsform kann der Prozessor 308 immer, wenn Daten gesammelt und in dem eingebetteten Big-Data-Speicher 314 gespeichert werden, automatisch das eingebettete Big-Data-Analyseelement 318 ausführen.In one embodiment, the distributed big data device 300 on the basis of the learned knowledge that has been developed, modify its operation to provide a real-time process in the process control system 10 to control. For example, the distributed big data device modifies 300 their process model based on the acquired learned knowledge. In another example, the distributed big data device modifies 300 their self-diagnostic routine based on the acquired learned knowledge. The distributed big-data device 300 may also indicate an indication of the modification (eg, an updated process model or self-diagnostic routine) in the embedded Big Data memory 314 save together with the resulting learned knowledge. Additionally or alternatively, the distributed big data device 300 to cause the indication of the modification along with the resulting learned knowledge, to another distributed big data device and / or the centralized big data element 108 in the process control system 10 to be transferred. In addition, the distributed big-data device 300 (Etc. z. B. R scripts, Python scripts, Matlab ® scripts) save analysis functions, routines, logic and / or algorithms in the form of an analysis codes, which may be based on the emerging knowledge learned or not. The distributed big-data device 300 may cause the stored logic and / or algorithms to be transmitted to or downloaded to another distributed big data device. The other distributed big data device may then perform an operation using the downloaded logic and / or the algorithms. Additionally or alternatively, the distributed big data device 300 cause the stored logic and / or the algorithms to the centralized big-data element 108 in the process control system 10 is / are transferred. The processor 308 can be the embedded Big Data parser 318 about instructions in the memory 310 are stored. In one embodiment, the processor 308 always when data is collected and stored in the big-data memory 314 automatically save the embedded Big Data parser 318 To run.
Die Gruppe von eingebetteten Big-Data-Anfrageabwicklern oder -Diensten 320a–320c sind jeweils so konfiguriert, dass sie auf die Zeitreihendaten 314a und/oder Metadaten 314b bei Anfrage einer Anfrageeinheit oder -anwendung zugreifen, die auf der Vorrichtung 300 oder einer anderen Vorrichtung ausgeführt werden kann, die mit der Vorrichtung 300 kommunikativ verbunden ist. Zum Beispiel kann es sich bei einer Anfrageeinheit um eine Datenanfrageanwendung handeln, die von dem Prozessor 308 ausgeführt wird, um einen Zugriff auf Daten anzufragen, die in dem eingebetteten Big-Data-Speicher 314 gespeichert sind. Die Datenanfrageanwendung kann zum Beispiel in Form von Routinen im Speicher 310 der Vorrichtung 300 gespeichert sein. Auf Grundlage einer Anfrage der Datenanfrageanwendung können die entsprechenden Daten von dem eingebetteten Big-Data-Speicher 314 abgerufen werden und in Datenformen, die von der Datenanfrageanwendung verwendet werden können, umgewandelt und/oder zusammengeführt werden. In einer Ausführungsform können ein oder mehrere eingebettete Big-Data-Anfrageabwickler 320 Datenabruf und/oder Datenumwandlung an mindestens einigen der angefragten Daten durchführen. Darüber hinaus kann es sich, wie zuvor erörtert, bei zumindest einigen der eingebetteten Big-Data-Anfrageabwicklern 320a–320c um ein eingebettetes Datenanalyseelement 124 handeln. Zum Beispiel kann einer der eingebetteten Big-Data-Anfrageabwickler 320a–320b eine Kreuzkorrelationsanalyse durchführen und ein anderer der eingebetteten Big-Data-Anfrageabwickler 320a–320b eine Regressionsanalyse durchführen.The set of embedded big data request handlers or services 320a - 320c are each configured to look at the time series data 314a and / or metadata 314b at the request of a requesting device or application accessing the device 300 or any other device that can be used with the device 300 communicatively connected. For example, a request unit may be a data request application provided by the processor 308 is executed to request access to data stored in the embedded big data memory 314 are stored. The data request application may be in the form of routines in memory, for example 310 the device 300 be saved. Based on a request from the data request application, the corresponding data may be from the embedded big data memory 314 be converted and / or merged into data forms that can be used by the data request application. In one embodiment, one or more embedded big data request handlers 320 Perform data retrieval and / or data conversion on at least some of the requested data. In addition, as previously discussed, at least some of the embedded Big Data request handlers may be involved 320a - 320c an embedded data analysis element 124 act. For example, one of the embedded big data request handlers 320a - 320b perform a cross correlation analysis and another of the embedded big data request handlers 320a - 320b perform a regression analysis.
In einer Ausführungsform können zumindest einige der eingebetteten Big-Data-Anfrageabwickler 320 einen bestimmten Dienst oder eine Anwendung bereitstellen, die Zugriff auf zumindest einige Daten erfordert, die in dem eingebetteten Big-Data-Speicher 314 enthalten sind. Zum Beispiel kann es sich bei dem eingebetteten Big-Data- Anfrageabwickler 320a um einen Konfigurationsanwendungsdienst handeln, bei dem eingebetteten Big-Data-Anfrageabwickler 320b kann es sich um einen Diagnoseanwendungsdienst handeln und bei dem eingebetteten Big-Data-Anfrageabwickler 320c kann es sich um einen fortschrittlichen Steuerungsanwendungsdienst handeln. Der fortschrittliche Steuerungsanwendungsdienst 320c kann zum Beispiel modellvorhersagende Steuerungs-, Chargen- und kontinuierliche Datenanalyse oder andere Anwendungen umfassen, die historisierte Daten zum Modellbau und anderen Zwecken erfordern, Sonstige eingebettete Big-Data-Anfrageabwickler 320 können ebenfalls in dem eingebetteten Big-Data-Element 312 enthalten sein, um sonstige Dienste oder Anwendungen, z. B. einen Kommunikationsdienst, einen Administrationsdienst, einen Ausrüstungsverwaltungsdienst, einen Planungsdienst und sonstige Dienste zu unterstützen.In one embodiment, at least some of the embedded big data request handlers may 320 provide a specific service or application that requires access to at least some of the data in the embedded big data store 314 are included. For example, the embedded big data request liquidators 320a to act as a configuration application service to the embedded big data request handler 320b it can be a diagnostic application service and the embedded big data request handler 320c it can be an advanced control application service. The advanced control application service 320c For example, it may include model predictive control, batch and continuous data analysis, or other applications requiring historized data for modeling and other purposes, other embedded big data request handlers 320 can also be in the embedded big data element 312 be included to other services or applications, e.g. B. a communication service, an administration service, an equipment management service, a planning service and other services to support.
In einer Ausführungsform können zumindest einige der eingebetteten Big-Data-Anfrageabwickler 320 einen Streaming-Dienst unterstützen. Zum Beispiel kann einer der eingebetteten Big-Data-Anfrageabwickler 320 verursachen, dass zumindest ein Teil der in dem eingebetteten Big-Data-Speicher 314 gespeicherten Daten an andere verteilte Big-Data-Vorrichtungen, an das zentralisierte Big-Data-Element 108 in dem Prozesssteuerungssystem 10 und/oder an die Zugriffsanwendung gestreamt wird. In einer Ausführungsform handelt es sich bei dem zentralisierten Big-Data-Element 108 oder der Zugriffsanwendung um einen Abonnenten eines Streaming-Dienstes, der die gespeicherten Daten von der verteilten Big-Data-Vorrichtung 300 zustellt. Zum Beispiel handelt es sich bei der Vorrichtung 300 um einen Host des Streaming-Dienstes.In one embodiment, at least some of the embedded big data request handlers may 320 support a streaming service. For example, one of the embedded big data request handlers 320 cause at least part of the embedded in the big-data memory 314 stored data to other distributed big data devices, to the centralized big data element 108 in the process control system 10 and / or streamed to the access application. In one embodiment, the centralized big data element is 108 or the access application to a subscriber of a streaming service that retrieves the stored data from the distributed big data device 300 delivers. For example, the device is 300 to a host of the streaming service.
In einer Ausführungsform kann es sich bei einigen der eingebetteten Big-Data-Anfrageabwicklern 320 um Dienste (z. B. Webdienste oder andere Dienste) handeln, die auf der verteilten Big-Data-Vorrichtung 300 von dem Big-Data-Element 312 gehostet werden und auf die durch andere Knoten des Big-Data-Netzwerks 100 (z. B. Benutzerschnittstellenvorrichtungen 112 oder Provider-Vorrichtungen 110) zugegriffen werden kann. Entsprechend können in einer Ausführungsform zumindest einige der verteilten Big-Data-Vorrichtungen oder -Knoten 102 einen entsprechenden Webserver umfassen, um einen Webbrowser, eine Web-Client-Schnittstelle oder ein Plug-In zu unterstützen, das einem eingebetteten Big-Data-Anfrageabwickler 320 entspricht. Zum Beispiel kann ein Browser oder eine Anwendung, der/die auf einer Benutzerschnittstellenvorrichtung 112 gehostet wird, Daten oder eine Webseite beschaffen, die auf dem eingebetteten Big-Data-Element 312 gespeichert sind/ist.In one embodiment, some of the embedded Big Data request handlers may 320 to trade services (such as web services or other services) that reside on the distributed big data device 300 from the big data element 312 be hosted and accessed by other nodes of the big data network 100 (eg, user interface devices 112 or provider devices 110 ) can be accessed. Accordingly, in one embodiment, at least some of the distributed big data devices or nodes 102 include a corresponding web server to support a web browser, a web client interface, or a plug-in that is an embedded big data request handler 320 equivalent. For example, a browser or an application running on a user interface device 112 is hosted to retrieve data or a web page based on the embedded big data element 312 are stored / is.
Die verteilte Big-Data-Vorrichtung 300 in Prozesssteuerungsanlagen und -systemen verursacht, dass Daten und/oder gelerntes Wissen, die/das von der Vorrichtung 300 lokal beobachtet werden/wird, in dem lokalen eingebetteten Big-Data-Speicher 314 historisiert werden. In einigen Fällen können lokale historische Daten 314 unter Verwendung der Netzwerkschnittstelle 302 an das Big-Data-Element des Prozesssteuerungssystems 108 in der Prozessanlage oder dem -system 10 oder an einen anderen zentralisierten oder verteilten Big-Data-Knoten übertragen werden. In einer Ausführungsform ist ein Schema, das von dem eingebetteten Big-Data-Speicher 314 für historisierten Datenspeicher an der Vorrichtung 300 verwendet wird, in einem Schema enthalten, das von einem zentralisierten Big-Data-Element des Prozesssteuerungssystems 108 verwendet wird. In einer anderen Ausführungsform werden die in dem eingebetteten Big-Data-Speicher historisierten Daten 314 entsprechend einem lokalen Schema der Vorrichtung 300 gespeichert.The distributed big-data device 300 in process control systems and systems causes data and / or learned knowledge, the / of the device 300 be observed locally / in the local embedded big-data memory 314 be historicized. In some cases, local historical data 314 using the network interface 302 to the big data element of the process control system 108 in the process plant or system 10 or to another centralized or distributed big data node. In one embodiment, a schema is that of the embedded big data store 314 for historicized data storage at the device 300 is used in a schema that comes from a centralized big-data element of the process control system 108 is used. In another embodiment, the data historized in the embedded Big Data memory becomes 314 according to a local scheme of the device 300 saved.
In einigen Ausführungsformen können Vorrichtungen 300, die verteilte Big Data in Prozesssteuerungssystemen unterstützen, für ein geschichtetes oder nivelliertes Lernen von Big Data in einem Prozesssteuerungsnetzwerk oder -system 10 verwendet werden. In einem beispielhaften Szenario überträgt eine verteilte Big-Data-Vorrichtung 300 ihre gespeicherten Daten und/oder gelerntes Wissen an eine oder mehrere andere verteilte Big-Data-Zwischenvorrichtungen oder -knoten, sodass die eine oder die mehreren anderen verteilten Big-Data-Zwischenvorrichtungen oder -knoten die empfangenen Daten und/oder das gelernte Wissen in ihren eigenen lokalen Analysen verwenden können.In some embodiments, devices 300 that support distributed big data in process control systems for layered or level learning of big data in a process control network or system 10 be used. In an exemplary scenario, a distributed big data device transmits 300 their stored data and / or learned knowledge to one or more other distributed big data intermediate devices or nodes so that the one or more other distributed big data intermediate devices or nodes contain the received data and / or the learned knowledge in their own own local analyzes can use.
Zur Veranschaulichung ist 4 ein beispielhaftes Blockdiagramm, das mehr detaillierte Beispielkonzepte und -Techniken für nivelliertes und geschichtetes Lernen von Big Data unter Verwendung von verteilten Big-Data-Vorrichtungen in einem Prozesssteuerungssystem darstellt. Ausführungsformen der in 4 dargestellten Techniken können zum Beispiel von der verteilten Big-Data-Vorrichtung 300 aus 3 oder durch sonstige geeignete Vorrichtungen und/oder in dem Big-Data-Netzwerk des Prozesssteuerungssystems 100 aus 1 oder in anderen geeigneten Netzwerken verwendet werden. Zur Vereinfachung der Erörterung wird 4 jedoch unter Bezugnahme auf Elemente aus den 1–3 erörtert.By way of illustration 4 an exemplary block diagram illustrating more detailed example concepts and techniques for leveled and layered big data learning using distributed big data devices in a process control system. Embodiments of in 4 For example, techniques illustrated may be derived from the distributed big data device 300 out 3 or by other suitable devices and / or in the big data network of the process control system 100 out 1 or in other suitable networks. To simplify the discussion 4 however, with reference to elements from the 1 - 3 discussed.
4 zeigt eine beispielhafte Verwendung mehrerer verteilter Big-Data-Vorrichtung in Prozesssteuerungssystemen (z. B. mehrere Instanzen der verteilten Big-Data-Vorrichtung 300 aus 3). Insbesondere stellt 4 eine beispielhafte Verwendung derartiger verteilte Big-Data-Vorrichtungen für nivelliertes oder geschichtetes Speichern und Lernen auf Grundlage von Big Data dar. 4 zeigt drei beispielhafte Ebenen 410–430, wobei die Ebene 410 dargestellt ist, als weise sie drei verteilte Big-Data-Prozesssteuerungsvorrichtungen 410a–410ca auf, die Ebene 420, als weise sie eine verteilte Big-Data-Prozesssteuerungsvorrichtung 420a, und die Ebene 430, als weise sie zwei Prozesssteuerungsvorrichtungen 430a und 430b auf. 4 shows an exemplary use of multiple distributed big data devices in process control systems (eg, multiple instances of the distributed big data device 300 out 3 ). In particular, presents 4 an exemplary use of such distributed big-data devices for leveled or layered storage and Learning based on big data. 4 shows three exemplary levels 410 - 430 , where the plane 410 is illustrated as having three distributed big-data process control devices 410a - 410ca on, the plane 420 as if it were a distributed big-data process control device 420a , and the plane 430 as if they are two process control devices 430a and 430b on.
Wie in 4 dargestellt, ist jede der verteilten Big-Data-Prozesssteuerungsvorrichtungen 410a–410c, 420a, 430a und 430b eine Instanz der in 3 dargestellten Vorrichtung 300 und kooperiert mit anderen Prozesssteuerungsvorrichtungen, um einen oder mehrere Prozesse in einem Prozesssteuerungssystem oder einer -anlage zu steuern. Zum Beispiel sind auf der Ebene 410 die verteilten Big-Data-Prozesssteuerungsvorrichtungen 410a–410c in 4 als Feldvorrichtungen dargestellt, von denen jede konfiguriert ist, eine physikalische Funktion zur Steuerung eines Prozesses oder eines Prozesses durchzuführen, der in der Prozessanlage 10 gesteuert wird. Die Feldvorrichtungen 410a–410c empfangen und/oder erzeugen Prozesssteuerungsdaten, die zum Beispiel dem Steuern des Prozesses in Echtzeit entsprechen Auf Ebene 420 ist die verteilte Big-Data-Prozesssteuerungsvorrichtung 420a als E/A-Vorrichtung dargestellt, die konfiguriert ist, die Prozesssteuerungsdaten, die von den Feldvorrichtungen 410a–410c erzeugt wurden, zu empfangen und die Prozesssteuerungsdaten an eine Steuerung 430a weiterzuleiten und Prozesssteuerungsdaten von einer Steuerung 430a an eine Feldvorrichtung 410a–410c weiterzuleiten.As in 4 is any of the distributed big-data process control devices 410a - 410c . 420a . 430a and 430b an instance of in 3 illustrated device 300 and cooperates with other process control devices to control one or more processes in a process control system or facility. For example, at the level 410 the distributed big-data process control devices 410a - 410c in 4 as field devices, each of which is configured to perform a physical function to control a process or process operating in the process plant 10 is controlled. The field devices 410a - 410c receive and / or generate process control data that corresponds, for example, to controlling the process in real time. On level 420 is the distributed big-data process control device 420a shown as an I / O device that is configured, the process control data from the field devices 410a - 410c were generated and the process control data to a controller 430a forward and process control data from a controller 430a to a field device 410a - 410c forward.
Auf Ebene 430 sind die verteilten Big-Data-Prozesssteuerungsvorrichtungen 430a und 430b als Prozesssteuerungen dargestellt, von denen jede mit einem entsprechenden Steueralgorithmus konfiguriert ist, um Prozesssteuerungsdaten einzugeben und eine oder mehrere Steuerfunktionen auszuführen, um eine Ausgabe (nicht dargestellt) zur Steuerung des Prozesses auszugeben. Wie in 4 dargestellt ist die Prozesssteuerung 430a konfiguriert, Prozesssteuerungsdaten von der E/A-Vorrichtung 420a zu empfangen und Prozesssteuerungsdaten an die E/A-Vorrichtung 420a zu senden sowie Prozessdaten an die/ von der Prozesssteuerung 430b zu übertragen. In einigen Ausführungsformen können die E/A-Vorrichtung 420a und die Steuerungen 430a, 430b jeweils zusätzliche Prozesssteuerungsdaten an andere Vorrichtungen oder Knoten, die nicht in 4 dargestellt sind, senden oder von diesen empfangen.At level 430 are the distributed big-data process control devices 430a and 430b as process controllers, each configured with a corresponding control algorithm to input process control data and perform one or more control functions to output an output (not shown) for controlling the process. As in 4 shown is the process control 430a configured, process control data from the I / O device 420a to receive and process control data to the I / O device 420a to send and process data to / from the process control 430b transferred to. In some embodiments, the I / O device may 420a and the controls 430a . 430b each additional process control data to other devices or nodes that are not in 4 are displayed, transmitted or received by them.
Die beispielhafte Konfiguration der verteilten Big-Data-Prozesssteuerungsvorrichtungen 410a–410c, 420a, 430a und 430b unterstützt geschichtetes oder nivelliertes Big-Data-Speichern und Lernen in dem Prozesssteuerungssystem oder der -anlage 10. In 4 ist jede der verteilten Big-Data-Prozesssteuerungsvorrichtungen 410a–410c, 420a, 430a und 430b mit „DBDx“ gekennzeichnet, was einem entsprechenden eingebetteten Big-Data-Element (z. B. dem eingebetteten Big-Data-Element 312 aus 3) entspricht, das in der entsprechenden Vorrichtung 410a–410c, 420a, 430a und 430b enthalten ist. Jedes der entsprechenden eingebetteten DBDx-Big-Data-Elemente umfasst einen eingebetteten Big-Data-Speicher MX, der dem eingebetteten Big-Data-Speicher 314 aus 3 entsprechen kann, und ein eingebettetes Datenanalyseelement X, das dem eingebetteten Big-Data-Analyseelement 318 aus 3 entsprechen kann. Dementsprechend sammeln und speichern in 4 die verteilten Big-Data-Prozesssteuerungsvorrichtungen 410a–410c, 420a, 430a bzw. 430b jeweils entsprechende Daten in den entsprechenden eingebetteten Big-Data-Speichern M1–M6, zum Beispiel in einer zuvor, weiter oben beschriebenen Weise.The exemplary configuration of distributed big-data process control devices 410a - 410c . 420a . 430a and 430b supports layered or leveled big data storage and learning in the process control system or plant 10 , In 4 is each of the distributed big-data process control devices 410a - 410c . 420a . 430a and 430b marked with "DBDx", indicating a corresponding embedded big-data element (such as the embedded big-data element 312 out 3 ) corresponds to that in the corresponding device 410a - 410c . 420a . 430a and 430b is included. Each of the corresponding embedded DBDx big data elements includes an embedded big data memory M X , which is the embedded big data memory 314 out 3 and an embedded data analysis element X corresponding to the embedded big-data analysis element 318 out 3 can correspond. Accordingly, collect and store in 4 the distributed big-data process control devices 410a - 410c . 420a . 430a respectively. 430b respectively corresponding data in the corresponding embedded big data memories M 1 -M 6 , for example in a manner previously described above.
Zum Beispiel sammelt jede Vorrichtung 410a–410c, 420a, 430a bzw. 430b lokale Daten mit einer Geschwindigkeit, mit der lokale Daten erzeugt, erstellt, empfangen oder anderweitig beobachtet werden, und speichert die gesammelten Daten in den entsprechenden eingebetteten Big-Data-Speichern M1–M6, z. B. als lokale, historisierte Big Data. Die Sammlung und Analyse verteilter, lokalisierter Big Data gestattet ein pünktlicheres Feedback zu möglicherweise negativen Situationen, die in der Prozessanlage 10 auftreten. Zum Beispiel steuert in einem Veranschaulichungsszenario die Steuerung 430a eine Sammlung von Prozesssteuerungsvorrichtungen (z. B. Feldvorrichtungen 410a–410c und gegebenenfalls anderen Vorrichtungen) als Teil einer Steuerschleife, die in einer Prozessanlage enthalten ist, die ein bestimmtes Produkt herstellt. Eine bestimmte Kombination von Ereignissen in der Steuerschleife führt zu einer schlechten Produktqualität, wenn das Produkt letztlich zu einer späteren Zeit erzeugt wird z. B. mehrere Stunden nach dem Auftreten der Kombination von Ereignissen). Statt die schlechte Produktqualität mehrere Stunden danach zu erkennen und zu bestimmen und Problemlösung zu betreiben, um die Hauptursachen für die schlechte Produktqualität zu bestimmen (wie dies derzeit in bekannten Prozesssteuerungssystemen getan wird), verwendet die Steuerung 430a ihr eingebettetes Big-Data-Analyseelement L5, um automatisch die Prozessdaten zu analysieren, die von der Kombination von Ereignissen bei oder kurz nach ihrem Auftreten erzeugt werden (z. B. wenn die Daten, die dem Auftreten der Ereignisse entsprechen, an den eingebetteten Big-Data-Speicher M5 übertragen werden). Das eingebettete Big-Data-Analyseelement L5 kann gelerntes Wissen erzeugen, das die schlechte Produktqualität auf Grundlage des Auftretens dieser Ereignisse vorhersagt, und/oder es kann automatisch einen oder mehrere Parameter des Prozesses in Echtzeit anpassen oder verändern, um die Auswirkungen der Kombination von Ereignissen zu verringern, sofern und wenn sie in der Zukunft auftreten. Zum Beispiel kann das eingebettete Datenanalyseelement L5 einen überprüften Sollwert oder überprüfte Parameterwerte bestimmen und verursachen, dass diese überarbeiteten Werte von der Steuerung 430a verwendet werden, um die Steuerschleife besser zu regulieren und zu verwalten.For example, each device collects 410a - 410c . 420a . 430a respectively. 430b local data at a speed at which local data is generated, created, received, or otherwise observed, and stores the collected data in the corresponding embedded big data stores M 1 -M 6 , e.g. As local, historicized big data. The collection and analysis of distributed, localized Big Data allows for more timely feedback on potentially negative situations in the process plant 10 occur. For example, in one illustrative scenario, the controller controls 430a a collection of process control devices (e.g., field devices 410a - 410c and optionally other devices) as part of a control loop contained in a process plant manufacturing a particular product. A certain combination of events in the control loop will result in poor product quality if the product is ultimately generated at a later time, e.g. Several hours after the occurrence of the combination of events). Instead of recognizing and diagnosing the poor product quality several hours later and troubleshooting to determine the root causes of poor product quality (as is currently done in known process control systems), the controller uses 430a their embedded big-data analysis element L 5 to automatically analyze the process data generated by the combination of events at or shortly after their occurrence (eg, when the data corresponding to the occurrence of the events matches the embedded data) Big Data Memory M 5 are transmitted). The embedded big data analysis element L 5 can generate learned knowledge that predicts the poor product quality based on the occurrence of these events, and / or it can automatically generate one or more parameters of the process Adjust or modify real-time to reduce the effects of the combination of events, if and when they occur in the future. For example, the embedded data analysis element L 5 may determine a verified setpoint or checked parameter values and cause these revised values to be determined by the controller 430a used to better regulate and manage the control loop.
Demnach verwendet jede Vorrichtung 410a–410c, 420a, 430a und 430b ihr entsprechendes eingebettetes Big-Data-Analyseelement L1–L6, um Daten zu analysieren, die in seinem entsprechenden Big-Data-Speicher M1–M6 gespeichert sind, um aussagekräftige Muster, Korrelationen, Tendenzen usw. zu bestimmen (z. B. Daten, die von jeder Vorrichtung 410a–410c, 420a, 430a und 430b infolge ihrer Analyse ihrer lokalen Big Data erzeugt werden). Die gelernten Muster, Korrelationen, Tendenzen usw. sind in dem entsprechenden eingebetteten Big-Data-Speicher M1–M6 der Vorrichtung, zum Beispiel als gelernte Daten, gespeichert. Ferner kann jede Vorrichtung 410a–410c, 420a, 430a und 430b auf Grundlage der Daten, die aus ihrer Analyse ihrer Big Data erzeugt wurden, z. B. gelernte Dienste, Funktionen oder Anwendungen, lokal eine(n) neue(n) Dienst, Funktion, Routine oder Anwendung bestimmen oder definieren (und/oder eine(n) bestehende(n) Dienst, Funktion, Routine oder Anwendung modifizieren. Die entsprechenden Wissensdaten und/oder Wissensdienste, -funktionen und/oder -Anwendungen, die lokal an jeder Vorrichtung 410a–410c, 420a, 430a und 430b gelernt werden, werden zur anschließenden Verwendung durch die entsprechende Vorrichtung und/oder durch andere Vorrichtungen in geschichtetem oder nivelliertem Lernen zu ihren entsprechenden eingebetteten Big-Data-Speichern M1–M6 hinzugefügt oder in diesen gespeichert. In der Verwendung in dieser Schrift bezieht sich der Ausdruck „gelerntes Wissen“ im Allgemeinen auf Daten, Dienste, Funktionen, Routinen und/oder Anwendungen, die infolge des Analysierens von Big Data erzeugt werden. Darüber hinaus kann jede verteilte Big-Data-Vorrichtung 410a–410c, 420a, 430a und 430b ihr lokal gelerntes Wissen mit anderen verteilten Big-Data-Vorrichtungen auf demselben oder unterschiedlichen Ebenen teilen.Accordingly, every device uses 410a - 410c . 420a . 430a and 430b its corresponding embedded big data analysis element L 1 -L 6 to analyze data stored in its corresponding big data memory M 1 -M 6 to determine meaningful patterns, correlations, trends, etc. (e.g. B. Data coming from each device 410a - 410c . 420a . 430a and 430b generated as a result of their analysis of their local Big Data). The learned patterns, correlations, tendencies, etc. are stored in the corresponding embedded big data memory M 1 -M 6 of the device, for example as learned data. Furthermore, any device 410a - 410c . 420a . 430a and 430b based on the data generated from their analysis of their big data, e.g. For example, learned services, functions, or applications may locally determine or define a new service, function, routine, or application (and / or modify an existing service, function, routine, or application corresponding knowledge data and / or knowledge services, functions and / or applications that are local to each device 410a - 410c . 420a . 430a and 430b are learned, are added to or stored in their corresponding embedded big-data stores M 1 -M 6 for subsequent use by the corresponding device and / or other devices in layered or leveled learning. As used herein, the term "learned knowledge" generally refers to data, services, functions, routines and / or applications generated as a result of analyzing big data. In addition, any distributed big-data device 410a - 410c . 420a . 430a and 430b share their locally learned knowledge with other distributed big data devices at the same or different levels.
Zum Beispiel sammelt unter Bezugnahme auf 4 jede der Feldvorrichtungen 410–410c auf Ebene 410 lokale Daten, die in ihrem entsprechenden eingebetteten Big-Data-Speicher M1–M3 gespeichert werden sollen, und verwendet ihre entsprechenden eingebetteten Big-Data-Analyseelemente L1–L3 zur Analyse von Teilen oder allen der gesammelten Daten, um lokal gelerntes Wissen zu erzeugen. In einem veranschaulichenden Beispiel handelt es sich bei der Feldvorrichtung 410a um einen Flammensensor für einen Boiler, der Flammendaten zu der Boilerflamme sammelt, und speichert die gesammelten Daten mit entsprechenden Zeitstempeln in ihrem eingebetteten Big-Data-Speicher M1. Sobald sie eingesammelt sind, führt das eingebettete Big-Data-Analyseelement L1 einen oder mehrere Algorithmen aus, um die Flammendaten zu analysieren, um Flammenmuster zu erkennen, die mit der Zeit auftreten. Das eingebettete Big-Data-Analyseelement L1 speichert die gelernten Flammenmuster in dem eingebetteten Big-Data-Speicher M1 als Wissensdaten, die aus der lokalen Analyse der in M1 gespeicherten Big Data, z. B. zusätzlich gelernter Big Data, gelernt wurden.For example, with reference to FIG 4 each of the field devices 410 - 410c on level 410 local data to be stored in their respective embedded big-data memory M 1 -M 3 , and uses their respective embedded big-data analysis elements L 1 -L 3 to analyze parts or all of the collected data to be locally learned To generate knowledge. In an illustrative example, the field device is 410a a flame sensor for a boiler that collects flame data to the boiler flame, and stores the collected data with corresponding timestamps in its embedded big data memory M 1 . Once collected, the embedded big data analysis element L 1 executes one or more algorithms to analyze the flame data to detect flame patterns that occur over time. The embedded big data analysis element L 1 stores the learned flame patterns in the embedded big data memory M 1 as knowledge data resulting from the local analysis of the big data stored in M 1 , e.g. B. additionally learned Big Data, were learned.
In diesem veranschaulichenden Beispiel verursacht die Feldvorrichtung 410a, dass zumindest einiges des gelernten Wissens, das in ihrem eingebetteten Big-Data-Speicher M1 gespeichert ist, an die E/A-Vorrichtung 420a gesendet wird, zum Beispiel über das Big-Data-Netzwerk des Prozesssteuerungssystems 105 oder über ein anderes Kommunikationsnetzwerk. Wie in 4 dargestellt ist die E/A-Vorrichtung 420a ein Beispiel für eine Zwischenvorrichtung oder einen -knoten, die/der in dem Kommunikationsweg des Netzwerks 105 zwischen den Feldvorrichtungen 410a–410c und der Steuerung 430a angeordnet ist, z. B. ist die E/-Vorrichtung 420a stromaufwärts der Feldvorrichtungen 410a–410c angeordnet und stromabwärts der Steuerung 430a angeordnet.In this illustrative example, the field device causes 410a That at least some of the learned knowledge, which is stored in its embedded Big Data memory M 1, to the I / O device 420a sent, for example via the big data network of the process control system 105 or over another communication network. As in 4 shown is the I / O device 420a an example of an intermediate device or node that is in the communication path of the network 105 between the field devices 410a - 410c and the controller 430a is arranged, for. B. is the E / device 420a upstream of the field devices 410a - 410c arranged and downstream of the controller 430a arranged.
Auf der Ebene 420 speichert die E/A-Vorrichtung 420a in ihrem entsprechenden eingebetteten Big-Data-Speicher M4 beliebiges gelerntes Wissen, das von den Feldvorrichtungen 410a erzeugt und empfangen wurde (und in einigen Ausführungsformen gelerntes Wissen, das von den anderen Feldvorrichtungen 410b, 410c und/oder sonstigen Vorrichtungen erzeugt und empfangen wurde), zusammen mit sonstigen Daten, die die E/A-Vorrichtung 420a direkt (z. B. lokal) erzeugt und empfängt. Die E/A-Vorrichtung 420a kann darüber hinaus ihr entsprechendes eingebettetes Big-Data-Analyseelement L4 verwenden, um eine Analyse oder ein Lernen zu den sonstigen Daten zusammen mit dem von der Feldvorrichtung 410a gelernten Wissen durchzuführen. Zum Beispiel empfängt, um mit dem obigen Beispiel zu dem Flammensensor fortzufahren, die E/A-Vorrichtung 420a die gelernten Flammenmuster von der Vorrichtung 410a und verwendet sie als Modell, um sonstige Flammendaten zu analysieren, die von anderen Flammensensoren erhalten wurden, die mit der E/A-Vorrichtung 410a verbunden sind. In einem weiteren Beispiel akkumuliert die E/A-Vorrichtung 420a gelerntes Wissen, das sich auf Warnsignaldatentendenzen im Laufe der Zeit bezieht, aus einer bestimmten Charge an Prozesssteuerungsvorrichtungen (nicht in 4 dargestellt. Die E/A-Vorrichtung 420a kann das eingebettete Big-Data-Analyseelement L4 verwenden, um Algorithmen (z. B. PCA) auszuführen, um zu bestimmen, ob Kausalbeziehungen zwischen den gelernten Flammenmustern und den Warndatentendenzen im Laufe der Zeit bestehen. Im Allgemeinen speichert die E/A-Vorrichtung 420a sämtliches lokal erzeugtes gelerntes Wissen und sämtliches empfangenes, entfernt erzeugtes gelerntes Wissen in ihrem eingebetteten Big-Data-Speicher M4.On the layer 420 saves the I / O device 420a in their corresponding embedded big-data memory M 4 any learned knowledge, that of the field devices 410a has been generated and received (and, in some embodiments, learned knowledge from the other field devices 410b . 410c and / or other devices has been generated and received), together with other data representing the I / O device 420a generated and received directly (eg local). The I / O device 420a may also use its corresponding embedded big-data analysis element L 4 to analyze or learn the other data together with that from the field device 410a to perform learned knowledge. For example, in order to proceed to the flame sensor with the above example, the I / O device receives 420a the learned flame patterns from the device 410a and uses it as a model to analyze other flame data obtained from other flame sensors associated with the I / O device 410a are connected. In another example, the I / O device accumulates 420a learned knowledge relating to warning signal data trends over time from a given batch of process control devices (not in 4 shown. The I / O device 420a may use the embedded big data analysis element L 4 to execute algorithms (eg, PCA) to determine whether Causal relationships exist between the learned flame patterns and the warning data trends over time. In general, the I / O device stores 420a all locally generated learned knowledge and all received remotely generated learned knowledge in its embedded big data memory M 4 .
Auf der Ebene 430 speichert die Steuerung 430a gelernte Daten, die von sonstigen verteilten Big-Data-Vorrichtungen (z. B. der E/A-Vorrichtung 420a, den stromabwärts verlaufenden Feldvorrichtungen 410a–410c, der Steuerung 430b) in ihrem eingebetteten Big-Data-Speicher M5 zusammen mit Daten und gelerntem Wissen erhalten wurden, die/das die Steuerung 430a selbst direkt erzeugt und empfängt. Die Steuerung 430a kann eine weitere Analyse oder ein Lernen zu mindestens einigen ihrer gespeicherten Daten durchführen, um zusätzliches gelerntes Wissen zu erzeugen (z. B. Datenmuster, Tendenzen, Korrelationen usw., Dienste, Funktionen, Routinen und/oder Anwendungen). Das zusätzliche gelernte Wissen, das von der Steuerung 430a erzeugt wird, ist auf deren eingebettetem Big-Data-Speicher M5 gespeichert.On the layer 430 saves the control 430a learned data obtained from other distributed Big Data devices (eg the I / O device 420a , the downstream field devices 410a - 410c , the controller 430b ) were received in their embedded big data memory M 5 along with data and learned knowledge that the controller 430a itself generated and received directly. The control 430a may perform further analysis or learning on at least some of its stored data to generate additional learned knowledge (eg, data patterns, trends, correlations, etc., services, functions, routines, and / or applications). The extra learned knowledge that comes from the controller 430a is stored on their embedded big data memory M 5 .
In einer Ausführungsform wird geschichtetes oder nivelliertes Lernen auf Bottom-Up- oder Stromabwärts-Nach-Stromaufwärts-Grundlage durchgeführt. In einem veranschaulichenden Beispiel analysiert die Feldvorrichtung 410a ihre gesammelten Daten, um zu bestimmen, ob sie korrekt funktioniert, z. B. um zu bestimmen, ob die Feldvorrichtung 410a korrekt kalibriert ist, um die korrekten Daten zu sammeln. Wissen, das die Feldvorrichtung 410a aus ihrer Analyse lernt, kann dazu führen, dass die Feldvorrichtung 410a eine neue Diagnoseroutine (z. B. eine gelernte Routine) erzeugt, die die Feldvorrichtung 410a zu zukünftigen Diagnosezwecken verwenden kann. Die erzeugte Diagnoseroutine kann in dem entsprechenden eingebetteten Big-Data-Speicher der Feldvorrichtung 410a gespeichert werden, z. B. M1. Die Feldvorrichtung 410a kann die erzeugte Diagnoseroutine an eine stromaufwärtsgerichtete Steuerung 430a übertragen. Zum Beispiel kann die Feldvorrichtung 410a unabhängig das Teilen der neuen Diagnoseroutine mit der stromaufwärtsgerichteten Steuerung 430a initiieren (z. B. automatisch nach Erzeugung oder in regelmäßigen Abständen) oder die Feldvorrichtung 410a kann verursachen, dass die neue Diagnoseroutine übertragen wird, wenn die Steuerung 430a die Feldvorrichtung 410a auffordert, einen oder mehrere Typen von neuen gelerntem Wissen zu teilen.In one embodiment, layered or leveled learning is performed on a bottom-up or downstream-upstream basis. In an illustrative example, the field device analyzes 410a their collected data to determine if it works correctly, e.g. To determine if the field device 410a is calibrated correctly to collect the correct data. Know that the field device 410a Learning from their analysis can lead to the field device 410a a new diagnostic routine (eg, a learned routine) that generates the field device 410a can use for future diagnostic purposes. The generated diagnostic routine may be stored in the corresponding embedded big-data memory of the field device 410a be stored, for. B. M 1 . The field device 410a The generated diagnostic routine may be directed to an upstream controller 430a transfer. For example, the field device 410a independently sharing the new diagnostic routine with the upstream controller 430a initiate (eg automatically after generation or at regular intervals) or the field device 410a may cause the new diagnostic routine to be transmitted when the controller 430a the field device 410a asks to share one or more types of new knowledge learned.
In einer Ausführungsform wird geschichtetes oder nivelliertes Lernen auf Top-Down- oder Stromaufwärts-Nach-Stromabwärts-Grundlage durchgeführt. Zur Veranschaulichung und unter Fortsetzung des obigen Beispiels kann die Steuerung 430a die empfangene Diagnoseroutine analysieren (z. B. durch Verwendung ihres Analyseelements L5) und bestimmen, dass die Diagnoseroutine für andere Feldvorrichtungen (z. B. die Feldvorrichtungen 410b und 410c), die von der Steuerung gesteuert werden, nützlich oder darauf anwendbar ist. Entsprechend kann die Steuerung 430a die Diagnoseroutine an andere Feldvorrichtungen 410b, 410c verteilen, sodass die Feldvorrichtungen 410b, 410c in der Lage sind, die Diagnoseroutine zu ihren entsprechenden Diagnosezwecken zu verwenden. Die Steuerung 430a kann unabhängig das Teilen der neuen Diagnoseroutine mit den stromabwärtsgerichteten Feldvorrichtungen 410b, 410c initiieren oder die Steuerung 430a kann verursachen, dass die neue Diagnoseroutine auf Anfrage der Feldvorrichtung 410a übertragen wird. Alternativ oder zusätzlich kann die Steuerung 430a eine allgemeine Diagnoseroutine durch Anhäufen und Analysieren von gelerntem Wissen erzeugen, das von sämtlichen Feldvorrichtungen empfangen wurde, die mit der Steuerung verbunden sind. In diesem Szenario verteilt die Steuerung 430a die allgemeine Diagnoseroutine an beliebige oder sämtliche der Feldvorrichtungen, die mit der Steuerung verbunden sind, z. B. automatisch sobald erzeugt oder in regelmäßigen Abständen, auf Anfrage einer bestimmten Feldvorrichtung, wenn die Steuerung 430a Daten von einer Feldvorrichtung empfängt, die darauf hinweisen, dass die allgemeine Diagnose nützlich für die Vorrichtung ist oder aus verschiedenen anderen Gründen.In one embodiment, layered or level learning is performed on top-down or upstream-downstream basis. To illustrate and continue the above example, the controller may 430a analyze the received diagnostic routines (eg, using their analysis element L 5 ) and determine that the diagnostic routine is for other field devices (eg, the field devices 410b and 410c ) that are controlled, useful or applicable by the controller. Accordingly, the controller 430a the diagnostic routine to other field devices 410b . 410c distribute so that the field devices 410b . 410c are able to use the diagnostic routine for their respective diagnostic purposes. The control 430a can independently share the new diagnostic routine with the downstream field devices 410b . 410c initiate or control 430a may cause the new diagnostic routine to request the field device 410a is transmitted. Alternatively or additionally, the controller 430a Generate a general diagnostic routine by accumulating and analyzing learned knowledge received from all field devices connected to the controller. In this scenario, the controller distributes 430a the general diagnostic routine to any or all of the field devices connected to the controller, e.g. B. automatically generated or periodically, upon request of a specific field device when the controller 430a Receive data from a field device indicating that the general diagnosis is useful to the device or for various other reasons.
In einer Ausführungsform wird geschichtetes oder nivelliertes Lernen zwischen verteilten Big-Data-Vorrichtungen auf derselben Ebene ausgeführt. Zur Veranschaulichung und unter Fortsetzung des obigen Beispiels überträgt die Steuerung 430a die allgemeine Diagnoseroutine an die Steuerung 430b, sodass die Steuerung 430b die allgemeine Diagnoseroutine verwenden und/oder an Vorrichtungen verteilen kann, die durch die Steuerung 430b gesteuert werden. Auf ähnliche Weise kann die Steuerung 430a immer, wenn ein Diagnosedienst von den Feldvorrichtungen 410a–410c benötigt wird, eine andere Diagnoseroutine von der Steuerung 430b empfangen und die weitere Diagnoseroutine an die Feldvorrichtungen 410a–410c verteilen. Natürlich können andere Typen von gelerntem Wissen über Vorrichtungen hinweg auf derselben Ebene geteilt werden, z. B. automatisch, auf Anfrage, auf Grundlage der Übertragungsvorrichtung, die einen Bedarf einer Empfängervorrichtung an dem gelernten Wissen wahrnimmt oder erkennt, und/oder auf Grundlage anderer Auslöser.In one embodiment, layered or level learning is performed between distributed big data devices at the same level. To illustrate and continue the above example, the controller transfers 430a the general diagnostic routine to the controller 430b so the controller 430b Use the general diagnostic routine and / or distribute it to devices through the controller 430b to be controlled. Similarly, the controller 430a whenever a diagnostic service from the field devices 410a - 410c needed, another diagnostic routine from the controller 430b receive and the further diagnostic routine to the field devices 410a - 410c to distribute. Of course, other types of learned knowledge can be shared across devices at the same level, e.g. For example, automatically, on request, based on the transmission device that detects or recognizes a need for a receiver device on the learned knowledge, and / or based on other triggers.
In einigen Ausführungsformen verursachen eine oder mehrere der Vorrichtungen 410a–410c, 420a, 430a und 430b, dass einige oder sämtliche ihrer lokalen Big Data, die auf ihren entsprechenden eingebetteten Big-Data-Speichern M1–M6 gespeichert ist (z. B. einschließlich lokal erzeugter/empfangener Daten, lokal erzeugtem gelerntem Wissen und empfangenem, entfernt erzeugtem gelerntem Wissen), an den zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130 gesendet und/oder gestreamt werden. Zum Beispiel übertragen eine oder mehrere der Vorrichtungen 410a–410c, 420a, 430a und 430b mindestens einige ihrer entsprechenden gespeicherten Big-Data an einen oder mehrere zentralisierte Big-Data-Empfänger des Prozesssteuerungssystems 132 (z. B. unter Verwendung des Netzwerk-Backbones 105). In einigen Ausführungsformen schieben eine oder mehrere der Vorrichtungen 410a–410c, 420a, 430a und 430b in regelmäßigen Intervallen mindestens einige ihrer lokalen Big-Data an den zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130. In einigen Ausführungsformen stellen eine oder mehrere der Vorrichtungen 410a–410c, 420a, 430a und 430b zumindest einen Teil der lokalen Big Data in Reaktion auf eine Anfrage bereit (z. B. von dem zentralisierten Big-Data-Element des Prozesssteuerungssystems 108).In some embodiments, one or more of the devices cause 410a - 410c . 420a . 430a and 430b that some or all of their local big data, on their respective embedded big-data storage M 1 -M 6 is stored (eg, including locally generated / received data, locally generated learned knowledge, and received, remotely generated learned knowledge) to the centralized big data storage area of the process control system 130 be sent and / or streamed. For example, one or more of the devices transmit 410a - 410c . 420a . 430a and 430b at least some of their corresponding stored big data to one or more centralized big data receivers of the process control system 132 (for example, using the network backbone 105 ). In some embodiments, one or more of the devices slide 410a - 410c . 420a . 430a and 430b at least some of its local big data at regular intervals to the centralized big data storage area of the process control system 130 , In some embodiments, one or more of the devices 410a - 410c . 420a . 430a and 430b provide at least part of the local big data in response to a request (eg, from the centralized big-data element of the process control system 108 ).
Sobald sie auf dem zentralisierten Big-Data-Speicherbereich des Prozesssteuerungssystems 130 empfangen und gespeichert wurden, können ein oder mehrere zentralisierte Big-Data-Analyseelemente des Prozesssteuerungssystems 134 mit dem empfangenen gelernten Wissen arbeiten, um zusätzliches Wissen zu erzeugen und Beziehungen zwischen verschiedenen Einheiten und Providern innerhalb und außerhalb der Prozessanlage 10 zu bestimmen. In einigen Fällen verwendet das zentralisierte Big-Data-Element des Prozesssteuerungssystems 108 das Wissen und Beziehungen, die von den zentralisierten Big-Data-Analyseelementen des Prozesssteuerungssystems 134 erzeugt wurden, um einen oder mehrere Prozesse der Anlage 10 entsprechend zu steuern. In einem beispielhaften Szenario kontrollieren und erkennen zumindest einige der zentralisierten Datenanalyseelemente des Prozesssteuerungssystems 134 potenzielle Sicherheitsprobleme, die mit der Prozessanlage 10 in Verbindung stehen, zum Beispiele Zunahmen der Anmeldemuster, erneute Versuche und ihrer entsprechenden Standorte. In einem weiteren beispielhaften Szenario analysieren die zentralisierten Big-Data-Analyseelemente der Prozesssteuerung 134 Daten, die über die Prozessanlage 10 und eine oder mehrere andere Prozessanlagen hinweg angehäuft wurden. Auf diese Weise kann das zentralisierte Big-Data-Element des Prozesssteuerungssystems 108 es einem Unternehmen, das mehrere Prozessanlagen besitzt oder betreibt, gestatten, gelernte Diagnose- und/oder Prognoseinformationen zu einer Region, einer Branche oder einer unternehmensweiten Grundlage zusammenzutragen und zu teilen.Once on the centralized big data storage area of the process control system 130 received and stored, one or more centralized big-data analysis elements of the process control system 134 work with the received learned knowledge to generate additional knowledge and relationships between different entities and providers within and outside the process plant 10 to determine. In some cases, the centralized big data element of the process control system uses 108 the knowledge and relationships generated by the centralized big-data analysis elements of the process control system 134 were generated to one or more processes of the plant 10 to control accordingly. In an exemplary scenario, at least some of the centralized data analysis elements of the process control system control and detect 134 potential security issues with the process plant 10 For example, increases in log-in patterns, re-trials and their corresponding locations. In another example scenario, the centralized big data analysis elements analyze the process control 134 Data coming through the process plant 10 and one or more other process plants have been piled up. In this way, the centralized big-data element of the process control system 108 Allow a company that owns or operates multiple process plants to compile and share learned diagnostic and / or forecasting information about a region, industry, or company-wide foundation.
Demnach kann das Big-Data-Element 108 als verteilte Datenvorrichtung auf höchstem Niveau betrachtet werden, auf der gelerntes Wissen in der Prozessanlage 10 erzeugt werden kann. Natürlich kann in einigen Prozessanlagen das Big-Data-Element 108 gleichzeitig als andere verteilte Big-Data-Vorrichtung sowie als zentralisierte Big-Data-Vorrichtung gelten. Zum Beispiel handelt es sich unter Bezugnahme auf 2 bei dem Big-Data-Element 108 um eine von vielen verteilten Big-Data-Vorrichtungen 15, 18–20, 26, 42a, 42b, 58 und dient darüber hinaus als zentralisiertes Big-Data-Element 108 für zentralisierte Big-Data-Vorrichtungen 16, 21, 28, 44.Thus, the big data element 108 be considered as a distributed data device at the highest level, on the learned knowledge in the process plant 10 can be generated. Of course, in some process plants, the big data element 108 at the same time as another distributed big data device and as a centralized big data device. For example, referring to 2 at the big data element 108 one of many distributed big data devices 15 . 18 - 20 . 26 . 42a . 42b . 58 and also serves as a centralized big-data element 108 for centralized big data devices 16 . 21 . 28 . 44 ,
In 4 sind nur drei Ebenen oder Schichten von verteiltem Big-Data-Speicher und Lernen abgebildet. Die unter Bezugnahme auf 4 erörterten Techniken und Konzepte können jedoch auf eine beliebige Anzahl von Ebenen von verteiltem Big-Data-Speicher und Lernen angewendet werden, wobei jede Ebene eine beliebige Anzahl von verteilten Big-Data-Prozesssteuerungsvorrichtungen aufweist. Ferner können verteilte Big-Data-Knoten 110 gelerntes Wissen miteinander unter Verwendung des Big-Data-Netzwerks des Prozesssteuerungssystems 105 und/oder unter Verwendung eines anderen Kommunikationsnetzwerks und/oder sonstigen Protokolls wie beispielsweise HART, WirelessHART, Feldbus, DeviceNet, WiFi, Ethernet oder sonstigen Protokolls kommunizieren.In 4 only three levels or layers of distributed big data storage and learning are mapped. The referring to 4 However, techniques and concepts discussed may be applied to any number of levels of distributed big data storage and learning, each level having any number of distributed big data process control devices. Furthermore, distributed big data nodes 110 learned knowledge using the big data network of the process control system 105 and / or communicate using another communication network and / or other protocol such as HART, WirelessHART, Fieldbus, DeviceNet, WiFi, Ethernet or other protocol.
Natürlich können, auch wenn nivellierter oder geschichteter Big-Data-Speicher und Lernen in Bezug auf die verteilte Big-Data-Provider-Vorrichtung oder den -Knoten 110 erörtert wurden, die Konzepte und Techniken gleichermaßen für verteilte Big-Data-Benutzerschnittstellenvorrichtungen oder -knoten 112 und/oder für sonstige Typen von verteilten Big-Data-Vorrichtungen oder -Knoten 114 in Prozesssteuerungsanlagen und -systemen gelten. In einer Ausführungsform führt eine Teilmenge der Vorrichtungen oder verteilte Big-Data-Knoten 102 nivellierten oder geschichteten Big-Data-Speicher und Lernen durch, ohne einen Zwischenknoten zu verwenden.Of course, even if leveled or layered big data storage and learning may be in relation to the distributed big data provider device or node 110 The concepts and techniques have been discussed equally for distributed big data user interface devices or nodes 112 and / or for other types of distributed big data devices or nodes 114 in process control systems and systems. In one embodiment, a subset of the devices or distributed big data nodes 102 leveled or layered big data storage and learning without using an intermediate node.
5 stellt ein Flussdiagramm eines beispielhaften Verfahrens 500 zur Verwendung von verteilten Big-Data-Vorrichtungen in Prozessanlagen und Prozesssteuerungssystemen dar. Das Verfahren 500 kann zum Beispiel von der verteilten Big-Data-Vorrichtung 300 aus 3 zusammen mit den Techniken für nivelliertes oder geschichtetes Speichern und Lernen, die in 4 dargestellt sind, von einem der verteilten Big-Data-Providerknoten oder -vorrichtungen 110 aus 2 und/oder zusammen mit der Mehrzahl von verteilten Big-Data-Vorrichtungen oder -Knoten 102 des Big-Data-Netzwerks 100 aus 1 ausgeführt werden. In einer Ausführungsform wird das Verfahren 500 von einem Knoten des Big-Data-Netzwerks 100 aus 1 ausgeführt, das verteilte Big Data unterstützt. Zur besseren Verständlichkeit der Erörterung und nicht aus Gründen der Einschränkung ist das Verfahren 500 mit gleichzeitigem Bezug auf 1–4 beschrieben. 5 FIG. 3 illustrates a flowchart of an example method. FIG 500 for use of distributed Big Data devices in process plants and process control systems. The process 500 for example, from the distributed big-data device 300 out 3 together with the techniques for leveled or stratified saving and learning, which in 4 from one of the distributed big data provider nodes or devices 110 out 2 and / or along with the plurality of distributed big data devices or nodes 102 the big data network 100 out 1 be executed. In one embodiment, the method 500 from a node of big data network 100 out 1 running that supports distributed big data. For a better understanding of the discussion and not for purposes of limitation, the method is 500 with simultaneous reference to 1 - 4 described.
An einem Block 502 können Daten, die Prozesssteuerungsanlagen oder -Netzwerken entsprechend, gesammelt werden. Zum Beispiel werden Daten, die in Echtzeit aus dem Echtzeitbetrieb und der Steuerung eines Prozesses erzeugt wurde, der in einer Prozessanlage abläuft, von einer verteilten Big-Data-Vorrichtung DBD gesammelt. Die verteilte Big-Data-Vorrichtung kann kommunikativ mit einem Kommunikationsnetzwerk einer Prozessanlage oder eines Prozesssteuerungssystems gekoppelt sein, zum Beispiel über den Netzwerk-Backbone 105 des Big-Data-Netzwerks des Prozesssteuerungssystems 100. Bei der verteilten Big-Data-Vorrichtung kann es sich um eine Prozesssteuerungsvorrichtung handeln, die so arbeitet, dass sie einen Prozess in der Prozessanlage in Echtzeit steuert, zum Beispiel eine Feldvorrichtung, eine Prozesssteuerung, eine E/A-Vorrichtung; eine Gateway-Vorrichtung; einen Zugriffspunkt; eine Routing-Vorrichtung; eine Netzwerkverwaltungsvorrichtung; eine Benutzerschnittstellenvorrichtung; eine Datenhistorisierungsvorrichtung; oder irgendeine andere verteilte Big-Data-Vorrichtung, die mit der Prozessanlage oder mit dem Prozess in der Prozessanlage in Verbindung steht (z. B. beliebige der in 2 dargestellten DBD-Vorrichtungen oder sonstiger verteilte Big-Data-Vorrichtungen). Die an der verteilten Big-Data-Vorrichtung gesammelten Daten können Messdaten, Ereignisdaten, Chargendaten, berechnete Daten, Konfigurationsdaten und/oder kontinuierliche Daten umfassen. Im Allgemeinen umfassen die gesammelten Daten typischerweise alle Datentypen, die von der Vorrichtung erzeugt werden, erstellt werden, an dieser empfangen werden oder anderweitig von dieser beobachtet werden. Zum Beispiel sammelt die verteilte Big-Data-Vorrichtung Daten mit entsprechenden Geschwindigkeiten, mit denen die Daten beobachtet werden, und/oder die verteilte Big-Data-Vorrichtung sammelt alle Daten, die von der Vorrichtung beobachtet werden. Die Daten können ohne Identifizierung dessen gesammelt werden, dass die Daten a priori in einer Konfiguration der Vorrichtung enthalten sind. Ferner können die Daten auf der Vorrichtung mit einer Geschwindigkeit der Erzeugung durch die Vorrichtung, einer Geschwindigkeit der Erstellung durch die Vorrichtung oder mit einer Geschwindigkeit des Empfangs an der Vorrichtung gesammelt werden, auch hier ohne zu erfordern, dass die Geschwindigkeit a priori in der Konfiguration der Vorrichtung enthalten ist.At a block 502 can be collected according to process control systems or networks. For example, data generated in real time from real time operation and control of a process running in a process plant is collected from a distributed big data device DBD. The distributed big data device may be communicatively coupled to a communication network of a process plant or process control system, for example via the network backbone 105 the big data network of the process control system 100 , The distributed big data device may be a process control device that operates to control a process in the process plant in real time, for example, a field device, a process controller, an I / O device; a gateway device; an access point; a routing device; a network management device; a user interface device; a data history device; or any other distributed big-data device associated with the process plant or with the process plant process (e.g., any of the in-process 2 illustrated DBD devices or other distributed Big Data devices). The data collected at the distributed big data device may include measurement data, event data, batch data, calculated data, configuration data, and / or continuous data. In general, the collected data typically includes all data types generated, created, received at, or otherwise observed by the device. For example, the distributed big data device collects data at appropriate rates at which the data is being watched, and / or the distributed big data device collects all the data being watched by the device. The data may be collected without identifying that the data is contained a priori in a configuration of the device. Further, the data may be collected on the device at a rate of generation by the device, a speed of creation by the device, or a speed of reception at the device, again without requiring that the velocity be a priori in the configuration of the device Device is included.
In einer Ausführungsform können die an der verteilten Big-Data-Vorrichtung gesammelten Daten gestreamte Daten von anderen verteilten Big-Data-Vorrichtungen oder solche, die von der verteilten Big-Data-Vorrichtung selbst beobachtet werden, enthalten. In einigen Ausführungsformen kann die verteilte Big-Data-Vorrichtung verursachen, dass zumindest ein Teil der gesammelten Daten an den Block 502 übertragen oder gestreamt werden kann. Zum Beispiel werden die gesammelten Daten unmittelbar von der verteilten Big-Data-Vorrichtung gestreamt, um an dem verteilten Big-Data-Element 108 historisiert zu werden.In one embodiment, the data collected at the distributed big data device may include streamed data from other distributed big data devices or those observed by the distributed big data device itself. In some embodiments, the distributed big data device may cause at least a portion of the collected data to be written to the block 502 can be transmitted or streamed. For example, the collected data is streamed directly from the distributed big data device to the distributed big data element 108 to be historicized.
An einem Block 504 können die gesammelten Daten in einer eingebetteten Big-Data-Einrichtung auf der verteilten Big-Data-Vorrichtung, zum Beispiel der eingebetteten Big-Data-Einrichtung 116, gespeichert werden. Zum Beispiel sind die Daten und ihr entsprechender Zeitstempel als Eintrag in einem eingebetteten Big-Data-Speicher der eingebetteten Big-Data-Einrichtung gespeichert. In Ausführungsformen, in denen verschiedene Datenwerte im Laufe der Zeit erhalten werden (Block 502), wird jeder Wert zusammen mit seinem entsprechenden Zeitstempel in demselben Eintrag oder in einem anderen Eintrag des eingebetteten Big-Data-Speichers gespeichert.At a block 504 The collected data can be stored in an embedded Big Data facility on the Big Data distributed device, such as the embedded Big Data facility 116 , get saved. For example, the data and its corresponding timestamp are stored as an entry in an embedded big data store of the embedded big data facility. In embodiments in which various data values are obtained over time (block 502 ), each value, along with its corresponding timestamp, is stored in the same entry or in another entry of the embedded Big Data memory.
An einem Block 506 werden eine oder mehrere Lernanalysen an mindestens einem Teil der gespeicherten Daten durchgeführt, z. B. um neues Wissen, aussagekräftige Beziehungen, Muster, Korrelationen, Tendenzen usw. zu lernen, vorherzusagen oder zu entdecken. Die eine oder die mehreren Lernanalysen (z. B. wie sie von einem oder mehreren der eingebetteten Datenanalyseelementen 124 durchgeführt werden) können eine beliebige Anzahl von Data-Discovery- und/oder Lernalgorithmen und Techniken, wie zuvor beschrieben, umfassen z. B. eine Partial-Least-Square-Analyse, ein Random Forest, eine Mustererkennung, eine Vorhersageanalyse, eine Korrelationsanalyse, eine Hauptkomponentenanalyse, eine Maschinenlernanalyse, Data-Mining, Data-Discovery oder sonstige Techniken. In einem Beispiel analysiert das eingebettete Big-Data-Element 116 zumindest einige der gespeicherten Daten, um Datenmuster zu extrahieren, die anschließend evaluiert werden, um interessierende Muster zu entdecken, die Wissen auf Grundlage von Interessantheitsmessungen darstellen. In einigen Fällen bestimmt das eingebettete Big-Data-Element 116, welche Lernanalyse oder -analysen zu verwenden ist/sind, und bestimmt, welche Teile (oder in einigen Fällen alle) der gespeicherten Daten auf welcher der Lernanalyse oder -analysen betrieben werden soll(en). Zum Beispiel umfasst das Bestimmen der Lernanalyse eine Auswahl oder eine Ableitung der Lernanalyse. Als solche kann die Auswahl oder Ableitung der Lernanalyse auf eine oder mehreren Eigenschaften zumindest eines Teils der gespeicherten Daten basieren, z. B. auf dem entsprechenden Zeitstempel, der den gespeicherten Daten zugeordnet ist, auf den Offset-Werten oder sonstigen Messungen, die in den gespeicherten Daten vorhanden sind, auf dem Typ Feldvorrichtung, aus dem die gespeicherten Daten stammten, auf bestimmten identifizierten Clustern in den gespeicherten Daten usw.At a block 506 One or more learning analyzes are performed on at least a portion of the stored data, e.g. For example, to learn, predict or discover new knowledge, meaningful relationships, patterns, correlations, tendencies, and the like. The one or more learning analyzes (eg as derived from one or more of the embedded data analysis elements 124 may be any number of data discovery and / or learning algorithms and techniques as described above, e.g. For example, a partial least squares analysis, a random forest, a pattern recognition, a prediction analysis, a correlation analysis, a principal component analysis, a machine learning analysis, data mining, data discovery or other techniques. In an example, the embedded big data element analyzes 116 at least some of the stored data to extract data patterns that are subsequently evaluated to discover patterns of interest representing knowledge based on interestingness measurements. In some cases, the embedded Big Data element determines 116 which learning analysis or analysis to use, and determines what parts (or in some cases all) of the stored data should be run on which of the learning analysis or analysis (s). For example, determining the learning analysis involves selecting or deriving the learning analysis. As such, the selection or derivation of the learning analysis may be based on one or more characteristics of at least a portion of the stored data, e.g. On the corresponding time stamp associated with the stored data, on the offset values or other measurements included in the stored data on the type of field device from which the stored data originated, on certain identified clusters in the stored data, etc.
An einem Block 508 wird gelerntes Wissen, das auf ein Ergebnis der Lernanalyse hinweist, erstellt oder erzeugt, z. B. durch das eingebettete Big-Data-Element 116. Zum Beispiel umfasst erstelltes oder erzeugtes gelerntes Wissen gelernte Daten und/oder eine oder mehrere gelernte Anwendungen, Funktionen, Routinen, Dienste oder Modifikationen daran. Das gelernte Wissen kann neue Informationen (z. B. zu der Vorrichtung, die das Verfahren 500 ausführt, zu sonstigen verteilten Big-Data-Vorrichtungen und /oder zu dem zentralisierten Big-Data-Element des Prozesssteuerungssystems 108) bereitstellen, die für eine Vielzahl von Vorhersage-, Modellierungs-, Diagnose- und/oder Problemlösungszwecken nützlich ist. Typischerweise, doch nicht zwingend, wird das gelernte Wissen lokal in dem eingebetteten Big-Data-Speicher 120 der eingebetteten Big-Data-Einrichtung 116 gespeichert oder zu dieser hinzugefügt.At a block 508 learned knowledge that indicates a result of the learning analysis is created or generated, e.g. By the embedded Big Data element 116 , For example, created or generated learned knowledge includes learned data and / or one or more learned applications, functions, routines, services, or modifications thereto. The learned knowledge may provide new information (eg about the device that the procedure 500 to other distributed big data devices and / or to the centralized big data element of the process control system 108 ), which is useful for a variety of predictive, modeling, diagnostic, and / or problem-solving purposes. Typically, though not necessarily, the learned knowledge becomes local in the embedded big data memory 120 the embedded Big Data facility 116 saved or added to this.
An einem Block 510 umfasst das Verfahren 500 auf Grundlage des gelernten Wissens (Block 505) das Modifizieren eines Betriebs einer verteilten Big-Data-Vorrichtung, die in Echtzeit zumindest einen Teil des Prozesses in der Prozessanlage steuert. Zum Beispiel könnte gelerntes Wissen zu einer Erstellung einer neuen Diagnose führen, die im Anschluss von der Vorrichtung durchgeführt wird, oder eine Erstellung eines neuen Prozessmodells, das in der Vorrichtung implementiert wird. Zusätzlich oder alternativ umfasst das Verfahren das Verursachen, dass zumindest einiges des gelernten Wissens an eine andere verteilte Big-Data-Vorrichtung DBD und/oder an das zentralisierte Big-Data-Element 108 übertragen wird, z. B. damit die verteilte Big-Data-Empfängervorrichtung sie in ihren entsprechenden Lernanalysen verwenden kann. In einigen Ausführungsformen ist nur einer der Blöcke 510 oder 512 in dem Verfahren 500 enthalten. In weiteren Ausführungsformen werden die Blöcke 510 und 512 nacheinander ausgeführt, sodass die verteilte Big-Data-Vorrichtung zuerst ihren Betrieb auf Grundlage des gelernten Wissens (Block 510) modifiziert und im Anschluss das gelernte Wissen an andere Big-Data-Vorrichtungen (Block 512) überträgt oder umgekehrt. In wieder anderen Ausführungsformen des Verfahrens 500 werden die Blöcke 510 und 512 parallel ausgeführt.At a block 510 includes the method 500 based on learned knowledge (block 505 ) modifying an operation of a distributed big data device that controls in real time at least a portion of the process in the process plant. For example, learned knowledge may lead to the creation of a new diagnosis, which is subsequently performed by the device, or a creation of a new process model implemented in the device. Additionally or alternatively, the method includes causing at least some of the learned knowledge to be distributed to another distributed big data device DBD and / or to the centralized big data element 108 is transmitted, for. In order for the distributed big data receiver device to use them in their respective learning analyzes. In some embodiments, only one of the blocks is 510 or 512 in the process 500 contain. In further embodiments, the blocks 510 and 512 run sequentially so that the distributed big data device first operates on the basis of the learned knowledge (Block 510 ) and then the learned knowledge to other Big Data devices (Block 512 ) or vice versa. In yet other embodiments of the method 500 become the blocks 510 and 512 executed in parallel.
Das Verfahren 500 umfasst gegebenenfalls das Empfangen von zusätzlichem gelerntem Wissen (Block 514) von anderen verteilten Big-Data-Vorrichtungen DBD in der Prozessanlage und/oder von dem zentralisierten Big-Data-Element 108. Die verteilte Big-Data-Vorrichtung kann (Block 504) das empfangene gelernte Wissen speichern (z. B. in seinem eingebetteten Speicher 120) und eine oder mehrere anschließende Lernanalysen (Block 506) zu dem zusätzlichen gelernten Wissen und zumindest einem Teil der gespeicherten Daten durchführen. Auf Grundlage der Ausgaben der anschließenden Lernanalyse oder -analysen kann zusätzliches gelerntes Wissen erstellt, erzeugt (Block 508) und gegebenenfalls auf der verteilten Big-Data-Vorrichtung gespeichert werden. In einigen Situationen werden auf Grundlage des neu erzeugten gelernten Wissens eine oder mehrere Betriebe der verteilten Datenvorrichtung modifiziert (Block 510) und/oder zumindest einiges des neu gelernten Wissens an eine oder mehrere Big-Data-Vorrichtungen (Block 512) oder -Anwendungen übertragen.The procedure 500 optionally includes receiving additional learned knowledge (block 514 ) from other distributed big data devices DBD in the process plant and / or from the centralized big data element 108 , The distributed big-data device can (block 504 ) store the received learned knowledge (eg in its embedded memory 120 ) and one or more subsequent learning analyzes (Block 506 ) to the additional learned knowledge and at least part of the stored data. Based on the outputs of the subsequent learning analysis or analysis, additional learned knowledge can be created, generated (Block 508 ) and optionally stored on the distributed big data device. In some situations, one or more distributed data device operations are modified based on the newly generated learned knowledge (Block 510 ) and / or at least some of the newly learned knowledge to one or more Big Data devices (Block 512 ) or applications.
Ausführungsformen der in der vorliegenden Offenbarung beschriebenen Techniken können eine beliebige Anzahl der folgenden Aspekte, entweder allein oder in Kombination, umfassen:
- 1. Prozesssteuerungsvorrichtung zum Unterstützen verteilter Big Data in einer Prozessanlage, wobei die Prozesssteuerungsvorrichtung einen Prozessor und ein oder mehrere greifbare, nichtflüchtige, computerlesbare Speichermedien umfasst, auf denen eine Gruppe computerausführbarer Anweisungen gespeichert ist, die, wenn sie von dem Prozessor ausgeführt werden, verursachen, dass die Prozesssteuerungsvorrichtung so abläuft, dass sie in Echtzeit zumindest einen Teil eines Prozesses steuert, der von der Prozessanlage durch mindestens eines der Folgenden ausgeführt wird: Erzeugen von Prozessdaten, die zur Steuerung zumindest des Teils des Prozesses verwendet werden, oder Arbeiten mit empfangenen Prozessdaten, um zumindest den Teil des Prozesses zu steuern. An sich handelt es sich bei den erzeugten Prozessdaten und den empfangenen Prozessdaten um Prozessdaten, die aus Echtzeitsteuerung des Prozesses erzeugt werden können. Die Prozesssteuerungsvorrichtung umfasst ferner einen Hinweis zu einem Prozesssteuerungsvorrichtungstyp, wobei der Typ einer von einer Feldvorrichtung, einer Steuerung oder einer Eingabe/Ausgabe(E/A)-Vorrichtung entspricht, die zwischen der Feldvorrichtung und der Steuerung angeordnet und damit verbunden ist. Des Weiteren umfasst die Prozesssteuerungsvorrichtung eine eingebettete Big-Data-Einrichtung, die konfiguriert ist, die erzeugten Prozessdaten und die empfangenen Prozessdaten zu speichern, eine Lernanalyse zu zumindest einem Teil der gespeicherten Prozessdaten durchzuführen, gelerntes Wissen auf Grundlage eines Ergebnisses der Lernanalyse zu erstellen und zu verursachen, dass das gelernte Wissen an eine andere Prozesssteuerungsvorrichtung in der Prozessanlage übertragen wird.
- 2. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei die gespeicherten Prozessdaten mehrere Datentypen umfassen und wobei eine Gruppe von Typen der gespeicherten Prozessdaten kontinuierliche Daten, Ereignisdaten, Messdaten, Chargendaten, berechnete Daten und Konfigurationsdaten umfasst, die der Steuerung des von der Prozessanlage ausgeführten Prozesses entsprechen.
- 3. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei die eingebettete Big-Data-Einrichtung ferner konfiguriert ist, die Lernanalyse auf Grundlage der gespeicherten Prozessdaten zu bestimmen, und wobei die Bestimmung der Lernanalyse mindestens eine von einer Auswahl oder einer Ableitung der Lernanalyse ist.
- 4. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei die Lernanalyse mindestens eines von einer Partial-Least-Square-Regressionsanalyse, Random Forest, Mustererkennung, einer Vorhersageanalyse, einer Korrelationsanalyse, einer Hauptkomponentenanalyse, Data-Mining oder Data-Discovery ist.
- 5. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei die eingebettete Big-Data-Einrichtung ferner konfiguriert ist, einen anderen Datenanalysealgorithmus von einer anderen Big-Data-Vorrichtung zu empfangen und den anderen Datenanalysealgorithmus auszuführen.
- 6. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei eines der Folgenden gilt: bei der anderen Big-Data-Vorrichtung handelt es sich um eine von einer anderen verteilten Datenvorrichtung oder einer zentralisierten Big-Data-Vorrichtung der Prozessanlage; oder die andere Datenanalyse umfasst mindestens eines von einem R-Skript, einem Python-Skript oder einem Matlab-Skript.
- 7. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei die Prozesssteuerungsvorrichtung ferner konfiguriert ist, auf Grundlage des gelernten Wissens einen Betrieb der Prozesssteuerungsvorrichtung zur Steuerung des von der Prozessanlage ausgeführten Prozesses zu modifizieren und zu verursachen, dass ein Hinweis auf die Modifikation an die andere Prozesssteuerungsvorrichtung zusammen mit dem gelernten Wissen übertragen wird.
- 8. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei es sich bei der Modifikation um ein aktualisiertes Prozessmodell handelt.
- 9. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, ferner umfassend eine oder mehrere Schnittstellen, die die Prozesssteuerungsvorrichtung mit mindestens einem von einem verdrahteten Kommunikationsnetzwerk oder einem drahtlosen Kommunikationsnetzwerk verbindet.
- 10. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei die eine oder mehreren Schnittstellen Folgendes umfassen: eine erste Schnittstelle, die mit einem ersten Kommunikationsnetzwerk, über die das gelernte Wissen an die andere Prozesssteuerungsvorrichtung übertragen wird, gekoppelt ist, und eine zweite Schnittstelle, die mit einem zweiten Kommunikationsnetzwerk, das sich von dem ersten Kommunikationsnetzwerk unterscheidet, gekoppelt ist, wobei die zweite Schnittstelle von der Prozesssteuerungsvorrichtung zu mindestens einem von dem Übertragen der erzeugten Prozessdaten oder dem Empfangen der empfangenen Prozessdaten verwendet wird.
- 11. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei es sich bei dem gelernten Wissen um erstes gelerntes Wissen handelt, bei der Lernanalyse um eine erste Lernanalyse handelt und bei der anderen Prozesssteuerungsvorrichtung um eine erste andere Prozesssteuerungsvorrichtung handelt; und wobei die eingebettete Big-Data-Einrichtung ferner konfiguriert ist: zweites gelerntes Wissen, das von der ersten anderen
- Prozesssteuerungsvorrichtung erstellt oder von einer zweiten anderen Prozesssteuerungsvorrichtung erstellt wurde, zu empfangen und mindestens eines der Folgenden: (i) auf Grundlage des empfangenen zweiten gelernten Wissens einen Betrieb der Prozesssteuerungsvorrichtung zur Steuerung des Prozesses in Echtzeit zu modifizieren, oder (2) eine zweite Lernanalyse zu zumindest einigen der gespeicherten Prozessdaten und dem empfangenen zweiten gelernten Wissen durchzuführen.
- 12. Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte, wobei das gelernte Wissen mindestens eines von zusätzlichen Daten umfasst, die der Prozesssteuerungsvorrichtung zuvor unbekannt waren, einer Anwendung, einem Dienst, einer Routine oder einer Funktion.
- 13. Verfahren zur Unterstützung verteilter Big Data unter Verwendung einer Vorrichtung nach null oder mehr der vorstehenden Aspekte, wobei die Vorrichtung kommunikativ mit einem Kommunikationsnetzwerk einer Prozessanlage gekoppelt ist und die Vorrichtung so arbeitet, dass sie einen Prozess in der Prozessanlage in Echtzeit steuert. Das Verfahren umfasst das Sammeln von Daten auf der Vorrichtung, wobei die gesammelten Daten mindestens eines der Folgenden umfassen: (i) Daten, die von der Vorrichtung erzeugt werden, (ii) Daten, die von der Vorrichtung erstellt werden oder (iii) Daten, die auf der Vorrichtung empfangen werden. Die erstellten Daten sind im Allgemeinen ein Ergebnis der Steuerung des Prozesses in Echtzeit und ein Vorrichtungstyp ist in einer Gruppe von Vorrichtungstypen enthalten, die eine Feldvorrichtung, eine Steuerung und eine Eingabe/Ausgabe(E/A)-Vorrichtung umfasst. Das Verfahren umfasst ferner das Speichern der gesammelten Daten in einer eingebetteten Big-Data-Einrichtung der Vorrichtung und das Durchführen einer Lernanalyse zu zumindest einem Teil der gespeicherten Daten durch die eingebettete Big-Data-Einrichtung der Vorrichtung. Darüber hinaus umfasst das Verfahren das Erzeugen von gelerntem Wissen, das auf ein Ergebnis der Lernanalyse hinweist, und das Modifizieren eines Vorgangs der Vorrichtung zur Steuerung des Prozesses in Echtzeit auf Grundlage des gelernten Wissens.
- 14. Verfahren nach einem der vorstehenden Aspekte, wobei das Sammeln der Daten auf der Vorrichtung mindestens eines der Folgenden umfasst: Sammeln aller Daten, die von der Vorrichtung erzeugt werden, Sammeln aller Daten, die von der Vorrichtung erstellt werden oder Sammeln aller Daten, die auf der Vorrichtung empfangen werden.
- 15. Verfahren nach einem der vorstehenden Aspekte, wobei das Sammeln der Daten auf der Vorrichtung mindestens eines der Folgenden umfasst: Sammeln von Daten, die von der Vorrichtung erzeugt werden, in einer Erzeugungsgeschwindigkeit, Sammeln aller Daten, die von der Vorrichtung erstellt werden, in einer Erstellungsgeschwindigkeit oder Sammeln aller Daten, die auf der Vorrichtung empfangen werden, in einer Empfangsgeschwindigkeit.
- 16. Verfahren nach einem der vorstehenden Aspekte, wobei das Sammeln der Daten auf der Vorrichtung das Sammeln zumindest eines Datentyps umfasst, der in einer Gruppe von Datentypen enthalten ist, die kontinuierliche Daten, Ereignisdaten, Messdaten, Chargendaten, berechnete Daten und Konfigurationsdaten umfassen.
- 17. Verfahren nach einem der vorstehenden Aspekte, wobei es sich bei der Vorrichtung um eine erste Vorrichtung, dem gelernten Wissen um ein erstes gelerntes Wissen und dem Betrieb der Vorrichtung um einen ersten Betrieb handelt; und das Verfahren ferner Folgendes umfasst: Empfangen von zweitem gelerntem Wissen, das durch eine zweite Vorrichtung erzeugt wurde, an der ersten Vorrichtung; Durchführen einer weiteren Lernanalyse zu dem zweiten gelernten Wissen und zumindest einigen der gespeicherten Daten durch die eingebettete Big-Data-Einrichtung der ersten Vorrichtung; Erzeugen von weiterem gelerntem Wissen, das auf ein Ergebnis der Analyse des weiteren Lernens hinweist, durch die eingebettete Big-Data-Einrichtung der ersten Vorrichtung; und Modifizieren des ersten Betriebs oder eines zweiten Betriebs der Vorrichtung, um den Prozess auf Grundlage des weiteren gelernten Wissens in Echtzeit zu steuern.
- 18. Verfahren nach einem der vorstehenden Aspekte, wobei das Empfangen des zweiten gelernten Wissens, das durch die zweite Vorrichtung erzeugt wird, das Empfangen des zweiten gelernten Wissens umfasst, das von einer anderen Vorrichtung erzeugt wird, bei der es sich um eine der Folgenden handelt: eine Feldvorrichtung, eine Steuerung, eine E/A-Vorrichtung, eine Benutzerschnittstellenvorrichtung; eine Gateway-Vorrichtung, einen Zugriffspunkt, eine Routing-Vorrichtung, eine Historienspeichervorrichtung oder eine Netzwerkverwaltungsvorrichtung.
- 19. Verfahren nach einem der vorstehenden Aspekte, ferner umfassend das Verursachen, dass das gelernte Wissen an eine andere Vorrichtung übertragen wird, wobei ein Vorrichtungstyp der anderen Vorrichtung in der Gruppe von Vorrichtungstypen enthalten ist.
- 20. Verfahren nach einem der vorstehenden Aspekte, wobei das Erzeugen des gelernten Wissens das Erzeugen von mindestens einem der Folgenden umfasst: zusätzlicher Daten, die der Vorrichtung zuvor unbekannt waren, einer neuen oder modifizierten Anwendung, einer neuen oder modifizierten Funktion, einer neuen oder modifizierten Routine oder einem neuen oder modifizierten Dienst.
- 21. Verfahren nach einem der vorstehenden Aspekte, wobei das Durchführen der Lernanalyse das Durchführen von mindestens einer von einer Maschinenlernanalyse, einer Vorhersageanalyse, Data-Mining oder Data-Discovery umfasst.
- 22. System zum Unterstützen verteilter Daten in einer Prozessanlage, umfassend: ein Kommunikationsnetzwerk, das eine Mehrzahl von Knoten aufweist, von denen mindestens einer eine Prozesssteuerungsvorrichtung ist, die so arbeitet, dass sie in Echtzeit einen Prozess steuert, der in der Prozessanlage abläuft, und wobei jeder aus der Mehrzahl von Knoten konfiguriert ist: die in Echtzeit infolge der Steuerung des Prozesses, der in der Prozessanlage abläuft, erzeugten Daten zu sammeln; die gesammelten Daten auf einer entsprechenden eingebetteten Big-Data-Einrichtung, die in jedem aus der Mehrzahl von Knoten enthalten ist, lokal zu sammeln; und unter Verwendung der entsprechenden eingebetteten Big-Data-Einrichtung, die in jedem aus der Mehrzahl von Knoten enthalten ist, eine entsprechende Lernanalyse zu zumindest einem Teil der lokal gespeicherten Daten durchzuführen. Ein erster Knoten, der in der Mehrzahl von Knoten enthalten ist, ist konfiguriert, zu verursachen, dass gelernte Software, die auf ein Ergebnis einer Durchführung der entsprechenden Lernanalyse hinweist, an einen zweiten Knoten übertragen wird, der in der Mehrzahl von Knoten zur Verwendung in einer oder mehreren von dem zweiten Knoten durchgeführten Lernanalysen enthalten ist. Das System ist ferner konfiguriert, das Verfahren nach beliebigen null oder mehreren der vorstehenden Aspekte durchzuführen, und es kann eine Prozesssteuerungsvorrichtung nach einem der vorstehenden Aspekte umfassen.
- 23. Verfahren nach einem der vorstehenden Aspekte, wobei: es sich bei der Prozesssteuerungsvorrichtung um eine Steuerung handelt, die konfiguriert ist, eine Gruppe von Eingaben zu empfangen und auf Grundlage der Gruppe von Eingaben einen Wert einer Ausgabe zu bestimmen. Die Steuerung ist ferner konfiguriert, zu verursachen, dass die Ausgabe an eine Feldvorrichtung zur Steuerung des von der Prozessanlage ausgeführten Prozesses übertragen wird, und die Feldvorrichtung ist konfiguriert, eine physikalische Funktion auf Grundlage der Ausgabe aus der Steuerung durchzuführen, um den von der Prozessanlage ausgeführten Prozess zu steuern.
- 24. System nach einem der vorstehenden Aspekte, wobei es sich bei dem Kommunikationsnetzwerk um ein erstes Kommunikationsnetzwerk handelt und wobei die Steuerung zu mindestens einem der Folgenden konfiguriert ist: mindestens eine Eingabe aus der Gruppe von Eingaben an einer Schnittstelle zu einem zweiten Kommunikationsnetzwerk zu empfangen oder zu verursachen, dass die Ausgabe über die Schnittstelle zu dem zweiten Kommunikationsnetzwerk an die Feldvorrichtung übertragen wird.
- 25. System nach einem der vorstehenden Aspekte, wobei das gelernte Wissen mindestens eines von einer Anwendung, einer Funktion, einem Dienst oder einer Routine umfasst.
- 26. System nach einem der vorstehenden Aspekte, wobei das Ergebnis der Durchführung der entsprechenden Lernanalyse eine Vorhersage auf Grundlage von Eigenschaften zumindest des Teils der lokal gespeicherten Daten umfasst.
- 27. System nach einem der vorstehenden Aspekte, wobei das Ergebnis der Durchführung der entsprechenden Lernanalyse zusätzliche Daten umfasst, die dem ersten Knoten zuvor unbekannt waren.
- 28. System nach einem der vorstehenden Aspekte, wobei es sich bei dem gelernten Wissen um erstes gelerntes Wissen handelt und wobei der zweite Knoten konfiguriert ist: das erste gelernte Wissen aus dem ersten Knoten zu empfangen; durch eine entsprechend eingebettete Big-Data-Einrichtung, die in dem zweiten Knoten enthalten ist, eine oder mehrere Lernanalysen zu dem ersten gelernten Wissen und zumindest einem Teil lokal gesammelter und gespeicherter Daten an dem zweiten Knoten durchzuführen; zweites gelerntes Wissen aus der/den durchgeführten einen oder den mehreren Lernanalysen zu erzeugen und mindestens eines der Folgenden: auf der entsprechenden eingebetteten Big-Data-Einrichtung des zweiten Knotens das zweite gelernte Wissen zu speichern; einen Betrieb des zweiten Knotens zur Steuerung des Prozesses auf Grundlage des zweiten gelernten Wissens zu modifizieren; oder zu verursachen, dass das zweite gelernte Wissen an einen dritten Knoten aus der Mehrzahl von Knoten übertragen wird.
- 29. Verfahren nach einem der vorstehenden Aspekte, wobei der dritte Knoten konfiguriert ist: das zweite gelernte Wissen aus dem zweiten Knoten aufzunehmen; durch eine entsprechend eingebettete Big-Data-Einrichtung des dritten Knotens eine oder mehrere Lernanalysen zu dem zweiten gelernten Wissen und zumindest einem Teil lokal gesammelter und gespeicherter Daten an dem dritten Knoten durchzuführen; drittes gelerntes Wissen aus der/den durchgeführten einen oder mehreren Lernanalysen zu erzeugen und mindestens einem der Folgenden: auf der entsprechenden eingebetteten Big-Data-Einrichtung des dritten Knotens das dritte gelernte Wissen zu speichern; einen Betrieb des dritten Knotens zur Steuerung des Prozesses auf Grundlage des dritten gelernten Wissens zu modifizieren; oder zu verursachen, dass das dritte gelernte Wissen an einen vierten Knoten aus der Mehrzahl von Knoten übertragen wird.
- 30. System nach einem der vorstehenden Aspekte, wobei die Mehrzahl von Knoten mindestens zwei Vorrichtungen aus einer Gruppe von Vorrichtungen umfasst, die Folgendes umfasst: eine Steuerung, die konfiguriert ist, eine Gruppe von Eingaben zu empfangen, auf Grundlage der Gruppe von Eingaben einen Wert einer Ausgabe zu bestimmen und zu verursachen, dass die Ausgabe an eine erste Feldvorrichtung übertragen wird, um den von der Prozessanlage ausgeführten Prozess zu steuern; eine Feldvorrichtung, die konfiguriert ist, eine physikalische Funktion auf Grundlage der Ausgabe der Steuerung zur Steuerung des Prozesses durchzuführen; eine Eingabe/Ausgabe(E/A)-Vorrichtung, die eine Schnittstelle zu der Steuerung und eine Schnittstelle zu mindestens einer Feldvorrichtung aufwiest; eine Benutzerschnittstellenvorrichtung; eine Gateway-Vorrichtung; einen Zugriffspunkt; eine Routing-Vorrichtung; eine Historienspeichervorrichtung; und eine Netzwerkverwaltungsvorrichtung.
Embodiments of the techniques described in the present disclosure may include any number of the following aspects, either alone or in combination: - A process control device for supporting distributed big data in a process plant, the process control device including a processor and one or more tangible, non-transitory, computer-readable storage media storing a set of computer-executable instructions that cause, when executed by the processor, that the process control device is operative to control, in real time, at least a portion of a process performed by the process plant through at least one of: generating process data used to control at least the portion of the process, or working with received process data; to control at least the part of the process. By itself, the generated process data and the received process data are process data that can be generated from real-time control of the process. The process control device further includes an indication of a process control device type, the type corresponding to one of a field device, a controller, or an input / output (I / O) device disposed between and connected to the field device and the controller. Furthermore, the process control device includes an embedded big data device configured to store the generated process data and the received process data, to perform a learning analysis on at least a part of the stored process data, to create and acquire learned knowledge based on a result of the learning analysis cause the learned knowledge to be transferred to another process control device in the process plant.
- 2. The process control device of claim 1, wherein the stored process data comprises a plurality of data types, and wherein a group of types of stored process data includes continuous data, event data, measurement data, batch data, computed data, and configuration data corresponding to control of the process executed by the process plant ,
- 3. The process control device of claim 1, wherein the embedded big-data device is further configured to determine the learning analysis based on the stored process data, and wherein the determination of the learning analysis is at least one of a selection or derivation of the learning analysis.
- 4. The process control device of any preceding aspect, wherein the learning analysis is at least one of a partial least squares regression analysis, random forest, pattern recognition, prediction analysis, correlation analysis, principal component analysis, data mining, or data discovery.
- 5. The process control device of one of the preceding aspects, wherein the embedded big data device is further configured to receive another data analysis algorithm from another big data device and execute the other data analysis algorithm.
- 6. The process control device according to one of the preceding aspects, wherein one of the following applies: the other big data device is a distributed data device or a centralized big data device of the process plant; or the other data analysis includes at least one of an R script, a Python script, or a Matlab script.
- 7. The process control device of claim 1, wherein the process control device is further configured to modify, based on the learned knowledge, an operation of the process control device to control the process executed by the process plant, and to cause an indication of the modification to the other process control device transmitted with the learned knowledge.
- 8. Process control device according to one of the preceding aspects, wherein the modification is an updated process model.
- 9. The process control device of one of the preceding aspects, further comprising one or more interfaces connecting the process control device to at least one of a wired communication network or a wireless communication network.
- 10. The process control device of one of the preceding aspects, wherein the one or more interfaces include: a first interface coupled to a first communication network through which the learned knowledge is transmitted to the other process control device, and a second interface coupled to a second communication network different from the first communication network, wherein the second interface is used by the process control device for at least one of transmitting the generated process data or receiving the received process data.
- 11. The process control device according to one of the preceding aspects, wherein the learned knowledge is first learned knowledge, the learning analysis is a first learning analysis, and the other process control device is a first other process control device; and wherein the embedded big data device is further configured to: second learned knowledge from the first other
- Process control device created or received by a second other process control device, and at least one of the following: (i) modify, in real time, based on the received second learned knowledge, an operation of the process control device to control the process, or (2) add a second learning analysis perform at least some of the stored process data and the received second learned knowledge.
- 12. The process control device of one of the preceding aspects, wherein the learned knowledge comprises at least one of additional data previously unknown to the process control device, an application, a service, a routine, or a function.
- 13. A method of supporting distributed big data using a device of zero or more of the above aspects, wherein the device is communicatively coupled to a communication network of a process plant and the device operates to control a process in the process plant in real time. The method comprises collecting data on the device, the collected data including at least one of: (i) data generated by the device, (ii) data created by the device, or (iii) data, which are received on the device. The data created is generally a result of real-time control of the process and one type of device is in one Group of device types, which includes a field device, a controller and an input / output (I / O) device. The method further includes storing the collected data in an embedded big-data device of the device and performing a learning analysis on at least a portion of the stored data by the device's embedded big-data device. Moreover, the method includes generating learned knowledge indicative of a result of the learning analysis, and modifying an operation of the device to control the process in real time based on the learned knowledge.
- 14. The method of any of the preceding aspects, wherein collecting the data on the device comprises at least one of: collecting all data generated by the device, collecting all data created by the device, or collecting all the data be received on the device.
- 15. The method of claim 1, wherein collecting the data on the device comprises at least one of collecting data generated by the device at a generation rate, collecting all data created by the device a creation speed or collecting of all the data received on the device in a reception speed.
- 16. The method of any preceding aspect, wherein collecting the data on the device comprises collecting at least one type of data contained in a group of data types including continuous data, event data, measurement data, batch data, calculated data, and configuration data.
- 17. A method according to any preceding aspect, wherein the device is a first device, the learned knowledge of a first learned knowledge, and the operation of the device is a first operation; and the method further comprises: receiving second learned knowledge generated by a second device at the first device; Performing further learning analysis on the second learned knowledge and at least some of the stored data by the embedded big data device of the first device; Generating further learned knowledge indicative of a result of the analysis of further learning by the embedded Big Data device of the first device; and modifying the first operation or a second operation of the device to control the process in real time based on the further learned knowledge.
- 18. The method of any preceding aspect, wherein receiving the second learned knowledge generated by the second device comprises receiving the second learned knowledge generated by another device, which is one of the following a field device, a controller, an I / O device, a user interface device; a gateway device, an access point, a routing device, a history storage device, or a network management device.
- 19. The method of any preceding aspect, further comprising causing the learned knowledge to be transmitted to another device, wherein a device type of the other device is included in the group of device types.
- 20. The method of any preceding aspect, wherein generating the learned knowledge comprises generating at least one of the following: additional data previously unknown to the device, a new or modified application, a new or modified function, a new or modified one Routine or a new or modified service.
- 21. The method of any preceding aspect, wherein performing the learning analysis comprises performing at least one of a machine learning analysis, a predictive analysis, data mining, or data discovery.
- 22. A system for supporting distributed data in a process plant, comprising: a communication network having a plurality of nodes, at least one of which is a process control device that operates to control, in real time, a process running in the process plant, and wherein each of the plurality of nodes is configured to collect the data generated in real time as a result of the control of the process running in the process plant; to collect locally the collected data on a corresponding embedded big-data device contained in each of the plurality of nodes; and perform a corresponding learning analysis on at least a portion of the locally stored data using the corresponding embedded big-data device included in each of the plurality of nodes. A first node included in the plurality of nodes is configured to cause learned software indicative of a result of performing the corresponding learning analysis to be transmitted to a second node that is in the plurality of nodes for use in one or more learning analyzes performed by the second node. The system is further configured to set the method to any zero or to perform a plurality of the above aspects, and it may include a process control device according to any of the above aspects.
- 23. The method of any preceding aspect, wherein: the process control device is a controller configured to receive a set of inputs and to determine a value of an output based on the set of inputs. The controller is further configured to cause the output to be transmitted to a field device for controlling the process executed by the process plant, and the field device is configured to perform a physical function based on the output from the controller to be executed by the process plant Control process.
- 24. The system of claim 1, wherein the communication network is a first communication network, and wherein the controller is configured to at least one of: receive at least one of the group of inputs at an interface to a second communication network cause the output to be transmitted to the field device via the interface to the second communication network.
- 25. The system of any preceding aspect, wherein the learned knowledge comprises at least one of an application, a function, a service, or a routine.
- 26. The system of any preceding aspect, wherein the result of performing the corresponding learning analysis comprises prediction based on characteristics of at least the portion of the locally stored data.
- 27. The system of any preceding aspect, wherein the result of performing the corresponding learning analysis comprises additional data that was previously unknown to the first node.
- 28. The system of any preceding aspect, wherein the learned knowledge is first learned knowledge and wherein the second node is configured to: receive the first learned knowledge from the first node; by performing an appropriately embedded big-data device included in the second node, perform one or more learning analyzes on the first learned knowledge and at least a portion of locally-collected and stored data on the second node; generate second learned knowledge from the one or more learning analyzes performed and at least one of the following: store the second learned knowledge on the corresponding embedded big data facility of the second node; modify an operation of the second node to control the process based on the second learned knowledge; or cause the second learned knowledge to be transmitted to a third node of the plurality of nodes.
- 29. The method of any preceding aspect, wherein the third node is configured to: receive the second learned knowledge from the second node; perform one or more learning analyzes on the second learned knowledge and at least a portion of locally collected and stored data on the third node by a correspondingly embedded big-data device of the third node; to generate third learned knowledge from the one or more learning analyzes performed and at least one of the following: to store the third learned knowledge on the corresponding embedded Big Data facility of the third node; modify an operation of the third node to control the process based on the third learned knowledge; or cause the third learned knowledge to be transmitted to a fourth node of the plurality of nodes.
- 30. The system of claim 1, wherein the plurality of nodes comprises at least two devices of a group of devices, comprising: a controller configured to receive a group of inputs based on the group of inputs a value determining an output and causing the output to be transmitted to a first field device to control the process performed by the process plant; a field device configured to perform a physical function based on the output of the controller for controlling the process; an input / output (I / O) device having an interface to the controller and an interface to at least one field device; a user interface device; a gateway device; an access point; a routing device; a history storage device; and a network management device.
Wenn sie in einer Software umgesetzt werden, können beliebige der in dieser Schrift beschriebenen Anwendungen, Dienste und Maschinen in einem greifbaren, nichtflüchtigen computerlesbaren Speicher gespeichert werden, wie auf einer Magnetplatte, einer Laser-Platte, einer Solid-State-Speichervorrichtung, einer molekularen Datenspeichervorrichtung oder einem anderen Speichermedium, in einem RAM oder ROM eines Computers oder Prozessors usw. Obwohl die in dieser Schrift offenbarten beispielhaften Systeme als, neben anderen Komponenten, Software und/oder Firmware umfassend, die auf Hardware ausgeführt wird, dargestellt werden, ist zu beachten, dass derartige Systeme lediglich der Veranschaulichung dienen und nicht als einschränkend zu betrachten sind. Es wird zum Beispiel in Erwägung gezogen, dass beliebige oder sämtliche dieser Hardware-, Software- und Firmwarekomponenten ausschließlich in Hardware, ausschließlich in Software oder in einer beliebigen Kombination aus Hardware und Software ausgeführt werden könnten. Dementsprechend liegt es, während die in dieser Schrift beschriebenen beispielhaften Systeme als in einer Software ausgeführt beschrieben sind, die auf einem Prozessor von einer oder mehreren Rechenvorrichtungen ausgeführt wird, für einen Durchschnittsfachmann auf der Hand, dass die gelieferten Beispiele nicht die einzige Möglichkeit sind, um derartige Systeme zu implementieren.When implemented in software, any of the applications, services, and machines described herein may be stored in tangible, non-transitory, computer-readable storage, such as a magnetic disk, a laser disk, a solid-state storage device, a molecular data storage device or any other storage medium, in a RAM or ROM of a computer or processor etc. Although the exemplary systems disclosed in this document are illustrated as including, among other components, software and / or firmware executed on hardware, it should be noted that that such systems are for illustration only and are not to be considered as limiting. For example, it is contemplated that any or all of these hardware, software, and firmware components could be implemented in hardware only, solely in software, or in any combination of hardware and software. Accordingly, while the exemplary systems described herein are described as being executed in software executed on a processor by one or more computing devices, it will be apparent to one of ordinary skill in the art that the examples provided are not the sole possibility to implement such systems.
Demnach versteht es sich, auch wenn die vorliegende Erfindung in Bezug auf konkrete Beispiele beschrieben wurde, die lediglich der Veranschaulichung dienen und die Erfindung nicht einschränken sollen, für einen Durchschnittsfachmann, dass an den offenbarten Ausführungsformen Veränderungen, Ergänzungen oder Streichungen vorgenommen werden können, ohne dass von dem Geist und dem Umfang der Erfindung abgewichen wird.Thus, while the present invention has been described in terms of specific examples, which are given by way of illustration only and are not intended to limit the invention, it will be understood by those skilled in the art that changes, additions or deletions may be made to the disclosed embodiments without deviated from the spirit and scope of the invention.
