WO2022069258A1 - Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses - Google Patents

Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses Download PDF

Info

Publication number
WO2022069258A1
WO2022069258A1 PCT/EP2021/075610 EP2021075610W WO2022069258A1 WO 2022069258 A1 WO2022069258 A1 WO 2022069258A1 EP 2021075610 W EP2021075610 W EP 2021075610W WO 2022069258 A1 WO2022069258 A1 WO 2022069258A1
Authority
WO
WIPO (PCT)
Prior art keywords
production process
anomaly
measurement data
anomalies
performance indicators
Prior art date
Application number
PCT/EP2021/075610
Other languages
English (en)
French (fr)
Inventor
Stefan GEISSELSÖDER
Klaus-Peter Hitzel
Hakan DILEK
Christian Klaus HERTLEIN
Marcel Mathias KLOSE
Christian TAUBER
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to US18/029,277 priority Critical patent/US20230376024A1/en
Priority to EP21778101.2A priority patent/EP4193227A1/de
Priority to CN202180067036.XA priority patent/CN116235121A/zh
Publication of WO2022069258A1 publication Critical patent/WO2022069258A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24015—Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the invention relates to a device and a method for detecting anomalies in an industrial plant for carrying out a production process, the plant comprising a large number of sensors for measuring process variables of the production process.
  • WO 2019/141593 A1 discloses a device for detecting anomalies in an actuator system (for example a system of motors, pumps or conveyor belts).
  • the device includes an anomaly detector with a trained artificial in- Intelligence that is designed and trained to detect anomalies in the actuator system based on a large number of output data from the actuator system.
  • the anomaly detector outputs an anomaly signal.
  • the output data are generated, for example, with the aid of sensors that are arranged in or on the actuators.
  • defects or impending failures of the actuators can be detected early and countermeasures (e .g . repair, maintenance, replacement) can be initiated in good time.
  • US 2015/0324329 A1 discloses a process modeling technique that uses a single statistical model that was developed from historical data for a typical process and uses this model to perform quality prediction or error detection for various process states of a process. In each case, separate models are used for quality prediction and error detection. The modeling technique does this by determining mean values (and possibly standard deviations) of process parameters for each of a set of product grades, throughputs, etc. , and compares them with online process parameter measurements.
  • Process analysis programs can be stored and executable in different devices of a process control system.
  • An overall quality parameter for the entire production process or for a product resulting from the entire production process can also be determined by means of a central Process Monitoring and Quality Prediction System (PMS).
  • PMS Process Monitoring and Quality Prediction System
  • CN 107797537 A discloses a fault prediction system for bearings for rotating components in an automated production line. Real-time monitoring of the bearings is carried out on the basis of measurement data from sensors with the help of a deep learning neural network model. Failure prediction is thus limited to just the bearings on the production line.
  • US Pat. No. 5,877,954 A discloses a hybrid analysis device comprising a data-derived primary trained model (e.g. a linear model such as a partial least squares model) for predicting output variables of an industrial process and an error correction model (e.g . a non-linear model such as a neural network) for error correction of the outputs of the primary model .
  • a data-derived primary trained model e.g. a linear model such as a partial least squares model
  • an error correction model e.g a non-linear model such as a neural network
  • this is intended to enable the entire plant to be operated optimally from different points of view and to support the plant's managerial staff in making the necessary operational decisions.
  • the device serves to detect anomalies in an industrial plant for carrying out a production process for a product, the plant comprising a large number of sensors for measuring process variables of the production process.
  • the device includes an anomaly detector with at least one trained artificial intelligence that is designed and trained to detect and/or predict anomalies in the production process based on a large number of measurement data from the sensors.
  • the detector is designed to output anomaly information when an anomaly is detected and/or predicted.
  • the anomaly information preferably also includes a period of time in which the anomaly occurred and/or a probability of the existence of the anomaly.
  • the anomaly detector is designed to simultaneously detect and predict anomalies in several different performance indicators of the production process, with the performance indicators each relating to the entire production process of the product.
  • the performance indicators relate to the entire production process of a resulting (end) product.
  • the artificial intelligence is educated and trained to both detect and predict anomalies, i . H . for example, a common data model is used for both detecting and predicting anomalies.
  • the invention is based on the knowledge that the operating or business goals of the plant operator can change during operation of the plant, for example depending on a market situation. This also affects the operation of the system. At a given point in time, it is therefore important to detect and/or predict those anomalies in the production process that have the greatest impact on the currently prevailing operational or business objective.
  • Such operational or business goals usually relate to the entire production process. Accordingly, performance indicators obtained from the sensor data must also relate to the entire production process.
  • performance indicator is understood to mean a key figure that is used to measure the degree of fulfillment with regard to a specific objective (e.g. an operational or business objective) with regard to the production process can be.
  • a performance indicator is preferably a physically measurable variable, such as the purity or dimensional accuracy of a product, a number of items, a volume, a quantity, etc..
  • the performance indicator is therefore preferably one of the measured process variables or a variable derived from them (e.g an average of a process variable) is used.
  • production process is understood here not only as a manufacturing or manufacturing process, but also as a machining, processing or conversion process (e.g. also an energy generation process).
  • the measurement data can be data on process variables that are based directly on measurement values. However, it can also be data on process variables that were derived from measured values of other process variables.
  • the artificial intelligence can be trained by an algorithm from the field of machine learning or with the help of rule-based or mathematical (e.g. statistical) methods. Examples of such algorithms or methods are neural networks, autoencoders, Gaussian Mixture Model, Boosted Gaussian Mixture Ensemble and Isolation Forest, as well as combinations of all these methods.
  • the invention thus makes it possible to define various different performance indicators that represent, for example, different operational or business goals, and then to monitor selectively, depending on the goal, for anomalies that have the greatest impact on the achievement of this goal.
  • the invention can also be applied to systems in which several different production processes are carried out at the same time. Anomalies in performance indicators of the different production processes can then also be detected and predicted with the invention.
  • the invention can run as a kind of "anomaly assistant" accompanying the operation of the system. Measures can be proposed to the system operator depending on the type and duration of an anomaly. Management personnel of the system can thus be supported in necessary operational decisions. The proposed measures can automatically also flow directly into the control and/or regulation of the system or the respective production process plant are transferred. This brings the plant or the respective production process into line with the operating or business objectives of the plant.
  • the anomaly detector can each have a separate anomaly detector unit for each of the performance indicators.
  • Each of the anomaly detector units can each include a separate trained artificial intelligence that is designed and trained to detect and predict the anomalies in the production process for the respective performance indicator.
  • the anomaly detector is designed to determine, for a detected and/or predicted anomaly, a relevance of the anomaly in relation to at least one, in particular several, different operational or business goal(s) of the production process.
  • the anomalies or Countermeasures for this can then be prioritized very easily and quickly by the operating personnel of the production process based on the relevance.
  • the relevance can be determined particularly easily by weighting the performance indicators (e.g. throughput, quality) depending on the at least one, in particular several, different operating or business goals.
  • performance indicators e.g. throughput, quality
  • the system operator can then visualize the relevance particularly easily by classifying the anomalies into different message classes (e.g. simple message, warning, alarm). For example, if the quality of the end product is more important than throughput for a particular operational or business objective, then an anomaly in throughput would only result in a "warning" and an anomaly in quality would result in an "alert” .
  • the anomaly detector preferably includes means for acquiring selection information about at least one current operating or business goal of the production process.
  • the device includes a configuration device that is designed to configure the anomaly detector, in particular the artificial intelligence, depending on at least one operating or business goal of the production process.
  • the anomaly detector can then be better adapted to the respective task. For example, a specially adapted selection of measurement data or a special combination of data analysis algorithms can be set in this way, which ensures a particularly good quality of the anomaly detection for the various performance indicators.
  • the anomaly detector preferably has a common, trained artificial intelligence for all of the multiple performance indicators.
  • a common trained artificial intelligence serves for the simultaneous detection and prediction of anomalies in the multiple performance indicators.
  • the anomaly detector is advantageously designed in such a way that it uses a number of algorithms that interact with one another at the same time. As a rule, better results can be achieved in anomaly detection as a result.
  • the anomaly detector can use several algorithms of the same type that work together at the same time (e.g. an ensemble of neural networks or a boosted ensemble). However, it can also use several different algorithms (e.g. multistage systems with autoencoders, random forests and convolutional neural networks) that work together at the same time.
  • the anomaly detector is advantageously designed as a multi-stage system with a number of data analysis and processing stages arranged one behind the other.
  • the artificial intelligence is designed and trained to take into account a chronological sequence of the measurement data and/or chronological relationships between the measurement data when detecting and/or predicting the anomalies.
  • a time series analysis is carried out by the artificial intelligence. Changes in the time series of measurement data can thus be recognized and future time series of performance indicators can be predicted.
  • a high degree of robustness and high accuracy of the anomaly detection can be achieved in this way (ie fewer “false positives”).
  • the measurement data can be current and historical measurement data.
  • An advantage is the artificial intelligence on a normal state of the production process or. of performance indicators trained . For this purpose, "bad states" are removed from the training data. The artificial intelligence thus searches for abnormalities in the performance indicators that differ from the trained normal state. This enables a very broad application of anomaly detection even with only a few historical anomaly data.
  • the artificial intelligence is at least partially trained with simulated measurement data from sensors.
  • the simulated measurement data can, for example, be generated by a simulator (or a digital twin) for the production process.
  • the simulator digital twin
  • the simulator can be based on physical/chemical models of the production process.
  • the anomaly detector is preferably designed in such a way that it performs a validation of the anomaly detection and/or prediction based on deviations between the (real) measurement data of the sensors and simulated measurement data of the sensors.
  • the anomaly detector can thus use deviations between the results of the simulation (or the digital twin) and the real process data (sensor measurement data) to improve the accuracy of the anomaly detection and prediction. These deviations can also be supplied to the anomaly detector as time series data or be generated by it.
  • the anomaly detector can act directly with the plant operator and him in real time Assist in decisions regarding suitable countermeasures for detected anomalies .
  • the anomaly detector does not have to focus on every single anomaly. Rather, it can act as a filter and only forward those anomalies that have a significant impact on operational or business goals of the plant operator have . This enables the plant operator to take immediate countermeasures to reduce the impact of the anomaly on the production process.
  • the performance indicators are at least two different ones from the group of:
  • the at least two different performance indicators preferably include at least the quality of the product produced and the quantity of a product produced per unit of time (throughput).
  • a method for detecting anomalies in an industrial plant for executing a production process for a product comprises the following steps: a) Receiving a large number of measurement data from the sensors, b) detecting and/or predicting anomalies in the production process based on the plurality of measurement data using at least one trained artificial intelligence, c) outputting anomaly information upon detection and/or prediction of an anomaly, wherein in step b ) Anomalies can be detected and predicted simultaneously in several different performance indicators of the production process, whereby the performance performance indicators relate to the entire production process for the production of the product.
  • a relevance of the anomaly in relation to at least one, in particular several different, operating or business goal(s) of the production process is determined.
  • the method in particular the artificial intelligence, is configured as a function of at least one operating or business goal of the production process.
  • a separate trained artificial intelligence can be used for each of the performance indicators.
  • a common trained artificial intelligence is preferably used for all of the performance indicators.
  • the artificial intelligence is preferably designed and trained to take into account a chronological sequence of the measurement data and/or chronological relationships between these measurement data when detecting and/or predicting the anomalies.
  • the artificial intelligence is advantageously trained using normal state data from the production process.
  • the artificial intelligence is advantageously at least partially trained with simulated measurement data from sensors.
  • a validation of the anomaly detection and/or prediction based on deviations between the Measurement data from the sensors and simulated measurement data from the sensors take place.
  • the performance indicators are at least two different ones from the group of:
  • a method according to the invention for providing trained artificial intelligence for detecting anomalies in an industrial plant for carrying out a production process for a product, the plant comprising a large number of sensors for measuring process variables of the production process comprises the following steps:
  • the initial training data including assignments to at least one of several different performance indicators of the production process, the performance indicators each relating to the entire production process for the production of the product,
  • a first computer program (or computer program product) according to the invention comprises instructions which, when the program is run on a computer, cause the computer to carry out the method for detecting anomalies described above.
  • a second computer program (or computer program product) according to the invention comprises instructions which, when the program is run on a computer, cause the computer to carry out the method described above for providing a trained artificial intelligence.
  • FIG. 1 shows an exemplary basic structure of an industrial plant with a local arrangement of a device according to the invention
  • FIG. 3 shows a second exemplary embodiment of an anomaly detector
  • 4 shows a method sequence according to the invention for the detection of anomalies
  • 5 shows an exemplary basic structure of an industrial plant with a cloud-based arrangement of a device according to the invention
  • FIG. 6 shows an example of an output of anomalies to a performance indicator on a graphical user interface
  • FIG. 8 shows an exemplary process sequence for providing a trained artificial intelligence for detecting anomalies
  • FIG. 9 shows a first exemplary embodiment of a data pipeline in an anomaly detector according to the invention.
  • FIG. 10 shows a second exemplary embodiment of a data pipeline in an anomaly detector according to the invention
  • 11 shows an example of an output of anomalies for a number of performance indicators with relevance information in relation to different operating or business goals on a graphical user interface.
  • production process is understood here not only as a manufacturing or manufacturing process, but also as a machining, processing or conversion process (e.g. also an energy generation process).
  • Such systems 1 are used in a wide variety of industrial sectors, for example in the process industry (e.g. paper, chemicals, pharmaceuticals, metal, oil and gas), the discrete manufacturing industry and in power generation.
  • the automatic Automation system 2 includes, for example, a number of industrial controllers 4 , an automation server 5 and an engineering server 8 .
  • Each of the controllers 4 controls the operation of a respective sub-area of the process 3 depending on its operating states.
  • the process 3 includes actuators 6 that can be controlled by the controllers. This can involve individual actuators (e.g. a motor, a pump, a valve, a switch), groups of such actuators or entire sections of a system.
  • the process also includes sensors 7 that make measured values of process variables (eg temperatures, pressures, fill levels, flow rates) available to the controllers 4 .
  • a communication network of the system 1 comprises, at a higher level, a system network 11 via which the servers 5 , 8 are in communication with a human-machine interface (HMI) 10 , and a control network 12 via which the controls 4 are in communication with each other and with the servers 5 , 8 .
  • the controls 4 can be connected to the actuators 6 and sensors 7 via discrete signal lines 13 or via a fieldbus.
  • the human-machine interface (HMI) 10 is usually designed as an operating and monitoring station and is arranged in a control room of the system 1 .
  • the automation server 5 can be, for example, a so-called “operator system server” or “application server” (application server) in which one or more system-specific application programs are stored and during operation of the system 1 to be carried out. These are used, for example, to configure the controls 4 in the system 1, to record and execute operator activities on the human-machine interface (HMI) 10 (e.g. to set or change setpoints of process variables) or to send messages for to generate plant personnel and to be displayed on the human-machine interface (HMI) 10 .
  • HMI human-machine interface
  • HMI human-machine interface
  • the automation system 2 without the field devices is often also referred to as a "process control system".
  • the sensors 7 therefore provide a large number of measurement data M of process variables of the process 3 .
  • This measurement data M is stored on a process data archive server 14 together with messages from the automation server 5 and with additional information (e.g. batch data, status information of intelligent field devices).
  • a device 15 for detecting anomalies in the system 1 .
  • This includes an anomaly detector 16 with a trained artificial intelligence 18 which is designed and trained to detect and predict anomalies in the production process 3 based on a large number of measurement data M. If an anomaly is detected and/or predicted, anomaly information A is output on a (preferably graphical) user interface 17 .
  • the anomaly information A preferably also includes information about a probability of the presence of an anomaly and information about a period of time in which the anomaly occurred.
  • the anomaly detector 16 is designed to detect and predict anomalies in several different performance indicators of the production process 3 , the performance indicators each relating to the entire production process 3 .
  • performance indicators are: - quality of a manufactured product, - Amount of a product produced per unit of time (throughput),
  • the device 15 is connected to the system network 11 and uses it to access current and historical measurement data M (and possibly additional data from the automation system 2 ), which are provided by the process data archive server 14 and the server 5 .
  • the automation system also includes a simulator (or digital twin) 9 for the production process 3 .
  • the simulator 9 simulates the production process 3 for example on the basis of physical and/or chemical models.
  • the simulator 9 is also connected to the plant network 11 .
  • the device 15 can use this to access simulation data S of the simulator 9 or received from this .
  • the anomaly detector 16 can each have a separate anomaly detector unit 16a-16d for each different performance indicator La-Ld.
  • Each of the anomaly detector units 16a-16d each includes a separate trained artificial intelligence 18a-18d, which is designed and trained to detect and predict the anomalies in the production process 3 for the respective performance indicator La-Ld.
  • the device 15 is designed to offer the system personnel, in particular their management level, the different performance indicators La - Ld for selection via the user interface 17 and a subsequent input of selection information W via a selection of one of the performance indicators katoren La - Ld, here for example the performance indicator La to capture.
  • the device 15 then activates the anomaly detector unit 16a-16d assigned to the selected performance indicator La-Ld, here the anomaly detector unit 16a, depending on the detected selection information W, and brings the performance indicator L and the anomaly information A on the user interface 17 for display.
  • the anomaly detector units 16a-16d are also designed to independently select and process the measurement data M required for the respective operation from the large number of historical and current measurement data M.
  • the anomaly detector 16 or its trained artificial intelligence 18 can also--as shown in FIG. 3--be designed to simultaneously detect and predict anomalies in the several different performance indicators La-Ld. Depending on the selection information W, however, only the respectively selected performance indicator, here for example the performance indicator La, with the associated anomaly information A is displayed on the user interface 17 .
  • the device 15 is also designed to offer the plant personnel, in particular their management level, different operating or business goals Z for selection via the user interface 17 and subsequent input of selection information Y about a selection of one or more of the operating or business goals Z to capture .
  • the device 15 includes a configuration device 19 which is designed to use the anomaly detector 16, in particular the artificial intelligence 18 or 18a - 18d, depending on at least one operating or business goal of the production process to configure.
  • the anomaly detector 16 can then be better adapted to the respective task. be matched .
  • a specially adapted selection of measurement data or a special combination of data analysis algorithms can be set in this way, which ensures a particularly good quality of anomaly detection for the various performance indicators with high relevance for a selected operating or business goal.
  • FIG. 4 shows a simplified representation of a method sequence 20 according to the invention in the anomaly detector 16 from FIG.
  • a first step 21 this receives a large number of current and historical measurement data M from the sensors 7.
  • anomalies in the production process 3 based on the multitude of measurement data M are detected and predicted using the artificial intelligence 18.
  • the anomalies can be detected and predicted simultaneously for several different performance indicators La-Ld of the production process 3, with the performance indicators La-Ld each relating to the entire production process 3 for a product, d. H . a (end) product resulting from the production process.
  • anomaly information A is output on the user interface 17 when an anomaly is detected and/or predicted.
  • the current and historical measurement data M are preferably available as time series of measurement data, and when the anomalies are detected and predicted by the artificial intelligence 18, a chronological sequence of the measurement data (current and historical measurement data) or temporal relationships between these measurement data are taken into account. In other words, a time series analysis is carried out by the artificial intelligence. Changes in the time series of measurement data can thus be recognized and future time series of performance indicators can be predicted.
  • the device 15 for detecting anomalies is installed directly on site in the system 1 ("on-premise").
  • the Device 15 for detecting anomalies can also be installed remotely from the system in a distributed computer system (“cloud”).
  • FIG. 5 shows the plant 1 already shown in FIG. 1 with the automation system 2 and the production process 3 .
  • the device 15 for anomaly detection is installed in a cloud 30 .
  • the device receives the measurement data M and, if necessary. Simulation data S of the simulator 9 via a connection server 31 of the automation system 2 and a public communication network 36, such as. B. the Internet .
  • the performance indicators and the anomaly information generated are in turn output to personnel of the facility 1 via a user interface 37 which is located in the facility 1 .
  • the information to be output on the user interface 37 is also received by the device 15 via the communication network 36 .
  • Firewalls 32 , 33 can also be arranged between the connection server 31 and the device 15 and between the device 15 and the user interface 37 .
  • the simulator 9 can also be installed in the cloud 30 instead of in the system 1 .
  • FIG. 6 shows an example of a performance indicator and associated anomaly information, such as can be displayed on the graphical user interfaces 17, 37.
  • Time ranges in which there is only a relatively low probability of an anomaly are denoted by 42 .
  • 43 designates a time range in which, with a higher probability, an anomaly is present and therefore a warning message was generated.
  • 44 designates a time range in which there is a comparatively high probability of an anomaly. An alarm message was therefore generated.
  • measurement data from some sensors are also output in area 41, such as pressures (Pressure 1, Pressure 2, Pressure 3), electrical currents (Current 1, Current 2) and temperatures (Temperature 1, Temperature 2).
  • the latest alarm messages (“Alarm (level 66)”) and warning messages (“Warning (level 66)”) of all monitored production processes or a selected production process (here process A2) are output in an area 45 .
  • the monitored performance indicator here the quality or "Quality”
  • the effect of the anomaly here a quality reduction or “Quality Reduction”
  • a cause here "Quality reduction due to change in immediate product ”
  • the production process with the most recently detected or predicted anomalies is displayed at the top of a list of production processes (here process A2, process Al, process Bl) together with information about the last anomaly, the number of anomalies in the last 24 h and the total number of anomalies.
  • FIG. 7 shows, by way of example, an output of detailed information on the time profile of the probability AL for an anomaly in the selected performance indicator.
  • time curves of measurement data are output in an area 51 over time, for which a legend is output in an area 52 .
  • a classification (“rating”) of the alarm, a classification or effect in relation to the performance indicator (“classification”) and a cause analysis (“note”) are output in an area 53 .
  • FIG. 8 shows a simplified representation of a method sequence 60 according to the invention for providing a trained artificial intelligence for detecting anomalies in the system 1 of FIG. 1 or FIG. 5.
  • a first step 61 input training data representing historical measurement data M from the sensors 7 is received. These are preferably time series of measurement data.
  • initial training data which represent anomalies in the historical measurement data M, is received, the initial training data including assignments to at least one of a number of different performance indicators La-Ld of the production process 3.
  • the performance indicators La-Ld each relate to the entire production process 3 .
  • the artificial intelligence is trained on the basis of the input training data and the output training data in such a way that these anomalies are detected and predicted simultaneously in the case of several different performance indicators in the production process 3 .
  • the artificial intelligence can be trained by an algorithm from the field of machine learning or with the help of rule-based or mathematical (e.g. statistical) processes.
  • Particularly advantageous algorithms or methods are neural networks, autoencoders, Gaussian mixture models, boosted Gaussian mixture ensembles and isolation forests, and combinations of all of these methods.
  • Backpropagation with gradient-based optimization can be used.
  • the artificial intelligence is preferably designed and trained to use a chronological sequence of the measurement data (current and historical measurement data) or temporal relationships between the measurement data must be taken into account.
  • a time series analysis is carried out by the artificial intelligence. Changes in the time series of measurement data can thus be recognized and future time series of performance indicators can be predicted. For example, correlations between all current and historical measured values of all sensors are determined.
  • the artificial intelligence is preferably based on a normal state of the production process or of performance indicators trained .
  • “poor states” are removed from the training data.
  • the artificial intelligence thus searches for abnormalities in the performance indicators that differ from the trained normal state.
  • a fourth step 64 the trained artificial intelligence is provided.
  • FIG. 9 shows an exemplary data pipeline PI in a simplified representation for the anomaly detector 16 from FIG. H .
  • various data analysis and/or processing elements arranged one behind the other, with a subsequent data analysis and/or processing element processing the results of at least one previous data analysis and/or processing element.
  • Optional components and data flows are shown with dashed lines.
  • the anomaly detector 16 or the data pipeline PI has a multi-stage structure and comprises three stages connected in series: detection (D), classification (K) and post-processing (Postprocessing) N, each receiving measurement data M of the process variables (current and historical) in the form of time series.
  • normal values E estimated from the received measurement data M i.e. "normal” values without the presence of an anomaly
  • performance indicators e.g. quality, throughput
  • times T of deviations of the performance indicators from normal values are determined and output with the aid of artificial intelligence
  • a search is made for abnormalities in the measurement data or in their correlations that differ from the trained normal state.
  • the artificial intelligence preferably works with the help of unsupervised learning (but supervised and semi-supervised learning is also possible).
  • an assignment (classification) to known, trained anomaly types is carried out with the aid of artificial intelligence from the received measurement data M and the received estimated normal values E of the performance indicators (e.g. quality, throughput) and durations T of deviations from the normal values.
  • Anomaly information A is generated, which includes the affected performance indicator L (eg quality, throughput), the type AT of the anomaly (eg quality reduction, throughput reduction), a possible reason C for the anomaly and a probability AL for the presence of the anomaly.
  • the artificial intelligence at level K can work with supervised or rule-based methods. Neural networks are preferably used.
  • an anomaly relevance AR i.e. a relevance of a determined anomaly
  • an anomaly relevance AR is then determined in relation to one or more operating or business goals Z of the installation 1 .
  • the post-processing stage N receives the normal values E of the performance indicators L determined by stage D (eg quality, throughput) and times T of deviations of the performance indicators L from the normal values as input variables. Furthermore, stage N receives the anomaly information A generated by stage K as an input variable.
  • level N there is information about current operating or business goals Z of the system 1 in level N.
  • This information can already be permanently stored in level N, or—as explained in connection with FIGS. 1-3—can be recorded via the user interface 17 or received externally in some other way.
  • the information can, for example, be in the form of weightings for the different performance indicators L in relation to different operating or business goals Z of the system.
  • corresponding point values are determined by level N for the importance of identified anomalies in relation to the achievement of the operational or business goals Z and as the relevance AR of the respective anomaly for the or the operational or Business goals Z issued .
  • the operator of the system can thus see what relevance a determined anomaly has in relation to each of his operating or business goals Z, and he can initiate suitable measures according to a prioritization of his operating or business goals Z. For example, he can Immediately initiate measures to eliminate anomalies relevant to high-priority operational or business goals Z and delay countermeasures to eliminate anomalies relevant to low-priority operational or business goals Z for the time being.
  • Stage N particularly advantageously implements post-processing in order to improve the quality of the anomaly detection.
  • post-processing for example, anomalies that were determined using other methods (e.g. characteristic map methods or rule-based methods) or originate from a classic model (hybrid) can be used. This means that anomalies are validated with anomalies determined in other ways. There is also the option of using the measurement data to increase the quality of the anomaly detection. So e.g. B. a specific behavior of the measured values can be used to validate the anomalies.
  • the post-processing can be done by any form of filtering, if necessary also with an AI, but also e.g. B. be done by rules regarding the measurands .
  • the classification stage K is first followed by an evaluation stage B and then a post-processing stage N'.
  • an anomaly relevance AR ie a relevance of an identified anomaly is determined in relation to one or more operating or business goals Z of the installation 1 .
  • the evaluation level B receives as input variables the normal values E of the performance indicators L output by the level D as well as times T of deviations of the performance indicators L from the normal values. Stage B also receives the anomaly information A generated by stage K as an input variable. Level B also contains information about the current operating or business goals Z of the system 1 . This information can already be permanently stored in level B, or it can be received from level B via the user interface 17, for example. This information can be present, for example, in the form of weightings for the different performance indicators in relation to different operating or business goals Z of the plant.
  • corresponding point values for the importance of identified anomalies in relation to the achievement of the operating or business goals Z are determined by level B and output as the relevance AR of the anomaly for the operating or business goals Z.
  • the post-processing stage N' serves to filter the information determined in the previous stages. For example, irrelevant warning messages or only slightly probable anomaly information, e.g. B. taking into account the history of the measurement data or the performance indicators. This is also done advantageously depending on the operating or business goals Z.
  • anomaly information e.g. relevance, time range T, probable cause
  • warning messages or alarms on a display, for example user interface 17 in FIGS. 1-3 or user interface 37 in FIG Anomalies with sufficiently high relevance for his ( e ) operational or business objective ( s ) are displayed.
  • the information about current operational or business goals Z of Annex 1 is also available in stages D and K.
  • this information can be used to configure the data pipeline P2 or of the individual levels D, K, B, N 'take place, z. B. for a selection and combination of particularly suitable methods or models for data analysis or for a selection (or exclusion) of data for further analysis. For example, if it is known that a bad condition in the training data does not impact the KPI for an operational or business objective, it can remain in the training data and does not need to be removed.
  • stage N' implements post-processing in order to improve the quality of the anomaly detection.
  • anomalies that were determined using other methods (e.g. characteristic map methods or rule-based methods) or originate from a classic model (hybrid) can be used. This means that anomalies are validated with anomalies determined in other ways. A specific behavior of the measured values can also be used to validate the anomalies.
  • simulated sensor data S generated by the simulator (or digital twin) 9 of the production process 3 can also be fed to the stages D, K, B and N′.
  • the artificial intelligence in the data pipeline P2 can then be continuously improved, in particular in the case of a scale-up of a production from a laboratory scale to a production plant that is significantly larger in scale.
  • a digital triplet (“digital triplet") focusing on anomalies is thus created from anomaly detector 16, simulator (digital twin) 9 and process data (sensor measurement data M), but not only from a technical perspective, but also from a perspective of the operational or business objectives of Appendix 1 .
  • the anomaly detector 16 can use discrepancies between the results of the simulator (or digital twin) 9 and the real process data (sensor measurement data M) to validate anomalies and thus to improve the accuracy of the anomaly detection and prediction. These deviations can also be supplied to the anomaly detector as time series data or be generated by it.
  • the anomaly detector 16 acts directly with the operator of the system and assists him in real time - Decisions regarding suitable countermeasures for detected anomalies.
  • the anomaly detector 16 does not focus on every single abnormality. Rather, it acts as a filter and forwards only those anomalies that have a significant impact on the plant operator's operational or business goals. This enables the plant operator to take immediate countermeasures to reduce the impact of the anomaly on the production process.
  • the artificial intelligence e.g. B. a neural network
  • Some data sources may contain detailed meta information, others less detailed background knowledge but more realistic correlations, e.g. B. from the real plant .
  • a neural network could be used that is pre-trained in the first step with data from a Digital Twin, which allows learning some basic categories of anomalies, and that is then re-trained in a second step on the basis of historical plant data.
  • the artificial intelligence can also be trained in a first step with real plant data with regard to correlations (unsupervised, semi-supervised or mainly supervised) and later improved in a second step in order to associate discovered patterns with relevant anomalies.
  • the benefits of this approach do not have to be achieved by training a single algorithm, but can be split across multiple learning or rule-based systems. For example, a division into a neural network that has been trained on historical data and a rule-based system or a supervised tree learning system could take place. Which measurement data are used in which stages can result from the rules of a rule-based part of the post-processing, from a trained neural network or as the result of a simulation model.
  • FIG. 11 shows an example of an output of anomalies for a number of performance indicators with relevance information in relation to different operating or business goals on a graphical user interface.
  • An anomaly level AL i . H . a probability of the presence of an anomaly plotted against time t.
  • the anomaly level AL takes into account anomalies in several different performance indicators. In the areas 71 and 73 there are in each case anomalies in the area of quality. In contrast, in area 72 there is an anomaly in the area of the throughput. Since the current operational or business objective places more importance on quality than throughput, an alarm 74 was generated in relation to the quality anomaly, and only a warning 75 in relation to the throughput anomaly.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Eine erfindungsgemäße Vorrichtung zur Erkennung von Anomalien in einer industriellen Anlage (1) zur Ausführung eines Produktionsprozesses (3) für ein Produkt, wobei die Anlage eine Vielzahl von Sensoren (7) zur Messung von Prozessgrößen des Produktionsprozesses (3) umfasst, umfasst einen Anomalie-Detektor (16) mit zumindest einer trainierten künstlichen Intelligenz (18). Diese ist ausgebildet und trainiert, basierend auf einer Vielzahl von Messdaten (M) der Sensoren (7) Anomalien in dem Produktionsprozess (3) zu detektieren und/oder vorherzusagen. Bei Detektion und/oder Vorhersage einer Anomalie gibt der Anomalie-Detektor (16) eine Anomalie-Information (A) aus. Es können dabei Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren (La - Ld) des Produktionsprozesses (3) detektiert und vorhergesagt werden, wobei sich die Leistungsindikatoren (La - Ld) jeweils auf den gesamten Produktionsprozess (3) für die Produktion des Produktes beziehen.

Description

Beschreibung
Vorrichtung und Verfahren zur Erkennung von Anomalien in einer industriellen Anlage zur Aus führung eines Produktionsprozesses
Die Erfindung betri f ft eine Vorrichtung und ein Verfahren zur Erkennung von Anomalien in einer industriellen Anlage zur Aus führung eines Produktionsprozesses , wobei die Anlage eine Viel zahl von Sensoren zur Messung von Prozessgrößen des Produktionsprozesses umfasst .
Industrielle Anlagen, wie z . B . Anlagen der verfahrenstechnischen Industrie oder der diskreten Herstellungsindustrie , sind häufig sehr komplexe Systeme mit einer Viel zahl von Betriebsarten, einer großen räumlichen Ausdehnung und einem Zusammenwirken einer Viel zahl von Komponenten . Mit zunehmender Kommunikations fähigkeit und Vernetzung der Komponenten, insbesondere der Sensoren, werden eine Viel zahl von Daten erzeugt . Diese Daten ermöglichen es , Anomalien ( d . h . Abweichungen vom normalen Betriebsverhalten) in der Anlage zu erkennen . Es ist allerdings sehr hochquali fi ziertes und speziell trainiertes Personal notwendig, um diese Daten kontinuierlich aus zuwerten und Anomalien möglichst frühzeitig zu detektie- ren . In vielen Fällen kann ein Übersehen einer Anomalie zu Wertverlusten am Produkt ( z . B . durch eine unzureichende Qualität ) oder zu Schaden in der Anlage führen .
Mit zunehmender Zahl von Daten wird die Aufgabe , den Betrieb der Anlage zu überwachen, zunehmend schwierig und es wird zunehmend mehr Personal für die Auswertung der Datenmengen benötigt . Zur Unterstützung des Personals bzw . sogar zur automatischen Detektion von Anomalien wurden bereits verschiedenste Tools entwickelt . Beispielsweise of fenbart die WO 2019/ 141593 Al eine Vorrichtung zur Detektion von Anomalien in einem Aktorsystem (beispielsweise einem System von Motoren, Pumpen oder Förderbändern) . Die Vorrichtung umfasst einen Anomalie-Detektor mit einer trainierten künstlichen In- telligenz , die ausgebildet und trainiert ist , basierend auf einer Viel zahl von Ausgangsdaten des Aktorsystems Anomalien in dem Aktorsystem zu detektieren . Bei Detektion einer Anomalie wird von dem Anomalie-Detektor ein Anomalie-Signal ausgegeben . Die Ausgangsdaten werden hierbei beispielsweise mit Hil fe von Sensoren erzeugt , die in oder an den Aktoren angeordnet sind .
Hierdurch können Defekte oder drohende Aus fälle der Aktoren frühzeitig erkannt und rechtzeitig Gegenmaßnahmen ( z . B . Reparatur, Wartung, Austausch) eingeleitet werden .
Die US 2015/ 0324329 Al of fenbart eine Prozessmodellierungstechnik, die ein einzelnes statistisches Modell verwendet , das aus historischen Daten für einen typischen Prozess entwickelt wurde , und verwendet dieses Modell , um eine Qualitätsvorhersage oder eine Fehlererkennung für verschiedene Prozess zustände eines Prozesses durchzuführen . Es kommen dabei j eweils separate Modelle für die Qualitätsvorhersage und die Fehlererkennung zum Einsatz . Die Modellierungstechnik bestimmt hierzu Mittelwerte (und möglicherweise Standardabweichungen) von Prozessparametern für j eden aus einem Satz von Produktqualitäten, Durchsätzen usw . , und vergleicht diese mit Online-Prozessparametermessungen . Prozessanalyse-Programme können dabei in verschiedenen Geräten eines Prozesssteuerungssystems gespeichert und ablauf fähig sein . Mittels eines zentralen Process Monitoring and Quality Prediction Systems ( PMS ) kann auch ein Gesamtqualitätsparamater für den gesamten Produktionsprozess oder für ein aus dem gesamten Produktionsprozess resultierendes Produkt ermittelt werden .
Aus der CN 107797537 A ist ein Fehlervorhersagesystem für Lager für rotierende Komponenten einer automatisierten Produktionslinie bekannt . Dabei erfolgt auf Basis von Messdaten von Sensoren mit Hil fe eines Deep Learning Neuronale Netzwerk- Modells eine Echt Zeitüberwachung der Lager . Die Fehlervorhersage ist somit beschränkt auf lediglich die Lager der Produktionslinie . Die US 5 , 877 , 954 A of fenbart eine hybride Analyseeinrichtung umfassend ein aus Daten abgeleitetes primäres trainiertes Modell ( z . B . ein lineares Modell wie ein Partial Least Squares Modell ) zur Vorhersage von Ausgangsgrößen eines industriellen Prozesses und ein Fehlerkorrekturmodell ( z . B . ein nichtlineares Modell wie ein neuronales Netzwerk) zur Fehlerkorrektur der Ausgangsgrößen des primären Modells .
Ausgehend hiervon ist es Aufgabe vorliegender Erfindung, die Anomalie-Erkennung bei komplexen industriellen Anlagen noch weiter zu verbessern . Insbesondere soll hierdurch ein unter unterschiedlichen Gesichtspunkten optimaler Betrieb der gesamten Anlage ermöglicht und Führungspersonal der Anlage bei hierzu notwendigen betrieblichen Entscheidungen unterstützt werden .
Die Lösung dieser Aufgabe gelingt durch eine Vorrichtung gemäß Patentanspruch 1 und ein Verfahren gemäß Patentanspruch 9. Vorteilhafte Ausgestaltungen der Vorrichtung bzw . des Verfahrens sind j eweils Gegenstand der Unteransprüche . Ein Verfahren zur Bereitstellung einer trainierten künstlichen Intelligenz ist Gegenstand des Anspruchs 16 . Computer-Programme sind Gegenstand der Ansprüche 17 und 18 .
Die erfindungsgemäße Vorrichtung dient zur Erkennung von Anomalien in einer industriellen Anlage zur Aus führung eines Produktionsprozesses für ein Produkt , wobei die Anlage eine Viel zahl von Sensoren zur Messung von Prozessgrößen des Produktionsprozesses umfasst . Die Vorrichtung umfasst einen Anomalie-Detektor mit zumindest einer trainierten künstlichen Intelligenz , die ausgebildet und trainiert ist , basierend auf einer Viel zahl von Messdaten der Sensoren Anomalien in dem Produktionsprozess zu detektieren und/oder vorherzusagen . Der Detektor ist ausgebildet , bei Detektion und/oder Vorhersage einer Anomalie eine Anomalie- Information aus zugeben . Vorzugsweise umfasst die Anomalie- Information auch einen Zeitraum, in dem die Anomalie auf getreten ist , und/oder eine Wahrscheinlichkeit für das Vorliegen der Anomalie .
Der Anomalie-Detektor ist dabei erfindungsgemäß ausgebildet , Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren des Produktionsprozesses zu detektieren und vorherzusagen, wobei sich die Leistungsindikatoren j eweils auf den gesamten Produktionsprozess des Produktes beziehen .
Mit anderen Worten beziehen sich die Leistungsindikatoren auf den gesamten Produktionsprozess eines daraus resultierenden (End- ) Produktes .
Die künstliche Intelligenz ist dabei ausgebildet und trainiert , Anomalien sowohl zu detektieren als auch vorherzusagen, d . h . es wird beispielsweise ein gemeinsames Datenmodell sowohl zum Detektieren als auch zum Vorhersagen von Anomalien verwendet .
Die Erfindung beruht zum einen auf der Erkenntnis , dass sich im Betrieb der Anlage die Betriebs- oder Geschäfts ziele des Anlagenbetreibers ändern können, beispielsweise in Abhängigkeit von einer Marktsituation . Dies hat auch Auswirkung auf den Betrieb der Anlage . Zu einem bestimmten Zeitpunkt ist es deshalb wichtig, gerade diej enigen Anomalien in dem Produktionsprozess zu detektieren und/oder vorherzusagen, die den größten Einfluss auf das aktuell j eweils vorherrschende Betriebs- oder Geschäfts ziel haben . Derartige Betriebs- oder Geschäfts ziele beziehen sich in der Regel auf den gesamten Produktionsprozess . Entsprechend müssen sich auch aus den Sensordaten gewonnene Leistungsindikatoren auf den gesamten Produktionsprozess beziehen .
Unter dem Begri f f „Leistungsindikator" wird dabei eine Kennzahl verstanden, anhand derer ein Erfüllungsgrad hinsichtlich einer bestimmten Zielsetzung ( z . B . eines Betriebs- oder Geschäfts zieles ) bezüglich des Produktionsprozesses gemessen werden kann. Vorzugsweise handelt es sich bei einem Leistungsindikator um eine physikalisch messbare Größe, wie z.B. eine Reinheit oder Maßgenauigkeit eines Produktes, eine Stückzahl, ein Volumen, eine Menge, etc.. Als Leistungsindikator wird somit vorzugsweise eine der gemessenen Prozessgrößen oder eine daraus abgeleitete Größe (z.B. ein Mittelwert einer Prozessgröße) verwendet.
Unter dem Begriff „Produktionsprozess" wird hierbei nicht nur ein Fertigungs- oder Herstellungsprozess, sondern auch ein Bearbeitungs- , Verarbeitungs- oder Umwandlungsprozess (z.B. auch ein Energieerzeugungsprozess) verstanden.
Bei den Messdaten kann es sich um Daten zu Prozessgrößen handeln, die direkt auf Messwerten basieren. Es kann sich aber auch um Daten zu Prozessgrößen handeln, die aus Messwerten anderer Prozessgrößen abgeleitet wurden.
Beispiele für Betriebs- oder Geschäftsziele sind:
- maximale Auslastung,
- minimale Kosten,
- maximale Verkaufserlöse pro Einheit des Produktes,
- maximale Umweltf reundlichkeit ,
- maximale Produkt-Qualität,
- minimale Energiekosten,
- maximale Ausbeute der Einsatzstoffe,
- maximale Produktmenge.
Daraus resultierende mögliche Leistungsindikatoren sind:
- Qualität eines produzierten Produktes (z.B. Reinheit eines produzierten Materials) ,
- Menge an einem produzierten Produkt pro Zeiteinheit (Durchsatz) ,
- Energieverbrauch,
- Wasserverbrauch,
- Rohstoffverbrauch,
- Emissionen, ein Verhältnis oder Verhältnisse zwischen zumindest zwei der vorgenannten Leistungsindikatoren .
Mit Hil fe von künstlicher Intelligenz lassen sich komplexe Daten-Korrelation und somit komplexe Prozess zusammenhänge feststellen und damit Anomalien detektieren . Die künstliche Intelligenz kann dabei von einem Algorithmus aus dem Bereich des maschinellen Lernens oder mit Hil fe regelbasierter oder mathematischer ( z . B . statistischer ) Verfahren trainiert worden sein . Beispiele für derartige Algorithmen oder Verfahren sind neuronale Netze , Autoencoder, Gaussian Mixture Model , Boosted Gaussian Mixture Ensemble und I solation Forest , sowie Kombinationen all dieser Verfahren .
Die Erfindung ermöglicht es somit , verschiedene unterschiedliche Leistungsindikatoren zu definieren, die beispielsweise unterschiedliche Betriebs- oder Geschäfts ziele repräsentieren, und dann selektiv j e nach Ziel gezielt auf Anomalien zu überwachen, die den größten Einfluss auf das Erreichen dieses Zieles haben .
Die Erfindung lässt sich auch anwenden auf Anlagen, in denen gleichzeitig mehrere unterschiedliche Produktionsprozesse zur Aus führung gebracht werden . Mit der Erfindung können dann auch Anomalien in Leistungsindikatoren der unterschiedlichen Produktionsprozesse detektiert und vorhergesagt werden .
Die Erfindung kann dabei als eine Art „Anomalie Assistent" begleitend zum Betrieb der Anlage laufen . Es können dem Anlagenbetreiber in Abhängigkeit von Art und Dauer einer Anomalie Maßnahmen vorgeschlagen werden . Führungspersonal der Anlage kann somit bei notwendigen betrieblichen Entscheidungen unterstützt werden . Die vorgeschlagenen Maßnahmen können automatisiert auch direkt in die Steuerung und/oder Regelung der Anlage bzw . des j eweiligen Produktionsprozesses einfließen . Die Betriebs- oder Geschäfts ziele können somit direkt in Maßnahmen für eine optimale Steuerung und/oder Regelung des j eweiligen Produktionsprozesses bzw . übergrei fend der gesamten Anlage überführt werden . Die Anlage oder der j eweilige Produktionsprozess wird hierdurch in Einklang mit den Betriebsoder Geschäfts zielen der Anlage gebracht .
In einer besonders einfach realisierbaren Ausgestaltung kann der Anomalie-Detektor j eweils eine separate Anomalie-Detektor-Einheit für j eden der Leistungsindikatoren aufweisen .
Jede der Anomalie-Detektor-Einheiten kann j eweils eine separate trainierte künstliche Intelligenz umfassen, die ausgebildet und trainiert ist , für den j eweiligen Leistungsindikator die Anomalien in dem Produktionsprozess zu detektieren und vorherzusagen .
Gemäß einer bevorzugten Ausgestaltung ist der Anomalie- Detektor ausgebildet , zu einer detektierten und/oder vorhergesagten Anomalie eine Relevanz der Anomalie in Bezug auf zumindest ein, insbesondere auf mehrere unterschiedliche , Betriebs- oder Geschäfts ziel ( e ) des Produktionsprozesses zu ermitteln . Die Anomalien bzw . Gegenmaßnahmen hierfür können dann vom Betreiberpersonal des Produktionsprozesses anhand der Relevanz sehr einfach und schnell priorisiert werden .
Die Ermittlung der Relevanz kann besonders einfach durch eine Gewichtung der Leistungsindikatoren ( z . B . Durchsatz , Qualität ) in Abhängigkeit von dem zumindest einen, insbesondere den mehreren unterschiedlichen, Betriebs- oder Geschäfts zielen, erfolgen .
Dem Anlagenbetreiber kann die Relevanz dann besonders einfach durch eine Klassi fi zierung der Anomalien in unterschiedliche Meldungsklassen ( z . B . einfache Meldung, Warnung, Alarm) visualisiert werden . Wenn beispielsweise für ein bestimmtes Betriebs- oder Geschäfts ziel die Qualität des Endproduktes wichtiger ist als der Durchsatz , dann würde eine Anomalie beim Durchsatz nur zu einer „Warnung" führen, eine Anomalie bei der Qualität aber zu einem „Alarm" . Zur Ermittlung von aktuell für den Produktionsprozesses vorliegenden Betriebs- oder Geschäfts zielen umfasst der Anomalie-Detektor vorzugsweise Mittel zur Erfassung einer Auswahl- Information über zumindest ein aktuelles Betriebs- oder Geschäfts ziel des Produktionsprozesses .
Gemäß einer weiteren bevorzugten Ausgestaltung umfasst die Vorrichtung eine Konfigurationseinrichtung, die ausgebildet ist , den Anomalie-Detektor, insbesondere die künstliche Intelligenz , in Abhängigkeit von zumindest einem Betriebs- oder Geschäfts ziel des Produktionsprozesses zu konfigurieren . Der Anomalie-Detektor kann dann besser auf die j eweilige Aufgabe angepasst werden . Beispielsweise kann hierdurch eine speziell angepasste Auswahl von Messdaten oder eine spezielle Kombination von Datenanalysealgorithmen eingestellt werden, die eine besonders gute Qualität der Anomalieerkennung für die verschiedenen Leistungsindikatoren sicherstellt .
Vorzugsweise weist der Anomalie-Detektor eine gemeinsame trainierte künstliche Intelligenz für sämtliche der mehreren Leistungsindikatoren auf . Mit anderen Worten dient eine gemeinsame trainierte künstliche Intelligenz für die gleichzeitige Detektion und Vorhersage von Anomalien bei den mehreren Le istungs Indikator en .
Der Anomalie-Detektor ist dabei von Vorteil derart ausgebildet , dass er mehrere Algorithmen nutzt , die gleichzeitig miteinander Zusammenwirken . Hierdurch können in der Regel bessere Ergebnisse in der Anomalieerkennung erzielt werden .
Beispielsweise kann der Anomalie-Detektor mehrere gleichzeitig zusammenarbeitende gleichartige Algorithmen ( z . B . ein Ensemble von neuronalen Netzwerken oder ein boosted ensemble ) nutzen . Er kann aber auch mehrere gleichzeitig zusammenarbeitende unterschiedliche Algorithmen ( z . B . Multistage-Systeme mit Autoencoders , Random Forests und Convolutional Neural Networks ) nutzen, die Zusammenarbeiten . Der Anomalie-Detektor ist dabei von Vorteil als ein mehrstufiges System mit mehreren hintereinander angeordneten Datenanalyse- und Verarbeitungsstufen ausgebildet .
Gemäß einer weiteren sehr vorteilhaften Ausgestaltung ist die künstliche Intelligenz ausgebildet und trainiert , bei der Detektion und/oder Vorhersage der Anomalien eine zeitliche Abfolge der Messdaten und/oder zeitliche Zusammenhänge zwischen den Messdaten zu berücksichtigen . Mit anderen Worten erfolgt durch die künstliche Intelligenz eine Zeitreihenanalyse . Es können somit Veränderungen in Zeitreihen von Messdaten erkannt und zukünftige Zeitreihen von Leistungsindikatoren vorhergesagt werden . Wie sich herausgestellt hat , ist hierdurch eine hohe Robustheit und hohe Genauigkeit der Anomaliedetektion erzielbar ( d . h . weniger „False Positives" ) . Bei den Messdaten kann es sich hierbei um aktuelle und um historische Messdaten handeln .
Von Vorteil ist die künstliche Intelligenz auf einen Normalzustand des Produktionsprozesses bzw . der Leistungsindikatoren trainiert . Hierzu sind „Schlecht zustände" aus den Trainingsdaten entfernt . Die künstliche Intelligenz sucht somit nach Auf fälligkeiten in den Leistungsindikatoren, die sich vom antrainierten Normal zustand abheben . Hierdurch ist eine sehr breite Anwendung der Anomaliedetektion auch bei nur wenigen historischen Anomaliedaten möglich .
Gemäß einer weiteren vorteilhaften Ausgestaltung ist die künstliche Intelligenz zumindest teilweise mit simulierten Messdaten von Sensoren trainiert . Die simulierten Messdaten können beispielsweise von einem Simulator (bzw . einem Digital Twin) für den Produktionsprozess erzeugt werden . Der Simulator ( Digital Twin) kann beispielsweise auf physikalischen/ chemischen Modellen des Produktionsprozesses basieren .
Hierdurch kann ein schnelles anfängliches Training der künstlichen Intelligenz in dem Anomalie-Detektor erfolgen . Nit Hil fe der simulierten Messdaten und der realen Messdaten kann dann im Weiteren die künstliche Intelligenz kontinuierlich verbessert werden, insbesondere bei einem Scale-Up einer Produktion von Labormaßstab hin zu einer maßstäblich deutlich größeren Produktionsanlage . Es entsteht somit ein auf Anomalien fokussierender digitaler Drilling ( „Digital Triplet" ) aus Anomalie-Detektor, Simulation ( Digital Twin) und Prozessdaten ( Sensor-Messdaten) , allerdings nicht nur aus einer technischen Perspektive , sondern auch aus einer Perspektive der Betriebs- oder Geschäfts ziele der Anlage .
Bevorzugt ist der Anomalie-Detektor derart ausgebildet , dass er eine Validierung der Anomaliedetektion- und/oder -Vorhersage anhand von Abweichungen zwischen den ( realen) Messdaten der Sensoren und simulierten Messdaten der Sensoren durchführt .
Der Anomalie-Detektor kann somit Abweichungen zwischen den Ergebnissen der Simulation (bzw . des Digital Twin) und den realen Prozessdaten ( Sensor-Messdaten) zur Verbesserung der Genauigkeit der Anomaliedetektion und- vorhersage nutzen . Diese Abweichungen können dem Anomalie-Detektor ebenfalls als Zeitreihendaten zugeführt werden oder von diesem erzeugt werden .
Es ist somit eine schnellere Implementierung und ein schnellerer zuverlässiger Einsatz des Anomalie-Detektors möglich .
Während etwaige Auf fälligkeiten, die von dem Simulator (bzw . Digital Twin) detektiert werden, üblicherweise mit Hil fe von Engineering-Maßnahmen nach technischen/ kommerziellen Diskussionen gelöst werden, kann der Anomalie-Detektor direkt mit dem Betreiber der Anlage agieren und ihm in Echtzeit bei Entscheidungen bezüglich geeigneter Gegenmaßnahmen zu detektier- ten Auf fälligkeiten assistieren . Insbesondere muss der Anomalie-Detektor im Gegensatz zum Simulator (bzw . Digital Twin) nicht auf j ede einzelne Auf fälligkeit fokussieren . Vielmehr kann er als Filter agieren und nur solche Anomalien weiterleiten, die einen nennenswerten Einfluss auf Betriebs- oder Geschäfts ziele des Anlagenbetreibers haben . Dies ermöglich es dem Anlagenbetreiber sofortige Gegenmaßnahmen zur Reduzierung des Einflusses der Anomalie auf den Produktionsprozess einzuleiten .
Gemäß einer weiteren vorteilhaften Ausgestaltung sind die Leistungsindikatoren zumindest zwei unterschiedliche aus der Gruppe von :
- Qualität eines produzierten Produktes ,
- Menge an einem produzierten Produkt pro Zeiteinheit ( Durchsatz ) ,
- Energieverbrauch,
- Wasserverbrauch,
- Rohstof fverbrauch,
- Emissionen,
- ein Verhältnis oder Verhältnisse zwischen zumindest zwei der vorgenannten Leistungsindikatoren .
Vorzugsweise umfassen die zumindest zwei unterschiedlichen Leistungsindikatoren zumindest die Qualität des produzierten Produktes und die Menge an einem produzierten Produkt pro Zeiteinheit ( Durchsatz ) .
Ein erfindungsgemäßes Verfahren zur Erkennung von Anomalien in einer industriellen Anlage zur Aus führung eines Produktionsprozesses für ein Produkt , wobei die Anlage eine Viel zahl von Sensoren zur Messung von Prozessgrößen des Produktionsprozesses umfasst , umfasst die folgenden Schritte : a) Empfangen einer Viel zahl von Messdaten der Sensoren, b) Detektieren und/oder Vorhersagen von Anomalien in dem Produktionsprozess basierend auf der Viel zahl von Messdaten unter Verwendung zumindest einer trainierten künstlichen Intelligenz , c) Ausgeben einer Anomalie- Information bei Detektion und/oder Vorhersage einer Anomalie , wobei in dem Schritt b ) Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren des Produktionsprozesses detektiert und vorhergesagt werden, wobei sich die Leis- tungsindikatoren j eweils auf den gesamten Produktionsprozess für die Produktion des Produktes beziehen .
Vorzugsweise wird zu einer detektierten und/oder vorhergesagten Anomalie eine Relevanz der Anomalie in Bezug auf zumindest ein, insbesondere mehrere unterschiedliche , Betriebsoder Geschäfts ziel ( e ) des Produktionsprozesses ermittelt .
Gemäß einer weiteren vorteilhaften Ausgestaltung wird das Verfahren, insbesondere die künstliche Intelligenz , in Abhängigkeit von zumindest einem Betriebs- oder Geschäfts ziel des Produktionsprozesses konfiguriert .
Hierbei kann j eweils eine separate trainierte künstliche Intelligenz für j eden der Leistungsindikatoren verwendet werden .
Vorzugsweise wird eine gemeinsame trainierte künstliche Intelligenz für sämtliche der Leistungsindikatoren verwendet .
Für die Detektion und/oder Vorhersage der Anomalien können mehrere Algorithmen genutzt werden, die gleichzeitig miteinander Zusammenwirken .
Die künstliche Intelligenz ist vorzugsweise ausgebildet und trainiert , bei der Detektion und/oder Vorhersage der Anomalien eine zeitliche Abfolge der Messdaten und/oder zeitliche Zusammenhänge zwischen diesen Messdaten zu berücksichtigen .
Von Vorteil ist die künstliche Intelligenz anhand von Normalzustandsdaten des Produktionsprozesses trainiert .
Weiterhin ist die künstliche Intelligenz von Vorteil zumindest teilweise mit simulierten Messdaten von Sensoren trainiert .
Dabei kann auch eine Validierung der Anomaliedetektion- und/oder -vorhersage anhand von Abweichungen zwischen den Messdaten der Sensoren und simulierten Messdaten der Sensoren erfolgen .
Gemäß einer weiteren vorteilhaften Ausgestaltung sind die Leistungsindikatoren zumindest zwei unterschiedliche aus der Gruppe von :
- Qualität eines produzierten Produktes ,
- Menge an einem produzierten Produkt pro Zeiteinheit ( Durchsatz ) ,
- Energieverbrauch,
- Wasserverbrauch,
- Rohstof fverbrauch,
- Emissionen,
- ein Verhältnis oder Verhältnisse zwischen zumindest zwei der vorgenannten Leistungsindikatoren .
Die für die erfindungsgemäße Vorrichtung und deren vorteilhaften Ausgestaltungen genannten Wirkungen und Vorteile gelten entsprechend für das erfindungsgemäße Verfahren und dessen vorteilhaften Ausgestaltungen .
Ein erfindungsgemäßes Verfahren zur Bereitstellung einer trainierten künstlichen Intelligenz zur Erkennung von Anomalien in einer industriellen Anlage zur Aus führung eines Produktionsprozesses für ein Produkt , wobei die Anlage eine Viel zahl von Sensoren zur Messung von Prozessgrößen des Produktionsprozesses umfasst , umfasst die folgenden Schritte :
- Empfangen von Eingangs-Trainingsdaten, die Messdaten der Sensoren repräsentieren,
- Empfangen von Ausgangs-Trainingsdaten, die Anomalien in den Messdaten repräsentieren, wobei die Ausgangs-Trainingsdaten Zuordnungen zu zumindest einem von mehreren unterschiedlichen Leistungsindikatoren des Produktionsprozesses umfassen, wobei sich die Leistungsindikatoren j eweils auf den gesamten Produktionsprozess für die Produktion des Produktes beziehen,
- Trainieren der künstlichen Intelligenz basierend auf den Eingangs-Trainingsdaten und den Ausgangs-Trainingsdaten derart , dass diese Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren in dem Produktionsprozess detektiert und vorhersagt ,
- Bereitstellen der trainierten künstlichen Intelligenz .
Ein erstes erfindungsgemäßes Computer-Programm ( oder Computer-Programm-Produkt ) umfasst Anweisungen die , wenn das Programm auf einem Computer ausgeführt wird, den Computer veranlassen, das vorstehend beschriebene Verfahren zur Erkennung von Anomalien aus zuführen .
Ein zweites erfindungsgemäßes Computer-Programm ( oder Computer-Programm-Produkt ) umfasst Anweisungen die , wenn das Programm auf einem Computer ausgeführt wird, den Computer veranlassen, das vorstehend beschriebene Verfahren zur Bereitstellung einer trainierten künstlichen Intelligenz aus zuführen .
Die Erfindung sowie weitere vorteilhafte Ausgestaltungen der Erfindung gemäß Merkmalen der Unteransprüche werden im Folgenden anhand von Aus führungsbeispielen in den Figuren näher erläutert . Dabei sind einander entsprechende Teile mit j eweils gleichen Bezugs zeichen versehen . Es zeigen :
FIG 1 einen beispielhaften prinzipiellen Aufbau einer industriellen Anlage mit einer lokalen Anordnung einer erfindungsgemäßen Vorrichtung,
FIG 2 ein erstes Aus führungsbeispiel für einen Anomalie- Detektor,
FIG 3 ein zweites Aus führungsbeispiel für einen Anomalie- Detektor,
FIG 4 einen erfindungsgemäßen Verfahrensablauf zur Erkennung von Anomalien, FIG 5 einen beispielhaften prinzipiellen Aufbau einer industriellen Anlage mit einer cloudbasierten Anordnung einer erfindungsgemäßen Vorrichtung,
FIG 6 ein Beispiel für eine Ausgabe von Anomalien zu einem Leistungsindikator auf einer grafischen Benutzerschnittstelle ,
FIG 7 ein Beispiel für eine Detailsicht zu einer Anomalie auf einer grafischen Benutzerschnittstelle ,
FIG 8 einen beispielhaften Verfahrensablauf zur Bereitstellung einer trainierten künstlichen Intelligenz zur Erkennung von Anomalien,
FIG 9 ein erstes Aus führungsbeispiel einer Datenpipeline in einem erfindungsgemäßen Anomalie-Detektor,
FIG 10 ein zweites Aus führungsbeispiel einer Datenpipeline in einem erfindungsgemäßen Anomalie-Detektor,
FIG 11 ein Beispiel für eine Ausgabe von Anomalien zu mehreren Leistungsindikatoren mit Relevanzinformationen in Bezug auf unterschiedliche Betriebs- oder Geschäftsziele auf einer grafischen Benutzerschnittstelle .
FIG 1 zeigt in vereinfachter und beispielhafter Darstellung eine industrielle Anlage 1 mit einem Automatisierungssystem 2 zur Steuerung und/oder Regelung eines Produktionsprozesses 3 . Unter dem Begri f f „Produktionsprozess" wird hierbei nicht nur ein Fertigungs- oder Herstellungsprozess , sondern auch ein Bearbeitungs- , Verarbeitungs- oder Umwandlungsprozess ( z . B . auch ein Energieerzeugungsprozess ) verstanden .
Derartige Anlagen 1 kommen in verschiedensten Industriesektoren zum Einsatz , zum Beispiel in der Prozess- Industrie ( z . B . Papier, Chemie , Pharma, Metall , Öl- und Gas ) , der diskreten Fertigungsindustrie und in der Energieerzeugung . Das Automa- tisierungssystem 2 umfasst beispielsweise mehrere industrielle Steuerungen 4 , einen Automatisierungs-Server 5 und einen Engineering-Server 8 .
Jede der Steuerungen 4 steuert den Betrieb j eweils eines Teilbereichs des Prozesses 3 in Abhängigkeit von dessen Betriebs zuständen . Der Prozess 3 umfasst hierzu von den Steuerungen ansteuerbare Aktoren 6 . Hierbei kann es sich um einzelne Aktoren ( z . B . einen Motor, eine Pumpe , ein Ventil , ein Schalter ) , um Gruppen derartiger Aktoren oder um ganze Sektionen einer Anlage handeln . Weiterhin umfasst der Prozess Sensoren 7 , die den Steuerungen 4 Messwerte von Prozessgrößen ( z . B . Temperaturen, Drücke , Füllstände , Durchflüsse ) zur Verfügung stellen .
Ein Kommunikationsnetzwerk der Anlage 1 umfasst auf einer übergeordneten Ebene ein Anlagen-Net zwerk 11 , über das die Server 5 , 8 mit einer Mensch-Maschinen-Schnittstelle (HMI ) 10 in Kommunikation stehen, und ein Steuerungs-Netzwerk 12 , über das die Steuerungen 4 miteinander und mit den Servern 5 , 8 in Kommunikationsverbindung stehen . Die Verbindung der Steuerungen 4 mit den Aktoren 6 und Sensoren 7 kann über diskrete Signalleitungen 13 oder über einen Feldbus erfolgen .
Die Mensch-Maschinen-Schnittstelle (HMI ) 10 ist üblicherweise als Bedien- und Beobachtungsstation ausgebildet und in einer Leitwarte der Anlage 1 angeordnet .
Bei dem Automatisierungs-Server 5 kann es sich zum Beispiel um einen sogenannten „Operator-System-Server" oder „Anwendungs-Server" (Application-Server ) handeln, in dem ein oder mehrere anlagenspezi fische Anwendungsprogramme gespeichert sind und beim Betrieb der Anlage 1 zur Aus führung gebracht werden . Diese dienen beispielsweise dazu, in der Anlage 1 die Steuerungen 4 zu konfigurieren, Bediener-Aktivitäten an der Mensch-Maschine-Schnittstelle (HMI ) 10 zu erfassen und aus zuführen ( z . B . Sollwerte von Prozessvariablen einzustellen oder zu ändern) oder Meldungen für Anlagenpersonal zu erzeugen und auf der Mensch-Maschine-Schnittstelle (HMI ) 10 zur Anzeige zu bringen .
Das Automatisierungssystem 2 ohne die Feldgeräte ( d . h . ohne Aktoren 6 und Sensoren 7 ) wird häufig auch als „Prozessleitsystem" bezeichnet .
In großen industriellen Anlagen ist eine Viel zahl der vorstehend beschriebenen Komponenten im Einsatz . Manchmal können auch gleichzeitig mehrere Produktionsprozesse 3 zur Aus führung gebracht werden . Die Sensoren 7 stellen deshalb eine Viel zahl von Messdaten M von Prozessgrößen des Prozesses 3 bereit . Diese Messdaten M werden auf einem Prozessdatenarchiv-Server 14 zusammen mit Meldungen des Automatisierungs- Server 5 sowie mit Zusatzinformationen ( z . B . Chargendaten, Zustandsinformationen intelligenter Feldgeräte ) gespeichert .
Weiterhin ist eine erfindungsgemäße Vorrichtung 15 zur Erkennung von Anomalien in der Anlage 1 vorhanden . Diese umfasst einen Anomalie-Detektor 16 mit einer trainierten künstlichen Intelligenz 18 , die ausgebildet und trainiert ist , Anomalien in dem Produktionsprozess 3 basierend auf einer Viel zahl der Messdaten M zu detektieren und vorherzusagen . Bei Detektion und/oder Vorhersage einer Anomalie wird auf einer (vorzugsweise grafischen) Benutzerschnittstelle 17 eine Anomalie- Information A ausgegeben . Die Anomalie- Information A umfasst dabei vorzugsweise auch eine Information über eine Wahrscheinlichkeit für das Vorliegen einer Anomalie und eine Information über einen Zeitraum, in dem die Anomalie aufgetreten ist .
Der Anomalie-Detektor 16 ist ausgebildet , Anomalien bei mehreren unterschiedlichen Leistungsindikatoren des Produktionsprozesses 3 zu detektieren und vorherzusagen, wobei sich die Leistungsindikatoren j eweils auf den gesamten Produktionsprozess 3 beziehen . Beispiele für Leistungsindikatoren sind : - Qualität eines produzierten Produktes , - Menge an einem produzierten Produkt pro Zeiteinheit ( Durchsatz ) ,
- Energieverbrauch,
- Wasserverbrauch,
- Rohstof fverbrauch,
- Emissionen,
- ein Verhältnis oder Verhältnisse zwischen zumindest zwei der vorgenannten Leistungsindikatoren .
Die Vorrichtung 15 ist an das Anlagen-Net zwerk 11 angeschlossen und grei ft hierüber auf aktuelle und historische Messdaten M ( sowie ggf . zusätzliche Daten des Automatisierungssystems 2 ) zu, die von dem Prozessdatenarchiv-Server 14 und dem Server 5 bereitgestellt werden .
Weiterhin umfasst das Automatisierungssystem einen Simulator (bzw . Digital Twin) 9 für den Produktionsprozess 3 . Der Simulator 9 simuliert den Produktionsprozess 3 beispielsweise auf Basis physikalischer und/oder chemischer Modelle . Der Simulator 9 ist ebenfalls an das Anlagen-Net zwerk 11 angeschlossen . Die Vorrichtung 15 kann hierüber auf Simulationsdaten S des Simulators 9 zugrei fen bzw . von diesem empfangen .
Wie genauer in FIG 2 dargestellt ist , kann der Anomalie-Detektor 16 j eweils eine separate Anomalie-Detektor-Einheit 16a - 16d für j eden unterschiedlichen Leistungsindikator La - Ld aufweisen . Jede der Anomalie-Detektor-Einheiten 16a - 16d umfasst dabei j eweils eine separate trainierte künstliche Intelligenz 18a - 18d, die ausgebildet und trainiert ist , für den j eweiligen Leistungsindikator La - Ld die Anomalien in dem Produktionsprozess 3 zu detektieren und vorherzusagen .
Die Vorrichtung 15 ist ausgebildet , dem Anlagenpersonal , insbesondere dessen Führungsebene , über die Benutzerschnittstelle 17 die unterschiedlichen Leistungsindikatoren La - Ld zur Auswahl anzubieten und eine anschließende Eingabe einer Auswahl- Information W über eine Auswahl eines der Leistungsindi- katoren La - Ld, hier beispielsweise des Leistungsindikators La, zu erfassen .
Die Vorrichtung 15 aktiviert dann in Abhängigkeit von der erfassten Auswahl- Information W die dem ausgewählten Leistungsindikator La - Ld zugeordnete Anomalie-Detektor-Einheit 16a - 16d, hier die Anomalie-Detektor-Einheit 16a, und bringt den Leistungsindikator L und die Anomalie- Informationen A auf der Benutzerschnittstelle 17 zur Anzeige .
Die Anomalie-Detektor-Einheiten 16a - 16d sind weiterhin ausgebildet , aus der Viel zahl von historischen und aktuellen Messdaten M sich selbständig die für den j eweiligen Betrieb benötigten Messdaten M aus zuwählen und zu verarbeiten .
Der Anomalie-Detektor 16 bzw . dessen trainierte künstliche Intelligenz 18 kann aber auch - wie in FIG 3 dargestellt - ausgebildet sein, gleichzeitig Anomalien der mehreren unterschiedlichen Leistungsindikatoren La - Ld zu detektieren und vorherzusagen . In Abhängigkeit von der Auswahlinformation W wird dann aber nur der j eweils ausgewählte Leistungsindikator, hier beispielsweise der Leistungsindikator La, mit der zugehörigen Anomalie- Information A auf der Benutzerschnittstelle 17 zur Anzeige gebracht .
Die Vorrichtung 15 ist weiterhin ausgebildet , dem Anlagenpersonal , insbesondere dessen Führungsebene , über die Benutzerschnittstelle 17 unterschiedliche Betriebs- oder Geschäftsziele Z zur Auswahl anzubieten und eine anschließende Eingabe einer Auswahl- Information Y über eine Auswahl eines oder mehrerer der Betriebs- oder Geschäfts ziele Z zu erfassen .
Weiterhin umfasst die Vorrichtung 15 eine Konfigurationseinrichtung 19 , die ausgebildet ist , den Anomalie-Detektor 16 , insbesondere die künstliche Intelligenz 18 bzw . 18a - 18d, in Abhängigkeit von zumindest einem Betriebs- oder Geschäfts ziel des Produktionsprozesses zu konfigurieren . Der Anomalie- Detektor 16 kann dann besser auf die j eweilige Aufgabe ange- passt werden . Beispielsweise kann hierdurch eine speziell angepasste Auswahl von Messdaten oder eine spezielle Kombination von Datenanalysealgorithmen eingestellt werden, die eine besonders gute Qualität der Anomalieerkennung für die verschiedenen Leistungsindikatoren mit hoher Relevanz für ein ausgewähltes Betriebs- oder Geschäfts ziel sicherstellt .
FIG 4 zeigt in vereinfachter Darstellung einen erfindungsgemäßen Verfahrensablauf 20 in dem Anomalie-Detektor 16 von FIG 1 . In einem ersten Schritt 21 werden von diesem eine Viel zahl von aktuellen und historischen Messdaten M der Sensoren 7 empfangen . In einem zweiten Schritt 22 werden unter Verwendung der künstlichen Intelligenz 18 Anomalien in dem Produktionsprozess 3 basierend auf der Viel zahl von Messdaten M de- tektiert und vorhergesagt . Die Anomalien können dabei gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren La - Ld des Produktionsprozesses 3 detektiert und vorhergesagt werden, wobei sich die Leistungsindikatoren La - Ld j eweils auf den gesamten Produktionsprozess 3 für ein Produkt , d . h . einem aus dem Produktionsprozess resultierenden (End- ) Produkt , beziehen . In einem dritten Schritt 23 wird bei Detektion und/oder Vorhersage einer Anomalie eine Anomalie- Information A auf der Benutzerschnittstelle 17 ausgegeben .
Bevorzugt liegen die aktuellen und historischen Messdaten M als Zeitreihen von Messdaten vor und bei der Detektion und Vorhersage der Anomalien durch die künstlichen Intelligenz 18 werden eine zeitliche Abfolge der Messdaten ( aktuelle und historische Messdaten) bzw . zeitliche Zusammenhänge zwischen diesen Messdaten berücksichtigt . Mit anderen Worten erfolgt durch die künstliche Intelligenz eine Zeitreihenanalyse . Es können somit Veränderungen in Zeitreihen von Messdaten erkannt und zukünftige Zeitreihen von Leistungsindikatoren vorhergesagt werden .
Im Fall von FIG 1 ist die Vorrichtung 15 zur Erkennung von Anomalien direkt vor Ort in der Anlage 1 installiert ( „onpremise" ) . Alternativ kann - wie in FIG 5 dargestellt - die Vorrichtung 15 zur Erkennung von Anomalien auch entfernt von der Anlage im einem verteilten Rechnersystem ( „Cloud" ) installiert sein .
FIG 5 zeigt hierzu die bereits in FIG 1 gezeigte Anlage 1 mit dem Automatisierungssystem 2 und dem Produktionsprozess 3 . Im Unterschied zu FIG 1 ist j edoch die Vorrichtung 15 zur Anomalie-Erkennung in einer Cloud 30 installiert . Die Vorrichtung empfängt die Messdaten M und ggf . Simulationsdaten S des Simulators 9 über einen Verbindungs-Server 31 des Automatisierungssystems 2 und ein öf fentliches Kommunikations-Netzwerk 36 , wie z . B . das Internet . Die Leistungsindikatoren und die erzeugten Anomalie- Informationen werden wiederum über eine Benutzerschnittstelle 37 , die sich in der Anlage 1 befindet , an Personal der Anlage 1 ausgegeben . Die auf der Benutzerschnittstelle 37 aus zugebenen Informationen werden ebenfalls über das Kommunikationsnetzwerk 36 von der Vorrichtung 15 empfangen .
Zwischen dem Verbindungs-Server 31 und der Vorrichtung 15 sowie zwischen der Vorrichtung 15 und der Benutzerschnittstelle 37 können noch Firewalls 32 , 33 angeordnet sein .
Der Simulator 9 kann alternativ anstatt in der Anlage 1 ebenfalls in der Cloud 30 installiert sein .
FIG 6 zeigt beispielhaft eine Darstellung eines Leistungsindikators und zugehöriger Anomalie- Informationen, wie sie auf den grafischen Benutzerschnittstellen 17 , 37 zur Anzeige gebracht werden können .
In einem Bereich 41 wird im zeitlichen Verlauf für einen Leistungsindikator, hier beispielsweise die Qualität eines erzeugten Produktes , eine Wahrscheinlichkeit AL (AL = Anomaly Level ) für eine Anomalie dargestellt . Mit 42 sind dabei Zeitbereiche bezeichnet , in denen mit nur relativ geringer Wahrscheinlichkeit eine Anomalie vorliegt . Mit 43 ist ein Zeitbereich bezeichnet , in dem mit bereits höherer Wahrscheinlich- keit eine Anomalie vorliegt und deshalb eine Warnmeldung erzeugt wurde. Mit 44 ist ein Zeitbereich bezeichnet, in dem mit vergleichsweise hoher Wahrscheinlichkeit eine Anomalie vorliegt. Es wurde deshalb eine Alarmmeldung erzeugt. Weiterhin werden in dem Bereich 41 auch Messdaten von einigen Sensoren ausgegeben, wie beispielsweise Drücke (Pressure 1, Pressure 2, Pressure 3) , elektrische Ströme (Current 1, Current 2) und Temperaturen (Temperature 1, Temperature 2) .
In einem Bereich 45 werden die neuesten Alarmmeldungen („Alarm (level 66)") und Warnmeldungen („Warning (level 66)") aller überwachten Produktionsprozesse oder eines ausgewählten Produktionsprozesses (hier Prozess A2 ) ausgegeben. Im Zusammenhang mit dem Alarm wird auch der überwachte Leistungsindikator (hier die Qualität bzw. „Quality") , die Auswirkung der Anomalie (hier eine Qualitätsreduzierung bzw. „Quality Reduction") sowie eine Ursache (hier „Quality reduction due to change in immediate product") ausgegeben.
In einem Bereich 46 wird der Produktionsprozess mit den neuesten detektierten oder vorhergesagten Anomalien an oberster Stelle einer Liste der Produktionsprozesse (hier Prozess A2, Prozess Al, Prozess Bl) zusammen mit jeweils einer Information über die letzte Anomalie, der Zahl der Anomalien in den letzten 24 h und der Gesamtzahl an Anomalien ausgegeben.
In einem Bereich 47 werden zusätzliche Informationen zum ausgewählten Produktionsprozess, wie z.B. vom Prozessleitsystem, mit Hilfe von Verknüpfungen eingebunden.
FIG 7 zeigt beispielhaft eine Ausgabe von Detailinformationen zu dem zeitlichen Verlauf der Wahrscheinlichkeit AL für eine Anomalie des ausgewählten Leistungsindikators.
In einem Bereich 51 werden über der Zeit hierbei zusätzlich zur der Anomalie-Wahrscheinlichkeit AL auch noch zeitliche Verläufe von Messdaten ausgegeben, zu denen in einem Bereich 52 eine Legende ausgegeben wird. In einem Bereich 53 werden eine Einstufung ( „rating" ) des Alarms , eine Klassi fi zierung bzw . Auswirkung in Bezug auf den Leistungsindikator ( „classi fication" ) und eine Ursachenanalyse ( „Note" ) ausgegeben .
FIG 8 zeigt in vereinfachter Darstellung einen erfindungsgemäßen Verfahrensablauf 60 zur Bereitstellung einer trainierten künstlichen Intelligenz zur Erkennung von Anomalien in der Anlage 1 von FIG 1 oder FIG 5 .
In einem ersten Schritt 61 werden Eingangs-Trainingsdaten, die historische Messdaten M der Sensoren 7 repräsentieren, empfangen . Bevorzugt handelt es sich hierbei um Zeitreihen von Messdaten .
In einem zweiten Schritt 62 werden Ausgangs-Trainingsdaten, die Anomalien in den historischen Messdaten M repräsentieren, empfangen, wobei die Ausgangs-Trainingsdaten Zuordnungen zu zumindest einem von mehreren unterschiedlichen Leistungsindikatoren La - Ld des Produktionsprozesses 3 umfassen . Die Leistungsindikatoren La - Ld beziehen sich j eweils auf den gesamten Produktionsprozess 3 .
In einem dritten Schritt 63 wird die künstliche Intelligenz basierend auf den Eingangs-Trainingsdaten und den Ausgangs- Trainingsdaten derart trainiert , dass diese Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren in dem Produktionsprozess 3 detektiert und vorhersagt . Die künstliche Intelligenz kann dabei von einem Algorithmus aus dem Bereich des maschinellen Lernens oder mit Hil fe regelbasierter oder mathematischer ( z . B . statistischer ) Verfahren trainiert werden . Besonders vorteilhafte Algorithmen oder Verfahren sind neuronale Netze , Autoencoder, Gaussian Mixture Model , Boosted Gaussian Mixture Ensemble und I solation Forest , sowie Kombinationen all dieser Verfahren . Als Trainingsverfahren kann im Fall neuronaler Netze beispielsweise Backpropagation mit gradientenbasierter Optimierung zum Einsatz kommen .
Bevorzugt ist die künstliche Intelligenz ausgebildet und trainiert , bei der Detektion und Vorhersage der Anomalien eine zeitliche Abfolge der Messdaten ( aktuelle und historische Messdaten) bzw . zeitliche Zusammenhänge zwischen den Messdaten zu berücksichtigen . Mit anderen Worten erfolgt durch die künstliche Intelligenz eine Zeitreihenanalyse . Es können somit Veränderungen in Zeitreihen von Messdaten erkannt und zukünftige Zeitreihen von Leistungsindikatoren vorhergesagt werden . Beispielsweise werden Korrelationen zwischen sämtlichen aktuellen und historischen Messwerten aller Sensoren ermittelt .
Weiterhin ist die künstliche Intelligenz bevorzugt auf einen Normal zustand des Produktionsprozesses bzw . der Leistungsindikatoren trainiert . Hierzu werden „Schlecht zustände" aus den Trainingsdaten entfernt . Die künstliche Intelligenz sucht somit nach Auf fälligkeiten in den Leistungsindikatoren, die sich vom antrainierten Normal zustand abheben .
In einem vierten Schritt 64 wird die trainierte künstliche Intelligenz bereitgestellt .
FIG 9 zeigt in vereinfachter Darstellung für den Anomalie- Detektor 16 von FIG 3 eine beispielhafte Datenpipeline PI , d . h . verschiedene hintereinander angeordnete Datenanalyse- und/oder -Verarbeitungselemente , wobei ein nachfolgendes Datenanalyse- und/oder -Verarbeitungselement Ergebnisse zumindest eines vorherigen Datenanalyse- und/oder -Verarbeitungselementes verarbeitet . Optionale Komponenten und Datenflüsse sind dabei mit strichlierten Linien dargestellt .
Der Anomalie-Detektor 16 bzw . die Datenpipeline PI ist mehrstufig aufgebaut und umfasst drei hintereinander geschaltete Stufen Detektion ( D) , Klassi fikation (K) und Nachbearbeitung (Postprocessing) N, die jeweils Messdaten M der Prozessgrößen (aktuelle und historische) in Form von Zeitreihen empfangen.
In der Detektionsstufe D werden mit Hilfe künstlicher Intelligenz aus den empfangenen Messdaten M geschätzte Normalwerte E (d.h. „normale" Werte ohne Vorliegen einer Anomalie) für mehrere unterschiedliche Leistungsindikatoren (z.B. Qualität, Durchsatz) sowie Zeiten T von Abweichungen der Leistungsindikatoren von Normalwerten ermittelt und ausgegeben. Mit anderen Worten wird nach Auffälligkeiten in den Messdaten bzw. in deren Korrelationen gesucht, die sich vom antrainierten Normalzustand abheben.
Die künstliche Intelligenz arbeitet dabei vorzugsweise mit Hilfe von Unsupervised Learning (aber auch Supervised und Semisupervised Learning ist möglich) .
Wie sich herausgestellt hat, können für Messdaten von Sensoren in industriellen Produktionsanlagen mit dem Boosted Gaussian Mixture Ensemble Verfahren besonders gute Ergebnisse erzielt werden. Es kann dabei auch die Historie berücksichtigt werden, z.B. mit Hilfe von Long Short Term Memory (LSTM) Neural Networks .
In der Klassifizierungsstufe K erfolgt mit Hilfe künstlicher Intelligenz aus den empfangenen Messdaten M und den empfangenen geschätzten Normalwerten E der Leistungsindikatoren (z.B. Qualität, Durchsatz) sowie Zeitdauern T von Abweichungen von den Normalwerten eine Zuordnung (Klassifizierung) zu bekannten antrainierten Anomalietypen. Es wird eine Anomalieinformation A erzeugt, die den betroffenen Leistungsindikator L (z.B. Qualität, Durchsatz) , den Typ AT der Anomalie (z.B. Qualitätsreduzierung, Durchsatzreduzierung) , einen möglichen Grund C für die Anomalie und eine Wahrscheinlichkeit AL für das Vorliegen der Anomalie umfasst. Die künstliche Intelligenz in der Stufe K kann dabei mit überwachten ( supervised) oder regelbasierten Verfahren arbeiten . Vorzugsweise kommen neuronale Netzwerke zum Einsatz .
In der Nachbearbeitungsstufe N ( Postprocessing) wird abschließend eine Anomalierelevanz AR ( d . h . eine Relevanz einer ermittelten Anomalie ) in Bezug auf ein oder mehrere Betriebsoder Geschäfts ziele Z der Anlage 1 ermittelt .
Die Nachbearbeitungsstufe N erhält hierzu die von der Stufe D ermittelten Normalwerte E der Leistungsindikatoren L ( z . B . Qualität , Durchsatz ) sowie Zeiten T von Abweichungen der Leistungsindikatoren L von den Normalwerten als Eingangsgrößen . Weiterhin empfängt die Stufe N als Eingangsgröße die von der Stufe K erzeugten Anomalieinformationen A.
Außerdem liegt in der Stufe N eine Information über aktuelle Betriebs- oder Geschäfts ziele Z der Anlage 1 vor . Diese Information kann bereits fest in der Stufe N hinterlegt sein, oder kann - wie im Zusammengang mit FIG 1 - 3 erläutert wurde - über die Benutzerschnittstelle 17 erfasst , oder anderweitig von extern empfangen werden . Die Information kann beispielsweise in Form von Gewichtungen für die unterschiedlichen Leistungsindikatoren L in Bezug auf unterschiedliche Betriebs- oder Geschäfts ziele Z der Anlage vorliegen .
Je nach Gewichtung werden von der Stufe N entsprechende Punktwerte ( „Scores" ) für die Bedeutung von ermittelten Anomalien in Bezug auf das Erreichen der Betriebs- oder Geschäfts ziele Z ermittelt und als Relevanz AR der j eweiligen Anomalie für das bzw . die Betriebs- oder Geschäfts ziele Z ausgegeben .
Für den Betreiber der Anlage ist somit ersichtlich, welche Relevanz eine ermittelte Anomalie in Bezug auf j edes seiner Betriebs- oder Geschäfts ziele Z hat und er kann entsprechend einer Priorisierung seiner Betriebs- oder Geschäfts ziele Z geeignete Maßnahmen einleiten . Beispielsweise kann er Gegen- maßnahmen zur Beseitigung von Anomalien mit Relevanz für hoch priorisierte Betriebs- oder Geschäfts ziele Z sofort einleiten und Gegenmaßnahmen zur Beseitigung von Anomalien mit Relevanz für niedrig priorisierte Betriebs- oder Geschäfts ziele Z vorerst zurückstellen .
Besonders vorteilhaft realisiert die Stufe N ein Postprocessing, um die Qualität der Anomalie-Erkennung zu verbessern . Für dieses Postprocessing können beispielsweise Anomalien, die mit anderen Methoden ( z . B . Kennfeld-Methoden oder regelbasierte Methoden) ermittelt wurden oder aus einem klassischen Modell (hybrid) stammen, herangezogen werden . Das heisst , es erfolgt eine Validierung von Anomalien mit auf anderem Wege ermittelten Anomalien . Es besteht auch die Möglichkeit , die Messdaten zu nutzen, um die Qualität der Anomalie-Erkennung zu erhöhen . So kann z . B . ein bestimmtes Verhalten der Messwerte zur Validierung der Anomalien herangezogen werden . Das Postproccessing kann durch j ede Form von Filterung, nötigenfalls auch wieder mit einer KI aber auch z . B . durch Regeln bezüglich der Messgrößen erfolgen .
Bei einer in FIG 10 gezeigten Datenpipeline P2 folgt im Vergleich zu der Datenpipeline PI von FIG 9 nach der Klassi fizierungsstufe K zuerst eine Bewertungsstufe B und danach eine Nachbearbeitungsstufe N ' .
In der Bewertungsstufe B wird eine Anomalierelevanz AR ( d . h . eine Relevanz einer ermittelten Anomalie ) in Bezug auf ein oder mehrere Betriebs- oder Geschäfts ziele Z der Anlage 1 ermittelt .
Die Bewertungsstufe B empfängt hierzu als Eingangsgrößen die von der Stufe D ausgegeben Normalwerte E der Leistungsindikatoren L sowie Zeiten T von Abweichungen der Leistungsindikatoren L von den Normalwerten . Weiterhin empfängt die Stufe B als Eingangsgröße die von der Stufe K erzeugten Anomalieinformationen A. Außerdem liegt in der Stufe B eine Information über aktuelle Betriebs- oder Geschäfts ziele Z der Anlage 1 vor . Diese Information kann bereits fest in der Stufe B hinterlegt sein, oder beispielsweise von der Stufe B über die Benutzerschnittstelle 17 empfangen werden . Diese Information kann beispielsweise in Form von Gewichtungen für die unterschiedlichen Leistungsindikatoren in Bezug auf unterschiedliche Betriebsoder Geschäfts ziele Z der Anlage vorliegen .
Je nach Gewichtung werden durch die Stufe B entsprechende Punktwerte ( „Scores" ) für die Bedeutung von ermittelten Anomalien in Bezug auf das Erreichen der Betriebs- oder Geschäfts ziele Z ermittelt und als Relevanz AR der Anomalie für die Betriebs- oder Geschäfts ziele Z ausgegeben .
Die Nachbearbeitungsstufe N ' ( Post Processing) dient zur Filterung der in den vorherigen Stufen ermittelten Informationen . Beispielsweise erfolgt eine Unterdrückung nicht relevanter Warnmeldungen oder nur gering wahrscheinlicher Anomalieinformationen, z . B . unter Berücksichtigung der Historie der Messdaten oder der Leistungsindikatoren . Auch dies erfolgt von Vorteil in Abhängigkeit der Betriebs- oder Geschäfts ziele Z .
Im Ergebnis werden dem Betreiber der Anlage somit auf einer Anzeige , zum Beispiel der Benutzerschnittstelle 17 von FIG 1 - 3 oder der Benutzerschnittstelle 37 von FIG 5 , nur Anomalieinformationen ( z . B . Relevanz , Zeitbereich T , wahrscheinliche Ursache ) und Warnmeldungen oder Alarme zu Anomalien mit hinreichend hoher Relevanz für sein ( e ) Betriebs- oder Geschäfts ziel ( e ) angezeigt .
Von Vorteil liegt die Information über aktuelle Betriebsoder Geschäfts ziele Z der Anlage 1 auch in den Stufen D und K vor .
Beispielsweis kann anhand dieser Information eine Konfiguration der Datenpipeline P2 bzw . der einzelnen Stufen D, K, B, N ' erfolgen, z . B . für eine Auswahl und Kombination besonders geeigneter Verfahren oder Modelle zur Datenanalyse oder für eine Auswahl ( oder einem Ausschluss ) von Daten für die weitere Analyse . Wenn beispielsweise bekannt ist , dass ein Schlecht zustand in den Trainingsdaten keinen Einfluss auf den wichtigsten Leistungsindikator für ein Betriebs- oder Geschäfts ziel hat , kann er in den Trainingsdaten verbleiben und muss nicht entfernt werden .
Wie bereits in Zusammenhang mit FIG 9 erläutert , realisiert die Stufe N ' ein Postprocessing, um die Qualität der Anomalie Erkennung zu verbessern . Für dieses Postprocessing können beispielsweise Anomalien, die mit anderen Methoden ( z . B . Kennfeld-Methoden oder regelbasierte Methoden) ermittelt wurden oder aus einem klassischen Modell (hybrid) stammen, herangezogen werden . Das heisst , es erfolgt eine Validierung von Anomalien mit auf anderem Wege ermittelten Anomalien . Auch ein bestimmtes Verhalten der Messwerte kann zur Validierung der Anomalien herangezogen werden .
Wie in FIG 10 weiterhin angedeutet ist , können den Stufen D, K, B und N ' auch simulierte Sensordaten S zugeführt werden, die von dem Simulator (bzw . Digital Twin) 9 des Produktionsprozesses 3 erzeugt werden .
Hierdurch kann ein anfängliches Training der künstlichen Intelligenz 18 in dem Anomalie-Detektor 16 bzw . in den verschiedenen Stufen der Datenpipeline P2 erfolgen . Nit Hil fe der Simulationsdaten S und der tatsächlichen realen Messdaten M kann dann im Weiteren die künstliche Intelligenz in der Datenpipeline P2 kontinuierlich verbessert werden, insbesondere bei einem Scale-Up einer Produktion von Labormaßstab hin zu einer maßstäblich deutlich größeren Produktionsanlage . Es entsteht somit ein auf Anomalien fokussierender digitaler Drilling ( „Digital Triplet" ) aus Anomalie-Detektor 16 , Simulator ( Digital Twin) 9 und Prozessdaten ( Sensor-Messdaten M) , allerdings nicht nur aus einer technischen Perspektive , son- dern auch aus einer Perspektive der Betriebs- oder Geschäftsziele der Anlage 1 .
Der Anomalie-Detektor 16 kann Abweichungen zwischen den Ergebnissen des Simulators (bzw . Digital Twin) 9 und den realen Prozessdaten ( Sensor-Messdaten M) zur Validierung von Anomalien und somit zur Verbesserung der Genauigkeit der Anomaliedetektion und- vorhersage nutzen . Diese Abweichungen können dem Anomalie-Detektor ebenfalls als Zeitreihendaten zugeführt werden oder von diesem erzeugt werden .
Es ist somit eine schnellere Implementierung und ein schneller zuverlässiger Einsatz des Anomalie-Detektors 16 möglich .
Während etwaige Auf fälligkeiten, die von dem Simulator ( Digital Twin) 9 detektiert werden, üblicherweise mit Hil fe von Engineering-Maßnahmen nach technische/ kommerziellen Diskussionen gelöst werden, agiert der Anomalie-Detektor 16 direkt mit dem Betreiber der Anlage und assistiert ihm in Echtzeit- Entscheidungen bezüglich geeigneter Gegenmaßnahmen zu detek- tierten Auf fälligkeiten . Insbesondere fokussiert der Anomalie-Detektor 16 im Gegensatz zum Simulator ( Digital Twin) 9 nicht auf j ede einzelne Auf fälligkeit . Vielmehr agiert er als Filter und leitet nur solche Anomalien weiter, die einen nennenswerten Einfluss auf Betriebs- oder Geschäfts ziele des Anlagenbetreibers haben . Dies ermöglich es dem Anlagenbetreiber sofortige Gegenmaßnahmen zur Reduzierung des Einflusses der Anomalie auf den Produktionsprozess zu reduzieren .
Auch hier können in dem Anomalie-Detektor 16 bzw . in den verschiedenen Stufen der Datenpipeline P2 grundsätzlich Methoden des Unsupervised, Supervised oder Semi-supervised Learning sowie andere Lernalgorithmen zum Einsatz kommen . Da j edoch nun ein Weg vorliegt , direkt in Bezug auf die bekannte Wahrheit ( „Known Truth" ) hinter Simulationen zu optimieren, kommt in der Stufe D bevorzugt Supervised Learning zum Einsatz . Der entscheidende Unterschied zwischen Ansätzen auf Basis von Daten ohne exakte Kenntnis der tatsächlichen Wahrheit , wie un- markierte historische Daten ( „unlabeled data" ) , und Daten aus Simulationen, liegt darin, dass nicht nur abstrakte Informationen, sondern die tatsächlichen Ursachen und detaillierte Korrelationen gewonnen werden können .
Um eine hybride Lösung zu erlangen, kann die künstliche Intelligenz , z . B . ein neuronales Netzwerk, in Kombination mit multiplen Datenquellen benutzt werden . Einige Datenquellen können detaillierte Meta- Informationen enthalten, andere weniger detailliertes Hintergrundwissen, aber dafür realistischere Korrelationen, z . B . aus der realen Anlage .
Beispielsweise könnte ein neuronales Netzwerk zum Einsatz kommen, das im ersten Schritt mit Daten aus einem Digital Twin vortrainiert ist , die es erlauben, einige grundsätzliche Kategorien von Anomalien zu erlernen, und das dann in einem zweiten Schritt auf Basis historischer Anlagendaten nachtrainiert wird .
Alternativ kann die künstliche Intelligenz auch zuerst in einem ersten Schritt mit realen Anlagendaten hinsichtlich Korrelationen trainiert werden (Unsupervised, Semi-supervised oder hauptsächlich Supervised) und später in einem zweiten Schritt verbessert werden, um entdeckte Muster mit relevanten Anomalien in Verbindung zu bringen .
Dies muss nicht notwendig in unterschiedliche Trainingphasen aufgeteilt werden, sondern kann auch über Datenerweiterung (data augmentation) oder durch passendes Mischen von Daten aus verschiedenen Quellen erfolgen .
Die Vorteile dieses Ansatzes müssen auch nicht durch Training eines einzelnen Algorithmus erzielt werden, sondern können auf mehrere lern- oder regelbasierte Systeme aufgeteilt werden . Beispielsweise könnte eine Aufteilung in ein neuronales Netzwerk, das auf historischen Daten trainiert worden ist , und ein regel-basiertes System oder ein Supervised Tree Lernsystem, erfolgen . Welche Messdaten in welchen Stufen verwendet werden, kann sich aus den Regeln eines regelbasierten Teiles der Nachbearbeitung, aus einem antrainierten neuronalen Netz oder als Ergebnis eines Simulationsmodells ergeben .
FIG 11 zeigt ein Beispiel für eine Ausgabe von Anomalien zu mehreren Leistungsindikatoren mit Relevanzinformationen in Bezug auf unterschiedliche Betriebs- oder Geschäfts ziele auf einer grafischen Benutzerschnittstelle . Dabei ist ein Anoma- lielevel AL, d . h . eine Wahrscheinlichkeit für das Vorliegen einer Anomalie , über der Zeit t aufgetragen . Der Anomaliele- vel AL berücksichtigt dabei Anomalien bei mehreren unterschiedlichen Leistungsindikatoren . In den Bereichen 71 und 73 liegen dabei j eweils Anomalien im Bereich der Qualität vor . Im Bereich 72 liegt dagegen eine Anomalie im Bereich des Durchsatzes vor . Da das aktuelle Betriebs- oder Geschäfts ziel der Qualität eine größere Bedeutung beimisst als dem Durchsatz , wurde in Bezug auf die Qualitäts-Anomalie ein Alarm 74 erzeugt , in Bezug auf die Durchsatzanomalie lediglich eine Warnung 75 .

Claims

Patentansprüche
1. Vorrichtung (15) zur Erkennung von Anomalien in einer industriellen Anlage (1) zur Ausführung eines Produktionsprozesses (3) für ein Produkt, wobei die Anlage eine Vielzahl von Sensoren (7) zur Messung von Prozessgrößen des Produktionsprozesses (3) umfasst, umfassend einen Anomalie-Detektor (16) mit zumindest einer trainierten künstlichen Intelligenz (18) , die ausgebildet und trainiert ist, basierend auf einer
Vielzahl von Messdaten (M) der Sensoren (7) Anomalien in dem Produktionsprozess (3) zu detektieren und/oder vorherzusagen, und wobei der Anomalie-Detektor (16) ausgebildet ist, bei Detektion und/oder Vorhersage einer Anomalie eine Anomalie- Information (A) auszugeben, dadurch gekennzeichnet, dass der Anomalie-Detektor (16) ausgebildet ist, Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren (La - Ld) des Produktionsprozesses (3) zu detektieren und vorherzusagen, wobei sich die Leistungsindikatoren (La - Ld) jeweils auf den gesamten Produktionsprozess (3) für die Produktion des Produktes beziehen .
2. Vorrichtung (15) nach Anspruch 1, wobei der Anomalie- Detektor (16) ausgebildet ist, zu einer detektierten und/oder vorhergesagten Anomalie eine Relevanz der Anomalie in Bezug auf zumindest ein, insbesondere auf mehrere unterschiedliche, Betriebs- oder Geschäftsziel (e) (Z) des Produktionsprozesses (3) zu ermitteln.
3. Vorrichtung (15) nach Anspruch 1 oder 2, umfassend eine Konfigurationseinrichtung (19) , die ausgebildet ist, den Anomalie-Detektor (16) , insbesondere die künstliche Intelligenz
(18) , in Abhängigkeit von zumindest einem Betriebs- oder Geschäftsziel (Z) des Produktionsprozesses (3) zu konfigurieren .
4. Vorrichtung (15) nach einem der vorhergehenden Ansprüche, mit einer gemeinsamen trainierten künstlichen Intelligenz 34
(18) für sämtliche der mehreren Leistungsindikatoren (La - Ld) .
5. Vorrichtung (15) nach einem der vorhergehenden Ansprüche, wobei die künstliche Intelligenz (18) ausgebildet und trainiert ist, bei der Detektion und/oder Vorhersage der Anomalien eine zeitliche Abfolge der Messdaten (M) und/oder zeitliche Zusammenhänge zwischen den Messdaten (M) zu berücksichtigen .
6. Vorrichtung (15) nach einem der vorhergehenden Ansprüche, wobei die künstliche Intelligenz (18) zumindest teilweise mit simulierten Messdaten (S) von Sensoren trainiert ist.
7. Vorrichtung (15) nach einem der vorhergehenden Ansprüche, wobei der Anomalie-Detektor (16) derart ausgebildet ist, dass er eine Validierung der Anomaliedetektion- und/oder -Vorhersage anhand von Abweichungen zwischen den Messdaten (M) der Sensoren und simulierten Messdaten (S) der Sensoren durchführt .
8. Vorrichtung (15) nach einem der vorhergehenden Ansprüche, wobei die Leistungsindikatoren (La - Ld) zumindest zwei unterschiedliche sind aus der Gruppe von:
- Qualität eines produzierten Produktes,
- Menge an einem produzierten Produkt pro Zeiteinheit (Durchsatz) ,
- Energieverbrauch,
- Wasserverbrauch,
- Rohstoffverbrauch,
- Emissionen,
- ein Verhältnis oder Verhältnisse zwischen zumindest zwei der vorgenannten Leistungsindikatoren.
9. Verfahren zur Erkennung von Anomalien in einer industriellen Anlage (1) zur Ausführung eines Produktionsprozesses (3) für ein Produkt, wobei die Anlage (1) eine Vielzahl von Sen- soren (7) zur Messung von Prozessgrößen des Produktionsprozesses (3) umfasst, umfassend die folgenden Schritte: a) Empfangen einer Vielzahl von Messdaten (M) der Sensoren
(7) , b) Detektieren und/oder Vorhersagen von Anomalien in dem Produktionsprozess (3) basierend auf der Vielzahl von Messdaten (M) unter Verwendung zumindest einer trainierten künstlichen Intelligenz (18) , c) Ausgeben einer Anomalie-Information (A) bei Detektion und/oder Vorhersage einer Anomalie, dadurch gekennzeichnet, dass in dem Schritt b) Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren (La - Ld) des Produktionsprozesses (3) detektiert und vorhergesagt werden, wobei sich die Leistungsindikatoren (La - Ld) jeweils auf den gesamten Produktionsprozess (3) für die Produktion des Produktes beziehen.
10. Verfahren nach Anspruch 9, wobei zu einer detektierten und/oder vorhergesagten Anomalie eine Relevanz der Anomalie in Bezug auf zumindest ein, insbesondere mehrere unterschiedliche, Betriebs- oder Geschäftsziel (e) (Z) des Produktionsprozesses (3) ermittelt wird.
11. Verfahren nach Anspruch 9 oder 10, wobei eine gemeinsame trainierte künstliche Intelligenz (18) für sämtliche der Leistungsindikatoren (La - Ld) verwendet wird.
12. Verfahren nach einem der Ansprüche 9 bis 11, wobei die künstliche Intelligenz (18) ausgebildet und trainiert ist, bei der Detektion und/oder Vorhersage der Anomalien eine zeitliche Abfolge der Messdaten (M) und/oder zeitliche Zusammenhänge zwischen den Messdaten (M) zu berücksichtigen.
13. Verfahren nach einem der Ansprüche 9 bis 12, wobei die künstliche Intelligenz (18) zumindest teilweise mit simulierten Messdaten (S) von Sensoren trainiert ist.
14. Verfahren nach einem der Ansprüche 9 bis 13, wobei eine Validierung der Anomaliedetektion- und/oder -vorhersage anhand von Abweichungen zwischen den Messdaten (M) der Sensoren und simulierten Messdaten (S) der Sensoren erfolgt.
15. Verfahren nach einem der Ansprüche 9 bis 14, wobei die Leistungsindikatoren (La - Ld) zumindest zwei unterschiedliche sind aus der Gruppe von:
- Qualität eines produzierten Produktes,
- Menge an einem produzierten Produkt pro Zeiteinheit (Durchsatz) ,
- Energieverbrauch,
- Wasserverbrauch,
- Rohstoffverbrauch,
- Emissionen,
- Verhältnissen zwischen zumindest zwei der vorgenannten Le istungs Indikatoren .
16. Verfahren zur Bereitstellung einer trainierten künstlichen Intelligenz (18) zur Erkennung von Anomalien in einer industriellen Anlage (1) zur Ausführung eines Produktionsprozesses (3) für ein Produkt, wobei die Anlage (1) eine Vielzahl von Sensoren (7) zur Messung von Prozessgrößen des Produktionsprozesses (3) umfasst, mit den folgenden Schritten:
- Empfangen von Eingangs-Trainingsdaten, die Messdaten (M) der Sensoren (7) repräsentieren,
- Empfangen von Ausgangs-Trainingsdaten, die Anomalien in den Messdaten (M) repräsentieren, wobei die Ausgangs-Trainingsdaten Zuordnungen zu zumindest einem von mehreren unterschiedlichen Leistungsindikatoren (La - Ld) des Produktionsprozesses (3) umfassen, wobei sich die Leistungsindikatoren (La - Ld) jeweils auf den gesamten Produktionsprozess für die Produktion des Produktes (3) beziehen,
- Trainieren der künstlichen Intelligenz (18) basierend auf den Eingangs-Trainingsdaten und den Ausgangs-Trainingsdaten derart, dass diese Anomalien gleichzeitig bei mehreren unterschiedlichen Leistungsindikatoren (La - Ld) in dem Produktionsprozess (3) detektiert und vorhersagt, - Bereitstellen der trainierten künstlichen Intelligenz ( 18 ) .
17 . Computer-Programm umfassend Anweisungen die , wenn das
Programm auf einem Computer ausgeführt wird, den Computer veranlassen, das Verfahren nach einem der Ansprüche 9 bis 15 aus zuführen .
18 . Computer-Programm umfassend Anweisungen die , wenn das
Programm auf einem Computer ausgeführt wird, den Computer veranlassen, das Verfahren nach Anspruch 16 aus zuführen .
PCT/EP2021/075610 2020-09-30 2021-09-17 Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses WO2022069258A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/029,277 US20230376024A1 (en) 2020-09-30 2021-09-17 Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process
EP21778101.2A EP4193227A1 (de) 2020-09-30 2021-09-17 Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses
CN202180067036.XA CN116235121A (zh) 2020-09-30 2021-09-17 识别用于执行生产过程的工业设施中的异常的装置和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20199293.0 2020-09-30
EP20199293 2020-09-30

Publications (1)

Publication Number Publication Date
WO2022069258A1 true WO2022069258A1 (de) 2022-04-07

Family

ID=72709122

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/075610 WO2022069258A1 (de) 2020-09-30 2021-09-17 Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses

Country Status (4)

Country Link
US (1) US20230376024A1 (de)
EP (1) EP4193227A1 (de)
CN (1) CN116235121A (de)
WO (1) WO2022069258A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4280007A1 (de) * 2022-05-16 2023-11-22 Yokogawa Electric Corporation Vorrichtung, verfahren und programm zur überwachung eines geräts

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5877954A (en) 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
US20150324329A1 (en) 2011-09-19 2015-11-12 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
EP3098681A1 (de) * 2015-05-27 2016-11-30 Tata Consultancy Services Limited Auf künstlicher intelligenz basierendes gesundheitsmanagement eines hostsystems
CN107797537A (zh) 2017-11-10 2018-03-13 上海第二工业大学 一种应用于自动化生产线的故障预测与健康管理方法
WO2019141593A1 (en) 2018-01-22 2019-07-25 Siemens Aktiengesellschaft Apparatus for monitoring an actuator system, method for providing an apparatus for monitoring an actuator system and method for monitoring an actuator system
EP3693823A1 (de) * 2019-02-05 2020-08-12 Samsung Display Co., Ltd. Vorrichtung und verfahren zur detektion eines fehlers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5877954A (en) 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
US20150324329A1 (en) 2011-09-19 2015-11-12 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
EP3098681A1 (de) * 2015-05-27 2016-11-30 Tata Consultancy Services Limited Auf künstlicher intelligenz basierendes gesundheitsmanagement eines hostsystems
CN107797537A (zh) 2017-11-10 2018-03-13 上海第二工业大学 一种应用于自动化生产线的故障预测与健康管理方法
WO2019141593A1 (en) 2018-01-22 2019-07-25 Siemens Aktiengesellschaft Apparatus for monitoring an actuator system, method for providing an apparatus for monitoring an actuator system and method for monitoring an actuator system
EP3693823A1 (de) * 2019-02-05 2020-08-12 Samsung Display Co., Ltd. Vorrichtung und verfahren zur detektion eines fehlers

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4280007A1 (de) * 2022-05-16 2023-11-22 Yokogawa Electric Corporation Vorrichtung, verfahren und programm zur überwachung eines geräts

Also Published As

Publication number Publication date
CN116235121A (zh) 2023-06-06
EP4193227A1 (de) 2023-06-14
US20230376024A1 (en) 2023-11-23

Similar Documents

Publication Publication Date Title
DE102017000536B4 (de) Zellsteuereinheit zum Feststellen einer Ursache einer Anomalie bei einer Fertigungsmaschine
DE60212121T2 (de) Erzeugung von prozessverwandten daten
EP0893746B1 (de) Prozessdiagnosesystem und -Verfahren
EP3279756B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
EP3077878B1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE112011101738T5 (de) Mehrstufiges Prozessmodellierungsverfahren
DE19743600B4 (de) Verfahren zur Überwachung eines zyklischen Produktionsprozesses
EP1543394A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
EP0768584B1 (de) Verfahren zur Überwachung einer Maschine oder Anlage
EP1250632A1 (de) System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen
EP0789864B1 (de) Überwachungssystem für eine technische anlage
EP3232282B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
DE102021124253A1 (de) Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
EP2971768B2 (de) Entwicklung eines uebergeordneten modells
WO2022069258A1 (de) Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses
WO2022195050A1 (de) Verfahren und system zur prädiktion des betriebs einer technischen anlage
DE102008042969A1 (de) Verfahren und Vorrichtung zur Detektion von Prozesszuständen in alternierenden Produktionsprozessen
EP3474091B1 (de) Verfahren und vorrichtung zur regelung eines prozesses innerhalb eines systems, nämlich eines mahlprozesses in einer mahlvorrichtung
DE102008032885A1 (de) Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors
WO2022263458A1 (de) Überwachung der produktion von werkstoffplatten, insbesondere holzwerkstoffplatten, insbesondere unter verwendung einer selbstorganisierenden karte
EP4060441A1 (de) Verfahren und system zur erkennung von anomalien im betrieb einer technischen anlage
WO2021191190A1 (de) Verfahren und system zur diagnose von meldungen
WO2005029206A1 (de) Verfahren zur automatischen ableitung von instandhaltungsempfehlungen
AT502241B1 (de) Verfahren und anordnung zur feststellung der abweichung von ermittelten werten

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21778101

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
ENP Entry into the national phase

Ref document number: 2021778101

Country of ref document: EP

Effective date: 20230310

NENP Non-entry into the national phase

Ref country code: DE