用于监测工业过程系统的技术状态的计算机系统和方法技术方案

提供了用于监测在高级过程控制器（APC）的控制下的工业过程系统（300）的技术状态的计算机系统（100）、计算机实现的方法和计算机程序产品。工业过程系统（300）具有用于处理流动材料的操作（330）。高级过程控制器（APC）响应于一个或多个传感器信号（320）。计算机系统（100）包括：接口模块（110），其被配置成接收技术状态数据（321），该技术状态数据（321）描述了关于相应处理组件或所处理的材料的工业过程系统（300）的当前技术状态，其中技术状态数据（321）对应于一个或多个传感器信号（320）或从一个或多个传感器信号（320）导出。进一步地，该接口在针对工业过程系统的异常现象检测的情况下输出异常现象警报（AA），以使得能够停用高级过程控制器（APC）。该计算机系统进一步包括异常现象检测模块（120），用以将一个或多个机器学习模型（MLMn）应用于接收到的技术状态数据（321）来分析该技术状态数据，以用于检测工业过程系统中普遍存在的异常技术状态的一个或多个指示符。一个或多个机器学习模型（MLMn）在历史原始或预处理的传感器数据上被训练。异常现象检测模块基于一个或多个指示符来生成异常现象警报（AA）。

Computer system and method for monitoring technical status of industrial process system

A computer system (100), a computer implementation method and a computer program product for monitoring the technical status of an industrial process system (300) under the control of an advanced process controller (APC) are provided. The industrial process system (300) has an operation (330) for processing flowing materials. The advanced process controller (APC) responds to one or more sensor signals (320). The computer system (100) includes an interface module (110) configured to receive technical state data (321), which describes the current technical state of an industrial process system (300) with respect to the corresponding processing component or material being processed, wherein the technical state data (321) corresponds to one or more sensor signals (320) or from one or more sensors Sensor signal (320) export. Furthermore, the interface outputs an anomaly alarm (AA) in the case of anomaly detection for an industrial process system to enable deactivation of the advanced process controller (APC). The computer system further includes an anomaly detection module (120), which is used to apply one or more machine learning models (mlmn) to the received technical status data (321) to analyze the technical status data, so as to detect one or more indicators of abnormal technical status commonly existing in industrial process systems. One or more machine learning models (mlmn) are trained on historical raw or preprocessed sensor data. The anomaly detection module generates an anomaly alert (AA) based on one or more indicators.

【技术实现步骤摘要】
【国外来华专利技术】用于监测工业过程系统的技术状态的计算机系统和方法
本专利技术一般涉及工业过程系统的状态监测，并且更特别地涉及用于控制高级过程控制器的方法、计算机程序产品和系统。
技术介绍
经由传感器来监测许多技术系统，这些传感器感测反映技术状态的技术系统的技术参数。在工业过程系统中，通常这种传感器值为高级过程控制单元（APC）（也被称为高级过程控制器）提供输入，该高级过程控制单元可以针对低级别控制器（LLC）计算设定点，以在操作中控制工业过程系统的致动器。如本文中使用的“工业过程系统”指代具有用于处理气体、液体或固体流动材料的操作的技术系统。由此，“过程流动系统”不仅包括过程制造系统，还包括诸如通风系统（例如，用于地下矿井）或其中主要目的是输送液体、气体或固体流动材料（例如，块体材料）的其他系统之类的系统。APC解决方案是商业上可得的（例如，ABB提供的APC解决方案，如出版物“AdvancedProcessControl-Theprovenwaytoprocessoptimization”中所描述，其可在以下网址处获得：https：//library.e.abb.com/public/fa34b897958489a9c1257ad7005753d5/Brochure_APC_low.pdf）。在控制理论中，高级过程控制指代广范围的技术和在工业过程控制系统内实现的技术。通常，除基本过程控制外，还部署了高级过程控制。基本过程控制是根据过程本身来设计和构建的，以便于基本操作、控制和自动化要求。通常随后添加高级过程控制来解决过程中的特定改进机会。已知类型的高级过程控制包括但不限于：-高级调节控制（ARC）指代若干种经验证的高级控制技术，诸如前馈、超控（override）或自适应增益。ARC也是一个包罗万象的术语，其被用来指代不落在任何其他类别中的任何定制的或非简单的技术。通常使用DCS（分布式系统控制）级别下的功能块或定制编程能力来实现ARC。-多变量模型预测控制（MPC）是通常部署在监督控制计算机上的技术，该监督控制计算机标识重要的独立和依赖过程变量以及它们之间的动态关系（模型）。它使用基于矩阵数学的控制和优化算法来同时控制多个变量。MPC的一个要求是模型应是线性的（即，它们必须在控制器的操作范围的所有点处可重复）。-推理测量：推理背后的概念是根据容易获得的过程测量（诸如温度和压力）来计算流属性，否则这将需要昂贵且复杂的在线分析器或定期实验室分析。可以利用推理来代替实际的在线分析器，无论是针对操作员信息、级联到基层过程控制器、还是多变量控制器CV。-顺序控制指代在连续过程内发生的基于不连续时间和事件的自动化序列。这些可以被实现为自定义算法、时间和逻辑功能块的集合，或使用形式化的顺序功能图表方法来实现。-压缩机控制通常包括压缩机防喘振和性能控制。-非线性MPC：与多变量MPC类似地在于它包含动态模型和基于矩阵数学的控制。然而，它并不具有针对模型线性的要求。非线性MPC能够适应具有如下模型的过程：该模型具有变化的过程增益和动态特性（即，死区时间和滞后时间）。APC基于从对工业过程系统的操作进行过度服务（overserving）的传感器接收到的测量数据来针对工业过程系统的低级别（基本）控制器计算设定点。例如，这种传感器数据可以指代响应于LLC的关于致动器功能的直接反馈（例如，响应于加热器功能的温度值），或者传感器数据可以指代流动材料的属性（例如，材料的组成、纯度等）。通常，APC对设定点的计算对接收到的测量值非常敏感，该测量值作为到APC计算的输入。由于测量的某些无法预料的干扰或者由于传感器损坏，可能发生的是：特定的传感器值完全错误。例如，温度传感器可能提供-20℃而不是+20℃的温度值。这可能使得APC针对工业过程系统的LLC计算出完全错误的设定点，这可能导致工业过程系统操作的完全失败，这是因为系统的致动器是以完全不合理的方式被控制的。换言之，在这种情况下，通过ABC和LLC实现的控制回路功能受到干扰。例如，针对矿物富集的浮选过程可以通过MPC利用对若干个位置中的矿物浓缩物的测量来控制。这些测量可以基于X射线分析，并且通常使用相同的分析器来实行。样本在管道中被泵送至中央分析器。有时，这些管道可能会堵塞，并且可能使得MPC在发生堵塞时做出错误判定。当测量值与其设定点不同时可能会出现问题，这是因为控制器然后会增加控制信号以减小所测量的差异。由于传感器值没有按预期移动，因此控制信号将会漂移并且使过程进入到不良技术状态中。可能发生的另一种情境是没有在样本之间完全地清洗X射线传感器。因此，前一个样本会影响当前测量。由于样本来自具有显著不同级别的过程的不同部分，因此来自较早样本的影响可能在控制器将对其起作用的测量中引起波动。进一步的示例是用于地下矿井的通风的（过程流动）系统。它可以通过MPC来控制。这种系统通常具有针对不同位置中的空气流动的传感器，并且进一步具有位于风扇附近的压力传感器。矿井是非常恶劣的环境，其中具有可能对传感器产生负面影响的许多灰尘。进一步地，空气流动传感器通常位于车道中，在那里，存在这些传感器被卡车或任何其他经过的机械装置撞击的潜在风险。风扇上的错误的压力传感器可能无法将风扇约束在其允许的操作范围内。这可能使得风扇停转，其中所产生的结果是：模型不再描述真实系统，并且控制器将不再优化用于对矿井进行通风的过程。
技术实现思路
因此，需要提供一种装置，该装置用于防止APC响应于低质量的传感器数据（即，不反映系统操作的真实技术状态的传感器数据）而针对LLC计算出使工业过程系统操作处于危险中的设定点。该技术问题通过采用根据独立权利要求的计算机系统、计算机实现的方法和计算机程序产品的形式的实施例来解决。在一个实施例中，提供了一种计算机系统，其用于监测在高级过程控制器APC的控制下的工业过程系统的技术状态。工业过程系统具有用于处理气体、液体或固体流动材料的操作。如本文中使用的，工业过程系统的操作包括处理组件和（一个或多个）所处理的流动材料。处理组件包括致动器、传感器和被动式（passive）流动材料处理组件（例如，管、罐等）。APC响应于一个或多个传感器信号。计算机系统具有接口模块，用以接收技术状态数据，该技术状态数据描述了关于相应的处理组件或所处理的材料的工业过程系统的当前技术状态。技术状态数据可以对应于一个或多个传感器信号。换言之，技术状态数据可以是直接从工业过程系统接收到的原始传感器数据。在一些实施例中，原始传感器数据可以由预处理器模块进行预处理，并且预处理的数据作为技术状态数据而被接收。预处理器可以是由计算机系统外部的计算设备操作的模块。本领域技术人员还能够将预处理器实现为计算机系统的组成部分。工业过程系统的技术状态被定义为其处理组件的技术状态和（一个或多个）流动材料的技术状态的总和。标准接口技术（例如，OPC数据访问、OPC统一架构）可以被用于计算机系统与工业过程系统的通信耦合，以实现数据交换。计算机系统进一步具有异常现象（anomaly）检测模块，用以将一个或多个机器学习模型应用于接收到的技术状态数据来分析该技术状态数据，以用于检测工业过程系统中普遍存在的异常技术状态的一个或多个指示符（indicator）。机器本文档来自技高网...

【技术保护点】
1.一种用于监测在高级过程控制器（APC）的控制下的工业过程系统（300）的技术状态的计算机系统（100），所述工业过程系统（300）具有用于处理流动材料的操作部分（330），所述高级过程控制器（APC）响应于一个或多个传感器信号（320），所述计算机系统（100）包括：接口模块（110），其被配置成：接收技术状态数据（321），所述技术状态数据描述了关于相应处理组件或所处理的材料的所述工业过程系统（300）的当前技术状态，其中所述技术状态数据（321）对应于所述一个或多个传感器信号（320）或从所述一个或多个传感器信号（320）导出，以及输出异常现象警报（AA），其被配置成在针对所述工业过程系统的异常现象检测的情况下能够停用所述高级过程控制器（APC）；其特征在于，所述计算机系统进一步包括：异常现象检测模块（120），其被配置成将多个机器学习模型（MLMn）应用于接收到的技术状态数据（321）来分析所述技术状态数据，以用于检测所述工业过程系统中普遍存在的异常技术状态的一个或多个指示符，其中所述多个机器学习模型（MLMn）在历史原始或预处理的传感器数据上被训练，所述异常现象检测模块进一步被配置成基于所述一个或多个指示符来生成所述异常现象警报（AA）；其中，接收到的技术状态数据被分配给信号组（SG1至SG3），并且所生成的异常现象警报是向量（AAv），其中每个向量元素（AA1至AA3）表示针对相应信号组的组异常现象指示符，其中每个向量元素通过应用相应的组特定的机器学习模型（MLM1至MLM3）来确定，并且其中信号组由以下分组准则中的任何一个来定义：基于所述工业过程系统内的相应信号的物理位置的分组、通过相关性分析所标识的相关信号的分组、作为域知识的结果利用依赖性对信号的分组。...

【技术特征摘要】
【国外来华专利技术】2017.03.24 EP 17162852.21.一种用于监测在高级过程控制器（APC）的控制下的工业过程系统（300）的技术状态的计算机系统（100），所述工业过程系统（300）具有用于处理流动材料的操作部分（330），所述高级过程控制器（APC）响应于一个或多个传感器信号（320），所述计算机系统（100）包括：接口模块（110），其被配置成：接收技术状态数据（321），所述技术状态数据描述了关于相应处理组件或所处理的材料的所述工业过程系统（300）的当前技术状态，其中所述技术状态数据（321）对应于所述一个或多个传感器信号（320）或从所述一个或多个传感器信号（320）导出，以及输出异常现象警报（AA），其被配置成在针对所述工业过程系统的异常现象检测的情况下能够停用所述高级过程控制器（APC）；其特征在于，所述计算机系统进一步包括：异常现象检测模块（120），其被配置成将多个机器学习模型（MLMn）应用于接收到的技术状态数据（321）来分析所述技术状态数据，以用于检测所述工业过程系统中普遍存在的异常技术状态的一个或多个指示符，其中所述多个机器学习模型（MLMn）在历史原始或预处理的传感器数据上被训练，所述异常现象检测模块进一步被配置成基于所述一个或多个指示符来生成所述异常现象警报（AA）；其中，接收到的技术状态数据被分配给信号组（SG1至SG3），并且所生成的异常现象警报是向量（AAv），其中每个向量元素（AA1至AA3）表示针对相应信号组的组异常现象指示符，其中每个向量元素通过应用相应的组特定的机器学习模型（MLM1至MLM3）来确定，并且其中信号组由以下分组准则中的任何一个来定义：基于所述工业过程系统内的相应信号的物理位置的分组、通过相关性分析所标识的相关信号的分组、作为域知识的结果利用依赖性对信号的分组。2.根据权利要求1所述的计算机系统，进一步包括：后处理器模块（130），其被配置成在接收到的技术状态数据（321）当中确定一个或多个根本原因，并且其中指示所述工业过程系统中的异常现象警报的起因的一个或多个根本原因通过以下方法中的任何一个来确定：基于密度的筛选，其中将示出了异常现象的技术状态数据样本与没有示出异常现象的样本进行比较，以将最偏离的尺寸标识为根本原因信号；以及对异常现象检测进行评分，其被应用于信号组和/或单个信号，以生成最有可能的根本原因信号的列表。3.根据权利要求1或2所述的系统，其中所述异常现象检测分析基于以下算法中的任何一个：k-最近邻、局部离群点检测、基于模糊逻辑的离群点检测、多变量高斯分布、一类支持向量机、复制器神经网络、自组织映射、与关联规则的偏差以及与频繁项集的偏差。4.根据前述权利要求中任一项所述的系统，进一步包括：阈值评估器模块（140），其被配置成针对接收到的技术状态数据中的一个或多个来存储每个接收到的技术状态数据的上阈值和下阈值，并且进一步被配置成将接收到的技术状态数据与所述阈值进行比较，并且如果所述技术状态数据落在由相应的上阈值和下阈值所限定的间隔之外，则生成针对特定接收到的技术状态数据的异常现象指示符，而不考虑所述异常现象检测模块的...

【专利技术属性】
技术研发人员：M霍伦德，B克勒佩尔，M伦德，M希奥亚，
申请(专利权)人：ABB瑞士股份有限公司，
类型：发明
国别省市：瑞士,CH