-
Gebiet der
Erfindung
-
Die
vorliegende Erfindung betrifft die Erzeugung von Informationen,
die mit einem industriellen Prozess verbunden sind, und insbesondere,
aber nicht exklusiv, das Produzieren von Informationen, die verbunden
sind mit wenigstens einer möglichen Quelle,
die für
ein Ereignis verantwortlich ist.
-
Hintergrund
der Erfindung
-
Verschiedene
Typen von Industrien benutzen unterschiedliche Verfahren, wie kontinuierliche, diskrete,
batch-ähnliche
Verfahren usw. Ein industrieller Prozess kann von substanziell großer, und/oder komplexer
Natur sein. Beispiele dieser Prozesse umfassen, ohne diese zu limitieren,
Prozesse für
chemische Fabriken, Ölraffinerien,
pharmazeutische oder petrochemische Industrien, Nahrungsmittel-
und Getränkeindustrien,
Zellstoffmüll,
Energieunternehmen, Stahlwerke, Metall- und Gießereibetriebe, automatisierte
Werkstätten
usw.
-
Ein
Prozess muss aus unterschiedlichen Gründen analysiert werden. Die
Ergebnisse der Analysen können
z.B. benutzt werden als eine Unterstützung bei der Kontrolle des
Prozesses, zum Produzieren von Informationen, die später z.B.
benutzt werden, wenn das Endprodukt des Prozesses produziert wird,
zur Diagnose von Ereignissen, wie ein Fehler oder abnormale Diagnostik,
usw. Es ist ebenfalls möglich,
komplexe Produkte zu diagnostizieren oder ihre Teile und/oder Werte
mittels Prozessanalyse zu diagnostizieren.
-
Der
Begriff "Ereignis" soll so verstanden
werden, dass es sich auf jegliche Abnormität oder Fehler/Fehlverhalten
oder jegliche andere Abweichung von normalen Betriebsbedingungen
des Prozesses bezieht.
-
Ein
Verfahren kann analysiert werden auf Basis von Eingabe-Informationen,
die von verschiedenen, mit dem Prozess verbundenen Quellen gewonnen
worden sind. Die Eingabe-Information
kann z.B. verbunden sein mit verschiedenen Stufen eines kontinuierlichen
Prozesses, zu kontrollierendem Produkt oder Wert oder verschiedenen
Elementen des Verfahrens, Geräts
usw. Verschiedene Alarm- und Signal-Informationen können als
Eingabeinformation in einer Prozessanalyse verwendet werden. Die
verfügbaren
Alarm- und Signal-Informationen können von einer Vielzahl von
Quellen aufgesammelt werden sowie von verschiedenen diagnostischen
Packungen, einem Wartungssystem, von Ausrüstungsdaten und/oder Wissensdatenbanken,
verschiedenen Sensoren, Softsensoren oder Messgeräten usw.
Die Eingabe-Information kann ebenfalls Informationen umfassen, die
nicht direkt von dem Prozess erhalten wurde, wie Informationen bezüglich der
Umgebung, in der der Prozess läuft.
Zum Beispiel kann die Eingabe-Information verbunden sein mit den
klimatischen Bedingungen, die den Prozess umgeben, mit der Zeit
usw. Die Analyse-Funktion soll somit in der Lage sein, verschiedene
Typen von Informationen, die durch verschiedene Informationsquellen
zur Verfügung
gestellt werden, zu analysieren.
-
Die
Zur-Verfügung-Stellung
von Eingabe-Informationen kann periodisch oder kontinuierlich sein, in
Abhängigkeit
von der Anwendung. Die Information kann automatisch oder manuell
gesammelt werden. Zum Beispiel kann wenigstens ein Teil der Information
produziert oder manuell durch einen menschlichen Operator eingegeben
werden.
-
Die
Analyse eines industriellen Prozesses umfasst typischerweise Unsicherheiten.
Ein Grund dafür
ist, dass die Prozessbedingungen von Zeit zu Zeit variieren können. Ein
Prozess kann ebenfalls verschiedene Übergänge zwischen Stufen durchlaufen.
Ebenfalls können
die Bedingungen stabil sein in jeder Stufe, wobei die Übergangsstadien
Wechsel und Variationen in den Prozessfluss einbringen können. Diese
Variationen können
innerhalb akzeptabler Limits liegen und sind daher nicht notwendigerweise Symptome
von irgendwelchen Fehlern oder Abnormalitäten. Jedoch können unter
Umständen
diese Änderungen
und/oder Variationen in der Tat verursacht sein durch einen Fehler
in einem Teil des Prozesses. Die Ungewissheiten können sowohl
existieren im Arbeitsbereich, Wissen und quantitativer Informationsbasis
des Prozesses.
-
Ein
Prozessdiagnose-System sollte in der Lage sein, im Wesentlichen
akkurate Informationen, ungeachtet der Unwägbarkeiten, zu produzieren.
Daher ist ein industrielles Prozess Diagnosesystem und/oder Kontrollsystem
benötigt,
das in der Lage ist, effizient diese Unwägbarkeiten handzuhaben. Insbesondere,
da die Wissensdaten und andere Daten gewisse Unwägbarkeiten beinhalten können, sollte
die Analyse in der Lage sein, effektiv mit Möglichkeiten und Unwägbarkeiten
fertig zu werden, um geeignete Entscheidungsträger-Instrumente für den Prozessoperator zur Verfügung zu
stellen.
-
Nicht
alle mittels Alarm-Informationsquellen produzierten Signale, die
mit dem Prozess verbunden sind, sind notwendigerweise richtige Alarme.
Daher sollte das Diagnose-System in der Lage sein, zwischen richtigen
und falschen Alarmen zu unterscheiden.
-
Bei
Stand der Technik-Vorrichtungen sind z.B. die Fehleranzeigen, z.B.
in einer Prozessanlage, mit einer Alarmlisten-Funktion oder ähnlichen
Aufzeichnungsfunktionen verbunden, die dann einem Operator gezeigt
werden. Zum Beispiel, kann eine Liste, umfassend verschiedene Typen
von Alarmen, wie z.B. die so genannten Effekt-Alarme und die Ursprungs-Alarme,
dem Operator gezeigt werden. Rein statistische Verfahren, wie die
Streuung und Standardabweichung usw. wurden benutzt, um einfache Fehler/kein
Fehler-Information zu erzeugen.
-
Der
Operator kann daher mit einer wesentlichen Menge nicht verarbeiteter
Information in Form einer Liste versorgt werden. Es kann notwendig
sein, dass der Operator die echte Ursache des Problems das durch
die Mittel des Alarms präsentiert
wurde, zurückverfolgen
muss. Es kann wein, dass der Operator dies in einer im wesentlichen
kurzen Zeitperiode aufstellen muss. Jedoch kann es sein, dass Operator nicht
in der Lage ist, diese Informationen in geeigneter Weise in der
Zeit, die ihm zur Verfügung
steht, eine benötigte
Kontrollaktion zu bearbeiten, nachdem die Informationen zu seiner
Kenntnis gebracht worden ist. Es kann sein, dass der Operator kein Hilfsmittel
zur Auswahl des geeigneten Alarms und für die effektive Bestimmung
der wirklichen Ursache, die das Problem verursacht, zur Verfügung hat.
-
Die
Erfinder haben nun erkannt, dass keine geeignete Lösung, die
die Unwägbarkeiten
mit einbezieht, bislang vorgeschlagen wurde. Die Erfinder haben
ebenfalls festgestellt, dass ein sehr viel verbessertes Entscheidungsträgerwerkzeug
zur Verfügung gestellt
werden könnte,
falls es möglich
sein könnte, Informationen
einzugeben, derart, dass unterschiedliche Alarmsignale für eine analysierende
Funktion zur Verfügung
stehen. Es kann ebenfalls in einigen Situationen vorteilhaft sein,
wenn die produzierte Entscheidungshilfe-Information rangmäßig aufgestellt
wird, auf der Basis der Wahrscheinlichkeit der Gründe und/oder
Wahrscheinlichkeit von geeigneten Kontrollaktionen. Integration
der Ergebnisse der Analysen mit dem Aufrechterhaltungssystem und
Zubehördaten
können
ebenfalls vorteilhaft sein bei einigen Anwendungen. Die Integration
mit dem Instandhaltungs-System und Zubehördaten können z.B. benutzt werden zum
Liefern einem Operator eine Verbindung zur Wertoptimierung und zur
Vorhersage von optimalem Timing, z.B. Ersatz oder Reparatur einer
Komponente, die mit dem Prozess verknüpft ist.
-
Ein
Dokument von Mast et al: "Bayesische Vertrauensnetzwerke
für Fehler
Identifikation in Flugzeug-Gasturbinen" CONTROL APPLICATIONS, 1999. Procedings
of the 1999 IEE International conference in Kohala coast, USA Aug.
1999, Seiten 39-44 offenbart ein Verfahren zur Fehlerdetektion bei Flugzeug-Gasturbinenmotoren
unter Verwendung von Bayesian Belief Networks (BBNs), welches eine Analyseverfahren
ist, das geeignet ist zur Beweisführung unter einer Unwägbarkeit.
Dieses Dokument lehrt, dass Eingaben in BBNs immer in der Form von Booleschen
Variablen sein sollen. Daher sind alle Eingaben in das BBN bestimmt,
dass sie entweder RICHTIG oder FALSCH sind.
-
Zusammenfassung
der Erfindung
-
Ausführungsformen
der vorliegenden Erfindung zielen daraufhin, ein oder verschiedene
der oben genannten Probleme anzusprechen.
-
Gemäß einem
Aspekt der vorliegenden Erfindung wird ein Verfahren, wie es in
Anspruch 1 definiert ist, zur Verfügung gestellt.
-
Gemäß einem
anderen Aspekt der vorliegenden Erfindung wird eine Analyseeinheit
zum Analysieren eines Verfahrens, wie es in Anspruch 41 definiert
ist, zur Verfügung
gestellt.
-
Gemäß einem
anderen Aspekt der vorliegenden Erfindung wird ein Computerprogramm-Produkt zur
Verfügung
gestellt, das einen Programmcode zur Ausführung der Schritte in Anspruch
1 zur Verfügung
stellt, wenn das Programm auf einem Computer ausgeführt wird.
-
Weitere
spezifische Formen der Erfindung sind definiert durch die abhängigen Ansprüche.
-
Kurze Beschreibung
der Zeichnungen
-
Zum
besseren Verständnis
der vorliegenden Erfindung wird nun beispielsweise Bezug genommen auf
die beiliegenden Zeichnungen, in denen
-
1 ein
Beispiel von Prozesszubehör
ist, das analysiert werden kann mittels einer Ausführung der
vorliegenden Erfindung;
-
2 ein
Diagramm ist, das zwei wesentliche Stufen eines diagnostischen Schemas
darstellt unter Verwendung der vorliegenden Erfindung;
-
3 ein
Diagramm ist, das Signal- und Alarminformationen illustriert, die
verfügbar
sind zur Analyse mittels eines Kontrollsystems;
-
4 ein
Diagramm ist, das die Integration von Informationen zeigt, die durch
eine Vielzahl von Informationsquellen geliefert wird;
-
5 die
Beziehungen zwischen verschiedenen Funktionen in einer Analyse mit
unterschiedlichen Quellen ist;
-
6 ein
Flussdiagramm, welches die Herkunftsweise einer Ausführungsform
der vorliegenden Erfindung illustriert; und
-
7 ein
Beispiel eines Kettenkausalitäts-Netzwerks
ist.
-
Beschreibung
von bevorzugten Ausführungsformen der
Erfindung
-
Bezug
genommen wird auf 1, die eine schematische Darstellung
von Zubehör
für einen kontinuierlichen
Prozess ist, umfassend verschiedene Stufen. Der Prozess wird analysiert
mittels einer computerisierten Kontrollfunktion. Die Kontrollfunktion
ist adaptiert, um Informationen zu sammeln von verschiedenen Quellen,
die mit dem Prozess verbunden sind. Informationen können ebenfalls
manuell in das Kontrollsystem, falls es notwendig ist, eingegeben
werden. Zum Beispiel kann ein Operator Informationen eingeben, wie
eine Bestätigung,
dass ein Fehler fixiert worden ist und/oder eine Rückkoppelung
bezüglich
des Grundes des Fehlers, welche Aktionen benötigt sind, um ihn zu fixieren
usw. Die manuelle Eingabe kann begleitet werden durch Mittel einer
standardisierten Benutzeroberfläche,
wie ein Benutzermenü mit
einer Suchfunktion oder einer Liste mit Check-Kästchen.
-
Die
verschiedenen Elemente des beispielhaften Prozess-Zubehörs sind
platziert in einer Anlage 1. Das System ist adaptiert zum
Verarbeiten von Flüssigkeit,
z.B. Pulver oder chemische Flüssigkeit, Dampf
usw. welches kontinuierlich durch das Prozess-Zubehör fließt. Die
Einlass-Seite 3 des
Systems umfasst eine Einlass-Rohrleitung 6, ein Einlass-Ventil 4 und
eine Pumpe 5. Eine Verarbeitungseinheit 2 wie
ein Kocher, Mischer oder Ähnliches
wird gezeigt, wie sie mit dem Einlass-System 3 verbunden
ist. Das verarbeitete Material wird dann von der Verarbeitungseinheit 2 via
das Auslass-System geführt,
umfassend Komponenten wie ein Auslassventil 8 und so weiter.
-
Eine
Datenprozessor-Einheit 10 ist adaptiert, um den Prozess
zu analysieren. Geeignete Datenverarbeitungs-Vorrichtungen sind
dem Fachmann bekannt und werden daher nicht im Detail beschrieben.
Es ist genügend
zu bemerken, dass die Datenverarbeitung implementiert werden kann
mittels eines Computers, der adaptiert ist, um die benötigten Prozessdiagnose-Funktionen zu bearbeiten.
Die Datenprozessor-Einheit kann Eingabe- und Ausgabevorrichtungen,
Prozessor-Einheiten, wie eine Zentraleinheit (CPU) und Speicher,
wie ROM und RAM umfassen. Alle diese Merkmale sind dem Fachmann bekannt
und werden daher nicht im Detail beschrieben.
-
Eine
Datenverbindung 11, wie ein bus, wird gezeigt, dass er
zwischen der Datenprozessor-Einheit 10 und
verschiedenen Informationsbeschaffungs-Einheiten 9, die
in Verknüpfung
mit dem Prozess vorgesehen sind, bereitgestellt. Die Informationsbeschaffungs-Einheiten 9 können verschiedene Sensoren
oder Soft-Sensoren oder Messeinrichtungen umfassen, die numerische
oder andere Informationen bereitstellen, bezüglich verschiedener Stufen und
Komponenten des Prozesses. Die Informationen können z.B. umfassen numerische
Werte für
Variable, wie Temperatur, Druck, Flussrate, Feuchtigkeit, chemische
Gehalte, Betriebsgeschwindigkeit einer Komponente des Systems oder
jegliche andere Information, die nützlich sein kann, beim Analysieren
der Durchführung
des Prozesses. 3 und 4 illustrieren
detailliertere Beispiele und Informationen, die in die Analysierfunktion
eingegeben werden können.
-
Die
Erfinder haben nun festgestellt, dass es möglich ist, Ungewissheiten in
Zusammenhang mit einem Verfahren effizienter zu handhaben mittels
geeigneter Aufbereitung von Information bevor sie analysiert wird.
Wahrscheinlichkeitstheoretische Verfahren können verwendet werden zum statistischen Handhaben
der Wahrscheinlichkeiten und Ursachenketten, die z.B. zu einem bestimmten
Fehler führen. Die
Handhabung ist derart, dass verschiedene Informations-Signale in
die Schicht eingegeben werden können,
die die aktuelle Analysier-Funktion handhabt. Die Analysier-Funktion
wird dann vervollständigt
durch Nutzen von wenigstens einer Analysiertechnik, die geeignet
ist zum Analysieren von Eingabe-Information in einer begründeten Art
und Weise während
wenigstens eine Ungewissheit beachtet wird, die verbunden ist mit
dem Prozess, der analysiert werden soll. Die Beschreibung benutzt
den Begriff "Beweisführung unter
Ungewissheiten" um
sich auf derartige Leistungen zu beziehen.
-
2 beschreibt
eine Ausführungsform,
bei der die Beweisführung
unter Unwägbarkeiten
von vorverarbeiteten Informationen begleitet wird durch adaptive
Ursachen-Analyse (RCA) in Block 25. Wie durch seinen Namen
vorgeschlagen wird, kann die Ursachen-Analyse verwendet werden zum
Bestimmen von Ursachen, die die Probleme verursachen. Entfernung
der grundlegenden Ursachen sollte ebenfalls den Ursprung des Problems
hinter einem beobachteten Effekt oder einem Fehler entfernen. Der Fachmann
kennt die grundlegenden Prinzipien der Ursachen-Analyse. Die Ursachen-Analyse kann verwendet
werden z.B. beim Problemlösen
aus Wartungszwecken zum Vorwegnehmen und Regulieren einer systemischen
Ursache von Instandhaltungsproblemen. Mögliche Ursachen-Analyse-Verfahren sind
detaillierter weiter unten in der Beschreibung erläutert.
-
Die
Vorverarbeitungsstufe 20 ist für die Verarbeitung der Eingangssignale
gedacht, um die Beweisführung
bei Ungewissheiten in dem Block 25 zu erleichtern. Die
Alarm- und Signal-Informationen können von
verschiedenen Quellen gesammelt werden, wie von Diagnostik-Paketen 28 innerhalb
einer Kontrollplattform, einem Wartungssystem 21, Zubehördaten und
Wissensdatenbank 22, manuelle Eingabeeinheit 23 und
so weiter (siehe 3 und 4). Es wird
geschätzt
werden, dass zuzüglich
der Signale, die eine Grundursache anzeigen, das Eingabe-Signal ebenfalls
ein Folgealarm ist. Der Folgealarm ist ein Alarm, der ein Ergebnis
einer Grundursache anzeigt. Ein Beispiel eines Folgealarms ist ein Signal
für einen
Alarm, der einen zu hohen Druck anzeigt, wobei der zu hohe Druck
durch eine Grundursache verursacht werden kann (z.B. eine Blockade
irgendwo im System).
-
Die
verfügbare
vorverarbeitete Signalinformation kann verbunden sein mit Eingabestufen 30 für die Ursachen-Analyse
Block 25. Mittels der Vorverarbeitungsstufe 20 ist
es möglich,
eine große
Vielzahl von Informationen durch die Analyse-Funktion 25 zu verarbeiten.
Dies kann bei einigen Anwendungen vorteilhaft sein, da die ausgewählte Analyse-Funktion
nur limitierte Kapazitäten
zum Verarbeiten von Informationen von einer Vielzahl von Quellen
hat und eine Vielzahl von Variablen unter bestimmten Bedingungen
umfasst.
-
Die
Information/Signal vorverarbeitende Stufe 20 wird aus drei
Stufen bestehend gezeigt: anfängliche
Vorverarbeitung der Signale 31, Vorhersage 32 und
Klassifikation 26, 27. Jedoch würde es begrüßt werden,
dass, obwohl 2 verschiedene Vorverarbeitungsstufen
zeigt, nur die Klassifikation notwendigerweise benötigt wird
zum Ermöglichen
der Dokumentation unter Unwägbarkeiten
unter Prozess-Betriebsbedingungen. Die Erfinder haben festgestellt, dass
durch Klassifizierung der Information eine reduzierte Zahl von variablen
Stufen zur Verfügung
gestellt werden kann zur Eingabe in die Ursachen-Analyse 25.
-
Insbesondere,
bei der Klassifikationsphase Alarm und Signal-Information und andere
möglichen Informationen
können
in Block 26 in verschiedene Stufen klassifiziert werden.
Die Erfinder haben festgestellt, dass anstelle der Präsentation
eines gemessenen oder simulierten Werts bei jedem Sammelzeitpunkt
der Prozessentwicklung (z.B. ein exakter Temperatur- oder Druckwert)
ein Informationssignal dargestellt werden kann durch ein charakteristisches Stadium
davon. Der Bereich von möglichen
unterschiedlichen Werten, die in den Analysierblock eingegeben werden,
können
im Wesentlichen reduziert werden durch Definieren einer Vielzahl
von Klassen, in die alle unterschiedlichen Signale klassifiziert
werden. Die Zahl der Klassen kann im Wesentlichen niedrig sein,
verglichen mit der Zahl von möglichen Variablen,
die die Informationsquellen liefern.
-
Zum
Beispiel können
die Klassen verwendet werden, um den Wert eines Prozess-Parameters
in der Analyse zu beschreiben. Ein Abbildungswerkzeug kann verwendet
werden zur Klassifikation eines Signals in dem charakteristischen
Stadium (d.h. den Klassen). Die Klassifikation kann durchgeführt werden
z.B. in Klassen, wie normal, hoch und niedrig. Zum Beispiel kann
die Temperatur-Information klassifiziert werden in drei Klassen,
wie Informations-Signale, die Temperaturen unter 20 °C angeben,
sind klassifiziert in die Kategorie niedrig. Signale, die Temperaturen
zwischen 20 °C
und 50 °C
anzeigen, werden klassifiziert in die Kategorie normal. Signale,
die Temperaturen über
50 °C anzeigen,
werden klassifiziert in die Kategorie hoch.
-
Alternativ
oder in Ergänzung
zu dem obigen Typ von Klassifikation, basierend auf definierten
Abstufungen, kann die Klassifikation basiert sein auf bestimmte
Signaltrends, wie "abnehmend", "konstant", "ansteigend". Der Begriff "konstant" soll breit verstanden
werden und bezieht sich auf Werte, die in einem typischen Bereich
von Werten von normalen Betriebsbedingungen sind.
-
Das
Aufzeichnungsinstrument kann adaptiert werden, um Zeitserien von
aufgesammelten Signalpunkten in Zeitserien von Signalstufen zu klassifizieren.
Die verfügbare
Alarm- und Signalinformation, die von dem verteilten Kontrollsystem
(DCS) und Kontrolldiagnosik-Packungen
kommen kann, können klassifiziert
werden in charakteristische Stufen von Bayesischen (oder Neuro-fuzzy)
Netzwerkknoten. Zum Beispiel können
Daten-Zeitserien von verteilten Kontrollsystem(DCS)-Signal-Sammelpunkten
kartiert werden auf Daten-Zeitserien von Signalstellungen mit Hilfe
von Klassifizierungsanordnungen, die auf neuronalen Netzwerken basieren.
Dies ermöglicht
den Einschluss von Prozess-Signalen in dem diagnostischen System.
-
Die
Alarm-Information kann behandelt werden als binäre Zeitserien. Zum Beispiel
die Behandlung des Alarms als eine binäre Zeitserie von Nullen (0
= kein Alarm) und Einsen (1 = Alarm) erlaubt die Verwendung von
Zeitserien als eine direkte Eingabe in den Bayesischen Inferenzblock
33. Dies ist so, da die Eingaben sehr einfach klassifiziert werden
können
in zwei Stufen: 0 und 1.
-
Ein
neuronales Netzwerk, wie ein neuronales und/oder Neuro-Fuzzy-Netzwerk,
kann ebenfalls trainiert werden, um die letzte Zeithistorie des
Signals in Informations-Signalstellungen zu klassifizieren, die Signalebenen
und -trends kombinieren. Die Eingabeschicht kann eine fixierte Zahl
von Probepunkten der Signalzeit-Historie bis zur jetzigen Zeit:
S_t-n ... S_t0. Die
Ausgabeschicht des neuronalen Netzwerks kann Signalstellungen enthalten,
die erhalten wurden als eine Kombination von verschiedenen Signalstufen.
-
Andere
mögliche
Klassifikationswerkzeuge können
implementiert werden, z.B. mittels einer Hauptkomponenten-Analyse
(PCA) oder künstlicher Intelligenzmittel
(AI). Die künstliche
Intelligenzmittel (AI) sind typischerweise kleine C-Sprachen-Programme,
die speziell für
Klassifikationszwecke hergestellt wurden.
-
Zusätzliche
Informationen können
verwendet werden, um z.B. Entscheidungen zu liefern bezüglich Werten,
die nahe an den Grenzen einer Klasse sind bezüglich Werten von spezifischen
Informationsquellen oder mit außergewöhnlichen
Werten und so weiter.
-
Die
Klassifikation kann ebenfalls angepasst sein. Ein Beispiel eines
Systems, bei dem eine adaptive Klassifikation und Beweisführung vorteilhafterweise
verwendet werden kann, ist der Fall, wenn ein bestimmtes verteiltes
Kontrollsystem(DCS)-Signal mehrere normale Einstellungspunkte mit
unterschiedlichen absoluten Werten hat. Wegen der verschiedenen
Einstellungspunkte hat der Klassifizierer verschiedene Möglichkeiten,
die Signale zu klassifizieren (in absoluten Werten) in niedrige,
normale oder hohe Signalstufen. Daher kann es vorteilhaft sein,
die Klassifikation in hohe, normale oder niedrige Signalstufen gemäß den verwendeten
Einstellungspunkten zu adaptieren.
-
Das
angepasste Klassifikations-Schema kann ebenfalls eine sehr viel
flexiblere Behandlung von Signaltrends erlauben, z.B. in die oben
genannten Trend-Klassen "konstant", "ansteigend" oder "abnehmend". Daher kann eine
doppelte Klassifikation von Signalen in Ebenen und Trends geschaffen
werden. Dies wiederum kann verwendet werden zum Schaffen einer Anzeige
von normalen oder abnormalen Prozessbedingungen. Die adaptive Klassifikation kann
ebenfalls das Identifizieren von sowohl Signalstärken als auch von Signaltrends,
welche bezogen sind auf Änderungen
von normalen Einstellpunkten der Prozess-Parameter.
-
Ohne
darauf beschränkt
zu sein, können
die oben genannten Neuronalen Netzwerke, AI-Mittel, und/oder Hauptkomponenten-Analyse
(PCA) verwendet werden (entweder in Kombination oder alleine) um
den adaptiven Charakter in das Klassifikationswerkzeug einzugeben.
-
Da
nicht alle Alarmsignale eines verteilten Kontrollsystems (DCS) echte
Alarme sind, kann das System adaptiert werden, um zu lernen zwischen echten
und falschen Alarmen zu unterscheiden.
-
Dies
kann erreicht werden auf Basis von Extraparametern, die sich auf
den Alarmzustand beziehen. Beispiele der Extraparameter umfassen
Variable, die bekannt sind, dass sie physikalische Beziehungen mit
den DCS-Alarmen aufweisen, wie "zu
hoher Druck" oder
Alarme, die Schlussraten, Tanklevel, Pumpeffekte usw. anzeigen.
Andere DCS-Alarme können
ebenfalls hier verwendet werden. Die Alarm-Signale können klassifiziert
werden in reale und falsche Alarme in Block 27 von 2.
-
Die
Klassifikation in die unterschiedlichen Zustände ermöglicht es dem System, schneller
Unwägbarkeiten
zu handhaben. Dies ist so, da die normalen Prozessbedingungen nicht
an eine bestimmte Kombination von exakten Werten von Prozessvariablen
gebunden sind, sie können
vielmehr ausgedrückt werden
durch eine Beziehung der erlaubten Betriebslimits (Klassen) von
Variablen. Diese Klassen zeigen dann die Prozessbedingungen und
die Übergänge von
normalen Betriebsbedingungen zu abnormalen Betriebsbedingungen.
Es soll ebenfalls begrüßt werden,
dass, obwohl 2 zwei separate Klassifikationsblocks 26 und 27 zeigt,
nur eine Klassifikationsfunktion benötigt wird.
-
Die
klassifizierte Information wird dann in einen adaptiven Ursachen-Analyse-Block 25 eingegeben.
Der Analyse-Block 25 wird gezeigt, dass er drei verschiedene
Analyse-Funktionen 33 bis 35 aufweist. Insbesondere
ist im Unterblock 33 die Analyse basiert auf dem Bayesischen
Inferenz-Modell. In Block 34 ist die Analyse auf Neuro-Fuzzy
Inferenz-Modellen basiert. In Block 35 ist die Analyse
basiert auf so genannte fallspezifische Beurteilungen.
-
Jeder
der drei Ursachen-Analyse-Blocks 33 bis 35 ist
in der Lage zum Verarbeiten von vorverarbeiteter Information in
einer logisch aufgebauten Art und Weise unter Unwägbarkeiten
im Prozess. Die Analyse kann basieren auf der Ausführung von
einer oder mehreren dieser Verfahren. Falls mehr als ein Beweisführungsverfahren
während
der Analyse durchgeführt
wird, kann dies vervollständigt
werden im vertikalen und horizontalen Anlagen-Niveau zur Fehlerbestimmung
und Isolation von Fehlerursprüngen,
d.h. in der Ursache. Eine derartige Mischausführung der Beweisführungsblocks 33 bis 35 wird
detaillierter später
unter Bezug auf 5 erläutert.
-
Der
Fachmann kennt die Prinzipien des Bayesischen Netzwerks. Ein Bayesisches
Neztwerk ist typischerweise aufgebaut auf diskreten und kontinuierlichen
Entscheidungsknoten. Die Knoten sind typischerweise durch Kausalitätslinks
verknüpft.
Die Eingabe für
die diskreten Knoten wird klassifiziert in Einstellungen. Die Eingabe
in die kontinuierlichen Entscheidungsknoten kann von jedem Typ von
zufällig variabler
Verteilung sein. Zum Beispiel kann eine Gauss'sche Verteilung oder Superposition von
verschiedenen Gaus'schen
Verteilungen verwendet werden um sich jeder anderen kontinuierlichen
Verteilung anzunähern.
Die bedingte Wahrscheinlichkeitstabelle, die zugeordnet ist zu jedem
Knoten im Hinblick auf seine Vorgänger liefert Informationen
bezüglich
der Beziehung zwischen den Variablen und erlaubt eine Wahrscheinlichkeitsbeweisführung unter Unsicherheiten.
Die Kettenkausalität,
die aufgebaut ist in der Struktur des Bayesischen Netzwerks erlaubt die
Identifikation der möglichen
Ursachen eines Fehlers.
-
Der
Fachmann kennt ebenfalls die Prinzipien der Neuro-Fuzzy-Netzwerke.
Ein Neuro-Fuzzy-Netzwerk
besteht typischerweise aus fuzzy Eingaben und/oder Ausgaben. Die
Fuzzifikation von jeder Variablen drückt den Grad der Inhaberschaft
von den Variablen in einer bestimmten Klasse der Prozessbedingungen
aus. Zurückzuführen auf
den Überhang zwischen
Fuzzy-Einstellungen (Inhaberfunktionen) liefert das Netzwerk einen
natürlichen
Rahmen zum Behandeln von Übergangsphänomenen
zwischen unterschiedlichen Prozessbedingungen und Beweisführung unter
Ungewissheiten. Die Netzwerkausgaben können im Rang eingestuft werden
nach Mitgliedsgrad, um die wahrscheinlichste Fehlerursache anzuzeigen.
-
Die
fallbezogene Beweisführung
kann eine wesentlich schnellere Bearbeitung von digitalen Signalen
liefern. In der fallbezogenen Beweisführung kann eine Datenbank von
Fällen
durchsucht werden, um einen Vorfall mit ähnlicher Historie zu lokalisieren. Der
Vorfall kann einige Abweichung von spezifizierten und/oder normalen
Betriebsbedingungen des Prozesses aufweisen. Vorfälle (d.h.
Abnormalitäten und/oder
Fehler) können
beschrieben werden durch eine Zahl von Effekten, die aufgenommen
werden in der Form von gemessenen und/oder errechneten und/oder
in anderer Weise beobachteten Variablen. Die fallbezogene Beweisführung kann
auf eine Datenbank zugreifen, die ein Verzeichnis von Fällen, ähnlich dem
beobachteten Vorfall, bekannte Ursachen für den Vorgang und benötigte Kontrolle
und Aufrechterhaltungsaktionen, enthält.
-
Die
fallbezogene Beweisführung
kann verwendet werden in zwei unterschiedlichen Kontexten in der
Analyse. Die fallbezogene Beweisführung kann verwendet werden
zur Vorfallsdetektion (umfassend die Detektion des Effekts des Vorfalls)
vor der Bestimmung der Ursache des Vorfalls. Zwei sehr ähnliche
Muster von z.B. einem abnormalen Fehlerfall (einschließlich seiner
Effekte) können
ausgewählt werden
auf der Basis einer Distanzfunktion mit dem kleinsten Fehlermaß von Ähnlichkeitsbestimmung. Somit
kann das ähnlichste
Muster verwendet werden, um die ähnlichste
Ursache einer Abnormalität oder
eines Fehlers zu lokalisieren. Bei der Errechnung kann jeder Vorfall
dargestellt werden durch Datenketten, die sich auf Vorfälle ähnlicher
Art und ihre Wirkungen beziehen (ausgedrückt als gemessene und/oder
berechnete und/oder beobachtete Variablen) mit ihren korrespondierenden
Ursachen (bekannt aus historischen Daten).
-
Die
fallbezogenen Beweisführungstechniken können ebenfalls
verwendet werden, um das ähnlichste
Muster einer geschätzten
Ursache, die auf einer Distanzfunktion mit dem kleinsten Fehlermaß von Ähnlichkeitsabschätzung basiert.
Das heißt,
die geeignetste Kontroll-(alternativ Wartungs-)Aktion, um die Ursache
zu korrigieren von z.B. einem festgestellten Fehler oder einer Abnormalität, kann
ausgewählt werden
auf der Basis des ähnlichsten
Musters. Wie oben dargelegt ist, können Datenketten, die die geschätzte Ursache
(beschrieben durch Messungen und/oder durch berechnete und/oder
beobachtete Variablen) mit einer geeigneten Kontrollaktion oder geeigneten
Wartungsaktionen in Beziehung bringen, während der Berechnung verarbeitet
werden.
-
Eine
wirksame Ursachen-Analyse soll sich vorzugsweise mehr auf das gesamte
kausale System konzentrieren, als nur auf ein oder ein paar Merkmale,
die mit einem Prozess verbunden sind. Verwendung von Informationen
von einer wesentlichen Zahl von Informationsquellen und verbunden
mit einer wesentlichen Zahl von Variablen, wird eine akkuratere Analyse
und ein besseres Verständnis
der wirklichen Ursachen von z.B. Prozessfehlern ermöglichen
als nur Informationen von nur einer beschränkten Zahl von Quellen und
unter Bezug auf nur eine beschränkte
Zahl von Variablen.
-
Merkmale
eines effektiven Analyse-Systems können ebenfalls Management-Funktionen
und Funktionen zur Unterscheidung zwischen richtigen und falschen
Prozess-Alarmen, Funktionen zur Trendvorhersage von prozessvariabler
Entwicklung mit der Zeit, Funktionen für Fehlerursache-Vorhersage,
Funktionen zur Vorhersage der Konsequenz der beabsichtigten Kontrollaktion
usw., umfassen.
-
Um
eine dynamische Vorhersage-Prozess-Diagnostik zur Verfügung zu
stellen, kann eine Funktion, die hierin als Vorhersage der Signalentwicklung
oder des Signal-"Trends" bezeichnet wird, über die
Zeit ebenfalls in der Vorverarbeitungsstufe 20 zur Verfügung gestellt
werden. So wird ein Vorhersageblock 32 gezeigt, wie er
vor der Signal-Klassifizierungsstufe 26, 27 lokalisiert
ist. Kurze und Langzeitvorhersagen erlauben, dass Kontroll- und
Wartungsarbeiten gemacht werden können im frühestmöglichen Zustand der Fehlerentwicklung.
Dies ermöglicht
es, Kontrollaktionen mit niedrigen Kosten oder minimalen Verlusten
zu erreichen und Prozessausfälle
zurückzuführen auf
Wartungsaktivitäten.
-
Es
wird begrüßt, dass
die Vorhersage und Klassifikations-Abläufe simultan durchgeführt werden
können
oder in einer teilweise limitierten Art und Weise.
-
Initiale
Vorverarbeitung von wenigstens einigen der Informations-Signalen
kann durchgeführt werden
durch Block 31. Block 31 kann Datenbank-Informationen
zur Verwendung in der Vorhersage oder Klassifikation der verteilten
Kontroll-System-Daten (DCS) an nachfolgenden Stufen 32 und 26, 27 zur Verfügung stellen.
Daten, die in der Datenbank gespeichert sind, können simulierte Daten und/oder
errechnete Daten sein. Die Daten können ebenfalls eine Verteilung
von kontinuierlichen Variablen umfassen.
-
Verfahren,
wie die Normalisierung von Signalen und Vergleichen mit Modell-Berechnungen können vor
dem Klassifikationsschritt durchgeführt werden. Diese Datensätze können dann
verwendet werden zum Lernen und Tunen der Netzwerkstruktur, zusammen
mit den qualitativen Wissens/Erfahrungs-Daten. Das Anwender-Feedback
an das System über
mögliche
Ursachen kann verwendet werden, um adaptive Lernfunktionalitäten hinzuzufügen, und
um die System-Performance
zu verbessern (siehe 4).
-
Systematische
Ansätze
können
ebenfalls verwendet werden in der Analyse. In diesem Kontext kann
ein Bezug auf 4 gemacht werden. Die systematischen
oder strukturierten Ansätze
können
aufbauen auf der Verwendung von einem oder mehreren Modellen, die
den Prozess beschreiben. Die Modelle können angepasst werden, um Merkmale
oder Charakteristiken des Prozesses und ihrer zugrunde liegende
Physik zu beschreiben, die nicht direkt aus dem Prozess extrahiert
werden können,
z.B. durch Messen eines Parameters. Die Modelle können verwendet
werden, um Merkmale zu beschreiben, wie Prozess-Ablauf, Zeit-Trends,
Zubehör-Informationsstatus
usw. Das strukturierte Wissen kann aufgebaut sein auf mathematische
Prozessmodelle und/oder physikalische Modelle und/oder statistische
Modelle und/oder Operator und/oder Erfahrungen des Wartungspersonals
des Prozesses. Das strukturierte Wissen kann gelernt werden und
dargestellt werden durch ein Bayesisches Netzwerk für Diagnostika
von Zubehöreinheiten
und durch ein Netzwerk von Bayesischen Netzwerken für Diagnostika
auf höheren
vertikalen Hierarchieebenen, wie Druck-Fluss-Netzwerk, Prozessabschnitt,
Gruppe, gesamte Anlage, usw.
-
Zum
Beispiel können
die statistischen Modellverfahren verwendet werden zum Schaffen
von Informationen von Signalen (z.B. Abweichung, Mittelwert) und
Signal-Trends. Wahrscheinlichkeits-Verteilung von Random-Variablen
können
ebenfalls verwendet werden, um mit den Ungewissheiten, die mit dem
Prozess verknüpft
sind, umzugehen.
-
Modelle,
die den Prozess beschreiben, können
verwendet werden, um Expertise/Grundlagenwissen und/oder eine Extrakt-Beziehung
zwischen Variablen, die den Prozess unter diagnostischen Bedingungen
beschreiben, zur Verfügung
zu stellen. Zum Beispiel können
physikalische Modelle verwendet werden, um simulierte Daten herzustellen,
um historische Daten, die aus der wirklichen Anlage stammen, zu
vergleichen. Dies kann vorteilhaft sein, da die historischen Daten
nicht alle möglichen
Fehlfunktionen umfassen. Dies ist insbesondere der Fall bei Fehlern,
die sehr selten vorkommen.
-
Mathematische
Modelle der Prozesskontrolle können
ebenfalls verwendet werden für
Kurzzeit-Vorhersagen.
Mathematische Modelle können ebenfalls
verwendet werden, um z.B. Zeitverzögerungen aufzunehmen oder zur
Einrichtung von Informationen bezüglich notwendiger Kontroll-Aktionen im
Hinblick auf die bekannte Ursache eines Fehlers.
-
Die
Informations-Signale können
verarbeitet werden durch Block 31, sodass ein berechneter Trend
von Werten verglichen wird mit den DCS Ablesungen und beide absoluten
Abweichungen, dividiert durch einen Mittelwert und eine relative
Abweichung werden berechnet, um eine Eingabe für die Ursachen-Analyse zu erhalten.
Dynamische Datenabstimmung kann verwendet werden bei Block 31, um rechtzeitig
Datenkonsistenz mit den Signalentwicklungen zu sichern, basierend
auf simplen physikalischen Modellen, wie Masse-(Material)Balance, Energie-Balance und/oder
thermische Balance und so weiter.
-
Die
anfängliche
Verarbeitungsstufe kann kombiniert werden mit verschiedenen unterschiedlichen
Techniken.
-
Betriebs-
und Wartungsinstruktionen können verwendet
werden, um die Regel/Wissensbasis für die Diagnostik zu schaffen.
Wartungsinformationen können
verwendet werden für
Langzeit-Vorhersagen. Ausrüstungsdaten
können
verwendet werden für Kurz-/Langzeit-Vorhersagen.
Daten des Prozesses können
in einer Datenbank 24 (siehe 3 und 4)
gespeichert werden. Die Daten, wie historische Daten, können während der
Zeit aktualisiert werden. Die Aktualisierung kann derart durchgeführt werden,
dass nur derartige historische Daten oder andere Daten, die innerhalb
eines vordefinierten Zeitfensters sind, von dem gegenwärtigen Zeitpunkt
gespeichert werden und/oder verwendet werden bei der Vorverarbeitung
des Alarm-Signals. Die Aktualisierung kann in Realzeit derart durchgeführt werden, dass
das Fenster kontinuierlich vorwärts
geht, sowie die Zeit vorüber
geht.
-
Eine
Zahl von Niedrigstufen-Diagnostik-Paketen, physikalischen Modellen,
mathematischen Modellen von Prozess-Kontrolle, Aufrechterhaltungs- und
Zubehördaten
kann die Datenbank 24 zur Verfügung stellen mit Informationen
bezüglich
des historischen Prozesses und seiner Realzeit-Aktualisierung. Die
historischen Daten können
verwendet werden, sowohl bei der Vorhersage als auch bei den Klassifikations-Stufen
im System. Die Qualität
der statistischen Daten bezüglich
Prozessfehler kann verbessert werden durch Aufbau einer Datenbasis
von Fehlerfällen.
Dieser Operationstyp kann z.B. verwendet werden bei der Lernstruktur
und beim Tuning des Bayesischen Netzwerkes.
-
Ein
Kontroll-System unter Verwendung der Beweisführung von ein oder mehreren Unsicherheiten
kann adaptiert werden, dass es von vorhergehenden Vorgängen lernt.
Dies kann basieren auf der Verwendung von Zeitdaten. Die Klassifikation
ermöglicht das
Tunen von strukturiertem Domain-Wissen mittels Domain-Daten, die
auf den Daten über
die Vorgänge basieren.
Die Operatoren können
ebenfalls dem System ein Feedback geben und daher ein adaptives Lernen
ermöglichen.
Daher kann eine objektive Wissensstruktur etabliert werden, wie
eine Beweisführungsbasis
in dem Analyse-System.
-
Eine
Korrelation zwischen verschiedenen Signalen und Funktion kann in
dem System inkorporiert werden durch Vergleichen der Modelle, die
den Prozess und/oder physikalische Grundlagen des Prozesses mit
gemessenen Werten vergleichen. Das bedeutet, dass zuerst berechnete
Werte verglichen werden mit Werten, die aus dem Prozess gemessen wurden,
um jeglichen unerwarteten Betrieb zu detektieren. Dies kann durchgeführt werden
in der anfänglichen
Verarbeitungsstufe der Diagnostik.
-
Das
Vergleichen von zwei Reihen von Daten kann dem System erlauben,
Entwicklungen im Laufe der Zeit in Betracht zu ziehen, d.h. Verfahrenstrends. Durch Übernehmen
der Varianz davon kann das System direkt einen statistischen Wert
bekommen. Der statistische Wert kann dann verwendet werden, um Fehler
in verschiedene Kategorien zu gruppieren, wie: schwer; eilige Aktion
notwendig/nicht notwendig; ein Fehler beginnt sich zu entwickelt;
usw. Verhältnisse
zwischen Messungen können
ebenfalls inkorporiert werden, z.B. serielle oder parallele Flüsse, um die
Messungen zu normalisieren.
-
Wenn
die Prozessbedingungen verändert werden,
ist es möglich,
Faktoren zu verwenden, die die Grundlagen des Modells widerspiegeln,
welches verwendet werden soll zum Beschreiben der veränderten
Prozessbedingungen.
-
Wie
durch das Flussdiagramm 6 gezeigt ist, können die
Ergebnisse der Ursachen-Analyse eingeordnet werden, bevor sie einem
Operator gezeigt werden. Das Einordnen kann durchgeführt werden
z.B. durch den Signal- und Alarm-Generator 40 von 4.
Die etablierten Ursachen können
eingeordnet werden, basierend auf Wahrscheinlichkeit (in der Bayesischen
Inferenz), basierend auf dem Grad der Mitgliedschaft (in der Neuro-Fuzzy-Inferenz)
und basierend auf dem minimalen Fehler der Ähnlichkeit (in der Basisfall-Beweisführung).
Die eingeordneten Ursachen können
dann in einer Liste dem Operator oder Betriebspersonal gezeigt werden,
um schnelle und effiziente Entscheidungsgrundlagen zu schaffen. Eine ähnliche
Einordnung der benötigten
Kontroll-Betriebsaktionen kann zur Verfügung gestellt werden auf der
Basis der etablierten Ursachen.
-
Ein
Einordnen bzw. Aufstellen einer Rangordnung von Ursachen nach der
Wahrscheinlichkeitsbestimmung liefert eine bessere Entscheidungsgrundlage
und eine größere Flexibilität für Kontrollaktionen
durch den Operator. Geeignete Kontrollaktionen für Fehlerkorrektur können ebenfalls
in Rangstufen eingeteilt werden nach ihren Wahrscheinlichkeiten,
um den Operator mit mehr Information zu versorgen, während er
bezüglich
der benötigten
Kontrollaktion entscheidet.
-
Gemäß einer
Möglichkeit
werden wenigstens zwei Ursachen parallel präsentiert, welche gleich wahrscheinlich
sind. Der Operator kann dann die Ergebnisse vergleichen und eine
Entscheidung treffen, basierend auf den dargestellten Resultaten.
-
Bezug
genommen wird nun auf 5, die eine Mischanalyse zeigt,
bei der die drei Beweisführungstechniken
von 2 verwendet werden für die adaptive Ursachen-Analyse
(ARCA). Die fallbezogene Dokumentation wird verwendet zur Detektion
des Erscheinens eines Vorfalls, wie eine Abnormität. Der fallbezogene
Nachweis kann verwendet werden zum Bestimmen von Abnormitäten oder
Fehlern in einer Richtung von dem oberen Anlagenlevel hinunter auf Prozessabschnitte
und Gruppen von Anlagen. Das heißt, dass die fallbezogene Beweisführung Vorfälle in der
folgenden Rangfolge identifiziert: gesamte Anlage -> Prozessabschnitt -> Gruppe -> Druck-Fluss Netzwerk
-> Gerät.
-
Die
fallbezogene Beweisführung
kann Zeichendatenfolgen empfangen, basierend auf den DCS-Signalen, die mit
dem Prozess verbunden sind. Die DCS-Daten können vervollständigt werden
in der Verarbeitungsstufe durch geeignete Anzeigen. Die Analyse
kann ebenfalls manuelle Eingaben empfangen, z.B. von Informationen,
die schwer zu messen sind. Die fallbezogene Beweisführung kann
dann in der Fehlerdatenbank recherchieren, um Datenzeichenfolgen
zu identifizieren, die den ähnlichsten
Fehler oder ein sehr ähnliches
Fehlerbild zeigen.
-
Die
Suche auf der Basis von der Bayesischen Inferenz wird dann verwendet
zur präziseren Bestimmung
der Ursache, die hinter dem Fehler oder der Abnormalität ist, der
durch die fallbezogene Beweisführung
detektiert wurde. Die Suche aufgrund des Bayesischen Ansatzes für die Ursachen-Analyse ist
bevorzugt begleitet in einer entgegengesetzten Richtung, die von
dem Geräte-Einheits-Level
bis zu dem Prozessabschnittslevel geht. Der Bayesische Ansatz funktioniert
so, dass er die Ursachen-Analyse isoliert. Seine Hierarchie kann
derart angeordnet werden, dass ein einzelnes Bayesisches Netzwerk verwendet
wird zur Diagnose von Komponenten oder Geräte-Einheiten während das
Bayesische Netzwerk zur Diagnose der gesamten Anlage verschiedene Gruppen
von Bayesischen Netzwerken umfasst.
-
Eine
Anlage kann angesehen werden, dass sie eine Serie von Prozess-Abschnitten
oder Stufen umfasst. Die adaptive Ursachen-Analyse auf dem Anlagenlevel
umfasst Neuro-Fuzzy-Inferenz zum Handhaben von Ungewissheiten in
Prozessübergängen zwischen
den nachfolgenden Prozessabschnitten oder Stufen oder Phasenübergängen eines
Multiphasenprozesses. Diese Suche wird durchgeführt in horizontaler Richtung
in 5.
-
Mit
anderen Worten kann die adaptive Ursachen-Analyse implementiert
werden als eine Mischung von Ansätzen,
wie eine vertikale von oben nach unten Anlagenhierarchie mittels
fallbasierter Beweisführung
zur Fehlerbestimmung, vertikale nach unten nach oben Anlagenhierarchie
mittels Bayesischer Inferenz zur Ursachenisolation, und auf horizontaler
Anlagenebene durch Neuro-Fuzzy-Inferenz zur Prozess-Analyse oder
Phasenübergängen. Die
Mischanordnung kann die Verlässlichkeit
der Ursachen-Analyse verbessern, da die Mischanordnung eine double-check-Funktionalität vorsieht.
Zusätzlich kann
eine Abnormalität
oder eine Entwicklung einer Abnormalität schneller entdeckt werden
mittels der fallbezogenen Beweisführung, als z.B. mit dem Bayesischen
Ansatz, während
der Bayesische Ansatz eine bessere Idee für die Ursache liefert.
-
Das
zuvor beschriebene System wird einen automatischen "soft sensor" zur Fehler/Abnormalitäts-Anzeige
auf einer Ebene schaffen, die mehr entwickelt ist als die Alarme
eines verteilten Kontrollsystems (DCS). Die Klassifikationsstufe
vereinfacht die verschiedenen Variationsvariablen, die in die Analyse-Funktion
eingegeben werden.
-
Die
Signalstufen der Prozessparameter, wie sie oben klassifiziert sind,
können
ebenfalls verwendet werden zum Strukturlernen von Fehlerbäumen mittels
Bayesischer Inferenz, um Parameterbeziehungen und Kettenkausalitäten zu etablieren.
-
Es
gibt keine explizite Begrenzung bezüglich der Zahl von Variablen
und ihres Zustandes, die der vorgegebene Ansatz handhaben kann.
Jedoch kann die Berechnung des Algorithmus länger Zeit in Anspruch nehmen,
wenn eine substanzielle größer Anzahl
von Variablen und/oder Zuständen
verwendet werden, da sie eine längere
Beweissicherungs-Zeit benötigen
und daher ist die Zahl der Stufen so niedrig wie möglich.
-
Die
Analyse wird vorzugsweise durchgeführt durch ein computerisiertes
System. Ein Teil der Analyse kann jedoch manuell vorgenommen werden.
Ein Operator kann z.B. ein manuell dem System ein Feedback mittels
Klicken auf Inferenz-Checkboxen geben.
-
Online-Prozessbeobachtung
kann ebenfalls verwendet werden zum Aktualisieren der Bedingungswahrscheinlichkeiten
für jedes
individuelle Gerät
oder jeden Prozessabschnitt. Daher werden individuelle Diagnostika,
wie Ursachen-Analysen, möglich
sein für
eine besondere Geräteeinheit.
Die individuelle Diagnostik kann Nutzen ziehen von einer gemeinsamen
Fehlerdatenbank. Ein diagnostisches System passt sich unterschiedlichen
Prozessbedingungen an. Das System kann argumentieren und Entscheidungen
bei Ungewissheiten.
-
Die
Diagnostik kann dynamisch und vorausschauend in ihrem Charakter
sein, zurückzuführen auf
die Möglichkeit
von Kurz- und Langzeit-Vorhersagen von Signalentwicklungen mit der
Zeit. Kurzzeit-Vorhersagen können
erlauben, dass Kontrollaktionen geplant und optimiert werden. Die
Langzeit-Vorhersagen können
eine bessere Betriebsplanung erlauben, einschließlich des Bestellens von Ersatzteilen
und ihrer Just-in-time-Lieferung, Vermeidung sowohl von großer Lagerung
von Ersatzteilen als auch von teueren Prozessausfällen zurückzuführen auf
verzögerte
Wartung.
-
Offline-Tuning
von Kausalitäten
bezüglich Parameterbeziehungen
kann durchgeführt
werden, sowohl automatisch, basierend auf Eingabedaten als auch
manuell durch einen Experten. Dann kann das Bayesische Netzwerk
(oder das gesamte Anlagen-Bayesische Netzwerk, bestehend aus einer
Zahl von einem niederhierarchischen Level von Bayesischen Netzwerken)
eine Online-Inferenz
durchführen (adaptive
Ursachen-Analyse) unter Verwendung von Eingabedaten von dem progostizierenden
Klassifizierer.
-
Das
hier diskutierte System kann verwendet werden z.B. zum Beschaffen
eines Entscheidungshilfe-Werkzeugs für den Operator durch hierarchisches Einordnen
von Gründen
und Kontrollaktionen. Das System kann angepasst werden, um Ratschläge zu generieren
mit einem vorhersehenden adaptierenden Behandeln von Prozess-Alarmen
und Vorfällen. Ein
Beispiel der Fehlerdiagnostik wird unten beschrieben mit Bezug auf 7,
die ein Kettenkausalitäts-Netzwerk
in einer Sieb-Fehlfunktion-Situation beschreibt.
-
Ein
Operator kann prozessbezogene Informationen von einem Monitor lesen,
wie dem Display der Operatorstation 10 von 1.
Ein grafisches Display kann vorgesehen sein auf Basis der Informations-Signale,
die auf eine Informationsgenerierungs-Schicht 60 geliefert
werden. Der höchstwahrscheinliche
Grund des detektierten Vorfalls kann visuell hervorgehoben werden.
-
Nach
dem Ausbreiten der Nachweisinformationen (z.B. ansteigende Druckdifferenz
und verminderter Durchfluss) kann eine Bayesische Inferenz-Maschine
schließen,
dass die Sieb-Fehlfunktion verursacht
wird durch Verstopfen einer Siebplatte 70. Es können verschiedene
Gründe
für das
Verstopfen der Platte vorliegen, wie eine zu hohe Konzentration der
Flüssigkeit
(74) oder Fehlfunktion eines Rotors 71, der die
Siebplatte 70 bearbeitet. Die Fehlfunktion der Siebplatte 70 kann
ebenfalls mehrere verschiedene Informations-Signale, die auf der
Schicht 60 gebildet worden sind, beeinflussen. Daher kann
es sein, dass der Operator nicht in der Lage ist, die Fehler oder
Fehlerquellen, die die Fehlfunktion hervorrufen, zu bestimmen, weil
er die Ursache der Situation nicht bestimmen kann, die alleine auf
der Schicht 60 Information basiert. Es kann sogar so sein,
dass, zurückzuführen auf
den Überfluss
an Information aus verschiedenen Quellen, der Operator nicht realisiert
hat, dass der Fehler mit der Siebfunktion zusammenhängt, oder
dass der Operator nicht realisiert hat, dass es ein Problem gibt.
-
Basierend
auf den bedingten Wahrscheinlichkeiten, die durch die Ursacheneffektbeziehungen des
Bayesischen Netzwerks entstehen, kann die Bayesische Inferenz-Maschine
in der Lage sein daraus zu schließen, dass der Plattenverschluss
verursacht worden ist durch zu niedrige Umdrehung pro Minute des
Rotors 71, welches wiederum verursacht wird durch eine
Fehlfunktion der Pumpe 72 (und nicht z.B. durch einen durchdrehenden
Treibriemen 73).
-
Es
könnte
kosteneffektiver sein, die Pumpe auszutauschen, als sie zu reparieren,
insbesondere, wenn Variablen für
die Reparatur in Betracht gezogen werden müssen, wie Verlust der Produktion,
zurückzuführen auf
einen Prozessstop. Daher wird als Ergebnis der Analyse und Information,
die mit den Kosten verbunden sind, die am besten geeignete Kontroll-Aktion,
die dem Operator gezeigt werden soll, sein "Austauschen der Pumpe mit Fehlfunktion durch
eine neue".
-
Die
oben diskutierte Analysevorrichtung schafft ein Werkzeug für den Operator,
um Informationen von der wahren Ursache oder den Ursachen zu erhalten,
ohne dass der Operator genötigt
wird, jede Kausalitätskette
bis hin zum Komponentenlevel zu folgen, um die Ursache zu finden.
Anstelle davon, wird die Ausführungs-Analyse-Information,
die durch die Signalgenerierungsschicht 60 hervorgebracht wird,
eingesetzt. Die Beweis-Information kann gesammelt werden durch Messungen,
Beobachtungen und/oder Berechnung, die auf Prozessmodelle (physikalische,
mathematische und/oder statistische Modelle) basieren. Die Menge
an variablen Stufeneingaben an den Analysierer wird reduziert durch
Klassifizierung der Information in charakteristische Stufen. Die
Unsicherheiten, hervorgerufen durch z.B. Informations-Signale von
anderen Quellen, die nicht mit der Fehlfunktion verbunden sind,
werden in Betracht gezogen durch die Beweissicherungs-Funktion. Nach
Empfangen und Aussenden der Beweise, berechnet die Bayesische Inferenz-Maschine
die Möglichkeiten
der möglichen
Ursachen.
-
Die
produzierte Ursachen-Information kann dann eingeordnet werden nach
Wahrscheinlichkeiten und wird dem Operator auf einem grafischen
User-Interface gezeigt, wie einem Display des Computers 10 von 1.
Erläuterung
der zugrunde liegenden Beziehungen von Ursache und Wirkung kann
dem Benutzer gezeigt werden, während
eine bestimmte Ursachen-Analyse ausgewählt ist aus der Rangliste. Die
Erklärung
kann gezeigt werden in Form einer Bayesischen Darstellung, bei der
die höchstwahrscheinliche
Kette von Kausalitäten
hervorgehoben ist.
-
Alarm-Signale
können
klassifiziert werden in Ursachen-Alarme und Effekt-Alarme. Nur Ursachen-Alarme
können
dem Operator gezeigt werden.
-
Die
Anordnung kann ebenfalls derart sein, dass das Display eine aktualisierte
Analyse zeigt, nachdem der Operator sein Feedback zu dem anfänglichen
Rat durch das Analyse-System gegeben hat.
-
Ein
Teil der Analyse kann durchgeführt
werden durch eine oder mehrere Datenprozessor-Einheiten, die in einer Remote-Stellung
von wenigstens einem Teil des Prozesses platziert sind. Ein Kommunikationsmedium
kann vorgesehen sein zwischen der Prozessoreinheit und dem Prozess,
z.B. mittels eines Daten-Netzwerks. Mitteilungen, die durch den Informationsgenerator 40 von 4 gezeigt
werden, können
ebenfalls über
ein Daten-Netzwerk, wie ein Internet-Protokoll-basiertes Netzwerk oder ein
lokal area Netzwerk (LAN), kommuniziert werden. Die Kommunikationsmedien
können
ebenfalls ein drahtloses Kommunikations-Netzwerk, z.B. ein zweite
Generation (2G) oder ein dritte Generation (3G) Kommunikations-System
oder ein drahtloses lokales Netzwerk, z.B. ein drahtloses Kurzbereichlink,
basierend auf dem BluetoothTM Protokoll,
sein.
-
Die
Analysier-Vorrichtung kann verknüpft sein
mit einem Ersatzteil- und/oder Komponenten-Zuführsystem
und ähnlichen
Wartungsdatenbasen. Informationen von wenigstens einer Datenbasis zum
Speichern von Informationen, die mit Komponenten verbunden sind,
Ersatzteilen und ähnlichen, können verwendet
werden, wenn eine Anweisung erzeugt wird. Zum Beispiel kann es festgelegt
werden, dass die am besten geeignete Aktion nicht durchgeführt werden
kann, da keine Ersatzteil-Komponente verfügbar ist, sodass der Operator
angewiesen werden kann, die nächstbessere
Aktion durchzuführen.
-
Die
Ausführungsformen
der vorliegenden Erfindung erleichtern die Eingabe von Alarm und/oder anderen
Informations-Signalen direkt als Eingaben in die Ursachen-Analyse-Schicht.
Eine Abnormalität, wie
ein Fehler, kann detektiert werden, lange bevor ein reales Problem
auftritt und ein Warnalarm kann dem Operator gegeben werden, rechtzeitig,
bevor irgendwelche aktuellen Probleme auftreten. Die Analyse kann
verwendet werden, um den manchmal enormen Anstieg von verfügbaren Prozess-Informationen zu
reduzieren und dem Operator nur die wirklich notwendige Ursachen-Analyse-Information
zur Verfügung
zu stellen.
-
Es
wird gewürdigt,
dass die produzierte Information den Prozess als solches betrifft,
oder irgendeine Komponente, Geräte
oder ähnliches,
was mit dem Prozess zusammenhängt.
Information kann ebenfalls produziert werden, die das Produkt betrifft, erhältlich durch
das Produkt.