训练预测模型来预测在过程的执行期间的不期望事件的制作方法

发明领域本发明涉及在工业工厂和/或电网上改进过程的执行，以便减少发生至少一种不期望事件的可能性。

背景技术：

1、用于执行工业过程的工业工厂以及电网都由联锁条件来保护。这种联锁条件经常用于设备上，以防止操作方的错误，例如在电源通电的同时将电路接地(从而使电源接地短路)。针对工厂或电网中的过程的执行，存在更多的安全联锁规则，这些规则对工厂的状态变量或其他变量强制执行某些限制。例如，如果装有材料处理设备的真空腔室的压力表显示压力增加超过系统可接受的范围，则可以关闭设备，以便防止对系统的损坏。

2、安全联锁规则经常要求针对不安全状态采取激烈的对策。例如，工厂或其中的一部分可能会被粗暴地切断电源，而不管重新启动和运行过程变得多么繁琐或困难。例如，关闭化学反应容器中的热量可能会引起其液体内容物冷却并凝固。然后再次使用反应容器，最好情况下需要用锤子和凿子费力地手动移除，最坏的情况是无法再次使用。因此，触发安全联锁事件可能是一个重大挫折。

技术实现思路

1、因此，本发明的目的是通过允许预测安全联锁事件的发生和/或通过基于这种预测主动避免这些事件来减少安全联锁事件的发生。

2、本发明提供了用于训练预测模型的方法，该预测模型用于预测在过程的执行期间将发生至少一个预先确定的不期望事件的可能性。该过程可以是在工业工厂中执行的工业过程，诸如通过至少一种化学反应将一种或多种离析物转化为一种或多种产品的化学过程。该过程也可以是电网中的电气过程，诸如电力网络的操作。该方法使用具有表征工业过程状态的数据的训练样本。

3、在该方法的过程中，获取代表不会引起不期望事件的过程的状态的训练样本。不发生不期望事件的运行是工厂或网络的正常运行状态；因此，这样的训练样本是非常充足的。训练样本用预先设定的发生不期望事件的低可能性来标记，这取决于衡量这种可能性的尺度。例如，如果可能性被衡量为概率，则可以将概率设定为非常低的非零数值，而不是零，以避免在运行时出现任何除以零的错误。

4、幸运的是，在工厂或网络的正常运行期间，不期望事件发生很少，或者根本不发生，不幸的是触发这样的不期望事件的过程的状态的训练样本很少(如果有的话)可用。也就是说，训练样本集合对于代表正常运行的训练样本是强烈不平衡的。为了训练预测模型来可靠地预测不期望事件的可能性，需要更平衡的训练样本样本。为此，至少部分地基于过程模型和规定在过程的哪些状态下有发生不期望事件的增加的可能性的预先确定的规则集合，获取其他的训练样本。这些其他的训练样本代表了具有引起不期望事件的增加的可能性的过程的状态，并且因此用这种增加的可能性来标记。

5、过程模型可以是整个过程的整体模型，但它也可以由任何渴望的粒度级别的子模型组成。例如，不同的子模型可以预测过程的状态的不同方面的未来发展，这可以对应于工厂或网络的不同子单元。为了清晰起见，下面将只参考一个过程模型。

6、特别地，过程模型可以被特别地配置为基于至少一个过程的当前和/或过去状态来预测过程的状态的未来演变。例如，这样预测的未来状态然后可以根据对于发生不期望事件的预先确定的规则进行检查。如果过程的预测演变导致(根据预先确定的规则)将引起不期望事件的状态，那么根据其确定这种预测演变的当前和/或过去的状态可以被认为是不期望事件的因果关系。

7、优选地，过程模型可以包括

8、机器学习模型；和/或

9、仿真模型；和/或

10、该仿真模型的代理近似。

11、哪种类型的过程模型最有利取决于有多少关于过程(或其中任何部分)的内部工作的知识是可用的。例如，如果过程是“黑箱”，则可以根据到该“黑箱”的输入和响应获取的输出来训练机器学习模型，而无需深入了解过程的内部工作原理。如果过程的内部工作是众所周知和理解的，则可以使用基于关于该过程的知识的过程的仿真模型。

12、仿真模型可以高保真地预测过程的未来演变。然而，这样做的代价是仿真模型的计算可能非常昂贵。复杂的计算可能需要几个小时甚至更长时间。然而，为了在过程的实时执行期间避免不期望事件，能够更快地获取结果比最高水平的保真度更重要

13、这就是仿真模型的代理近似可以节省大量计算时间的地方。作为对保真度的小小牺牲的回报，计算可能会大大加快，甚至比实时更快。根据现在采取的行动，这反过来又允许计算多个场景并探索过程可能发展的多个可能路径。这有点类似于音频和视频数据的有损压缩降低了一些质量但大大减少了带宽需求，因此数据可以实时流化。

14、使用过程模型和规则集合，可以对先前稀缺的、可能触发不期望事件的状态的训练样本集合进行任意尺度的扩充，以便得到更平衡的训练样本集合。这反过来又允许对预测模型的监督训练。在这种情况下，利用预先确定的规则集合会产生进一步的优势，这些规则提供了来自真实过程的确切内部行为的某种水平的抽象。这种确切的内部行为并不总是为人所知。例如，在一个工业工厂中，一些设备可能被购买并作为具有抽象技术规范、而不能访问其内部工作原理的“黑箱”使用。大型电网由许多子网络组成，这些子网络由不同的运营商运行，这些子网络的内部复杂性隐藏在抽象的规范后面。就像地球可以被抽象成一个质点来进行一些天文计算一样，电站也可以归结为几个量，诸如最大功率输出和功率输出的转换率。

15、在监督训练过程中，提供训练样本作为待训练的预测模型。然后，预测模型输出对由相应的样本代表的过程的状态中发生不期望事件的可能性的预测。通过预先确定的损失函数(或“成本函数”)来对所获取的预测与相应的样本的标记之间的差进行评级。这种损失函数的示例是交叉熵和对数似然。

16、表征预测模型的行为的参数被优化，使得当对其他的样本的预测做出时，损失函数评出的等级能够提高。训练可以响应于任何合适的停止标准而停止，诸如在训练样本、多个训练周期、或者收敛(即参数无法进一步改变)上实现一定的预测精度。例如，在神经网络预测模型中，参数包括权重，使用该权重，每个神经元的输入被求和为该神经元的激活。

17、例如，预先确定的规则可以包括指定在何种情况下将触发安全联锁事件的安全联锁规则。许多这样的安全联锁规则响应于工厂中发出的某些警报、和/或响应于工厂和/或过程的某些状态变量超过某些预先设定的阈值而触发安全联锁事件。在电网中，如果子网络之间的电流超过硬性限制，子网络通常被设定为彼此断开连接。如果满足相应的条件，则必然引起事件发生。也就是说，发生事件的可能性是最大的(即在概率尺度上为1)。

18、因此，在特别有利的实施例中，不期望事件包括强制至少部分地停止和/或关闭过程、和/或正在执行过程的工业工厂或电网的安全联锁事件。能够预测这些以响应的方式(reactive manner)被提前处理的这些事件，允许在它们实际发生之前以主动的方式(pro-active manner)处理它们。例如，可以避免这些事件的发生，和/或可以减轻其后果。

19、对于其他类型的不期望事件，将过程的状态与发生事件的增加的可能性联系起来的规则可以更柔和。例如，每个规则可以带有一定数量的“罚分”，并且如果过程的状态同时满足多个规则，这些“罚分”就会累积起来。然后，例如，不期望事件可以与至少已经累积了一个阈值量的“罚分”的条件相耦合。在这种情况下，规则没有在其本身规定事件必须在某种条件下发生，但每满足一条规则，事件发生的可能性就会增加。

20、发生不期望事件的可能性可以用任何合适的尺度来衡量。例如，可能性可以用发生该事件的概率尺度来衡量。这是一个很容易解释的尺度。例如，安全要求可以规定某些事件的概率需要低于某个阈值。

21、为了避免在实时过程执行中不期望事件的发生，可能性的另一个概念也可以是有利的：可能性可以以过程的状态与引起不期望事件的状态的接近度尺度来衡量。这对为了减少不期望事件的可能性要做哪些提供了直接的指导。这在某种程度上类似于无人机操作的风险是关于操作距离关键空域或地面设施的接近度来衡量的。

22、在另一个有利的实施例中，该方法还包括：至少部分地基于预先确定的规则，确定表征过程的状态的变量中的哪些对发生不期望事件的可能性有影响。然后可以将这些变量和/或从这些变量获取的处理结果包括在训练样本中。也就是说，可以对状态变量进行预先过滤，以降低预测模型的复杂性。

23、例如，训练样本可以包括过程的任何类型的状态变量。例如，在化学过程中，状态变量可以包括温度、浓度或物质的其他物理性质、压力或质量流。在电气过程中，状态变量可以包括电压、电流、功率、温度或可切换连接的开关状态。

24、在其他有利的实施例中，在训练样本中包括该过程的至少一个状态变量的至少一个统计时刻和/或时间序列。特别是一些类型的预测模型(诸如递归神经网络和变压器网络)专门适于处理包括时间序列的样本，以便直接从这些时间序列中的明显的趋势中学习。状态变量的统计矩可以包括在训练样本中以压缩状态变量中的信息。

25、在另一特别有利的实施例中，基于预告确定的时间窗口内的样本，在该时间窗口结束处，预测模型获取发生不期望事件的可能性的预测。以这种方式，可以设定因果关系的时间视域。此外，还可以清楚地看到，为了避免不期望事件，还剩下多少时间可以采取任何补救措施。

26、在另一特别有利的实施例中，训练的预测模型的行为通过代理模型来近似，代理模型评估比训练的预测模型在计算方面上更便宜。以这种方式，为了更快地获取预测，牺牲了一些预测的准确性。特别是，如前所述，如果能够比实时更快地获取预测，则可以使用预测模型来测试用于避免发生不期望事件的多个候选措施。也就是说，可以分析“假设”场景，然后可以在过程上实现最佳措施。

27、训练的预测模型的最终目标是提高过程的执行，并且对即将发生的不期望事件做出主动地反应，以避免之。本发明还提供了用于在至少一个工业工厂上或在至少一个电网中执行过程的方法。

28、在本方法的过程中，将代表过程的状态的一个或多个样本提供给训练的预测模型、和/或训练的预测模型的代理近似，以便在由一个或多个样本代表的过程状态中获取不期望事件的发生的可能性的预测。

29、这个预测是针对至少一个预先确定的标准来测试的。例如，该标准可以包括阈值，该阈值用于发生不期望事件的概率，或者用于过程的当前状态在参数空间中与将触发不期望事件的状态的接近度。

30、响应于标准被满足，以减少发生不期望事件的可能性的目标向过程的操作方输出警报、和/或修改过程的执行。这种修改可能造成执行的降级。例如，产品的生产速度可能会降低或完全停止，或者电网可能甩掉一些负荷。当然，最理想的情况是在没有任何降级的情况下运行过程，但是降级通常比安全联锁事件的发生要好得多。例如，与用锤子和凿子从反应堆容器中清除固化物质相比，暂时得到更少化学过程的产品的危害要小得多，并且从电网中甩掉一些负荷也比一起失去电网中的电力要好得多。

31、在另一特别有利的实施例中，为了修改过程的执行，将代表不同于过程的当前状态的过程的多个候选状态的样本提供给预测模型。这就产生了对于候选状态的、不期望事件的发生的可能性。也就是说，可以以“假设”的方式探索过程可能走向的状态的选项。然后，过程的执行可以朝向作为目标状态的具有发生不期望事件的最小可能性的候选状态引导。

32、例如，引导该过程可以包括：改变被提供给执行该过程的工业工厂或电网的低级控制器的设定点值、和/或启用或禁用该工厂或网络中的设备或互连。

33、在许多工厂或电气设备正在工作以执行过程的场所，许多物联网(iot)设备都参与了这项工作。这些设备与iot边缘系统通信，以实现过程控制。该边缘系统有一定的处理能力来评估预测模型，但没有足够的处理能力来训练这样的预测模型。但边缘系统可以将这项工作委托给具有更强处理能力的云平台。

34、因此，在另一特别有利的实施例中，代表过程的状态的样本由参与执行过程的工业工厂或其他场所的边缘系统收集。这些样本由边缘系统提供给云平台。基于这些样本，在云平台上训练和/或更新预测模型。云平台还为训练和/或更新的预测模型创建代理近似，和/或创建对这种已经存在的近似的更新。代理近似和/或对代理近似的更新被提供给边缘系统。在边缘系统上，评估代理近似，以便获取发生不期望事件的可能性的预测。

35、这些方法可以全部或部分由计算机实现。因此，本发明还涉及具有机器可读指令的一个或多个计算机程序，机器可读指令当在一个或多个计算机和/或计算实例上执行时，引起一个或多个计算机执行上述方法中的一个。在这种情况下，能够执行机器可读指令的虚拟化平台、硬件控制器、网络基础设施设备(诸如交换机、桥接器、路由器或无线接入点)以及网络中的终端设备(诸如传感器、致动器或其他工业现场设备)也被视为计算机。

36、因此，本发明还涉及具有一个或多个计算机程序的非暂态存储介质和/或下载产品。下载产品是一种可以在网上商店出售的产品，可以通过下载立即完成。本发明还提供具有一个或多个计算机程序和/或具有一个或多个非暂态机器可读存储介质和/或下载产品的一个或多个计算机和/或计算实例。