根据工业工厂的操作状态确定要采取的适当动作序列的制作方法

本发明涉及监测工业工厂以及响应于特定操作状态(特别是响应于异常操作状态)而确定要采取的动作。

背景技术：

1、许多工业工厂的预期操作由分布式控制系统dcs控制，该dcs调整低级别控制器的设定点，以便优化一个或多个关键性能指标kpi。还对对工厂的任何异常条件(诸如设备故障或失灵)进行继续监测。这种监测可以与由dcs进行的控制至少部分集成。

2、如果检测到异常条件，则并不总是能够借助于dcs进行自动纠正。每个工厂中都会出现异常情形，这些异常情形需要由操作员实行某个动作序列进行纠正。wo 2019/104 296a1公开了一种警报管理系统，该警报管理系统帮助操作员标识高优先级警报。然而，向操作员输出警报只是纠正异常条件的第一步。操作员还必须实行正确的动作序列。

3、发明目的

4、因此，本发明的目的是帮助工厂操作员通过根据在对工业工厂或工业工厂的一部分的监测期间获得的信息来计算要采取的动作序列来纠正异常情形。

5、该目的由根据第一独立权利要求所述的用于确定适当事件序列的第一方法以及由根据第二独立权利要求所述的用于训练用于在第一方法中使用的机器学习网络的第二方法实现。在相应从属权利要求中对其他有利实施例进行详述。

技术实现思路

1、本发明提供了一种计算机实现方法，用于确定在对工业工厂或工业工厂的一部分的操作期间要采取的适当动作序列。

2、在该方法的过程中，获取表征工厂或工厂的一部分的操作状态的多个状态变量的值。例如，这些值可以组合成向量或张量。表征工厂或工厂的一部分的状态所需的具体状态变量集合特定于工厂。这样的状态变量的示例包括压力、温度、质量流动、电压、电流、填充水平和物质混合物中的物质的浓度。

3、多个状态变量(例如，包括状态变量的值的向量或张量)由至少一个经训练状态编码器网络编码为工厂或工厂的一部分的操作状态的表示。特别地，这种表示可以具有比原始多个状态变量低得多的维度。也就是说，与具有状态变量值的原始向量相比，表示可能取决于更少的变量。

4、状态变量的示例包括但不限于：

5、·至少指示过程变量的变量，诸如压力、质量流动、电压或电流；

6、·表示工厂中的离散改变的事件，诸如开启或关闭电机、信号越过报警极限、打开或关闭阀门；以及

7、·过程变量和事件的组合。

8、如果状态变量包括过程变量和事件两者，则状态编码器网络可以是同时将过程变量和事件两者作为输入的组合状态编码器网络。但是，还可以使用两个状态编码器网络的组合，其中一个状态编码器网络对过程变量进行编码，而另一状态编码器网络对事件进行编码。

9、借助于经训练的状态到动作网络，将操作状态的表示映射到响应于操作状态而要采取的动作序列的表示。特别地，就像少数变量可以对取决于非常多的状态变量的工厂的复杂操作状态进行编码一样，少数变量也可以对包括许多不同动作的复杂动作序列进行编码。

10、动作序列的表示由经训练的动作解码器网络解码为所寻求的要采取的动作序列。然后，可以以任何可能方式使用如此确定的动作序列，以便纠正异常情形。例如，就可以自动执行序列中的动作的范围而言，可以触发这些动作的自动执行。对于只能由操作员执行的动作，可以以任何合适方式通知操作员执行这些动作。此外，可以采取任何合适动作来帮助操作员执行这种动作。例如，如果操作员需要操作dcs的人机界面中的某个特定控制元件，则可以突出显示该特定控制元件。如果一个动作需要操作物理控制(诸如按钮、开关或旋钮)，并且该物理控制是由盖子保护以防止意外操作或无意操作的控制，则盖子可以打开和/或开启。同样，如果动作需要对某些设备进行物理检修，则可以打开设备的位置的检修门，和/或可以使操作员安全进入设备的位置，诸如通过停止可能会伤害操作员的设备。还可以采用在无需人工干预的情况下或可选地至少在人工监督下(即，当自动实行系统所提出的动作序列时，人工进行观察)自动实行dcs的hmi中可用的动作的意义上的混合解决方案。

11、动作序列中的动作示例包括：

12、·启用或禁用工厂或工厂的一部分中的设备；

13、·开启或关闭工厂或工厂的一部分的阀门；以及

14、·改变工厂或工厂的一部分中的至少一个低级别控制器的设定点值。

15、当将该操作状态的表示映射到动作序列的表示时，对工厂的操作状态进行主要评价。由于表示通常具有比操作状态(分别是动作序列)低得多的维度，这意味着评价仅包括两个低维度空间之间的映射。这使得状态到动作网络比直接得到高维度操作状态并直接输出高维度动作序列的网络更容易训练。特别地，状态到动作网络更容易训练包括训练需要数量较少的训练样本。

16、而且，整个处理链中的不同任务，即

17、·从高维度输入进入低维度表示，

18、·将该表示处理为另一低维度空间中的另一表示，以及

19、·从第二低维度表示空间进入第二高维度输出空间，

20、被指派到不同的网络，这些网络可以专门从事其各自的工作。与使用必须同时执行所有任务并且可能必须在冲突的目标之间进行权衡的单个网络相比较，这提高了最终确定的输出的总体准确性。这在某种程度上类似于诸如sed、awk或grep之类的unix工具的原理。每个工具被构建为只完成一项简单的工作，并且擅长于这项简单的工作。对于更为复杂的工作，一个工具的输出由管道传输到另一工具作为输入。

21、在一个特别有利的实施例中，状态编码器网络被选取为编码器-解码器装置的编码器部分，该编码器-解码器装置首先将多个状态变量映射到工厂或工厂的一部分的操作状态的表示，然后根据该表示重构多个状态变量。这种编码器-解码器装置可以以自监督方式进行训练。也就是说，训练样本可以输入到该装置中，并且可以评价该装置的结果与原始输入的一致程度。为了使这种训练发挥作用，训练样本不需要使用“地面真实值”标记。在机器学习应用中，获取“地面真实值”是训练中最为昂贵的部分。

22、而且，以这种方式训练重构可以训练编码器-解码器装置，以迫使输入中对重构最为显著的部分通过低维度表示的“信息瓶颈”。这消除了输入中不太重要的部分，诸如噪声。因此，编码器也凭借训练得到一些去噪功能。

23、可替代地或与此相结合，在另一特别有利的实施例中，动作解码器网络被选取为编码器-解码器装置的解码器部分，该解码器部分首先将动作序列和/或从该动作序列导出的处理结果映射到表示，然后根据该表示重构动作序列和/或由该动作序列导出的处理成果。优点是一样的。

24、重构“处理结果”意味着例如编码器-解码器装置可以被训练为基于动作序列的一部分来预测该动作序列中的下一动作。

25、可以用作操作状态和/或动作序列的编码器网络和/或解码器网络的网络的示例包括递归神经网络rnn和转换器网络。在递归神经网络中，输出被反馈作为输入，并且网络被实行预定数目次迭代。转换器神经网络包括多个编码单元的序列，其中每个编码单元包括计算输入的不同部分之间的相关性的注意力头。这两种体系架构对于处理作为输入的序列均特别有用。

26、例如，状态到动作网络可以包括卷积神经网络。在一个特别有利的实施例中，状态到动作网络包括全连接神经网络。这种体系架构为训练提供了最大的灵活性，但代价是输入和输出的每个大小都包含许多参数。如之前所讨论的，操作状态的表示的维度以及动作序列的表示的维度都相当低。因此，可以容纳全连接神经网络所具有的数目更多的参数。

27、其中该方法特别有利(尤其是用于纠正异常情形)的示例性工厂包括被配置为发出警报和事件数据的连续工厂或过程工厂。例如，该方法可以被用来纠正以下中的异常情形：

28、·垃圾焚烧工厂；

29、·碳氢化合物分离工厂；

30、·用于将水注入碳氢化合物井中的回注系统；

31、·碳氢化合物开采设施；和/或

32、·脱甘醇再生工厂。

33、这些工厂的共同点在于，异常情形经常会带来安全问题。在高优先级警报的情况下，如果展开错误的动作序列或如果当实行正确序列时出现误差(诸如省略一个步骤或调换两个步骤的次序)，这可能会使异常情形更加严重，从而可能会失去再次控制工厂的最后机会。此外，因为幸运的是，安全关键异常情形非常罕见，所以这些情形的训练数据很少。因此，该方法可以使用较少的训练数据是有利的，因为如之前所讨论的，主要推理在两个维度相当低的空间之间进行。

34、本发明还提供了一种用于训练用于在上文所描述的方法中使用的网络装置的方法。

35、在该方法的过程中，获取动作编码器网络和动作解码器网络的经预训练的第一编码器-解码器装置。此外，获取状态编码器网络和状态解码器网络的经预训练的第二编码器-解码器装置。

36、获取训练数据的样本。每个这样的样本包括表征工厂或工厂的一部分的操作状态的多个状态变量的值。这些状态变量是待训练装置的输入数据。每个样本还包括响应于该操作状态而采取的动作序列。该序列是附着到样本的操作状态的“地面真实值”标签。

37、由经预训练的状态编码器网络，将每个样本中的状态变量的值编码为相应操作状态的表示。将操作状态的所得表示映射到动作序列的表示。在该表示中被编码的动作序列是在给定由状态变量表征的操作状态的情况下网络装置正在提出的动作序列。

38、借助于成本函数测量该动作序列与附着到样本上的“地面真实值”的对应关系。这可以通过以下两种方式中的任一方式或组合实现：

39、根据第一方式，损失函数测量动作序列的表示与通过由经预训练的动作编码器网络对训练样本中的动作序列进行编码而获取的表示一致程度；

40、根据第二方式，损失函数测量由经预训练的动作解码器网络对动作序列的表示进行解码而获取的动作序列与训练样本中的动作序列的一致程度。

41、在训练过程中，优化表征待训练状态到动作网络的行为的参数，使得当对其他训练样本进行处理时，由损失函数进行评级很大可能会提高。

42、状态变量可以在工厂上实际实行过程期间获取，也可以在这种实行之后从工厂历史记录中获取，还可以从使用产生与工厂上的过程相同的状态变量的过程模拟器实行模拟中获取。对于历史数据很少的新调试的工厂而言，并且当模型首先在模拟数据上进行训练以捕获一般过程动态，然后使用实际过程实行中的有限数据进行训练时，使用过程模拟器特别有益。同样，可以在实行过程期间监测动作序列，或可以在这种实行之后从动作日志中获取该动作序列，或对于初始训练而言，可以从由实际工厂操作员进行的模拟实验或预定动作序列中获取该动作序列。由于工厂历史记录中的状态变量和操作日志中的动作均带有时间戳，所以它们可以彼此相关。因此，训练可以被理解为“挖掘”工厂操作员对特定情形做出反应的工作流程，并且教导网络装置在这种情形或大体上相似的情形再次发生时提出该工作流程。以这种方式，即使是操作员脑海中存在但难以用语言表达或难以传达给另一操作员的知识也可以加以使用。

43、例如，如果操作员学会了“如果火焰变蓝，则缓慢打开阀门”，则每个操作员对火焰变蓝的时刻的感知可能略微不同。此外，不同的操作员对“缓慢”打开阀门的概念也可能不同。本训练方法允许自动捕获知识，而不会留下解释的余地。

44、在一个特别有利的实施例中，获取动作编码器网络和动作解码器网络的经预训练的第一编码器-解码器装置包括：

45、·获取动作序列的训练样本；

46、·向待训练动作编码器网络提供每个训练样本中的动作序列和/或由此导出的处理结果，从而获取表示；

47、·将该表示提供给待训练动作解码器网络，从而获取动作序列和/或由此导出的处理结果；

48、·借助于预定损失函数，测量该动作序列和/或处理结果与训练样本中的动作序列和/或处理结果的一致程度；以及

49、·优化表征待训练动作编码器网络和待训练动作解码器网络的行为的参数，使得当对其他训练样本进行处理时，由损失函数进行的评级很大可能会提高。

50、用于该预训练的训练样本可以具有与上文所讨论的主要训练相同的训练样本，但是它也可能在与用于主要训练的训练样本集合不相交的训练样本集合上执行。例如，预训练可以针对特定类型的工厂以通用方式执行一次。对于随后安装的工厂的每个实例，经预训练的编码器-解码器装置可以用于对状态到序列网络进行训练。可选地，当从通用训练转移到工厂的具体实例时，可以使用从工厂的该实例采集的其他训练样本对编码器-解码器装置的预训练进行改进。

51、可以使用多种任务完成预训练，对于这些任务，可以根据可用过程状态数据和动作序列轻松产生“地面真实值标签”。这样的任务的示例是重构输入(工厂状态变量或动作序列)，预测序列的接下来的n个元素(工厂状态变量或动作序列)，在若干个呈现的序列分段中标识正确的接下来的序列分段，在若干个呈现的序列分段中标识正确的先前序列分段，标识所呈现的序列是否是整个序列中的邻近序列等。还可以并行或按顺序组合这样的任务，这样做的益处在于可以进一步增加用于预训练的训练数据量，并且还防止将经预训练的模型过度拟合到单个任务中。

52、同样的优点以类似方式适用于另一特别有利的实施例，其中获取状态编码器网络和状态解码器网络的经预训练的第二编码器-解码器装置包括：

53、·获取训练样本，这些训练样本包括表征工厂或工厂的一部分的操作状态的多个状态变量的值；

54、·向待训练状态编码器网络提供每个训练样本中的状态变量的值，从而获取表示；

55、·将该表示提供给待训练状态解码器网络，从而获取状态变量的值；

56、·借助于预定损失函数，测量这些值与训练样本中的值的一致程度；以及

57、·优化表征待训练状态编码器网络和待训练状态解码器网络的行为的参数，使得当对其他训练样本进行处理时，由损失函数进行的评级很大可能会提高。

58、在另一特别有利的实施例中，将待训练动作编码器网络和待训练状态编码器网络组合在一个单个网络体系架构中。这种单个网络体系架构所依赖的参数可能比两个单独体系架构的组合要少，因此更容易进行训练。此外，由于两个网络所执行的任务有共同之处，因此这两种训练可能通过在一个单个网络体系架构中“共享”知识而在一定程度上相互受益。

59、在另一特别有利的实施例中，获取用于训练第一编码器-解码器装置和/或第二编码器-解码器装置和/或状态到动作网络的训练样本包括：汇总在多个工业工厂中获取的训练样本。这样可以提高训练样本集合的总体可变性，从而提供最终网络装置的准确性。如之前所讨论的，具有安全风险的异常情形在任何给定工厂中都很少发生。由于存在安全风险，所以仅仅为了采集训练样本而引发这种情形通常不切实际。但是，在较大工厂队列中，异常情形自行发生的实例足够多，因此可以收集到合理数量的训练样本。

60、如之前所讨论的，这些方法是计算机实现方法。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，这些机器可读指令当在一个或多个计算机和/或计算实例上实行时，使得一个或多个计算机执行上文所描述的方法。在该上下文中，虚拟化平台、硬件控制器、网络基础设施设备(诸如交换机、网桥、路由器或无线接入点)以及网络中能够实行机器可读指令的终端设备(诸如传感器、致动器或其他工业现场设备)也被视为计算机。

61、因此，本发明还涉及一种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并通过下载就可以立即实现的产品。本发明还提供具有一个或多个计算机程序和/或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。