【技术实现步骤摘要】
【国外来华专利技术】
专利
本专利技术涉及在工业工厂和/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。
技术介绍
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，本专利技术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、本专利技术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
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本文档来自技高网...
【技术保护点】
1.一种用于训练预测模型(1)的方法(100)，所述方法用于使用训练样本(3)来预测在过程(2)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，其中每个训练样本(3)包括表征所述过程(2)的状态的数据，并且所述方法(100)包括以下步骤：
2.根据权利要求1所述的方法(100)，其中所述不期望事件包括安全联锁事件，所述安全联锁事件强制至少部分地停止和/或关闭所述过程(2)、和/或正在执行所述过程(2)的工业工厂或电网。
3.根据权利要求1至2中任一项所述的方法(100)，其中发生所述不期望事件的所述可能性根据以下尺度来衡量：
4.根据权利要求1至3中任一项所述的方法(100)，其中所述过程模型(2a)被特别地配置(121)为基于至少一个所述过程(2)的当前和/或过去的状态来预测所述过程(2)的所述状态的未来演变。
5.根据权利要求1至4中任一项所述的方法(100)，其中所述过程模型(2a)包括(122)：
6.根据权利要求1至5中任一项所述的方法(100)，还包括：
7.根据权利要求1至6中任一项所述的
8.根据权利要求1至7中任一项所述的方法(100)，还包括：基于预先确定的时间窗口内的样本(3，4)，在所述时间窗口结束处，通过所述预测模型(1)获取(131)发生所述不期望事件的所述可能性的预测(5)。
9.根据权利要求1至8中任一项所述的方法(100)，还包括：通过代理模型(1**)来近似(160)训练的预测模型(1*)的所述行为，所述代理模型(1**)评估比所述训练的预测模型(1*)在计算方面上更便宜。
10.一种用于在至少一个工业工厂中或在至少一个电网中执行过程(2)的方法(200)，包括以下步骤：
11.根据权利要求10所述的方法(100)，其中修改(240)所述过程的所述执行包括：
12.根据权利要求11所述的方法(100)，还包括：
13.一种计算机程序，包括机器可读指令，所述机器可读指令当由一个或多个计算机执行时，引起所述一个或多个计算机执行根据权利要求1至12中任一项所述的方法(100，200)。
14.一种非暂态机器可读存储介质和/或下载产品，具有根据权利要求13所述的计算机程序。
15.一个或多个计算机，具有根据权利要求13所述的计算机程序，和/或具有根据权利要求14所述的非暂态机器可读存储介质和/或下载产品。
...【技术特征摘要】
【国外来华专利技术】
1.一种用于训练预测模型(1)的方法(100)，所述方法用于使用训练样本(3)来预测在过程(2)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，其中每个训练样本(3)包括表征所述过程(2)的状态的数据，并且所述方法(100)包括以下步骤：
2.根据权利要求1所述的方法(100)，其中所述不期望事件包括安全联锁事件，所述安全联锁事件强制至少部分地停止和/或关闭所述过程(2)、和/或正在执行所述过程(2)的工业工厂或电网。
3.根据权利要求1至2中任一项所述的方法(100)，其中发生所述不期望事件的所述可能性根据以下尺度来衡量：
4.根据权利要求1至3中任一项所述的方法(100)，其中所述过程模型(2a)被特别地配置(121)为基于至少一个所述过程(2)的当前和/或过去的状态来预测所述过程(2)的所述状态的未来演变。
5.根据权利要求1至4中任一项所述的方法(100)，其中所述过程模型(2a)包括(122)：
6.根据权利要求1至5中任一项所述的方法(100)，还包括：
7.根据权利要求1至6中任一项所述的方法(100)，还包括：在所述训练样本(3，4)中，包括(113，124)所述过程(2)的至少一个状态变量的至少一个统计时刻和/或时间序列。
【专利技术属性】
技术研发人员：海迪尔·阿布夸克，迪夫亚谢尔·沙马，本杰明·克洛珀，阿扎姆·穆扎法尔·科特里瓦拉，巴勃罗·罗德里格斯，贝内迪克特·施密特，谭若慕，钱德里卡·凯·尔，鲁本·鲍里森，马塞洛·迪克斯，詹斯·多佩尔哈默，
申请(专利权)人：ABB瑞士股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。