将异常情况管理带到外部限制

随着工厂地面的连接越来越紧密，异常情况也越来越多——这些异常情况可能源自企业的任何地方。为了帮助运营商在这种新的异常环境中导航，供应商正在转向人工智能和机器学习技术，以实现主动的态势感知和被动的警报管理。

2016年1月18日,

我们早期的祖先仰望天空，寻找太阳、月亮和星星之间的变化，以预测天气模式、自然灾害甚至战争。随着时间的推移，人类的知识和工具不断进化，以至于我们不再那么依赖人类对天体的解释。但世界是一个复杂的地方。即使有了今天的先进技术，我们也一直在探索预测未来的新方法。

在石油、天然气和化工等流程工业中，识别可能最终导致问题的模式变化的能力至关重要。这是因为一个看似简单的问题，比如泵故障，可能会导致一场不那么自然的灾难。从石油泄漏到天然气泄漏和火灾，制造事故仍然相当频繁。当涉及死亡、伤害和环境破坏时，公司高管将面临罚款和刑事指控。

就在上个月,壳牌的普吉特海湾这家炼油厂被罚款7.7万美元华盛顿州劳动和产业部因为不受控制的毒素释放把人送进了医院在加拿大，刑事指控被提起威立雅环境服务以及其去年在安大略省去年致命植物爆炸的一个经理。

由于工业物联网(IIoT)的到来和信息技术(IT)和运营技术(OT)网络不可避免的互联互通，工厂工程师和运营人员的工作非常困难。工业异常不再是封闭车间中的孤立事件，因为连接的业务系统和网络设备成为控制系统基础设施的扩展。这意味着炼油厂出现的奇怪情况可能源于以太网交换机或企业某个地方的网络安全漏洞。

因此，在电站异常情况管理(ASM)中，传统的分布式控制系统(DCS)报警已远远不够。制造商正在应用边界管理技术来测试和管理工艺限制。然而，为了有效地工作，需要将各种结构化和非结构化数据源聚合到一个公共数据库中。只有这样，才能应用预测分析和根本原因分析。

“当您查看警报管理时，它仍处于反应阶段，”产品总监Tyron Vardy说霍尼韦尔流程解决方案的先进解决方案业务。他表示，油气行业需要摆脱让运营商坐在控制台等待问题出现的局面。相反，我们应该找到根本原因，并在它成为问题之前修复它。“这不仅仅是警报管理。它把很多东西放在一起，以一个整体的观点，通过能够预测异常情况来减少操作员的错误。我们需要在事情失控之前就知道它何时会失控。”

有趣的是，随着霍尼韦尔和其他控制系统供应商创造出更好的方式向运营商发送警报，一个新的软件公司集团正在这个领域出现。这些供应商(其中许多是初创企业)要求行业大胆地使用人工智能(AI)和机器学习来控制一切。

工业空间中的认知系统

自从IBM ' s的华生出现在危险和韩元 - 技术行业一直在努力使用认知计算来解决真正的业务问题。迄今为止，医疗保健，制药和保险业已从Watson Powered应用程序中受益，使用自然语言查询来在大量不同数据之间进行连接，以便制定准确的结论。

沃森并不是第一个人工智能产品。这个概念出现在20世纪60年代，当时计算机科学家试图使用大规模并行处理的超级计算机创建智能系统。当然，考虑到当时计算基础设施的成本，这是一个昂贵的提议。今天，由于CPU成本降低，加上云计算和虚拟化技术，处理能力和存储不再是障碍。这为新的人工智能机会打开了大门。

例如,AppOrchid是一家2岁的创业公司，为制造流程建立了一个语义网络。该公司采用预测分析，AI，机器学习和自然语言界面，将业务和工业数据与被困部落知识相关联。数据模型是对话和双向的，允许系统以与培训孩子的方式培训一台机器。

在传统的数据分析领域，判断乙烷裂解器是否会失败需要混合数据模型，以及工程师、数据科学家和IT专家。这不是一个灵活的模式。在语义方法中，数据模型位于一个灵活的体系结构中，然后系统(用简单的英语)通过围绕底层概念构建定义来进行训练。

“像Siri一样，”Apporchid Ceo Krishna Kumar说。“如果我想要凌晨5点的警报，我只是说出来，它理解。”

这个模型的美妙之处在于，您不需要一个Java程序员来教系统一个新概念，因为交互是用自然语言进行的。系统根据反馈进行重组。一个操作人员可以输入:“有多少锅炉在容量不足的情况下工作?”或者可以在图形上标注数据，将锅炉标识为“高风险”。人工智能系统将知道“高风险”意味着“糟糕”，因为这是它被教导的。

库马尔说:“我们看到了人工智能将物联网、人联网和过程联网结合起来的绝佳机会。”“当你提出问题时，模型就会建立起来。”

事实上，它超越了识别异常的模式识别，并结合了非结构化的数据，如维护手册、保修或基于个人经验的锅炉评级等。库马尔说:“它采用传统的分析方法，并将其与部落知识相结合。”

捕捉知识产权的能力很重要，因为婴儿潮一代退休，汤姆威廉姆斯说ASM财团霍尼韦尔过程解决方案的操作效率项目经理。许多公司正转向3D建模来培训新操作人员，但他认为，在与警报系统管理合作的应用程序中，聚集和分析数据是有机会的。

“大数据的影响是存在的，”威廉姆斯说。“我们开始以以前无法做到的方式挖掘我们庞大的DCS(数据)存储库，并生产可视化工具，找出如何处理这些警报。”

吉姆·米勒说，最终，运营商需要更少的警报，罗克韦尔自动化的展馆他指的是Pavilion的高级过程控制和预测能力。他说:“对于连续过程来说，关键不是警报管理，而是在异常情况前及时应对。”就像提醒你前方交通堵塞的谷歌地图一样，“如果限制条件可以预测将要发生的情况，你可以在到达那里之前改变过程。”

打开工厂的门

非传统运营软件公司正越来越多地进入工业领域。这样的公司分裂，Opsdatastore.和NexDefense承诺将异常检测提升到一个新的水平。

对于总部位于亚特兰大的初创公司OpsData-Store来说，关键在于建立关系。该产品是一个大数据后端，旨在接受任何类型的数据或指标，并在摄取时相互关联项目，以不断更新整个环境的拓扑图。同时，带有仪表板的商业智能工具提供跨操作的实时可见性。

OpsDataStore首席执行官贝恩德•哈佐格表示:“目的是利用这些关系和产品内置的分析，告诉你哪里出了问题。”具体来说，如果工厂里的仪器出现故障，操作员要做的第一件事就是找出可能的原因。“在相互确定相关的事物中显示异常是一件非常有价值的事情，它能让你主动管理整个关系。”

NexDefense产品营销和战略副总裁道格·怀利(Doug Wylie)对此表示赞同。然而，他的公司在情境感知方面采取了更以网络为中心的观点。NexDefense的索菲亚工业网络异常检测(INAD)系统能够主动检测正常自动化或系统控制操作的偏差，这可能是安全漏洞的信号。

凭借专注于工业控制系统，索菲亚通过将事件与“正常”定义的状态 - 或Wylie称为系统的“指纹”的事件进行比较来检测问题。将任何新的或不同的东西带到曲面以使操作员隔离，而日志向操作员指导信息。它实时发生，并且具有重放流量模式的能力以用于事件后的取证。

“这对行业来说是一个新的类别，但大多数控制工程师只是想了解正在发生什么，”怀利说。“检测功能势在必行，随着时间的推移，随着舒适度的建立，他们将开始认识到如何将信息作为一个触发器来保护系统。”

然后是Splunk，这是一种操作智能技术，可以捕捉大量机器数据和非结构化流数据，使用高级分析来检测系统异常。Splunk物联网和工业数据高级经理Brian Gilmore指出，它被用于运营分析、网络安全，以及了解SCADA和ICS运营如何影响收入。

随着物联网构建了ICS基础设施，拥有一个中央“数据结构”来监控许多不同的数据源将是制造业的当务之急。Gilmore说道:“Splunk将大量数据提炼为关键参数，从而找到问题的根本原因。

从机车学习

该公司工程总监格雷格•赫雷伯克(Greg Hrebek)表示，Splunk不仅有效，还为新的商业机会打开了大门列车动态系统的一个部门纽约空气制动器(NYAB)．

在加利福尼亚州的2008年火车碰撞之后，杀死了25人 - 这是一位分散注意力的工程师，他们在工作 - 大会上发短信通过了铁路安全改进法案（RSIA），要求乘客和货铁路实施积极列车控制（PTC）监控和控制火车运动以增加安全的系统。这些系统的许多系统都与信令基础设施和无线数据无线电有关，以传输动态信息，但是该列车也必须变得更聪明。

为了支持客户的列车控制产品，NYAB开发了机车工程师辅助/显示和事件记录(LEADER)软件。该系统包含列车的长度和重量、车厢类型、功率分配和详细的轨道轮廓数据，允许它对信号变化或天气状况做出实时反应，以优化性能和列车操作。

LEADER执行机载模拟，预测几英里前的列车性能，然后评估多种列车运行策略，并选择一种最佳方式，以提高燃油经济性、列车寿命和准时调度性能。这是通过机器学习技术和Splunk完成的。

在使用Splunk进行后端分析之前，NYAB使用Excel电子表格为客户准备月度报告，以传递系统性能和资源利用率。LEADER的最初目标是降低燃料消耗。但是考虑到PTC的要求，他们正在扩大他们可以做的来提高安全性。

“Splunk的力量是它从不同来源建立，”Hrebek说，包括环境因素。“风数据对于列车很重要，因为空车可以像巨大的降落伞一样行动。所以风对火车的行为方式产生了很大的影响。“他补充说，使用Splunk，有机会预测和模拟驾驶条件来规划战略。

与Splunk一起，Nyab开发了实时仪表板，提供有关一条路线的火车性能，燃油效率和火车武力事件的信息。这已成为对客户的宝贵服务以及纽约的额外收入来源。

现在，由于NYAB首先是一个制动系统的制造商，该公司正在考虑将Splunk与工厂整合。

外部极限。

当NYAB考虑如何将Splunk添加到生产过程中时，供应商们表示霍尼韦尔和不是正在改进现有产品，以帮助制造商更有效地解决异常情况管理问题。