工业厂房中的决策支持的制作方法

1.本发明涉及工业厂房中的决策支持。

背景技术：

2.工业厂房是大型且复杂的场景。过程控制系统例如通过提供过程和警报管理信息的可视化，为操作员提供了监视和控制过程的方法，同时过程历史记录员会随着时间的推移存储系统的状态。过程可视化通常以分层方式描述过程的各个部分，示出例如过程部分或特定操作员任务的动态过程变量、趋势和警报状态。这些过程可视化基于工程数据和过程模型，并反映例如过程中的信息、材料或能量的流动。但是，与工程工件中包含的信息相比，过程可视化中反映的过程拓扑信息通常是不完整和零散的。
3.监视过程允许操作员诊断异常情况并采取纠正措施。为了减少生产损失，操作员必须快速评估纠正措施的可能影响。但是，操作员的能力与他们的经验相关。获得操作特定厂房的经验通常需要几年时间。对于没有经验的操作员来说，及时寻所需信息可能具有挑战性。显然，在新建厂房中没有经验丰富的操作员。即使在棕地厂房中，经验丰富的操作员也会离开并需要更换。操作员培训仿真器(ots)可以被用于在操作中提供先机，但由于需要高保真过程模型，因此成本高昂。相反，在操作员培训的早期阶段效率有限的操作通常被接受。
4.由于这些原因，工业厂房的所有者面临着厂房操作效率低下的风险，甚至由于操作员经验不足而引发重大事故。

技术实现要素：

5.因此，需要能够支持缺乏经验的操作员做出与工业厂房的操作有关的决策的负担得起的解决方案。独立权利要求的主题满足了这种需要。从属权利要求阐述了可选特征。
6.根据第一方面，提供了用于工业厂房的决策支持系统，决策支持系统被配置为：获取对因果假设进行建模的因果图，因果假设与工业厂房中变量之间的条件相关性有关；获取与工业厂房的操作有关的观察数据；以及使用因果图和观察数据执行因果推断，以估计与在工业厂房操作时做出决策有关的至少一个因果效应。
7.在一个示例中，因果图是有向无环图，但应当理解，任何概率图模型均可以被用于表示变量之间的条件相关性。有向无环图包括表示工业厂房中变量的顶点或节点集合以及有向边或箭头，每个边将两个顶点互连。每个顶点表示自变量或因变量。“因果假设”是指假设两个变量之间存在因果关系，但因果关系(尚未)由观察数据验证。因此，本文参考了可能的(即，假设的或推定的)因果关系，而不是通过观察数据验证的推断因果关系。因果假设基于领域知识，诸如与工业厂房有关的工程数据。因果图可以通过例如主题专家(sme)手动构建或者通过例如诸如本文所述的建模工具自动构建。一个或多个因果图可以被用于捕获工业厂房中的变量之间的所有相关性。
8.观察数据与工业厂房的先前操作有关，并且可以包括所收集的测量数据或历史测
量数据(例如，来自操作和/或调试)，诸如与因果图表示的变量中的一个或多个(优选全部)有关的时间序列数据。观察数据因此可以被视为非实验数据或经验数据。虽然也可以使用利用干预或高保真仿真获得的实验数据，但是可以理解，这并不总是可能的或通常过于昂贵。
9.在一个示例中，执行因果推断包括：基于输入查询来标识因果效应；估计因果效应；可选地验证因果效应；以及呈现因果效应。
10.标识因果效应可以包括寻因果图中两个变量之间的所有可能路径。例如，输入查询(或估计量)可以例如以“变量b是否影响变量a？”的形式指定两个变量之间的因果关系或等同关系。换言之，查询将一个变量指定为动作，将一个变量指定为结果，并且可选地将一个或多个其他变量指定为例如混杂因子。b对a产生因果效应的所有可能方式然后被标识。诸如后门路径的无效路径可以被排除在考虑之外。
11.估计因果效应可以包括使用条件概率公式来估计两个变量之间的因果关系的强度。例如，对于输入查询中的两个变量a和b，公式可以包括：
12.p1＝p(a|b，混杂因子)和p2＝p(a|混杂因子)，
13.其中混杂因子是因果图中影响a和b的变量(经测量或控制)。强度由p1和p2之间的差表示。p1和p2之间的差越大，因果关系越强。决策支持系统可以被配置为使用方法来估计p1和p2之间的差的统计显著性，包括例如基于倾向的分层、倾向得分匹配、逆倾向加权、回归、回归不连续性中的一个或多个。进一步的估计方法对于本领域技术人员将是显而易见的。附加地或备选地，估计因果效应可以包括确定两个变量之间不存在因果关系。例如，响应于确定p1等于p2(例如，如果差不超过预定阈值)，则无法推断a和b之间的因果关系(换言之，每个统计关系由混杂因子来解释)。
14.验证因果效应可以包括：通过仅使用观察数据的子集重新估计因果关系的强度来执行数据子集验证(并且响应于因果效应没有显著变化来验证因果效应)和/或通过使用观察数据重新估计因果关系的强度来执行对照处理(placebo treatment)，其中包括b的数据被替换为不存在b的数据(并且在所估计的强度下降到零或大约为零时验证因果效应)。另外的验证方法对于本领域技术人员将是显而易见的。
15.呈现因果效应可以包括例如通过过程控制系统的hmi或仪表板来将因果效应输出给人类厂房操作员。附加地或备选地，呈现因果效应可以包括将因果效应输出到执行工业厂房的自动化或半自动化操作的实体，诸如自动化厂房操作系统，例如，基于强化学习的厂房操作代理。
16.决策支持系统可以被配置为执行与工业厂房中的给定(经测量的)变量有关的根因分析，以标识因果图中的哪些其他变量最有可能影响给定变量。当发现给定变量异常或表现出不希望的行为时，根因分析可以出于诊断目的而执行。例如当在若干测量变量中发现异常时，根因分析可以针对工业厂房中的一些或所有测量变量重复。
17.在一个示例中，对给定变量执行根因分析包括：执行因果推断来估计给定变量与每个其他变量之间的因果关系的强度。例如，在工业厂房使用过程变量pv
1-pvn进行操作并且给定变量是pvi的情况下，执行根因分析可以包括使用多个输入查询来执行如上所述的因果推断，每个输入查询将给定变量指定为结果变量并且将其他变量中的一个其他变量指定为动作变量。更具体地，对于不包括给定变量a＝pvi的其他变量b＝pv1...pvn中的每一
个，输入查询可以采用“变量b是否影响变量a？”的形式或等同形式。可以根据与给定变量的效应因果关系的强度对其他变量进行排序。标识给定变量的因果图中哪些其他变量最有可能影响给定变量可以包括将与最强因果关系相关联的所述其他变量标识为最可能的根因，或者备选地返回按其与给定变量的相应因果关系强度排序的其他变量的列表。与给定变量没有或只有弱因果关系的变量可以被排除。
18.换言之，执行根因分析可以包括根据满足特定条件的给定变量的值来定义问题，并且执行统计估计以针对每个其他变量，在给定其他变量的观察数据的情况下，计算问题发生的概率。例如，执行根因分析可以包括针对不包括给定变量a＝pvi的每个其他变量b＝pv1...pvn，评估p(a＝a|do(b＝b))，其中“a”表示给定变量a中的问题条件。操作符“do”在本领域中已知用于通过将观察数据减少为仅包括包含规定值的该部分来仿真干预。其他变量然后可以被标识为问题的可能根因和/或基于相应计算的概率进行排序。条件可以是例如值低于或超过预定阈值或在预定范围之外，例如温度超过阈值以被分类为热点(hotspot)。
19.决策支持系统可以被配置为例如通过使用因果图和观察数据以标识工业厂房中与应得到纠正的给定变量表现出因果关系的受控变量，来寻能够影响给定测量过程变量的变化的纠正动作。
20.在一个示例中，寻纠正动作包括：执行因果推断来估计给定变量与因果图中作为受控变量的每个其他变量之间的因果关系的强度。例如，在工业厂房使用包括至少一个受控变量c的过程变量pv
1-pvn进行操作的情况下，寻纠正动作可以包括针对每个受控变量，使用输入查询来执行如上所述的因果推断，输入查询以例如“变量c是否影响变量a？”的形式或等同形式，将给定变量指定为结果变量并且将受控变量指定为动作变量，其中c是受控变量c，其中c！＝a，其中a＝pvi。受控变量可以根据与给定变量的相应因果关系的强进行排序。与最强因果关系相关联的受控变量可以被标识用于纠正动作，或者备选地，受控变量的列表可以可选地按照它们与给定变量的相应因果关系的强度进行排序。与给定变量没有或只有弱因果关系的变量可以被排除。优选地，决策支持系统标识尽可能少的具有期望效应的纠正动作。决策支持系统可以被配置为使用启发式算法，例如基于规则的算法来选择、排除或优选纠正动作，例如，比起直接操纵致动器，更优选设定点更改。如下所述，如果怎样(what-if)分析还可以被执行来消除纠正动作。
21.决策支持系统可以被配置为执行如果怎样分析来标识在工业厂房中更改受控变量的一个或多个可能的副效应。更具体地，执行如果怎样分析包括：在因果图中标识受互不影响的第二和第三变量b和c两者影响的第一变量a，以及执行因果推断来估计第二变量b对第一变量a的因果效应被第三变量c修改的程度。例如，执行如果怎样分析可以包括针对b的所有值b，评估p(a|do(b＝b),c＝c)，而c保持恒定。此处，假设查询是：如果受控变量b被设置为b，而另一变量c的值为c，该怎么办？a是第一(因)变量，b是第二变量，并且c是第三变量。第二变量b可以是受控变量。这样，更改受控变量的副效应可以被确定，即，在第三变量c的值为c时，确定第二变量b对第一变量a的影响。可以对其中表示受控变量的每个因果图重复该过程，以列出修改受控变量的所有可能的副效应。例如，对于其中存在受控变量的每个图，输入查询可以涉及受控变量是否对因果图的(多个)因变量具有因果效应。所有因果图的结果构成了可能的副效应列表。
22.决策支持系统可以被配置为可选地以顺序方式执行根因分析、寻纠正动作和如
果怎样分析的组合。在一个示例中，决策支持系统被配置为顺序地执行：1)根因分析，以确定过程异常的一个或多个候选根因；2)寻纠正动作，以标识可以解决过程异常的受控变量；3)如果怎样分析，以解释当控制变量被更改时，可能发生的情况，即，分析纠正动作的可能副效应。副效应少的纠正动作可以是优选的。所产生的纠正动作可以被输出给操作员和/或自动化厂房操作系统。
23.根据第二方面，提供了用于工业厂房的决策支持方法，决策支持方法包括：获取对因果假设进行建模的因果图，因果假设与工业厂房中变量之间的条件相关性有关；接收与工业厂房的操作有关的观察数据；以及使用因果图和观察数据来执行因果推断，以估计与在工业厂房操作时做出决策有关的至少一个因果效应。
24.第一和第二方面的决策支持系统和方法因此在操作员缺乏经验的情况下改进了厂房效率，减少了对操作员认知状态的相关性，并且提供了对复杂情况的更有效处理和操作问题的更快解决。无论厂房拓扑中的元素之间的物理距离如何，操作员都可以帮助得出有关问题如何连接的结论。
25.寻问题的可能根因有助于操作员评估可能的缓解措施，即，推断操作员为解决问题而采取的行动的后果。决策支持系统帮助操作员更好地分析问题并更快地寻根因。因此，需要更少的时间来了解问题的根因，使得问题可以被快速正确地解决。决策支持系统帮助操作员标识工业厂房中可能出现的与时间和拓扑相关性有关的问题的根因，例如阀门异常。
26.通过有效和高效地解决异常情况的问题，寻纠正动作可以提高厂房的可靠性。
27.如果怎样分析通过解释纠正动作的背景和预测的后果，使得操作员能够更快、更明智地做出有关纠正动作的决策，减少不良副效应。
28.此外，决策支持系统通过标识问题的根因并有效地选择纠正动作来促进使用人工智能或其他自动化厂房操作系统的自主厂房操作。
29.如上所述，因果图(或任何概率图)可以使用领域知识来建模，包括工程数据，诸如厂房拓扑数据、过程模型数据和控制说明。
30.根据第三方面，因此提供了用于构建因果图的建模工具，因果图对与工业厂房中变量之间的条件相关性有关的因果假设进行建模。建模工具被配置为：接收与工业厂房有关的工程数据；使用工程数据来标识工业厂房中的多个变量；使用工程数据来标识变量之间的连接；以及构建因果图，因果图包括表示已标识变量的节点集以及将节点互连的有向边集，有向边表示与基于已标识连接的变量之间的条件相关性有关的因果假设。
31.工程数据可以包括过程拓扑数据，过程拓扑数据可以包括包含拓扑元素(仪器、控制回路、管道、容器等)及其连接(材料、信息、能量流)的图。在拓扑图可用的情况下，建模工具可以被配置为使用图分析算法或启发式算法从拓扑图中提取节点和/或边。工程数据还可以包括以下一项或多项：i)命名约定，例如：标签名称；ii)过程控制应用配置中可用的信息，例如过程变量、i/o点和性质之间的连接，例如opc da；iii)过程历史配置中可用的信息。工程数据可以包括来自过程工程、控制应用工程(包括控制应用库构建)和控制系统的信息。工程数据可以包括p&id。工程数据可以进一步包括提供控制逻辑的文本描述的控制叙述，在此基础上可以构建因果图。
32.变量可以使用例如以下一项或多项来标识：i)工程数据中的过程控制系统状态信
息，例如过程变量集或警报条件；ii)过程拓扑数据。
33.连接可以例如基于工程数据中所标识的材料、能量和信息流来标识。连接可能涉及过程拓扑中的元素之间的连接和/或控制系统对象之间的连接，例如，控制模块、i/o对象/标签、方面对象、警报条件、事件历史测量和事件/时间序列以及拓扑模型中的对象。
34.构建图还可以包括使用一个或多个基于倾向的技术和/或协变量匹配技术。构建图可以包括使用图构建算法。算法可以使用参考模型，参考模型可选地定义节点和边的类型以及节点类型的层次关系。
35.根据第四方面，提供了用于构建因果图的建模方法，因果图对与工业厂房中变量之间的条件相关性有关的因果假设进行建模，方法包括：接收与工业厂房有关的工程数据；使用工程数据来标识工业厂房中的多个变量；使用工程数据来标识变量之间的连接；以及构建因果图，因果图包括表示已识别变量的节点集以及将节点互连的有向边集，有向边表示与基于已标识连接的变量之间的条件相关性有关的因果假设。
36.根据第三和第四方面对工业厂房进行建模有助于避免繁琐的手动选择并且避免准备来自各种信息源的输入来分析(异常)厂房情况。
37.根据第五方面，提供了计算设备，计算设备包括被配置为执行根据第二或第四方面所述的方法的处理器。
38.根据第六方面，提供了包括指令的计算机程序产品，指令在由计算设备执行时，使得计算设备执行根据第二或第四方面所述的方法。
39.根据第七方面，提供了包括指令的计算机可读介质，指令在由计算设备执行时，使得计算设备执行根据第二或第四方面所述的方法。
40.无论是否以该组合或单独的方式具体公开，本发明可以包括单独或组合的一个或多个方面、示例或特征。上述方面之一的任何可选特征或子方面适用于任何其他方面。
41.本发明的这些和其他方面将从下文描述的实施例中变得明显并且参考下文描述的实施例来阐明。
附图说明
42.现在将参考附图通过示例的方式进行详细描述，其中：
43.图1图示了根据本公开的工业厂房；
44.图2是表示执行因果推断的方法的流程图；
45.图3是拓扑图；
46.图4是因果图；
47.图5图示了建模方法；以及
48.图6图示了可以根据本文所公开的系统和方法使用的计算设备。
具体实施方式
49.图1示意性地图示了执行工业过程102的工业厂房100。过程102受到过程设备104(诸如致动器)的影响，过程设备104接收指定多个受控变量(诸如致动器值或设定点)作为输入的控制信号cpv1、cpv2…
cpvi。传感器106以多个测量变量mpv1、mpv2…
mpvj的形式提供关于过程102的反馈。受控变量和测量变量一起可以被称为过程变量pv(pv1,pv2…
pvn)。过
程控制系统108接收来自传感器106的反馈并且将控制信号输出到过程设备104，使得如本领域已知的以生产所需产品的方式影响过程102。
50.根据本公开，工业厂房100还包括决策支持系统110，其被配置为：获取因果图118，因果图118对与工业厂房100中的变量之间的条件相关性有关的因果假设进行建模；获取与工业厂房100的操作有关的观察数据112；以及使用因果图118和观察数据112执行因果推断，以估计与在操作工业厂房100时做出决策有关的至少一个因果效应120。
51.尽管仅图示和描述了一个因果图118，但是可以使用若干因果图来表示工业过程102。因果图118是i)由人类专家手动提供的，ii)从工程数据116自动导出的(如下文进一步描述的)，或者两种方法的任意组合。因果图118描述了过程102中的变量pv可能如何彼此影响。在因果图118中，从另一变量b到变量a的有向边表示预期从b到a的因果关系。
52.使用因果图118，辅以观察数据112，决策支持系统110在三个用例中执行因果推断来帮助人类操作员或自动化厂房操作系统：(1)寻根因；(2)寻纠正动作；(3)如果怎样分析，以在执行纠正动作之前执行健全性检查。因果推断用于确定观察数据中是否存在因果假设。
53.图2是表示执行因果推断的方法200的流程图。执行因果推断包括：基于输入查询201来标识202因果效应120；估计204因果效应；可选地验证206因果效应；以及呈现208因果效应。
54.换言之，在步骤202中，因果图118被用于判定当在步骤204中估计因果关系的强度时需要考虑哪些条件效应(概率影响)。在步骤206中，可以测试估计的灵敏度。在步骤208处，方法返回关于变量a是否实际上受变量b影响的指示。
55.从因果图118开始，描述过程变量之间的假定因果关系包括控制变量，诸如设定点或致动器值，推断需要检查因果关系。在这点上，输入查询201以“变量b是否影响变量a”的形式提供。
56.在步骤202中寻因果图118中从b到a的所有可能路径之后，在步骤204中使用两个条件概率公式来确定a和b之间是否存在因果关系：
57.p1＝p(a|b，混杂因子)和p2＝p(a|混杂因子)，其中混杂因子是影响a和b的所有过程和受控变量。如果p1等于p2，则a和b之间没有因果关系(每个统计关系由混杂因子解释)，如果p1不等于p2，则存在因果关系。p1与p2的差越大，关系越强。估计p1和p2之间的差的统计显著性的可能方法是例如基于倾向的分层、倾向得分匹配、逆倾向加权、回归、回归不连续性。
58.步骤206测试在先前步骤中寻的因果关系的强度和有效性。可能的方法是仅使用数据子集来测试关系(这应当产生类似的结果)或(在实验中)使用对照处理(将b存在其中的数据替换为b不存在其中的数据)。
59.对于诊断和根因分析，决策支持系统110使用因果图118和观察数据112来标识一个或几个过程值中的异常的可能原因。对于每个过程值，可以使用一个因果图118。附加地或备选地，可能存在覆盖整个过程102的一个因果图。
60.为了推断某些过程变量pv1…
pvn的异常或不希望行为的可能根因，根据以上关于图2描述的方法来分析每个过程变量的因果图118。输入查询201针对每个变量b重复，变量b不等于a＝pvi。通过在pv1…
pvn上搜索可能的原因来整合在pv1…
pvn上重复该过程的结果，
以寻最可能的根因。附加地，回归可以被用来确定影响的方向。
61.此外，拓扑数据可以被用于细化根因分析。例如，在根因分析将因果图中的一个变量(例如，受控温度)标识为根因的情况下，拓扑数据可以被用于标识在超出因果图的过程级别的资产级别影响变量的因素(例如控制该温度的冷却单元的电机)。
62.为了标识纠正动作，因果图118和观察数据112被用于标识受控过程变量，受控过程变量与应被纠正的测量过程变量表现出因果关系。
63.为了推断纠正动作，过程类似于上述根因分析。应被操纵的pv1…
pvn(例如，在根因分析中被确定为可能的根因的那些过程变量pv)的因果图118被分析。此时，不是检查所有变量b！＝pvi的因果关系，而是仅检查可以由操作员或厂房操作系统更改的受控变量c(例如，控制回路的设定点、致动器值)。再次，pv1…
pvn的结果被整合，以寻尽可能少的具有预期效应的纠正动作。启发式算法可以被用于建议或选择操作，例如，与直接操纵致动器相比，更优选设定点更改(控制器管理期望的效果)。
64.对于如果怎样分析(标识副效应)，使用相同的因果图118和用于推断根因的观察数据112。在根因分析中，我们提出问题：是否是在一个变量中观察到的更改导致了另一变量的效应？然而，在如果怎样分析中，我们提出的问题是：如果一个变量的值(即，与该变量有关的设定点)更改了，怎么办？
65.当变量b影响变量a时，对于第三变量c的不同值，b对a的影响程度可能不同。变量b可以是使用设定点或致动器值控制的受控变量，或者受这样的受控变量影响的变量。换言之，变量b对变量a的效应的变化可能会因阀门闭合的不同程度而不同。为了推断当变量c被设置为特定值时，变量b对变量a的效应会发生什么，使用相同的因果图118和观察数据112。过程变量a的因果图118被分析并且p(a|do(b＝b),c＝c)被评估，其中“c”的值是固定的(“假设值”)并且b是影响a但当c＝c时自身不变的变量(即，b不受c影响)。对于其中存在变量的每个因果图118，输入查询201询问受控变量b在c＝c时是否与因果图118的因变量a具有因果关系。所有图的结果构成了可能的副效应列表。
66.步骤也可以以顺序方式进行组合：
67.(1)过程异常的(多个)候选根因被确定；
68.(2)能够解决根因或症状的可能控制变量被标识(过程可能有利于对许多可能的根因产生预期效应的纠正动作)；
69.(3)如果怎样分析被执行，解释受控变量被更改时可能发生的情况，最后分析动作可能产生的副效应。副效应少的纠正动作可以被优选。附加地或备选地，每个因变量pv可以被分配临界值，使得对关键过程变量pv几乎没有副效应的纠正动作被优选。各个步骤的结果可以被呈现给操作员或者被用作诸如基于强化学习的厂房操作代理的自动化厂房操作系统的候选动作。
70.现在将参考图3和图4来描述示例用例，图3示出了数据中心的拓扑图，图4图示了在主题专家(subject matter expert,sme)的帮助下从拓扑图导出或从工程数据中学习(例如，通过使用基于倾向的技术、协变量匹配等)或同时使用sme知识和工程数据的因果图。因果图是有向无环图，包括顶点集和顶点之间的有向边集。
71.数据中心具有服务器机架和空调单元，空调单元可以推动冷空气来调节服务器的温度。有时，数据中心的通道中可能会出现热点。可能由于各种原因导致热点。例如，为调节
冷空气流量的冷却风扇供电的电机出现故障可能导致数据中心通道中缺乏冷空气，从而导致热点的产生。或者，制冷机可能无法正常运行，并且供气温度可能不够冷，无法避免通道中出现热点。同样，如果由于应用部署不公平而导致通道中的某些服务器过载，则可能会创建热点。
72.在第一示例用例中，根因分析(rca)被执行。在服务器集附近测量的通道温度中检测到热点。rca输入查询被制定为：冷却单元风扇速度(变量b)是否影响通道温度(变量a)？由于该示例中没有混杂因子，因此根因分析可能感兴趣的变量是：
73.·
供气流量、冷却单元风扇速度；
74.·
供气温度、制冷机温度；
75.·
服务器负载、应用部署。
76.给定拓扑图和因果图，我们分析受影响变量的因果图(即，通道温度的因果图)，以对每个因果变量执行进一步分析。为方便起见，假设服务器负载恒定，可以对以下变量的观察数据执行统计估计：
77.供气流量，pr(hotspot|do(sfr＝fr))；
78.供气温度，pr(hotspot|do(sat＝t))。
79.值“fr”和“t”可以基于操作员经验和/或使用已知设定点附近的值来选择，以研究如果设定点被改变会发生什么。按概率排序，最可能的根因列表被获取，指示例如冷却单元风扇电机可能无法正常工作，或者可能没有得到很好的调节。
80.在第二示例用例中，寻了纠正动作。此处的输入查询可以采用以下形式：供气流量(控制变量)的设定值变化是否会影响通道温度(热点)？概率分析过程与rca类似，不同之处在于为了寻纠正动作，只考虑控制变量。继续图3和图4中所示的示例，基于因果图，可以如rca示例中那样估计因果关系，然后可以降低供气温度设定点，或者可以增加供气流量设定点。
81.在第三示例用例中，如果怎样分析被执行来确定供气流量对热点的因果效应被供气温度修改的程度。由于冷却单元风扇速度的变化，可以观察到供气流量(sfr)的变化。针对热点(即，通道温度)来观察因果图。然后针对所有可能的供气温度(sat)值估计pr(hotspot|do(sfr＝f),sat＝t)。值“f”可以再次对应于设定点处或附近的值。
82.再次参考图1，还示出了用于使用工程数据116和观察数据112来构建因果图118的建模工具114。因果图118然后被提供给决策支持系统110。
83.因果图118捕获过程102中的测量变量和受控变量之间的关系。可能存在多于一个的因果图118来捕获过程102，例如，针对每个过程变量pv(包括过程kpi)的一个图将每个pv建模为因变量。因果图118中提供的信息可以是定性的(存在关系)而不是定量的(关系有多强以及它是积极的还是消极的)。根据本公开，首先使用基于图的模型来选择相关的测量值集(例如，从数百个候选者到少数几个)，然后执行上述方法来细化网络结构并且根据条件概率来估计关系的强度。
84.现在参考图5，建模工具114可以被配置为将工程数据116(例如，厂房拓扑)和过程模型数据与来自过程控制和监测的观察数据112组合。更具体地，建模工具114可以将过程拓扑信息和过程控制配置与关于过程状态(包括过去和现在的测量)、历史以及警报和事件数据的信息组合。以这种方式，来自过程控制系统108的动态信息和关于过程拓扑的静态信
息(例如过程102中可能的信息、材料或能量流)可以被组合。优选地，过程拓扑信息以最新的机器可读形式可用。
85.建模工具114可以被配置(使用例如到过程控制系统108的相关组件的编程接口)为：
86.1.寻流程拓扑中元素(材料、能量和信息流)之间的连接；
87.2.使用以下项来寻控制系统对象之间的连接，例如拓扑模型中的控制模块、i/o对象/标签、方面对象、警报条件、事件、历史测量和事件/时间序列以及对象：
88.a)命名约定，例如标签名称；
89.b)过程控制应用配置中可用的信息，例如过程变量、i/o点和(例如)opc da中的特性之间的连接；
90.c)过程历史配置中可用的信息；
91.d)可以使用在控制应用库中使用的特定约定(可以随着时间建立用于厂房100可用的控制应用库的这种约定的共享知识库)；
92.3.使用以下来为特定(异常)情况选择有关的过程变量/警报条件子集：
93.a)过程控制系统状态信息，例如：过程变量集或警报条件，作为起点；
94.b)过程拓扑模型，作为图，包含拓扑元素(仪器、控制回路、管道、容器等)及其连接(材料、信息、能量流)；
95.c)使用图分析算法和启发式算法，其基于在选定方向(即，向前或向后)或默认双向上，在厂房元素节点之间存在的边是材料流或信息流来遍历拓扑模型。算法可以使用定义拓扑节点和边的类型以及节点类型的层次关系的参考模型；
96.4.例如使用观察数据112添加历史上下文，例如选定的过程变量/警报条件子集的事件历史和过去的过程变量测量值(该信息可以根据其时间或频率排序，例如，正在调查的过程中最经常发生的警报可以使用颜等级突出显示或数字权重来指示)；
97.5.特别是以因果图的形式，使用所产生的数据集为厂房100的操作员创建特定情况的可视化，其中经更新的条件概率链接图中的节点，节点表示例如厂房的元素(容器、管道、阀门、控制装置、仪器等)。诸如颜、厚度、边动画等视觉效果可以被用于表示一个变量影响另一个变量的似然值或者强调与查询变量相关的链接(例如，示出异常行为的变量)。示例查询如上所述。
98.所得到的因果图可以被用作上述基于工具的厂房100分析的输入，或者提供数据用于例如根因和故障路径检测的时间序列分析或机器学习算法。例如，基于拓扑的因果图可以被用于执行计算昂贵的分析，例如，传递熵，或者创建确定给定情况下的影响的预测模型。
99.以这种方式，过程102的(定性)模型可以在不需要依赖于sme的专业知识的情况下被创建，sme的专业知识能够帮助预测可能的操作员动作对过程102的相关部分的后果。
100.模型(例如因果图)还可以用于将仿真模型参数化和初始化(定量)，仿真模型可以以预测可能的操作员动作对过程102的相关部分的后果的形式提供影响计算。仿真模型可以被用于标识可能更改当前情况的可能的用户输入(例如从因果图导出的对异常情况有因果影响的厂房元素)。这些输入值的列表可以被用于创建仿真实验，在仿真实验中，这些值被更改来量化对过程状态的影响，例如以避免触发警报极限和系统跳闸。
101.建模工具114和/或决策支持系统100可以允许用户手动编辑所显示的结果并提供与异常情况及其根因的自动分析有关的反馈。用户与系统交互的日志可以被挖掘，以用于改进性能并且更好地满足用户期望。
102.这样创建的因果图可以以上述方式使用，以标识与正在调查的特定情况有关的过程状态部分。利用相关拓扑信息增强的可用过程状态信息的该子集然后可以被用于引导和集中上述工具辅助的情况分析，以高效和有效地解决根因问题。过程状态的各部分可能涉及拓扑信息和/或诸如来自与特定情况有关的控制回路或仪器的系统警报或信号/测量值的信息。“有关”可以被定义为该部分以高于对应阈值概率的概率与情况(即，异常信号形状或警报)相关联。
103.尽管决策支持系统110和建模工具114被示出为分离的、单独的单元，但是应当理解，这些系统可以形成诸如过程控制系统的相同单元的一部分，并且这些系统可以是分布式系统。
104.现在参考图6，图示了可以根据本文所公开的系统和方法使用的示例性计算设备800的高级图示。计算设备800包括至少一个处理器802，至少一个处理器802执行存储器804中存储的指令。指令可以是例如用于实现被描述为由上述一个或多个组件执行的功能的指令或者用于实现上述方法中的一个或多个的指令。处理器802可以通过系统总线806访问存储器804。除了存储可执行指令之外，存储器804还可以存储会话输入、分配给会话输入的得分等。
105.计算设备800附加地包括能够由处理器802通过系统总线806访问的数据存储库808。数据存储库808可以包括可执行指令、日志数据等。计算设备800还包括输入接口810，输入接口810允许外部设备与计算设备800通信。例如，输入接口810可以被用于从外部计算机设备、用户等接收指令。计算设备800还包括输出接口812，输出接口812利用一个或多个外部设备与计算设备800对接。例如，计算设备800可以通过输出接口812显示文本、图像等。
106.设想经由输入接口810和输出接口812来与计算设备800通信的外部设备可以被包括在提供用户可以与之交互的基本上任何类型的用户接口的环境中。用户接口类型的示例包括图形用户接口、自然用户接口等。例如，图形用户接口可以接受来自使用诸如键盘、鼠标、遥控器等(多个)输入设备的用户的输入，并且在诸如显示器的输出设备上提供输出。此外，自然用户接口可以使得用户能够以不受诸如键盘、鼠标、遥控器等输入设备施加的约束的方式与计算设备800交互。相反，自然用户接口可以依赖于语音识别、触摸和触控笔识别、屏幕上和屏幕附近的手势识别、空中手势、头部和眼睛跟踪、声音和语音、视觉、触摸、姿势、机器智能等。
107.附加地，虽然被示出为单个系统，但应理解计算设备800可以是分布式系统。因此，例如，若干设备可以通过网络连接进行通信并且可以共同执行被描述为由计算设备800执行的任务。
108.本文描述的各种功能可以利用硬件、软件或其任何组合来实现。如果以软件实现，则这些功能可以作为一个或多个指令或代码在计算机可读介质上存储或传输。计算机可读介质包括计算机可读存储介质。计算机可读存储介质可以是计算机可以访问的任何可用存储介质。作为示例而非限制，这样的计算机可读存储介质可以包括ram、rom、eeprom、cd-rom或其他光盘存储装置、磁盘存储装置或其他磁存储设备，或者可以被用于以指令或数据结
构的形式携带或存储并且可以由计算机访问的任何其他介质。如本文所使用的，磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘和蓝光光盘(bd)，其中磁盘通常以磁性方式再现数据，而光盘通常利用激光光学地再现数据。此外，传播的信号不包括在计算机可读存储介质的范围内。计算机可读介质还包括通信介质，通信介质包括促进计算机程序从一个地方到另一个地方的传输的任何介质。例如，连接可以是通信介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或诸如红外、无线电和微波等无线技术从网站、服务器或其他远程源传输软件，则同轴电缆、光纤电缆、双绞线、dsl或诸如红外、无线电和微波等的无线技术均被包括在通信介质的定义中。上述的组合也应被包括在计算机可读介质的范围内。
109.备选地或附加地，本文中描述的功能可以至少部分地由一个或多个硬件逻辑组件来执行。例如但不限于，可以使用的例示性硬件逻辑组件类型包括现场可编程门阵列(fpga)、程序特定集成电路(asic)、程序特定标准产品(assp)、片上系统(soc)、复杂可编程逻辑器件(cpld)等。
110.[样板]
[0111]
申请人在此单独公开本文所述的每个单独的特征以及两个或更多个这样的特征的任何组合，只要不论这些特征或特征的组合是否解决了本文公开的任何问题，并且在不限制权利要求的范围的情况下，这样的特征或组合能够根据本领域技术人员的一般知识，基于本说明书而整体执行。申请人指出，本发明的各方面可以由任何这样的单独特征或特征组合组成。
[0112]
必须注意，本发明的实施例参考不同的类别来描述。具体地，一些示例参考方法来描述，而其他示例参考设备来描述。然而，本领域的技术人员将从描述中得知，除非另有说明，否则除了属于一个类别的特征的任何组合之外，与不同类别相关的特征之间的任何组合也被认为是本技术所公开的。然而，所有特征均可以被组合来提供协同效应，而不仅是特征的简单总和。
[0113]
尽管在附图和前面的描述中已详细图示和描述了本发明，但是这样的图示和描述被认为是示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和所附权利要求，本领域技术人员可以理解和实现对所公开实施例的其他变化。
[0114]
词语“包括”不排除其他元素或步骤。
[0115]
不定冠词“一(a)”或“一个(an)”不排除复数。附加地，除非另有说明或从上下文中清楚地指向单数形式，否则本文所使用的冠词“一”和“一个”通常应被解释为表示“一个或多个”。
[0116]
单个处理器或其他单元可以实现权利要求中列举的若干项的功能。
[0117]
在相互不同的从属权利要求中列举了某些措施这一事实并不表明不能有利地使用这些措施的组合。
[0118]
权利要求中的任何附图标记不应被解释为限制范围。
[0119]
除非另有说明或从上下文中清楚，否则本文使用的短语“a和/或b”旨在表示所列项中的一个或多个的所有可能排列。即，短语“x包括a和/或b”由以下任一情况满足：x包括a；x包括b；或者x包括a和b。

技术特征：

1.一种用于工业厂房的决策支持系统，所述决策支持系统被配置为：获取对因果假设进行建模的因果图，所述因果假设与所述工业厂房中的变量之间的条件相关性有关；获取与所述工业厂房的操作有关的观察数据；以及使用所述因果图和所述观察数据来执行因果推断，以估计与操作所述工业厂房时做出决策有关的至少一个因果效应。2.根据权利要求1所述的决策支持系统，其中执行所述因果推断包括：基于输入查询来标识所述因果效应；估计所述因果效应；可选地验证所述因果效应；以及呈现所述因果效应。3.根据权利要求2所述的决策支持系统，其中估计所述因果效应包括：使用条件概率公式来估计所述变量中的两个变量之间的所述因果关系的强度。4.根据权利要求2或3所述的决策支持系统，其中验证所述因果效应包括执行数据子集验证和/或执行对照处理。5.根据权利要求2至4中任一项所述的决策支持系统，其中呈现所述因果效应包括：将所述因果效应输出到人类厂房操作员和/或将所述因果效应输出到自动化厂房操作系统。6.根据前述权利要求中任一项所述的决策支持系统，还被配置为执行与所述工业厂房中的给定变量有关的根因分析，以标识所述因果图中的其他变量中的哪些变量最有可能影响所述给定变量。7.根据权利要求6所述的决策支持系统，其中对所述给定变量执行所述根因分析包括：执行所述因果推断，以估计所述给定变量和所述其他变量中的每个变量之间的所述因果关系的所述强度。8.根据前述权利要求中任一项所述的决策支持系统，还被配置为寻能够影响给定变量的更改的纠正动作。9.根据权利要求8所述的决策支持系统，其中寻所述纠正动作包括：使用所述因果图和所述观察数据来标识在所述工业厂房中的受控变量，所述受控变量表现与所述给定变量的因果关系。10.根据权利要求8或9所述的决策支持系统，其中寻纠正动作包括：执行所述因果推断，以估计所述给定变量和所述因果图中作为受控变量的所述其他变量中的每个变量之间的所述因果关系的所述强度。11.根据前述权利要求中任一项所述的决策支持系统，还被配置为执行如果怎样分析来标识更改所述工业厂房中的受控变量的可能的一个或多个副效应。12.根据权利要求11所述的决策支持系统，其中执行所述如果怎样分析包括：标识所述因果图中的第一变量和第二变量，所述第一变量和所述第二变量各自表现与第三变量的因果关系而不是彼此之间的因果关系；以及执行所述因果推断来估计所述第一变量对所述第三变量的所述因果效应被所述第二变量修改的程度。13.一种用于工业厂房的决策支持方法，所述决策支持方法包括：获取对因果假设进行建模的因果图，所述因果假设与所述工业厂房中的变量之间的条件相关性有关；接收与所述工业厂房的操作有关的观察数据；以及
使用所述因果图和所述观察数据来执行因果推断，以估计与操作所述工业厂房时做出决策有关的至少一个因果效应。14.一种用于构建因果图的建模方法，所述因果图对因果假设进行建模，所述因果假设与工业厂房中的变量之间的条件相关性有关，所述方法包括：接收与所述工业厂房有关的工程数据；使用所述工程数据来标识所述工业厂房中的多个变量；使用所述工程数据来标识所述变量之间的连接；以及构建所述因果图，所述因果图包括表示所标识的所述变量的节点集以及将所述节点互连的有向边集，所述有向边表示与基于所标识的所述连接的变量之间的条件相关性有关的因果假设。15.一种包括指令的计算机可读介质，所述指令在由计算设备执行时，使所述计算设备执行根据权利要求13或14所述的方法。

技术总结

本公开的实施例涉及工业厂房中的决策支持系统及方法。提供了用于工业厂房的决策支持系统和方法。决策支持系统被配置为：获取对因果假设进行建模的因果图，因果假设与工业厂房中的变量之间的条件相关性有关；获取与工业厂房的操作有关的观察数据；以及使用因果图和观察数据来执行因果推断，以估计与在工业厂房操作时做出决策有关的至少一个因果效应。作时做出决策有关的至少一个因果效应。作时做出决策有关的至少一个因果效应。