基于操作员动作来改进分布式控制系统的控制策略的制作方法

本发明涉及工业工厂、特别是具有分布式控制系统的工厂的自动化控制。

背景技术：

1、工业工厂的自动化控制通常根据工程设计控制策略来执行，工程设计控制策略旨在以有效的方式实施工厂的正常操作。然而，这种工程设计控制策略无法预见工厂操作期间可能出现的所有情况。在这种情况下，工厂操作员可以手动干预并控制工厂或其一部分，从而凌驾于工程设计控制策略之上。

2、wo2012/142353a1公开了一种用于监视过程控制系统的方法。该方法包括将工厂的不令人满意的关键绩效指标kpi可视化。

3、发明目的

4、本发明的目的是减少在工业工厂操作期间对手动干预的需要，和/或减少工厂操作员不得不花费在这些干预上的时间量。

5、通过根据独立权利要求所述的用于修改和/或增强用于分布式控制系统的工程工具的两种计算机实现的方法，并且通过根据另一独立权利要求所述的用于训练机器学习模型的另一种计算机实现的方法，该目的得以实现。

技术实现思路

1、本发明提供两种用于修改和/或增强工程工具的计算机实现的方法。工程工具被配置为生成应用代码。当该应用代码在工业工厂的分布式控制系统中的一个或多个控制器上被执行时，将使工业工厂会根据在该应用代码中实现的控制策略而被控制。

2、两种方法都会对已生成用于分布式控制系统的应用代码的工程工具进行修改和/或增强。当应用代码由修改和/或增强的工程工具重新生成并在分布式控制系统中被执行时，修改的效果是：工厂操作员有可能较不频繁地与分布式控制系统手动交互，和/或花费较少的时间与分布式控制系统交互。

3、第一种方法基于经由人机界面而与工厂的分布式控制系统交互的工厂操作员的过去的交互事件来获得该修改和/或增强。第二种方法基于对工厂操作员可能基于工厂的当前状态发起的交互事件预测来获得修改和/或增强。该预测是从经训练的机器学习模型获得的。第一种方法具体地促进了从工厂操作员的特定已知行为模式获得修改和/或增强，而第二方法具体地促进了在没有行为模式的任何先验知识的情况下从头开始获得修改和/或增强。

4、在第一种方法的过程中，获取了表征至少一个工业工厂的操作状态的状态变量。此外，获取了至少一个工厂操作员经由人机界面而与工业工厂的分布式控制系统交互的交互事件的集合。

5、至少部分地基于交互事件、状态变量和可选地分布式控制系统的给定工程信息作为输入数据，确定一个或多个交互事件是否指示工厂操作员正在执行分布式控制系统的工程设计未充分涵盖的任务。如果该确定是肯定的，则输入数据被映射到所寻求的工程工具的修改和/或增强，该工程工具已生成用于分布式控制系统的应用代码。

6、控制系统是基于工程设计阶段的要求规范来设计的。但在这个工程设计阶段期间，并不是可以预见工厂操作期间会发生的所有情况。工厂操作员作为交互部分保留在控制回路中，以填补工程设计控制策略中的任何空白。如果通过工厂操作员的干预来处理在控制策略中未预见到且不太可能再次发生的罕见情况，则这也是一种比修改控制策略来处理这种情况更好的方法。但如果这种情况有可能再次发生，最好修改工厂的工程设计，以使工厂操作员不必一次又一次地执行相同或基本相似的干预。如果以自动化方式修改工程设计，则具有多个优点：

7、·工厂的操作变得更加安全，因为在每种可以自动处理的情况下，正确的操作不再取决于工厂操作员在适当的时间执行正确的干预。

8、·将工厂操作员从例行干预中解放出来可以腾出否则将被花在这些例行干预上的时间，以用于机器无法处理的问题解决任务。

9、·工厂操作员的知识以可转移到类似工厂的形式被捕获并记录。

10、·可以定量地测量工厂的工程设计对工厂中实际发生的操作情况的涵盖程度。

11、分布式控制系统的当前工程未充分涵盖的任务可以以任何合适的方式被指定为一种模式。在特别有利的实施例中，分布式控制系统的当前工程未充分涵盖的任务具体包括：

12、·手动执行分布式控制系统的当前工程未涵盖的操作问题的解决方案；和/或

13、·从相同或基本相似的操作状态开始重复执行一个或多个动作；和/或

14、·访问需要至少阈值数量的步骤以至少阈值频率进行访问的至少一个功能。

15、例如，在垃圾焚烧厂中，燃烧过程很大程度上取决于垃圾的构成。该工厂是针对一定范围的成分进行工程设计的，但是可能会突然发生超出该工程设计范围的成分显著变化。例如，纸张、塑料或一些其它材料可以是家庭垃圾的正常成分，因此工厂的工程设计可以假设这种成分始终存在。但更新的环境法规可能会突然规定纸张或塑料将被收集在单独的垃圾箱中进行回收，并且突然间这种成分就从家庭垃圾中消失了。然后，工厂操作员可能会注意到燃烧的情况突然急转直下，并且可以找出如何通过调整气流和炉内的垃圾搅拌来改善燃烧。如果将该解决方案并入更新的工程工具中，并且相应地更新工厂的工程设计，则每当将来向工厂供应类似构成的垃圾时就可以重新使用该解决方案。

16、其中工厂操作员手动执行操作问题的解决方案的情况可以例如通过状态变量和交互事件数据中的模式识别来检测。例如，如果有一个模式，其中

17、·状态变量指示工厂的问题或次优状态，

18、·随后检测到一系列交互事件，并且

19、·响应于此，状态变量指示工厂状态有所改善，

20、可以推断，工厂操作员的干预已经解决了工厂的操作问题。

21、如果从相同或基本相似的操作状态开始重复执行一个或多个动作，则可以修改工程工具，使得根据由该工具产生的新应用代码，响应于再次发生相同或基本相似的操作状态，在未来自动执行该一个或多个动作。类似于文字处理程序中的宏记录器，这减轻了工厂操作员的重复性手动工作。

22、如果至少功能需要至少阈值数量的步骤以至少阈值频率访问，则可以修改工程工具，使得可以用较少数量的步骤来访问该功能。例如，人机界面中的控件和显示的布置可能太大而无法在屏幕上显示，因此它可以被分成几个页面。默认情况下，人机界面可能位于第1页上，并且为了访问第5页上的功能，工厂操作员可能不得不翻到第2、3、4页，然后翻到第5页。将控件和显示初始分配给不同的页面可能是由工厂操作员可能需要访问相应的控件或显示的估计概率来激发的。但在工厂的某些情况下，一些控件和显示可能比在工厂的其它情况下变得更重要。这甚至可能在运行时发生变化。例如，如果工厂的多个住宅邻居向市政当局投诉工厂发出的噪音、气味或其它滋扰，那么工厂经营者可能会被迫减少这种滋扰。将不得不更频繁地监视相应的传感器读数，因此将它们从第5页移动到第1页可能是合适的，在第1页中，它们大多数时间都在屏幕上可见。

23、在这些示例中，通过搜索或观察来自工厂的数据中的具体模式，可以检测到合适修改工程工具的情况。但是在更多情况下，可能会出现其中工厂先前的工程设计中存在“空白”的情况，这必须通过工厂操作员的干预来填补。因此，本发明还提供第二种用于修改和/或增强工程工具的计算机实现的方法。

24、类似于第一种方法，在该第二种方法的过程中，获取表征至少一个工业工厂的操作状态的状态变量。然后，基于状态变量，使用至少一个经训练的机器学习模型来预测至少一个工厂操作员有可能响应于操作状态经由人机界面在分布式控制系统上发起的一个或多个交互事件。一个或多个预测的交互事件被映射到对已生成分布式控制系统的应用代码的工程工具的修改和/或增强。与第一种方法中类似，修改被配置为使得：当应用代码由修改和/或增强的工程工具重新生成并在分布式控制系统中被执行时，工厂操作员可能较不频繁地与分布式控制系统手动交互，和/或花费较少的时间与分布式控制系统交互。例如，该映射可以由还预测交互事件的机器学习模型、由另一机器学习模型或以任何其它合适的方式来执行。

25、以这种方式对工程工具进行修改和/或增强不需要预先知道用于操作情况和/或用于工厂操作员的干预的具体模式。相反，工程工具可以动态地向工厂操作员学习，并且还可以适应在初始工程设计时不可预见的新的情况类别。

26、例如，以前通过某种工程设计最佳操作的垃圾焚烧厂后来可以被连接到区域供热网络，使得工厂中生成的热量可以另作他用。从那时起，可能就必需将输送到区域供热网络的热量和温度保持在预定范围内，以保持区域供热的可靠性。这些新目标可能至少部分取代了以前的目标。例如，为了在垃圾热值下降的情况下保持热量传递，可能需要点燃燃料驱动的燃烧器对垃圾的燃烧进行补充。根据之前的工程设计，只要垃圾焚烧厂不需要继续操作，燃烧器就不会点火，因为燃料会增加操作成本。机器学习模型的训练可能会发现，在连接到区域供热网络后，在越来越多的情况下需要手动干预。在训练后，机器学习模型可以预测在哪些操作情况下可能会出现手动干预。然后可以修改工程工具，使得可以根据新生成的应用代码在将来自动发起维持热传递的干预。

27、两种方法可以同时在一个且同一个工厂中起作用。也就是说，如果根据已知模式检测到工程工具在某个地方需要修改和/或增强，则可以确定并实现该修改和/或增强。最重要的是，机器学习模型可以被用于从不符合先前已知模式的干预来生成修改和/或增强。

28、例如，在任一种方法中使用的输入数据还可以包括以下中的一个或多个：

29、·由分布式控制系统报告的警报和事件；

30、·工业工厂的拓扑模型；

31、·分布式控制系统的人机界面的布局；和

32、·分布式控制系统的控制逻辑。

33、如果输入数据更加详细，则可以使用更详尽的模式来检测当前工程中的“空白”，和/或机器学习模型可以更准确地预测工厂操作员干预。

34、在另一特别有利的实施例中，当输入数据和/或交互事件被映射到用于工程工具的修改和/或增强时，可以确定的是，给定控制库中的函数完成了与已检测和/或预测的动作或动作序列的结果基本相似的结果。在这种情况下，当生成用于工程工具的修改和/或增强时，检测和/或预测的动作或动作序列可以用对控制库中的确定函数的调用来代替。以这种方式，已经压缩在控制库中的知识可以在适当的情况下投入使用。例如，在不知道对于这种标准操作已在控制库中制定了自动化协议的情况下，工厂操作员可以遵循某种手动协议将容器内的温度提高到新的目标温度。

35、在另一特别有利的实施例中，修改和/或增强被配置为：当应用代码由修改的工程工具重新生成并在分布式控制系统中被执行时，使得在分布式控制系统的人机界面中，

36、〃出现新的控制元件，以使先前由工厂操作员按顺序重复执行的一系列动作在致动该新的控制元件时被执行；和/或

37、〃先前需要第一数量的步骤进行访问的控制元件在人机界面内移动，以使其需要第二数量的较少步骤就能访问。

38、这使得工厂操作员能够以工厂操作员与分布式控制系统的人机界面之间的较少交互来完成相同的干预。

39、如之前所讨论的，在另一特别有利的实施例中，用于工程工具增强的修改和/或增强被配置为：当应用代码由经修改的工程工具重新生成并在分布式控制系统中被执行时，使得先前由工厂操作员从相同或基本相似的操作状态开始重复执行的一个或多个动作响应于发生的特定操作状态而被自动执行。这可以将工厂操作员从例行干预中解放出来，让他能够专注于问题解决任务。

40、在另一有利的实施例中，选择被配置为从预定目录中的构建块组装分布式控制系统的工程工具。至少一个这种构建块是可编程逻辑控制器plc。工程工具被配置为生成包括用于该plc的控制代码的应用代码。当这种工程工具被修改和/或增强时，从构建块组装工厂可以保持不变，但是可以重新编译plc的控制代码，从而用新的功能对其进行升级。

41、因此，任一种方法还可以还包括通过修改和/或增强的工程工具重新生成用于分布式控制系统的应用代码。然后，可以在分布式控制系统中执行重新生成的应用代码。以这种方式，根据在重新生成的应用代码中实现的修改和/或增强的控制策略来控制工业工厂。

42、可选地，在重新生成应用代码之前，可以提示控制工程师批准用于工程工具的修改和/或增强。通过这种方式，控制工程师可以了解下次重新生成应用代码时会发生什么变化。此外，控制工程师届时能够检查拟议的变化是否违反任何其它约束。

43、本发明还提供一种用于训练在上述第二种方法中使用的至少一个机器学习模型的计算机实现的方法。

44、该方法从具有状态变量的训练输入数据的记录开始，该状态变量表征至少一个工业工厂的操作状态。提供标签，该标签关于至少一个工厂操作员响应于所述操作状态在分布式控制系统中发起的交互事件。待训练的机器学习模型将训练输入数据的记录映射到至少一个工厂操作员将响应于训练输入数据中的操作状态而发起的一个或多个交互事件的预测。

45、通过预定成本函数，对机器学习模型的预测与训练输入数据的相应记录的标签的对应程度进行评价。针对以下目标而优化表征机器学习模型的行为的参数：当机器学习模型处理训练输入数据的更多记录时，这将导致成本函数获得更好的评价。通过这种方式，随着训练的进行，工厂操作员干预的预测变得越来越准确。

46、为了用交互事件标记操作状态，从工厂收集的实际交互事件可以例如根据这些交互事件是否导致工厂操作员的干预成功或不成功来过滤。例如，可以根据关于交互事件被证明对于给定目标有多大益处的任何合适度量对交互事件进行分级。例如，可以根据这些等级对实际的交互事件进行加权。例如，如果交互事件的等级低于某阈值，则可以将其排除在标签之外。

47、在特别有利的实施例中，训练输入数据的记录是从多个工业工厂收集的。以这种方式，操作员知识可以至少在相似的工厂之间转移。对于许多类型的工厂(诸如垃圾焚烧厂)，这些工厂的实例在某种程度上彼此不同，但基本功能在所有实例中都是相同的。垃圾焚烧厂的不同情况可以用垃圾的不同构成来供给。一个垃圾焚烧厂可以被连接到区域供热网络，而另一个垃圾焚烧厂可以不连接到区域供热网络。但所有实例都有一个共同点，即存在某种类型的炉子用于燃烧垃圾，并且这种燃烧是通过操纵一组特定参数来控制的。

48、在任何给定的工业工厂实例中，训练不必从头开始。相反，机器学习模型可以首先接受通用训练，稍后针对工厂的特定实例以更具体的方式进一步进行训练。以这种方式，当部署了大量不同的工厂实例时，不需要一次又一次地重复训练的通用部分。

49、上述方法的计算机实现暗示这些方法可以被体现在计算机程序中。因此，本发明还提供一种具有机器可读指令的计算机程序，当该机器可读指令由一个或多个计算机执行时，使一个或多个计算机执行上述方法之一。本发明还提供一种具有该计算机程序的非暂态机器可读存储介质和/或下载产品。下载产品是一种可以在在线商店中出售并通过下载立即履行的产品。本发明还提供具有计算机程序和/或具有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。