用于确定信息物理系统中的异常的系统和方法与流程

本发明总体上涉及产业安全领域，更具体地，涉及用于确定信息物理系统(cyber-physical system，cps)中的异常的系统和方法。

背景技术：

1、产业安全的急切问题之一是技术过程(technological process，tp)和操作的安全运行的问题。其中tp的主要威胁是设备和子组件的磨损、撕裂和故障，操作控制的无意错误或恶意动作，对控制系统和信息系统(information system，is)的计算机攻击，等等。

2、为了抵抗各种威胁，通常可以使用安全系统来保护信息物理系统(cps)。安全系统可以包括但不限于：应急保护系统(emergency protection system，eps)，基于用于技术过程的自动控制系统(automated control system for a tp，acs tp)的异常检测系统，以及用于特定种类的设备和子组件的专门构建的“外部”监控系统。通常，“外部”监控系统不一定与acs tp集成在一起。应当注意，由于cps和tp的发生在其中的某些独特性，可能不能总是部署前述“外部”系统。然而，即使在可以这样装配的最简单的情况下，由于为“外部”监控系统服务的成本和复杂性，部署这种“外部”监控系统通常也只发生在企业的极其重要的节点和子组件处。

3、与“外部”系统相比，eps可以在企业的设计期间进行设计并且可以集成在acs tp中。这种集成可以防止先前已知的关键过程发生。eps的一个优点是其简单性、其对特定企业的生产过程的指向性、及其包括该企业所采用的所有设计和技术方案。eps的缺点可以包括但不限于：在系统中做出决策相当缓慢以及在做出这些决策时存在人为因素。此外，eps和相关方法通常在假设监控和测量仪器(monitoring and measuring instrument，mmi)正确工作的前提下发挥作用。在实践中，因为mmi周期性发生故障，并具有暂时故障的趋势，因此不可能总是确保mmi完全无故障操作。此外，为所有的mmi提供冗余极其昂贵并且在技术上不会总是可行的。

4、异常检测系统通常基于acs tp的遥测技术。归因于这种遥测数据的完整性，异常检测系统可以具有同时“看见”企业的所有tp彼此之间的相互关系的能力，这使得即使在mmi的故障期间也可以可靠地检测异常。acs tp中提供的大量数据能够实现监控整个企业—企业的物理(化学或其他)过程以及用于这些过程的所有监控系统的正确工作，其可以包括生产操作者的合适动作。这些系统中使用的机器学习模型可以基于许多输入和特性来训练。这种经训练的模型可以包括用于具有大量被分析的变量的企业的正确工作的高效统计模型。这种经训练的模型甚至能够发现设备的工作中微小的偏差。换句话说，异常检测系统可以在初期检测到异常。

5、异常检测系统的特殊架构和接口允许异常检测系统与acs tp并行工作以发现异常(错误检测)，显示并局部化(错误隔离)所发现的异常，以及将所发现的异常通知给生产操作者，从而例如指示用于确定该异常的特定过程变量。

6、然而，现有的用于使用acs tp的遥测数据确定和局部化异常的系统通常仅处理特定acs tp中循环的关键数据，所述关键数据包括mmi数据、控制系统的数据、执行器命令的数据。现有系统通常不考虑这些数据的衍生物、也称为合成数据，即这些数据的某些函数及其组合、其窗口分析平均值、其集合了移动平均统计特性的变换等。同时，所生成的合成数据常常携带比原始数据更有用的关于企业的特定子组件或一件设备的状态的信息。例如，众所周知的是mmi数据通常携带噪音。分析mmi数据来确定异常的存在通常需要某些平滑值(以抵消噪音输入)，而不是瞬时值。又一个非限制性示例包括包含振动位移和振动加速度检测器的cps，其中，分析来自所述检测器的数据通常涉及使用窗口傅里叶变换，随后寻找寄生振荡模式。更一般的示例涉及生产技术或标准化制定引入一整套用于计算合成值的诊断规则的系统，而不需要经受分析和监控的可直接测量的参数值。

7、因此，需要使用cps变量和衍生自cps变量的辅助cps变量来有效确定cps处理中的异常。

技术实现思路

1、公开了用于提高检测cps中的异常的准确性的系统和方法。

2、有利地，所公开的方法使用初级cps变量以及衍生自初级cps变量的辅助cps变量来确定异常。

3、在一个方面，一种用于确定信息物理系统(cps)中的异常的方法包括生成被配置成计算至少一个辅助cps变量的一个或多个诊断规则。基于所生成的诊断规则根据预定输入时间间隔内采集的一组初级cps变量的值计算预定输出时间间隔内所述至少一个辅助cps变量的一个或多个值。基于所采集的所述一组初级cps变量的值以及所计算的所述至少一个辅助cps变量的所述一个或多个值来确定异常。

4、在一个方面，生成所述一个或多个诊断规则包括指定以下项中的至少一者：待在所述诊断规则中使用的所述一组初级cps变量；根据所采集的所述一组初级cps变量的值计算所述至少一个辅助cps变量的所述一个或多个值的方法；以及用于所采集的所述一组初级cps变量的值的至少一个输入时间间隔和用于计算所述辅助cps变量的所述一个或多个值的至少一个输出时间间隔。

5、在一个方面，计算所述至少一个辅助cps变量的所述一个或多个值的方法包括以下中的至少一者：根据所采集的所述一组初级cps变量的值计算所述至少一个辅助cps变量的所述一个或多个值的预定公式；通过对所采集的所述一组初级cps变量的值进行平滑化来计算所述至少一个辅助cps变量的所述一个或多个值的方法；通过计算以下项中的至少一者来计算所述至少一个辅助cps变量的所述一个或多个值的方法：所述一组初级cps变量的值的长期趋势、所述一组初级cps变量的值的多项式近似值、所述一组初级cps变量的统计窗口点；或通过使用用于计算所述至少一个辅助cps变量的所述一个或多个值的先前经训练的机器学习模型来计算所述至少一个辅助cps变量的所述一个或多个值的方法，其中，所采集的所述一组初级cps变量的值被用作所述机器学习模型的输入数据。

6、在一个方面，所采集的所述一组初级cps变量的值包括以下项中的至少一者：由数据发射器获得的测量值；执行机构的操纵变量的值；所述执行机构的设定点；比例积分微分(pid)控制器的输入信号的值；以及所述pid控制器的输出信号的值。

7、在一个方面，所述一个或多个诊断规则包括一个或多个递归诊断规则。至少一个先前计算的辅助cps变量用作初级cps变量。

8、在一个方面，所述一组初级cps变量包括所有cps变量的子集。

9、在一个方面，确定所述异常包括利用计算所述至少一个辅助cps变量的所述一个或多个值的方法使用所有cps变量的至少一个子集作为输入数据，并且其中，通过以下操作中的至少一者来确定所述异常：确定预测的总误差是否大于阈值，其中所述预测的总误差基于cps变量的所述至少一个子集的值的一个或多个预测来计算；将经训练的机器学习模型应用于cps变量的所述至少一个子集的值；确定是否满足用于确定异常的至少一个规则；确定来自cps变量的所述子集的至少一个变量的值是否超过相应cps变量的预定值范围。

10、在一个方面，针对cps变量的每个子集单独选择确定异常的方法。针对根据cps变量的每个子集确定的一个或多个异常计算危急程度。针对所确定的所述一个或多个异常中的每个异常计算总体危急程度。

11、在一个方面，通过对用于确定特定异常的所有方法的两个或更多个危急程度取平均值来计算所述总体危急程度。如果所述总体危急程度大于预定阈值，则确认所述异常。

12、在一个方面，所述异常的一个或多个危急程度由以下项中的至少一者指定：所述cps的操作者、使用关于先前确定的异常的统计数据的先前经训练的机器学习模型。