[發明專利]用于問題警報聚合的方法和系統

在審

• 申請號: 201880013195.X
• 申請日: 2018-01-30
• 公開（公告）號: CN110337640A
• 公開（公告）日: 2019-10-15
• 發明（設計）人: C·林切夫斯基;R·曼諾爾
• 申請（專利權）人: 普雷科格奈茲公司
• 主分類號: G06F11/00
• 分類號: G06F11/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王青芝;王小東

本發明公開了用于問題警報聚合和識別次優行為的方法和系統。該方法包括以下步驟：針對資產提供數據驅動警報，其中，數據驅動警報與從資產測量的和/或檢測到的真實世界數據相關聯，其中，實體是資產的物理對象和/或進程；提供資產表示，其包括對象、進程、以及與資產的實體相關聯的傳感器之間的相關性；將數據驅動警報與資產表示中相關的各個實體相關聯；將數據驅動警報聚合到事件中，其中，事件是根據資產表示的具有相關實體的相關數據驅動警報的分組；將各個事件評分為事件分數，其中，事件分數代表事件重要性、事件緊急性、事件相關性和/或事件顯著性；并且生成所述事件的選擇子集和相應事件分數，其中，所述選擇子集是基于事件分數。

本發明的技術領域和背景技術

本發明涉及用于問題警報聚合以及識別次優行為的方法和系統。

預測性維護和故障檢測在許多行業中都至關重要，在這些行業中，不可預測的問題可能需要付出高昂代價，這涉及許多不利結果，包括貨幣損耗、運營停機、設備損耗、財產損失、處罰、賠償、有時甚至是人類死亡。為防止此類損失，許多工廠安裝了傳感器來幫助監控工廠生產及其進程。機器學習算法處理此類傳感器的讀數，并在發生可疑事件時向維護或安全團隊發出警報。這種警報產生、機器學習或數據挖掘算法各不相同，包括例如簡單的單一傳感器閾交警報、問題特定的警報腳本、問題特定的模式檢測或可能性學習、趨勢檢測算法、預測偏差算法、深度學習算法和其他異常檢測算法。

由于復雜系統的性質(其包括大量可能正常的系統狀態)，以及每個警報可能包含大量傳感器的事實，此類算法常常會產生假警報，其誤檢率可通過權衡利弊的設置閾值來得以緩解。如果閾值設置得太高，警報會減少，但可能不會對危機進行警報。如果閾值設置得太低，則會有過多的警報，導致注意到該警報的維護或安全團隊通常無法調查所有警報，并可能忽略某些警報或大部分警報。結果，大多數問題沒有被檢測到。

一旦生成警報，該警報就會被傳送給維護或安全團隊以調查原因。由于警報是機器學習算法的產物，因此使用機器學習輸入術語來表示警報，其通常是基于監測系統數據庫中的列的標題，或者是生成警報的傳感器的名稱。

為了調查警報，維護團隊需要識別觸發警報的一個傳感器或一些傳感器的目的和指示，區分這些傳感器之間的潛在關系，并確定警報的真實原因，其可能經常會遠離所識別的傳感器(由于這些設備/部件的互連性)。在復雜的工業設備中，設施通常太大，并且包含太多交錯的子系統，使得維護團隊不能記住警報中的各個傳感器的目的及其與其他傳感器的關系，這需要額外的參考信息、傳感器布局圖和設施專家的參與，以了解警報的性質和嚴重性。這些額外資源并非總是可用的。

大型設施通常具有非?？煽康姆€健處理系統，這意味著設施裝置(例如鍋爐)的故障很少。目前的警報系統的特征是具有高警報率，通常為每天數百次。維護團隊無法徹底調查所有警報。這些設施經常采用高成本維護計劃和冗余策略，使得能夠在機器失靈或故障的情況下實現低工作量和替代生產過程。警報調查團隊意識到實際問題的發生率低，則可能會發展成忽略和解除警報的傾向。

現在的問題檢測系統目前在典型工廠中的檢測率約為實際問題的2-3％。復雜的關鍵設備不能依賴現有的問題警報系統。大多數復雜設備采用系統冗余，并安排有冗余維護過程，這增加了生產成本。在實踐中，對于復雜設備中的組件故障識別并沒有很好的解決方案。

目前的問題預測系統會產生以下內容。

1.觸發太多和/或不可靠的警報(例如，通常每天數百次)，時常被指定為假警報-誤檢率使得通用的問題警報系統實際上變為無用。

2.生成與附到相關數據庫中的列的類似文本描述符和標簽相關聯的警報，這些警報不向調查團隊表明問題，導致每個警報需要復雜的人工調查以識別問題、其位置和警報原因-此類調查往往無法得出結論。

由于如此差的檢測率和誤標記為假警報，使用現在的問題檢測系統的綜合體中的大多數問題未能被預防。工廠人員時常不相信他們自己用于早期問題檢測的檢測系統，或者由于大量產生的警報而將這種系統描述為不切實際，這迫使設施管理者要在生產設施中建立冗余的維護過程。