Causal Alarm pattern analysis by the Integration of Technical Information from engineering documents (CausAlITI)

In diesem Projekt soll eine neue Methode entwickelt werden, um Alarmmeldungen in Prozessleitsystemen von großen industriellen Anlagen gemäß der wahrscheinlichsten gemeinsamen Ursache zu gruppieren. Dazu sollen neben historischen Alarmdaten auch aktuelle Prozessdaten und die Topologie der Anlage genutzt und mittels Verfahren des maschinellen Lernens ausgewertet werden. Seit der Einführung digitaler Prozessleitsysteme hat die Anzahl der Sensoren in der Prozessindustrie immer weiter zugenommen. In vielen Anlagen ist heute ein Anlagenfahrer für die Überwachung von tausenden Prozessvariablen und hunderten damit verschalteter Alarme zuständig. Durch die hohe Korrelation der Prozessvariablen kann eine Abweichung an einer Stelle eine Kaskade von vielen weiteren Alarmen in kurzer Zeit auslösen, auch „Alarmschauer“ oder „Alarmflut“ genannt. Bei einem solchen Alarmschauer kann der Anlagenfahrer nicht mehr alle Meldungen ausreichend erfassen und ist damit nur noch eingeschränkt fähig, die Anlage schnell und effektiv in den Normalbetrieb zurückzuführen und so die Sicherheit zu gewährleisten. Um dies zu verhindern, sollte der Anlagenfahrer durch ein gutes Alarmmanagement entlastet werden. Die Gruppierung der Alarme nach kausalen Zusammenhängen verringert die Menge der zu erfassenden Informationen und hilft den Ursprung einer abnormalen Situation zu identifizieren. Da die Alarme bei unterschiedlichen Schwellwerten auslösen und diese verschieden schnell überschreiten, lässt sich allein aus der Reihenfolge der Alarme nur bedingt eine Kausalität ableiten. Um die Kausalität besser zu erfassen, können zusätzliche Informationen über die Anlage genutzt werden, welche bereits in Form von „Piping and Instrumentation Diagrams“ (P&ID) oder „Computer Aided Design“ (CAD)-Zeichnungen für die meisten Anlagen zur Verfügung stehen. Um den manuellen Aufwand zu reduzieren, sollen diese Dokumente automatisiert verarbeitet und die Struktur der Anlage, in einem Computer- lesbaren Format, daraus extrahiert werden. Diese Daten sollen dann mit historischen Alarmdaten kombiniert werden, um Alarme kausal zu gruppieren. Dabei soll das System nicht nur historische Daten nutzen, sondern auch aus neu auftretenden Alarmen lernen und diese folgerichtig eingruppieren können, um so den Anlagenfahrer im laufenden Betrieb zu unterstützen.

Beteiligte Mitarbeiter: Franz Christopher Kunze

Partner: Technische Universität München – Lehrstuhl für Automatisierung und
Informationssysteme (Prof Dr. Birgit Vogel-Heuser)

Laufzeit: November 2021 bis Oktober 2024

Förderung: DFG – Deutsche Forschungsgemeinschaft

HSU

Letzte Änderung: 3. Januar 2022