CausAIITI
Kausale Alarmmusteranalyse durch die Integration von technischen Informationen aus technischen Dokumenten
Mustererkennung zur Analyse von Fehlermustern in Meldungsdaten
Alarmmanagementsysteme (AMS) sind wichtiger Bestandteil moderner automatisierter Produktionssysteme (aPS), da sie eine bedeutende Rolle bei der Gewährleistung des sicheren Betriebs des Systems spielen. Alarmmeldungen werden verwendet, um den Anlagenbediener über abnormale Situationen zu informieren. Viele bestehende AMS leiden jedoch unter ineffizientem Design; z.B. führen abnormale Ereignisse oft zu einer Vielzahl von Alarmen, die von den Bedienern in kurzer Zeit bearbeitet werden müssen. Darüber hinaus erhöhen kausale Abhängigkeiten zwischen den Alarmquellen die Anzahl gleichzeitig auftretender Alarme. Diese Situation wird als Alarmflut bezeichnet. In diesem Fall kann der Bediener nicht mehr adäquat auf die Meldungen reagieren, was zu falschen Entscheidungen und kritischen Situationen führen kann. Daher ist ein effizientes und zuverlässiges AMS unerlässlich, um eine Überlastung des Bedieners zu vermeiden und die Sicherheit durch eine schnelle und genaue Ursachenerkennung zu erhöhen. Zur Verbesserung solcher Systeme werden bereits Methoden eingesetzt, die Sequenzen von auftretenden Alarmen automatisch identifizieren und somit eine Reduzierung der Alarme ermöglichen. Diese Ansätze basieren vor allem auf der Mustererkennung in historischen Alarmdaten. Aufgrund der Limitierung dieser Ansätze werden jedoch Muster nicht immer zuverlässig erkannt oder falsche Muster identifiziert. Darüber hinaus ist eine Zuordnung von bisher unbekannten Alarmen, die im laufenden Betrieb einer Anlage auftreten können, jedoch bisher nicht im historischen Datensatz auftauchen, bisher methodisch nicht abgedeckt. Um diese Herausforderungen zu bewältigen, sollen in diesem Projekt Methoden für ein effektives AMS erforscht werden, welche neben den historischen Alarmdaten auch zusätzliche Informationsquellen wie Anlagenstrukturpläne und Prozessdaten aus dem Leitsystem berücksichtigen. Die Integration dieser zusätzlichen, automatisch extrahierten Informationen in die Analyse historischer Alarmdaten soll für die Ursachenanalyse und die Erkennung von möglichen ursächlichen Alarmmustern genutzt werden. Darüber hinaus werden für den Fall von neu auftretenden Alarmen Methoden entwickelt, die eine Zuordnung zu bekannten Kausalketten ermöglichen. Die erarbeiteten Algorithmen sollen den Bediener während des Betriebes der Anlage durch frühzeitige Fehlererkennung, Reduzierung von Alarmfluten und Eingrenzung der Ursache unterstützen.
Förderung
Das Projekt wird gefördert durch die Deutsche Forschungsgemeinschaft (DFG).
