In der modernen Prozessindustrie stellt das Management von Alarmen eine zentrale Herausforderung dar. Mit der zunehmenden Digitalisierung und dem damit verbundenen starken Anstieg von Sensoren in Produktionsanlagen sehen sich Anlagenfahrer mit der Aufgabe konfrontiert, tausende Prozessvariablen und hunderte von Alarmen zu überwachen. Die enge Vernetzung dieser Variablen führt dazu, dass bereits kleine Abweichungen eine Flut von Alarmen auslösen können, sogenannte "Alarmschauer". In solchen Szenarien wird die schnelle und effektive Rückführung der Anlage in den Normalbetrieb erschwert, was die Sicherheit und Effizienz der Produktionsprozesse gefährdet. Ein effektives Alarmmanagement, das Alarme nach ihren kausalen Zusammenhängen gruppiert, kann die Informationsflut deutlich reduzieren und so Anlagenfahrern ermöglichen, die Ursprünge von Störungen, den sogenannten Root-Cause, schneller zu identifizieren und zu beheben.  Die Herausforderung bei der Kausalitätsanalyse liegt darin, dass Alarme aufgrund unterschiedlicher Schwellenwerte und Reaktionszeiten ausgelöst werden, was die Ableitung von Kausalzusammenhängen alleine aus historischen Alarmdaten erschwert.

Um diese Kausalzusammenhänge zu erfassen nutzt Herr Kunze Kausale Gerichtete Graphen. Für die effiziente Umsetzung werden die Graphen dabei automatisch aus vorhandene Engineering-Dokumenten und allgemeingültigen physikalischen Regeln erster Ordnung erstellt. Um den größtmöglichen Nutzen für den Anlagenfahrer zu erreichen erfolgt die Analyse online und adaptiert sich fortlaufend an den aktuellen Zustand der Anlage, so dass auch Änderungen der kausalen Zusammenhänge erkannt werden können.

• Prozessautomatisierung (SS)
• Programmierung und Algorithmen für ETIT - Technische Informatik 1 (WS)
• Master-Seminar Moderne Methoden der Regelungstechnik (SS)

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 Großindustriellen-Anlagen gemäß der wahrscheinlichsten gemeinsamen Ursache zu gruppieren.  Dazu sollen neben historischen Alarmdaten auch 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“ 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 historischen Alarmdaten 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 Diagram“ (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.

Partner: Technische Universität München – Lehrstuhl für Automatisierung und Informationssysteme (Prof Dr. Birgit Vogel-Heuser)
Laufzeit: November 2021 bis März 2026
Förderung: DFG – Deutsche Forschungsgemeinschaft