AI和ML如何提升传感器数据的完整性？
? ? ? ?传感器和执行器的完整性对于工业过程安全和运营至关重要。然而，由于缺乏对这些传感器和执行器健康状况的了解，确保它们的完整性具有一定的挑战。
一些故意的行为（例如，篡改、数据操纵、数据注入、传感器更换）和意外的事件（例如，计算错误、传感器漂移）都会影响到数据的完整性。
最微小的传感器变化都会对生产率和废品率产生连锁反应。传感器数据的完整性还会影响到面向消费者的问题，例如安全性、客户满意度和更高的保修成本等。
尼尔森（Nielsen）一项针对先进技术服务的调查显示，劣质校准的平均成本每年使制造商损失173.4万美元。收入超过10亿美元的大型公司每年的成本平均因此增加了400万美元。?
ARC咨询集团在2017年的一项研究估计，由于计划外的停机时间，流程行业每年的损失高达1万亿美元。
错误配置或不一致的传感器配置是造成此计划外停机的一个重要原因。一个极端的例子是2005年3月23日BP德州城炼油厂发生的爆炸，事故导致15名工人死亡，180多人受伤。
导致事故发生的主要影响因素之一是ISOM装置中的警报和液位传感器不起作用。事件中的财务损失总计为15亿美元。
? ? ? ?
传感器数据的完整性挑战
既然传感器数据的完整性对工业界至关重要，那么为什么要确保完整性就这么具有挑战性呢？主要原因如下：
· 基础设施有限
大多数传感器的计算能力和存储（如果有的话）都极为有限。由于缺乏基础设施，工业设施无法在传感器级别实施标准技术，如加密、数字证书和嵌入式数字资产管理工具。
· 传感器网络复杂度
种类繁多的物理网络（如模拟、RS232、RS485、以太网、总线等）和网络协议（如4/20 Ma、MODBUS、HART、FF等），使得拥有一种能够与如此广泛的网络一起工作的技术具有挑战性。
· 过程行业成本高昂
另一个因素是在工艺领域安装额外硬件的成本很高。在安装额外的硬件时，不仅有潜在的生产损失，尤其是在像石油和天然气这样的过程领域，这些设备必须具有很高的安全性，这大大增加了它们的成本。
· 传感器数量不断增加
到2020年，预计已有80％的工业制造公司采用了IIoT技术。IIoT的广泛采用导致传感器数量呈指数增长，这使得传统方法很难扩展到这些新增的IIoT设备。
· 缺乏可见性
经过数字化的信息进入到TCP / IP领域后，对工业世界的安全方面已取得了巨大进步。但是，在传感器和PLC层级识别完整性威胁方面还没有什么突破。
ANSI / ISA-95参考模型可以最好地解释这个概念。ISA-95定义了流程工业中的各个层级以及执行的相关功能：
第0层：这一层级是数据创建的开始，代表了实际的生产过程。
第1层：定义与感测和操纵诸如传感器、执行器、I/O设备之类的物理过程有关的活动。
第2层：定义监视和控制物理过程的活动，例如数据采集与监控系统（SCADA）、人机界面（HMI）、分布式控制系统（DCS）、可编程逻辑控制器（PLC）、远程终端单元（RTU）。
第3层：定义工作流程的活动以生产所需的最终产品，例如工作管理系统（WMS）、实验室信息管理系统（LIMS）、工厂历史数据库等。
第4层：定义管理制造业务所需的相关活动，例如企业资源计划系统（ERP）。
当数据通过第2层进入第3层时，大多数系统开始工作（例如，PLC将模拟信号数字化，并将读取值放到以太网上）。然而，它们无法检测到第2层（如PLC、控制器、RTU）或第1层（如传感器和执行器）的受损数据。缺乏对第1层和第2层数据的可见性也是Stuxnet病毒对伊朗纳坦兹核设施网络攻击成功的原因之一。
· 提供可操作的信息
最后，为了确保完整性，必须使检测结果具有可操作性。仅仅记录在日志文件中是行不通的。为了便于解释检测结果，解决方案应将这些检测结果与现有的工业系统（如控制系统、网络安全中心和资产管理系统等）相连接。
? ? ? ?
在传感器层级使用AL和ML
使用人工智能（AI）和机器学习（ML）可以帮助克服那些挑战，从而提高传感器数据的完整性。一家名为iXDen的公司就提供了一个很好的例子，说明工业用户如何应用AI和ML。它使用了获得专利的"生物识别"多因素行为技术来识别传感器完整性威胁。
第一步是为传感器和执行器的集合建立"正常"行为的模型（如温度永远不会超过100摄氏度）。该模型还考虑了系统元件之间的相互作用和相互依赖性（如当阀门关闭时，排气压力会降低）。
除了传感器读数外，该模型还检查其他系统元素和参数，例如对软件进行校验，以检测软件更改（如潜在的篡改）。然后，iXDen会针对运行模式的变化（如周末的系统行为可能有所不同）和自然漂移（如机油温度随着污垢的增加而升高）调整模型。
创建模型后，iXDen会对当前条件进行询问。比较当前条件与模型的匹配程度决定了系统的健康状况--匹配程度越接近，系统越健康。为了表示建模和观察到的匹配度，iXDen计算了一个健康等级。健康等级越高，表明被检测的工业系统越健康、越可靠。
该解决方案具有强大的检测率和较低的误报率，因为它可以根据上下文检查行为。由于它已对所有传感器及其相关行为进行了建模，因此它理解当阀门关闭时，排放压力没有下降，这不是 "正常 "行为。孤立地检查传感器读数无法检测到此类故障。使用AI和ML分析完整的环境提供了解决方案的"多因素"组件。
人工智能技术有何不同？
多因素方法：使用AI的关键优势在于其采用多因素方法的能力。AI模型会考虑许多因素及其相互依赖性，而不只是传感器读数。这种多因素方法在上下文中查看传感器，从而导致更高的检测率和更低的有害警报率。
大多数解决方案仅关注一个方面，例如传感器值，这意味着它们无法检测到更复杂的完整性问题。在传感器层级应用AI和ML可以识别在ISA95堆栈上更高层级运行的其他系统可能会遗漏的完整性风险。
全方位：另一个主要区别是，AI可以提供对各种威胁的检测。该方法适用于有意和无意行为。它还适用于任何设备，在任何网络上，使用任何协议，而不是实施各种细分的解决方案（例如，一个用于MODBUS，一个用于4/20 ma）。
可操作性：通过将 AI模型的结果以一种易于理解的健康等级来表达系统的健康状况。系统行为越"正常"，等级越高。此健康等级允许快速吸收信息，以快速评估工业系统的健康状况。健康等级可轻松集成到SCADA / DCS、资产管理系统和网络安全系统中。?
实时性：与许多其他使用历史数据或"静态数据"的系统不同，AI模型使用实时查询来评估当前状况。用户可以配置询问频率以反映资源的重要性--资产越重要，询问就越频繁。
? ? ? ?
AI和ML如何产生价值？
提升可信度：最突出的价值是工业设施可以信任他们的数据。对于决策者来说，使用充满错误的数据是毫无价值的。这些错误可能会导致错误的决策结果。估计有40％的工业传感器存在数据完整性问题。借助AI，人们可以检测到这些问题并加以解决，从而可以使用有用的、可靠的数据进行决策。
更低的成本：使用AI可以降低成本，因为它不需要额外的硬件，也不需要在传感器上安装任何软件。数据查询可以是基于代理的解决方案（在传感器或控制器上放置小型代理），也可以是无代理的解决方案（使用诸如OPC之类的协议进行查询）以匹配各种工业情况。而且，由于它是一个全方位的解决方案，因此无需实施多种解决方案，这降低了实施成本和持续的支持成本。
更高的可靠性：通过AI和ML，可以在故障的早期阶段识别"异常"行为。这种方法大大减少了计划外的停机。?
变被动为主动：在还有时间纠正问题时，AI有助于及早发现完整性问题。如果没有这种检测能力，运营总是被动的，更多的是以 "运行失败 "的方式来应对中断和故障。
基于状态的维护
采用AI最直接的好处之一，就是将企业转移到基于状态的传感器维护和校准策略中。基于状态的维护是降低成本，提高可靠性和提高可用性的最快方法之一。基于状态的维护是指根据资产的实际状态而不是使用一定的间隔进行维护（如预防性维护）。?
预防性维护的问题在于难以确定正确的维护/校准频率。如果选择一个过于频繁的时间间隔；那么就意味着进行不必要的维护和校准。如果选择一个不足够频繁的时间间隔，还可能会导致损失，例如生产超出规格的产品，收入损失（例如，石油和天然气流量计），由于可靠性问题而导致的生产损失以及增加安全/环境风险。
? ? ? ?
从历史上看，确定正确的频率是一个非常"手动"的过程，需要反复试验。AI可以通过识别"异常"偏差，同时了解变化何时是"正常"来消除选择适当维护频率的成本和复杂性。
例如，AI模型能理解，当泵RPM增加时，排气压力增加是正常的；也能意识到排气压力不随转速增加而升高是异常的，并会标记该事件。一个经过适当调整的AI模型甚至可以理解什么时候环境因素（如温度、压力）会导致 "正常 "的传感器漂移，什么时候漂移与其他因素无关（即可能需要重新校准）。
转向基于状态的策略可以节省多少费用？这将取决于具体情况。检查工单有助于计算出这些费用。计算出的成本是指通过不进行不必要的维护所能实现的节约。同时，检查工单是否有重大的重新校准，并计算资产没有被正确校准的成本。
一个正确的AI模型可以根据资产的实际状况来识别何时需要维护/校准，在减少不需要的维护的同时，也减少了因维护频率不够而带来的损失。
查看问题的另一种方法是使用成本图。下图显示了与传感器维护相关的成本和与这些维护活动相关的损失的曲线。在Y轴上是相对于最佳解决方案的成本。15%就代表比最优解多出15%的成本。X轴是设备的平均可靠性。一般来说，可靠性是通过传感器超出校准范围的程度来衡量的，但也包括其他因素，如无法使用。
? ? ? ?
红色 "X "右边的曲线显示了与执行维护过于频繁相关的成本--执行的不需要的维护/重新校准越多，成本就越大。"X "左边的曲线显示了与维护过于不频繁相关的成本--资产超出规格越多，损失越大。红色的 "X "是最佳的维护频率，AI模型可以确定这个点，而不需要传统方法的反复试验。
传感器和执行器的完整性对于安全和高效的工业运营至关重要。在传感器层级使用AI和ML提供了一种具有成本效益的解决方案，可在各种网络和协议范围内显着提高传感器的完整性。
在传感器层级上运行AI模型，可以从源头上识别有意和无意的威胁，而且所有这些都不需要拥有专门的硬件。提高完整性有助于提升生产效率和利润率，并提高安全性，所有这些都有助于企业实现安全和盈利的工业运营。
? ? ? ?
