传感器和执行器的完整性对于工业过程的安全和盈利运营至关重要。然而，由于缺乏对这些传感器和致动器的健康的可见性，因此难以确保其完整性。故意动作（例如，篡改，数据操纵，数据注入，传感器更换）和意外事件（例如，校准错误，传感器漂移）会影响完整性中国机械网okmao.com。
最小的传感器变化都会对生产率，废品和废品产生涟漪影响。传感器的完整性会影响面向消费者的问题，例如安全性，客户满意度和更高的保修成本。尼尔森（Nielsen）对高级技术服务进行了一项调查，发现劣质校准的平均成本每年使制造商损失1,734,000美元。收入超过10亿美元的大型公司每年的成本平均增加了4,000,000美元。
ARC Advisory Group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[1]。错误配置或不一致的传感器配置是造成此计划外停机的重要原因。一个极端的例子是2005年3月23日在得克萨斯州得克萨斯市的BP德州城炼油厂发生的爆炸，炸死15名工人，再炸伤180多人。主要的影响因素之一是ISOM过程单元中的警报和液位传感器不起作用[2]。事件中的财务损失总计为15亿美元。[3]
传感器完整性挑战
既然传感器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？主要挑战如下。
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，例如加密，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（例如，模拟，RS232，RS485，以太网，总线）和网络协议（例如，4/20 Ma，MODBUS，HART，基金会现场总线）使其具有一种可与之兼容的技术具有挑战性广泛的网络。
加工区成本高昂
另一个因素是在过程区域中安装其他硬件的高昂成本。在安装附加硬件时，不仅存在潜在的生产损失，而且在石油和天然气等领域，这些设备还必须非常安全，从而大大增加了成本。
传感器数量不断增加
到2020年，将有80％的工业制造公司采用IIoT技术。[4] IIoT的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IIoT数量。
缺乏可见性
将数据数字化到TCP / IP领域后，在保护工业世界方面已取得了巨大进步。但是，在传感器和PLC级别识别完整性威胁方面几乎没有成功。ANSI / ISA-95参考模型可以最好地解释这个概念。ISA-95定义了过程工业中的各个级别以及在这些级别中执行的相关功能。级别的定义如下[5]：
0级
此级别是数据创建开始的地方，它代表实际的生产过程。
1级
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。
2级
定义监视和控制物理过程的活动，例如监督控制和数据采集（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）。
3级
定义工作流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），工厂历史学家
4级
定义管理制造操作所需的与业务相关的活动，例如企业资源计划（ERP）。
当数据通过ISA-95 2级进入ISA-95 3级时，大多数系统开始工作（例如，可编程逻辑控制器（PLC）将模拟信号数字化并将读数值放入以太网）。但是，它们无法在级别2（例如PLC，控制器，RTU）或级别1（例如传感器和执行器）上检测到泄露的数据。缺乏对1级和2级的可见性是对纳坦兹核设施进行Stuxnet网络攻击的成功原因。
提供可行的信息
最后，为了确保完整性，必须使检测可行。简单地在日志文件中记录将不起作用。为了轻松解释检测结果，解决方案应将这些检测结果与现有的工业系统（例如控制系统，网络安全中心和资产管理系统）相连接。
使用AI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，从而提高传感器的完整性。一家名为iXDen的公司就是一个很好的例子，说明工业用户如何应用AI和ML。它使用获得专利的“生物特征”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。t模拟个体行为（例如，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（例如，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和以检测软件更改（例如，潜在的篡改）。然后，iXDen会针对运行模式的变化（例如，周末的系统行为可能有所不同）和自然漂移（例如，机油温度随着污垢的增加而升高）调整模型。创建模型后，IXDen会询问当前条件。比较当前条件与模型的匹配程度，可以确定系统的运行状况-匹配越接近，系统的运行状况就越好。为了表达建模和观察到的匹配，iXDen计算了健康等级。健康等级越高–受监视的工业系统越健康，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，因此可以理解，当阀门关闭且排气压力没有下降时，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。
使用AI和ML有何不同？
多因素方法
使用AI的一个关键优势是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，而不会考虑传感器读数。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。在传感器级别应用AI和ML可以识别在ISA95堆栈上运行更高的其他系统可能会忽略的完整性风险。
全谱
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。它也可以使用任何协议，而不是实施各种细分解决方案（例如，一个用于MODBUS，一个用于4 / 20ma的解决方案），在任何网络上的任何设备上工作。
可行的
IXDen等系统采用AI模型结果，以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。
即时的
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？
相信
最突出的价值是工业设施可以信任他们的数据。对于数据充斥着错误的决策者而言，数据毫无价值。这些错误可能导致错误的决策结果。[6] 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，可靠的数据进行决策。
成本
使用AI可以降低成本，因为它不需要额外的硬件，也不需要传感器上的任何软件。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，由于它是全频谱解决方案，因此无需实施多种解决方案–降低了实施成本和持续的支持成本。
更高的可靠性
AI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。
反应主动
AI可以尽早发现完整性问题，同时仍然有时间来纠正问题。没有这种检测能力，操作将始终是反应性的，从而更多地以“运行失败”的方式对中断和故障做出响应。
基于状态的维护：捷径
然而，也许最直接的好处之一就是AI如何将组织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（例如，预防性维护）进行维护。
预防性维护的问题在于难以确定正确的维护/校准频率。选择一个太频繁的间隔；然后，执行不必要的维护和校准。消除不必要的维护可以通过减少人工（减少维护），消除第三方校准服务以及减少由于维护活动（例如，使生产脱机）而导致的生产损失来显着降低成本。
选择一个不足够频繁的时间间隔还会导致损失，例如生产不合规格的产品，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，涉及反复试验。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模型将理解，当泵RPM增加时，排气压力增加是正常的。但是，也将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。正确调整的AI模型甚至可以理解何时环境因素（例如，温度，压力）导致“正常”传感器漂移，而漂移与其他因素不相关（即可能需要重新校准）。
转向基于条件的策略可以节省多少费用？储蓄将高度取决于具体情况；但是，检查工单可以计算出这些节省额。查找所有与传感器相关的工作订单，并以“未发现问题”将其关闭，或者进行很少或没有进行任何重新校准的地方。资产的状况不保证执行这些活动，因此不需要这些工作订单。通过查看人工成本，零件成本和生产损失来计算这些工单的成本。
该计算出的成本是可以通过不执行不必要的维护而实现的节省。另外，检查工单是否进行了重大的重新校准。计算未正确校准资产的成本。例如，如果油气流量计的读数太低了5％，则生产报告不足，很可能导致收入损失。适当的AI可以根据资产的实际状况确定何时需要维护/校准，并减少与不经常执行维护相关的损失，同时减少不必要的维护。
查看问题的另一种方法是使用成本表。下图显示了与传感器维护相关的成本以及与这些维护活动相关的相关损失的曲线。在Y轴上是相对于最佳解决方案的成本。15％的成本将比最佳解决方案高出15％。X轴是设备的平均可靠性。通常，可靠性是通过传感器超出校准范围的程度来衡量的，但是还包括其他因素，例如无法操作。红色“ X”右边的曲线表示与执行过于频繁的维护相关的成本–进行的维护/重新校准越不必要，成本就越大。红色“ X”左边的曲线 显示了太少维护所带来的成本–资产超出规格范围越大，损失越大。红色的“ X”是最佳维护频率，并且AI模型可以确定该点，而无需常规方法的反复试验。
维护和校准成本曲线
校准/维护成本曲线。
结论
传感器和执行器的完整性对于安全高效的工业运营至关重要。在传感器级别使用AI和ML提供了一种经济高效的解决方案，可在各种传感器，网络和协议范围内显着提高传感器的完整性。由于AI模型在传感器级别运行，因此它可以从源头识别有意和无意的威胁-所有这些都无需在过程区域中使用专门的硬件。完整性的提高可提高生产率，增加利润并提高安全性-所有这些都有助于实现安全且有利可图的工业运营。
文章来源：
[1]“ PAS释放传感器数据完整性”，《自动化世界》，2021年2月5日，从Automationworld.com于2021年2月10日访问。
[2] Tom Price 2005，“出了什么问题：炼油厂灾难”，《大众力学》，2005年9月14日，2021年1月5日从Popularmechanics.com访问
[3] Jennufer Busick，2017年，“灾难的代价：是否存在化学安全的商业案例？”，EHS每日顾问，2017年5月15日，从ehsdailyadvisor.blr.com访问2021年1月5日。
[4] Gilad David Maayan 2020，“ 2020年的IoT崩溃：统计，风险和解决方案”，《今日安全》，2020年1月13日，从securitytoday.com访问2021年1月4日。
[5]“ ISA 95框架和层”，www.plm.automation.seimens.com，于2021年1月12日访问
[6] Hui Yie Teh，Andreas Kempa-Liehr，Kevin Wang，“传感器数据质量：系统综述”，大数据杂志，2020年2月11日，于2021年1月8日访问journalofbigdata.springeropen.com。