CN101517505B - 探测氢化裂解器中的异常操作的方法和系统 - Google Patents
探测氢化裂解器中的异常操作的方法和系统 Download PDFInfo
- Publication number
- CN101517505B CN101517505B CN2007800361154A CN200780036115A CN101517505B CN 101517505 B CN101517505 B CN 101517505B CN 2007800361154 A CN2007800361154 A CN 2007800361154A CN 200780036115 A CN200780036115 A CN 200780036115A CN 101517505 B CN101517505 B CN 101517505B
- Authority
- CN
- China
- Prior art keywords
- hydrocracker
- difference variable
- value
- model
- difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
一种探测氢化裂解器中的异常操作的方法与系统包括用于对氢化裂解器进行建模的模型。该模型可配置为包括与氢化裂解器的部分的不同操作区域相对应的一个以上回归模型。该系统和方法还可以确定所监控的温度差变量是否明显偏离该模型所预测的温度差变量。如果存在明显偏离,则这可以指示异常操作。
Description
相关申请的交叉引用
本申请要求于2006年9月28日递交的题为“ABNORMAL SITUATIONPREVENTION IN A HYDROCRACKER(氢化裂解器中的异常情况预防)”的美国临时申请No.60/847,785的优先权。以上述及的临时专利申请通过引用整体合并于此。
技术领域
本发明总体涉及过程控制系统,更具体地涉及用于对氢化裂解器进行监控和/或建模的系统。
背景技术
过程控制系统,例如那些在化学、石油、或其它过程中所使用的分布式或可升级的过程控制系统,通常包括一个以上通过模拟、数字或模拟/数字相结合的总线以可通信方式彼此相连并连接至至少一个主机或操作员工作站和一个以上现场设备的过程控制器。现场设备可以是例如阀、阀定位器、开关、变送器(例如温度传感器、压力传感器和流速传感器),它们在过程中施行诸如打开或关闭阀和测量过程参数之类的功能。过程控制器接收表示由现场现设备作出的过程测量的信号和/或与现场设备有关的其它信息,使用这些信息实施控制例程,而后生成控制信号,这些控制信号通过总线被发送到现场设备以控制过程的操作。来自现场设备和控制器的信息通常对于由操作员工作站执行的一个以上应用程序可用,以使操作员能够施行关于过程的任何期望的功能,例如查看过程的当前状态、修改过程的操作等。
过去,传统的现场设备用于通过模拟总线或模拟线路向过程控制器发送和从过程控制器接收模拟(例如4-20毫安)信号。这些4-20毫安的信号所固有的局限性在于,它们表示由设备作出的测量和/或由控制器生成的对设备的操作进行控制所需的控制信号。然而,在过去的大约十年里,包括微处理器和存储器的智能现场设备已经在过程控制行业流行起来。除了在过程内施行基本功能之外,智能现场设备还存储与设备有关的数据,以数字或数字和模拟相结合的格式与控制器和/或其它设备通信,并施行诸如自校准、识别、诊断等的次要任务。为了使不同制造商制造的智能现场设备能够在同一过程控制网络内一起使用,已开发出若干种标准和开放的智能设备通信协议,例如 Device以及CAN协议。此外,由Fieldbus Foundation发布的全数字两线总线协议,即FOUNDATIONTM Fieldbus(以下称作“Fieldbus”)协议,使用位于不同现场设备中的功能块来施行先前在集中式控制器中施行的控制操作。在这种情况下,Fieldbus现场设备能够存储并执行一个以上功能块,每个功能块从其它功能块(位于同一设备或不同设备内)接收输入和/或向其它功能块提供输出,并施行某些过程控制操作,例如测量或探测过程参数、控制设备或施行控制操作,像实现比例-积分-微分(PID)控制例程。过程控制系统内的不同功能块被配置为彼此通信(例如通过总线)以形成一个以上过程控制环路,从而使遍及过程的独立操作被分散。
来自现场设备和过程控制器的信息通常对于诸如操作员工作站、维护工作站、个人计算机、手持设备、历史数据库、报告生成器、集中式数据库等的一个以上其它硬件设备可用,从而使操作员或维护人员能够施行针对过程的期望的功能,例如改变过程控制例程的设置、修改过程控制器或智能现场设备中控制模块的操作、查看过程的当前状态或加工厂中的特定设备的当前状态、查看由现场设备和过程控制器生成的警报、为了训练人员或测试过程控制软件而模拟过程的操作、诊断加工厂中的问题或硬件故障等。
尽管典型的加工厂有很多诸如阀、变送器、传感器等的连接至一个以上过程控制器的过程控制和仪表设备,但是还有很多对过程操作来说也是必需的或与过程操作有关的其它支持设备。这些附加设备包括例如位于典型工厂中的诸多位置的供电装置、发电和配电装置、诸如涡轮机、发动机等的旋转装置。尽管该附加装置不一定会创建或使用过程变量,并且在很多情况下不会为了影响过程操作而被控制或甚至被连接至过程控制器,但是该装置对于过程的正确操作来说很重要,并且基本上是过程的正确操作所必需的。
已知的是,在加工厂环境中,尤其是在具有大量现场设备和支持装置的加工厂中,经常会有问题出现。这些问题可能是坏了的或故障的设备,诸如软件例程之类的逻辑元件驻留在不正确的模式,过程控制环路被不正确地调谐,加工厂中的设备之间的通信失败一次以上,等等。这些和其它问题实际上很多,通常会导致过程在异常状态下操作(即加工厂处于异常情况),这经常与加工厂的次最佳性能相关联。已经开发了很多诊断工具和应用程序来探测并确定加工厂中问题的产生原因,并且一旦问题已产生并被探测到,就协助操作员或维护人员诊断并纠正该问题。例如,操作员工作站通常通过诸如直接或无线总线、以太网、调制解调器、电话线等的通信连接连接到过程控制器,操作员工作站具有适于运行诸如由爱默生过程管理公司出售的DeltaVTM和Ovation控制系统之类的、包括若干控制模块和控制环路诊断工具的软件或固件的处理器和存储器。同样,维护工作站可以通过与控制器应用程序相同的通信连接,或通过诸如用于过程控制(OPC)连接、手持连接等的对象链接和嵌入(OLE)之类的不同的通信连接,连接到诸如现场设备之类的过程控制设备,维护工作站通常包括被设计为查看由加工厂中的现场设备生成的维护警报和警告、对加工厂中的设备进行测试并对现场设备和加工厂中的其它设备施行维护活动的一个以上应用程序。类似的诊断应用程序已被开发出,以诊断加工厂中支持装置的问题。
因此,例如,由爱默生过程管理公司出售的AMSTM Suite:智能设备管理器应用程序(在名称为“Integrated Communication Network far use in a FieldDevice Management System(用于现场设备管理系统的集成通信网络)”的美国专利5,960,214中至少部分地公开)能够与现场设备进行通信,并存储与现场设备有关的数据,以确定并跟踪现场设备的操作状态。在某些情况下,AMSTM应用程序可以用来与现场设备进行通信,以改变现场设备中的参数、使现场设备本身运行诸如自校准例程或自诊断例程之类的应用程序、获取关于现场设备的状态或健壮性等的信息。这些信息可以包括例如状态信息(例如是否发生了警报或其它类似的事件)、设备配置信息(例如现场设备当前或可能被配置的方式以及现场设备所使用的测量单元的类型)、设备参数(例如现场设备范围值和其它参数)等。当然,这些信息可以由维护人员使用来监控、维护和/或诊断现场设备的问题。
类似地,大多数加工厂都包括诸如CSI系统所提供的Machinery应用程序之类的装置监控和诊断应用程序,或用于监控、诊断和优化各种旋转装置的操作状态的任意其它已知应用程序。维护人员经常使用这些应用程序来维护或检查工厂中旋转装置的性能,以确定旋转装置的问题,并确定是否必须修理或更换旋转装置以及必须修理或更换旋转装置的时间。类似地,很多加工厂包括例如由Liebert和ASCO公司提供的电力控制和诊断应用程序,以控制并维护发电和配电装置。同时已知的是,在加工厂中运行诸如实时优化器(RTO+)之类的控制优化应用程序,以优化加工厂的控制活动。这种优化应用程序通常使用复杂的算法和/或加工厂的模型,来预测如何改变输入,以针对某些期望的优化变量,例如利润,来优化加工厂的操作。
这些和其它诊断和优化应用程序通常以全系统为基础在一个以上操作员或维护工作站中实现,并且可以给操作员或维护人员提供关于加工厂或加工厂中的现场设备和装置的操作状态的预配置显示。典型的显示包括接收过程控制器或加工厂中的其它设备所生成的警报的警报显示、指示过程控制器和加工厂中的其它设备的操作状态的控制显示、指示加工厂中的设备的操作状态的维护显示等等。同样地,这些和其它诊断应用程序可以使操作员或维护人员能够重新调谐控制环路或重新设置其它控制参数,以运行对一个以上现场设备的测试,从而确定那些现场设备的当前状态,或校准现场设备或其它装置,或对加工厂内的设备和装置施行其它的问题探测和纠正活动。
尽管这些多种应用程序和工具有助于加工厂中的问题识别和纠正,但是这些诊断应用程序通常被配置为仅在加工厂中已经发生问题之后使用,因此这些诊断应用程序仅在加工厂中已经存在异常情况之后使用。不幸的是,在使用这些工具来探测、识别和纠正异常情况之前,异常情况可能已经存在一段时间,这导致在问题被探测、识别和校正期间的时间段,加工厂的性能为次最佳。在很多情况下,控制操作员首先基于警报、警告或加工厂的不良性能而探测出存在某种问题。然后操作员会通知潜在问题的维护人员。维护人员可能探测出实际问题,也可能探测不出实际问题,并且可能在实际运行测试或其它诊断应用程序之前需要进一步的提示,或施行识别实际问题所需的其它活动。一旦问题被识别出,维护人员就可能需要定购零件并调度维护程序,所有这些都会导致问题发生与该问题的纠正之间有很长的时间段,在该时间段内,加工厂可能运行在通常与工厂的次最佳操作相关联的异常情况下。
另外,很多加工厂可能会经历在相对较短的时间量内导致工厂中的巨大代价或损坏的异常情况。例如,如果某些异常情况存在,即使存在极短的时间量,这些异常情况也会引起对装置的巨大损坏、原材料的损耗或重大的不期望的停工。因此,仅仅在问题已经发生后探测工厂中的问题,则不管该问题被纠正得多快,都会在加工厂中导致巨大的损耗或损坏。因此,期望在第一时间设法预防异常情况的出现,而不是仅仅在异常情况出现后设法作出反应并纠正加工厂中的问题。
可用于采集数据的一种技术使用户能够在加工厂中的某些异常情况实际出现前预测这些异常情况的发生,目的在于,在加工厂中发生任何重大损失之前采取措施来阻止已预测到的异常情况。该流程在名称为“Root CauseDiagnostics(根本原因诊断)”的美国专利申请No.09/972,078,现为美国专利No.7,085,610(部分地基于美国专利申请No.08/623,569,现为美国专利No.6,017,143)中被公开。由此通过引用将这两个申请的全部公开内容合并于此。一般而言,该技术在加工厂中的多个设备,例如现场设备,的每一个设备中布置统计数据采集和处理块或统计处理监控(SPM)块。该统计数据采集和处理块采集例如过程变量数据,并确定与所采集的数据相关联的某些统计测量,例如平均值、中值、标准差等。然后这些统计测量被发送给用户并被分析,以辨别表示已知的异常情况将在未来发生的模式。一旦探测到特定的怀疑在未来可能发生的异常情况,则采取措施以纠正该潜在的问题,从而在第一时间避免异常情况。
已经开发出用于监控和探测加工厂中的问题的其它技术。这种技术之一称作统计过程控制(SPC)。SPC已被用于监控与过程相关联的诸如品质变量之类的变量,并当品质变量从其“统计的”标准偏离时,标记操作符。使用SPC,可以使用诸如关键品质变量之类的变量的小样本来生成小样本的统计数据。然后,将小样本的统计数据与对应于该变量的较大样本的统计数据进行比较。该变量可以由实验室或分析器生成,或从历史数据库获取。当小样本的均值或标准差偏离大样本的均值或标准差某一预定量时,生成SPC警报。SPC的目的在于避免基于小样本的正常统计偏差进行过程调节。小样本的均值或标准差的图表可以在与控制操纵台分离的操纵台上显示给操作员。
另一技术对多个变量进行分析,该技术被称为多变量统计过程控制(MSPC)。该技术使用诸如主成分分析(PCA)和部分最小二乘(PLS)之类的对历史数据进行分析的算法来创建过程的统计模型。具体来说,分析与正常操作对应的变量的样本和与异常操作对应的变量的样本来生成模型,以确定何时应当生成警报。一旦定义了模型,就可以将与当前过程对应的变量提供给模型,如果该变量指示异常操作,则该模型可以生成警报。
基于模型的性能监控系统的技术使用诸如基于相关的模型或第一原理模型之类的将过程输入与过程输出关联起来的模型。该模型可以通过调整内部的调谐常量和偏差项而被校准为实际的工厂操作。该模型可以用于预测过程何时移到异常区域并警告操作员采取行动。在实际行为与预测行为存在明显偏离时或在计算的效率参数上存在很大变化时,可以生成警报。基于模型的性能监控系统通常覆盖小到单个单元操作(如,泵、压缩机、加热器、柱等)或构成过程单元(如常减压装置、流体催化裂化单元(FCCU)、重整器等)的操作的组合。
还有一种技术使用可配置为包括与不同操作区域相对应的多个回归模型的模型。该流程在2006年7月25日提交的题为“Method and System forDetecting Abnormal Operation in a Process Plant(用于探测加工厂中的异常操作的方法和系统)”的美国专利申请No.11/492,467中被公开。由此将该申请的全部公开内容通过引用合并于此。一般来说,该技术生成模型,并通过确定实际操作是否偏离该模型所预测的操作来使用模型。如果偏离明显,则可以指示异常操作。如果操作移至不同的操作区域,则针对该区域建立新的回归模型,并将模型更新为包括新的操作区域。该技术的进一步发展已经包括用于水平调整控制环路的模型,以生成与容器中材料水平的调整控制相关联的信号的预测,该模型使用通过对测量的过程变量进行处理而生成的平均信号或其它统计信号,如2006年7月25日提交的题为“Method and Systemfor Detecting Abnormal Operation of a Level Regulatory Control Loop(用于探测水平调整控制环路的异常操作的方法和系统)”的美国专利申请No.11/492,577中所公开的;并且分析该信号以确定其是否明显地偏离期望值,如2006年7月25日提交的题为“Methods and Systems for DetectingDeviation of a Process Variable from Expected Values(用于探测过程变量与期望值的偏离的方法和系统)”的美国专利申请No.11/492,347,以及2006年7月25日提交的题为“Methods and Systems for Detecting Deviation of aProcess Variable from Expected Values(用于探测过程变量与期望值的偏离的方法和系统)”的美国专利申请No.11/492,460中所公开的。由此通过引用将这些申请的全部公开内容合并于此。
虽然上述技术可以应用于多种加工工业,但异常情况预防特别适用的工业之一是精加工。更具体地,异常情况预防特别适用于精加工工业中的氢化裂解器。通常,精加工中的氢化裂解器单元使用氢将重碳氢化合物裂化为轻碳氢化合物。例如,通过打断碳-碳键将复杂有机分子(如,重碳氢化合物)分解为简单分子(如,轻碳氢化合物)。裂化率和最终产物取决于温度。与氢化裂解器相关联的一个具体问题是,在氢化裂解器的反应器中可能发生的温度失控。
发明内容
公开了可以便于探测与氢化裂解器相关联的异常操作的示例方法和系统。一般来说,用于对氢化裂解器的至少一部分进行建模的模型可以配置为包括与氢化裂解器的多个不同操作区域相对应的多个回归模型。该模型可以例如通过确定氢化裂解器的实际操作是否明显偏离由该模型所预测的操作而被利用。如果存在明显偏离,则这可以指示异常操作。
在一实施例中公开了一种探测氢化裂解器的异常操作的方法。该方法包括:采集所述氢化裂解器处于一操作区域时所述氢化裂解器的第一数据集,并使用所述第一数据集生成所述氢化裂解器在所述操作区域中的回归模型。所述第一数据集可以根据所述操作区域中的、所述氢化裂解器的反应器中第一截面与第二截面之间的温度差变量生成。所述第一数据集可以进一步根据所述氢化裂解器在所述操作区域中的负荷变量生成。所述回归模型可以用于生成作为根据所述负荷变量生成的第二数据的函数的、根据所述温度差变量生成的第一数据的预测。然后,该方法确定根据所述温度差变量生成的相应信号是否偏离根据所述温度差变量生成的第一数据的预测,以探测所述氢化裂解器内的异常情况。
在另一实施例中公开了一种探测氢化裂解器的异常操作的方法。该方法可以包括:采集所述氢化裂解器处于一操作区域时所述氢化裂解器的多个第一数据集,并使用所述多个第一数据集针对每个温度差变量生成所述氢化裂解器在所述操作区域中的回归模型。所述多个第一数据集中的每一个可以根据所述操作区域中的、所述氢化裂解器的反应器中的截面之间的相应温度差变量,以及根据所述氢化裂解器在所述操作区域中的负荷变量而生成。所述回归模型可以被用于生成作为根据所述负荷变量生成的第二数据的函数的、根据所述温度差变量中的每一个生成的第一数据的预测。然后,该方法确定根据所述温度差变量中的至少一个生成的相应信号是否偏离根据相应的温度差变量生成的第一数据的预测,以探测所述氢化裂解器内的异常情况。
在进一步的实施例中公开了一种便于探测氢化裂解器的异常操作的方法。该方法可以包括:采集所述氢化裂解器处于第一操作区域时的第一数据集,以及采集所述氢化裂解器处于第二操作区域时的第二数据集。所述第一和第二数据集可以根据所述氢化裂解器的反应器中第一和第二截面之间的温度差变量生成,并可以进一步根据所述氢化裂解器的负荷变量生成。所述第一操作区域中的过程的第一回归模型可以使用所述第一数据集生成,而所述氢化裂解器的第二回归模型可以在第二操作区域中使用所述第二数据集生成。该方法可以确定所述第一回归模型有效的第一范围以及所述第二回归模型有效的第二范围。所述氢化裂解器的模型可以被生成为包括所述第一回归模型,并被修正为同时包括所述第二范围的第二回归模型和所述第一范围的所述第一回归模型。
在又一个实施例中公开了一种探测加工厂中氢化裂解器中的异常操作的系统。该系统可以包括加工厂中氢化裂解器的可配置模型。所述可配置模型可以包括与所述氢化裂解器的第一操作区域相对应的第一范围中的第一回归模型。所述可配置模型接下来可以被配置为,包括与所述第一操作区域不同的第二操作区域相对应的第二范围中的第二回归模型。所述可配置模型可以生成作为负荷变量值的函数的温度差变量值的预测。所述温度差变量值可以根据所述氢化裂解器的反应器中第一和第二截面之间的温度差生成。该系统可以进一步包括连接至所述可配置模型的偏离探测器。所述偏离探测器可以通过将所述温度差变量值与预测的温度差变量值之间的差与一阈值进行比较,来确定所述温度差变量值是否不同于所述预测的温度差变量值。
在又一进一步的实施例中公开了一种探测加工厂中氢化裂解器中的异常操作的系统。该系统包括加工厂中氢化裂解器的可配置模型。所述可配置模型可以包括与所述氢化裂解器的操作区域相对应的范围中的回归模型。所述可配置模型可以生成作为负荷变量值的函数的温度差变量值的预测。所述温度差变量值可以根据所述氢化裂解器的反应器中第一和第二截面之间的温度差生成。该系统可以进一步包括连接至所述可配置模型的偏离探测器。所述偏离探测器可以通过将所述温度差变量值与预测的温度差变量值之间的差与一阈值进行比较,来确定所述温度差变量值是否不同于所述预测的温度差变量值。该系统可以还可以包括综合应用程序,用于响应于将所述温度差变量值与预测的温度差变量值之间的差与一阈值进行的比较,而创建所述氢化裂解器的表示,用于查看温度差变量值以及用于查看所述氢化裂解器的异常操作的指示。
附图说明
图1是具有包括一个以上操作员和维护工作站、控制器、现场设备和支持装置的分布式控制和维护网络的加工厂的示例框图;
图2A为图1的加工厂的部分的示例性框图,其示出位于加工厂的氢化裂解器中的异常情况预防系统的各个组件之间的通信交互。
图2B为图2A的氢化裂解器的示例框图;
图3A为使用一个以上回归模型的示例异常操作探测(AOD)系统;
图3B为图3A的AOD系统的示例回归块;
图4为可以使用图3A和3B的示意AOD系统实施的示例方法的流程图;
图5是用于对图3A和3B的模型进行初始训练的示例方法的流程图;
图6A是示出可以在AOD系统的学习状态期间采集并由图3B的模型使用来建立回归模型的多个数据集的图形;
图6B是示出使用图6A的多个数据集建立的初始回归模型的图形;
图7是可以使用图3A和3B的示例异常操作探测系统来实施的示例方法的流程图;
图8A是示出接收的数据集以及在AOD系统的监控状态期间由图3B的模型生成的对应预测值的图形;
图8B是示出另一接收的数据以及由图3B的模型生成的另一对应预测值的图形;
图8C是示出在图3B的模型的有效范围之外的接收的数据集的图形;
图9A是示出在AOD系统的学习状态期间采集的并可以由图3的模型使用以建立不同操作区域中的第二回归模型的不同操作区域中的多个数据集的图形;
图9B是示出使用图9A的多个数据集建立的第二回归模型的图形;
图9C是示出更新的模型及其有效范围并且也示出接收的数据集和在AOD系统的监控状态期间生成的对应预测值的图形;
图10是用于更新图3B的模型的示例方法的流程图;
图11是与诸如图3A和3B的AOD系统之类的AOD系统的可替代操作相对应的示例状态转移图;
图12是AOD系统的学习状态中的操作的示例方法的流程图;
图13是用于更新AOD系统的模型的示例方法的流程图;
图14是AOD系统的监控状态中的操作的示例方法的流程图;
图15是可以由图形用户接口提供以使用户能够查看氢化裂解器的温度差变量并监控异常状况的出现的显示的示例性描绘;
图16是可以由图形用户接口提供以使用户能够查看响应于异常状况探测而生成的警告的显示的示例性描绘;
图17是可以由图形用户接口提供以使用户能够查看与异常状况相关联的消息的显示的示例性描绘;
图18是可以由图形用户接口提供以使用户能够查看与异常状况相关联的进一步信息的显示的示例性描绘;以及
图19是可以由图形用户接口提供以使用户能查看并配置AOD系统的显示的示例性描绘。
具体实施方式
现在参见图1,可实现异常情况预防系统的示例加工厂10包括通过一个以上通信网络与支持装置互连在一起的若干个控制和维护系统。具体而言,图1的加工厂10包括一个以上过程控制系统12和14。过程控制系统12可以是诸如PROVOX或RS3系统之类的传统过程控制系统,也可以是包括连接至控制器12B和输入/输出(I/O)卡12C的操作员接口12A的任何其它控制系统,其中控制器12B和输入/输出(I/O)卡12C又连接至诸如模拟和高速可寻址远程变送器(HART)现场设备15之类的各种现场设备。过程控制系统14可以是分布式过程控制系统,包括通过诸如以太网总线之类的总线连接至一个以上分布式控制器14B的一个以上操作员接口14A。控制器14B可以是例如德克萨斯州奥斯汀市的爱默生过程管理公司销售的DeltaVTM控制器或任何其它期望类型的控制器。控制器14B通过I/O设备连接到一个以上现场设备16,例如HART或Fieldbus现场设备,或任何其它的智能或非智能现场设备,包括使用 AS-Interface以及CAN协议中任一种的智能或非智能现场设备。已知现场设备16可以向控制器14B提供与过程变量有关的模拟或数字信息以及其它设备信息。操作员接口14A可以存储和执行对过程控制操作员可用以控制过程的操作的工具17、19,包括例如控制优化器、诊断专家、神经网络、调谐器等。
更进一步,诸如执行AMSTM Suite:智能设备管理器应用程序或任何其它设备监控和通信应用程序的计算机之类的维护系统,可以连接至过程控制系统12和14,或连接至其中的单个设备以进行维护和监控活动。例如,维护计算机18可以通过任何期望的通信线路或网络(包括无线或手持设备网络)连接至控制器12B和/或连接至设备15,以与设备15通信,或在某些情况下重新配置设备15或对设备15进行维护活动。类似地,诸如AMSTM应用程序之类的维护应用程序可以安装在与分布式过程控制系统14相关联的一个以上用户接口14A上,并由用户接口14A执行,以施行维护和监控功能,包括与设备16的操作状态有关的数据采集。
加工厂10还包括诸如涡轮机、发动机等的各种旋转装置20,这些旋转装置20通过一些永久性或临时性通信链路(例如,总线、无线通信系统或连接到装置20以进行读取而后被拆除的手持设备)连接到维护计算机22。维护计算机22可以存储和执行由例如CSI(爱默生过程管理公司)提供的已知的监控和诊断应用程序23或任何其它已知的用于诊断、监控和优化旋转装置20的操作状态的应用程序。维护人员通常使用应用程序23来维护和监视工厂10中的旋转装置20的性能,以确定旋转装置20的问题并确定是否必须维修或更换旋转装置20以及必须维修或更换旋转装置20的时间。在某些情况下,外界顾问或服务组织可以临时获取或测量与装置20有关的数据,并使用该数据对装置20进行分析,以探测问题、不良性能或影响装置20的其它事件。在这些情况下,运行分析的计算机可以不通过任何通信线路连接到系统10的其余部分,也可以仅临时连接到系统10的其余部分。
类似地,具有与工厂10相关联的发电和配电装置25的发电和配电系统24通过例如总线连接到运行并监视工厂10内的发电和配电装置25的操作的另一计算机26。计算机26可以执行例如由Liebert和ASCO或其它公司提供的已知的电力控制和诊断应用程序27,以控制和维护发电和配电装置25。再次,在很多情况下,外界顾问或服务组织可以使用临时获取或测量与装置25有关的数据并使用该数据对装置25进行分析的服务应用程序,来探测问题、不良性能或影响装置25的其它事件。在这些情况下,运行分析的计算机(例如计算机26)可以不通过任何通信线路连接到系统10的其余部分,也可以仅临时连接到系统10的其余部分。
如图1所示,计算机系统30至少实现异常情况预防系统35的一部分,具体而言,计算机系统30存储并实现配置应用程序38和可选的异常操作探测系统42,这将在下文中更详细地描述。此外,计算机系统30可以实现警告/警报应用程序43。
通常来说,异常情况预防系统35可以与可选地位于加工厂10内的现场设备15、16,控制器12B、14B,旋转装置20或其支持计算机22,发电装置25或其支持计算机26,以及任何其它期望的设备或装置中的异常操作探测系统(未在图1中示出)和/或计算机系统30中的异常操作探测系统42通信,以配置这些异常操作探测系统中的每一个,并在这些异常操作探测系统正在监控时接收关于这些设备或子系统的操作的信息。异常情况预防系统35可以通过硬线总线45以可通信的方式连接到工厂10内的至少某些计算机或设备中的每一个,或者可替代地,可以通过包括例如无线连接、使用OPC的专用连接、诸如依靠手持设备来采集数据的间歇性连接等的任何其它期望的通信连接连接到工厂10内的至少某些计算机或设备中的每一个。同样,异常情况预防系统35可以通过LAN或诸如因特网、电话连接等的公共连接(在图1中示出为因特网连接46)获取与加工厂10内的现场设备和装置有关的数据,其中这类数据由例如第三方服务提供商来采集。进一步,异常情况预防系统35可以通过包括例如以太网、Modbus、HTML、XML、专有技术/协议等的各种技术和/或协议以可通信方式连接至工厂10中的计算机/设备。因此,尽管这里描述了使用OPC以可通信方式将异常情况预防系统35连接至工厂10中的计算机/设备的具体示例,但是本领域普通技术人员将认识到,也可以使用各种其它方法将异常情况预防系统35连接至工厂10中的计算机/设备。
图2A示出图1的示例加工厂10的部分50,从而描述异常情况预防系统35和/或警告/警报应用程序43可以与示例加工厂10的部分50中的氢化裂解器通信的一种方式。在一个示例中,加工厂10或加工厂的部分50可以是用于将复杂分子分解为简单分子(如,将较重的碳氢化合物“裂化”为较轻的碳氢化合物)的精炼工厂。虽然图2A示出了异常情况预防系统35与氢化裂解器内的一个以上异常操作探测系统之间的通信,但应当理解,在异常情况预防系统35与加工厂10内的包括图1中所示的任何设备和装置的其它设备和装置之间,也可以发生类似通信。
图2A中所示的加工厂10的部分50包括具有一个以上过程控制器60的分布式过程控制系统54,其中一个以上过程控制器60通过输入/输出(I/O)卡或设备68和70连接至氢化裂解器62的一个以上反应器64和66,设备68和70可以是符合任意期望的通信或控制协议的任意期望类型的I/O设备。此外,氢化裂解器62和/或氢化裂解器62的反应器64、66可以符合任意期望的开放、私有或其它通信或编程协议,可理解的是,I/O设备68和70必须与氢化裂解器62和反应器64、66所使用的期望的协议兼容。
尽管没有详细示出,但氢化裂解器62和反应器64、66可以包括任意数目的附加设备,包括但不限于现场设备、HART设备、传感器、阀、变送器、定位器等,这些附加设备中的任意一个或全部可以用于测量和/或采集诸如与氢化裂解器62和反应器64、66以及其操作有关的过程变量数据之类的数据。例如,如这里所讨论的,针对反应器来监控温度差变量。温度差变量可以得自对反应器的各个截面或“床层”的一个以上位置处的温度进行测量的温度传感器、变送器或其它设备。这些设备或附加设备可以用于计算每个截面的加权平均床层温度(WABT),并确定各个截面之间的温度差变量ΔT。这样,尽管以下普遍将温度差变量描述为从氢化裂解器62及其反应器64、66提供,但应当理解,温度差变量和/或用于得出温度差变量的温度测量值可以更具体地从诸如温度传感器、变送器等的作为氢化裂解器62及反应器64、66的一部分的设备中提供。
在任何情况下,诸如配置工程师、过程控制操作员、维护人员、工厂管理员、监督员等的工厂人员可访问的一个以上用户接口或计算机72和74(可以是任意类型的个人计算机、工作站等)通过通信线路或总线76连接至过程控制器60,其中通信线路或总线76可以使用任意期望的硬线或无线通信结构并使用诸如以太网协议之类的任意期望的或合适的通信协议来实现。此外,数据库78可以连接至通信总线76,以操作为采集并存储配置信息以及与加工厂10内的过程控制器60和氢化裂解器62,包括反应器64、66,相关联的在线过程变量数据、参数数据、状态数据和其它数据的历史数据库。因此,数据库78可以操作为配置数据库,以存储包括过程配置模块的当前配置以及被下载并存储在过程控制器60和氢化裂解器62,包括反应器64、66,的设备内的用于过程控制系统54的控制配置信息。同样,数据库78可以存储历史异常情况预防数据,包括由氢化裂解器62,包括反应器64、66(或更具体地,氢化裂解器62和/或反应器64、66的设备),所采集的统计数据;根据氢化裂解器62,包括反应器64、66(或更具体地,氢化裂解器62和/或反应器64、66的设备),所采集的过程变量确定的统计数据;以及将在以下描述的其它类型的数据。
虽然过程控制器60、I/O设备68和70、氢化裂解器62、反应器64、66以及氢化裂解器62和反应器64、66的设备通常位于有时很恶劣的工厂环境内,并遍及这种工厂环境而分布,但工作站72和74以及数据库78通常位于控制室、维护室或其它很容易被操作员、维护人员等访问的不太恶劣的环境中。尽管仅示出了只具有两个反应器64、66的一个氢化裂解器62,但应当理解,加工厂10可以具有多个氢化裂解器以及诸如图1所示的各种其它类型的装置。应当进一步理解,氢化裂解器可以包括任意数目的反应器。这里讨论的异常情况预防技术可以等同地应用于任意数目的反应器或氢化裂解器。
一般来说,过程控制器60存储并执行使用多个不同的、独立执行的控制模块或块来实现控制策略的一个以上控制器应用程序。每个控制模块可以由通常被称为功能块的块组成,其中每个功能块是整个控制例程的一部分或子例程,并与其它功能块(通过通信上的所谓链路)协作以在加工厂10内实现过程控制环路。正如已知的,作为面向对象的编程协议中的对象的功能块通常执行输入功能、控制功能或输出功能中之一,其中输入功能是例如与变送器、传感器或其它过程参数测量设备相关联的功能,控制功能是例如与执行PID、模糊逻辑等控制的控制例程相关联的功能,输出功能是对诸如阀之类的某个设备的操作进行控制以执行加工厂10内的某些物理功能。当然,存在混合或其它类型的复杂功能块,例如模型预测控制器(MPC)、优化器等的。需要理解的是,虽然Fieldbus协议和DeltaVTM系统协议使用以面向对象的编程协议设计并实现的控制模块和功能块,但控制模块可以使用包括例如顺序功能块、梯形逻辑等的任意期望的控制编程方案来设计,并且不限于使用功能块或任意其它特定编程技术来设计。
如图2A所示,维护工作站74包括处理器74A、存储器74B和显示设备74C。存储器74B存储针对图1所讨论的异常情况预防应用程序35和警告/警报应用程序43,其存储方式使这些应用程序可以在处理器74A上执行以通过显示器74C(或诸如打印机之类的任意其它显示设备)向用户提供信息。
具体来说,反应器64、66和氢化裂解器62和/或反应器64、66和氢化裂解器62的设备中一个以上的每一个均可以包括用于存储例程的存储器(未示出),这些例程例如用于实现与传感设备所检测的一个以上过程变量有关的统计数据采集的例程和/或以下将描述的用于异常操作探测的例程。具体来说,反应器64、66和氢化裂解器62和/或反应器64、66和氢化裂解器62的某些或全部设备中一个以上的每一个也可以包括执行诸如用于实现统计数据采集的例程和/或用于异常操作探测的例程之类的例程的处理器(未示出)。统计数据采集和/或异常操作探测不需要由软件实现。相反,本领域技术人员将认识到,这种系统可以由一个以上现场设备和/或其它设备内的软件、固件、和/或硬件的任意组合来实现。
如图2A所示,反应器64、66(并且可能是氢化裂解器62中的一些或所有反应器)包括以下将更详细描述的异常操作探测块80和82。虽然图2的块80和82被示出为位于反应器64、66之一中,但这些块或类似块也可以位于任意数目的反应器中,或位于氢化裂解器62或反应器64、66中的各种其它装置和设备内,也可以位于诸如控制器60、I/O设备68、70或图1中所示的任意设备等的其它设备中。此外,块80和82可以在反应器64、66的任意分设备中,例如在反应器64、66的一个以上设备(例如,温度传感器、温度变送器等)中。
一般来说,块80和82或这些块的子元件从它们所处的设备和/或从其它设备中采集诸如过程变量数据之类的数据。例如,块80、82可以从氢化裂解器62或反应器64、66内的诸如温度传感器、温度变送器或其它设备之类的设备中采集温度差变量,或者可以根据来自这些设备的温度测量值来确定温度差变量。此外,块80和82或这些块的子元件可以为了任意数目的原因而对变量数据进行处理并对这些数据进行分析。例如,被示为与反应器64(反应器1)相关联的块80可以具有失控温度探测例程,该失控温度探测例程对温度差过程变量数据进行分析,以确定反应器64中的两个截面之间的温度差是否增加,温度差增加可能表示失控的温度。
图2B是图2A中所示氢化裂解器62的更详细的示例。从图2B可以看出,每个反应器64、66包括多个截面或横过反应器的“床层”,在此处测量截面的温度。在一个示例中,每个截面的温度是加权平均床层温度(WABT)。每个截面的WABT可以被提供为在该截面处测量的多个温度测量值Ti的加权平均值。每个温度具有相关联的权重(wi),该权重可以提供为用户输入值。给定截面处的加权平均床层温度可以由以下公式计算:
每对WABT之间的温度差变量(ΔT)被计算出来。通常有n个WABT以及n-1个ΔT。任意一个ΔT的增加都可以指示失控温度状况。在一个示例中,用于氢化裂解器的异常情况预防技术学习每个ΔT的基准值,并且在监控期间,如果任意一个ΔT的新值明显偏离基准值,偏离量例如大于特定阈值,则生成诸如警告/警报之类的温度失控指示符。该警告可以指明ΔT(ΔT1,ΔT2,...)中出现异常状况的那个ΔT。然而,在正常操作状况下,ΔT的值可能也会作为某个负荷变量的函数而改变。如以下进一步描述的,回归算法可用于将每个ΔT的值建模为该负荷变量的函数。当在操作期间对反应器进行监控时,如果ΔT的实际值和测量值明显不同,偏离量例如达到阈值,则探测到失控温度状况。氢化裂解器的一般操作通常可以为本领域普通技术人员所理解,因此不需要进一步描述。
再次参见图2A,块80可以包括诸如SPM1-SPM4的一个以上统计过程监控(SPM)块或单元的组,SPM块采集反应器内的过程变量或其它数据,并对所采集的数据执行一个以上统计计算,以确定所采集数据的例如平均值、中值、标准差、均方根(RMS)、变化率、范围、最小值、最大值等和/或探测所采集数据中的诸如偏移、偏差、噪声、尖峰等的事件。所生成的具体统计数据及其生成方法并不重要。因此,除以上所述的具体类型之外,或代替以上所述的具体类型,可以生成不同类型的统计数据。此外,可以使用各种技术,包括已知技术,来生成这样的数据。术语统计过程监控(SPM)块在这里用于描述对至少一个过程变量或诸如温度差变量之类的其它过程参数施行统计过程监控的、并且可以由针对其采集数据的设备内或甚至是设备外部的任意期望的软件、固件或硬件来施行的功能。应当理解,由于SPM通常位于设备数据被采集的设备中,因此,SPM可以获取数量上更多并且质量上更精确的过程变量数据。结果,与位于过程变量数据被采集的设备外的块相比,SPM块通常能够针对所采集的过程变量数据确定更好的统计计算。
需要理解的是,尽管在图2A中块80和82被示为包括SPM块,但可替代地,SPM块可以是与块80和82分离的独立块,并且可以与相应块80或82位于同一反应器中或者可以位于不同的设备中。这里讨论的SPM块可以包括已知的FOUNDATIONTM Fieldbus SPM块,或者与已知的FOUNDATIONTM Fieldbus SPM块相比具有不同或附加能力的SPM块。术语统计过程监控(SPM)块在这里用于表示采集诸如过程变量数据并对该数据施行某些统计处理以确定诸如平均值、标准差等的统计测量的任意类型的块或元件。结果,该术语意在涵盖施行该功能的软件、固件、硬件和/或其它元件,而不管这些元件是功能块或者其它类型的块、程序、例程或元件的形式,也不管这些元件是否符合FOUNDATIONTM Fieldbus协议或者诸如Profibus、HART、CAN等协议之类的某些其它协议。在期望的情况下,可以至少部分地施行或实现块80、82的根本操作,如美国专利No.6,017,143中所描述的,由此将该专利通过引用合并于此。
需要进一步理解的是,尽管在图2A中块80和82被示为包括SPM块,但SPM块并不是块80和82所必需的。例如,块80和82的异常操作探测例程可以使用未经SPM块处理的过程变量数据来操作。作为另一个示例,块80和82均可以接收由位于其它设备中的一个以上SPM块所提供的数据,并对其进行操作。作为再一个示例,过程变量数据可以以并不由很多典型的SPM块来提供的方式进行处理。仅作为一个示例,过程变量数据可以由诸如带通滤波器或某些其它类型的滤波器之类的有限脉冲响应(FIR)或无限脉冲响应(IIR)滤波器进行滤波。作为另一示例,过程变量数据可以被修整从而使其保持在特定的范围内。当然,可以对已知的SPM块进行修改以提供这种不同的或附加的处理能力。
图2A的块80、82被示为与反应器64、66相关联,更具体地与例如反应器64、66的温度传感器或变送器相关联,块80、82均可以具有对温度传感器或变送器所采集的过程变量数据进行分析以确定与反应器相关联的温度差变量是否明显偏离预期的温度差变量的失控温度探测单元。此外,块82可以包括诸如块SPM1-SPM4之类的一个以上SPM块或单元,其中该一个以上SPM块或单元可以采集变送器内的过程变量或其它数据,并对所采集的数据进行一种或多种统计计算,以确定所采集数据的例如平均值、中值、标准差等。虽然块80和82被示为分别包括四个SPM块,但是块80和82内也可以具有任意其它数目的用于采集和确定统计数据的SPM块。
氢化裂解器中的异常操作探测(AOD)系统纵览
图3A是针对氢化裂解器反应器异常情况预防模块的示例异常操作探测(AOD)系统100的框图,其中AOD系统100可以在异常操作探测块80、82中使用,或者可以用作图2的异常操作探测系统42。AOD系统100可以被用于探测氢化裂解器62或氢化裂解器反应器64、66中已经发生或正在发生的诸如失控温度之类的异常操作,也称为异常情况。此外,AOD系统100还可以用于,例如通过与异常情况预防系统35结合,在异常操作实际出现之前,预测氢化裂解器62或反应器64、66内异常操作的发生,其目的在于在反应器64、66、氢化裂解器66或加工厂10内出现任何重大损失之前采取措施来防止所预测的异常操作。
在一个示例中,每个反应器可以具有相应的AOD系统100,但应当理解,公共AOD系统可以用于多个反应器或氢化裂解器整体。如以上所提出的,通常有n个WABT 102以及n-1个ΔT 104,其中,任意ΔT 104的增加都可以指示失控温度状况。然而,由于ΔT 104可能在正常操作状况期间作为某些负荷变量106的函数而改变,因此AOD系统100针对负荷变量106的值的范围来学习正常或基准ΔT值104。
如图3A所示,负荷变量106和每个ΔT变量104被送到相应的回归块108中。AOD系统100包括针对每个温度差变量ΔTN-1的回归块。在以下将更详细描述的学习阶段期间,每个回归块108创建回归模型来预测根据相应的ΔT生成的数据,其中根据相应的ΔT生成的数据是根据负荷变量生成的数据的函数。根据ΔT生成的数据和根据负荷变量生成的数据可以包括ΔT和负荷变量数据、经过滤波或其它处理的ΔT和负荷变量数据、根据ΔT和负荷变量数据生成的统计数据等。在以下同样更详细描述的监控阶段期间,回归模型根据反应器操作期间的负荷变量生成的数据的给定值,来预测根据ΔT生成的数据的值。每个回归块基于根据ΔT生成的数据的预测值与根据ΔT生成的数据的监控值之间的偏离量(如果有的话)来输出状态,其中偏离量针对根据负荷变量生成的数据的给定值。例如,如果ΔT的监控值明显偏离ΔT的预测值,则回归块108可以输出“Up”状态,该状态是针对相应的温度差变量ΔT正在发生失控温度的指示。否则,回归块108可以输出“正常”状态。在另一示例中,如果ΔT的监控平均值明显偏离ΔT的预测平均值,则回归块108可以输出“Up”状态,否则将状态输出为“正常”。状态决定块110从每个回归块108接收状态,并确定反应器的状态。如果任意回归块108具有“Up”状态,则针对相应的温度差值ΔT的反应器的状态为“失控温度”。然而,还应当理解,状态决定块110可以从诸如针对其它反应器的回归块108之类的其它回归块108接收状态,并确定氢化裂解器62的状态。根据ΔT生成的数据的监控值可以通过各种方法得到,这些方法包括传感器测量、基于其它被监控过程测量的建模测量,统计测量、分析结果等。如以下进一步讨论的,监控温度差变量可以是温度差变量的原始监控值、SPM块的输出或者根据温度差变量生成的其它值。
图3B是图3A中所示的回归块108的示例的框图。如图3B中所示,回归块108包括分别连接至模型116的第一SPM块112和第二SPM块114。第一SPM块112接收负荷变量,并根据负荷变量生成第一统计数据。第一统计数据可以是根据负荷变量计算出的诸如平均值数据、中值数据、标准差数据、变化率数据、范围数据等的各种统计数据中的任意数据。这样的数据可以基于负荷变量数据的滑动窗口或基于负荷变量数据的非交叠窗口而计算得到。作为一个示例,第一SPM块112可以生成用户指定的采样窗口大小,如最近的负荷变量样本和49个先前的负荷变量样本,的平均值和标准差数据。在该示例中,可以针对第一SPM块112所接收的每个新的负荷变量样本,生成平均负荷变量值和标准差负荷变量值。作为另一示例,第一SPM块112可以使用非交叠的时间段来生成平均值和标准差值数据。在该示例中,可以使用五分钟(或某些其它合适的时间段)的窗口,这样就可以每五分钟生成平均和/或标准差负荷变量值。以类似的方式,第二SPM块114接收反应器的截面之间(例如WABT1和WABT2之间)的温度差ΔT作为变量,并以类似于SPM块112的方式,根据温度差变量生成第二统计数据,例如指定采样窗口的平均值或标准差数据。
模型116包括来自SPM 112的负荷变量输入,即自变量输入(x),以及来自SPM 114的温度差变量输入,即因变量输入(y)。如以下更详细描述的,可以使用多个数据集(x,y)来训练模型116,从而将温度差变量建模为负荷变量的函数。为了解释AOD系统的操作,现在将温度差变量ΔT描述为温度差变量Y,并且可以互换地使用ΔT和Y的引用来表示温度差变量ΔT1-ΔTN-1中的任意变量。模型116可以使用来自SPM 112、114的负荷变量(X)和温度差变量(Y)的平均值、标准差或其它统计测量值作为回归建模的自变量和因变量输入(x,y)。例如,负荷变量和温度差变量的平均值可以在回归建模中用作(x,y)点,并且标准差可以被建模为负荷变量的函数并用于确定在监控阶段期间探测出异常情况的阈值。这样,应当理解,虽然AOD系统100被描述为将温度差变量建模为负荷变量的函数,但AOD系统100也可以基于提供给回归模型的自变和因变输入,包括但不限于,温度差和负荷变量数据、根据温度差和负荷变量数据生成的统计数据以及经过滤波或其它处理的温度差和负荷变量数据,将根据温度差变量生成的各种数据建模为根据负荷变量生成的各种数据的函数。进一步,虽然AOD系统100被描述为预测温度差变量的值,并将温度差变量的预测值与监控值进行比较,但预测值和监控值可以包括根据温度差变量生成的各种预测值和监控值,例如预测的和监控的温度差数据、根据温度差数据生成的预测的和监控的统计数据以及经过滤波或其它处理的预测的和监控的温度差数据。
如以下同样更详细描述的,模型116可以包括一个以上回归模型,每个回归模型针对不同的操作区域被提供。这样,可以针对每个温度差变量(ΔT1,ΔT2,...ΔTN-1)提供多个回归模型,针对每个温度差变量的回归模型对应于与大体上是氢化裂解器和/或具体来说是反应器相关联的不同的操作区域。每个回归模型可以使用函数针对负荷变量的某个范围将因变温度差变量建模为自变负荷变量的函数。回归模型可以包括例如线性回归模型或一些其它回归模型。通常,线性回归模型包括函数f(X)、g(X)、h(X)...的某一线性组合。为了对工业过程进行建模,通常合适的线性回归模型可以包括X的一阶函数(如,Y=m*X+b)或X的二阶函数(如,Y=a*X2+b*X+c)。
在图3B中所示的示例中,学习阶段期间存储(x,y)点。在学习阶段结束时,计算回归系数以建立回归模型,用于预测作为负荷变量的函数的温度差变量。用于建立回归模型的负荷变量的最大值和最小值也被存储。模型116可以被计算为观测的负荷变量值(x)和相应的观测的温度差变量值(y)的函数(例如,A=(XTX)-1XTY)。在一个示例中,回归符合p阶多项式,从而可以基于负荷变量值(x)来计算温度差变量Y的预测值(yP)(例如,yP=a0+a1+...+apxp)。通常多项式的阶数p可以为用户输入,但是也可以提供自动确定多项式的阶数的其它算法。当然,也可以使用诸如高阶多项式、正弦函数、对数函数、指数函数、幂函数等的其它类型的函数。
在被训练之后,模型116可以由偏离探测器118使用,以在监控阶段期间基于给定的自变负荷变量输入(x)生成因变温度差变量Y的预测值(yP)。偏离探测器118进一步将监控温度差变量输入(y)和自变负荷变量输入(x)用于模型116。一般来说,偏离探测器118针对特定的负荷变量值来计算预测值(yP),并将该预测值用作“正常”或“基准”温度差。偏离探测器118将监控温度差变量值(y)与预测温度差值(yP)进行比较,以确定监控温度差变量值(y)是否明显偏离预测温度差值(yP)(例如,Δy=y-yP)。如果监控温度差变量值(y)明显偏离预测值(yP),则这可以指示异常情况已经发生、正在发生、或者可能在不久的将来发生,因此偏离探测器118可以生成偏离的指示符。例如,如果监控的ΔT值(y)高于预测的ΔT值(yP),并且差值超过一阈值,则可以生成异常情况的指示(如“Up”)。否则,状态为“正常”。在某些实现方式中,异常情况的指示符可以包括警告或警报。
除了针对异常情况对氢化裂解器进行监控外,偏离探测器118还可以检查看负荷变量是否位于模型的建立和训练期间看到的界限之内。例如,在监控阶段期间,偏离探测器118监控负荷变量的给定值是否位于由模型的学习阶段期间使用的负荷变量的最小值和最大值所确定的回归模型的操作范围之内。如果负荷变量值在该界限之外,则偏离探测器118可以输出“超出范围”状态或负荷变量位于回归模型的操作范围之外的其它指示。回归块108可以或者等待来自用户的输入以针对新的操作区域建立并训练新的回归模型,或者针对新的操作区域自动建立并训练新的回归模型,其示例将在以下进一步提供。
本领域普通技术人员将认识到,可以各种方式对AOD系统100和回归块108进行修改。例如,SPM块112和114可以被省略,并且负荷变量的原始值和温度差值可以被直接提供给模型116作为用于回归建模的(x,y)点,并且可以被直接提供给偏离探测器118用于监控。作为另一示例,除SPM块112和114之外,或代替SPM块112和114,还可以使用其它类型的处理。例如,可以在SPM块112和114之前,对过程变量数据进行滤波、修整等,而不使用SPM块112和114。
此外,尽管模型116被示出为具有单个自变负荷变量输入(x)、单个因变温度差变量输入(y)和单个预测值(yP),但模型116也可以包括将多个温度差变量建模为多个负荷变量的函数的回归模型。例如,模型116可以包括多元线性回归(MLR)模型、主成分回归(PCR)模型、部分最小二乘(PLS)模型、岭回归(RP)模型、变量子集选择(VSS)模型、支持向量机(SVM)模型等。
AOD系统100可以整体或部分地在氢化裂解器反应器64、66或者反应器64、66或氢化裂解器的设备中实现。仅作为一个示例,SPM块112和114可以在反应器64的温度传感器或温度变送器中实现,并且模型116和/或偏离探测器118可以在控制器60或一些其它设备中实现。在一种特定的实现方式中,AOD系统可以被实现为功能块,例如在实现Fieldbus协议的系统中使用的功能块。这样的功能块可以包括也可以不包括SPM块112和114。在另一实现方式中,块108、110、112、114、116和118中至少一些块的每一个均可以实现为功能块。例如,块112、114、116、118可以实现为回归功能块108的功能块。然而,每个块的功能可以以各种方式分布。例如,回归模型116可以将输出(yP)提供给偏离探测器118,而不是偏离探测器118执行回归模型116从而提供温度差变量(yP)的预测。在这种实现方式中,模型116在经过训练之后可以用于基于给定的自变负荷变量输入(x)而生成监控温度差变量值(y)的预测值(yP)。模型116的输出(yP)被提供给偏离探测器118。偏离探测器118接收回归模型116的输出(yP)以及给模型116的因变量输入(y)。如上所述,偏离探测器118将监控因变温度差变量(y)与由模型116生成的值(yP)进行比较,以确定因变温度差变量值(y)是否明显偏离预测的温度差值(yP)。
AOD系统100可以与异常情况预防系统35(图1和2A)通信。例如,AOD系统100可以与配置应用程序38通信,以允许用户对AOD系统100进行配置。举例来说,SPM块112和114、模型116以及偏离探测器118中的一个以上可以具有可通过配置应用程序38被修改的用户配置参数。
此外,AOD系统100可以向异常情况预防系统35和/或加工厂中的其它系统提供信息。例如,由偏离探测器118或由状态决定块110生成的偏离指示符可以提供给异常情况预防系统35和/或警告/警报应用程序43,以向操作员通知异常状况。作为另一示例,在模型116被训练之后,该模型的参数可以提供给异常情况预防系统35和/或加工厂中的其它系统,从而使得操作员能够检查模型和/或使得模型参数能够被存储在数据库中。作为再一示例,AOD系统100可以向异常情况预防系统35提供(x)、(y)、和/或(yP),从而使得操作员能够在例如偏离已被探测到时查看值。
图4是用于探测氢化裂解器或更具体地氢化裂解器的反应器的一个以上中的异常操作的示例方法150的流程图。方法150可以使用图3A和3B的示例AOD系统100来实施,并可以用于解释AOD系统100的操作。然而,本领域普通技术人员将认识到,方法150也可以由与AOD系统100不同的系统来实施。在块154,诸如模型116的模型被训练。例如,可以使用自变负荷变量X和因变温度差变量Y数据集来训练模型,以将模型配置为,将温度差变量建模为负荷变量的函数。该模型可以包括多个回归模型,每个模型针对负荷变量的不同范围将温度差变量建模为负荷变量的函数。
然后,在块158,被训练的模型使用其接收的自变负荷变量X的值(x)生成因变温度差变量Y的预测值(yP)。接下来,在块162,将温度差变量的监控值(y)与相应的预测值(yP)进行比较,以确定温度差是否明显偏离预测的温度差。例如,偏离探测器118生成或接收模型116的输出(yP),并将其与监控温度差变量的值(y)进行比较。如果确定监控温度差变量已明显偏离(yP),则在块166处可以生成偏离的指示符。在AOD系统100中,例如,偏离探测器118可以生成指示符。该指示符例如可以是指示已探测到明显偏离的警告或警报或者任意其它类型的信号、标记、消息等(例如,状态=“Up”)。
如以下更详细讨论的,在模型经过初始训练之后,并且在模型已经生成因变温度差变量Y的预测值(yP)之后,块154可以重复。例如,如果过程中的设置点已经改变,或者如果自变负荷变量的值落到范围xMIN,xMAX之外,则可以重新训练模型。
模型纵览
图5是用于对诸如图3B的模型116之类的模型进行初始训练的示例方法200的流程图。如以下进一步描述的,可以将模型116的训练称为学习状态。在块204,为了对模型进行训练,可以接收自变负荷变量X和因变温度差变量Y的至少足够数目的数据集(x,y)。如上所述,数据集(x,y)可以包括温度差和负荷变量数据、经过滤波或其它处理的温度差和负荷变量数据、根据温度差和负荷变量数据生成的统计数据等。在图3A和3B的AOD系统中,模型116可以从SPM块112和114接收数据集(x,y)。现在参见图6A,图形220示出由模型接收的多个数据集(x,y)的示例,并且说明了当正在对模型进行初始训练时处于学习状态的AOD系统。具体来说,图6A的图形220包括已经采集的数据集组222。
再次参见图5,在块208,可以生成模型的有效范围[xMIN,xMAX]。有效范围可以指示模型有效时的自变负荷变量X的范围。举例来说,有效范围可以指示模型仅对其中(x)大于或等于xMIN并且小于或等于xMAX的负荷变量X值有效。仅作为一个示例,可以将xMIN设置为块204处接收到的数据集(x,y)中的负荷变量的最小值,并且将xMAX设置为块204处接收到的数据集(x,y)中的负荷变量的最大值。再次参见图6A,例如xMIN可以被设置为最左侧的数据集的负荷变量值,并且xMAX可以被设置为最右侧的数据集的负荷变量值。当然,也可以以其它方式来实施有限范围的确定。在图3A和3B的AOD系统100中,模型块116可以生成有效范围。
在块212,可以基于在块204处接收到的数据集(x,y)来生成范围[xMIN,xMAX]的回归模型。以下进一步描述的示例中,在发出监控命令之后,或者如果已经采集了最大数目的数据集,则可以生成与数据集组222对应的回归模型。包括已知技术的各种技术中的任意技术可以用来生成回归模型,并且各种函数中的任意函数可用作模型。例如,模型可以包括线性方程、二次方程、高阶方程等。图6B的图形220包括置于块204处所接收的数据集(x,y)之上的曲线224,该曲线224示出了用于对数据集(x,y)进行建模的与数据集组222对应的回归模型。与曲线224对应的回归模型在范围[xMIN,xMAX]内有效。在图3A和3B的AOD系统100中,模型块116可以针对范围[xMIN,xMAX]生成回归模型。
通过操作区域改变来使用模型
在对模型进行了初始训练之后,建模的系统可以移到不同的但正常的操作区域。例如,设置点可能被改变。图7是用于使用模型来确定异常操作是否正在发生、已经发生或可能发生的示例方法240的流程图,其中如果被建模的过程移到不同的操作区域中,则模型可以被更新。方法240可以由诸如图3A和3B的AOD系统100的AOD系统来实施。当然,方法240也可以由其它类型的AOD系统来实施。方法240可以在初始模型已经生成之后实施。例如,图5的方法200可以用来生成初始模型。
在块244,接收数据集(x,y)。例如,在图3A和3B的AOD系统100中,模型116可以从SPM块112和114接收数据集(x,y)。然后,在块248,可以确定在块244处所接收的数据集(x,y)是否在有效范围内。有效范围可以指示模型有效的范围。在图3A和3B的AOD系统100中,模型116可以对块244处所接收的负荷变量值(x)检查,以确定其是否在有效范围[xMIN,xMAX]之内。如果确定块244处所接收的数据集(x,y)在有效范围内,则该流程可以前进到块252。
在块252,可以使用模型生成因变温度差变量Y的预测温度差变量值(yP)。具体来说,模型根据在块244处接收的负荷变量值(x)生成预测温度差变量值(yP)。在图3A和3B的AOD系统100中,模型116根据从SPM块112接收的负荷变量值(x)生成预测温度差变量值(yP)。
然后,在块256,可以将在块244处接收的监控温度差变量值(y)与预测温度差变量值(yP)进行比较。该比较可以以多种方式实现。例如,可以生成差值或百分比差值。也可以使用其它类型的比较。现在参见图8A,在图形220中将接收的数据集的示例示出为点226,并且将相应的预测值(yP)示出为“×”。图8A的图形220示出处于监控状态的AOD系统的操作。模型使用曲线224所指示的回归模型生成预测(yP)。如图8A所示,已经计算出在块244处接收的监控温度差变量值(y)与预测温度差值(yP)之间的差值为-1.754%。现在参见图8B,在图形220中将接收的数据集的另一示例示出为点228,并且将相应的预测温度差变量值(yP)示出为“×”。如图8B中所示,已经计算出在块244处接收的监控温度差变量值(y)与预测值(yP)之间的差值为-19.298%。在图3A和3B的AOD系统100中,偏离探测器118可以施行比较。
再次参见图7,在块260,可以基于块256的比较来确定在块244处接收的监控温度差值(y)是否明显偏离预测温度差变量值(yP)。块260处的确定可以以多种方式实现,并且可以依赖于块256处的比较的实现方式。例如,如果在块256处生成了温度差值,则可以确定该差值是否超出某阈值。该阈值可以是预先确定的或者可配置的值。同样,该阈值可以是恒定的也可以是变化的。例如,该阈值可以依赖于块244处接收的自变负荷变量X值的值而变化。作为另一示例,如果在块256处生成了百分比差值,则可以确定该百分比值是否超出某阈值百分比,超出量例如大于预测温度差变量值(yP)的特定百分比。作为又一示例,只有在两个或一些其它数目的连续比较都超过阈值时才可以确定明显偏离。作为再一示例,只有在监控温度差变量值(y)超出预测温度差变量值(yP)并且超出量大于预测温度差变量值(yP)的特定数目的标准差时才可以确定明显偏离。该标准差可以被建模为负荷变量X的函数,或者可以根据训练数据中的剩余的变量来计算。可以针对每个被监控的温度差变量(ΔT1-ΔTN-1)使用公共阈值,或者可以针对一些或全部温度差变量使用不同的阈值。
再次参见图8A,在块244处接收的监控温度差变量值(y)与预测温度差变量值(yP)之间的差值为-1.754%。如果例如10%的阈值被用于确定偏离是否明显,则图8A中所示的差值的绝对值低于该阈值。另一方面,再次参见图8B,在块244处接收的监控温度差变量值(y)与预测温度差变量值(yP)之间的差值为-19.298%。图8B中所示的差值的绝对值高于阈值10%,因此可以如以下所讨论的那样生成异常状况指示符。在图3A和3B的AOD系统100中,偏离探测器118可以实施块260。
通常,可以使用多种技术,包括已知技术,来实施确定监控温度差变量值(y)是否明显偏离预测温度差变量值(yP)。在一种实现方式中,确定监控温度差变量值(y)是否明显偏离预测温度差变量值(yP)可以包括分析(y)和(yP)的当前值。例如,可以从预测温度差变量值(yP)中减去监控温度差变量值(y),或者反过来,并将其结果与一阈值进行比较,来看结果是否超出阈值。可选地还可以包括分析(y)和(yP)的过去值。进一步,还可以包括将(y)或(y)与(yP)之差与一个以上阈值进行比较。该一个以上阈值中的每一个阈值可以是固定的或是变化的。例如,阈值可以依赖于负荷变量X或一些其它变量的值而变化。可以针对不同的温度差变量(ΔT1,...,ΔT1-N)使用不同的阈值。已通过以上的引用合并的、于2006年7月25日提交的题为“用于探测过程变量与期望值的偏离的方法和系统”的美国专利申请No.11/492,347描述了用于探测过程变量是否明显偏离期望值的示例系统和方法,可选地这些系统和方法中的任意系统和方法可以被使用。本领域普通技术人员将认识到确定监控温度差变量值(y)是否明显偏离预测温度差变量值(yP)的很多其它的方式。此外,可以将块256和260合并。
在将(y)与(yP)进行比较(块256)时使用的一些或全部标准和/或在确定(y)是否明显偏离(yP)(块260)时使用的标准可以由用户例如通过配置应用程序38(图1和2A)来配置。举例来说,比较的类型(如:生成差值、生成差值的绝对值、生成百分比差值等)可以是可配置的。同样,在确定偏离是否明显时使用的阈值可以通过操作员或通过其它算法进行配置。可替换地,这种标准可以是不容易配置的。
再次参见图7,如果确定块244处所接收的监控温度差变量值(y)并没有明显偏离预测值(yP),则该流程可以返回到块244以接收下一数据集(x,y)。然而,如果确定温度差变量值(y)确实明显偏离预测值(yP),则该流程可以前进到块264。在块264,可以生成偏离的指示符。该指示符例如可以是警告或警报。所生成的指示符例如可以包括诸如块244处所接收的值(y)是否高于希望值或低于期望值之类的附加信息。参见图8A,由于块244处所接收的温度差变量值(y)与预测值(yP)之间的差值为-1.754%,其低于阈值10%,因此不生成指示符。另一方面,参见图8B,块244处所接收的(y)与预测值(yP)之间的差值为-19.298%,其高于阈值10%。因此生成指示符。在图3A和3B的AOD系统100中,偏离探测器118可以生成指示符。
再次参见图7的块248,如果确定在块244处接收的数据集(x,y)不在有效范围内,则该流程可以前进到块268。然而,由AOD系统建立的模型对于模型被训练所针对的数据范围通常是有效的。如果负荷变量X超出由曲线224所示的模型的界限之外,则状态为超出范围,并且AOD系统会无法探测异常状况。例如,在图8C中,AOD系统接收被示为点230且不在有效范围之内的数据集。这可能导致AOD系统转移到超出范围状态,在这种情况下,AOD系统可以或者响应于操作员命令或者自动再次转移到学习状态。这样,在初始训练阶段之后,如果过程移到不同的操作区域,则AOD系统仍然可能针对新操作区域学习新模型,同时保持原操作区域的模型。
现在参见图9A,其示出了进一步图示当AOD系统转移回学习状态时所接收的数据集232不在有效范围内的图形。具体来说,图9A的图形包括已采集的数据集组232。再次参见图7,在块268处,块244处所接收的数据集(x,y)可以被添加到可在后续时间用于对模型进行训练的合适的数据集组中。参见图9A,数据集230已经被添加到与其中X的值小于xMIN的数据集相对应的数据集组232。例如,如果在块244处接收的负荷变量X的值小于xMIN,则在块244处接收的数据集(x,y)可以被添加到与其中负荷变量X的值小于xMIN的其它所接收的数据集对应的数据组中。类似地,如果在块244处接收的负荷变量X的值大于xMAX,则在块244处接收的数据集(x,y)可以被添加到与其中负荷变量值大于xMAX的其它所接收的数据集对应的数据组中。在图3A和3B的AOD系统100中,模型块116可以实施块268。
然后,在块272可以确定在块268处数据集被添加到的数据组中是否有足够的数据集来生成与数据集组232相对应的回归模型。该确定可以使用各种技术来实施。例如,可以将组中数据集的数目与最小数目进行比较,并且如果组中的数据集的数目至少是该最小数目,则可以确定有足够的数据集来生成回归模型。该最小数目可以通过各种技术,包括本领域普通技术人员已知的技术,来选择。如果确定了有足够的数据集来生成回归模型,则在块276处可以更新该模型,以下将参考图10进行描述。然而,如果确定了没有足够的数据集来生成回归模型,则该流程可以返回到块244以接收下一数据集(x,y)。在另一示例中,操作员可以使监控命令被发出,以便使回归模型被生成。
图10是在确定组中有足够的数据集来针对当前有效范围[xMIN,xMAX]之外的数据集生成回归模型之后,用于对模型进行更新的示例方法276的流程图。在块304,可以确定针对新回归模型的范围[x’MIN,x’MAX]。有效范围可以指示新模型将有效的自变负荷变量X的范围。举例来说,有效范围可以指示该模型仅对其中(x)大于或等于x’MIN并且小于或等于x’MAX的负荷变量值(x)有效。仅作为一个示例,x’MIN可以被设置为数据集(x,y)组中负荷变量X的最小值,而x’MAX可以被设置为数据集(x,y)组中负荷变量X的最大值。再次参见图9A,例如,x’MIN可以被设置为组232中最左侧数据集的负荷变量值(x),而x’MAX可以被设置为组232中的最右侧数据集的负荷变量值(x)。在图3A和3B的AOD系统100中,模型块116可以生成有效范围。
在块308,可以基于组中的数据集(x,y)针对范围[x’MIN,x’MAX]生成回归模型。可以使用各种技术,包括已知技术,中的任意技术来生成该回归模型,并且可以使用各种函数中的任意函数作为模型。例如,模型可以包括线性方程、二次方程等。在图9B中,置于组232之上的曲线234示出了已经生成的用于对组232中的数据集进行建模的回归模型。与曲线234对应的回归模型在范围[x’MIN,x’MAX]内有效,而与曲线224对应的回归模型在范围[xMIN,xMAX]内有效。在图3A和3B的AOD系统100中,模型116可以针对范围[x’MIN,x’MAX]生成回归模型。
为解释方便,现在将范围[xMIN,xMAX]称为[xMIN_1,xMAX_1],并将范围[x’MIN,x’MAX]称为[xMIN_2,xMAX_2]。此外,将与[xMIN_1,xMAX_1]对应的回归模型称为f1(x),而将与[xMIN_2,xMAX_2]对应的回归模型称为f2(x)。因此,现在模型可以被表示为:
再次参见图10,在块316,可以针对曲线224和234之间的操作区域,在与范围[xMIN_1,xMAX_1]和[xMIN_2,xMAX_2]相对应的回归模型之间生成插值模型。以下描述的插值模型包括线性函数,但在其它实现方式中,可以使用诸如二次函数之类的其它类型的函数。如果xMAX_1小于xMIN_2,则插值模型可以被计算为:
类似地,如果xMAX_2小于xMIN_1,则插值模型可以被计算为:
因此,如果xMAX_1小于xMIN_2,则现在模型可以被表示为:
(公式4)
并且如果xMAX_2小于xMIN_1,则插值模型可以被表示为:
(公式5)
从公式1、4和5中可以看出,模型可以包括多个回归模型。具体来说,第一回归模型(即f1(x))可以用于对第一操作区域(xMIN_1≤x≤xMAX_1)中的因变温度差变量Y进行建模,而第二回归模型(即f2(x))可以用于对第二操作区域(xMIN_2≤x≤xMAX_2)中的因变温度差变量Y进行建模。此外,从公式4和5可以看出,模型还可以包括插值模型,以对与回归模型对应的操作区域之间的因变温度差变量Y进行建模。
再次参见图10,在块320可以对有效区域进行更新。例如,如果xMAX_1小于xMIN_2,则可以将xMIN设置为xMIN_1,并可以将xMAX设置为xMAX_2。类似地,如果xMAX_2小于xMIN_1,则可以将xMIN设置为xMIN_2,并可以将xMAX设置为xMAX_1。图9C示出了具有新的有效范围的新模型。参见图7和10,可以使用诸如方法276之类的方法多次对模型进行更新。从图9C可以看出,针对原操作区域保留原模型,因为原模型表示温度差变量Y的“正常”值。否则,如果原模型被连续更新,则存在模型被更新到错误状况并且无法探测到异常状况的可能性。当过程移到新的操作区域时,可以假定过程仍然处于正常状况,以便建立新模型,并且可以将新模型用于探测发生在新操作区域中的系统的异常情况。这样,氢化裂解器的模型可以被无限扩展为不同操作区域的过程模型。
异常情况预防系统35(图1和2A)可以使例如与图6A、6B、8A、8B、8C、9A、9B、9C中所示的一些或全部图形类似的图形显示在显示设备上。举例来说,如果AOD系统100将建模标准数据提供给例如异常情况预防系统35或数据库,则异常情况预防系统35可以使用该数据来生成显示,以示出模型116是如何将因变温度差变量Y建模为自变负荷变量X的模型的。例如,该显示可以包括与图8A、8B和9C的一个以上图形类似的图形。可选地,AOD系统100也可以向异常情况预防系统35或数据库提供例如用于生成模型116的一些或全部数据集。在这种情况下,异常情况预防系统35可以使用该数据,来生成具有与图6A、6B、9A、9B的一个以上图形类似的图形的显示。可选地,AOD系统100也可以向异常情况预防系统35或数据库提供例如AOD系统100在其监控阶段期间估计的一些或全部数据集。此外,AOD系统100也可以向异常情况预防系统35或数据库提供例如一些或全部数据集的比较数据。在这种情况下,仅作为一个示例,异常情况预防系统35可以使用该数据,来生成具有与图8A和8B的一个以上图形类似的图形的显示。
AOD系统的人工控制
在关于图5、7和10描述的AOD系统中,当已经获取特定操作区域中的足够的数据集时,模型可以对其本身进行自动更新。然而,可能期望不要发生这样的更新,除非人工操作员允许。此外,可能期望即使是在所接收的数据集处于有效范围内时也允许人工操作员引起模型的更新。
图11是与诸如图3A和3B的AOD系统100之类的AOD系统的可替换操作相对应的示例状态转移图550。与状态图550相对应的操作允许人工操作员对AOD系统进行更多的控制。例如,如以下更详细描述的,当操作员期望AOD系统的模型被强制进入学习状态554时,操作员可以使学习命令被发送到AOD系统。一般来说,在以下将进行更详细描述的学习状态554中,AOD系统获取用于生成回归模型的数据集。类似地,当操作员期望AOD系统创建回归模型并开始监控进来的数据集时,该操作员可以使监控命令被发送到AOD系统。一般来说,AOD系统可以响应于该监控命令而转移到监控状态558。
AOD系统的初始状态可以是例如未训练状态560。AOD系统可以在接收到学习命令时从未训练状态560转移至学习状态554。如果接收到监控命令,则AOD系统可以保持在未训练状态560。可选地,可以在显示设备上显示指示,以通知操作员AOD系统还没有被训练。
在超出范围状态562,可以对每个接收的数据集进行分析,以确定其是否处于有效范围内。如果所接收的数据集不在有效范围内,则AOD系统可以保持在超出范围状态562。然而,如果所接收的数据集处于有效范围内,则AOD系统可以转移到监控状态558。此外,如果接收到学习命令,则AOD系统可以转移至学习状态554。
在学习状态554,AOD系统可以采集数据集,从而可以在与所采集的数据集对应的一个以上操作区域中生成回归模型。此外,AOD系统可选地可以检查看是否已经接收到最大数目的数据集。最大数目例如可以由AOD可用的存储器来控制。因此,如果已经接收到最大数目的数据集,则这可以指示例如AOD系统已经在用于存储数据集的可用存储器低的状况下运行,或者有这种危险。通常,如果确定已经接收到最大数目的数据集,或者如果接收到监控命令,则可以对AOD系统的模型进行更新,并且AOD系统可以转移至监控状态558。
图12是学习状态554中的操作的示例方法600的流程图。在块604,可以确定是否接收到监控命令。如果接收到监控命令,则该流程可以前进至块608。在块608,可以确定是否已采集了最小数目的数据集以生成回归模型。如果已采集到最小数目的数据集,则AOD系统可以保持在学习状态554。可选地,可以在显示设备上显示指示,以通知操作员由于还没有采集到最小数目的数据集,因此AOD系统仍然处于学习状态。
另一方面,如果已经采集到了最小数目的数据集,则该流程可以前进到块612。在块612,可以对AOD系统的模型进行更新,如参考图13更详细描述的。接下来,在块616处,AOD系统可以转移至监控状态558。
如果在块604处已经确定没有接收到监控命令,则该流程前进到块620,在块602处可以接收新数据集。接下来,在块624,可以将所接收的数据集添加到合适的训练组中。合适的训练组例如可以基于数据集的负荷变量值来确定。作为示例性实施例,如果负荷变量值小于模型的有效范围的xMIN,则可以将数据集添加到第一训练组。并且,如果负荷变量值大于模型的有效范围的xMAX,则可以将数据集添加到第二训练组。
在块628,可以确定是否已接收到最大数目的数据集。如果已接收到最大数目的数据集,则该流程可以前进到块612,并且AOD系统将最终转移到如上所述的监控状态558。另一方面,如果没有接收到最大数目的数据集,则AOD系统将保持在学习状态554。本领域普通技术人员将认识到可以以多种方式对方法600进行修改。仅作为一个示例,如果在块628处确定已经接收到最大数目的数据集,则AOD系统可以仅停止向训练组中添加数据集。附加地或可替换地,AOD系统可以提示用户给出更新模型的授权。在这种实现方式下,除非用户授权了更新,否则即使已经获取最大数目的数据集,也不会对模型进行更新。
图13是可用于实现图12的块612的示例方法650的流程图。在块654处,可以使用新采集的数据集来确定即将生成的回归模型的范围[x’MIN,x’MAX]。可以使用各种技术,包括已知技术,来实现范围[x’MIN,x’MAX]。在块658处,可以使用针对图12描述的被采集并被添加到训练组中的数据集中的一些或全部,来生成与范围[x’MIN,x’MAX]对应的回归模型。可以使用各种技术,包括已知技术,来生成回归模型。
在块662处,可以确定这是否是模型的初始训练。仅作为一个示例,可以确定有效范围[xMIN,xMAX]是否是指示该模型还没有被训练的某预定范围。如果这是模型的初始训练,则该流程可以前进到块665,在块665处,有效范围[xMIN,xMAX]将被设置为在块654处所确定的范围。
如果在块662处确定这不是模型的初始训练,则该流程前进到块670。在块670处,可以确定范围[x’MIN,x’MAX]是否与有效范围[xMIN,xMAX]交叠。如果有交叠,则该流程可以前进到块674,在块674处,一个以上其它回归模型或插值模型的范围可以根据交叠来更新。可选地,如果其它回归模型或插值模型中的一个的范围完全位于范围[x’MIN,x’MAX]中,则其它回归模型或插值模型可以被忽略。这可以例如有助于节约存储器资源。在块678处,如果需要的话,可以对有效范围进行更新。例如,如果x’MIN小于有效范围的xMIN,则有效范围的xMIN可以被设置为x’MIN。
如果在块670处确定范围[x’MIN,x’MAX]与有效范围[xMIN,xMAX]不交叠,则该流程可以前进到块682。在块682处,如果需要的话,可以生成插值模型。在块686处,可以对有效范围进行更新。块682和686可以类似于针对图10的块316和320所描述的方式来实施。
本领域普通技术人员将认识到,可以各种方式对方法650进行修改。仅作为一个示例,如果确定范围[x’MIN,x’MAX]与有效范围[xMIN,xMAX]交叠,则可以对范围[x’MIN,x’MAX]以及其它回归模型和插值模型的操作范围中的一个以上进行修改,从而使这些范围不交叠。
图14是监控状态558中的操作的示例方法700的流程图。在块704处,可以确定是否接收到学习命令。如果接收到学习命令,则该流程可以前进到块708。在块708处,AOD系统可以转移到学习状态554。如果没有接收到学习命令,则该流程可以前进到块712。
在块712处,可以如前所述接收数据集(x,y)。然后,在块716处,可以确定接收到的数据集(x,y)是否处于有效范围[xMIN,xMAX]之内。如果数据集在有效范围[xMIN,xMAX]之外,则该流程可以前进到块720,在块720处AOD系统可以转移到超出范围状态562。但是,如果在块716处确定数据集处于有效范围[xMIN,xMAX]内,则该流程可以前进到块724、728和732。块724、728和732可分别以类似于参考图4所描述的块158、162和166的方式来实施。
为了有助于进一步解释图11的状态转移图550、图12的流程图600、图13的流程图650和图14的流程图700,再次参考图6A、6B、8A、8B、8C、9A、9B、9C。图6A示出了图示AOD系统的模型正在被初始训练时处于学习状态554的AOD系统的图形220。具体来说,图6A的图形220包括已采集到的数据集组222。在操作员使监控命令被发出之后,或者如果已采集到最大数目的数据集,则可以生成与数据集组222对应的回归模型。图6B的图形220包括表示与数据集组222对应的回归模型的曲线224。然后,AOD系统可以转移到监控状态558。
图8A的图形220示出处于监控状态558的AOD系统的操作。具体来说,AOD系统接收处于有效范围内的数据集226。模型使用由曲线224所表示的回归模型来生成预测yP(由图8A的图形中的“×”来表示)。在图8C中,AOD系统接收不在有效范围内的数据集230。这可能使AOD系统转移到超出范围状态562。
如果操作员接下来使学习命令被发出,则AOD系统将再次转移到学习状态554。图9A的图形220示出AOD系统转移回学习状态554之后的操作。具体来说,图9A的图形包括已采集到的数据集组232。在操作员已使监控命令被发出之后,或者如果已采集到最大数目的数据集,则可以生成与数据集组232对应的回归模型。图9B的图形220包括表示与数据集组232对应的回归模型的曲线234。接下来,可以针对曲线224与234之间的操作区域,生成插值模型。
然后,AOD系统可以转移回监控状态558。图9C的图形220示出AOD系统再次操作在监控状态558。具体来说,AOD系统接收处于有效范围内的数据集236。模型使用由图9B的曲线234所表示的回归模型来生成预测yP(由图9C的图形中的“×”来表示)。
如果操作员再次使学习命令被发出,则AOD系统将再次转移到学习状态554,在此期间,另外的数据集组被采集。在操作员已使监控命令被发出之后,或者如果已采集到最大数目的数据集,则可以生成与数据集组对应的回归模型。其它回归模型的范围可以被更新。例如,与曲线224和234对应的回归模型的范围可以由于在这两个回归模型之间添加回归模型而被加长或缩短。另外,与曲线224和234对应的回归模型之间的操作区域的插值模型由与曲线224、234之间的曲线对应的新回归模型来控制。因此,如果需要,则插值模型可以从AOD系统所关联的存储器中删除。在转移到监控状态558之后,AOD系统可以如前所述的那样操作。
AOD系统的一方面在于用户接口例程,其提供与这里所描述的AOD系统集成在一起的图形用户接口(GUI)以方便用户与AOD系统所提供的各种异常情况预防能力进行交互。然而,在对GUI进行更详细的讨论之前,应当认识到GUI可以包括使用任意适当的编程语言和技术实现的一个以上软件例程。此外,组成GUI的软件例程可以在工厂10内的诸如工作站或控制器等的单个处理站或单元内存储和处理,或者可替换地,GUI的软件例程可以使用AOD系统内以可通信方式彼此连接的多个处理单元以分布式存储和执行。
优选但不是必需地,GUI可以使用熟知的基于图形窗口的结构和外观来实现,其中多个互相链接的图形视图或页面包括使用户能以期望的方式在页面之间浏览以查看和/或获取特定类型的信息的一个以上下拉(pull-down)菜单。AOD系统的上述特征和/或能力可以通过GUI的一个以上相应页码、视图或显示而被显示、访问、调用等。此外,构成GUI的各种显示可以逻辑方式互相链接以便于用户快速且直观地通过显示来浏览,以获取特定类型的信息或访问和/或调用AOD系统的特定能力。
一般来说,这里描述的GUI提供过程控制区域、单元、环路、设备等的直观的图形描绘或显示。这些图形显示中的每一个可以包括与GUI正在显示的特定视图相关联的状态信息和指示(其中的一些或全部可以由如上所述的AOD系统生成)。用户可以使用任意视图、页面或显示中示出的指示,快速地评定显示中所描绘的氢化裂解器或氢化裂解器的反应器内是否存在问题。
此外,GUI可以连同氢化裂解器内已经发生或者将要发生的诸如异常情况之类的问题一起向用户提供消息。这些消息可以包括图形和/或文本消息,这些消息描述问题、建议可以实施以减轻当前的问题或可以实施以避免潜在的问题的对系统可能的改变、描述可以继续以纠正或避免问题的一系列动作等。
图15-19是可以为AOD系统生成并显示给操作员的显示的示例性描绘。在所示出的示例中,显示了氢化裂解器的反应器,例如图2B示出的反应器64、66中的一个反应器,的表示600。当然,应当理解,可以显示氢化裂解器的多个反应器。被监控的反应器具有截面温度被测量的四个截面或横过反应器的“床层”,但截面或“床层”的数目可以依赖于反应器而变化。每个截面的温度,例如平均床层温度(WABT1-WABT4),针对每个截面被显示。如以上针对图2B所指出的,可以将每个截面的WABT提供为在该截面处测量的多个温度测量值Ti的加权平均。
计算和显示每对WABT之间的温度差(ΔT1-ΔT3)。在一种实现方式中,描绘ΔT1的表示可以由AOD系统自动调整,以反应被监控的ΔT的数目。如图15所示,按钮602与每个ΔT相关联,如果该按钮被选择,则会响应于该选择而生成面板604。应当理解,尽管描绘了按钮,但也可以使用其它选择方法,如无线按钮、下拉(dropdown)菜单或其它图形链接,或者可以使用非图形选择方法(如键盘、声音等),来生成与特定的温度差变量ΔT相关联的面板604,或者来执行由显示所呈现的任意选项。
面板604包括各种信息,包括但不限于模式、状态、当前监控到的ΔT(y)、预测的ΔT(yP)、当前的回归模型、回归拟合质量等。面板可以进一步提供例如对用户可配置参数进行控制的能力,其中用户可配置参数例如学习长度、统计计算长度、回归阶数和阈值极限。用户可配置参数可以通过数据入口、图形操纵或多种配置方法中的任意一种方法进行控制。
当探测到异常状况时,例如当任一ΔT明显增加指示温度失控状态时,会生成警告或其它指示。现在参见图16,如果温度差变量ΔT1的监控值(y)明显偏离温度差变量ΔT1的预测值(yP),则与异常状况相关联的温度差变量的表示被高亮606,并且位于显示底部的警报标志(banner)显示警报608。当然,也可以使用其它显示告警的方法。
用户可以例如通过选择警报标志中的警报608或选择高亮的温度差变量606来请求与异常状况指示有关的进一步的信息。现在参见图17,可以响应于对进一步的信息的请求,生成与异常状况有关的概要消息610。该概要消息至少提供关于异常状况的某些进一步的信息,例如监控温度差变量值(y) (示出为“CurrentΔT:51.4°F”)和预测温度差变量值(yP)(示出为“ExpectedΔT:41.2°F”)。
如图17所示,概要消息610提供关于异常状况的进一步更详细的信息的图形链接。现在参见图18,生成描绘关于异常状况的更详细的信息的显示窗口。更详细的信息可以包括但不限于,处理异常状况的指导性帮助,例如解决异常状况的指令(例如,温度调节、关闭、替换零件订单、工件订单等)。
图19是可以被生成以允许操作者配置和查看AOD系统一个示例性显示。例如,AOD系统的操纵可以被实现为,包括但不限于爱默生过程管理公司销售的DeltaVTM和Ovation控制系统的多种处理控制平台上的、具有一个以上功能块的控制模块。在其它实现方式中,AOD系统的操纵可以被实现为现场设备接口模块,例如爱默生过程管理公司销售的Rosemount 3420。在又一实现方式中,AOD系统的操纵可以被实现为独立的算法。在图19的示例中,AOD系统的操纵被示出为在DeltaVTM中实现的异常情况预防模块,并允许操作员对AOD系统进行配置。例如,操作员可以对AOD系统的学习和监控阶段进行控制、指定包括的WABT、如果有的话指定使用的统计块、指定自动或手动操作模式、改变学习长度、改变统计计算周期、使能针对不同操作区域的重新学习、指定偏离阈值或与AOD系统相关联的多个可配置选项中的任意选项。
尽管描述了其中包括作为单个自变量的函数的单个因变量的线性回归模型的回归模型的示例,但本领域普通技术人员将认识到,也可以使用其它线性回归模型和非线性回归模型。本领域普通技术人员也将认识到,线性或非线性回归模型可以将多个因变量建模为多个自变量的函数。
这里描述的AOD系统、模型、回归模型、插值模型、偏离探测器、逻辑块、方法块等可使用硬件、固件和软件的任意组合来实现。因此,这里描述的系统和技术可以在标准的多用途处理器中或使用根据需要专门设计的硬件或固件来实现。当以软件实现时,该软件可存储在诸如磁盘、光盘或其它存储介质之类的任意计算机可读存储器中,存储在计算机、处理器、I/O设备、现场设备、接口设备等的RAM或ROM或闪存中。同样,该软件可以通过包括例如计算机可读盘或其它可运输计算机存储机制之类的任何已知或期望的传递方法,或通过通信介质,被传递给用户或过程控制系统。通信介质通常以载波或其它传输机制之类的调制数据信号,收录计算机可读指令、数据结构、程序模块或其它数据。术语“调制数据信号”意思是具有一个以上其特征以将信息编码为信号的方式被设置或改变的信号。作为示例而不是限制,通信介质包括诸如有线网络或直接有线连接之类的有线介质和诸如音频、无线频率、红外或其它无线介质之类的无线介质。因此,该软件可通过诸如电话线、因特网等的通信线路被传递给用户或过程控制系统(这可看做与通过可运输存储介质提供这类软件相同或可以互换)。
因此,虽然已经参照具体示例描述了本发明,其中具体示例仅出于示例性的目的而不是限制本发明,但是对本领域普通技术人员来说显而易见的是,可以在不背离本发明的精神和范围的情况下对所公开的实施例进行改变、增加或删除。
Claims (25)
1.一种探测氢化裂解器的异常操作的方法,包括:
采集所述氢化裂解器处于一操作区域时所述氢化裂解器的第一数据集,所述第一数据集根据所述操作区域中的、所述氢化裂解器的反应器中第一截面与所述氢化裂解器的所述反应器中第二截面之间的温度差变量,以及根据所述氢化裂解器在所述操作区域中的负荷变量而生成;
使用所述第一数据集生成所述氢化裂解器的在与所述操作区域相对应的范围中的回归模型;
使用所述回归模型生成作为负荷变量的函数的温度差变量值的预测;以及
通过将所述温度差变量值和所预测的温度差变量值之差与一阈值进行比较,确定所述温度差变量值是否不同于所预测的温度差变量值,以探测所述氢化裂解器内的异常情况。
2.根据权利要求1所述的方法,其中生成所述氢化裂解器的在与所述操作区域相对应的范围中的回归模型包括:生成所述氢化裂解器在所述操作区域中的回归模型以将所述温度差变量建模为所述负荷变量的函数。
3.根据权利要求1所述的方法,其中所述温度差变量包括所述氢化裂解器的反应器中第一截面处的加权平均温度与所述氢化裂解器的反应器中第二截面处的加权平均温度之间的温度差。
4.根据权利要求1所述的方法,其中采集所述第一数据集包括以下至少之一:采集所述温度差变量的样本和所述负荷变量的样本、采集所述温度差变量的处理后的样本和所述负荷变量的处理后的样本、以及采集根据所述温度差变量的样本生成的统计数据和根据所述负荷变量的样本生成的统计数据。
5.根据权利要求1所述的方法,其中使用所述回归模型生成作为负荷变量的函数的温度差变量值的预测包括:使用所述回归模型生成作为所述负荷变量的样本的函数的、所述温度差变量的样本的预测。
6.根据权利要求1所述的方法,其中使用所述回归模型生成作为负荷变量的函数的温度差变量值的预测包括:使用所述回归模型生成作为所述负荷变量的平均值的函数的、所述温度差变量的平均值的预测。
7.根据权利要求1所述的方法,其中通过将所述温度差变量值和所预测的温度差变量值之差与一阈值进行比较,确定所述温度差变量值是否不同于所预测的温度差变量值,以探测所述氢化裂解器内的异常情况包括:确定根据所述温度差变量值生成的相应信号是否从所述温度差变量值的预测偏离一阈值。
8.根据权利要求7所述的方法,其中所述阈值是以下至少之一:所述温度差变量的预测的百分比和所述温度差变量的预测的多个标准差。
9.根据权利要求8所述的方法,进一步包括将所述温度差变量的预测的标准差建模为所述负荷变量的函数。
10.根据权利要求8所述的方法,进一步包括根据所述第一数据集中的剩余的方差来计算所述温度差变量的预测的标准差。
11.一种探测氢化裂解器的异常操作的方法,包括:
采集所述氢化裂解器处于一操作区域时所述氢化裂解器的多个第一数据集,所述多个第一数据集中的每一个根据所述操作区域中的、所述氢化裂解器的反应器中的截面之间的相应温度差变量,以及根据所述氢化裂解器在所述操作区域中的负荷变量而生成;
使用所述多个第一数据集针对每个温度差变量生成所述氢化裂解器的在与所述操作区域相对应的范围中的回归模型;
使用所述回归模型生成作为负荷变量的函数的温度差变量值的预测;以及
通过将所述温度差变量值中的至少一个和所预测的相应的温度差变量值之差与一阈值进行比较,确定所述温度差变量值是否不同于所预测的温度差变量值,以探测所述氢化裂解器内的异常情况。
12.根据权利要求11所述的方法,其中所述温度差变量包括所述氢化裂解器的反应器中的截面处的加权平均温度之间的差。
13.根据权利要求11所述的方法,其中通过将所述温度差变量值中的至少一个和所预测的相应的温度差变量值之差与一阈值进行比较,确定所述温度差变量值是否不同于所预测的温度差变量值,以探测所述氢化裂解器内的异常情况包括:确定所述温度差变量值中的至少一个是否与所预测的相应的温度差变量值不同一阈值。
14.根据权利要求13所述的方法,其中确定所述温度差变量值中的至少一个是否与所预测的相应的温度差变量值不同一阈值包括:确定所述温度差变量值中的至少一个是否与所预测的相应的温度差变量值不同与所述温度差变量对应的阈值。
15.根据权利要求13所述的方法,其中所述阈值是以下至少之一:所预测的温度差变量值的百分比和所预测的温度差变量值的多个标准差。
16.一种探测氢化裂解器的异常操作的方法,包括:
采集第一数据集,所述第一数据集根据所述氢化裂解器处于第一操作区域时所述氢化裂解器的反应器中第一截面与所述氢化裂解器的反应器中第二截面之间的温度差变量,以及根据所述氢化裂解器处于所述第一操作区域时所述氢化裂解器的负荷变量而生成;
使用所述第一数据集生成与所述第一操作区域相对应的范围中的过程的第一回归模型;
确定所述第一回归模型有效的第一范围;
生成所述氢化裂解器的模型以包括所述第一回归模型;
采集第二数据集,所述第二数据集根据所述氢化裂解器处于第二操作区域时所述氢化裂解器的反应器中所述第一截面与所述氢化裂解器的反应器中所述第二截面之间的温度差变量,以及根据所述氢化裂解器处于所述第二操作区域时所述氢化裂解器的负荷变量而生成;
使用所述第二数据集生成所述氢化裂解器的在与所述第二操作区域相对应的中的第二回归模型;
确定所述第二回归模型有效的第二范围;以及
修正所述氢化裂解器的模型以包括所述第一范围的第一回归模型和所述第二范围的第二回归模型,以探测所述氢化裂解器内的异常情况。
17.根据权利要求16所述的方法,进一步包括:
在采集所述第二数据集之前,接收在所述第一范围之外的数据集;以及
生成所接收的数据集在所述氢化裂解器的模型的有效范围之外的指示符;
其中采集所述第二数据集包括响应于接收到授权而采集所述第二数据集。
18.根据权利要求17所述的方法,其中所述授权包括针对所述第二操作区域来训练模型的授权。
19.根据权利要求18所述的方法,其中所述授权包括开始对所述氢化裂解器进行监控的授权;
其中生成所述第二回归模型包括:响应于接收到训练模型的授权之后接收到开始对所述氢化裂解器进行监控的授权而生成所述第二回归模型。
20.根据权利要求17所述的方法,进一步包括响应于接收到所述授权而修正所述模型。
21.根据权利要求17所述的方法,其中所述授权包括用户授权。
22.一种探测加工厂中氢化裂解器中的异常操作的系统,包括:
加工厂中氢化裂解器的可配置模型,所述可配置模型包括与所述氢化裂解器的第一操作区域相对应的第一范围中的第一回归模型,所述可配置模型能够接下来被配置为,包括与所述第一操作区域不同的第二操作区域相对应的第二范围中的第二回归模型,其中所述可配置模型能够生成作为负荷变量值的函数的温度差变量值的预测,其中所述温度差变量值是根据所述氢化裂解器的反应器中第一截面与所述氢化裂解器的反应器中第二截面之间的温度差生成的;以及
连接至所述可配置模型的偏离探测器,所述偏离探测器被配置为,通过将所述温度差变量值与预测的温度差变量值之间的差与一阈值进行比较,来确定所述温度差变量值是否不同于所述预测的温度差变量值。
23.根据权利要求22所述的系统,其中在所述可配置模型被配置为包括所述第二回归模型之后,所述可配置模型能够:
在所述负荷变量处于所述第一范围内时,使用所述第一回归模型生成所述温度差变量值的预测,
在所述负荷变量处于所述第二范围内时,使用所述第二回归模型生成所述温度差变量值的预测。
24.一种探测加工厂中氢化裂解器中的异常操作的系统,包括:
加工厂中氢化裂解器的可配置模型,所述可配置模型包括与所述氢化裂解器的操作区域相对应的范围中的回归模型,其中所述可配置模型能够生成作为负荷变量值的函数的温度差变量值的预测,其中所述温度差变量值是根据所述氢化裂解器的反应器中第一截面与所述氢化裂解器的反应器中第二截面之间的温度差生成的;
连接至所述可配置模型的偏离探测器,所述偏离探测器被配置为,通过将所述温度差变量值与预测的温度差变量值之间的差与一阈值进行比较,来确定所述温度差变量是否不同于所述预测的温度差变量值;以及
存储在计算机可读存储器上并适于在处理器上执行的综合应用程序,用于响应于将所述温度差变量值与预测的温度差变量值之间的差与一阈值进行的比较,而创建所述氢化裂解器的表示,用于查看温度差变量值以及用于查看所述氢化裂解器的异常操作的指示。
25.根据权利要求24所述的系统,其中所述可配置模型包括与所述氢化裂解器的所述操作区域相对应的范围中的多个回归模型,其中所述可配置模型能够分别作为所述负荷变量值的函数的温度差变量值的多个预测,其中每个温度差变量值是根据所述氢化裂解器的反应器中的截面之间的相应温度差生成的;
其中所述偏离探测器被配置为,通过将所述温度差变量值中的至少一个与相应的预测的温度差变量值之间的差与一阈值进行比较,来确定所述温度差变量值中的所述至少一个是否不同于所述相应的预测的温度差变量值;
其中所述综合应用程序被配置为,如果所述温度差变量值中的至少一个与相应的预测的温度差变量值之间的差超出所述阈值,并生成引起异常操作的温度差变量的标识,则创建所述氢化裂解器的所述异常操作的指示。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US84778506P | 2006-09-28 | 2006-09-28 | |
US60/847,785 | 2006-09-28 | ||
PCT/US2007/079917 WO2008039992A2 (en) | 2006-09-28 | 2007-09-28 | Method and system for detecting abnormal operation in a hydrocracker |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101517505A CN101517505A (zh) | 2009-08-26 |
CN101517505B true CN101517505B (zh) | 2012-07-18 |
Family
ID=39231017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007800361154A Active CN101517505B (zh) | 2006-09-28 | 2007-09-28 | 探测氢化裂解器中的异常操作的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (2) | US8010292B2 (zh) |
EP (1) | EP2067085B1 (zh) |
JP (1) | JP5016054B2 (zh) |
CN (1) | CN101517505B (zh) |
WO (1) | WO2008039992A2 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8145358B2 (en) * | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US8032341B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US8032340B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US8108790B2 (en) * | 2007-03-26 | 2012-01-31 | Honeywell International Inc. | Apparatus and method for visualization of control techniques in a process control system |
US20090093893A1 (en) * | 2007-10-05 | 2009-04-09 | Fisher-Rosemount Systems, Inc. | System and method for recognizing and compensating for invalid regression model applied to abnormal situation prevention |
US9323234B2 (en) | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
US8571696B2 (en) * | 2009-06-10 | 2013-10-29 | Fisher-Rosemount Systems, Inc. | Methods and apparatus to predict process quality in a process control system |
US9394488B2 (en) | 2012-04-19 | 2016-07-19 | Exxonmobil Research And Engineering Company | Method for optimizing catalyst/oil mixing in an FCC reactor feed zone |
CN104020724B (zh) * | 2013-03-01 | 2017-02-08 | 中芯国际集成电路制造(上海)有限公司 | 告警监控方法和装置 |
US10120350B2 (en) * | 2013-03-11 | 2018-11-06 | Fisher-Rosemount Systems, Inc. | Background collection of diagnostic data from field instrumentation devices |
US11076113B2 (en) * | 2013-09-26 | 2021-07-27 | Rosemount Inc. | Industrial process diagnostics using infrared thermal sensing |
US9857228B2 (en) * | 2014-03-25 | 2018-01-02 | Rosemount Inc. | Process conduit anomaly detection using thermal imaging |
US20150300888A1 (en) * | 2014-04-21 | 2015-10-22 | National Taiwan University | Temperature prediction system and method thereof |
CN106872672B (zh) * | 2016-12-28 | 2018-04-13 | 中南大学 | 一种用于在线分析加氢裂化运行性能的方法 |
WO2018194565A1 (en) * | 2017-04-18 | 2018-10-25 | Hewlett-Packard Development Company, L.P. | Monitoring the thermal health of an electronic device |
DE102017108496B4 (de) * | 2017-04-21 | 2023-06-29 | Windmöller & Hölscher Kg | Verfahren und Vorrichtungen sowie System zum Auf- und Abwickeln eines Wickels |
TWI620908B (zh) * | 2017-10-16 | 2018-04-11 | 臺泥資訊股份有限公司 | 監控設備之方法及系統 |
US11256244B2 (en) * | 2018-02-05 | 2022-02-22 | Inventus Holdings, Llc | Adaptive alarm and dispatch system using incremental regressive model development |
DE102018216166B3 (de) * | 2018-09-21 | 2019-10-24 | Siemens Aktiengesellschaft | Messaufnehmer |
CN110000705B (zh) * | 2019-05-17 | 2021-04-27 | 蓝思科技(长沙)有限公司 | 一种磨机异常加工操作的检测方法、系统及相关组件 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466877B1 (en) * | 1999-09-15 | 2002-10-15 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3663805A (en) * | 1967-09-01 | 1972-05-16 | Gulf Research Development Co | Method and apparatus for monitoring processes |
US4236219A (en) | 1979-05-02 | 1980-11-25 | Phillips Petroleum Company | Temperature control of exothermic reactions |
JPH07219623A (ja) * | 1994-02-02 | 1995-08-18 | Yaskawa Electric Corp | 計測器の異常検知装置 |
US6094600A (en) | 1996-02-06 | 2000-07-25 | Fisher-Rosemount Systems, Inc. | System and method for managing a transaction database of records of changes to field device configurations |
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US7085610B2 (en) | 1996-03-28 | 2006-08-01 | Fisher-Rosemount Systems, Inc. | Root cause diagnostics |
FR2813024B1 (fr) * | 2000-08-17 | 2004-02-13 | Inst Francais Du Petrole | Dispositif d'injection d'un fluide place entre deux lits successifs permettant de realiser et de distribuer simultanement un melange polyphasique |
US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
US8145358B2 (en) | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US7912676B2 (en) | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
US7657399B2 (en) | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8606544B2 (en) | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US20080125877A1 (en) * | 2006-09-12 | 2008-05-29 | Fisher-Rosemount Systems, Inc. | Process data collection system configuration for process plant diagnostics development |
-
2007
- 2007-09-27 US US11/863,169 patent/US8010292B2/en active Active
- 2007-09-28 EP EP07843499.0A patent/EP2067085B1/en active Active
- 2007-09-28 WO PCT/US2007/079917 patent/WO2008039992A2/en active Application Filing
- 2007-09-28 CN CN2007800361154A patent/CN101517505B/zh active Active
- 2007-09-28 JP JP2009530636A patent/JP5016054B2/ja not_active Expired - Fee Related
-
2011
- 2011-08-10 US US13/206,813 patent/US8239134B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466877B1 (en) * | 1999-09-15 | 2002-10-15 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
Also Published As
Publication number | Publication date |
---|---|
US20080082308A1 (en) | 2008-04-03 |
WO2008039992A2 (en) | 2008-04-03 |
US8010292B2 (en) | 2011-08-30 |
EP2067085A2 (en) | 2009-06-10 |
JP5016054B2 (ja) | 2012-09-05 |
US20110295545A1 (en) | 2011-12-01 |
CN101517505A (zh) | 2009-08-26 |
WO2008039992A3 (en) | 2008-07-10 |
JP2010506259A (ja) | 2010-02-25 |
US8239134B2 (en) | 2012-08-07 |
EP2067085B1 (en) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101517505B (zh) | 探测氢化裂解器中的异常操作的方法和系统 | |
CN101535909B (zh) | 热交换器中的异常情况预防 | |
US7912676B2 (en) | Method and system for detecting abnormal operation in a process plant | |
US7206646B2 (en) | Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control | |
US7557702B2 (en) | Integrated alert generation in a process plant | |
CN100555136C (zh) | 加工厂中的异常状况预防方法和系统 | |
CN101529354A (zh) | 焦化加热器中的异常情况预防 | |
CN1969239B (zh) | 用于检测与控制回路的过程增益相关的异常状况的系统和方法 | |
US8032341B2 (en) | Modeling a process using a composite model comprising a plurality of regression models | |
US8145358B2 (en) | Method and system for detecting abnormal operation of a level regulatory control loop | |
CN101523316A (zh) | 用于检测加工厂中的故障的方法和系统 | |
CN103019094A (zh) | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 | |
CN101542409A (zh) | 用于多元数据的监控和分析的一元方法 | |
CN101213580A (zh) | 流程工厂中的集成警报生成 | |
CN102520717A (zh) | 用于在加工厂中预防异常状况的数据呈现系统 | |
WO2019226846A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |