CN101535910A - 过程变量数据的多元监控和诊断 - Google Patents

过程变量数据的多元监控和诊断 Download PDF

Info

Publication number
CN101535910A
CN101535910A CN 200780042050 CN200780042050A CN101535910A CN 101535910 A CN101535910 A CN 101535910A CN 200780042050 CN200780042050 CN 200780042050 CN 200780042050 A CN200780042050 A CN 200780042050A CN 101535910 A CN101535910 A CN 101535910A
Authority
CN
Grant status
Application
Patent type
Prior art keywords
process
line
data
operation
representation
Prior art date
Application number
CN 200780042050
Other languages
English (en)
Inventor
尼古拉·萨马尔季亚
约翰·菲利普·米勒
马库斯·理查德·伦德贝格
Original Assignee
费舍-柔斯芒特系统股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0243Electric 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
    • G05B23/0245Electric 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 qualitative model, e.g. rule based; if-then decisions
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021Electric 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S715/00Data processing: presentation processing of document, operator interface processing, and screen saver display processing
    • Y10S715/961Operator interface with visual structure or function dictated by intended use
    • Y10S715/965Operator interface with visual structure or function dictated by intended use for process control and configuration

Abstract

一种监控和诊断加工厂中在线多元过程变量数据的系统和方法,其中多元过程数据包括分别具有多个观测值的多个过程变量,包括当过程在线时从加工厂内的过程控制系统采集在线过程数据,其中所采集的在线过程数据包括多个过程变量的多个观测值;施行多元统计分析,以基于所采集的在线过程数据的集合来表示过程操作,所采集的在线过程数据的集合包括当过程在线时过程操作的测量值,其中过程操作的表示适于被执行以生成一结果;存储过程操作的表示和所采集的在线过程数据的集合;以及基于过程操作的表示的参数生成一输出,其中过程操作的表示的参数包括由过程操作的表示生成的结果、用于生成过程操作的表示的过程变量和所采集的在线过程数据的集合中的一个或多个。

Description

过程变量数据的多元监控和诊断

相关申请

本申请要求美国临时申请No.60/827,631的优先权,该临时申请的内容 通过引用特别合并于此。

技术领域

本公开内容总的来说涉及加工厂诊断,更具体地说,涉及包括多元统计 技术的监控和诊断系统。

背景技术

过程控制系统,例如化学、石油、或其它过程中所使用的过程控制系统, 通常包括 一 个以上通过模拟总线、数字总线或模拟/数字相结合的总线以可 通信方式连接至至少一个主机或操作员工作站以及一个以上过程控制和仪 表设备的集中式或分散式过程控制器。现场设备可以是例如阀、阀定位器、 开关、变送器和传感器(例如温度传感器、压力传感器和流速传感器),它 们位于加工厂环境中,并在诸如开启或关闭岡和测量过程参数、增加或减小 流体流量等的过程中施行功能。诸如符合公知的FOUNDATION™ Fieldbus (以下称作Fieldbus)协议或HART⑧协议的现场设备之类的智能现场设备 还施行控制运算、报警功能和过程控制器中通常实现的其它控制功能。

通常位于加工厂环境中的过程控制器接收表示现场设备所进行的或所 关联的过程测量值或过程变量的信号和/或与现场设备有关的其它信息,并 执行控制器应用程序。控制器应用程序实现例如不同的控制模块,这些控制 模块进行过程控制决策,基于所接收的信息生成控制信号,并且与诸如 HART⑧和Fiddbus现场设备之类的现场设备中正在施行的控制模块或块一 起协调工作。过程控制器中的控制模块通过通信线路或信号路径向现场设备

15发送控制信号,从而控制过程的操作。

来自现场设备和过程控制器的信息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、报告发生器、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、更改过程控制器或智能现场设 备中的控制模块的操作、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、对过程操作进行仿真以训 练人员或测试过程控制软件,以及诊断加工厂中的问题或硬件故障。

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 上会出现多个,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。

已经建立了很多诊断工具和应用程序来检测和确定加工厂中问题的产 生原因,并且一旦问题发生并被检测到,就协助操作员或维护人员诊断并校 正这些问题。例如,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至过程控制器的操作员工作站具有适于运行诸如

由愛默生过程管理公司出售的DeltaVTM和Ovation⑧控制系统之类的软件的 处理器和存储器。这些控制系统具有大量的控制模块和控制环路诊断工具。 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)的对象连接和嵌入(OLE)连接、手持连接等连接至 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。已经建立出类似的诊断应用 程序来诊断加工厂中的支持装置的问题。

因此,诸如AMSTM程序组:来自爱默生过程管理公司的智能设备管理器之类的商用软件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。同时参考名称为"Integrated Communication Network for use in a Field Device Management System (用于现 场设备管理系统的集成通信网络)"的美国专利No.5,960,214。在某些情况 下,AMS™软件可以用来与现场设备进行通信以改变现场设备中的参数, 从而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,以 获取关于现场设备的状态或健康等的信息。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,这些信息可以被维护人员 用来监控、维护和/或诊断现场设备的问题。

类似地,很多加工厂都包括诸如CSI系统所提供的Machinery Health® 之类的应用程序,用于监控、诊断和优化各种旋转装置的操作状态。维护人 员经常使用这些应用程序来维护或检查工厂中的旋转装置的性能,以确定旋 转装置的问题,并确定旋转装置是否必须被修理或更换以及修理或更换的时 间。类似地,很多加工厂包4舌电力控制和诊断应用程序,例如由Liebert和 ASCO公司提供的那些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可以以何种方式改变输入以针对诸如利 润之类的某个期望的优化变量优化加工厂的操作。

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报警显示、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。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。

尽管这些多种应用程序和工具可以方便加工厂中的问题识别和校正,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, 在使用这些工具来检测、识别和校正异常情况之前,异常情况可能已经存在 一段时间,这导致问题被检测、识别和校正期间加工厂呈现次最佳性能。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检测到存 在某个问题。然后操作员会通知潜在问题的维护人员。维护人员可能检测到 也可能检测不到实际的问题,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 问题的发生与该问题的校正之间有很长的时间段。在该时间段期间,加工厂 可能在通常与工厂的次最佳操作相关联的异常情况下运行。

另外,很多加工厂可能会经历在相对较短的时间量内在工厂中产生严重 的代价或损坏的异常情况。例如,如果某些异常情况存在,则即使存在极短 的时间量,这些异常情况也会引起对装置的重大损坏、原材料的损耗或加工

厂中的明显不期望的停工。因此,仅仅在问题已经发生后^r测工厂中的问题, 则不管该问题被校正得多快,都会在加工厂中造成严重的损耗或损坏„因此, 期望首先设法预防异常情况的出现,而不是在异常情况出现后再设法作出反 应并校正加工厂中的问题。

为了采取措施在加工厂中发生任何重大损失之前阻止已预测到的异常 情况,可以使用一种技术采集数据,该数据使用户能够在加工厂中的某些异 常情况实际出现之前预测这些异常情况的发生。在名称为"Root Cause Diagnostics (根本原因诊断)"、现为美国专利No, 7,085,610的美国专利申 请No.09/972,078 (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 )中公开了该程序。这两个申请的全部公开内容由此通过引用 合并于此。 一般而言,该技术在加工厂中的诸如现场设备之类的多个设备中 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 某些统计测量值,例如均值、中值、标准差等。然后这些统计测量值被发送 给用户并被分析,以识别已知异常情况在未来发生的模式。 一旦系统预测到 异常情况,即采取措施以校正潜在的问题,并在第一时间避免异常情况。

主成分分析(PCA )是已在过程控制行业中用于分析多维数据集的多元 数据分析技术。PCA技术通常涉及将数据从多维空间降低到仍然能够解释原 始数椐中的大多数显著变化的低维空间。例如,PCA可以用于将多元数据空 间(例如多维数据)的维度降低到几维(例如2维或3维)数据空间,从而 将多维数据投影到较低维的主成分空间上(在较低维的主成分空间上对多维 数据进行计分)。在L. H. Chiang等人在Springer-Verlag London Limited, pp.35-54(200l)上发表的 "Fault Detection and Diagnosis in Industrial Systems (工业系统中的故障检测和诊断),,和E. L. Russell等人在Springer-Verlag London Limited, (2000)上发表的 "Data-Driven Techniques for Fault Detection and Diagnosis in Chemical Processes(用于化学过程中的故障检测和诊断的数 据驱动技术),,中,可以找到与工业过程中用于故障检测的PCA技术的典 型实现有关的进一步细节。

多种软件包提供PCA功能,但是这些包中的绝大多数使用来自数据库 的离线过程数据。换句话说,PCA已是一种离线多元统计分析工具。这对于 诸如历史数据或已存储的多维数据文件之类的过程数据中异常情况的事后 分析是有用的,但是不能用于实时(例如,在线数椐分析)检测异常情况。 某些现有的PCA软件包可能能够对数据进行实时分析,但是只有在该软件 具有通常通过诸如OPC服务器之类的界面从控制系统对过程数据的访问的 情况下才可以。因此,工厂人员可能会不幸地具有对与控制系统分离的软件 包进行维护的负担,包括支持该软件包对控制系统的访问以及与控制系统的

19连接。进一步地,异常过程情况的检测应当在任何时候且针对各种异常情况 (例如,持续性过程与一次性方案)都可用,从而使异常情况预防工具能够 在任何时候针对各种异常情况都展示出警惕性和准确性。

传统的PCA技术还可能无法容易地传达指示过程动态的信息。PCA分 析的结果,即得分,通常通过作为基本过程数据的静态表示的散布图(scatter plot)来显示。不考虑得分数据在散布图中被记录或解释的方式,通常存在 与被不正确特征化的数据相关联的小的不确定性。如下所述,在没有更多信 息的情况下,过程操作员通常不能确定一给定得分是正常的还是异常的。例 如,PCA分析的前两个主成分捕获多维数据中的最大变化,由于来自PCA 分析的前两个得分表示关于多维数据的行为的最重要信息,包括过程中的最 大变化,因而可以绘制这两个得分。

出于这些原因,传统的PCA技术在异常情况的检测中展示出不可靠的 性能。PCA得分可能会暗示不存在的异常情况(即错误警报),并且相反地 可能在过程正在异常运转时指示正常操作(即遗漏的诊断)。进一步地,为 了实现PCA,使用训练数据(例如,来自"正常"过程操作的数椐)建立 PCA模型,并将得到的模型应用于检测异常过程情况。训练数据用于获得针 对主成分的模型。就这一点来说,PCA得分并不直接与实际的过程变量相关, 而且使用PCA监控的过程变量的物理过程极限在分析中不起作用,因而需 要统计解释(例如对"数据的优度"进行量化)。

发明内容

根据本公开内容的特定方面,公开了若干种技术以便于监控和诊断过程 控制系统及其任意元件的实现。这种监控和诊断通常包括或涉及主成分分析 (PCA)以及诸如主成分回归(PCR)、偏最小平方(PLS)、费舍判别分 析(FDA)或规范变量分析(CVA)之类的其它多元统计分析技术与过程控 制系统的集成。然后监控的多元本质可以支持诊断、异常情况预防以及其它 故障检测。这种监控和诊断通常还可以包括或涉及使用单个监控变量监控多元过程数据的一元分析的集成。多元分析或一元分析中的每一个都可以促进 若干种故障监控和检测技术,例如异常情况检测和预防。

具体而言,从过程控制系统采集在线过程数据,在线过程数据表示当过 程在线且正常操作时该过程的正常操作。诸如PCA之类的多元统计分析用 于基于所采集的数据建立过程的模型。该模型与所采集的过程数据 一起存 储。可替换地,或者结合起来,使用利用多元统计分析建立的过程模型来执 行过程的监控,以基于多元模型的参数生成输出。该输出可以使用来自模型

的多个参数,包括主成分(在使用PCA的情况下)、用于建立模型的训练 数据和来自该模型的结杲(例如,在使用PCA情况下的得分)。该输出可 以包括基于该模型的结果的统计输出、基于训练数据的归一化的过程变量、 过程变量极限或模型成分、以及基于训练数据和模型成分的过程变量等级。 输出中的每一个可以用于验证已有模型(例如,比较过程变量等级)、生成 过程监控和诊断的视图并施行警报诊断以检测过程中的异常情况。

附图说明

图1是具有包括一个以上搡作员和维护工作站、控制器、现场设备和支 持装置的分布式过程控制系统和网络的加工厂的示例性框图;

图2是图1的加工厂的一部分的示例性框图,图示出位于加工厂的不同 元件内的异常情况预防系统的各种部件之间的通信互连;

图3是具有用于监控加工厂的操作的操作要求或控制极限的过程变量 随时间的图;

图4是过程变量的数目相对于操作要求或控制极限的图或多元视图,该

程监控的用户界面;

图5是图4的视图在过程变量之一已超出操作要求或控制极限(可以指 示异常情况或故障状况)之后的另一视图;

图6是根据本公开内容的一方面,为实现主成分分析(PCA)技术而配置且在用于训练和搡作的过程控制系统内例示的示例性功能块的表示;

图7是根据本公开内容的另一方面的PCA技术实现期间示出的另一示 例性PCA功能块的表示;

图8是根据本公开内容的另一方面的多元监控和诊断模块(MMDM) 的框图,在某些实施例中,该多元监控和诊断模块的部件可以在图6和7的 功能块中实现;

图9-12是根据本公开内容的另一方面生成的示例性用户界面显示,在 某些实施例中,该示例性用户界面显示可以由图6和7的功能块创建或支持, 或者由图8的MMDM工具创建或支持,以用于多元监控和故障检测;

图13-14是根据另一实施例生成且以与图9-12的用于多元监控和故障 检测的用户界面显示类似的方式创建或支持的另一示例性用户界面显示;

图15-19是根据又一实施例生成且以与图9-12的用于多元监控和故障 检测的用户界面显示类似的方式创建或支持的又一示例性用户界面显示;

图20和21是根据再一实施例生成且以与图9-12的用于多元监控和故 障检测的用户界面显示类似的方式创建或支持的再一示例性用户界面显示;

图22和23是根据本公开内容的可以使用图6和7的功能块的另一方面 的基于PCA的稳态检测系统和技术的框图;

图24是火焰加热器的示意图,可应用所公开的技术和本公开内容的 MMDM工具以进行监控、*珍断和故障4企测的示例性过程;

图25是基于主成分tl和t2映射到两维空间的训练数据得分的图形表 示,'该训练数据用于结合图24的火焰加热器的基于PCA的监控、诊断和故 障检测;

图26和27是由MMDM工具结合用于图24的火焰加热器的基于PCA 的监控、诊断和故障检测生成的示例性用户界面显示;

图28是根据本公开内容的另一方面,用于检测或确定动态操作的多元 统计技术用作验证数据的原油流速数据的图;

图29是比较与图20中描绘的流速相关联的实际输出温度数据(T。ul)

22和由用于检测或确定动态操作的多元统计技术的PCR模型预测的输出温度 的图;

图30-36是结合用于检测或确定动态操作的多元统计技术的实施生成的

示例性用户界面显示;

图37是根据一个实施例,用于检测或确定动态操作的多元统计技术的

流程图;

图38和39是根据本公开内容的另一方面,比较示例性火焰加热器的实 际输出温度数据与由可以用于检测焦化的多元统计模型预测的数据的图;

图40和41是根据基于多元统计模型的焦化检测技术的一个实施例,比 较实际输出温度数据和预测输出温度数据的图;

图42是论证根据本公开内容的另一方面的用于焦化检测另 一基于非回 归的技术的针对火焰加热器输出温度的PCA模型参数的图;

图43是图42的图中描绘的基于非回归的焦化检测技术的 一 个实施例的 流程图。

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一起互连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,也可以是任何其 它控制系统,所述其它控制系统包括连接至控制器12B和输入/输出(I/O) 卡12C的操作员接口 12A,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可以是例如得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 何其它包括例如使用PROFIBUS®、 WORLDFIP®、 Device-Net®、 AS-Interface 以及CAN协议中的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提供与过程变量和其它设备信息有关的模拟或数字信息。操作 员接口 14A可以存储和执行过程控制搡作员可用的工具17、 19以控制过程 的操作,所述工具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,维护系统,例如执行AMS应用程序和/或以下所述的监控、 诊断和通信应用程序的计算机,可以连接到过程控制系统】2和】4或连接到 其中的单个设备以施行维护、监控和诊断活动。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)连接到控制器 12B和/或连接到设备15,以与设备15通信,并且在某些情况下重新配置设 备15或对设备15施行其它维护活动。类似地,诸如AMS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,并由所述用户接口 14A^l行,以施行包括与;殳备16的#:作状 态有关的数据采集的维护和监控功能。

加工厂IO还包括诸如涡轮机、发动机等的各种旋转(以及其它)装置 20,这些装置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以进行读取而后被拿走的手持设备)连接到维护计 算机22。维护计算机22可以存储和执行例如由CSI (—爱默生过程管理公 司)提供的包括可商用的应用程序的任意数目的监控和诊断应用程序23以 及以下所述的用于诊断、监控和优化旋转装置20和加工厂中的其它装置的 操作状态的应用程序、模块和工具。维护人员通常使用应用程序23维护和 检查工厂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以及维修或更换的时间。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有关的数椐,并使用该数 据对装置20进行分析,以检测问题、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IO的其余部分。

类似地,具有与工厂IO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检查工厂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施行分析的服务应用程序来检测问 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IO的其余部分, 也可以仅临时连接到系统10的其余部分。

如图l所示,计算机30实现异常情况预防系统35的至少一部分,具体 而言,计算机系统30存储并实现配置应用程序38和作为可选的异常操作检 测系统42,其若干实施例将在下文中更详细地描述。另外,计算机系统30 可以实现警告/警报应用程序43。

一般而言,异常情况预防系统35可以包括可选地位于加工厂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,以及任何其它期望设备和装置中的异常操作检 测系统、模块或工具(未在图1中示出)和/或计算机系统30中的异常操作 检测系统42,或与之通信,以配置这些异常操作检测系统中的每一个并在 这些异常操作检测系统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可以以可通信的方式通过硬线总线45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 (或用于过程控制的OLE)的专用连接、诸如依靠手持 设备采集数据等的间歇性连接的任何其它期望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

25数据以及由例如第三方服

务提供商采集的这种数据。进一步,异常情况预防系统35可以以可通信方 式通过包括例如以太网、Modbus、 HTML、专有技术/协议等的各种技术和/ 或协议连接至工厂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知到,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。在任何情况下,异常 情况预防系统35可以与工厂IO的任何计算机、i殳备或其它方面通信,从工 厂IO的任何计算机、设备或其它方面接收过程变量数据,所述工厂10的任 何计算机、设备或其它方面包括但不限于过程控制系统(例如,Delta™、 Ovatioi^或其它分布式控制系统)、符合各种标准或协议(例如,Foundation Heldbus、 HART、 OPC、 Modbus、无线等)的设备和计算机、以及可以与 设备一起实现或遍布于加工厂10中的各种变送器、传感器和致动器。如下 面进一步论述的,由异常情况预防系统35接收并使用的数据可以是诸如来 自历史数据库的数据之类的历史数据,但是也可以是在线数据(例如,在过 程在线时采集的数据),所述在线数据包括但不限于在线采集的数据以及当 过程正在操作时实时采集的数据。

作为背景技术,OPC是建立用于从工厂或过程控制系统访问过程数据 的机制的标准。典型地,OPC服务器在过程控制系统中实现以暴露或提供来 自例如现场设备的过程信息。OPC客户端创建与OPC服务器的连接,并将 过程信息写入现场设备,或从现场设备中读取过程信息。OPC服务器使用 OLE技术(即组件对象模型或COM)与这种客户端通信,从而使得由客户 端实施的软件应用程序可以访问来自现场设备或其它加工厂装置的数据。

图2示出图1的示例加工厂10的一部分50,以描绘异常情况预防系统 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中的各种设 备通信的一种方式。尽管图2示出异常情况预防系统35与HART和Fieldbus 现场设备内的一个以上异常操作检测系统之间的通信,但是应当理解,类似的通信可以发生在异常情况预防系统3 5与加工厂1 0内的其它设备以及装置 之间,包括图1中示出的设备和装置中的任一种。

图2中示出的加工厂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,过程控制器60通过可以是符合任何期望通信或控 制器协议的任何期望类型的1/0设备的输入/输出(I/O)卡或设备68和70 连接到一个以上现场设备64和66。现场设备64被示出为HART现场设备, 现场设备66被示出为Fieldbus现场设备,但是这些现场设备可以使用任何 其它期望的通信协议。另外,现场设备64和66中的每一个可以是任何类型 的设备,例如传感器、阀、变送器、定位器等,并且可以符合任何期望的开 放、专有或其它通信或编程协议,应当理解I/O设备68和70必须与现场设 备64和66所使用的期望协议相兼容。

在任何情况下,可由诸如配置工程师、过程控制操作员、维护人员、工 厂管理员、监管员等的工厂人员访问的一个以上用户接口或计算器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被连 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 线通信结构和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。另外,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 信息以及在线过程变量数据、参数数据、状态数据和与加工厂10中的过程 控制器60以及现场设备64和66相关联的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, 并且在过程控制系统54的控制配置信息下栽并存储到过程控制器60以及现 场设备64和66时存储过程控制系统54的控制配置信息。同样地,数据库 78可以存储历史异常情况预防数据,包括由加工厂10中的现场设备64和 66采集的统计数据、根据由现场设备64和66采集的过程变量确定的统计 数据和以下将描述的其它类型的数椐。

过程控制器60、 I/O设备68和70以及现场设备64和66通常位于且遍 布于有时严峻的工厂环境中,而工作站72、 74和数据库78经常位于可由操作员、维护人员等轻松访问的控制室、维护室或其它不太严峻的环境中。

一般而言,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 模块或块实现控制策略的一个以上控制器应用程序。控制模块中的每一个可 以由通常所说的功能块组成,其中每个功能块是总控制例程中的一部分或子 例程,并且与其它的功能块结合起来操作(通过称为链路的通信),以实现

加工厂IO中的过程控制环路。公知的是,可以作为面向对象的编程协议中 的对象的功能块通常施行输入功能、控制功能或输出功能之一,输入功能可 以与例如变送器、传感器或其它过程参数测量设备相关联,控制功能可以与 例如施行PID、模糊逻辑等控制的控制例程相关联,输出功能控制诸如阀之 类的一些设备的操作,以施行加工厂10中的某些物理功能。当然,还存在 诸如模型预测控制器(MPC)、优化器等的混合和其它类型的复杂功能块。 应当理解的是,尽管Fieldbus协议和DeltaV™系统协议使用以面向对象的 编程协议设计和实现的控制模块和功能块,但是控制模块也可以使用包括例 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的编程技术来设计。

如图2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以下面的方式存储针对图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,即可以在处理器74A上实现这些应用程序

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

自-

一个以上现场设备64和66中的每一个都可以包括存储器(未示出), 以存储诸如用于实现与检测设备所检测的 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检测的例程之类的例程„ 一 个以上现场设备64和66中的每一个也可以包括处理器(未示出),该处理 器用于执行诸如实现统计数据采集的例程和/或用于异常操作检测的例程之 类的例程。统计数据采集和/或异常操作检测不需要由软件来实现。相反, 本领域普通技术人员应当认识到,这种系统可以由一个以上现场设备和/或其它设备中的软件、固件和/或硬件的任意组合来实现。

如图2所示,现场设备64和66中的某些(和可能所有)现场设备包括 以下将更详细描述的异常操作检测(即异常情况预防)块80和82。尽管图 2的块80和82被示为位于设备64之一和设备66之一中,但是这些块或类 似的块可以位于任意数目的现场设备64和66中,或者位于其它设备中,例 如控制器60、 1/0设备68、 70或图1中所示的任意设备。另外,块80和82 可以在现场设备64和66的任意子集中。

一般而言,块80和82或这些块的子元件从它们所位于的设备和/或从 其它设备采集诸如过程变量数据之类的数据。另外,块80和82或这些块的 子元件可以出于若干原因对变量数据进行处理并对该数据施行分析。例如, 被示为与阀相关联的块80可以具有对阀过程变量数据进行分析以确定阀是 否处于阻塞状态的阀阻塞检测例程82。另外,块80可以包括一个以上统计 过程监控(SPM)块或单元的集合,例如块SPM1 - SPM4,这些块可以采集 阀中的过程变量或其它数据,并对所采集的数据施行一个以上统计计算,以 确定例如所采集的数据的均值、中值、标准差、均方根(RMS)、变化率、 范围、最小值、最大值等和/或检测所采集的数据中的诸如漂移、偏置、噪 音、毛刺等事件。所生成的具体统计数据和生成的方法并不重要。因此,还 可以生成不同类型的统计数据,作为以上所述的具体类型的补充或替代。另 外,包括已知技术的多种技术可以用于生成这类数据。这里术语"统计过程 监控(SPM)块"被用于描述对至少一个过程变量或其它过程参数施行统计 过程监控的功能,该功能可以由数据被采集的设备中的或甚至是该设备外部 的任意期望的软件、固件或硬件来实现。应当理解,由于SPM通常位于在 其中设备数据被采集的设备中,因此SPM能够获得数量更多并且质量更准 确的过程变量数据。因此对于所采集的过程变量数据,SPM块通常能够比 位于其中过程变量数据被采集的设备外部的块确定更好的统计计算。

应该理解,尽管在图2中块80和82被示为包括SPM块,但是相反, SPM块可以是与块80和82分离的独立块,并且可以位于与对应的块80或82相同的设备中,也可以位于不同的设备中。这里所讨论的SPM块可以包

括已知的Foundation Fieldbus SPM块、或者与已知的Foundation Fieldbus SPM块相比具有不同的或附加能力的SPM块。这里使用的术语"统计过程 监控(SPM)块"是指采集诸如过程变量数据之类的数据并对该数据施行某 些统计处理以确定诸如均值、标准差等的统计测量值的任意类型的块或元 件。因此,该术语意在覆盖可以施行该功能的软件、固件、硬件和/或其它 元件,而不管这些元件是否采用功能块、或其它类型的块、程序、例程或元 件的形式,也不管这些元件是否符合Foundation Fieldbus协议或诸如 Profibus、 HART、 CAN等协议之类的某些其它协议。如果需要,块80、 82 的基础操作可以至少部分如美国专利No. 6,017,143中所描述的那样来施行 或实现,该专利通过引用合并于此。

应当理解,尽管在图2中块80和82被示为包括SPM块,但是SPM块 不是块80和82所必需的。例如,块80和82的异常操作检测例程可以使用 未被SPM块处理的过程变量数据来操作。作为另一示例,块80和82可以 各自接收由位于其它设备中的一个以上SPM块提供的数据,并对该数据进 行操作。作为再一示例,过程变量数据可以通过并不是由很多典型的SPM 块提供的方式来处理。仅作为一个示例,过程变量数据可以由诸如带通滤波 器或某种其它类型的滤波器之类的有限脉沖响应(FIR)或无限脉沖响应 (IIR)滤波器滤波。作为另一示例,可以对过程变量数据进行削减,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2的被示出为与变送器相关联的块82可以具有分析由变送器采集的 过程变量数据以确定工厂内的线路是否被插接上的线路插接检测单元。另 外,块82可以包括^者如块SPM1-SPM4之类的一个以上SPM块或单元,其 例如可以采集变送器内的过程变量或其它数据,并对所采集的数据施行一种 以上统计计算以确定所采集的数椐的例如均值、中值、标准差等。尽管块 80和82被示出为各自包括四个SPM块,但是块80和82中也可以具有任意其它数目的SPM块来采集和确定统计数据。

现为美国专利No.7,079,984的美国专利公开No.2005/0197803 ("Abnormal situation prevention in a process plant (力口工厂中的异常情况预 防),')、美国专利公开No.2005/0197806 ( "Configuration system and method for abnormal situation prevention in a process plant (用于力口工厂中的异常情况 预防的配置系统和方法)")以及美国专利公开No.2005/0197805 ( "Data presentation system for abnormal situation prevention in the process plant (用于 加工厂中的异常情况预防的数据呈现系统)")中可以找到与异常情况预防 系统及其部件的实现和配置有关的进一步细节,上述专利中的每一个出于所 有目的通过引用合并与此。

在上述异常情况预防系统和技术以及所引用的文件中,SPM(或异常情 况预防)块80、 82可以与一个以上异常情况预防模块相关联,或被认为是 一个以上异常情况预防模块的部件。尽管异常情况预防块可以驻留于可荻得 更快速采样的数据的现场设备中,但异常情况预防模块也可以驻留于主机系 统或控制器中。异常情况预防模块可以从一个以上异常情况预防块中获取数 据,并使用该数据做出关于更大系统的决策。更概括地说,异常情况预防模 块可以被建立和配置为从一个以上功能块(例如异常情况预防块)接收数据, 以支持对每种类型的现场设备、仪表或其它装置(例如,阀、泵等)的诊断。 但是,与异常情况预防模块相关联的功能块可以驻留于与该功能块被建立所 针对的特定装置不同的设备中,并且由该设备实现。在这种情况下,异常情 况预防模块具有分布式特性。其它异常情况预防模块可以完全在诸如过程控 制器60之内的一个装置内实现,即使针对的是对特定现场设备的诊断。在 任意事件中,可以针对每种装置类型开发诊断例程或技术,以检测、预测和 预防装置(或过程)的异常情况或操作。出于易于描述的目的,术语"异常 情W预防模块"在这里将用于指代这种例程或技术。因此异常情况预防模块 响应于施行诊断所需的测量值集合,并且进一步包括(i)将由模块检测的 异常状况的集合,以及(U)将测量值的改变与对应的异常状况联系起来的

31规则的集合。此外,将提出对下面公开的技术的描述中的异常情况预防模块 的参考,并且应当理解这些技术也可以与异常情况预防块结合使用。

在某些情况下,配置应用程序38或异常情况预防系统35的其它部件可 以支持针对每个异常情况预防模块的模板的开发或生成。例如,由Delta™ 控制系统提供的配置和开发平台可以用于根据相应合成模板块创建异常情 况预防模块的特定事例或例示。

尽管结合图2示出并描述为异常情况预防功能,但是上述模块和块也可 以更广泛地致力于实现为如下所述的过程监控和诊断以及故障检测所配置 的多元统计技术。在某些情况下,下述技术可以包括异常情况预防模块或块, 或与异常情况预防模块或块集成。在任意情况下,下面对系统和技术(以及 任何模块、功能块、应用程序、软件或其它部件及其方面)的参考可以与上 述的工作站工具17、 19,操作员接口 12A、 14A,应用程序23,异常情况预 防系统25以及接口 72、 74—起使用、包括在其中,与其集成在一起或与其 相关联。

转向图3,这里描述的若干种多元监控和诊断技术可以基于并合并多元 和一元诊断工具的可^f见化和其它方面。例如,过程变量(PV)在图3中被 示出为具有其对应的过程要求,该图经常被称为休哈特(Shewhart)图。每 个过程变量都可以按照休哈特图来描述,休哈特图绘制出变量与控制上限 (UCL) 100、控制下限(LCL) 102和目标值104之间的关系。UCL 100 和LCL 102是真实物理极限而非统计极限。在操作期间,每个过程变量优选 被限制在其UCL和LCL之间,并且过程变量的理想值为目标值。在这些极 限内时,过程变量被叫做在控制下,否则,过程变量被叫做失控。如所指示 的,UCL和LCL表示可以由过程操作要求提供的物理极限。尽管这种可视 化的方式基于过程变量数据的多维视图,但是如下所述,这种对过程变量的 描述对于结合基于过程变量归一化的其它可视化技术是有用的。

然而,为了参照下面将进一步描述的各方面,提供基本PCA算法的概 述。尽管这里PCA作为可以与本公开内容的各方面一起使用的多元统计分析被公开,但是应当理解,也可以使用其它多元统计分析来代替PCA,所述 其它多元统计分析包括但不限于主成分回归(PCR)、偏最小平方(PLS)、

费舍判别分析(FDA)或规范变量分析(CVA)。

对于一给定过程、过程单元、过程设备等,存在大量测量得到的过程变 量。这些变量中的每一个都可以用作PCA算法的输入变量。来自每个过程 变量的数据被采集特定长度的时间或特定数目个点,并且在这里被称为过程 变量的观测值。通常,在PCA中使用的所有过程变量被同时采样。

如果w是输入变量的数目,"是每个输入变量的观测值的数目,则矩阵 X是包含所有输入变量的所有观测值的"x w矩阵。在典型的过程中,某些

变量的幅度明显大于其它变量的幅度。为了保证所有的过程变量对PCA模 型具有同等的影响,可以对X数据进行自动缩放(对于每个输入变量,减 去均值并除以标准差)。在对输入变量进行自动缩放之后,通过S = XT • x/("-1) 计算样本协方差矩阵,其中T是矩阵X的转置运算。

对样本协方差矩阵进行特征值-特征向量分解:S = V,D*VT,其中D是 包含从最大到最小排序的m个特征值的对角矩阵。V的列是相应特征向量, T是矩阵V的转置运算。最大特征值及其相应特征向量对应于原始输入空间 中包含原始过程数据的最大变化量的方向。这被认为是第一主成分。第二大 特征值及其相应特征向量对应于与正交于第一主成分、包含次最大变化量的 方向。这继续下去,直到创建了解释所有原始过程数据的新正交向量空间为 止。

在计算出特征值和特征向量之后,PCA确定哪些特征值和特征向量是 通常与过程中的重要变化相对应的重要主成分,哪些是通常与噪声相对应的 非重要主成分。有很多种不同的方法已被提出用来选择重要主成分的数目, 包括凯泽(Kaiser)法则(选择特征值大于一的主成分),变化百分比测试 (即选择解释数据中总变化的特定百分比(例如80%或90%)的主成分的数 目),平行分析以及交叉验证。无论使用哪种方法,最终结果确定为PCA模型保留的重要主成分的数

目a。然后,通过从V中取前a列来创建负荷矩阵P e 9TX。。原始观测值到 由负荷矩阵定义的子空间上的投影被称作得分矩阵,并由T-X,P表示。T

的列被称作PCA模型的得分,被引作t,,t2,…V负荷矩阵P连同在自动缩放

中使用的均值和标准差一起被认为是PCA模型。该PCA模型然后可应用于 任意未来的数据集。

在创建了 PCA模型之后,可以基于原始过程数据创建基于统计的极P艮, 以定义由原始数据定义的过程的正常操作。所使用的一种方法是霍特林 (Hotelling)的T"则试,但是应当理解,也可以使用其它方法得到基于统计 的极限。当得分超出极限时,这可能是过程中某种事物异常的指示。另外, 可替代地,可以应用相应地限制变化量的2-a和3-o极限。

基于来自PCA模型的得分数据,可以绘制若干幅图。最简单的图是得 分对时间的图。在该图中,上限和下限是基于统计创建的,并且如果超出任 一阈值,则可以触发警报。第二常见的图是两个得分的散布图。最常见的是, 前两个得分t,和t2被绘制,因为这两个得分描述过程中的最大变化量。在下 述的用户界面中示出了若干个示例性两个得分的散布图。在这些以及其它情 况下,基于统计的极限可以包括或涉及围绕正常过程数据的圆形或椭圆形。 再次,如果得分超出这些极限,则可以触发警报。

转向图4和5,并且根据通常致力于支持多元实时过程数据的在线监控 和分析的本公开内容的方面,过程可视化技术利用多维(或多元)的过程变 量数据的集合内的控制极限,例如与上面的休哈特表相关联的控制极限。尽 管是多元数据集,但是可以使用如下所述的变换之类的变换以一元形式表示 极限。 一般而言,变换可以基于一元技术来监控多元数据。使用该技术,可 以通过使用单个投影参数将任意数目的过程变量的过程数据和控制极限进 行归一化并引向同一标准。

作为比较,存在用于离线应用程序的不同统计工具,并且这些统计工具中的某些可以用于在线监控。例如,如上所论述的,主成分分析(PCA)是 一种经常用于将多元数据空间的维度降低到几维(经常是二或三)的技术。

然而,为了实现PCA,使用训练数据或来自"正常"过程操作的数据建立 PCA模型,然后将该模型应用于过程的进一步监控。如上所论述的,得到的 模型是关于主成分的,主成分是由训练数据确定的协方差矩阵中本质上最主 要的特征向量。由于这种PCA结果,也称为得分,并不直接与真实的过程 变量相关,因此所监控的变量的物理过程极限在分析中不起作用。出于这个 原因,当使用PCA工具时,某些统计解释经常用于量化"数据的优度"(即 使用霍特林丁2统计计算95%或99%的置信区间)。

使用一元分析,提出一种确定性方法来利用单个监控变量监控多元过程 数据。该方法可以容易地应用于离线和在线数据监控和分析应用程序中。下 面描述该方法和模型建立。

在开始时,X,,X2,…,Xn被公开为表示过程变量。每个变量Xi, i-l,…,n, 是包含时变数据Xi,j的向量,其中j指代Xi的第j个样本或成分。例如, Xr[Xu,Xi.2,…,Xi,m]T,其中T表示Xi的转置运算,m是由数据采样速率和数 据采集的总时间确定的向量维度。利用这种命名法,根据变换

q)2+V^j描述每个过程变量,其中i-l,…,",j-l,…,m,并且其中y 是被指派为将多元过程变量捆扎在一起的变量,a,是给变量Xj分配的唯一 位置,k,是缩放参数,且Xii是Xi的第j个成分。由于可以针对每个变量Xi,

i i曾j

i=l,…,n ,唯 一 地定义变换Pi ,因此可以将多元变换定义为

P(y)=p,(y)*p2(y)……*pn(y)°

接下来,P被用于导出投影模型M"y—Kp/P(y),其中Kp是缩放因子,

M、(y)指代多元投影。使用这些指定,多元数据通过单个变量y被投影。

图4和5图示出多个过程变量(PV1、 PV2等)相对于每个变量各自的 物理操作极限在单个图上的合成视图。图4描绘出针对每个过程变量都保持 在操作极限内的数据点的图106。图5描绘出针对过程变量之一可能已超出

35其控制极限的另外的数据点的图108。

为了进一步图示出该方法(包括视图以何种方式指示已超出控制极限),

使用六个过程变量Xp X2, X3, X4, Xs和Xe提供示例。在正常操作状况下,

这些变量中的每一个都具有由lx,」定义的操作极限(假设数据点居中)。利

用该信息,每个变换p,利用系数k,被调谐至相同的水平,从而获得图4和5 的视图。这有效地定义了一组多元监控设置值。可以看出,这六个过程变量 中的每一个针对变量y (横轴)都具有由ai = -10, -5, 0, 5, 10, 15给定的 唯一位置。此外,所有的过程变量都由参数Ki调谐以达到由X丄给定的最大 操作范围的均等最大响应或极限。

现在,如果在监控阶段期间六个峰值中的任一个突破过程变量指示符, 则该特定变量可能已遇到超出范围的事件。这在图5中示出。可以看出,过 程变量#2相对于容许极限处于边缘,而过程变量#4明显超出迹线。但是, 图5中描绘的情况清楚地图示出六个过程变量的正常操作状况。

在监控阶段,图4和5的事件并不是孤立的,或者说是独立的事件,它 们实际上是持续改变的变量的可视片段(snippet)或帧。也就是说,当新的 过程数据输入模型(以给定的采样速率)时,响应即时改变。因此监控图像 按照采样速率被更新,在任意情况下,所述采样速率可以大约为0.1到1秒 或更长。

在该监控方法中,当所有过程变量的极限已知时,所公开的方法不需要 训练数据。例如,为了创建多元监控,人们应用以上描述的设计程序完成一 元模型,利用其它方法这是不可能的。在其它情况下,如果并非所有的过程 变量极限都已知,则可以使用没有预定极限的过程变量的训练数据来确定在 正常过程操作状况下的过程变量极限,然后可以计算出模型。在已知或未知 极限的情况下,可以使用 一元分析方法对每个过程变量进行归 一化以定义公 共过程变量极限(见例如图4),并且可以相对于公共过程变量极限监控每 个过程变量。下面进一步论述的既使用已知过程变量极限又使用未知过程变量极限的归一化的其它示例可以利用一元分析方法来实现。

所公开的一元分析方法不局限于任何特定的过程变量的集合或类型。它 可以应用于过程变量的任意组合(例如,过程输入、输出和外部变量)。另 外, 一元方法提供创建和分析过程数据模式的唯一方式。这些模式可以进一 步用于过程诊断,包括异常情况预防应用程序。例如,如果在大多数时间两 个以上峰值有同步上移或下移的趋势,则相应的过程变量相关联。否则,这 些变量不相关联。类似地, 一元技术可以用于估计过程变量是否发生故障。 简言之,所公开的 一元数据建模和可视化方法提供使用单个变量实现在线或 离线场景的多元监控的技术。如果所有过程变量的极限均已知,则该方法不 需要训练数据,并且同样它提供可被过程操作员容易地解释的监控结果。

现在提供关于三种可替代方法的进一步信息,这三种可替代方法可以用 于归一化过程变量以采用图4和5示出的形式显示。为了描述它们,可以考 虑图3(休哈特图)中示出的典型过程变量描述。在该图中,过程变量被限

制在UCL 100和LCL 102之间,并且过程变量的理想值是目标值。在这些 极限之内时,该控制变量被叫做在控制下,否则,该控制变量被叫做失控。 如上所论述的,UCL和LCL表示可以通过过程操作需求提供的物理极限。 基于此,可以利用以下数据归一化方法。

当每个过程变量的控制极限都已知时,可以使用第一方法。具体而言, 可以将过程变量PV归一化为控制极限和目标值的函数:

其中目标=丁, CL = |UCL - T| = |LCL 一 T| 。

当并非所有过程变量的过程变量控制极限都已知时,可以使用第二方 法。具体而言,可以将过程变量PV归一化为当过程正常操作时为过程变量 采集的训练数据集的函数,该函数包括在训练数据集内过程变量的观测值:其中正常过程操作由训练数据集T(PV)表示,Mpv是T(PV)的均值,并且 CI,T(PV》中的lPV-Mpv匕。

第三方法使用统计自动缩放方法,该方法也可以在并非所有过程变量的 过程变量控制极限都已知时使用。具体而言,可以将过程变量PV归一化为 当过程正常操作时为过程变量采集的训练数据集的函数,该函数包括在训练 数据集内过程变量的观观'」值:

其中正常过程操作由训练数据集T(PV)表示, 一是T《PV!的方差,Mpv是 T(PV)的均值,并且ka,k-l,2,…,n确定统计控制极限(例如3cj)。

可以根据需要结合所公开的技术利用这些方法的变体和其它用户定义 的控制极限(以及确定这些控制极限的方法)。

上述数据监控和分析技术对于快速在线可视化和过程数据行为的理解 是理想的。它可以用于过程诊断和异常情况预防应用程序。例如,来自遍布 于Fieldbus的多个智能设备的数据可以得到快速的分析和监控。对于来自传 感器阵列和生物微型阵列(bio-microarray)的数据而言也是如此。监控结果 也可以用于过程优化和质量控制。此外,该方法可以与统计数据建模方法一 起使用以增强数据分析。例如,它可以与PCA方法同时使用以加快和增强 对得分数据的解释。

根据公开内容的特定方面,上述可视化技术可以集成在操作员界面中, 所述操作员界面以其它方式,例如在处理之后通过如下所述的其它多元统计 技术,显示过程数据。例如,过程变量相对于它们的物理极限的可视化可以 与PCA得分图结合起来使用以使能关于过程当前状态的更准确决策。

上述一元技术可以并入提供监控多元实时过程数据的方法的确定性多 元数据分析工具(其示例将在下文中描述)中。以这种方式,单个变量监控 模型可以用于多元数据的行为的可视化。更概括地说,该方法的优点在于所有的过程变量都在单个监控变量内捆 扎在一起。所公开的一元方法很好地适于在线和离线应用程序。如以上所提 及的,当所有过程变量的操作极限都已知时,所公开的方法不需要训练数据。 与过程变量相关联的操作极限用于建立单个变量监控模型。在某些情况下, 对于操作极限未知的过程变量,可以使用训练数据。模型可以在包括例如

DeliaV™的若干种软件平台上实现。

现在参见图6和7,本公开内容的另一方面致力于由主成分分析(PCA) 和其它多元统计技术提供的功能。PCA和下述其它多元统计技术可以是过程 控制系统的集成部件,例如分布式控制系统DeltaVTM和Ovation®。这种集 成支持工厂人员将PCA技术用于在线监控应用程序。如下所述,PCA和其 它技术所支持的可视化和警报可以连同诸如以上结合图4和5所描述的其它 可视化方案集成到控制系统中。出于这些以及其它原因,工厂人员可以利用 流线型或单个用户界面,而不需要监控、维护或支持分立的软件应用程序。 如下所述,将PCA实现成过程控制系统的一部分也使得使用在线过程数据 实现监控和诊断更加实用。

图6和7描绘过程控制系统内的用于实现以上所论述的基于PCA的技 术的示例性PCA功能块110、 112。 一般而言,每个PCA功能块llO、 112 可以在训练时段采集数据,在训练时段结束时建立PCA模型,而后将PCA 模型应用于所有的未来数据。功能块110、 112的左手侧是PCA的输入,这 些输入为原始过程变量。功能块的输出为对应于最重要特征值的得分。

例如,功能块110、 112可以是通过也由得克萨斯州奥斯汀市的爱默生 过程管理公司销售的DeltaV™控制工作室(control studio )可获得的定制功 能块,所述DeltaVTM控制工作室的界面114可以用于描绘功能块输入/输出 连接以及其它细节。在该示例中,可以提供多达20个过程变量作为PCA的 输入。当然,通常,可以将任意数目的数据用于PCA。 PCA块llO、 112的 输入是正常情况下在DCS中可用的过程变量。还存在可以用于进行主成分 回归(PCR)的过程因变量(Yin)的输入,主成分回归是一种可以用在这中的 一种以上的统计技术。尽管所公开的示例示出单个 变量,但是应当理解,通常可以存在多个因变量。

PCA功能块110、112可以包括若干种用于配置和应用PCA模型的操作 模式。在示出的示例性实施例中,PCA功能块llO、 U2在两种不同的模式 下运行:学习和监控(由学习(LEARN)功能块输入上的是/否(True/False) 确定)。在学习模式期间,功能块从每个输入变量采集数据。例如,当用户 发出学习命令时,PCA块llO、 112开始采集所有输入变量的过程数据。过 程數椐被存储在计算机存储器中,并且数据采集无限期地持续下去,直到用 户发出监控命令为止。

在已采集了足够量的数据之后,用户向PCA块发出监控命令。在发出 监控命令之后,PCA块110、 112施行PCA算法以基于所采集的数据建立 PCA模型。模型的建立可以包括以下步骤:自动缩放输入数据(对于每个输 入变量,减去其均值,并除以其标准差),根据缩放后的数据计算协方差矩 阵,计算特征值和特征向量,确定重要特征向量的数目以保留PCA负荷矩 阵,并使用基于o的极限或PCA得分的T2霍特林统计(例如95%或99% ) 计算统计极限。

当该计算完成时,PCA块llO、 112前进到监控模式,此时其基于输入 至块的新过程数据计算得分。具体而言,新过程数据可以是实时生成的在线 过程数据。如果得分中的任一个超出极限,则这可能指示异常情况,并且块 110、 112上的警报参数被置位。该警报参数可以与过程控制系统或网络的 任意其它部分联系起来。

可以提供或生成每个PCA结果视图作为控制系统操作员界面的一部 分。例如,界面可以用于在Delta™ Process History View (过程历史查看) 中生成绘制随时间变化的得分的PCA得分图。可替代地或附加地,如上面 和下面所示出和提出的,可以在两维图上绘制针对两个PCA得分的数据。 统计极限计算出也可在某些情况下,这里描述的多元监控和诊断技术可以在致力于异常情况 预防的系统的模块(或其它元件或系统部件)中实现。类似于其它异常情况 预防算法,该技术可以致力于在异常过程情况出现之前检测这些异常过程情 况。这些算法通常呈现"警惕性"并且对于若干种异常情况都持续准确。相 应地,异常情况预防模块可以是持续性过程,而非提供一次性或非实时的方 案。

这里描述的多元监控和诊断技术也可以用在批处理中,因而功能块110、 112可以采集针对输入变量的过程数据的不同集合,其中每个集合对应于过 程的不同在线状态。例如,当过程以各种能力操作时,用户可以发出学习命 令,从而使过程正常操作时PCA功能块针对特定能力水平(例如特定在线 状态)采集针对输入变量的过程数据。此后,用户可以发出监控命令,使 PCA块llO、 112施行PCA算法,以基于针对该特定在线状态(例如能力水 平)采集的数据来建立PCA模型。同样,可以建立多个PCA模型,每个PCA 模型对应于当过程正常操作时该过程的不同在线状态。此后,当该过程在特 定在线状态下执行时(例如50。/o的能力),PCA块HO、 112使用相应PCA 模型前进到监控模式,在监控模式下PCA块110、 U2基于输入到该块的新 过程数据计算得分。相应地,用户可以从多个多元统计模型中选择,以选择 与该过程的在线状态最相关的多元统计模型,以分析该过程的在线、实时操 作,从而监控该过程、检测异常情况等。在一个示例中,用户可以选择特定 的训练会话并决定建立针对过程的特定在线状态定制的新模型。

该公开内容的这个方面为在线(即实时)多元监控和诊断应用程序提出 一种通用(开源)数据驱动方法。此外,该方法通常支持创建和操纵用于建 立在线模型的数据,并对用于诊断、故障检测等的模型参数进行比较。所公 开的方法包括为过程监控和诊断定义集成平台,这最终可以通过使用系统级 或联网架构来实现,例如由得克萨斯州奥斯汀市的爱默生过程管理公司销售 的?13111\¥6&*架构。所提出的集成平台基于多元方法,并且可以适应不同的 计算算法,包括那些在下面描述的检测技术中使用的计算算法。关于数据驱动平台的开源特性,应当理解,所公开的方法和系统可以从不同的输入域(例

如Foundation Fieldbus、 HART、 Modbus、 OPC、无线等)接收数据。所接 收的数据可以是从任意数目的不同的变送器、传感器和致动器采集的在线过 程数据,并且用于定义多元过程域。相同的数据被过程控制系统使用,并且 可以存储在历史数据库中。

图8中示出通过所公开的系统和模块的数据流。 一旦来自过程的数据进 入所公开的模块,该数据可以用于在线训练、在线监控或在同一时段中用于 在线训练和在线监控。根据需要,两个开关SW1和SW2以支持不同数据路 径的方式实现。如果需要训练,可以累积数据,直到用户/操作员停止累积 过程为止。该程序可以通过将SW置于在线训练状态来完成。任何累积的数 据可以存储在文件120中,并且然后用在模型构造器或发生器122中。每个 生成的模型可以如所示的那样被存储,并且通过例如开关SW2使其可用于 监控模式中所涉及的部件。当模型构造操作完成时,该模型与训练数据一起 被存储,典型地,是作为.txt文件存储在位于数据库或存储器(驱动器C:/) 中的模型文件夹中。

可以由该数据构造的模型包括但不限于主成分分析(PCA)、人工神经 网络(ANN)、模糊逻辑和贝叶斯决策树。每种算法的工具可以由例如异常 情况预防模块采用下拉窗口的方式提供。这些模型中的每一个都可以用来建 立预测,如下所述。相同的模型也可以用于在线监控。当模型处于在线监控 模式时,异常情况预防模块使用模型输出(0/P)生成三种类型的输出:统 计、归一化过程变量(PV)和过程变量(PV)等级。如图8所示,每个输 出(PV等级、归一化PV&物理极限以及得分&统计极限)可以进一步用来 生成警报状态(警报诊断)、视图(操作员图形界面)和/或模型的验证。

统计输出由作为多元数据点的低维表示的得分构成。低维空间是基于多 元域中具有最大数据变化的方向获得的。如以上已论述的,PCA建模是一种 可以用于建立得分的技术,但是其它建模技术也可以产生得分。统计输出还 可以包含95% ( 99% )的置信极限或基于a的极限。以上相对于已知和未知的过程变量极限描述了归 一化过程变量的概念。 基于该概念,可以用条形图(或其它两维图)呈现归一化数据。这些图也可 以包含有助于警报识别的物理或过程极限。如下面结合本公开内容的另 一 方 面所描述的,在单个用户界面中结合统计极限和物理极限提供一种准确识別 异常情况预防警报状态的有用方式,并且同样提供支持异常情况预防启动的 技术。

过程变量等级可能有助于异常情况预防,因为过程变量等级基本上是针 对过程变量的可变性给定该过程变量的等级。过程变量呈现的变化越大,其 等级越高。这是一个有用的参数,因为它可以容易地使用在不同时刻监控同 一过程情况所获取的等级被交叉验证。例如,如果所有的过程变量对于两个 以上监控模型均呈现出相同的等级,则监控模型中的置信度提高。为了获取

过程变量等级,可以使用下列计算:

其中PVj,一是第j个过程变量的等级,S是"x"自动缩放协方差矩阵,"是 多元数据空间的维度,trS是S的主对角线元素之和,k〈n是主成分空间, 对于i=l,...,k, cJi和Pi分别是S的主特征值和特征向量,Pi,j是特征向量pi的 第j个成分,pi,j也被称为负荷。可以为所建立的每个PCA模型计算等级, 并且可以将该等级与其它模型参数一起存储在模型文件中。

以上公式由模型参数构成,并且以这种方式获取的过程变量等級与模型 密切相关。因此,如果两个模型正确地描述了相同的过程事件,则它们将过 程变量的等级评定为相同的顺序。同样,可以基于过程变量各自的等级来验 证模型。这在模型不同时通常也是可行的。例如, 一个模型可能基于PCA, 另 一 个模型可能基于ANN,并且它们的过程变量等级通常处于相同的顺序。 当过程数据是非线性的(即显箸偏离正态分布)时可能包括例外。

进一步需要注意的是,其它模型参数可以用于模型验证。诸如特征向量

43负荷Pi,j和特征值CJi之类的PCA参数或者诸如隐藏层的数目和输出的数目之

类的ANN参数也是有用的参数。每个模型呈现出可以用于验证任务的特定

参数集合。

根据本公开内容的另一方面,模型输出数据可以用来生成警报状态,并 且更概括地说,生成供操作员使用的合成多元图形界面。图9-13图示出显 示归一化过程变量、过程变量等级(参见图13)、得分和警报状态的示例 性图形界面。该图形界面还包含选项卡,从这些选项卡中可以访问其它模型 信息和图。如图13所示,可以在图13的左上部的变量描述后面的括号中给 出过程变量等级[例如,(2)]。在该特定实例中,有10个过程变量,等级范 围从1到10。过程变量S21531具有等级1,表明它是具有最大变化的变量。

现在参见图14,对BiPlot选项卡130的访问向操作员提供观看如得分 图面板132中所描绘的两个得分显示。bi-plot(双图)用于同时表示得分和 在图中由它们的负荷Pij定义的过程变量。线表示有多少主成分存在于过程

变量中。例如,可以看出等级为1的过程变量S21531具有最大的第一主成 分U (横轴)。相反,等级为8的过程变量S21008具有最大的第三主成分 t3(纵轴)。这是非常有意义的,因为tl定义数据空间中具有最大变化的方 向,而t3明显次要。人们可以通过筒单地改变在图的右上部的窗口中的显 示来探究过程变量与其它主成分的关系(例如可以获得针对tl-t2的得分)。

该bi-plot提供一种将在线得分(黑点)与过程变量关联起来的简单方 式。最接近得分的线确定该得分的主要过程变量。现在由于图上线总是在相 同的位置,且得分是唯一的动态成分,因此操作员可以快速地理解哪个过程 变量或哪组过程变量对于投影到任意给定的时刻的得分而言是最有影响力 的。同样,操作员可以通过单个显示快速熟悉所有过程变量。

关于实现选项,所公开的用户界面显示(以及负责生成所述用户界面显 示的系统或模块)可以在DeltaVTM、 Ovatior^或任意其它控制系统平台上实 现。例如,为此可以利用基于PCA的功能块。可替代地,也可以将Visual Basic(VB)和.NET技术用作实现平台。在一种情况下,示例性实现策略可以合 并VB.NET和DeltaVTM或Ovation⑧的某些组合。尽管有了前面的描述,但 是也可以在不同的软件平台(即Java、 Delphi、 C++)上完成实现。下面提 供关于图9-13的操作员显示界面的进一步细节。

应当注意到,尽管PCA是有用的,但是PCA技术并不能容易地传送关 于过程动态的信息。这通常是由使用散布图显示PCA分析(得分)的结果 造成的。散布图虽然有用,但是一般是过程数据的统计表示。如上所论述的, 多维训练或监控数据集被投影到(得分)到低维主成分空间。通常,前两个 主成分捕获数据中的最大变化,结果它们利用关于数据行为的最重要信息产 生散布图。霍特林的丁2分布也可以用来计算95%或99%的置信区间> 或应 用基于o的极限。该区间的知识对于检测异常情况可能是很重要的,因为如 果训练数据表示正常过程性能,那么对于该区间内的任何新的得分点,人们 可以95% ( 99%)地确定该数据点正常。相反,对于该极限区间外部的得分, 人们可以95% (99°/。)地确定该数据点不正常(异常)。

从上面的描述中显而易见,通过散布图对得分的记录和解释导致与被不 正确地解释的数据相关联的不确定性的程度。如以上所论述的,不幸的是, 经验显示该方法通常导致错误警报。其主要原因是统计计算的极限没有将过 程变量的实际物理极限考虑进来。每个得分是以均值为中心的输入变量的线 性组合。例如,置信极限区间内部和外部有5% ( 1%)的不确定性,使得不 能100%地保证任何给定得分都是正常或异常的,并且传统的PCA在检测异 常情况上并不总是可靠的。例如,PCA得分可能触发不存在的异常情况(错 误警报),并且相反地,PCA得分可能在过程实际上异常运转时指示正常运 转(.遗漏的诊断)。显然,当确定异常情况并发布异常警告时,这通常是不 可接受的。问题在于当人们采用物理极限的相同线性组合时发生什么。因为 过程变量具有不同的数值范围,因此对于人们会以何种方式将这些极限变换 成P C A得分图并不总是清楚的。

图9-13的界面显示尽管致力于前述事项,但是还示出操作员界面可以用来显现应用于当前过程数据的PCA模型的示例性方式。简言之,包括可

以根据PCA或其它多元分析生成的PCA得分图146和可以根据一元分析生 成的物理极限图148。这两个图的组合给出过程的当前状态的指示。在图9 的示例中,由于PCA得分在统计极限内,并且所有的过程变量都在它们的 物理极限内,因此这指示该过程在正常操作状况下,并且指示符块150针对 该结果被突出显示。

图10图示出如何根据PCA得分图146得出任何事物看起来都正常的示 例。然而,过程变量之一已超出其物理操作极限,如物理极限图148所示。 因此,指示符块152突出显示遗漏的警报。

相反,PCA得分图也可以在所有的过程变量仍然在它们的物理操作极 限的情况下指示存在问题。图11图示出这种情况,我们将其称之为错误警 报,如指示符块154所描绘的。因此,当PCA图和物理操作极限显示都超 出时,检测到真实的警报状况。在图12中通过指示符块156图示出这种情 况。

参见图13:示出图形表示附有以滑条示出的供选择先前所采集的数据 的集合的用户可选择的图形以及以下拉菜单示出的用户可选择的主成分的 图。滑条或其它图形表示使用户能够基于该过程的先前操作选择先前所采集 的数据,并基于先前所采集的数据生成PCA得分。然后可以随PCA得分更 新图形表示,使得用户可以容易地访问和分析异常运转的任何先前过程操 作。更进一步,应当注意到,过程变量可以用它们的过程极限的函数表示, 所述过程极限可以包括如上所论述的公共过程极限。同样,不同主成分的选 择使用户能够观看对过程具有不同重要程度的不同过程变量的操作,并且可 以相应地更新图形表示。

图15-19以与结合图9-14的实施例所示出的类似的方式,图示出呈现 动态过程数据视图与控制极限的PCA得分的示例性用户界面的不同状态。 如上所述,七个过程变量的控制极限已归一化为唯一值,并且如果这种情况 的PCA得分超出95%的置信区间,则可以发布提醒。这两个图形示例对于任何导入数据在线同时运行。另外,PCA得分图包含一个动态点,过程变量

的峰值根据数据输入对改变进行监控。当所有的峰值都低于控制极限线160 时,该过程在控制下,并且操作正常。相应统计得分应当也在极限圆162之 内。图16中描绘了这种情况。类似地,当一个以上峰值越过极限线160时, 发生失控或异常状况,并且PCA得分应当在极限圓162之外,如图〗7所示。

也可能会经历错误呼叫诊断。在图18中,尽管所有的过程变量低于极 限线160 (正常),但是得分在极限圓162之外(异常)。这种情况明显是 要忽略的错误警告。然而,也可能发生相反的情况。图19所示的情况示出 得分在极限圓162之内(正常),而过程变量指示符指示过程变量#2已违 背极限要求(异常)。这是遗漏检测或遗漏警告的情况。

两个在线图形表示可以准确地诊断数据点是与正常情况还是与异常过 程情况对应。此外,如果发生异常情况,违背正常状态的过程变量可以立即 被识别出来。然而,过程操作的这些变量的重要性可能不尽相同。对于特定 监控要求的过程变量的重要性由负荷矩阵P中的PCA负荷值确定。如果用 信号指示警告的过程变量与小的PCA负荷值相关联,则它可能对过程操作 的重要性很低,并且该警告可以仅仅被归类为提醒。相反,如果负荷值高, 变量很可能对过程操作重要,且应当建议发出高度警告。

前述视图技术和所附的操作员界面可以在任意过程控制系统架构或平 台内实现,并且在任何情况下,可以得到由上述PCA块实现的功能的支持。

图20和21描绘根据所公开的技术生成的另 一可替代操作员界面,这两 种操作员界面都支持如上所述的在线监控、诊断和错误警报检测功能。具体 而言,图20以条形图将过程变量描绘为它们的过程变量极限的百分比,可 以包括如上所论述的公共过程变量极限。

利用多元统计技术检测稳态操作

图22和23致力于本公开内容的另一方面,涉及使用基于PCA的统计 特征识别和检测稳态操作。

很多异常情况预防算法依赖于通过学习一个以上过程变量的初始状态

47做出检测,然后在过程变量以特定方式改变时触发警报。然而,这些异常情 况预防算法中很多也需要过程在针对初始状况的训练之前和做出检测之前 处于稳态。让人工操作员看着一个以上过程变量的图,并辨别它们是否处于

稳态是很容易的。然而,为了创建能够可靠地做出该判断的算法明显困难得多。

现在描述一种致力于检测稳态的技术。该技术能够基于监控多个过程变 量做出判断。

过去,给定过程变量X,可以在给定长度的非交叠采样窗口内(例如五 分钟)计算均值和标准差。均值可以通过;=丄^>,计算,标准差可以通过

仏-;)2

' 计算,其中n是样本的个数,;^,A,…,:^是过程变量x在采

w-l

样窗口内获得的样本。

假设;和S,是在一个采样窗口中计算出的均值和标准差,;2和S2是在

下一采样窗口中计算出的均值和标准差。那么,如果p,-;2〜3.s,则可以 说该过程处于稳态。相反,如果p,-S2|>3."则该过程没有处于稳态。

下一步陈述在该计算中使用的参数s应当由什么构成。如果过程处于稳 态,并且正确地选择了采样窗口 ,则我们应当发现s, 《s2。在这种情况下, 无论我们采用s^^还是s^^都应当无关紧要。然而,可以使用会产生用于 宣告稳态的更小极限的更鲁棒算法(并且因此,我们可以更加确定当异常情

况预防模块开始运行时,过程确实处于稳态)来使用S,和S2的最小值或

■s = min(

在这种情况下,宣告稳态的准则是L-L《3.minfe,;?2)。

当然,也可以使倍数"3"成为用户可配置的参数。然而,这使得异常 情况预防系统的配置变复杂,特别是在存在很多过程变量时。

计算过程变量的均值和标准差并确定稳态的功能以及这里没有记载的其它功能可以封装到如上所述的统计过程监控(SPM)块中。

根据本公开内容的另一方面, 一种稳态检测技术包括使用由PCA模型 (而非直接由过程变量)生成的得分来确定具有多个过程变量的过程是否处

于稳态。图22图示出连接至PCA块172的SPM块170,用于确定具有多个 过程变量(IN1,IN2,IN3,…)当前是否处于稳态。PCA块172可以与上述功

能块相对应。

图22中所示的实施例使用PCA模型的第一得分实现稳态检测。回想在 PCA模型中,与最大特征值数值对应并且根据第 一 负荷向量计算出的第 一得 分表示过程中的最大变化量。例如,在某些过程中,最大变化量可以与传播 给大多数其它过程变量的负荷改变相对应。在这种情况下,如果只有第一主 成分符合稳态标准,则我们很可能可以说整个系统处于稳态。

虽然第一成分可能是统计上最重要的成分,但可替换的实施例可以使用 PCA模型的多个得分,如图23所示。在这种情况下,PCA功能块172被连 接至多个SPM块170,每个SPM块170监控PCA才莫型的得分中的一个。在 这种情况下,对于根据所选择的方法(凯泽法则、变化百分比、并行分析等) 被确定为重要的每个主成分,都会有一个SPM块170。然后,逻辑模块174 可以用于进行整个系统的稳态确定。如果所有SPM块170都指示稳态,则 可以将整个系统宣告为稳态。如果块170中的任意块示出非稳定过程,则我 们可以宣告整个系统未处于稳态。

实现该技术的方法可以包括根据所有过程变量采集过程数据、创建过程 的PCA模型、将第一 PCA得分连接至统计过程监控(SPM )块以及如果SPM 块宣告第一 PCA得分处于稳态则宣告系统处于稳态。SPM块计算输入变量 在连续的非交叠采样窗口中的均值(^和^ )和标准差(sl和s2),并且 如果l^-;2l《"Tnin(^^),其中n为任意实数,则宣告输入变量处于稳态。

在某些情况下,稳态可以依据p-L^n",来确定。可替换地,稳态可以

依据;2 s"",来确定。在一个示例性实施例中,n=3。以上描述的技术和方法可以与连接至第二和更高PCA得分以及逻辑模

块的一个以上附加SPM块一起实现,其中逻辑模块将SPM块中每一个的稳 态检测作为输入,并在所有SPM块指示稳态时生成指示整个系统处于稳态 的输出信号。附加地,如果SPM块中的任意块指示非稳定过程,则逻辑模 块可以宣告整个系统处于非稳定过程。

可替换地或作为附加地,可以与SPM块一起使用其它多元技术来检测 稳态。这样的技术包括PLS、 PCR、 FDA、 CVA等。

虽然在图22和图23中示出为涉及多个分立的单元,但所公开的技术和 方法也可以在单个集成功能块(如Fieldbus功能块)、现场设备接口模块, 控制系统、单独的软件应用程序等中实现。

瞬时动态性的检测

图24-37致力于与使用多元统计技术的瞬时动态性的检测有关的本公开 内容的另一方面。

在过程操作中经常会遇到动态行为。例如,过程展示由诸如流速之类的 输入或负荷变量的改变导致的瞬时行为。这在火焰加热器中相当普遍,原因 在于火焰加热器经常在原油的各种流速下运行。

在进行故障或异常情况检测时,重要的是区分正常操作状况与瞬时数 据。因为在瞬时区域中,过程不会以正常方式运转,并且可能很容易得出错 误的诊断(如,异常操作)。例如,在火焰加热器中,当原油的流速增加时, 原油的出口温度超过正常水平,并且降低到正常水平需要时间。这是因为流 速的改变快于被操纵的变量(燃料流速)的改变。换句话说,在一阶动态系 统中,最终温度达到其新的稳态点需要的时间等于时间常数加任意滞后时 间。因此,在检测故障或异常情况时,区分动态瞬时区域与稳态或设置点、 操作区域是有用的。

根据本公开内容的另 一方面,使用多元统计技术基于例如主成分分析 (PCA)来检测动态瞬时搡作。结合火焰加热器中的动态瞬时现象来描述所 公开的技术,但所公开的技术还很适于结合其它过程控制环境来实施。该检测方法也可以将基于PCA的技术与主成分回归(PCR)集成以区分诸如火

焰加热器之类的过程中的异常情况与动态瞬时现象。在火焰加热器管道中检 测焦化(或淤塞)的示例将被用于说明所提议的方法的鲁棒性。在检测算法 中,对过程的瞬时行为进行识别以避免错误警报是重要的。瞬时模式期间的 检测可能导致错误的结果和错误的警报。还需注意的是,在这项工作中提出 的算法可以容易地扩展到指出诸如蒸馏塔和热交换器之类的其它过程或单 元操作中的瞬时模式。

转到图24,火焰加热器是精炼厂和石化厂中的重要单元。它们用于将 原油或重碳氢化合物进料的温度升至某提升的温度。以180全局指示的火焰 加热器包括一个以上管道182。该进料被均匀地分给加热器通道182。每个 管道182充当一热交换器,流入管道182的进料在此处由燃烧的燃料加热。 燃料的流动通常被操纵为达到原油(进料流)的期望的目标最终温度。

火焰加热器中的主要问题之一是焦化。由于火焰加热器中的温度提升, 原油裂化并形成被称为焦炭的残渣碳。焦炭随时间沉积在管路的内表面,通 常导致管路或火焰加热器的性能低下。该过程被称为淤塞。随着时间的推移, 火焰加热器的性能越来越差,并且可能发生意外停机以清洁火焰加热器。在 某些实例中,某些管路可能会严重堵塞。高度期望在火焰加热器管道内对焦 炭的形成进行监控以调度单元清洁。

火焰加热器呈现多元数据结构,其非常适于利用这里描述的有时被称为 MMDM (即多元监控和诊断模块)工具的多元监控和诊断技术和工具进行 分析。

根据这里描述的技术,由MMDM工具对表1中给出的过程变量(PV) 进行监控和处理。这些过程变量也在图24中示出。然而,值得注意的是, 可以以任意期望的方式,通过如上所述的过程控制系统或网络,并且根据诸 如PlantWeb⑧数字工厂架构之类的各种不同的架构,并利用例如爱默生 FOUNDATION™ Fieldbus设备(即Micro Motion coriolis flow meters (微运 动互补流量计)、柔斯芒特温度设备等),来供应过程变量数据。<table>table see original document page 52</column></row> <table>

表l:火焰加热器的监控变量

图25呈现在由主成分tl和t2定义的空间中的训练数据得分。针对具有 被控制变量的单个设置点时的多种流速收集基本训练数据。大约采集30,000 个实时过程数据点。训练数据用于建立MMDM工具的模型,并且由MMDM 工具产生的散布图之一可以与图25所示的图相对应。散布图中的八个簇与 训练数据中八个不同的流速区域相对应。

图25的图中示出的虛线190内部的区域与图26和27中示出的椭圓相 对应,图26和27则表示99%的置信椭圆。也就是说,椭圆内的区域给出椭 圆边界内的任意得分都属于火焰加热器单元的正常操作状况的概率为99%。

转到图26和27,在本公开内容的本方面,管道的出口温度(Tout)被 用作因变量,而其它六个变量被当作自变量。首先,六个自变量被选择用于 监控。它们用于创建归一化过程变量数据模型以及具有得分图的PCA模型。 过程变量数据提供用于模型建立的训练数据。然后,该模型被用于为在线监 控定义操作员用户界面,如图26中所描绘的。如上所述,该界面以归一化 和得分图的方式显示六个过程自变量,并显示四个过程警报状态指示符。一 般而言,该界面可以如以上结合图8所述的那样生成,并且可以与结合图 9-21描述的示例性界面的任意一个或多个方面合并。

对于过程因变量(Tout),我们使用训练数据创建回归型的PCR模型。这是由MMDM工具在模型建立会话期间完成的。然后,PCR模型可以通过 推操作员界面窗口中的"PCR"键来访问,并且出现图27所描绘的显示窗 口。该显示窗口示出了为得分成分T1, T2,…,Tn计算的回归系数。

为了通过使用建立的PCA模型验证瞬时行为的4全测,针对各种原油流 速创建验证数据集(4300个数据点)。图28示出验证数据的原油流速的七 个不同区域。因此,在验证数据中有六个不同的瞬时(动态)区域,并且 PCR模型被用于根据验证数据来预测这些区域。图29示出预测Tout ( Y) 与实际Tout。图29中所示的迭加的图展示出PCR模型在预测稳态和瞬时区 域中的因变量(Y)的成功。瞬时区域中的预测稍微滞后,这与预期相符。 尽管如此,验证数据中呈现的六个瞬时区域在图29中可清楚地辨认。

图30-34描绘用于瞬时区域检测的霍特林(T2)计算的使用以及操作界 面的相应部分。特别地,图30示出在瞬时区域开始的时刻的T2图。很明显, 当原油的流速开始改变时,T2出现向上的尖峰。此外,图30示出操作点位 于得分图t2-t3的椭圆的外面。图31示出即使没有自变量超出极限,PCA也 检测到动态(瞬时)区域。当动态瞬时现象发展时,T2驻留在可接受极限 之外,并且得分图位于椭圆的外面(图32)。 一旦过程停留在新的稳态区 域(图33) , T2响应就位于极限之下,并且得分图位于椭圓区域的内部。 可以看出,人们可以使用PCA得分图和T2表示检测过程变量中的瞬时现象, 并且可以估计瞬时时间常数。图34示出由T2针对整个验证数据检测到的全 部六个瞬时区域。每个瞬时区域的宽度表示瞬时持续时间。

图35和36描绘在PCR分析中不使用被控制变量的方法的结果。这样 做时,描述了合并被控制变量的有用性以及被控制变量如何影响所提议的方 法的检测鲁棒性。在这种工作中使用的焦化加热器示例中,原油的最终温度 (TF)是被控制变量。在本示例中,希望将原油加热到期望的设置点,即最 终温度。如前所述,使用相同训练数据的六个自变量中的五个建立PCA模 型。新模型通过使用与六变量分析中所使用的验证数据相同的验证数据被验 证。图35示出新模型不能检测过程的动态行为。T2也利用新模型针对验证数据而获得。图36示出在六变量模型中获得 的尖峰不再存在。

基于上述内容,在检测瞬时或动态行为时,模型中包含被控制变量是有 用的。这是被期待的,因为在被控制变量受到任意负荷或输入变量改变的直 接影响时期望采用。

图37致力于焦化检测的流程。

根据以上的讨论,很明显在瞬时阶段期间,过程动态地运转,并且预测 的Y将不同于实际的Y。因此,在瞬时期间,不要进行任何焦化检测是重要 的。不进行焦化检测的方式是利用T2的行为。例如,如果T2超出极限, 则检测算法禁用焦化检测。如果T2回到可接受范围内,则焦化检测将启动。 图37中图示出该程序。所公开的检测方法和技术可以应用于例如蒸馏塔、 热交换器、涡轮机等的其它过程和单元操作,并且也非常适合于化学、精炼、 电力以及生命科学工业中的不同的过程应用。

根据本公开内容的上述方面,已经针对过程操作中的瞬时行为的在线检 测实现了基于PCA的监控技术。PCR回归技术也可以用于过程操作中的瞬 时行为的在线检测。PCA和PCR两种技术的结合支持过程警告的特征化, 原因在于所公开的技术能够区分异常情况预防型的警告和由过程瞬时行为 导致的警告。通过使用诸如多元回归、人工神经网络以及贝叶斯决策树等技 术,可替换的设计也是可能的。

示例性应用:焦化加热器中使用PCA和PCR的焦炭检测

转到图38-41,本公开内容的另一方面致力于使用PCA和PCR技术来 检测火焰加热器管道中的焦化(或淤塞)。在以下描述的实施例中,PCA和 PCR技术被用于采集和分析离线数据,然后监控在线过程以检测焦化。所公 开的方法和技术可以与控制器、现场设备和这里描述的其它过程控制系统元 件中的任意设备集成在一起。

如下所述,所公开的焦化检测方法通常包括三个步骤:收集训练数据, 使用PCA和PCR技术建立模型,以及使用目标过程变量的实际值和预测值来检测焦化故障。

所收集的训练数据通常是实时数据,其与故障无关,并且表示负荷变量 的期望的操作范围。例如,训练数据可以包括在运行火焰加热器时期望遇到 的最小原油流速和最大原油流速。待建立的模型还可以受益于具有最小流速 与最大流速之间的若干个流速。在某些情况下,收集覆盖负荷变量的每个范 围的训练数据,并且训练数据还可以包括用于改变负荷变量的瞬时(即动态) 数据。 一般而言,被控制变量的采样时间和设置点在整个训练数据集中可以 保持恒定。

在数据具有上述特征的情况下,可以以多种方式采集训练数据。例如, 可以在线采集数据,或者可以从过程历史数据库中提取数据。在任何情况下, 所公开的方法的实践不受收集训练数据的方式的限制。

使用多个过程变量来支持管道中的鲁棒焦化检测。在该示例性情况下,

所公开的方法使用表1中给出并在图24中示出的过程变量。当然,管道出 口温度(Tout)是被监控的过程因变量,因为其应当随管路内焦炭的形成而 减小。对于火焰加热器,随着焦炭(故障)开始在管路内部形成,管路内从 热端到冷端的总的热传递降低。与正常操作状况(无故障)相比,管道出口 温度(Tout)也应当降低。表1中的另外六个变量被当作自变量。

火焰加热器提供非常适于对利用上述多元监控和诊断模块(MMDM) 的分析进行解释的多元数据结构。 一旦选择了六个用于监控的自变量,则所 选择的变量被用于创建归一化过程变量数据模型和具有得分图的PCA模型。 所收集的过程变量数据提供用于模型建立的训练数据。然后,所建立的模型 被用于为在线监控生成操作员界面,如上所述。例如如图26所示,六个过 程自变量结合四个过程警报状态指示符以归 一化和得分图的方式被显示。模 型和操作员界面的细节已在以上给出。

对于过程因变量(Tout),训练数据也可以用于创建回归型的PCR模 型。如上所述,由MMDM工具在实施模型建立流程期间自动完成PCR模 型的生成。然后可以通过选择操作员界面中的"PCR"键访问PCR模型,

55这可能生成图27所示的示例性显示窗口 。如上所述,该显示窗口示出为得

分成分T1, T2, ...Tn计算的回归系数。

现在描述所公开的适用于焦炭检测的火焰加热器监控系统和方法的实施例。

如果Tout ( Y )的实际值持续低于预测的值f out(力,则可以指示焦炭 形成。这意味着实际通道出口温度持续低于预测的温度。在这种情况下,不 会生成错误的警报或警告。为此目的,可以使用Y的绝对值或均值。如以 下的进一步说明,实际值Y与预测值f的偏离可以给出焦化严重性的优良 指示。这是一个可以由工厂工程师和操作员使用的优良工具,以基于实际的

单元性能来调度单元清洁或停机。推荐将Y/f的比值绘制为时间的函数, 从而使工厂工程师或操怍员可以持续监控单元的性能或检测单元退化或焦

化。可替换地,两个值之间的差可以作为时间的函数被监控。基于Y与f的 比值,工厂人员可以决定采取什么样的行动。由于焦化是较慢的过程,因此 工厂人员可能不选择强制执行警报或警告。然而,容易基于阈值极限而激活 警告或警报。例如,如果该比值降低到某极限U),则可以发出警告。 「Y)

例如,如果7 ^A则可以发出警告。 、Y乂

可以发出各种警告来指示焦化的严重性。例如,^指示低焦化,A指示 中等焦化等。

更一般地,所公开的焦炭检测方法包括以下步骤:获取足够的训练数据, 建立统计模型,以及使用该模型来监控单元性能。

所公开的技术的训练和验证。焦化加热器的训练和验证数据由从GSE 系统商业上可获得的高保真(hi-fidelity )仿真器SSPRO生成,并从SSPRO 获得。采样速率为 一秒。操纵燃料的流速以达到原油的期望的目标最终温度。 该仿真可以灵活地引入各种严重程度的焦化。该仿真被用于获取训练数据和 仿真数据。七个过程变量被记录,并被用在由MMDM工具提供的多元分析中。

针对各种流速来运行训练。原油的流速和入口温度被允许具有不变的噪

声,从而模拟真实的工厂操作。约30000个实时过程数据点被采集。训练数 据被用于建立MMDM模型,由MMDM工具产生的散布图在图25中清楚的 示出,该图描绘了与训练数据中的八种流动方式对应的八个簇。图25还显 示了 99%的置信椭圆。椭圆内部的区域给出椭圓边界内的任意得分都属于 火焰加热器单元的正常操作状况的概率为99%。

针对各种焦化水平采集若干实时仿真数据文件,以测试所提议的异常情 况检测的鲁棒性。仿真数据点包含好的和故障的数据。为了将焦化引入到管 道中,有意降低总的热传递系数(U)。若干数据集收集如下。在集1中, 系数U从1000降低到995,然后降低到990、 980和950。在集2中,系数 U从1000降低到500。

在本示例性应用中,为该特定的情况建立的PCR回归模型为 Y = B'0 + B1*T1 + B2*T2 + B3*T3 ,其中B0 = 316.9227895, Bl = -0.215154485, B2 = 0.274120980,并且B3 =-0.276083039。 Tl , T2, T3是基于变量的贡献 在线确定的得分成分(验证数据)。

在使用该模型针对故障(如焦炭)检测而监控新数据之前,利用新的验 证数据的集合来测试模型。该步骤的目的是确保模型的鲁棒性。图38示出 PCR模型在预测Y (Tout)时的准确度。该模型具有高于99.9%的准确度, 在数据分散于各种操作状况中(图25)的情况下,具有极好的准确度。如 果操作状况的范围缩小,则准确度会更高。

该模型还可以用于针对比训练数据中使用的流速高12%的流速来预测 Y(Tout)。换句话说,该模型可以用于针对训练数据中所使用的流速范围 之外的流速来预测过程的行为。图39示出该预测再次以非常高的准确度工 作。但是可能不是非常推荐使用针对训练范围之外的数据的任何模型。

上述模型被用于检测验证数据中的焦化。该模型能够针对所有的仿真验 证数据未检测焦化。图40示出实际的Y低于预测的Y的程度。实际的Y与预测的Y的比值随着焦化的增加(总的热传递系数变低)而减小。预测的Y

是正常情况下(无故障/无焦化)的Y值。根据实际的Y相对于预测的Y的

行为,工厂人员能够确定管道内部的焦化的严重性。

使用数据的另 一 集合来验证所提议的监控方法。该数据的集合包含在正 常过程中引入具有高数值的突然增大的异常情况(焦化)时的良好数据。图

41示出实际的Y与预测的Y的比值是如何变化的。图41中数据的第一部分 展示出该模型在预测正常行为时的卓越性能。

总之,上述技术(以及基本模型)致力于使用PCA和PCR对火焰加热 器管道中的焦化、淤塞和其它故障检测。为了实现该目的,可以对原油的入 口温度、管道原油流速、原油总流速、管道出口温度、最终温度、燃料流速 和燃料出口温度进行监控,并且可以将管道出口温度用作火焰加热器的性能

指示符。在某些情况下,针对模型的训练数据的范围内的操作状况,使用 PCA对该性能指示符进行建模,并使用PCR进行预测。但是,PCR也可用 于针对训练数据的范围外的操作状况对火焰加热器的关键性能指示符进行

预测。'

转到图42和43中提出的公开内容的方面,现在描述用于火焰加热器中 的焦化的在线多元监控和诊断的基于PCA参数的技术。该方法以建立多个 主成分分析(PCA)模型并比较不同过程操作状况的模型参数为基础。除了 焦化检测外,所公开的技术方法对于确定或检测其它涉及多种不同过程装置 的慢变的过程改变(例如,锅炉中的烟垢累积,反应器、压缩机、热交换器、 蒸馏塔和隔膜中的淤塞和其它劣化等)也是有效的。

如上所述,基于PCA的技术可以与分布式过程控制系统(DCS)集成 在一起,以实现与在线监控和诊断的结合。所公开的技术还能够创建和操纵 用千建立在线模型并比较模型参数的数椐。基于PCA的技术还可以应用到 使用主成分回归(PCR)分析确定火焰加热器中的焦化水平时的挑战所呈现 出的特定细节。

本公开内容的这一方面提供了在不使用基于回归的方法的情况下检测诸如焦化之类的慢变的过程改变的方法。相反,所公开的方法以在过程操作

期间连续、重复或持续地建立PCA模型并将所建立的模型与正常过程操作

状况下建立的基线模型进行比较为基础。所公开的技术在特定应用(例如异 常情况预防应用)中相比其它使用回归的方法可提供更鲁棒的解决方案,原 因在以下给出。 一个主要原因是基于回归的技术在每次从现场设备通信链路

(例如,Fieldbus、 Modbus、无线等)中读取数据点时生成预测。结果,基 于回归的技术提供过程状态的当前预测,然后通过逻辑对该预测进行处理或 评估,以确定诊断状态。这种处理经常会由于诸如设置点和稳态改变之类的 动态过程改变以及数据串中的异常噪声而产生错误的警告/警报。这些类型 的警告对于操作员来说通常很麻烦,因此如果不能完全消除的话,也应最小 化这种警告。

作为比较,所公开的方法连续地或根据需要在过程操作的背景下创建预 定维度的数据文件。然后,使用这些数据文件生成用于对过程性能进行评估 的PCA模型更新。结果,由于所公开的方法不完全依赖于当前的过程数据 值,因此可以更加鲁棒。替代地,所公开的方法可以根据基于长期数据行为 的过程性能诊断来生成警告报告,其中长期数据行为由例如数据文件的长度 来确定。所公开的方法的进一步细节在以下描述。

开始时,人们从数据文件开始以建立PCA。训练数据可以表示在正常 的过程操作状况下采集的数据。如上所述,数据文件因此可以包含数据行(观 测值)和列,每列与分配的过程变量(PV)相对应。过程变量可以是原始 数据,也可以是根据原始数据得到的统计特征(例如,异常情况预防块数据)。 结果,数据文件包括n列和m行,且通常假定1«>>11。使用这样的分配,模 型选定n个具有m个观测值的过程变量,并且包含如上所述被自动伸缩的 mxn的数据矩阵x。然后,实际模型可通过估计nxn协方差矩阵S的谱 成分来构建,其中,S = X、X/(w-1),用于将S重写为S-V,D參V1,其中

59D

W 0 … 0 0 d … 0

,并且其中£7,2,1 = 1,...,1!是按照从大到小排列的特征值(方

0 0 … CT:

差),并且V的列是相应的特征向量。最大的特征值及其对应的特征向量

对应于原始输入空间中包含原始过程数据中最大变化量的方向。这被当作第 一主成分。第二大特征值及其对应的特征向量对应于与第一主成分正交的、 包含次最大变化量的方向。继续本过程,直到创建了解释所有原始过程数据 的新的正交向量空间。

在计算出特征值和特征向量之后,需要确定哪些是通常与过程中的重要 变化相对应的重要主成分,哪些是通常与噪声相对应的非重要主成分。存在 若干种可以解决该问题的已知方法。

无论选择哪种方法,最终结果是确定会为PCA模型保留的重要主成分 的数目a。然后,通过从V中提取前a列(特征向量)来创建负荷矩阵P e 9Txa 。 原始观测值在负荷矩阵所定义的子空间上的投影被称作得分矩阵,并由 T,X,P表示。T的列被称作PCA模型的得分,被引作、,12,...、,并且nxa 的矩阵P是PCA模—型。

训练数据文件X。为了本公开内容的这一方面的目的,可通过选择对需 要分辨的过程行为有影响的过程自变量,并使这些过程自变量由X的前k 列来表示,其中k<n,以及通过选择用于描述过程行为的过程因变量,并使 这些过程因变量由X的最后n-k列来表示,其中n-k>0,来选择训练数据X。 如果将要实现回归技术,则使用X的前k个过程变量来预测后n-k个过程变 量。但是,注意,当建立PCA模型时,X只具有k个过程自变量,而且n-k。 这k个过程自变量被用于创建nxa的负荷矩阵P,该矩阵包含用于创建之 后被用于对因变量进行预测的得分tl,t2,.,.ta的a个主成分向量(负荷向量)。 在所公开的方法中,自变量和因变量结合起来用于创建训练数据文件X。

一旦PCA模型被指定,负荷矩阵? = 01,?2,...^8]就被定义,其中P, 二[Pi,l,…,Pi,k,Pi,k+l,…,Pi,n]是负荷向量;并且':=1,...,3 。 p,的前P,.p…,P,.k成

分是与X中的前k个自变量对应的负荷值。类似地,Pi,w,.,.,Pi,。成分是与X 中后n-k个因变量对应的负荷值。结果,P定义了与原始过程变量直接相关 的相互关联的负荷值的空间。现在,X中n-k个因变量的每一个在该空间中

具有由以下公式给定的负荷值度量:z = S〜其中j=k+l,...,n,并且cj,是

D中的第i个特征值。

负荷值度量z」是具有以下性质的第j个过程因变量的模型结果。假设X

和Y是来自相同过程操作并在不同时间采集的数据文件。此外,假设Zj和Vj 是分别与相同的过程因变量的X和Y对应的模型结果。那么,如果z」《Vj,

则由第j个过程变量描述的过程行为对于X和Y来说是相似的。作为对比, 如果Zj # Vj,则由第j个过程变量描述的过程行为对于X和Y来说是不同的。

这个性质对于过程诊断,特别是对于慢变的过程行为的诊断,是很有用

的。原因在于负荷值度量Zj反映了操作员所指定的时间段内的过程行为,因

此提供了比回归方法所给出的最近更新更完整的诊断。

火焰加热器应用。前述技术可用于确定火焰加热器中的焦化水平。如上 所述,数据文件X由表1和图24中定义的过程变量组成。Tout是唯一的因 变,,而所有其它变量都是自变量。但是,在根据本公开内容这一方面的技 术中,所有的变量都用来创建PCA模型,而不需要PCR。

使用这样的分配,在正常操作状况下(例如0°/。的焦化)创建基线模型, 并针对Tout计算的负荷值度量Z。然后,针对火焰加热器中不同的焦化百 分比重复相同处理,图42示出所获得的结果。从图42可以看出,Z随焦化 百分比的增加而单调下降,这暗示负荷空间由于过程变量贡献随焦化百分比 变化所产生的变化而出现了结构性改变。注意该改变是协作产生的,并且通 过当时对一个变量的监控不容易确定。

基于上述内容,通过对Z设置不同的极限,该技术可用在诊断/故障检测方法或系统中。由于每个模型都基于收集模型数据所使用的时间长度来表 示Z的行为,因此使用该技术发出的警告或警报更加可靠。此外,在运行时, 检测方法可对操作者完全透明。这是因为该检测方法可在监控控制台的后台 运行,并且可被配置为仅在设置的极限被超过或被破坏时才会将异常情况告

警给操作者。图43中的流程图示出该方法或系统如何根据一实施例被实施。 注意,使用该方法,可避免错误的警报和警告,但是过程参数的性能会随时 间被严格地监控。

利用本公开内容的这一方面,可以定义PCA模型参数,并将其应用于 在线诊断,这在与焦化加热器中的焦化以及多种过程装置故障或异常情况结 合时是有用的。可以利用PCA负荷和变化信息得出模型参数,并且可以针 对过程因变量或过程自变量定义负荷值度量。在某些情况下,所公开的方法 可用于观察长期的焦化,而不是瞬间或最近的改变。例如,所公开的方法可 用于在线长期协同诊断。可替换地或附加地,所公开的方法可以提供回归分 析的替代方法。所公开的方法可以与包括例如DeltaVTM和Ovation⑧的多种 控制系统平台以及例如柔斯芒特3420 FF界面模型的多种过程装置和设备结 合起来实施。可替代地,所公开的方法和系统可以实施为单独的异常情况预 防应用。在任意情况下,所公开的方法和系统可以被配置为生成警告,并且 另外支持火焰加热器中焦化水平的调节。

本领域普通技术人员将认识到,可以以各种方式对以上描述的示例系统 和方法进行修改。例如,可以省略块或重新排列块的顺序,可以增加另外的 块等。例如,对于图7,块146可以在流程中的不同点处实施。类似地,块 148可以被实施为分立例程的一部分,因此其可能在图7的流程的不同点处 实际发生,这依赖于接收到合适的启动分立例程的命令的时间。

以上公开了涉及异常情况预防模块和异常情况预防块的上述示例,但应 当理解所公开的系统、方法和技术的实践并不限于这些上下文。相反,所公 开的系统、方法和技术也非常适于与包括能够选择用于监控、数据采集等的 具有不同组织结构、元件布置或分散零件、单元、组件或项的其它集合的任意诊断系统、应用程序、例程、技术或程序一起使用。指定在诊断中使用的 过程参数的其它诊断系统、应用程序等也可以被建立或者可以从这里描述的 系统、方法和技术中获益。然后,参数的这种单独指定可以被用于对其所关 联的过程数据进行定位、监控和存储。此外,所公开的系统、方法和技术不 一定仅仅与过程控制系统的诊断方面 一起使用,尤其是在这类方面还没有被 开发或还处于开发的早期阶段时。相反,所公开的系统、方法和技术还适于 与过程控制系统、加工厂或过程控制网络等的任意元素或方面一起使用。

这里所描述的方法、过程、程序和技术可以使用硬件、固件和软件的任 意组合来实现。因此,这里所述的系统和技术可以在标准多用途处理器中实 现,或根据需要使用专用设计硬件或固件来实现。当以软件实现时,该软件 可以存储在任意计算机可读存储器中,例如存储在磁盘、光盘或其它存储介

质上,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。同样地,该软件可以通过任意已知的期望的发送方法, 包括例如计算机可读盘上或其它可传输计算存储机构或通信介质,发送给用 户或过程控制系统。通信介质通常将计算机可读指令、数据结构、程序模块 或其它数据具体体现为诸如载波或其它传输机制之类的调制数据信号。术语 "调制数据信号"意指使其一个以上特征以将信息编码在信号中的方式被设 置或改变的信号。以示例而非限制的方式,通信介质包括诸如有线网络或直 接连接的网络之类的有线介质和诸如声、射频、红外和其它无线介质之类的 无线介质。因此,该软件可以通过诸如电话线、因特网等的通信通道发送给 用户或过程控制系统(这被视为与通过可传输存储介质提供这类软件相同或 可互换)。

'因此,尽管已参考具体的示例描述了本发明,这些示例仅仅是示例性的, 而并不对本发明构成限制,但是对于本领域技术人员来说,很显然可以在不 超出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 (74)

1、一种监控和诊断加工厂中的在线多元过程变量数据的系统,其中多元过程数据包括多个过程变量,每个过程变量具有多个观测值,该系统包括:数据采集工具,适于当过程在线时从加工厂内的过程控制系统采集在线过程数据,其中所采集的在线过程数据包括多个过程变量的多个观测值;分析工具,包括多元统计分析引擎,所述多元统计分析引擎适于基于所采集的在线过程数据的集合来表示过程操作,所采集的过程数据的集合包括当所述过程在线时所述过程操作的测量值,其中所述过程操作的表示适于被执行以生成一结果,并且其中所述分析工具适于存储所述过程操作的表示和所采集的在线过程数据的集合;以及监控工具,适于基于所述过程操作的表示的参数生成一输出,其中所述过程操作的表示的参数包括由所述过程操作的表示生成的结果、用于生成所述过程操作的表示的过程变量和所采集的在线过程数据的集合中的一个或多个。
2、 根据权利要求1所述的系统,其中所述监控工具包括执行工具,该执行 工具适于执行所述过程操作的表示以生成得分。
3、 根据权利要求2所述的系统,其中所采集的过程数据的集合中的多个观 测值包括具有多个维度的第 一数据空间,其中所述多元统计分析引擎适于在比 所述第一数据空间具有较低维度的第二数据空间内表示所述过程操作,并且其 中所述得分包括一个或多个观测值在所述第二数据空间中的表示。
4、 根据权利要求3所述的系统,其中所述监控工具适于将观测值从所采集 的数据的集合投影到所述第二数据空间上以生成一个或多个得分。
5、 根据权利要求3所述的系统,其中所述多元统计分析引擎适于将所述过 程操作表示为限定所述第二数据空间的多个主成分,其中每个主成分对应于所 采集的过程数据的集合中的变化量。
6、 根据权利要求2所述的系统,其中所述监控工具适于使用统计输出对所 述过程进行诊断。
7、 根据权利要求2所述的系统,其中所述监控工具适于在所述得分超出一 阔值的情况下确定异常过程状况的存在。
8、 根据权利要求7所述的系统,其中所述分析工具适于基于所述多个过程 变量的一个或多个过程变量极限确定所述阈值。
9、 根据权利要求8所述的系统,其中所述多个过程变量的一个或多个过程 变量极限包括一个或多个包括统计过程变量极限和物理过程变量极限的组。
10、 根据权利要求7所述的系统,其中所述监控工具适于基于异常过程状 况的存在而生成警报。
11、 根据权利要求1所述的系统,其中所述监控工具适于基于被用来生成 所述过程操作的表示的过程变量生成归 一 化的过程变量。
12、 根据权利要求11所述的系统,其中被用来生成所述过程操作的表示的 每个过程变量包括已知过程变量极限和已知目标值,其中所述监控工具包括适 于基于所述已知过程变量极限和所述已知目标对每个过程变量进行归一化的归 一化工具。
13、 根据权利要求12所述的系统,其中所述已知过程变量极限包括已知过 程变量上限和已知过程变量下限。
14、 根据权利要求11所述的系统,其中被用来生成所述过程操作的表示的 过程变量中的至少一个过程变量包括未知过程变量极限,其中所述监控工具包 括归一化工具,所述归一化工具适于基于观测值与所采集的过程变量数据的集 合的均值的最大偏差来计算所述未知过程变量极限,其中该观测值位于所采集 的过程变量数据的集合内,并且所采集的过程变量数据的集合包括当所述过程 在线且正常操作时该至少一个过程变量的测量值,所述归一化工具还基于计算 得到的未知过程变量极限并基于所采集的过程变量数据的集合的均值对该至少 一个过程变量进行归一化,以生成该至少一个过程变量的过程变量极限。
15、 根据权利要求11所述的系统,其中被用来生成所述过程操作的表示的 过程变量中的至少一个过程变量包括未知过程变量极限,其中所述监控工具包 悟归一化工具,所述归一化工具适于基于所采集的过程变量数据的集合的均值并基于所采集的过程变量数据的集合的方差对该至少一个过程变量进行归一 化,以生成该至少一个过程变量的过程变量极限,其中所采集的过程变量数据 的集合包括当所述过程在线且正常操作时该至少一个过程变量的测量值。
16、 根据权利要求15所述的系统,其中所述归一化工具适于基于所采集的 过程变量数据的集合的方差确定统计控制极限,并适于基于所述统计控制极限 对该至少一个过程变量进行归一化。
17、 根据权利要求11所述的系统,其中所述监控工具适于基于归一化的过 程变量生成所述多个过程变量的公共过程变量极限,并适于相对于所述公共过 程变量极限监控每个过程变量。
18、 根据权利要求11所述的系统,其中所述监控工具适于在过程变量超出 所述公共过程变量极限的情况下确定异常过程状况的存在。
19、 根据权利要求18所述的系统,其中所述监控工具适于基于异常过程状 况的存在而生成警报。
20、 根据权利要求18所述的系统,其中所述监控工具适于基于由所述过程 操作的表示生成的结果相对于所述公共过程变量极限来监控过程变量。
21、 根据权利要求1所述的系统,其中所采集的过程数据的集合中的多个 观测值包括具有多个维度的第一数据空间,并且其中所述多元统计分析引擎适 于在比所述第一数据空间具有较低维度的第二数据空间内表示所述过程操作, 并且其中所述监控工具适于基于所采集的在线过程数据的集合并基于所述第二 数据空间的成分来生成过程变量指数,其中所述过程变量指数指示所述多个过 程变量中一个或多个过程变量的偏差量。
22、 根椐权利要求21所述的系统,其中所述监控工具包括指数工具,该指 数工具适于基于第一数据空间中所采集的过程数据的集合的主对角线元素之和 以及所述第二数据空间的成分,来确定所述过程变量指数,其中所述第二数据 空间的成分包括用于确定所述过程操作的表示的成分。
23、 根据权利要求22所述的系统,其中所述分析工具适于生成所述第一数 据空间内的限定所述第二数据空间的多个主成分,其中每个主成分对应于所采集的过程数据的集合中的变化量,并且其中所述第二数据空间的成分包括用于 限定所述第二数据空间的主成分。
24、 根据权利要求21所述的系统,其中所述多元统计分析引擎适于基于所采集的在线过程数据的第一集合来 表示所述过程操作,并且适于基于所采集的在线过程数据的第二集合来表示所 述过程操作,其中所采集的在线过程数据的第 一 集合包括当所述过程在线时所 述过程操作的第一测量值,所采集的在线过程数据的第二集合包括当所述过程 在线时所述过程操作的第二测量值,其中所述监控工具适于基于所采集的在线过程数据的第一集合并基于用于 确定所述过程操作的第一表示的成分,来生成第一过程变量指数,并且适于基 于所采集的在线过程数据的第二集合并基于用于确定所述过程操作的第一表示 的成分,来生成第二过程变量指数,并且其中所述监控工具包括验证工具,该验证工具适于在所述过程操作的第一 表示和所述过程操作的第二表示表示所述过程的相同操作的情况下,比较第一 过程变量和第二过程变量,以确定所述第一过程变量和所述第二过程变量是否 处于相同的顺序。
25、 根据权利要求24所述的系统,其中所述分析工具包括:第一多元统计 分析引擎,适于基于所采集的在线过程数据的第一集合来表示所述过程操作, 其中所采集的在线过程数据的第 一集合包括当所述过程在线时所述过程操作的 第一测量值;和第二多元统计分析引擎,适于基于所采集的在线过程数据的集 合来表示所述过程操作,其中所采集的在线过程数据的集合包括当所述过程在 线时所述过程操作的第二测量值。
26、 根据权利要求21所述的系统,其中所述监控工具适于与所述过程操作 的表示和所采集的在线过程数据的集合一起存储所述过程变量指数。
27、 根据权利要求1所述的系统,进一步包括显示工具,该显示工具适于 生成由所述监控工具生成的输出的视图。
28、 根据权利要求27所述的系统,其中所采集的过程数据的集合中的多个观测值包括具有多个维度的第 一数据空间,其中所述监控工具适于执行所述过 程操作的表示,以生成比所述第一数据空间具有较低维度的第二数据空间,并 且其中所述显示工具适于生成由所述过程操作的表示生成的得分相对于用来限 定所述第二数据空间的成分的视图。
29、 根据权利要求28所述的系统,其中由所述过程操作的表示生成的得分 相对于用来限定所述第二数据空间的成分的视图包括:当所述过程在线操作时 由所述过程的在线操作的表示生成的在线得分相对于用来限定所述第二数据空 间的成分的视图。
30、 根据权利要求28所述的系统,其中由所述过程操作的表示生成的得分 相对于用来限定所述第二数据空间的成分的视图进一步包括:所述多个过程变 量中的一个或多个过程变量相对于用来限定所述第二数据空间的成分的视图。
31、 根据权利要求27所述的系统,其中所述视图包括由所述过程操作的表 示生成的得分对时间的图。
32、 根据权利要求27所述的系统,其中所述视图包括由所述过程操作的表 示生成的第一得分对由所述过程操作的表示生成的第二得分的图。
33、 根据权利要求27所述的系统,其中所述显示工具适于生成所述多个过 程变量中的一个或多个过程变量以及与所述多个过程变量中的该一个或多个过 程变量中的每一个相关联的、指示相关的过程变量的偏差量的过程变量指数的 视图。
34、 根据权利要求27所述的系统,其中所述显示工具适于生成所述多个过 程变量中的一个或多个过程变量相对于各个过程变量所关联的过程变量极限的 视图。
35、 一种监控和^^断加工厂中的在线多元过程变量数据的方法,其中多元 过程数据包括多个过程变量,每个过程变量具有多个观测值,该方法包括:当过程在线时从加工厂内的过程控制系统采集在线过程数据,其中所采集 的在线过程数据包括所述多个过程变量的多个观测值;施行多元统计分析,以基于所采集的在线过程数据的集合来表示过程操作,所采集的过程数椐的集合包括当所述过程在线时所述过程操作的测量值,其中 所迷过程操作的表示适于被执行以生成一结果;存储所述过程操作的表示和所采集的在线过程数据的集合;以及 基于所述过程操作的表示的参数生成一输出,其中所述过程操作的表示的参数包括由所述过程操作的表示生成的结果、用于生成所述过程操作的表示的过程变量和所采集的在线过程数据的集合中的一个或多个。
36、 根据权利要求35所述的方法,其中基于所述过程操作的表示的参数生 成一输出包括执行所述过程操作的表示以生成得分。
37、 根据权利要求36所述的方法,其中所采集的过程数据的集合中的多个 观测值包括具有多个维度的第一数据空间,其中施行多元统计分析以表示所述 过程操作包括:施行多元统计分析以在比所述第 一数据空间具有较低维度的第 二数据空间内表示所述过程操作,并且其中所述得分包括一个或多个观测值在 所述第二数据空间中的表示。
38、 根据权利要求37所述的方法,进一步包括将观测值从所采集的数据的 集合投影到所述第二数据空间上以生成一个或多个得分。
39、 根据权利要求37所述的方法,其中施行多元统计分析以表示所述过程 操作包括:生成所述第一数据空间内的多个主成分,其中每个主成分对应于所 采集的过程数据的集合中的变化量,并且其中所述主成分限定所述第二数据空 间。
40、 根据权利要求36所述的方法,进一步包括使用统计输出对所述过程进 行诊断。
41、 根椐权利要求36所述的方法,进一步包括在所述得分超出一阈值的情 况下确定异常过程状况的存在。
42、 根据权利要求41所述的方法,进一步包括基于所述多个过程变量的一 个或多个过程变量极限确定所述阈值。
43、 根据权利要求42所述的方法,其中所述多个过程变量的一个或多个过 程变量极限包括一个或多个包括统计过程变量极限和物理过程变量极限的组。
44、 根据权利要求41所述的方法,进一步包括基于异常过程状况的存在而 生成警报。
45、 根据权利要求35所述的方法,其中基于所述过程操作的表示的参数生 成一输出包括:基于用于生成所述过程操作的表示的过程变量生成归一化的过 程变量。
46、 根据权利要求45所述的方法,其中用于生成所述过程操作的表示的每 个过程变量包括已知过程变量极限和已知目标值,其中生成归一化的过程变量 包括:基于所述已知过程变量极限和所述已知目标对每个过程变量进行归一化。
47、 根据权利要求46所述的方法,其中所述已知过程变量极限包括已知过 程变量上限和已知过程变量下限。
48、 根据权利要求45所述的方法,其中用于生成所述过程操作的表示的过 程变量中的至少一个过程变量包括未知过程变量极限,其中生成归一化的过程 变量包括:基于观测值与所采集的过程变量数据的集合的均值的最大偏差来计算所述 未知过程变量极限,其中该观测值位于所采集的过程变量数据的集合内,并且 所采集的过程变量数据的集合包括当所述过程在线且正常揭:作时该至少一个过 程变量的测量值;以及基于计算得到的未知过程变量极限并基于所采集的过程变量数据的集合的 均值对该至少一个过程变量进行归一化,以生成该至少一个过程变量的过程变 量极限。
49、 根据权利要求45所述的方法,其中用于生成所述过程操作的表示的过 程变量中的至少一个过程变量包括未知过程变量极限,其中生成归一化的过程 变量包括:基于所釆集的过程变量数据的集合的均值并基于所采集的过程变量 数据的集合的方差对该至少一个过程变量进行归一化,以生成该至少一个过程 变量的过程变量极限,其中所采集的过程变量数据的集合包括当所述过程在线 且正常搡作时该至少一个过程变量的测量值。
50、 根据权利要求49所述的方法,其中生成归一化的过程变量包括:基于所采集的过程变量数据的集合的方差来确定统计控制极限;以及 基于所述统计控制极限对该至少一个过程变量进行归一化。
51、 根据权利要求45所述的方法,进一步包括:基于归 一化的过程变量生成所述多个过程变量的公共过程变量极限;以及 相对于所述公共过程变量极限监控每个过程变量。
52、 根据权利要求45所述的方法,进一步包括在过程变量超出所述公共过 程变量极限的情况下确定异常过程状况的存在。
53、 根据权利要求52所述的方法,进一步包括基于异常过程状况的存在而生成警报。
54、 根据权利要求52所述的方法,进一步包括基于由所述过程操作的表示 生成的结果相对于所述公共过程变量极限来监控过程变量。
55、 根据权利要求35所述的方法,其中施行多元统计分析包括:在比所述 第 一数据空间具有较低维度的第二数据空间内表示所述过程操作,并且其中基 于所述过程操作的表示的参数生成一输出包括:基于所采集的在线过程数据的 集合并基于所述第二数据空间的成分来生成过程变量指数,其中所述过程变量 指数指示所述多个过程变量中一个或多个过程变量的偏差量。
56、 根据权利要求55所述的方法,进一步包括基于第一数椐空间中的所采 集的过程数据的集合的主对角线元素之和以及所述第二数据空间的成分,来确 定所述过程变量指数,其中所述第二数据空间的成分包括用于确定所述过程操 作的表示的成分。
57、 根据权利要求56所述的方法,其中所述第一数据空间内的多个主成分 限定所述第二数据空间,其中每个主成分对应于所采集的过程数据的集合中的 变化量,并且其中所述第二数据空间的成分包括用于限定所述第二数据空间的 主成分。
58、 根据权利要求55所述的方法,其中施行多元统计分析包括: 基于所采集的在线过程数据的第一集合来表示所述过程操作,所采集的在线过程数据的第一集合包括当所述过程在线时所述过程操作的第一测量值;以及基于所采集的在线过程数据的第二集合来表示所述过程操作,所采集的在 线过程数据的第二集合包括当所述过程在线时所述过程操作的第二测量值,并且其中生成过程变量指数包括:基于所采集的在线过程数据的第一集合并基于用于确定所述过程操作的第 一表示的成分,来生成第一过程变量指数;以及基于所采集的在线过程数据的第二集合并基于用于确定所述过程操作的第 一表示的成分,来生成第二过程变量指数,所述方法进一步包括:在所述过程操作的第一表示和所述过程操作的第二 表示表示所述过程的相同操作的情况下,比较第一过程变量和第二过程变量, 以确定所述第一过程变量和所述第二过程变量是否处于相同的顺序。
59、 根据权利要求58所述的方法,其中基于所采集的在线过程数据的第一 集合来表示所述过程操作包括:施行第一多元统计分析,以基于所采集的在线 过程数据的第一集合来表示所述过程搡作,所采集的在线过程数据的第一集合 包括当所述过程在线时所述过程操作的第一测量值,并且其中基于所采集的在 线过程数据的第二集合来表示所述过程:澡作包括:施行第二多元统计分析,以 基于所采集的在线过程数据的集合来表示所述过程操作,所采集的在线过程数 据的集合包括当所述过程在线时所述过程操作的第二测量值„
60、 根据权利要求55所述的方法,进一步包括与所述过程操作的表示和所 采集的在线过程数据的集合一起存储所述过程变量指数。
61、 根据权利要求1所述的方法,进一步包括生成由所述监控工具生成的 输出的视图。
62、 根据权利要求61所述的方法,其中所采集的过程数据的集合中的多个 观测值包括具有多个维度的第 一数据空间,其中施行多元统计分析包括生成比 所述第一数据空间具有较低维度的第二数据空间,并且其中生成视图包括生成 由所述过程操作的表示生成的得分相对于用来限定所述第二数据空间的成分的视图。
63、 根据权利要求62所述的方法,其中由所述过程操作的表示生成的得分 相对于用来限定所述第二数据空间的成分的视图包括:当所述过程在线操作时间的成分的视图。
64、 根据权利要求62所述的方法,其中由所述过程操作的表示生成的得分 相对于用来限定所述第二数据空间的成分的视图进一步包括:所述多个过程变 量中的一个或多个过程变量相对于用来限定所述第二数据空间的成分的^L图。
65、 根据权利要求61所述的方法,其中所述视图包括由所述过程操作的表 示生成的得分对时间的图。
66、 根据权利要求61所述的方法,其中所述视图包括由所述过程操作的表 示生成的第 一得分对由所述过程操作的表示生成的第二得分的图。
67、 根据权利要求61所述的方法,其中生成视图包括生成所述多个过程变 量中的一个或多个过程变量以及与所述多个过程变量中的该一个或多个过程变 量中的每一个相关联的、指示相关的过程变量的偏差量的过程变量指数的视图。
68、 根据权利要求61所述的方法,其中生成视图包括生成所述多个过程变 量中的一个或多个过程变量相对于各个过程变量所关联的过程变量极限的视 图。
69、 一种监控和诊断加工厂中的在线多元过程变量数据的系统,其中多元 过程数据包括多个过程变量,每个过程变量具有多个观测值,该系统包括:数据采集工具,适于当过程在线时从加工厂内的过程控制系统采集在线过 程数据,其中所采集的在线过程数据包括所述多个过程变量的多个观测值;多元统计分析引擎,适于基于所采集的在线过程数据的集合来表示过程操 作,所采集的在线过程数据的集合包括当'所述过程在线时所述过程操作的测量 值;归一化工具,适于对所述多个过程变量中的两个或以上过程变量进行归一 化;以及监控工具,适于基于归一化的过程变量确定过程变量极限,并适于相对于所述过程变量极限监控过程变量中的一个或多个过程变量。
70、根据权利要求69所述的系统,其中用于生成所述过程操作的表示的每个过程变量包括已知过程变量极限和已知目标值,并且其中所述归一化工具适于根据以下算式对所述多个过程变量中的两个或以上过程变量进行归一化:<formula>formula see original document page 12</formula>其中:PV* =归一化的过程变量,T=已知目标值,<formula>formula see original document page 12</formula>UCL=已知过程变量上限, LCL=已知过程变量下限,并且 0<n<l。
71、根据权利要求69所述的系统,其中用于生成所述过程操作的表示的多 个过程变量中的至少 一个过程变量包括未知过程变量极限,其中所述归 一化工 具适于根据以下算式对所述多个过程变量中的两个或以上过程变量进行归一<formula>formula see original document page 12</formula>其中:pV* =归一化的过程变量,<formula>formula see original document page 12</formula> PV= —过程变量的,见测值,t{PV}=所采集的在线过程数据的集合,该集合包括当所述过程正常操 作时该过程变量的多个观测值, <formula>formula see original document page 12</formula>的均值,并且0<n<l。
72、根据权利要求69所述的系统,其中用于生成所述过程搡作的表示的多 个过程变量中的至少一个过程变量包括未知过程变量极限,其中所述归 一化工 具适于根据以下算式对所述多个过程变量中的两个或以上过程变量进行归一 化:其中:pV* =归一化的过程变量, kcj =统计过程控制极限, k=l, 2,…,n,PV= —过程变量的观测值,t{PV}=所采集的在线过程数据的集合,该集合包括当所述过程正常操 作时该过程变量的多个观测值, Mpv -i;(PV)的均值, (j二t(PV)的方差,并且 0<n<l。
73、 一种监控和诊断加工厂中的在线多元过程变量数据的系统,其中多元 过程数据包括多个过程变量,每个过程变量具有多个观测值,该系统包括:数据采集工具,适于当过程在线时从加工厂内的过程控制系统采集在线过 程数据,其中所采集的在线过程数据包括具有多个维度的第一数据空间中的多 个过程变量的多个^L测值;多元统计分析引擎,适于基于所采集的在线过程数据的集合在第二数据空 间内表示过程操作,其中所采集的在线过程数据的集合包括当所述过程在线时 所述过程操作的测量值,其中所述第二数据空间包括比所述第一数据空间低的 维度;指数工具,适于基于所采集的在线过程数据的集合并基于所述第二数据空间的成分来确定过程变量指数,其中所述过程变量指数指示所述多个过程变量中的一个或多个过程变量的偏差量;以及监控工具,适于基于所述过程变量指数来验证所述过程操作的表示。
74、根据权利要求73所述的系统,其中所述指数工具适于根据以下算式来 确定所迷过程变量指数:其中:PV>at,ng =第j个过程变量的过程变量指数,S =所采集的在线过程数据的集合的n x n自动缩放协方差矩阵,n =所述第 一数据空间的多个维度,trS = S的主对角线元素之和,k =所述第二数据空间的多个维度,C7, =S的主特征值,P, = S的主特征向量,并且Pij-Pi的第j个成分。
CN 200780042050 2006-09-29 2007-09-28 过程变量数据的多元监控和诊断 CN101535910A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US82763106 true 2006-09-29 2006-09-29
US60/827,631 2006-09-29
US11/688,795 2007-03-20

Publications (1)

Publication Number Publication Date
CN101535910A true true CN101535910A (zh) 2009-09-16

Family

ID=39111865

Family Applications (7)

Application Number Title Priority Date Filing Date
CN 200780039702 CN101617279A (zh) 2006-09-29 2007-09-28 分布式过程控制系统中的在线多元分析
CN 200780040217 CN101529355A (zh) 2006-09-29 2007-09-28 使用多元统计分析的过程的在线监控和诊断
CN 200780042050 CN101535910A (zh) 2006-09-29 2007-09-28 过程变量数据的多元监控和诊断
CN 200780044022 CN101542409A (zh) 2006-09-29 2007-09-28 用于多元数据的监控和分析的一元方法
CN 200780043047 CN101542407A (zh) 2006-09-29 2007-09-28 加工厂中异常状况的多元检测
CN 200780043760 CN101583914A (zh) 2006-09-29 2007-09-28 与用于过程中的稳态检测的多元分析一起使用的统计特征
CN 200780043659 CN101542408A (zh) 2006-09-29 2007-09-28 过程控制系统中的瞬时区域的多元检测

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN 200780039702 CN101617279A (zh) 2006-09-29 2007-09-28 分布式过程控制系统中的在线多元分析
CN 200780040217 CN101529355A (zh) 2006-09-29 2007-09-28 使用多元统计分析的过程的在线监控和诊断

Family Applications After (4)

Application Number Title Priority Date Filing Date
CN 200780044022 CN101542409A (zh) 2006-09-29 2007-09-28 用于多元数据的监控和分析的一元方法
CN 200780043047 CN101542407A (zh) 2006-09-29 2007-09-28 加工厂中异常状况的多元检测
CN 200780043760 CN101583914A (zh) 2006-09-29 2007-09-28 与用于过程中的稳态检测的多元分析一起使用的统计特征
CN 200780043659 CN101542408A (zh) 2006-09-29 2007-09-28 过程控制系统中的瞬时区域的多元检测

Country Status (5)

Country Link
US (7) US8014880B2 (zh)
EP (7) EP2067087A2 (zh)
JP (7) JP2010506258A (zh)
CN (7) CN101617279A (zh)
WO (3) WO2008042786A3 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102906650A (zh) * 2010-05-21 2013-01-30 费希尔-罗斯蒙特系统公司 多阶段过程建模方法
CN103064286A (zh) * 2013-01-17 2013-04-24 丽水学院 一种工业过程的控制方法与设备

Families Citing this family (138)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180466B2 (en) * 2003-11-21 2012-05-15 Rosemount Inc. Process device with supervisory overlayer
US7799273B2 (en) 2004-05-06 2010-09-21 Smp Logic Systems Llc Manufacturing execution system for validation, quality and risk assessment and monitoring of pharmaceutical manufacturing processes
US9135286B2 (en) * 2005-03-18 2015-09-15 Beyondcore, Inc. Identifying contributors that explain differences between subsets of a data set
US8782087B2 (en) 2005-03-18 2014-07-15 Beyondcore, Inc. Analyzing large data sets to find deviation patterns
US7869888B2 (en) * 2006-05-31 2011-01-11 Tokyo Electron Limited Information processing apparatus, semiconductor manufacturing system, information processing method, and storage medium
CN102831214B (zh) 2006-10-05 2017-05-10 斯普兰克公司 时间序列搜索引擎
US8285513B2 (en) * 2007-02-27 2012-10-09 Exxonmobil Research And Engineering Company Method and system of using inferential measurements for abnormal event detection in continuous industrial processes
GB2459593B (en) * 2007-03-12 2011-12-21 Emerson Process Management Use of statistical analysis in power plant performance monitoring
US8271103B2 (en) * 2007-05-02 2012-09-18 Mks Instruments, Inc. Automated model building and model updating
US20080294361A1 (en) * 2007-05-24 2008-11-27 Popp Shane M Intelligent execution system for the monitoring and execution of vaccine manufacturing
DE102007027276A1 (de) * 2007-06-11 2008-12-18 Endress + Hauser Gmbh + Co. Kg Feldgerät mit einer Vorrichtung zur Durchführung von Diagnoseverfahren
FR2918775A1 (fr) * 2007-07-12 2009-01-16 Pdf Solutions Sas Soc Par Acti Normalisation des variables de processus dans un processus de fabrication
US7770459B2 (en) * 2007-07-20 2010-08-10 Rosemount Inc. Differential pressure diagnostic for process fluid pulsations
EP2176470A4 (en) 2007-07-20 2014-02-05 Rosemount Inc Differential pressure diagnostic for process fluid pulsations
JP2010537282A (ja) * 2007-08-14 2010-12-02 シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー 化学プラントや精製所の連続オンラインモニタリング用のシステムおよび方法
US8042073B1 (en) 2007-11-28 2011-10-18 Marvell International Ltd. Sorted data outlier identification
US20090144007A1 (en) * 2007-11-29 2009-06-04 Jose Moreira System and method for electronic testing of devices
US20090254847A1 (en) * 2008-04-02 2009-10-08 Microsoft Corporation Analysis of visually-presented data
US7966152B2 (en) * 2008-04-23 2011-06-21 Honeywell International Inc. System, method and algorithm for data-driven equipment performance monitoring
DE102008021558A1 (de) * 2008-04-30 2009-11-12 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System für die Halbleiterprozesssteuerung und Überwachung unter Verwendung von PCA-Modellen mit reduzierter Grösse
JP4961390B2 (ja) * 2008-06-12 2012-06-27 株式会社日立製作所 プラント監視制御装置及び事象分析支援方法
US20110167025A1 (en) * 2008-07-24 2011-07-07 Kourosh Danai Systems and methods for parameter adaptation
US8712927B2 (en) * 2008-07-24 2014-04-29 University Of Massachusetts Systems and methods for parameter adaptation
US8473854B2 (en) 2008-08-19 2013-06-25 Rockwell Automation Technologies, Inc. Visualization profiles and templates for auto-configuration of industrial automation systems
US8494798B2 (en) * 2008-09-02 2013-07-23 Mks Instruments, Inc. Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection
US8055375B2 (en) * 2008-09-30 2011-11-08 Rockwell Automation Technologies, Inc. Analytical generator of key performance indicators for pivoting on metrics for comprehensive visualizations
JP5129725B2 (ja) * 2008-11-19 2013-01-30 株式会社日立製作所 装置異常診断方法及びシステム
WO2010080146A3 (en) * 2009-01-07 2011-08-11 Cfi Group Usa, L.L.C. Statistical impact analysis machine
US8676356B2 (en) * 2009-01-09 2014-03-18 Eaton Corporation System and method for motor parameter estimation
US8515719B2 (en) * 2009-01-14 2013-08-20 Hitachi, Ltd. Apparatus anomaly monitoring method and system
JP5251538B2 (ja) * 2009-01-20 2013-07-31 富士通株式会社 異常箇所特定プログラム、異常箇所特定装置、異常箇所特定方法
US9069345B2 (en) * 2009-01-23 2015-06-30 Mks Instruments, Inc. Controlling a manufacturing process with a multivariate model
DE102009006887B3 (de) * 2009-01-30 2010-07-15 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes
JP5299684B2 (ja) * 2009-03-03 2013-09-25 富士ゼロックス株式会社 監視装置および情報処理システムおよび監視プログラム
US8112163B2 (en) * 2009-03-23 2012-02-07 Fakhruddin T Attarwala Embedded dynamic alarm control system
WO2010121668A1 (en) * 2009-04-20 2010-10-28 Abb Research Ltd Operator terminal in a process control system
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
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
US20110010623A1 (en) * 2009-07-10 2011-01-13 Vanslette Paul J Synchronizing Audio-Visual Data With Event Data
US8887124B2 (en) * 2009-09-30 2014-11-11 Sap Se Validation of process models
US20110087627A1 (en) * 2009-10-08 2011-04-14 General Electric Company Using neural network confidence to improve prediction accuracy
JP5315325B2 (ja) * 2009-12-23 2013-10-16 キヤノン株式会社 プリンタの出力エラーを検出する方法、プリンタ、プログラム、及び記憶媒体
US9043254B2 (en) * 2010-04-12 2015-05-26 Siemens Aktiengesellschaft Method for computer-aided closed-loop and/or open-loop control of a technical system
US8442787B2 (en) * 2010-04-30 2013-05-14 Infineon Technologies Ag Apparatus, sensor circuit, and method for operating an apparatus or a sensor circuit
US8380435B2 (en) * 2010-05-06 2013-02-19 Exxonmobil Upstream Research Company Windowed statistical analysis for anomaly detection in geophysical datasets
US8862250B2 (en) 2010-05-07 2014-10-14 Exxonmobil Research And Engineering Company Integrated expert system for identifying abnormal events in an industrial plant
US8880203B2 (en) * 2010-05-21 2014-11-04 Fisher-Rosemount Systems, Inc. On-line alignment of a process analytical model with actual process operation
CN101882157A (zh) * 2010-06-21 2010-11-10 国家电网公司;国网信息通信有限公司;国网信通亿力科技股份有限公司 一种辅助分析方法和模型
CA2798527C (en) * 2010-08-18 2014-02-25 Manufacturing Technology Network Inc. Computer apparatus and method for real-time multi-unit optimization
US20120078896A1 (en) * 2010-09-23 2012-03-29 Mark Nixon Systems, methods and articles of manufacture to provide a search service to a process control system
US20130186055A1 (en) * 2010-09-25 2013-07-25 Vladimir Bram System and method for the management of the flow rate of a feed line
WO2012041535A1 (en) * 2010-09-29 2012-04-05 Siemens Aktiengesellschaft Arrangement and method for controlling and/or monitoring a subsea device
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
CN102467089B (zh) * 2010-11-10 2013-09-11 北京北方微电子基地设备工艺研究中心有限责任公司 半导体工艺中的过程控制方法及系统
US8855804B2 (en) * 2010-11-16 2014-10-07 Mks Instruments, Inc. Controlling a discrete-type manufacturing process with a multivariate model
CN102163051A (zh) * 2010-12-10 2011-08-24 中国广东核电集团有限公司 一种压水堆核电站一回路水压试验数字化控制方法和系统
US8977405B2 (en) * 2011-12-13 2015-03-10 Patrick Andrew Shiel Continuous optimization energy reduction process in commercial buildings
US8471702B2 (en) * 2010-12-22 2013-06-25 General Electric Company Method and system for compressor health monitoring
US9465713B2 (en) * 2010-12-24 2016-10-11 Nec Corporation Monitoring data analyzing apparatus, monitoring data analyzing method, and monitoring data analyzing program
US9857775B2 (en) * 2010-12-28 2018-01-02 International Business Machines Corporation Method, computer program, and computer for determining system situation
US20120209575A1 (en) * 2011-02-11 2012-08-16 Ford Global Technologies, Llc Method and System for Model Validation for Dynamic Systems Using Bayesian Principal Component Analysis
FR2971595B1 (fr) * 2011-02-15 2013-03-22 Snecma Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance
US8996334B2 (en) * 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery
US8583408B2 (en) * 2011-03-17 2013-11-12 Bank Of America Corporation Standardized modeling suite
US9058029B2 (en) * 2011-03-31 2015-06-16 Brad Radl System and method for creating a graphical control programming environment
US9940405B2 (en) 2011-04-05 2018-04-10 Beyondcore Holdings, Llc Automatically optimizing business process platforms
US20120266094A1 (en) * 2011-04-15 2012-10-18 Kevin Dale Starr Monitoring Process Control System
CN102759906B (zh) 2011-04-26 2018-05-22 费希尔控制国际公司 用于表征过程控制设施连接完整性的方法和装置
CN102759905B (zh) * 2011-04-26 2018-04-13 费希尔控制国际公司 用于表征过程控制设施完整性的方法和装置
CN103703425B (zh) * 2011-07-11 2017-06-09 维美德自动化有限公司 监控工业过程的方法
US8769345B2 (en) 2011-07-29 2014-07-01 General Electric Company Computing device and methods of presenting data to identify faults within power systems
WO2013023178A1 (en) * 2011-08-11 2013-02-14 The Trustees Of Columbia University In The City Of New York Adaptive stochastic controller for dynamic treatment of cyber-physical systems
US8559040B2 (en) * 2011-09-09 2013-10-15 Xerox Corporation Method and system for performing statistical throughput control in a print shop
US9078629B2 (en) * 2011-09-19 2015-07-14 Hewlett-Packard Development Company, L.P. Detecting regime change in streaming data
US9429938B2 (en) * 2011-09-30 2016-08-30 Yokogawa Electric Corporation Method and apparatus for qualifying performance of a conventional control valve
US20130100136A1 (en) * 2011-10-24 2013-04-25 Kim Ordean Van Camp Sparkline presentations of process control system alarms
US9274515B2 (en) * 2011-11-11 2016-03-01 General Electric Company Systems and methods for recording data associated with the operation of foundation fieldbus devices
JP5846896B2 (ja) * 2011-12-21 2016-01-20 株式会社日立製作所 プラント監視制御装置
US9541471B2 (en) 2012-04-06 2017-01-10 Mks Instruments, Inc. Multivariate prediction of a batch manufacturing process
US9429939B2 (en) 2012-04-06 2016-08-30 Mks Instruments, Inc. Multivariate monitoring of a batch manufacturing process
CN102662390B (zh) * 2012-04-26 2014-04-02 杭州电子科技大学 一种随机模糊故障特征融合的旋转机械设备故障诊断方法
DE102012104216A1 (de) * 2012-05-15 2013-11-21 Z & J Technologies Gmbh Verfahren zur Lösung einer Steuerungsaufgabe in einer Prozessanlage
US9008807B2 (en) * 2012-05-25 2015-04-14 Statistics & Control, Inc. Method of large scale process optimization and optimal planning based on real time dynamic simulation
US8909358B2 (en) * 2012-06-01 2014-12-09 Sap Ag Method and system for complex smart grid infrastructure assessment
CN102681520B (zh) * 2012-06-04 2014-07-09 上海迪吉特控制系统有限公司 一种机组自启停控制系统操作接口的实现方法
JP6010354B2 (ja) * 2012-06-08 2016-10-19 アズビル株式会社 ポジショナ
US20140039978A1 (en) * 2012-07-31 2014-02-06 Burcu Aydin Systems and methods for analyzing forecasts and responses in collaborative inventory management settings
US9628499B1 (en) 2012-08-08 2017-04-18 Google Inc. Statistics-based anomaly detection
US20140098105A1 (en) * 2012-10-10 2014-04-10 Chevron U.S.A. Inc. Systems and methods for improved graphical display of real-time data in a user interface
US20140142766A1 (en) * 2012-11-20 2014-05-22 General Electric Company Methods and systems to improve power plant performance by corrective set points
US20140309756A1 (en) * 2013-02-05 2014-10-16 Yokogawa Corporation Of America System, Method and Apparatus for Determining Properties of Product or Process Streams
US9558220B2 (en) 2013-03-04 2017-01-31 Fisher-Rosemount Systems, Inc. Big data in process control systems
US20170102678A1 (en) * 2013-03-04 2017-04-13 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
US9400944B2 (en) * 2013-03-11 2016-07-26 Sas Institute Inc. Space dilating two-way variable selection
US9614742B1 (en) 2013-03-14 2017-04-04 Google Inc. Anomaly detection in time series data
US20140277656A1 (en) 2013-03-14 2014-09-18 Fisher-Rosemount Systems, Inc. Collecting and delivering data to a big data machine in a process control system
US9541905B2 (en) 2013-03-15 2017-01-10 Fisher-Rosemount Systems, Inc. Context sensitive mobile control in a process plant
EP2973242A2 (en) 2013-03-15 2016-01-20 Fisher-Rosemount Systems, Inc. Data modeling studio
US20160246485A1 (en) * 2014-04-07 2016-08-25 Benjamin Rigler Halpern Visual representations of multivariate data indicating elements of contribution
US9015716B2 (en) 2013-04-30 2015-04-21 Splunk Inc. Proactive monitoring tree with node pinning for concurrent node comparisons
US9869481B2 (en) * 2015-01-27 2018-01-16 Patrick Andrew Shiel Method of controlling ventilation and chilling systems to conserve energy in commercial buildings
US9869486B2 (en) * 2015-01-27 2018-01-16 Patrick Andrew Shiel Method of reducing heating energy consumption in commercial buildings
CN103309347B (zh) * 2013-06-05 2015-11-18 浙江大学 一种基于稀疏表示的多工况过程监控方法
US9892238B2 (en) 2013-06-07 2018-02-13 Scientific Design Company, Inc. System and method for monitoring a process
US20140365179A1 (en) * 2013-06-11 2014-12-11 Ypf Sociedad Anonima Method and Apparatus for Detecting and Identifying Faults in a Process
CN103389715B (zh) * 2013-07-26 2016-03-23 浪潮电子信息产业股份有限公司 一种高性能的分布式数据中心监控架构
CN103616854B (zh) * 2013-10-24 2016-04-27 上海迪吉特控制系统有限公司 火电厂单元机组自启停控制逻辑的优化实现方法
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
CN103646177B (zh) * 2013-12-16 2016-08-17 青岛理工大学 一种考虑温度影响的土木工程结构损伤预警方法
US9692674B1 (en) * 2013-12-30 2017-06-27 Google Inc. Non-parametric change point detection
US9665088B2 (en) 2014-01-31 2017-05-30 Fisher-Rosemount Systems, Inc. Managing big data in process control systems
CN104865860B (zh) * 2014-02-25 2017-10-17 常州铠甲智能科技有限公司 风电机组状态监测系统的采样、存储与查询方法及装置
USD770494S1 (en) * 2014-02-27 2016-11-01 Robert Bosch Gmbh Display screen with a graphical user interface
CN103823401B (zh) * 2014-03-05 2016-08-10 中国神华能源股份有限公司 用于在机组级自启停控制系统中报警的方法与装置
US9804588B2 (en) 2014-03-14 2017-10-31 Fisher-Rosemount Systems, Inc. Determining associations and alignments of process elements and measurements in a process
US9613308B2 (en) 2014-04-03 2017-04-04 Brain Corporation Spoofing remote control apparatus and methods
US9630317B2 (en) * 2014-04-03 2017-04-25 Brain Corporation Learning apparatus and methods for control of robotic devices via spoofing
CN104123348B (zh) * 2014-07-08 2017-02-22 杭州电子科技大学 一种基于arx的供水管网在线建模方法
FR3023628A1 (fr) * 2014-07-10 2016-01-15 Airbus Helicopters Procede et systeme de fusion d'indicateurs de surveillance d'un dispositif
US9785616B2 (en) * 2014-07-15 2017-10-10 Solarwinds Worldwide, Llc Method and apparatus for determining threshold baselines based upon received measurements
US9397836B2 (en) 2014-08-11 2016-07-19 Fisher-Rosemount Systems, Inc. Securing devices to process control systems
GB2529637B (en) * 2014-08-26 2017-07-05 Ge Aviat Systems Ltd System for building and deploying inference model
US9860077B2 (en) 2014-09-17 2018-01-02 Brain Corporation Home animation apparatus and methods
US9579790B2 (en) 2014-09-17 2017-02-28 Brain Corporation Apparatus and methods for removal of learned behaviors in robots
US9849588B2 (en) 2014-09-17 2017-12-26 Brain Corporation Apparatus and methods for remotely controlling robotic devices
US9821470B2 (en) 2014-09-17 2017-11-21 Brain Corporation Apparatus and methods for context determination using real time sensor data
US9823626B2 (en) 2014-10-06 2017-11-21 Fisher-Rosemount Systems, Inc. Regional big data in process control systems
CN104460653B (zh) * 2014-10-29 2017-06-27 中国石油化工股份有限公司 一种加热炉监控系统评价方法
US9476363B2 (en) * 2015-01-08 2016-10-25 Solar Turbines Incorporated Actuator to valve calibration of a fuel control valve assembly
CN104750975B (zh) * 2015-03-09 2018-03-30 北京化工大学 一种基于核函数的模糊过程能力的减压塔在线监测方法
CN105259895B (zh) * 2015-10-14 2017-08-11 山东科技大学 一种工业过程微小故障的检测和分离方法及其监测系统
CN105426692B (zh) * 2015-12-10 2018-06-05 青岛农业大学 基于数据驱动的海洋平台多阶段任务系统可靠性估计方法
RU2626780C1 (ru) * 2016-07-15 2017-08-01 Акционерное общество "РОТЕК" (АО "РОТЕК") Способ и система удаленного мониторинга энергетических установок
KR20180029453A (ko) * 2016-09-12 2018-03-21 두산중공업 주식회사 해수 담수화 장치의 막오염 영향 변수 분석 장치
US20180094800A1 (en) * 2016-09-30 2018-04-05 Intermatic Incorporated Pool junction box with transformer
US20180142641A1 (en) * 2016-11-18 2018-05-24 Borgwarner Inc. Inline sticky turbocharger component diagnostic device and system and method of using the same
RU2649542C1 (ru) * 2016-12-06 2018-04-03 Акционерное общество "РОТЕК" (АО "РОТЕК") Способ и система удаленного мониторинга объектов

Family Cites Families (202)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4607325A (en) 1981-10-21 1986-08-19 Honeywell Inc. Discontinuous optimization procedure modelling the run-idle status of plural process components
US4527271A (en) 1982-08-17 1985-07-02 The Foxboro Company Process control system with improved fault isolation
US4734873A (en) 1984-02-02 1988-03-29 Honeywell Inc. Method of digital process variable transmitter calibration and a process variable transmitter system utilizing the same
US4763243A (en) 1984-06-21 1988-08-09 Honeywell Bull Inc. Resilient bus system
US4657179A (en) 1984-12-26 1987-04-14 Honeywell Inc. Distributed environmental/load control system
US4908746A (en) * 1986-10-15 1990-03-13 United States Data Corporation Industrial control system
US5043863A (en) 1987-03-30 1991-08-27 The Foxboro Company Multivariable adaptive feedforward controller
US5541833A (en) 1987-03-30 1996-07-30 The Foxboro Company Multivariable feedforward adaptive controller
US4885694A (en) 1987-04-29 1989-12-05 Honeywell Inc. Automated building control design system
US4910691A (en) * 1987-09-30 1990-03-20 E.I. Du Pont De Nemours & Co. Process control system with multiple module sequence options
US4907167A (en) * 1987-09-30 1990-03-06 E. I. Du Pont De Nemours And Company Process control system with action logging
US4965742A (en) 1987-09-30 1990-10-23 E. I. Du Pont De Nemours And Company Process control system with on-line reconfigurable modules
US5006992A (en) * 1987-09-30 1991-04-09 Du Pont De Nemours And Company Process control system with reconfigurable expert rules and control modules
US5488697A (en) 1988-01-12 1996-01-30 Honeywell Inc. Problem state monitoring system
US5193143A (en) 1988-01-12 1993-03-09 Honeywell Inc. Problem state monitoring
US4853175A (en) 1988-03-10 1989-08-01 The Babcock & Wilcox Company Power plant interactive display
US4984502A (en) * 1988-05-09 1991-01-15 Airfoil Textron Inc. Apparatus and method for braiding fiber strands and stuffer fiber strands
US5050095A (en) 1988-05-31 1991-09-17 Honeywell Inc. Neural network auto-associative memory with two rules for varying the weights
US4944035A (en) 1988-06-24 1990-07-24 Honeywell Inc. Measurement of thermal conductivity and specific heat
US4956793A (en) 1988-06-24 1990-09-11 Honeywell Inc. Method and apparatus for measuring the density of fluids
US5373452A (en) 1988-09-02 1994-12-13 Honeywell Inc. Intangible sensor and method for making same
US5008810A (en) 1988-09-29 1991-04-16 Process Modeling Investment Corp. System for displaying different subsets of screen views, entering different amount of information, and determining correctness of input dependent upon current user input
US5140530A (en) 1989-03-28 1992-08-18 Honeywell Inc. Genetic algorithm synthesis of neural networks
US5070458A (en) 1989-03-31 1991-12-03 Honeywell Inc. Method of analyzing and predicting both airplane and engine performance characteristics
US5015934A (en) 1989-09-25 1991-05-14 Honeywell Inc. Apparatus and method for minimizing limit cycle using complementary filtering techniques
US5187674A (en) 1989-12-28 1993-02-16 Honeywell Inc. Versatile, overpressure proof, absolute pressure sensor
US5442544A (en) 1990-01-26 1995-08-15 Honeywell Inc. Single input single output rate optimal controller
US5134574A (en) 1990-02-27 1992-07-28 The Foxboro Company Performance control apparatus and method in a processing plant
US5018215A (en) 1990-03-23 1991-05-21 Honeywell Inc. Knowledge and model based adaptive signal processor
EP0462815B1 (en) * 1990-06-21 1996-09-25 Honeywell Inc. Receding horizon based adaptive control having means for minimizing operating costs
US5142612A (en) 1990-08-03 1992-08-25 E. I. Du Pont De Nemours & Co. (Inc.) Computer neural network supervisory process control system and method
US5224203A (en) * 1990-08-03 1993-06-29 E. I. Du Pont De Nemours & Co., Inc. On-line process control neural network using data pointers
US5197114A (en) 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
US5212765A (en) 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
US5121467A (en) * 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US5282261A (en) * 1990-08-03 1994-01-25 E. I. Du Pont De Nemours And Co., Inc. Neural network process measurement and control
US5167009A (en) 1990-08-03 1992-11-24 E. I. Du Pont De Nemours & Co. (Inc.) On-line process control neural network using data pointers
DE69128996D1 (de) 1990-10-10 1998-04-09 Honeywell Inc Identifizierung eines Prozesssystems
DE69225723T2 (de) 1991-01-22 1998-12-03 Honeywell Inc Zweistufige Systemidentifikationsvorrichtung mit Optimierung
US5291190A (en) * 1991-03-28 1994-03-01 Combustion Engineering, Inc. Operator interface for plant component control system
US5161013A (en) 1991-04-08 1992-11-03 Honeywell Inc. Data projection system with compensation for nonplanar screen
US5189232A (en) * 1991-06-27 1993-02-23 University Of Utah Method of making jet fuel compositions via a dehydrocondensation reaction process
US5333298A (en) 1991-08-08 1994-07-26 Honeywell Inc. System for making data available to an outside software package by utilizing a data file which contains source and destination information
ES2161696T3 (es) * 1991-10-23 2001-12-16 Honeywell Inc Aparato para medir, sin combustion, la calidad de un gas combustible.
US5410492A (en) 1992-01-29 1995-04-25 Arch Development Corporation Processing data base information having nonwhite noise
US5396415A (en) 1992-01-31 1995-03-07 Honeywell Inc. Neruo-pid controller
US5398303A (en) 1992-02-28 1995-03-14 Yamatake-Honeywell Co., Ltd. Fuzzy data processing method and data smoothing filter
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
US5353207A (en) 1992-06-10 1994-10-04 Pavilion Technologies, Inc. Residual activation neural network
US5369599A (en) 1992-08-04 1994-11-29 Honeywell Inc. Signal metric estimator
US5692158A (en) 1992-08-28 1997-11-25 Abb Power T&D Company Inc. Methods for generating models of non-linear systems and components and for evaluating parameters in relation to such non-linear models
US5384698A (en) * 1992-08-31 1995-01-24 Honeywell Inc. Structured multiple-input multiple-output rate-optimal controller
JP2794142B2 (ja) 1992-09-14 1998-09-03 株式会社山武 情報処理装置
US5477444A (en) 1992-09-14 1995-12-19 Bhat; Naveen V. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
US6144952A (en) 1995-09-20 2000-11-07 Keeler; James D. Predictive network with learned preprocessing parameters
US5729661A (en) 1992-11-24 1998-03-17 Pavilion Technologies, Inc. Method and apparatus for preprocessing input data to a neural network
CA2149913A1 (en) 1992-11-24 1994-06-09 James David Keeler Method and apparatus for operating a neural network with missing and/or incomplete data
JP2952124B2 (ja) * 1992-11-25 1999-09-20 富士写真フイルム株式会社 写真処理機の故障診断システム
US5311562A (en) 1992-12-01 1994-05-10 Westinghouse Electric Corp. Plant maintenance with predictive diagnostics
EP0674780B1 (en) * 1992-12-14 1998-10-21 CHAPPELL, David A. A flexible method for building a recipe in a process control system
US5486996A (en) 1993-01-22 1996-01-23 Honeywell Inc. Parameterized neurocontrollers
US5351184A (en) 1993-01-26 1994-09-27 Honeywell Inc. Method of multivariable predictive control utilizing range control
EP0612039B1 (en) 1993-02-15 1999-10-27 Babcock-Hitachi Kabushiki Kaisha Method and system of preventive maintenance for plant component parts
EP0687369A1 (en) 1993-03-02 1995-12-20 Pavilion Technologies Inc. Method and apparatus for analyzing a neural network within desired operating parameter constraints
US5390326A (en) * 1993-04-30 1995-02-14 The Foxboro Company Local area network with fault detection and recovery
JP3147586B2 (ja) 1993-05-21 2001-03-19 株式会社日立製作所 プラントの監視診断方法
US5909541A (en) 1993-07-14 1999-06-01 Honeywell Inc. Error detection and correction for data stored across multiple byte-wide memory devices
GB9420797D0 (en) 1993-09-05 1994-11-30 Lowe George H An indicating system
US5479340A (en) 1993-09-20 1995-12-26 Sematech, Inc. Real time control of plasma etch utilizing multivariate statistical analysis
US5486920A (en) 1993-10-01 1996-01-23 Honeywell, Inc. Laser gyro dither strippr gain correction method and apparatus
US5408406A (en) 1993-10-07 1995-04-18 Honeywell Inc. Neural net based disturbance predictor for model predictive control
US5596704A (en) 1993-11-11 1997-01-21 Bechtel Group, Inc. Process flow diagram generator
US5442562A (en) 1993-12-10 1995-08-15 Eastman Kodak Company Method of controlling a manufacturing process using multivariate analysis
JP3429769B2 (ja) 1993-12-22 2003-07-22 ウオルド,スバンテ 可変数プロセスをモニタリングするための方法
JP2929259B2 (ja) 1993-12-27 1999-08-03 株式会社山武 コントローラ
JP3205158B2 (ja) 1994-02-07 2001-09-04 富士通株式会社 ネットワーク集中監視装置
US5666297A (en) 1994-05-13 1997-09-09 Aspen Technology, Inc. Plant simulation and optimization software apparatus and method using dual execution models
US5461570A (en) 1994-06-10 1995-10-24 Johnson & Johnson Vision Products, Inc. Computer system for quality control correlations
US5533413A (en) 1994-06-30 1996-07-09 Yokogawa Electric Corporation Equipment diagnosis system
US5546301A (en) 1994-07-19 1996-08-13 Honeywell Inc. Advanced equipment control system
US5687090A (en) 1994-09-01 1997-11-11 Aspen Technology, Inc. Polymer component characterization method and process simulation apparatus
JPH08129415A (ja) 1994-10-31 1996-05-21 Hitachi Eng Co Ltd プラントの故障解析支援システム
US5704011A (en) 1994-11-01 1997-12-30 The Foxboro Company Method and apparatus for providing multivariable nonlinear control
US5570282A (en) 1994-11-01 1996-10-29 The Foxboro Company Multivariable nonlinear process controller
US5566065A (en) 1994-11-01 1996-10-15 The Foxboro Company Method and apparatus for controlling multivariable nonlinear processes
WO1996030843A1 (en) 1995-03-31 1996-10-03 Abb Power T & D Company Inc. System for optimizing power network design reliability
US5572420A (en) 1995-04-03 1996-11-05 Honeywell Inc. Method of optimal controller design for multivariable predictive control utilizing range control
US5574638A (en) 1995-04-03 1996-11-12 Lu; Zhuxin J. Method of optimal scaling of variables in a multivariable predictive controller utilizing range control
US5561599A (en) 1995-06-14 1996-10-01 Honeywell Inc. Method of incorporating independent feedforward control in a multivariable predictive controller
US5654841A (en) 1995-07-07 1997-08-05 Seagate Technology, Inc. Detection of mechanical defects in a disc drive using injected test signals
US5812394A (en) 1995-07-21 1998-09-22 Control Systems International Object-oriented computer program, system, and method for developing control schemes for facilities
US5680409A (en) 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US6033257A (en) 1995-11-20 2000-03-07 The Foxboro Company I/O connector module for a field controller in a distributed control system
US6008985A (en) 1995-11-20 1999-12-28 The Foxboro Company Industrial field controlling device with controller and expansion modules
US6076124A (en) * 1995-10-10 2000-06-13 The Foxboro Company Distributed control system including a compact easily-extensible and serviceable field controller
US5940290A (en) 1995-12-06 1999-08-17 Honeywell Inc. Method of predictive maintenance of a process control system having fluid movement
JP3497033B2 (ja) 1995-12-22 2004-02-16 パイオニア株式会社 光ディスクプレーヤの自動利得調整装置
FR2743642B1 (fr) * 1996-01-11 1999-05-21 Toshiba Kk Procede et appareil de diagnostic d'anomalies d'une installation
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
US5764891A (en) 1996-02-15 1998-06-09 Rosemount Inc. Process I/O to fieldbus interface circuit
US5819050A (en) 1996-02-29 1998-10-06 The Foxboro Company Automatically configurable multi-purpose distributed control processor card for an industrial control system
US5761518A (en) * 1996-02-29 1998-06-02 The Foxboro Company System for replacing control processor by operating processor in partially disabled mode for tracking control outputs and in write enabled mode for transferring control loops
US5819232A (en) 1996-03-22 1998-10-06 E. I. Du Pont De Nemours And Company Method and apparatus for inventory control of a manufacturing or distribution process
US7085610B2 (en) * 1996-03-28 2006-08-01 Fisher-Rosemount Systems, Inc. Root cause diagnostics
US6539267B1 (en) 1996-03-28 2003-03-25 Rosemount Inc. Device in a process system for determining statistical parameter
US6017143A (en) 1996-03-28 2000-01-25 Rosemount Inc. Device in a process system for detecting events
US5828851A (en) 1996-04-12 1998-10-27 Fisher-Rosemount Systems, Inc. Process control system using standard protocol control of standard devices and nonstandard devices
US5768119A (en) 1996-04-12 1998-06-16 Fisher-Rosemount Systems, Inc. Process control system including alarm priority adjustment
JP3510042B2 (ja) * 1996-04-26 2004-03-22 日立ソフトウエアエンジニアリング株式会社 データベース管理方法及びシステム
US5877954A (en) 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
US6110214A (en) 1996-05-03 2000-08-29 Aspen Technology, Inc. Analyzer for modeling and optimizing maintenance operations
US5809490A (en) 1996-05-03 1998-09-15 Aspen Technology Inc. Apparatus and method for selecting a working data set for model development
US5933345A (en) * 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US5742513A (en) 1996-05-15 1998-04-21 Abb Power T&D Company Inc. Methods and systems for automatic testing of a relay
US5805442A (en) 1996-05-30 1998-09-08 Control Technology Corporation Distributed interface architecture for programmable industrial control systems
US5918233A (en) 1996-05-30 1999-06-29 The Foxboro Company Methods and systems for providing electronic documentation to users of industrial process control systems
US5715158A (en) * 1996-05-31 1998-02-03 Abb Industrial Systems, Inc. Method and apparatus for controlling an extended process
US5907701A (en) * 1996-06-14 1999-05-25 The Foxboro Company Management of computer processes having differing operational parameters through an ordered multi-phased startup of the computer processes
US5984502A (en) 1996-06-14 1999-11-16 The Foxboro Company Keypad annunciator graphical user interface
US5847952A (en) 1996-06-28 1998-12-08 Honeywell Inc. Nonlinear-approximator-based automatic tuner
US5796609A (en) 1996-09-13 1998-08-18 Honeywell-Measurex Corporation Method and apparatus for internal model control using a state variable feedback signal
US5777872A (en) 1996-09-13 1998-07-07 Honeywell-Measurex Corporation Method and system for controlling a multiple input/output process with minimum latency
US5892679A (en) * 1996-09-13 1999-04-06 Honeywell-Measurex Corporation Method and system for controlling a multiple input/output process with minimum latency using a pseudo inverse constant
US5898869A (en) 1996-09-20 1999-04-27 The Foxboro Company Method and system for PCMCIA card boot from dual-ported memory
US5960441A (en) 1996-09-24 1999-09-28 Honeywell Inc. Systems and methods for providing dynamic data referencing in a generic data exchange environment
US6041263A (en) 1996-10-01 2000-03-21 Aspen Technology, Inc. Method and apparatus for simulating and optimizing a plant model
US5970430A (en) 1996-10-04 1999-10-19 Fisher Controls International, Inc. Local device and process diagnostics in a process control network having distributed control functions
US5892939A (en) 1996-10-07 1999-04-06 Honeywell Inc. Emulator for visual display object files and method of operation thereof
US5859964A (en) * 1996-10-25 1999-01-12 Advanced Micro Devices, Inc. System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes
US5909586A (en) * 1996-11-06 1999-06-01 The Foxboro Company Methods and systems for interfacing with an interface powered I/O device
US5905989A (en) * 1996-11-27 1999-05-18 Bently Nevada Corporation Knowledge manager relying on a hierarchical default expert system: apparatus and method
US5948101A (en) 1996-12-02 1999-09-07 The Foxboro Company Methods and systems for booting a computer in a distributed computing system
JP4643771B2 (ja) 1996-12-31 2011-03-02 ローズマウント インコーポレイテッド フィールド装置からの制御信号の有効性を確認するための方法および装置
US6017043A (en) * 1997-01-10 2000-01-25 Rubbermaid Specialty Inc. Storable toboggan
US6078843A (en) * 1997-01-24 2000-06-20 Honeywell Inc. Neural network including input normalization for use in a closed loop control system
US5949417A (en) 1997-01-31 1999-09-07 The Foxboro Company Dynamic property sheet system
US6067505A (en) * 1997-04-10 2000-05-23 The Foxboro Company Method and apparatus for self-calibration of a coordinated control system for an electric power generating station
US6122555A (en) 1997-05-05 2000-09-19 Honeywell International Inc. System and methods for globally optimizing a process facility
US6055483A (en) * 1997-05-05 2000-04-25 Honeywell, Inc. Systems and methods using bridge models to globally optimize a process facility
US6106785A (en) 1997-06-30 2000-08-22 Honeywell Inc. Polymerization process controller
DE19732046A1 (de) 1997-07-25 1999-01-28 Abb Patent Gmbh Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses
US6141630A (en) 1997-08-07 2000-10-31 Verisity Design, Inc. System and method for automated design verification
US5988847A (en) 1997-08-22 1999-11-23 Honeywell Inc. Systems and methods for implementing a dynamic cache in a supervisory control system
US5901058A (en) 1997-08-22 1999-05-04 Honeywell Inc. System and methods for achieving heterogeneous data flow between algorithm blocks in a distributed control system
US6282454B1 (en) 1997-09-10 2001-08-28 Schneider Automation Inc. Web interface to a programmable controller
US6047221A (en) * 1997-10-03 2000-04-04 Pavilion Technologies, Inc. Method for steady-state identification based upon identified dynamics
US6128279A (en) 1997-10-06 2000-10-03 Web Balance, Inc. System for balancing loads among network servers
DE19755133A1 (de) 1997-12-11 1999-06-24 Siemens Ag Verfahren zur Überwachung von Bearbeitungsanlagen
US5909370A (en) 1997-12-22 1999-06-01 Honeywell Inc. Method of predicting overshoot in a control system response
US6415244B1 (en) 1998-03-31 2002-07-02 Mehta Tech, Inc. Power monitoring system and method
US6093211A (en) 1998-04-09 2000-07-25 Aspen Technology, Inc. Polymer property distribution functions methodology and simulators
FI114745B (fi) 1998-06-01 2004-12-15 Metso Automation Oy Kenttälaitteiden hallintajärjestelmä
FI108678B (fi) 1998-06-17 2002-02-28 Neles Controls Oy Kenttälaitteiden hallintajärjestelmä
WO2000005013A1 (en) * 1998-07-21 2000-02-03 Dofasco Inc. Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts
GB9823978D0 (en) 1998-11-02 1998-12-30 Microbiological Res Authority Multicomponent meningococcal vaccine
US6332110B1 (en) 1998-12-17 2001-12-18 Perlorica, Inc. Method for monitoring advanced separation and/or ion exchange processes
US6298454B1 (en) 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
US6633782B1 (en) * 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
US7206646B2 (en) 1999-02-22 2007-04-17 Fisher-Rosemount Systems, Inc. Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control
US7389204B2 (en) 2001-03-01 2008-06-17 Fisher-Rosemount Systems, Inc. Data presentation system for abnormal situation prevention in a process plant
US6134032A (en) 1999-04-02 2000-10-17 Tyco Submarine Systems Ltd. Method and apparatus for automatically identifying system faults in an optical communications system from repeater loop gain signatures
US6577323B1 (en) * 1999-07-01 2003-06-10 Honeywell Inc. Multivariable process trend display and methods regarding same
US6445963B1 (en) 1999-10-04 2002-09-03 Fisher Rosemount Systems, Inc. Integrated advanced control blocks in process control systems
US7636915B1 (en) * 1999-12-02 2009-12-22 Invensys Systems, Inc. Multi-level multi-variable control process program execution scheme for distributed process control systems
US6421571B1 (en) 2000-02-29 2002-07-16 Bently Nevada Corporation Industrial plant asset management system: apparatus and method
DK1264221T3 (da) 2000-03-10 2005-10-03 Smiths Detection Inc Styring af en industriel proces ved brug af en eller flere flerdimensionale variabler
US6895338B2 (en) 2000-03-10 2005-05-17 Smiths Detection - Pasadena, Inc. Measuring and analyzing multi-dimensional sensory information for identification purposes
GB0007063D0 (en) * 2000-03-23 2000-05-10 Simsci Limited Mulitvariate statistical process monitors
DE10114206A1 (de) 2000-03-23 2001-11-29 Simsci Ltd Invensys House Lond Überwachung und Steuerung von Prozessen unter Verwendung selbstüberprüfender Sensoren
US8044793B2 (en) 2001-03-01 2011-10-25 Fisher-Rosemount Systems, Inc. Integrated device alerts in a process control system
US7562135B2 (en) 2000-05-23 2009-07-14 Fisher-Rosemount Systems, Inc. Enhanced fieldbus device alerts in a process control system
US6975219B2 (en) 2001-03-01 2005-12-13 Fisher-Rosemount Systems, Inc. Enhanced hart device alerts in a process control system
US6917839B2 (en) 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
EP1364262B1 (en) 2001-03-01 2005-11-02 Fisher-Rosemount Systems, Inc. Creation and display of indices within a process plant
WO2003075206A3 (en) 2002-03-01 2009-02-19 Evren Eryurek Integrated alert generation in a process plant
US6728658B1 (en) 2001-05-24 2004-04-27 Simmonds Precision Products, Inc. Method and apparatus for determining the health of a component using condition indicators
US7162534B2 (en) * 2001-07-10 2007-01-09 Fisher-Rosemount Systems, Inc. Transactional data communications for process control systems
US7194369B2 (en) 2001-07-23 2007-03-20 Cognis Corporation On-site analysis system with central processor and method of analyzing
US6549864B1 (en) 2001-08-13 2003-04-15 General Electric Company Multivariate statistical process analysis systems and methods for the production of melt polycarbonate
CN100338539C (zh) 2001-08-23 2007-09-19 菲尔德巴斯基金会 使用基于活动列表的动态目录提供设备信息的基金会现场总线服务器
DE10158853A1 (de) 2001-11-30 2003-06-12 Univ Braunschweig Tech Carolo Wilhelmina Verfahren zur Analyse des Zeitverhaltens komplexer verteilter Systeme
KR100989395B1 (ko) 2001-12-18 2010-10-25 엠티에스 시스템즈 코포레이숀 제어 시스템의 제어 파라미터를 확인하는 방법
WO2003054704A1 (en) 2001-12-19 2003-07-03 Netuitive Inc. Method and system for analyzing and predicting the behavior of systems
CN1653598B (zh) 2002-05-16 2010-05-05 东京毅力科创株式会社 处理装置状态或处理结果的预测方法
EP1543392A1 (en) * 2002-06-28 2005-06-22 Umetrics AB Method and device for monitoring and fault detection in industrial processes
US20040052526A1 (en) * 2002-09-16 2004-03-18 Jones Kevan Peter Connection optimization and control in agile networks
US7328126B2 (en) 2003-09-12 2008-02-05 Tokyo Electron Limited Method and system of diagnosing a processing system using adaptive multivariate analysis
US7079984B2 (en) 2004-03-03 2006-07-18 Fisher-Rosemount Systems, Inc. Abnormal situation prevention in a process plant
US7676287B2 (en) 2004-03-03 2010-03-09 Fisher-Rosemount Systems, Inc. Configuration system and method for abnormal situation prevention in a process plant
JP2007536634A (ja) 2004-05-04 2007-12-13 フィッシャー−ローズマウント・システムズ・インコーポレーテッドFisher−Rosemount Systems, Inc. プロセス制御システムのためのサービス指向型アーキテクチャ
US6885907B1 (en) 2004-05-27 2005-04-26 Dofasco Inc. Real-time system and method of monitoring transient operations in continuous casting process for breakout prevention
US7660701B2 (en) * 2004-06-12 2010-02-09 Fisher-Rosemount Systems, Inc. System and method for detecting an abnormal situation associated with a process gain of a control loop
US7465417B2 (en) * 2004-07-19 2008-12-16 Baxter International Inc. Parametric injection molding system and method
US20060074598A1 (en) * 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US7349746B2 (en) 2004-09-10 2008-03-25 Exxonmobil Research And Engineering Company System and method for abnormal event detection in the operation of continuous industrial processes
US7567887B2 (en) * 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
US7346402B1 (en) * 2004-10-22 2008-03-18 Expertcontrol, Llc Technique for an integrated and automated model generation and controller tuning process
US20070112275A1 (en) * 2005-08-15 2007-05-17 Cooke William H Medical Intervention Indicator Methods and Systems
CN101305327A (zh) 2005-10-14 2008-11-12 费舍-柔斯芒特系统股份有限公司 与多元统计分析一起用于过程中的故障检测和隔离及异常情况预防的统计特征
JP2009512097A (ja) 2005-10-18 2009-03-19 ハネウェル・インターナショナル・インコーポレーテッド 早期イベント検出のためのシステム、方法、およびコンピュータプログラム
US7720641B2 (en) 2006-04-21 2010-05-18 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to delayed coking unit
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102906650A (zh) * 2010-05-21 2013-01-30 费希尔-罗斯蒙特系统公司 多阶段过程建模方法
US9158295B2 (en) 2010-05-21 2015-10-13 Fisher-Rosemount Systems, Inc. Multi-stage process modeling method
CN102906650B (zh) * 2010-05-21 2016-07-13 费希尔-罗斯蒙特系统公司 多阶段过程建模方法
CN103064286A (zh) * 2013-01-17 2013-04-24 丽水学院 一种工业过程的控制方法与设备

Also Published As

Publication number Publication date Type
WO2008042786A2 (en) 2008-04-10 application
US20080082302A1 (en) 2008-04-03 application
WO2008042809A2 (en) 2008-04-10 application
JP2010506267A (ja) 2010-02-25 application
CN101542407A (zh) 2009-09-23 application
EP2067087A2 (en) 2009-06-10 application
CN101529355A (zh) 2009-09-09 application
US20080082195A1 (en) 2008-04-03 application
US7937164B2 (en) 2011-05-03 grant
EP2067084A2 (en) 2009-06-10 application
US8014880B2 (en) 2011-09-06 grant
WO2008042807A3 (en) 2008-05-29 application
US20080082299A1 (en) 2008-04-03 application
JP2010506253A (ja) 2010-02-25 application
EP2064604A2 (en) 2009-06-03 application
WO2008042786A3 (en) 2008-09-12 application
EP2062106A2 (en) 2009-05-27 application
EP2095197A2 (en) 2009-09-02 application
US20080082181A1 (en) 2008-04-03 application
US7853339B2 (en) 2010-12-14 grant
US8489360B2 (en) 2013-07-16 grant
JP2010522905A (ja) 2010-07-08 application
JP2010506256A (ja) 2010-02-25 application
US20080091390A1 (en) 2008-04-17 application
CN101542408A (zh) 2009-09-23 application
US20080082194A1 (en) 2008-04-03 application
WO2008042807A2 (en) 2008-04-10 application
JP2010506261A (ja) 2010-02-25 application
CN101617279A (zh) 2009-12-30 application
CN101583914A (zh) 2009-11-18 application
JP2010506258A (ja) 2010-02-25 application
EP2067086A2 (en) 2009-06-10 application
WO2008042809A3 (en) 2008-08-07 application
US7853431B2 (en) 2010-12-14 grant
US7966149B2 (en) 2011-06-21 grant
US20080082297A1 (en) 2008-04-03 application
CN101542409A (zh) 2009-09-23 application
JP2010506257A (ja) 2010-02-25 application
EP2062107A2 (en) 2009-05-27 application
US7917240B2 (en) 2011-03-29 grant

Similar Documents

Publication Publication Date Title
Narasimhan et al. Data reconciliation and gross error detection: An intelligent use of process data
US7275062B2 (en) Automatic linkage of process event data to a data historian
US6965806B2 (en) Automatic work order/parts order generation and tracking
US6952656B1 (en) Wafer fabrication data acquisition and management systems
Vedam et al. PCA-SDG based process monitoring and fault diagnosis
US7031880B1 (en) Method and apparatus for assessing performance of an environmental control system
US7346404B2 (en) Data sharing in a process plant
Schäfer et al. Multivariable MPC system performance assessment, monitoring, and diagnosis
US20090112335A1 (en) Method and apparatus for intelligent control and monitoring in a process control system
US20050222698A1 (en) Integrated configuration system for use in a process plant
US20060073013A1 (en) Application of abnormal event detection technology to fluidized catalytic cracking unit
US6915235B2 (en) Generation of data indicative of machine operational condition
US20080125877A1 (en) Process data collection system configuration for process plant diagnostics development
US20080065706A1 (en) Process Data Storage For Process Plant Diagnostics Development
US20140282227A1 (en) Data modeling studio
US20100082125A1 (en) Analytical generator of key performance indicators for pivoting on metrics for comprehensive visualizations
US7557702B2 (en) Integrated alert generation in a process plant
US7349746B2 (en) System and method for abnormal event detection in the operation of continuous industrial processes
US20040133289A1 (en) System apparatus and method for diagnosing a flow system
US7206646B2 (en) Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control
US20070265713A1 (en) Intelligent Monitoring System and Method for Building Predictive Models and Detecting Anomalies
Huang Bayesian methods for control loop monitoring and diagnosis
US20080097637A1 (en) Application of abnormal event detection (AED) technology to polymers process
US6954713B2 (en) Cavitation detection in a process plant
US20090149981A1 (en) System and methods for continuous, online monitoring of a chemical plant or refinery

Legal Events

Date Code Title Description
C06 Publication
C10 Request of examination as to substance
C02 Deemed withdrawal of patent application after publication (patent law 2001)