CN105487501A - 过程工厂中基于自动信号处理的学习 - Google Patents

Abstract

本公开内容涉及过程工厂中基于自动信号处理的学习。公开了用于在过程工厂中自动或自主执行基于信号处理的学习的技术。通常，所述技术对基于控制过程的过程工厂而产生的实时信号自动或自主地执行信号处理。典型地，所述信号对应于随时间变化的参数值，并且随着在在线的工厂操作过程中实时产生所述信号而处理所述信号。所述信号处理的结果可以指示所述信号的特性，并且一个或多个分析功能可以确定所述特性的源，所述特性的所述源可以包括过程要素或设备、一件装备、和/或在所述过程内所述信号的所述源的上游的所述过程工厂的资产。自主信号处理器可以与所述过程工厂的过程控制设备和/或大数据节点集成在一起或者包括在所述过程工厂的所述过程控制设备和/或所述大数据节点中。

Description

过程工厂中基于自动信号处理的学习

相关申请的交叉应用

本公开内容涉及名称为“BIGDATAINPROCESSCONTROLSYSTEMS”并且于2013年3月3日提交的美国专利申请号No.13/784,041；名称为“METHODANDAPPARATUSFORCONTROLLINGAPROCESSPLANTWITHLOCATIONAWAREMOBILECONTROLDEVICES”并且于2013年9月17日提交的美国专利申请号No.14/028,785；名称为“COLLECTINGANDDELIVERINGDATATOABIGDATAMACHINEINAPROCESSCONTROLSYSTEM”并且于2014年2月6日提交的美国专利申请号No.14/174,413；名称为“DISTRIBUTEDBIGDATAINAPROCESSCONTROLSYSTEM”并且于2014年3月14日提交的美国专利申请号No.14/212,493；以及名称为“DETERMININGASSOCIATIONSANDALIGNMENTSOFPROCESSELEMENTSANDMEASUREMENTSINAPROCESS”并且于2014年3月14日提交的美国专利申请号No.14/212,411，其中的每一个的全部公开内容通过参考由此明确地并入本文中。

另外，本公开内容涉及名称为“REGIONALBIGDATAINPROCESSCONTROLSYSTEMS”并且与之同时提交的美国专利申请号No.14/507,188(代理人案卷号No.06005/593079)；名称为“DATAPIPELINEFORPROCESSCONTROLSYSTEMANALYTICS”并且与之同时提交的美国专利申请号No.62/060,408(代理人案卷号No.06005/593085P)；以及名称为“STREAMINGDATAFORANALYTICSINPROCESSCONTROLSYSTEMS”并且与之同时提交的美国专利申请号No.14/506,863(代理人案卷号No.06005/593070)，其中的每一个的全部公开内容通过参考由此明确地并入本文中。

技术领域

本公开内容总体上涉及过程工厂和过程控制系统，具体而言，涉及基于对由过程工厂和过程控制系统产生的实时数据执行的接近源信号处理来在过程工厂内提供自动自主学习

背景技术

如在化学、石油、工业或其它过程工厂中用于制造、精炼、变换、产生或生产物理材料或产品的分布式过程控制系统典型地包括经由模拟、数字或组合式模拟/数字总线或者经由无线通信链路或网络通信地耦合到一个或多个现场设备的一个或多个过程控制器。现场设备例如可以是阀门、阀门定位器、开关、发射器(例如，温度、压力、液位和流速传感器)，现场设备位于过程环境内，并且通常执行诸如打开或关闭阀门、测量过程和/或环境参数(诸如温度或压力等)之类的物理或过程控制功能，以控制在过程工厂或系统内执行的一个或多个过程。诸如符合公知的现场总线协议的现场设备之类的智能现场设备还可以执行控制校准、警告功能以及通常在控制器内实施的其它控制功能。过程控制器也典型地位于工厂环境中，过程控制器接收指示由现场设备进行的过程测量和/或与现场设备有关的其它信息的信号，并且执行控制器应用，该控制器应用例如运行不同控制模块，该控制模块基于接收的信息做出过程控制决策、产生控制信号、并与在诸如和现场总线现场设备之类的现场设备中执行的控制模块或块协作。控制器中的控制模块通过通信线路或链路将控制信号发送到现场设备，从而控制过程工厂或系统中的至少一部分中的操作。例如，控制器和现场设备控制由过程工厂或系统控制的过程的至少一部分。

来自现场设备和控制器的信息常常可以通过到一个或多个其它硬件设备的数据高速公路或通信网络获得，一个或多个其它硬件设备诸如是操作者工作站、个人计算机或计算设备、数据历史记录、报告产生器、集中式数据库或其它集中式管理计算设备，其典型地设置在控制室中或远离严酷工厂环境的其它位置。这些硬件设备中的每一个都典型地跨过程工厂或跨过程工厂的部分成为中心。这些硬件设备运行应用，该应用例如可以使得操作者能够执行相对于控制过程和/或操作过程工厂的功能，诸如改变过程控制例程的设定，修改控制器或现场设备内的控制模块的操作，查看过程的当前状态，查看由现场设备和控制器产生的警告，为了训练人员或测试过程控制软件而模拟过程的操作，保持和更新配置数据库等。硬件设备、控制器和现场设备使用的数据高速公路可以包括有线通信路径、无线通信路径或有线和无线通信路径的组合。

例如，EmersonProcessManagement销售的DeltaV^TM控制系统包括多个应用，该多个应用存储在位于过程工厂内不同位置的不同设备内并由其执行。驻留在一个或多个工作站或计算设备中的配置应用使得用户能够创建或改变过程控制模块，并且经由数据高速公路将这些过程控制模块下载到专用分布式控制器。典型地，这些控制模块由通信地互连的功能块组成，它们是面向对象编程协议中的对象，其基于到其的输入执行控制方案中的功能，并将输出提供到控制方案中的其它功能块。配置应用还可以允许配置设计者创建或改变操作者界面，该操作者界面由查看应用用于向操作者显示数据并使得操作者能够改变过程控制例程中的设定(诸如设定点)。每一个专用控制器以及在一些情况下一个或多个现场设备存储并执行各自的控制器应用，该控制器应用运行分配并下载到其的控制模块，以实施实际过程控制功能。可以在一个或多个操作者工作站(或与操作者工作站和数据高速公路通信地连接的一个或多个远程计算设备)上执行的查看应用经由数据高速公路从控制器应用接收数据，将该数据显示给使用用户界面的过程控制系统设计者、操作者或用户，并可以提供若干数量的不同视图中的任何视图，诸如操作者视图、工程师视图、技术人员视图等。数据历史记录应用典型地存储在数据历史记录设备中并由其执行，该数据历史记录设备收集并存储通过数据高速公路提供的部分或全部数据，同时配置数据库应用可以在附接到数据高速公路的再另一个计算机上运行，用于存储当前过程控制例程配置和与之相关的数据。替代地，配置数据库可以位于与配置应用相同的工作站中。

在过程工厂或过程控制系统中，当出现异常状况或故障的迹象时(例如，当产生警告时，或者当发现过程测量值或传动装置(actuator)具有过大变化时)，操作者、仪表技术人员或过程工程师典型地使用分析工具结合他或她对由系统控制的过程及其通过系统的流程(flowpath)的知识来尝试确定上游测量值和过程变量，它们对于异常状况或故障的迹象的产生具有影响。例如，操作者可以将随时间从过程控制设备(例如，现场设备、控制器等)的输出捕获的数据的历史日志馈送到DeltaV^TM批处理分析产品或连续数据分析工具中，以尝试确定多个过程变量和/或测量值对异常或故障状况的影响。典型地，用户基于他或她对过程的知识决定将哪些历史数据日志馈送到分析工具中，并且识别候选上游因素(例如，测量值、过程变量等)。随后，这些数据分析工具使用主分量分析(PCA)来确定候选上游因素中的哪些影响下游预计的质量参数。因而，由分析工具提供的输出的准确性和有效性基于或受限于用户的知识，并且因而可能无法提供对于异常状况或故障的来源的完整或正确的了解。

另外，当前已知的过程控制工厂和过程控制系统的架构受到有限的控制器和设备存储器、通信带宽和控制与设备处理器性能的强烈影响。例如，在当前已知的过程控制系统架构中，动态和静态非易失性存储器在控制器中的使用常常降到最低或者至少受到仔细管理。结果，在系统配置过程中(例如预先的)，用户典型地必须选择存档或保存控制器中的哪些数据，保存其的频率，是否使用压缩，因此依据这个有限数据规则集配置控制器。结果，常常没有存档在故障查找和过程分析中有用的数据，并且即使收集了它，有用的信息也会由于数据压缩而丢失。

在过程工厂或过程控制系统的操作和优化中，例如在工厂操作、故障查找和/或预测建模过程中，上述的当前已知的过程工厂和过程控制系统的局限及其它局限会令人不快地显露自身。例如，这种局限迫使进行必须执行以便获得用于故障查找、将数据手动馈送到独立且离线的信号处理工具、以及手动监管信号处理工具的输出的分析以产生更新模型的历史数据的麻烦且冗长的工作流程。即使这样，故障查找结果和模型也会是不完整的或者没有充分代表实际系统，因为到其产生的输入依赖于特定操作者的经验和知识。

“大数据”通常指代一个或多个数据集的集合，其非常大或者复杂，以致于传统数据库管理工具和/或数据处理应用(例如，关系数据库和台式机统计包)不能在可容许的时间量内管理数据集。典型地，使用大数据的应用是针对或关注于交易和终端用户的。例如，网络搜索引擎、社交媒体应用、营销应用和零售应用可以使用并操作大数据。大数据可以由分布式数据库支持，分布式数据库允许充分使用现代多进程、多核服务器的并行处理能力。

发明内容

公开了一种用于提供基于信号处理的学习以确定通过控制过程工厂中的过程而产生的信号的行为中的故障、异常操作和/或变化的潜在来源的技术、系统、装置和方法。基于信号处理的学习例如可以是基于大数据的学习类型。通常，所述技术、系统、装置和方法在无任何用户输入的情况下自动对基于过程的控制产生的一个或多个信号执行信号处理，以确定一个或多个信号的一个或多个特性。典型地，信号处理集成到过程工厂中，并且随着由一个或多个信号源产生数据实时地靠近一个或多个信号的源执行。另外或者替代地，所述技术、系统和方法在无任何用户输入的情况下自动确定一个或多个源，其影响作为信号处理的结果、在一个或多个信号的行为中发现的特性。一个或多个信号例如可以指示随过程控制设备的输出信号的时间的值，过程变量、测量值、能量的平衡、质量的平衡、性能参数、分析功能的输出和/或任何其它值，其基于过程工厂中控制的过程而产生。特性的一个或多个源例如可以包括过程控制设备、过程变量、测量值、另一个过程要素、一件装备、过程工厂的资产等。

在实施例中，一种用于在控制过程的过程工厂中提供基于大数据的学习的系统包括信号处理模块，所述信号处理模块具有输入和输出。信号处理模块的输入用于随着与过程工厂相关的信号源实时产生信号而接收由所述信号源产生的信号，其中，信号指示基于通过使用执行物理功能的至少一个现场设备来控制过程的过程工厂而随时间改变的参数值。信号处理模块的输出用于向接收方应用提供信号的至少一个特性的指示。另外，信号处理模块被配置为对信号执行信号处理，以确定信号的至少一个特性。

在实施例中，一种用于在控制过程的过程工厂中自动执行基于大数据的学习的系统包括信号处理模块和分析模块。信号处理模块被配置为随着信号源实时产生信号而接收由信号源产生的信号，其中，所述信号指示基于通过使用执行各自物理功能的至少一个现场设备来控制过程的过程工厂而随时间改变参数的值。信号处理模块还被配置为对信号执行信号处理，以确定信号的至少一个特性。分析模块被配置为接收由信号处理模块确定的一个或多个特性的指示，并确定信号的一个或多个特性的一个或多个源，其中，所述一个或多个源是过程内信号的上游的要素的集的一个或多个成员，并且上游要素的集的一个或多个成员中的每一个都具有对信号的一个或多个特性的各自影响，其大于没有包括在一个或多个成员中的上游要素的集的至少一个其它成员各自的影响。分析模块还被配置为使得信号的一个或多个特性的一个或多个源的指示提供到接收方应用，其中，接收方应用是用户界面应用或另一个应用。

在实施例中，一种用于在控制过程的过程工厂中提供基于大数据的学习的方法包括在基于信号处理的学习系统处获得参数的值随时间的变化的指示，其中，参数值随时间的变化是由信号源产生的信号，基于在过程工厂中控制过程而产生参数值随时间的变化，并且随着信号源实时产生信号而获得信号。另外，所述方法包括由基于信号处理的学习系统使得一个或多个信号处理功能应用于信号，以及由基于信号处理的学习系统基于一个或多个信号处理功能的应用来确定信号的至少一个特性。此外，所述方法包括由基于信号处理的学习系统将过程内信号的上游的要素的集的至少一个子集确定为信号的至少一个特性的一个或多个源，其中，至少一个子集的确定基于上游要素的集对信号的至少一个特性的影响的各自的强度。再进一步地，所述方法包括由基于信号处理的学习系统使得信号的至少一个特性的一个或多个源的指示提供到接收方应用，接收方应用是用户界面应用或另一个应用。

附图说明

图1示出了用于在过程工厂或过程控制系统中提供基于自动或自主信号处理的学习的示例性系统；

图2是用于可以支持基于自动或自主信号处理的学习的过程工厂或过程控制系统的示例性大数据网络的框图；

图3是示例性大数据设备的框图；

图4是可以执行基于自动或自主信号处理的学习的示例性过程工厂或过程控制系统的框图；以及

图5是用于在过程工厂或过程控制系统中自动提供基于信号处理的学习的示例性方法的流程图。

具体实施方式

本文公开了用于在过程工厂或过程控制系统中自动或自主执行基于信号处理的学习的技术、系统和方法。通常，所述技术、系统和方法使得能够对作为控制过程的过程工厂的结果而产生的信号自动或自主地执行或应用信号处理。典型地，信号指示基于过程的控制随时间而变化的参数值。因而，本文使用的术语“信号”通常指代参数值的时间序列，例如，控制器的输出的时间序列，扰动变量的时间序列等。与已知的过程控制信号处理技术(其中，用户从过程工厂获得后验的历史信号馈送，并且将历史信号馈送提供到离线、分离的信号处理器中)相反，本技术、系统和方法允许将一个或多个信号处理功能集成到过程工厂或过程控制系统中，以使得随着由信号源实时产生信号，实时自主地执行信号处理。因而，通过使用本文公开的技术、系统和方法，例如通过将多个信号处理功能设置或定位在过程工厂或系统内的多个信号源附近，将信号处理包含或集成到正在操作的在线过程工厂或系统中。实际上，在一些实施例中，一个或多个信号处理功能与信号源构成整体或相集成。集成或包含的信号处理功能自主地在作为在线过程工厂或系统的实时操作的结果的由信号源产生的实时信号上实时执行。

注意，本文所述的技术、系统和方法可以应用于单个信号、各自的多个信号、和/或作为组或整体的多个信号。但为了易于本文的论述且并非出于限制目的，使用了单数术语“信号”。

一个或多个信号处理功能的执行(例如，一个或多个信号处理功能的对实时信号的应用)可以产生指示信号的一个或多个特性的结果。例如，可以由一个或多个信号处理功能的应用来确定出现在信号中的一个或多个主频率或谐波。在一些过程工厂或过程控制系统中，将信号的特性提供到还在过程工厂的实时操作过程中自动或自主地操作的一个或多个分析功能。分析功能可以例如基于要素对准图或类似的源(其指示或识别在过程中信号源上游的要素(例如，过程要素))来确定信号的特性的一个或多个源。

在前述的美国专利申请号No.14/212,411中描述了要素对准图和上游要素的示例。通常，例如通过进行测量、执行物理功能或使得另一个要素执行物理功能、控制变量、将数值提供到另一个过程要素以控制变量、产生动态数据、接收并操作动态数据，物理支持过程控制设备或其它设备、路由消息等，要素对准图或类似资源指示在过程工厂的正常操作过程中的过程的实时控制期间发挥作用的全部要素和/或过程要素(例如，过程变量、过程测量值、过程设备、其它过程要素、设备、资产等的完整或全面集合)。另外，要素图指示每一个要素在过程的流程中相对于其它要素的相对位置或定位。

例如，通过从多个数据源提取或获得过程工厂要素的标识、在过程工厂内的物理位置和可选的其它描述性信息，可以自动确定(例如，在不使用或需要任何用户输入的情况下确定)要素图对准。在运行时间期间控制过程的同时，提取或获得的数据随后可以自动排序以反映主要要素的启动或主动参与的相对顺序。因而，对于在要素对准图中所示的每一个主要要素，该图包括在控制过程的同时该主要要素的参与或启动的顺序的指示(例如，相对于另一个主要要素的参与或启动的顺序)，因此可以描述或指示在要素对准图内的这些相对顺序或位置。例如，将与受控制以将原始输入材料释放到槽箱中以用于初始处理的第一值相对应的要素在要素对准图中排序在与受控制以将过程的最终产品或输出释放到保存区中以等待包装的第二值相对应的要素前面(例如“在上游”)。相反地，在过程的过程要素对准图中将第二值排序在第一值后面或“下游”。

因此，通过使用要素对准图或类似资源，分析功能或例程可以确定由信号处理功能确定的信号的一个或多个特性的一个或多个潜在源。例如，分析功能或例程可以使用要素对准图来识别信号源的一个或多个上游要素，并且随后可以基于识别的上游要素对信号的特性的影响的各自强度的比较，将识别的上游要素的子集确定为特性的一个或多个源。在实施例中，基于历史过程控制数据来确定多个上游对一个或多个特性的影响的各自强度。

以下更详细地论述用于在过程控制系统或工厂中自动或自主提供基于信号处理的学习的这些及其它技术、系统和方法。

图1示出了用于在过程工厂或过程控制系统中提供基于自动或自主信号处理的学习的示例性系统100。例如，基于信号处理的学习可以是一种基于大数据的学习。如图1所示的，基于信号处理的学习系统100包括信号处理模块102，其通信地耦合到分析模块105，分析模块105继而耦合到呈现模块108。在一些配置中，信号处理模块102也可以直接通信地耦合到呈现模块108，尽管图1中未示出这个配置。

在图1中，信号处理模块102特别被配置为对信号110执行信号处理，以确定信号110的一个或多个特性。具体而言，信号处理模块102接收作为输入的由过程工厂产生的信号110的指示，其中，信号指示与过程工厂相关的参数的值随时间的变化。参数值随时间的变化通常是由于受在线过程工厂(或者其与参数相关的在线部分)控制的过程或者是该过程的结果。在一些情形中，参数值的一些变化是振荡的(例如，随时间，在中心值或平衡点周围，在两个或多个不同状态之间等)。在一些情形中，参数值的一些变化不是振荡的(例如，脉冲响应、非周期性行为等)。

信号110由与过程工厂或过程控制系统相对应的一个或多个过程要素和/或其它组件或功能产生，其在本文称为信号的“源”、或“信号源”。例如，信号110的源可以对应于过程控制设备的(例如，控制器，现场设备、或输入/输出(I/O)设备的)的输入信号或输出信号。另外或者替代地，信号110的源可以是过程变量，诸如，控制变量、操作的变量、扰动变量等(其可以是过程控制设备的输入或输出)。在大多数(但不一定是全部)情况下，信号110的源是测量。测量的示例可以包括：过程测量，其由现场设备对过程的一些参数直接执行，或者其由该直接测量得到；环境测量，其通常与过程的控制无关(例如，环境温度或空气压力，原始输入材料的成分等)；性能测量(例如，过程工厂通信链路带宽或延迟，过程工厂的输出的成分等)；或者与控制过程的过程工厂相关的一些其它测量。在一些情况下，信号110的源是参数，其指示一部分过程或过程工厂中的质量平衡或能量平衡。在一些情况下，信号110的源对应于另一个分析系统或模块的输出。应注意，尽管单一信号110可以对应于多个信号源(例如，信号110可以反映对控制器的输出执行的分析的变化中的输出值)，但为了易于阅读，信号110的“源”或“信号源”在本文中指代单数意义。

通常，信号110可以对应于一个或多个参数的任何集合，其与过程工厂相关，并具有随控制过程的过程工厂的直接或间接结果而变化的值，例如，实时变化或者随过程工厂(或其与参数相关的部分)在线运行的直接或间接结果而变化。如图1所示的，由信号处理模块102实时获得并处理信号110。即，由信号处理模块102随着信号源实时产生信号110而获得并处理信号110。在一些情形中，由信号处理模块102对信号110的处理可以略微延迟，例如，如果将信号处理模块102指定为在后台或者以比信号的源或对于控制过程更为关键的其它模块更低的优先级运行。

在实施例中，信号处理模块102和信号源是整体。例如，信号处理模块102可以包括在控制器中或现场设备中，诸如阀门或传感器。在另一个实施例中，信号处理模块102可以与信号源分离，但通信地耦合到信号源。例如，信号处理模块102可以物理附接到或耦合到信号源，以使得信号源的输出在通过过程控制网络发送之前穿过信号处理模块102，或者信号处理模块102可以监控网络链路，通过该网络链路发送信号源的输出。例如，信号处理模块102可以包括在附属设备中，附属设备耦合到控制器、现场设备或通信链路，控制器和/或现场设备经由该通信链路发送信号。

信号处理模块102可以被动或主动接收或获得信号源的输出信号。例如，当控制器将其输出直接发送到信号处理模块102时(例如，当信号处理模块102附接到控制器的输出，或控制器制明确地将其要传送的输出寻址到信号处理模块102时)，信号处理模块102被动获得信号源的输出信号。另一方面，当信号处理模块102监控在其上发送控制器的输出的链路时，信号处理模块102主动获得信号源的输出信号。

在一些实施例中(未示出)，信号处理模块102连同信号110一起接收或获得一个或多个其它输入。例如，信号处理模块102可以从多个各自的信号源接收多个时变输入信号。在一些情形中，信号处理模块102连同信号110一起接收随时间相对恒定的一个或多个附加实时输入，诸如控制变量的设定点或过程工厂内静态条件的指示。在一些情形中，信号处理模块102连同信号110(如果存在的话，以及任何附加实时输入)一起接收没有在过程工厂的实时操作过程中产生的一个或多个其它输入，诸如在过程工厂或其部分离线时获得的测量值，由离线手动分析工具产生的输出，从过程的一个或多个部分的模型获得的数据等。信号处理模块102可以被动地接收多个实时和/或非实时附加输入(例如，当每一个信号源都使得其信号传送到信号处理模块102时)，或者信号处理模块102可以主动地接收多个实时和/或非实时附加输入(例如，当信号处理模块102监控来自与多个输入相对应的多个信号源的几个数据馈送时)。

在图1中，信号处理模块102对信号110(如果存在的话，以及任何其它附加恒定或变化输入)操作，以确定信号110的一个或多个特性。典型地，信号处理模块102以无监管方式操作。即，信号处理模块102自动地、自主地和/或与任何用户输入无关地启动并执行一个或多个信号处理功能或操作。例如，信号处理模块102无需用户或操作者：将信号110的日志或馈送提供到其输入，或者指示要在其输入上执行的特定信号处理功能，或者启动信号处理功能或操作的执行。

实际上，信号处理模块102自动或自主地对信号110执行一个或多个信号处理功能，以确定信号110的一个或多个特性。例如，信号处理模块102可以对信号110执行滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、和/或任何其它信号处理技术。因而，结果就是由信号处理模块102确定的一个或多个特性对应于由信号处理模块102应用于信号110的信号处理技术的集合。例如，如果信号处理模块102对信号110执行频谱分析，根据频谱分析确定的信号110的一个或多个相应特性可以包括信号110内一个或多个主频率、一个或多个n阶频率(其中，n是大于一的整数)、谐波、子谐波、分叉、带宽、失真等的识别。在另一个示例中，如果信号处理模块102对信号110执行相位分析，信号110的一个或多个相应特性可以包括信号110的一个或多个相位和/或任何相移的存在或不存在的识别。应注意，尽管以上频谱和相位分析示例示出了包括在信号110中的一个或多个重复性行为的特性(例如，振荡的或周期性行为)，但信号处理模块102可以另外或替代地对信号110操作以确定存在任何非重复性行为，诸如随时间的最大和最小振幅、脉冲响应等。在实施例中，信号处理模块102可以选择一个或多个信号处理功能来对获得的信号进行执行，诸如基于信号的源、附加输入、获得的信号或另一个信号的一个或多个先前确定的特性、和/或一些其它标准。

因而，在图1中，信号处理模块102将一个或多个信号处理功能应用于信号110，基于应用的信号处理来确定信号110的一个或多个特性，将所述确定的特性的指示112提供到分析模块105。分析模块105特别被配置为确定信号110的确定特性的潜在源或多个源，例如分析模块105确定“特性源”。具体而言，分析模块105确定在信号源的上游的要素的集，并且识别这些上游要素中哪些对信号110的行为中的变化具有最显著的影响。

通常，如本文提及的和先前论述的，术语“上游要素”指代在运行时间期间涉及的导致控制过程的过程工厂的过程要素、一件装备或过程工厂的资产。本文使用的术语“上游”指代实时地在过程的控制期间具有较早主动参与或出现，而术语“下游”指代实时地在过程的控制期间具有较晚主动参与或出现。例如，存储原始材料以便输入到过程中的大容器是加热原始材料的锅炉的上游，并且是测量锅炉的温度的温度传感器的上游。本文使用的术语“过程要素”通常指代用于过程或其一部分的控制的物理或逻辑要素，诸如过程控制设备、过程变量、测量值等。因而，使用大容器和锅炉的示例，用于将原始材料释放到锅炉中的阀门是上游过程要素，温度传感器是在阀门的下游的过程要素，并且用于将加热流释放到管道中以便传送到另一件装备的另一个阀门是在第一阀门和温度传感器两者下游的过程要素。

本文中可互换地使用的“一件装备”、“设备件”或“设备”通常指代在过程或其部分的控制期间可以或可以不直接使用的物理要素或组件，但可以相对于过程的控制或流程与其它设备件和/或过程要素排序。为了继续以上示例，大容器和用于大容器的物理支撑件是锅炉的上游的要素，并且锅炉和用于锅炉的支撑件在离开锅炉的管道的上游。本文提及的过程工厂的“资产”可以是与对于过程工厂的供应商和/或操作者具有代价的过程工厂相对应的任何要素。例如，过程工厂的资产可以包括仪表、阀门、控制器、分布式控制系统(DCS)、软件、基础配置、网络、控制策略、应用、配置、管道、测试设备、配置设备、工作站、用户接口设备、数据储存实体等。再次返回到大容器和锅炉示例，大容器、锅炉、阀门、管道、温度传感器及相应的支撑件是过程工厂的资产，如同使用阀门和温度传感器来控制锅炉中材料的加热和量的控制模块和策略，如同用于诊断大容器和/或锅炉中的故障状况的便携式诊断设备。

因此，图1的分析模块105被配置为对信号110的一个或多个特性的指示112操作，并确定在信号源的上游的一个或多个要素是一个或多个特性潜在的、可能的或实际的源。典型地，类似于信号处理模块，分析模块105以无监管方式操作。即，分析模块105无需任何用户输入地自主地启动并执行，和/或与任何用户输入无关地启动并执行。例如，分析模块105无需用户或操作者提供信号110的一个或多个特性的指示112，分析模块105也无需用户或操作者指示信号源的候选上游要素。

相反，分析模块105可以自动确定过程内信号源的相邻或上游的要素的集，例如确定相对于信号源的上游要素的集。在实施例中，分析模块105使用要素对准图自动确定信号源的上游要素。通常，如本文使用的以及如前所述的，“要素对准图”包括要素的指示和其相对于过程工厂中过程的流程的相对位置或顺序的指示。因而，使用以上的大容器和锅炉示例，相应的要素对准图可以指示大容器、锅炉、阀门、温度传感器、管道、支撑件及其它要素相对于过程的流程的相对位置或顺序。一旦接收到信号110的一个或多个特性的指示112，分析模块105就可以自动产生要素对准图以确定信号源的上游要素，或者分析模块105可以查询另一个分析模块或应用，该另一个分析模块或应用被配置为产生和/或提供要素对准图或其部分以确定信号源的上游要素。可以在前述美国专利申请号No.14/212,411中找到确定或产生要素对准图和被配置为产生和/或提供要素对准图(和/或其部分)的模块/应用的示例。实际上，本文所述的任何方法、系统和技术都可以结合美国专利申请号No.14/212,411的任何数量的任何方面和/或产生和提供要素对准图的其它技术操作，或者包括在美国专利申请号No.14/212,411的任何数量的任何方面和/或产生和提供要素对准图的其它技术中或包括美国专利申请号No.14/212,411的任何数量的任何方面和/或产生和提供要素对准图的其它技术。

考虑到要素对准图对应于信号源的部分，分析模块105确定上游要素的子集是信号110的一个或多个特性的可能的、潜在的或实际的源。具体而言，分析模块105基于上游过程要素对于一个或多个特性的影响的各自强度的比较来确定信号110的一个或多个特性的源。在实施例中，分析模块105自己确定至少一些上游过程要素对信号110的一个或多个特性的影响的各自强度。例如，分析模块105可以对从在信号源的上游的要素中的每一个要素获得的存储的历史数据进行操作，以估计每一个上游要素与信号110的一个或多个特性的关联度(例如，每一个上游要素对信号110的一个或多个特性的行为的影响的强度)。替代地，分析模块105可以查询第二分析模块或应用，并且第二分析模块或应用确定上游要素对信号110的一个或多个特性的影响的各自强度。

随后，基于上游要素的影响的各自强度，分析模块105比较影响的各自强度以识别或确定是信号110的一个或多个特性的源的上游要素的集的子集。通常，具有比其它上游要素对一个或多个特性的影响的各自强度更强的对一个或多个特性的影响的各自强度的上游要素可以是特性源。即，信号110的一个或多个特性的每一个源对信号110的一个或多个特性的各自影响都可以大于对不是源的上游要素的集的至少一个其它成员的各自影响。基于上游要素的影响的各自强度，分析模块105自己可以确定或识别是信号110的一个或多个特性的特性源的上游要素的子集，或者分析模块105可以指示或询问第二分析模块或应用(或第三分析模块或应用)基于上游要素的影响的各自强度来识别是信号110的一个或多个特性的特性源的上游要素的子集。包括在识别的特性源的集合中的源的总数可以基于影响的阈值强度、要包括在集合中的源的最大数量和/或一些其它边界标准，其中的每一个都可以是可配置的。可以在前述美国专利申请号No.14/212,411中找到确定上游要素的影响的各自强度和确定比较影响的各自强度以确定潜在的源候选的示例。

如图1进一步所示的，分析模块105将其输出115的指示提供到呈现模块108。分析输出115包括信号110的一个或多个特性的一个或多个源的指示。在一些情况下，分析输出115另外或替代地包括信号110的一个或多个特性的指示、各个潜在源对各个特性的影响的各自强度的指示、与信号相对应的参数的指示、和/或信号源的指示。在一些实施例(未示出)中，信号处理模块102将一个或多个特性的指示和/或信号源的指示直接提供到呈现模块108。在一些实施例中，呈现模块108和分析模块105是整体模块。

呈现模块108可以将其输出118(其在本文可互换地称为“基于信号处理的学习输出”或“学习输出”)提供到过程工厂或过程控制系统内的一个或多个其它模块和/或应用。学习输出包括学习信息，它是从实时信号处理和其输出的分析收集的。例如，输出118可以包括信号110的一个或多个特性的指示、每一个源对每一个特性的影响的各自强度的指示、与信号相对应的参数的指示、和/或信号源的标识。此外，学习输出可以包括信号处理模块102和/或分析模块105的指示或标识、指示学习该信息的时间的时间戳及其它标记。学习输出118可以提供到用户界面应用，以用于显示或呈现。另外或者替代地，学习输出118可以提供到另一个分析模块或应用，以作为要对该另一个分析模块或应用进行操作的输入。在一些情形中，提供学习输出118，以用于在本地或远程数据储存实体的储存或历史化。在实施例中，呈现模块108可以接收在学习的多个阶段过程中或在学习的全部多个阶段从分析模块105接收学习的知识，并可以在多个学习阶段过程中或在学习的全部多个阶段将学习的知识提供到一个或多个接收方应用。此外，在一些实施例中，呈现模块108确定要向其提供特定的学习的知识的一个或多个接收方应用。

在使用系统100的一个示例性情形中，信号处理模块102接收由过程工厂或系统中一个或多个过程控制设备提供的一个或多个测量值，并且对一个或多个测量值执行频率分析。信号处理模块102将从频率分析得到的主频率提供到分析模块105。对于每一个主频率，分析模块105确定各自的上游要素的集、其彼此的关系、和上游要素中的每一个上游要素对受试主频率的影响的各自强度。这个学习信息(例如，一个或多个测量值、其主频率、对于每一个主频率的各自的上游要素的集、在多个上游要素之间的关系、和主频率的每一个上游要素的影响的各自强度)作为学习的知识分别标记并存储在大数据设备中，例如作为大数据和/或相应的元数据。

本文公开的任何或全部系统、方法和技术可以用于被配置为实时控制过程的任何过程工厂或过程控制系统中。典型地，控制过程以制造、精炼、变换、产生或生产物理材料或产品。例如，过程工厂可以包括一个或多个有线通信网络和/或一个或多个无线通信网络。类似的，过程工厂在此可以包括一个或多个有线过程要素和/或一个或多个无线过程要素。过程工厂可以包括集中式数据库，诸如连续的、批量的及其它类型的历史记录数据库。

典型地，尽管不是必须的，在其中使用了本文公开的系统100和/或其它基于信号处理的学习系统、方法和技术的过程工厂包括过程控制大数据网络和过程控制大数据网络节点或设备。例如，本文公开的系统、方法和技术中的至少一些可以在诸如在前述的美国专利申请号No.13/784,041中、在前述的美国专利申请号No.14/174,413中、在前述的美国专利申请号No.14/212,493中和/或在前述的名称为“REGIONALBIGDATAINPROCESSCONTROLSYSTEMS”的美国申请号No.14/507,188(代理人案卷号No.06005/593079)中描述的支持本地化、区域的和/或集中式大数据的过程工厂中实施。因而，执行基于自动或自主信号处理的学习的过程工厂可以包括一个或多个大数据设备，其中的至少一些包括用于对由大数据供应方节点产生的大数据进行操作的各自的分布式或嵌入式大数据设备。

图2是用于过程工厂或过程控制系统的示例性大数据网络200的简化框图，该过程工厂或过程控制系统控制一个或多个过程并且其支持过程控制大数据，并且特别地，其可以结合图1的基于自动或自主信号处理的学习系统100的一个或多个实例来操作。过程控制大数据网络200包括一个或多个过程控制大数据节点202-210，其中的每一个都对过程控制大数据进行收集、观察、产生、存储、分析、访问、发送、接收和/或操作。本文互换地使用的术语“过程控制大数据”、“过程大数据”和“大数据”通常指代由包括在过程控制系统或工厂中并与之相关的设备产生、接收、和/或观察的全部(或几乎全部)数据。在实施例中，由包括在过程工厂中并与之相关的全部设备产生、创建、接收、或另外观察的全部数据作为大数据收集并存储在过程控制大数据网络200内。

示例性过程控制大数据网络200包括一个或多个不同类型的过程控制大数据节点或设备202-210，其中的每一个都对由过程工厂或过程控制系统的一个或多个过程的控制产生的或为基础的过程控制大数据进行收集、观察、产生、存储、分析、访问、发送、接收和/或操作。每一个过程控制大数据节点或设备202-210都连接到过程控制系统大数据网络主干(未示出)，并且可以使用主干来与一个或多个其它过程控制大数据节点通信。因此，过程控制大数据网络200包括过程控制系统大数据网络主干和通信地连接到它的过程控制大数据节点202-210。在示例中，过程控制大数据网络200包括多个联网的计算设备或开关，其被配置为经由主干往来于网络200的各个其它设备、开关或节点路由分组。

过程控制大数据网络主干包括支持一个或多个适合的路由协议的任何数量的有线通信链路和任何数量的无线通信链路，该一个或多个适合的路由协议例如包括在互联网协议(IP)组中的协议(例如，UDP(用户数据报协议)、TCP(传输控制协议)、以太网等)或其它适合的路由协议。在实施例中，主干支持流协议，诸如流控制传输协议(SCTP)和/或另一个适合的流协议，以在过程控制大数据节点之间流式传输(例如，传送)数据。例如，名称为“STREAMINGDATAFORANALYTICSINPROCESSCONTROLSYSTEMS”的前述美国申请号No.14/506,863(代理人案卷号No.06005/593070)描述了用于过程控制大数据的流协议和技术的示例，其中的任何一个或多个都可以由网络200中的过程控制大数据网络主干使用。典型地，包括在过程控制大数据网络200中的每一个节点都可以支持由主干支持的路由协议的至少一个应用层(对于一些节点，和附加层)。在实施例中，例如借助唯一网络地址在过程控制系统大数据网络内唯一地标识每一个过程控制大数据节点202-210。

在实施例中，过程控制系统大数据网络200中的至少一部分是ad-hoc网络(自组网)。因而，节点202-210中的至少一些(和/或一个或多个其它节点，诸如用户接口设备230)可以以ad-hoc方式连接到网络主干(或网络200的另一个节点)。

由于图2是简化图，其示出了在过程控制大数据网络200中的各个大数据节点202-210之间的通信连接，图2中没有明确示出过程控制网络主干。但在前述美国专利申请号No.13/784,041中描述了可以与本文所述的任何或全部技术一起使用的这个主干的示例。当然，本文所述的任何或全部技术都不限于与在美国专利申请号No.13/784,041中描述的主干一起使用，而可以与任何适合的通信网络主干一起使用。

现在转向不同类型的过程控制大数据节点或设备202-210，通常，如下所述的，网络200的过程控制大数据节点可以是“大数据供应方”和/或可以包括“大数据设备”。

本文可互换使用的术语“大数据供应方”、“大数据供应方节点”或“供应方节点”通常指代使用过程控制大数据网络220收集、产生、观察和/或转发过程控制相关的大数据的过程控制大数据节点。由供应方节点产生、收集、观察和/或转发的过程控制大数据可以包括直接用于或产生于控制工厂中的过程的数据，，例如一级实时和配置数据，其由诸如控制器、输入/输出(I/O)设备和现场设备之类的过程控制设备产生或使用。另外或者替代地，过程控制大数据供应方节点可以产生、收集、观察和/或转发与传送和路由这种一级过程控制数据及过程工厂中的其它数据(例如，与大数据网络200和/或工厂中其它通信网络的网络控制相关的数据，指示带宽的数据、网络接入尝试、诊断数据等)相关的数据。此外，一些过程控制大数据供应方节点可以通过分析收集的过程控制大数据产生、收集、观察和/或转发指示结果、学习和/或在过程控制大数据网络200中学习的信息的数据。典型地，这种分析结果、学习和/或学习信息从由一个或多个过程控制大数据节点执行的自动、自主分析产生。

在大多数情况下，大数据供应方节点包括多核硬件(例如，多核处理器)，该多核硬件用于实时地发送和接收大数据(例如，流式传输)并且在一些实施例中用于缓存为通过过程控制大数据网络200流式传输或其它传送做准备的实时大数据。在一些实施例中，大数据供应方节点还可以包括用于缓存实时大数据的高密度存储器。可以由大数据供应方节点发送、接收、流式传输、缓存、收集和/或观察的实时数据的示例可以包括过程控制数据，诸如测量数据、配置数据、批量数据、事件数据和/或连续数据。例如，可以收集与配置、批量接收、设定点、输出、速率、控制动作、诊断、警告、事件和/或对其的改变相对应的实时数据。实时数据的其它示例可以包括过程模型、统计、状况数据和网络与工厂管理数据。在一些实施例中，大数据供应方节点不缓存其观察的实时大数据中的至少一些，而是反而当在该节点观察、接收或产生该数据时将未缓存的数据流式传输到一个或多个其它大数据节点。可以在前述美国专利申请号No.13/784,041、14/174,413和14/212,493中找到可以与本文描述的任何或全部技术一起使用的大数据供应方节点的示例。当然，本文描述的任何或全部技术可以替代地或者另外地与除了在美国申请号No.13/784,041、14/174,413和14/212,493中所述的大数据供应方节点以外的大数据供应方节点一起使用。

另一方面，本文可互换使用的术语“大数据设备”、“大数据设备节点”或“装置节点”通常指代接收、存储、取回和分析过程控制大数据的过程控制大数据节点。因而，过程控制大数据设备(或“BDA”)通常对由一个或多个过程控制大数据供应方节点产生或提供的大数据进行操作。在一些情况下，大数据设备包括在大数据供应方节点中，或者与大数据供应方整体地共同驻留在相同节点或设备内。在此情况下，将大数据设备称为“嵌入式大数据设备”，因为该设备嵌入到供应方节点或设备中，并对由共同驻留的大数据供应方接收、收集或产生的大数据进行操作。在示例中，嵌入式大数据设备分析由嵌入式大数据设备驻留其上的大数据供应方节点本地产生和/或提供的大数据，以发现或学习知识。这个学习的知识可以存储在嵌入式大数据设备中，由嵌入式大数据设备本地操作，和/或作为大数据提供到其它大数据节点。本文描述的任何或全部技术都可以结合诸如例如前述美国专利申请号No.14/212,493和/或名称为“REGIONALBIGDATAINPROCESSCONTROLSYSTEMS”的美国专利申请号No.14/507,188(代理人案卷号No.06005/593079)中所述的嵌入式大数据设备一起使用，尽管可以另外或者替代地使用其它适合的嵌入式大数据设备。此外，应注意，在其中大数据供应方节点包括嵌入式大数据设备的实施例中，大数据供应方节点的缓存可以减小规模或省略，因为嵌入式大数据设备提供了本地数据储存能力。

在一些情况下，大数据设备可以是过程控制大数据网络200的独立大数据节点。即，在这些情况下，大数据设备不嵌入到大数据供应方节点中或与其共同驻留。因而，包括大数据设备的过程控制大数据节点自身不一定是大数据的供应方。

图3示出了示例性大数据设备214的简化框图，其实例可以包括在图2的过程控制大数据网络200中。参考图3，示例性大数据设备214包括用于历史化或存储接收的大数据的大数据储存区220、一个或多个大数据设备接收器222、和一个或多个大数据设备请求服务器224。大数据设备接收器222中的每一个大数据设备接收器被配置为接收大数据分组(其可以从另一个节点流式传输和/或可以由装置214驻留其上的大数据供应方节点产生)，处理数据分组以取回其中携带的实质性数据和时间戳，并将实质性数据和时间戳存储在设备214的大数据储存区220中，例如作为时间序列数据以及还可选地作为元数据。例如，可以标记数据点并将其存储为元数据。大数据储存区220可以包括多个本地和/或远程物理数据驱动器或储存实体，诸如RAID(独立磁盘冗余阵列)储存器，固态储存器，云储存器、高密度数据储存器和/或适合于数据库或数据中心储存并且对于其它节点具有单一或统一的逻辑数据储存区或实体的外观的任何其它适合的数据储存技术。此外，大数据设备请求服务器224中的每一个都被配置为例如根据请求实体或应用的请求访问存储在大数据设备储存区220中的时间序列数据和/或元数据。

在一些实例中，大数据设备214包括一个或多个大数据分析器226，一个或多个大数据分析器226用于典型地以自动和/或自主方式而无需使用任何用户输入启动和/或执行学习分析来对存储的大数据中的至少部分执行各自的数据分析和/或学习。在实施例中，大数据分析器226对存储的数据单独和/或共同执行大规模数据分析(例如，数据挖掘、数据发现等)，以发现、检测或学习新信息或知识。例如，数据挖掘通常包括用于提取新的或先前未知的感兴趣数据或模式(诸如，不常见的记录或多组数据记录)的检查大量数据的过程。大数据分析器226可以另外或替代地对存储的数据执行大规模数据分析(例如，机器学习分析、数据建模、模式识别、预测分析、相关分析等)，以预测、计算或识别在存储的数据内的隐含关系或推论。在实施例中，多个大数据分析器226(和/或至少一个大数据分析器226的多个实例)并行和/或合作地操作以分析存储在设备214的大数据储存区220中的数据。在名称为“DATAPIPELINEFORPROCESSCONTROLSYSTEMANALYTICS”的前述美国申请号No.62/060,408(代理人案卷号No.06005/593085P)和/或名称为“REGIONALBIGDATAINPROCESSCONTROLSYSTEMS”的前述美国专利申请号No.14/507,188代理人案卷号No.06005/593079)中可以找到可以与本文描述的任何或全部技术一起使用的合作式数据分析的示例，尽管任何适合的合作式数据分析一种或多种技术都可以与本公开内容的任何或全部方面一起使用。

典型地，大数据设备接收器22、大数据设备请求服务器224和大数据分析器226中的每一个都包括各自的计算机可执行指令，该各自的计算机可执行指令存储在一个或多个非暂时性有形存储器或数据储存设备上并且可以由一个或多个处理器执行，以便执行一个或多个其各自的大数据功能。在一些实施例中，大数据分析器226没有包括在大数据设备214中，而是反而与大数据设备214通信地连接。例如，包括储存区220、接收器222和服务器125的大数据设备214可以由第一计算机可执行指令集实施，而大数据分析器226可以由第二计算机可执行指令集实施(其可以或可以不存储在与第一计算机可执行指令集相同的非暂时性有形存储器或数据储存设备上)。可以在前述美国专利申请号No.13/784,041、14/174,413和14/212,493中找到可以与本文说明的任何或全部技术一起使用的各个类型的示例性大数据设备及其组件的描述，尽管应理解，本文描述的任何或全部技术可以与其它适合的大数据设备一起使用。

返回到图2，过程控制大数据网络200可以包括过程控制大数据供应方节点202-210，过程控制大数据供应方节点202-210以相对于一级或初级过程相关的数据的各个级别、层或等级进行操作，一级或初级过程相关的数据由诸如控制器、I/O设备、现场设备等的过程控制设备直接产生、路由和/或使用。在最低等级、层或级别，“本地”大数据供应方节点或设备202a-202n最接近于过程地操作，以收集、产生、观察和/或转发与过程工厂中过程设备和装置的输入、操作和输出相关的初级过程大数据。因而，“本地大数据供应方节点或设备”202a-202n典型地是产生、路由和/或接收初级过程控制数据以使得能够在过程工厂中实时控制一个或多个过程的节点和/或设备。本地大数据供应方节点202a-202n的示例包括其主要功能针对产生和/或操作用于控制过程的过程控制数据的设备，例如有线和无线现场设备、控制器和I/O设备。这些过程控制设备可以以分布式方式通信地彼此连接和/或连接到一个或多个过程控制通信网络。例如，一个或多个现场设备通信地连接到一个或多个I/O设备，一个或多个I/O设备继而通信地连接到一个或多个控制器，一个或多个控制器继而通信地耦合到一个或多个过程控制通信网络(例如，过程控制大数据、现场总线等)。

本地大数据供应方节点202a-202n的其它示例包括其主要功能是通过过程控制系统的一个或多个通信网络(其可以包括过程控制大数据网络200和/或其它通信网络)提供对初级过程数据的访问或路由的设备。此类本地大数据供应方节点202a-202n的示例包括接入点、路由器、到有线控制总线的接口、到无线通信网络的网关、到外部网络或系统的网关及其它此类路由和联网设备。本地大数据供应方节点202a-202n的再其它示例包括被配置为暂时存储整个过程控制系统的大数据(例如溢出缓存、路站或路由队列)的设备，诸如，历史记录设备。

在一些情况下，本地大数据供应方节点包括各自的本地大数据设备，如图2中由节点202a、202n所示的，其分别包括嵌入式大数据设备212a、212n。每一个本地嵌入式大数据设备212a、212n都接收并存储由其各自的供应方202a、202n提供的各自的本地大数据。此外，在一些本地大数据供应方节点中，诸如在节点202a，可以对设备212a中存储的本地大数据中的至少一些本地大数据执行一个或多个分析功能、例程、操作或过程(由带圆圈的A₁指示)。在实施例中，分析A₁由图3的大数据分析器226中的一个或多个大数据分析器来执行。一个或多个分析A₁的学习信息、学习和/或结果还可以存储在本地大数据设备212a中，并且学习信息或结果中的至少一些学习信息或结果可以提供到另一个大数据节点206a。例如，包含于或耦合到包括信号处理模块102的实例的控制器的本地大数据供应方节点、信号处理模块102对控制器的输出信号执行频率分析或其它信号处理分析，并且本地大数据供应方节点将分析结果发送到另一个大数据节点。

例如由节点202n所示的一些本地供应方节点包括用于本地大数据收集和历史化的各自的本地嵌入式大数据设备212n，但驻留设备212n执行最低限度的分析或不执行分析。因而，节点202n仅将本地存储的大数据流式传输(或以其它方式发送，例如在请求时或适合的时间)到另一个节点206b，以例如用于分析处理或用于进一步转发。例如节点202b的一些本地大数据节点根本不包括任何大数据设备。这种节点202b可以实时地或者在缓存器的帮助下将本地观察的大数据流式传输到一个或多个其它大数据节点202a、206b。

诸如过程相关的数据、工厂相关的数据以及其它类型的数据之类的各类实时数据可以作为大数据由大数据供应方节点或设备202a-202n缓存、收集、存储、发送和/或流式传输。过程相关的数据的示例包括连续数据、批量数据、测量数据和事件数据，它们是当在过程工厂中控制过程时产生的(并且在一些情况下，指示过程的实时执行的效果)。此外，过程相关的数据可以包括过程定义、布置或设置数据，诸如配置数据和/或批量接收数据，与配置、执行、和过程诊断的结果相对应的数据等。

工厂相关的数据(诸如，与过程工厂相关的数据，但其可以不由直接配置、控制或诊断过程工厂中的过程的应用来产生)也可以作为大数据由大数据供应方节点202a-202n缓存、收集、存储、发送和/或流式传输。工厂相关的数据的示例包括振动数据，凝汽阀数据，指示对应于工厂安全性的参数的值的数据(例如，腐蚀数据、气体检测数据等)，指示对应于工厂安全性的事件的数据，对应于机器、工厂装备和/或设备的健康的数据，对应于装备、机器和/或设备诊断的配置、执行和结果的数据，和对于诊断和预测有用的数据。

此外，其它类型的数据可以作为大数据由大数据供应方节点202a-202n缓存、收集、存储、发送和/或流式传输，该其它类型的数据包括过程工厂的各个通信网络的与过程控制大数据网络主干相关的数据高速公路业务和网络管理数据，用户相关的数据(诸如，与用户业务、登录尝试、查询和指令相关的数据)，文本数据(例如，日志、操作过程、手册等)，空间数据(例如，基于位置的数据)和多媒体数据(例如，闭路TV、视频剪辑等)，。

在一些实施例中，可以由大数据供应方节点202a-202n自动缓存、收集、存储、发送和/或流式传输作为大数据的动态测量和控制数据。动态测量和控制数据的示例包括指明过程操作中的变化的数据，指明诸如设定点之类的操作参数中的变化的数据，诸如下载或通信失败之类的过程和硬件警告与事件的记录等。另外，当检测到变化时或者当将控制器或其它实体最初添加到大数据网络200时，可以默认自动收集诸如控制器配置、批量接收、警告和事件之类的静态数据。

此外，在一些情形中，当检测到元数据中的变化时，在大数据供应方节点202a-202n中捕获描述或识别动态控制和测量数据的至少一些静态元数据。例如，如果在控制器配置中做出变化(该变化影响了必须由控制器发送的模块或单元中的测量和控制数据)，那么由大数据供应方节点202a-202n自动捕获相关元数据的更新。另外或者替代地，与用于缓存来自外部系统或源的数据(例如，天气预报、公共事件、公司决定等)的特定模块、监管数据和/或其它类型的监控数据相关的参数可以由大数据供应方节点202a-202n自动捕获。

在一些情形中，在大数据供应方节点202a-202n中自动捕获由终端用户创建的添加的参数。例如，终端用户可以在模块中创建特定运算，或者可以将需要收集的参数添加到单元，或者终端用户可以想要收集默认不传送的标准控制器诊断参数。可以以与默认参数相同的方式传送终端用户可选地配置的参数。

再次参考图2的网络200，在高于本地大数据节点202a-202n的一个或多个级别或层，过程控制大数据网络200可以包括一个或多个区域大数据节点206a-206m。为了实施区域大数据，过程工厂或过程控制系统可以视为具有多个不同范围或区域，其可以根据诸如地理的、物理的、功能的、逻辑的等任何期望的方式来描绘。在示例性但非限制性的示例中，过程工厂可以具有：第一区域，其接收原始材料，并且产生第一中间产物；第二区域，其接收其它原始材料，并且产生第二中间产物；和第三区域，其接收第一中间产物和第二中间产物，以产生输出产品。这三个不同示例性区域中的每一个都可以由各自的“区域”大数据节点206a、206b、206m提供服务，以对由其各自区域产生的大数据进行操作。因此，“区域大数据节点”提供大数据支持并服务于由本地大数据供应方节点202的各自的组或区域并且在一些情况下由其它大数据供应方节点204产生和/或提供的数据。其它大数据供应方节点204例如可以包括在工厂的区域外部的大数据节点(例如，便携式诊断设备或离线模拟器)、用户接口设备230或整个在过程工厂外部的数据源(例如，材料供应方的计算设备，提供天气预报的馈送等)。

如图2所示的，由区域大数据节点206a-206m服务的各自的组或区域可以包括一个或多个大数据供应方节点202a-202n和/或其它大数据节点204，其根据一些地理的、物理的、功能的、逻辑的或其它期望的方式是相关的。例如，区域大数据节点206a服务包括本地大数据供应方节点202a和202b的区域，以及区域大数据节点206b服务包括本地大数据供应方节点202b和202n以及另一个大数据节点204的区域。为了区域大数据储存、访问和/或分析，包括在特定区域中的特定节点202、204可以将数据流式传输或传送到其各自的区域大数据节点206。此外，大数据供应方节点202a-202n和/或另一个大数据节点204中的任何节点可以与特定区域大数据节点206a-206m通信，以请求可区域性获得的服务和/或访问存储于其中的区域大数据和元数据，不论这种请求节点是否包括在特定区域大数据节点206a-206m的特定区域中。

因此，每一个区域大数据节点206a-206m都包括各自的区域大数据设备216a-216m，经由各自的区域大数据设备216a-216m来接收大数据、将该大数据存储为区域大数据、以及访问或请求该大数据。此外，每一个区域大数据节点206a-206m都典型地包括一个或多个分析功能、例程、操作或过程(例如A₂–A_w)，其可以单独地和/或合作地对区域大数据中的至少一些区域大数据进行操作。例如，区域大数据设备216b可以从本地供应方节点202b、202n接收本地大数据，本地供应方节点202b、202n被配置为合作地控制液体流动通过过程工厂的部分或区域，并且节点206b可以对接收的数据中的至少一些接收的数据执行分析过程A₄，以确定液体在过程工厂的部分或区域内的平均输送延迟。分析A₄的结果随后可以在区域大数据设备216b内存储或历史化为附加区域大数据。在实施例中，由图3中的驻留在其各自大数据节点上的一个或多个大数据分析器226执行分析A₂–A_w中的每一个。

在一些情形中，区域大数据节点或设备206a-206m借助另一个区域大数据节点206a-206m(例如对等点)传送接收或产生的大数据、学习的知识或信息、和/或分析结果。为了通过继续以上示例来示出，区域大数据节点206a接收由区域大数据节点206b执行的解析分析A₄产生的学习的信息。随后，区域大数据节点206a于是可以结合从在其自身区域内的本地大数据节点202a、202b接收的本地大数据对从节点206b对等点提供的(peer-provided)学习信息的至少部分执行一个或多个各自的区域分析A₂、A₃。分析A₂、A₃继而可以产生附加区域大数据，以用于在区域大数据设备216a的历史化和/或用于供应给其它大数据节点206b、206c、208。因而，由于在一些情形中区域大数据可以源自区域大数据节点206a-206m(例如，基于由此执行的任何驻留的分析的结果或学习)，区域大数据节点206a-206m也可以作为区域大数据供应方节点来操作。

可以根据诸如地理的、物理的、功能的、逻辑的等任何期望的方式执行依据各自区域大数据节点的大数据供应方节点202a-202n的分组。例如，在示例性但非限制性情形中，过程工厂中的过程可以基于两个中间产物产生特定产品。因而，本地大数据供应方节点202a可以代表第一控制环，其产生第一中间产物，以及本地大数据供应方节点202b可以代表第二控制环，其产生第二中间产物。因而，由两个控制环202a、202b产生、收集、接收或观察到的全部过程控制数据可以传送到区域大数据节点206a，以用于历史化、储存和分析。

以类似的方式，区域大数据节点206b可以接收并分析来自其大数据供应方节点的各自组的数据。例如，区域大数据节点206b可以负责结合由其它源204提供的大数据分析与另一个产品的生产相对应的大数据，另一个产品的生产基于来自大数据供应方节点202b、202n中的每一个大数据供应方节点的中间产物。

在区域大数据节点206a，可以分析接收的大数据(例如，通过使用一个或多个分析功能或过程A₂、A₃)，以创建或产生学习的知识，该学习的知识描述了跨时间的和/或跨不同数据集中的至少一些数据集的有意义的关系、模式、关联、趋势等。例如，在最终产生特定产品时，两个控制环202a、202b中事件的特定组合可以导致较差产品质量。为了确定较差产品质量的根本原因，区域大数据节点206a在事件出现时或事件出现不久后(例如，当在区域大数据节点206a处接收到对应于事件出现的数据时)分析由事件的组合产生的数据。区域大数据节点206a可以产生学习的知识，该学习的知识基于这些事件的出现来预测差的产品质量，和/或可以实时地自动调整或改变一个或多个参数，以便如果在将来事件的组合出现，减轻事件的组合的影响。例如，区域大数据节点206a可以确定修改的设定点或修改的参数值，以更好地调节并管理两个控制环202a、202b。

通常，每一个区域大数据节点206a-206m(或者其各自的大数据设备216a-216m)都分析来自其大数据供应方节点的各自的组或区域的数据，以确定有意义的模式、关联、趋势等。学习的模式、关联、趋势等随后作为学习的知识存储在各自的区域大数据设备216a-216m中。本文使用的术语“学习的知识”或“学习”通常指代作为对大数据执行的一个或多个分析的结果而产生的数据、服务、功能、例程和/或应用。此外，每一个区域大数据节点206a-206m(或者其各自的大数据设备216a-216m)都可以基于最初学习的知识确定或限定新的服务、功能、例程或应用(和/或修改现有服务、功能、例程或应用)，该新的服务、功能、例程或应用继而存储为进一步学习的知识。

区域大数据节点206a-206m可以用于分层或分级的学习。例如，一个或多个区域大数据节点可以将其学习的知识和/或存储的数据发送到监视多个区域的上游大数据节点。如图2所示的，区域大数据节点206c从区域大数据节点206a和206c接收学习的知识和/或数据，并且节点206c将接收的大数据历史记录在其各自嵌入式设备116c中。区域大数据节点206c可以(例如，通过使用分析功能A₈–A_w中的一个或多个分析功能)对接收的学习的知识和/或数据中的至少一些执行进一步的分析或学习，以产生附加学习的知识(例如，数据模式、趋势、关联等、服务、功能、例程、和/或应用)，该附加学习的知识继而可以作为附加区域大数据存储在嵌入式设备116c中和/或提供到其它大数据节点206a、206b、208。

在实施例中，在自底向上的基础上执行分层或分级的学习。在示例性但非限制性的示例中，区域大数据节点206a分析从其本地大数据供应方节点202a、202b的各自的组接收的数据，以确定其“区域”是否正确操作。区域大数据节点206a从其分析学习的知识可以导致区域大数据节点206a产生新的诊断例程(例如，学习的例程)。区域大数据节点206a可以将产生的诊断例程发送到上游大数据节点206c，以用于储存、使用和/或访问。区域大数据节点206a可以独立启动新的诊断例程与上游区域大数据节点206c的共享(例如，随着生成自动地共享，或者在定期的基础上共享)，或者区域大数据节点206a可以使得新的诊断例程当上游区域大数据节点206c请求区域大数据节点206a共享一种或多种类型的新的学习的知识时被发送。

在实施例中，在自顶向下的基础上执行分层或分级的学习。为了通过继续以上示例来示出，上游区域大数据节点206c可以分析接收的诊断例程，并确定诊断例程有用或适用于其它区域大数据节点(例如，区域大数据节点206b)。因此，上游区域大数据节点206c可以将诊断例程分发到区域大数据节点206b，以使得区域大数据节点206b和/或包括在其区域中的本地供应方节点202a、202n、204中的任何本地供应方节点能够针对其各自的诊断目的使用诊断例程。上游区域大数据节点206c可以独立启动新的诊断例程与区域大数据节点206b的共享，或者上游区域大数据节点206a可以使得一旦区域大数据节点206b做出请求就发送新的诊断例程。替代地或者另外地，上游区域大数据节点206c可以通过聚合并分析从其正监视或连接到的全部区域大数据节点接收的学习的知识来产生通用诊断例程。在此情形中，当上游区域大数据节点206c从指示通用诊断有用的区域大数据节点接收数据时或者出于一些其它原因，基于特定区域大数据节点的请求，上游区域大数据节点206c(例如，随着生成自动地共享，或者在定期的基础上共享)将通用诊断例程分发到其区域大数据节点中的任何或全部区域大数据节点。随后，并且以类似的方式，区域大数据节点206c下游的每一个区域大数据节点都可以将通用诊断例程分发到其各自区域中的任何数量的本地大数据供应方。

在一些实施例中，区域大数据节点(例如，节点206a和206b)可以例如以对等方式彼此共享学习的知识。例如，区域大数据节点206a将新的或学习的分析例程直接发送到区域大数据节点206b，以使得区域大数据节点206b可以针对其自己的目的使用新的分析例程。

应注意，在图2中，仅示出了一个上游区域大数据节点206c。然而，相对于图2论述的技术和概念可以适用于支持多层或多级大数据历史化、储存和学习的任何数量的上游区域大数据节点。

此外，由于区域大数据设备和本地大数据设备都服务于过程工厂的不同的各自大数据节点和/或不同的各自的组或区域，但不服务于整个过程工厂或其多于一个的区域，本文将区域大数据设备和本地大数据设备普遍地并且直截了当地称为“分布式大数据设备”。通常，分布式大数据设备与多个其它大数据设备传送大数据。例如，包括在特定大数据供应方节点中的本地大数据设备可以将学习的知识和/或大数据传送到包括在其它大数据供应方节点中的其它本地大数据设备，一个或多个区域大数据设备，和/或集中式大数据设备(其在以下更详细地进行描述)。类似地，区域大数据设备可以从一个或多个本地大数据设备和/或大数据供应方节点接收大数据。区域大数据设备可以将学习的知识和/或大数据传送到其它区域大数据设备和/或集中式大数据设备。

如上所述，在过程控制大数据网络200的一些配置中，区域大数据节点或设备206a-206m、本地大数据节点或设备202a-202n、和/或其它大数据节点或设备204中的至少一些将各自的大数据、分析结果、和/或学习的信息传送到集中式大数据节点208。本文提及的“集中式大数据节点”典型地服务于过程工厂的多个区域，并且在一些情形中，服务于过程工厂中的大部分或整个过程工厂。因而，集中式大数据节点208包括一个或多个集中式的嵌入式大数据设备218，一个或多个集中式的嵌入式大数据设备218用于对过程工厂大数据进行接收、存储、和提供对过程工厂大数据的访问。例如，集中式大数据设备218可以提供由过程工厂产生的大数据中的大多数或全部大数据的全面、长期历史化，和/或集中式大数据设备218可以公布大数据，以便在过程工厂范围内可用于其它大数据节点或者甚至可用于过程工厂内或外部的计算设备(它们不是过程控制大数据节点)。

在一些配置中，单一集中式大数据节点208或设备218可以不服务于整个过程控制系统或工厂，而可以服务于过程控制系统或工厂中的多于一个区域。例如，可以在单一工厂或系统内使用不同的集中式大数据节点208或设备218，以出于安全性和访问目的划分不同类型或范围的大数据。在一些配置中，单一集中式大数据节点208或设备218服务于整个过程工厂。

在过程工厂中，区域大数据节点206a-206m中的一个或多个区域大数据节点可以使得其产生的或接收的学习的知识和/或数据中的一些或全部流式传输或另外传送到集中式大数据节点208。例如，区域大数据节点206a-206m中的一个或多个区域大数据节点将其分别存储的学习的知识和/或数据中的至少部分发送到集中式大数据节点208。在一些实施例中，区域大数据节点206a-206m中的一个或多个区域大数据节点将其分别存储的学习的知识和/或数据中的至少一些以周期性间隔推送到集中式大数据节点208。在一些实施例中，区域大数据节点206a-206m中的一个或多个区域大数据节点响应于来自集中式大数据节点208的请求而提供其分别存储的学习的知识和/或数据中的至少部分。

集中式大数据节点208和/或其嵌入式设备218可以被配置为例如通过使用一个或多个分析功能A_x–A_y来进一步分析从区域大数据节点206a-206m接收的任何或全部接收的学习的知识和/或数据。在实施例中，分析A_x–A_y中的每一个分析都由图3中的驻留在各自大数据节点上的一个或多个大数据分析器226来执行。一个或多个分析功能A_x–A_y可以对接收的学习的知识和/或数据进行操作，以产生附加知识，并确定在过程工厂内部和外部的各个实体与供应方之间的关系。例如，附加知识和确定的关系可以作为附加集中式大数据在嵌入式设备218处存储和另外使用。在一些情况下，集中式大数据节点208或设备218使用产生的知识和关系来相应地控制工厂的一个或多个过程。

实际上，大数据网络200的任何节点202-206都可以将大数据流式传输或者另外提供到集中式大数据设备218，例如以用于历史化或长期储存。例如，本地大数据供应方节点202可以将其大数据直接流式传输到集中式大数据节点208。类似地，大数据网络的任何节点202-206都可以请求由嵌入的集中式设备218提供的服务，和/或可以请求对存储于其中的数据和元数据的访问。此外，类似于针对区域大数据节点206a-206m所述的，在其中多个集中式大数据节点208或设备218服务于单一过程工厂的实施例中，多个集中式大数据节点208或设备218可以以对等方式传送。

同样类似于区域大数据节点206a-206m，在一些情形中，诸如当由集中式大数据节点208执行的分析(例如，一个或多个分析功能A_x–A_y)导致另外发现的或学习的信息时，集中式大数据节点208自身可以是大数据的生产方或供应方，该另外发现的或学习的信息存储在集中式大数据设备218中并且可由其它大数据节点202-206访问。然而，典型地，从其它大数据节点202-206接收由集中式大数据设备218管理并服务的大部分大数据体。可以在前述美国专利申请号No.13/784,041找到可以与本文描述的技术中的任何或全部技术一起使用的示例性集中式大数据节点208和示例性集中式大数据设备218的描述。然而，应理解，本文描述的技术中的任何或全部技术可以替代地或另外地与除了在美国专利申请号No.13/784,041中所述的集中式大数据设备以外的集中式大数据设备一起使用。

在一些配置中，集中式大数据节点208将数据和学习的信息传送到远程大数据节点(例如，相对于过程工厂远程的大数据节点)，以用于大数据历史化、储存、访问和/或分析。本文称为“云大数据节点210”的这个大数据节点可以向多个不同过程工厂或过程控制系统10提供服务。例如，运行多个不同炼油厂的公司可以提供云大数据节点210和云大数据设备221，以服务于与其全部炼油厂相关的大数据。例如，经由云大数据节点210和驻留的云大数据设备221，特定炼油厂的集中式大数据节点可以获得由过程工厂的过程控制大数据网络200产生的公布的大数据，并可以将获得的、公布的大数据用于在特定炼油厂的操作。在一些实施例中，大数据节点202-206中的任何大数据节点都可以将数据直接流式传输或提供到云大数据节点210。类似地，大数据节点202-206中的任何大数据节点都可以请求由云大数据节点210的嵌入式设备221提供的服务，和/或访问存储于其中的数据和元数据。尽管在图2中未示出，但云大数据节点210可以在其中包括例如可以由图3的大数据分析器226提供的一个或多个各自的分析例程、功能或过程。

此外，应注意，并非全部类型的大数据节点都包括在全部过程工厂中。例如，在特定过程工厂的最高级别的大数据处理可以为在区域级，并且因而，特定过程工厂可以不包括任何集中式大数据节点208，而可以不连接到云大数据节点210。通常，尽管为了促进或支持过程控制大数据，过程工厂包括至少一个本地大数据供应方节点202和至少一个大数据设备212、216、218。

另外，在一些实施例中，过程工厂包括并非固有地包括任何大数据支持的一个或多个传统过程控制设备(未示出)。在这些实施例中，工厂中的网关节点或直接耦合到传统设备的附属设备可以在传统设备所使用的协议与过程控制大数据网络主干所使用的协议之间转换或翻译数据消息，从而通信地连接传统设备和过程控制大数据网络200。名称为“STREAMINGDATAFORANALYTICSINPROCESSCONTROLSYSTEMS”的前述美国申请号No.14/506,863(代理人案卷号No.06005/593070)中论述了与过程控制大数据网络一起使用的传统设备的示例。

此外，典型地，大数据节点或设备202-210没有集成的用户接口，尽管大数据节点或设备202-210中的一些大数据节点或设备例如借助通过有线或无线通信链路通信或者借助将用户接口设备230插入大数据节点或设备202-210的端口而可以具有与一个或多个用户接口设备230通信连接的能力。在图2中，将用户接口设备230示出为无线连接到过程控制大数据网络200的大数据节点。

用户接口设备230是包括一个或多个集成的用户接口的设备(例如，移动或固定计算设备、工作站、手持设备、桌面计算设备、平板电脑等)，，经由该一个或多个集成的用户接口，用户或操作者可以与设备和过程控制系统或过程工厂交互，以执行与过程工厂相关的活动(例如配置、查看、监控、测试、诊断、命令、计划、调度、注释、和/或其它活动)。集成的用户接口可以包括屏幕、键盘、辅助键盘、鼠标、按钮、触摸屏、触控板、生物识别接口、扬声器和话筒、摄像头和/或任何其它用户接口技术。用户接口设备230可以包括到过程控制系统大数据网络主干的直接有线和/或无线连接，或者可以包括到主干的间接连接(例如，经由接入点或网关)。

在一些实施例中，用户接口设备230可以具有一个或多个内置分析能力(在图2中由带圆圈的A_z指示)。换句话说，用户接口设备230可以与任何数量的大数据节点和/或大数据设备通信，以下载和/或接收数据，并对下载的/接收的数据执行本地分析A_z，以发现或学习知识。实际上，在一些配置中，用户接口设备230自身可以是大数据供应方节点，并且自身可以将其分析A_z的结果中的至少一些作为大数据提供到一个或多个其它本地、区域、集中式或云大数据节点202-210。例如，可以在前述美国专利申请号No.14/028,785中找到在过程控制大数据网络中使用用户接口设备的示例(其可以与本文描述的技术中的任何或全部技术一起使用)。然而，当然，也可以替代地或另外地结合本文描述的任何或全部技术使用借助过程控制大数据网络200使用了用户接口设备的其它技术。

现在转向图4，图4是包括示例性过程工厂或过程控制系统40的各个示例性方面的框图，在其中可以实施和包括本文公开的基于自动信号处理的学习技术、方法、系统和装置。例如，基于自动信号处理的学习系统100的至少一部分包括在过程工厂40中。在实施例中，过程工厂40的至少一部分受到过程控制大数据网络(诸如图2的过程控制大数据网络200)支持。然而，尽管为了易于论述且出于非限制性目的，以下相对于图2-3中所示的特征描述了过程工厂40，但会理解，过程工厂40可以使用除了图2中所述的过程控制大数据网络以外的过程控制大数据网络，或者过程工厂40可以省略任何过程控制大数据网络、节点和/或设备。

在图4中，过程控制大数据节点或设备由“BD”参考符号指示，其指示该节点是过程控制大数据供应方节点、大数据设备、或者二者。例如，参考图2，图4中由“BD”参考符号指示的节点或设备可以是本地大数据供应方节点和/或设备202a-202n、212a-212n，区域大数据供应方节点和/或设备260a-206m、216a-216m，集中式大数据供应方节点208和/或设备218，或者另一种类型大数据节点204。

在图4中，过程控制大数据节点BD是过程控制大数据网络400的节点。在实施例中，过程控制大数据网络400是图2的过程控制大数据网络200，以及节点BD是网络200的节点202-208。在图4中，节点BD经由过程控制系统大数据网络主干405通过网络400通信地连接。主干405包括被配置为往/来于各个过程控制大数据节点BD路由分组的多个联网的计算设备或开关。主干405的多个联网的计算设备可以由任何数量的无线和/或有线链路互连，并且大数据网络主干405可以支持一个或多个适合的路由协议，诸如如先前相对于网络200所述的过程控制大数据流式传输协议。

如图4所示的，过程控制大数据网络400包括集中式大数据设备408和多个其它大数据供应方节点411、415、416、418、419、420、421、426、428、435、442a、442b、444、452a、455a、458、472、475、478。示例性大数据供应方节点中的一个示例性大数据供应方节点是大数据过程控制器设备411，其在本地收集、分析和存储过程控制网络或工厂40的大数据。控制器411经由输入/输出(I/O)卡426和428通信地连接到有线现场设备415-422，并经由无线网关435和过程控制大数据网络主干405通信地连接到无线现场设备440-446。(尽管在另一个实施例中，控制器411可以使用除了大数据主干405以外的通信网络(诸如通过使用包括任何数量的有线和/或无线通信链路的过程控制通信网络)来通信地连接到无线网关435)。在图4中，控制器411是过程控制系统大数据网络400的大数据供应方节点BD，并且直接连接到过程控制大数据网络主干405。

控制器411示例性地可以是EmersonProcessManagement销售的DeltaV^TM控制器，其可以操作以使用现场设备415-422和440-446中的至少一些实施批处理或连续处理。在实施例中，除了通信地连接到过程控制大数据网络主干405以外，控制器411还可以使用任何期望的硬件、软件、和/或与例如标准4-20mA设备、I/O卡426、428、和/或诸如现场总线协议、协议、协议等的任何智能通信协议相关的通信链路或网络来通信地连接到现场设备415-422和440-446中的至少一些现场设备。在实施例中，控制器411可以使用过程控制大数据网络主干405通信地与现场设备415-422和440-446中的至少一些现场设备连接。在图4中，控制器411、现场设备415-422和I/O卡426、428是有线设备，而现场设备440-446是无线现场设备。当然，有线现场设备415-422和无线现场设备440-446可以符合任何其它期望的标准或协议，诸如任何有线或无线协议，包括将来开发的任何标准或协议。

过程控制器设备411包括处理器430，处理器430实施或监视一个或多个过程控制例程(例如，存储在存储器432中的控制例程)，该一个或多个过程控制例程可以包括控制环。处理器430被配置为与现场设备415-422和440-446以及通信地连接到主干405的其它过程控制大数据节点BD进行通信。应注意，本文所述的任何控制例程或模块(包括质量预测和故障检测模块或功能块)都可以具有其中由不同控制器或其它设备实施或执行的部分，如果需要的话。类似地，要在过程控制系统40中实施的本文所述的控制例程或模块可以采取任何形式，包括软件、固件、硬件等。控制例程可以以任何期望的软件格式(诸如使用面向对象编程、梯形逻辑、顺序功能图、功能框图，或使用任何其它软件编程语言或设计范型)实施。控制例程可以存储在任何期望类型的存储器中，诸如随机存取存储器(RAM)或只读存储器(ROM)。类似地，控制例程可以硬编码到例如一个或多个EPROM、EEPROM、专用集成电路(ASIC)或任何其它硬件或固件元件中。因而，控制器411可以被配置为以任何期望的方式实施控制策略或控制例程。

在一些实施例中，控制器411使用通常被称为的功能块的东西来实施控制策略，其中，每一个功能块是总控制例程的对象或其它部分(例如，子例程)，并且结合其它功能块(经由称为链路的通信)操作，以在过程控制系统40中实施过程控制环。基于控制的功能块典型地执行诸如与发射器、传感器或其它过程参数测量设备相关的输入功能、诸如与执行PID、模糊逻辑等控制的控制例程相关的控制功能、或控制诸如阀门的一些设备的操作以在过程控制系统40中执行一些物理功能的输出功能中的一个。当然，存在混合式及其它类型的功能块。功能块可以存储在中并由控制器411执行，其典型地是当这些功能块用于或关联于标准4-20ma设备和诸如HART设备之类的一些类型智能现场设备或者可以存储在现场设备自身中并由现场设备自身实施(这可以是具有现场总线设备的情况)时的情况。控制器411可以包括可以实施一个或多个控制环的一个或多个控制例程438。每一个控制环都典型地称为控制模块，并且可以通过执行功能块中的一个或多个功能块来执行。

图4中所示的有线设备411-422包括大数据有线过程控制设备415、416和418-421和I/O卡426、428。图4还示出了有线传统设备417和422，其可以结合过程工厂中的有线大数据设备415、418-421、426、428操作。有线现场设备415-422可以是任何类型的设备，例如传感器、阀门、发射器、定位器等，而I/O卡426和428可以是符合任何期望的通信或控制器协议的任何类型的I/O设备。在图4中，现场设备415-418是标准4-20mA设备或HART设备，其通过到I.O卡426的模拟线路或组合的模拟和数字线路来进行通信，而现场设备419-422是智能设备，诸如总线现场设备，其使用现场总线通信协议通过到I/O卡428的数字总线来进行通信。尽管在一些实施例中，大数据有线设备415、416和418-421中的至少一些大数据有线设备和/或大数据I/O卡426、428中的至少一些大数据I/O卡另外或替代地使用大数据网络主干405与控制器411通信。

图4中所示的无线现场设备440-446包括无线大数据节点或设备BD的示例(例如，设备442a、442b、444)。图4还包括传统无线设备的示例(例如，设备446)。无线现场设备440-446使用诸如WirelessHART协议之类的无线协议在无线网络470中进行通信。这种无线现场设备440-446可以直接与同样被配置为无线地通信(例如，使用无线流式传输协议)的过程控制大数据网络400的一个或多个其它大数据设备或节点BD通信。为了与没有被配置为无线地通信的一个或多个其它大数据节点通信，无线现场设备440-446可以使用连接到主干405或另一个过程控制通信网络的无线网关435。在过程工厂40中可以使用支持大数据的任何数量的无线现场设备。

如图4所示的，无线网关435是包括在过程控制工厂或系统40中的大数据节点BD的另一个示例，并且提供往/来于无线通信网络470的各个无线设备440-458的访问。具体而言，无线网关435提供在无线设备440-458、有线设备411-428、和/或过程控制大数据网络400的其它节点或设备(包括图4的控制器411)之间的通信耦合。例如，无线网关435可以通过使用大数据网络主干405和/或通过使用过程工厂40的一个或多个其它通信网络提供通信耦合。

在一些情况下，在隧道穿过有线和无线协议栈的共享层或多层时，无线网关435通过路由、缓冲和定时服务提供到有线和无线协议栈的较低层(例如，地址转换、路由、分组分割、优先排序等)的通信耦合。在其它情况下，无线网关435可以在没有共享任何协议层的有线与无线协议之间转换命令。除了协议和命令转换以外，无线网关435还可以提供由与在无线网络470中实施的无线协议相关的调度方案的时隙和超帧(在时间上相等间隔开的通信时隙的集合)使用的同步时钟。而且，无线网关435可以为无线网络470提供网络管理和管理功能，诸如资源管理、性能调整、网络故障减轻、监控业务、安全性等。

类似于有线现场设备415-422，无线网络470的无线现场设备440-446可以在过程工厂40内执行物理控制功能，例如打开或关闭阀门，或者测量过程参数。但无线现场设备440-446被配置为使用网络470的无线协议来进行通信。因而，无线网络470的无线现场设备440-446、无线网关435、以及其它无线节点452-458是无线通信分组的生产方和使用方。

在一些情形中，无线网络470可以包括非无线设备，其可以是或可以不是大数据设备。例如，图4的现场设备448可以是传统4-20mA设备，以及现场设备450可以是传统有线HART设备。为了在网络470中通信，现场设备448和450可以经由无线适配器(WA)452a或452b连接到无线通信网络470。在图4中，无线适配器452b示出为使用无线协议来进行通信的传统无线适配器，并且无线适配器452a示出为支持大数据并且因而通信地连接到大数据网络主干405。另外，无线适配器452a、452b可以支持其它通信协议，诸如现场总线、PROFIBUS、DeviceNet等。而且，无线网络470可以包括一个或多个网络接入点455a、455b，一个或多个网络接入点455a、455b可以是与无线网关435有线通信或者可以作为集成设备提供到无线网关435的分离的物理设备。在图4中，网络接入点455a示出为是大数据设备BD，而网络接入点455b是传统接入点。无线网络470还可以包括用于将来自一个无线设备的分组转发到无线通信网络470中的另一个无线设备的一个或多个路由器458，一个或多个路由器458中的每一个都可以或可以不支持过程控制系统40中的分布式大数据。如果无线设备是分布式和/或集中式大数据设备，无线设备440-446和452-458可以通过无线通信网络470的无线链路460和/或经由大数据网络主干405彼此通信并与无线网关435通信。

因此，图4包括节点BD的大数据设备的几个示例，该大数据设备主要用于向过程控制系统的各个网络提供网络路由功能和准入。例如，无线网关435、接入点455a和路由器458各自都可以包括在无线通信网络470中路由无线分组的功能。无线网关435执行针对无线网络470的业务管理和准入功能、以及往来于与无线网络470通信连接的有线网络路由业务。无线网络470可以使用特别地支持过程控制消息和功能(诸如WirelessHART)的无线过程控制协议。如图4所示的，无线网络470的设备435、455a、452a、442a、442b和458支持过程控制工厂40中的大数据，然而，无线网络470的任何数量的任何类型的节点可以支持过程工厂40中的分布式大数据。

使用其它无线协议来进行通信的其它设备可以是过程控制大数据网络400的大数据节点或设备BD。在图4中，一个或多个无线接入点472是使用其它无线协议的大数据设备BD，该其它无线协议诸如是Wi-Fi或其它IEEE802.11兼容的无线局域网协议、诸如WiMAX(微波接入全球互通)、LTE(长期演进)、或其它ITU-R(国际电信联盟无线电通信部门)兼容的协议之类的移动通信协议、诸如近场通信(NFC)和蓝牙之类的短波长无线电通信、或者其它无线通信协议。典型地，这种无线接入点472允许手持或其它便携式计算设备(例如，用户接口设备)通过各自的无线网络进行通信，该无线网络不同于无线网络470并且其相比于无线网络470支持不同的无线协议。在一些情形中，除了便携式计算设备以外，一个或多个过程控制设备(例如，控制器411、现场设备415-422、或无线设备435、440-458)还可以使用由接入点472支持的无线协议进行通信。

另外在图4中，到在当前过程控制系统40的外部的系统的一个或多个网关475、478是过程控制大数据网络400的大数据节点或设备BD。典型地，这种系统是由过程控制系统40产生或操作的信息的使用方或供应方。例如，工厂网关节点475可以将当前过程工厂40(具有其自己各自的过程控制大数据网络主干405)与具有其自己各自的过程控制大数据网络主干的另一个过程工厂通信地相连接。在另一个示例中，单一过程控制大数据网络主干405可以服务于多个过程工厂或过程控制环境。在再另一个示例中，工厂网关节点475将当前过程工厂40与云大数据节点210和/或云大数据设备221通信地相连接。

在图4中，工厂网关节点475将当前过程工厂40通信地连接到不包括过程控制大数据网络400或主干405的传统过程工厂或现有技术的过程工厂。在这个示例中，工厂网关节点475可以在由工厂40的过程控制大数据主干405使用的协议与由传统系统使用的不同协议(例如，以太网、Profibus、现场总线、DeviceNet等)之间转换或翻译消息。一个或多个外部系统网关节点478将过程控制大数据网络400与外部公用或私有系统的网络通信地连接，外部公用或私有系统的网络诸如为实验室系统(例如，实验室信息管理系统或LIMS)、操作者轮询数据库、物流系统、维护管理系统、产品库存控制系统、生产调度系统、天气数据系统、运输和处理系统、包装系统、互联网、另一个供应方的过程控制系统或其它外部系统。

尽管图4仅示出了具有有限数量现场设备415-422和440-446的单一控制器411，但这仅是示例性而非限制性的实施例。任何数量的控制器411可以支持大数据，控制器411中的任何控制器都可以与任何数量的有线或无线现场设备415-422、440-446通信，以控制工厂40中的过程。而且，过程工厂40还可以包括任何数量的无线网关435、路由器458、接入点455、无线过程控制通信网络470、接入点472和/或网关475、478。再进一步地，图4可以包括任何数量的集中式大数据设备408，其可以接收并存储收集的数据和/或产生学习数据或来自过程工厂40中的设备中的任何或全部设备的知识。在一些实施例中，过程控制大数据网络400可以包括任何数量的区域大数据设备和节点(图4中未示出)。

此外，包括在如图4所示的示例性过程工厂40中的方面、设备和组件的组合仅是示例性的。本文公开的技术、系统、方法和装置可以用于没有或更多图4所示的任何方面的过程工厂中。例如，本文公开的技术、系统、方法和装置可以用于没有集中式大数据设备408的过程工厂中，或者用于具有一个或多个区域大数据设备和/或节点的过程工厂中。在另一个示例中，本文公开的技术、系统、方法和装置可以用于仅具有传统设备的过程工厂中。

现在同时参考图1-4，任何数量的过程控制大数据网络的任何节点202、206、208、210、大数据设备212、216、218、221、大数据节点411、415、416、418、419、420、421、426、428、435、442a、442b、444、452a、455a、458、472、475、478和/或传统设备417、422、440、446、448、450、452b、455b可以包括信号处理模块102的实例。即，信号处理模块102的实例可以与包括在过程工厂或过程控制系统中或关联于过程工厂或过程控制系统的任何节点或设备集成在一起，该任何节点或设备产生其值随时间变化的信号，诸如过程控制设备、大数据节点、分析器等。在实施例中，信号处理模块中的至少一部分实施为软件或计算机可执行指令，该软件或计算机可执行指令存储在图1-4所示的节点或设备中的任何一个节点或设备的存储器上并且其可以由共同驻留在其上的处理器执行。在这种实施例中，另外的指令可以下载或传送到信号处理模块102的驻留节点，例如用于执行专用计算或其它类型的信号处理功能。例如，节点的信号处理模块102可以包括线性信号处理功能，并且在稍后时间点可以将非线性信号处理功能下载到驻留节点。例如，可以依据用户命令下载非线性信号处理功能，或者驻留节点可以累积新学习的知识，其使得驻留节点请求非线性信号处理功能的传送(例如，从另一个大数据节点)。

在实施例中，信号处理模块102的至少一部分实施为芯片、集成电路、半导体电路或其它适合的硬件，其包括在图1-4所示的节点或设备的任何一个节点或设备中。例如，信号处理模块102的至少一部分(并且在一些实施例中，信号处理模块102的至少一部分和分析模块105的至少一部分)实施在一个或多个集成数字信号处理(DSP)芯片上，诸如TexasInstrumentsKeyStone多核DSP和ARM^TM处理器，或者其它适合的DSP芯片。一个或多个集成DSP芯片可以嵌入到包括在过程工厂或过程控制系统中或关联于过程工厂或过程控制系统的任何节点或设备(诸如过程控制设备、大数据节点、分析器等)中，或与该任何节点或设备集成在一起，该节点或设备产生其值随时间变化的信号。例如，集成DSP芯片中的一个或多个集成DSP芯片可以包括在阀门、振动测量设备、发射器等中。芯片的数量可以如期望地增大，以加速、增强、和/或增加信号处理功能/能力。

在一些情况下，信号处理模块102没有与(过程工厂或过程控制系统的)产生其值随时间变化的信号的节点或设备集成在一起，但是信号处理模块102通信地耦合到该节点或设备。例如，信号处理模块102可以物理附接到产生其值随时间变化的信号的节点或设备，以使得信号源的输出在通过过程控制网络发送之前穿过信号处理模块102，或者信号处理模块102可以监控通过其发送节点或设备的输出的网络链路，例如，以诸如先前相对于图1所述的方式。

图5是用于在过程工厂或过程控制系统中自动提供基于信号处理的学习的示例性方法500的流程图。在实施例中，方法500至少部分地由装置、设备或系统执行。装置、设备或系统可以包括硬件，诸如集成电路或芯片，其执行方法500的一个或多个部分。另外或者替代地，系统可以包括计算机存储在一个或多个有形非暂时性计算机可读介质上的可执行指令集，当该可执行指令集由一个或多个处理器执行时，其使得装置或系统执行方法500的一个或多个部分。在一些实施例中，方法500由通信地连接的多个系统、装置、设备、硬件和/或计算机可执行指令集执行。在实施例中，方法500的至少一部分由图1中所示的系统100执行，和/或由图2-4中所示的系统和/或网络的任何一个或多个部分执行。为了在本文中易于阅读(不是出于限制性目的)，以下结合图1-4论述图5，但应理解，方法500的任何部分或全部可以由除了图1-4中所示的系统和/或网络以外系统和/或网络执行。

方法500包括获得随时间变化的对应于过程工厂的参数的值(框502)，其中，参数值随时间的变化包括对应于过程工厂的信号。通常，在实时控制过程的同时(例如，在信号源和过程工厂的包括信号源或信号源与之相关的部分在线的同时)，在信号源产生信号时实时获得参数值(框502)。因而，由于过程工厂实时控制过程，信号源产生信号，并且方法500在框502随着由信号源实时产生信号而获得信号。在一些情形中，信号的至少一些方面是振荡的(例如，随时间，在中心值或平衡点周围，在两个或更多个不同状态之间等)。在一些情形中，信号的至少一些方面不是振荡的(例如，脉冲响应、非周期性行为等)。其值随时间变化的参数包括例如可以是过程控制设备的输出、过程变量、测量值、指示能量平衡的参数、指示质量平衡的参数、对由过程工厂产生的大数据执行的分析功能的输出、或者其值作为控制过程的过程工厂的结果随时间变化的任何其它参数的信号。在实施例中，参数值随时间的变化由系统100的信号处理模块102获得，其如先前所述的，可以包括在过程控制设备(诸如，控制器、I/O设备或现场设备)、大数据供应方节点(其可以或可以不与过程控制设备集成)、连接到过程工厂的过程控制网络的一些其它设备或节点(例如，网关、路由器、适配器等)、本地大数据节点和/或设备、区域大数据节点和/或设备、集中式大数据节点和/或设备、或者过程工厂的一些其它大数据节点中，和/或可以从它们获得信号。

在示例中，从服务于过程工厂的大数据节点(例如，大数据供应方节点、分布式大数据节点、区域大数据节点等)流式传输信号(例如，参数的值随时间变化的指示)。在另一个示例中，经由没有流式传输的通信接收信号，例如从使用不支持流式传输的协议的另一个设备(诸如传统过程控制或路由设备)接收信号。在再另一个示例中，通过读取缓存器或其它暂时性存储器储存区获得信号、或参数值随时间的变化。

在方法500的一些实施例中，获得参数值随时间的变化的指示(框502)包括检测参数值随时间的变化。例如，在框502，方法500从监控功能、模块或应用接收指示，该指示警告方法500检测参数值随时间的变化。在另一个示例中，方法500自身可以包括随时间监控参数值，以检测参数值随时间的任何变化。

在框505，方法500包括导致对获得的信号执行或应用信号处理。通常，在实时控制过程的同时(例如，在信号源和/或过程工厂的各部分在线的同时)，在获得信号(框502)时实时地执行信号处理(框505)。例如，信号处理模块102对实时获得的信号执行一个或多个信号处理功能、操作或技术，诸如滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、和/或另一个信号处理技术。在一些实施例中，结合一个或多个其它输入或信号，使得对获得的信号执行信号处理(框505)。一个或多个其它输入或信号是结合获得的信号而处理的信号，其可以包括没有在过程工厂的实时操作过程中产生的输入，诸如在过程工厂或其部分离线时获得的测量值、由离线的手动分析工具产生的输出、从过程或其部分的模型获得的数据等。

在框508，方法500包括基于框505的信号处理来确定获得的信号的至少一个特性。典型地，至少一个特性对应于在框505执行的各自信号处理的一种或多种技术，并且可以包括一级特性。例如，如果在框505使得对获得的信号执行频谱分析，那么在框508，获得的信号的一个或多个相应的特性可以包括获得的信号内的一个或多个主频率、获得的信号内的一个或多个n阶频率(其中，n是大于一的整数)、获得的信号的谐波、获得的信号的子谐波、信号内的分叉等的识别。在一些实施例中，在框508确定一个或多个特性，并且在一些实施例中，在框508确定信号的一个或多个其它n级特性。例如，信号处理模块102基于应用的信号处理技术的结果来确定获得的信号的特性。

在框510，方法500包括将在过程中信号源上游的要素的集的至少一个子集确定或识别为获得的信号的至少一个特性的潜在的源。上游要素的集可以包括诸如过程控制变量、参数或要素、过程控制设备的要素、过程工厂的其它要素、多件装备、和/或过程工厂的资产的要素，并且可以通过使用受控制的过程的要素对准图来自动或自主地确定上游要素的集。确定为或识别为至少一个特性的源的上游要素的集的子集可以通过比较上游要素的集中的每一个(或至少一些)上游要素对信号的至少一个特性的影响的各自强度来确定或识别。在实施例中，自动确定和/或比较上游要素的集的影响的各自强度。在示例中，框510的至少一部分可以由图1的分析模块105自动执行，和/或框510的至少一部分可以由与图1的分析模块105通信地连接的另一个分析模块或功能执行。

如图5所示的方法500还包括使得一个或多个确定的特性源的指示提供到接收方应用(框512)。接收方应用例如可以是用户接口应用。另外或者替代地，接收方应用可以是分析应用或功能(其可以被配置为对过程工厂大数据进行操作)、另一种类型的应用或功能、和/或数据储存实体。在一些情形中，将获得的信号的确定的特性的指示、每一个潜在源对每一个特性的影响的各自强度的指示、信号和/或信号所基于的相应参数的指示、和/或信号源的指示另外或替代地提供到接收方应用(框512)。

在方法500的一些实施例中，方法可选地包括依据在框505执行的信号处理分析来去除和/或增加一个或多个频率。例如，可以对在框502获得信号多次(例如，顺序和/或并行执行的多个执行)执行信号处理和各自特性确定(例如，框505和508)，其中，对信号的频率的数量和/或类型的不同组合执行框505和508的每一个执行。多个执行可以用于确定信号的频率的数量/类型的多个组合对诸如预测质量、故障检测等的过程控制系统或工厂的操作的各自影响。另外，如果需要，可以针对框505和508的每一个执行分别执行确定各自上游特性源和/或提供所述源对接收方应用的指示(例如，框510和/或框512)。

通常，方法500的至少一部分(如果不是全部的话)是不监管的。即，方法500不包括获得任何用户输入以便执行方法500中包括的一个或多个步骤，并且实际上可以例如自动地和/或自主地与任何用户输入无关地执行其一些或全部步骤。例如，可以以无监管方式执行框502、505、508、510和512中的一个或多个。因而，方法500的执行时间可以在极短的时间间隔上出现，尤其是当在与过程工厂相关的一个或多个大数据节点处执行整个方法500时。在示例中，在一秒或更短时间中执行整个方法500(例如，框502到框512)。

本公开内容中所述技术的实施例可以包括任何数量的以下方面，或者单独的或者组合的：

1、一种用于在控制过程的过程工厂中提供基于大数据的学习的系统。所述系统包括信号处理模块，所述信号处理模块具有(i)输入，所述输入用于随着与所述过程工厂相关的信号源实时产生信号而接收由所述信号源产生的所述信号，所述信号指示基于通过使用执行物理功能的至少一个现场设备来控制所述过程的所述过程工厂而随时间改变的参数值；以及(ii)输出，所述输出用于向接收方应用提供所述信号的至少一个特性的指示。另外，所述信号处理模块被配置为对所述信号执行信号处理，以确定所述信号的所述至少一个特性。

2、前述方面的系统，其中，所述信号源是下列中的至少一个：过程控制设备，所述过程控制设备控制所述过程的至少一部分；大数据供应方节点，所述大数据供应方节点包括在所述过程工厂的过程控制大数据网络中；所述过程工厂内的一件装备；或者所述过程工厂的资产。

3、前述方面中的任何一个方面的系统，其中，所述信号处理模块和所述信号源包括在整体设备中。

4、前述方面的系统，其中，所述整体设备是过程控制设备，并且所述过程控制设备是控制器、执行物理功能以控制所述过程的所述至少部分的现场设备、或通信地连接所述控制器和所述现场设备的输入/输出(I/O)设备中的一个。

5、前述方面中的任何一个方面的系统，其中，所述整体设备是包括在所述过程工厂的过程控制大数据网络中的大数据节点，并且其中，所述大数据节点是下列中的一个：本地大数据节点、区域大数据节点、集中式大数据节点、或另一个大数据节点。

6、前述方面中的任何一个方面的系统，其中，所述信号处理模块包括在第一设备中，所述第一设备耦合到其中包括所述信号源的第二设备。

7、前述方面的系统，其中，所述第二设备是控制所述过程的至少一部分的过程控制设备，所述过程控制设备是控制器、执行物理功能以控制所述过程的所述至少部分的现场设备、或通信地耦合所述控制器和所述现场设备的输入/输出(I/O)设备中的一个。

8、前述方面中的任何一个方面的系统，还包括分析模块，所述分析模块包括(i)输入，所述输入用于从所述信号处理模块接收所述信号的所述至少一个特性的所述指示；以及(ii)输出，所述输出用于将所述信号的所述至少一个特性的源的指示提供到接收方应用，其中，所述接收方应用是用户接口应用或另一个应用。所述分析模块被配置为确定上游要素的集的至少一个成员是所述信号的所述至少一个特性的所述源，其中，所述上游要素的集是与所述过程工厂相关并且在所述过程内在所述信号的上游的要素，并且至少一个成员是所述信号的所述至少一个特性的所述源的所述确定基于所述上游要素的集的成员对所述信号的所述至少一个特性的影响的各自强度。另外，所述信号的所述至少一个特性的所述源包括过程控制设备、过程变量、一件装备或在所述信号源的上游的过程工厂的资产中的至少一个。

9、前述方面的系统，其中，所述接收方应用是第一接收方应用，并且所述系统还包括呈现模块。所述呈现模块包括：输入，所述输入用于从所述分析模块接收学习输出；以及还包括输出，所述输出用于将所述学习输出提供到一个或多个接收方应用。所述一个或多个接收方应用包括所述第一接收方应用；以及所述学习输出包括下列中的至少一个：所述信号的所述至少一个特性的所述源的所述指示、或由所述分析模块学习的其它信息。

10、前述方面的系统，其中，所述呈现模块被配置为确定所述一个或多个接收方应用。

11、前述方面中的任何一个方面的系统，其中，所述分析模块是第一分析模块，并且所述接收方应用是包括在第二分析模块中的另一个应用。

12、前述方面中的任何一个方面的系统，其中，所述分析模块是第一分析模块，并且所述第一分析模块基于(i)所述上游要素的集的所述成员对所述信号的所述至少一个特性的影响的所述各自强度，以及(ii)由第二分析模块提供的信息来确定所述信号的所述至少一个特性的所述源。

13、前述方面中的任何一个方面的系统，其中，所述第二分析模块包括过程要素对准模块。

14、前述方面中的任何一个方面的系统，其中，所述信号处理模块和所述分析模块都包括在通信地连接到所述过程工厂的网络的单一大数据节点中。

15、前述方面中的任何一个方面的系统，其中，所述信号处理模块包括在对应于所述过程工厂的第一节点中，所述分析模块包括在对应于所述过程工厂的第二节点中，并且所述第二节点通信地连接到所述第一节点。

16、前述方面的系统，其中，所述第一节点还包括所述信号源，并且所述第二节点是包括在所述过程工厂的过程控制大数据网络中的大数据节点。

17、前述方面中的任何一个方面的系统，其中，所述参数值指示过程控制设备的输出信号、过程变量、测量、能量平衡、质量平衡或另一个分析模块的输出中的一个的值。

18、前述方面中的任何一个方面的系统，其中，所述参数值随时间的所述变化包括一个或多个振荡。

19、前述方面中的任何一个方面的系统，其中，对所述信号执行的所述信号处理包括下列中的至少一个：滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、或另一个信号处理技术。

20、前述方面中的任何一个方面的系统，其中，所述信号的所述至少一个特性包括下列中的至少一个：所述信号的主频率、n阶频率、谐波、子谐波、或分叉，其中，n是大于一的整数。

21、前述方面中的任何一个方面的系统，其中，所述信号处理模块无需监管地实时操作。

22、一种用于在控制过程的过程工厂中自动执行基于大数据的学习的系统。在示例中，所述系统包括前述方面中的任何一个方面的系统中。在另一个示例中，前述方面中的任何一个方面的系统可以包括在所述系统中。所述系统包括信号处理模块，所述信号处理模块被配置为随着信号源实时产生信号而接收由所述信号源产生的所述信号，其中，所述信号指示基于通过使用执行各自物理功能的至少一个现场设备来控制所述过程的所述过程工厂而随时间改变的参数的值。所述信号处理模块还被配置为对所述信号执行信号处理，以确定所述信号的一个或多个特性。

所述系统还包括分析模块，所述分析模块被配置为：接收由所述信号处理模块确定的所述一个或多个特性的指示；并且确定所述信号的所述一个或多个特性的一个或多个源。所述一个或多个源是所述过程内在所述信号的上游的要素的集的一个或多个成员，并且所述上游要素的集的所述一个或多个成员的每一个都具有对所述信号的所述一个或多个特性的各自影响，其大于没有包括在所述一个或多个成员中的所述上游要素的集的至少一个其它成员的各自的影响。所述分析模块还被配置为使得所述信号的所述一个或多个特性的所述一个或多个源的指示提供到接收方应用，其中，所述接收方应用是用户接口应用或另一个应用。

23、前述方面的系统，其中，所述接收方应用是第一接收方应用，并且所述系统还包括呈现模块，所述呈现模块被配置为接收所述分析模块的输出，并且使得所述输出传送到所述确定的接收方应用集合；所述第一接收方应用包括在确定的接收方应用集合中；及所述信号的所述一个或多个特性的所述一个或多个源的指示包括在所述分析模块的所述输出中。

24、方面22或方面23的系统，其中，所述分析模块的所述输出还包括在学习的多个阶段上由所述分析模块确定的另外的学习的知识。

25、方面22-24中的任何一个方面的系统，其中，将下列中的至少一个提供到所述接收方应用：所述信号的指示、所述信号源的指示或所述信号的所述一个或多个特性的指示。

26、方面22-25中的任何一个方面的系统，其中，所述信号处理模块包括在第一节点中，并且所述分析模块包括在通信地耦合到所述第一节点的第二节点中。

27、前述方面的系统，其中，所述信号源包括在所述第一节点中。

28、方面22-27中的任何一个方面的系统，其中，所述第一节点是下列中的至少一个：(i)过程控制设备，所述过程控制设备操作以控制所述过程的至少一部分，所述过程控制设备是执行物理功能以控制所述过程的至少一部分的现场设备、控制器、或通信地连接所述现场设备和所述控制器的输入/输出(I/O)设备中的一个；或者(ii)第一大数据供应方节点，所述第一大数据供应方节点包括在所述过程工厂的过程控制大数据网络中。另外，所述第二节点是包括在所述过程控制大数据网络中的第二大数据节点。

29、方面22-28中的任何一个方面的系统，其中，所述信号处理模块和所述分析模块包括在整体设备或节点中。

30、方面22-29中的任何一个方面的系统，其中，所述整体设备或所述节点是下列中的至少一个：(i)过程控制设备，所述过程控制设备操作以控制所述过程的至少一部分，所述过程控制设备是执行物理功能以控制所述过程的至少一部分的现场设备、控制器、或通信地连接所述现场设备和所述控制器的输入/输出(I/O)设备中的一个；或者(ii)大数据节点，所述大数据节点包括在所述过程工厂的过程控制大数据网络中。

31、方面22-30中的任何一个方面的系统，其中，所述参数的所述值对应于下列中的一个：过程控制设备的输出信号的值、过程变量的值、测量值、指示能量平衡的值、指示质量平衡的值、或由大数据分析功能产生的输出的值。

32、方面22-31中的任何一个方面的系统，其中，对所述信号执行的所述信号处理包括导致下列中的至少一个：滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、或另一个信号处理技术。

33、方面22-32中的任何一个方面的系统，其中，所述信号的所述一个或多个特性包括下列中的至少一个：所述信号的主频率、n阶频率、谐波、子谐波、或分叉，其中，n是大于一的整数。

34、方面22-33中的任何一个方面的系统，其中，所述信号的所述一个或多个特性的所述一个或多个源包括下列中的至少一个：过程控制设备、过程变量、一件装备、或与所述过程工厂和所述信号源的上游相对应的资产。

35、方面22-34中的任何一个方面的系统，其中，所述分析模块是第一分析模块，所述系统还包括第二分析模块，并且所述接收方应用包括在所述第二分析模块中。

36、方面22-35中的任何一个方面的系统，其中，所述系统无需任何用户输入地实时自主操作。

37、一种用于在控制过程的过程工厂中提供基于大数据的学习的方法。在示例中，所述方法的至少部分可以由前述方面中的任何一个方面的系统来执行。所述方法包括：在基于信号处理的学习系统处获得参数的值随时间的变化的指示，其中，所述参数值随时间的所述变化是由信号源产生的信号，所述参数值随时间的所述变化是基于在所述过程工厂中控制所述过程而产生的，并且随着所述信号源实时产生所述信号而获得所述信号。另外，所述方法还包括：由所述基于信号处理的学习系统使得一个或多个信号处理功能应用于所述信号；并且由所述基于信号处理的学习系统基于所述一个或多个信号处理功能的所述应用来确定所述信号的至少一个特性。所述方法还包括：由所述基于信号处理的学习系统将所述过程内在所述信号的上游的要素的集的至少一个子集确定为所述信号的所述至少一个特性的一个或多个源，其中，所述至少一个子集的所述确定基于所述上游要素的集对所述信号的所述至少一个特性的影响的各自的强度。所述方法还包括由所述基于信号处理的学习系统使得所述信号的所述至少一个特性的所述一个或多个源的指示提供到接收方应用，其中，所述接收方应用是用户接口应用或另一个应用。

38、前述方面的方法，其中，获得所述参数值随时间的所述变化的所述指示包括获得下列中的一个的值随时间的变化的指示：过程控制设备的输出信号、过程变量、测量、指示能量平衡的参数、指示质量平衡的参数、或者对由所述过程工厂产生的大数据执行的分析功能的输出。

39、方面37或方面38的方法，其中，使得对所述信号执行信号处理包括导致下列中的至少一个：滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、或对所述信号执行的另一个信号处理技术。

40、方面37-39中的任何一个方面的方法，其中，使得对所述信号执行所述信号处理以确定所述信号的所述至少一个特性包括使得对所述信号执行所述信号处理以确定下列中的至少一个：主频率、n阶频率、谐波、子谐波、或分叉，其中，n是大于一的整数。

41、方面37-40中的任何一个方面的方法，其中，基于所述信号处理来确定所述信号的所述至少一个特性包括基于所述信号处理并基于下列中的至少一个来确定所述信号的所述至少一个特性：在所述过程的至少一部分在线时获得的测量值、在所述过程的所述至少部分离线时获得的测量值、或者从所述过程的所述至少部分的模型获得的数据。

42、方面37-41中的任何一个方面的方法，其中，将所述上游要素的集的所述至少子集确定为所述信号的所述至少一个特性的所述一个或多个源包括将过程控制设备、一件装备、过程变量、或资产中的至少一个确定为所述信号的所述至少一个特性的所述一个或多个源。

43、方面37-42中的任何一个方面的方法，其中，所述方法为下列中的至少一个：所述方法在一秒或更短的持续时间上执行，或者所述方法是无监管的方法。

44、方面37-43中的任何一个方面的方法，其中，所述方法为下列中的至少一个：获得所述参数值随时间的所述变化的所述指示包括检测所述参数值随时间的所述变化；或者获得所述信号随时间的所述变化包括获得包括在所述信号中的一个或多个振荡的指示。

45、方面37-44中的任何一个方面的方法，其中，所述基于信号处理的学习系统包括耦合到分析模块的信号处理模块；在所述基于信号处理的学习系统处获得所述信号包括在所述基于信号处理的学习系统的所述信号处理模块处获得所述信号；由所述基于信号处理的学习系统使得所述一个或多个信号处理功能应用于所述信号包括由所述基于信号处理的学习系统的所述信号处理模块将所述一个或多个信号处理功能应用于所述信号；以及由所述基于信号处理的学习系统确定所述信号的所述至少一个特性的所述一个或多个源包括由所述基于信号处理的学习系统的所述分析模块确定所述信号的所述至少一个特性的所述一个或多个源。

46、方面37-45中的任何一个方面的方法，其中，所述分析模块是第一分析模块，并且下列中的至少一个：获得所述信号包括从第二分析模块获得信号；或者使得所述信号的所述至少一个特性的所述一个或多个源的所述指示提供到所述接收方应用包括使得所述信号的所述至少一个特性的所述一个或多个源的所述指示提供到所述第二分析模块或提供到第三分析模块。

47、结合任何一个或多个其它前述方面的前述方面的任何一个。

当在软件中实施时，本文所述的应用、服务或引擎中的任何一个可以存储在任何有形非暂时性计算机可读存储器中，诸如磁盘、激光盘、固态存储器设备、分子存储储存设备、或其它储存介质、计算机或处理器的RAM或ROM等。尽管将本文公开的示例性系统公开为除了其它组件以外，包括在硬件上执行的软件和/或固件，但应注意，这种系统仅是示例性的，不应认为是限制性的。例如，可以预期任何或全部这些硬件、软件或固件组件可以排他性地以硬件、以排他性地以软件、或硬件与软件的任何组合来实施。因此，尽管将本文所述的示例性系统被描述为在于一个或多个计算机设备的处理器上执行的软件中实施，但本领域普通技术人员会易于意识到提供的示例不是实施这种系统的唯一方式。

因而，尽管参考特定示例描述了本发明，但其旨在仅是示例性的，而非本发明的限制，对于本领域普通技术人员，显然，在不脱离本发明的精神和范围的情况下，可以对公开的实施例做出变化、添加或删除。

Claims (46)

1.一种用于在控制过程的过程工厂中提供基于大数据的学习的系统，所述系统包括：

信号处理模块，所述信号处理模块包括：

输入，所述输入用于随着与所述过程工厂相关的信号源实时产生信号而接收由所述信号源产生的所述信号，所述信号指示基于通过使用执行物理功能的至少一个现场设备来控制所述过程的所述过程工厂而随时间改变的参数值；以及

输出，所述输出用于向接收方应用提供所述信号的至少一个特性的指示，

所述信号处理模块被配置为对所述信号执行信号处理，以确定所述信号的所述至少一个特性。

2.根据权利要求1所述的系统，其中，所述信号源是下列中的至少一个：过程控制设备，所述过程控制设备控制所述过程的至少一部分；大数据供应方节点，所述大数据供应方节点包括在所述过程工厂的过程控制大数据网络中；所述过程工厂内的一件装备；或者所述过程工厂的资产。

3.根据权利要求1所述的系统，其中，所述信号处理模块和所述信号源包括在整体设备中。

4.根据权利要求3所述的系统，其中，所述整体设备是过程控制设备，并且所述过程控制设备是控制器、执行物理功能以控制所述过程的所述至少部分的现场设备、或通信地连接所述控制器和所述现场设备的输入/输出(I/O)设备中的一个。

5.根据权利要求3所述的系统，其中，所述整体设备是包括在所述过程工厂的过程控制大数据网络中的大数据节点，并且其中，所述大数据节点是下列中的一个：本地大数据节点、区域大数据节点、集中式大数据节点、或另一个大数据节点。

6.根据权利要求1所述的系统，其中，所述信号处理模块包括在第一设备中，所述第一设备耦合到其中包括所述信号源的第二设备。

7.根据权利要求6所述的系统，其中，所述第二设备是控制所述过程的至少一部分的过程控制设备，所述过程控制设备是控制器、执行物理功能以控制所述过程的所述至少部分的现场设备、或通信地耦合所述控制器和所述现场设备的输入/输出(I/O)设备中的一个。

8.根据权利要求1所述的系统，

还包括分析模块，所述分析模块包括：

输入，所述输入用于从所述信号处理模块接收所述信号的所述至少一个特性的所述指示；以及

输出，所述输出用于将所述信号的所述至少一个特性的源的指示提供到接收方应用，所述接收方应用是用户接口应用或另一个应用；并且

其中：

所述分析模块被配置为确定上游要素的集的至少一个成员是所述信号的所述至少一个特性的所述源，所述上游要素的集是与所述过程工厂相关并且在所述过程内在所述信号的上游的要素，并且至少一个成员是所述信号的所述至少一个特性的所述源的所述确定基于所述上游要素的集的成员对所述信号的所述至少一个特性的影响的各自强度；以及

所述信号的所述至少一个特性的所述源包括过程控制设备、过程变量、一件装备或在所述信号源的上游的过程工厂的资产中的至少一个。

9.根据权利要求8所述的系统，其中：

所述接收方应用是第一接收方应用；

所述系统还包括呈现模块，所述呈现模块包括：

输入，所述输入用于从所述分析模块接收学习输出；以及

输出，所述输出用于将所述学习输出提供到一个或多个接收方应用，所述一个或多个接收方应用包括所述第一接收方应用；以及

所述学习输出包括下列中的至少一个：所述信号的所述至少一个特性的所述源的所述指示、或由所述分析模块学习的其它信息。

10.根据权利要求9所述的系统，其中，所述呈现模块被配置为确定所述一个或多个接收方应用。

11.根据权利要求8所述的系统，其中，所述分析模块是第一分析模块，并且所述接收方应用是包括在第二分析模块中的另一个应用。

12.根据权利要求8所述的系统，其中，所述分析模块是第一分析模块，并且所述第一分析模块基于(i)所述上游要素的集的所述成员对所述信号的所述至少一个特性的影响的所述各自强度，以及(ii)由第二分析模块提供的信息来确定所述信号的所述至少一个特性的所述源。

13.根据权利要求12所述的系统，其中，所述第二分析模块包括过程要素对准模块。

14.根据权利要求1所述的系统，其中，所述信号处理模块和所述分析模块都包括在通信地连接到所述过程工厂的网络的单一大数据节点中。

15.根据权利要求1所述的系统，其中，所述信号处理模块包括在对应于所述过程工厂的第一节点中，所述分析模块包括在对应于所述过程工厂的第二节点中，并且所述第二节点通信地连接到所述第一节点。

16.根据权利要求15所述的系统，其中，所述第一节点还包括所述信号源，并且所述第二节点是包括在所述过程工厂的过程控制大数据网络中的大数据节点。

17.根据权利要求1所述的系统，其中，所述参数值指示过程控制设备的输出信号、过程变量、测量、能量平衡、质量平衡或另一个分析模块的输出中的一个的值。

18.根据权利要求1所述的系统，其中，所述参数值随时间的所述变化包括一个或多个振荡。

19.根据权利要求1所述的系统，其中，对所述信号执行的所述信号处理包括下列中的至少一个：滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、或另一个信号处理技术。

20.根据权利要求1所述的系统，其中，所述信号的所述至少一个特性包括下列中的至少一个：所述信号的主频率、n阶频率、谐波、子谐波、或分叉，其中，n是大于一的整数。

21.根据权利要求1所述的系统，其中，所述信号处理模块无需监管地实时操作。

22.一种用于在控制过程的过程工厂中自动执行基于大数据的学习的系统，所述系统包括：

信号处理模块，所述信号处理模块被配置为：

随着信号源实时产生信号而接收由所述信号源产生的所述信号，所述信号指示基于通过使用执行各自物理功能的至少一个现场设备来控制所述过程的所述过程工厂而随时间改变的参数的值；以及

对所述信号执行信号处理，以确定所述信号的一个或多个特性；以及

分析模块，所述分析模块被配置为：

接收由所述信号处理模块确定的所述一个或多个特性的指示；

确定所述信号的所述一个或多个特性的一个或多个源，所述一个或多个源是所述过程内在所述信号的上游的要素的集的一个或多个成员，并且所述上游要素的集的所述一个或多个成员的每一个都具有对所述信号的所述一个或多个特性的各自影响，其大于没有包括在所述一个或多个成员中的所述上游要素的集的至少一个其它成员的各自的影响；以及

使得所述信号的所述一个或多个特性的所述一个或多个源的指示提供到接收方应用，其中，所述接收方应用是用户接口应用或另一个应用。

23.根据权利要求22所述的系统，其中：

所述接收方应用是第一接收方应用，

所述系统还包括呈现模块，所述呈现模块被配置为接收所述分析模块的输出，并且使得所述输出传送到所述确定的接收方应用集合；

所述第一接收方应用包括在确定的接收方应用集合中；及

所述信号的所述一个或多个特性的所述一个或多个源的指示包括在所述分析模块的所述输出中。

24.根据权利要求23所述的系统，其中，所述分析模块的所述输出还包括在学习的多个阶段上由所述分析模块确定的另外的学习的知识。

25.根据权利要求22所述的系统，其中，将下列中的至少一个提供到所述接收方应用：所述信号的指示、所述信号源的指示或所述信号的所述一个或多个特性的指示。

26.根据权利要求22所述的系统，其中，所述信号处理模块包括在第一节点中，并且所述分析模块包括在通信地耦合到所述第一节点的第二节点中。

27.根据权利要求26所述的系统，其中，所述信号源包括在所述第一节点中。

28.根据权利要求26所述的系统，其中：

所述第一节点是下列中的至少一个：

过程控制设备，所述过程控制设备操作以控制所述过程的至少一部分，所述过程控制设备是执行物理功能以控制所述过程的至少一部分的现场设备、控制器、或通信地连接所述现场设备和所述控制器的输入/输出(I/O)设备中的一个；或者

第一大数据供应方节点，所述第一大数据供应方节点包括在所述过程工厂的过程控制大数据网络中；以及

所述第二节点是包括在所述过程控制大数据网络中的第二大数据节点。

29.根据权利要求22所述的系统，其中，所述信号处理模块和所述分析模块包括在整体设备或节点中。

30.根据权利要求29所述的系统，其中，所述整体设备或所述节点是下列中的至少一个：

过程控制设备，所述过程控制设备操作以控制所述过程的至少一部分，所述过程控制设备是执行物理功能以控制所述过程的至少一部分的现场设备、控制器、或通信地连接所述现场设备和所述控制器的输入/输出(I/O)设备中的一个；或者

大数据节点，所述大数据节点包括在所述过程工厂的过程控制大数据网络中。

31.根据权利要求22所述的系统，其中，所述参数的所述值对应于下列中的一个：过程控制设备的输出信号的值、过程变量的值、测量值、指示能量平衡的值、指示质量平衡的值、或由大数据分析功能产生的输出的值。

32.根据权利要求22所述的系统，其中，对所述信号执行的所述信号处理包括导致下列中的至少一个：滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、或另一个信号处理技术。

33.根据权利要求22所述的系统，其中，所述信号的所述一个或多个特性包括下列中的至少一个：所述信号的主频率、n阶频率、谐波、子谐波、或分叉，其中，n是大于一的整数。

34.根据权利要求22所述的系统，其中，所述信号的所述一个或多个特性的所述一个或多个源包括下列中的至少一个：过程控制设备、过程变量、一件装备、或与所述过程工厂和所述信号源的上游相对应的资产。

35.根据权利要求22所述的系统，其中，所述分析模块是第一分析模块，所述系统还包括第二分析模块，并且所述接收方应用包括在所述第二分析模块中。

36.根据权利要求22所述的系统，其中，所述系统无需任何用户输入地实时自主操作。

37.一种用于在控制过程的过程工厂中提供基于大数据的学习的方法，所述方法包括：

在基于信号处理的学习系统处获得参数的值随时间的变化的指示，所述参数值随时间的所述变化是由信号源产生的信号，所述参数值随时间的所述变化是基于在所述过程工厂中控制所述过程而产生的，并且随着所述信号源实时产生所述信号而获得所述信号；

由所述基于信号处理的学习系统使得一个或多个信号处理功能应用于所述信号；

由所述基于信号处理的学习系统基于所述一个或多个信号处理功能的所述应用来确定所述信号的至少一个特性；

由所述基于信号处理的学习系统将所述过程内在所述信号的上游的要素的集的至少一个子集确定为所述信号的所述至少一个特性的一个或多个源，所述至少一个子集的所述确定基于所述上游要素的集对所述信号的所述至少一个特性的影响的各自的强度；以及

由所述基于信号处理的学习系统使得所述信号的所述至少一个特性的所述一个或多个源的指示提供到接收方应用，所述接收方应用是用户接口应用或另一个应用。

38.根据权利要求37所述的方法，其中，获得所述参数值随时间的所述变化的所述指示包括获得下列中的一个的值随时间的变化的指示：过程控制设备的输出信号、过程变量、测量、指示能量平衡的参数、指示质量平衡的参数、或者对由所述过程工厂产生的大数据执行的分析功能的输出。

39.根据权利要求37所述的方法，其中，使得对所述信号执行信号处理包括导致下列中的至少一个：滤波、量值或振幅分析、功率分析、强度分析、相位分析、频率分析、频谱或多频谱分析、相关分析、卷积、平滑、希尔伯特变换、电平检测、线性信号处理、非线性信号处理、或对所述信号执行的另一个信号处理技术。

40.根据权利要求37所述的方法，其中，使得对所述信号执行所述信号处理以确定所述信号的所述至少一个特性包括使得对所述信号执行所述信号处理以确定下列中的至少一个：主频率、n阶频率、谐波、子谐波、或分叉，其中，n是大于一的整数。

41.根据权利要求37所述的方法，其中，基于所述信号处理来确定所述信号的所述至少一个特性包括基于所述信号处理并基于下列中的至少一个来确定所述信号的所述至少一个特性：在所述过程的至少一部分在线时获得的测量值、在所述过程的所述至少部分离线时获得的测量值、或者从所述过程的所述至少部分的模型获得的数据。

42.根据权利要求37所述的方法，其中，将所述上游要素的集的所述至少子集确定为所述信号的所述至少一个特性的所述一个或多个源包括将过程控制设备、一件装备、过程变量、或资产中的至少一个确定为所述信号的所述至少一个特性的所述一个或多个源。

43.根据权利要求37所述的方法，其中，所述方法为下列中的至少一个：

所述方法在一秒或更短的持续时间上执行，或者

所述方法是无监管的方法。

44.根据权利要求37所述的方法，其中，所述方法为下列中的至少一个：

获得所述参数值随时间的所述变化的所述指示包括检测所述参数值随时间的所述变化；或者

获得所述信号随时间的所述变化包括获得包括在所述信号中的一个或多个振荡的指示。

45.根据权利要求37所述的方法，其中：

所述基于信号处理的学习系统包括耦合到分析模块的信号处理模块；

在所述基于信号处理的学习系统处获得所述信号包括在所述基于信号处理的学习系统的所述信号处理模块处获得所述信号；

由所述基于信号处理的学习系统使得所述一个或多个信号处理功能应用于所述信号包括由所述基于信号处理的学习系统的所述信号处理模块将所述一个或多个信号处理功能应用于所述信号；以及

由所述基于信号处理的学习系统确定所述信号的所述至少一个特性的所述一个或多个源包括由所述基于信号处理的学习系统的所述分析模块确定所述信号的所述至少一个特性的所述一个或多个源。

46.根据权利要求45所述的方法，其中，所述分析模块是第一分析模块，并且进行下列操作中的至少一个：

获得所述信号包括从第二分析模块获得信号；或者

使得所述信号的所述至少一个特性的所述一个或多个源的所述指示提供到所述接收方应用包括使得所述信号的所述至少一个特性的所述一个或多个源的所述指示提供到所述第二分析模块或提供到第三分析模块。