CN105929814B - 具有自动运行能力的工业控制器性能监控、诊断与维护方法 - Google Patents
具有自动运行能力的工业控制器性能监控、诊断与维护方法 Download PDFInfo
- Publication number
- CN105929814B CN105929814B CN201610327151.7A CN201610327151A CN105929814B CN 105929814 B CN105929814 B CN 105929814B CN 201610327151 A CN201610327151 A CN 201610327151A CN 105929814 B CN105929814 B CN 105929814B
- Authority
- CN
- China
- Prior art keywords
- variable
- model
- controller
- alarm
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
Abstract
本发明涉及一种具有自动运行能力的工业控制器性能监控、诊断与维护方法,包括以下步骤:S1、分别采集控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态变量AV、冗余测量变量SV、相关过程变量RV的数据样本并存储;S2、根据上述变量的数据样本辨识过程模型、评估或者诊断控制器性能以获取控制器的工作状态;根据预设处理策略并结合所获取的工作状态调整控制器中对应于该工作状态的变量参数。本发明能够自动分析日常工业操作数据,自动提取过程信息,并针对动态特性的变化不断自动更新性能基准,从而保证控制器性能的实时监控。
Description
技术领域
本发明涉及工业控制技术领域,具体涉及一种具有自动运行能力的工业控制器性能监控、诊断与维护方法。
背景技术
在常见的过程工业领域例如炼油厂、化工厂等场合,控制回路的数量较大,相关工业控制器的运行状态与产品质量以及生产安全密切相关。然而,实际控制器的工作状态并不是让人满意,其控制性能还具有很大提升空间。对于实际过程操作人员而言,人工维护这些控制器的工作量十分巨大,因此过程工业迫切需求一套具有自动运行能力的工业控制器性能监控、诊断与维护系统。
自1989年Harris提出了控制器性能评估技术以来,该技术得到大量的研究和广泛的应用。但是,在实际应用中,发明人发现该性能评估技术的实施仍然存在以下问题:第一,性能基准与实际控制器可以达到的最优性能之间的差距过大,导致实际控制器的性能难以被准确评估。第二,对于不同回路,可以决定控制器性能下降的阈值具有较大差异,因此需要由人工确定不同回路的阈值,导致工作配置成本快速上涨。第三,部分监控方法需要通过特定的辨识实验以获取必要的过程模型信息,辨识实验也会大幅增加实施成本。第四,随着监控对象的动态特性的变化,部分性能评估方法需要由人工干预以保证控制器监控的实时有效性。
发明内容
针对现有技术中的缺陷,本发明提供一种具有自动运行能力的工业控制器性能监控、诊断与维护方法,能够自动分析日常工业操作数据,自动提取过程信息,并针对动态特性的变化不断自动更新性能基准,从而保证控制器性能的实时监控。
本发明提供了一种具有自动运行能力的工业控制器性能监控、诊断与维护方法,包括以下步骤:
S1、分别采集控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态AV、冗余测量变量SV、相关过程变量RV的数据样本并存储;
S2、根据上述变量的数据样本辨识过程模型、评估或者诊断控制器性能以获取控制器的工作状态;根据预设处理策略并结合所获取的工作状态调整控制器中对应于该工作状态的变量参数。
可选地,所述步骤S1之前包括:
选取变量并设置变量组态;该变量组态包括控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态变量AV、冗余测量变量SV和相关过程变量RV;
设置监控报警状态变量的初始值,包括:底层执行器报警状态变量AlarmE、底层变送器报警状态变量AlarmD以及控制对象动态特性变动报警状态变量AlarmG,初始值均为0;
设置状态变量Flagcur,用来标记控制对象动态特性的漂移,初始值为0;
为控制对象配置一个初始模型集合;该初始模型用于近似监控对象在初始工作点预设范围内的动态特性;
创建系统事件报告,所述系统事件报告用于记录回路故障报警事件与监控对象动态特性漂移事件。
可选地,所述步骤S2包括动态特性漂移检测的步骤S21,所述步骤S21进一步包括:
从辨识的历史过程模型中获取最后一次所辨识的历史过程模型;
利用所述历史过程模型结合所述OP与所述PV的数据样本计算该历史过程模型的模型残差;
根据所述模型残差及其统计特性判断控制对象的动态特性是否发生漂移。当控制对象的动态特性发生漂移时,在所述系统事件报告中记录该动态特性漂移事件以及发生时刻,同时将控制对象的布尔变量Flagcur设置为1。
可选地,所述步骤S2包括样本数据可辨识性分析和模型辨识的步骤S22,所述步骤S22进一步包括:
根据报警状态、控制器的工作状态以及所述SP、PV和OP的数据样本的激励阶次特性,判断所述SP、PV和OP的数据样本是否满足预设可辨识条件;
采用预设辨识算法在满足预设可辨识条件的数据样本中辨识过程模型,并存储所获取的过程模型的参数、工况属性以及时间属性和模型质量标签。
可选地,所述步骤S2包括控制器在线维护的步骤S23,所述步骤S23进一步包括:
当AlarmG=1、AlarmD=0并且AlarmE=0时,则控制器需要重新维护;
判断是否已经存储符合控制器重新维护要求的历史过程模型;
如果是,则利用所对应的历史过程模型重新计算基准控制器;
利用所述基准控制器计算基准模型并在线整定控制器参数,并将AlarmG置为0。
可选地,所述步骤S2包括控制器性能在线评估的步骤S24,所述步骤S24进一步包括:
根据所述SP、PV、OP数据和基准模型,计算控制器性能监控的性能基准Ibench;
利用SP、PV和OP数据获取当前回路性能Iactual;
当时,则当前回路监控出现性能下降并诊断控制器故障;其中Thres为预先设定的小于1的阈值。
可选地,所述步骤S2包括执行器诊断的步骤S25,所述步骤S25进一步包括:
若AV不是缺省值,且OP与AV之间呈非线性关系,则判定当前回路执行器出现故障;
如果AV是缺省值,则利用非线性时间序列分析方法获取所述OP或者所述PV数据样本的非线性程度,若所述OP与所述PV呈现非线性关系,则当前回路执行器出现故障,设置AlarmE=1,并在创建系统事件报告中记录故障报警类型和报警时间。
可选地,所述步骤S2包括变送器诊断的步骤S26,所述步骤S26进一步包括:
若SV不是缺省值,且PV和SV的数据样本不符合期望的线性关系,则判断变送器出现故障;
若SV是缺省值,通过时间序列分析的方法估计测量噪声方差判断变送器是否产生测量噪声过大故障,并且根据PV的相关统计特征,判断所述变送器是否出现测量信号静止故障;
若回路变送器出现故障,设置AlarmD=1,并在创建系统事件报告中记录故障报警类型和报警时间。
可选地,所述步骤S2还包括判断控制对象动态特性是否发生变化的步骤S27,所述步骤S27进一步包括:
若RV不是缺省值,且RV变量状态与模型集合中线性模型的工况属性标签具有差异时,则判定控制对象的动态特性发生了变化;
若RV为缺省值,执行器无故障且变送器无故障,则从所述模型集合中选取拟合所述PV和所述OP数据样本满足预设拟合条件的过程模型,并获取该过程模型的模型残差;利用所述模型残差的统计特性判断所述控制对象的动态特性是否发生变化;
若RV为缺省值,执行器故障或者变送器故障,不诊断控制对象的动态特性变化,此时设置AlarmG=0;
若判定控制对象动态特性发生了变化,则设置AlarmG=1,并在创建系统事件报告中记录故障报警类型和报警时间。
与现有技术相比,本发明具有以下优点:第一,配置成本低。对于过程工业大量控制回路的性能监控,能够按照统一的方式进行配置初始参数,从而大幅度降低了该系统初始配置成本。第二,能够自动分析日常工业操作数据,并自动提取对控制器监控以及维护有益处的过程信息,从而实现自动运行,进而需要较少的人工干预,降低人工成本。第三,在初始组态之后,本方法能够不断地自动提取关键过程信息,并针对动态特性的变化不断自动更新性能基准,从而保证控制器性能的实时监控。第四,能够自动诊断控制器性能下降的可能根源,包括外部扰动的诊断、执行器的诊断以及控制器的诊断。若控制器性能下降的根源是控制器问题,还能够对控制器进行维护。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1是本发明实施例提供的一种具有自动运行能力的工业控制器性能监控、诊断与维护方法的流程示意图;
图2是图1所示方法的具体流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种具有自动运行能力的工业控制器性能监控、诊断与维护方法,如图1所示,包括以下步骤:
S1、分别采集控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态变量AV、冗余测量变量SV、相关过程变量RV的数据样本并存储;
S2、根据上述变量的数据样本辨识过程模型、评估或者诊断控制器性能以获取控制器的工作状态;根据预设处理策略并结合所获取的工作状态调整控制器中对应于该工作状态的变量参数。
为体现本发明实施例提供的具有自动运行能力的工业控制器性能监控、诊断与维护方法的优越性,下面结合实施例对本发明实施例的控制器在线监控、诊断与维护的流程作进一步说明,参见图2:
首先,介绍S1、分别采集控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态AV、冗余测量变量SV、相关过程变量RV的数据样本并存储的步骤。
需要说明的是,本发明实施例中步骤S1之前还需要对系统进行初始化,包括:
(1)变量组态。对于每个监控回路,需要为以下三类控制回路监控变量进行组态:控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV。SP、OP与PV变量用于辨识过程模型、评估控制器性能以及诊断可能出现的控制器性能下降的根源等情况,因此不能为空缺。另外,本发明实施例还对三类辅助诊断变量进行组态:反映执行器工作状态的执行器状态变量AV、过程输出的冗余测量变量SV以及反映工况和动态特性变化的相关过程变量RV。AV、SV与RV用于辅助诊断导致控制器性能下降的根源,默认空缺。
(2)设置监控报警状态变量的初始值。监控回路的底层执行器报警状态变量AlarmE、底层变送器报警状态变量AlarmD以及控制对象动态特性变动报警状态变量AlarmG均为布尔类型变量,分别用来产生监控回路执行器报警、回路变送器报警以及被控对象动态特性变化报警,取值为1时输出相应的报警信号。AlarmE、AlarmD和AlarmG初始值均为0,即初始化时不产生报警信号。
(3)为控制对象初始配置一个模型集合Θ,用于近似监控对象在初始工作点预设范围内的动态特性;Θ初始为空集。
本发明实施例中模型集合采用一阶含延时连续线性动态模型(First-order plusdelay model,FOPTD)集合:
为控制对象配置布尔变量Flagcur指示其动态特性是否出现了漂移,取值为1表示监控对象动态特性发生了漂移,初始值为0。
(4)创建系统事件报告。所述系统事件报告用于记录回路故障报警事件与监控对象动态特性漂移事件,包括:回路故障报警事件以及触发时间信息的记录;监控对象动态特性漂移事件以及触发时间信息的记录。
在完成初始变量组态以及相关初始配置之后,本发明实施例从组态为SP、PV、OP、AV、SV和RV过程变量分别采集数据样本r(k)(对应SP变量),y(k)(对应PV变量),u(k)(对应OP变量),p(k)(对应AV变量),m(k)(对应SV变量)以及d(k)(对应RV变量)。
需要说明的是要,本发明实施例中存储装置中具有满足过程模型辨识的预设可辨识条件的若干个过渡过程时间的数据段。
其次,介绍S2、根据上述变量的数据样本辨识过程模型、评估或者诊断控制器性能以获取控制器的工作状态的步骤。
本发明实施例中,所述步骤S2包括动态特性漂移检测的步骤S21,步骤S21进一步包括:
S211、从辨识的历史过程模型中获取最后一次所辨识的历史过程模型Pu。如果没有存储历史过程模型,则将量Flagcur设置为1,并直接进入步骤S22
S212、利用历史过程模型Pu结合所述OP与所述PV的数据样本计算该历史过程模型的模型残差e(k):
e(k)=y(k)-Puu(k) (2)
之后根据PV和SP数据,估计扰动真实残差e0(k):
其中(na,nb)为历史过程模型的阶次。
S213、根据所述模型残差及其统计特性判断控制对象的动态特性是否发生漂移。
如果观测到:
判断动态特性发生了漂移。在系统事件报告中记录此次动态特性漂移事件以及发生漂移的时刻,并将Flagcur赋值为1;否则将Flagcur赋值为0。其中var(e)为序列e(k)的方差,var(e0)为序列e0(k)的方差,TLs为预先设定的阈值。
本发明实施例中还包括样本数据可辨识性分析和模型辨识的步骤S22,所述步骤S22进一步包括:
S221、根据监控系统的状态AlarmE、AlarmD、控制器的工作模式以及SP、PV和OP数据的激励阶次特性,分析储存于监控系统内部数据的可辨识性:
如果AlarmE=1或者AlarmD=1,说明被监控回路相关的底层设备处于异常,数据不满足可辨识条件;
如果AlarmE=0并且AlarmD=0,系统处于开环状态,通过分析OP数据样本是否处于平稳态,判断数据样本的可辨识性条件。利用OP数据样本建立如下自回归模型AR:
其中na为模型阶次,e(k)为模型残差。然后根据模型AR计算u(k)的趋势变化
若则判定OP数据处于稳态,数据不满足可辨识条件;反之,数据满足可辨识条件;其中为序列的方差,TLi为系统预先设置的阈值;
如果AlarmE=0并且AlarmD=0,系统处于闭环状态,根据采样的SP数据样本,计算其持续激励阶次nr;如果nr满足最低激励的要求,判定系统满足可辨识条件;反之判定数据不满足可辨识条件;最低激励阶次要求如下:
在控制器为PI控制器的情况下:nr≥3-nk;
控制器为PID控制器的情况下:nr≥2-nk;
其中nk为监控对象时延相对于过程数据采样周期的倍数;
S222、如果数据不满足可辨识性条件,且此时未存储历史模型,回到步骤S1重新采集数据;否则进入步骤S23。
S223、如果SP、PV和OP的数据样本满足预设可辨识条件,则采用采用预设辨识算法辨识当前工作点的过程模型,并存储过程模型的参数以及相关的“工况属性”、“时间属性”标签和“模型质量”标签。
例如,本发明实施例中辨识过程包括:
首先利用PV数据样本y(k)以及OP数据样本u(k)利用最小二乘类方法辨识如下离散形式模型:
其中,Pu为过程模型,He为扰动模型,(nc,nd)为扰动模型的阶次,nk为输入时延,e(k)为模型残差。之后将离散模型Pu转化为连续FOPTD模型。
评估辨识模型的质量。利用已经辨识的过程模型Pu和扰动模型He,以及对应的OP和PV数据,计算模型残差e(k):
利用PV数据和SP数据,建立对比模型H,估计真实扰动残差e0(k)。
其中(na,nb)为模型的阶次。定义如下模型质量指标:
其中L为建模数据长度。并根据QI的数值大小,对模型进行评分,并对模型进行级别为A~D等级的评级:
D:0≤QI<m1%
C:m1%≤QI<m2%
B:m2%≤QI<m3%
A:QI≥m3%
其中mi%(i=1~3)为预先设定的阈值,A~D表示模型的质量依次从最高降为最低。
如果RV变量不是缺省值,则根据与辨识数据相对应的RV变量的状态,为辨识的模型标记工况属性dtag,否则,则根据与辨识数据相对应的CV变量的状态,为辨识的模型标记工况属性dtag。并根据辨识数据所对应的时刻,为模型标记时间属性ttag。之后,将辨识的模型参数以及质量标签qtag、工况标签dtag和时间标签ttag一同存储于存储设备内。
本发明实施例中还包括样本数据控制器在线维护的步骤S23,所述步骤S23进一步包括:
S231、当存储有历史过程模型时,且当AlarmG=1、AlarmD=0并且AlarmE=0时,则判定控制器需要重新维护并进入步骤S232,否则进入步骤S24。
S232、判断系统是否已经存储合适的历史过程模型以实现控制器维护。根据系统事件记录表,查询此次动态特性报警时刻ta。如果系统第一次运行,则将ta置为当前时刻。从时刻ta开始往前回溯查询距离ta时刻第Na近的动态特性漂移事件,并查询该事件发生的时刻tc。其中Na为预设值,反映了系统对控制对象的动态特性在一定范围内漂移的容忍度。
从系统储存的历史过程模型中搜索满足如下条件的模型:其时间标签ttag∈[tc,ta],其质量标签qtag为B或者为A级。将满足上述条件的历史过程模型Pu组成一个集合Ω:
Ω={Pu|ttag∈[tc,ta],qtag=B or A} (11)
如果为Ω空集,则系统并未存储合适的模型,直接进入步骤S24。
S233、按照如下方式构建模型集合Θ:
其中Kmin为Ω中的元素的最小增益,Kmax为Ω中的元素的最大增益,Tmin为Ω中的元素的最小时间常数,Tmax为Ω中的元素的最大时间常数,Lmin为Ω中的元素的最小时延,Lmax为Ω中的元素的最大时延。δK、δT和δL为预设值,反映了系统对于过程模型参数摄动的容忍度。
基于模型集合Θ,利用鲁棒整定的思想,实现控制器维护与性能基准的更新。求解基准控制器c*(s),利用c*(s)实现控制器的在线维护,并更新基准模型Tref(s)。基准控制器c*(s)和基准模型Tref(s)的求解采用min-max优化方法:
公式(13)中,优化参数(Kp,Ti,Kd)为PID控制器参数(控制器增益,积分时间常数以及微分时间常数);G(c,Pu)表示当控制器为c(s),过程模型为Pu(s)时,所对应的从设定值到过程输出的闭环伺服传递函数,e(t)为当设定值经历单位阶跃变化,闭环伺服模型G(c,Pu)的控制误差;u(t)为当设定值经历单位阶跃变化,控制器c(s)的输出。公式(13)的最优解c*(s)即为基准控制器,并记录c*(s)在模型集合Θ中控制效果最差的模型根据所述和c*(s)更新基准伺服模型Tref(s):
根据c*(s)在线整定控制器参数,并将AlarmG置为0。
本发明实施例中还包括控制器性能评估的步骤S24,所述步骤S24进一步包括:
S241、计算性能基准。以误差平方积分(integrated squared error,ISE)为性能指标,Ibench计算方式如下:
其中,N为监控对象过渡过程时间,Ts为过程数据采样时间,r(k)为采集的设定值数据,为以r(k)为输入作用于所述基准模型Tref(s)所对应的输出。
S242、计算当前回路性能。当前回路性能Iactual计算方式如下:
其中,N为监控对象过渡过程时间,r(k)为采集的设定值数据,y(k)为采集的过程输出数据。如果观测到:
则判定当前监控回路出现了性能下降,并诊断控制系统故障,其中Thres为预先设定的小于1的阈值。
需要说明的是,当公式(17)不成立时即当前监控回路未出现性能下降,则返回步骤S1重新采集数据样本。
本发明实施例中还包括执行器诊断的步骤S25,所述步骤S25进一步包括:
若AV不是缺省值,且AV与OP之间具有明显的非线性特性时,则判定回路执行器出现了故障。利用OP和AV数据样本建立如下带有记忆环节的非线性模型:
其中参数d用以表征执行器粘滞情况。如果观测到:
d>TLa1;
其中TLa1为预设的阈值,则判定回路执行器出现问题。
如果AV为缺省值,利用PV和OP数据样本构建Hammerstein模型。则Hammerstein的非线性部分反映了执行器的非线性程度:
非线性环节采用以下公式表示:
其中参数d用以表征执行器粘滞系数。
线性动态环节采用以下公式表示:
其中,(na,nb,nc)为线性模型阶次,nk为线性模型的时延,x(k)为所述非线性环节的输出,e(k)为模型残差。如果观测到:
d>TLa2 (21)
其中TLa2为预设的阈值,则认定回路执行器出现问题。
如果判定回路执行器出现了故障,系统设置AlarmE=1,产生相应的故障报警,并在系统内部记录故障报警类型和报警时间信息。否则系统置AlarmE=0。
本发明实施例中还包括变送器诊断的步骤S26,所述步骤S26进一步包括:
若冗余测量变量SV不是缺省值,而PV数据和SV数据不符合期望的线性关系,则判断变送器出现故障。利用y(k)和m(k)建立如下线性回归模型:
m(k)=ay(k)+b (22)
其中a、b为回归系数。如果发现上述回归模型的拟合度r小于预先设定的阈值TLm1;或者回归系数与期望值具有较大差异,则PV和SV不满足期望的线性关系,判定变送器出现故障。
若冗余测量变量SV是缺省值,利用PV数据样本建立如下自回归模型:
其中na为模型阶次,e(k)为模型残差。计算y(k)序列的方差var(y),如果var(y)小于预设的阈值TLm2,判定变送器出现了测量信号静止故障;计算e(k)序列的方差var(e),如果var(e)超过预设的阈值TLm3,判定变送器出现测量噪声过大故障。
当判定回路变送器出现了故障时,系统置AlarmD=1,产生相应的故障报警,并在系统内部记录故障报警类型和报警时间信息,否则系统置AlarmD=0。
本发明实施例中还包括判断控制对象动态特性是否发生变化的步骤S27,所述步骤S27包括
若RV变量不是缺省值,标记当前RV变量状态为dcur。如果观测到dcur与构成模型集合Θ的线性模型所覆盖的工况具有较大差异:
其中δ为预先设置的正实数,用以表征对工作点变动的容忍度,则判断被控对象动态特性发生了变化。
若RV变量为缺省值并且执行器无故障(AlarmE=0),变送器无故障(AlarmE=0),则根据以下优化问题,从模型集合Θ中搜索对采集到的PV和OP数据具有最好拟合效果的过程模型g*(s)。
其中,N为数据长度;gd(z-1)=Dis(g(s))表示g(s)经过离散化后的离散模型;e(k)为模型残差序列。
上述优化问题的最优解为g*(s),并计算对应的模型残差序列e*(k)。之后根据离散化的PV和SP数据样本,计算扰动真实残差e0(k):
其中(na,nb)为模型的阶次。如果观测到:
则模型集合Θ难以近似控制对象在当前工作点的动态特性,并判断被控对象动态特性发生了变化。其中var(e0)为序列e0(k)的方差,var(e*)为序列e*(k)的方差,TLg为预先设定的阈值。
若RV变量为缺省值,但是执行器发生了故障(AlarmE=1)或者变送器发生了故障(AlarmD=0),则不具备诊断动态特性变化的条件,系统置AlarmG=0。
如果判定控制对象动态特性发生了变化,系统置AlarmG=1,产生相应的故障报警,并在系统内部记录故障报警类型和报警时间信息,否则系统置AlarmG=0。
本发明实施例提供的一种具有自动运行能力的工业控制器性能监控、诊断与维护方法,通过采集变量数据样本,然后根据变量数据样本进行辨识过程模型,评估或者诊断控制器性能,并根据预设处理策略与控制器的工作状态调整控制器对应工作状态的变量参数。与现有技术相比,本发明具有以下优点:需要较少的人工参与,配置成本低。第二,本方法能够不断地自动提取关键过程信息,并针对动态特性的变化不断自动更新性能基准,从而保证控制器性能的实时监控。第三,能够自动诊断控制器性能下降的可能根源,包括外部扰动的诊断、执行器的诊断以及控制器的诊断。若控制器性能下降的根源是控制器问题,还能够对控制器进行维护。
在本发明中,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种具有自动运行能力的工业控制器性能监控、诊断与维护方法,其特征在于,包括以下步骤:
S1、分别采集控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态变量AV、冗余测量变量SV、相关过程变量RV的数据样本并存储;
S2、根据上述变量的数据样本辨识过程模型、评估或者诊断控制器性能以获取控制器的工作状态;根据预设处理策略并结合所获取的工作状态调整控制器中对应于该工作状态的变量参数;
其中,所述步骤S1之前还包括:
选取变量并设置变量组态;该变量组态包括控制回路设定值变量SP、控制器输出变量OP、过程输出变量PV、执行器状态变量AV、冗余测量变量SV和相关过程变量RV;
设置监控报警状态变量的初始值,包括:底层执行器报警状态变量AlarmE、底层变送器报警状态变量AlarmD以及控制对象动态特性变动报警状态变量AlarmG,初始值均为0;
为控制对象配置一个初始模型集合;该初始模型用于近似监控对象在初始工作点预设范围内的动态特性;该模型集合初始设置为空集;
设置状态变量Flagcur,用来标记控制对象动态特性的漂移,初始值为0;
创建系统事件报告,所述系统事件报告用于记录回路故障报警事件与监控对象动态特性漂移事件。
2.根据权利要求1所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2包括动态特性漂移检测的步骤S21,所述步骤S21进一步包括:
从辨识的历史过程模型中获取最后一次所辨识的历史过程模型;
利用所述历史过程模型结合所述OP与所述PV的数据样本计算该历史过程模型的模型残差;
根据所述模型残差及其统计特性判断控制对象的动态特性是否发生漂移;当控制对象的动态特性发生漂移时,在所述系统事件报告中记录该动态特性漂移事件以及发生时刻,同时将控制对象的布尔变量Flagcur设置为1。
3.根据权利要求1所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2包括样本数据可辨识性分析的步骤S22,所述步骤S22进一步包括:
根据报警状态、控制器的工作状态以及所述SP、PV和OP的数据样本的激励阶次特性,判断所述SP、PV和OP的数据样本是否满足预设可辨识条件;
采用预设辨识算法从满足预设可辨识条件的数据段中辨识过程模型,并存储所获取的过程模型的参数、工况属性以及时间属性和模型质量标签。
4.根据权利要求1所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2包括控制器在线维护的步骤S23,所述步骤S23进一步包括:
当AlarmG=1、AlarmD=0并且AlarmE=0时,则控制器需要重新维护;
判断是否已经存储符合控制器重新维护要求的历史过程模型;
如果是,则利用所对应的历史过程模型重新计算基准控制器;
利用所述基准控制器计算基准模型并在线整定控制器参数,并将AlarmG置为0。
5.根据权利要求4所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2包括控制器性能在线评估的步骤S24,所述步骤S24进一步包括:
根据所述SP、PV、OP数据和基准模型,计算控制器性能监控的性能基准Ibench;
利用PV、SP和OP数据计算当前回路性能Iactual;
当时,则当前回路监控出现性能下降并诊断执行器故障;其中Thres为预先设定的小于1的阈值。
6.根据权利要求5所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2包括执行器诊断的步骤S25,所述步骤S25进一步包括:
若AV不是缺省值,且OP与AV之间呈非线性关系,则判定当前回路执行器出现故障;
如果AV是缺省值,则利用非线性时间序列分析方法获取所述OP或者所述PV数据样本的非线性程度,若所述OP与所述PV呈现非线性关系,则当前回路执行器出现故障,设置AlarmE=1,并在创建系统事件报告中记录故障报警类型和报警时间。
7.根据权利要求6所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2包括变送器诊断的步骤S26,所述步骤S26进一步包括:
若SV不是缺省值,且PV和SV的数据样本不符合期望的线性关系,则判断变送器出现故障;
若SV是缺省值,通过时间序列分析的方法估计测量噪声方差判断变送器是否产生测量噪声过大故障;并且根据PV的相关统计特征,判断所述变送器是否出现测量信号静止故障;
若当前回路变送器出现故障,设置AlarmD=1,并在创建系统事件报告中记录故障报警类型和报警时间。
8.根据权利要求1所述的工业控制器性能监控、诊断与维护方法,其特征在于,所述步骤S2还包括判断控制对象动态特性是否发生变化的步骤S27,所述步骤S27进一步包括:
若RV不是缺省值,且RV变量状态与模型集合中线性模型的工况属性标签具有差异时,则判定控制对象的动态特性发生了变化;
若RV为缺省值,执行器无故障且变送器无故障,则从所述模型集合中选取拟合所述PV和所述OP数据样本满足预设拟合条件的过程模型,并获取该过程模型的模型残差;利用所述模型残差的统计特性判断所述控制对象的动态特性是否发生变化;
若RV为缺省值,执行器故障或者变送器故障,不诊断控制对象的动态特性变化,此时设置AlarmG=0;
若判定控制对象动态特性发生了变化,则设置AlarmG=1,并在创建系统事件报告中记录故障报警类型和报警时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610327151.7A CN105929814B (zh) | 2016-05-17 | 2016-05-17 | 具有自动运行能力的工业控制器性能监控、诊断与维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610327151.7A CN105929814B (zh) | 2016-05-17 | 2016-05-17 | 具有自动运行能力的工业控制器性能监控、诊断与维护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105929814A CN105929814A (zh) | 2016-09-07 |
CN105929814B true CN105929814B (zh) | 2018-10-16 |
Family
ID=56841706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610327151.7A Active CN105929814B (zh) | 2016-05-17 | 2016-05-17 | 具有自动运行能力的工业控制器性能监控、诊断与维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105929814B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3489774B1 (de) * | 2017-11-22 | 2024-04-17 | Siemens Aktiengesellschaft | Automatisierte ermittlung einer parametrierung eines auswerteverfahrens |
CN111983997B (zh) * | 2020-08-31 | 2021-07-20 | 北京清大华亿科技有限公司 | 一种基于耦合性分析的控制回路性能监测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060111858A1 (en) * | 2004-11-22 | 2006-05-25 | Yucai Zhu | Computer method and apparatus for online process identification |
CN101349893B (zh) * | 2007-07-18 | 2011-03-16 | 太极光控制软件(北京)有限公司 | 自适应模型预测控制装置 |
CN101833330A (zh) * | 2010-05-07 | 2010-09-15 | 浙江工业大学 | 基于无激励闭环辨识的控制性能测试方法 |
CN103472732A (zh) * | 2013-09-27 | 2013-12-25 | 上海交通大学 | 一种改进的基于马氏距离的多变量控制器性能监控方法 |
CN105334738B (zh) * | 2015-12-01 | 2018-10-09 | 中国烟草总公司郑州烟草研究院 | 一种适用于烟草加工过程pid控制回路的性能评价方法 |
-
2016
- 2016-05-17 CN CN201610327151.7A patent/CN105929814B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105929814A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108628281B (zh) | 异常检测系统及异常检测方法 | |
US11487252B2 (en) | Process model identification in a process control system | |
JP7179722B2 (ja) | 製造プロセスの監視方法、系統的依存性の間接的な推定方法、品質の適合方法、製造プロセスの開始方法、押出製品の製造方法、および押出製品の製造システム | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
JP4850857B2 (ja) | 予測状態監視における変化状態の適応モデリング | |
Dragomir et al. | Review of prognostic problem in condition-based maintenance | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN110414155A (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
JP4276623B2 (ja) | 技術的設備の監視装置および方法 | |
CN110414154A (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN105929814B (zh) | 具有自动运行能力的工业控制器性能监控、诊断与维护方法 | |
WO2008014344A2 (en) | Model based method for detecting abnormal operation of a level regulatory control loop and associated apparatus | |
CN113219910A (zh) | 一种全流程的生产自诊断及优化系统 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN110207827B (zh) | 一种基于异常因子提取的电气设备温度实时预警方法 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
WO2022075181A1 (ja) | 状態判定装置及び状態判定方法 | |
Najjar et al. | Predictive Maintenance of Urban Metro Vehicles: Classification of Air Production Unit Failures Using Machine Learning | |
KR102360004B1 (ko) | 진동 신호 기반의 기계 상태 관리 시스템 | |
CN108052087A (zh) | 基于信息熵的制造过程多元质量诊断分类器 | |
KR102458214B1 (ko) | 배관 파손 진단 장치 및 방법 | |
CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
FI130578B (en) | Method, equipment, system and computer program product for analyzing a substance | |
JP2019096033A (ja) | ノイズ発生原因推定装置 | |
Chen et al. | Fault Prediction of Papermaking Process Based on Gaussian Mixture Model and Mahalanobis Distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201230 Address after: 100084 room 508, 5th floor, No.2 Shangdi Information Road, Haidian District, Beijing Patentee after: Qingyun intelligent control (Beijing) Technology Co.,Ltd. Address before: 100084 mailbox, 100084-82 Tsinghua Yuan, Beijing, Haidian District, Beijing Patentee before: TSINGHUA University |