CN106896800A - 使用分析/统计建模来进行连续过程验证的方法和装置 - Google Patents

使用分析/统计建模来进行连续过程验证的方法和装置 Download PDF

Info

Publication number
CN106896800A
CN106896800A CN201611179007.XA CN201611179007A CN106896800A CN 106896800 A CN106896800 A CN 106896800A CN 201611179007 A CN201611179007 A CN 201611179007A CN 106896800 A CN106896800 A CN 106896800A
Authority
CN
China
Prior art keywords
batch
data collection
emulation
lot data
history
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.)
Granted
Application number
CN201611179007.XA
Other languages
English (en)
Other versions
CN106896800B (zh
Inventor
Z·金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fisher Rosemount Systems Inc
Original Assignee
Fisher Rosemount Systems Inc
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
Application filed by Fisher Rosemount Systems Inc filed Critical Fisher Rosemount Systems Inc
Publication of CN106896800A publication Critical patent/CN106896800A/zh
Application granted granted Critical
Publication of CN106896800B publication Critical patent/CN106896800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B23/024—Quantitative 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
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了使用分析/统计建模来进行连续过程验证(CPV)的方法和装置。所公开的示例方法包括：基于在第一时间制造第一批次时所测量的第一历史批次数据集来确定多个参数的分布特性，以及基于所述多个参数的分布特性来生成模型批次。示例方法还包括：针对第一组仿真批次中的每一个仿真批次，通过执行以下操作来生成对应于第一组仿真批次的第一组仿真批次数据集：基于模型批次来生成所述多个参数的值，以及基于所生成的值来确定质量预测。所公开的示例方法还包括：基于第一组仿真批次数据集和第一历史批次数据集来生成模型。该模型将被实现以监测后续对第二批次的制造。

Description

使用分析/统计建模来进行连续过程验证的方法和装置
技术领域
概括地说，本公开内容涉及对过程控制系统进行控制和监测，并且更具体而言，涉及使用分析/统计建模来进行连续过程验证(Continued Process Verification，CPV)的方法和装置。
背景技术
过程控制系统通常包括一个或多个过程控制器，其经由模拟总线、数字总线或组合的模拟/数字总线通信地耦合到至少一个主机或操作员工作站以及耦合到一个或多个现场设备。现场设备(其可以是例如设备控制器、阀、阀定位器、开关和变送器(例如温度、压力和流动速率传感器))在过程控制系统内执行诸如打开或关闭阀和测量过程参数之类的功能。
用于制造重要产品(例如，人类药物、动物药物、生物制品等)的过程控制系统具有高质量(例如，纯度、可靠性、一致性等)标准，并且受政府机构(例如，食品和药品管理局、美国卫生与公众服务部等)监管。这些过程控制系统是推荐的，并可能很快被FDA要求来提供显示产品质量一致性地满足质量规范并且过程在控制状态下运行的统计数据。
发明内容
所公开的示例方法包括：基于在第一时间制造第一批次时所测量的第一历史批次数据集来确定多个参数的分布特性，以及基于所述多个参数的所述分布特性来生成模型批次。示例方法还包括：针对第一组仿真批次中的每一批次，通过执行以下操作来生成对应于所述第一组仿真批次的第一组仿真批次数据集：基于所述模型批次来生成所述多个参数的值，以及基于所生成的值来确定质量预测。所公开的示例方法还包括：基于所述第一组仿真批次数据集和所述第一历史批次数据集来生成模型，所述模型将被实现以监测后续对第二批次的制造。
所公开的示例装置包括：参数分析器，其用于基于包括在第一时间制造第一批次时所测量的多个参数的第一历史批次数据集来确定多个参数的分布特性，以及基于所确定的所述多个参数的分布特性来生成模型批次。所公开的示例装置还包括：参数生成器，其用于：针对第一组仿真批次中的每一个仿真批次，基于所述模型批次来生成所述多个参数的值。所生成的值将包括在第一组仿真批次数据集中。所公开的示例装置还包括：质量预测器，其用于：针对所述第一组仿真批次中的每一个仿真批次，基于所生成的值来确定质量预测。所述质量预测将包括在所述第一组仿真批次数据集中。此外，所公开的示例装置还包括：批次分析器，其用于：基于所述第一组仿真批次数据集和所述第一历史批次数据集来生成模型，所述模型将被实现以监测后续对第二批次的制造。
所公开的示例制品包括指令，所述指令在被执行时使得机器基于在第一时间制造第一批次时所测量的第一历史批次数据集来确定多个参数的分布特性。所公开的示例制品还包括指令，所述指令在被执行时使得机器基于所述多个参数的所述分布特性来生成模型批次。此外，所述示例公开的制品包括指令，所述指令在被执行时使得机器针对第一组仿真批次中的每一个仿真批次，通过执行以下操作来生成对应于所述第一组仿真批次的第一组仿真批次数据集：基于所述模型批次来生成所述多个参数的值，以及基于所生成的值来确定质量预测。所公开的示例制品包括指令，所述指令在被执行时使得机器基于所述第一组仿真批次数据集和所述第一历史批次数据集来生成模型，所述模型将被实现以监测后续对第二批次的制造。
附图说明
图1示出了示例过程控制系统。
图2示出了示例批次数据集。
图3示出了图1的示例仿真服务器。
图4是表示可以被执行以实现图1的过程控制系统的示例方法的流程图。
图5是表示可以被执行以实现图1和图2的仿真服务器的示例方法的流程图。
图6是示例处理器系统的框图，该示例处理器系统被构造为执行机器可读指令以执行由图4和/或图5表示的方法，进而实现图1的示例过程控制系统和/或图1和图2的仿真服务器。
只要有可能，贯穿附图和所附书面描述将使用相同的附图标记来指代相同或相似的部分。
具体实施方式
概括地，本公开内容涉及对过程控制系统进行控制和监测，并且更具体而言，涉及用于连续过程验证(CPV)的方法和装置。过程控制系统包括工作站和/或服务器，其与位于过程控制系统中的系统控制器、设备控制器和/或现场设备交互。在本文所公开的示例中，除了由设备控制器的固件执行的主要过程控制功能外，设备控制器执行过程控制应用。现场设备可以是例如加热元件、混合器、阀、阀定位器、开关和变送器，并且可以执行诸如打开或关闭阀、控制温度和测量过程控制参数之类的过程控制功能。设备控制器基于从现场设备接收到的信息(例如，过程控制参数)来生成过程数据。过程数据包括过程统计信息、报警、监测信息、过程趋势信息、诊断信息、自动化设备状态信息和/或来自自动化设备的消息。
在批量制造产品的过程控制系统中，连续过程验证(CPV)监测过程控制参数以执行以下操作：(i)确定在批次的制造期间，过程控制系统是否在统计上保持在控制状态，以及(ii)预测批次的质量。如本文所使用的，批次是由过程控制系统的单次运行制造的产品的量。当前的CPV实践主要涉及每个过程参数和质量属性的单变量评估，并且评估通常在批次完成后进行。具有CPV服务器的控制系统使用分析/统计模型来进行实时监测。分析/统计模型检测过程控制系统中的变化(例如，在现场设备中的变化)并且触发报警或指导对变化的响应。例如，分析/统计模型可以检测影响产品质量的多个过程控制参数的组合变化，即使过程控制参数中的单个过程控制参数的变化可能不影响质量。例如，检测升高的温度和减少的产品流可以影响产品的质量。传统上，开发分析/统计模型需要来自大量(例如，25、30个等)的批次的历史数据。在一些过程控制系统中，足够数量的批次可能永远不运行或可能运行很长一段时间。例如，在制药行业中，产品量和生命周期可能导致有限数量(例如，10、15个等)的批次的活性药物成分。因此，对于这种药物，可能永远无法实现CPV的分析/统计模型的益处。
在本文所公开的示例中，首先，利用有限数量的历史批次数据集生成用于CPV的分析/统计模型。历史批次数据集是制造相应的批次时的实时过程的记录。批次数据集包括在批次持续期间上所测量的与实时过程中的现场设备相关联的多个过程控制参数。基于可用的历史批次数据集来开发模型批次。可以基于与单个历史批次数据集相关联的数据集来生成模型批次或者基于多个(例如，2、3、5、10个等)历史批次来生成模型批次。模型批次用于生成仿真批次数据集以补充历史批次数据集。仿真批次数据集包括：(i)表示在批次持续期间上对现场设备的测量的过程控制参数的仿真集合，以及(ii)基于过程控制参数的仿真集合对仿真批次的质量的预测。生成仿真批次数据集直到满足(例如，等于)批次数据集(包括仿真批次数据集和历史批次数据集)的阈值数量。例如，如果批次数据集的阈值数量为25并且历史批次数据集的数量为2，则生成23个仿真批次数据集。使用历史批次和仿真批次来生成分析/统计模型。在一些示例中，使用主分量分析(PCA)和/或预测的潜在结构(PLS)来生成分析/统计模型。在一些示例中，当批次由过程控制系统完成(例如，创建新的历史批次数据集)时，(i)重新创建模型批次，(ii)重新生成仿真批次数据集，以及(iii)重新生成分析/统计模型。例如，如果批次数据集的阈值数量为25并且历史批次的数量现在为3，则使用重新创建的模型批次来生成22个仿真批次。
在下面所公开的示例中，基于历史批次数据集来生成模型批次。为了生成模型批次，分析历史批次数据集以确定每个过程控制参数(例如，P0……Pn等)的中心值、最小值、最大值和/或分布特性(例如，标准差、方差等)。基于中心值、最小值、最大值和/或分布特性，对过程控制参数进行表征，以使得可以使用随机的或伪随机的输入来仿真过程控制参数。
当生成模型批次时，基于由模型批次对过程控制参数的特性化来生成用于仿真批次数据集的仿真过程控制参数。在一些示例中，仿真过程控制参数经由随机计算或伪随机计算(例如，蒙特卡罗方法)来生成。对于每个过程控制参数，基于与历史批次数据集相关联的值的量来生成仿真值的量。例如，在历史批次期间，温度探头的输出可以读取2400次并且流量计的输出可以读取1800次。在这种示例中，可以仿真与温度探头相关联的过程控制参数的2400个值和与流量计相关联的过程控制参数的1800个值。
在下面所公开的示例中，历史批次数据集包括质量评估(例如，滴定度(titer)、活细胞密度、纯度、功效等)，其对由相应的历史批次生产的产品的质量分等级。分析历史批次数据集的过程控制参数和相应的质量评估以确定质量预测器。质量预测器基于过程控制参数的仿真值来确定针对仿真批次数据集的预测质量值。在一些示例中，基于最小均方误差(MSE)分析来确定质量预测器。
图1示出了示例过程控制系统100。在所示出的示例中，过程控制系统100被分成实时过程102和CPV服务器104。示例实时过程102采用工厂过程控制架构，该架构集成一个或多个智能工厂能力，该能力包括现场总线106(例如，和/或FOUNDATIONTM现场总线)、高速离散总线、嵌入式高级控制以及先进的单元和批次管理。现场总线106使现场设备108在实时过程102内部联网并且为包括设备管理、配置、监测和诊断等的各种应用提供基础设施。
示例实时过程102包括示例现场设备108、示例控制器110、示例I/O设备112和示例主机114。现场设备108控制和/或监测过程并且可以例如包括阀、传感器、接近开关、电机启动器、驱动器等等。在所示出的示例中，现场设备108通信地耦合到I/O设备112。I/O设备112支持各种模块以便于与各种现场设备108通信(例如，经由数字和/或模拟通信)。例如，I/O设备112可以具有用于与三线式温度探头接口相连的模拟模块和用于与数字阀控制器接口相连的数字模块。I/O设备112从现场设备108接收数据并且将数据转换为能够由控制器110处理的通信。
示例控制器110经由有线的或无线的网络(例如，LAN、WAN、互联网等)耦合到主机114(例如，工作站和/或服务器)。控制器110控制例程以基于来自现场设备108的输出来计算过程数据。控制器110以周期性间隔和/或在处理或生成过程数据时将过程数据转发到主机114。由控制器110传输的过程数据可以包括过程控制参数116、报警信息、文本、块模式元件状态信息、诊断信息、错误消息、事件和/或设备标识符等。
在图1中所示出的示例中，主机114执行过程控制应用。过程控制应用与示例控制器110通信以监测、控制和/或诊断现场设备108。例如，过程控制应用可以包括控制自动化、实时过程102的图形表示、变化管理、过程控制编辑、过程控制参数116的收集、数据分析等。在所示出的示例中，主机114将过程控制参数116编译成历史批次数据集118并且将历史批次数据集118提供给CPV服务器104。
在图1中所示出的示例中，实时过程102包括分析服务器120。分析服务器120从示例CPV服务器104接收或以其它方式获取示例分析/统计模型122。示例分析服务器120实时地或接近实时地监测过程控制参数116以检测故障124和/或基于分析/统计模型122和过程控制参数116来预测质量值126。故障124表示在可接受范围之外的一个或多个过程控制参数116。在一些示例中，主机114可以调节与检测到的故障124相关联的现场设备108。在一些示例中，故障124和/或质量值126与对应的过程控制参数116一起存储作为历史批次数据集118的一部分。
示例CPV服务器104包括示例历史库128、示例仿真服务器130和示例批次分析器132。历史库128从实时过程102接收或以其它方式获取历史批次数据集118。历史库128存储历史批次数据集118。时常(例如，周期性地，响应于新的历史批次数据集118等)，示例仿真服务器130从历史库128中获取历史批次数据集118以创建仿真批次数据集134。为了创建仿真批次数据集134，仿真服务器130生成模型批次，模型批次基于历史批次数据集118来表征过程控制参数116。下面结合图3讨论创建仿真批次数据集134的示例。批次分析器132从历史库128中获取历史批次数据集118并且从仿真服务器130中获取仿真批次数据集134。示例批次分析器132使用示例仿真批次数据集134和示例历史批次数据集118来生成分析/统计模型122。在一些示例中，批次分析器132使用主分量分析(PCA)和/或预测的潜在结构(PLS)来生成分析/统计模型122。
在一些示例中，仿真服务器130提供应用编程接口(API)，API促进工作站136或任何其它适当的计算设备与仿真服务器130交互。在这种示例中，可以通过图形界面向仿真服务器130提供设计空间138。以这种方式，工程师或其它适当的人可以改变模型批次(例如，选择表征历史批次数据集118的过程控制参数、改变计算的分布特性等的方程)。在一些示例中，当没有历史批次数据集118可用时，设计空间138允许工程师或其它适当的人生成批次模型。
图2示出了示例批次数据集202。示例批次数据集202是说明历史批次数据集118和仿真批次数据集134。示例批次数据集202包括过程控制参数116和示例质量字段206。此外，在一些示例中，批次数据集202包括独特地标识批次数据集202的批次标识符208。例如，如果批次数据集202是历史批次数据集118，则批次标识符208可以包括与产品的批次相关联的序列号和/或日期。
示例过程控制参数116与实时过程102(图1)中对应的现场设备108(图1)相关联。例如，第一过程控制参数116可以与热电偶相关联，并且第二过程控制参数116可以与湿度传感器相关联。示例过程控制参数116包括样本值210a-210t。对于历史批次数据集118，示例样本值210a-210t是由与对应的过程控制参数116相关联的现场设备108测量的样本。对于仿真批次数据集134，示例样本值210a-210t是根据模型批次对对应的过程控制参数的特性化来生成(例如，经由蒙特卡罗方法)的值。
示例质量字段206存储由与批次数据集202相对应的批次制造的产品的质量的测量结果。例如，质量字段206可以存储指示由对应的批次生产的产品是97％纯的值。对于历史批次数据集118，质量字段206对应于由例如设计空间或通过最小均方误差(MSE)开发的方程来计算的质量的测量结果。对于仿真批次数据集134，质量字段206对应于由质量模型计算的质量的测量结果。
图3示出了图1的示例仿真服务器130。当没有足够数量的历史批次数据集118可用于生成图1的分析/统计模型122时，示例仿真服务器130用于生成仿真批次数据集134。仿真服务器130包括示例参数分析器302、示例参数生成器304和示例质量预测器306。
参数分析器302从历史库128中获取或以其它方式接收历史批次数据集118。在所示出的示例中，参数分析器302生成表征历史批次数据集118中的过程控制参数116中的每一个过程控制参数的模型批次。为了生成模型批次，参数分析器302分析历史批次数据集118的过程控制参数116以确定最小值、最大值、中心值(例如，中值、平均值等)和分布特性(例如，标准差、方差、α和β值等)。为了表征过程控制参数116，示例参数分析器302建立方程，所述方程使(i)最小值、最大值、中心值和/或分布特性与(ii)随机输入或伪随机输入相关联。在一些示例中，参数分析器302存储与过程控制参数116的类型相关联的原型方程和/或与对应于过程控制参数116的现场设备108相关联的原型方程。在一些示例中，参数分析器302经由API与设计空间138(图1)通信地耦合。在一些这种示例中，参数分析器302可以将批次模型发送到设计空间138，并且从设计空间138接收对模型批次的改变。
示例参数生成器304生成用于仿真批次数据集134的仿真过程控制参数116。在所示出的示例中，参数生成器304从参数分析器302接收模型批次。基于模型批次中的方程，示例参数生成器304生成仿真过程控制参数116的集合。在一些示例中，参数生成器304经由随机计算或伪随机计算(例如，经由蒙特卡罗方法)生成仿真过程控制参数的集合。示例参数生成器304生成足够的仿真过程控制参数116的集合，以使得可以创建仿真批次数据集134的量以满足(例如，等于)批次数据集的阈值数量。示例参数生成器304将仿真过程控制参数的集合发送到示例质量预测器306。
示例质量预测器306预测仿真批次数据集134的质量值。质量预测器306从参数分析器302接收历史批次数据集118，并且从参数生成器304接收仿真过程控制参数的集合。在所示出的示例中，质量预测器306分析历史批次数据集118的过程控制参数116和质量字段206(图2)以生成质量预测模型，进而基于仿真过程控制参数116的集合来预测仿真质量值。在一些示例中，质量分析器306使用最小均方误差(MSE)分析来生成质量预测模型。对于每个仿真控制参数116集合，质量预测器306使用质量预测模型来将仿真质量预测赋值给对应的仿真控制参数集合以形成仿真批次数据集134。质量预测器306然后将仿真批次数据集134发送到批次分析器132以用于生成分析/统计模型122。
尽管在图3中示出了实现图1的仿真服务器130的示例方式，但是图3中示出的元件、过程和/或设备中的一个或多个可以被组合、拆分、重新布置、省略、消除和/或以任何其它方式实现。此外，示例参数分析器302、示例参数生成器304、示例质量预测器306和/或更一般地，图1的示例仿真服务器130可以由硬件、软件、固件、和/或硬件、软件和/或固件的任意组合来实现。因此，例如，示例参数分析器302、示例参数生成器304、示例质量分析器306和/或更一般地，示例仿真服务器130中的任何一个可以由一个或多个模拟或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑器件(PLD)和/或现场可编程逻辑器件(FPLD)来实现。当读取本专利的任何装置或系统权利要求以覆盖纯软件和/或固件实现时，示例参数分析器302、示例参数生成器304和/或示例质量分析器306的至少一个由此明确地定义为包括存储了软件和/或固件的有形计算机储存设备或储存盘，诸如存储器、数字多功能盘(DVD)、压缩盘(CD)、蓝光盘等。此外，图1的示例仿真服务器130可以包括除了或替代图3中示出的那些的一个或多个元件、过程和/或设备，和/或可以包括多于一个的任何或所有所示出的元件、过程和设备。
图4中示出了表示用于实现图1的示例实时过程102和示例CPV服务器104的示例方法的流程图。图5示出了表示用于实现图1和图3的示例仿真服务器130的示例方法的流程图。在这些示例中，可以使用由处理器(例如下面结合图6所讨论的示例处理器平台600中示出的处理器612)执行的程序来实现所述方法。所述方法可以体现在存储在有形计算机可读存储介质(例如CD-ROM、软盘、硬盘驱动器、数字多功能盘(DVD)、蓝光盘或与处理器612相关联的存储器)上的软件中，但整个的方法和/或其部分可以替代地由除了处理器612之外的设备执行和/或体现在固件或专用硬件中。此外，虽然参考图4和图5中示出的流程图描述了示例方法，但是替代地可以使用实现示例实时过程102、示例CPV服务器104和/或示例仿真服务器130的许多其它的方法。例如，可以改变框的执行顺序，和/或可以改变、消除或组合所描述的框中的一些。
如上所述，可以使用存储在有形计算机可读存储介质(例如硬盘驱动器、闪存、只读存储器(ROM)、压缩盘(CD)、数字多功能盘(DVD)、高速缓存、随机存取存储器(RAM)和/或任何其它储存设备或储存盘)上的经编码的指令(例如，计算机和/或机器可读指令)来实现图4和图5的示例方法，其中信息在任何持续时间上(例如，在延长时间段上、永久地、短暂地、为了临时缓冲、和/或为了缓存信息)存储在该有形计算机可读存储介质中。如本文所使用的，术语有形计算机可读存储介质被明确地定义为包括任何类型的计算机可读储存设备和/或储存盘并且排除传播的信号以及排除传输介质。如本文使用的，可互换地使用“有形计算机可读存储介质”和“有形机器可读存储介质”。另外地或替代地，可以使用存储在非暂时性计算机和/或机器可读介质(例如硬盘驱动器、闪存、只读存储器、压缩盘、数字多功能盘、高速缓存、随机存取存储器和/或任何其它储存设备或储存盘)上的经编码的指令(例如，计算机和/或机器可读指令)来实现图4和图5的示例处理器，其中信息在任何持续时间上(例如，在延长时间段上、永久地、短暂地、为了临时缓冲、和/或为了缓存信息)存储在该非暂时性计算机和/或机器可读介质中。如本文所使用的，术语非暂时性计算机可读介质被明确地定义为包括任何类型的计算机可读储存设备或储存并且排除传播的信号以及排除传输介质。如本文所使用的，当短语“至少”用作权利要求的前序中的过渡术语时，其以与术语“包括”是开放式的相同的方式是开放式的。
图4是表示可以被执行以实现图1的过程控制系统100的示例方法的流程图。该示例方法结合实时过程102和CPV服务器104来示出。示例实时过程102监测和控制产品的生产。示例CPV服务器104开发实时过程102用于监测和控制产品的生产的分析/统计模型122(图1)。初始地，实时过程102的主机114(图1)将与制造一批次的产品相关联的过程控制参数116和质量值编译成历史批次数据集118(框402)。在一些示例中，包括在历史批次数据集118中的质量值是由分析服务器120(图1)产生的质量值126。替代地，在一些示例中，包括在历史批次数据集118中的质量值被单独计算(例如，在图1的分析/统计模型122已经由CPV服务器104生成之前)。
CPV服务器104的历史库128(图1)从实时过程102的主机114接收历史批次数据集118(框404)。仿真服务器130使用历史批次数据集118来生成仿真批次数据集134(框406)。下面结合图6讨论生成仿真批次数据集的示例方法。示例批次分析器132(图1)从示例历史库128接收历史批次数据集118并且从仿真服务器130中接收仿真批次数据集134，以生成分析/统计模型122(框408)。在一些示例中，批次分析器132使用主分量分析(PCA)和/或预测的潜在结构(PLS)来生成分析/统计模型122。
示例分析服务器120从示例CPV服务器104接收示例分析/统计模型122(框410)。分析服务器120监测由正在通过过程控制系统100制造的当前批次生成的过程控制参数116(框412)。在所示出的示例中，分析服务器120从主机114接收由正在制造的当前批次生成的过程控制参数116。分析服务器120使用分析/统计模型122来分析过程控制参数116以确定过程控制系统100中是否已经发生故障(框414)。例如，分析服务器120可以检测到第一过程控制参数是在危及批次的质量要求的可接受的范围(例如，如由分析/统计模型122所检测的)之外。如果分析/统计模型122确定已经发生故障，则主机114处理故障(框416)。例如，主机114可以改变现场设备108的设置，产生报警和/或使实时过程102停止直到故障被纠正。
否则，分析服务器120确定故障尚未发生，分析服务器120确定是否继续监测过程控制系统100(框418)。例如，如果当前批次已经完成，则分析服务器可以确定不继续监测过程控制系统100。如果分析服务器120将继续监测，则分析服务器120监测由通过过程控制系统100正在制造的当前批次生成的过程控制参数116(框412)。否则，图4的方法结束。
图5是表示可以被执行以实现图1和图3的仿真服务器130进而生成仿真批次数据集134(图1和图3)的示例方法的流程图。初始地，参数分析器302(图3)从历史库128接收历史批次数据集118(框502)。示例参数分析器302选择与历史批次数据集118包括在一起的过程控制参数116中的一个(框504)。基于所选择的过程控制参数116的样本值210a-210t，示例参数分析器302确定所选择的过程控制参数116的中心值、最大值、最小值和/或分布特性(框506)。
示例参数分析器302表征所选择的过程控制参数116(框508)。在一些示例中，为了表征所选择的过程控制参数116，参数分析器302导出描述所选择的过程控制参数116的行为的方程。替代地，在一些示例中，参数分析器302基于例如与所选择的过程控制参数116相关联的现场设备108来从方程的数据库中选择并定制方程。示例参数分析器302确定是否存在要分析的另一个过程控制参数116(框510)。如果存在要分析的另一个过程控制参数116，则参数分析器302选择下一个过程控制参数116。
否则，如果没有要分析的另一个过程控制参数116，则示例参数生成器304(图3)选择过程控制参数116中的一个进行仿真(框512)。参数生成器304选择样本值210a-210t中的一个进行仿真(框514)。样本值210a-210t表示在特定时间对应的现场设备108的样本测量。例如，所选择的样本值210a-210t可以表示在批次期间压力传感器的第167个样本测量。示例参数生成器304使用所选择的过程控制参数116的特性化来仿真所选择的样本值210a-210t(框516)。在一些示例中，参数生成器304使用蒙特卡罗方法基于特性化来随机地或伪随机地生成所选择的样本值210a-210t。例如，所选择的过程控制参数116的特性化可以表明所选择的样本值210a-210t将在离在框506处计算的中心值的三个标准差内。示例参数生成器304确定是否存在要仿真的另一个样本值210a-210t(框518)。如果存在要仿真的另一个样本值210a-210t，则示例参数生成器304选择下一个值(框514)。否则，示例参数生成器304确定是否存在要仿真的另一个过程控制参数116(框520)。如果存在要仿真的另一个过程控制参数，则示参数生成器304选择下一个过程控制参数116(框512)。
否则，示例参数生成器304确定是否要生成另一个仿真批次数据集134。例如，如果批次数据集的阈值量是25，并且已经生成了一个历史批次数据集118和一个仿真批次数据集134，则参数生成器304确定要生成另一个仿真批次数据集134。如果示例参数生成器304确定要生成另一个仿真批次数据集134，则示例参数生成器304选择过程控制参数116中的一个进行仿真(框512)。否则，示例质量预测器306基于在框502处接收的历史批次数据集118来确定质量模型(框524)。在一些示例中，示例质量预测器306使用最小均方误差(MSE)分析来分析历史批次数据集118的过程控制参数116以创建质量模型。示例质量预测器306基于仿真过程控制参数116来预测仿真批次数据集134的质量值，仿真过程控制参数116基于在框524处确定的质量模型。然后图5的示例方法结束。
图6是示例处理器平台600的框图，能够执行图4和图5的方法以实现图1的过程控制系统100和/或图1和图3的仿真服务器130。处理器平台600可以是例如服务器、个人计算机、工作站或任何其它类型的计算设备。
所示出的示例的处理器平台600包括处理器612。所示出的示例的处理器612是硬件。例如，处理器612可以由来自任何期望家庭或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器实现。在所示出的示例中，处理器612被构造为包括示例参数分析器302、示例参数生成器304和示例质量预测器306。
所示出的示例的处理器612包括本地存储器613(例如，高速缓存)。所示出的示例的处理器612经由总线618与包括易失性存储器614和非易失性存储器616的主存储器通信。易失性存储器614可以由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其它类型的随机存取存储器设备来实现。非易失性存储器616可以由闪存和/或任何其它期望类型的存储器设备来实现。对主存储器614、616的访问由存储器控制器来控制。
所示出的示例的处理器平台600还包括接口电路620。接口电路620可以通过诸如以太网接口、通用串行总线(USB)和/或串行总线(PCIexpress)接口的任何类型的接口标准来实现。
在所示出的示例中，一个或多个输入设备622连接到接口电路620。输入设备622允许用户将数据和命令输入到处理器612。输入设备可以通过例如键盘、按钮、鼠标、触摸屏、轨迹板、轨迹球、等位点和/或语音识别系统来实现。
一个或多个输出设备624也连接到所示出的示例的接口电路620。输出设备624可以例如由显示设备(例如，发光二极管(LED))、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出设备、打印机和/或扬声器)来实现。因此，所示出的示例的接口电路620通常包括图形驱动卡、图形驱动芯片或图形驱动处理器。
所示出的示例的接口电路620还包括诸如发射机、接收机、收发机、调制解调器和/或网络接口卡之类的通信设备，以便于经由网络626(例如，以太网连接、数据用户线(DSL)、电话线、同轴电缆、蜂窝电话系统等)与外部机器(例如，任何类型的计算设备)交换数据。
所示出的示例的处理器平台600还包括用于存储软件和/或数据的一个或多个大容量储存设备628。这种大容量储存设备628的示例包括软盘驱动器、硬驱动器盘、压缩盘驱动器、蓝光盘驱动器、RAID系统和数字多功能盘(DVD)驱动器。
实现图4和图5的方法的经编码的指令632可以存储在大容量储存设备628、易失性存储器614、非易失性存储器616中和/或储存在诸如CD或DVD的可移动的有形计算机可读存储介质上。
通过前述内容将会理解，当相对少的批次已由过程控制系统制造时，上面所公开的示例促进CPV。此外，所公开的示例允许在制造过程中检测并响应故障。在一些示例中，基于来自不同的现场设备的过程控制参数的组合来检测故障，其中，如果未被纠正，则会负面地影响产品的质量。
虽然本文已经公开了某些示例方法、装置和制品，但是本专利的覆盖范围不限于此。相反，本专利覆盖了相当地落入本专利的权利要求的范围内的所有方法、装置和制品。

Claims (18)

1.一种方法，包括：
基于在第一时间制造第一批次时所测量的第一历史批次数据集来确定多个参数的分布特性；
基于所述多个参数的所述分布特性来生成模型批次；
针对第一组仿真批次中的每一个仿真批次，通过执行以下操作来生成对应于所述第一组仿真批次的第一组仿真批次数据集：
基于所述模型批次来生成所述多个参数的值；以及
基于所生成的值来确定质量预测；以及
基于所述第一组仿真批次数据集和所述第一历史批次数据集来生成模型，所述模型将被实现以监测后续对第二批次的制造。
2.根据权利要求1所述的方法，其中，针对所述第一组仿真批次中的每一个仿真批次，所述多个参数的值是通过随机计算或伪随机计算来生成的。
3.根据权利要求1所述的方法，其中，所述仿真批次的量由总批次的阈值量和历史批次的量来确定。
4.根据权利要求1所述的方法，其中，在所述第一时间之后的第二时间进行的所述第二批次的制造之后，执行以下操作：
基于所述第一历史批次数据集和第二历史批次数据集来确定所述多个参数的所述分布特性，所述第二历史批次数据集包括在制造所述第二批次时所测量的所述多个参数；
基于所述多个参数的所述分布特性来生成所述模型批次；
基于所述分布特性来生成第二组仿真批次数据集；以及
基于所述第二组仿真批次数据集、所述第一历史批次数据集和所述第二历史批次数据集来生成所述模型。
5.根据权利要求1所述的方法，其中，所述模型批次包括基于所述分布特性的所述多个参数的特性化。
6.根据权利要求1所述的方法，其中，基于所生成的值来确定所述质量预测进一步包括基于与所述第一历史批次数据集包括在一起的质量度量来生成质量模型。
7.一种装置，包括：
参数分析器，其用于：
基于包括在第一时间制造第一批次时所测量的多个参数的第一历史批次数据集来确定所述多个参数的分布特性；以及
基于所确定的所述多个参数的分布特性来生成模型批次；
参数生成器，其用于：针对第一组仿真批次中的每一个仿真批次，基于所述模型批次来生成所述多个参数的值，所生成的值将包括在第一组仿真批次数据集中；以及
质量预测器，其用于：针对所述第一组仿真批次中的每一个仿真批次，基于所生成的值来确定质量预测，所述质量预测将包括在所述第一组仿真批次数据集中；以及
批次分析器，其用于：基于所述第一组仿真批次数据集和所述第一历史批次数据集来生成模型，所述模型将被实现以监测后续对第二批次的制造。
8.根据权利要求7所述的装置，其中，针对所述第一组仿真批次中的每一个仿真批次，所述多个参数的值是通过随机计算或伪随机计算来生成的。
9.根据权利要求7所述的装置，其中，所述仿真批次的量由总批次的阈值量和历史批次的量确定。
10.根据权利要求7所述的装置，其中，在所述第一时间之后的第二时间进行的所述第二批次的制造之后：
所述参数分析器用于执行以下操作：
基于所述第一历史批次数据集和第二历史批次数据集来确定所述多个参数的所述分布特性，所述第二历史批次数据集包括在制造所述第二批次时所测量的所述多个参数；以及
基于所述多个参数的所述分布特性来生成所述模型批次；
所述参数生成器基于所述模型批次来生成第二组仿真批次数据集；以及
所述批次分析器基于所述第二组仿真批次数据集、所述第一历史批次数据集和所述第二历史批次数据集来生成所述模型。
11.根据权利要求7所述的装置，其中，所述模型批次包括基于所述分布特性的所述多个参数的特性化。
12.根据权利要求7所述的装置，其中，所述质量预测器基于与所述第一历史批次数据集包括在一起的质量度量来生成质量模型，从而基于所生成的值来确定所述质量预测。
13.一种包括指令的制品，所述指令在被执行时使得机器至少执行以下操作：
基于在第一时间制造第一批次时所测量的第一历史批次数据集来确定多个参数的分布特性；
基于所述多个参数的所述分布特性来生成模型批次；
针对所述第一组仿真批次中的每一个仿真批次，通过执行以下操作来生成对应于第一组仿真批次的第一组仿真批次数据集：
基于所述模型批次来生成所述多个参数的值；以及
基于所生成的值来确定质量预测；以及
基于所述第一组仿真批次数据集和所述第一历史批次数据集来生成模型，所述模型将被实现以监测后续对第二批次的制造。
14.根据权利要求13所述的制品，其中，针对所述第一组仿真批次中的每一个仿真批次，所述多个参数的值是通过随机计算或伪随机计算来生成的。
15.根据权利要求13所述的制品，其中，所述仿真批次的量由总批次的阈值量和历史批次的量来确定。
16.根据权利要求13所述的制品，其中，在所述第一时间之后的第二时间进行的所述第二批次的制造之后，所述指令在被执行时使得所述机器至少执行以下操作：
基于所述第一历史批次数据集和第二历史批次数据集来确定所述多个参数的所述分布特性，所述第二历史批次数据集包括在制造所述第二批次时所测量的所述多个参数；
基于所述多个参数的所述分布特性来生成所述模型批次；
基于所述分布特性来生成第二组仿真批次数据集；以及
基于所述第二组仿真批次数据集、所述第一历史批次数据集和所述第二历史批次数据集来生成所述模型。
17.根据权利要求13所述的制品，其中，所述模型批次包括基于所述分布特性的所述多个参数的特性化。
18.根据权利要求13所述的制品，其中，为了基于所生成的值来确定所述质量预测，所述指令使得所述机器基于与所述第一历史批次数据集包括在一起的质量度量来生成质量模型。
CN201611179007.XA 2015-12-18 2016-12-19 使用分析或统计建模来进行连续过程验证的方法和装置 Active CN106896800B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/974,458 US10394973B2 (en) 2015-12-18 2015-12-18 Methods and apparatus for using analytical/statistical modeling for continued process verification (CPV)
US14/974,458 2015-12-18

Publications (2)

Publication Number Publication Date
CN106896800A true CN106896800A (zh) 2017-06-27
CN106896800B CN106896800B (zh) 2021-07-06

Family

ID=58221976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611179007.XA Active CN106896800B (zh) 2015-12-18 2016-12-19 使用分析或统计建模来进行连续过程验证的方法和装置

Country Status (5)

Country Link
US (1) US10394973B2 (zh)
JP (1) JP7053113B2 (zh)
CN (1) CN106896800B (zh)
DE (1) DE102016124585A1 (zh)
GB (1) GB2547086B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108873699A (zh) * 2018-07-11 2018-11-23 杭州电子科技大学 一种化工时变工业过程混合控制方法
CN111880400A (zh) * 2019-05-02 2020-11-03 费希尔-罗斯蒙特系统公司 用于实现针对连续过程的预测分析的方法和装置
CN113168141A (zh) * 2018-12-13 2021-07-23 思拓凡瑞典有限公司 用于生物过程的控制的方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016107491A1 (de) * 2016-04-22 2017-10-26 Beckhoff Automation Gmbh Verbindungseinheit, Überwachungssystem und Verfahren zum Betreiben eines Automatisierungssystems
AT519096B1 (de) * 2016-12-23 2018-04-15 Engel Austria Gmbh Verfahren zum Einstellen einer Formgebungsmaschine
WO2018153711A1 (en) * 2017-02-22 2018-08-30 Asml Netherlands B.V. Computational metrology
JP7084907B2 (ja) * 2019-11-28 2022-06-15 花王株式会社 品質計測方法及び品質計測装置
JP7249320B2 (ja) * 2020-11-30 2023-03-30 三菱ケミカルエンジニアリング株式会社 生産プロセスのモニタリング方法
DE102022200946A1 (de) * 2022-01-28 2023-08-03 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Parametrieren eines Fertigungsprozesses
EP4343458A1 (en) * 2022-09-21 2024-03-27 Siemens Aktiengesellschaft Method for monitoring quality of an industrial process

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872161A (zh) * 2010-04-30 2010-10-27 浙江大学 一种基于虚拟现实的流程工业重点装置交互控制方法
CN102298319A (zh) * 2010-05-21 2011-12-28 费希尔-罗斯蒙特系统公司 过程分析模型与实际过程运转的在线对齐
CN103019094A (zh) * 2011-09-19 2013-04-03 费希尔-罗斯蒙特系统公司 使用多阶段数据分离的推理过程建模、质量预测及故障检测
CN104598692A (zh) * 2015-02-02 2015-05-06 廖鹰 火电厂排放烟尘污染仿真模拟方法
US9047559B2 (en) * 2011-07-22 2015-06-02 Sas Institute Inc. Computer-implemented systems and methods for testing large scale automatic forecast combinations

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6738682B1 (en) * 2001-09-13 2004-05-18 Advances Micro Devices, Inc. Method and apparatus for scheduling based on state estimation uncertainties
US7379890B2 (en) * 2003-10-17 2008-05-27 Makor Issues And Rights Ltd. System and method for profit maximization in retail industry
ITTO20040377A1 (it) 2004-06-07 2004-09-07 Martini Daniele De Procedimento e sistema per il controllo statistico di processi industriali.
US7877154B2 (en) 2005-09-30 2011-01-25 Fisher-Rosemount Systems, Inc. Method and system for controlling a batch process
BRPI0815489A2 (pt) * 2007-08-14 2017-03-21 Shell Int Research sistemas em tempo quase real para o monitoramento em linha contínuo dos estados de operação em uma instalação de produção industrial e para o monitoramento em linha contínuo de uma instalação de produção industrial de operação contínua e predição das anormalidades iminentes dos processo, e, método para o monitoramento em tempo quase real da operação de uma instalação de produção industrial contínua ou em batelada
JP4911055B2 (ja) * 2008-02-05 2012-04-04 富士電機株式会社 バッチプロセスデータの解析装置およびそれを用いた異常検出／品質推定装置
US8090676B2 (en) * 2008-09-11 2012-01-03 Honeywell International Inc. Systems and methods for real time classification and performance monitoring of batch processes
US9110462B2 (en) 2010-05-04 2015-08-18 Frito-Lay North America, Inc. Batch control using bang-bang control
JP2012203714A (ja) 2011-03-25 2012-10-22 Toshiba Corp モンテカルロ解析実行制御方法、およびモンテカルロ解析実行制御装置
US10018997B2 (en) 2013-06-28 2018-07-10 Fisher-Rosemount Systems, Inc. Non-intrusive data analytics in a process control system
JP6733164B2 (ja) * 2015-02-26 2020-07-29 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム
US10331156B2 (en) * 2015-03-03 2019-06-25 Leidos, Inc. System and method for big data geographic information system discovery

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872161A (zh) * 2010-04-30 2010-10-27 浙江大学 一种基于虚拟现实的流程工业重点装置交互控制方法
CN102298319A (zh) * 2010-05-21 2011-12-28 费希尔-罗斯蒙特系统公司 过程分析模型与实际过程运转的在线对齐
US9047559B2 (en) * 2011-07-22 2015-06-02 Sas Institute Inc. Computer-implemented systems and methods for testing large scale automatic forecast combinations
CN103019094A (zh) * 2011-09-19 2013-04-03 费希尔-罗斯蒙特系统公司 使用多阶段数据分离的推理过程建模、质量预测及故障检测
CN104598692A (zh) * 2015-02-02 2015-05-06 廖鹰 火电厂排放烟尘污染仿真模拟方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108873699A (zh) * 2018-07-11 2018-11-23 杭州电子科技大学 一种化工时变工业过程混合控制方法
CN108873699B (zh) * 2018-07-11 2021-02-09 杭州电子科技大学 一种化工时变工业过程混合控制方法
CN113168141A (zh) * 2018-12-13 2021-07-23 思拓凡瑞典有限公司 用于生物过程的控制的方法
CN111880400A (zh) * 2019-05-02 2020-11-03 费希尔-罗斯蒙特系统公司 用于实现针对连续过程的预测分析的方法和装置
US11899417B2 (en) 2019-05-02 2024-02-13 Fisher-Rosemount Systems, Inc. Methods and apparatus to implement predictive analytics for continuous control system processes

Also Published As

Publication number Publication date
GB2547086A (en) 2017-08-09
JP2017111827A (ja) 2017-06-22
US10394973B2 (en) 2019-08-27
DE102016124585A1 (de) 2017-06-22
CN106896800B (zh) 2021-07-06
GB201621305D0 (en) 2017-01-25
US20170177754A1 (en) 2017-06-22
JP7053113B2 (ja) 2022-04-12
GB2547086B (en) 2021-11-10

Similar Documents

Publication Publication Date Title
CN106896800A (zh) 使用分析/统计建模来进行连续过程验证的方法和装置
US20190050515A1 (en) Analog functional safety with anomaly detection
CN110168459A (zh) 用于工业设施的集成数字孪生
CN107924173B (zh) 监视装置、监视系统及计算机可读存储介质
JP2019016209A (ja) 診断装置、診断方法およびコンピュータプログラム
US9606902B2 (en) Malfunction influence evaluation system and evaluation method using a propagation flag
CN108572637A (zh) 用于监测车载控制器的方法和设备
CN110517762B (zh) 生成用于识别和/或预测医疗设备的故障的知识库的方法
CN106845526B (zh) 一种基于大数据融合聚类分析的关联参数故障分类方法
EP2853972A3 (en) Device and method for detection and/or diagnosis of faults in a process, equipment and sensors
US20180031587A1 (en) Diagnostic Device and Method for Monitoring Operation of a Technical System
TWI663510B (zh) 設備保養預測系統及其操作方法
EP2500791A1 (en) System and method of simulating input/output modules in a control system
CN107462425A (zh) 一种车载装备系统的故障预测方法及故障预测平台
CN111400850B (zh) 设备故障分析方法、装置、设备和存储介质
JP6880560B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
EP3237980B1 (en) Device and method for distributed diagnostics analysis
CN115700636A (zh) 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质
TW202006652A (zh) 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法
US11676055B2 (en) System for detecting data drift in machine-learning process monitoring
CN109698026B (zh) 医学设备的故障处理时的组件识别
CN106846080A (zh) 在线业务下单的实时监控系统及方法
US20230021965A1 (en) Methods and systems for assessing printed circuit boards
JP2013149249A (ja) 監視、診断、および予知診断のためのシステムおよび方法
JPWO2016143337A1 (ja) 情報処理装置、情報処理方法、及び、プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant