CN107111312A - 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 - Google Patents
监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 Download PDFInfo
- Publication number
- CN107111312A CN107111312A CN201580063557.2A CN201580063557A CN107111312A CN 107111312 A CN107111312 A CN 107111312A CN 201580063557 A CN201580063557 A CN 201580063557A CN 107111312 A CN107111312 A CN 107111312A
- Authority
- CN
- China
- Prior art keywords
- execution
- during
- determining
- determined
- measuring device
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 183
- 230000008569 process Effects 0.000 title claims abstract description 92
- 238000012544 monitoring process Methods 0.000 title claims abstract description 86
- 238000005259 measurement Methods 0.000 claims abstract description 219
- 230000000875 corresponding effect Effects 0.000 claims description 146
- 238000009826 distribution Methods 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 60
- 230000009471 action Effects 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 33
- 230000000694 effects Effects 0.000 claims description 24
- 238000003745 diagnosis Methods 0.000 claims description 23
- 238000012806 monitoring device Methods 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 230000000246 remedial effect Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000003756 stirring Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 239000013067 intermediate product Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 101100328086 Caenorhabditis elegans cla-1 gene Proteins 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- AWSBQWZZLBPUQH-UHFFFAOYSA-N mdat Chemical compound C1=C2CC(N)CCC2=CC2=C1OCO2 AWSBQWZZLBPUQH-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001422 normality test Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G05B23/0243—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
- 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
- G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明描述了在工业现场执行的过程的至少一个步骤处监视的监视装置和监视方法，其允许基于由该步骤的执行中涉及的测量设备(MD)的测量结果(MRMD)提供并且基于该步骤的模型确定的易于获得的信息，快速、可靠和有效率地检测扰动，该模型包括：针对测量设备(MD)的一级模型，其包括表示设备(MD)的测量结果(MRMD)的时间依赖性的基本函数(fMD(t；CMD))、通过将该基本函数(fMD(t；CMD))与由相应测量设备(MD)获得的测量结果(MRMD)最佳拟合来确定的第一属性(K1)；针对每个一级模型的二级模型，均包括由在通过相应测量设备(MD)获得的测量结果(MRMD)和对应的拟合函数(fMD(t,DMD))之间的残差(ΔMD)的离差给出的第二属性(K2)；针对在无故障执行相应步骤期间呈现相关联的测量结果(MRMDa,MRMDb)的那些测量设备对(MDa,MDb)的三级模型，每个三级模型包括由在执行相应步骤期间相应测量设备对(MDa,MDb)的同时获得的测量结果(MRMDa,MRMDb)之间的相关度(Corr(MRMDa,MRMDb))给出的第三属性(K3)，以及属性(K)中的每一个的参考范围(RK)，包括在无故障执行该步骤期间预期相应属性(K)在其内发生的范围。
Description
技术领域
本发明涉及用于监视在用于执行预定义过程的工业现场运行的所述过程的至少一个步骤的监视装置和监视方法，所述工业现场包括用于在所述现场运行所述过程的装置，包括控制所述过程的步骤的启动和执行的控制单元，和在用于测量过程相关量的步骤的执行中关涉的测量设备监视监视。
背景技术
在几乎所有工业部门中，均使用被设计成执行预定义过程——例如生产过程的工业现场。
工业生产现场通常相当复杂并且包括用于在该现场运行该过程的装置，包括控制过程的步骤的启动和执行的控制单元以及用于测量与该步骤中的每一个有关的量的大量测量设备，以及手动或自动操作的仪器——诸如泵、阀或开关，以及无源部件——如管道或容器。
测量设备的示例是例如用于测量容器中的产品的料位的料位测量设备、例如用于测量容器内部的压力的压力测量设备、用于测量通过管道的流量的流量计、或者例如用于测量生产或加工期间的中间产品的温度的温度测量设备。这些测量设备的测量结果常用在过程自动化中以用于监视和/或控制在现场执行的过程，例如以便确保生产的产品满足对其指定的需求。由此，有必要确保应用于监视和控制过程的测量设备适当地操作。为了最小化由于发生在现场的扰动的故障时间，维护工业现场，以及定期维护和/或校准测量设备。此外，能应用预测维护方案、危害度分析、和/或故障模式原因和影响分析(FMECA)。
很显然，强烈需求安全和有利地操作工业现场。因此，工业上需要发现在过程的执行期间发生的任何扰动、确定其根本原因，以及尽可能快地找出和应用适当的补救办法。
很显然，扰动能由于大量不同的根本原因，例如与测量设备、仪器或无源部件有关的根本原因，所述测量设备、仪器或无源部件范围从配备有用于对它们的执行的自监视、自诊断和自验证的装置的顶端测量设备到无监视手动操作仪器或无源部件，例如管道或阀。由此，检测扰动、确定其根本原因和找出适当的补救办法要求应对来自不同制造者的大量不同设备。因此，对工业现场的监视、维护、和质量控制非常复杂，要求来自大量不同来源的输入。
这使得非常难以在早期阶段检测扰动。常常在完成整个过程后当发现生产的最终产品不符合其所需的质量标准时，才识别扰动。
在EP 1 725 919 B1中描述了尝试在早期阶段检测扰动的一种方法。该方法基于统计过程监视，该统计过程监视是基于根据过程变量——例如测量结果——所确定的统计度量——诸如均值或方差——来执行的，该过程变量是通过现场设备——例如测量设备、阀、开关、发射器或传感器来收集的。该方法可以包括确定过程变量的统计分布和两个变量之间的关联。
为了基于统计过程监视来监视复杂现场，有必要确定可用于该目的的过程变量，以识别和确定将应用于它们的适当统计度量，以及预见用于收集对应的统计数据的装置。
在这方面，EP 1 725 919 B1中所述的方法预见待执行的现场的分析，以便确定将由在通信地耦合到网络的多个现场设备中实现的多个统计数据收集块生成的多个统计参数，以便使得多个现场设备能够经由该网络来将多个统计参数提供给统计数据收集系统。
很显然，确定可用于统计过程监视的过程变更以及识别和确定将应用于它们的适当统计度量不是容易的任务，而且许多现场设备可能还未实现统计数据收集块。
发明内容
本发明的目的是提供用于监视在工业现场上执行的过程的至少一个步骤的监视装置和监视方法，其允许基于易于获得的信息来迅速、可靠和有效率地检测扰动。
为此，本发明包括监视装置，用于监视在工业现场执行的预定义过程的至少一个步骤，所述工业现场包括用于在所述现场运行所述过程的装置，所述装置包括控制所述过程的步骤的启动和执行的控制单元，以及在执行测量过程相关量的步骤中涉及的测量设备，所述监视装置包括：
-监视单元，所述监视单元被设计成设置并连接为使得所述监视单元能实时访问由在待监视的步骤的执行中涉及的测量设备获得的测量结果以及相对于在相应运行期间开始执行相应过程步骤的起始时间的、获得所述测量结果的时间，所述监视单元包括：
-存储器，所述存储器存储待监视的每个步骤的模型，每个模型包括：
a)针对在相应步骤的执行中涉及的至少一些、特别是所有测量设备的一级模型，均包括：
-系数的集合和时间的基本函数，表示在无故障执行该步骤期间预期的相应测量设备的测量结果的时间依赖性，
-通过拟合系数的集合给出的第一属性，以及所述第一属性的参考范围，通过将所述基本函数最佳拟合在执行该步骤期间由相应测量设备获得的测量结果而确定该拟合系数的集合，
b)针对所述一级模型中的每一个的二级模型，均包括由在执行该步骤期间通过相应测量设备所获得的测量结果和对应的拟合函数之间的残差的离差给出的第二属性，以及用于所述第二属性的参考范围，以及
c)针对在该步骤的执行中涉及的、在无故障执行该步骤期间呈现相关联的测量结果测量设备对的三级模型，每个三级模型包括由在执行相应步骤期间，相应对的同时获得的测量结果之间的相关度给出的第三属性，以及所述第三属性的参考范围，
其中，参考范围中的每个参考范围包括相应属性的、在无故障执行该步骤期间预期相应属性在其中发生的范围，以及
-计算装置，用于基于在该过程的受监视运行期间由在受监视步骤的执行中涉及的测量设备获得的测量结果，确定关于一级模型、二级模型和三级模型的属性，并且用于在这些属性中的至少一个属性超出对应的参考范围的情况下检测故障。
本发明进一步包括确定在根据本发明的监视单元中存储的过程的步骤的模型的第一方法，包括以下步骤：
-执行所述过程的多个测试运行并且确定由相应测试运行产生的结果是否符合预定义质量要求，
-记录被确定为符合质量要求的、由在相应步骤的执行中涉及的测量设备获得的测量结果，以及相对于在所有测试运行的相应测试运行期间开始相应过程步骤的起始时间的、获得所述测量结的时间，以作为已执行参考运行，
-基于参考运行的集群的测量结果，确定所述一级模型、所述二级模型和所述三级模型，所述参考运行包括所述已执行参考运行或者所述已执行参考运行和通过基于所述已执行参考运行的测量结果来执行的模拟所获得的模拟参考运行，所述已执行参考运行在无故障执行该步骤期间生成预期的该测量设备的测量结果。
对所述第一方法的精化进一步包括通过以下操作来确定每个一级模型的步骤：
-基于在所述参考运行期间在执行相应步骤期间由相应测量设备获得的测量结果的时间依赖性，确定所述基本函数，
-提供以下操作来确定每个第一属性的参考范围
--通过将相应基本函数与在相应参考运行期间在执行该步骤期间由相应测量设备获得的测量结果最佳拟合，确定每个参考运行的拟合系数的集合，
--基于确定的拟合系数的集合的分布，确定在监视运行期间确定的第一属性属于该分布的概率，以及
--确定该参考范围，使得该参考范围包括属于该分布的概率大于或等于预定概率阈值的所有第一属性。
对所述第一方法的进一步精化包括对于每个参考范围，通过以下操作来确定所述第二属性中的每一个的参考范围的步骤：
-对于所述参考运行中的每一个，确定在所述参考运行中的一个期间在执行该步骤期间由相应测量设备获得的测量结果与对于该参考运行针对该测量设备确定的对应的拟合函数之间的残差的离差，
-基于残差的所有确定的离差，确定在无故障执行该步骤期间表示残差发生的概率的概率分布，所述概率分布是所述残差的大小的函数，以及
-特别是通过将该参考确定为残差的离差的残差的方差的范围，确定该参考范围，使得该参考范围包括属于对应的概率分布的概率大于或等于预定概率阈值的所有第二属性。
对所述第一方法的进一步精化，包括以下步骤：
-识别在无故障执行该步骤期间在该步骤的执行中涉及的、呈现相关联的测量结果的测量设备对，特别是通过以下操作识别该测量设备对：
--对于该步骤的执行中涉及的每个可能的测量设备对，确定在对于每个参考运行执行该步骤期间它们的同时获得的测量结果之间的相关度，以及
-对于所有参考运行，基于针对所有可能对所确定的相关度，识别呈现相关联的测量结果的对，以及
-对于每个所识别的对，确定相应第三属性的参考范围，使得该参考范围包括属于参考分布的概率大于或等于预定概率阈值的所有相应第三属性，该参考分布由对于所述参考运行针对相应对所确定的对应的相关度的分布给出。
本发明进一步包括监视在工业现场执行的预定义过程的步骤的执行的第二方法，所述工业现场包括用于在所述现场运行所述过程的装置，该装置包括控制所述过程的步骤的启动和执行的控制单元，以及在执行测量过程相关量的步骤中涉及的测量设备，以及根据本发明的监视装置，所述监视装置能实时访问由在待监视的步骤的执行中涉及的测量设备获得的测量结果以及相对于在相应运行期间开始执行相应过程步骤的起始时间的、获得所述测量结果的时间，所述方法包括以下步骤：
-记录在执行该步骤期间由在该步骤的执行中涉及的测量设备获得的测量结果，
-基于所记录的测量结果，确定关于相应步骤的所述一级模型、所述二级模型和所述三级模型的属性，以及
-如果该属性中的至少一个超出对应的参考范围，检测故障。
对所述第二方法的精化包括以下步骤：如果在根据在无故障执行该步骤期间预期的相应属性的分布——特别是拟合系数的集合的对应分布、残差的对应概率分布、以及所述相关度的对应参考分布——的范围中发生的确定的属性中的至少一个具有低的发生概率，指示警告。
本发明进一步包括确定特定类型的扰动对由根据本发明的监视单元监视的所述过程的步骤的模型的属性的影响的第三方法，包括以下步骤：
-记录在该过程步骤——在该过程步骤期间已经自发诱发该类型的扰动——的受扰动运行期间、在该步骤的执行中涉及的测量设备的测量结果，和/或通过数值模拟来生成在执行经受相应扰动的该步骤期间预期的对应的测量结果，
-基于经受相同大小和类型的扰动的受扰动运行的集群的所记录和/或所生成的测量结果，以与确定表示无故障执行相应步骤的所述一级模型、所述二级模型和所述三级模型相同的方式，确定受扰动一级模型、受扰动二级模型和受扰动三级模型，
-对于增加大小的相同类型的扰动，重复对所述受扰动一级模型、受扰动二级模型和受扰动三级模型的确定，
-通过将所述属性的分布——特别是基于所述参考运行的测量结果所确定的所述拟合系数的集合的分布、所述残差的概率分布以及所述相关度的参考分布——与基于所述受扰动运行的测量结果所确定的相同属性的对应分布进行比较，确定该类型的扰动对该模型的属性的影响。
对所述第二方法的精化包括以下步骤：
-确认监视步骤的执行，在所述受监视步骤期间未检测到故障；
-特别是以基于在存在特定类型和该大小或更大的扰动的情况下检测故障的置信度和/或在即使存在特定类型和该大小的扰动的情况下未检测到故障的概率所确定的可靠性来确认所述受监视步骤，所述置信度和所述概率是针对一个或多个扰动来确定的，
-对于所述一个或多个扰动，基于根据所述第三方法的方法来确定所述一个或多个扰动对所述属性的影响；
-对于所述一个或多个扰动，所述属性的分布来确定所述置信度和/或所述概率，所述属性的分布是基于经受该类型的增加大小的扰动的受扰动运行的测量结果和受监视属性的参考范围来确定的。
对前述的精化的精化进包括以下步骤：
-存储在经确认执行期间获得的测量结果，以及
-基于相应步骤的经确认执行的测量结果，更新所述监视单元中存储的所述模型。
此外，本发明包括诊断单元，用于执行关于由根据本发明的监视装置检测的故障的诊断，所述诊断单元包括数据库，用于存储与在能够在执行该步骤中的一个步骤期间发生的已知类型的扰动有关的数据集，在所述监视单元的所述存储器中存储了该一个步骤的模型，其中，每个数据集包括扰动的类型，以及由所述第三方法确定的所述已知类型的扰动对所述受监视属性中的每一个的影响。
对根据本发明的诊断单元的精化，至少一个数据集包括：
-导致相应扰动的至少一个根本原因的列表，
-特别地，至少一个根本原因的列表和针对所列出的根本原因中的至少一个根本原因的至少一个动作的列表，特别地，导致确定相应根本原因是否存在的动作，和/或由适于解决相应根本原因的补救办法给出的动作。
本发明进一步包括执行关于由根据本发明的监视装置在工业现场检测的故障的诊断的第四方法，所述工业现场包括根据本发明的诊断单元，所述第四方法包括以下步骤：
-在所述数据库中搜索对各个属性具有影响的扰动所存储的数据集，该扰动与针对所述过程的相应步骤的当前有故障的执行所确定的属性匹配，以及
-如果找出至少一个匹配扰动，
--确定在相应数据集中存储的根本原因，作为可能导致了所检测的故障的可能根本原因，以及
--基于所确定的可能根本原因来执行所述诊断。
本发明进一步包括执行关于由根据本发明的监视装置在工业现场检测的故障的诊断的第五方法，所述工业现场包括根据本发明的诊断单元，所述第五方法包括以下步骤：
-在所述数据库中搜索对各个属性具有影响的扰动所存储的数据集，该扰动与针对所述过程的相应步骤的当前有故障的执行所确定的属性匹配，
-如果未找到匹配扰动，
--确定超出对应的参考范围的属性在哪个方向上超出对应的参考范围，
--对于每个属性——针对该每个属性确定了其超出对应的参考范围的方向——在所述数据库中搜索导致相同属性在相同或类似的方向上超出该参考范围的扰动，
--确定在导致相应属性在相同方向上超出对应的参考范围的扰动的数据集中存储的根本原因，作为可能根本原因，以及
-基于所确定的可能根本原因来执行所述诊断。
本发明进一步包括执行关于由根据本发明的监视装置在工业现场检测的故障的诊断的第六方法，所述工业现场包括根据本发明的诊断单元，所述第六方法包括以下步骤：
-如果针对该步骤的执行中涉及的测量设备中的一个所确定的第一属性或第二属性超出对应的参考范围并且与关于相同测量设备的三级模型有关的第三属性中的一个示出降低的相关度，诊断关于该测量设备的扰动，和/或
-如果针对该步骤的执行中涉及的测量设备中的一个所确定的第一属性或第二属性超出对应的参考范围并且与关于相同测量设备的三级模型有关的第三属性均未示出降低的相关度，诊断影响由该测量设备测量的量的扰动。
本发明进一步包括在包括根据本发明的诊断单元的工业现场执行的第四、第五或第六方法的进一步开发，其中，
-附加信息被存储在所述数据库中，
-特别地，关于附加扰动、根本原因、与根本原因有关的动作的信息和/或附加诊断信息，特别是用于确定根本原因的规则、诊断工具和/或诊断方法，以及
-在执行所述诊断期间，应用所述附加信息，特别地，以便确定导致所检测的故障的扰动和/或根本原因。
对所述第四方法或对执行关于由根据本发明的监视装置在工业现场—所述工业现场包括根据本发明的诊断单—检测的故障的诊断的前述进一步开发的精化，包括以下步骤：通过以下操作来基于在所述数据库中存储的所确定的可能根本原因和导致确定它们的存在的动作，确定所检测的故障的根本原因：按与在该动作的执行中涉及的该动作的可用性和时间及成本相对应的顺序——特别是由所述诊断单元推荐的顺序——执行动作，特别是使能够在现场以自动化方式执行的那些动作中的至少一个以基于由所述诊断单元发出的对应的请求的自动化方式执行，和/或使那些动作中的至少一个由所述现场的操作者启动和/或执行。
对所述第四方法或前述进一步开发的精化，包括以下步骤：
-确定导致当前检测的故障的根本原因；
-应用补救办法来解决该根本原因，以及
-在验证时间间隔期间，监视所述过程的该步骤的连续执行，以及
-如果在所述验证时间间隔期间，在执行相应步骤期间未检测到进一步故障，确认所应用的补救办法。
本发明进一步包括通过下述操作来补正根据本发明的诊断单元的所述数据库的方法，
-添加与已经在所述现场发生并且随后被识别的扰动有关的至少一个数据集，特别是包括该扰动对所述属性的影响——特别是通过根据所述第三方法来确定的影响——的数据集，
-添加导致包含在所述数据库中的扰动中的一个扰动的至少一个根本原因，特别是在所述现场的操作期间由所述操作者识别的根本原因，
-添加与在所述数据库中列出的根本原因中的一个根本原因有关的至少一个动作，特别是在所述现场的操作期间由所述操作者识别的动作，
-针对由所述测量设备中的一个测量设备测量的至少一个属性来添加至少一个根本原因的列表，特别是影响该所测量的属性的至少一个根本原因的列表和与该根本原因中的一个根本原因有关的至少一个动作的列表，和/或
-针对所述测量设备中的至少一个，添加至少一个根本原因的列表，特别是导致该测量设备的缺陷的至少一个根本原因的列表和与该根本原因中的一个根本原因有关的至少一个动作的列表。
附图说明
使用示出一个示例性实施例的附图，更详细地解释本发明和进一步优点。在整个附图中，相同的附图标记指代相同的元件。
图1示出：用于执行预定义过程的工业现场的示例；
图2a-c示出：在参考运行期间在执行第一步骤期间由图1的第一料位测量设备、第二料位测量设备和流量计获得的测量结果和对应的拟合函数；
图2d-e示出：在参考运行期间在执行第二步骤期间由图1的第一料位测量设备和第二料位测量设备获得的测量结果和对应的拟合函数；
图3a-e示出：在图2a-e中示出的对应拟合函数的拟合系数集和对应的参数范围；
图4a-c示出：针对第一步骤的图1的第一料位测量设备、第二料位测量设备和流量计的测量结果与对应的拟合函数之间的残差的概率分布；
图4d-e示出：针对第二步骤的图1的第一料位测量设备和第二料位测量设备的测量结果与对应的拟合函数之间的残差的概率分布；
图5示出：作为无故障执行第一步骤期间获得的第二料位测量设备的同时获得的测量结果的函数的、第一料位测量设备的测量结果；
图6示出：作为无故障执行第一步骤期间获得的流量计的同时获得的测量结果的函数的、第一料位测量设备的测量结果；
图7示出：作为无故障执行第二步骤期间获得的第二料位测量设备的同时获得的测量结果的函数的、第一料位测量设备的测量结果。
具体实施方式
本发明涉及用于监视在被设计成执行预定义过程的工业现场上执行的预定义过程的至少一个步骤的监视装置，以及监视在该现场上执行的过程的至少一个步骤的方法。通常，工业现场包括用于在所述现场上运行过程的装置，包括控制该过程的步骤的启动和执行的控制单元、用于测量与该步骤中的每一个有关的量的测量设备MD、手动或自动操作的仪器——例如泵、阀或开关，以及无源部件——例如管道或容器。很显然，工业现场会非常复杂并且由它们执行的过程会包括大量步骤。为了使本发明更易于理解，基于非常简单的过程对其进行说明，简单的过程包括将组分装入容器中的第一步骤以及搅拌容器的内容的第二步骤。然而，本发明能以相同的方式应用于执行复杂得多的过程的复杂得多的现场。
首先，定义将在现场执行的过程，以及识别该过程的各个步骤。为了执行上述简单的过程，图1所示的现场包括包含组分的供给罐1，其经由入口管5连接到容器3。容器3具有搅拌器7，以及预见到出口管9，其将容器3连接到贮槽11。该现场进一步包括控制该过程的步骤的启动和执行的控制单元13。例如，控制单元13能是连接到测量设备MD和自动操作仪器——例如泵或阀——的可编程逻辑控制器(PLC)，其基于从测量设备MD获得的测量结果MRMD来控制仪器。
在图1所示的实施例中，入口管5和贮槽11配备有能手动操作或经由对应的致动器由控制单元13打开和关闭的阀15、17。
在本示例中预见的测量设备MD包括第一料位测量设备19，其安装在容器3的上方以用于测量容器3内部的灌装料位L。例如，这能够是雷达飞行时间料位测量设备。此外，预见第二料位测量设备21。第二料位测量设备21包括例如测量指示料位L的静水压力的压力传感器，其位于容器3的底部。此外，在入口管5中预见流量计23以用于测量流过入口管5的质量流量或体积流量。
根据本发明，预见用于监视过程的至少一个步骤的监视装置，包括监视单元25，其以这样的方式来设计和连接，使得其能够实时访问在执行由其监视的过程的步骤中所关涉的测量设备MD中的至少一些、优选它们的全部所获得的测量结果MRMD。为此，监视单元25能例如经由总线连接到在将被直接监视的步骤的执行中关涉的测量设备MD，或者能够经由控制单元13向监视单元25提供测量结果MRMD和测量该测量结果MRMD的测量时间tj，控制单元13例如经由总线连接到测量设备MD。在图1中示出了后一替选方案。
此外，预见用于使得监视单元25能够将获得测量结果MRMD(tj)的时间tj与开始时间t0关联的装置，在相应运行期间过程的相应步骤在开始时间t0开始执行。由于控制单元13启动每个步骤的执行，该信息在控制单元13内易于获得，并且能由其提供给监视单元25。
监视单元25包括存储器27和被设计成使用由测量设备MD、控制单元13和存储器27提供给它的输入数据来运行提供给它的软件的计算装置29，例如微处理器或另一种信号处理或计算单元。监视单元25被设置成监视过程的至少一个步骤，优选监视所有步骤，其基于在由在相应步骤的执行中关涉的至少两个、优选所有测量设备MD来执行相应步骤期间获得的测量结果MRPR(tj)和相对于在该过程的每个经监视运行期间开始相应步骤的开始时间t0的、获得测量结果MRPR(tj)的时间tj。
基于待确定的属性K来执行对步骤的监视，属性K是在该步骤的受监视执行期间基于由在该步骤的执行中关涉的测量设备MD获得的测量结果MR(tj)来确定的。属性K由监视单元25确定，并且与对应的预定参考范围RK比较，每个范围包括相应属性K的范围，在该范围内，预期在该步骤的无故障执行期间发生属性K。在至少一个属性K超出由对应的参考范围RK给出的上限或下限的情况下，由监视单元25检测故障。
基于相应步骤的模型来确定待确定的属性K和对应的参考范围RK，该模型在准备阶段期间被确定并且后续被存储在监视单元25的存储器27中。
在准备阶段期间，在现场执行过程的测试运行。在每个测试运行期间，贯穿该步骤的执行记录由在该过程的相应步骤执行中关涉的测量设备MD获得的测量结果MRMD(tj)连同在执行相应步骤期间获得测量结果MRMD(tj)的时间tj。优选对于该过程的所有步骤完成此操作。对于每个过程步骤，在该特定步骤中所关涉的测量设备MD获得记录的测量结果MRMD(tj)的时间tj是基于从在相应测试运行期间开始相应过程步骤的开始时间t0起始的时标。
在每个测试运行结束时，应用质量控制手段QC，以便确定由相应测试运行产生的结果是否符合预定义质量要求。取决于执行的过程的类型，质量控制手段范围从在现场执行的简单目视检查到能手动执行和/或由完全自动化的质量控制装置执行的广泛的测试程序。
如果产生的结果符合，则校验测试有效，并且作为执行的参考运行，测量结果MRi MD(tj)和有效测试运行期间测量它们的时间tj被存储在监视单元25的存储器27中。对每个执行的参考运行，假定无故障执行该过程，并且假定基于执行的参考运行的测量结果MRi MD(tj)来导出的属性K代表该步骤的无故障执行。
一旦已经记录了执行参考运行的数目m，该数目m大于或等于预定最小数目mmin——例如最小数目mmin＝5，确定对待监视的过程的每个步骤建立的模型，以及属性K的参考范围RK。
通过增加可用于确定模型的所执行参考运行的数目，能提高步骤的模型的精度。此外或作为替代，能基于所记录的所执行参考运行的数目的测量结果来执行模拟，生成更大量模拟参考运行的测量结果。基于足够大总体的参考运行RRi，包括执行的参考运行或执行和模拟的参考运行，对于该过程的步骤建立的每个模型将呈现相应步骤的无故障执行期间，预期的测量设备MD的测量结果MRMD的属性K的精确表示。
在上述过程的第一步骤中关涉的测量设备MD是生成流入容器3的第一组分的流量的测量结果MRFa的流量计23、生成容器3内部的料位L的测量结果MRLa的第一料位测量设备19、以及生成容器3内部的料位L的测量结果MRLb的第二料位测量设备21。在第二步骤中关涉的测量设备MD包括第一料位测量设备19和第二料位测量设备21。
图2a、2b和2c示出第一料位测量设备19、第二料位测量设备21、和流量计23的测量结果MRLa i(tj)、MRi Lb(tj)、MRi Fa(tj)，其是在第i参考运行RRi期间执行第一步骤期间测量所述测量结果的时间tj的函数。图2d和2e示出第一料位测量设备19、第二料位测量设备21的测量结果MRLa i(tj)、MRi Lb(tj)，其是在第i参考运行RRi期间执行第二步骤期间测量所述测量结果的时间tj的函数。在图2a-2e中的每一个中，相应测量设备19、21、23的测量结果MRLa i(tj)、MRi Lb(tj)、MRi Fa(tj)由十字指示。
根据本发明，对于该过程的步骤建立的每个模型包括一级、二级和三级模型。
对于在执行待监视的步骤中关涉的所有测量设备MD中的至少一个、优选对于所有测量设备MD建立一级模型。每个一级模型表示在无故障执行该步骤期间，预期的相应测量设备MD的测量结果MRMD的时间依赖性。对于所关涉的每个测量设备MD，通过确定时间t和由一个或多个系数cMD1,..,cMDk组成的系数集CMD的基本函数fMD(t；CMD)来确定该时间依赖性，其表示在无故障执行相应步骤期间执行预期的相应步骤期间，相应测量设备MD的测量结果MRMD的时间依赖性。由于对于所有参考运行RRi假定无故障执行该步骤，因此仅基于在参考运行RRi期间执行相应步骤期间由相应测量设备MD获得的测量结果MRi MD(tj)，确定基本函数fMD(t；CMD)。为此，能应用用于确定函数相关性的已知数学方法来找出函数的类型，其最佳地表示在参考运行RRi期间显现的时间依赖性。优选用在计算装置29上运行的软件实现这些方法。取决于过程步骤的类型和涉及的测量设备MD，最合适的基本函数fMD(t,CMD)能是例如给定阶的多项式、指数函数、对数函数、或时间的任何其他数学函数。
在已知该步骤中关涉的特定测量设备MD的测量结果MRMD的预期的时间依赖性的情况下，由于关于该步骤的进一步的知识，相反，能使用该已知时间依赖性来确定基本函数fMD(t,CMD)。
在本示例中，容器3是圆柱体并且通过以恒定泵送速率操作的泵，供给组分。因此，在第一步骤的整个执行中，期望通过第一入口管7的流量F恒定并且预期容器5内部的料位L随时间线性上升。由此，在执行第一步骤期间，具有表示恒定流量的仅一个系数cFa1的集合的常量基本函数fFa(t)＝cFa1最适于来描述第一流量计29的测量结果MRFa(tj)的时间依赖性。相应地，在执行第一步骤期间，具有两个系数(cLa1,cLa2)；(cLb1,cLb2)的集合的线性基本函数fLa(t)＝cLa1+cLa2t；fLb(t)＝cLb1+cLb2t最适于描述第一料位测量设备19的测量结果MRLa(tj)和第二料位测量设备21的测量结果MRLb(tj)的时间依赖性。
在适当执行搅拌产品的第二步骤期间，容器3内部的料位将保持恒定。由此，在执行第二步骤期间，具有仅一个系数(cLa1)；(cLb1)的集合的常量基本函数fLa(t)＝cLa1；fLb(t)＝cL最适于描述第一和第二料位测量设备19、21的测量结果MRLa(tj)、MRLb(tj)的时间依赖性。
对于每个一级模型，定义第一属性K1，其在受监视执行相应步骤期间由通过将针对该测量设备MD确定的基本函数fMD(t；CMD)与通过相应的测量设备MD获得的测量结果MRMD(tj)最佳拟合确定的拟合系数DMD的集合给出。例如，通过最小化在相应运行期间执行相应步骤期间由相应测量设备MD获得的测量结果MRMD(tj)与例如通过应用最小二乘法由时间t和测量tj的同时的系数CMD的集合的对应基本函数fMD(tj；CMD)呈现的值VMD(tj)＝fMD(tj；CMD)之间的差，确定拟合系数DMD的集合。
接着，对于与在待监视的步骤的执行中关涉的测量设备MD中的一个相关的每个第一属性K1，确定相应的参考范围RK1。这优选通过在执行参考运行RRi中的每一个的步骤期间将基本函数fMD(t；CMD)与通过对应的测量设备MD获得的测量结果MRi MD(tj)进行最佳拟合，确定拟合系数Di MD的集合来完成。由此，对于每个基本函数fMD(t；CMD)，确定拟合系数Di MD的集合的数目，其等于可用的参考运行RRi的数目p。
图2a-2c示出通过对在第i参考运行RRi期间执行第一步骤期间，由第一料位测量设备19、第二料位测量设备21和流量计23获得的测量结果MRi La(tj)、MRi Lb(tj)、MRi Fa(tj)与相应基本函数fLa(tj,CLa1)、fLb(tj,CLb1)、fFa(tj,CFa)进行最佳拟合来获得的拟合函数fi La(t)＝di La1+di La2t、fi Lb(t)＝di Lb1+di Lb2t、fi Fa(t)＝di Fa。在图3a-c中，由相应基本函数fLa(tj,CLa1)、fLb(tj,CLb1)、fFa(tj,CFa)的系数(cLa1,cLa2)、(cLb1,cLb2)、(cFa)定义的坐标系中的十字指示对应的拟合系数Di La1＝(di La1,di La2)、Di Lb1＝(di Lb1,di Lb2)、Di Fa＝(di Fa)的集合。
图2d-e示出通过对在第i参考运行RRi期间执行第二步骤期间，由第一和第二料位测量设备19、21获得的测量结果MRi La(tj)、MRi Lb(tj)与相应基本函数fLa(tj,CLa1)、fLb(tj,CLb1)进行最佳拟合来获得的拟合函数fi La(t)＝di La1、fi Lb(t)＝di Lb1。在图3d-e中，由相应的基本函数fLa(tj,CLa1)、fLb(tj,CLb1)的系数(cLa1)、(cLb1)定义的坐标系中的十字指示对应的拟合系数(di La1)、(di Lb1)。
对于每个测量设备MD，确定的拟合系数Di MD的集合中的每一个包括固定数目k个拟合系数(di MD1,..,di MDk)，形成由对应的基本函数fMD(tj,CMD)的系数(cMD1,..,cMDk)构成的k维空间中的点。同时，对于参考运行RRi中的每一个，针对测量设备MD确定的拟合系数Di MD的集合形成k维分布，其位于由图3a-e中的灰色点的区域指示的k维空间的有限系数区中。由于基于参考运行RRi的测量结果MRi MD来确定拟合系数Di MD的集合，因此拟合系数Di MD的集合显现该k维坐标系中的分布，其表示该步骤的无故障执行。
对于所关涉的每个测量设备MD，基于对于参考运行RRi中的每一个对于该测量设备MD来确定的拟合系数Di MD的集合的分布，确定相应第一属性K1的参考范围RK1。每个参考范围RK1优选基于第一属性K1的概率来确定，该概率由受监视运行期间确定属于表示相应步骤的无故障执行的拟合系数Di MD的对应集合的分布的、拟合系数的对应集合DMD给出。
对于每个一级模型，优选确定系数Di MD的集合的分布是否是Gaussian分布。为此，能应用已知的正态性测试，其能够以待由监视单元25执行的软件实现。如果分布是Gaussian分布，则相应第一属性K1属于该分布的概率优选被确定为遵循卡方分布的马氏距离。如果发现系数Di MD的集合的分布不是Gaussian分布，则优选执行等概率数据变换，将对于所有参考运行RRi确定的拟合系数Di MD的集合传送到坐标系，其中，它们显现Gaussian分布。在该坐标系中，第一属性K1属于表示无故障执行的对应分布的概率然后能被确定为马氏距离。
代替基于马氏距离来确定第一属性K1属于相应分布的概率的所描述的方法，能应用数学中已知的替选方法，特别是测试数据样本属于给定分布的假设的数学方法。
优选确定每个参考范围RK1，使得其包括所有拟合系数Di MD的集合，这些集合属于表示无故障执行相应步骤的拟合系数Di MD的集合的相应分布的概率大于或等于预定概率阈值。优选选择限定参考范围RK1的概率阈值来最适合该步骤和/或现场的普遍的需求，特别是适用于现场的安全性要求，以及呈现不符合对其指定的质量要求的生产结果的过程的执行中关涉的金融风险。作为一般规则，对较低安全性需求和较低金融风险所适用的步骤和/或现场应用较低概率阈值，并且对较高安全性需求或较高金融风险所适用的步骤和/或现场设定较高概率阈值。
每个参考范围RK1能被存储在作为基于概率阈值来确定的有限系数区域的存储器27中，或它们能以概率阈值以及能够确定对该步骤的受监视执行所确定的第一属性K1属于拟合系数Di MD的集合的对应分布的概率的软件的形式存储。
此外，，该过程的受监视运行期间确定第一属性K1属于表示无故障执行该过程的相应步骤的拟合系数Di MD的集合的对应分布的概率能够被用以，根据无故障执行该步骤期间第一属性K1发生的概率来分类第一属性K1。在无故障执行期间第一属性K1具有较低发生概率的情况下，存在发生逐步变化、最终导致故障的对应较高概率。在这种情况下，能建立监视单元25来发出对应的警告。
接着，对于该步骤的执行关涉的测量设备MD中的至少一个、优选所有测量设备MD建立二级模型，其一级模型已经建立。每个二级模型包括由在执行该步骤期间获得的测量结果MRMD和对应的拟合函数fMD(t,DMD)之间的残差ΔMD(tj)的离差给出的第二属性K2。如果例如j＝1,…,n测量在执行该步骤期间在对应的时间tj进行，则离差包括n个残差ΔMD(tj)，其中j＝1,…,n，均由下述给出：
ΔMD(tj)＝MRMD(tj)-fMD(tj；DMD)
其中，由测量结果MRMD(tj)和在相应测量时间tj由拟合函数fMD(tj；DMD)呈现的对应值之间的差给出每个残差ΔMD(tj)。
对于每个第二属性K2，二级模型包括作为残差ΔMD大小的函数的残差ΔMD的概率分布PDFMD(ΔMD)，其表示在无故障执行该步骤期间发生残差ΔMD的概率。优选地，不仅确定在无故障执行该步骤期间预期的残差ΔMD的概率分布PDFMD(ΔMD)，而且确定由方差σ2 MD给出的较高阶矩中的至少一个，例如至少它们的二阶矩。
由于对于所有参考运行RRi假定无故障执行该步骤，因此基于在执行相应步骤期间由相应测量设备MD获得的测量结果MRRRi MD和对于所有参考运行RRi确定的对应拟合函数fMD(tj,DMD)之间的残差Δi MD(tj)的离差，能够确定无故障执行该步骤期间预期的残差ΔMD的概率分布PDFMD(ΔMD)。为了对于特定测量设备MD确定在无故障执行该步骤期间预期的残差ΔMD的概率分布PDF(ΔMD)，能够通过已知概率分布函数——例如Gaussian或Weibull概率密度函数——来数学地测试是否能描述在所有参考运行RRi中对于该测量设备MD确定的所有残差Δi MD的分布。为此，能应用用于测试数据集是否显现Gaussian分布的已知测试，例如Shapiro Wilk测试。
在所示的示例中，对于第一料位测量设备19和第二料位测量设备21和第一流量计23确定的残差Δi La、Δi Lb、Δi Fa的概率分布是Gaussian分布。在图4a、4b、4c中示出对应的概率密度函数PDFLa(ΔLa)、PDFLb(ΔLb)和PDFFa(ΔFa)。
在发现残差ΔMD的概率分布PDF(ΔMD)显现已知但不是Gaussian类型的分布的情况下，优选执行数据变换——例如等概率变换，从而将对于所有参考运行RRi所确定的残差Δi MD(tj)传送到坐标系中，其中，它们显现Gaussian分布。很显然，稍后同样的变换必须应用于在监视运行期间所确定的残差ΔMD(tj)。
在无法找到适于描述对于测量设备MD确定的残差ΔMD的概率分布PDFMD(ΔMD)的已知类型概率分布函数的情况下，作为替代使用能基于对于所有参考运行RRi所确定的残差Δi MD来建立的经验概率分布。在图4d和4e中示出这样的经验概率分布的示例，其表示基于在所有参考RRi期间在执行第二步骤期间第一和第二料位测量设备19、21的测量结果MRi La、MRi Lb来确定的残差Δi La,Δi Lb的归一化频率分布，该分布是相应残差ΔLa、ΔLb大小的函数的。
在对步骤的监视期间，监视单元25将对于每个测量设备MD确定由基于受监视运行的测量结果MRMD和对应的拟合fMD(t；DMD)来获得的残差ΔMD(tj)的离差给出的第二属性K2，并且将其与对应的参考范围RK2比较。
优选地，基于在受监视运行期间所确定的第二属性K2的概率，将第二属性K2的参考范围RK2确定为属于表示相应步骤的无故障执行的残差ΔMD的对应的概率分布PDFMD(ΔMD)。如上所述，参照一级模型的第一属性K1，能应用预定概率阈值以便对于相应第二属性K2确定每个参考范围RK2，使得该参考范围RK2将包括残差ΔMD的所有离差，残差ΔMD属于表示无故障执行的、残差ΔMD的对应的概率分布PDFMD(ΔMD)的概率大于或等于该预定概率阈值。
在表示无故障执行的残差ΔMD的概率分布PDFMD(ΔMD)为Gaussian分布、或能变换成Gaussian分布——例如通过等概率数据变换的情况下，对应的参考范围RK能例如被定义为由K2给出的残差ΔMD的离差的方差σ2MD的参考范围RK2a，其包括残差ΔMD的离差的所有方差σ2 MD，无故障执行该步骤期间发生残差ΔMD的概率大于或等于预定概率阈值。优选地，基于适于对正态分布总体的方差记进行比较的F-Tests来确定这些参考范围RK2。
在表示无故障执行的残差ΔMD的概率分布PDFMD(ΔMD)为经验分布的情况下，通过测试由残差ΔMD(tj)的离差给出的第二属性K2对应于与表示无故障执行该步骤的残差ΔMD的对应概率分布PDF(ΔMD)完全相同的分布的假设，能够基于Kolmogorov-Smirnov统计来确定参考范围RK2。
监视期间被确定为属于表示无故障执行该过程的相应步骤的对应概率分布PDFMD(ΔMD)的第二属性K2的概率能被用来：根据无故障执行该步骤期间它们的发生概率来对针对受监视运行确定的第二属性K2进行分类。在在无故障执行期间第二属性K2具有较低发生概率的情况下，存在发生逐步变化——其最终导致故障的对应的较高概率。在这种情况下，能设置监视单元25来发出对应的警告。
此外，对于在该步骤的执行中关涉的测量设备对MDa、MDb建立三级模型，其呈现在无故障执行相应步骤期间的相关联的测量结果MRMDa、MRMDb。每个三级模型包括由在执行该过程的相应步骤期间获得的相应测量设备对MDa、MDb的同时获得的测量结果MRMDa、MRMDb与对应的参考范围RK3之间的相关度Corr(MDa,MDb)给出的第三属性K3。
通过计算由以下给出的对应相关系数Corr(MDa,MDb)，给出确定在该过程的受监视运行期间在单个执行步骤期间，两个不同测量设备MDa、MDb同时获得的测量结果MRMDa、MRMDb之间的相关度的最简单方法。
其中，
tj是在执行该步骤期间在相应运行期间进行测量的时间，
代表在该运行期间在执行该步骤期间由测量设备MDa获得的所有测量结果MRMDa(tj)的平均值；
代表在该运行期间在执行该步骤期间由测量设备MDb获得的所有测量结果MRMDb(tj)的平均值。
为了建立三级模型，那些测量设备对MDa、MDb必须被识别，其呈现在无故障执行该步骤期间的相关联的测量结果MRMDa、MRMDb。为此，对于每个参考运行RRi，确定在执行该过程的相应步骤期间每个可能测量设备对MDa、MDb的测量结果MRi MDa、MRi MDb的相关度Corri(MDa,MDb)。对于每个测量设备对MDa、MDb，针对所有参考运行RRi在执行相应步骤期间对于相应对确定的相关度Corri(MDa,MDb)呈现在无故障执行该步骤期间预期的相关度Corr(MDa,MDb)的参考分布。在最简单的情况下，在无故障执行相应步骤期间预期的对的相关度Corr(MDa,MDb)能被确定为等于相关度的对应参考分布的相关度Corri(MDa,MDb)的平均值A(MDa,MDb)。
接着，对于每个测量设备对MDa、MDb，确定对于该对(MDa,MDb)所确定的相关度Corri(MDa,MDb)的平均值A(MDa,MDb)是否指示显著程度相关。优选地，这是通过应用最初由Student开发的T统计法测试平均值A(MDa,MDb)不等于0的假设来完成的。按照这些已知方法，在由下述给出的观察量tobs(MDa,MDb)的情况下，认为平均值A远不同于0
其中，
m代表由p(n-2)给出的自由度
p等于参考运行RRi的数目；以及
n等于在每个参考运行RRi期间获得的测量结果(MRMDa(tj),MRMDb(tj)的数目。
超出通过给定置信度的T统计给出的参考区间。
很显然，能应用确定相关度的更复杂方法——例如计算联合概率密度函数——来确定测量设备对MDa、MDb的测量结果MRMDa、MRMDb的相关度，以及识别在无故障执行该步骤期间呈现相关联的测量结果MRMDa、MRMDb的那些测量设备对MDa、MDb。
其后，基于相应参考分布，确定相关联的测量设备MDa、MDb的相关度K3＝Corr(MDa,MDb)的参考范围RK3。再次，优选地，这基于对于受监视运行所确定的、属于对应的参考分布的相关度K3＝Corr(MDa,MDb)的概率来完成。
优选地，基于上述T统计来执行确定参考范围RK3并且将第三属性K3与对应的参考范围RK3进行比较。为此，应用坐标变换来将相关度K3＝Corr(MDa,MDb)变换成坐标系，其中，相关度差服从标准化的Gaussian分布。例如由下述给出该变换：
其中，
并且
在该坐标系中，能易于限定参考范围RK3，使得其包括在Gaussian分布内发生第三属性K3的概率大于或等于预定概率阈值的所有相关度K3'。因此，在利用给定置信度基于T统计发现第三属性K3超出基于Gaussian分布确定的参考范围RK3的情况下，发现对于受监视运行所确定的属性K3超出参考范围RK3。
在本示例中，很显然在容器5内测量当时的相同料位L的两个料位测量设备19、21的同时获得的测量结果MRLa、MRLb应当相同，并且由此是高度相关联的。在图5中可视化与执行第一步骤有关的对应的不同相关模式，图5针对多个记录的参考运行的RRi示出在执行第一步骤期间获得的第一料位测量设备19的每个测量结果MRi La(tj)，其是第二料位测量设备21的同时测量的测量结果MRi Lb(tj)的函数。
进入容器5内的流量的增加使得容器5内部的料位更快速升高，或反之亦然。因此，在第一步骤期间，相关联的料位测量设备19、21的测量结果MRLa、MRLb和流量计23的同时获得的测量结果MRFa。在图6中可视化对应的不同相关模式，图6针对若干记录的参考运行RRi示出在执行第一步骤期间获得的第一料位测量设备19的每个测量结果MRi La(tj)，其是流量计23的同时测量的测量结果MRi Fa(tj)的函数。
此外，图7中可视化在执行第二步骤期间第一和第二料位测量设备19、21的测量结果MRi La、MRi LB之间的关联的不同相关模式，这是通过针对若干记录的参考运行RRi示出在执行第一步骤期间获得的第一料位测量设备19的每个测量结果Lai(tj)，其是第二料位测量设备21的同时测量的测量结果Lbi(tj)的函数。
在更复杂现场，将不关联所有测量结果。当第一步骤期间，测量容器5中的产品的酸性的ph传感器的示例测量结果将不关联料位测量设备19、21的测量结果MRLa、MRLb时，它们也不与第一流量计23的测量结果MRFa关联。由此，根据对所有记录的参考运行RRi同时测量的酸性，在执行过程步骤期间获得的第一料位测量设备25的测量结果MRi La(tj)的可视化将不显示可识别模式，测量结果MRi La(tj)是对于所有已记录的参考运行RRi的同时测量的酸性的函数。
对于在无故障执行该步骤期间发现产生显著相关联的测量结果MRMDa、MRMDb的每个测量设备对MDa、MDb，在监视单元25中能够确定和记录在无故障执行该步骤期间预期的对应关联模式的模型以作为三级模型的一部分。在图中能够可视化这些相关模式，从而示出相应对的测量设备MDa的测量结果MRMDa，其是该对的其他测量设备MDb的同时获得的测量结果MRMDb的函数，和/或由表示相关模式的对应数学模型来描述。该数学模型能包括模型函数，描述模式的形状，和/或其数学可确定属性。
总的来说，关于过程的步骤的一级、二级和三级模型提供对于该步骤的无故障执行所预期的内容的精确图像。由此，能基于该图像来由监视单元25监视在现场的过程的后续受监视运行期间的该步骤的执行。为此，以与上文关于在参考运行RRi期间获得的测量结果所描述的相同的方式，记录由该步骤的当前执行所关涉的测量设备MD获得的测量结果MRMD(tj)。基于在当前运行期间获得的测量结果MRMD(tj)，然后确定指示故障的、与图像的无故障执行的偏离是否发生。由此，在基于受监视运行的测量结果MRPR MD(tj)来确定的属性K中的至少一个属性超出对应的参考范围RK的所有情况下指示故障。
很显然，由某种扰动引起的偏差的大小取决于扰动的大小。一定大小的扰动是否由监视单元25识别为故障取决于与对应的参考范围RK有关的该扰动对受监视属性K的影响。由于一级、二级和三级模型的组合使用，监视单元25能够检测由于足够大以使得属性K中的至少一个属性超出对应的参考范围RK的任何扰动而导致的故障。
如由扰动的下述示例所示，由一级、二级和三级模型提供的三层级监视的组合形成用于在极早阶段检测扰动的有力工具。
可能在过程的受扰动运行期间发生的扰动的一个示例是在填充容器3的第一步骤期间发生的泄漏。该扰动能是由于各种根本原因——例如由于容器3有洞或由于阀17未适当关闭。由于泄漏，容器3内部的料位L不会如其应当那样快速上升。因此，在受扰动运行期间，由第一料位测量设备19获得的料位测量结果MRLa低于应当的测量结果并且拟合到这些测量结果MRLa的拟合函数fLa(t,DLa)的斜率低于应当的斜率。图1a示出由三角形指示的这样的测量结果MRLa的一个示例。由图2a中的三角形指示对应的拟合系数DLa的集合。如果泄漏相当小，则对测量结果MRLa有小的、难以察觉的影响，并且残差ΔLa的离差将不超出图3a所示的阈值RK2。同时，该扰动不会影响流量计23和第一料位测量设备19的测量结果MRFa、MRLa之间、流量计23和第二料位测量设备21的测量结果MRFa、MRLb之间的相关度，也不影响第一和第二料位测量设备19、21的测量结果MRLa、MRLb之间的的相关度。然而，这种类型的扰动对拟合函数fLa(t,DLa)的斜率dLa1有较大的影响，其使得由图2b中的三角形指示的拟合系数DLa的集合超出对应的参考范围RK2。
扰动的另一示例是呈现非精确测量结果MRMD的缺陷测量设备MD。由于这种扰动仅影响缺陷设备的测量结果MRMD，其将对缺陷设备的测量结果MRMD和任何其他测量结果MRMD之间的相关度有大的影响，其在无故障执行期间将呈现相关联的测量结果MRMD。由此，在受监视运行期间通常呈现相关联的测量结果MRMDa、MRMDb的对于一对测量设备MD确定的减少的相关度是关于该对的测量设备MD中的一个的扰动的明确指示。此外，取决于测量误差的大小，基于缺陷测量设备MD的测量结果MRMD来确定的属性K1、K2将超出拟合系数DMD的对应参考范围RK1、RK2和/或残差ΔMD的离差。
扰动的另一示例是在搅拌期间发生的泄漏。由于搅拌，在搅拌期间获得的料位测量结果MRLa、MRLb示出大的波动。由此，在一级模型的基础上，基于料位测量设备19、21的拟合系数DLa、DLb的集合的参考范围RK1仅能够检测到较大泄漏。然而，泄漏将对通过料位测量设备19、21获得的测量结果MRLa、MRLb与对应的拟合函数f(t、DLa)、f(t、DLb)之间的残差ΔLa、ΔLb有大得多的影响，并且由此基于第二属性K2将在更前期检测该泄漏。
模型测试和风险分析
一旦已经建立模型，并且已经确定待监视的属性K和对应的参考范围RK，在测试阶段期间，优选测试关于检测由所选择的类型的扰动引起的故障的模型的有效性。所选择的类型的扰动优选是导致最严重后果的那些扰动。
如果可用，则能基于对于该现场执行的故障模式因果分析(FMEA)或故障模式因果和危害性分析(FMECA)作出选择，从而列出扰动的类型、它们的后果、以及可能的根本原因和合适的补救办法。
为了确定关于所选择的扰动的监视的有效性，关于相应扰动的大小来分析所选择的类型的扰动对受监视属性K的影响。从上述示例能看出，不同类型的扰动将对不同受监视属性K有不同的影响。而某种类型的扰动可能对属性K中的一个或多个属性有大的影响，其对其他属性K不具有影响或仅具有较小影响。
能基于在执行过程的受扰动运行DR期间获得的测量结果MRDR MD，确定某种类型的扰动对受监视属性K的影响，在该DR期间已经自发诱发这种扰动。此外或替选地，通过数值模拟，能生成在执行经受相应扰动的过程期间预期的对应的测量结果MRDR MD。基于经受相同大小和类型的扰动的足够大总体的受扰动运行DRi的测量结果MRDR MD，以与确定表示无故障执行相应步骤的一级、二级和三级模型相同的方式，确定受扰动的一级、二级和三级模型。对于相同扰动的增加的大小，重复该过程。
接着，针对不同大小的相同扰动获得的受扰动一级、二级和三级模型与表示无故障执行该步骤的对应模型比较。基于这些比较，能关于扰动的大小，分析该扰动对所有三个模型层级的影响。该分析优选通过以下来执行：将基于参考运行RRi的测量结果MRi MD来确定的属性K的分布——即拟合系数DMD的集合的分布、残差(PDF(ΔMD))的概率分布和相关度的参考分布(Corr(MRMDa,MRMDb))与经受相同类型和大小的受扰动的、基于足够高数目的受扰动运行DRi的测量结果MRDRi MD来确定的相同的属性K的对应分布进行比较。基于属性K的分布——其基于经受增加的大小的所选类型的扰动的受扰动运行DRi的测量结果MRDRi MD来确定——以及参考范围RK——其对于基于参考运行RRi的受监视属性K来确定，能确定在存在这种大小或更大的这种类型的扰动的情况下检测故障的置信度级α。此外，能确定在即使存在这种类型和这种大小的扰动的情况下没有检测到故障的对应的概率β。
监视和确认
在现场的正常操作期间，监视单元25将继续监视在现场上执行的过程的步骤。对于每个步骤，监视单元25将接收在相应步骤的执行中所关涉的测量设备MD的测量结果MRPR MD，并且将确定与相应步骤的一级、二级和三级模型有关的对应的属性K。如果在现场的受监视操作期间，属性K中的至少一个属性超出对应的参考范围RK，则监视单元25将指示故障。
本发明的优点在于在完成相应步骤后，立即检测故障。这允许操作者采取立即动作。特别地，操作者能停止进一步处理在该步骤中生成的中间产品，以避免在进一步处理该中间产品中投入进一步的生产时间和资源，该进一步处理会在完成整个过程后交付不符合所需的质量标准的最终产品。
在没有一个属性K超出对应的参考范围RK的情况下，将确认该步骤的执行。在这些情况下，在执行相应步骤后，立即给予确认，确保现场的操作者在将时间和资源投入进一步处理由相应步骤生成的结果前适当地执行该步骤。此外，基于在存在相应类型和大小或更大的扰动的情况下检测故障的相应置信度α以及在即使存在相应类型和大小中的一个的扰动的情况下未检测故障的对应概率β，关于已经针对其测试模型并且已经执行风险分析的那些扰动能够量化所给予的确认的可靠性。
此外，优选将在相应步骤的经确认执行期间获得的测量结果MRMD记录为附加经确认测试运行，然后以与在准备阶段期间执行的经确认测试运行相同的方式应用，以便精化表示该步骤的无故障执行的一级、二级和三级模型。为了防止现场发生的逐步变化——其可能最终发展成显著大小的扰动——影响相应步骤的模型，收集多个经验证的测试运行，并且测试基于经确认测试运行的测量结果MRMD来确定的属性K的离差是否符合先前存储的模型的对应分布。如果是这样，则将经确认的测试运行视为附加已执行参考运行RRi，并且更新该模型。基于由新获得的参考运行RRi和在准备阶段期间执行的参考运行RRi给出的更多已执行的参考运行RRi，以该步骤的模型的初始确定相同的方式执行每个更新。
诊断
由于不同类型的扰动对各个受监视属性K有不同影响，因此对于步骤的监视运行所确定的属性K不仅能够被用于监视目的，而且能够被应用以便确定引起所检测的故障的根本原因。
为此，现场上预见诊断单元31，其能是包括监视单元25的、监视单元25的集成部分，或连接到监视单元25。诊断单元31包括用于存储与能够在该过程的受监视步骤期间发生的已知类型的扰动有关的数据集的数据库33。每个数据集包括已知类型的扰动以及对受监视属性K中的每一个的影响。此外，每个数据集优选包括已知引起这种扰动的一个或多个可能根本原因的列表。如上所述，引起泄漏的根本原因是例如管9或容器3中的洞或阀17的失调或故障。对于每个列出的根本原因，数据集优选包括动作的列表，包括针对相应根本原因是否存在的确定的动作，以及也优选包括适于解决它的补救办法。
针对根本原因是否存在的确定的动作优选包括：指示使得诊断单元31和/或现场的操作者能够确定其是否发生的进一步信息的良好定向的收集。这样的信息可以包括例如通过请求测量设备MD执行自测并且例如经由控制单元13将其结果提供给诊断单元31、或者通过请求自动操作的阀报告其状态而能由诊断单元31自动或半自动获得的信息。此外，这样的信息可以包括必须由操作者获得的信息，该操作者优选经由诊断单元31的界面来向诊断单元31提供对应输入。例如，可以请求操作者检查手动操作的仪器——例如泵或阀，或无源部件——例如管道或容器的状态。
此外，诊断单元31包括计算单元35，其用于基于由监视单元25提供的输入和在数据库33中存储的信息来执行下述诊断。此外，诊断能基于由操作者提供的输入和/或由诊断单元31自动或半自动获得的输入。
首先，能由基于对所选择类型的扰动在测试阶段期间获得的信息来确定的数据集填充数据库。为此，对于增加的大小的所选择扰动在测试阶段期间确定的受扰动一级、二级和三级模型提供相应扰动对受监视属性K的影响的详细表示。此外，关于进一步的扰动、根本原因和用于确定它们的存在和/或用于解决它们的补救办法的相关动作可获得的任何其他信息、以及附加的诊断信息——包括用于确定根本原因的规则能被添加到数据库。例如，能从对于现场执行的故障模式因果分析(FMEA)或故障模式因果和危害性分析(FMECA)，和/或从与能够执行自动自诊断的测量设备相关联的可能错误的错误代码的列表中提取这样的信息。附加诊断信息包括例如可用于现场或已经应用于现场的诊断工具和/或方法，包括用于确定根本原因的计算或手工作出的决策树。例如，该附加诊断信息能由诊断单元31应用以作为补充信息，用于提高基于模型和受监视属性K来执行的任何诊断的诊断能力，或在基于模型和受监视属性K执行的诊断未呈现足够好的结果的情况下，作为替选的诊断手段或方法。
如果在现场上预见相同类型的多于一个的测量设备MD，包含在数据库中的、涉及这些设备中的一个的缺陷的信息能被应用于整个系列。为此，其能被复制或链接到数据库的相应部分。这样的信息可以包括引起这种类型设备的缺陷的根本原因、用于确定它们的存在的动作、用于解决它们的补救办法、以及关于该设备存储的任何相关的附加诊断信息。
在现场的正常操作期间，监视单元25将连续地监视在现场执行的过程的步骤，确定与相应步骤的一级、二级和三级模型有关的对应属性K，并且在属性K中的至少一个属性超出对应的参考范围RK的情况下指示故障。在检测到故障的情况下，能执行诊断。为此，基于在该步骤的有故障执行期间获得的测量结果MRMD来确定的属性K被传送到诊断单元31，然后该诊断单元31将在数据库33中搜索对于各个属性K有影响的、与对该过程的相应步骤的当前有故障执行所确定的属性K匹配的扰动所存储的数据集。
在找到至少一个匹配扰动的情况下，指示匹配扰动，并且基于匹配扰动来执行根本原因分析。如果其在数据集中已经可获得，则诊断单元31将通过提供在匹配扰动的数据集中列出的所有根本原因来协助该分析。此外，可以由诊断单元31应用在数据库中存储的任何附加诊断信息——特别是与匹配扰动有关的附加诊断信息，以便确定进一步的可能根本原因。然后，诊断单元31优选推荐在数据集中列出的、针对确定相应根本原因是否存在的动作。
诊断单元31优选为现场的操作者提供最具时间和成本效率方式的建议以确定这些根本原因中的一个是否引起检测的故障。为此，优选按与它们的可用性和在它们的执行中所涉及的时间和成本的顺序来推荐建议的动作。基于由诊断单元31发出的对应的请求，能以完全自动的方式来执行能自动执行的推荐的动作，例如执行测量设备MD的自测。其他动作必须由操作者启动和/或执行，然后优选操作者向诊断单元31提供通过它们的执行获得的信息。
如果可能，基于由推荐动作获得的信息和由数据集提供的信息，诊断单元31将确定根本原因，并且如果其在数据集中可用，则指示适于解决它的补救办法。否则，必须由操作者确定根本原因和/或合适的补救办法，该操作者优选将所确定的根本原因和/或合适的补救办法提供给诊断单元31。在用于相应扰动的数据集中未列出的、根本原因和/或其补救办法被以这种方式提供给诊断单元31的情况下，诊断单元31然后将优选通过将相应根本原因和/或相应补救办法添加到对应的数据集来补正数据库3。在基于对于其找到至少两个匹配扰动的故障的诊断来确定新添加的根本原因的情况下，将请求操作者来确定引起检测的故障的匹配扰动，以便使得诊断单元31能够将新的根本原因存储在与该扰动有关的数据集中。
在应用补救办法后，监视相应步骤的连续执行，并且在预定义的确认时间间隔期间未检测到进一步故障的情况下确认补救办法的执行。在操作期间，能确定故障，将特定补救办法应用于由其解决的根本原因是基于故障—该故障基于属性K与相应类型的干扰匹配来检测—而识别的所有情况的成功率。如果成功率足够高，并且基于足够高数目的情况，则将该补救办法确立为这些情况的标准补救办法，并且如果可能则自动地应用该补救办法。
在确认所应用的补救办法的情况下，在该步骤的有故障执行期间获得的测量结果MRMD能被用作经受所诊断扰动的进一步受扰动运行DRi，以便精化表示该扰动的对应受扰动一级、二级和三级模型，以便获得这种类型的扰动对受监视属性K的影响的更精确描述。
在监视单元25在确认时间间隔期间检测进一步的故障的情况下，这会是由于期间发生的新的扰动、或由于所应用的补救办法不成功的事实。在这种情况下，请求操作者评估先前应用的补救办法是否成功并且将对应的输入提供给诊断单元31。在先前应用的补救办法不成功的情况下，有可能：
a)未正确地识别根本原因；
b)正确地识别根本原因，但用于解决该根本原因的数据中存储的对应的补救办法不合适；或
c)由于不同扰动产生的所检测故障对受监视的属性K具有相同或相似的影响。
在这种情况下，请求操作者确定发生了三种情况a)、b)和c)中的哪一个，并且将对应的输入提供给诊断单元31，然后诊断单元31将相应地补正数据库。
在第一情况a)下，可能导致确定的扰动中的一个的新的根本原因发生，但该根本原因未列在对应的数据集中。在这种情况下，新的根本原因以及优选地——针对确定其存在的对应的动作，以及适于解决该新的根本原因的补救办法将被添加到对应的数据集中。在第二情形b)中，由操作者确定的合适的补救办法将替换数据库中存储的不合适的补救办法。
在第三情形c)中，诊断单元31将添加由操作者确定的新发现的扰动的新的数据集，优选包括对受监视属性K中的每个属性的影响，以及优选还包括已知引起该扰动的根本原因和与这些根本原因有关的动作，优选包括针对确定其存在的动作以及适于解决它们的补救办法。为了确定新发现的扰动的影响，经受新发现的扰动的、在执行相应步骤期间获得的测量结果MRMD优选被记录为受扰动运行DR，然后其以与在测试阶段期间使用受扰动运行相同的方式被使用，以便确定针对增加的大小的新发现的扰动的受扰动一级、二级和三级模型，然后其将提供新发现的扰动对受监视属性K的影响的详细表示。
在未找到匹配扰动的情况下，能例如基于待遵循的预定义决策树来执行引导的根本原因分析，以便确定根本原因。使用决策树在本领域是公知的，并且频繁用在工业现场以便确定引起各种种类的扰动的根本原因。为此，能应用在数据库中存储的任何附加诊断信息。能通过应用由于本发明可用的附加信息来改进根本原因分析。应用该附加信息的二种非常有力的方法如下所述，其能组合使用或作为单独的替选方案使用。
根据第一方法，确定关于一级、二级或三级模型中的一个的属性K中的哪些超出对应的参考范围RK，以及超出的方向。如果例如由对于测量设备MD中的一个确定的拟合系数DMD的集合给出的第一属性K1中的一个超出对应的参考范围RK1，则能确定拟合系数dMD1,…,dMDk中的哪些过高或过低。例如基于指示相应属性K与由模型提供的相应参考分布的重心之间的角度和距离的偏差向量，能够确定属性K超出参考范围的方向。
接着，对于每个属性K——对于其确定了其超出对应的参考范围RK的方向，在数据库中搜索引起相同属性K在相同或类似的方向上超出该参考范围RK的扰动。基于此，确定在数据库中存储为扰动的可能原因的根本原因，其导致在有故障运行期间超出对应的参考范围RK的属性K在相同或类似的方向上超出对应的参考范围RK。由于由此确定的根本原因使得相应属性K在相同的方向上改变，有高的可能性它们中的一个可以至少对于当前检测的故障负责。在这一方面，优选按属性K超出参考范围RK的方向和根本原因使得该属性K超出参考范围RK的方向之间的相似性降低的顺序指示根本原因。这些根本原因和用于确定是否发生了它们的相关动作提供根本原因分析的良好起点。此外，这些根本原因为操作者提供现场的部分或方面可能已经引起当前检测的故障的指示。
根据第二方法，确定关于第一或第二模型中的一个模型的属性K1、K2是否超出对应的参考范围KR1、KR2。由于对应的测量设备MD的缺陷——例如引起错误的测量结果MRMD的缺陷，或者由于影响由测量设备MD测量的量的根本原因，关于一级或二级模型中的一个模型的属性K1、K2会超出对应的参考范围RK。
足够大以使得关于相应一级或二级模型的属性K1、K2中的至少一个超出对应的参考范围RK的测量设备MD的缺陷也会降低有缺陷的测量设备MD的测量结果MRMD与所有其他测量设备MD的同时获得的测量结果MRMD之间的相关度K3，该其他测量设备MD在无故障执行相应步骤期间呈现相关联的测量结果MRMD。由此，诊断单元31将确定对于该测量设备MD定义的三级模型的第三属性K3中的任何一个示出降低的相关度。如果符合这种情况，则诊断单元31将诊断：该故障是由于有缺陷的测量设备MD并且指示该有缺陷的测量设备MD。
基于此，操作者然后能识别缺陷的根本原因并且找出和应用合适的补救办法来解决它。为了支持操作者这样做和/或尽可能地自动化该过程，数据库33优选包括用于所关涉的测量设备MD中的每一个的数据集，包括相应测量设备MD的缺陷的可能根本原因的列表，以及优选还包括对应的动作，包括针对确定存在相应根本原因以及适于解决它们的补救办法的动作。
在检测到故障——其导致关于与涉及的测量设备MD中的一个有关的相应一级或二级模型的属性K1,K2中的至少一个超出对应的参考范围RK但没有导致该测量设备MD的测量结果MRMD与在无故障执行相应步骤期间应当呈现相关联的测量结果MRMD的任何其他测量设备MD的同时获得的测量结果MRMD之间的相关度K3＝Corr(MRMDa,MRMDb)减小的故障的情况下，诊断单元31将诊断该故障是由于影响由该测量设备MD测量的属性的根本原因。
基于此，操作者然后能识别影响所测量属性的根本原因并且找出并应用合适的补救办法来解决它。为了支持操作者这样做和/或尽可能地自动化该过程，数据库33优选包括每个测量的属性的数据集，包括影响该测量的属性的可能根本原因的列表，并且还优选包括对应的动作——包括针对确定存在相应根本原因以及适于解决它们的补救办法的动作。
最初，测量设备MD的缺陷的可能根本原因的列表和影响测量的量的可能根本原因的列表能为空或包含先前已知的数据。然后，每次操作者识别引起测量设备MD中的一个的缺陷的根本原因或影响测量的量中的一个的根本原因并且找到并应用合适的补救办法来解决它时，能以由操作者提供的进一步输入来逐步填充数据集。
每次诊断故障是由于引起测量设备MD的缺陷的根本原因或影响测量的属性中的一个的根本原因时，然后诊断单元31能够指示可能的根本原因中的对应列出的根本原因，以及确定引起故障的根本原因，并且如上面关于针对其找出一个或多个匹配扰动的故障所述来执行合适的补救办法的确定和应用。
在识别影响测量的量或引起测量设备MD的缺陷的根本原因并且确定和应用所确定的补救办法后，然后在确认时间间隔期间确定是否成功地应用补救办法。在确认时间间隔期间没有检测到进一步的故障的情况下，将确认该补救办法的应用。
在确认补救办法的情况下，在执行经受由识别的根本原因引起的扰动—其由确认的补救办法解决—的相应步骤期间获得的测量结果MRMD优选被记录为受扰动运行DR，然后以与在模型测试期间使用受扰动运行相同的方式来使用。
在确定的根本原因引起已经在数据库33中存储其数据集的扰动的情况下，其能被用作附加受扰动运行DR，以便精化该扰动对受监视属性K的已经确定的影响。在确定的根本原因引起在数据库33中还未存储其数据集的扰动的情况下，将新的数据集添加到该数据库，并且以与上述相同的方式来将受扰动运行DR用作第一受扰动运行DR以用于确定新添加的扰动对受监视属性K的影响。
由此在操作期间，通过与数目不断增多的扰动有关的越来越完整的数据集逐步填充数据库，从而使得诊断单元31能够诊断越来越多的扰动，以识别数目不断增多的根本原因和适于解决它们的补救办法。
1 第一供给罐
3 容器
5 入口管
7 搅拌器
9 出口管
11 贮槽
13 控制单元
15 阀
17 阀
19 第一料位测量设备
21 第二料位测量设备
23 流量计
25 监视单元
27 存储器
29 计算单元
31 诊断单元
33 数据库
35 计算单元
Claims (19)
1.监视装置，用于监视在工业现场执行的预定义过程的至少一个步骤，所述工业现场包括用于在所述现场运行所述过程的装置，所述装置包括控制所述过程的步骤的启动和执行的控制单元(13)，以及在执行测量过程相关量的步骤中涉及的测量设备(MD)，所述监视装置包括：
-监视单元(25)，所述监视单元(25)被设计成被设置并连接为使得所述监视单元能实时访问由在待监视的步骤的执行中涉及的测量设备(MD)获得的测量结果(MRMD(tj))以及相对于在相应运行期间开始执行相应过程步骤的起始时间(t0)的、获得所述测量结果(MRMD(tj))的时间(tj)，所述监视单元(25)包括：
--存储器(27)，所述存储器存储待监视的每个步骤的模型，每个模型包括：
a)针对在相应步骤的执行中涉及的至少一些、特别是所有测量设备(MD)的一级模型，每个所述一级模型包括：
-系数的集合(CMD)和时间(t)的基本函数(fMD(t；CMD))，所述基本函数表示在无故障执行该步骤期间预期的相应测量设备(MD)的测量结果(MRMD)的时间依赖性，
-通过拟合系数的集合(DMD)给出的第一属性(K1)，以及所述第一属性(K1)的参考范围(RK1)，通过将所述基本函数(fMD(t；CMD))最佳拟合在执行该步骤期间由相应测量设备(MD)获得的测量结果(MRMD)而确定所述拟合系数的集合(DMD)，
b)针对所述一级模型中的每一个的二级模型，每个所述二级模型包括由在执行该步骤期间通过相应测量设备(MD)所获得的测量结果(MRMD)和对应的拟合函数(fMD(t,DMD))之间的残差(ΔMD)的离差给出的第二属性(K2)，以及所述第二属性(K2)的参考范围(RK2)，以及
c)针对在该步骤的执行中涉及的、在无故障执行该步骤期间呈现相关联的测量结果(MRMDa,MRMDb)的测量设备对(MDa,MDb)的三级模型，每个所述三级模型包括由在执行相应步骤期间在相应对的同时获得的测量结果(MRMDa,MRMDb)之间的相关度(Corr(MRMDa,MRMDb))给出的第三属性(K3)，以及所述第三属性(K3)的参考范围(RK3)，
其中，参考范围(RK1,RK2,RK3)中的每个参考范围包括相应属性(K1,K2,K3)的、在无故障执行该步骤期间预期相应属性(K1,K2,K3)在其中发生的范围，以及
--计算装置(29)，用于基于在该过程的受监视运行期间由在受监视步骤的执行中涉及的测量设备(MD)获得的测量结果(MR(tj))，确定关于一级模型、二级模型和三级模型的属性(K)，并且用于在这些属性(K)中的至少一个属性超出对应的参考范围(RK)的情况下检测故障。
2.确定在根据权利要求1所述的监视单元(25)中存储的过程的步骤的模型的方法，包括以下步骤：
-执行所述过程的多个测试运行并且确定由相应测试运行产生的结果是否符合预定义质量要求，
-记录被确定为符合质量要求的、由在相应步骤的执行中涉及的测量设备(MD)获得的测量结果(MRi MD(tj))，以及相对于在所有测试运行的相应测试运行期间开始相应过程步骤的起始时间(t0)的、获得所述测量结果(MRi MD(tj))的时间(tj)，以作为已执行参考运行，-基于参考运行RRi的集群的测量结果(MRi MD)，确定所述一级模型、所述二级模型和所述三级模型，所述参考运行RRi包括所述已执行参考运行或者所述已执行参考运行和通过基于所述已执行参考运行的测量结果(MRi MD)来执行的模拟获得的模拟参考运行，所述已执行参考运行在无故障执行该步骤期间生成预期的该测量设备(MD)的测量结果(MRi MD)。
3.根据权利要求2所述的方法，包括通过以下操作来确定每个一级模型的步骤：
-基于在所述参考运行(RRi)期间在执行相应步骤期间由相应测量设备(MD)获得的测量结果(MRMD i(tj))的时间依赖性，确定所述基本函数(fMD(t；CMD))，
-提供以下操作来确定每个第一属性(K1)的参考范围(RK1)
--通过将相应基本函数(fMD(t；CMD))与在相应参考运行(RRi)期间在执行该步骤期间由相应测量设备(MD)获得的测量结果(MRi MD)最佳拟合，确定每个参考运行(RRi)的拟合系数的集合(Di MD)，
--基于确定的拟合系数的集合(Di MD)的分布，确定在受监视运行期间确定的第一属性(K1)属于该分布的概率，以及
--确定所述参考范围(RK1)，使得所述参考范围(RK1)包括属于该分布的概率大于或等于预定概率阈值的所有第一属性(K1)。
4.根据权利要求2所述的方法，包括对于每个参考范围(RK2)，通过以下操作来确定所述第二属性(K2)中的每一个的参考范围(RK2)的步骤：
-对于所述参考运行(RRi)中的每一个，确定在所述参考运行(RRi)中的一个期间在执行该步骤期间由相应测量设备(MD)获得的测量结果(MRi MD)与对于该参考运行(RRi)针对该测量设备(MD)确定的对应的拟合函数(fi MD(t；Di MD))之间的残差(Δi MD)的离差，
-基于残差(Δi MD)的所有确定的离差，确定表示在无故障执行该步骤期间残差(ΔMD)发生的概率的概率分布(PDFMD(ΔMD))，所述概率分布(PDFMD(ΔMD))是所述残差(ΔMD)的大小的函数，以及
-特别是通过将该参考(RK2)确定为残差(ΔMD)的离差的残差(ΔMD)的方差(σ2 MD)的范围，确定该参考范围(RK2)，使得该参考范围(RK2)包括属于对应的概率分布(PDFMD(ΔMD))的概率大于或等于预定概率阈值的所有第二属性(K2)。
5.根据权利要求2所述的方法，包括以下步骤：
-识别在无故障执行该步骤期间在该步骤的执行中涉及的、呈现相关联的测量结果(MRMDa,MRMDb)的测量设备对(MDa,MDb)，特别是通过以下操作来识别该测量设备对(MDa,MDb)：
--对于该步骤的执行中涉及的每个可能的测量设备对(MDa,MDb)，确定在对于每个参考运行(RRi)执行该步骤期间它们的同时获得的测量结果(MRi MDa,MRiMDb)之间的相关度Corr(MRi MDa,MRiMDb)，以及
-对于所有参考运行(RRi)，基于针对所有可能对所确定的相关度(Corr(MRi MDa,MRiMDb))，识别呈现相关联的测量结果(MRMDa,MRMDb)的对，以及
-对于每个所识别的对，确定相应第三属性(K3)的参考范围(RK3)，使得该参考范围(RK3)包括属于参考分布的概率大于或等于预定概率阈值的所有相应第三属性(K3)，该参考分布由对于所述参考运行(RRi)针对相应对所确定的对应的相关度(Corr(MRi MDa,MRiMDb))的分布给出。
6.监视在工业现场执行的预定义过程的步骤的执行的方法，所述工业现场包括用于在所述现场运行所述过程的装置，所述装置包括控制所述过程的步骤的启动和执行的控制单元(13)，以及在执行测量过程相关量的步骤中涉及的测量设备(MD)，以及根据权利要求1所述的监视装置，所述监视装置能实时访问由在待监视的步骤的执行中涉及的测量设备(MD)获得的测量结果(MRMD(tj))以及相对于在相应运行期间开始执行相应过程步骤的起始时间(t0)的、获得所述测量结果(MRMD(tj))的时间(tj)，所述方法包括以下步骤：
-记录在执行该步骤期间由在该步骤的执行中涉及的测量设备(MD)获得的测量结果(MRPR MD)，
-基于所记录的测量结果(MRMD)，确定关于相应步骤的所述一级模型、所述二级模型和所述三级模型的属性(K)，以及
-如果该属性(K)中的至少一个超出对应的参考范围(RK)，检测故障。
7.根据权利要求6所述的方法，包括以下步骤：如果在根据在无故障执行该步骤期间预期的相应属性(K1,K2,K3)的分布——特别是拟合系数的集合(DMD)的对应分布、残差的对应概率分布(PDF(ΔMD))、以及所述相关度(Corr(MRMDa,MRMDb))的对应参考分布——的范围中发生的确定的属性(K1,K2,K3)中的至少一个具有低的发生概率，指示警告。
8.确定特定类型的扰动对由根据权利要求1所述的监视单元(25)监视的所述过程的步骤的模型的属性(K)的影响的方法，包括以下步骤：
-记录在该过程步骤——在该过程步骤期间已经自发诱发该类型的扰动——的受扰动运行期间、在该步骤的执行中涉及的测量设备(MD)的测量结果(MRDR MD)，和/或通过数值模拟来生成在执行经受相应扰动的该步骤期间预期的对应的测量结果(MRDR MD)，
-基于经受相同大小和类型的扰动的受扰动运行(DRi)的集群的所记录和/或所生成的测量结果(MRDRi MD)，以与确定表示无故障执行相应步骤的所述一级模型、所述二级模型和所述三级模型相同的方式，确定受扰动一级模型、受扰动二级模型和受扰动三级模型，
-对于增加大小的相同类型的扰动，重复对所述受扰动一级模型、所述受扰动二级模型和所述受扰动三级模型的确定，
-通过将所述属性(K)的分布——特别是基于所述参考运行(RRi)的测量结果(MRi MD)所确定的所述拟合系数的集合(DMD)的分布、所述残差的概率分布(PDF(ΔMD))以及所述相关度(Corr(MRMDa,MRMDb))的参考分布——与基于所述受扰动运行(DRi)的测量结果(MRDRi MD)所确定的相同属性(K)的对应分布进行比较，确定该类型的扰动对该模型的属性(K)的影响。
9.根据权利要求6所述的方法，包括以下步骤：
-确认未检测到故障的受监视步骤的执行；
-特别是以基于在存在特定类型和该大小或更大的扰动的情况下检测故障的置信度(α)，和/或在即使存在特定类型和该大小的扰动的情况下未检测到故障的概率(β)所确定的可靠性来进行确认，所述置信度(α)和所述概率(β)是针对一个或多个扰动来确定的，
--对于所述一个或多个扰动，基于根据权利要求8所述的方法来确定所述一个或多个扰动对所述属性(K)的影响；
--对于所述一个或多个扰动扰动，基于所述属性(K)的分布来确定所述置信度(α)和/或所述概率(β)，所述属性(K)的分布是基于经受该类型的增加大小的扰动的受扰动运行(DRi)的测量结果(MRDRi MD)和受监视属性(K)的参考范围(RK)来确定的。
10.根据权利要求9所述的方法，包括以下步骤：
-存储在经确认执行期间获得的测量结果(MRMD)，以及
-基于相应步骤的经确认执行的测量结果(MRMD)，更新所述监视单元(25)中存储的所述模型。
11.诊断单元(31)，用于执行关于由根据权利要求1所述的监视装置检测的故障的诊断，所述诊断单元(31)包括数据库(33)，用于存储与能够在执行该步骤中的一个步骤期间发生的已知类型的扰动有关的数据集，在所述监视单元(25)的所述存储器(27)中存储了该一个步骤的模型，其中，每个数据集包括：
-扰动的类型，以及
-由根据权利要求9所述的方法确定的、所述已知类型的扰动对所述受监视属性(K)中的每一个的影响。
12.根据权利要求11所述的诊断单元(31)，其中，至少一个数据集包括：
-导致相应扰动的至少一个根本原因的列表，
-特别地，至少一个根本原因的列表和针对所列出的根本原因中的至少一个根本原因的至少一个动作的列表，特别地，导致确定相应根本原因是否存在的动作，和/或由适于解决相应根本原因的补救办法给出的动作。
13.执行关于由根据权利要求1所述的监视装置在工业现场检测的故障的诊断的方法，所述工业现场包括根据权利要求11或12所述的诊断单元(31)，所述方法包括以下步骤：
-在所述数据库(31)中搜索对各个属性(K)具有影响的扰动所存储的数据集，该扰动与针对所述过程的相应步骤的当前有故障的执行所确定的属性(K)匹配，以及
-如果找出至少一个匹配扰动，则
--确定在相应数据集中存储的根本原因，作为可能导致了所检测的故障的可能根本原因，以及
--基于所确定的可能根本原因来执行所述诊断。
14.执行关于由根据权利要求1所述的监视装置在工业现场检测的故障的诊断的方法，所述工业现场包括根据权利要求11或12所述的诊断单元(31)，所述方法包括以下步骤：
-在所述数据库(31)中搜索对各个属性(K)具有影响的扰动所存储的数据集，该扰动与针对所述过程的相应步骤的当前有故障的执行所确定的属性(K)匹配，以及
-如果未找到匹配扰动，则
--确定超出对应的参考范围(RK)的属性(K)在哪个方向上超出对应的参考范围(RK)，
--对于每个属性(K)——针对该属性(K)确定了其超出对应的参考范围(RK)的方向——在所述数据库中搜索导致相同属性(K)在相同或类似的方向上超出该参考范围(RK)的扰动，
--确定在导致相应属性(K)在相同方向上超出对应的参考范围(RK)的扰动的数据集中存储的根本原因，作为可能根本原因，以及
-基于所确定的可能根本原因来执行所述诊断。
15.执行关于由根据权利要求1所述的监视装置在工业现场检测的故障的诊断的方法，所述工业现场包括根据权利要求11或12所述的诊断单元(31)，所述方法包括以下步骤：
-如果针对该步骤的执行中涉及的测量设备(MD)中的一个所确定的第一或第二属性(K1,K2)超出对应的参考范围(RK1,RK2)并且与关于相同测量设备(MD)的三级模型有关的第三属性(K3)中的一个示出降低的相关度，诊断关于该测量设备(MD)的扰动，和/或
-如果针对该步骤的执行中涉及的测量设备(MD)中的一个所确定的第一或第二属性(K1,K2)超出对应的参考范围(RK1,RK2)并且与关于相同测量设备(MD)的三级模型有关的第三属性(K3)均未示出降低的相关度，诊断影响由该测量设备(MD)测量的量的扰动。
16.在包括根据权利要求11或12所述的诊断单元(31)的工业现场执行的根据权利要求13、14或15所述的方法，其中，
-附加信息被存储在所述数据库(33)中，
-特别地，关于附加扰动、根本原因、与根本原因有关的动作的信息和/或附加诊断信息，特别是用于确定根本原因的规则、诊断工具和/或诊断方法，以及
-在执行所述诊断期间，应用所述附加信息，特别地，以便确定导致所检测的故障的扰动和/或根本原因。
17.根据权利要求13或16所述的执行关于由根据权利要求1所述的监视装置在工业现场检测的故障的诊断的方法，所述工业现场包括根据权利要求12所述的诊断单元(31)，所述方法包括以下步骤：通过以下操作来基于在所述数据库中存储的所确定的可能根本原因和导致确定它们的存在的动作，确定所检测的故障的根本原因：按与在该动作的执行中涉及的该动作的可用性和时间及成本相对应的顺序——特别是由所述诊断单元(31)推荐的顺序——执行动作，特别是使能够在现场以自动化方式执行的那些动作中的至少一个以基于由所述诊断单元(31)发出的对应的请求的自动化方式执行，和/或使那些动作中的至少一个由所述现场的操作者启动和/或执行。
18.根据权利要求13或16所述的方法，包括以下步骤：
-确定导致当前检测的故障的根本原因；
-应用补救办法来解决该根本原因，以及
-在验证时间间隔期间，监视所述过程的该步骤的连续执行，以及
-如果在所述验证时间间隔期间，在执行相应步骤期间未检测到进一步故障，确认所应用的补救办法。
19.通过以下操作来补正根据权利要求11或12所述的诊断单元(31)的所述数据库的方法，
-添加与已经在所述现场发生并且随后被识别的扰动有关的至少一个数据集，特别是包括该扰动对所述属性(K)的影响——特别是通过根据权利要求8所述的方法来确定的影响——的数据集，
-添加导致包含在所述数据库中的扰动中的一个扰动的至少一个根本原因，特别是在所述现场的操作期间由所述操作者识别的根本原因，
-添加与在所述数据库中列出的根本原因中的一个根本原因有关的至少一个动作，特别是在所述现场的操作期间由所述操作者识别的动作，
-针对由所述测量设备(MD)中的一个测量设备测量的至少一个属性来添加至少一个根本原因的列表，特别是影响该所测量的属性的至少一个根本原因的列表和与该根本原因中的一个根本原因有关的至少一个动作的列表，和/或
-针对所述测量设备(MD)中的至少一个测量设备，添加至少一个根本原因的列表，特别是导致该测量设备(MD)的缺陷的至少一个根本原因的列表和与该根本原因中的一个根本原因有关的至少一个动作的列表。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP14187031.1A EP3002651B1 (en) | 2014-09-30 | 2014-09-30 | Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site |
| EP14187031.1 | 2014-09-30 | ||
| PCT/EP2015/069076 WO2016050412A2 (en) | 2014-09-30 | 2015-08-19 | Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107111312A true CN107111312A (zh) | 2017-08-29 |
| CN107111312B CN107111312B (zh) | 2020-04-28 |
Family
ID=51655581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580063557.2A Active CN107111312B (zh) | 2014-09-30 | 2015-08-19 | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20170261972A1 (zh) |
| EP (1) | EP3002651B1 (zh) |
| CN (1) | CN107111312B (zh) |
| SG (1) | SG11201702569WA (zh) |
| WO (1) | WO2016050412A2 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111947688A (zh) * | 2019-05-15 | 2020-11-17 | 恩德莱斯和豪斯集团服务股份公司 | 操作和预测性监测现场设备的方法 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190188243A1 (en) * | 2017-12-18 | 2019-06-20 | Microsoft Technology Licensing, Llc | Distribution-level feature monitoring and consistency reporting |
| US11704370B2 (en) | 2018-04-20 | 2023-07-18 | Microsoft Technology Licensing, Llc | Framework for managing features across environments |
| EP3754446A1 (en) * | 2019-06-18 | 2020-12-23 | Siemens Aktiengesellschaft | Method and assistance system for detecting an abnormal behaviour of a device |
| CN111929053B (zh) * | 2020-07-07 | 2022-02-01 | 中国矿业大学 | 基于da-rvfln的气动调节阀领域适应故障诊断方法 |
| DE102020130618A1 (de) | 2020-11-19 | 2022-05-19 | Endress+Hauser Group Services Ag | Verfahren zur Überwachung von auf einer verfahrenstechnischen Anlage mit Messgeräten gemessenen Messgrößen |
| CN114528939B (zh) * | 2022-02-21 | 2024-05-17 | 南通大学 | 一种基于Kolmogorov-Smirnov检验的微小故障检测方法 |
| JP2023149043A (ja) * | 2022-03-30 | 2023-10-13 | 横河電機株式会社 | 故障診断装置、故障診断プログラム、及び故障診断方法 |
| CN114994517A (zh) * | 2022-07-04 | 2022-09-02 | 哈尔滨理工大学 | 一种用于模拟电路的软故障诊断方法 |
| CN118643349A (zh) * | 2024-08-14 | 2024-09-13 | 陕西公众智能科技有限公司 | 一种基于大数据的电力高压设备的监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030014692A1 (en) * | 2001-03-08 | 2003-01-16 | California Institute Of Technology | Exception analysis for multimissions |
| US20040078171A1 (en) * | 2001-04-10 | 2004-04-22 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
| CN1926488A (zh) * | 2004-03-03 | 2007-03-07 | 费舍-柔斯芒特系统股份有限公司 | 用于预防加工厂中异常状况的配置系统和方法 |
| CN101322085A (zh) * | 2005-10-24 | 2008-12-10 | 里卡多英国有限公司 | 模拟故障对系统性能的影响的方法 |
| US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
| CN101164028B (zh) * | 2005-03-04 | 2011-04-20 | 纯净选择公司 | 空气质量监测方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7676287B2 (en) | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
-
2014
- 2014-09-30 EP EP14187031.1A patent/EP3002651B1/en active Active
-
2015
- 2015-08-19 WO PCT/EP2015/069076 patent/WO2016050412A2/en active Application Filing
- 2015-08-19 US US15/514,856 patent/US20170261972A1/en not_active Abandoned
- 2015-08-19 SG SG11201702569WA patent/SG11201702569WA/en unknown
- 2015-08-19 CN CN201580063557.2A patent/CN107111312B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030014692A1 (en) * | 2001-03-08 | 2003-01-16 | California Institute Of Technology | Exception analysis for multimissions |
| US20040078171A1 (en) * | 2001-04-10 | 2004-04-22 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
| CN1926488A (zh) * | 2004-03-03 | 2007-03-07 | 费舍-柔斯芒特系统股份有限公司 | 用于预防加工厂中异常状况的配置系统和方法 |
| CN101164028B (zh) * | 2005-03-04 | 2011-04-20 | 纯净选择公司 | 空气质量监测方法和系统 |
| CN101322085A (zh) * | 2005-10-24 | 2008-12-10 | 里卡多英国有限公司 | 模拟故障对系统性能的影响的方法 |
| US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111947688A (zh) * | 2019-05-15 | 2020-11-17 | 恩德莱斯和豪斯集团服务股份公司 | 操作和预测性监测现场设备的方法 |
| US11435212B2 (en) | 2019-05-15 | 2022-09-06 | Endress+Hauser Group Services Ag | Method of operating and of predictive monitoring of a field device |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016050412A2 (en) | 2016-04-07 |
| US20170261972A1 (en) | 2017-09-14 |
| SG11201702569WA (en) | 2017-04-27 |
| EP3002651A1 (en) | 2016-04-06 |
| CN107111312B (zh) | 2020-04-28 |
| WO2016050412A3 (en) | 2016-06-09 |
| EP3002651B1 (en) | 2021-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107111312B (zh) | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 | |
| US7275018B2 (en) | Method of condition monitoring | |
| JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
| US7640145B2 (en) | Automated model configuration and deployment system for equipment health monitoring | |
| CN102096730B (zh) | 用于故障模型验证和生效的以软件为中心的方法 | |
| US10768188B2 (en) | Diagnostic device and method for monitoring operation of a technical system | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
| KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
| US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
| CN112200323A (zh) | 评估工业设备和过程的状态 | |
| JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
| CN116997867A (zh) | 用于预测技术设施的运行的方法和系统 | |
| JP2011107760A (ja) | プラント異常検出装置 | |
| US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
| US20160195872A1 (en) | System for Assisting Operation at the Time of Plant Accident and Method for Assisting Operation at the Time of Plant Accident | |
| US11676055B2 (en) | System for detecting data drift in machine-learning process monitoring | |
| US11809175B2 (en) | Alarm management apparatus, alarm management method, and computer-readable recording medium | |
| JP7378367B2 (ja) | 故障診断装置および故障診断方法 | |
| US20230021965A1 (en) | Methods and systems for assessing printed circuit boards | |
| CN113722973A (zh) | 计算机仿真模型的修正系统及修正方法 | |
| RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
| CN112272804A (zh) | 无需动态系统模型的工业过程在线故障定位 | |
| CN117984024B (zh) | 基于船闸人字门自动化生产的焊接数据管理方法及系统 | |
| US20240176340A1 (en) | Causal Analysis of an Anomaly Based on Simulated Symptoms |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Swiss Lai Patentee after: Enderless and House Group Services Inc Address before: Swiss Lai Patentee before: Endress + Hauser Messtechnik GmbH & Co.KG |