CN107831736B - 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测 - Google Patents
使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测 Download PDFInfo
- Publication number
- CN107831736B CN107831736B CN201710832698.7A CN201710832698A CN107831736B CN 107831736 B CN107831736 B CN 107831736B CN 201710832698 A CN201710832698 A CN 201710832698A CN 107831736 B CN107831736 B CN 107831736B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- values
- mismatch
- controller
- 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
Images
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- 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]
- G05B19/4185—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 the network communication
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- 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
- 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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B2219/25—Pc structure of the system
- G05B2219/25298—System identification
-
- 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
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种方法包括重复地标识(404)针对与过程相关联的至少一个模型(144、230)的一个或多个模型参数的一个或多个值。针对所述一个或多个模型参数的所述一个或多个值使用与所述过程相关联的数据来标识。所述方法还包括将所述一个或多个模型参数的值群集(406)成一个或多个集群(604)。所述方法还包括使用与所述过程相关联的附加数据来标识(408)针对所述一个或多个模型参数的一个或多个附加值。此外,所述方法包括响应于确定所述一个或多个附加值中的至少一些落在所述一个或多个集群之外而检测(410)所述至少一个模型与所述过程之间的失配。可以使用支持向量机来群集所述值。
Description
对相关申请的交叉引用和优先权声明
本申请在35 U.S.C.§119(e)之下要求享有2016年9月16日提交的美国临时专利申请号62/395,950的优先权,所述美国临时专利申请以其整体通过引用并入本文。
技术领域
本公开一般涉及工业过程控制和自动化系统。更具体地,本公开涉及使用用于造纸机或其它系统的模型参数数据群集(clustering)的模型-工厂(model-plant)失配检测。
背景技术
工业过程控制和自动化系统通常用于自动化大型且复杂的工业过程。这些类型的控制和自动化系统例行地包括过程控制器和现场设备,比如传感器和致动器。过程控制器中的一些典型地从传感器接收测量结果,并且生成用于致动器的控制信号。基于模型的工业过程控制器是例行地用于控制工业过程的操作的一种类型的过程控制器。基于模型的过程控制器典型地使用一个或多个模型来在数学上表示工业过程内的一个或多个性质如何响应于对工业过程做出的改变。
发明内容
本公开提供了使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测。
在第一实施例中,一种方法包括重复地标识针对与过程相关联的至少一个模型的一个或多个模型参数的一个或多个值。针对所述一个或多个模型参数的所述一个或多个值使用与所述过程相关联的数据来标识。所述方法还包括将所述一个或多个模型参数的值群集成一个或多个集群。所述方法还包括使用与所述过程相关联的附加数据来标识针对所述一个或多个模型参数的一个或多个附加值。此外,所述方法包括响应于确定所述一个或多个附加值中的至少一些落在所述一个或多个集群之外而检测所述至少一个模型与所述过程之间的失配。
在第二实施例中,一种装置包括至少一个存储器,其被配置成存储与过程相关联的数据。所述装置还包括至少一个处理设备,所述至少一个处理设备被配置成使用与所述过程相关联的数据来重复地标识针对与所述过程相关联的至少一个模型的一个或多个模型参数的一个或多个值。所述至少一个处理设备还被配置成将所述一个或多个模型参数的值群集成一个或多个集群。所述至少一个处理设备还被配置成使用与所述过程相关联的附加数据来标识针对所述一个或多个模型参数的一个或多个附加值。此外,所述至少一个处理设备被配置成响应于确定所述一个或多个附加值中的至少一些落在所述一个或多个集群之外而检测所述至少一个模型与所述过程之间的失配。
在第三实施例中,一种非暂时性计算机可读介质包含指令,所述指令在由至少一个处理设备执行时使得所述至少一个处理设备重复地标识针对与过程相关联的至少一个模型的一个或多个模型参数的一个或多个值。针对所述一个或多个模型参数的所述一个或多个值使用与所述过程相关联的数据来标识。所述介质还包含指令,所述指令在由所述至少一个处理设备执行时使得所述至少一个处理设备将所述一个或多个模型参数的值群集成一个或多个集群。所述介质还包含指令,所述指令在由所述至少一个处理设备执行时使得所述至少一个处理设备使用与所述过程相关联的附加数据来标识针对所述一个或多个模型参数的一个或多个附加值。此外,所述介质包含指令,所述指令在由所述至少一个处理设备执行时使得所述至少一个处理设备响应于确定所述一个或多个附加值中的至少一些落在所述一个或多个集群之外而检测所述至少一个模型与所述过程之间的失配。
其它技术特征可以从以下附图、描述和权利要求而容易对本领域技术人员是明显的。
附图说明
为了本公开的更加完整的理解,现在参照结合随附各图的以下描述,其中:
图1图示了根据本公开的第一示例工业过程控制和自动化系统;
图2图示了根据本公开的第二示例工业过程控制和自动化系统;
图3图示了根据本公开的支持使用模型参数数据群集的模型-工厂失配检测的示例设备;
图4图示了根据本公开的用于使用模型参数数据群集的模型-工厂失配检测的示例方法;以及
图5至7图示了根据本公开的模型-工厂失配检测的示例用途。
具体实施方式
以下讨论的图1至7和用于描述本专利文献中的本发明的原理的各种实施例仅仅作为说明,并且不应当以任何方式解释成限制本发明的范围。本领域技术人员将理解到,本发明的原理可以在任何类型的适当布置的设备或系统中实现。
如以上所指出的,基于模型的工业过程控制器是例行地用于控制工业过程的操作的一种类型的过程控制器。基于模型的过程控制器典型地使用一个或多个模型来在数学上表示工业过程内的一个或多个性质如何响应于对工业过程做出的改变。基于模型的控制器典型地要求过程行为的精确模型以便良好地执行。当与工业过程相关的条件改变时,用于该过程的模型典型地需要被更新。然而,从例行操作数据确定模型是否精确地描述工业过程的真实过程行为通常是困难的。而且,执行实验以改进用于该目的的数据的质量通常是不合期望的,因为实验可能影响在工业过程中制造或处理的一个或多个产品的质量。
如以下更加详细描述的,本公开提供用于使用例行操作数据来检测明显模型-工厂失配的技术。当检测到失配时,可以更新现有模型或者新的模型可以被创建并且用于控制工业过程,从而帮助维持在工业过程中制造或处理的产品的质量。
图1图示了根据本公开的示例工业过程控制和自动化系统100。如图1中所示,系统100包括促进至少一个产品或其它材料的生产或处理的各种组件。例如,系统100在此用于促进对一个或多个工厂101a-101n中的组件的控制。每一个工厂101a-101n表示一个或多个处理机构(或其一个或多个部分),诸如用于生产至少一个产品或其它材料的一个或多个制造机构。一般而言,每一个工厂101a-101n可以实现一个或多个过程并且可以单独或集体地称为过程系统。过程系统一般表示被配置成以某种方式处理一个或多个产品或其它材料的任何系统或其部分。
在图1中,系统100使用过程控制的Purdue模型来实现。在Purdue模型中,“第0级”可以包括一个或多个传感器102a和一个或多个致动器102b。传感器102a和致动器102b表示可以执行多种多样的功能中的任何一个的过程系统中的组件。例如,传感器102a可以测量过程系统中的多种多样的特性,诸如温度、压力或流速。而且,致动器102b可以更改过程系统中的多种多样的特性。传感器102a和致动器102b可以表示任何合适的过程系统中的任何其它或附加的组件。传感器102a中的每一个包括用于测量过程系统中的一个或多个特性的任何合适的结构。致动器102b中的每一个包括用于对过程系统中的一个或多个条件进行操作或影响的任何合适的结构。
一个或多个网络104耦合到传感器102a和致动器102b。网络104促进与传感器102a和致动器102b的交互。例如,网络104可以从传感器102a传输测量数据并且向致动器102b提供控制信号。网络104可以表示任何合适的网络或网络的组合。作为特定示例,网络104可以表示以太网网络、电气信号网络(诸如HART或基金会现场总线网络)、气动控制信号网络或(一个或多个)任何其它或附加的类型的(一个或多个)网络。
在Purdue模型中,“第1级”包括一个或多个控制器106,其耦合到网络104。除其它之外,每一个控制器106可以使用来自一个或多个传感器102a的测量结果以控制一个或多个致动器102b的操作。每一个控制器106包括用于控制过程系统的一个或多个方面的任何合适的结构。作为特定示例,每一个控制器106可以表示运行实时操作系统的计算设备。
冗余网络108耦合到控制器106。网络108促进与控制器106的交互,诸如通过向控制器106和从其传输数据。网络108可以表示任何合适的冗余网络。作为特定示例,网络108可以表示一对以太网网络或冗余以太网网络对,诸如来自HONEYWELL国际公司的FAULTTOLERANT ETHERNET(FTE)(故障容忍以太网)网络。
至少一个交换机/防火墙110将网络108耦合到两个网络112。交换机/防火墙110可以从一个网络向另一个传输业务。交换机/防火墙110还可以阻挡一个网络上的业务免于到达另一网络。交换机/防火墙110包括用于提供网络之间的通信的任何合适的结构,诸如HONEYWELL CONTROL FIREWALL(控制防火墙)(CF9)设备。网络112可以表示任何合适的网络,诸如一对以太网网络或FTE网络。
在Purdue模型中,“第2级”可以包括耦合到网络112的一个或多个机器级控制器114。机器级控制器114执行各种功能以支持控制器106、传感器102a和致动器102b的操作和控制,所述功能可以与特定件工业装备(诸如锅炉或其它机器)相关联。例如,机器级控制器114可以记录由控制器106收集或生成的信息,诸如来自传感器102a的测量数据或用于致动器102b的控制信号。机器级控制器114还可以执行对控制器106的操作进行控制的应用,从而控制致动器102b的操作。此外,机器级控制器114可以提供对控制器106的安全访问。机器级控制器114中的每一个包括用于提供对机器或其它单独件装备的访问、其控制或涉及其的操作的任何合适的结构。机器级控制器114中的每一个可以例如表示运行MICROSOFTWINDOWS操作系统的服务器计算设备。尽管未示出,但是不同的机器级控制器114可以用于控制过程系统中的不同件装备(其中每一件装备与一个或多个控制器106、传感器102a和致动器102b相关联)。
一个或多个操作者站116耦合到网络112。操作者站116表示提供对机器级控制器114的用户访问的计算或通信设备,机器级控制器114然后可以提供对控制器106(以及可能地,传感器102a和致动器102b)的用户访问。作为特定示例,操作者站116可以允许用户使用由控制器106和/或机器级控制器114收集的信息来回顾传感器102a和致动器102b的操作历史。操作者站116还可以允许用户调整传感器102a、致动器102b、控制器106或机器级控制器114的操作。此外,操作者站116可以接收和显示由控制器106或机器级控制器114生成的警告、警报或其它消息或显示。操作者站116中的每一个包括用于支持系统100中的一个或多个组件的用户访问和控制的任何合适的结构。操作者站116中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的计算设备。
至少一个路由器/防火墙118将网络112耦合到两个网络120。路由器/防火墙118包括用于提供网络之间的通信的任何合适的结构,诸如安全路由器或组合路由器/防火墙。网络120可以表示任何合适的网络,诸如一对以太网网络或FTE网络。
在Purdue模型中,“第3级”可以包括耦合到网络120的一个或多个单元级控制器122。每一个单元级控制器122典型地与过程系统中的单元相关联,所述单元表示一起操作以实现过程的至少部分的不同机器的集合。单元级控制器122执行各种功能以支持较低级中的组件的操作和控制。例如,单元级控制器122可以记录由较低级中的组件收集或生成的信息,执行控制较低级中的组件的应用,并且提供对较低级中的组件的安全访问。单元级控制器122中的每一个包括用于提供对过程单元中的一个或多个机器或其它件装备的访问、对其的控制或涉及其的操作的任何合适的结构。单元级控制器122中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的服务器计算设备。尽管未示出,不同的单元级控制器122可以用于控制过程系统中的不同单元(其中每一个单元与一个或多个机器级控制器114、控制器106、传感器102a和致动器102b相关联)。
对单元级控制器122的访问可以由一个或多个操作者站124提供。操作者站124中的每一个包括用于支持系统100中的一个或多个组件的用户访问和控制的任何合适的结构。操作者站124中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的计算设备。
至少一个路由器/防火墙126将网络120耦合到两个网络128。路由器/防火墙126包括用于提供网络之间的通信的任何合适的结构,诸如安全路由器或组合路由器/防火墙。网络128可以表示任何合适的网络,诸如一对以太网网络或FTE网络。
在Purdue模型中,“第4级”可以包括耦合到网络128的一个或多个工厂级控制器130。每一个工厂级控制器130典型地与工厂101a-101n中的一个相关联,所述工厂可以包括实现相同、类似或不同过程的一个或多个过程单元。工厂级控制器130执行各种功能以支持较低级中的组件的操作和控制。作为特定示例,工厂级控制器130可以执行一个或多个制造执行系统(MES)应用、调度应用或其它或附加的工厂或过程控制应用。工厂级控制器130中的每一个包括用于提供对过程工厂中的一个或多个过程单元的访问、其控制或涉及其的操作的任何合适的结构。工厂级控制器130中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的服务器计算设备。
对工厂级控制器130的访问可以由一个或多个操作者站132提供。操作者站132中的每一个包括用于支持系统100中的一个或多个组件的用户访问和控制的任何合适的结构。操作者站132中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的计算设备。
至少一个路由器/防火墙134将网络128耦合到一个或多个网络136。路由器/防火墙134包括用于提供网络之间的通信的任何合适的结构,诸如安全路由器或组合路由器/防火墙。网络136可以表示任何合适的网络,诸如企业范围以太网或其它网络或更大网络(诸如因特网)的全部或部分。
在Purdue模型中,“第5级”可以包括耦合到网络136的一个或多个企业级控制器138。每一个企业级控制器138典型地能够执行用于多个工厂101a-101n的计划操作并且控制工厂101a-101n的各种方面。企业级控制器138还可以执行各种功能以支持工厂101a-101n中的组件的操作和控制。作为特定示例,企业级控制器138可以执行一个或多个订单处理应用、企业资源计划(ERP)应用、高级计划和调度(APS)应用或任何其它或附加的企业控制应用。企业级控制器138中的每一个包括用于提供对一个或多个工厂的访问、其控制或涉及其控制的操作的任何合适的结构。企业级控制器138中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的服务器计算设备。在该文献中,术语“企业”是指具有要管理的一个或多个工厂或其它处理机构的组织。要指出的是,如果要管理单个工厂101a,企业级控制器138的功能可以合并到工厂级控制器130中。
对企业级控制器138的访问可以由一个或多个操作者站140提供。操作者站140中的每一个包括用于支持系统100中的一个或多个组件的用户访问和控制的任何合适的结构。操作者站140中的每一个可以例如表示运行MICROSOFT WINDOWS操作系统的计算设备。
在该示例中,历史设备(historian)142还耦合到网络136。历史设备142可以表示存储关于系统100的各种信息的组件。历史设备142可以例如存储在生产调度和优化期间使用的信息。历史设备142表示用于存储信息和促进信息的检索的任何合适的结构。尽管被示出为耦合到网络136的单个集中式组件,但是历史设备142可以位于系统100中的其它地方,或者多个历史设备可以分布在系统100中的不同位置中。
图1中所示的控制器中的至少一个可以表示基于模型的控制器,其使用一个或多个过程模型144来操作。例如,控制器106中的每一个可以使用一个或多个过程模型144来操作以基于来自一个或多个传感器102a的测量结果而确定如何调整一个或多个致动器102b。在一些实施例中,每一个模型144将一个或多个操纵变量或扰动变量与一个或多个受控变量相关联。受控变量(CV)一般表示可以被测量或推断并且被理想地控制成处于期望的设定点处或附近或在期望的值范围内的变量。操纵变量(MV)一般表示可以被调整以便更改一个或多个受控变量的变量。扰动变量(DV)一般表示其值可以被考虑但是不能被控制的变量。作为简单的示例,通过管道的材料的流速可以表示受控变量,用于控制材料的流速的阀门的阀门开口可以表示操纵变量,并且管道或阀门周围的周围温度可以表示扰动变量。
如以上所指出的,过程模型144需要是合理精确的,以使基于模型的控制器有效地操作,并且过程模型144典型地需要在涉及工业过程的条件改变时被更新。然而,从例行操作数据确定模型是否精确地描述工业过程的真实过程行为通常是困难的,并且执行实验以搜集数据以便确定模型是否精确地描述工业过程的真实过程行为通常是不合期望的。
依照本公开,系统100的至少一个组件包括工具146,工具146分析针对基于模型的控制器的例行操作数据以便检测明显的模型-工厂失配。以下描述用于检测明显的模型-工厂失配的示例过程。而且,如以下更加详细描述的,工具146可以使用支持向量机(SVM)作为例行操作数据的分析的部分。使用这些技术的一个示例益处在于,可以自动地确定明显的模型-工厂失配,使得基于模型的控制器可以在模型-工厂失配由于欠佳的过程控制而导致损失之前使其模型144被更新或更换。
工具146可以以任何合适的方式并且使用任何合适的设备来实现。例如,工具146可以驻留在图1中所示的控制器或操作者站中的任何一个上。工具146还可以驻留在图1中的(一个或多个)任何其它合适的设备上,诸如在专用计算设备上。工具146可以使用任何合适的硬件或硬件和软件/固件指令的任何合适的组合来实现。在特定实施例中,工具146使用由计算设备的至少一个处理器执行的软件/固件指令来实现。
尽管图1图示了工业过程控制和自动化系统100的一个示例,但是可以对图1做出各种改变。例如,控制系统可以包括任何数目的传感器、致动器、控制器、服务器、操作者站、网络、模型、工具和其它组件。而且,图1中的系统100的构成和布置仅仅是为了说明。根据特定需要,组件可以被添加、省略、组合、进一步细分或以任何其它合适的配置放置。另外,特定功能已经被描述为由系统100的特定组件执行。这仅仅是为了说明。一般而言,过程控制和自动化系统是高度可配置的并且可以根据特定需要以任何合适的方式配置。此外,虽然图1图示了一个示例环境,其中使用模型参数数据群集的模型-工厂失配检测可以被使用,但是该功能可以使用在任何其它合适的设备或系统中。
图2图示了根据本公开的第二示例工业过程控制和自动化系统200。特别地,图2的系统200表示示例卷幅(web)制造或处理系统。如图2中所示,系统200包括造纸机202、控制器204和网络206。造纸机202包括用于生产纸张产品(即在卷盘210处收集的纸幅208)的各种组件。控制器204监视和控制造纸机202的操作,其可以帮助维持或增加由造纸机202生产的纸幅208的质量。
在该示例中,造纸机202包括至少一个流浆箱(headbox)212,其跨机器向连续移动的线网或网格213上均匀地分发纸浆悬浮液。进入流浆箱212的纸浆悬浮液可以包含例如0.2-3%木质纤维、填充物和/或其它材料,其中悬浮液的剩余部分是水。排水元件的阵列214,诸如真空箱,尽可能多地去除水以发起卷幅208的形成。蒸汽致动器的阵列216产生热蒸汽,其穿透纸幅208并且向纸幅208中释放蒸汽的潜热。再润湿淋浴致动器的阵列218向纸幅208的表面上添加小水滴(其可以是经空气雾化的)。纸幅208然后通常经过具有若干少量反向旋转辊的砑光机。感应加热致动器的阵列220加热这些辊中的各种辊的壳表面。
两个附加的致动器222-224在图2中示出。厚浆流致动器222控制在流浆箱212处接收的传入浆料的一致性。蒸汽流致动器224控制从干燥筒传递到纸幅208的热量的量。致动器222-224可以例如分别表示控制浆料和蒸汽流的阀门。这些致动器可以用于控制纸幅208的干重和水分。附加的流致动器可以用于控制厚浆料中的不同类型的纸浆和填充物材料的比例并且控制混合到浆料中的各种添加剂(诸如助留剂或染料)的量。
这表示可以用于生产纸张产品的一种类型的造纸机202的简要表述。关于该类型的造纸机202的附加细节在本领域中是公知的并且对于本公开的理解是不需要的。而且,虽然被描述为用于制造纸幅,但是可以使用用于制造或处理任何合适卷幅的其它类型的机器。
为了控制造纸过程,可以连续或重复地测量纸幅208的一个或多个性质。卷幅性质可以在制造过程中的一个或各种阶段处测量。该信息然后可以用于调整造纸机202,诸如通过调整造纸机202内的各种致动器。这可以帮助补偿卷幅性质从期望的目标的任何变化,这可以帮助确保卷幅208的质量。如图2中所示,造纸机202包括一个或多个扫描器226-228,其中的每一个可以包括一个或多个传感器。每一个扫描器226-228能够测量纸幅208的一个或多个特性。例如,每一个扫描器226-228可以包括用于测量纸幅208的张力、纸厚、水分、各向异性、基重、颜色、光泽度、光彩度、雾度、表面特征(诸如表面特征的粗糙度、形貌或取向分布)或任何其它或附加的特性。
每一个扫描器226-228包括用于测量或检测纸幅208的一个或多个特性的任何合适的一个或多个结构,诸如一个或多个传感器集。扫描器的用途表示用于测量卷幅性质的一个特定实施例。可以使用其它实施例,诸如包括部署在跨卷幅的一个或几个位置中或部署在跨卷幅的整个宽度的多个位置中使得测量大体上整个卷幅宽度的传感器的一个或多个静止集合或阵列的那些。
控制器204从扫描器226-228接收测量数据并且使用该数据来控制造纸机202。例如,控制器204可以使用测量数据来调整致动器或造纸机202的其它组件中的任何一个。控制器204包括用于控制造纸机202的至少部分的操作的任何合适的结构,诸如计算设备。要指出的是,虽然在此示出单个控制器204,但是可以使用多个控制器204,诸如控制卷幅的不同变量的不同控制器。
网络206耦合到控制器204和造纸机202的各种组件(诸如致动器和扫描器)。网络206促进系统200的组件之间的通信。网络206表示促进系统200中的组件之间的通信的任何合适的网络或网络的组合。网络206可以例如表示有线或无线以太网网络、电气信号网络(诸如HART或基金会现场总线网络)、气动控制信号网络或(一个或多个)任何其它或附加的网络。
(一个或多个)控制器204可以操作成使用一个或多个模型230来控制造纸机202的一个或多个方面。例如,每一个模型230可以将一个或多个操纵或扰动变量与一个或多个受控变量相关联。受控变量典型地包括卷幅208的一个或多个性质。操纵变量典型地包括由系统200中的各种致动器使用的设定点、设置或其它值。
依照本公开,系统200的至少一个组件包括工具232,工具232分析针对基于模型的控制器的例行操作数据以便检测明显的模型-工厂失配。以下描述用于检测明显的模型-工厂失配的过程。而且,如以下更加详细描述的,工具232可以使用支持向量机作为例行操作数据的分析的部分。工具232可以以任何合适的方式并且使用任何合适的设备实现,诸如当工具232驻留在控制器204或专用计算设备上时。工具232可以使用任何合适的硬件或硬件和软件/固件指令的任何合适的组合来实现,诸如当工具232使用由计算设备的至少一个处理器执行的软件/固件指令实现时。
尽管图2图示了工业过程控制和自动化系统200的另一示例,但是可以对图2做出各种改变。例如,其它系统可以用于生产其它纸张或非纸张产品。而且,虽然被示出为包括具有各种组件和单个控制器204的单个造纸机202,但是系统200可以包括任何数目的造纸机或具有任何合适结构的其它机器,并且系统200可以包括任何数目的控制器。此外,虽然图2图示了另一示例环境,其中使用模型参数数据群集的模型-工厂失配检测可以被使用,但是该功能可以使用在任何其它合适的设备或系统中。
图3图示了根据本公开的支持使用模型参数数据群集的模型-工厂失配检测的示例设备300。设备300可以例如表示可以执行工具146、232的图1和2中的设备中的任何一个。然而,设备300可以使用在任何其它合适的系统中,并且工具146、232可以使用任何其它合适的设备来实现。
如图3中所示,设备300包括至少一个处理设备302、至少一个存储设备304、至少一个通信单元306和至少一个输入/输出(I/O)单元308。处理设备302执行可以加载到存储器设备310中的指令。处理设备302可以包括以任何合适布置的(一个或多个)任何合适数目和(一个或多个)类型的处理器或其它设备。处理设备302的示例类型包括微处理器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路和离散逻辑设备。
存储器设备310和持久储存器312是存储设备304的示例,其表示能够存储信息(诸如在临时或永久基础上的数据、程序代码和/或其它合适信息)和促进信息的检索的(一个或多个)任何结构。存储器设备310可以表示随机存取存储器或(一个或多个)任何其它合适的易失性或非易失性存储设备。持久储存器312可以包含支持数据的较长期存储的一个或多个组件或设备,诸如只读存储器、硬驱动器、闪速存储器或光盘。
通信单元306支持与其它系统或设备的通信。例如,通信单元306可以包括促进通过有线或无线网络的通信的网络接口卡或无线收发器。通信单元306可以支持通过(一个或多个)任何合适的物理或无线通信链路的通信。
I/O单元308允许数据的输入和输出。例如,I/O单元308可以提供用于通过键盘、鼠标、小键盘、触摸屏或其它合适的输入设备的用户输入的连接。I/O单元308还可以向显示器、打印机或其它合适的输出设备发送输出。
尽管图3图示了支持使用模型参数数据群集的模型-工厂失配检测的设备300的一个示例,但是可以对图3做出各种改变。例如,图3中的各种组件可以被组合、进一步细分、重布置或省略,并且可以根据特定需要而添加附加的组件。而且,计算设备可以以多种多样的配置出现,并且图3不将本公开限制到计算设备的任何特定配置。
图4图示了根据本公开的用于使用模型参数数据群集的模型-工厂失配检测的示例方法400。为了易于解释,以下将方法400描述为在图1和2的系统100、200中使用图3的设备300来实现。然而,方法400可以使用任何合适的设备并且在任何合适的系统中执行。
如图4中所示,在步骤402处获得与基于模型的工业过程控制器相关联的例行操作数据。这可以包括例如执行工具146、232的处理设备302从基于模型的控制器(诸如控制器106或204)或从另一设备获得与该控制器的操作相关联的数据。如果工具146、232在控制器106或204内执行,这可以包括处理设备302在控制逻辑通过控制器的执行期间收集例行操作数据。
在步骤404处,在多个时间段期间重复估计用于表示底层工业过程的过程模型的模型参数。这可以包括例如执行工具146、232的处理设备302使用例行操作数据来执行模型标识算法以标识用于过程模型的参数。存在本领域中已知的数个模型标识算法和工具。这可以以指定间隔或在其它时间处重复。在一些实施例中,工具146、232使用数据的移动或滑动窗口并且在每一次执行模型标识算法时使用窗口内的数据来估计模型参数。
在步骤406处标识模型参数集合的一个或多个集群。由于在步骤404中使用的例行操作数据的质量可能是低的,因此模型参数的估计可以具有围绕它们的许多不确定性。然而,参数估计的集合可以形成随时间的集群。该步骤可以包括例如执行工具146、232的处理设备302使用支持向量机来确定模型参数集合的群集。支持向量机可以通过将原始数据映射到其中可以标识集群边界的空间中来实现生成数据的线性或非线性群集的核函数。
在步骤408处在一个或多个附加时间段期间估计用于过程模型的附加模型参数集合。这可以包括例如执行工具146、232的处理设备302利用不同的数据执行与步骤404中的相同的操作以标识附加的模型参数集合。在步骤410处,做出是否附加的模型参数集合中的任何一个落在(一个或多个)所标识的集群之外的确定。这可以包括例如执行工具146、232的处理设备302确定是否附加的模型参数集合中的任何一个以至少某个阈值距离从所标识的集群分离。如果是这样,这指示对底层工业过程的明显改变,并且在步骤412处可以采取某种类型的校正动作。这可以包括例如执行工具146、232的处理设备302生成指示已经检测到模型-工厂失配的警报。操作者然后可以执行或发起模型标识过程以收集数据以便生成新的过程模型或更新现有过程模型。这还可以包括处理设备302发起模型标识过程以收集数据以便生成新的过程模型或更新现有过程模型。模型标识过程可以由处理设备302或由另一设备执行。任何其它或附加的动作也可以响应于所标识的模型-工厂失配而发生。
尽管图4图示了用于使用支持向量机来使数据群集的模型-工厂失配检测的方法400的一个示例,但是可以对图4做出各种改变。例如,虽然被示出为一系列步骤,但是图4中的各种步骤可以重叠、并行发生、以不同次序发生或发生任何次数。
以下提供关于用于使用模型参数数据群集的模型-工厂失配检测的具体技术的附加细节。要指出的是,以下提供的细节仅仅是示例,并且可以使用在本专利文献中描述的技术的其它实现方式。还要指出的是,虽然以下提供具体细节,但是可以使用以下描述的技术的其它实现方式。
以下描述用于基于新颖的闭环标识方案和一类支持向量机(SVM)学习技术的模型-工厂失配(MPM)检测的框架。关于该方案,检测框架可以分别监视模型-工厂失配和噪声模型改变二者,因而区分模型-工厂失配和噪声模型改变。该方案适用于可能缺少外部激励的例行操作数据。可以示出以下描述的闭环标识技术提供了用于过程模型的一致且高斯分布的参数估计。可以基于来自训练数据的过程和噪声模型估计而构建SVM模型以预测模型-工厂失配的发生。
一般而言,以下描述的方案牵涉以下内容。将例行操作数据划分成“训练”数据(被认为不包含模型-工厂失配)和“测试”数据。训练数据充当基准,并且使用该基准来检测模型-工厂失配在测试数据中的存在。基于闭环标识和支持向量机分类,可以独立地检测模型-工厂失配和噪声改变,从而允许该方案区分模型-工厂失配与噪声模型改变。这可以在具有或没有外部激励的情况下发生。图5至7图示了根据本公开的模型-工厂失配检测的示例用途。
模型-工厂失配检测算法
本章节解释利用例行操作数据检测模型-工厂失配的存在的总体概念。要指出的是,噪声模型改变检测可以遵循与模型-工厂失配检测相同的一般过程。因此,在以下描述中,详细描述模型-工厂失配检测,但是相同或类似的方案可以用于噪声模型改变检测。
模型-工厂失配检测算法一般基于新颖的闭环标识技术,其能够向用于过程模型的一致估计供应例行操作数据(假设数据对于相关系统标识目标而言足够刺激)。然而,与过程模型估计相关联的不可避免的变化可以妨碍结果与标称模型的直接比较以暴露失配。换言之,模型估计和真实模型之间的差异不能总是归咎于模型-工厂失配并且可能仅仅归因于变化。因此,可以确定由于参数估计的变化所致的围绕所估计的过程模型的合理变化范围(或不确定性边界),并且该范围之外的元素可以被视为失配的模型。这样的范围可以使用SVM技术自然地描绘。要指出的是,为了利用总体度量来综合所有可能的失配情形(诸如增益失配和时间常数失配),可以使用有限冲击响应(FIR)形式来估计过程模型估计。测量高维空间中的差异可以是非平凡的,这造成用于该任务的支持向量机的使用。
图5图示了检测模型-工厂失配的概念,其中将例行操作数据拆分或划分成训练数据和测试数据。在图5中,存在两个训练阶段502a-502b(其包括分类为训练数据的例行操作数据)和两个测试阶段504a-504b(其包括分类为测试数据的例行操作数据)。在其中模型-工厂失配不可能存在的一个或多个时间间隔(诸如模型标识阶段期间或刚好在此之后的时段)期间收集训练数据。
移动窗口可以用于处理例行操作数据,并且训练数据的大小可以根据窗口大小来选择。对于每一个窗口,闭环标识可以应用于获得过程模型的估计。一类SVM可以使用利用训练数据确定的所估计的过程模型来训练,并且SVM可以被视为涵盖所估计的过程模型的适当边界。
图6图示了利用SVM技术检测模型-工厂失配的概念。在图6中,每一个点602代表模型的FIR表示。圆形中的模型是从训练数据获得的那些,并且它们形成基准集群604。交叉点中的模型是从测试数据获得的那些,并且在基准集群604之外的那些模型被视为失配的模型。在基准集群604的边界内的任何模型被视为正常,这指示模型-工厂失配不存在。
对于测试数据,再次使用移动窗口,并且闭环标识可以应用于达成针对每一个窗口的过程模型的估计。在测试期间获得的每一个过程模型估计由支持向量机来检验以预测它是否位于基准集群604的边界内。如果是这样,支持向量机返回指示未检测到模型-工厂失配的值(诸如正得分)。否则,支持向量机返回不同的值(诸如负得分)以指示当前窗口中的模型-工厂失配的存在。在触发标识实验中要小心的是,可能未唤起MPM警报直到已经获得到指定数目的MPM指示,诸如指定时间段内的指定数目的负得分。要指出的是,所有训练和测试操作可以利用没有外部激励的例行操作数据来执行。
闭环标识
如可以从以上描述看到的,闭环标识在所提出的MPM检测算法中重复使用,即(i)利用训练数据标识过程模型以便训练SVM并且(ii)利用测试数据标识过程模型以检测模型-工厂失配。各种闭环标识技术多年以来已经被开发,诸如直接标识、间接标识、联合输入-输出标识和投影。然而,这些方案中没有一个可以适合于使用在MPM检测问题中。例如,后三种标识技术要求包括外部抖动信号和/或线性反馈控制器,而直接标识方法通常造成过程模型的有偏估计,如果噪声模型结构未被充分指定的话。以下描述的是新颖的闭环标识方案,其旨在解决偏差问题并且适应MPM检测情境。可以示出,所提出的技术给出用于过程模型的一致估计,倘若满足一些适度技术假设的话。
考虑以下单输入单输出(SISO)Box-Jenkins工厂:
其中G 0 和H 0 分别表示真实工厂模型和真实噪声模型。假定H 0 是首一的、稳定的且反向稳定的。假设工厂G 0 (q)包含至少一个样本延迟,q是单位转换(unit-shift)运算符,并且假设e(t)是具有恒定方差σ 2的零均值高斯白噪声。在此,y(t)和u(t)分别表示输出和输入信号,并且假设所有相关信号都是准稳态的。在关于MPC的闭环中,反馈控制器通常显示非线性动力学(如果约束有效的话)。这可以表述为:
其中u t-1 = [u(1), ..., u(t-1)]并且y t = [y(1), ..., y(t)]。
对于具有外部激励的情况,持续激励的抖动信号可以保证闭环数据是信息性的,而与控制器阶无关。在没有外部激励的情况下,为了实现针对线性控制器的信息性要求,对于Box-Jenkins模型而言可以满足以下关系:
其中n x 和n y 分别表示线性控制器的分子和分母阶。而且,n b 和n f 分别表示过程模型分子和分母多项式的阶。另外,n d 表示噪声模型的分子多项式的阶。来自等式(3)的一项观察是,复杂的控制器和较大的时间延迟通常暗示闭环数据中的更丰富的信息。此外,如果控制器是非线性的(如通常MPC的情况),闭环数据一般对于相关系统标识而言是足够刺激的。使用非线性控制器的另一益处在于,其可以防止标识算法将控制器逆变标识为过程模型估计。而且,关于时间延迟的先验信息可以是可用的并且被指定到标识算法。
与直接闭环标识相关联的偏差由噪声模型结构的不正确的指定引起。为了规避该限制,FIR模型可以用作噪声模型结构。具体地,等式(1)的真实过程模型可以被重写成如下的等效形式:
这可以使用无限阶自回归外生(ARX)模型来表示,其中:
在此:
其中d是真实时间延迟。以下描述的所提出的闭环标识包括两个一般步骤:(i)来自闭环数据的高阶ARX模型估计以及(ii)利用经过滤的(filtered)输入-输出数据的输出误差(OE)标识(其中过滤器被选择为所估计的A 0 (q)多项式)。
高阶ARX模型标识
对于开环稳定系统,可以示出A 0 (q)的系数针对增长的n而化为零,并且对于B 0 (q)而言亦是如此。因此,等式(5)的无限阶ARX模型可以使用高阶ARX模型参数化如下:
其中:
表示:
为了记法的简化,将A(q, η n )和B(q, η n )选择为具有相同阶数。为了减小由高阶引起的大参数协方差,可以在此添加正则项。
假定以下关系对于等式(8)中所示的所选高阶ARX模型结构成立:
其中n是等式(8)的阶数,N是样本数目,并且δ > 0是常量。在该假设的情况下,可以获得以下:
其中
表示参数向量η n 的估计。
可以示出,当等式(8)中的高阶ARX模型的阶增加至无限(但是具有比N缓慢得多的增加速率)时,估计A(e jω , )以概率一均匀地收敛到真实多项式A 0 (e jω )。这本质上描绘了在大数目的数据样本之下高阶ARX模型的行为。这提供了用于利用经过滤的输入和输出数据的后续OE标识的理论基础,因为所估计的过滤器A(e jω , )足够良好地近似真实过滤器A 0 (e jω )。要指出的是,仅仅是用于理论推导的假设,并且当实现标识算法时可以使用基于关于噪声模型的先验信息的有限n。
利用经过滤的输入-输出数据的OE标识
其中表示通过A(q, η)过滤的信号。可以为提供类似的限定。为了标识G 0 (q),可以指定对G 0 (q)的FIR模型,如果没有先验信息可用的话。然而,在典型的工业过程中,一些知识是可用的以正确地参数化工厂模型。例如,在造纸机的机器方向(MD)过程中,广泛接受的是,第一阶加上时间延迟模型足以精确地捕获系统动态量。
出于这种考虑,OE标识可以如下出现:
其中G(q, ρ)是正确选择的工厂模型结构。参数ρ可以通过最小化以下准则来估计:
关于参数估计,考虑针对如在等式(1)中指定的工厂的真实Box-Jenkins模型,以及等式(5)中的等效高阶ARX形式。假设工厂模型被正确地参数化并且来自等式(17)中的预测误差准则的参数估计是一致的,可以获得以下:
不管以上的关于G 0 (q)的正确参数化的前提,这不是关于所提出的闭环标识方法的约束性限制。如以下所描述的,MPM检测中的支持向量机在G(q, )的FIR形式上被训练和测试。因此,如果关于G 0 (q)的先验信息不可访问,则FIR模型可以使用在OE标识中以消除偏差。
与现有闭环标识方法相比,所提出的方案可以具有各种优点。例如,所提出的方案可以不要求关于控制器的信息,并且因而适用于利用线性和非线性控制器二者的闭环数据。而且,所提出的方案不依赖于外部激励,但是适合于具有外部激励的情况。此外,可以获得过程模型的一致估计,即便关于噪声模型的先验信息不是可用的。要指出的是,的方差的显式表达是非平凡的,因此可以推荐使用训练数据的集合,可以从其获得过程模型估计的群组并且将其用作传递函数估计的方差的近似。从该立场,更多的训练数据可以是优选的。
一类学习SVM
作为惯例,支持向量机对于机器学习中的二进制分类问题可以特别有用。支持向量机搜索超平面,所述超平面以去到任一类的最大距离分离数据的两个类。这样的超平面的一个示例益处是其对异常值的鲁棒性,这可以帮助相当大地减少错误分类。对于MPM检测,使用训练数据生成的过程模型可以用作表示“无失配”过程模型集群的行为的参考群组。然而,数据的另一群组经常不是可访问的,因为异常情形可能以各种方式发生(诸如各种参数失配、不规则扰动等)。因此,MPM检测是一类学习问题,其还称为“新颖检测问题”。
在特征空间中描绘一类学习SVM,特征空间意味着数据映射到的空间。考虑训练数据样本的以下集合:
可以使用的公知核函数为高斯核:
利用该想法,一类SVM训练问题可以公式化如下:
解是通过映射的特征空间中的支持向量的图像的凸组合。作为结果,等式(25)中的预测器函数中的内积可以经由核函数而不是在高维特征空间中来计算。核函数的引入明显地扩展构造分离超平面中的灵活性,使得SVM能够生成非线性边界。
应用一类SVM训练策略中的一个问题是由工业提供的有限量的训练数据。取造纸机作为示例,等级改变(设定点改变)通常在每日的基础上发生,并且训练数据必须在每一次等级改变之后收集以表示实施MPM检测之前的造纸机的当前操作条件。因此,仅来自训练数据的几个过程模型估计可以可用于构建SVM模型。为了克服该问题,重采样技术可以用于在执行SVM训练之前扩大从训练数据估计的“无失配”模型的集群。
为了执行重采样技术,概率密度函数(PDF)可以拟合到所估计的过程模型的每一个冲击响应(IR)系数。然后,大数目的样本可以通过从经拟合的概率密度函数随机地采样来生成。例如,将第k个移动窗口中的所估计的过程模型G(q, )的FIR形式表示为:
在此,m是预先指定的数字,并且k = 1, 2, ..., N k 是用于训练数据中的移动窗口的索引。FIR系数(对于i= 0, ..., m)成高斯分布,因为具有高斯分布。对于每一个系数,从训练数据中的移动窗口获得若干所估计的值。然后,用于每一个IR系数的均值和方差的粗略估计器可以构造如下:
其中μ(•)和σ(•)是函数,诸如样本均值和样本方差。
由于有限量的训练数据(N k 正常是小的),针对每一个FIR系数的所估计的PDF与真实概率密度函数相比可以更保守得多。因此,参数α可以用于调节概率密度函数的宽度以避免该问题。选择α中的一个潜在经验法则是如果存在大量的训练数据则使用小的值,或者如果存在小量的训练数据则使用大的值。较大的缩放因子可以使得失配检测算法对失配不太敏感,而较小的缩放因子可以使得失配检测算法对失配更加敏感。
一旦确定粗略估计器,就可以随机地生成每一个FIR系数的大数目的样本,其受制于对应估计的概率密度函数。然后,可以从这些增强的样本开发一类SVM模型以用于“良好”过程模型的初始集群。
利用SVM的MPM检测
一旦训练了一类SVM,经训练的SVM可以用于处理附加的模型估计以标识附加的模型估计是否是“良好”过程模型的集群的部分。可以估计从测试数据中的每一个移动窗口标识的过程模型的FIR系数,诸如通过使用以上描述的相同过程。一旦获得所估计的IFR系数,应用SVM模型以预测所估计的FIR系数是否属于初始集群。如果是这样,SVM可以返回正得分值或其它值,其指示当前测试窗口不显示失配。否则,SVM可以返回负得分或其它值以表示失配。然而,在开始新的标识实验之前要小心的是,在触发警报之前可能需要收集某个时间段内的指定数目的失配报告。例如,将I t 定义为针对时刻t的得分值的标记:
I t = sign(h(x t )) (29)
其中x t 表示在时间 t 处针对窗口数据的工厂模型估计的FIR系数向量。表示T t = {t- n T , t – 1, t},其中n T 是检测间隔(被检查以确定MPM的存在性的之前移动窗口的数目)。另外,将MPM指示符定义如下:
其中I – := {I i = –1 : i T t },I + := {I i ≠ –1 : i T t },并且|S|是集合S中的元素数目。用户可以指定唤起MPM警报的针对MPM指示符的阈值s T (诸如保守的s T 值,比如0.95)以便在报告MPM警报中是谨慎的。
可以使用这些技术获得的示例结果在图7中示出,其涉及与制造的纸幅相关联的干重测量结果。在图7中,将时间划分成三个时段702-706。时段702表示正常操作时段,时段704表示其中模型-工厂失配实际上存在的时段,并且时段706表示其中模型-工厂失配和噪声模型失配实际上存在的时段。
图7中的线708表示由失配检测算法针对工厂模型生成的得分,并且图7中的线710表示标识是否检测到模型-工厂失配的失配指示符。如在图7中可以看到的,线708以大于零的值开始并且然后转变到小于零的值。负值指示模型-工厂失配,因此线710从处于或接近零的值转变到更加正的值。最终,线710可以命中最大值,其指示指定数目的SVM得分,所述SVM得分指示模型-工厂失配。
类似地,图7中的线712表示由失配检测算法针对噪声模型生成的得分,并且图7中的线714表示标识是否检测到噪声模型失配的失配指示符。如可以在图7中看到的,线712以大于零的值开始并且然后转变到小于零的值。负值指示噪声模型失配,因此线714从处于或接近零的值转变到更加正的值。最终,线714可以命中最大值,其指示指定数目的SVM得分,所述SVM得分指示噪声模型失配。
在没有工厂模型中的对应失配的情况下的噪声模型中的失配的标识允许失配检测算法避免错误警报。当然,在其它实例中,噪声模型中的失配可以唤起警报。
尽管图5至7图示了模型-工厂失配检测的示例用途,但是可以对图5至7做出各种改变。例如,仅仅为了图示与模型-工厂失配检测算法相关联的示例功能或结果而提供这些图。模型-工厂失配检测算法的其它用途或实现是可能的,并且图5至7不将本公开限制到任何特定用途或实现。
总结
本公开已经呈现了新颖的模型-工厂失配检测算法,其可以将模型-工厂失配从噪声模型改变分离,并且该技术适用于缺少外部激励的例行操作数据。已经描述了新颖的闭环标识方法,其可以给出针对过程模型的一致的参数估计而不需要关于噪声模型的任何先验信息。将失配检测问题划分成训练阶段和测试阶段。在训练阶段中,基于过程和噪声模型估计而开发SVM模型。SVM模型然后用于预测测试数据中的模型-工厂失配的发生率。该方案定制成满足针对模型-工厂失配监视的工业需求。
要指出的是,虽然通常被描述为用于关于工业过程控制器的模型-工厂失配检测,但是在本专利文献中描述的技术可以应用于其中存在过程的数学模型和(可能连续地)检查真实过程行为是否从原始建模的行为改变的期望的各种情形。可以监视模型的参数,并且模型参数不一定与工业过程控制器相关联。
在一些实施例中,在本专利文献中描述的各种功能通过计算机程序来实现或支持,所述计算机程序由计算机可读程序代码形成并且体现在计算机可读介质中。短语“计算机可读程序代码”包括任何类型的计算机代码,包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够由计算机访问的任何类型的介质,诸如只读存储器(ROM)、随机存取存储器(RAM)、硬盘驱动器、压缩盘(CD)、数字视频盘(DVD)或任何其它类型的存储器。“非暂时性”计算机可读介质排除传输暂时性电气或其它信号的有线、无线、光学或其它通信链路。非暂时性计算机可读介质包括其中数据可以被永久存储的介质和其中数据可以被存储并且稍后被盖写的介质,诸如可重写光盘或可擦除存储设备。
阐述贯穿本专利文献所使用的某些词语和短语的定义可以是有利的。术语“应用”和“程序”是指一个或多个计算机程序、软件组件、指令集、过程、函数、对象、类、实例、相关数据或被适配于以合适的计算机代码(包括源代码、目标代码或可执行代码)实现的其部分。术语“通信”以及其派生词涵盖直接和间接通信二者。术语“包含”和“包括”以及其派生词意味着包括而没有限制。术语“或”是包括性的,意味着和/或。短语“与……相关联”以及其派生词可以意味着包括、被包括在……内、与……互连、包含、被包含在……内、连接到或与……连接、耦合到或与……耦合、可与……通信、与……协作、交错、并置、接近于、定界到与利用……定界、具有、具有……的性质、具有到……的关系或与……的关系等。短语“至少一个”当与项目列表使用时,意味着可以使用所列出的项目中的一个或多个的不同组合,并且可以需要列表中的仅一个项目。例如,“A、B和C中的至少一个”包括以下组合中的任何一个:A、B、C、A和B、A和C、B和C以及A和B和C。
本申请中的描述不应当被当做暗示任何特定元件、步骤或功能是必须包括在权利要求范围中的必要或关键元素。所专利的主题的范围仅由所允许的权利要求限定。而且,没有权利要求关于随附权利要求或权利要求元素中的任何一个而援引35 U.S.C.§112(f),除非在特定权利要求中明确地使用确切的词语“用于……的部件”或“用于……的步骤”,之后是标识功能的分词短语。权利要求内诸如(但不限于)“机构”、“模块”、“设备”、“单元”、“组件”、“元件”、“构件”、“装置”、“机器”、“系统”、“处理器”或“控制器”之类的术语的使用被理解成并且意图是指对相关领域中技术人员已知的结构,如通过权利要求自身的特征进一步修饰或增强的那样,并且不意图援引35 U.S.C.§112(f)。
虽然本公开已经描述了某些实施例和一般相关联的方法,但是这些实施例和方法的更改和置换将对本领域技术人员是明显的。相应地,示例实施例的以上描述不限定或约束本公开。在不脱离本公开的精神和范围的情况下,其它改变、替换和更改也是可能的,如随附权利要求所限定的那样。
Claims (13)
1.一种用于控制卷幅制造系统中的造纸机的操作的方法,该方法包括:
获得与基于模型的控制器相关联的例行操作数据;
在多个时间段重复地标识(404)针对与过程相关联的至少一个模型(144、230)的一个或多个模型参数的一个或多个值,通过在所述多个时间段的每一个时间段处估计所述一个或多个模型参数,使用与所述过程相关联的数据来标识针对所述一个或多个模型参数的所述一个或多个值;
使用支持向量机将所述一个或多个模型参数的值群集(406)成一个或多个集群(604),所述支持向量机使用核函数来通过将数据映射到其中集群边界被标识的空间中而生成数据的群集;
在一个或多个附加时间段期间使用与所述过程相关联的与所述数据不同的附加数据来标识(408)针对所述一个或多个模型参数的一个或多个附加值;
响应于确定所述一个或多个附加值中的至少一些落在所述一个或多个集群之外而利用工具来检测(410)所述至少一个模型与所述过程之间的失配,所述工具使用所述支持向量机来分析针对基于模型的控制器的例行操作数据以便检测失配;以及
响应于检测到失配 而采取校正(412)动作。
2.根据权利要求1所述的方法,其中:
所述过程包括工业过程;
至少一个工业过程控制器(106、204)被配置成使用所述至少一个模型来控制工业过程的至少部分。
3.根据权利要求2所述的方法,其中所述校正动作包括生成针对工业过程控制器的至少一个新的或经更新的模型(144、230)。
4.根据权利要求1所述的方法,其中重复地标识针对一个或多个模型参数的一个或多个值包括使用与所述过程相关联的操作数据的移动或滑动窗口。
5.根据权利要求1所述的方法,其中标识所述一个或多个值和标识所述一个或多个附加值均包括通过以下来执行闭环模型标识:
使用闭环数据标识第一模型;
基于第一模型对闭环数据进行过滤;以及
基于经过滤的闭环数据而标识第二模型。
6.根据权利要求5所述的方法,其中:
第一模型包括高阶自回归外生(ARX)模型;并且
第二模型包括输出误差(OE)模型。
7.根据权利要求1所述的方法,其中所检测到的失配指示所述过程已经改变并且不再由所述至少一个模型精确地表示。
8.一种用于控制卷幅制造系统中的造纸机的操作的装置,该装置包括:
至少一个存储器(304、310、312),其被配置成存储与过程相关联的数据;以及
至少一个处理设备(302),其被配置成:
获得与基于模型的控制器相关联的例行操作数据;
在多个时间段使用与所述过程相关联的数据来重复地标识针对与所述过程相关联的至少一个模型(144、230)的一个或多个模型参数的一个或多个值,通过在所述多个时间段的每一个时间段处估计所述一个或多个模型参数,使用与所述过程相关联的数据来标识针对所述一个或多个模型参数的所述一个或多个值;
使用支持向量机将所述一个或多个模型参数的值群集成一个或多个集群(604),所述支持向量机使用核函数来通过将数据映射到其中集群边界被标识的空间中而生成数据的群集;
在一个或多个附加时间段期间使用与所述过程相关联的与所述数据不同的附加数据来标识针对所述一个或多个模型参数的一个或多个附加值;以及
响应于确定所述一个或多个附加值中的至少一些落在所述一个或多个集群之外而利用工具来检测所述至少一个模型与所述过程之间的失配,所述工具使用所述支持向量机来分析针对基于模型的控制器的例行操作数据以便检测失配;以及
响应于检测到失配 而采取校正动作。
9.根据权利要求8所述的装置,其中:
所述过程包括工业过程;
工业过程控制器(106、204)被配置成使用至少一个模型来控制工业过程的至少部分。
10.根据权利要求9所述的装置,其中,为了采取校正动作,所述至少一个处理设备被配置成发起生成针对工业过程控制器的至少一个新的或经更新的模型(144、230)。
11.根据权利要求8所述的装置,其中,为了重复地标识针对一个或多个模型参数的一个或多个值,所述至少一个处理设备被配置成使用与所述过程相关联的操作数据的移动或滑动窗口。
12.根据权利要求8所述的装置,其中,为了标识所述一个或多个值或所述一个或多个附加值,所述至少一个处理设备被配置成执行闭环模型标识,所述闭环模型标识包括:
使用闭环数据标识第一模型;
基于第一模型对闭环数据进行过滤;以及
基于经过滤的闭环数据而标识第二模型。
13.一种包含指令的非暂时性计算机可读介质,所述指令在由至少一个处理设备执行时使得所述至少一个处理设备执行权利要求1-7中任一项所述的方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662395950P | 2016-09-16 | 2016-09-16 | |
US62/395950 | 2016-09-16 | ||
US15/636,347 US10809674B2 (en) | 2016-09-16 | 2017-06-28 | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems |
US15/636347 | 2017-06-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107831736A CN107831736A (zh) | 2018-03-23 |
CN107831736B true CN107831736B (zh) | 2022-08-12 |
Family
ID=59858893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710832698.7A Active CN107831736B (zh) | 2016-09-16 | 2017-09-15 | 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10809674B2 (zh) |
EP (1) | EP3296822B1 (zh) |
CN (1) | CN107831736B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919646B (zh) * | 2018-07-18 | 2021-02-26 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于支持向量机的快速偏转镜视轴抖振抑制方法 |
EP3614220A1 (de) | 2018-08-20 | 2020-02-26 | Siemens Aktiengesellschaft | Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen |
WO2020188328A1 (en) * | 2019-03-15 | 2020-09-24 | 3M Innovative Properties Company | Method of performing a process and optimizing control signals used in the process |
JP2021015573A (ja) * | 2019-07-16 | 2021-02-12 | ファナック株式会社 | 異常判定装置及び異常判定システム |
CN113874856A (zh) * | 2019-09-19 | 2021-12-31 | 西门子股份公司 | 设计参数值生成方法、装置和计算机可读介质 |
US11709482B2 (en) * | 2021-08-24 | 2023-07-25 | Rockwell Automation Technologies, Inc. | Systems and methods for variable processing of streamed sensor data |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183699A (zh) * | 2011-01-30 | 2011-09-14 | 浙江大学 | 化工过程多变量预测控制系统模型失配检测与定位方法 |
WO2011132050A1 (en) * | 2010-04-19 | 2011-10-27 | Abb Research Ltd | A method and system for updating a model in a model predictive controller |
CN102779281A (zh) * | 2012-06-25 | 2012-11-14 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5351184A (en) | 1993-01-26 | 1994-09-27 | Honeywell Inc. | Method of multivariable predictive control utilizing range control |
US5572420A (en) | 1995-04-03 | 1996-11-05 | Honeywell Inc. | Method of optimal controller design for multivariable predictive control utilizing range control |
US5574638A (en) | 1995-04-03 | 1996-11-12 | Lu; Zhuxin J. | Method of optimal scaling of variables in a multivariable predictive controller utilizing range control |
US5561599A (en) | 1995-06-14 | 1996-10-01 | Honeywell Inc. | Method of incorporating independent feedforward control in a multivariable predictive controller |
US5758047A (en) | 1995-06-14 | 1998-05-26 | Lu; Zhuxin Joseph | Method of process controller optimization in a multivariable predictive controller |
US6122555A (en) | 1997-05-05 | 2000-09-19 | Honeywell International Inc. | System and methods for globally optimizing a process facility |
US6055483A (en) | 1997-05-05 | 2000-04-25 | Honeywell, Inc. | Systems and methods using bridge models to globally optimize a process facility |
US6253113B1 (en) | 1998-08-20 | 2001-06-26 | Honeywell International Inc | Controllers that determine optimal tuning parameters for use in process control systems and methods of operating the same |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US8463718B2 (en) * | 2000-08-07 | 2013-06-11 | Health Discovery Corporation | Support vector machine-based method for analysis of spectral data |
US6697767B2 (en) | 2000-10-18 | 2004-02-24 | The National University Of Singapore | Robust process identification and auto-tuning control |
US7451004B2 (en) | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
US7840287B2 (en) * | 2006-04-13 | 2010-11-23 | Fisher-Rosemount Systems, Inc. | Robust process model identification in model based control techniques |
US8046090B2 (en) * | 2007-01-31 | 2011-10-25 | Honeywell International Inc. | Apparatus and method for automated closed-loop identification of an industrial process in a process control system |
US8036999B2 (en) * | 2007-02-14 | 2011-10-11 | Isagacity | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters |
WO2008139006A1 (es) | 2007-05-10 | 2008-11-20 | Universidad De Cádiz | Sistema para diseno e implantacion de controlador robusto h (h∞,h2) ajustable en tiempo real para procesos industriales de multiples entradas y multiples salidas |
US8073659B2 (en) * | 2007-11-13 | 2011-12-06 | Honeywell International Inc. | Decomposition of nonlinear dynamics using multiple model approach and gap metric analysis |
DE112009005510A5 (de) * | 2008-01-31 | 2013-06-20 | Fisher-Rosemount Systems, Inc. | Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung |
US8311653B2 (en) * | 2008-02-08 | 2012-11-13 | Honeywell International Inc. | Apparatus and method for system identification and loop-shaping controller design in a process control system |
EP2419796B1 (en) | 2009-05-29 | 2016-09-07 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
CN203217277U (zh) * | 2013-03-06 | 2013-09-25 | 江南大学 | 槽式反应器基于在线支持向量机的非线性模型预测控制器 |
US9557724B2 (en) | 2013-05-31 | 2017-01-31 | Honeywell Limited | Technique for converting a model predictive control (MPC) system into an explicit two-degrees of freedom (2DOF) control system |
JP6109037B2 (ja) * | 2013-10-23 | 2017-04-05 | 本田技研工業株式会社 | 時系列データ予測装置、時系列データ予測方法、及びプログラム |
US20150268645A1 (en) | 2014-03-18 | 2015-09-24 | Honeywell Asca Inc. | Method and apparatus for specifying and visualizing robust tuning of model-based controllers |
-
2017
- 2017-06-28 US US15/636,347 patent/US10809674B2/en active Active
- 2017-09-11 EP EP17190494.9A patent/EP3296822B1/en active Active
- 2017-09-15 CN CN201710832698.7A patent/CN107831736B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011132050A1 (en) * | 2010-04-19 | 2011-10-27 | Abb Research Ltd | A method and system for updating a model in a model predictive controller |
CN102985884A (zh) * | 2010-04-19 | 2013-03-20 | Abb研究有限公司 | 用于更新模型预测控制器中模型的方法和系统 |
CN102183699A (zh) * | 2011-01-30 | 2011-09-14 | 浙江大学 | 化工过程多变量预测控制系统模型失配检测与定位方法 |
CN102779281A (zh) * | 2012-06-25 | 2012-11-14 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3296822A2 (en) | 2018-03-21 |
US10809674B2 (en) | 2020-10-20 |
US20180081328A1 (en) | 2018-03-22 |
CN107831736A (zh) | 2018-03-23 |
EP3296822B1 (en) | 2022-02-16 |
EP3296822A3 (en) | 2018-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107831736B (zh) | 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测 | |
CN107831737B (zh) | 用于测量和控制的装置、方法和非瞬时计算机可读介质 | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
CN107831650B (zh) | 用于工业上基于模型的过程控制器的闭环模型参数识别的方法和装置 | |
US20180157225A1 (en) | Apparatus and method for automatic model identification from historical data for industrial process control and automation systems | |
US20210333789A1 (en) | Method and apparatus for real time model predictive control operator support in industrial process control and automation systems | |
CN1639854A (zh) | 生产线后端数据挖掘与处理工具数据挖掘的相关性 | |
AU2018251134B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
WO2021130936A1 (ja) | 時系列データ処理方法 | |
Lin et al. | Implementation and test of an automated control hunting fault correction algorithm in a fault detection and diagnostics tool | |
US20200112577A1 (en) | Graph-based sensor ranking | |
Linker et al. | Observer-based robust failure detection and isolation in greenhouses | |
Salsbury et al. | A method for setpoint alarming using a normalized index | |
Stul et al. | Development of a SVM prediction model to optimize the energy consumption of industrial installations by detecting and classifying errors at an early stage | |
US10976718B2 (en) | System and method for monitoring changes in process dynamic behavior by mapping parameters to a lower dimensional space | |
US11237550B2 (en) | Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis | |
Endel et al. | Adaptive quantile estimation in performance monitoring of building automation systems | |
Jelali et al. | Complete Oscillation Diagnosis Based on Hammerstein Modelling |
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 |