CN107831737A - 用于横向过程行为监视的利用支持向量机的模型工厂失配检测 - Google Patents

Abstract

一种方法包括获得（402）与通过至少一个基于模型的过程控制器（106、204）控制的横向工业过程的操作相关联的操作数据。该方法还包括在训练时段（502a、502b）期间，利用操作数据的第一部分来执行（406）闭环模型识别以识别第一空间和时间模型的多个集合。该方法进一步包括识别（408）与第一空间和时间模型的参数值相关联的群集（604）。该方法还包括在测试时段（504a、504b）期间，利用操作数据的第二部分来执行（410）闭环模型识别以识别第二空间和时间模型。该方法进一步包括确定（412）第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面。此外，该方法包括响应于此类确定（414），检测工业过程的实际行为和模型化行为之间存在失配。

Description

用于横向过程行为监视的利用支持向量机的模型工厂失配 检测

相关申请的交叉引用以及优先权声明

本申请根据35 U.S.C.§119(e)要求于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，藉此通过引用将其整体地并入。

技术领域

本公开总体上涉及测量和控制系统。更具体地，本公开涉及用于横向过程行为监视的利用支持向量机的模型工厂失配检测。

背景技术

工业过程控制和自动化系统通常用于自动操作大且复杂的工业过程。这些类型的控制和自动化系统例行包括过程控制器和比如传感器和致动器之类的现场设备。过程控制器中的某些通常从传感器接收测量结果并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用于控制工业过程的操作的过程控制器中的一种类型。基于模型的过程控制器通常使用一个或多个模型来以数学方式表示工业过程内的一个或多个属性如何响应于对工业过程做出的改变。

为了表现得好并且有效控制过程，基于模型的控制器通常依赖于具有该过程的行为的准确模型。随着过程中的状况改变，其模型通常需要被更新。然而，常常难以使用例行操作数据来确定模型是否准确地描述真实过程行为。此外，为了该目的执行某种实验来改进数据的质量一般是不可取的，因为这可能干扰由该过程产生的产品的质量。

发明内容

本公开提供用于横向过程行为监视的利用支持向量机的模型工厂失配检测。

在第一实施例中，一种装置包括至少一个存储器，其被配置成存储与通过至少一个基于模型的过程控制器来控制的横向工业过程的操作相关联的操作数据。该装置还包括至少一个处理设备，其被配置成在训练时段期间利用操作数据的第一部分来执行闭环模型识别以识别第一空间和时间模型的多个集合。该至少一个处理设备还被配置成识别与第一空间和时间模型的参数值相关联的群集（cluster）。该至少一个处理设备被进一步配置成在测试时段期间利用操作数据的第二部分来执行闭环模型识别以识别第二空间和时间模型。该至少一个处理设备还被配置成确定第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面。此外，该至少一个处理设备被配置成响应于第二空间和时间模型中的至少一个的至少一个参数值落在各群集中的至少一个的外面的确定来检测工业过程的实际行为和模型化行为之间存在失配。

在第二实施例中，一种方法包括获得与通过至少一个基于模型的过程控制器来控制的横向工业过程的操作相关联的操作数据。该方法还包括在训练时段期间利用操作数据的第一部分来执行闭环模型识别以识别第一空间和时间模型的多个集合。该方法进一步包括识别与第一空间和时间模型的参数值相关联的群集。该方法还包括在测试时段期间利用操作数据的第二部分来执行闭环模型识别以识别第二空间和时间模型。该方法进一步包括确定第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面。此外，该方法包括响应于第二空间和时间模型中的至少一个的至少一个参数值落在各群集中的至少一个的外面的确定来检测工业过程的实际行为和模型化行为之间存在失配。

在第三实施例中，一种非瞬时计算机可读介质，其包含当被至少一个处理设备执行时促使该至少一个处理设备获得与通过至少一个基于模型的过程控制器来控制的横向工业过程的操作相关联的操作数据的指令。该介质还包含当被至少一个处理设备执行时促使该至少一个处理设备在训练时段期间利用操作数据的第一部分来执行闭环模型识别以识别第一空间和时间模型的多个集合的指令。该介质进一步包含当被至少一个处理设备执行时促使该至少一个处理设备识别与第一空间和时间模型的参数值相关联的群集的指令。该介质还包含当被至少一个处理设备执行时促使该至少一个处理设备在测试时段期间利用操作数据的第二部分来执行闭环模型识别以识别第二空间和时间模型的指令。该介质进一步包含当被至少一个处理设备执行时促使该至少一个处理设备确定第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面的指令。此外，该介质包含当被至少一个处理设备执行时促使该至少一个处理设备响应于第二空间和时间模型中的至少一个的至少一个参数值落在各群集中的至少一个的外面的确定来检测工业过程的实际行为和模型化行为之间存在失配的指令。

根据下面的图、描述和权利要求，对本领域技术人员来说其他技术特征可能是显而易见的。

附图说明

为了更完整地理解本公开，现在结合附图对下面的描述进行参考，在附图中：

图1图示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图示根据本公开的支持用于横向过程行为监视的模型工厂失配检测的示例设备；

图4图示根据本公开的用于针对横向过程行为监视的模型工厂失配检测的示例方法；以及

图5至图7图示根据本公开的用于横向过程行为监视的模型工厂失配检测的示例使用。

具体实施方式

在本专利文献中，下文讨论的图1到图7以及用来描述本发明的原理的各种实施例是仅通过例证的方式，而不应以限制本发明的范围的任何方式来解释。本领域技术人员将理解的是，本发明的原理可以实现在任何类型的适当布置的设备或系统中。

如上指出的，基于模型的工业过程控制器是例行用于控制工业过程的操作的过程控制器中的一种类型。基于模型的过程控制器通常使用一个或多个模型来以数学方式表示工业过程内的一个或多个属性如何响应于对工业过程做出的改变。基于模型的控制器通常要求过程行为的精确模型以便良好地执行。随着与工业过程有关的条件改变，针对该过程的模型通常需要被更新。然而，常常难以从例行操作数据来确定模型是否准确地描述工业过程的真实过程行为。此外，为了该目的执行实验来改进数据的质量常常是不可取的，因为该实验可能影响在工业过程中被制造或处理的一个或多个产品的质量。对于诸如造纸过程的横向过程，可能尤其如此，在此情况下问题的复杂性以及问题大小可能提高对自动确定状况何时改变的需要并且可能不再能够适当地执行控制。

如下面更详细描述的，本公开提供用于使用例行操作数据来为横向过程检测显著模型工厂失配的技术。当检测到失配时，现有的模型可以被更新或新的模型可以被创建并用来控制工业过程，从而帮助保持在工业过程中被制造或处理的产品的质量。该技术涉及基于例行操作数据定期识别用于不同模型的模型参数，并且使用支持向量机来分析模型参数以确定是否已从表示预期过程行为的所建立的群集导出模型。为了在横向控制中（诸如在造纸机中）支持该方法，描述了用于横向过程的闭环识别方法。在该文档中，短语“横向过程”一般指的是在其中致动器跨过被制造或处理的产品来操作的工业过程。

除了别的之外，这些技术在除了例行发生的那些之外不需要向过程添加任何扰动的情况下允许监视横向过程。而且，不需要用于控制横向过程的实际控制策略的知识。通过监视过程行为中的改变，控制器已对其正确作出响应的过程干扰不会被识别为要被解决的控制问题。因此，高级控制可以自动检测过程行为中的改变并且可以发起设计实验来重新识别准确过程模型以保持控制器最佳执行。

图1图示出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包括促进至少一种产品或其他材料的生产或处理的各种组件。例如，系统100在此处用于促进对在一个或多个工厂101a-101n中的组件的控制。每个工厂101a-101n表示一个或多个处理设施（或其一个或多个部分），诸如用于生产至少一种产品或其他材料的一个或多个制造设施。一般来说，每个工厂101a-101n可以实现一个或多个过程并且可以单独地或共同地被称为过程系统。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他材料的任何系统或其部分。

在图1中，使用过程控制的普度模型来实现系统100。在普度模型中，“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表示过程系统中可以执行各种各样的功能中的任何功能的组件。例如，传感器102a可以测量过程系统中的各种各样的特性，诸如温度、压力或流率。同样，致动器102b可以更改该过程系统中的各种各样的特性。传感器102a和致动器102b可以表示任何适当的过程系统中的任何其他或附加的组件。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适当的结构。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所述一个或多个条件的任何适当的结构。

一个或多个网络104被耦合到传感器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传输测量结果数据并将控制信号提供给给致动器102b。网络104可以表示任何适当的网络或网络组合。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网络）、气动控制信号网络或任何其他或附加的（一个或多个）类型的（一个或多个）网络。

在普度模型中，“1级”包括一个或多个控制器106，其被耦合到网络104。除其他之外，每个控制器106可以使用来自一个或多个传感器102a的测量结果来控制一个或多个致动器102b的操作。每个控制器106包括用于控制过程系统的一个或多个方面的任何适当的结构。作为特定示例，每个控制器106可以表示运行实时操作系统的计算设备。

冗余网络108被耦合到控制器106。 网络108诸如通过从和向控制器106传输数据来促进与控制器106的交互。 网络108可以表示任何适当的冗余网络。作为特定示例，网络108可以表示一对以太网网络或冗余的一对以太网网络，诸如来自霍尼韦尔国际有限公司的容错以太网（FTE）网络。

至少一个开关/防火墙110将网络108耦合到两个网络112。开关/防火墙110可以从一个网络向另一网络传输通信量。开关/防火墙110还可以阻止一个网络上的通信量到达另一网络。开关/防火墙110包括用于提供网络之间的通信的任何适当的结构，诸如霍尼韦尔控制防火墙（CF9）设备。网络112可以表示任何适当的网络，诸如一对以太网网络或者FTE网络。

在普度模型中，“2级”可以包括被耦合到网络112的一个或多个机器级控制器114。该机器级控制器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，其可以与特定的一件工业装备（诸如锅炉或其他机器）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的测量结果数据或用于致动器102b的控制信号。机器级控制器114还可以执行控制控制器106的操作的应用，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他单独的一件装备的访问、对其的控制或与其相关的操作的任何适当的结构。机器级控制器114中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。虽然没有示出，但是可以使用不同的机器级控制器114来控制过程系统中的不同的各件装备（其中每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被耦合到网络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，其可以然后提供对控制器106的用户访问（并且很可能提供对传感器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还可以允许用户调节传感器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可以接收并显示警告、警报或其他消息、或者由控制器106或机器级控制器114生成的显示。操作者站116中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站116中的每一个可以例如表示运行微软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适当的结构，诸安全路由器或组合式路由器/防火墙。网络120可以表示任何适当的网络，诸如一对以太网网络或者FTE网络。

在普度模型中，“3级”可以包括被耦合到网络120的一个或多个单元级控制器122。每个单元级控制器122通常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一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别中的组件的操作和控制。例如，单元级控制器122可以记录由较低级别中的组件收集或生成的信息，执行控制较低级别中的组件的应用，以及提供对较低级别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一个或多个机器或过程单元中的其他件的装备的访问、对其的控制或与其相关的操作的任何适当的结构。单元级控制器122中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。虽然没有示出，但是可以使用不同的单元级控制器122来控制过程系统中的不同的单元（其中每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）。

可以通过一个或多个操作者站124来提供对单元级控制器122的访问。操作者站124中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站124中的每一个可以例如表示运行微软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适当的结构，诸安全路由器或组合式路由器/防火墙。网络128可以表示任何适当的网络，诸如一对以太网网络或者FTE网络。

在普度模型中，“4级”可以包括被耦合到网络128的一个或多个工厂级控制器130。每个工厂级控制器130通常与工厂101a-101n中的一个相关联，其可以包括实现相同、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别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、调度应用或者其他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、对其的控制或与其相关的操作的任何适当的结构。工厂级控制器130中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。

可以通过一个或多个操作者站132来提供对工厂级控制器130的访问。操作者站132中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站132中的每一个可以例如表示运行微软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适当的结构，诸安全路由器或组合式路由器/防火墙。网络136可以表示任何适当的网络，诸如企业范围以太网或其他网络或者较大的网络（诸如互联网）的所有或一部分。

在普度模型中，“5级”可以包括被耦合到网络136的一个或多个企业级控制器138。每个企业级控制器138通常能够执行针对多个工厂101a-101n的规划操作并能够控制工厂101a-101n的各方面。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顺序处理应用、企业资源规划（ERP）应用、高级规划和调度（APS）应用或者任何其他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控制的访问、对其的控制或与其相关的操作的任何适当的结构。企业级控制器138中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。在本文献中，术语“企业”指的是具有一个或多个工厂或其他处理设施要管理的组织。要指出的是，如果要管理单个工厂101a，则企业级控制器138的功能可以被并入到工厂级控制器130中。

可以通过一个或多个操作者站140来提供对企业级控制器138的访问。操作者站140中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站140中的每一个可以例如表示运行微软WINDOWS操作系统的计算设备。

在本示例中，历史库142也被耦合到网络136。历史库142可以表示存储关于系统100的各种信息的组件。历史库142可以例如存储在生产调度和优化期间使用的信息。历史库142表示用于存储和促进信息检索的任何适当的结构。虽然被示出为被耦合到网络136的单个集中化组件，但是历史库142可以位于系统100中的任何位置处，或者多个历史库可以分布在系统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指示使用一个或多个过程模型144进行操作的基于模型的控制器。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进行操作以基于来自一个或多个传感器102a的测量结果来确定如何调节一个或多个致动器102b。在一些实施例中，每个模型144将一个或多个操纵或干扰变量与一个或多个控制变量相关联。控制变量（CV）一般表示可被测量或推算出并且被理想地控制成在期望的设置点处或其附近或在期望的值范围内的变量。操纵变量（MV）一般表示可以被调节以便更改一个或多个控制变量的变量。干扰变量（DV）一般指示其值可以被考虑但是不能被控制的变量。作为一简单示例，材料通过管道的流率可以指示控制变量，用于控制材料的流率的阀门的阀门开口可以指示操纵变量，并且管道或阀门周围的环境温度可以指示干扰变量。

如上面所指出的，过程模型144需要被相当准确地用于基于模型的控制器以便有效地操作，并且过程模型144通常需要被更新为与工业过程改变有关的状况。然而，常常难以从例行操作数据来确定模型是否准确地描述工业过程的真实过程行为，并且执行实验来收集数据以便确定模型是否准确地描述工业过程的真实过程行为常常是不可取的。例行操作数据一般包括在过程的正常（非测试）操作期间从一个或多个传感器收集的或由一个或多个控制器生成的数据（诸如用于一个或多个致动器的控制信号）。

根据本公开，系统100的至少一个组件包括分析用于基于模型的控制器的例行操作数据以便检测显著的模型工厂失配的工具146。下面描述用于检测显著的模型工厂失配的示例技术。而且，如在下面更详细描述的，工具146可以将支持向量机用作例行操作数据的分析的一部分。使用这些技术的一个示例益处是显著的模型工厂失配可以被自动确定以使得在模型工厂失配因为差的过程控制而引起损失之前基于模型的控制器可以使其（一个或多个）模型144被更新或替换。

可以以任何适当的方式并使用任何适当的设备来实现工具146。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上。工具146也可以驻留在图1中的任何其他（一个或多个）适当设备上，诸如在专用计算设备上。可以使用任何适当的硬件或硬件和软件/固件指令的任何适当的组合来实现工具146。在特定实施例中，使用由计算设备的至少一个处理器执行的软件/固件指令来实现工具146。

虽然图1图示出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，控制和自动化系统可以包括任何数量的传感器、致动器、控制器、服务器、操作者站、网络、模型、工具和其他组件。此外，图1中的系统100的构成和布置仅用于例证。可以根据特定需要添加、省略、组合、进一步细分、或以任何其他适当的配置来放置组件。另外，特定功能已被描述为被系统100的特定组件执行。这仅是用于例证。一般来说，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适当的方式来配置。此外，虽然图1图示出其中可以使用模型工厂失配检测的一种示例环境，但是可以在任何其他适当的设备或系统中使用该功能。

图2图示出根据本公开的第二示例工业过程控制和自动化系统200。具体来说，图2的系统200指示示例纸幅（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包括用于生产纸质产品的各种组件，所述纸质产品即在卷筒210处收集的纸卷208。控制器204监视并控制造纸机202的操作，这可以有助于维持或提高由造纸机202生产的纸卷208的质量。

在该示例中，造纸机202包括至少一个压头箱212，其跨机器将浆料悬浮液均匀地分发到连续的移动的金属丝网筛或网格213上。进入压头箱212的浆料悬浮液可以包含例如0.2–3%的木质纤维、填料和/或其他材料，悬浮液的其余内容是水。诸如真空箱之类的排水元件的阵列214尽可能多地去除水以发起纸幅208的成形。蒸汽致动器的阵列216生产热蒸汽，其穿透纸卷208并将蒸汽的潜热释放到纸卷208中。再湿润淋浴致动器的阵列218将小水滴（其可以是空气雾化的）添加到纸卷208的表面上。然后通常使纸卷208通过具有几段（nip）逆向旋转的卷轴的压延机。感应加热致动器的阵列220对这些卷轴中的各个卷轴的壳表面加热。

图2中示出两个附加致动器222-224。厚的纸料流致动器222控制在压头箱212处收到的进入纸料的稠度。蒸汽流致动器224控制从干燥筒传递至纸幅208的热量。致动器222-224可以例如表示分别控制纸料和蒸汽的流动的阀。这些致动器可被用来控制纸幅108的干重和湿度。附加的流致动器可被用来控制厚的纸料中的不同类型的纸浆和填充材料的比例以及控制混合到纸料中的各种添加剂（诸如助留剂或染料）的量。

在图2中，机器方向（MD）指示沿着纸幅208的较长长度的方向，并且横向（CD）指示横跨纸幅208的较短宽度（垂直于机器方向）的方向。图2中的各种致动器（包括压头箱212中的致动器、排水元件214、蒸汽致动器216、再湿润淋浴致动器218、以及感应加热致动器220）通常操作用来改变横跨纸幅208的宽度的纸幅208的特性。这些致动器集合中的一个或多个因此实现造纸机202中的至少一个横向过程。

这表示了可以用于产生纸质产品的一种类型的造纸机202的简要描述。关于此类造纸机202的附加细节在本领域中是公知的，并且对于理解本公开来说不是所需的。此外，虽然被描述为被用于制造纸卷，但是可以使用用于制造或处理任何适当织物的其他类型的机器。

为了控制造纸过程，可以持续地或重复地测量纸卷208的一个或多个属性。可以在制造过程中的一个或各个阶段处测量纸幅属性。然后可以使用该信息来调节造纸机202，诸如通过调节造纸机202内的各致动器。这可以有助于补偿纸幅属性从期望目标的任何变化，这可以有助于确保纸幅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，其中的每一个都可以包括一个或多个传感器。每个扫描器226-228都能够测量纸卷208的一个或多个特性。例如，每个扫描器226-228都可以包括用于测量张力、卡尺厚度、湿度、各向异性、基重、颜色、光彩、光泽、雾度、表面特征（诸如表面特征的粗糙度、形貌或取向分布）或纸卷208的任何其他或附加的特性。

每个扫描器226-228都包括用于测量或检测纸卷208的一个或多个特性的任何适当的一个或多个结构，诸如一组或多组传感器。扫描器的使用表示用于测量纸幅属性的一个特定实施例。可以使用其他实施例，诸如包括传感器的一个或多个静止的组或阵列、被部署在一个或跨纸幅的几个位置中或者被部署在跨纸幅的整个宽度的多个位置中以使得测量基本上整个纸幅宽度的实施例。

控制器204从扫描器226-228接收测量结果数据并使用该数据来控制造纸机202。例如，控制器204可以使用测量结果数据来调节致动器中的任何或者造纸机202的其他组件。控制器204包括用于控制造纸机202的至少一部分的操作的任何适当的结构，诸如计算设备。要指出的是，虽然在此处示出了单个控制器204，但是可以使用多个控制器204，诸如控制纸幅的不同变量的不同控制器。

网络206被耦合到控制器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适当的网络或网络组合。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网络）、气动控制信号网络或任何其他或附加的（一个或多个）网络。

（一个或多个）控制器204可以进行操作以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，每个模型230可以将一个或多个操纵或干扰变量与一个或多个控制变量相关联。控制变量通常包括纸幅208的一个或多个属性。操纵变量通常包括由系统200中的各种致动器使用的设置点、设置或其他值。

根据本公开，系统200的至少一个组件包括分析用于基于模型的控制器的例行操作数据以便检测显著模型工厂失配的工具232。下面描述用于检测显著模型工厂失配的示例技术。而且，如下面更详细描述的，工具232可以将支持向量机用作例行操作数据的分析的部分。

可以以任何适当的方式并使用任何适当的设备来实现工具232，诸如当工具232驻留在控制器204或专用计算设备（诸如操作者站或其他设备）上时。可以使用任何适当的硬件或硬件和软件/固件指令的任何适当的组合来实现工具232，诸如当使用由计算设备的至少一个处理器执行的软件/固件指令来实现工具232时。

虽然图2图示出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，可以使用其他系统来生产其他纸质或非纸质产品。此外，虽然被示出为包括具有各种组件的单个造纸机202和单个控制器204，但是系统200可以包括任何数量的造纸机或具有任何适当的结构的其他机械，并且系统200可以包括任何数量的控制器。此外，虽然图2图示出其中可以使用模型工厂失配检测的另一示例环境，但是可以在任何其他适当的设备或系统中使用该功能。

图3图示根据本公开的支持用于横向过程行为监视的模型工厂失配检测的示例设备300。设备300可以例如表示图1和图2中的可以执行工具146、232的设备中的任何。然而，设备300可以用在任何其他适当的系统中，并且工具146、232可以使用任何其他适当的设备来实现。

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以及至少一个输入/输出（I/O）单元308。 处理设备302执行可以被加载到存储器310中的指令。处理设备302可以包括在任何适当的布置中的任何适当数量以及（一个或多个）类型的处理器或其他设备。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、专用集成电路以及分立逻辑器件。

存储器设备310和持久性存储312是存储设备304的示例，其表示能够存储信息（诸如数据、程序代码和/或基于暂时性或持久性的其他适当信息）并促进信息的检索的（一个或多个）任意结构。存储器设备310可以表示随机存取存储器或任何其他适当的（一个或多个）易失性或非易失性存储设备。持久性存储312可以包含支持数据的长期存储的一个或多个组件或设备，诸如只读存储器、硬驱、闪速存储器或光盘。

通信单元306支持与其他系统或设备的通信。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可以支持通过任何（一个或多个）适当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可以通过键盘、鼠标、键区、触摸屏或其他适当的输入设备来为用户输入提供连接。I/O单元308还可以向显示器、打印机或其他适当的输出设备发送输出。

虽然图3图示出支持用于横向过程行为监视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，可以对图3中的各种组件进行组合、进一步细分、重新排布或省略，并且可以根据特定需要来添加附加组件。此外，计算设备可以以各种各样的配置出现，并且图3不将本公开限于计算设备的任何特定配置。

图4图示出根据本公开的用于针对横向过程行为监视的模型工厂失配检测的示例方法400。为了易于解释，下文中将方法400描述为使用图1和图2的系统100、200中的图3的设备300来实现。然而，方法400可以使用任何适当的设备并在任何适当的系统中执行。

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是在控制器106或204内执行的，则这可以包括处理设备302收集在控制器执行控制逻辑期间的例行操作数据。

在步骤404处，该操作数据被划分为多个时段，包括训练时段和测试时段。这可以包括例如执行工具146、232的处理设备302将例行操作数据分为训练时段和测试时段。任何适当的机制都可以被用来将数据划分为不同时段。

在步骤406处，在训练时段期间估计用于表示潜在横向过程的多个模型的模型参数。这可以包括例如执行工具146、232的处理设备302使用训练时段中的例行操作数据执行模型识别算法以识别用于空间模型、时间模型和噪声模型的参数。在特定实施例中，可以使用在下面描述的闭环模型识别技术。该技术使用滑动窗口来使用训练时段中的数据的不同部分来反复识别空间、时间和噪声模型参数。

在步骤408处识别模型参数的群集。这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的群集。该支持向量机可以实施通过将原始数据映射到群集边界可以被识别的空间中来生成数据的线性或非线性群集的内核函数。使用支持向量机，可以为从训练数据识别的空间、时间和噪声模型参数识别“正常”模型参数的群集。

在步骤410处在测试时段期间估计用于表示潜在横向过程的多个模型的附加模型参数。这可以包括例如执行工具146、232的处理设备302利用测试时段中的例行操作数据执行与步骤406中的相同的操作以识别附加的空间、时间和噪声模型参数。

在步骤412处检测在测试时段期间生成的落在它们的相应群集之外的附加模型参数中的任一个。这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任何新的空间、时间和噪声模型参数是否落在使用来自（一个或多个）先前训练时段的空间、时间和噪声模型参数识别的群集之外。如下面更详细描述的那样，这可以包括处理设备302计算表示新模型参数的点到与该模型参数相关联的群集的功能性距离。该距离可以被用来将新模型参数是在相关联的群集之内还是之外归类。

在步骤414处如果确定附加模型参数中的至少一个落在其相应群集之外，则在步骤416处作出这些附加模型参数中的任一个是否不是噪声参数的确定。这可以包括例如执行工具146、232的处理设备302确定所识别的模型参数是与空间模型相关联还是与时间模型相关联，这可能指示模型工厂失配。这还可以包括处理设备302确定所识别的模型参数是否与噪声模型相关联，这可能不指示模型工厂失配。如下面所述的，这允许失配检测算法在区别对待噪声模型中的改变的同时监视过程模型中的失配。

当在测试时段期间识别的至少一个模型参数落在其相关联的群集之外（并且不是噪声模型参数）时，这可能指示潜在CD过程的显著改变，这意味着可能存在模型工厂失配。如果检测到那样，则在步骤418处可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。操作者然后可执行或发起模型识别过程来收集数据以便生成新的过程模型或更新现有的过程模型。这还可以包括处理设备302发起模型识别过程来收集数据并生成新的或已更新的过程模型。模型识别过程可以由处理设备302或另一设备来执行。还可以响应于所识别的模型工厂失配而发生任何其他或附加动作。

尽管图4图示用于针对横向过程行为监视的模型工厂失配检测的方法400的一个示例，但是可对图4作出各种改变。例如，尽管被示出为一系列步骤，但是图4中的各个步骤可以重叠、并行发生、以不同顺序发生、或者发生任何次数。

下面提供关于用于模型工厂失配检测的具体技术的附加细节。要指出，下面提供的细节仅是示例并且可以使用在本专利文档中描述的技术的其他实施方式。还要指出，尽管下面提供了具体细节，但是可以使用下面描述的技术的其他实施方式。

下面描述用于与造纸机有关的CD过程的模型工厂失配检测框架。该框架包括（i）具有例行操作数据的CD闭环识别和（ii）具有单类支持向量机（SVM）训练和预测的模型工厂失配检测。所提出的闭环识别算法是迭代的，交替地识别空间和时间模型的有限脉冲响应（FIR）系数。该迭代识别算法是收敛的并且为那些参数渐进地提供一致估计。单类SVM模型基于使用训练数据生成的模型估计，并且SVM模型被用于使用测试数据来预测失配的发生。除了别的之外，该方法允许使用在没有任何外部刺激的例行操作数据的情况下发生模型工厂失配检测。此外，该方法允许在区别对待由控制器使用的噪声模型中的改变的同时监视过程模型中的失配。然而，要指出下面描述的技术不限于与造纸机一起使用并且可以被扩展到其他横向过程。

总的来说，下面描述的方法涉及以下内容。训练数据被用作基准，并且模型工厂失配检测操作用来检测在与训练数据有关的测试数据中引起的改变。闭环识别与训练数据一起使用，并且基于所获取的过程模型来生成SVM模型。SVM模型被用来预测测试数据中模型工厂失配的存在。为了避免归因于欠建模（under-modeling）的偏差，可以在闭环识别中使用模型的FIR表示。支持向量机被用于二元分类并且提供就降低错误分类而言的鲁棒性和合并内核函数的容易的一般化二者。当数据点的维度大时，支持向量机还可以比其他分类技术执行得更好。该特征在这里适合，因为数据点可以包括CD过程模型的长FIR系数。在特定实施例中，可以在这里使用单类SVM，并且失配监视可以被视为异常检测问题。图5至7图示根据本公开的用于横向过程行为监视的模型工厂失配检测的示例使用。

CD过程模型。

在下面的讨论中，假设在造纸机中采用以下单阵列CD过程。

在这里y(t)R^m和u(t)Rⁿ分别表示测得的输出信号（CV）和测得的输入信号（MV）。要指出，m和n分别是CV和MV配置文件的维度。在不损失一般性的情况下，假设m >> n并且m是n的整数倍，意味着m = kn，在这里k Z。在此，v(t)R^m是着色测量噪声向量，并且g ^o (q ^-1 )是在时间方向上对过程的动力学进行建模的单变量传递函数。假设g ^o (q ^-1 )是标量模型，它在实践中很常见因为沿着横向的大部分致动器展示类似的动力学并且它可以大大简化潜在过程的分析。实际上，许多工业示例已揭示一阶加时间延迟模型足以表示时间动力学。因此，可假设可以通过具有单位增益的一阶模型来获得g ^o (q ^-1 )，诸如：

其中f ^o = exp(-T _s /T _p )，其中T _p 和T _s 分别表示时间常数和采样间隔。G ^o R^m是表示致动器阵列在稳态下的空间响应的稳态增益矩阵，并且d表示离散时间延迟。上标“o”用来指示真实过程。

空间静态模型G ^o 通常可被假设成托普利兹结构化的，意味着每个列是所谓的空间脉冲响应曲线b(x)的横向离散化的移位版本，在这里x是空间坐标。空间脉冲响应曲线可以被表示为：

在这里，增益、宽度、散度、和衰减度是确定b(x)的形状的四个参数。为了方便起见，定义并且使用来指示等式（1）中的空间参数的真实值。可以用值来确定G ^o 的第(i, j) 个条目，在这里d _s 是邻近的测量箱之间的空间距离并且c _j 是第j个致动器的空间响应中心。就其参数而言等式（3）是高度非线性的。然而，如果G ^o 的各条目被直接视为要被估计的空间参数，则等式（1）就空间和时间参数而言分别是线性的。根据托普利兹结构，G ^o 可以被分解如下：

在这里，表示代表G ^o 中第k个元素的标量并且E_k表示对应的第k个基矩阵。取m = 6、n= 3、以及q ^o = 2作为一个示例，可以获得下式：

利用上面的分解，可以通过估计参数而不是等式（3）中的那些来识别空间模型G ^o 。要指出，上面的CD过程模型中的隐含而标准的假设是在时间动力学模型g ^o (q ^-1 )和空间静态模型G ^o 之间的可分离性。此类特征将典型CD过程与哈默斯坦模型连接。

CD噪声模型。

许多CD系统识别方法仅考虑v(t)成为高斯白噪声的情况。实践中，测量设备的物理性质在横向上来回行进（诸如在造纸机202中）在空间和时间方向两者上产生v(t)着色噪声。已经可得到从简单变到复杂的若干噪声模型来精确表示碰到的现实噪声。惯常的做法是使用多元带对角自回归（AR）或自回归移动平均（ARMA）结构以使得通过对角上的每个滤波器来建模时间相关性并且通过非对角条目之间的相互作用来表示空间相关性。一个备选是在强制创新序列来具有非对角协方差矩阵的同时将噪声模型选为对角的。

对于后一种方法，用协方差矩阵来反映着色噪声v(t)的空间相关性。从系统识别的角度来看，后一种方法允许在不涉及噪声矩阵的可逆性问题的情况下对噪声模型矩阵求逆，这在前一种方法中常常发生。此外，类似于时间动态模型，假设所有输出信道在时间方向上都拥有相同的噪声模型。基于此，可以获得下式：

在这里H ^o (q ^-1 )表示稳定且逆向稳定的标量首一传递函数，表示恒等矩阵，并且e ^o (t)R^m表示零均值高斯白噪声向量，其中协方差为:

要指出，Σ可以是非对角的并且被结构化成表示CD测量结果噪声的空间相关性。一般来说，可能难以获取关于等式（6）中的真实噪声模型结构H ^o (q ^-1 )的先验信息。对于闭环识别（尤其直接识别方法），噪声模型的不正确规范常常导致过程模型估计中的偏差。下面描述用于CD过程模型的新颖的闭环识别技术并且解决该问题。

CD过程模型的高阶ARX近似。

任何稳定线性传递函数都可以通过高阶FIR模型来任意很好地近似。因此，可以使用足够高阶自回归外生（ARX）结构来表示等式（1）-（7）中的CD过程模型以便避免直接闭环识别中的源于噪声模型结构的误设的偏差问题。例如，CD模型可以被重写如下，给定等式（6）中的特定对角噪声模型以及等式（4）中G ^o 的分解，

在此，A ^o (q ^-1 ,a ^o ) = 1/H ^o (q ^-1)是示出噪声模型的逆的FIR表示的标量多项式，其可以被表示为：

多项式B ^o (q ^-1 ,b ^o ) = A ^o (q ^-1 ,a^o)g ^o (q ^-1 )是标量传递函数的FIR形式，具有下面的表达式：

。

定义参数向量。严格来说，A ^o (q ^-1 ,a ^o )和B ^o (q ^-1 ,b ^o )具有无穷阶，因为它们是有理函数的无穷级数扩张。然而，在A ^o (q ^-1 ,a ^o )和B ^o (q ^-1 ,b ^o )的稳定性假设的情况下，它们的系数衰减在足够的滞后之后成为可忽略的。因此，在实践中，使用有限截断形式来执行对应识别是有意义的。利用上面的操纵，CD过程模块可以被变换成ARX-哈默斯坦结构，其可以比原始鲍克斯-詹金斯-哈默斯坦结构更简单得多地进行处理。然而，要指出，这的确增加了用来在高阶表示中估计的参数的数目，这对闭环数据的信息量置以更严格的要求。

反馈的存在。

MPC算法中的典型约束包括致动器限制、连续控制动作之间的最大改变、关于阵列中平均化致动器配置文件的约束、以及对于弯曲极限的界限。当这些约束中的一些有效时，MPC控制器可以依据控制器的目标函数的公式来显示分段线性行为或非线性行为。因此，反馈可以被指示为：

在这里以类似的方式来定义u ^t-1 = {u(1),...,u(t-1)}和y ^t 。要指出，对于在不存在外部刺激和设置点改变的情况下具有例行操作数据的闭环识别，非参数识别方法常常产生作为过程模型估计（其是不正确的）的控制器逆。防止这种情况的一种方式是通过当执行高阶ARX识别时对等式（8）施加真实时间延迟。假设遍及下面的推导真实时间延迟可用。然而，在实践中，该严格的假设可以被放松，并且甚至当真实时间延迟不可用时所提出的失配方案都会起作用。在这种情况下，真实时间延迟的先验知识可以被合并到识别算法中。

闭环识别的另一关注是过程模型的可识别性。已经发现，对于线性反馈控制，调节器中的更高阶和过程中的更大时间延迟通常会增加闭环数据的信息量。已经在别处研究了这些因素之间的具体关系。然而，等式（11）中的时变或非线性调节器足以保证有益的实验。可以示出，对于等式（1）-（7）中的CD过程模型，甚至在相当弱的条件下在没有外部刺激或设置点改变的情况下都存在闭环可识别性。

模型工厂失配检测算法。

此章节解释利用例行操作数据来检测模型工厂失配的存在的总体概念。如上面所介绍的，过程模型的闭环识别面对许多具有挑战性的问题，诸如可识别性以及归因于噪声模型误设的偏差。尽管可用利用适当的技术来解决或减少这些问题，例行操作数据的差的质量可以使模型参数估计经历大的变化。该变化妨碍区分来自真实模型的过程模型估计的偏移是否能够对模型工厂失配或变化有贡献的能力。换言之，很可能的是，如果没有仔细区分由参数变化引起的影响和由模型工厂失配引起的影响，会出现错误的警报或错过的警报。

该问题的一种解决方案是在真实模型周围提出适当的边界来描述与模型估计相关联的不确定性的范围。落入在边界之内的任何模型被视为正常，并且其与真实模型的差异被看作由参数估计的变化引起的。为了获得指示该变化的合理边界，例行操作数据的具有满意控制性能的一部分可以被选择作为训练数据。总的来说，刚好在前一闭环实验之后的例行数据可以被选取作为训练数据，因为有可能该数据不包含失配。例行数据的剩余部分可以被看作测试数据。

诸如以在训练数据中移动窗口的形式来执行连续闭环识别。来自训练数据的模型估计形成描绘来自模型估计的变化的影响的基准化群集。对于测试数据，可以应用相同移动窗口识别，并且检查模型估计以确定它们是否位于基准化群集内。如果是这样，该算法可以确定在潜在测试数据集中没有失配存在。图5图示将例行操作数据分为训练阶段（包括两个训练阶段502a-502b）和测试阶段（包括两个测试阶段504b-504b）的概念。如上所指出的，训练阶段可以被选择成在系统识别之前立即发生，因为在系统识别之后立即存在失配是不可能的。

单类SVM可以是描述基准化群集的有效选择。支持向量机的一个优点是与其他群集技术相比其处理高维数据的能力。此外，SVM分类问题可以被容易地公式化为凸优化，其允许保证收敛到全局最优值的有效算法。在该方法中，可以基于使用训练数据识别的模型来训练单类SVM，并且受训练的SVM可以被用来根据测试数据为任何给定估计模型预测模型工厂失配的发生。

具体到CD失配检测问题，可以利用上面的技术来分开检查时间模型和空间模型。为了集成所有可能的参数失配（诸如增益失配和时间常数失配），可以以FIR形式来估计模型。如果仅仅基于所估计的参数来报告失配则可以生成错误警报，因为多个参数失配作为整体产生相同的过程模型是有可能的。因此，就检查该模型中的变化来说，模型的FIR形式是有用的。也容易经由SVM训练和预测来处理FIR形式的高维性质。

图6图示利用SVM技术来检测模型工厂失配的概念。在图6中，每个点602都代表模型的一个FIR表示。处于圆形的模型是从训练数据获得的那些，并且它们形成基准化群集604。处于交叉点的模型是从测试数据获得的那些，并且在基准化群集604之外的那些模型被视为失配模型。

如可以在这里看到的，闭环识别和SVM训练构成用于失配检测方案的两个构建块。在下面的章节中，提出一种新颖的闭环CD识别，并且更详细地描述SVM训练技术。然而，要指出，不要求失配检测方案使用下面描述的闭环CD识别和SVM训练技术并且其他实施方式是可能的。

闭环CD识别。

该章节提出一种新颖的闭环CD识别方法，其甚至在弱的条件下基于闭环数据给出收敛和一致估计。在此处使用等式（8）中的高阶ARX表示。该技术交替地识别空间模型G ^o 和时间模型{A _o (z ^-1 ),B _o (z ^-1 )}直到参数收敛为止。当识别空间（或时间）参数时，时间（或空间）参数可以被固定成最新的值。

基于g ^o (q ^-1 )的先前分析，可以以下面的形式利用一阶模型结构来对时间模型参数化：

在这里，θ _T = [hf] ^T 表示时间参数并且Ω _T 表示紧凑集。时间延迟d被吸收到等式（1）中的输入信号内。迭代识别算法主要处理原始CD过程的等式（8）中的高阶ARX表示。该模型可以被参数化如下：

其中：

在此处，，，并且c = [c ₁ ... c _q ] ^T 。而且，n _a 和n _b 表示ARX模型的阶数以及q表示所选择的空间阶数。时间模型{A(q ^-1 ,a),B(q ^-1 ,b)}被假设成标量传递函数。

为了导出等式（13）的预测形式，以第i个输出信道y _i (t)开始并且将结果推广到整个输出。定义R^m，在这里k = 1, ..., q。利用等式（13）中的高阶ARX参数化，对于第i个输出的领先一步预测可以被表示为：

直接计算产生：

在这里：

接下来整个输出的预测形式是：

在这里：

。

对于参数估计，在等式（8）中定义的控制器的情况下考虑根据S ₂ 生成的以下输入-输出数据集Z ^N ：

使表示堆积所有时间和空间参数。参数估计的损失函数可以被公式化为：

在这里ε(t,θ) R^m表示预测误差并且可以被表述为：

。

可以通过下式来获得最佳参数估计：

在这里表示紧且凸的集合。Ω _a 、Ω _b 和Ω _c 分别表示a、b和c的紧且凸的集合。因为等式（20）中的耦合Cb直接求解等式（25）中的优化问题可能并不简单，这导致非线性且非凸的优化。然而，C和b的可分离结构允许可分离最小二乘技术的使用。固定Cb的一个参数并且关于另一个求解优化是凸的，并且该方案导致迭代优化方法。可以表明，甚至在弱条件下，该迭代识别方案都是收敛的。

与等式（24）-（25）有关的另一观察是针对哈默斯坦模型而特征化的非可识别性问题。这归因于任一对(b/ℓ, ℓc)都会产生相同的模型的事实，。为了解决该问题，可以在适当位置完成b或c的标准化。对于可以被变换成可分离线性最小二乘形式的开环哈默斯坦模型，倘若在每次迭代之后执行标准化的话，迭代识别算法可以保证收敛到平稳点。

因此用于求解等式（25）的迭代识别算法可以出现如下。将a和b的初始值分别表示为和。使用来表示a在第k次迭代中的估计。相同的记号被用于b和c的值。将最大迭代数定义为K。在每次迭代k中（在这里k = 1, ..., K），将空间参数固定到并且通过求解下式来执行对于等式（13）的高阶ARX识别：

上面的优化是易于解决的普通最小二乘问题。在识别空间参数之前，在求解等式（26）之后可以被标准化如下：

这样做是为了消除归因于b和c的耦合的参数非可识别性。在此之后，将时间参数固定到并且利用另一线性最小二乘来估计等式（13）中的空间参数：

然后可发生下一迭代，并且实施相同的程序。

在K次迭代之后所估计的参数被定义为、和。在此情况下，。要指出，为了获得对真实时间和空间参数的估计，可以发生一些额外的识别。为此，可以诸如通过下式来对输入-输出数据滤波：

理想地，如果且，则根据等式（1）、（8）和（13）得出。可以表明，甚至在弱的条件下和都以样本数N渐进收敛到真实参数值。因此，利用经过滤波的输入和经过滤波的输出来估计时间模型g ^o (q ^-1 )是合理的。如果关于真实时间模型结构的先验信息是可用的，则可以通过输出误差识别来有效地估计诸如等式（12）中的简约模型。否则，可以估计用于时间模型的FIR结构以消除偏差。对于CD过程，可以如下在等式（12）中为g(q ^-1 ,θ _T )执行多实验输出误差识别：

将参数估计表示为。下一程序是通过下式来对空间和时间参数重新缩放：

等式（31）中的重新缩放背后的原理是g(z ^-1 ,θ _T )是根据连续一阶传递函数离散化的并且在稳态处具有单位阶跃响应。利用所获取的，可以通过标准非线性最小二乘来容易地识别针对等式（3）的空间参数θ _S 。在表1中总结了用于闭环CD识别过程的整个算法。

闭环CD识别的算法

输入：设置、和。K 最大迭代数。

循环：对于k = 1, ..., K，进行：

1: 固定空间参数，并且通过求解等式（26）中的最小二乘问题来估计等式（13）中的高阶ARX部分的参数，

2：如在等式（27）中那样使标准化，

3：固定时间参数，并且通过求解等式（28）中的非线性最小二乘问题来估计等式（13）中的空间参数，

循环结束：

4：、和。如在等式（29）中那样对输入-输出数据滤波，

5：通过如在等式（30）中的输出误差识别利用和来估计时间模型g(z ^-1 ,θ _T ) ，

6：基于等式（31）来对重新缩放并且识别等式（3）中的空间参数θ _S ，

输出：参数估计、、和噪声方差。

表1

在使用该方法的情况下，可以示出甚至在关于真实系统以及所选模型结构的弱条件下，对于任何大的N闭环迭代识别方法都是收敛的并且当N → ∞时参数估计是一致的。

利用单类SVM的CD模型工厂失配检测

该章节描述经典的两类SVM以及其单类SVM变体（其被用在处理单类分离中）。然后描述将单类SVM技术应用于CD模型工厂失配检测。

SVM是一种公知的二进制分类技术。SVM的基本想法涉及在数据空间中选取超平面来分离两个不同类的数据。然而，对于可线性分离的数据，存在能够区别这两类的无穷多个超平面。因此SVM试图找到不仅将这两类分离而且还最大化其到任一类的距离的超平面。因此，与其他分离超平面相比，通过显著降低错误分类就鲁棒的意义来说SVM实质上是最佳分离超平面。

假定存在训练数据集{x ₁ , ..., x _ℓ }, x _i X R ^r ，具有对应（二进制）标记{y ₁ ,..., y _ℓ }，在这里ℓ代表数据点的数目。当数据值被分组成两类时，为了方便起见使用y _i = 1来指示第一类并且使用y _i = –1来指示第二类。要指出，r是训练数据位于其中的空间X的维度。对于线性可分离情况，SVM训练问题可以被公式化为：

在这里w R ^r 和b R表示表征超平面的两个参数。等式（32）中的目标函数是超平面w ^T x _i +b = 0关于任一类的边缘。要指出，该对{w, b}的任何缩放都产生相同的超平面，但是等式（33）中的约束通过将该对{w, b}约束到使得功能边缘等于1的那些来移除这样的歧义性。上面的优化问题是凸的并且允许经由解决其对偶等价的解决方案。其对偶问题可以被表述如下：

在这里α _i 是拉格朗日乘数。对应预测函数可以被表述为：

在这里和是所获得的拉格朗日乘数和偏移。

容易验证解是稀疏的，并且对应于非零的x _i 值被称为支持向量。的稀疏性可以显著简化等式（37）中的预测，因为求和涉及更少的项。使用两类SVM的等式（34）-（36）中的对偶公式的另一优点是对偶目标函数和预测函数二者是训练点和/或测试点之间的内积的项。这使得内核的使用能够对SVM施加技巧以便处理非线性分类。利用内核技巧，用内核函数来替换上面的内积。对于原始（或输入）空间中的线性非可分离数据类，可能有可能通过将它们映射到被称为特征空间的高维空间来将它们线性分离。对应的对偶问题和预测函数是特征空间中的各点的内积的项。因为特征空间通常是高维的，所以内积的计算可能不是特别简单。然而，内核函数通过计算原始空间中的对应非线性函数来评估特征空间中的各点的内积，所以它避免了该计算问题。此外，如果内核函数是可用的则不再需要显式函数来完成该映射。

利用等式（34）-（36）中的对偶形式，还可以引入松弛变量以允许边界离超平面的局部变化（其被称为C-SVM）。这可以被表述为：

在这里ζ _i （其中i = 1, ..., n）是非负松弛变量并且C是用来充当最大化边缘和最小化训练误差之间的折中的权重参数。求解该C-SVM的方法类似于标准SVM的方法，并且还可以并入内核函数。

在此处有用的C-SVM的一个变形是单类SVM，其可以被用来检测过程的异常。在许多工业过程中，操作者需要通过分析过程数据来检测系统是以正常模式操作还是以异常模式操作。然而，仅在大多数时间可用的过程数据是用于正常模式的。这是因为对于异常情况来说存在许多可能性，并且因此具有用来表示所有异常情况的足够的数据类可能是不现实的。换言之，常常仅存在一类训练数据（例行操作数据），并且目标是使用该有限数据来检测测试数据是否属于训练类。如果不属于的话，这意味着已经发生异常模式（诸如模型工厂失配）。

可以利用将原始数据映射到维度为s（其大于r）的特征空间F中的Φ : X → F R ^s 在特征空间中构造单类SVM的类别。假设对于这样的映射存在内核函数ĸ(x ₁ , x ₂ )，以使得：

可以被使用的一个示例内核函数是高斯内核，其被表述为：

在这里c是调谐内核函数的形状的参数。利用高斯内核，特征空间中的所有数据都位于相同象限中，因为任何两个点的内积ĸ(x ₁ , x ₂ )是非负的。一类SVM可以将原点用作第二类，与被视为第一类的所有训练示例相对。因此，将经典的两类SVM技术应用于该情景，除了现在操作都在定义的特征空间中。

在特征空间中具有松弛变量的单类SVM可以被表示如下：

在这里w和b表示特征空间中超平面的斜率和偏移。调谐参数v [0,1]代表最大化边缘和最小化分离边界的局部违背之间的权衡，所以v确定异常值的分数的上界和支持向量的分数的下界。要指出，尽管等式（43）-（45）起源于所定义的特征空间，但是它们可以被等价地转换成下面对偶问题：

这是在原始空间中表示的。类似于两类SVM，等式（46）-（48）的解在α中也是稀疏的。这促进使用支持向量利用受训练的SVM模型来作出预测的计算。可以通过下式来确定预测得分：

对于任何给定测试点x，|p(x)|示出其到分离超平面的距离。h(x)的符号因此可以被用来指示x是否被分类到原始数据集中。如果p(x) > 0，则这意味着x可以被当作在与原始数据相同的类内。否则，x可以被分类为示出异常行为的异常值。

为了将单类SVM应用于模型工厂失配检测方案，要指出上面的描述描述了当执行系统识别时对于过程和噪声模型的模型结构的FIR表示的使用。与其他参数系统识别相比，该方法的一个优点是从模型结构的不正确规范产生的偏差的关心不再是问题。此外，这些模型的FIR形式可以将所有参数失配的效应合成到单个整体度量中。如果原始模型具有高阶数则这可以是有用的，因为来自标称值的单个参数的任何大的偏移对模型的整体行为可能有很大影响或可能没有很大影响。从这个意义上讲，FIR形式是给定模型的更好表征。该方法的一个缺点是它对闭环数据的信息量置以更严格的要求，诸如当数据是例行操作数据时。然而，可以表明，对于在非常宽松条件下的一般CD过程，甚至在没有任何外部刺激的情况下可以保证闭环可识别性。

使用上述闭环识别技术，有可能达到对于一个过程的空间、时间和噪声模型的一致参数估计。这作为对基于SVM的失配检测框架的输入。例如，可以随着时间对这些模型中的每一个（可能同时地）执行失配检测以检查对应模型中的改变。要指出，尽管下面的描述重点关注时间模型中失配的检测，但是相同方法可以与空间和噪声模型一起使用。噪声模型的监视可以被完成，以使得噪声中的改变不会建立错误警报，而归因于实际失配，空间和时间模型中的改变可建立警报。

为了训练单类SVM，从训练数据中的移动窗口估计的时间模型可以被用作训练模型，其被指示为对应于等式（44）中的数据点的{x ₁ , ..., x _ℓ }。在此处，ℓ是训练数据集中的移动窗口的数目，并且x _i 表示从第i个移动窗口估计的一个时间模型的FIR系数：

在这里（其中k = 1, ..., n _g ）表示第k个FIR系数并且n _g 表示阶数。将在等式（43）-（48）中定义的单类SVM应用于训练模型{x ₁ , ..., x _ℓ }在等式（49）中产生结果得到的SVM模型。

原则上，在没有失配的情况下较大的训练数据集提供对模型估计的群集边界的更好描述。然而，在实践中，可能遇到仅非常有限的训练数据可用的情况，诸如当存在满足客户需求的快速任务过渡时或者当存在具有大的采样间隔的慢过程时。这种的一个典型示例是造纸机，其常常具有相对大的采样间隔。等级改变（在这里纸幅的生产从一个等级过渡到另一个）常常以周为基础发生，因为每周从客户接收到对不同类型的纸的订购是常见的。克服有限训练数据的一个补救方法是使用历史数据。然而，如果历史数据不可访问或者没有被保存，则这不可能完成，这在造纸工业中是相当常见的。

对于该问题的一种可能解决方案是通过根据参数估计的概率分布进行重新采样来扩大训练数据。为此，重新采样技术可以如下发生。已经表明，来自可分离非线性最小二乘法的参数估计是高斯分布的（如果噪声为高斯的话），并且在较小修改的情况下这可以被扩展到迭代闭环识别算法。基于该陈述，对于每个FIR系数的平均值μ _k 和方差σ _k 的粗略估计量可以被表述如下：

在这里对于μ(•)和σ(•)的常见选择是样本平均值和样本方差。如果训练模型的数目小（诸如归因于有限训练数据），则相对于从真实概率密度函数获得的等式（51）中的方差估计量是保守的。在此处使用的适当缩放因子α _T （下标T意味着时间）。在选择α _T 的过程中一个潜在的经验法则是如果存在大量训练数据则使用小的值或者如果存在少量训练数据则使用大的值。较大的缩放因子可能使得失配检测算法对失配较不敏感，而较小的缩放因子可能使得失配检测算法对失配更敏感。在对变量估计量进行缩放之后，所获得的密度函数可以被用来执行重新采样以生成大量训练模型，并且可以基于增强数据来训练单类SVM。

一旦SVM被训练，SVM就被用于预测目的，即用来识别针对CD过程而生成的附加模型何时在训练数据之外。类似于SVM训练阶段，SVM预测阶段可以使用沿着测试数据滑动的移动窗口，在这里对于每个窗口都执行闭环识别。经过训练的SVM模型被用来预测当前估计的模型是否可以被分类为正常模型估计的初始群集。例如，给定测试数据点x（FIR系数向量），p(x)计算该点到初始群集的函数距离，并且该距离被指示为得分。得分的符号可以被用来将x分类。正的得分意味着潜在测试点可以被分组为初始群集并且因此示出没有失配。否则，它们被看作失配的模型。

为了更详细地表述这种的一个示例，将I _t 定义为在时间t用于移动窗口的得分的符号。实践中人类操作者倾向于对建立模型工厂失配警报非常谨慎，因为后续的闭环识别常常是昂贵的。因此，单个负得分可以被用来自动建立警报，或者可以在建立模型工厂失配警报之前将指定数目的移动窗口内的许多负的得分累积。所累积的度量可以被定义为：

在这里I _– := {I _i = –1 : i T _t }，其中T _t := {t – n _T , ..., t – 1, t}。在此处，项n _T （其可以是用户定义的）指示最后的n _T 个移动窗口被用来计算s _MPM 。在某些情况下，操作者可以指定对建立失配警报慎重的关于s _MPM 的保守阈值，诸如0.95。

在图7中示出可以使用该技术获得的示例结果，其涉及到与要被制造的纸的纸幅相关联的干重测量结果。在图7中，时间被划分为三个时段702-706。时段702指示正常操作的时段，时段704指示与改变的噪声相关联的时段，并且时段706指示实际上存在模型工厂失配的时段。当噪声改变开始时，时段702在时间708过渡到时段704，并且当显著模型工厂失配开始时，时段704在时间710过渡到时段706。

图7中的线712-716指示对于干重而言用于噪声模型、时间模型和空间模型的失配检测算法的输出。如可以在图7中看到的，线712以一般以零周围的值开始，但是该值在噪声改变之前的间隔中变成大的正值。于是在噪声改变之后线712具有负值。失配检测算法因此成功地识别噪声模型中的改变。然而，如上面所指出的，噪声模型中的失配不可能导致失配警报的生成。在空间或时间模型中没有对应失配的情况下噪声模型中失配的识别允许失配检测算法避免错误警报。当然，在其他情况下，噪声模型中的失配可以建立警告。

线714在线712变为正的相同时间附近经历尖锐过渡，但是对于所图示的整个时段702-706线714保持在零以上。因此，失配检测算法不会检测在时间模型和实际过程之间的显著失配。

线716在线712变正的相同时间附近经历尖锐过渡，但是在时段702和704期间线716一般保持在零以上。在这些时间期间，失配检测算法不检测空间模型和实际过程之间的显著失配。然而，在时间710之后不久，当显著模型工厂失配开始时，线716变为负。在那时，失配检测算法正检测空间模块和实际过程之间的显著失配。失配检测算法可以因此生成警报或者采取其他适当的正确行动，诸如发起自动模型识别来识别替代空间模型。可以响应于所识别的失配涉及时间模型（并且可能涉及噪声模型）来采取相同或类似的动作。

尽管图5至图7都图示了用于横向过程行为监视的模型工厂失配检测的示例使用，但是可对图5至图7作出各种改变。例如，仅提供这些图来说明与模型工厂失配检测算法相关联的示例函数或结果。模型工厂失配检测算法的其他使用或实施方式是可能的，并且图5至图7不会将本公开限于任何特定使用或实施方式。

总结

本公开已经提出了一种可以为CD过程提供一致参数估计的新颖的闭环识别技术，并且该技术可适用于缺少外部刺激的例行操作数据。对于CD模型工厂失配检测，例行操作数据被分为训练数据和测试数据。可以在训练数据和测试数据二者上的移动窗口中实施闭环识别技术。单类SVM模型基于使用训练数据创建的模型估计的群集。该SVM模型被用来对用于使用测试数据识别的模型的模型估计分类。根据该分类，算法能够检测模型工厂失配的存在。该方法使得能够分别监视过程模型和噪声模型中的改变，从而甚至在存在噪声模型改变的情况下允许涉及过程模型的失配的鲁棒检测。

在一些实施例中，本专利文献中描述的各种功能是通过计算机程序来实现或支持的，所述计算机程序形成自计算机可读程序代码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”包括能够被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、紧凑盘（CD）、数字视频盘（DVD）或任何其他类型的存储器。“非暂时性”计算机可读介质不包括传输暂时性电信号或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读介质包括其中可以永久性地存储数据的介质以及其中数据可以被存储并稍后被覆写的介质，诸如可重写光盘或可擦存储设备。

阐述遍及本专利文献使用的某些词汇和短语的定义可以是有利的。术语“应用”和“程序”指的是被适配成以适当的计算机代码（包括源代码、目标代码或可执行代码）来实现的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“包括”和“包含”以及其派生词意指包括但不限于。术语“或”是包括性的，意指和/或。短语“与……相关联的”以及其派生词可以意指包括、被包括在……内、与……互联、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、靠近、被绑定到或与……绑定、具有、具有……的属性、具有到……或与……的关系，等等。短语“……中的至少一个”当与一系列项目一起使用时意指可以使用所列项目中的一个或多个的不同组合，并且可以需要改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：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被解读为暗示任何特定的元素、步骤或功能是必须被包括在权利要求范围中的必要或关键元素。所请求专利保护的主题的范围仅被所允许的权利要求限定。此外，权利要求中没有任何一项关于随附权利要求或权利要求元素中的任何援引了35 U.S.C. §112(f)，除非在特定的权利要求中明确地使用了“用于……的部件”或“用于……的步骤”的准确词汇，其后跟随有标识功能的分词短语。在权利要求内的诸如（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为且意图为指代如被权利要求其自身的特征进一步修改或增强了的相关领域技术人员已知的结构，而非意图援引35 U.S.C. §112(f)。

虽然本公开描述了某些实施例和一般地相关联的方法，但是这些实施例和方法的更改和置换对于本领域技术人员来说将是显而易见的。因此，上述示例实施例的描述不限定或约束本公开。在不脱离如由以下权利要求限定的本公开的精神和范围的情况下，其他的改变、替换和更改也是可能的。

Claims (15)

1.一种装置，包括：

至少一个存储器（304、310、312），其被配置成存储与通过至少一个基于模型的过程控制器（106、204）控制的横向工业过程的操作相关联的操作数据；以及

至少一个处理设备（302），其被配置成：

在训练时段（502a、502b）期间，利用操作数据的第一部分来执行闭环模型识别以识别第一空间和时间模型的多个集合；

识别与第一空间和时间模型的参数值相关联的群集（604）；

在测试时段（504a、504b）期间，利用操作数据的第二部分来执行闭环模型识别以识别第二空间和时间模型；

确定第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面；以及

响应于第二空间和时间模型中的至少一个的至少一个参数值落在各群集中的至少一个的外面的确定，检测工业过程的实际行为和模型化行为之间存在失配。

2.根据权利要求1所述的装置，其中为了利用操作数据的第一或第二部分来执行闭环模型识别，该至少一个处理设备被配置成：

迭代地：

在一个或多个空间参数被固定的同时估计一个或多个时间参数；

使一个或多个时间参数中的至少一个标准化；以及

在一个或多个时间参数被固定的同时估计一个或多个空间参数。

3.根据权利要求2所述的装置，其中为了利用操作数据的第一或第二部分来执行闭环模型识别，该至少一个处理设备被进一步配置成：

使用时间和空间参数来对操作数据的第一或第二部分滤波；

使用操作数据的经过滤波的第一或第二部分来估计时间模型；以及

基于所估计的时间模型来对一个或多个空间参数重新缩放。

4.根据权利要求1所述的装置，其中为了识别群集，该至少一个处理设备被配置成使用支持向量机来将第一空间和时间模型的参数值映射到在其中识别到群集的边界的更高维度的特征空间中。

5.根据权利要求4所述的装置，其中为了确定第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面，该至少一个处理设备被配置成：

使用支持向量机将第二空间和时间模型的参数值映射到特征空间中；以及

通过计算表示第二空间和时间模型的每个参数值的点与各群集中的一个的边界之间的距离来确定该参数值是否落在该群集的外面。

6.根据权利要求1所述的装置，其中：

该至少一个处理设备被配置成使用操作数据的第一部分内的滑动窗口多次利用操作数据的第一部分来执行闭环模型识别；以及

该至少一个处理设备被配置成使用操作数据的第二部分内的滑动窗口多次利用操作数据的第二部分来执行闭环模型识别。

7.根据权利要求1所述的装置，其中：

该至少一个处理设备被配置成利用操作数据的第一部分来执行闭环模型识别以识别多个第一噪声模型；

该至少一个处理设备被配置成利用操作数据的第二部分来执行闭环模型识别以识别多个第二噪声模型；以及

该至少一个处理设备被进一步配置成响应于第二噪声模型的至少一个参数值落在与第一噪声模型的参数值相关联的群集的外面的确定来确定在工业过程的实际行为和模型化行为之间不存在失配。

8.一种方法，包括：

获得（402）与通过至少一个基于模型的过程控制器（106、204）控制的横向工业过程的操作相关联的操作数据；

在训练时段（502a、502b）期间，利用操作数据的第一部分来执行（406）闭环模型识别以识别第一空间和时间模型的多个集合；

识别（408）与第一空间和时间模型的参数值相关联的群集（604）；

在测试时段（504a、504b）期间，利用操作数据的第二部分来执行（410）闭环模型识别以识别第二空间和时间模型；

确定（412）第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面；以及

响应于第二空间和时间模型中的至少一个的至少一个参数值落在各群集中的至少一个的外面的确定（414），检测工业过程的实际行为和模型化行为之间存在失配。

9.根据权利要求8所述的方法，其中利用操作数据的第一或第二部分来执行闭环模型识别包括：

迭代地：

在一个或多个空间参数被固定的同时估计一个或多个时间参数；

使一个或多个时间参数中的至少一个标准化；以及

在一个或多个时间参数被固定的同时估计一个或多个空间参数。

10.根据权利要求9所述的方法，其中利用操作数据的第一或第二部分来执行闭环模型识别进一步包括：

使用时间和空间参数来对操作数据的第一或第二部分滤波；

使用操作数据的经过滤波的第一或第二部分来估计时间模型；以及

基于所估计的时间模型来对一个或多个空间参数重新缩放。

11.根据权利要求9所述的方法，其中识别群集包括：

使用支持向量机来将第一空间和时间模型的参数值映射到在其中识别到群集的边界的更高维度的特征空间中。

12.根据权利要求9所述的方法，其中：

利用操作数据的第二部分来执行闭环模型识别包括使用操作数据的第二部分内的滑动窗口多次执行闭环模型识别；以及

检测失配存在包括基于落在各群集的至少一个外面的第二空间和时间模型的至少一个的至少一个参数值的多个实例来检测失配存在。

13.根据权利要求9所述的方法，其中：

利用操作数据的第一部分来执行闭环模型识别进一步包括识别多个第一噪声模型；

利用操作数据的第二部分来执行闭环模型识别进一步包括识别多个第二噪声模型；以及

该方法进一步包括响应于第二噪声模型的至少一个参数值落在与第一噪声模型的参数值相关联的群集的外面的确定来确定在工业过程的实际行为和模型化行为之间不存在失配。

14.根据权利要求9所述的方法，其中该横向工业过程包括跨过被制造或处理的材料的纸幅（208）的宽度布置的多个致动器（212、214、216、218、220）。

15.一种非瞬时计算机可读介质，其包含当被至少一个处理设备（302）执行时促使该至少一个处理设备执行以下各项的指令：

获得（402）与通过至少一个基于模型的过程控制器（106、204）控制的横向工业过程的操作相关联的操作数据；

在训练时段（502a、502b）期间，利用操作数据的第一部分来执行（406）闭环模型识别以识别第一空间和时间模型的多个集合；

识别（408）与第一空间和时间模型的参数值相关联的群集（604）；

在测试时段（504a、504b）期间，利用操作数据的第二部分来执行（410）闭环模型识别以识别第二空间和时间模型；

确定（412）第二空间和时间模型中的至少一个的至少一个参数值是否落在各群集中的至少一个的外面；以及

响应于第二空间和时间模型中的至少一个的至少一个参数值落在各群集中的至少一个的外面的确定（414），检测工业过程的实际行为和模型化行为之间存在失配。