CN109155018A - 用于kpi性能分析的具有无约束因变量的mpc - Google Patents
用于kpi性能分析的具有无约束因变量的mpc Download PDFInfo
- Publication number
- CN109155018A CN109155018A CN201780028590.0A CN201780028590A CN109155018A CN 109155018 A CN109155018 A CN 109155018A CN 201780028590 A CN201780028590 A CN 201780028590A CN 109155018 A CN109155018 A CN 109155018A
- Authority
- CN
- China
- Prior art keywords
- kpi
- mpc
- performance
- model
- industrial process
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 8
- 230000001419 dependent effect Effects 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 102
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 238000004886 process control Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000006116 polymerization reaction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241000270295 Serpentes Species 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000003915 liquefied petroleum gas Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 238000012369 In process control Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010965 in-process control Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007142 ring opening reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
一种关键性能指标(KPI)性能分析的方法(100)。提供(101)用于工业过程的动态模型预测控制(MPC)过程模型,工业过程包括用于MPC控制器的受控变量(CV)和测量变量(MV)。MPC过程模型包括至少一个KPI,其也包括在用于工业过程的业务KPI监视系统中。估计(102)KPI的未来轨迹和KPI的稳态(SS)值。使用(103)未来轨迹和SS值来确定从CV和MV选择的关键工厂操作变量与KPI之间的动态关系。分析(104)KPI的性能,包括从动态关系和MV的至少一部分的当前值标识工业过程的操作期间的超过性能或性能问题的至少一个原因。
Description
技术领域
所公开的实施例涉及包括关键性能指标的模型预测控制(MPC)。
背景技术
通常使用过程控制系统来管理操作处理材料的物理过程的处理设施,诸如制造工厂,化学工厂和炼油厂(oil refinery)。阀,泵,马达,加热/冷却设备和其他工业设备通常执行在处理设施中处理材料所需的动作。除其他功能之外,过程控制系统经常管理处理设施中的工业设备的使用。
在常规过程控制系统中,控制器通常用于控制处理设施中的工业设备的操作。控制器可以监视工业设备的操作,向工业设备提供控制信号,和/或在检测到故障时生成警报。过程控制系统通常包括一个或多个过程控制器和输入/输出(I / O)设备,通信地耦合到至少一个工作站并且通信地耦合到一个或多个现场设备,诸如通过模拟和/或数字总线。现场设备可以包括传感器(例如,温度,压力和流量(flow rate)传感器),以及其他无源和/或有源设备。过程控制器可以接收过程信息,诸如由现场设备进行的现场测量,以便实现控制例程。然后可以生成控制信号并将其发送到工业设备以控制过程的操作。
工业工厂通常具有带显示器的控制室,所述显示器用于显示过程参数,诸如关键温度,压力,流体流量和流级别(flow level),关键阀,泵和其他设备的操作位置等。控制室中的操作员可以控制工厂操作的各个方面,通常包括超越(override)自动控制。通常在工厂操作场景中,操作员期望操作条件使得工厂总是在其“最佳”操作点(即,与过程相关联的利益处于最大值处,其可以对应于生成的产品的量)处操作并且因此接近警报极限。基于用于化学过程的原料组成的改变,改变产品要求或经济性,或约束的其他改变,可以改变操作条件以增加利益。然而,由于过程中的可变性,存在与更接近警报极限操作工厂相关联的增加的风险。
先进的过程控制器实现多变量模型预测控制(MPC),其是用于控制运行工业过程的设备的操作的先进的过程控制(APC)技术。该模型是若干自变量和若干因变量之间的通常线性动态关系的集合。该模型可以有不同的形式,其中Laplace变换和ARX模型是常规的模型实现。变量之间的非线性关系也是可能的。
MPC控制技术通常涉及使用凭经验导出的过程模型(即,基于历史过程数据)来分析接收的当前输入(例如,传感器)数据,其中模型标识应如何控制工业设备(例如,通过改变致动器设置)并且因此基于接收的输入数据进行操作。MPC的控制原理使用三(3)类过程变量,操纵变量MV和一些测量的干扰变量(disturbance variable)(DV)作为自变量,并且控制变量(CV)作为因变量。该模型包括每个CV对MV/DV改变的响应,并且该模型根据MV和DV的改变预测未来对CV的影响。
在许多工业和商业客户应用中,关键性能指标(KPI)被业务KPI监视系统用于跟踪企业或组织是否正在针对可接受的标准执行,例如在遵守法律,生产率,能量使用,以及维持产品或服务质量和盈利能力方面。通常存在例如来自操作员因意外导致伤害而损失的工作时间,维修车间性能,环境排放直至生产率,质量变化以及能量和化学品消耗的广泛类型的KPI。
业务KPI监视系统使用的一些KPI与MPC控制器的范围内的变量无关(例如,损失时间伤害和维修车间性能KPI)。然而,诸如过程的进给率(feedrate),各种产品的生产率,产品1对产率(product yield)2以及能耗等之类的与生产目标相关的KPI通常将与MPC模型的CV,MV或DV显著重叠。在某些情况下,用于计算KPI的相同变量也被配置为MPC模型CV或MV(因为MPC控制和优化重要的生产变量)。在其他情况下,KPI将与MPC MV和DV高度相关,并且因此可以使用相同的MPC工具和工作流预测/计划KPI。这可能包括可用于性能监视的特定能量使用或产率。
发明内容
提供本发明内容来以简化的形式介绍所公开的概念的简要选择,所公开的概念下文在包括附图的具体实施方式中进一步描述。本发明内容不旨在限制所要求保护的主题的范围。
所公开的实施例认识到,虽然KPI和KPI的基于时间的趋势对于跟踪性能和帮助快速标识工业过程中的过程性能的改变是有用的,但是经常需要进一步详细分析以理解KPI性能改变的根本原因,以便纠正,减轻或利用一个或多个KPI的改变。数据科学和数据分析是成长的领域,并且存在商业上可用的通用工具集来支持该领域中的从业者。然而,分析不佳的KPI性能的原因可能具有挑战性,因为可能在迥然不同的系统中测量或根本不测量的可以影响给定KPI的根本原因事件的可见性或推断以及那些根本原因事件的潜在多样性。另一个通常重要的因素是被测量系统中的闭环控制的影响,尤其是当控制可以在活跃(active)(闭环)和不活跃(inactive)(开环)模式之间切换时,是多元的,即具有多个输入(CV,DV)和多个输出(MV),这可以被纳入闭环控制中或从闭环控制取出,或者是非方的(non-square)(即CV的数量与MV的数量不匹配)。
还认识到,对于模型预测控制(MPC),存在取决于控制系统是活跃的还是部分的活跃的,以及CV和MV的特定集合是否在控制的活跃集合内而由针对随时间改变的工业过程的MPC过程模型中的各种过程变量之间的相关性引起的问题。所公开的实施例还认识到,将KPI分析实现为闭环过程控制应用的一部分要简单得多(与传统的“通用”数据分析方法相比,其中统计回归和聚类(cluster)技术用于分析历史时间系列数据的大集合,但不包含控制层的过程和行为的模型)。尽管出于评估MPC控制器是否正运转良好、被适当地配置以及正被操作员有效地使用的目的在MPC应用上执行KPI分析是可能的,但此处的用户是MPC维护工程师/ MPC团队领导者。此外,将MPC KPI分析重新捆绑(tying)回到业务KPI监视系统是未知的。没有在MPC模型中包括没有上控制限制或下控制限制的KPI无约束因变量(UDV)的思想。
在许多工业部门(例如,诸如工艺和化学工业)中,通常使用闭环控制,尤其是MPC控制。闭环控制通常被配置为通过调整直接用作KPI或通常强烈影响其他KPI的MV来控制和提高多个CV的利益。应用具有某种类型的过程模型,其描述系统的行为。现代MPC控制应用是预测性的,以提供CV和MV的未来轨迹(trajectory)的早期实时指示,以及利用可用的MV及其配置的高限和低限,MPC是否将能够利用指定的CV高限和低限控制CV,或者是否将违反这些限制。控制应用相对快地执行监视被监视的控制系统的实时约束,并将CV预测与当前过程测量调和(reconcile)。如果KPI已作为CV或MV被包括在MPC模型中,和/或被作为KPIUDV添加,则可以使用MPC来预测KPI的未来轨迹以及它们是否将偏离在业务KPI系统中配置的它们的目标。
所公开的实施例包括一种KPI性能分析的方法,其包括提供用于工业过程的动态MPC过程模型,工业过程包括用于MPC控制器的多个MV和多个CV,所述MPC控制器由具有存储MPC过程模型的存储器的处理器实现。MPC过程模型包括至少一个KPI,其也被包括在用于工业过程的业务KPI监视系统中。估计KPI的未来轨迹和其中KPI将稳定的稳态(SS)值。未来轨迹和SS值用于确定从多个CV和多个MV选择的关键工厂操作变量与KPI之间的动态关系。分析KPI的性能,包括从动态关系和MV的至少一部分的当前值标识工业过程的操作期间的超过性能或性能问题的至少一个原因。
附图说明
图1是示出根据示例实施例的KPI性能分析的方法的示例方法中的步骤的流程图。
图2是包括实现所公开的MPC控制的MPI控制器的示例过程控制系统的框图
图3是根据示例实施例的用于脱丁烷塔(debutanizer)过程的示例模拟流程图。
图4示出了根据示例实施例的用于脱丁烷塔过程的示例MPC控制示意图,其示出了具有多个KPI UDV的采用的示例MPC控制策略。
具体实施方式
参考附图描述所公开的实施例,其中贯穿附图使用相同的参考标号来指定相似或等同的元素。附图未按比例绘制并且仅提供它们以说明某些公开的方面。下面参考用于说明的示例应用来描述若干公开的方面。应该理解,阐述了许多具体细节,关系和方法以提供对所公开实施例的完全理解。
然而,相关领域的普通技术人员将容易认识到,可以在没有一个或多个具体细节或其他方法的情况下实践本文公开的主题。在其他情况下,未详细示出公知的结构或操作以避免模糊某些方面。本公开不受动作或事件的所示排序的限制,因为一些动作可以以不同的顺序发生和/或与其他动作或事件同时发生。此外,并非所有示出的动作或事件都是实现根据本文公开的实施例的方法论所必需的。
所公开的实施例利用通过KPI管理活动和MPC目标之间的对准而使能的MPC控制和优化框架实现某些类型的操作KPI,认识到难以分析不良KPI性能的原因,除非考虑MPC性能和配置。图1是示出了根据示例实施例的KPI性能分析的示例方法100中的步骤的流程图。步骤101包括提供包括用于MPC控制器的多个CV和多个MV的工业过程的动态MPC过程模型,该MPC控制器由具有存储MPC过程模型的存储器的处理器实现。
MPC过程模型包括至少一个KPI,其也包括在用于工业过程的业务KPI监视系统中。KPI可以包括KPI UDV,如上所述,其没有上或下控制限制。干扰变量(DV)尽管缺乏相对比的控制限制,但是是自变量。MPC模型可以包括多个KPI UDV。已知的KPI包括进给率(feedrate)和产品流量,公开的KPI UDV可包括关键生产和单位性能监视变量,诸如产量,能量和化学品消耗以及设备效率。KPI通常在外部计算。计算可以以多种方式实现,诸如在MPC编码计算内或在DCS系统内。计算可以是流的简单比(例如,产率),热平衡,或更复杂的相关性。
KPI通常(但不限于)计算值。进料和产品流是简单的直接测量的KPI的示例。例如,产率是计算值,产品流除以进料流。能效,比能耗(specific energy consumption),设备效率都是从其他直接测量的变量计算的值。通常将为业务KPI监视系统计算KPI值。然而,还需要为MPC应用计算KPI值(然后可以使其值对于业务KPI监视系统可用以避免重复工作)。对于MPC,通常有两种选择来实现计算,MPC本身或分布式控制系统中的计算块。
如本领域中已知的,MPC模型是根据开环过程行为来定义的,但是MPC通过“反转”模型将其用于闭环控制。有效效应(net effect)是当MPC接通以反映闭环行为时,过程行为改变。
步骤102包括估计KPI的未来轨迹和其中KPI将稳定的SS值。步骤103包括使用该未来轨迹和SS值来确定从多个CV和多个MV选择的关键工厂操作变量与KPI之间的动态关系。
步骤104包括分析KPI的性能,包括从动态关系以及MV的至少一部分和可选地CV中的一个或多个的当前值标识工业过程的操作期间的超过性能或性能的问题的至少一个原因。当MPC控制器开启,关闭或部分开启时,可以执行分析。所公开的实施例的显着优点在于KPI分析考虑了MPC状态以及它(MPC状态)如何影响工业过程的行为。分析KPI的性能可以由MPC控制器或实现所公开的算法的单独计算设备来执行,在一个特定实施例中包括基于云的计算机。
标识问题的原因可包括标识多个MV中的哪些正在引起KPI的改变。该方法可以进一步包括向业务KPI监视系统提供分析的结果,并且业务KPI监视系统的用户通常在显示仪表板(dashboard)视图的显示屏上利用分析的结果来解决(troubleshoot)性能问题或某些情况中的超过性能的原因。业务KPI监视系统用户可以建议从MV和CV选择的至少一个MPC模型参数的设置的改变,或者发起过程操作员的询问以找出给定KPI当前为何受限或者他们可以触发针对另一个人的工作流程来调查。
该方法还可以包括基于性能的分析来更新动态关系。未来的轨迹可用于操作员的自动告警和事件检测。
大多数商业MPC软件包括优化器,以将MPC控制器引导到最大化利益的操作点。通过定义一个或多个CV和MV的经济值或成本来找到该最佳点。优化器计算高界和低界内的理想操作点。该优化器基本上赋予了MPC其自己的思想,并且可以使MPC朝向或远离KPI目标驱动过程或者权衡一个KPI对另一个KPI。在MPC过程模型包括优化器的情况下,该方法可以进一步包括当优化器正在使KPI偏离其目标时标识问题的原因。
KPI可能受到当前不在MPC范围内的自变量的影响,如MV或DV。然而,可以使用MPC配置工具搜索其他过程变量,以确定它们是否对KPI UDV具有可测量的影响。如果是这种情况,则可以将它们添加到MPC控制器的范围,使得该方法可以进一步包括在工业过程中搜索影响KPI的、未包括在MPC过程模型中的至少一个其他变量,以及将其他变量添加到MPC流程模型。
可以分析基于MPC模型的KPI UDV的可预测性。良好的(即可预测的)MPC模型意味着可以继续进一步的分析。不良的模型意味着存在影响KPI UDV的其他重要因素,通常应该对其进行探索。如果模型预测是不良的,则可以触发工作流程来探索这可能是什么,例如,利用用于历史模型标识的工具。KPI预测的质量将基于其中预测未来KPI值的步骤102(估计未来轨迹)。然后将存储这些预测(在未来的时间戳)并随后将其与测量值进行比较(当实际时间已经前进到相应的时间戳时)。可以添加附加的“测试”模型以评估预测是否改进。这有助于改进对KPI的关键贡献者的理解。导致不良的KPI预测的因素的示例是现有的MPC模型过时并且需要被更新以反映过程行为的最近变化,并且需要扩增MPC模型以包括附加的工厂信息。这两种效果都可以通过商业上可获得的工厂步骤测试工具(例如,Honeywell(PROFIT STEPPER)和历史模型标识工具)的组合来克服。
如果从分析步骤发现MPC模型预测是可靠的,则预测的KPI值通常作为过程操作员的指导是有用的。然后可以分析MPC模型和MPC约束以理解关于KPI变量的大多数有不良影响的(impactive)受控/非受控变量,以及KPI是否正被过程的过度约束(例如保守的MV或CV限制)“抑制(hold back)”(约束)并且如果放松特定限制则可以实现多少额外收益(extra),其量化KPI的增量改进,如果相关联的MPC CV和MV限制略微放松的话。
挑战在于如何在时间聚合的KPI(例如,操作的一个班次(shift)或一天上)与操作员采取的动作之间提供良好的“视线”。例如,评估哪些个别的MV和CV约束正在针对其目标值抑制给定的KPI(例如,通过将MPC控制器限制放松到由过程/可靠性工程师指定的理想范围限制)是可能的。这可以是在每个控制器迭代(执行周期〜每分钟)上要执行的重要工作,并且对于KPI,这通常使得较不频繁地更合理地这样做,例如,每个控制器到稳态时间(Controller Time To Steady State)(TTSS)。一种方法是在该时间段上平均MV和CV稳态值的实际值以及限制,并将这些用作优化工具中的“优化”情况的起点,优化工具诸如EXCEL或Honeywell PROFIT CONTROLLER优化求解器,放松平均限制并评估对KPI变量的影响。还可以考虑DV的影响。
在常规MPC模型中未使用的附加KPI变量作为无约束因变量(UDV)被集成到MPC应用中,其不具有上或下控制限制,使得它们不受MPC控制。如上所述,在MPC控制应用(或过程工业中的APC)中包括的变量与多个与操作相关的KPI变量之间通常存在良好的对准,与操作相关的KPI变量诸如是生产率,产率,产品质量和能量使用。提供良好的对准,因为许多重要的生产变量将通常由业务KPI系统监视并由MPC控制器控制和操纵。还存在由业务KPI系统监视的其他变量,其与MPC变量高度相关或者可以与MPC变量的组合相关。这是因为MPC通常通过操作性能的改进来证明。
然而,一些特定KPI变量不包括在常规MPC中,因为它们可能被视为重复信息或不具有特定控制或优化目标。如果这些KPI变量受到MPC模型中的至少一个MV的影响,则认识到它们可以作为UDV被包括在由MPC控制器运行的MPC模型中,以通常非常小的附加工程成本提供若干显著益处。益处包括基于MV计算MPC中的KPI计划,根本原因分析,包括标识哪些MV变化引起KPI变化,以及KPI计划用于进行警报和早期事件检测,诸如瞬态偏差过大或稳定状态预测被认为距其目标很远时。
现在参考图2,示出了过程控制系统200,其中具有包括用于KPI性能分析的至少一个KPI UDV的KPI的公开的MPC过程控制器211通过网络229通信地连接到MPC服务器228,数据历史记录器(historian)212以及连接到一个或多个主机工作站或计算机213(其可包括个人计算机(PC),工作站等),每个都具有显示屏214。MPC过程控制器211包括处理器211a和存储器211b。
控制系统200还包括第四级(L4),其包括具有工作站或计算机241的L4网络235,以及包括业务监视系统服务器240的KPI业务监视系统。业务监视系统服务器240通过防火墙236连接到网络229。
MPC控制器211还经由输入/输出(一个或多个)(I/O)设备226连接到现场设备215至222。数据历史记录器212通常可以是具有存储器和软件的任何类型的数据收集单元,用于存储数据的硬件或固件,以及可以与工作站213之一分开或者是其一部分。MPC控制器211经由例如以太网连接或其他通信网络229通信地连接到主机计算机213和数据历史记录器212。
通信网络229可以是局域网(LAN),广域网(WAN),电信网络等的形式,并且可以使用硬连线或无线技术来实现。MPC控制器211使用与例如标准4-20 ma设备和/或任何智能通信协议相关联的硬件和软件通信地连接到现场设备215至222,智能通信协议诸如FOUNDATION® Fieldbus协议(Fieldbus),HART®协议,无线HART™协议等。
现场设备215-222可以是任何类型的设备,诸如传感器,阀,发射器,定位器等,而I/O设备226通常可以符合任何通信或控制器协议。现场设备215至218可以是标准的4-20ma设备或HART®设备,其通过模拟线路或组合的模拟/数字线路与I/O设备226通信,而现场设备219至222可以是“智能”现场设备,诸如Fieldbus现场设备,其使用Fieldbus协议通信通过数字总线与I/O设备226通信。
可以是工厂205内的许多分布式控制器之一的MPC控制器211具有其中的至少一个处理器,其实现或监督一个或多个过程控制例程,其可以包括存储在其中或以其他方式与其相关联的控制环路。MPC控制器211还与设备215至222,主机计算机213和数据历史记录器212通信以控制过程。过程控制元件可以是过程控制系统的任何部件或部分,包括例如存储在任何计算机可读介质上的例程,块或模块,从而可由处理器执行,处理器诸如计算机设备的CPU。
可以是诸如子例程,子例程的部分(例如代码行)等之类的控制过程的任何部分或模块的控制例程可以通常以任何软件格式实现,诸如使用梯形逻辑(ladder logic),顺序功能图,功能块图,面向对象编程或任何其他软件编程语言或设计范例。同样,控制例程可以被硬编码到例如一个或多个EPROM,EEPROM,专用集成电路(ASIC)或任何其他硬件或固件元件中。可以使用多种设计工具来设计控制例程,设计工具包括图形设计工具或其他类型的软件,硬件或固件编程或设计工具。因此,MPC控制器211通常可以被配置为以期望的方式实现控制策略或控制例程。在一个实施例中,MPC控制器211使用通常被称为功能块的事物来实现控制策略,其中每个功能块是整体控制例程的一部分或对象,并且结合其他功能块操作(通常经由被称为链路的通信)以在过程控制系统200内实现过程控制环路。
功能块通常执行输入功能,控制功能之一以在过程控制系统200内执行一些物理功能,输入功能诸如与发射器,传感器或其他过程参数测量设备相关联,控制功能诸如与执行MPC的控制例程相关联,该控制例程控制一些设备(例如,阀)的操作。功能块可以存储在MPC控制器211中并由MPC控制器211执行,这通常是这些功能块用于或者关联于标准4-20ma设备和诸如HART®设备之类的某些类型的智能现场设备,或者可以存储在现场设备本身中并由其实现,这可能是FOUNDATION® Fieldbus设备的情况。更进一步地,实现控制器例程的功能块可以全部或部分地在主机工作站或计算机213中或在任何其他计算机设备中实现。
示例
通过以下具体示例进一步说明所公开的实施方案,这些示例不应被解释为以任何方式限制本公开的范围或内容。
例如,考虑图3中描绘的脱丁烷塔过程的模拟流程图300。脱丁烷塔过程是许多炼油厂中常见的蒸馏过程,其将轻质液化石油气(LPG)组分与混合石脑油流分离。图4示出了脱丁烷塔过程的示例MPC控制示意图,其示出了具有包括若干KPI UDV的KPI的采用的示例MPC控制策略。
如可以看到的,用于过程的许多关键蒸馏KPI被自然包括在MPC模型的控制策略中,诸如:
单位进给率,作为操纵的变量MV1。
顶部(overhead)产品质量,作为控制变量CV1。
底部产品质量,作为受控变量CV2。
然而,如可以在错误!参考源未找到中看到的那样.已经向MPC控制器添加了在常规MPC控制模型中未被用作KPI的多个KPI参数,被示出为KPI UDV 1-4(是特定能量使用,再沸器工作热(duty-heat)流,LPG产量和冷凝物产量(condensate yield)),其每个都缺乏高和低控制限制两者。在MPC模型中可以看到,KPI UDV中的每个都仅具有稳态(SS)和未来值。认识到在MPC模型中将这些KPI UDV 1-4实现为附加的KPI而没有高或低限制将提供至少两个益处:
1. 可以使用MPC控制器信息(诸如其他控制器MV的值,以及CV和操作员输入的限制,优化器配置(控制器状态)来帮助诊断(找到根本原因)为何任何相应的KPI正在在它们的目标(限制或范围)之上或之下执行;
2.预测KPI的未来值(轨迹),使得如果预测KPI(未来值)在短期内显著改变则可以实时自动地提醒操作员,以使得能够先发制人地采取可能的纠正动作。
分析不良(或超过)KPI性能的(一个或多个)原因可以被实现为如下所述的多步骤过程。
步骤1预测质量:
第一步骤可以包括评估MPC模型是否很好地预测每个KPI值。分析一般MPC受控变量的预测质量的技术已经被很好地建立,并且已经被简化来在诸如Honeywell的PROFIT EXPERT工具集之类的商业上可获得的产品中实施。该方法涉及相对于MPC控制器的范围内的变量和其他外部变量的移动的预测MPC模型偏差的评估。如果MPC模型不良(KPI的偏差大),则可以使用利用诸如Honeywell的PROFIT STEPPER和PROFIT SUITE ENGINEERING STUDIO之类的步骤测试工具的模型更新工作流程来改进MPC模型的性能。MPC模型可能不良,因为它不反映过程的行为的改变或是不完整的,即不包括所有影响因素。可以使用已知工具来从存储在数据历史记录器212中的历史数据搜索(一个或多个)影响过程变量,然后可以使用步骤测试工具对其进行提炼。
步骤2确定KPI目标偏差的(一个或多个)根本原因:
存在可以遵循来确定KPI偏离其目标值或范围的原因的多个连续步骤:
步骤2a:可以进行检查以确定已经针对操作员或工程师输入的限制钳制(clamp)KPI的时间百分比以及MPC控制器限制是否与总体KPI限制一致。例如,在错误!参考源未找到3中,进给率(MV1)和两个质量KPI(CV1和CV2)具有相关联的限制。在该实时视图(MPC控制器在一个时刻的快照)中,它们不受那些限制的限制。然而,在KPI聚合时段的过程上,它们可能达到它们的极限持续一些时间的百分比。
如果MPC模型内的KPI被钳制在MPC限制处,并且MPC限制与业务KPI系统中的它们的KPI目标不一致(即,更具限制性),那么该不匹配可以被自动标记为不良KPI性能的原因。例如,脱丁烷塔进给率的不良KPI性能可以被报告为“在KPI聚合时段期间,脱丁烷塔进给率低于目标。该偏差的67%可归因于过程操作员将MPC进给率钳制在平均的事实。
步骤2b:当KPI未被限制在包括MPC控制器内的KPI UDV(没有限制)的限制时,显示为KPI,则应检验MPC控制器性能以确定什么正在抑制KPI在符合聚合的KPI目标的方向上移动。这可能是由于:
1. MPC控制器经济学(线性程序和二次规划(Quadratic Program)权重)已被配置为将KPI在错误的方向(远离聚合的KPI目标)上移动;
2. MPC控制器经济学使得其优化器已经计算出它可以通过在错误的方向上移动一个或多个KPI来赚取更多的钱,以便将CV和MV(具有更大的经济价值)移向其目标。一个简单的例子是,当一个处理工厂售罄时,对生产更多产品(消耗更多的进给率)的刺激强于对减少消耗的总能量或甚至消耗的比能(specific energy)的刺激。然而请注意,如果主要优化处理(关于生产率的最大化)碰到其约束,使得生产率不能进一步增加,则诸如减少任何增量比能耗之类的次要目标(即减少任何增量比能耗)可以发挥作用。
3.控制器内的另一个相关变量正在约束MPC控制器无法在有利方向上移动(一个或多个)KPI。
通过将KPI的稳态预测(例如,MPC中的CV或MV)与当前测量值进行比较并通过检验目标函数经济学,可以以两种方式之一建立MPC优化器的意图。
优化器可以通过考虑直接MV经济权重以及MV的变化对具有经济权重的CV的影响来确定移动自由MV的方式。这可以针对给定的优化器公式来分析地计算,但是在一般意义上,这可以由以下等式表示:
其中:∂表示偏导数;
是基于成本的目标函数的值:
根据过去的MV和DV该预测CV值,如下面的等式所示:
如果对MVi的刺激是肯定的,则优化器将始终寻求最小化MVi值,经受MPC控制器限制。如果这是具有要最大化的聚合目标的KPI,则该过程依赖过程操作员以始终将低限保持在聚合KPI限制处或高于聚合KPI限制,以便实现聚合KPI限制。否则,在MV和KPI之间将总是存在不匹配。
同样地,如果KPI UDV将没有被任何应用MV在正确的方向上优化,则聚合的KPI目标通常可以仅通过操作员限制的正确设置来实现,这可以从操作数据核实。这覆盖上述情况1。
可以通过分析是否存在MV的混合来确定上面的情况2,其中一些MV将在正确的方向上(朝向聚合的KPI方向)移动给定的KPI,并且其他的将在错误的方向上移动它。在这种情况下,优化器可以基于要移动的相应MV的自由度来决定是将KPI UDV移向聚合的KPI还是将KPI UDV移动远离聚合的KPI。可以通过分析优化方向来标识这种情况,其中MV和CV是约束和经济权重。
在约束的活跃集合方面,可以通过检验从优化步骤返回的解来评估上面的情况3。从概念上讲,这相当于按顺序将预测的MPC变量的限制到在它们的限制处(稳态处),以确定优化器是否然后将KPI移向其聚合的KPI目标。
步骤3:聚合和取阈值(thresholding)
分析中的多个步骤使用实时信息来评估KPI被约束远离其聚合目标的原因。通常,这些原因需要在KPI报告时段上被聚合,根据其百分比适用性和被报告为KPI性能问题的原因的最主要原因被排列。
虽然上面已经描述了各种公开的实施例,但是应该理解,它们仅以示例的方式呈现,而不是限制。在不脱离本公开的精神或范围的情况下,可以根据本公开对本文公开的主题进行许多改变。另外,尽管可能已经仅针对若干实施方式中的一个公开了特定特征,但是这样的特征可以与其他实施方式的一个或多个其他特征组合,如对于任何给定或特定应用可能期望和有利的那样。
如本领域的技术人员将理解的那样,本文中所公开的主题可实施为系统,方法或计算机程序产品。因此,本公开可以采用完全硬件实施例,完全软件实施例(包括固件,常驻软件,微代码等)或者组合在本文中通常全部可以被称为“电路”,“模块”或“系统”的软件和硬件方面的实施例的形式。此外,本公开可以采用体现在任何有形表达介质中的计算机程序产品的形式,该介质具有包含在介质中的计算机可用程序代码。
Claims (12)
1.一种关键性能指标(KPI)性能分析的方法(100),包括:
提供(101)用于工业过程的动态模型预测控制(MPC)过程模型,所述工业过程包括用于MPC控制器的多个受控变量(CV)和多个测量变量(MV),所述MPC控制器由具有存储所述MPC过程模型的存储器(211b)的处理器(221a)实现,所述MPC过程模型包括至少一个KPI,所述至少一个KPI也包括在用于所述工业过程的业务KPI监视系统中;
估计(102)所述KPI的未来轨迹和其中所述KPI将稳定的稳态(SS)值;
使用(103)所述未来轨迹和所述SS值,确定从所述多个CV和所述多个MV选择的关键工厂操作变量与所述KPI之间的动态关系,以及
分析(104)所述KPI的性能,包括从所述动态关系以及所述MV的至少一部分的当前值标识所述工业过程的操作期间超过所述性能或所述性能中的问题的至少一个原因。
2.如权利要求1所述的方法,其中所述KPI包括不具有上或下控制限制的KPI无约束因变量(UDV)。
3.如权利要求1所述的方法,其中所述标识所述问题的所述原因包括标识所述多个MV中的哪些正在引起对所述KPI的改变。
4.如权利要求1所述的方法,还包括向所述业务KPI监视系统提供所述分析的结果,并且所述业务KPI监视系统的用户利用所述分析的所述结果来解决所述超过所述性能或所述性能中的所述问题。
5.如权利要求1所述的方法,还包括基于所述分析所述性能来更新所述动态关系。
6.如权利要求1所述的方法,还包括将所述未来轨迹用于自动告警和事件检测。
7.如权利要求1所述的方法,其中所述MPC过程模型包括优化器,其中所述标识所述问题的所述原因包括标识所述优化器何时使所述KPI偏离其目标。
8.如权利要求1所述的方法,还包括在搜索影响所述KPI的、未包括在所述MPC过程模型中的所述工业过程中的至少一个其他变量,并且然后将所述其他变量添加到所述MPC过程模型。
9.一种模型预测控制(MPC)控制器,包括:
处理器,其具有存储至少一个算法的存储器,所述至少一个算法由所述处理器执行用于实现在工业工厂(205)中运行的工业过程的动态MPC过程模型,所述工业过程包括多个测量变量(MV)和多个受控变量(CV),所述MPC过程模型包括至少一个KPI,所述至少一个KPI也包括在用于所述工业过程的业务KPI监视系统中,其中所述KPI包括不具有上或下控制限制的KPI无约束因变量(UDV);
所述MPC过程模型:
估计所述KPI的未来轨迹和其中所述KPI将稳定的稳态(SS)值;以及
使用所述未来轨迹和所述SS值,确定从所述多个CV和所述多个MV选择的关键工厂操作变量与所述KPI之间的动态关系。
10.如权利要求9所述的MPC控制器,其中所述MPC过程模型还提供分析所述KPI的性能,包括从所述动态关系以及所述MV的至少一部分的当前值标识所述工业过程的操作期间超过所述性能或所述性能中的问题的至少一个原因。
11.如权利要求9所述的MPC控制器,其中所述MPC过程模型包括优化器,其中所述标识问题的所述原因包括标识所述优化器何时使所述KPI偏离其目标。
12.一种模型预测控制(MPC)控制器,包括:
处理器,其具有存储至少一个算法的存储器,所述至少一个算法由所述处理器执行用于实现在工业工厂中运行的工业过程的动态MPC过程模型,所述工业过程包括多个测量变量(MV)和多个受控变量(CV),所述MPC过程模型包括至少一个KPI,所述至少一个KPI也包括在用于所述工业过程的业务KPI监视系统中,其中所述KPI包括不具有上或下控制限制的KPI无约束因变量(UDV);
所述MPC过程模型:
估计所述KPI的未来轨迹和其中所述KPI将稳定的稳态(SS)值;
使用所述未来轨迹和所述SS值,确定从所述多个CV和所述多个MV选择的关键工厂操作变量与所述KPI之间的动态关系,以及
分析所述KPI的性能,包括从所述动态关系以及所述MV的至少一部分的当前值标识所述工业过程的操作期间超过所述性能或所述性能中的问题的至少一个原因。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/221,755 US10643167B2 (en) | 2016-07-28 | 2016-07-28 | MPC with unconstrained dependent variables for KPI performance analysis |
US15/221755 | 2016-07-28 | ||
PCT/US2017/041661 WO2018022298A1 (en) | 2016-07-28 | 2017-07-12 | Mpc with unconstrained dependent variables for kpi performance analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109155018A true CN109155018A (zh) | 2019-01-04 |
CN109155018B CN109155018B (zh) | 2024-02-13 |
Family
ID=61010165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780028590.0A Active CN109155018B (zh) | 2016-07-28 | 2017-07-12 | 用于kpi性能分析的具有无约束因变量的mpc |
Country Status (5)
Country | Link |
---|---|
US (1) | US10643167B2 (zh) |
EP (1) | EP3491592A4 (zh) |
JP (1) | JP7138621B2 (zh) |
CN (1) | CN109155018B (zh) |
WO (1) | WO2018022298A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716519A (zh) * | 2019-10-12 | 2020-01-21 | 内蒙古伊泰煤炭股份有限公司 | 一种先进化工过程控制系统及方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11132620B2 (en) * | 2017-04-20 | 2021-09-28 | Cisco Technology, Inc. | Root cause discovery engine |
US10678194B2 (en) | 2017-06-12 | 2020-06-09 | Honeywell International Inc. | Apparatus and method for estimating impacts of operational problems in advanced control operations for industrial control systems |
US10976712B2 (en) * | 2018-02-05 | 2021-04-13 | Honeywell International Inc. | Method and system to provide cost of lost opportunity to operators in real time using advance process control |
JP7374590B2 (ja) * | 2019-02-12 | 2023-11-07 | 株式会社日立製作所 | Kpi改善支援システム及びkpi改善支援方法 |
EP3805681A1 (de) * | 2019-10-10 | 2021-04-14 | Linde GmbH | Verfahren zum überwachen einer verfahrenstechnischen anlage und verfahrenstechnische anlage |
US11606262B2 (en) | 2019-11-08 | 2023-03-14 | International Business Machines Corporation | Management of a computing system with multiple domains |
CN114787837A (zh) * | 2019-11-26 | 2022-07-22 | 巴斯夫欧洲公司 | 采用机器学习方法预测工业老化过程 |
US11551177B2 (en) * | 2020-06-29 | 2023-01-10 | Tata Consultancy Services Limited | Method and system for handling source field and key performance indicator calculation changes |
US11936542B2 (en) | 2021-04-02 | 2024-03-19 | Samsung Electronics Co., Ltd. | Method of solving problem of network and apparatus for performing the same |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048710A (zh) * | 2004-08-27 | 2007-10-03 | 阿尔斯托姆科技有限公司 | 工艺参数均值相对于期望值的级联控制 |
CN101458498A (zh) * | 2008-11-26 | 2009-06-17 | 清华大学 | 一种快速模型预测控制方法 |
CN104345726A (zh) * | 2013-06-28 | 2015-02-11 | 费希尔-罗斯蒙特系统公司 | 过程控制系统中的非侵入式数据分析 |
US20150185716A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
Family Cites Families (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740033A (en) | 1992-10-13 | 1998-04-14 | The Dow Chemical Company | Model predictive controller |
US5351184A (en) | 1993-01-26 | 1994-09-27 | Honeywell Inc. | Method of multivariable predictive control utilizing range control |
JPH08309140A (ja) * | 1995-05-18 | 1996-11-26 | Toshiba Corp | ガス吸着プロセスの制御装置 |
US6207396B1 (en) | 1995-11-20 | 2001-03-27 | Microgenics Corporation | Immunoassay reagents and methods for determination of LSD and LSD metabolites |
EP1042706A1 (en) | 1998-10-06 | 2000-10-11 | Pavilion Technologies, Inc. | Method and system for monitoring and controlling a manufacturing system |
US7209793B2 (en) * | 2000-07-12 | 2007-04-24 | Aspen Technology, Inc. | Automated closed loop step testing of process units |
US20090204237A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US8417360B2 (en) * | 2001-08-10 | 2013-04-09 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US8914300B2 (en) * | 2001-08-10 | 2014-12-16 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US9729639B2 (en) * | 2001-08-10 | 2017-08-08 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US20090210081A1 (en) * | 2001-08-10 | 2009-08-20 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US7376472B2 (en) * | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US7050863B2 (en) * | 2002-09-11 | 2006-05-23 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US7194318B2 (en) * | 2003-01-31 | 2007-03-20 | Fakhruddin T Attarwala | Integrated optimization and control using modular model predictive controller |
US6666049B1 (en) | 2003-03-20 | 2003-12-23 | Praxair Technology, Inc. | Method for operating a cryogenic plant |
US7187989B2 (en) * | 2003-12-22 | 2007-03-06 | Fakhruddin T Attarwala | Use of core process models in model predictive controller |
US8005647B2 (en) * | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US9201420B2 (en) * | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
WO2007067645A2 (en) * | 2005-12-05 | 2007-06-14 | Fisher-Rosemount Systems, Inc. | Multi-objective predictive process optimization with concurrent process simulation |
US7577483B2 (en) * | 2006-05-25 | 2009-08-18 | Honeywell Asca Inc. | Automatic tuning method for multivariable model predictive controllers |
US7930044B2 (en) * | 2006-09-07 | 2011-04-19 | Fakhruddin T Attarwala | Use of dynamic variance correction in optimization |
US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US7826909B2 (en) * | 2006-12-11 | 2010-11-02 | Fakhruddin T Attarwala | Dynamic model predictive control |
US8108790B2 (en) * | 2007-03-26 | 2012-01-31 | Honeywell International Inc. | Apparatus and method for visualization of control techniques in a process control system |
US7970482B2 (en) * | 2007-08-09 | 2011-06-28 | Honeywell International Inc. | Method and system for process control |
WO2009086220A1 (en) * | 2007-12-21 | 2009-07-09 | University Of Florida | Systems and methods for offset-free model predictive control |
DE112009005510A5 (de) | 2008-01-31 | 2013-06-20 | Fisher-Rosemount Systems, Inc. | Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung |
US7949624B2 (en) * | 2008-02-26 | 2011-05-24 | Honeywell International Inc. | Apparatus and method for hierarchical decomposition of planning, scheduling, and other decision-making problems |
WO2009120362A2 (en) * | 2008-03-26 | 2009-10-01 | Fakhruddin T Attarwala | Universal model predictive controller |
US8126575B2 (en) * | 2008-03-26 | 2012-02-28 | Fakhruddin T Attarwala | Universal model predictive controller |
US8036759B2 (en) * | 2008-04-30 | 2011-10-11 | Exxonmobil Chemical Patents Inc. | Online modular parameterization and successive linear programming for improving manufacturing plant operations |
US8326666B2 (en) * | 2008-09-29 | 2012-12-04 | Fisher-Rosemount Systems, Inc. | Event synchronized reporting in process control systems |
GB2476011B (en) * | 2008-09-29 | 2013-05-15 | Fisher Rosemount Systems Inc | Efficient design and configuration of elements in a process control system |
GB2479315B (en) * | 2009-02-02 | 2014-12-10 | Fisher Rosemount Systems Inc | Model predictive controller with tunable integral component to compensate for model mismatch |
US8112163B2 (en) * | 2009-03-23 | 2012-02-07 | Fakhruddin T Attarwala | Embedded dynamic alarm control system |
US9141911B2 (en) * | 2009-05-29 | 2015-09-22 | Aspen Technology, Inc. | Apparatus and method for automated data selection in model identification and adaptation in multivariable process control |
US8560092B2 (en) | 2009-05-29 | 2013-10-15 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
US8589814B2 (en) * | 2010-04-16 | 2013-11-19 | Honeywell International Inc. | System and method for visual presentation of information in a process control system |
US20120109620A1 (en) * | 2010-11-01 | 2012-05-03 | Honeywell International Inc. | Apparatus and method for model predictive control (mpc) using approximate window-based estimators |
US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
ITCO20120008A1 (it) * | 2012-03-01 | 2013-09-02 | Nuovo Pignone Srl | Metodo e sistema per monitorare la condizione di un gruppo di impianti |
US9727035B2 (en) | 2013-05-02 | 2017-08-08 | Aspen Technology, Inc. | Computer apparatus and method using model structure information of model predictive control |
US20140344007A1 (en) | 2013-05-20 | 2014-11-20 | Honeywell International Inc. | Plant operating point determination by integrating profit profile and risk profile |
JP5958456B2 (ja) * | 2013-12-10 | 2016-08-02 | 横河電機株式会社 | プラント制御システム、制御装置、管理装置、及びプラント情報処理方法 |
US10379503B2 (en) * | 2014-07-21 | 2019-08-13 | Honeywell International Inc. | Apparatus and method for calculating proxy limits to support cascaded model predictive control (MPC) |
US9733629B2 (en) * | 2014-07-21 | 2017-08-15 | Honeywell International Inc. | Cascaded model predictive control (MPC) approach for plantwide control and optimization |
JP6474564B2 (ja) * | 2014-08-25 | 2019-02-27 | 東日本旅客鉄道株式会社 | 設備の劣化状態判定システムおよび設備の劣化状態判定方法 |
US10287988B2 (en) * | 2015-03-27 | 2019-05-14 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
US11086310B2 (en) * | 2015-05-27 | 2021-08-10 | Honeywell International Inc. | Method and apparatus for real time model predictive control operator support in industrial process control and automation systems |
US10534328B2 (en) * | 2016-06-21 | 2020-01-14 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2016
- 2016-07-28 US US15/221,755 patent/US10643167B2/en active Active
-
2017
- 2017-07-12 JP JP2019503521A patent/JP7138621B2/ja active Active
- 2017-07-12 CN CN201780028590.0A patent/CN109155018B/zh active Active
- 2017-07-12 EP EP17834956.9A patent/EP3491592A4/en not_active Ceased
- 2017-07-12 WO PCT/US2017/041661 patent/WO2018022298A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048710A (zh) * | 2004-08-27 | 2007-10-03 | 阿尔斯托姆科技有限公司 | 工艺参数均值相对于期望值的级联控制 |
CN101458498A (zh) * | 2008-11-26 | 2009-06-17 | 清华大学 | 一种快速模型预测控制方法 |
CN104345726A (zh) * | 2013-06-28 | 2015-02-11 | 费希尔-罗斯蒙特系统公司 | 过程控制系统中的非侵入式数据分析 |
US20150185716A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716519A (zh) * | 2019-10-12 | 2020-01-21 | 内蒙古伊泰煤炭股份有限公司 | 一种先进化工过程控制系统及方法 |
CN110716519B (zh) * | 2019-10-12 | 2021-04-13 | 内蒙古伊泰煤炭股份有限公司 | 一种先进化工过程控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3491592A4 (en) | 2020-01-22 |
US20180032940A1 (en) | 2018-02-01 |
JP2019523502A (ja) | 2019-08-22 |
US10643167B2 (en) | 2020-05-05 |
EP3491592A1 (en) | 2019-06-05 |
CN109155018B (zh) | 2024-02-13 |
JP7138621B2 (ja) | 2022-09-16 |
WO2018022298A1 (en) | 2018-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109155018A (zh) | 用于kpi性能分析的具有无约束因变量的mpc | |
GB2524176B (en) | Determining associations and alignments of process elements and measurements in a process | |
US11487252B2 (en) | Process model identification in a process control system | |
CN107430398A (zh) | 用于调谐工艺模型的系统和方法 | |
KR102278411B1 (ko) | 프로세스의 개선된 매칭을 위한 매칭 프로세스 제어기들 | |
CN104932488B (zh) | 一种模型预测控制性能评估与诊断方法 | |
JP5307492B2 (ja) | プロセスモデルの履歴管理方法および選択方法 | |
CN101743522A (zh) | 用于先进过程控制的模型维护体系结构 | |
CN102301289A (zh) | 用多变量模型控制制造工艺 | |
CN102298319A (zh) | 过程分析模型与实际过程运转的在线对齐 | |
CN105793789B (zh) | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统 | |
KR20120012766A (ko) | 의존 인덱스를 이용하는 가상 계측을 활용한 고급 공정 제어 시스템 | |
Kumaraguru et al. | Integrating real-time analytics and continuous performance management in smart manufacturing systems | |
CN113539382A (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CA3175819A1 (en) | Improved pattern recognition technique for data-driven fault detection within a process plant | |
AU2015335860A1 (en) | Apparatus and method for calculating proxy limits to support cascaded model predictive control (MPC) | |
Bauer et al. | Changes to the automation architecture: Impact of technology on control systems algorithms | |
Wang et al. | On-line modeling and monitoring for multi-operation batch processes with infinite data types | |
Salahshoor et al. | Comparative evaluation of control loop performance assessment schemes in an industrial chemical process plant | |
Niu et al. | Advanced Process Control | |
CN107615185A (zh) | 用于处置针对模型预测控制器和估计器的设备服务的系统和方法 | |
Oliveira et al. | A Data-Driven Monitoring Approach for Diagnosing Quality Degradation in a Glass Container Process | |
Ghebredngl | Developing a hybrid data-driven health-aware controller for optimizing production in a gas-lifted oil well network | |
Sotomayor et al. | MULTIVARIABLE CLOSED-LOOP IDENTIFICATION WITH CONSTRAINED MPC CONTROL: CASE-STUDY ON A C3/C4 SPLITTER |
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 |