CN112213994A - 在过程工厂的控制系统内使用指导的预测仿真的实时控制 - Google Patents
在过程工厂的控制系统内使用指导的预测仿真的实时控制 Download PDFInfo
- Publication number
- CN112213994A CN112213994A CN202010663479.2A CN202010663479A CN112213994A CN 112213994 A CN112213994 A CN 112213994A CN 202010663479 A CN202010663479 A CN 202010663479A CN 112213994 A CN112213994 A CN 112213994A
- Authority
- CN
- China
- Prior art keywords
- process control
- simulation
- variables
- state
- control
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 296
- 238000000034 method Methods 0.000 title claims description 335
- 230000008569 process Effects 0.000 title claims description 309
- 238000004886 process control Methods 0.000 claims description 212
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000003909 pattern recognition Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 230000003362 replicative effect Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 32
- 230000007704 transition Effects 0.000 abstract description 13
- 230000003466 anti-cipated effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 39
- 239000013598 vector Substances 0.000 description 37
- 230000001360 synchronised effect Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 14
- 230000006854 communication Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000695274 Processa Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000976924 Inca Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000001824 photoionisation detection Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种实时控制系统包括仿真系统以实现预测、前瞻功能,该功能向操作员提供信息,该信息使得能够实现对控制程序或序列逻辑内的未来步骤的预期转换事件的更高程度的情况感知。该仿真系统使得未来的步骤和转换能够在它们实际发生之前被监视,这使得操作员能够在当前时间步长中识别并潜在地采取措施,以减轻问题的根本原因,从而降低控制程序的序列停止的可能性或防止控制程序的序列停止。
Description
技术领域
本发明总体上涉及诸如发电厂和工业制造厂之类的过程工厂,具体而言,涉及仿真系统,该仿真系统对控制网络的操作执行同步的、前瞻性的仿真,以预测并避免过程工厂内的未来问题。
背景技术
分布式过程控制系统,如那些通常用于发电、化学制造、石油加工或其他过程工厂中的系统,通常包括一个或多个过程控制器,其通过模拟、数字或组合的模拟/数字总线通信地耦合到一个或多个现场设备。现场设备(其可以是例如阀、阀定位器、开关、变送器(例如,温度、压力、液位和流速传感器)、燃烧器等)位于过程环境内,并且响应于由过程控制器产生和发送的控制信号来执行过程功能,诸如打开或关闭阀、测量过程参数等。智能现场设备,例如符合任何熟知的Fieldbus协议的现场设备,也可以执行控制计算、报警功能、以及通常在过程控制器内或由过程控制器实现的其他功能。过程控制器(其通常也位于工厂环境内)接收指示由现场设备进行的过程测量的信号和/或与现场设备有关的其它信息,并执行运行例如不同控制模块的控制应用,所述控制模块进行过程控制决策,基于所接收的信息生成过程控制信号,并与在诸如HART和Fieldbus现场设备之类的现场设备中执行的控制模块或块进行协调。控制器内的控制模块通过通信线路将过程控制信号发送到现场设备,从而控制过程的操作。
来自现场设备和控制器的信息通常通过数据高速通道提供给一个或多个其它计算机设备,例如操作员工作站、个人计算机、数据历史库、报告生成器、集中式数据库等,这些设备通常放置在控制室或其他远离较恶劣的工厂环境的位置。这些计算机设备还可以运行应用,这些应用可以例如使操作员能够执行关于过程的功能,例如改变过程控制例程的设置、修改控制器或现场设备内的控制模块的操作、查看过程的当前状态、查看由现场设备和控制器生成的警报、保持和更新配置数据库等。
作为示例,由Emerson Process Management销售的控制系统包括存储在位于过程工厂内不同位置的不同设备内并由不同设备执行的多个应用。配置应用(其驻留在一个或多个操作员工作站中)使用户能够创建或改变过程控制模块,并通过数据高速通道将这些过程控制模块下载到专用的分布式控制器。通常,这些控制模块由通信互连的功能块组成,这些功能块是面向对象的编程协议中的对象,并且基于对其的输入来执行控制方案内的功能,并向控制方案内的其他功能块提供输出。配置应用还可以允许设计者创建或改变操作员界面,该操作员界面由查看应用用于向操作员显示数据,并使操作员能够改变过程控制例程内的设置,例如设定点。每个专用控制器,以及在某些情况下的现场设备,存储并执行控制器应用,该控制器应用运行被分配并下载到其上的控制模块,以实现实际的过程控制功能。可以在一个或多个操作员工作站上运行的查看应用通过数据高速通道从控制器应用接收数据,并使用用户界面向过程控制系统设计者、操作员或用户显示该数据,并且可以提供多种不同视图中的任何视图,例如操作员视图、工程师视图、技术人员视图等。数据历史库应用通常存储在数据历史库设备中并由其执行,该据历史库设备收集并存储跨数据高速通道提供的一些或所有数据,而配置数据库应用可以在连接到数据高速通道的另一台计算机中执行,以存储当前的过程控制例程配置和与之相关的数据。替代地,配置数据库可以位于与配置应用相同的工作站中。
如上所述,操作员显示应用通常在一个或多个工作站中在全系统范围的基础上实现,并且向操作员或维护人员提供关于工厂内的控制系统或设备的操作状态的预先配置的显示。通常,这些显示采取接收由过程工厂内的控制器或设备生成的警报的警报显示、指示过程工厂内的过程、控制器和其他设备的操作状态的控制显示、指示过程工厂内的设备的操作状态的维护显示等的形式。这些显示通常被预先配置为以已知方式显示从过程工厂内的过程控制模块或设备接收的信息或数据。在一些已知的系统中,通过使用具有与物理或逻辑元件相关联的图形并且通信地绑定到物理或逻辑元件以接收关于物理或逻辑元件的数据的对象来创建显示。对象可以基于接收到的数据改变显示屏上的图形,以示出例如储罐半满,示出由流量传感器测量的流量等。虽然显示所需的信息是从过程工厂内的设备或配置数据库发送的,但是该信息仅用于向用户提供包含该信息的显示。结果,用于生成警报、检测工厂内的问题等的所有信息和程序必须在过程工厂控制系统的配置期间由与工厂相关联的不同设备(例如控制器和现场设备)生成并在其中配置。然后,才将该信息发送到操作员显示器,以便在过程操作期间显示。
一般而言,诸如发电厂之类的工业工厂中的过程的控制通常涉及在工厂内的各种设备上实现按时间排序的控制动作集合。每个相继控制动作的启动基于先前控制动作的完成以及要满足的一定数量的许可的条件。因此,工厂的控制以逐步的方式进行,并且使用被称为序列逻辑的软件构造来编程执行这种按时间排序的操作的控制系统软件。特别地,序列逻辑是操作、许可和动作的逻辑集合,其被实现为在控制系统中执行的计算机程序。通常,每个序列逻辑包括以连续方式执行的一系列相关步骤。每个步骤通常包括或表示需要满足的一定数量的许可,以及在该步骤结束之前要完成的一个或多个动作。许可通常是由控制程序以逻辑方式评估的一个或多个外部反馈输入、参数和状态的函数。例如,每个许可的评估或状态是评估为真或假条件的逻辑运算的结果。这些许可例如可以是现场设备的状态(例如,运行/停止/打开/关闭)、先前步骤或操作的完成、过程参数的值高于或低于特定阈值等。此外,从逻辑序列中每个连续步骤的转换是基于应用于该步骤的每个许可信号的评估的。
结果,应用设计者配置序列逻辑以要求满足许可,这意味着这些许可在进入下一步骤之前必须评估为真或假的期望布尔状态。因此,在每个步骤,评估多个许可,并且当满足这些许可时,采取针对该步骤的动作。一旦动作完成,则将该步骤指示为完成,并且针对序列逻辑中的下一步骤重复该过程。
在正常的工厂操作期间,控制系统通常以自动模式操作,并且序列程序或序列逻辑评估反馈信号以在无需直接的人工交互的情况下确定何时转换到序列逻辑中的下一步骤。然后,由序列程序在每个步骤执行相关的操作。
然而,有时,工厂可能经历异常情况,其中例如与许可相关的预期反馈信号之一例如不以预期方式出现。这种情况可能导致序列程序暂停或停止。然而,一旦序列程序被停止,通常需要人工交互来解决该问题并允许序列程序继续。重要的是,序列停止可能导致设备的暂停,这可能导致制造延迟、损失产量或收入、更高的操作成本以及甚至可能导致设备损坏。然而,在传统的控制系统中,操作员可能不知道即将发生的异常情况,以及由此导致的序列停止,直到实际发生该情况并且序列被暂停。
还已知在工厂内开发和放置仿真系统以仿真连接在工厂内的控制网络的操作。例如,这种仿真系统可以用于响应于新的或不同的控制变量(例如设定点)来测试工厂的操作,以测试新的控制例程、执行优化、执行训练活动等。虽然已经提出许多仿真系统并将其用于过程工厂中,但是由于工厂内不断变化的条件,包括设备随时间的退化、工厂内存在未考虑的干扰变量等,只有最复杂的仿真系统通常能够执行过程工厂的高保真度仿真。此外,在许多已知的控制系统中,由于仿真活动是与过程工厂的在线环境中执行的显示和控制活动分开执行的,因此可能难以建立或创建过程工厂或过程工厂的一部分的仿真。结果,大多数传统的仿真系统不能与过程工厂中控制网络的实际操作紧密协调。
为了帮助解决这个问题,美国专利No.8,527,252描述了一种过程控制仿真系统,当实际过程控制网络在过程工厂中以与实际过程控制网络的操作同步的方式运行时,该过程控制仿真系统执行该网络的实时仿真或预测。在实际过程控制网络的操作期间,该同步仿真系统可以周期性地自动更新,以反映对实际过程控制网络所做的改变,以及考虑在工厂本身内发生的改变,即需要更新在仿真系统内使用的过程模型的改变。此外,该仿真系统可以以快速模式执行,该快速模式比实时控制更快地操作以在特定时间范围上执行工厂的仿真,以在例如为了训练目的、测试等而采取不同的控制动作时帮助预测控制系统的操作。该同步仿真系统提供了更容易访问和可用的仿真系统,因为每当执行仿真时,仿真系统内使用的工厂模型与当前过程操作条件同步并且相对于当前过程操作条件保持最新。
发明内容
一种改进的实时控制系统实现仿真系统以实现预测、前瞻功能,该功能向诸如工厂操作员之类的操作员提供信息,该信息使得能够实现对控制程序或序列逻辑内的未来步骤的预期转换事件的更高程度的情况感知。该仿真系统使得未来的步骤和转换能够在它们实际发生之前被监视,这使得操作员能够在当前时间步长中识别并潜在地采取措施,以减轻问题的根本原因,从而降低控制程序的序列停止的可能性或防止控制程序的序列停止。
具体而言,除了正常执行控制或序列程序之外,控制系统还执行具有前瞻特征的同时仿真系统,以使操作员能够预览或查看当前控制或序列程序的运行中的潜在未来问题。在一种情况下,控制系统使用仿真引擎,该仿真引擎与实际工厂操作和控制并行地仿真过程的控制。然而,以比实时速度更快的速度执行工厂仿真,使得仿真序列在时间上在实际控制序列之前进行,以使用当前工厂输入和状态来预测当前工厂的未来操作。此外,仿真的状态可以从工厂的当前状态初始化,并且因此由无效设备配置或其他类型的人为错误导致的任何停止条件将或应当被仿真控制序列或仿真系统遇到。同样,因为仿真序列执行得比实时更快,所以仿真系统应当首先遇到任何潜在的停止条件(或其它过程控制问题),从而使得仿真系统能够在停止情况实际上在工厂内发生之前预测停止情况。然后,可以将该预测作为通知提供给操作员,以向操作员提供抢先反应的机会,从而潜在地解决问题情况并防止实际控制序列在该步骤停止,或者将控制序列将停止的时间减到最小。
在一些示例中,仿真可以“按需”运行,或者例如基于来自操作员的特定命令周期性地运行,或者可以以任何其他自动化方式执行。在一种情况下,可以基于收集的正常操作数据(其可以是例如在线数据或离线历史数据)为每个序列步骤构建高级模式识别(APR)模型。当对应的序列步骤是活动的时,每个APR模型可以在APR引擎中实时地执行。如果APR引擎确定与APR模型所定义的过程的“正常”操作模式或状态存在显著过程偏差,则可以自动激活快速前向仿真引擎。仿真可以在至少等于控制序列中的预定义的可允许的步骤转换时间的预览范围中运行,该时间表示可以设置停止标志的点。
此外,系统可以从仿真中导出显示数据,并且可以将该显示数据提供给操作员,以向操作员提供诸如预期反馈信号值及其仿真值以及这些信号发生的顺序之类的信息。然后,操作员可以使用该信息来监视实际控制序列,以防止或避免控制序列中的停止。
如果需要,仿真系统还可以具有与实际过程同步的过程模型,以使仿真更为准确。特别地,仿真系统,以及特别是由仿真系统使用的过程模型,可以在实际过程控制网络的操作期间自动更新(例如,周期性地),以反映对实际过程控制网络所做的改变,以及考虑在工厂本身内发生的改变,即需要更新在仿真系统内使用的过程模型的改变。本文描述的同步仿真系统提供了更容易访问和可用的仿真系统,因为仿真系统内使用的工厂模型与当前过程操作条件同步并且相对于当前过程操作条件保持最新,所以使得前瞻预测更为准确。
附图说明
图1是位于过程工厂内的分布式过程控制网络的框图,该过程控制网络包括操作员工作站,该操作员工作站实现了被配置为与实际过程控制网络的操作同步的前瞻仿真系统,从而仿真过程工厂的操作以执行预测控制;
图2是过程工厂控制系统和用于对过程工厂控制系统进行仿真的仿真系统的逻辑框图;
图3是图2所示的工厂控制系统的控制回路的简化逻辑框图;
图4是由图2所示的仿真系统实现的仿真控制回路的简化逻辑框图;
图5是示出在跟踪操作模式期间图2的仿真系统和控制系统之间的通信互连的逻辑框图;以及
图6是实现如本文所述的用于控制过程的预测控制前瞻特征的仿真系统的框图。
具体实施方式
现在参考图1,详细示出了用于诸如与发电厂相关联的过程工厂10的示例性控制网络。图1的过程工厂10包括具有一个或多个控制器12的分布式过程控制系统,每个控制器通过连接到输入/输出(I/O)设备或卡18的总线19来连接到一个或多个现场设备14和16,输入/输出设备或卡可以是例如Fieldbus接口、Profibus接口、HART接口、标准4-20ma接口等。总线19可以是任何类型的通信介质,例如串行、以太网(铜或光纤)或无线总线或连接。此外,I/O卡18可以物理地位于过程控制器12处,或者可以远程地定位。控制器12还通过数据高速通道24(例如,可以是以太网链路)连接到一个或多个主机或操作员工作站20和22。数据库28A和28B可以连接到数据高速通道24,并且作为数据历史库操作,在数据历史库28A的情况下,收集和存储与工厂10内的控制器12和现场设备14、16相关联的历史参数、状态和其他数据,以及在配置数据库28B的情况下,可以存储工厂10的配置和其他控制数据。例如,数据库28B可以作为配置数据库操作,其存储工厂10内的过程控制系统的当前配置,如下载到并存储在控制器12及现场设备14和16内的。虽然控制器12、I/O卡18及现场设备14和16通常位于有时恶劣的工厂环境中,并且分布在整个恶劣的工厂环境中,但是操作员工作站20和22以及数据库28A和28B通常位于维护人员容易访问的控制室或其他不太恶劣的环境中。
如已知的,每个控制器12,例如可以是由Emerson Process Management Powerand Water Solutions公司销售的控制器,存储并执行控制器应用,该控制器应用使用任何数量的不同的、独立执行的控制模块或块29来实现控制策略。每个控制模块29可以由通常所称为的功能块组成,其中每个功能块是整个控制例程的一部分或子例程,并且结合其他功能块(经由被称为链路的通信)操作,以实现过程工厂10内的过程控制回路。如所熟知的,功能块,其可以但不必是面向对象的编程协议中的对象,通常执行输入功能(例如与变送器、传感器或其他过程参数测量设备相关联的)、控制功能(例如与执行比例-积分-微分(PID)、模糊逻辑等控制的控制例程相关联的)、或输出功能(其控制某些设备(例如阀)的操作)中的一个,以执行过程工厂10中的一些物理功能。当然,存在混合的和其它类型的复杂功能块,例如模型预测控制器(MPC)、优化器等。虽然Fieldbus协议和系统协议使用以面向对象的编程协议设计和实现的控制模块和功能块,但是控制模块可以使用任何期望的控制编程方案来设计,例如包括顺序功能图、梯形逻辑等,并且不限于使用功能块或任何其他特定编程技术来设计和实现。
在图1所示的工厂10中,现场设备14和16连接到控制器12,并且可以是标准的4-20ma设备,可以是智能现场设备,例如HART、Profibus或Fieldbus现场设备,其包括处理器和存储器,或者可以是任何其他期望类型的现场设备。这些设备中的一些,例如Fieldbus现场设备(在图1中用附图标记16标记),可以存储和执行与控制器12中实现的控制策略相关联的模块或子模块,例如功能块。如所熟知的,图1中被示为布置在两个不同的Fieldbus现场设备16中的功能块30可以结合控制器12中的控制模块29的执行一起执行,以实现一个或多个过程控制回路。当然,现场设备14和16可以是任何类型的设备,例如传感器、阀、变送器、定位器等,并且I/O设备18可以是符合例如HART、Fieldbus、Profibus等的任何期望的通信或控制器协议的任何类型的I/O设备。
此外,序列逻辑32可以存储在控制器12中或一个或多个工作站20、22或其它计算机设备中,以监督或控制各种控制程序来执行排序的控制活动。如上所述,序列逻辑模块32在工厂内的各种设备上实施按时间排序的控制动作集合。每个连续控制动作的启动基于先前控制动作的完成以及序列逻辑32所监视的要满足的一定数量的许可的条件。因此,基于序列逻辑32的操作,以逐步的方式进行对工厂的控制,并且更具体地,每个序列逻辑32是在控制系统中执行的操作、许可和动作的逻辑集合。通常,每个序列逻辑包括以连续方式执行的一系列相关步骤。每个步骤通常包括或表示需要满足的一定数量的许可,以及在该步骤结束之前要完成的一个或多个动作。许可通常是由控制程序以逻辑方式评估的一个或多个外部反馈输入、参数和状态的函数。例如,每个许可的评估或状态是评估为真或假条件的逻辑运算的结果。这些许可例如可以是现场设备的状态(例如,运行/停止/打开/关闭)、先前步骤或动作的完成、过程参数的值高于或低于特定阈值等。此外,从逻辑序列中每个连续步骤的转换是基于应用于该步骤的每个许可信号的评估的。
更进一步地,以已知的方式,一个或多个工作站20和22可以包括用户接口应用,以使诸如操作员、配置工程师、维护人员等的用户能够与工厂10内的过程控制网络对接。特别地,工作站22被示出为包括一个或多个用户接口应用35,它们可以在工作站22内的处理器上执行,以与数据库28、控制器12或I/O设备18内的控制模块29或其他例程通信,与现场设备14和16以及这些现场设备、控制器内的模块30、32通信等,以从工厂获得信息,诸如与过程控制系统的正在进行的状态有关的信息。用户接口应用35可以处理该收集的信息和/或在与一个或多个工作站20和22相关联的显示设备37上显示该收集的信息。所收集、处理和/或显示的信息可以是例如过程状态信息、在工厂内生成的警报和警告、维护数据等。同样,一个或多个应用39可以存储在工作站22和20中并在其中执行,以执行配置活动,例如创建或配置将在工厂内执行的模块29、30和32,以执行控制操作员活动,例如在工厂内改变设定点或其他控制变量等。当然,例程35和39的数量和类型不受本文提供的描述的限制,并且如果需要,其他数量和类型的过程控制相关例程可以存储在工作站20和22中并在其中实施。
图1的工作站20还被示出为包括仿真应用40,其可以包括过程工厂仿真器,用户接口应用和数据结构,以用于以本文描述的方式执行过程工厂10的同步仿真。仿真应用40可以由任何授权用户(例如配置工程师、操作员或一些其他类型的用户)访问,以执行由控制块29、30和32以及在控制器12和可能的现场设备14、16内执行的其他控制器例程所实现的过程工厂控制网络的仿真。仿真应用40使得在过程工厂10的控制系统保持操作和在线以控制设备10的同时,用户能够执行关于过程工厂10的不同的仿真和预测活动。
如图1所示,仿真应用40存储在工作站20的存储器42中,并且仿真应用40的每个组件适于在与工作站20相关联的处理器46上执行。虽然将整个仿真应用40示出为存储在工作站20中,但是该应用的一些组件可以存储在工厂10内的或与工厂10相关联的其他工作站或计算机设备中并在其中执行。此外,仿真应用40可以向与工作站20相关联的显示屏37或任何其他期望的显示屏或显示设备(包括手持设备、笔记本电脑、其他工作站、打印机等)提供显示输出。同样,仿真应用40可以被分解并在可以被配置为彼此结合操作的两个或更多个计算机或机器上执行。
一般而言,仿真应用40提供或实现过程工厂10的操作的仿真,特别是,由控制器12和现场设备14和16中的控制例程29、30和32连同受控制的实际工厂10所实现的过程工厂控制系统的仿真。虽然本文将受控制的工厂10描述为使用分布式控制技术来控制的发电厂,但是本文描述的仿真技术可以用于其他类型的工厂和控制系统,包括工业制造工厂、水和废水处理厂、以及集中或在单个计算机内实现的控制系统,并且因此不是分布在整个工厂中。
图2一般地示出了在图1的工厂10内实现的过程控制系统50和仿真系统52。特别地,过程控制系统50包括通信地和物理地耦合到过程56的实际过程控制网络54。如将理解的,实际过程控制网络54包括图1的控制模块29、30和32,以及布置在图1的工厂10的各种控制设备(例如,控制器12)和现场设备(例如,设备14和16)中并在其中执行的任何其他控制例程。同样,实际过程56包括单元、机器、设备和相关硬件,它们被设置成实现受控制的过程。例如,在发电厂中,过程56可以包括发电机、包括热交换器的燃料输送系统、冷凝器、蒸汽发生器、阀、罐等,以及布置在工厂内以测量各种过程参数或变量的传感器和变送器。因此,如图2所示,实际过程控制网络54包括控制器,这些控制器产生要传送到工厂56内的各种控制设备的一个或多个控制信号,以及由序列逻辑32实现或生成的控制信号,以控制过程中的控制模块,这些控制器一起操作,以根据某些特定的控制技术控制工厂56。这些控制信号在图2中由向量U示出,以指示实际过程控制网络54可以向过程56提供控制信号的向量,以控制工厂的操作。同样,如图2所示,在过程56中测量(例如通过传感器等)过程变量的向量Y,并将其作为反馈信号传送到过程控制网络54,以用于产生控制信号U。当然,实际控制网络54可以包括任何期望类型的控制器,其实现任何期望类型的控制例程或技术,例如PID、模糊逻辑、神经网络、模型预测控制例程等。
如图2所示,仿真系统52包括仿真控制网络64和过程模型66。一般而言,仿真控制网络64是实际过程控制网络54的副本,包括与实际控制器和过程控制网络54的其他设备相关联的和/或在其中运行的控制例程(包括序列逻辑32)的副本或复制。然而,代替分布在多个不同的设备内,仿真控制网络64可以包括在诸如图1的操作员工作站20之类的单个计算机设备上实现的一个或多个通信连接的排序和其他控制模块。在美国专利No.7,257,523中详细描述了这种在单个计算机上存储和仿真被设计为在作为分布式控制网络的部分的不同计算机中实现的各种控制例程的仿真系统,该专利于2007年8月14日公布,题为“Integrating Distributed Process Control System Functionality on a SingleComputer”,其公开内容通过引用的方式明确地结合于此。在任何情况下,仿真系统52可以被实现为图1的仿真应用40的一部分。此外,在仿真系统52内使用的过程模型66被设计和配置为对过程56建模,并且可以被实现为任何期望的或合适类型的过程模型,诸如n阶传递函数模型、神经网络模型等。当然,可以选择要使用的模型类型作为用于被建模的特定类型的工厂或过程的最佳模型类型,以及实现如下面更详细描述的在线更新能力的模型类型。更进一步,如果需要,过程模型66可以由多个单独的过程模型组成,每个过程模型对工厂10的不同部分建模或与工厂10的不同部分相关联,例如工厂内的不同控制回路。
如图2中概述的仿真方案的总体概念提供了仿真系统52,其包括被开发为实际控制网络54的副本的控制网络64和对工厂的实际过程56进行建模的过程模型66。在该配置中,控制网络54以及因此的仿真控制网络64包括构成实际控制网络54的所有功能和组件(例如,实际控制网络的控制器、功能块、人机接口应用(MMI)等)。当然,仿真系统52的仿真控制网络64可以通过复制存储在例如图1的配置数据库28、控制器12、现场设备14、16、工作站20、22等中的实际控制例程(例如图1的控制例程29、30和32)、用户接口应用、配置应用等,以及存储与识别过程工厂中的控制例程的相关联输入和输出有关的数据或其他信息来开发。该输入/输出信号识别数据有助于使仿真系统52能够在控制系统50的操作期间与控制系统50通信,从而在过程工厂10在线操作时使仿真系统52的操作与控制系统50同步。
如将理解的,在工厂10的操作期间,实际控制网络54以任何通常或已知的方式操作以计算被应用于过程56的操纵变量或控制信号U。然后,过程56通过操作以产生实际过程变量Y来响应,这些变量由工厂内的各种传感器测量,并作为反馈提供给控制网络54。操纵变量和过程变量(分别为U和Y)被示出为向量量以指定多个值。当然,这些向量量的每个相关元素可以由相对于时间的离散值组成,其中每个时间步长的大小等于相关控制功能的执行周期,即控制器的扫描或操作速率。
在每个时间步长计算操纵变量(控制信号)U的值,并且通过在每个时间步长对过程变量进行采样来得到过程变量Y的值。当然,这些值由运行控制模块29和30的序列逻辑32确定。为了讨论的目的,将当前时间步长表示为时间k,并且因此将在当前时间步长的操纵变量和过程变量的值分别表示为Uk和Yk。因此,根据该操作,控制网络54的时间响应完全由向量U、Y和内部状态变量的向量X确定,该内部状态变量的向量定义了在控制网络54中使用的控制过程(或控制器配置)的细节,例如,控制器增益或定义了由控制网络54内的控制器实现的控制技术的细节的其他参数。换句话说,状态向量X的元素定义了内部变量,控制功能使用该内部变量来计算操纵变量U。这些状态变量可以是例如作为由诸如定时器的功能使用的调整参数或累积时间值、PID控制器使用的积分器值、神经网络控制器使用的神经网络加权系数、模糊逻辑控制器使用的比例因子、模型预测控制器使用的模型参数或矩阵等的函数的值。这些状态值也是关于时间离散的,并且因此将第k个时间步长的状态向量X表示为Xk。因此可以说状态向量U、Y、X的共同集合定义了控制系统的总体状态。这些值由控制系统连续计算。
现在参考图3,图2的控制系统50以框图形式被示出为反馈控制回路。在这种情况下,实际控制网络54由表示为C的框表示。过程56由表示为P的框表示。此外,在这种情况下,将控制网络54的输入示出为设定点的向量R,这些设定点与测量或确定的过程变量Y进行比较以产生误差向量E,误差向量E转而被控制网络54用于产生控制信号或操纵变量向量U。当然,设定点向量R的元素表示要被控制的过程变量Y的期望值,并且这些设定点值通常由操作员或优化器例程(未示出)确定。在发电厂控制系统的情况下,这些设定点值可以是发电设备内的相关过程变量的流量、压力、温度、兆瓦等的期望值。
以类似的方式,在图4中以框图形式示出了仿真系统52。将来自实际控制网络54的设定点值的相同向量R输入到仿真系统52。此处,仿真控制网络64由框表示,并且是控制网络54在控制器操作方面的复制。因此,在仿真控制网络64中复制了组成实际控制网络54的所有控制器、功能块、序列逻辑和算法。将仿真操纵变量或控制信号ū示出为由仿真控制网络64产生或计算并且提供给过程模型66。
然而,在仿真系统52中,使用过程56的数学模型计算过程变量的值,该数学模型被称为过程模型66并被表示为当然,过程模型66的精确结构可以变化,此外,各种不同的模型结构可以用于过程56的各种不同部分,使得例如每个过程变量可以利用唯一的过程模型结构或由唯一的过程模型结构确定。可以使用的适用的模型结构包括第一原理(微分方程)模型、传递函数(ARX)模型、状态空间模型、神经网络模型、模糊逻辑模型等。
与实际控制系统50类似,仿真系统52的时间响应完全由和向量描述。此处,仿真器状态向量的元素包含与实际控制系统50中等效的状态变量X。然而,仿真器状态向量还包括附加元素,其是与过程模型66相关联的内部状态变量,并且这些变量由过程模型66与操纵变量ū一起用于计算仿真过程变量
优选地,仿真器模型架构使得可以使用来自控制系统的Uk-1和Yk向量来计算在第k个时间步长的每个模型内部状态变量(ψk)的值。当然,具体计算的细节是特定的,并且是特定于所采用的特定模型结构的,并且这些计算对于本领域普通技术人员是已知的。此外,将认识到,由仿真器系统计算的过程状态变量可以是过程变量和操纵变量的函数,并且在一些情况下,可以是过程变量和/或操纵变量本身。这都取决于所采用的模型的类型。在任何情况下,这个特性使得在过程工厂的正常操作期间能够实现实际控制系统50和仿真系统52的同步。特别地,在第k个时间步长,可以使用Uk-1、Xk和Yk向量将总体仿真器状态同步到总体控制系统状态。对于仿真器总体状态更新,θk的元素直接从向量Xk更新,并且过程状态向量ψk的元素使用Uk-1和Yk计算(确定)。同样,计算的具体细节取决于所采用的过程模型的结构。
因此,一般而言,在操作期间,仿真系统52与过程控制系统50的操作并行地但以同步的方式操作。特别地,如果仿真系统52简单地与实际控制系统50并行操作,但不与其同步,则仿真过程变量将最终倾向于从过程56输出的实际过程变量Y漂移,这主要是由于未建模的动态特性和工厂模型失配的影响。
为了克服该问题,通过周期性地在跟踪模式下操作,仿真系统52保持与实际控制系统50同步,在跟踪模式下,仿真系统52从实际控制网络54针对每个控制器时间步长接收Uk-1、Yk和Xk向量。仿真系统52然后利用来自实际控制网络54的状态信息初始化其仿真过程控制网络64的状态。此外,在跟踪模式下,仿真系统52的更新模块使用Uk-1和Yk向量来重新计算内部状态变量(ψk)以更新过程模型66,以便反映在上一次的控制器时间间隔期间过程的实际操作,从而跟踪或建模从上一次的控制器扫描时间间隔测量的或明显可见的过程56的实际特性。因此,当在跟踪模式下操作时,仿真系统52被连续地初始化为当前工厂条件,包括控制器条件和工厂特性。
图5更详细地示出了仿真系统52在跟踪模式下的操作。特别地,在图5中在时刻k示出过程控制系统50。然而,在该情况下,仿真系统52的仿真过程控制网络64被配置为接收控制器54的内部状态向量Xk、控制信号向量Uk-1和过程变量向量Yk,并利用这些向量更新仿真控制器64。同样,过程模型66接收控制信号向量Uk-1和过程变量向量Yk,并根据这些值确定新的过程状态向量ψk。以这种方式,过程模型66在过程控制系统的每次扫描之后被更新或可以被更新,以反映过程工厂的实际操作。
因此,如将理解的,在跟踪模式期间,仿真系统52不断地跟随或跟踪过程操作,并且通过重新计算或更新过程模型66的状态来更新其状态参数以不仅反映过程控制网络54的当前状态,还反映过程56本身的特性的当前状态。结果,在跟踪模式期间,仿真系统52始终保持与过程控制系统50和过程工厂的操作同步,使得仿真系统52在任何时间立即可用于以高保真度执行仿真。
为了执行特定的预测仿真,仿真系统52可以在任何时间被置于预测模式,以在某个未来时间范围上执行过程控制系统50的实际仿真。实际仿真可以采取许多形式,或者可以仿真许多不同类型的控制器/过程活动。然而,在所有情况下,仿真系统52与实际控制系统50并行操作。特别地,在预测模式期间,仿真系统52停止利用来自实际过程工厂的信号更新控制网络映像64和过程模型66,而是操作以基于在跟踪模式期间产生的状态变量的最近集合执行预测。换句话说,在预测模式期间,使用仿真过程控制网络64和提供给仿真系统52的设定点R,以闭环方式基于过程模型66计算仿真过程变量在该情况下,将仿真系统52耦合到用户接口,以使得用户能够在需要时改变仿真控制系统或仿真过程的一个或多个参数,从而仿真过程对控制变化或对过程动态特性变化的响应。这种变化可以是例如一个或多个设定点R的变化、测量的过程变量的变化、控制例程本身的变化、过程中扰动变量的变化等。然而,在其他情况下,如下面详细描述的,仿真系统52可以以前瞻模式操作,以基于过程控制网络54和工厂56的当前操作值和状态来仿真工厂10或过程控制网络54和过程56的操作。
如果需要,仿真系统52在处于预测模式时可以以三种子模式之一执行,包括实时子模式、快时(fast-time)子模式和慢时(slow-time)子模式。在实时子模式下,过程变量的仿真实时进行(即,以与实际控制系统50相同的速度或扫描速率)。在发电厂控制系统应用中,该模式可由工厂人员用来测试对控制系统的建议动作和输入。在这种场景下,将所建议的动作应用于(仿真的)工厂,并且观察仿真的响应以确保动作具有期望的效果和/或没有异常状况作为动作的结果出现。
在快时子模式下,以比实时(即,比控制器扫描速率)更快的速率来计算仿真过程变量。该模式可以用于在未来时间范围上快速观察过程变量的预测响应,以测试工厂对新的控制器设定点、偏差、其他操作员输入或控制例程中的某个其他改变等的响应。例如,在任何给定时间,一个或多个过程变量的预测值和所得到的轨迹可以在接下来的十分钟或在某个其他预测范围上显示,诸如与返回到稳态操作的过程相关联的范围。
在慢时子模式下,操作员可以比实际过程操作时间或扫描速率更慢地查看仿真控制的操作。这种子模式可以用在例如快速过程中,以向操作员提供更多的时间来响应于预期的变化而查看和分析过程的操作。此外,当仿真系统52用于执行训练操作时,可以有利地使用该子模式。
在操作期间,集成且同步的仿真系统将交替地使用跟踪模式和预测模式两者来执行仿真和预测。特别地,在仿真系统52以跟踪模式操作的时间段期间,利用来自实际控制系统50的总体状态信息不断地更新仿真系统52。如上所述,控制系统50可以使用作为配置系统的一部分存储的信号地址周期性地将该状态数据发送到仿真系统52。在优选模式下,在过程控制系统50内的控制器的每次扫描期间或作为其结果,仿真系统52将从过程控制系统接收新的状态数据集合。换句话说,过程控制系统50内的状态数据可以在每个控制器操作或扫描之后被收集,并被发送到仿真系统52。该数据可以使用适当的通信过程单独地寻址或发送到仿真系统52,或者可以在某个中间设备处收集并作为大批数据集发送,以减少过程控制系统内的通信开销。当然,仿真系统52可以替代地以不同的速率接收控制器状态信息,该速率优选地是周期性速率,诸如在每隔一次扫描之后、每隔五次扫描之后等。以这种方式,当仿真系统52处于跟踪模式时,实际控制系统50和仿真系统52以同步方式操作,这是由于在与周期性速率相关联的每个时间步长,将仿真系统52的总体状态更新以完全匹配实际控制系统50的事实。
然而,在任何时刻,操作员或其他用户或自动化系统可以将仿真系统52置于预测模式。在以这种模式操作期间,子模式可以被选择为实时模式,以实现例如设定点或调整参数变化的影响的评估、评估控制程序改变对过程的影响、评估过程扰动变量的变化等。在另一种情况下,可以选择慢时子模式或快时子模式,其中仿真系统的状态以比过程控制网络50的实时扫描或操作速率更慢或更快的速度演变。当然,可以通过在仿真过程控制网络64内改变控制器和控制程序的扫描或操作周期来实现慢时子模式和快时子模式。此外,如果需要,代替或除了在操作员、工程师和维护人员界面上显示这些变量之外,可以收集、存储仿真的过程变量,然后在快速时间执行结束时将其反映在相关联的历史趋势上。
在一些情况下,可以操作仿真系统52,以使得每隔控制系统50的“N”个时间步长将自动执行快时执行周期,其中如果需要的话“N”可以由操作员定义。在这种情况下,仿真系统52以跟踪模式操作,直到第“N”个时间步长,此时仿真系统52自动地置于预测模式下,以在选定的时间范围上单次执行快时操作。在快时仿真结束时,可以利用在配置的时间范围上的预测的过程变量和/或利用其他信息来更新仿真器显示,所述其他信息诸如是在快时操作期间生成的任何仿真警报或警告等。在该快时操作结束时,仿真系统52可以自动返回到跟踪模式,以利用来自实际过程的新状态变量来更新过程模型66和仿真控制网络64。该自动操作条件可以用于更新示出感兴趣的(一个或多个)过程变量的预测轨迹的趋势显示,这在例如发电厂的实际操作期间的控制功能和仿真的实时集成中特别有用,并且对于实现具有消除由于人为错误而引起的过程混乱和工厂跳闸的潜力的自动方法特别有用。在这种模式下,还可以观察操作员的动作对工厂排放和热力学/过程效率的影响。
然而,在非常有用的情况下,仿真系统可以用于执行预测、前瞻功能,该功能向诸如工厂操作员之类的操作员提供信息,该信息使得能够实现对控制程序或序列逻辑内的未来步骤的预期转换事件的更高程度的情况感知。该仿真系统使得未来的步骤和转换能够在它们实际发生之前被监视,这使得操作员能够在当前时间步长识别并潜在地采取措施,以避免控制问题或减少控制问题的可能性,从而减少控制程序的序列停止的可能性或防止控制程序的序列停止。
更具体地说,控制系统执行同时、快时、前瞻仿真系统,该仿真系统提供操作员引导以及控制或序列程序的正常执行,以使操作员能够预览或查看当前控制或序列程序的运行中的潜在未来问题。在此期间,操作员引导系统使用仿真引擎,该仿真引擎与实际工厂操作和控制并行地仿真过程。然而,以比实时速度更快地执行工厂仿真,使得仿真序列在时间上超前与实际控制序列进行,以使用当前工厂输入和状态来预测当前工厂的未来操作,包括序列逻辑的操作。此外,仿真的状态从工厂的当前状态初始化,因此由无效设备配置或其他类型的人为错误导致的任何停止条件将或应当被仿真的前瞻序列遇到。同样,因为仿真过程控制序列比实时执行得更快,所以仿真系统应该首先遇到任何潜在的停止状态,从而使仿真系统能够在停止情况实际上在工厂内发生之前预测停止情况。然后,可以将该预测作为通知提供给操作员,以向操作员提供抢先反应的机会,从而潜在地解决问题情况并防止实际控制序列在该步骤停止,或者使控制序列将停止的时间减到最小。
在一些示例中,预测仿真可以例如基于来自操作员的特定命令或以任何其他自动化方式“按需”运行,或者周期性地运行。在另一示例情况下,可以基于收集的正常操作数据(其可以是例如存储在例如图1的历史库数据库28A中的在线数据或离线历史数据)为每个序列步骤(对于序列逻辑)构建高级模式识别(APR)模型。当对应的序列步骤是活动的时,每个APR模型可以在APR引擎中实时地执行。如果使用APR模型的APR引擎发现与APR模型所定义的过程的“正常”操作模式或状态有显著的过程偏差,则可以在仿真系统内自动激活快速前向、前瞻仿真。仿真可以在至少等于预定义的可允许的步骤转换时间的预览范围中运行,该时间表示可以设置停止标志的点。
此外,系统可以从前瞻仿真导出显示数据,并且可以将该显示数据提供给操作员以向操作员提供诸如预期反馈信号值及其仿真值以及这些信号出现的顺序之类的信息。然后,操作员可以使用该信息来监视实际控制序列,以防止或避免控制序列中的停止。
图6示出了实现具有如本文所述的集成的前瞻预测仿真的控制系统80的一种方式,其中仿真引擎执行预测控制动作以实现工厂内的高级控制。特别地,图6的控制系统80包括过程控制系统82、仿真系统84(其可以是图1-图5的仿真系统中的任何一个)以及耦合到过程控制系统82和仿真系统84的用户接口83(其可以是例如图1的用户接口系统20/37)。过程控制系统82可以是工厂内的任何典型的控制系统,其包括耦合到各种现场设备、机器、输入/输出设备等以及用户接口83的一个或多个过程控制器。在一些情况下,过程控制系统82可以实现序列逻辑,尽管这不是严格必需的,并且可以实现其他类型的控制。用户接口83可以是任何期望的人机接口,包括计算机、笔记本电脑、智能电话或其他接口设备,并且可以例如与过程操作员使用的过程控制系统接口、维护系统(维护人员使用的)、安全系统等相关联,或者可以是它们的一部分。用户接口83可以向用户提供典型的或期望的控制系统信息、维护系统信息、安全系统信息或来自工厂和过程控制网络82的任何其他期望的信息。
如图1-图5的示例中一般性描述的,仿真系统84包括通信地耦合到过程模型88的仿真过程控制网络86。更进一步,如图6所示,协调系统90连接在过程控制网络82和仿真系统84之间,并且操作以(1)更新仿真控制网络86和过程模型88,以保持仿真控制网络86和过程模型88与实际过程控制网络82和实际过程同步,以及(2)运行前瞻的预测仿真,以预测或检测实际过程控制网络82可能遇到的问题,并且例如经由用户接口83向用户提供这些预测的结果。
在图6的示例系统中,协调系统90包括更新模块100、模式控制模块102、预测仿真启动模块104和仿真预测分析模块106。协调系统90可以另外包括高级模式识别(APR)分析引擎108和存储在存储器中的APR模型110集合。如果需要,协调系统90可以作为计算机实现的应用或例程存储在一个或多个计算机设备中,包括图1的任何设备,并且可以在一个或多个计算机设备的处理器中执行,以便以提供预测的、前瞻控制的方式协调在线控制系统或网络82与仿真系统84的操作。
一般而言,模式控制模块102控制仿真系统84的模式处于两种模式之一,即,处于更新状态或处于运行仿真状态。更新模块100使用任何期望的通信结构通信地连接到过程控制网络82,并且通信地耦合到并响应于模式控制模块102。更新模块100操作以从过程控制网络82接收过程控制网络状态变量,包括控制器状态变量X,以及适当的过程输入和输出状态变量,例如设定点R、控制信号U和过程变量Y。如果需要,可以以任何周期性速率接收控制器状态变量X,该周期性速率可以是与从过程82接收状态变量U和Y的周期性速率相同的速率或不同的速率。此外,如果需要,可以通过仅在对过程控制系统82内的这些变量中的一个或多个实际做出改变时进行更新来以周期性速率接收或更新控制器状态变量X。
更新模块100(其可以在与仿真过程控制网络86(或其一部分)和过程模型88(或其一部分)相同或不同的计算机设备中执行)在跟踪模式期间操作以接收状态变量X、U和Y,并计算状态向量ψk,并将θ和ψk向量提供给仿真控制网络86和过程模型88的适当部分。
然而,如上所述,模式控制模块102控制仿真系统84的操作处于两种模式之一。特别地,在第一模式下,模式控制模块102控制更新模块100周期性地接收第一和第二状态变量,并使用所产生的状态变量θ和ψk来更新仿真过程控制网络86和过程模型88。在第二模式下,模式控制模块102使仿真过程控制网络86使用当前过程网络操作参数并且使用一个或多个仿真过程变量来执行前瞻仿真,以产生一个或多个仿真控制信号并且过程模型88使用一个或多个仿真控制信号来产生一个或多个仿真过程变量在该情况下,模式控制模块102可以以第二模式操作仿真过程控制网络86,以比过程控制网络82的操作或实时速度更快、优选地快得多(例如,快10倍或100倍之间)的实时速度执行,以在时间范围上产生一个或多个预测的过程变量或状态变量。
在一些情况下,工厂的控制以逐步的方式进行,并且使用被称为序列逻辑的软件构造来编程执行这种按时间排序的操作的控制系统软件。特别地,序列逻辑是操作、许可和动作的逻辑集合,其被实现为在控制系统中执行的计算机程序。通常,每个序列逻辑包括以连续方式执行的一系列相关步骤。每个步骤通常包括或表示需要满足的一定数量的许可,以及在该步骤结束之前要完成的一个或多个动作。许可通常是由控制程序以逻辑方式评估的一个或多个外部反馈输入、参数和状态(过程控制变量或参数)的函数。例如,每个许可的评估或状态是评估为真或假条件的逻辑运算的结果。这些许可例如可以是现场设备的状态(例如,运行/停止/打开/关闭)、先前步骤或操作的完成、过程参数的值高于或低于特定阈值等。此外,从逻辑序列中每个连续步骤的转换是基于应用于该步骤的每个许可信号的评估的。
结果,为了将控制器从一个过程控制状态或阶段移动到另一个过程控制状态或阶段,序列逻辑要求满足许可,这意味着这些许可在进入下一步骤之前必须评估为真或假的期望布尔状态。因此,在每个步骤,评估多个许可,并且当满足这些许可时,采取针对该步骤的动作。一旦动作完成,则将该步骤指示为完成,并且过程控制器针对序列逻辑中的下一步骤进行重复。如果在过程控制器中使用这种控制范例,则仿真系统84可以使用过程模型在一定时间范围或特定时间段内一次一个阶段地仿真序列逻辑的操作,以确定仿真的序列逻辑是否以及何时切换阶段(或者何时满足从每个阶段的各种过程变量导出的许可)。
在仿真期间,或在特定时间范围内的仿真结束时,仿真预测分析模块106从仿真系统(例如,从仿真过程控制网络86和从过程模型88)接收仿真过程参数、过程控制值、过程状态或变量、序列逻辑变量、控制设定点、和/或任何其他仿真过程控制或控制器信息,并且可以对所接收的信息执行任何期望的分析,以检测过程(其由过程控制网络82控制并且由过程模型88仿真)未来可能发生的潜在问题。这些问题可能是在预期或典型的时间段期间过程改变状态或过程控制系统或序列逻辑从一个状态转换到另一个状态的失败、过程内的各种警报或其他事件的设置或激活等。仿真预测分析引擎106可以存储特定事件(或预期事件,例如过程控制状态或序列逻辑状态的改变)或一个或多个任何其他过程操作性能标准,用于实际过程的各种不同阶段和/或组件,并且可以将仿真结果与这些存储的预期进行比较,以确定该过程是否存在可能在未来发生的潜在问题。在检测到问题或难题时,例如控制系统82在特定时间量内在序列逻辑的状态或阶段之间切换的预测失败、一个或多个警报或警告的生成、或其他问题,预测分析引擎106可以向用户接口系统83的用户提供报警、警告、警报、或其他信息,向用户通知潜在问题。另外或替代地,预测分析模块或引擎106可以向用户提供其他信息,例如各种仿真变量的值,或关于仿真过程88或仿真控制网络86(在未来时间)的其他信息,以基于仿真控制网络86向用户通知在未来可能在实际过程控制网络82中可能出现的难题或问题。
在任何情况下,用户在接收到分析结果后,可以随后采取一个或多个措施来理解或查看预测问题或序列暂停的原因,并且可以在实际过程控制系统或网络82内采取一个或多个步骤来防止或避免在实际过程控制网络82中发生问题。在一些情况下,仿真预测分析系统或引擎106可以自动地启动过程控制网络改变,以防止或试图防止所预测的未来问题。在采取纠正措施时,协调系统90可以使用模式控制模块102和更新模块100来更新仿真系统84,并且然后可以再次以前瞻预测模式运行仿真系统84,以确定是否已减轻或避免控制或过程问题。
在一些情况下,用户接口83处的用户可以随意地或在用户希望的任何时候启动前瞻预测仿真(其基于当前过程控制网络参数)。在其他情况下,前瞻仿真可以自动或半自动地运行。例如,用户可以经由用户接口83编程或指定预测仿真启动引擎104周期性地、在指定时间、或基于一个或多个指定事件的发生(诸如每当控制系统82切换状态或模式时、在事件之后的预设时间,诸如在切换控制状态之后1小时等)运行快时前瞻仿真。另外或替代地,引擎104可以周期性地运行前瞻仿真,诸如每五分钟、每小时、每天等,或以任何其他指定速率或时间。
在一个实例中,预测仿真引擎104可以执行一种或另一种分析来确定是否以及何时自动运行前瞻预测仿真,以便确定是否存在潜在的未来控制问题。在一个示例情况下,协调系统90可以使用高级模式识别(APR)模型110集合和使用模型110的APR引擎108来使用高级模式识别对控制系统82的当前状态执行异常情况检测。特别地,可以为过程工厂的控制例程(例如图1的序列逻辑32)的每个单独的状态或逻辑互锁或序列步骤存储APR模型110,并且每个这样的模型110可以基于或可以指示在这些时间或状态或序列步骤中的每一个期间工厂的正常或期望操作。APR引擎108可以使用适合于过程或控制例程或序列逻辑的当前操作状态的模型110来确定过程参数是否不正常(以某种方式)、状态的结束是否花费了过长的或比通常更长的时间等。在基于当前APR模型110和当前过程参数值或状态检测到工厂中的潜在异常状况时,APR引擎108然后可以自动运行或使模式控制模块102使用仿真系统84运行预测或前瞻仿真。因此,以这种方式,APR引擎108将基于过程的当前状态(或各种过程参数和/或控制参数的当前值或多个当前值)和最适合于过程的当前状态或操作状态的APR模型110来自动地检测何时运行前瞻或预测仿真。
如果需要,APR引擎108可以使用任何类型的建模或回归例程来确定在工厂中是否出现异常状况,这可能需要或建议使用前瞻或预测仿真。这些模型可以是例如神经网络模型、模型预测控制模块、回归模型、一个或多个过程参数或值的上限/下限等。此外,用于序列逻辑的每个步骤或阶段的APR模型110可以从真实过程数据创建或导出,所述真实过程数据包括过程控制器变量、过程输出、过程输入等。该数据可以是实时数据或存储在历史库数据库(例如,图1的历史库数据库28A)中的数据。
虽然优选地在与过程控制系统通信连接并集成(相对于通信)的计算机上操作仿真系统,如图1的示例中所示,但是也可以在未直接集成有控制功能的专用计算机上操作或实施本文描述的仿真系统。然而,在这种情况下,必须包括过程控制系统的闭环动态的仿真系统必须连续地从控制系统接收过程变量和状态变量。特别地,状态变量(包括过程变量)必须以使得能够实时执行仿真的速率从控制系统连续地发送到仿真计算机。然而,可以使用任何已知或标准接口协议,诸如OPC、TCP/IP等,来提供这样的通信接口。
此外,如果需要,本文描述的仿真系统可以分布在遍及过程工厂的不同设备中。例如,仿真过程控制网络86可以包括位于实际控制模块29、30和32所在的每个控制设备中的仿真控制器模块(其是实际控制模块的副本)。在这种情况下,过程模型88可以包括与过程工厂的特定部分(例如特定过程回路)相关联的子模型,所述子模型被布置在相同的过程控制设备内,并且通信连接到适当的仿真控制模型。此处,仿真控制模块和过程的子模型一起操作,以在各种不同的控制设备内逐回路地执行仿真。在这种情况下,仿真控制模块可以使用标准通信与存储在(图1的)工作站20和22内的操作员接口例程通信,以指示或说明在预测模式期间仿真控制模块的操作。同样,工厂内的各种设备内的仿真控制模块和过程模型可以直接从实际过程控制网络的相关控制模块29、30和32,或者从位于相同或不同设备内的更新模块接收过程状态信息。
当然,如将理解的,当在发电厂以及其他类型的工厂中使用时,如本文描述的仿真系统除了其他的之外可以(1)提供在发电厂的实际操作期间仿真和控制功能的实时集成,(2)提供在有限的未来时间范围上对发电厂的排放的实时预测,(3)提供用于未来发电市场定价的机制,(4)通过响应于控制系统的闭环动作而为与工厂相关联的主要过程变量中的每一个提供实时预测功能来增强工厂操作人员的效率,(5)提供异常情况的开始的实时指示,(6)允许将仿真器初始条件重置到特定时间段,使得发电厂的操作动态可以在时间上从对应于初始条件时间步长的时间段(其可以用于分析过去的工厂操作)向前“重放”,(7)允许操作人员和/或工程人员在将仿真器应用于实际工厂之前评估仿真器上的设定点、调整参数、配置或编程变化的影响,以及(8)通过为在某个有限的未来时间范围上延伸的每个时间步长提供主要过程变量的预测,减少由于操作员动作/无动作而引起的工厂跳闸。
此外,如将理解的,本文描述的仿真系统包括将仿真功能分布为整体控制功能的组成部分的方案。在这种方案中,将仿真用作控制功能的扩充,以提供与过程变量相关联的预测函数。与分布仿真相关联的要求和约束与相应的控制功能相同。
当被实施时,本文所述的任何仿真软件可以被存储在任何计算机可读存储器中,诸如磁盘、激光盘或其他存储介质上,计算机或处理器的RAM或ROM中,等等。同样,可以使用任何已知或期望的传递方法将该软件传递给用户、过程工厂或操作员工作站,所述传递方法包括例如在计算机可读磁盘或其他移动型计算机存储装置上或通过诸如电话线、互联网、万维网、任何其他局域网或广域网等的通信信道(该传递被视为与经由移动型存储介质提供这样的软件相同或可互换)。此外,该软件可以直接提供而不进行调制或加密,或者可以在通过通信信道传输之前使用任何适当的调制载波和/或加密技术进行调制和/或加密。
尽管已经参考特定示例描述了本发明,但是这些示例仅旨在说明而非限制本发明,本领域的普通技术人员将清楚,在不脱离本发明的精神和范围的情况下,可以对所公开的实施例进行改变、添加或删除。
Claims (36)
1.一种用于控制过程的过程控制系统,包括:
过程控制器,其耦合到所述过程,用于控制所述过程;
仿真系统,其用于对连接到所述过程的过程控制器的操作进行仿真,所述仿真系统包括;
仿真过程控制网络,其使用一个或多个仿真过程变量来产生一个或多个仿真控制信号,以仿真连接在所述过程内的所述过程控制器的操作,以及
过程模型,其通信地连接到所述仿真过程控制网络,所述过程模型使用所述仿真控制信号来产生所述一个或多个仿真过程变量,以及
仿真协调系统,其通信地耦合到所述过程控制器和所述仿真系统,所述仿真协调系统包括:
仿真启动模块,其在所述过程控制器的在线操作期间使用当前过程控制器信息启动所述仿真系统,其中,所述仿真系统比所述过程控制器的实时操作更快地执行仿真,以产生一个或多个预测的过程控制变量;以及
仿真分析系统,其耦合到所述仿真系统,所述仿真分析系统从所述仿真系统接收所述一个或多个预测的过程控制变量,其中,所述仿真分析系统分析所述一个或多个预测的过程控制变量,以检测耦合到所述过程的所述过程控制器的操作中的未来问题,并且在检测到耦合到所述过程的所述过程控制器中的未来问题时,生成所述未来问题的一个或多个指示,并且向用户提供所述未来问题的所述一个或多个指示。
2.根据权利要求1所述的过程控制系统,其中,所述过程控制器包括序列逻辑,所述序列逻辑基于一个或多个过程变量按顺序从一个过程控制状态进展到另一个过程控制状态,并且其中,所述仿真分析系统确定所述序列逻辑是否被预测为在特定时间段中从一个过程控制状态进展到另一个过程控制状态。
3.根据权利要求2所述的过程控制系统,其中,所述序列逻辑基于从所述一个或多个过程变量导出的一个或多个许可来确定何时从一个过程控制状态进展到另一个过程控制状态,并且其中,所述仿真分析系统确定在所述仿真系统内生成的所述一个或多个许可是否使得所述仿真过程控制网络内的所述序列逻辑能够在所述仿真期间从所述过程控制状态进展到所述另一个过程控制状态。
4.根据权利要求1所述的过程控制系统,其中,所述仿真协调系统包括更新模块,所述更新模块通信地连接到所述过程控制网络,以在所述过程控制器的操作期间周期性地接收指示所述过程控制器的当前配置的第一状态变量,并且在所述过程控制器的操作期间周期性地接收指示所述过程的操作的第二状态变量,其中,所述更新模块利用所述第一状态变量周期性地配置所述仿真过程控制网络,并且其中,所述更新模块周期性地使用所述第二状态变量来更新所述过程模型。
5.根据权利要求4所述的过程控制系统,其中,所述更新模块以由所述过程控制网络内的所述过程控制器使用的扫描速率周期性地接收所述第一状态变量和所述第二状态变量。
6.根据权利要求4所述的过程控制系统,其中,所述仿真协调系统包括模式控制模块,所述模式控制模块将所述仿真系统的操作控制为处于两种模式中的一种模式,所述两种模式包括第一模式和第二模式,在所述第一模式下,所述更新模块周期性地接收所述第一状态变量和所述第二状态变量,并且使用所述第一状态变量和所述第二状态变量来更新所述仿真过程控制网络和所述过程模型,在所述第二模式下,所述仿真过程控制网络使用所述一个或多个仿真过程变量来操作,以产生所述一个或多个仿真控制信号,并且所述过程模型使用所述一个或多个仿真控制信号来产生所述一个或多个仿真过程变量。
7.根据权利要求1所述的过程控制系统,还包括:用户接口,所述用户接口使得用户能够使所述仿真协调运行仿真。
8.根据权利要求1所述的过程控制系统,其中,所述仿真启动系统自动执行以运行所述仿真系统,从而以比所述过程控制网络的操作速度更快的速度执行,以在时间范围产生预测的过程变量。
9.根据权利要求8所述的过程控制系统,其中,所述仿真协调系统周期性地执行以运行所述仿真系统,从而检测耦合到所述过程的所述过程控制器内的问题。
10.根据权利要求1所述的过程控制系统,还包括:异常情况检测模块,其耦合到所述过程控制系统,以检测耦合到所述过程的所述过程控制器中的潜在异常情况,并在检测到异常情况时运行所述仿真系统。
11.根据权利要求10所述的过程控制系统,还包括:一个或多个高级模式识别(APR)模型,所述一个或多个APR模型定义耦合到所述过程的所述过程控制器的正常操作,并且其中,所述异常情况引擎包括APR引擎,所述APR引擎使用所述APR模型中的一个来检测耦合到所述过程的所述过程控制器中的异常情况。
12.根据权利要求11所述的过程控制系统,其中,所述过程控制器包括具有多个阶段的序列逻辑,并且其中,所述仿真协调系统包括针对所述序列逻辑的多个阶段中的每个阶段的不同APR模型。
13.根据权利要求1所述的过程控制系统,其中,所述过程控制器是包括分布在两个或更多个处理设备中的控制例程的分布式过程控制器。
14.一种操作过程控制系统的方法,所述过程控制系统具有连接在过程工厂内的过程控制网络,所述方法包括:
在所述过程控制网络的在线操作期间接收指示所述过程控制网络的当前配置的第一状态变量;
在所述过程控制网络的在线操作期间接收指示所述过程工厂的当前操作的第二状态变量;
使用所述第一状态变量配置仿真过程控制网络;
使用所述第二状态变量更新过程模型;
在所述过程控制网络的连续在线操作期间,通过使用经更新的过程模型以比所述过程控制网络的实时扫描速率更快的扫描速率运行经更新的仿真过程控制网络来仿真所述过程控制系统的操作,以在时间范围上产生一个或多个预测的控制变量;
基于预期性能标准分析所述一个或多个预测的控制变量,以确定在所述时间范围内在所述过程控制系统的操作内是否存在问题;以及
向用户通知所述过程控制系统中的所确定的预测问题。
15.根据权利要求14所述的过程控制方法,其中,周期性地接收所述第一状态变量包括以由所述过程控制网络内的一个或多个控制器使用的扫描速率周期性地接收所述第一状态变量,并且其中,接收所述第二状态变量包括以由所述过程控制网络内的一个或多个控制器使用的扫描速率接收所述第二状态变量。
16.根据权利要求14所述的过程控制方法,包括:以比所述过程控制网络的操作速度更快的速度周期性地自动仿真所述过程控制系统的操作,以在所述时间范围上产生所述一个或多个预测的控制变量,并且基于预期性能标准来分析所述一个或多个预测的控制变量,以确定在所述时间范围内在所述过程控制系统的操作内是否存在问题,并且向用户显示所述预测问题的指示。
17.根据权利要求14所述的过程控制方法,还包括:改变所述过程控制系统的操作以避免所述预测问题。
18.根据权利要求14所述的过程控制方法,其中,所述过程控制器包括序列逻辑,所述序列逻辑基于一个或多个过程变量按顺序从一个过程控制状态进展到另一个过程控制状态,并且其中,基于预期性能标准分析所述一个或多个预测的控制变量包括确定所述序列逻辑是否被预测为在特定时间段中从一个过程控制状态进展到另一个过程控制状态。
19.根据权利要求18所述的过程控制方法,其中,所述序列逻辑基于从所述一个或多个过程变量导出的一个或多个许可来确定何时从一个过程控制状态进展到另一个过程控制状态,并且其中,基于预期性能标准分析所述一个或多个预测的控制变量包括确定在所述仿真系统内生成的所述一个或多个许可是否使得所述仿真过程控制网络内的所述序列逻辑能够在所述仿真期间从所述过程控制状态进展到所述另一个过程控制状态。
20.根据权利要求14所述的过程控制方法,还包括:在所述过程控制网络的操作期间周期性地接收指示所述过程控制网络的当前配置的第一状态变量并且在所述过程控制网络的操作期间周期性地接收指示所述过程的操作的第二状态变量,以及利用所述第一状态变量周期性地配置所述仿真过程控制网络并且利用所述第二状态变量周期性地更新所述过程模型。
21.根据权利要求20所述的过程控制方法,包括:以由所述过程控制网络内的过程控制器使用的扫描速率周期性地接收所述第一状态变量和所述第二状态变量。
22.根据权利要求14所述的过程控制方法,包括:使用两个单独的操作模式来执行仿真,包括使用第一模式和第二模式,所述第一模式包括周期性地接收所述第一状态变量和所述第二状态变量,并且使用所述第一状态变量和所述第二状态变量来更新所述仿真过程控制网络和所述过程模型,而不执行所述过程控制系统的仿真,所述第二模式包括仿真所述过程控制系统以产生所述一个或多个仿真控制变量。
23.根据权利要求14所述的过程控制方法,进一步使得用户能够经由用户接口执行所述过程控制系统的仿真,并且基于所述预期性能标准自动分析来自所述仿真的所述一个或多个预测的控制变量,以确定在所述时间范围内在所述过程控制系统的操作内是否存在问题。
24.根据权利要求14所述的过程控制方法,包括:在所述过程控制系统的在线操作期间自动周期性地执行所述仿真系统,并且基于所述预期性能标准分析来自所述仿真的所述一个或多个预测的过程控制变量,以确定在所述过程控制系统的操作内是否存在问题。
25.根据权利要求14所述的过程控制方法,还包括:基于一个或多个操作标准自动分析所述过程控制网络的操作,并且运行所述过程控制网络的仿真,以确定当满足一个或多个操作标准时是否存在预测问题。
26.根据权利要求25所述的过程控制系统,其中,基于一个或多个操作标准分析所述过程控制网络的操作包括:使用高级模式识别模型对所述过程控制网络执行高级模式识别分析,以检测所述过程控制网络中的潜在异常情况。
27.根据权利要求26所述的过程控制方法,还包括:存储定义所述过程控制系统在所述过程控制系统的不同阶段的正常操作的一个或多个高级模式识别(APR)模型,并且基于所述过程控制系统的所述阶段使用所述APR模型中的不同模型来检测所述过程控制系统中的异常情况。
28.根据权利要求27所述的过程控制方法,其中,所述过程控制网络包括具有多个阶段的序列逻辑,并且包括针对所述序列逻辑的多个阶段中的每个阶段存储不同的APR模型。
29.根据权利要求14所述的过程控制方法,包括:通过复制所述过程控制网络来开发所述仿真过程控制网络。
30.一种用于仿真耦合到过程的过程控制器的操作的仿真系统,包括:
仿真过程控制网络,其使用一个或多个仿真过程变量来产生一个或多个仿真控制信号,以仿真耦合到所述过程的所述过程控制器的操作;
过程模型,其通信地连接到所述仿真过程控制网络,所述过程模型使用所述仿真控制信号来产生所述一个或多个仿真过程变量;
仿真协调系统,其通信地耦合到所述过程控制器和所述仿真系统,所述仿真协调系统包括:
仿真启动模块,其在所述过程控制器的在线操作期间使用当前过程控制器信息启动所述仿真系统,其中,所述仿真系统比所述过程控制器的实时操作更快地执行仿真,以产生一个或多个预测的过程控制变量;以及
仿真分析系统,其耦合到所述仿真系统,所述仿真分析系统从所述仿真系统接收所述一个或多个预测的过程控制变量,其中,所述仿真分析系统分析所述一个或多个预测的过程控制变量,以检测耦合到所述过程的所述过程控制器的操作中的未来问题,并且在检测到耦合到所述过程的所述过程控制器中的未来问题时,生成所述未来问题的一个或多个指示,并且向用户提供所述未来问题的所述一个或多个指示;以及
异常情况检测模块,其耦合到所述过程控制器和所述仿真系统,其中,所述异常情况检测模块从所述过程控制器接收过程控制信息,对照一个或多个预期性能度量来分析所述过程控制信息,以检测所述过程控制器中的潜在异常情况,并且在检测到异常情况时与所述仿真启动模块通信,以启动仿真、仿真分析。
31.根据权利要求30所述的仿真系统,其中,所述过程控制器包括序列逻辑,所述序列逻辑基于一个或多个过程变量按顺序从一个过程控制状态进展到另一个过程控制状态,并且其中,所述仿真分析系统确定所述序列逻辑是否被预测为在特定时间段中从一个过程控制状态进展到另一个过程控制状态。
32.根据权利要求31所述的仿真系统,其中,所述序列逻辑基于从所述一个或多个过程变量导出的一个或多个许可来确定何时从一个过程控制状态进展到另一个过程控制状态,并且其中,所述仿真分析系统确定在所述仿真系统内生成的所述一个或多个许可是否使得所述仿真过程控制网络内的所述序列逻辑能够在所述仿真期间从所述过程控制状态进展到所述另一个过程控制状态。
33.根据权利要求30所述的仿真系统,其中,所述仿真协调系统包括更新模块,所述更新模块通信地连接到所述过程控制网络,以在所述过程控制器的操作期间周期性地接收指示所述过程控制器的当前配置的第一状态变量,并且在所述过程控制器的操作期间周期性地接收指示所述过程的操作的第二状态变量,其中,所述更新模块利用所述第一状态变量周期性地配置所述仿真过程控制网络,并且其中,所述更新模块周期性地使用所述第二状态变量来更新所述过程模型。
34.根据权利要求33所述的仿真系统,其中,所述更新模块以由所述过程控制器使用的扫描速率周期性地接收所述第一状态变量和所述第二状态变量。
35.根据权利要求30所述的仿真系统,其中,所述异常情况检测模块包括高级模式识别(APR)引擎以及定义耦合到所述过程的所述过程控制器的正常操作的一个或多个高级模式识别APR模型,并且其中,所述APR引擎使用所述APR模型中的一个来检测耦合到所述过程的所述过程控制器中的异常情况。
36.根据权利要求35所述的仿真系统,其中,所述过程控制器包括具有多个阶段的序列逻辑,并且其中,所述异常情况检测模块包括针对所述序列逻辑的多个阶段中的每个阶段的不同APR模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/510,431 | 2019-07-12 | ||
US16/510,431 US11604459B2 (en) | 2019-07-12 | 2019-07-12 | Real-time control using directed predictive simulation within a control system of a process plant |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112213994A true CN112213994A (zh) | 2021-01-12 |
Family
ID=71835528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010663479.2A Pending CN112213994A (zh) | 2019-07-12 | 2020-07-10 | 在过程工厂的控制系统内使用指导的预测仿真的实时控制 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11604459B2 (zh) |
CN (1) | CN112213994A (zh) |
CA (1) | CA3084131A1 (zh) |
DE (1) | DE102020118259A1 (zh) |
GB (1) | GB2587852B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687636A (zh) * | 2021-08-23 | 2021-11-23 | 明度智云(浙江)科技有限公司 | 一种用于工业生产的设备管理方法、系统和存储介质 |
CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI775207B (zh) * | 2020-11-05 | 2022-08-21 | 財團法人資訊工業策進會 | 行為推薦裝置、行為推薦方法及其電腦程式產品 |
US11855893B2 (en) | 2021-11-24 | 2023-12-26 | Amazon Technologies, Inc. | Tag-based cross-region segment management |
US11799755B2 (en) | 2021-11-24 | 2023-10-24 | Amazon Technologies, Inc. | Metadata-based cross-region segment routing |
US11991211B1 (en) | 2021-12-10 | 2024-05-21 | Amazon Technologies, Inc. | Symmetric cross-region network data flow management |
US11936558B1 (en) * | 2021-12-10 | 2024-03-19 | Amazon Technologies, Inc. | Dynamic evaluation and implementation of network mutations |
SE2151510A1 (en) * | 2021-12-10 | 2023-06-11 | Kaaberg Johard Leonard | A modular, variable time-step simulator for use in process simulation, evaluation, adaptation and/or control |
EP4261633A1 (en) * | 2022-04-11 | 2023-10-18 | Abb Schweiz Ag | Method and devices for use in a process industry |
EP4276551A1 (de) * | 2022-05-13 | 2023-11-15 | Siemens Aktiengesellschaft | Applikationsmodul für eine steuereinrichtung |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5161110A (en) * | 1990-02-27 | 1992-11-03 | Atlantic Richfield Company | Hierarchical process control system and method |
US20040078182A1 (en) * | 2002-10-21 | 2004-04-22 | Mark Nixon | Simulation system for multi-node process control systems |
CN101114160A (zh) * | 2006-07-28 | 2008-01-30 | 艾默生过程管理电力和水力解决方案有限公司 | 加工厂内的实时同步控制和仿真 |
CN103217907A (zh) * | 2012-01-24 | 2013-07-24 | 爱默生过程管理电力和水解决方案公司 | 用于使用云计算技术来布置工业工厂仿真器的方法和装置 |
CN108603719A (zh) * | 2015-12-22 | 2018-09-28 | 乔治洛德方法研究和开发液化空气有限公司 | 用于空气分离设备的自动启动的系统和方法 |
Family Cites Families (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4977529A (en) | 1973-02-23 | 1990-12-11 | Westinghouse Electric Corp. | Training simulator for a nuclear power plant |
US4506324A (en) | 1982-03-08 | 1985-03-19 | The United States Of America As Represented By The Secretary Of The Navy | Simulator interface system |
US4663704A (en) | 1984-12-03 | 1987-05-05 | Westinghouse Electric Corp. | Universal process control device and method for developing a process control loop program |
US5021947A (en) | 1986-03-31 | 1991-06-04 | Hughes Aircraft Company | Data-flow multiprocessor architecture with three dimensional multistage interconnection network for efficient signal and data processing |
JP2550063B2 (ja) | 1987-04-24 | 1996-10-30 | 株式会社日立製作所 | 分散処理システムのシミユレ−シヨン方式 |
US5119468A (en) | 1989-02-28 | 1992-06-02 | E. I. Du Pont De Nemours And Company | Apparatus and method for controlling a process using a trained parallel distributed processing network |
US5041964A (en) | 1989-06-12 | 1991-08-20 | Grid Systems Corporation | Low-power, standby mode computer |
US5079731A (en) | 1989-10-17 | 1992-01-07 | Alcon Laboratories, Inc. | Method and apparatus for process control validation |
US5218709A (en) | 1989-12-28 | 1993-06-08 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Special purpose parallel computer architecture for real-time control and simulation in robotic applications |
US5268834A (en) | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
US5428555A (en) | 1993-04-20 | 1995-06-27 | Praxair, Inc. | Facility and gas management system |
JPH07248941A (ja) | 1994-03-08 | 1995-09-26 | Nec Corp | デバッグ支援装置 |
US5568378A (en) | 1994-10-24 | 1996-10-22 | Fisher-Rosemount Systems, Inc. | Variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics |
JPH08314760A (ja) | 1995-05-23 | 1996-11-29 | Hitachi Ltd | プログラム開発支援装置 |
DE19531967C2 (de) | 1995-08-30 | 1997-09-11 | Siemens Ag | Verfahren zum Training eines neuronalen Netzes mit dem nicht deterministischen Verhalten eines technischen Systems |
AU1843597A (en) | 1996-01-31 | 1997-08-22 | Asm America, Inc. | Model-based predictive control of thermal processing |
US5992229A (en) | 1996-02-05 | 1999-11-30 | Neles-Jamesbury Oy | Method and equipment for determining the performance of control valve |
US5826060A (en) | 1996-04-04 | 1998-10-20 | Westinghouse Electric Corporation | Stimulated simulator for a distributed process control system |
US5752008A (en) | 1996-05-28 | 1998-05-12 | Fisher-Rosemount Systems, Inc. | Real-time process control simulation method and apparatus |
US5818736A (en) | 1996-10-01 | 1998-10-06 | Honeywell Inc. | System and method for simulating signal flow through a logic block pattern of a real time process control system |
BR9712194A (pt) | 1996-10-04 | 1999-08-31 | Fisher Controls Int | Interface entre uma rede de comunicações e um sistema de controle de processo, programa de software que implementa uma interface entre uma rede de comunicações e um sistema de controle de processo para execução em um processador, artigo de fabricação implementando uma interface de programa de software entre uma rede de comunicações e um sistema de controle de processo para execução em um processador, e, interface adaptada a fim de ser acoplada entre uma rede de comunicações remota e um sistema de controle de processo. |
US6044305A (en) | 1996-10-04 | 2000-03-28 | Fisher Controls International, Inc. | Method and apparatus for debugging and tuning a process control network having distributed control functions |
WO1998014855A1 (en) | 1996-10-04 | 1998-04-09 | Fisher Controls International, Inc. | Maintenance interface device for use in a process control network |
US6104722A (en) | 1997-03-07 | 2000-08-15 | Advanced Micro Devices Inc. | Apparatus for and method of communicating among devices interconnected on a bus |
GB2334958B (en) | 1998-02-25 | 2001-11-07 | Porpoise Viscometers Ltd | Melt flow index determination in polymer process control |
US6411923B1 (en) | 1998-04-30 | 2002-06-25 | Fisher-Rosemount Systems, Inc. | Topology analysis tool for use in analyzing a process control network design |
US6289299B1 (en) | 1999-02-17 | 2001-09-11 | Westinghouse Savannah River Company | Systems and methods for interactive virtual reality process control and simulation |
US6385496B1 (en) | 1999-03-12 | 2002-05-07 | Fisher-Rosemount Systems, Inc. | Indirect referencing in process control routines |
US7257523B1 (en) | 1999-05-06 | 2007-08-14 | Fisher-Rosemount Systems, Inc. | Integrated distributed process control system functionality on a single computer |
US6459939B1 (en) | 1999-06-29 | 2002-10-01 | Alan J. Hugo | Performance assessment of model predictive controllers |
US6445963B1 (en) | 1999-10-04 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Integrated advanced control blocks in process control systems |
US6622059B1 (en) | 2000-04-13 | 2003-09-16 | Advanced Micro Devices, Inc. | Automated process monitoring and analysis system for semiconductor processing |
US6721609B1 (en) | 2000-06-14 | 2004-04-13 | Fisher-Rosemount Systems, Inc. | Integrated optimal model predictive control in a process control system |
AU2001265362A1 (en) | 2000-06-30 | 2002-01-14 | The Dow Chemical Company | Multi-variable matrix process control |
US7146231B2 (en) | 2002-10-22 | 2006-12-05 | Fisher-Rosemount Systems, Inc.. | Smart process modules and objects in process plants |
US9983559B2 (en) | 2002-10-22 | 2018-05-29 | Fisher-Rosemount Systems, Inc. | Updating and utilizing dynamic process simulation in an operating process environment |
DE10348563B4 (de) | 2002-10-22 | 2014-01-09 | Fisher-Rosemount Systems, Inc. | Integration von Grafikdisplayelementen, Prozeßmodulen und Steuermodulen in Prozeßanlagen |
US7272454B2 (en) | 2003-06-05 | 2007-09-18 | Fisher-Rosemount Systems, Inc. | Multiple-input/multiple-output control blocks with non-linear predictive capabilities |
JP2007536634A (ja) | 2004-05-04 | 2007-12-13 | フィッシャー−ローズマウント・システムズ・インコーポレーテッド | プロセス制御システムのためのサービス指向型アーキテクチャ |
US7877154B2 (en) | 2005-09-30 | 2011-01-25 | Fisher-Rosemount Systems, Inc. | Method and system for controlling a batch process |
US9733626B2 (en) | 2011-07-11 | 2017-08-15 | Valmet Automation Oy | Method of monitoring an industrial process |
JP6907014B2 (ja) | 2017-04-25 | 2021-07-21 | 三菱重工業株式会社 | 管理監視システム |
-
2019
- 2019-07-12 US US16/510,431 patent/US11604459B2/en active Active
-
2020
- 2020-06-17 CA CA3084131A patent/CA3084131A1/en active Pending
- 2020-06-17 GB GB2009214.4A patent/GB2587852B/en active Active
- 2020-07-10 CN CN202010663479.2A patent/CN112213994A/zh active Pending
- 2020-07-10 DE DE102020118259.7A patent/DE102020118259A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5161110A (en) * | 1990-02-27 | 1992-11-03 | Atlantic Richfield Company | Hierarchical process control system and method |
US20040078182A1 (en) * | 2002-10-21 | 2004-04-22 | Mark Nixon | Simulation system for multi-node process control systems |
CN101114160A (zh) * | 2006-07-28 | 2008-01-30 | 艾默生过程管理电力和水力解决方案有限公司 | 加工厂内的实时同步控制和仿真 |
CN103217907A (zh) * | 2012-01-24 | 2013-07-24 | 爱默生过程管理电力和水解决方案公司 | 用于使用云计算技术来布置工业工厂仿真器的方法和装置 |
CN108603719A (zh) * | 2015-12-22 | 2018-09-28 | 乔治洛德方法研究和开发液化空气有限公司 | 用于空气分离设备的自动启动的系统和方法 |
Non-Patent Citations (2)
Title |
---|
ANDRE HANISCH.ETC: "Initialization of online simulation models", 《PROCEEDINGS OF THE 2005 WINTER SIMULATION CONFERENCE》, 31 December 2005 (2005-12-31), pages 1795 - 1803, XP058134823 * |
ANDRE HANISCH.ETC: "Initialization of online simulation models", 《PROCEEDINGS OF THE 2005 WINTER SIMULATION CONFERENCE》, pages 1795 - 1803 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687636A (zh) * | 2021-08-23 | 2021-11-23 | 明度智云(浙江)科技有限公司 | 一种用于工业生产的设备管理方法、系统和存储介质 |
CN113687636B (zh) * | 2021-08-23 | 2022-11-08 | 明度智云(浙江)科技有限公司 | 一种用于工业生产的设备管理方法、系统和存储介质 |
CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
CN116859830B (zh) * | 2023-03-27 | 2024-01-26 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
Also Published As
Publication number | Publication date |
---|---|
GB2587852A (en) | 2021-04-14 |
CA3084131A1 (en) | 2021-01-12 |
GB202009214D0 (en) | 2020-07-29 |
DE102020118259A1 (de) | 2021-01-14 |
GB2587852B (en) | 2023-09-20 |
US11604459B2 (en) | 2023-03-14 |
US20210011466A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11604459B2 (en) | Real-time control using directed predictive simulation within a control system of a process plant | |
US8527252B2 (en) | Real-time synchronized control and simulation within a process plant | |
CN106990759B (zh) | 用于使用云计算技术来布置工业工厂仿真器的方法和装置 | |
CN104345726B (zh) | 过程控制系统中的非侵入式数据分析 | |
CN101196740B (zh) | 集成于过程控制网络的分析服务器 | |
CN102906650B (zh) | 多阶段过程建模方法 | |
CN101533261B (zh) | 用于过程控制系统中的智能控制和监控的方法和设备 | |
JP6043348B2 (ja) | 産業プロセスを監視する方法 | |
CN103019094A (zh) | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 | |
EP2244140A2 (en) | Process Simulation Utilizing Component-Specific Consumption Data | |
EP2871585B1 (en) | Control system database systems and methods | |
JP2001216003A (ja) | プロセス制御システムにおける統合されたアドバンスド制御ブロック | |
US11449044B2 (en) | Successive maximum error reduction | |
Allsopp | Parallel Development of a Real-time Co-Simulation and MPC Control System for the Universal Water System | |
Jannarone et al. | The Rapid Learning Neuro-Computing System |
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 |