CN1193279C - 在线校准的方法 - Google Patents
在线校准的方法 Download PDFInfo
- Publication number
- CN1193279C CN1193279C CNB01812951XA CN01812951A CN1193279C CN 1193279 C CN1193279 C CN 1193279C CN B01812951X A CNB01812951X A CN B01812951XA CN 01812951 A CN01812951 A CN 01812951A CN 1193279 C CN1193279 C CN 1193279C
- Authority
- CN
- China
- Prior art keywords
- quality
- prediction
- minimum
- time
- measurement
- 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.)
- Expired - Lifetime
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及一种用于从原始的过程测量中对用于过程质量的实时预测的过程模型的自动化在线校准的方法,通过:采集原始过程数据,通过一个数学模型处理采集的数据来获得对质量的预测,通过两个独立的动态转移函数处理该预测,从而产生两个中间信号,存储获得的两个中间信号作为历史上的时间的函数,在对应于最小和最大的特定空载时间的一个时间周期中,从历史中的质量的真实和验证的测量的时间上检索两个中间信号的绝对的最小和最大值,这些值定义最小和最大的预测可能值,计算作为真实的和验证的测量之间的差别的偏差值和获得的最小和最大预测可能值之间包含的区域。
Description
技术领域
本发明涉及输入/输出模型的自动化在线校准。
背景技术
已知在过程控制系统中,在从容易获得的原始过程测量(通常称为输入)中对某些,更适宜地,关键的过程质量和/或特性参数(通常称为输出)的实时预测中使用一个或多个所谓的质量估算量(在这里后面称为QE)。这样,QE实质上是在预测的相关过程值上设计的一个数学的输入/输出过程。
QE通常从采集的过程数据确定。为了在实时实现方面具有一个有用的价值,QE不得不使用历史上的质量测量来校准,这可以在线或离线进行,取决于过程的类型和/或观察的测量的类型,目的是减小,或最佳地避免在预测的量中的任何漂移。QE被最佳地运用在允许对产品质量的少有的和/或延迟的测量的情况下。这可以是这样的情况,例如当需要产生测量的值的时间是相当长的或者当方法是相对昂贵的时候。
在QE的自动化在线校准过程中要面对许多困难,象变化的或不确定的过程/测量空载时间和在QE输入和测量的质量之间的动态的出现,还有通常称为处理增益的现象,即在输入和输出之间的比值上的漂移的一种现象。
为了克服这些不期望的情形,当它们应用的过程是处于它的所谓的稳态,即在过程流质是均匀的并且在工作的入口和出口处的组成、状态和速度上是恒定的情况下,通常要校准QE。尽管这些校准将对要监控的系统给出好的结果,仍然被认为是次优的,原因是可获得的动态信息没被使用。这是因为校准不得不等待直到过程已到达一个稳态的工作点。而且为了知道校准何时能够开始,需要一个稳态检测器的存在。
发明内容
现在已经发现通过应用根据本发明的过程,在这里前面所说的缺点能够被减小或者甚至被克服,本发明的过程允许一种实时方法以一种健全的方式用于自动化在线校准。根据本发明的健全的质量估算量(RQE)提供一种更准确和健全的质量预测,它改进了它应用的任何质量控制方案的性能。例如,当过程是这样的稳态增益和/或在处理的变量和受控的质量之间的动态(例如空载时间)在某些确定的边界内以一种不可预测的方式变化时,它改进了一个线性模型预测性的控制器的性能。而且,它同时被用来实现对具有不利的动态性能的任何过程变量的闭环控制。
本发明由此涉及一种用于从原始的过程测量中对用于过程质量的实时预测的过程模型的自动化在线校准的方法,该方法包含:
a)采集原始过程数据,
b)通过过程模型处理在步骤a)中采集的数据来获得质量的预测,
c)通过动态转移函数处理该预测,从而产生两个中间信号,
d)存储在步骤c)中获得的两个中间信号作为历史上的时间的函数,
e)在对应于最小和最大的特定空载时间的一个时间周期中,从历史中的质量的真实和验证的测量的时间上检索两个中间信号的绝对的最小和最大值,这些值定义最小和最大的预测可能值,
f)计算作为在真实和验证的测量与在步骤e)中获得的最小和最大预测可能值之间包围的区域的差值的偏差,
g)如果在步骤f)中获得的偏差的绝对值是零,就继续步骤i),或者如果在步骤f)中获得的偏差的绝对值大于零,就继续步骤h),
h)把偏差值插入到过程模型中,并且
i)重复步骤a)--h)。
用本发明的方法校准的过程模型,适合的是一种所谓的输入-输出参数化模型,它是从历史上的过程数据和质量测量中离线获得的。这样的模型的例子是在例如由Montgomery和Peck,JohnWiley & Sons,1992所写的“线性回归分析导言”(“Introduction to linearregression analysis”)中描述的多个线性回归,和例如在由Keilath,Prentice-Hall所写的“线性系统”(“Linear System”),信息与系统科学丛书,1980中描述的线性动态模型(在拉普拉斯变换域)和在例如由T.Poggio和F.Girosi.所写的“用于估计和学习的网络”(“Network for approximation and learning”),IEEE会议录,78(9):1485-1497,1990年9月中描述的径向偏置函数神经网络(可选地用高斯函数)。取决于应用的过程模型的本质和接收的原始材料数据的类型,那些在本技术领域中的熟练人员可以选择最适合感知的目标的质量估算的过程模型的类型。
附图说明
使用下面的图形使得示意本发明的方法更加清楚。
图1是示意本发明的方法的最佳实施例的一个功能性方框图。
图2是示意本发明的方法的不同术语的一个图形。
图3是由一个质量估算量控制的一个蒸馏柱的一个简化流程图。
图4表示在执行改变过程的设置点的步骤之后,期望的质量的最小和最大值的动态响应。
图5示意在一个在线质量估算量被插入到控制环路中之前和之后的改进的蒸馏操作。
具体实施方式
图1表示具有来自原始过程数据(2)的输入的一个过程模型(1)。过程模型(1)提供一个可被用作可以控制例如一个阀(未表示)的控制器(12)的输入的一个估计质量(11)。图1同时表示其中执行步骤(c)和(d)的一个模块(3)。进一步表示的是一个验证模块(5),它验证了真实的质量测量(4)来获得一个真实的和验证的质量测量(6)。根据来自模块(3)和真实的和验证的质量测量(6)的输入,一个偏差在(7)中被计算。如果如在步骤(g)中描述的偏差大于0,那么偏差(8)被用于过程模型(1)的校准,最佳地通过使用卡尔曼滤波器(9)。
在根据本发明的方法中被使用的在步骤(a)中原始过程数据(2)的采集可以通过在本领域已知的方法来实现。通常在过程控制技术中经一段时间在多个点上测量数据(2)。例如,在提纯操作中,象温度、压力和流量的工作参数通常以频繁的间隔,或者甚至以一种连续的方式测量,并且它们以那些本技术领域的熟练人员熟知的许多方式被存储和处理。
为了获得在采集的原始过程数据(2)之外的质量(11)的预测,上面提到的过程模型(1)可以在步骤(b)中使用。步骤(b)于是是质量预测步骤。
步骤(c)在用于自动化在线校准的方法中是一个必须的步骤。这个步骤和进一步的步骤同时通过利用图2来示意。在这些步骤中,执行了在质量的真实的和验证测量的时间上的最小和最大预测的可能值的计算。步骤(c)适合地通过应用两个动态转换函数(所谓的不确定动态)到质量(11)(未延迟的真实时间)的预测中来执行,这样创建了两个中间信号。适合地应用两个或多个独立的动态转换函数。动态转换函数对于一个本技术领域的熟练人员是熟知的方法,例如在由Keilath,Prentice-Hall所写的“线性系统”,信息与系统科学丛书,1980中作了描述。在步骤(d)中,这些中间信号(20,21)被作为历史中的一个时间的函数来存储。这实质上将导致在实际的处理响应应该放置的并且当达到稳态条件(23,24)时将变得非常窄的一个(不确定性)区域(22)。同时可能的是在一个非稳态情况中,不确定性区域(22)被降低到一个对应于其中独立的动态转换函数是相同的情况的一条线(这种情况未在图2中表示)。所谓的最小和最大的预测可能值是通过在对应于最小(25)和最大(26)的特定的空载时间的一个时间周期中,从历史上计算这些两个中间信号(20,21)的绝对最小值(27)和最大值(28)来获得。空载时间是相对于真实的质量被测量的位置、被测量的真实质量的时间和其它例如流量速率和液体保持的过程条件的质量估算量的虚拟位置的一个函数。空载时间可以很容易地由本领域的熟练人员来确定。从这个输入,一个最大(26)和最小(25)空载时间被定义为代表过程历史的时间周期,其中在步骤(f)中真实的和验证的质量的测量(29->29’)与预测的质量的区域(22)和特定的最小(27)和最大(28)可能的质量值进行比较。
在达到稳态条件之前,区域(22)可以是非常宽的。现有技术的系统或者只在稳态期间校准或者有在质量的真实的和验证的测量在上面提到的区域之内的情况下作错误的校准的风险。然而,根据本发明的方法被特别地设计只有当质量的真实的和验证的测量(29)在不确定度区域(22)之外时才校准,这样防止了在闭环中的不稳定。有利地是,根据本发明的校准方法可以在稳态和非稳态条件下执行。
在根据本发明的方法中的步骤(f)中,校准过程的一部分通过计算偏差(30)(所谓的预测误差)来执行,所述偏差(30)是真实和验证的测量(29′)与由之前计算获得的最小(27)和最大(28)预测可能值之间包围的区域(22)之间的距离。
质量的真实的和后来验证的测量(29)可以是质量的在线或离线测量。要测量的质量可以是过程流或产品的特性,例如象粘度、粘度指数、蒸汽压力、沸点、自由和混浊点,密度、辛烷数和十六烷数,和例如象硫磺含量、芳香族含量、苯含量和石蜡含量的组份信息同时可以以频繁的间隔或者甚至连续的方式通过利用离线或者在线的分析装置被测量。这样的装置可以利用例如在线测粘分析仪,GLC或NMR分析仪直接测量特性。质量同时可以通过利用例如在用于测量辛烷数的欧洲专利EP-A-285251中描述的近红外线的预测方法来非直接地测量。
在步骤(g)中,质量的真实的和验证的测量的用于校准目的的可用性被确定。只有在不确定度区域(22)之外的质量的测量(29’)可以被用于模型的校准。换言之,如果如在这里上面描述的偏差(30)的计算表示获得的偏移量的绝对值是0,意味着质量的验证的和真实的测量在不确定度区域(22)内或更确切地,在最小(27)和最大(28)可能的质量值之间,那么得到的偏差(30)不用作校准过程的进一步的输入,而系统将通过重复到现在为止执行的步骤来继续,因为这里不需要改进该系统。然而,如果计算的偏差(30)表示偏差(30)的绝对值大于0,如图2中所示的,那么获得的偏差(30)将在步骤(h)中被插入到过程模型中并且前面的步骤将被重复(步骤i)。净结果将是产生一个变更的,更精确的,预测性的过程模型,之后它将根据在校准过程期间观察的偏差的水平,用作进一步变更的基础。
最佳地执行步骤(h),以便使用卡尔曼滤波器(9)(见图1)将偏差(8)插入到过程模型(1)中。以这样一个方式执行步骤(h)的结果是偏差通过调整它的线性参数由此更新了预测带并改进了过程模型,被插入到过程模型中。卡尔曼滤波器的使用是过程控制操作领域中熟知的。可以参考Jazwinsik所写的“随机过程和滤波理论”(科学出版社,数学和科学工程,vol.64,1970)。由于卡尔曼滤波器实质上是最优的随机滤波器,它们同时滤除或者甚至去除在测量的质量上的噪声,这使得它们非常适合使用根据本发明的方法。
应该注意使用卡尔曼滤波器不限于在非稳态条件下实现的校准操作,原因是当一个过程被在稳态条件下操作时,它同样能够提供有用的信息。
已经发现通过把卡尔曼滤波器与根据本发明的过程相结合,可以获得一个甚至更健全的控制方法。卡尔曼滤波器的使用具有附加的优点,即它将改进质量估算过程的准确度。在没有质量的真实的和验证的测量被接收的情况下,如在步骤e,f和g中定义的校准不能被实现。系统将重复步骤a-d直到另一个质量的真实的和验证的测量被接收。
如在本发明中描述的校准过程可以被推断用于健全的多变量预测性控制器以覆盖用于在操作的变量和受控的变量之间的所有转移函数的控制模型中的不确定的动态。
本发明的方法的进一步的优点是由本发明的方法执行的校准过程(上面描述的步骤)的副产品,预测的实时准确度在任何时间是确切知道的(经由计算的预测误差或偏差(30))。这避免了传统的质量估算量所要求的为了验证目的的成本高和昂贵的质量测量活动。
用于本发明的应用的例子为:
蒸馏过程,其中由质量估算量所估计的质量是例如在蒸馏中获得的部分的组成、粘度、密度或沸点。在步骤(a)中采集的原始处理数据可以是流量速度、输入和产出温度、托盘温度、塔顶馏出物温度(overhead temperature)、系统温度、逆流比、循环逆流负载和再沸腾负载。示例的蒸馏过程是天然蒸馏器,真空蒸馏器,轻端分离器例如解乙烷器、解丙烷器、解丁烷器、乙烯-乙烷分离器、丙烯-丙烷分离器、丁烯-丁烷分离器。
转换过程,其中由质量估算量所估计的质量是例如在转换中获得的产品的组成或产量、粘度、密度或沸点、辛烷数,十六烷数、熔化指数的质量。在步骤(a)中采集的原始处理数据可以是流量速度、流入组成、密度、催化剂寿命或温度。示例的转换过程是多聚合的过程,氢化裂解、流体催化裂化、氢化处理、加氢处理,氢化、加氢脱硫、(氢)脱蜡、加氢异构、重组或延迟炼焦。
混合过程,其中由质量估算量所估计的质量可以是辛烷数或十六烷数、粘度、粘度指数、沸点或组成。在步骤(a)中采集的原始过程数据可以是缓存罐上行流的不同输入流或组成数据的温度。
根据本发明的健全的质量估算量的应用和优点是由下面对在图3中所示一个简单的两个通路的分离器的控制的更详细的描述所示意。该图表示一个蒸馏塔(33)的示意图,配置了一个流入口(34)和顶端产物出口管道(31)和底端产物出口管道(35)。该装置进一步配置了一个冷凝器(36)、一个塔顶冷凝鼓(38)和一个再沸器(37)。各种控制被提供:一个液面控制(39),一个高端温度控制(40),一个液面控制(41)和一个再沸控制(42)。顶端产物(31)的真实质量由一个连续分析仪(32)测量。这个质量例如可以是一个最终的沸点或杂质容量(在顶端产物中的重产物的量)。
这样一个蒸馏过程通过改变作用在逆流阀(42)上的炉顶温度控制器(40)的设定点,将随后作为例如对炉顶温度的测试的步骤。由分析仪(32)测量的质量将呈现空载时间的某些一阶动态。空载时间从蒸馏塔(33)的顶端的运送开始到分析仪的采样点(32)。这个时间依赖于生产多少产品并相应地变化(导致一个不确定的空载时间现象)。如果现在我们看动态响应,在塔顶冷凝鼓(38)中的液体容纳量很少(对应于一个低的液面)的情况下,慢的动态将出现,反之亦然(导致一个不确定的动态现象)。包括空载时间的动态响应于是受在塔顶冷凝鼓(38)上的液面控制器LC(39)影响。通过以上步骤,最小和最大的空载时间可以被确定。
图4表示在炉顶温度控制器(40)上的这个测试步骤的可能的响应。在y轴上,由分析仪(32)测量的质量被画出。在x轴上时间被画出。在时间(t1)上温度步骤如由线(51)所示的来执行。在一个最小的空载时间(52)和一个最大的空载时间(53)之间,在(32)上测量的质量将开始从稳态质量(56)变为下一个稳态质量(57)。在稳态质量测量(56)和(57)之间,在(32)上测量的质量可以在最小质量预测可能值(55)和最大质量预测可能值(56)之间变化。在如图4中所示的条件下并忽视控制器类型(例如,一个模型预测控制器)的类型,当受控的变量是来自分析仪(32)的测量的质量时,控制器要获得严格的质量控制是非常困难的。这是由于在最高温度和如上面解释的并在图4中表示的由分析仪测量的质量之间变化的空载时间和不确定的动态。
以上的缺点通过在蒸馏塔的顶端部分处根据本发明的方法在线被校准的健全的质量估算量(RQE)(在图3中的43)对质量进行估计来克服。这个RQE的预测性的过程模型是运用例如在蒸馏塔中的关键温度、压力和流量速率的原始过程测量。通过控制基于由虚拟分析仪(RQE)(43)而不是真实的分析仪估计的质量的过程,所有困难的现象,例如由于采样点的位置引起的变化的空载时间/动态和/或例如由于工作点的变化引起的变化的增益的现象已从控制环路中被去除。实时分析仪(32)依次提供真实的和之后的验证的测量用于根据本发明的预测性过程模型的健全的校准。这样RQE(43)将提供给控制器对产品质量的一个早期和精确的预测。
上面的方法已被实际应用到一个商业的苯-甲苯分离器中。在这个蒸馏装置中,苯和甲苯通过蒸馏的提取被恢复。生产的目的是为了使苯中甲苯杂质的量维持在某个最高限之下。当这个最高限被超过时,产品必须被重新处理,导致了生产能力的降低。商业的甲苯/苯分离器已知是一个难于控制的蒸馏塔。蒸馏塔有一个非线性的响应。一个例如在图3中表示的在线分析仪测量塔顶产物的质量。典型地,连续分析仪用几分钟来检测产物的质量中的变化。这个分析仪的响应时间同时依靠通过蒸馏塔的生产率。这意味着分析仪在较低的产出率期间慢于反映产品质量的变化。原来的多变量预测性控制器(MPC)对于在空载时间中大的变化和处理非线性时是非健全的。
MPC控制器随后被变更来控制预测性的质量,即虚拟分析仪或分析仪预测器(43)而不是真实的分析仪(32)(见图3)。RQE允许苯的质量的早期预测,而不必等待在塔顶线路中的传输延迟,和由于分析仪自身的测量延迟。RQE被从在线分析仪的测量根据本发明周期性地校准来调整任何过程的非线性/扰动。图5表示在RQE被插入到在“155”天上的控制环路中之后性能的改进-更严格地控制。在y轴上,0值是指期望的或设定点的值。在y轴上的变化是分析仪(32)输出的归一化后的变化。图5明显地表示当控制单独在质量(32)上执行时的变化比在“155”天之后当RQE(43)被用来控制产品(31)的质量时要大。在严格的图表中,芬芳族的设备已生产大约640t/d(200ktpa)的苯。在控制环路中结合RQE实现了一种情况,其中现在设备已具有生产至少850t/d(287ktpa)的能力。这导致了一个记录生产年,尽管有37天用于主要计划的维护工作,工厂停工并且在这一年剩余的工作日由于缺少从精炼之外可获得的原料不得不降低一些产量。
Claims (9)
1.一种用于从原始的过程测量中用于对过程质量的实时预测的过程模型的自动化在线校准的方法,该方法包含:
a)采集原始过程数据,
b)通过过程模型处理在步骤a)中采集的数据来获得对质量的预测,
c)通过动态转移函数处理该预测,从而产生两个中间信号,
d)存储在步骤c)中获得的两个中间信号作为历史上的时间的函数,
e)在对应于最小和最大的特定空载时间的一个时间周期中,从历史中的质量的真实和验证的测量的时间上检索两个中间信号的绝对的最小和最大值,这些值定义最小和最大的预测可能值,
f)计算作为在真实和验证的测量与在步骤e)中获得的最小和最大预测可能值之间包围的区域之间的差值的偏差,
g)如果在步骤f)中获得的偏差的绝对值是零,就继续步骤i),或者如果在步骤f)中获得的偏差的绝对值大于零,就继续步骤h),
h)把偏差值插入到过程模型中,并且
i)重复步骤a)--h)。
2.根据权利要求1的方法,其特征在于,使用一个多线性回归模型作为过程模型。
3.根据权利要求1的方法,其特征在于,使用一个线性动态模型作为过程模型。
4.根据权利要求1的方法,其特征在于,使用一个径向偏置函数神经网络作为过程模型。
5.根据权利要求1-4中任何一个的方法,其特征在于,在步骤h)中一个卡尔曼滤波器方法被用来通过调整它的线性参数从而通过自学更新预测和改进过程模型,从而把偏移量插入到过程模型中。
6.根据权利要求5的方法,其特征在于,在步骤h)中在过程的非稳态条件下使用卡尔曼滤波器。
7.根据权利要求1-4中任何一个的方法,其特征在于,在步骤(c)中的预测通过两个独立的动态转移函数来被处理。
8.根据权利要求5的方法,其特征在于,在步骤(c)中的预测通过两个独立的动态转移函数来被处理。
9.根据权利要求6的方法,其特征在于,在步骤(c)中的预测通过两个独立的动态转移函数来被处理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP00306148 | 2000-07-19 | ||
EP00306148.8 | 2000-07-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1443317A CN1443317A (zh) | 2003-09-17 |
CN1193279C true CN1193279C (zh) | 2005-03-16 |
Family
ID=8173132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB01812951XA Expired - Lifetime CN1193279C (zh) | 2000-07-19 | 2001-07-17 | 在线校准的方法 |
Country Status (10)
Country | Link |
---|---|
US (2) | US20020019722A1 (zh) |
EP (1) | EP1301832B1 (zh) |
JP (1) | JP2004510222A (zh) |
KR (1) | KR100810952B1 (zh) |
CN (1) | CN1193279C (zh) |
AU (1) | AU2001289682A1 (zh) |
CA (1) | CA2418226C (zh) |
DE (1) | DE60106045T2 (zh) |
RU (1) | RU2280270C2 (zh) |
WO (1) | WO2002006905A2 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020019722A1 (en) * | 2000-07-19 | 2002-02-14 | Wim Hupkes | On-line calibration process |
CN1323336C (zh) * | 2003-12-08 | 2007-06-27 | 西安交通大学 | 设备运行状态数据质量动态检测和保障方法 |
DE102004028557A1 (de) * | 2004-06-15 | 2006-02-16 | Abb Patent Gmbh | Verfahren und System zur Zustandsbewertung von wenigstens einem Achsgelenk |
US20050283096A1 (en) * | 2004-06-17 | 2005-12-22 | Bloorview Macmillan Children's Centre, A Corp. Registered Under The Ontario Corporations Act | Apparatus and method for detecting swallowing activity |
JP4375143B2 (ja) * | 2004-07-06 | 2009-12-02 | 株式会社日立製作所 | 動画像符号化装置 |
US20060095312A1 (en) * | 2004-10-28 | 2006-05-04 | International Business Machines Corporation | Method, system, and storage medium for using comparisons of empirical system data for testcase and workload profiling |
EP1674552A1 (en) * | 2004-12-24 | 2006-06-28 | Shell Internationale Researchmaatschappij B.V. | Fuel compositions |
EP1674553A1 (en) * | 2004-12-24 | 2006-06-28 | Shell Internationale Researchmaatschappij B.V. | Altering properties of fuel compositions |
US20060156619A1 (en) * | 2004-12-24 | 2006-07-20 | Crawshaw Elizabeth H | Altering properties of fuel compositions |
US7451004B2 (en) | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
US7738975B2 (en) * | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
EA016421B1 (ru) * | 2006-11-07 | 2012-04-30 | Сауди Арабиан Ойл Компани | Улучшенная система управления способом жесткого флюид-каталитического крекинга для максимизирования производства пропилена из нефтяного сырья |
US7970482B2 (en) * | 2007-08-09 | 2011-06-28 | Honeywell International Inc. | Method and system for process control |
US9323234B2 (en) | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
US8571696B2 (en) * | 2009-06-10 | 2013-10-29 | Fisher-Rosemount Systems, Inc. | Methods and apparatus to predict process quality in a process control system |
CN101859103B (zh) * | 2010-06-02 | 2012-07-25 | 清华大学 | 催化裂化反应深度在线计算和自适应非线性预测控制方法 |
US9151769B2 (en) * | 2010-07-02 | 2015-10-06 | Idexx Laboratories, Inc. | Automated calibration method and system for a diagnostic analyzer |
CN102890452B (zh) * | 2012-10-11 | 2014-11-26 | 西北工业大学 | 基于可变测量数最大信息量-可信度准则的飞行器建模方法 |
CN113358825B (zh) * | 2021-06-02 | 2023-03-24 | 重庆大学 | 一种带同化算法的室内空气质量检测器 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61248104A (ja) * | 1985-04-26 | 1986-11-05 | Nissan Motor Co Ltd | マニピユレ−タの制御装置 |
FR2611911B1 (fr) | 1987-02-27 | 1989-06-23 | Bp France | Procede de determination directe d'un indice d'octane |
US5282261A (en) * | 1990-08-03 | 1994-01-25 | E. I. Du Pont De Nemours And Co., Inc. | Neural network process measurement and control |
US5687077A (en) * | 1991-07-31 | 1997-11-11 | Universal Dynamics Limited | Method and apparatus for adaptive control |
SE9304246L (sv) * | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5646870A (en) * | 1995-02-13 | 1997-07-08 | Advanced Micro Devices, Inc. | Method for setting and adjusting process parameters to maintain acceptable critical dimensions across each die of mass-produced semiconductor wafers |
JPH11500667A (ja) * | 1995-02-24 | 1999-01-19 | ボード オブ リージェンツ,ザ ユニバーシティ オブ テキサス システム | 単極パルス式溶接品質制御および検証 |
US5884685A (en) * | 1995-03-29 | 1999-03-23 | Nippon Steel Corporation | Quality prediction and quality control of continuous-cast steel |
US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
JPH09304376A (ja) * | 1996-05-10 | 1997-11-28 | Nkk Corp | コークス強度予測装置 |
US5859964A (en) * | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
US5918191A (en) * | 1997-03-11 | 1999-06-29 | Certified Measurements, Inc. | System and method for managing data for an equipment calibration laboratory |
US6635224B1 (en) * | 1998-10-30 | 2003-10-21 | General Electric Company | Online monitor for polymer processes |
US6532428B1 (en) * | 1999-10-07 | 2003-03-11 | Advanced Micro Devices, Inc. | Method and apparatus for automatic calibration of critical dimension metrology tool |
EP1111550B1 (en) * | 1999-12-23 | 2003-08-27 | Abb Ab | Method and system for monitoring the condition of an individual machine |
US20020019722A1 (en) * | 2000-07-19 | 2002-02-14 | Wim Hupkes | On-line calibration process |
-
2001
- 2001-06-27 US US09/892,417 patent/US20020019722A1/en not_active Abandoned
- 2001-07-17 WO PCT/EP2001/008288 patent/WO2002006905A2/en active IP Right Grant
- 2001-07-17 KR KR1020037000787A patent/KR100810952B1/ko active IP Right Grant
- 2001-07-17 EP EP01969417A patent/EP1301832B1/en not_active Expired - Lifetime
- 2001-07-17 AU AU2001289682A patent/AU2001289682A1/en not_active Abandoned
- 2001-07-17 RU RU2003104831/09A patent/RU2280270C2/ru active
- 2001-07-17 CN CNB01812951XA patent/CN1193279C/zh not_active Expired - Lifetime
- 2001-07-17 DE DE60106045T patent/DE60106045T2/de not_active Expired - Lifetime
- 2001-07-17 JP JP2002512752A patent/JP2004510222A/ja active Pending
- 2001-07-17 CA CA2418226A patent/CA2418226C/en not_active Expired - Lifetime
- 2001-07-17 US US10/333,446 patent/US7359830B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
CN1443317A (zh) | 2003-09-17 |
CA2418226C (en) | 2011-09-20 |
WO2002006905A2 (en) | 2002-01-24 |
KR20030019593A (ko) | 2003-03-06 |
WO2002006905A3 (en) | 2002-05-16 |
US20030158680A1 (en) | 2003-08-21 |
AU2001289682A1 (en) | 2002-01-30 |
EP1301832B1 (en) | 2004-09-29 |
CA2418226A1 (en) | 2002-01-24 |
EP1301832A2 (en) | 2003-04-16 |
DE60106045D1 (de) | 2004-11-04 |
RU2280270C2 (ru) | 2006-07-20 |
US7359830B2 (en) | 2008-04-15 |
DE60106045T2 (de) | 2006-02-09 |
KR100810952B1 (ko) | 2008-03-10 |
JP2004510222A (ja) | 2004-04-02 |
US20020019722A1 (en) | 2002-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1193279C (zh) | 在线校准的方法 | |
CN112286043B (zh) | 基于被控对象阶跃响应特性数据的pid参数整定方法 | |
US11614733B2 (en) | Computer system and method for automated batch data alignment in batch process modeling, monitoring and control | |
EP1949187B1 (en) | Apparatus and method for analyzing model quality in a process control environment | |
Li et al. | Application of dual-rate modeling to CCR octane quality inferential control | |
JP2002527581A (ja) | ポリプロピレンプラントのオンライン式制御方法 | |
EP1958032A1 (en) | Apparatus and method for identifying informative data in a process control environment | |
CN1545660A (zh) | 收集和检索时间序列、实时和非实时数据的方法和系统 | |
JPH07507870A (ja) | 流量データ一致の改良されたシステムおよび方法 | |
CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
CN117322214B (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
CN109240090B (zh) | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 | |
Lu et al. | Multirate dynamic inferential modeling for multivariable processes | |
CN108319807A (zh) | 一种掺杂式能源材料的高通量计算筛选方法 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
Zhu | System identification for process control: recent experience and outlook | |
JP4637583B2 (ja) | ヒステリシスを決定するための方法、システム、及びプログラム | |
KR100586728B1 (ko) | 고분자 제품의 물성예측방법 | |
Ochs et al. | Decentralized vs. model predictive control of an industrial glass tube manufacturing process | |
CN114706311B (zh) | 一种多变量控制系统的控制方法 | |
JPH07121398B2 (ja) | バルキング制御装置 | |
CN115343941B (zh) | 一种分析仪表过程控制基础自动化方法 | |
Friedman-Petrocontrol | Model Based Control of Fractionation in an Ethylene Plant | |
Younis et al. | Real-time model predictive control of an industrial Internet platform | |
CN111079350A (zh) | 一种单塔低压酸性水汽提装置操作性能的建模方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term |
Granted publication date: 20050316 |
|
CX01 | Expiry of patent term |