DE10114211A1 - Mehrdimensionale Monitore für statistische Prozesse - Google Patents
Mehrdimensionale Monitore für statistische ProzesseInfo
- Publication number
- DE10114211A1 DE10114211A1 DE10114211A DE10114211A DE10114211A1 DE 10114211 A1 DE10114211 A1 DE 10114211A1 DE 10114211 A DE10114211 A DE 10114211A DE 10114211 A DE10114211 A DE 10114211A DE 10114211 A1 DE10114211 A1 DE 10114211A1
- Authority
- DE
- Germany
- Prior art keywords
- matrix
- predictor
- variables
- response
- pls
- 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.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Es wird eine erweiterte Vorgehensweise mit partiellen kleinsten Fehlerquadraten (EPLS) für die Zustandsüberwachung industrieller Prozesse beschrieben. Diese EPLS-Vorgehensweise stellt zwei statistische Überwachungsdiagramme zur Verfügung, um anomales Prozessverhalten festzustellen, und ebenfalls Beitragsdiagramme, um dieses Verhalten zu diagnostizieren. Es wird eine theoretische Analyse der EPLS-Überwachungsdiagramme zur Verfügung gestellt, zusammen mit zwei Anwendungsstudien, um zu zeigen, dass die EPLS-Vorgehensweise entweder empfindlicher ist oder eine einfachere Interpretation ermöglicht als herkömmliche PLS. DOLLAR A Verallgemeinerte Ergebnisse werden durch Konstruktion einer vergrößerten Matrix folgender Form berechnet: DOLLAR F1 wobei X die Prädiktormatrix und Y die Responsmatrix ist, und es wird eine Ergebnismatrix T¶n¶ = T¶n¶ - E¶n¶* konstruiert, bei welcher T¶n¶* und E¶n¶* folgende allgemeine Form aufweisen: DOLLAR F2 wobei die Spalten der Matrix T¶n¶* die verallgemeinerten t-Ergebnisse zur Verfügung stellen und die Spalten der Matrix E¶n¶* die verallgemeinerten restlichen Ergebnisse, wobei eine Einheitsmatrix MxM bezeichnet und DOLLAR F3 die PLS-Regressionsmatrix ist.
Description
Die vorliegende Erfindung betrifft mehrdimensionale Monitore
für statistische Prozesse. Der Begriff "Prozess" soll als
allgemeiner Begriff der Regeltheorie verstanden werden und
allgemein gesteuerte bzw. geregelte Geräte, Anlagen und
derartige Systeme umfassen.
Die Erfassung und Diagnose anomaler Situationen im Betrieb
industrieller Prozesse stellt ein Problem mit beträchtlicher
Herausforderung dar, das sowohl im akademischen als auch
industriellen Bereich große Beachtung findet. [Nimmo, 1995]
erläuterte, dass allein die petrochemische Industrie in den
USA bis zu 10 Milliarden Dollar pro Jahr einsparen könnte,
wenn anomale Situationen erfasst, diagnostiziert und
entsprechend behandelt werden könnten. Die Folgen der
Tatsache, derartige Ereignisse nicht feststellen zu können,
können von erhöhten Betriebskosten beim Ablauf eines
Prozesses bis zu Produktionsverlusten führen, infolge eines
desaströsen Ausfalls der gesamten Anlage.
Die Aufgabe der Erfassung und Diagnose industrieller
Prozesse, kontinuierlich oder postenweise, ist schwierig.
Dies liegt daran, dass bei industriellen Prozessen häufig
eine große Anzahl an Prozessvariablen vorhanden sind,
beispielsweise Temperaturen, Drücke, Flussraten,
Zusammensetzungen usw., die regelmäßig bis zu einigen tausend
Malen pro Tag aufgezeichnet werden [Piovose, 1991]
[Kosanovich, 1992]. Diese sehr große Datenmenge ist
schwierig, einfach durch Beobachtung zu analysieren und zu
interpretieren. Weiterhin ist es häufig der Fall, dass die
Prozessvariablen hochkorreliert sind [MacGregor, 1991] und
daher die Anzahl an Freiheitsgraden innerhalb des Prozesses
erheblich kleiner ist als die Anzahl beobachteter
Prozessvariabler. Dies macht es selbst für einen erfahrenen
Bediener schwierig, die Wechselwirkung von Ursache und
Wirkung durch Beobachtung zu interpretieren. Allerdings sind
in den aufgezeichneten Daten die Grundlagen zur
Veranschaulichung des momentanen Zustands der
Prozessoperation verborgen. Die Schwierigkeit besteht darin,
diese Grundlagen aus den Daten abzuziehen.
Um dieses Thema der Erfassung und Diagnose anzugehen, wurden
Vorgehensweisen der mehrdimensionalen, statistischen
Prozesssteuerung (MSPC) erfolgreich eingesetzt [Kresta,
1991], [MacGregor, 1995], [Kourti, 1995]. Die MSPC-Techniken
sind darauf gerichtet, sukzessiv die Anzahl an Variablen zu
verringern, die dazu erforderlich sind, signifikante
Variationen des Prozesses zu beschreiben. Die aufgezeichneten
Daten werden daher in eine Gruppe von weniger Variablen
komprimiert, die daher besser handhabbar und interpretierbar
sind.
Eine derartige MSPC-Vorgehensweise sind die partiellen
kleinsten Quadrate (PLS), die auf der Pionierarbeit von
H. Wold Mitte der Sechziger beruhen [Gelade, 1988]. Die
ersten Veröffentlichungen von PLS wurden 1966 vorgestellt
[Wold, 1966a; 1966b]. Das PLS-Verfahren identifiziert eine
parametrische Regressionsmatrix auf der Grundlage von
Prädiktor- und Respons-Matrizen, die aus Referenzdaten des
Prozesses aufgebaut werden. Die Prädiktormatrix besteht aus
den Signalen der manipulierten und gemessenen Störungs- oder
Ursachenvariablen des Prozesses (Prädiktorvariable), wogegen
die Responsmatrix aus dem Gesteuerten oder Ergebnisvariablen
des Prozesses (Responsvariablen) besteht. Der PLS-Algorithmus
zerlegt die Prädiktormatrizen und Responsmatrizen in
Komponentenmatrizen des Ranges 1. Jede Komponentenmatrix
besteht aus einem Vektorprodukt, bei welchem ein Vektor die
Variation (Ergebnisvektor) und der andere den Beitrag
(Belastungsvektor) des Ergebnisvektors entweder zur
Prädiktormatrix oder zur Responsmatrix beschreibt. Die
Zerlegung ist eine Iteration, bei welcher ein Paar von
Komponentenmatrizen (eine für den Prädiktor und eine für die
Respons) in jedem Iterationsschritt berechnet wird. Die
Regressionsmatrix wird bei jedem Iterationsschritt als
Ergebnis dieser Zerlegung aktualisiert. Die Datenreduktion
wird dadurch erzielt, dass die Variation der Prädiktor- und
Responsvariablen bis zur kleinsten Anzahl an Ergebnisvektoren
herunterkomprimiert wird, die wirksam das Prozessverhalten
beschreiben können. Die Auswahl der Anzahl an
Komponentenmatrizen, die beibehalten werden müssen, stellt
einen Kompromiss zwischen dem Maximieren der Variation, die
in den Prädiktor- und Responsmatrizen erläutert wird, und dem
Minimieren der Anzahl an Komponentenmatrizen dar.
Kreuzüberprüfung [Wold, 1978] wird am häufigsten dazu
verwendet, die Anzahl zurückzuhaltender Komponentenmatrizen
zu definieren, vgl. beispielsweise [MacGregor, 1991, 1995],
[Morud, 1996].
[MacGregor, 1995] und [Wise, 1996] gaben an, dass die PLS-
Zerlegung der Prädiktormatrix für die Zustandsüberwachung
kontinuierlicher, industrieller Prozesse verwendet werden
kann. Weiterhin betonen sie, dass diese Zerlegung ähnlich
einer Hauptkomponentenanalyse (PCA) der Prädiktormatrix ist.
Die PLS-Zerlegung der Prädiktormatrix gestattet die
Berechnung von zwei Statistiken. Die erste Statistik (die T-
Quadratstatistik) beschreibt die Variation der
Prädiktormatrix, die signifikant zur Vorhersage der
Responsvariablen ist. Im Gegensatz hierzu entspricht die
zweite Statistik (die Q-Statistik) der Variation bei der
Prädiktormatrix, die insignifikant zur Vorhersage der
Responsvariablen ist. Beide Statistiken können in
statistischen Überwachungsdiagrammen in Abhängigkeit von der
Zeit aufgetragen werden. Diese Vorgehensweise wird
nachstehend als "Vorgehensweise I" bezeichnet.
Eine weitere Vorgehensweise zur Nutzung von PLS als ein
Zustandsüberwachungswerkzeug wird beispielsweise in
[MacGregor, 1991] und [Kresta, 1991] diskutiert. Bei dieser
Vorgehensweise werden verschiedene statistische Plots dazu
verwendet, ein anomales Prozessverhalten festzustellen und zu
diagnostizieren. Diese Plots sind:
- - x-y-Plots des quadratierten Vorhersagefehlers der Responsvariablen in Abhängigkeit von den Ergebniswerten jedes Ergebnisvektors, der die Prädiktorvariablen repräsentiert (Überwachungsdiagramme),
- - Plots jeder Kombination der beiden Ergebnisvektoren, welche die Prädiktorvariablen repräsentieren (Streuungs- Plots), und
- - Plots des quadrierten Vorhersagefehlers, entweder der Prädiktor- oder Responsvariablen, in Abhängigkeit von der Zeit (SPE-Diagramme).
Diese Vorgehensweise wird in der nachstehenden Beschreibung
als "Vorgehensweise II" bezeichnet.
In der folgenden Beschreibung wird eine Ausweitung des
Standard-PLS-Algorithmus, nachstehend als "erweiterter PLS"
oder "EPLS" bezeichnet, für kontinuierliche Prozesse
erläutert. Diese Erweiterung führt zu der Bestimmung zweier
neuer PLS-Ergebnisse auf der Grundlage der Ergebnisvektoren
der Prädiktormatrix. Die neuen PLS-Ergebnisvektoren werden
als verallgemeinerte Ergebnisvektoren bezeichnet. Der erste
verallgemeinerte Ergebnisvektor beschreibt eine signifikante
Variation des Prozesses einschließlich der Prädiktor- und
Responsvariablen. Der zweite verallgemeinerte Ergebnisvektor
repräsentiert den Vorhersagefehler des PLS-Modells und
Residuen der Prädiktormatrix. Die EPLS-Vorgehensweise führt
zu Überwachungsdiagrammen für T-Quadrat und Q, die ähnlich
jenen sind, die bei PCA erhalten werden, wenn sowohl
Prädiktor- als auch Responsvariablen mittels PCA analysiert
werden. Dies unterscheidet sich von der üblichen PIS-
Vorgehensweise, welche nur die Prädiktorvariablen analysiert
und daher keinen Aufschluss über das Verhalten der
Responsevariablen ermöglicht, es sei denn, in dem Prozess
wäre eine Rückkopplung vorhanden.
Der Vorteil der EPLS-Überwachungsdiagramme besteht daher
darin, dass sie eine Variation der Prädiktor- und
Responsvariablen zusammen mit ihren Residuen repräsentieren.
Dies verbessert die Überwachungsdiagramme der Vorgehensweise
I, welche nur die Variation und Residuen der
Prädiktorvariablen beschreiben. Im Gegensatz zur
Vorgehensweise II, stellt EPLS die Fähigkeit zur Verfügung,
den Prozess auf nur zwei Diagrammen zu überwachen, im
Gegensatz zu bisher, als die Anzahl an Diagrammen von der
Anzahl an Komponentenmatrizen abhing.
Gemäß einer Zielrichtung der vorliegenden Erfindung umfasst
ein Verfahren für die Konstruktion und das Konfigurieren
eines mehrdimensionalen Monitors für statistische Prozesse
durch eine Vorgehensweise mit partiellen kleinsten Quadraten
die Konstruktion der Prädiktor- und Responsmatrizen des
Prozesses aus Referenzdaten, wobei die Prädiktormatrix aus
Signalen der manipulierten und gemessenen Störungs- oder
Ursachenvariablen des Prozesses (Prädiktorvariablen) besteht,
und die Responsmatrix aus den gesteuerten oder
Auswirkungsvariablen des Prozesses (Responsvariablen)
besteht, Zerlegen der Prädiktor- und Responsmatrizen in
Komponentenmatrizen des Rangs 1, wobei jede der
Komponentenmatrizen aus einem Vektorprodukt besteht, bei
welchem ein Vektor (der Ergebnisvektor) die Variation
beschreibt, und der andere (der Belastungsvektor) den Beitrag
des Ergebnisvektors zu der Prädiktor- oder Responsmatrix
beschreibt, und die Zerlegung durch die Erzeugung einer
parametrischen Regressionsmatrix durchgeführt wird, auf der
Grundlage von Iterationen der Zerlegung der Prädiktor- und
Responsmatrizen, und ist gekennzeichnet durch die Erzeugung
eines ersten verallgemeinerten Ergebnisvektors, der jede
signifikante Variation des Prozesses beschreibt,
einschließlich Variationen der Prädiktor- und
Responsvariablen, sowie eines zweiten verallgemeinerten
Ergebnisvektors, welcher den Vorhersagefehler des Modells der
partiellen kleinsten Quadrate und Residuen der
Prädiktormatrix repräsentiert.
Vorzugsweise werden die verallgemeinerten Ergebnisse durch
Konstruktion einer vergrößerten Matrix berechnet, die hiermit
mit Z bezeichnet ist und folgende Form aufweist:
Z = [YX],
wobei X die Prädiktormatrix und Y die Responsmatrix ist, und
durch Konstruktion einer Ergebnismatrix Tn = Tn*-En*, wobei
Tn* und En* folgende allgemeine Form aufweist:
wobei die Spalten der Matrix Tn* die verallgemeinerten t-
Ergebnisse angeben, und die Spalten der Matrix En* die
verallgemeinerten, restlichen Ergebnisse, wobei eine
Einheitsmatrix M × M bezeichnet, und
B (n)|PLS die PLS-Regressionsmatrix ist.
Gemäß einer zweiten Zielrichtung der Erfindung stellen wir
einen mehrdimensionalen Monitor für statistische Prozesse zur
Verfügung, der gemäß der erste Zielrichtung der Erfindung
konstruiert und konfiguriert ist, und der so ausgebildet ist,
dass er anomales Prozessverhalten durch Analyse der Residuen
der Responsvariablen identifiziert.
Gemäß einer dritten Zielrichtung der Erfindung stellen wir
ein Verfahren zur Überwachung eines Prozesses zur Verfügung,
welches das Konfigurieren eines mehrdimensionalen Monitors
für statistische Prozesse mit dem Verfahren gemäß der ersten
Zielrichtung der Erfindung umfasst, und zum Identifizieren
eines anomalen Prozessverhaltens, zumindest teilweise durch
Analyse der Residuen der Responsvariablen.
Die Erfindung wird nachstehend, nur beispielhaft, unter
Bezugnahme auf die beigefügten Figuren beschrieben. Es zeigt:
Fig. 1 eine schematische Darstellung der katalytischen
Fluidkrackeinheit,
Fig. 2 eine schematische Darstellung eines
Fließbettreaktors und seiner benachbarten Einheit.
Figuren für die katalytische Fluidkrackeinheit ohne
Regelungsrückkopplung in der Prädiktormatrix:
Fig. 3 Statistiküberwachungsdiagramme für normale
Betriebsdaten (die oberen Diagramme geben die PLS-
Überwachungsdiagramme an, PLS-T2- und Q-Statistiken,
und die unteren Diagramme zeigen die EPLS-
Überwachungsdiagramme, EPLS-T2- und Q-Statistiken),
Fig. 4 statistische Überwachungsdiagramme für die
ungemessene Störung (die oberen Diagramme geben die
PLS-Überwachungsdiagramme an, PLS-T2- und Q-
Statistiken, und die unteren Diagramme zeigen die
EPLS-Überwachungsdiagramme, EPLS-T2- und Q-
Statistiken,
Fig. 5 Fehlerbeitragsdiagramm für den Zeitpunkt 11460
Minuten. Die O2- und die CO-Konzentration in dem
Dichtgasfluss weisen den größten Vorhersagefehler
auf,
Fig. 6 statistische Überwachungsdiagramme für die Änderung
des Flusses des regenerierten Katalysators in den
Reaktor (die oberen Diagramme zeigen die PLS-
Überwachungsdiagramme, PLS-T2- und Q-Statistiken,
und die unteren Diagramme zeigen die EPLS-
Überwachungsdiagramme, EPLS-T2- und Q-Statistiken),
Fig. 7 Fehlerbeitragsdiagramm für die Änderung des Flusses
des regenerierten Katalysators zum Reaktor zum
Zeitpunkt 19357 Minuten. Der Steigrohr-Katalysator-
Pegel und die O2-Konzentration in dem Gichtgas
werden am stärksten beeinflusst.
Figuren für die katalytische Fluidkrackeinheit mit
Regelungsrückkopplung in der Prädiktormatrix:
Fig. 8 statistische Überwachungsdiagramme für die
ungemessene Störung (Verkokungsfaktor);
Prädiktorvariablen umfassen das
Feuchtgaskompressor-Saugventil (obere Diagramme
sind die PLS-Überwachungsdiagramme, PLS-T2- und Q-
Statistiken, und die unteren Diagramme sind die
EPLS-Überwachungsdiagramme, EPLS-T2- und Q-
Statistiken), zum Zeitpunkt 19357 Minuten.
Fig. 9 statistische Überwachungsdiagramme für die Änderung
des Flusses des regenerierten Katalysators zum
Reaktor; Prädiktorvariablen umfassen das
Feuchtgaskompressor-Saugventil (obere Diagramme
sind die PLS-Überwachungsdiagramme, PLS-T2- und Q-
Statistiken, und die unteren Diagramme sind die
EPLS-Überwachungsdiagramme, EPLS-T2- und Q-
Statistiken).
Figuren des Fließbettreaktionsprozesses:
Fig. 10 Statistiküberwachungsdiagramme für
Normalbetriebsdaten (oberes Diagramm ist das PLS-
Überwachungsdiagramm, PLS-T2- und Q-Statistiken,
und die unteren Diagramme sind die EPLS-
Überwachungsdiagramme, EPLS-T2- und Q-Statistiken),
Fig. 11 statistische Überwachungsdiagramme für die
ungemessene Störung (oberes Diagramm ist das PLS-
Überwachungsdiagramm, PLS-T2- und Q-Statistiken,
und die unteren Diagramme sind die EPLS-
Überwachungsdiagramme, EPLS-T2- und Q-Statistik),
Fig. 12 EC-Diagramme für den Dampfdruckumschlag zu den
Zeitpunkten 1500 Minuten (oberer linker Plot), 1501
Minuten (unterer linker Plot) und 1502 Minuten
(oberer rechter Plot),
Fig. 13 statistische Überwachungsdiagramme für ein anomales
Verhalten eines der Rohre (oberes Diagramm ist das
PLS-Überwachungsdiagramm, PLS-T2- und Q-Statistik,
untere Diagramme sind die EPLS-
Überwachungsdiagramme, EPLS-T2- und Q-Statistiken),
Fig. 14 EC-Diagramme für das Fluidisierungsproblem in einem
der Rohre zu den Zeitpunkten 436 Minuten (oberes
linkes Diagramm), 888 Minuten (oberes rechtes
Diagramm), 905 Minuten (unten links) und 910
Minuten (unteres rechtes Diagramm).
Um die Nützlichkeit der EPLS-Überwachungsdiagramme zu
demonstrieren und einen Vergleich mit der Vorgehensweise I
durchzuführen, werden nunmehr zwei Fallbeispiele betrachtet.
Für jedes werden zwei typische Bedingungen für anomales
Verhalten erzeugt, welche die Auswirkung einer ungemessenen
Störung und ebenso eine "interne" Änderung des
Prozessverhaltens beschreibt. Die Prozessbeispiele sind die
Simulation einer katalytischen Fluidkrackeinheit (FCCU),
eingeführt von [McFarlane, 1993], und ein realer
industrieller Prozess, der zwei unterschiedliche
Lösungsmittel als Ergebnis einer komplizierten chemischen
Reaktion erzeugt, die in einem Fließbettreaktor durchgeführt
wird.
Die folgende Beschreibung ist folgendermaßen organisiert. Im
nachstehenden Abschnitt 2 werden sowohl der Standard-PLS-
Algorithmus als auch der neue EPLS-Algorithmus beschrieben
und verglichen. Im Abschnitt 3 werden die
Zustandsüberwachungsstatistiken eingeführt, welche diesen
beiden Vorgehensweisen zugeordnet sind. Abschnitt 4 gibt die
Anwendungsfalluntersuchungen an, um Beispiele für die
Vorteile von EPLS anzugeben.
Die Standard-PLS-Identifizierungstechnik beruht auf der
Zerlegung der Prädiktormatrix X0∈RK×N und der Responsmatrix
Y0∈RK×N in eine Summe von Komponentenmatrizen des Rangs 1
[Gelade, 1986]. Beide Matrizen enthalten K Datenpunkte, die
Prädiktormatrix besteht aus M Variablen, und die
Responsmatrix aus N Variablen. Beide Matrizen werden
gewöhnlich vor der Identifizierungsprozedur mittenzentriert
und geeignet skaliert. Die Zerlegung beider Matrizen erfolgt
folgendermaßen:
wobei X und Y die Komponentenmatrix der Prädiktor- bzw.
Responsmatrix ist. Gemäß Gleichung (1) können die Matrizen
des Rangs Eins als Vektorprodukt zwischen ti und ûi,
definiert als Ergebnisvektoren oder latente Variablen (LVs),
und von pi und qi, definiert als Belastungsvektoren,
berechnet werden. M ist gleich der Anzahl an
Prädiktorvariablen, und EM repräsentiert den Vorhersagefehler
des Prozessmodells. Es wird darauf hingewiesen, dass dann,
wenn alle Komponentenmatrizen eingeschlossen sind, die
Prädiktormatrix gleich den Matrixzerlegungen ist. Wenn nur n
Komponentenmatrizen eingeschlossen sind, dann wird Gleichung
(1) zu:
wobei Fn die Residuen der Prädiktormatrix bezeichnen. Die
vorhergesagten u-Ergebnisse ûi können durch die folgende
Multiplikation bestimmt werden:
Ûn = [t1b1tnbn] = Tndiag{bn}, (3)
wobei diag{bn} eine Diagonalmatrix ist, welche die
Regressionskoeffizienten bi des Ergebnismodells
aufeinanderfolgend enthält. Eine theoretische Untersuchung
des PLS-Algorithmus findet sich im Anhang 1. Unterschiedliche
Vorgehensweisen wurden eingeführt, um die Ergebnis- und
Belastungsvektoren zu bestimmen, und dies sind der LSQR-
Algorithmus [Manne, 1987], der NIPALS-Algorithmus [Geladi,
1986], der SIMPLS-Algorithmus [de Jong, 1993] und andere.
Infolge der Tatsache, dass industrielle Prozesse häufig stark
korrelierte Prozessvariablen aufweisen, können nur einige
wenige LVs dazu erforderlich sein, den Hauptanteil der
Prozessvariation zu beschreiben. Im Gegensatz hierzu
betreffen die verbleibenden Paare der LVs im Wesentlichen
Rauschen und nicht-signifikante Variationen bei X0 und Y0
[Gelade, 1986], [MacGregor, 1991] und [Wise, 1996]. Um die
Anzahl zurückzuhaltender LVs zu bestimmen, wurden
Kreuzüberprüfung [Wold, 1978] und die Analyse der Varianz
(ANOVA) [Jackson, 1991] diskutiert.
Der EPLS-Algorithmus erzeugt Ergebnisse, welche die Variation
der Prädiktor- und Responsvariablen repräsentieren, sowie
deren Residuen, und diese werden als verallgemeinerte
Ergebnisse bezeichnet. Diese Ergebnisse bilden die Grundlage
für eine wirksamere Prozesszustandsüberwachung als bei den
vorhandenen Vorgehensweisen, die hauptsächlich auf
Ergebnissen beruhen, welche nur die Variation der
Prädiktorvariablen beschreiben. Die verallgemeinerten
Ergebnisse werden berechnet, nachdem die Gewichtungs- und
Belastungsmatrizen bestimmt wurden (siehe Anhang 1), und
beruhen auf der Vergrößerung der Responsmatrix zu der
Prädiktormatrix. Die vergrößerte Matrix wird mit Z bezeichnet
und ist folgendermaßen definiert:
Z = [YX] (4).
Es wird darauf hingewiesen, dass der Index 0 bei beiden
Matrizen weggelassen ist. Dies liegt daran, dass die
Ableitung der verallgemeinerten Ergebnisse auf dem Standard-
PLS-Algorithmus beruht und der Druckablassvorgang nicht
erneut durchgeführt werden muss.
Aus der Gleichung (4) erhält man durch Subtraktion der
vorhergesagten Responsmatrix Yn und der rekonstruierten
Prädiktormatrix Xn, wobei eine Anzahl von n an LVs
beibehalten wird, den folgenden Ausdruck:
[YX]-nXn = [EnFn], (5)
wobei En der Vorhersagefehler der Responsmatrix ist, und Fn
die Residuen der Prädiktormatrix bezeichnen. Durch Einsetzen
der Gleichungen (2) und (3) kann Gleichung (5) folgendermaßen
umgeschrieben werden:
Wie im Anhang 2 gezeigt, ist das Matrixprodukt Pn T mit der
PLS-Regressionsmatrix B (n)|PLS, wobei n LVs zurückgehalten
werden, gleich dem Matrixprodukt der Diagonalmatrix diag{bn}
und Qn T. Das Integrieren dieses Ergebnisses in Gleichung (6)
ergibt:
wobei eine Einheitsmatrix M × M bezeichnet. Die Ausführung
einer Multiplikation von Gleichung (7) mit dem
verallgemeinerten Inversehen von [BPLS] ergibt:
wobei ⟂ das verallgemeinerte Inverse bezeichnet. Wie im
Anhang 3 gezeigt, führt die Multiplikation von Gleichung (8)
mit Rn (siehe Anhang 1) zu einer Formel zur Berechnung der
Ergebnisse der Prädiktormatrix Tn:
In Gleichung (9) ist die Ergebnismatrix Tn gleich der
Differenz von zwei Matrizen. Die erste Matrix bezieht sich
auf die Prädiktor- und die Responsmatrix, und die zweite
Matrix hängt von dem Vorhersagefehler der Responsmatrix und
den Residuen der Prädiktormatrix ab. Die Matrix [EnFn] wird
als die vergrößere Residuenmatrix von Fn bezeichnet.
Definiert man die Matrix
als C (n)|PLS, die sich ergebende Matrix[YX]C (n)|PLS als Tn*, und
das Matrixprodukt [EnFn]C (n)|PLS als En*, so vereinfacht sich
Gleichung (9) folgendermaßen:
Tn E Tn*-En*. (10)
Die Spalten der Matrix Tn* werden als die verallgemeinerten
t-Ergebnisse bezeichnet, während die Spalten der Matrix En*
als verallgemeinerte Residuenergebnisse bezeichnet werden.
Für die Prozesszustandsüberwachung stellt Gleichung (10)
Ergebnisse zur Verfügung, welche die Prozessvariation
beschreiben, die innerhalb der Absolutwerte der Prädiktor-
und der Responsmatrix enthalten sind, sowie die
Vorhersagefehlermatrix En, als auch die Residuen der
Prädiktormatrix Fn.
Der nächste Abschnitt beschreibt die Ableitung der
Statistiken für Tn* und En*, die in Abhängigkeit von der Zeit
bei eindimensionalen Überwachungsdiagrammen aufgetragen
werden können.
Wie voranstehend erwähnt, beruhen die vorhandenen
Vorgehensweisen zur Prozesszustandsüberwachung hauptsächlich
auf den t-Ergebnissen. [MacGregor, 1995] und [Wise, 1996)
führten aus, dass bei der Vorgehensweise I die weggefallenen
und die beibehaltenen t-Ergebnisse die Grundlage für zwei
Überwachungsdiagramme bilden, die in dem nächsten
Unterabschnitt diskutiert werden. Obwohl erfolgreiche
Anwendungen der Vorgehensweise I diskutiert wurden,
beispielsweise [Kourti, 1995], [Wise, 1996] und [Morud,
1996], stellen sie nicht notwendigerweise jede Art eines
anomalen Prozessverhaltens fest. Dies gilt insbesondere,
wenn:
- 1. anomales Prozessverhalten hauptsächlich die Responsvariablen beeinflusst, die nicht durch eine geschlossene Regelschleife geregelt werden. In diesem Fall breitet sich das anomale Verhalten nicht bis zu den Prädiktorvariablen mittels Regelungsrückkopplung aus, und bleibt daher unentdeckt. Mit EPLS wird die Variation der Responsvariablen deutlich.
- 2. Die Responsvariablen sind stark korreliert, jedoch die Prädiktorvariablen nicht. In diesem Fall kann nur ein statistisches Diagramm für die Standard-PLs- Vorgehensweise erhalten werden, das Diagramm für quadriertes T. Bei EPLS bleiben beide Diagramme relevant, unabhängig von der Anzahl beibehaltener LVs.
Die Vorgehensweise II verlässt sich auf Streuungsplots und
x-y-Diagramme von SPE in Abhängigkeit von verschiedenen t-
Ergebnissen und SPE-Diagrammen, beispielsweise [MaxGregor,
1991] und [Kresta, 1991]. Wenn der Prozess aus einer großen
Anzahl stark korrelierter Prozessvariablen besteht,
beispielsweise einhundert oder mehr, kann die Anzahl
erforderlicher Ergebnisse allerdings immer noch groß sein,
damit signifikante Prozessvariationen erfasst werden. Daher
kann bei diesen anderen Vorgehensweisen eine große Anzahl an
Diagrammen erforderlich sein, und wird die Situation mühsam
zu analysieren. Im Gegensatz hierzu sind bei EPLS nur zwei
Diagramme erforderlich, unabhängig von den Dimensionen des
Problems und von der Anzahl ausgewählter LVs.
Man könnte auch das SPE-Diagramm von Responsvariablen
zusätzlich zur Vorgehensweise I dazu verwenden, die
voranstehenden Nachteile zu überwinden. Hierbei würden jedoch
zumindest drei Überwachungsdiagramme benötigt, und wird die
Variation der Responsvariablen nicht in einem dieser
Diagramme akkumuliert. Im Gegensatz hierzu erfordern die
verallgemeinerten Ergebnisse nur zwei Überwachungsdiagramme,
und erfasst eines der generalisierten Ergebnisse die
Variation der Responsvariablen. Schließlich wird darauf
hingewiesen, dass die Verwendung der generalisierten
Ergebnisse zur Prozesszustandsüberwachung ähnlich der Art und
Weise ist, in welcher PCA zur Überwachung industrieller
Prozesse verwendet wird [Jackson, 1991].
Bei der Vorgehensweise I können zwei statistische
Überwachungsdiagramme erhalten werden, auf der Grundlage der
Zerlegung der Prädiktormatrix. Das erste Überwachungsdiagramm
steht in Beziehung zu den beibehaltenen t-Ergebnissen und
beschreibt einen signifikanten Beitrag zur Vorhersage der
Responsmatrix. Das zweite Diagramm ist der Variation der
Prädiktormatrix zugeordnet, die von den weggefallenen t-
Ergebnissen erfasst wird. Die weggefallenen t-Ergebnisse
beschreiben nicht-signifikante und unkorrelierte Beiträge zur
Vorhersage der Responsmatrix. Allerdings muss in einem Fall,
in welchem sämtliche Prädiktorvariablen signifikant zur
Variation der Responsvariablen beitragen, jedes t-Ergebnis
beibehalten werden. Daher bleiben keine t-Ergebnisse zur
Berechnung des zweiten Überwachungsdiagramms übrig.
Das erste Überwachungsdiagramm beruht auf einer Statistik,
die als PLS-T2-Statistik bezeichnet wird, und das zweite
Überwachungsdiagramm betrifft eine Statistik, die als PLS-Q-
Statistik bezeichnet wird. Diese beiden Statistiken sind
folgendermaßen definiert:
wobei PLST2 k und PLSQk die PLS-T2- bzw. die Q-Statistik
bezeichnen. Weiterhin bezeichnet tki den Wert des i-ten t-
Ergebnisses zum Zeitpunkt k, und bezeichnet Tσi die
Standardabweichung des i-ten Ergebnisvektors der
Prädiktorvariablen der Bezugsdaten. fki repräsentiert die
Residuen der i-ten Prädiktorvariablen zum Zeitpunkt k, und
xσi ist die Standardabweichung der i-ten Residuenvariablen
der Bezugsdaten. Die Bezeichnungen T2 und Q wurden
entsprechend der T2- und Q-Statistik von Hotelling
ausgewählt, die bei PCA verwendet werden. Jede Statistik kann
in einem Überwachungsdiagramm in Abhängigkeit von der Zeit
aufgetragen werden. Es wird darauf hingewiesen, dass die
Normierung von tki und fki unbedingt erforderlich ist, um eine
empfindliche Statistik zur Verfügung zu stellen. Falls dies
nicht erfolgt, dominieren die t-Ergebnisse mit einer großen
Varianz, normalerweise die wenigen ersten, den Ergebniswert
von PLS-T2, und die Residuen der Prädiktorvariablen, die eine
große Varianz aufweisen, verdecken Residuen mit relativ
kleiner Varianz. Ein Fehlerzustand, der hauptsächlich die t-
Ergebnisse oder Residuen beeinflusst, welche kleine
Änderungen aufweisen, kann in diesem Fall unentdeckt bleiben.
Darüber hinaus kann in Bezug auf die Summe stochastischer
Variablen mit Mittelwert Null und Einheitsvarianz (Chi-
Quadrat-Verteilung) die statistische Bestimmung von
Schwellenwerten verwendet werden.
Wenn außergewöhnlich große PLS-T2-Werte auftreten, dann ist
die gesamte Prozessvariation ungewöhnlich groß, verglichen
mit den Bezugsdaten des Prozesses. Dies bedeutet, dass das
allgemeine Prozessverhalten sich beträchtlich geändert hat,
oder dass sich der Prozess zu einem neuen Betriebsbereich
bewegt hat. Im Gegensatz hierzu zeigen ungewöhnlich große
PLS-Q-Werte an, dass sich die Beziehungen zwischen den
Prädiktorvariablen in Bezug auf die Beziehung geändert haben,
die bei den Bezugsdaten vorherrscht.
Im Vergleich zu den Standard-t-Ergebnissen sind die
statistischen Eigenschaften der verallgemeinerten Ergebnisse
nachstehend zusammengefasst.
- 1. Die verallgemeinerten t-Ergebnisse und ebenso die verallgemeinerten restlichen Ergebnisse sind um den Mittelwert zentriert, wenn die Spalten in der Prädiktor- und der Responsmatrix in Bezug auf den Mittelwert vor der PLS-Identifizierung zentriert wurden.
- 2. Die t-Ergebnisse des Standard-PLS-Algorithmus sind orthogonal [Hoskuldsson, 1988]. Im Gegensatz zu den Standard-t-Ergebnissen sind bei EPLS beide Ergebnistypen nicht orthogonal, unabhängig von der Anzahl zurückgehaltener LVs. Ein Beweis findet sich im Anhang 4.
Um die verallgemeinerten Ergebnisse für die
Prozesszustandsüberwachung zu analysieren, ist es
wünschenswert, statistisch unabhängige Ergebnisse zu haben,
was Orthogonalität erfordert. Um orthogonale Ergebnisse zu
erzielen, kann eine Singulärwertzerlegung (SVD) [Golub, 1996]
der verallgemeinerten Ergebnisse eingesetzt werden, woraus
sich ergibt:
wobei Vn (T*), Λn (T*) und Wn (T*) die SVD der verallgemeinerten t-
Ergebnisse beschreiben und Vn (E*), Λn (E*) und Wn (E*) die SVD der
verallgemeinerten, restlichen Ergebnisse repräsentierten. Die
Dimensionen dieser Matrizen sind wie folgt: Vn (T*) und Vn (E*)
sind Kxn-Matrizen, und Λn (T*), Λn (E*), Wn (T*) und Wn (E*) sind nxn-
Matrizen. Die Spalten der Matrizen Vn (T*), Vn (E*), Wn (T*) und Wn (E*)
sind orthogonal, und Λn (T*) und Λn (E*) sind vom Diagonaltyp. Auf
der Grundlage der SVD der verallgemeinerten Ergebnismatrizen
der Bezugsdaten stellt die folgende Beziehung orthogonale
Ergebnisse zur Verfügung:
wobei Vn (T*) und Vn (E*) orthogonale Tn*- und En*-Ergebnisse mit
Einheitsvarianz repräsentieren. Einschließlich Gleichung (13)
können die orthogonalen Ergebnisse Vn (T*) und Vn (T*) direkt aus
den vergrößerten Daten und der Fehlermatrix, [YX] und
[EnFn], folgendermaßen berechnet werden:
Für die verallgemeinerten Ergebnisvektoren des i-ten
Datenpunktes, iv(T*) und ivn (E*) kann die Summe der quadrierten
Elemente dazu verwendet werden, eine eindimensionale
Statistik für jeden Vektor zu definieren. Diese Statistiken
werden als T*.T2 und E*.T2 bezeichnet. T*.T2 und E*.T2
repräsentieren die EPLS-T2- und EPLS-Q-Statistik und sind
folgendermaßen definiert:
Unter der Annahme, dass yv(T*) und yv(E*) stochastische Variablen
sind, weisen beide Statistiken eine Chi-Quadrat-Verteilung
mit n Freiheitsgraden auf, welche die Vertrauensgrenzen zur
Untersuchung dazu zur Verfügung stellt, ob der Prozess sich
normal oder anomal verhält. Die Vertrauensgrenzen sind
normalerweise so ausgewählt, dass sie 95% und 99% der
Population enthalten (EPLS-T2- oder Q-Werte). Wenn ein neuer
EPLS-T2- oder Q-Wert unterhalb der Grenze liegt, so wird die
Hypothese akzeptiert, dass sich der Prozess normal verhält,
anderenfalls wird sie zurückgewiesen, und besteht die
akzeptierte Hypothese darin, dass sich der Prozess anomal
verhält.
Anomal große EPLS-T*2*- und/oder Q-Werte können auftreten,
wenn die Beziehung zwischen den Prädiktor- und den
Responsvariablen, repräsentiert durch die parametrische
Regressionsmatrix, sich geändert hat (beispielsweise ein
zeitabhängiger Prozess), oder sich die Störungsstatistiken
geändert haben. Andere Gründe können darin bestehen, dass der
Prozess an einem unterschiedlichen Arbeitspunkt arbeitet,
eine exzessive Variation des Prozesses aufgetreten ist, die
nicht in den Bezugsdaten vorhanden war, oder dass ein
anomales Prozessverhalten aufgetreten ist. Der Hypothesentest
ist daher ein Vergleich zwischen dem momentanen
Prozessbetrieb und dem Prozessbetrieb, der durch die
Bezugsdaten wiedergegeben wird. Es wird darauf hingewiesen,
dass die Bezugsdaten den Prozess im Normalbetrieb
beschreiben, und jede Variation wiedergeben müssen, die im
Normalbetrieb auftreten kann, da anderenfalls der
statistische Hypothesentest zu empfindlich wird.
[Wise, 1996] betonte, dass insbesondere die T2-Statistik
nicht normal verteilt sein kann. [Dunia, 1996] untersuchte
den Einfluss eines exponentiell gewichteten, beweglichen
Mittelwerts (EWMA) auf die Q-Statistik, welche PCA verwendet.
Es stellte sich heraus, dass die mittlere Laufzeit (ARL),
nämlich die mittlere Zeit, die verstreicht, bis ein anomales
Prozessverhalten festgestellt wird, zur Feststellung von
Fehlerzuständen bei Sensoren dadurch verringert werden kann,
dass die EWMA-Q-Statistik verwendet wurde. In der
vorliegenden Beschreibung wird eine EWMA-Vorgehensweise bei
der PLS-Q- und der EPLS-Q-Statistik angewendet. Aus diesen
Gründen wird jede Vertrauensgrenze empirisch in der
vorliegenden Beschreibung bestimmt, wie dies bereits
vorgeschlagen wurde [Box, 1978].
Die Diagnose des festgestellten, anomalen Prozessverhaltens
kann durch Untersuchung der Residuen der Responsvariablen
durchgeführt werden. Diese Residuen können zu jedem Zeitpunkt
in einem Balkendiagramm aufgetragen werden. Von einem großen
Residuum einer bestimmten Responsvariablen wird angenommen,
dass es durch das anomale Prozessverhalten beeinflusst wird,
und umgekehrt. Weiterhin führte [Kourti, 1995] aus, dass ein
Balkendiagramm auch durch die Residuen der Prädiktorvariablen
zu jedem Zeitpunkt erzeugt werden kann. Wenn das Residuum
einer bestimmten Prädiktorvariablen größer ist, dann wird
auch bei dieser Variablen angenommen, dass sie ebenfalls
durch das anomale Prozessverhalten beeinflusst wird. Die
"Größe" der Residuen einer bestimmten Prädiktor- oder
Responsvariablen ist relativ in Bezug auf die Residuen
anderer Prädiktor- und Responsvariablen. Ein Vergleich der
momentanen Residuen muss ebenfalls relativ zu den Residuen
der Bezugsdaten durchgeführt werden. Die Balkendiagramme
werden auch als Fehlerbeitragsdiagramme (EC-Diagramme)
bezeichnet, eines für die Responsvariablen und eines für die
Prädiktorvariablen. Die Balkenhöhen repräsentieren daher die
quadrierten Residuen der Responsvariablen und die quadrierten
Residuen der Prädiktorvariablen. Um diese Werte miteinander
statistisch vergleichen zu können, muss eine Normierung
durchgeführt werden. Erfolgt dies nicht, verursacht eine
Responsvariable, die nicht so gut vorhergesagt werden kann
wie andere, beispielsweise im Mittel größere Balken in Bezug
auf die anderen Responsvariablen, und umgekehrt.
Eine katalytische Fluidkrackeinheit oder FCCU ist eine
ökonomisch bedeutsame Einheit bei Raffiniervorgängen. Sie
empfängt typischerweise mehrere verschiedene, schwere
Rohstoffe von anderen Raffiniereeinheiten und krackt diese
Ströme zur Erzeugung leichterer, wertvollerer Komponenten,
die schließlich zu Benzin und anderen Produkten gemischt
werden. Die spezielle Einheit Modell IV, die von [McFarlane,
1993] beschrieben wurde, ist in Fig. 1 dargestellt. Der
hauptsächliche Rohstoff der Einheit ist Gasöl, jedoch tragen
auch Ströme aus schwererem Diesel und Waschöl zum gesamten
Rohstoffstrom bei. Frischer Rohstoff wird in einem
Wärmetauscher und einem Ofen vorerwärmt und dann dem Riser
zugeführt, indem er mit heißem, regeneriertem Katalysator von
dem Regenerierer gemischt wird. Eine Aufschlämmung von dem
Hauptfraktionierkolonnenboden wird ebenfalls zum Riser
recycelt. Der heiße Katalysator stellt die Wärme zur
Verfügung, die für die endothermen Krackreaktionen benötigt
wird. Die gasförmigen, gekrackten Produkte werden an die
Hauptfraktionierkolonne zur Trennung geleitet. Feuchtgas von
der Oberseite der Hauptfraktionierkolonne wird auf den Druck
der Light-Ends-Anlage durch den Feuchtgaskompressor erhöht.
Eine weitere Trennung leichter Komponenten tritt in diesem
Light-Ends-Trennabschnitt auf.
Die ausgewählten Prädiktorvariablen für die FCCU-Fallstudie
sind in Tabelle 1 angegeben.
Alle diese Variablen gehören zum Rohstoffabschnitt der
Einheit. Um realistische Störbedingungen zu simulieren,
wurden verschiedene Signale des Typs Autoregressive
Integrated Moving Average (ARIMA) diesen Variablen
überlagert, mit der Ausnahme der Dieselflussrate, die nur ein
Signal des Typs Autoregressive Moving Average (ARMA) empfing,
und mit Ausnahme der Waschölflussrate und des
Reaktoreinstellpunkts, die immer konstant oder gleich Null
waren.
Die Responsgruppe umfasste überschüssigen Sauerstoff in dem
Rauchgas, Konzentration von Kohlenmonoxid in dem Rauchgas,
Riser-Temperatur, Regeneratorbetttemperatur,
Regeneratorsteigrohrpegel sowie neun weitere gemessene
Variablen des Systems, vergleiche [McFarlane, 1993] bezüglich
einer vollständigen Liste gemessener Variablen für das FCCU-
System.
Um die PLS- und EPLS-Algorithmen zu testen, wurde der FCCU-
Simulator vergrößert, so dass er verschiedene
vorprogrammierte Fehler enthielt, die auf Befehl eingesetzt
werden konnten. Der erste war eine stufenweise Änderung auf
den Koksablagerungsfaktor des Rohstoffs, wodurch ein Pfropf
aus einem schwerer als normalen Rohstoff simuliert wurde, der
in die Einheit hineingelangt. Der zweite simulierte eine
Unterbrechung des Flusses des regenerierten Katalysators
zwischen dem Regenerierer und dem Riser, was typischerweise
durch teilweise oder vollständige Verstopfung von
Dampfinjektoren hervorgerufen wird, die sich in dieser
Leitung befinden.
Beim ersten Durchlauf war kein fortgeschrittenes Regelsystem
vorhanden, nur Regelsteuerungen für den Reaktor,
Luftkompressorflussraten und den Reaktordruck. Bei dieser
Regelkonfiguration war keine Rückkopplung zwischen Respons-
und Prädiktorvariablen bei den Läufen 1 und 2 vorhanden, da
die Feuchtgaskompressor-Saugventilposition weggelassen wurde.
Fig. 3 zeigt die PLS-T2- und Q-Überwachungsdiagramme sowie
die entsprechenden EPLS-Diagramme über einen Zeitraum von
annähernd 1500 Stunden im Normalbetrieb. In allen Figuren, in
denen T2- und Q-Plots gezeigt sind, gibt die obere
durchgezogene Linie die Vertrauensgrenze von 99% für die
jeweilige aufgetragene Statistik an, während die untere
gestrichelte Linie die Vertrauensgrenze von 95% angibt.
Weiterhin ist die Ordinate jedes T2- und Q-Plots im
Zehnerlogarithmus dargestellt. Die Abtastperiode wurde auf 30
Minuten eingestellt.
In Fig. 4 sind die Responses der T2- und Q-Statistiken von
PLS und EPLS für den ersten Fehler gezeigt, der bei annähernd
190,5 Stunden auftritt. Da dieser Fehler eine Änderung der
Zusammensetzung des Rohstoffes simuliert, nämlich einen
Pfropf aus schwererem Rohstoff, wirkt er sich sofort in dem
Riser aus, und danach in anderen Teilen der Einheit, die
durch eine Änderung des Riser-Zustands beeinflusst werden,
nach 191 Stunden. Allerdings gibt es keinen direkten,
mechanischen Weg zurück zu einem Teil des Rohstoffsystems,
und daher wird keine der Prädiktorvariablen, wie sie für die
Läufe 1 und 2 definiert wurden, direkt beeinflusst. Ebenso
wenig werden sie durch Rückkopplung von den Responsvariablen
beeinflusst, da kein fortgeschrittenes Regelsystem vorhanden
ist, um eine derartige Rückkopplung zur Verfügung zu stellen.
Daher ergibt sich aus den PLS-T2- und Q-Diagrammen überhaupt
keine Anzeige, dass der Fehler einen anomalen Zustand
hervorgerufen hat.
Im Gegensatz hierzu identifizieren die EPLS-T2- und Q-
Statistiken, die in Fig. 4 aufgetragen wurden, deutlich den
anomalen Zustand an der Vertrauensgrenze von 99%. Das EC-
Diagramm, entsprechend der Zeit, zu welcher dieses Ereignis
deutlich wird (nach 191 Stunden), ist in Fig. 5 gezeigt. Die
Variablen 12 und 13, nämlich überschüssiger Sauerstoff in dem
Rauchgas bzw. Konzentration von Kohlenmonoxid in dem
Rauchgas, tragen deutlich zu dem Ereignis bei. Dies macht
physikalisch Sinn, da ein Pfropf aus einem schwereren
Rohstoff zu einem rapiden Anstieg der Menge an Koks führt,
die auf dem Katalysator in dem Riser abgelagert wird, und zum
Regenerierer transportiert wird, mit einer direkten
Auswirkung auf den Sauerstoffverbrauch und die Erzeugung von
Kohlenmonoxid. Das Beitragsdiagramm ergibt nicht direkt die
potentielle Quelle des Fehlers, sondern stellt einem
erfahrenen Anlagenbetreiber Information zur Verfügung, die
dazu hilft, potentielle Ursachen einzugrenzen. Im Gegensatz
zu dem EC-Diagramm für die Responsvariablen zeigt das EC-
Diagramm für die Prädiktorvariablen keinen großen Beitrag für
irgendeine Variable.
Bei dem zweiten Lauf wurde der Fehler des regenerierten
Katalysators nach 322 Stunden eingesetzt. Da die
Prädiktorvariablen alle aus dem Rohstoffabschnitt der Einheit
stammen, ergibt wiederum ein Fehler oder eine Störung, die
entweder im Reaktor oder dem Regenerierer auftreten, oder in
den Verbindungskatalysatorleitungen, keinen mechanistischen
Weg zurück zu diesen Variablen. In diesem Fall beeinflusst
der Fehler nur Responsvariablen und stellen herkömmliche
PLS-T2- und Q-Diagramme das Ereignis nicht fest. Dies wird
aus den oberen beiden Plots von Fig. 6 deutlich. Die EPLS-T2-
und Q-Diagramme stellen jedoch den anomalen Zustand deutlich
nach 322,5 Stunden fest. Das entsprechende EC-Diagramm für
die Responsvariablen, das in Fig. 7 gezeigt ist, zeigt an,
dass überschüssiger Sauerstoff in dem Rauchgas und der
Standrohrpegel in dem Regenerierer signifikante Beiträge
liefern. Dies lässt sich einfach erklären, da jede Änderung
des Flusses des regenerierten Katalysators das
Materialgleichgewicht in dem Standrohr beeinflusst, und daher
dessen Pegel. Eine Änderung des Flusses des regenerierten
Katalysators beeinflusst auch das Verhältnis von Katalysator
zu Rohstoff in dem Riser, was zu einer Änderung der Menge an
Koks führt, die auf verbrauchtem Katalysator abgelagert wird,
und dann zu einer Änderung des Pegels des
Sauerstoffverbrauchs in dem Regenerierer. Es wird darauf
hingewiesen, dass das EC-Diagramm für die Prädiktorvariablen
keinen anomal großen Beitrag für irgendeine Variable zeigt,
da keine Regelungsrückkopplung vorhanden ist.
Für die Läufe 3 und 4 wurde die Position des
Feuchtgaskompressorsaugventils als Prädiktorvariable mit
berücksichtigt. Die Auswirkung irgendeiner Störung oder
irgendeines Fehlers, welche den Reaktordruck beeinflussen,
wird daher an die Prädiktorvariable übertragen, die durch die
Rückkopplungswirkung der Reaktordruckregelung festgelegt
wird. In diesem Fall würde man sowohl bei PLS als auch bei
EPLS erwarten, dass sie einen anomalen Zustand feststellen,
der sich bei dieser Art von Fehler ergibt, und dies zeigt
sich deutlich in Fig. 8 für den ersten Fehler, und in Fig. 9
für den zweiten Fehler.
Der Einsatz der Vorgehensweise I bei der FCCU-
Falluntersuchung hat gezeigt, dass die PLS-
Überwachungsdiagramme nur ein anomales Prozessverhalten
feststellen können, wenn eine Steuerungsrückkopplung bei den
Prädiktorvariablen vorhanden ist. Dies führt weiter dazu,
dass die EC-Diagramme für die Prädiktorvariablen keinen
anomal großen Beitrag zu irgendeiner Variablen zeigen. Im
Gegensatz hierzu stellten die EPLS-Diagramme beide Fehler
fest. Beim Vorhandensein einer Steuerungsrückkopplung sind
jedoch auch die PLS-Diagramme empfindlich.
Dieser industrielle Prozess erzeugt zwei
Lösungsmittelchemikalien, die mit F und G bezeichnet sind,
und besteht aus mehreren Betriebseinheiten. Die Hauptelemente
dieser Anlage sind kontinuierlich arbeitende Einheiten, in
denen die chemische Reaktion durchgeführt wird. Diese
Einheiten sind fünf parallel arbeitende Fließbettreaktoren,
in denen jeweils F und G durch komplizierte, exothermische,
chemische Reaktionen erzeugt werden. Diese Reaktoren werden
mit zwei unterschiedlichen Strömen aus fünf verschiedenen
Reaktanten versorgt. Fig. 2 zeigt schematisch einen Reaktor
und seine benachbarten Einheiten.
Der erste Strom besteht aus dem Reaktanden A, und der zweite
Strom aus den Reaktanten B, C, D und E. A und B sind Moleküle
des Typs X2, C ist eine Säure, D sind Moleküle, die in
stromaufwärtigen Einheiten erzeugt werden, und E sind
recycelte Erzeugnisse der Anlage. D und E werden durch einen
stromaufwärtigen Verdampfer verdampft, bevor sie in den
Reaktor als Teil des zweiten Stroms hineingelangen.
Schließlich wird nach Verlassen des Reaktors die Trennung von
F und G durch stromabwärtige Destilliereinheiten erreicht.
Der Reaktor besteht aus einem großen Mantel und einer Anzahl
vertikal angeordneter Rohre, in denen die chemische Reaktion
durchgeführt wird, unterstützt durch einen
Fließbettkatalysator. Ein Thermoelement ist am Boden jedes
Rohrs angebracht, um die Temperatur des Fließbettes zu
messen. Zum Abführen der Wärme der exothermen Reaktion wird
Öl um die Rohre herum umgewälzt. Das Verhältnis von F : G wird
regelmäßig in einem Labor analysiert. Auf der Grundlage
dieser Analyse wird das Verhältnis von F : G durch die
Reaktorrohstoffzufuhrraten eingestellt. Damit der Katalysator
ständig im Fließbett vorhanden ist, wird die
Fließbettgeschwindigkeit dadurch konstant gehalten, dass der
Reaktordruck in Bezug auf die Gesamtflussrate eingestellt
wird.
Die chemische Reaktion wird durch nicht gemessene Störungen
und Änderungen des Fließbettes des Katalysators beeinflusst.
Die am häufigsten beobachtete, nicht gemessene Störung wird
durch Umschlagen des Drucks des Dampfflusses hervorgerufen,
der vom Verdampfer benötigt wird. Ungemessene Störungen
können auch durch das Kühlmittel (Öl) hervorgerufen werden,
das von einer getrennten Einheit zur Verfügung gestellt wird.
Infolge des Regelschemas der Verdampfereinheit führen die
Druckumschläge des Dampfflusses zu einer größeren oder
kleineren Flussrate des zweiten Stroms, der in den Reaktor
eintritt. Fließbettprobleme treten auf, wenn die
Katalysatorverteilung über ein Rohr am Boden des Rohrs
erheblich größer ist. Dies bringt es mit sich, dass die
chemische Reaktion am Boden des Rohrs verstärkt wird, was zu
einer signifikanten Erhöhung der Rohrtemperatur führt.
Während eines Zeitraums von mehreren Wochen wurden normale
Betriebsdaten sowie Daten, welche Prozessanomalitäten
enthielten, für einen bestimmten Reaktor erhalten. Die
Datengruppe zum Aufnehmen des normalen Prozessbetriebs
(Bezugsdaten) musste sorgfältig ausgewählt werden. Es musste
sichergestellt werden, dass die Bezugsdaten keine Störungen
einfangen, wie sie voranstehend beschrieben wurden, oder
Fließbettprobleme eines oder mehrerer Rohre. Weiterhin
könnte, wenn die Menge an Bezugsdaten zu gering wäre, eine
normale Variation, die während der chemischen Reaktion
auftritt, nicht in der Beschreibung enthalten sein. Jede
Datengruppe beschreibt den Prozess im Dauerzustandsbetrieb.
Zum Identifizieren eines Dauerzustands-PLS-Modells mussten
Prädiktor- und Responsvariablen ausgewählt werden. Die
Prädiktorvariablen sind die Flussrate der Reaktanten A, B, D
und E, der Dampffluss zum Verdampfer, und ein zusätzlicher
Strom, der zur Verringerung des Drucks in dem Verdampfer
erforderlich ist. Als Responsvariable wurde die Temperatur
jedes Rohrs ausgewählt.
Eine Voruntersuchung der Daten ergab, dass die
Rohrtemperaturen stark korreliert sind. Weiterhin ist eine
Korrelation auch zwischen den Prädiktorvariablen vorhanden.
Die Bestimmung der Anzahl an LVs, die beibehalten werden
sollen, ergab jedoch, dass sämtliche sechs LVs signifikant
zur Vorhersage der Responsmatrix beitragen. Die Auswahl,
wieviele LVs beibehalten werden sollen, wurde dadurch
durchgeführt, dass eine Kreuzüberprüfung so durchgeführt
wurde, dass jeweils eine Größe weggelassen wurde. Dieser Fall
stellt daher ein Beispiel für den zweiten Nachteil dar, der
auftritt, wenn die Prozesszustandsüberwachung mit der
Vorgehensweise I durchgeführt wird.
Obwohl jeder Ergebnisvektor der Prädiktormatrix beibehalten
werden muss, verringert PLS die Anzahl an Prozessvariablen
beträchtlich. Nachdem die Identifizierungsprozedur beendet
wurde, wurden die sechs verallgemeinerten t-Ergebnisse und
die verallgemeinerten Residuenergebnisse für die Bezugsdaten
gemäß Gleichung (9) berechnet. Hieran schloss sich die
Berechnung der entsprechenden Werte der PLS-T2-, EPLS-T2- und
Q-Statistik und der Schwellenwerte für die zugehörigen
Überwachungsdiagramme an. Es wird darauf hingewiesen, dass
die PLS-Q-Statistik nicht bestimmt werden kann.
Fig. 12 zeigt die Überwachungsdiagramme für die PLS- und die
EPLS-Vorgehensweise für die Bezugsdaten. Es wird darauf
hingewiesen, dass die Werte jeder Statistik im
logarithmischen Maßstab dargestellt sind. Die Diagramme der
PLS-T2- und der EPLS-T2-Statistik zeigen eine natürliche
Variation des Prozesses, beispielsweise infolge von
Änderungen der Zufuhr. Weiterhin zeigt das Diagramm der EPLS-
T2-Statistik den Einfluss gemeinsamer Variationen (nicht
gemessener Störungen), die das Modell nicht beschreiben kann.
Das erste beobachtete, anomale Prozessverhalten repräsentiert
eine große, nicht gemessene Störung infolge des Abfalls des
Dampfdrucks. Die sich ergebenden Überwachungsdiagramme sind
in Fig. 13 dargestellt. Obwohl die Dampfrate konstant bleibt,
ändert sich das Enthalpiegleichgewicht innerhalb des
Verdampfers und beeinflusst die Zusammensetzung der
Reaktanten D und E in dem zweiten Strom zum Reaktor. Die
nicht gemessene Störung trat nach etwa 1300 Minuten in der
aufgezeichneten Datengruppe auf. Die EPLS-Q-Statistik stellt
diese nicht gemessene Störung unmittelbar danach fest, da die
Zusammensetzung des zweiten Stroms deutlich die
Reaktionsbedingungen beeinflusst, welche das PLS-Modell nicht
beschreiben kann. Die nicht gemessene Störung wird nicht von
der PLS-T2- und der EPLS-T2-Statistik aufgenommen, da die
Prozessvariation dieses Ereignisses nicht die Variationen in
den Bezugsdaten überschreitet. Die entsprechenden EC-
Diagramme für 1500, 1501 und 1502 Minuten, vergleiche
Fig. 4, zeigen, dass bei etwa der Hälfte der Rohre die
Temperatur nicht exakt in Bezug auf die Bezugsdaten
vorhergesagt werden kann. Die nicht gemessene Störung
beeinflusst deutlich die Reaktionsbedingungen in sämtlichen
Rohren, was dadurch bestätigt werden konnte, dass
hintereinander die drei EC-Diagramme untersucht wurden. Die
Diagnose dieses anomalen Prozessverhaltens ergibt sich für
einen erfahrenen Anlagenbetreiber, der aus der
bereitgestellten Information zurück auf den Abfall des
Dampfdrucks schließen kann.
Das zweite anomale Prozessverhalten beschreibt ein
Fließbettproblem in einem der Rohre. Es gibt einige
Manipulationen, die ein Anlagenbetreiber durchführen kann, um
das Fließbett zu verbessern und daher die Rohrtemperatur
zurück auf ihren normalen Betriebswert zu bringen. Die erste
Temperaturerhöhung wurde jedoch von dem Anlagenbetreiber
nicht bemerkt. Als die zweite Temperaturerhöhung festgestellt
wurde, wurde der Versuch unternommen, die Temperatur zurück
zum Normalbetrieb zu bringen. Fig. 15 zeigt die
entsprechenden PLS-T2- und EPLS-Überwachungsdiagramme. Beide
EPLS-Statistiken stellen in beiden Fällen fest, dass die
Rohrtemperatur anomal hoch ist. Im Gegensatz hierzu löst die
PLS-T2-Statistik nur einen Alarm an der Vertrauensgrenze von
99% nach dem zweiten Temperaturanstieg aus. Auch die PLS-T2-
Statistik überschreitet zumindest die Vertrauensgrenze von
95%, und zeigt daher ein anomales Prozessverhalten an. Die
Empfindlichkeit des PLS-T2-Diagramms ist deswegen vorhanden,
da die Rückkopplung der Regelschleife für die
Fließbettgeschwindigkeit infolge des anomalen Rohrverhaltens
vorhanden ist. Die Manipulation des Prozessbetreibers lässt
sich aus dem deutlichen Kurvenknick in jedem
Überwachungsdiagramm etwa bei 900 Minuten in Fig. 15
erkennen. Nachdem dieser Versuch fehlschlug, schaltete der
Anlagenbetreiber schließlich das Rohr ab. Die
Überwachungsdiagramme der EPLS-T2- und der Q-Statistik
entsprechen dem Abschalten durch Stillegen. Fig. 16 zeigt die
EC-Diagramme nach 436 Minuten, 880 Minuten, 905 Minuten und
910 Minuten. Entsprechend den EC-Diagrammen könnte der
Anlagenbetreiber mehr als 450 Minuten früher Maßnahmen
eingeleitet haben, um den Betrieb dieses Rohrs
aufrechtzuerhalten.
Die Anwendung der Vorgehensweise I bei diesem industriellen
Beispiel zeigte, dass PLS-Überwachungsdiagramme unempfindlich
(zumindest beim ersten Beispiel) in der Hinsicht sind, ein
anomales Verhalten des Prozesses festzustellen. Bei dem
zweiten Beispiel konnte jedoch PLS das anomale Rohrverhalten
feststellen (zumindest bei der Vertrauensgrenze von 95%). Im
Gegensatz hierzu konnten die EPLS-Überwachungsdiagramme
deutlich jede Prozessanomalität feststellen (an der
Vertrauensgrenze von 99%). Weiterhin musste jeder Wert für LV
beibehalten werden, infolge seiner Signifikanz zum
Vorhersagen der Responsvariablen. Daher konnte nur ein
Überwachungsdiagramm bei der Vorgehensweise I erhalten
werden.
Die zweite Vorgehensweise (Vorgehensweise II) würde zu 16
Streuplots führen und sechs Überwachungsdiagrammen, von
denen keines eine Variation der Responsvariablen beschreibt.
Im Gegensatz hierzu benötigt EPLS nur zwei
Überwachungsdiagramme und beschreibt die EPLS-T2-Statistik
eine Variation der Responsvariablen, vergleiche Gleichung 9.
Bei der vorliegenden Beschreibung werden die herkömmlichen
PLS-Vorgehensweisen für die Zustandsüberwachung
kontinuierlicher, industrieller Prozesse, wie sie in
[MacGregor, 1991, 1995], [Kresta, 1991] und [Wise, 1996]
beschrieben werden, erneut überprüft, und werden
Problembereiche hervorgehoben. Aus dieser Untersuchung ergibt
sich, dass die herkömmlichen PLS-Überwachungsdiagramme
entweder unempfindlich oder schwierig zu analysieren sein
können, falls sich der Prozess anomal verhält. Diese
Beschreibung stellt eine Ausweitung des Standard-PLS-
Algorithmus zur Verfügung, bezeichnet als EPLS, die zu der
Definition neuer PLS-Ergebnisse führt, die als
verallgemeinerte Ergebnisse bezeichnet werden. Ähnlich wie
bei herkömmlichen PLS-Vorgehensweisen, können Statistiken auf
der Grundlage der verallgemeinerten Ergebnisse von EPLS
definiert werden, die in Abhängigkeit von der Zeit auf
Überwachungsdiagrammen aufgetragen werden können. Diese
Überwachungsdiagramme beschreiben die Gesamtvariation der
Prädiktor- und Responsvariablen (EPLS-T2-Diagramm) und ihrer
Residuen (EPLS-Q-Diagramm).
Eine theoretische Analyse der Überwachungsdiagramme, die aus
den verallgemeinerten Ergebnissen von EPLS abgeleitet werden,
und herkömmlicher PLS-Vorgehensweisen ergibt Folgendes:
- 1. Bei der Vorgehensweise I wird, wenn ein anomales Verhalten Responsvariablen beeinflusst, die nicht Teil einer geschlossenen Regelschleife sind, diese Situation möglicherweise nicht festgestellt. Bei EPLS wird die anomale Variation der Responsvariablen deutlich.
- 2. Falls die Responsvariablen stark korreliert sind, jedoch die Prädiktorvariablen nicht, erzeugt die Vorgehensweise I nur ein Diagramm, das T2-Diagramm. Bei EPLS bleiben beide Diagramme relevant, unabhängig von der Anzahl an latenten Variablen, die beibehalten werden.
- 3. Die zweite Vorgehensweise (Vorgehensweise II) definiert eine Anzahl an Diagrammen in Abhängigkeit von der Anzahl an latenten Variablen, die beibehalten werden. Im Gegensatz hierzu benötigt EPLS nur zwei Diagramme, unabhängig von der Auswahl ausgewählter, latenter Variablen.
- 4. Der Einsatz des Vorhersagefehlerquadratdiagramms zusammen mit den beiden Überwachungsdiagrammen der Vorgehensweise I kann die voranstehend geschilderten Schwierigkeiten überwinden. Allerdings führt dies zu zumindest drei Überwachungsdiagrammen, und ist die Variation der Responsvariablen in keinem dieser Diagramme vorhanden. Im Gegensatz hierzu benötigt EPLS nur zwei Überwachungsdiagramme, und wird die Variation der Responsvariablen nicht in dem EPLS-T2-Diagramm akkumuliert.
Die vorliegende Beschreibung stellt auch zwei
Einsatzuntersuchungen zur Verfügung, um die voranstehenden,
theoretisch abgeleiteten Ergebnisse zu bestätigen. Diese
Anwendungen betreffen die Simulation einer katalytischen
Fluidkrackeinheit (FCCU) und einen realen industriellen
Prozess. Zwei anomale Situationen sind in beiden
Falluntersuchungen vorhanden, welche die Auswirkung einer
nicht gemessenen Störung und eine "interne" Änderung des
Prozessverhaltens beschreiben.
Die Ergebnisse der FCCU-Falluntersuchung zeigen deutlich,
dass eine Regelungsrückkopplung für die Vorgehensweise I
unbedingt erforderlich ist, um ein robustes und empfindliches
Zustandsüberwachungswerkzeug zur Verfügung zu stellen. Falls
dies nicht garantiert ist, kann es bei dieser Vorgehensweise
auftreten, dass anomale Situationen nicht festgestellt
werden. Im Gegensatz hierzu stellt die EPLS-Vorgehensweise
robuste und empfindliche Überwachungsdiagramme zur Verfügung,
unabhängig von dem Vorhandensein einer Regelungsrückkopplung.
Dies kann auch durch die Untersuchung des industriellen Falls
bestätigt werden. Die erste anomale Situation wird nicht von
der PLS-T2-Statistik festgestellt, da der Umschlag des
Dampfdrucks nicht die Prädiktorvariablen stark genug
beeinflusst, um festgestellt zu werden. Es wird allerdings
der Zustand der chemischen Reaktion innerhalb der Rohre
beeinflusst und daher das Verhalten der Responsvariablen. Die
zweite Situation beschreibt ein anomales Verhalten eines der
Rohre. In dieser Situation beeinflusst die
Regelungsrückkopplung die Prädiktorvariablen infolge des
anomalen Verhaltens.
Die Untersuchung des industriellen Falls zeigt weiterhin,
dass sämtliche latenten Variablen signifikant zur Vorhersage
der Responsvariablen beitragen. Daher ist nur ein
Überwachungsdiagramm (das T2-Diagramm) für die Vorgehensweise
I verfügbar. Weiterhin würde die Vorgehensweise II zu
insgesamt 16 Streuplots und 6 Überwachungsdiagrammen führen.
Bei dieser Anzahl an relevanten Diagrammen ist es
entsprechend mühsam, ein anomales Verhalten festzustellen, im
Unterschied zur Beobachtung der beiden EPLS-
Überwachungsdiagramme.
Die weitere Forschung in Bezug auf die verallgemeinerten
Ergebnisse von EPLS konzentriert sich auf Anwendungen, welche
dynamische Prozessmodelle verwenden, wie sie beispielsweise
für eine Modellvorhersageregelung erforderlich sind. Es soll
untersucht werden, ob dieses dynamische Prozessmodell auch
die Grundlage für die Prozesszustandsüberwachung
bereitstellt, im Unterschied zu der
Dauerzustandsuntersuchung, die bislang vorgenommen wurde.
Darüber hinaus wird der Einsatz der verallgemeinerten EPLS-
Ergebnisse für die Überwachung von postenweise ablaufenden
Prozessen der Gegenstand zukünftiger Überlegungen sein. Die
PLS-Vorgehensweise zur Überwachung postenweise ablaufender
Prozesse, die in [Nomikos, 1994 und 1995] diskutiert wurde,
wird daher die Grundlage für die Unterscheidung eines "guten"
Postens von einem "schlechten" Posten sein.
Der PLS-Identifizierungsalgorithmus beruht auf der Bestimmung
jedes Paars von Komponentenmatrizen Xk und Yk (siehe
Gleichung 1), durch eine iterative Prozedur. Nachdem der k-te
Iterationsschritt durchgeführt wurde, werden die berechneten
Komponentenmatrizen von der Prädiktormatrix bzw. der
Responsmatrix subtrahiert, vor der Berechnung des (k+1)-ten
Iterationsschrittes. Die Subtraktion der Komponentenmatrizen
wird auch als Druckablassprozedur bezeichnet und verläuft
folgendermaßen:
Die Ergebnisvektoren tk, ûk und Belastungsvektoren pk und qk
werden dazu bestimmt, um den Beitrag jedes Paars von
Komponentenmatrizen zu den Prädiktor- und Responsmatrizen zu
maximieren. Dies wird dadurch erreicht, dass folgende
Kriterien erfüllt werden:
Lösungen für die drei Kostenfunktionen müssen daraufhin
berechnet werden. Beginnend mit Gleichung (A2) werden wk und
vk als Gewichtsvektor der Prädiktormatrix bzw. der
Responsmatrix bezeichnet, und repräsentiert Jwv den Wert der
entsprechenden Kostenfunktion. Nach [Hoskuldsson, 1988] kann
einschließlich der Randbedingungen für die Länge der
Gewichtsvektoren Gleichung (A2) folgendermaßen umgeschrieben
werden:
Aus Gleichung (A5) wird deutlich, dass wk der Eigenvektor
ist, der dem größten Eigenwert der Kreuzcovarianzmatrix
zugeordnet ist und vk der Eigenvektor ist,
der dem größten Eigenwert der Kreuzcovarianzmatrix
entspricht. In Gleichung (A3) ist bk der
Regressionskoeffizient zwischen dem k-ten Paar von
Ergebnisvektoren, nämlich tk und uk, und ist Jq der Wert der
Kostenfunktion. Die Lösung von Gleichung (A3) ist die übliche
Lösung der kleinsten Fehlerquadrate für bk. Für Gleichung
(A4) ist Jp die zugehörige Kostenfunktion zur Bestimmung von
pk, und von Jq zur Berechnung von qk. Die Kostenfunktionen Jp
und Jq werden durch die folgende Lösung minimiert [Geladi,
1986]
Schließlich kann unter Einfluss von n latenten Variablen die
Matrix der Regressionskoeffizienten
zwischen der
Prädiktormatrix und der Responsmatrix folgendermaßen
[Lindgren, 1993] berechnet werden:
wobei Wn, Pn und Qn Matrizen sind, in denen die n
Gewichtsvektoren wk und Belastungsvektoren pk und qk als
Spalten gespeichert sind. Gemäß Gleichung (A2) wird der
Gewichtsvektor für die Prädiktormatrix, wk, mit der
Druckablass-Prädiktormatrix Xk-j multipliziert, um den
Ergebnisvektor tk zu bestimmen. Allerdings gab [Lindgren,
1993] an, dass der Ergebnisvektor tk auch direkt aus der
ursprünglichen Prädiktormatrix X0 folgendermaßen berechnet
werden kann:
Die Vorhersage der Responsmatrix auf der Grundlage von n
latenten Variablen, die beibehalten werden, ist
folgendermaßen:
Die t-Ergebnisse können direkt aus der ursprünglichen
Prädiktormatrix berechnet werden, vergleiche Gleichung (A8):
Tn = XnRn. (A10)
Die PLS-Regressionsmatrix kann daher folgendermaßen bestimmt
werden:
Schließlich stellt die vorherige Multiplikation mit P T|n die
erforderliche Gleichheit zur Verfügung (siehe Anhang 3):
Die Definition der Matrix Rn, vergleiche Gleichung (A8), kann
dazu verwendet werden, zu beweisen, dass gilt:
wobei nxn eine Einheitsmatrix n bezeichnet. Die Elemente des
Matrixprodukts sind folgendermaßen definiert:
Wenn i größer ist als j, ist Gleichung (A13) gleich Null, da
Skalarprodukte zwischen pj T und wm auftreten, mit 1≦m≦j, was
jeweils gleich Null ist [Hoskuldsson, 1988]. Gemäß Gleichung
(A13) können, falls i kleiner als j ist, die Faktoren des
Matrixproduktes bis zum i-ten Faktor reduziert werden, was
führt zu:
Gleichung (A14) zeigt, dass der transponierte Vektor in dem
Term auf der rechten Seite gleich Null ist, und daher das
gesamte Produkt gleich Null ist. Weiterhin führt die
Tatsache, dass pi Twi = 1 ist, auch dazu, dass pi Tri = 1 ist.
Zusammenfassend wird aus den Gleichungen (A13) und (A14)
deutlich, dass das Matrixprodukt Rn TPn gleich einer
Einheitsmatrix n.n ist.
Um zu beweisen, dass beide verallgemeinerten Ergebnisse nicht
orthogonal sind, werden die Kovarianzmatrizen für beide
Ergebnisse, einschließlich von n LVs, untersucht. Die
Kovarianzmatrix der verallgemeinerten t-Ergebnisse ist in
Gleichung (A15) angegeben:
In Gleichung (A15) repräsentieren
Kovarianzmatrix der verallgemeinerten t-Ergebnisse, die
Standard-t-Ergebnisse, die verallgemeinerten restlichen
Ergebnisse, die Prädiktorvariablen, den Vorhersagefehler der
Responsvariablen, und die Residuen der Prädiktorvariablen.
Weiterhin bezeichnet s die Kreuzkovarianzmatrix der
Standard-t-Ergebnisse und der verallgemeinerten restlichen
Ergebnisse, und ist s die Kreuzkovarianzmatrix des
Vorhersagefehlers der Responsmatrix und der Residuen der
Prädiktormatrix. Es wird darauf hingewiesen, dass nur die
Kovarianzmatrix s (n)|TT diagonal ist, da die Standard-t-
Ergebnisse gegenseitig orthogonal sind [Hoskuldsson, 1988].
Aus Gleichung (A15) kann man schließen, dass die Matrizen
s und s im Allgemeinen nicht diagonal sind, selbst
unter der Annahme, dass die Spalten der Residuenmatrizen En
und Fn und ebenso die Prädiktormatrix X aus Signalen in Form
weißen Rauschens bestehen. Im theoretischen Fall, in welchem
die Anzahl an Responsvariablen gleich der Anzahl
manipulierter Variablen ist, und der Prozess entkoppelt ist,
sind jedoch die Kovarianzmatrix s und die
Kreuzkovarianzmatrix s vom Diagonaltyp. Daher kann die
Kovarianzmatrix s nicht vom Diagonaltyp sein, wenn eine
Anzahl n an LVs zurückbehalten wird. Wenn alle M (siehe
Gleichung 1) LVs beibehalten werden, dann reduziert sich
Gleichung (A15) auf:
Auf der Grundlage der Annahme, dass En aus Signalen in Form
weißen Rauschens besteht, ist die Kovarianzmatrix SE*E*
offensichtlich vom Diagonaltyp. Infolge der vorherigen und
nachfolgenden Multiplikation mit im Allgemeinen nicht-
diagonalen Matrizen ergibt sich jedoch das Ergebnis, dass
s und daher s nur symmetrisch sind. Die
Interpretation der Gleichung (A15) und (A16) hat gezeigt,
dass weder die Kovarianzmatrix s noch s diagonal
ist. Daher sind beide verallgemeinerten Ergebnistypen im
Allgemeinen nicht orthogonal.
1. Box G. E. P., Hunter W., Hunter J. S., 1978, Statistics of Experimenters,
Wiley, New York
2. Chen Q., Wynne R., Sandoz D. J., 2000. The Application of Principal Component Analysis and Kernel Density Estimation to Enhance Process Monitoring, Journal of Control Engineering Practise, to be published in April
3. Dunia R., Qin S. J., Edgar T. F., McAvoy T. J., 1996, Identification of Faulty Sensors Using Principals Component Analysis, Process Systems Engineering, Vol. 42, No. 10, pp. 2797-2812
4. McFarlane R. C., Reineman R. C., Bartee J. F., Georgakis C., 1993. Dynamic Simulator for a Model IV Fluid Catalytic Cracking Unit, Computers in Chemical Engineering, Vol. 17, No. 3, pp. 275-300
5. Geladi P., 1986, PLS Tutorial, Analytica Chimica Acta, Vol. 185: pp. 1-17
6. P. Geladi, 1988. Notes ort the History and Nature of Partial Least Squares (PLS) Modelling, Journal of Chemometrics, Vol. 2, pp. 231-246
7. Golub G. H., Van Loan C. F., 1996, Matrix Computations, Third Edition, John Hopkins University Press, Baltimore
8. Hoskuldsson A., 1988. PLS Regression Methods, Journal of Chemometrics, Vol. 2: 211-228
9. Jackson J. E, 1991, A User's Guide to Principal Components, Wiley, New York
10. De Jong S., 1993, SIMPLS, an Alternative Approach to Parrial Least Squares Regression, Chemometrics and intelligent Laboratory Systems, Vol. 18, pp. 251-263
11. Kosanovich K. A., Piovoso M. J., 1991, Process Data Analysis Using Multivariate Statistical Methods, American Control Conference, Boston, Massachusetts
12. Kourti T, MacGregor J. F., 1995, Process Analysis, Monitoring and Diagnosis, Using Multivariate Projection Methods, Chemometrics and intelligent Laboratory Systems. Vol. 28. pp. 3-21
13. Kresta J. V., MacGregor J. F., Marlin T. E., 1991, Multivariate Statistical Monitoring of Process Operating Performance, The Canadian Journal of Chemical Engineering, Vol. 69, pp. 35-47
14. Lindgren F., Geladi P., Wold S., 1993, The Kernel Algorithm for PLS, Journal of Chemometrics, Vol. 7, pp. 45-59
15. MacGregor J. F., Marlin T. E., Kresta J., Skagerberg B., 1991, Multivariate Statistical Methods in Process Analysis and Control. AIChE Symposium Proceedings of the Fourth International Conference on Chemical Process Control, AIChE Publ. No. P-67, New York, pp. 79-99
16. MacGregor J. F., Kourti T., 1995, Statistical Process Control of Multivariate Processes. Control Engineering Practise, Vol. 3, No. 3, pp. 403-414
17. Morud T. E., 1996, Multivariate Statistical Process Control; Example from the Chemical Process Industry, Journal of Chemometrics, Vol. 10, pp. 669-675
18. Nimmo L, 1995, Adequately Address Abnormal Situation Operations. Chemical Engineering Progress, Vol. 91, No. 1, pp. 36-45
19. Nomikos P., MacGregor J. F., 1994, Multi-Way Partial Least Squares for Monitoring Batch Processes, First International Chemometrics Internet Conference, September 1994
20. Nomikos, P., MacGregor. J. F., 1995. Multivariate SPC Charts for Monitoring Batch Processes, Technometrics, Vol. 37, No. 1, pp. 41-59
21. Manne R., 1987, Analysis of Two Partial-Least Squares Algorithms for Multivariate Calibration, Chemometrics and intelligent Laboratory Systems, Vol. 2, pp. 283-290
22. Piovoso M. J., Kosanovich K. A., 1992, Process Data Chemometrics, IEEE Transactions on Instrumentation and Measurement, Vol. 41, No. 2, pp. 262-268
23. Wise B. M., Gallagher N. B., MacGregor J. F., 1996. The Process Chemometrics Approach to Process Monitoring and Fault Detection, Journal of Process Control, Vol. 6. No. 6, pp. 329-348
24. H. Wold, 166a, in Research Papers in Statistics, ed. by F. David p. 411, Wiley, New York
25. H. Wold, 1966b, in Multivariate Analysis, ed. by P. Krishnaiah, p. 391, Academic Press, New York
26. Wold S., 1978, Cross Validatory Estimation of the Number of Components in Factor and Principal Component Models, Technometrics. Vol. 20, No. 4, pp. 397-405
2. Chen Q., Wynne R., Sandoz D. J., 2000. The Application of Principal Component Analysis and Kernel Density Estimation to Enhance Process Monitoring, Journal of Control Engineering Practise, to be published in April
3. Dunia R., Qin S. J., Edgar T. F., McAvoy T. J., 1996, Identification of Faulty Sensors Using Principals Component Analysis, Process Systems Engineering, Vol. 42, No. 10, pp. 2797-2812
4. McFarlane R. C., Reineman R. C., Bartee J. F., Georgakis C., 1993. Dynamic Simulator for a Model IV Fluid Catalytic Cracking Unit, Computers in Chemical Engineering, Vol. 17, No. 3, pp. 275-300
5. Geladi P., 1986, PLS Tutorial, Analytica Chimica Acta, Vol. 185: pp. 1-17
6. P. Geladi, 1988. Notes ort the History and Nature of Partial Least Squares (PLS) Modelling, Journal of Chemometrics, Vol. 2, pp. 231-246
7. Golub G. H., Van Loan C. F., 1996, Matrix Computations, Third Edition, John Hopkins University Press, Baltimore
8. Hoskuldsson A., 1988. PLS Regression Methods, Journal of Chemometrics, Vol. 2: 211-228
9. Jackson J. E, 1991, A User's Guide to Principal Components, Wiley, New York
10. De Jong S., 1993, SIMPLS, an Alternative Approach to Parrial Least Squares Regression, Chemometrics and intelligent Laboratory Systems, Vol. 18, pp. 251-263
11. Kosanovich K. A., Piovoso M. J., 1991, Process Data Analysis Using Multivariate Statistical Methods, American Control Conference, Boston, Massachusetts
12. Kourti T, MacGregor J. F., 1995, Process Analysis, Monitoring and Diagnosis, Using Multivariate Projection Methods, Chemometrics and intelligent Laboratory Systems. Vol. 28. pp. 3-21
13. Kresta J. V., MacGregor J. F., Marlin T. E., 1991, Multivariate Statistical Monitoring of Process Operating Performance, The Canadian Journal of Chemical Engineering, Vol. 69, pp. 35-47
14. Lindgren F., Geladi P., Wold S., 1993, The Kernel Algorithm for PLS, Journal of Chemometrics, Vol. 7, pp. 45-59
15. MacGregor J. F., Marlin T. E., Kresta J., Skagerberg B., 1991, Multivariate Statistical Methods in Process Analysis and Control. AIChE Symposium Proceedings of the Fourth International Conference on Chemical Process Control, AIChE Publ. No. P-67, New York, pp. 79-99
16. MacGregor J. F., Kourti T., 1995, Statistical Process Control of Multivariate Processes. Control Engineering Practise, Vol. 3, No. 3, pp. 403-414
17. Morud T. E., 1996, Multivariate Statistical Process Control; Example from the Chemical Process Industry, Journal of Chemometrics, Vol. 10, pp. 669-675
18. Nimmo L, 1995, Adequately Address Abnormal Situation Operations. Chemical Engineering Progress, Vol. 91, No. 1, pp. 36-45
19. Nomikos P., MacGregor J. F., 1994, Multi-Way Partial Least Squares for Monitoring Batch Processes, First International Chemometrics Internet Conference, September 1994
20. Nomikos, P., MacGregor. J. F., 1995. Multivariate SPC Charts for Monitoring Batch Processes, Technometrics, Vol. 37, No. 1, pp. 41-59
21. Manne R., 1987, Analysis of Two Partial-Least Squares Algorithms for Multivariate Calibration, Chemometrics and intelligent Laboratory Systems, Vol. 2, pp. 283-290
22. Piovoso M. J., Kosanovich K. A., 1992, Process Data Chemometrics, IEEE Transactions on Instrumentation and Measurement, Vol. 41, No. 2, pp. 262-268
23. Wise B. M., Gallagher N. B., MacGregor J. F., 1996. The Process Chemometrics Approach to Process Monitoring and Fault Detection, Journal of Process Control, Vol. 6. No. 6, pp. 329-348
24. H. Wold, 166a, in Research Papers in Statistics, ed. by F. David p. 411, Wiley, New York
25. H. Wold, 1966b, in Multivariate Analysis, ed. by P. Krishnaiah, p. 391, Academic Press, New York
26. Wold S., 1978, Cross Validatory Estimation of the Number of Components in Factor and Principal Component Models, Technometrics. Vol. 20, No. 4, pp. 397-405
Claims (4)
1. Verfahren zum Konstruieren/Konfigurieren eines
mehrdimensionalen Monitors für statistische Prozesse
durch eine Vorgehensweise mit partiellen kleinsten
Fehlerquadraten, mit einer Konstruktion der
Prozessprädiktor- und Responsmatrizen aus Bezugsdaten,
wobei die Prädiktormatrix aus Signalen der manipulierten
und gemessenen Störungs- oder Ursachenvariablen des
Prozesses (Prädiktorvariablen) besteht, und die
Responsmatrix aus den gesteuerten oder verursachten
Variablen des Prozesses (Responsvariablen) besteht,
Zerlegen der Prädiktor- und Responsmatrizen in
Komponentenmatrizen des Rangs Eins, wobei jede der
Matrizen aus einem Vektorprodukt besteht, bei welchem
ein Vektor (der Ergebnisvektor) die Variation
beschreibt, und der andere (der Belastungsvektor) den
Beitrag des Ergebnisvektors zu der Prädiktor- oder
Responsmatrix, wobei die Zerlegung durch die Erzeugung
einer parametrischen Regressionsmatrix auf der Grundlage
von Iterationen der Zerlegung der Prädiktor- und
Responsmatrizen durchgeführt wird, gekennzeichnet durch
die Erzeugung eines ersten verallgemeinerten
Ergebnisvektors, der irgendeine signifikante Variation
des Prozesses einschließlich Variationen der Prädiktor-
und Responsvariablen beschreibt, und eines zweiten
verallgemeinerten Ergebnisvektors, der den
Vorhersagefehler des Modells der partiellen kleinsten
Fehlerquadrate und Residuen der Prädiktormatrix
repräsentiert.
2. Verfahren zum Konstruieren/Konfigurieren eines
mehrdimensionalen Prozessmonitors nach Anspruch 1, bei
welchem die verallgemeinerten Ergebnisse durch
Konstruktion einer vergrößerten Matrix berechnet werden,
die hier mit Z bezeichnet ist, und folgende Form
aufweist:
Z = [YX],
wobei X die Prädiktormatrix und Y die Responsmatrix ist, und eine Ergebnismatrix Tn = Tn-En* konstruiert wird, bei welcher Tn* und En* folgende allgemeine Form aufweisen:
die Spalten der Matrix Tn* die verallgemeinerten t- Ergebnisse zur Verfügung stellen, und die Spalten der Matrix En* die verallgemeinerten restlichen Ergebnisse, wobei eine Einheitsmatrix M × M bezeichnet, und
die PLS-Regressionsmatrix ist.
Z = [YX],
wobei X die Prädiktormatrix und Y die Responsmatrix ist, und eine Ergebnismatrix Tn = Tn-En* konstruiert wird, bei welcher Tn* und En* folgende allgemeine Form aufweisen:
die Spalten der Matrix Tn* die verallgemeinerten t- Ergebnisse zur Verfügung stellen, und die Spalten der Matrix En* die verallgemeinerten restlichen Ergebnisse, wobei eine Einheitsmatrix M × M bezeichnet, und
die PLS-Regressionsmatrix ist.
3. Mehrdimensionaler Monitor für statistische Prozesse, der
durch das Verfahren von Anspruch 1 oder Anspruch 2
konstruiert/konfiguriert wurde, und so ausgebildet ist,
dass er ein anomales Prozessverhalten durch Analyse der
Residuen der Responsvariablen identifiziert.
4. Verfahren zur Überwachung eines Prozesses, welches das
Konfigurieren eines mehrdimensionalen Monitors für
statistische Prozesse durch das Verfahren nach Anspruch
1 oder Anspruch 2 umfasst, und Identifizieren eines
anomalen Prozessverhaltens, zumindest teilweise, durch
Analyse der Residuen der Responsvariablen.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB0007063.1A GB0007063D0 (en) | 2000-03-23 | 2000-03-23 | Mulitvariate statistical process monitors |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10114211A1 true DE10114211A1 (de) | 2001-11-15 |
Family
ID=9888276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10114211A Ceased DE10114211A1 (de) | 2000-03-23 | 2001-03-23 | Mehrdimensionale Monitore für statistische Prozesse |
Country Status (3)
Country | Link |
---|---|
US (1) | US7062417B2 (de) |
DE (1) | DE10114211A1 (de) |
GB (2) | GB0007063D0 (de) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006034179A2 (en) * | 2004-09-17 | 2006-03-30 | Mks Instruments, Inc. | Method and apparatus for multivariate control of semiconductor manufacturing processes |
US7162312B2 (en) | 2003-09-24 | 2007-01-09 | Siemens Aktiengesellschaft | Method, system and device for predictive error recognition in a plant |
WO2007047649A1 (en) * | 2005-10-19 | 2007-04-26 | Honeywell International Inc. | Predictive correlation model system |
US7809450B2 (en) | 2005-07-07 | 2010-10-05 | Mks Instruments, Inc. | Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments |
US8271103B2 (en) | 2007-05-02 | 2012-09-18 | Mks Instruments, Inc. | Automated model building and model updating |
US8494798B2 (en) | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US8855804B2 (en) | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US9069345B2 (en) | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001271629A1 (en) | 2000-06-29 | 2002-01-14 | Object Reservoir, Inc. | Method and system for high-resolution modeling of a well bore in a hydrocarbon reservoir |
US7660705B1 (en) | 2002-03-19 | 2010-02-09 | Microsoft Corporation | Bayesian approach for learning regression decision graph models and regression models for time series analysis |
WO2004003671A1 (en) * | 2002-06-28 | 2004-01-08 | Umetrics Ab | Method and device for monitoring and fault detection in industrial processes |
JP2004047885A (ja) * | 2002-07-15 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 半導体製造装置のモニタリングシステム及びモニタリング方法 |
JP4165638B2 (ja) * | 2002-09-02 | 2008-10-15 | 東京エレクトロン株式会社 | プロセスの監視方法及びプラズマ処理装置 |
US20080275587A1 (en) * | 2002-09-25 | 2008-11-06 | Advanced Micro Devices, Inc. | Fault detection on a multivariate sub-model |
GB2399176B (en) * | 2003-03-05 | 2006-01-04 | Boc Group Plc | Event detection algorithm |
US7580813B2 (en) * | 2003-06-17 | 2009-08-25 | Microsoft Corporation | Systems and methods for new time series model probabilistic ARMA |
US7328126B2 (en) * | 2003-09-12 | 2008-02-05 | Tokyo Electron Limited | Method and system of diagnosing a processing system using adaptive multivariate analysis |
US7249287B2 (en) * | 2004-04-19 | 2007-07-24 | General Electric Company | Methods and apparatus for providing alarm notification |
US20060000799A1 (en) * | 2004-06-30 | 2006-01-05 | Hyun-Ho Doh | Methods and apparatus for determining endpoint in a plasma processing system |
GB0415144D0 (en) * | 2004-07-06 | 2004-08-11 | Attar Software Ltd | Method and system for detecting events in process operating data and identifying associations between related events |
US8676538B2 (en) * | 2004-11-02 | 2014-03-18 | Advanced Micro Devices, Inc. | Adjusting weighting of a parameter relating to fault detection based on a detected fault |
US7596475B2 (en) * | 2004-12-06 | 2009-09-29 | Microsoft Corporation | Efficient gradient computation for conditional Gaussian graphical models |
US7421380B2 (en) * | 2004-12-14 | 2008-09-02 | Microsoft Corporation | Gradient learning for probabilistic ARMA time-series models |
US7444193B2 (en) * | 2005-06-15 | 2008-10-28 | Cutler Technology Corporation San Antonio Texas (Us) | On-line dynamic advisor from MPC models |
US7617010B2 (en) | 2005-12-28 | 2009-11-10 | Microsoft Corporation | Detecting instabilities in time series forecasting |
US20070202603A1 (en) * | 2006-02-27 | 2007-08-30 | Steven Wayne Counts | Apparatus and method for sampling and correcting fluids |
JP2007250748A (ja) * | 2006-03-15 | 2007-09-27 | Omron Corp | プロセス異常分析装置および方法並びにプログラム |
WO2008042739A2 (en) * | 2006-09-29 | 2008-04-10 | Fisher-Rosemount Systems, Inc. | On-line monitoring and diagnostics of a process using multivariate statistical analysis |
WO2008042757A2 (en) * | 2006-09-29 | 2008-04-10 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US8489360B2 (en) * | 2006-09-29 | 2013-07-16 | Fisher-Rosemount Systems, Inc. | Multivariate monitoring and diagnostics of process variable data |
CN101536002B (zh) * | 2006-11-03 | 2015-02-04 | 气体产品与化学公司 | 用于工艺监控的系统和方法 |
US20080168092A1 (en) * | 2007-01-10 | 2008-07-10 | General Electric Company | Systems and methods for turbine control simulation |
US7991577B2 (en) * | 2007-08-30 | 2011-08-02 | HSB Solomon Associates, LLP | Control asset comparative performance analysis system and methodology |
US20090076773A1 (en) * | 2007-09-14 | 2009-03-19 | Texas Tech University | Method for identifying unmeasured disturbances in process control test data |
US8233494B2 (en) * | 2008-01-22 | 2012-07-31 | International Business Machines Corporation | Hierarchical and incremental multivariate analysis for process control |
US8260034B2 (en) * | 2008-01-22 | 2012-09-04 | International Business Machines Corporation | Multi-modal data analysis for defect identification |
US7983874B2 (en) * | 2008-06-10 | 2011-07-19 | National University Of Ireland, Galway | Similarity index: a rapid classification method for multivariate data arrays |
US8745361B2 (en) | 2008-12-02 | 2014-06-03 | Microsoft Corporation | Sandboxed execution of plug-ins |
US8687685B2 (en) | 2009-04-14 | 2014-04-01 | Qualcomm Incorporated | Efficient transcoding of B-frames to P-frames |
US8164507B2 (en) * | 2009-04-21 | 2012-04-24 | Raytheon Company | Fusing multi-sensor data to provide estimates of structures |
US8571696B2 (en) * | 2009-06-10 | 2013-10-29 | Fisher-Rosemount Systems, Inc. | Methods and apparatus to predict process quality in a process control system |
US9323234B2 (en) | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
US8538167B2 (en) * | 2010-01-07 | 2013-09-17 | Raytheon Company | Designating corridors to provide estimates of structures |
US8290741B2 (en) * | 2010-01-13 | 2012-10-16 | Raytheon Company | Fusing multi-sensor data sets according to relative geometrical relationships |
US8271224B2 (en) * | 2010-01-13 | 2012-09-18 | Raytheon Company | Fusing structures from multi-sensor data |
US8768668B2 (en) * | 2012-01-09 | 2014-07-01 | Honeywell International Inc. | Diagnostic algorithm parameter optimization |
JP6262137B2 (ja) * | 2012-09-26 | 2018-01-17 | 株式会社日立国際電気 | 統合管理システム、管理装置、基板処理装置の情報表示方法及びプログラム |
US8855968B1 (en) * | 2012-12-10 | 2014-10-07 | Timothy Lynn Gillis | Analytical evaluation tool for continuous process plants |
CN103310095A (zh) * | 2013-05-10 | 2013-09-18 | 广州市香港科大霍英东研究院 | 间歇过程质量指标软测量方法 |
US9411917B2 (en) * | 2014-03-26 | 2016-08-09 | Xerox Corporation | Methods and systems for modeling crowdsourcing platform |
CA2975591C (en) * | 2015-03-04 | 2020-08-25 | Landmark Graphics Corporation | Path optimization in production network systems |
US11688487B2 (en) * | 2019-07-31 | 2023-06-27 | X Development Llc | Scalable experimental workflow for parameter estimation |
CN111104736B (zh) * | 2019-12-13 | 2021-07-13 | 北京瑞莱智慧科技有限公司 | 基于时间序列的异常数据检测方法、装置、介质和设备 |
CN110928262B (zh) * | 2019-12-17 | 2022-11-15 | 中国人民解放军火箭军工程大学 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
US11542564B2 (en) * | 2020-02-20 | 2023-01-03 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and hybrid system for cell metabolism state observer |
CN112631258B (zh) * | 2020-12-29 | 2021-11-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
CN113239187B (zh) * | 2021-04-13 | 2024-05-14 | 鹏城实验室 | 一种基于多层级工业结构知识块划分的监测方法 |
CN117169804B (zh) * | 2023-11-02 | 2024-01-12 | 华中科技大学 | 基于合电流矢量分析的电流互感器误差状态在线辨识方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991002975A1 (en) * | 1989-08-21 | 1991-03-07 | The Board Of Regents Of The University Of Washington | Multiple-probe diagnostic sensor |
SE9304246L (sv) | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5602755A (en) * | 1995-06-23 | 1997-02-11 | Exxon Research And Engineering Company | Method for predicting chemical or physical properties of complex mixtures |
US5699270A (en) * | 1995-06-23 | 1997-12-16 | Exxon Research And Engineering Company | Method for preparing lubrication oils (LAW232) |
US5699269A (en) * | 1995-06-23 | 1997-12-16 | Exxon Research And Engineering Company | Method for predicting chemical or physical properties of crude oils |
-
2000
- 2000-03-23 GB GBGB0007063.1A patent/GB0007063D0/en not_active Ceased
-
2001
- 2001-03-19 GB GB0106704A patent/GB2365131B/en not_active Expired - Lifetime
- 2001-03-23 US US09/815,274 patent/US7062417B2/en not_active Expired - Lifetime
- 2001-03-23 DE DE10114211A patent/DE10114211A1/de not_active Ceased
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7162312B2 (en) | 2003-09-24 | 2007-01-09 | Siemens Aktiengesellschaft | Method, system and device for predictive error recognition in a plant |
WO2006034179A2 (en) * | 2004-09-17 | 2006-03-30 | Mks Instruments, Inc. | Method and apparatus for multivariate control of semiconductor manufacturing processes |
WO2006034179A3 (en) * | 2004-09-17 | 2006-05-18 | Mks Instr Inc | Method and apparatus for multivariate control of semiconductor manufacturing processes |
US7151976B2 (en) | 2004-09-17 | 2006-12-19 | Mks Instruments, Inc. | Multivariate control of semiconductor processes |
US7809450B2 (en) | 2005-07-07 | 2010-10-05 | Mks Instruments, Inc. | Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments |
WO2007047649A1 (en) * | 2005-10-19 | 2007-04-26 | Honeywell International Inc. | Predictive correlation model system |
US8271103B2 (en) | 2007-05-02 | 2012-09-18 | Mks Instruments, Inc. | Automated model building and model updating |
US8494798B2 (en) | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US9069345B2 (en) | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
US8855804B2 (en) | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
Also Published As
Publication number | Publication date |
---|---|
GB0007063D0 (en) | 2000-05-10 |
US7062417B2 (en) | 2006-06-13 |
GB0106704D0 (en) | 2001-05-09 |
US20020072882A1 (en) | 2002-06-13 |
GB2365131A (en) | 2002-02-13 |
GB2365131B (en) | 2004-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10114211A1 (de) | Mehrdimensionale Monitore für statistische Prozesse | |
Zhao et al. | Fault-relevant principal component analysis (FPCA) method for multivariate statistical modeling and process monitoring | |
DE10212909B4 (de) | VERFAHREN UND GERÄT ZUM BEWERTEN EINES PROZESSES UND VERFAHREN UND GERÄT ZUM IDENTIFIZIEREN VON ZUMINDEST EINER NEUEN STÖRGRÖ-ßENVARIABLEN IN EINEM PROZESSREGELKREIS | |
Yoon et al. | Principal‐component analysis of multiscale data for process monitoring and fault diagnosis | |
DE69724555T2 (de) | Diagnostische Tendenzanalyse für Flugzeugtriebwerke | |
DE102007063915B4 (de) | Prozesssteuerungs- und Optimierungstechnik unter Verwendung immunologischer Konzepte | |
DE60005861T2 (de) | Verfahren und system zur analyse von kontinuirlichen parameterdaten für diagnostik und reparaturen | |
AlGhazzawi et al. | Model predictive control monitoring using multivariate statistics | |
EP0789864B1 (de) | Überwachungssystem für eine technische anlage | |
Choi et al. | Nonlinear multiscale modelling for fault detection and identification | |
Harper et al. | Curtin industrial safety trial: Managerial behavior and program effectiveness | |
EP3232282A1 (de) | Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage | |
DE102017121225A1 (de) | Verfahren zur verbesserung von prozess-/einrichtungsstörungsdiagnose | |
Melo et al. | Open benchmarks for assessment of process monitoring and fault diagnosis techniques: A review and critical analysis | |
Kai et al. | Plant-wide quantitative assessment of a process industry system’s operating state based on color-spectrum | |
Li et al. | Multiple sensor fault diagnosis for dynamic processes | |
EP4060433A1 (de) | Verfahren und system zur prädiktion des betriebs einer technischen anlage | |
Li et al. | New approaches to cognitive work analysis through latent variable modeling in mining operations | |
Chen et al. | Analysis of extended partial least squares for monitoring large-scale processes | |
Raich et al. | Statistical process monitoring and disturbance isolation in multivariate continuous processes | |
Martin et al. | Multivariate statistics and neural networks in process fault detection | |
Zhong et al. | A Quality-related Fault Detection Method Based on Weighted Mutual Information | |
Sánchez-Fernández et al. | Decentralized and dynamic fault detection using PCA and bayesian inference | |
EP0843844B1 (de) | Verfahren zur analyse von prozessignalen einer technischen anlage, insbesondere einer kraftwerksanlage | |
Ramachandran et al. | Data analysis, modeling and control performance enhancement of an industrial fluid catalytic cracking unit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8127 | New person/name/address of the applicant |
Owner name: THE VICTORIA UNIVERSITY OF MANCHESTER, MANCHESTER, |
|
8127 | New person/name/address of the applicant |
Owner name: PERCEPTIVE ENGINEERING LTD., LYMM, CHESHIRE, GB |
|
8110 | Request for examination paragraph 44 | ||
8131 | Rejection |