DE102008045840B4

DE102008045840B4 - Verfahren zum Betreiben einer Prozess-Messstelle

Info

Publication number: DE102008045840B4
Application number: DE102008045840.6A
Authority: DE
Inventors: Thomas Alber; Markus Grube; Ralf Mikut; Prof. Dr. Bretthauer Georg
Original assignee: Endress and Hauser Conducta GmbH and Co KG
Current assignee: Endress and Hauser Conducta GmbH and Co KG
Priority date: 2008-09-05
Filing date: 2008-09-05
Publication date: 2023-11-02
Anticipated expiration: 2028-09-06
Also published as: DE102008045840A1

Abstract

Verfahren zum Betreiben einer Prozess-Messstelle (1, 2, 3) zum Bestimmen mindestens eines Prozessparameters in einem chemischen oder verfahrenstechnischen Prozess,wobei die Prozess-Messstelle (1, 2, 3) mindestens einen im Betrieb auf den mindestens einen Prozessparameter reagierenden Messaufnehmer (21, 22, 23) und mindestens eine im Betrieb mit dem Messaufnehmer kommunizierende Datenverarbeitungseinheit (243, 112, 30) umfasst,umfassend die Schritte:Erzeugen mindestens eines Messsignals mittels des Messaufnehmers (21, 22, 23);Ermitteln eines dem mindestens einen Messsignal entsprechenden Messwerts des Prozessparameters;Erzeugen eines Identifikationsparametersatzes, der eine Prozessklasse des chemischen oder verfahrenstechnischen Prozesses enthält, anhand des mindestens einen Messignals oder des mindestens einen Messwerts des Prozessparameters unter Verwendung mindestens eines Klassifikators aus der Gruppe enthaltend Hidden Markov Modelle.

Description

Die Erfindung betrifft ein Verfahren zum Betreiben einer Prozess-Messstelle zum Bestimmen eines Werts mindestens eines Prozessparameters in einem chemischen oder verfahrenstechnischen Prozess.
In der industriellen Prozess-Messtechnik werden, insbesondere auch im Zusammenhang mit der Automation chemischer oder verfahrenstechnischer Prozesse und/oder der automatisierten Steuerung von industriellen Anlagen, prozessnah installierte Messgeräte, so genannte Feldmessgeräte, eingesetzt, die der Erzeugung von chemischen und/oder physikalischen Prozessparametern - analog oder digital - repräsentierenden Messwerten sowie diese letztlich tragenden, beispielsweise auch als Datentelegramme ausgebildeten, Messsignalen dienen. Bei den jeweils zu erfassenden Prozessparametern kann es sich beispielsweise um Eigenschaften eines Prozessmediums, z.B. pH-Wert, Temperatur, eine Konzentration eines Analyten, z.B. eines in einer Flüssigkeit gelösten Gases oder einer in Lösung vorliegenden ionischen Substanz, Leitfähigkeit, Trübung oder spektrale Eigenschaften des Prozessmediums handeln.
Zum Erfassen der jeweiligen Prozessparameter weisen Messstellen jeweils mindestens einen entsprechenden physikalisch-elektrischen oder chemisch-elektrischen Messaufnehmer auf. Der mindestens eine Messaufnehmer ist zumeist in eine Wandung des das Medium jeweils führenden Behälters oder der in den Verlauf einer das Messmedium führenden Leitung eingesetzt und dient dazu, wenigstens ein mit dem zu erfassenden Prozessparameter entsprechend korresponierendes elektrisches Messsignal zu erzeugen. Durch das Installieren des Messaufnehmers an und/oder in einem dem Führen und/oder Vorhalten von Medien dienenden Prozessgefäß wird eine Prozess-Messstelle, oder kurz Messstelle, gebildet. Der Messaufnehmer ist mit einer Datenverarbeitungseinheit verbunden, die zur Verarbeitung der vom Messaufnehmer erzeugten Messsignale dient. Diese Datenverarbeitungseinheit kann beispielsweise zumindest teilweise zusammen mit mindestens einem Teil der Messelektronik in einer Basiseinheit, beispielsweise einem Messumformer, untergebracht sein. Dabei kann auch ein Teil der Messelektronik und ein Teil der Datenverarbeitungseinheit in einer Sensoreinheit untergebracht sein, die auch den Messaufnehmer umfasst. Diese Sensoreinheit kann über eine Schnittstelle mit der Basiseinheit lösbar verbunden werden. Eine Messstelle kann auch über mehrere Messaufnehmer verfügen, so dass eine Messstelle nicht notwendigerweise auf einen einzelnen Prozessparameter oder ein einziges Messsignal beschränkt ist.
DE 199 14 277 A1 offenbart ein Verfahren zum Betreiben einer Prozess-Messstelle zur Erfassung der Klassen von System-oder Prozeßzuständen in technologischen Prozessen über ein Multisensorarray, das zur Beeinflussung nach-geschalteter Prozesse dient.
Bei Messstellen der vorgenannten Art ist die jeweilige Messgerätelektronik üblicherweise über entsprechende elektrische Leitungen und/oder drahtlos per Funk mit einem von der Messstelle zumeist räumlich entfernt angeordneten und zumeist auch räumlich verteilten übergeordneten elektronischen Datenverarbeitungssystem elektrisch verbunden, an das die vom jeweiligen Feldmessgerät erzeugten Messwerte mittels eines diese entsprechend tragenden Messwertesignals weitergegeben werden.
Messstellen sind zudem üblicherweise mittels eines innerhalb des übergeordneten Datenverarbeitungssystems vorgesehenen - leitungsgebundenen und/oder funkbasierten - Datenübertragungsnetzwerks miteinander und/oder mit entsprechenden elektronischen Prozesssteuerungen verbunden, beispielsweise vor Ort installierte speicherprogrammierbare Steuerungen oder in einer entfernten Leitwarte installierte Prozess-Leitrechnern, wohin die in geeigneter Weise digitalisierten und entsprechend codierten Messwerte weitergesendet werden. Mittels Prozess-Leitrechner können, unter Verwendung entsprechend installierter Softwarekomponenten, die übertragenen Messwerte weiterverarbeitet und als entsprechende Messergebnsisse z.B. auf Monitoren visualisiert werden. Zur Datenübertragung dienen in solchen industriellen Datenverarbeitungssystemen zumindest abschnittsweise insbesondere serielle Feldbusse, wie z.B. FOUNDATION FIELDBUS, CAN, CAN-OPEN RACKBUS-RS 485, PROFIBUS etc. , oder beispielsweise auch Netzwerke auf Basis des ETHERNET-Standards sowie die entsprechenden, zumeist anwendungsübergreifend standardisierten Übertragungs-Protokolle.
Es gibt eine Reihe von Anwendungen, bei denen es wünschenswert sein kann, bei Initialisierung der Messstelle oder während des laufenden Betriebs Informationen über spezifische Umgebungsbedingungen im Bereich der Messstelle zur Verfügung zu stellen und beispielsweise an eine übergeordnete Einheit weiterzuleiten. Diese Informationen können beispielsweise Informationen über die Art des laufenden Prozesses oder die Umgebungssituation des Messaufnehmers, wie dessen Einbaulage, dessen Nähe zu einem Störer wie einem Ventil, einer Pumpe, einem Rührer oder dergleichen, Eigenschaften eines im Prozessgefäß befindlichen Mediums, insbesondere dessen chemische Zusammensetzung, sein.
Eine erste Anwendung ist beispielsweise die Prozessdiagnose selbst. Hier stellt sich häufig das Problem, aus einem oder mehreren Sätzen von Messwerten eines oder mehrerer unterschiedlicher Prozessparameter, die an einer oder mehreren Messstellen erfasst werden, Störungen des Prozesses zu erkennen. Störungen des Prozesses treten beispielsweise in Form von defekten Geräten oder nicht korrekt arbeitenden Software-Routinen auf, die beispielsweise nicht im korrekten Modus arbeiten. Solche und andere Störungen führen häufig dazu, dass der Prozess nicht optimal verläuft. Eine wichtige Aufgabe der Prozessdiagnose besteht deshalb darin, aus den von einem oder mehreren Messaufnehmern oder von einer oder mehreren Messstellen ermittelten Prozessparametern den Zustand des laufenden Prozesses zu ermitteln und idealerweise bei einer Abweichung von einem Soll-Prozesszustand auf die Ursache der Abweichung zurückzuschließen.
Eine zweite Anwendung, bei der es wünschenswert ist, messstellen- bzw. prozessspezifische Informationen zur Verfügung zu stellen, ist die Sensordiagnose. Physikalisch-elektrische oder chemisch-elektrische Messaufnehmer weisen häufig eine veränderliche Übertragungsfunktion auf. Dies gilt insbesondere für pH-Elektroden, die von Zeit zu Zeit neu kalibriert werden müssen oder für Gassensoren, wie z.B. amperometrische O₂-Sensoren, welche eine Membran aufweisen, die von Zeit zu Zeit ausgetauscht werden muss. Grundsätzlich müssen auch weniger empfindliche Messaufnehmer wie Trübungssensoren, Leitfähigkeitssensoren oder photometrische Sensoren von Zeit zu Zeit gewartet oder zumindest gereinigt werden, um eine stabile Messgenauigkeit zu gewährleisten. Die Zeitintervalle zwischen den Wartungsmaßnahmen schwanken jedoch selbst bei Sensoren gleichen Typs von Messstelle zu Messstelle und von Kalibrierung zu Kalibrierung.
Aus dem Stand der Technik sind insbesondere für pH-Sensoren verschiedene Ansätze bekannt, um brauchbare Prognosen für den nächsten Kalibrierzeitpunkt bzw. die Reststandzeit des Sensors abzuschätzen, z.B. unter Verwendung einer Trendanalyse von Kalibrierdaten des einzelnen Sensors oder mittels der Summierung von Belastungsäquivalenten, denen der Sensor an einer spezifischen Messstelle ausgesetzt ist oder eine Kombination dieser Ansätze. Derartige Verfahren sind z.B. in den Offenlegungsschriften DE 10 2004 012 420 A1 , DE 10 2004 063 468 A1 und DE 10 2004 063 469 A1 beschrieben. Bei diesen Ansätzen zur Planung von Kalibrier- bzw. Wartungsmaßnahmen und zur Prognose von Reststandzeiten zeichnet sich jedoch ab, dass diese modellbasierten Vorgehensweisen letztlich von Messstelle zu Messstelle schwanken, da sie von den jeweils vorherrschenden Umgebungsbedingungen und den Eigenschaften des aktuellen Prozesses abhängig sind.
Um die Prognosen weiter zu verbessern, müssten daher entweder jeder Messstelle ein eigenes Modell zur vorausschauenden Wartung zur Verfügung gestellt werden, oder ein umfassendes Modell für die Alterung von Sensoren aufgestellt werden, das alle messstellenspezifischen Parameter berücksichtigt. Da die Zahl relevanter Parameter jedoch unübersichtlich groß ist, erscheint eine Überfrachtung der Datenverarbeitungseinheit der Sensoreinheit oder der mit der Sensoreinheit verbundenen Basiseinheit unzweckmäßig, insbesondere da einer Basis- oder einer Sensoreinheit nur eine begrenzte elektrische Leistung bzw. nur ein limitierter Daten- und Programmspeicher zur Verfügung steht.
Um der Messstelle dagegen eine speziell auf die Eigenschaften der Messstelle angepasste Diagnoseroutine zur Verfügung zu stellen, wird ein nicht unerheblicher logistischer Aufwand benötigt, da die messstellenspezifischen Eigenschaften zunächst bestimmt und anhand dieser Eigenschaften eine geeignete Diagnoseroutine ausgewählt und der der Messstelle zugehörigen Datenverarbeitungseinheit zur Verfügung gestellt werden muss. Es wäre daher vorteilhaft, wenn der Messstelle ein automatisches Verfahren zur Verfügung stünde, mit dem auf die Art des Prozesses und/oder auf Eigenschaften der Messstelle rückgeschlossen werden kann.
Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren zum Betreiben einer Messstelle anzugeben, welches den zuvor geschilderten Anforderungen gerecht wird. Insbesondere soll das Verfahren auf der Basis von mittels mindestens eines Messaufnehmers erfassten Messsignalen oder daraus generierten Messwerten von Prozessparametern, Rückschlüsse auf den aktuell laufenden Prozesses und/oder auf spezifische Eigenschaften, insbesondere Umgebungsbedingungen, der Messstelle erlauben, insbesondere ohne dass zusätzliche Informationen von außen, beispielsweise von einer Bedienperson bereitgestellte Informationen erforderlich sind.
Diese Aufgabe wird gelöst durch ein Verfahren zum Betreiben einer Prozess-Messstelle zum Bestimmen mindestens eines Prozessparameters in einem chemischen oder verfahrenstechnischen Prozess,
wobei die Prozess-Messstelle mindestens einen im Betrieb auf den mindestens einen Prozessparameter reagierenden Messaufnehmer, und mindestens eine im Betrieb mit dem Messaufnehmer kommunizierende Datenverarbeitungseinheit umfasst,
mit den Schritten:

Erzeugen mindestens eines Messsignals mittels des Messaufnehmers, Ermitteln eines dem mindestens einen Messsignal entsprechenden Messwerts des Prozessparameters;
Erzeugen eines Identifikationsparametersatzes, der eine Prozessklasse des chemischen oder verfahrenstechnischen Prozesses enthält, anhand des mindestens einen Messsignals oder des mindestens einen Messwerts des Prozessparameters unter Verwendung mindestens eines Klassifikators aus der Gruppe enthaltend Hidden Markov Modelle,.

Der Identifikationsparametersatz, der automatisch anhand der Messsignale des Messaufnehmers oder daraus ermittelter Messwerte des zugehörigen Prozessparameters mittels eines der genannten Klassifikatoren erzeugt wird, enthält somit Parameter, die den vorliegenden Prozess oder weitere Eigenschaften der Messstelle charakterisieren. Um diesen Identifikationsparametersatz zu erhalten, ist es nicht notwendig, diese Informationen vor der Initialisierung der Messstelle bereit zu halten oder im Betrieb der Messstelle gegebenenfalls zu ändern, falls sich am Prozess oder den Umgebungsbedingungen der Messstelle etwas ändert.
Dieses Verfahren ist daher für die zuvor beschriebene Anwendung in der Prozessdiagnose geeignet. Der Klassifikator ordnet in diesem Fall den Messsignalen oder Messwerten eine Prozessklasse zu, die beispielsweise einer von mehreren, gegebenenfalls zuvor hinterlegten, Varianten eines chemischen oder verfahrenstechnischen Prozesses entspricht. Die Varianten können beispielsweise verschiedene Varianten eines Soll-Prozesses umfassen. Weitere hinterlegte Prozessklassen können auch Varianten des Prozesses repräsentieren, die sich bei verschiedenen Arten von typischen Störungen ergeben. Enthält der Identifikationsparametersatz eine solche Prozessklasse, die einen durch eine bestimmte Art von Störung gestörten Prozess repräsentiert, kann aus dem Identifikationsparametersatz direkt auf die Art der Störung geschlossen werden.
Auch für die zuvor beschriebene Anwendung in der Sensordiagnose ist das Verfahren geeignet. In dieser Anwendung ordnet der Klassifikator den Messsignalen oder Messwerten eine Prozessklasse zu, die einer von mehreren Varianten eines chemischen oder verfahrenstechnischen Prozesses entspricht, die jeweils den Messaufnehmer in unterschiedlichem Ausmaß belasten. Je nach Prozessklasse können der Messstelle dann unterschiedliche Arten von Diagnoseparametern oder Software-Routinen für die Diagnose-Anwendung, z.B. zur vorausschauenden Wartung zur Verfügung gestellt werden.
In einer vorteilhaften Weiterbildung umfasst der Identifikationsparametersatz weiterhin mindestens einen eine spezifische Eigenschaft der Messstelle repräsentierenden Parameter, wobei die Eigenschaft der Messstelle insbesondere eine Umgebungssituation des Messaufnehmers, wie dessen Einbaulage, dessen Nähe zu einem Störer, wie einem Ventil, einer Pumpe, einem Rührer oder dergleichen, und/oder ein im Prozessgefäß befindliches Medium, insbesondere dessen chemische Zusammensetzung ist.
In einer Ausgestaltung des Verfahrens erfolgt das Erzeugen des Identifikationsparametersatzes in einer Datenverarbeitungseinheit einer mit dem Messaufnehmer insbesondere über eine Schnittstelle verbundene Basiseinheit oder in einer externen der Messstelle zugeordneten Datenverarbeitungseinheit. Unter einer externen Datenverarbeitungseinheit ist eine Datenverarbeitungseinheit außerhalb der Messstelle gemeint, beispielsweise eine Datenverarbeitungseinheit einer übergeordneten Einheit, wie ein Zentralrechner oder eine Leitwarte oder ein externer Kalibrierrechner.
In einer Weiterbildung dieser Verfahrensausgestaltung kommuniziert die Datenverarbeitungseinheit der Basiseinheit oder die der Messstelle zugeordnete externe Datenverarbeitungseinheit den Identifikationsparametersatz oder daraus abgeleitete Informationen an eine übergeordnete Einheit, insbesondere an ein mit der Messstelle in Verbindung stehendes Leitsystem oder eine Kalibrierstelle. Auf Basis des Identifikationsparametersatzes oder daraus abgeleiteten Informationen kann das Leitsystem oder die Kalibrierstelle beispielsweise geeignete Softwaremodule, z.B. mit Diagnoseroutinen für die Sensordiagnose und/oder weitere Softwaremodule mit spezifisch auf die Eigenschaften der Messstelle angepassten Betriebsroutinen für die Datenverarbeitungseinheit der Basiseinheit und/oder für die Datenverarbeitungseinheit einer den Messaufnehmer umfassenden Sensoreinheit bereitstellen und gegebenenfalls an diese übertragen.
Den Identifikationsparametersatz kann die übergeordnete Einheit aber auch zur Analyse des laufenden Prozesses heranziehen und beispielsweise Störungen des Prozesses sowie ihre Ursachen identifizieren. Ergibt die Analyse eine Störung, kann die übergeordnete Einheit für die Ausgabe eines Alarms an einer Prozessleitwarte sorgen oder automatisch Maßnahmen zur Behebung der Störung einleiten.
In einer vorteilhaften Ausgestaltung des Verfahrens wird durch wiederholtes Erfassen von Messsignalen des mindestens einen Messaufnehmers eine zeitliche Abfolge von Messsignalen des Messaufnehmers oder Messwerten des mindestens einen Prozessparameters ermittelt, um anhand dieser den Identifikationsparametersatz zu erzeugen. Das Ermitteln einer zeitlichen Abfolge von Messsignalen erlaubt dem Klassifikator in der Regel eine eindeutigere und sicherere Bestimmung der zugehörigen Prozessklasse oder sonstiger Parameter des Identifikationsparametersatzes.
In einer weiteren Ausgestaltung umfasst der Schritt des Erzeugens des Identifikationsparametersatzes mittels eines Klassifikators Schritte des Vergleichens eines oder einer zeitlichen Abfolge von mehreren Messsignalen oder Messwerten mit einem oder mehreren Signal-Prototypen oder Messwert-Prototypen.
Beispielsweise können als Signal-Prototypen oder Messwert-Prototypen zeitliche Abfolgen von Signalwerten oder Messwerten hinterlegt sein, die an der Messstelle bei Vorliegen einer bestimmten Prozessklasse typischerweise auftreten. Durch Vergleich der aktuell erfassten Messsignale oder Messwerte der Messstelle mit den Signal- bzw. Messwert-Prototypen kann die zum aktuellen Prozess bzw. zur aktuellen Messstellen-Umgebung zugehörige Prozessklasse ermittelt werden.
In einer Weiterbildung dieser Ausgestaltung können die Signal-Prototypen oder die Messwert-Prototypen für verschiedene Prozessklassen von chemischen oder verfahrenstechnischen Prozessen und/oder für verschiedene Einbausituationen des Messumformers und/oder für verschiedene Prozessmedien ermittelt und klassifiziert worden sein. Diese zuvor ermittelten Signal-Prototypen können zusammen mit den zugehörigen Prozessklassen in einer Speichereinheit der Basiseinheit der Messstelle oder in einer externen Datenverarbeitungseinheit vorgehalten werden, beispielsweise in einer Speichereinheit des Prozessleitsystems oder einer Kalibriereinheit.
In einer weiteren Ausgestaltung wird der mindestens eine Messwert oder das mindestens eine Messsignal oder die zeitliche Abfolge von Messwerten oder Messsignalen zu vorgegebenen Messsignal- oder Messwert-Clustern zugeordnet und aus der Zuordnung ein Ausgabedatensatz generiert, der insbesondere mindestens einen Ausgabewert oder eine Folge von Ausgabewerten enthält, die die Zuordnung des mindestens einen Messwerts oder der zeitlichen Abfolge von Messwerten zu den Messsignal- oder Messwert-Clustern repräsentieren.
Die Messsignal- oder Messwert-Cluster können entweder fest vorgegeben sein oder erst anhand der ermittelten Messsignale bzw. Messwerte mittels eines Clusteranalyseverfahrens ermittelt werden. Die Clusteranalyse kann mit bekannten Clusteralgorithmen, wie sie z.B. aus F. Höppner, F. Klawonn, R. Kruse, T. Runkler, Fuzzy Cluster Analysis, John Wiley & Sons, 1999, bekannt sind, entweder offline in einer externen Datenverarbeitungseinheit oder online in der Datenverarbeitungseinheit der Basiseinheit der Messstelle oder in einer übergeordneten Einheit oder in einer sonstigen der Messstelle zugeordneten externen Datenverarbeitungseinheit erfolgen.
Vorgegebene Cluster können beispielsweise auf Erfahrungswerten aus früheren Messungen der Messstelle oder einer ähnlichen Referenz-Messstelle basieren. Sie können aber auch willkürlich derart festgelegt werden, dass sie den gesamten möglichen Parameterraum der zu erwartenden Messsignale bzw. Messwerte abdecken.
In einer Ausgestaltung des Verfahrens dienen der mindestens eine Ausgabewert oder die Folge von Ausgabewerten, die die Zuordnung des mindestens einen Messwerts oder der zeitlichen Abfolge von Messwerten zu den Messsignal- oder Messwert-Clustern repräsentieren, als Eingabewerte für den Klassifikator.
In einer Ausgestaltung des Verfahrens umfasst der Schritt des Erzeugens des Identifikationsparamtersatzes mittels eines Klassifikators einen Schritt des Bestimmens einer Wahrscheinlichkeit, mit welcher der Ausgabewert oder die Folge von Ausgabewerten jeweils einem Hidden Markov Modell aus einem Satz von mehreren vorgegebenen Hidden Markov Modellen zugeordnet ist, wobei die mehreren vorgegebenen Hidden Markov Modelle jeweils unterschiedliche Prozessklassen von chemischen oder verfahrenstechnischen Prozessen repräsentieren.
In einer Weiterbildung dieser Ausgestaltung wird diejenige Prozessklasse in den Identifikationsparametersatz aufgenommen, die von demjenigen Hidden Markov Modell repräsentiert wird, das dem Ausgabewert oder der Folge von Ausgabewerten mit der höchsten Wahrscheinlichkeit zugeordnet ist.
In einer vorteilhaften Ausgestaltung ist mindestens eines der vorgegebenen Hidden Markov Modelle ein mit Hilfe eines Estimation/Maximization-Algorithmus (EM-Algorithmus), insbesondere eines Baum-Welch-Algorithmus, auf der Basis von vorgegebenen, für einen Prozess der dem Hidden Markov Modell zugeordneten Prozessklasse charakteristischen Messsignalen oder Messwerten des mindestens einen Prozessparameters trainiertes Hidden Markov Modell.
Der Messaufnehmer kann bei all diesen Ausgestaltungen ein pH-Sensor, umfassend eine pH-Glas- oder Halbleiterelektrode, ein elektrochemischer Gassensor, wie z.B. ein amperometrischer Sauerstoffsensor oder ein potentiometrischer CO₂-Sensor, ein Trübungssensor, ein Spektrometer, ein Leitfähigkeitssensor oder ein photometrischer Sensor, insbesondere ein optischer Sauerstoffsensor, sein. Insbesondere kann die Messstelle mehrere Messaufnehmer beispielsweise einen ersten Messaufnehmer zur Erfassung eines pH-Wertes und/oder eines Redox-Potentials des Prozessmediums und einen zweiten Messaufnehmer zur Erfassung einer Temperatur umfassen. In diesem Fall kann die Erzeugung des Identifikationsparametersatzes anhand von Messwerten für verschiedene Prozessparameter, nämlich im Beispielfall pH-Wert und Temperatur, erfolgen. Die oben erwähnten Messwert-Cluster repräsentieren in diesem Fall Kombinationen von Prozessparametern, wie im Beispielfall pH- und Tem peratur-Messwerte.
In einer Ausgestaltung des Verfahrens können, wie weiter oben ausgeführt, aus dem Identifikationsparametersatz, insbesondere aus der im Identifikationsparametersatz enthaltenen Prozessklasse, Informationen über den Zustand des Prozesses abgeleitet werden.
In einer anderen Ausgestaltung des Verfahrens, die der Sensordiagnose dient, kann unter Verwendung des Identifikationsparametersatzes ein Zeitintervall ermittelt werden, nach dem eine Wartungsmaßnahme für den Messaufnehmer durchzuführen ist.
Zu diesem Zweck kann in der Datenverarbeitungseinheit, die im Betrieb mit dem Messaufnehmer kommuniziert oder in einer übergeordneten Einheit, insbesondere einem Prozessleitsystem oder einer Kalibriereinheit ein vorkonfektionierter Satz von messstellen- und/oder prozessklassenspezifischen Zeitintervallen für Wartungsmaßnahmen für den Messaufnehmer hinterlegt sein, und das Zeitintervall, nach dem eine Wartungsmaßnahme des Messaufnehmers durchzuführen ist, unter Verwendung der im Identifikationsparametersatz enthaltenen Prozessklasse und/oder weiteren im Identifikationsparametersatz enthaltenen spezifische Eigenschaft der Messstelle repräsentierenden Parametern ausgewählt werden.
Die Wartungsmaßnahmen für den Messaufnehmer können beispielsweise eine Kalibrierung, eine Reinigung, eine Regenerierung, z.B. einer pH-Glaselektrode, einen Austausch eines Teils des Messaufnehmers, insbesondere einer Membran, oder einen Austausch des Messaufnehmers umfassen.
In einer weiteren Verfahrensvariante kann wenigstens ein in einem Speicher der Basiseinheit oder in einem Speicher einer externen mit der Basiseinheit kommunizierenden Datenverarbeitungseinheit oder in einem Speicher einer übergeordneten Einheit vorgehaltenes Softwaremodul, das insbesondere prozess- oder messstellenspezifische Custom-Funktionalitäten für die Messstelle bereitstellt, aus einem Ensemble von, insbesondere fest vorkonfektionierten oder konfektionierbaren, Softwaremodulen unter Verwendung des Identifikationsparametersatzes bereitgestellt und in einen Speicher der Messstelle übertragen werden. Dieser Speicher kann insbesondere ein Speicher einer Sensoreinheit, die den Messaufnehmers umfasst, aber auch der Datenspeicher der Basiseinheit der Messstelle sein.
Dieses Softwaremodul kann beispielsweise mindestens eine der Funktionalitäten der Gruppe bestehend aus Messstellendiagnose, Prozessdiagnose, Regeln zur Anpassung eines Zeitintervalls bis zur nächsten Kalibrierung und/oder Wartung des Messaufnehmers, Regeln zur Vorhersage der verbleibenden Lebensdauer des Messaufnehmers und Regeln zur vorausschauenden Wartung, umfassen.
Die Erfindung wird nun anhand der in der Zeichnung dargestellten Ausführungsbeispiele näher erläutert. Es zeigt:

1 einen zeitlichen Verlauf der Prozessparameter pH-Wert und Temperatur im Laufe eines Prozesses zur Joghurtherstellung;
2 einen zeitlichen Verlauf der Prozessparameter pH-Wert und Temperatur im Laufe eines Prozesses zur Abwasseraufbereitung;
3 einen zeitlichen Verlauf der Prozessparameter pH-Wert und Temperatur im Laufe eines Gärprozesses;
4 einen zeitlichen Verlauf der Prozessparameter pH-Wert und Temperatur im Laufe eines Maischprozesses;
5 eine Clusterzuordnung von Messwerten der Prozessparameter der in 1 bis 4 dargestellten Prozesse in einem von den Prozessparametern pH-Wert und Temperatur aufgespannten Parameterraum;
6 eine Darstellung des zeitlichen Verlaufs der Zuordnung der Prozessparameter aus 1 zu den in 5 dargestellten Clustern;
7 eine Darstellung des zeitlichen Verlaufs der Zuordnung der Prozessparameter aus 2 zu den in 5 dargestellten Clustern;
8 eine Darstellung des zeitlichen Verlaufs der Zuordnung der Prozessparameter aus 3 zu den in 5 dargestellten Clustern;
9 eine Darstellung des zeitlichen Verlaufs der Zuordnung der Prozessparameter aus 4 zu den in 5 dargestellten Clustern;
10 eine schematische Anordnung einer Prozessüberwachungsanlage;
11 eine schematische Darstellung von Komponenten einer Messstelle;
12 zeitlicher Verlauf der Kalibrierparameter (oben) und zeitlicher Verlauf der mittels Regression jeweils für den nächsten Zyklus geschätzten Kalibrierparameter.

1 bis 4 zeigen den zeitlichen Verlauf der Prozessparameter pH-Wert und Temperatur für vier exemplarische Prozessarten, nämlich für einen Prozess zur Joghurtherstellung (1), einen Prozess zur Abwasseraufbereitung (2), einen Gärprozess (3) und einen Maischprozess (4). Im Folgenden soll die Erzeugung eines Identifikationsparametersatzes in einem Verfahren zum Betreiben einer Messstelle exemplarisch anhand dieser vier - zur Verdeutlichung des Verfahrens absichtlich sehr stark unterschiedlich gewählter - Prozesse beschrieben werden. Jeder dieser vier Prozesse weist einen charakteristischen zeitlichen Verlauf der Prozessparameter pH-Wert und Temperatur auf. Entsprechend wird jeder dieser Prozesse mit seinem charakteristischen zeitlichen Verlauf von pH-Wert und Temperatur durch eine eigene Prozessklasse repräsentiert. Der charakteristische zeitliche Verlauf der Prozessparameter bzw. die zeitliche Abfolge der zugrunde liegenden exemplarischen Messwerte werden auch als Messwert-Prototypen der entsprechenden Prozessklasse bezeichnet.
Erfindungsgemäß ist vorgesehen, dass anhand mittels eines Messaufnehmers ermittelter Messsignale oder Messwerte einer Messstelle, die beispielsweise in einem aktuell laufenden Prozess installiert ist, ein Identifikationsparametersatz erzeugt wird, der mindestens die Prozessklasse des aktuell laufenden Prozesses umfasst. Unter der Prozessklasse ist also im vorliegenden Fall diejenige der vier Prozessklassen (Joghurtherstellung, Abwasseraufbereitung, Gären oder Maischen) zu verstehen, die den aktuellen Prozess am besten repräsentiert. Zu diesem Zweck wird aus den Messsignalen oder Messwerten mit Hilfe eines Klassifikators aus der Gruppe enthaltend Hidden Markov Modelle, neuronale Netzwerke, stochastische kontextfreien Grammatiken, Support Vector Maschinen oder fuzzybasierte Regelwerke eine Einklassifizierung des aktuell vorliegenden Prozesses in eine der vier Prozessklassen vorgenommen. Die Klassifizierung erfolgt dabei im Prinzip durch einen Vergleich der während des aktuell laufenden Prozesses ermittelten Messwerte mit den hinterlegten Messwert-Prototypen der Prozessklassen.
Im Folgenden wird diese Klassifizierung anhand eines Hidden Markov Modells als Klassifikator beschrieben.
In einem ersten Schritt werden während des laufenden zu klassifizierenden Prozesses wiederholt zu Zeitpunkten t_Proc = k_Proc·T_proc, z.B. mit T_proc = 20 s, eine Anzahl n Prozessparameter P (z.B. pH-Wert, Temperatur) erfasst. Zu einem Zeitpunkt t_Proc liegt also ein Satz von Messwerten der n Prozessparameter P vor. Gleichermaßen kann das Verfahren statt auf der Basis der aus den Messsignalen des Messaufnehmers abgeleiteten Messwerten auch direkt auf der Basis der Messsignale, insbesondere der digitalisierten Messsignale des Messaufnehmers durchgeführt werden.
Aus den Messwerten der'n Prozessparameter zu einem Zeitpunkt t_Proc wird ein Vektor P gebildet mit $P [k_{P r o c}] = (P_{1} [k_{P r o c}], \dots, P_{n} [k_{P r o c}]) .$
Um aus den erfassten Messwerten die Prozessklasse p[k_Proc] des aktuellen Prozesses zu bestimmen, wird in einem ersten Schritt eine Zuordnung der Messwerte zu Messwert-Clustern vorgenommen. Diese Messwert-Cluster können beispielsweise vorkonfektioniert und vorgegeben sein, sie können jedoch auch erst anhand der neu erfassten Messwerte anhand einer Cluster-Analyse, die off-line in einer externen Datenverarbeitungseinheit erfolgen kann, mit Hilfe von bekannten ClusterAlgorithmen ermittelt werden. Die Cluster können im einfachsten Fall den durch die untersuchten Prozessparameter, im vorliegenden Fall pH-Wert und Temperatur, aufgespannten Prozessparameterraum, z.B. schachbrettartig, aufteilen oder, insbesondere wenn sie mittels eines Cluster-Algorithmus bestimmt werden, auf die Prozessparameter verschiedener Prozesse abgestimmte Bereiche des Prozessparameterraums repräsentieren wie in 5 dargestellt.
Für die hier betrachteten vier Prozessklassen sind anhand einer Clusteranalyse mit den Messwert-Prototypen der 1 bis 4 insgesamt die in 5 zu erkennenden zehn Cluster gefunden worden, denen die erfassten Wertepaare von pH-Wert und Temperatur eingeordnet werden können. 6 bis 9 zeigen zeitliche Verläufe der Clusterzuordnung (Clusterzahl=Clusterkennzahl) der Messwerte der vier exemplarischen Prozesse. So ist aus 6 zu sehen, dass bei der Joghurtherstellung alle bis zu einem Zeitpunkt von 180 min erfassten Wertepaare von pH-Wert und Temperatur dem Cluster mit der Kennzahl 9 zugeordnet wurden, die in der Zeitspanne zwischen 180 min bis 210 min erfassten Wertepaare in Cluster mit der Kennzahl 1 zugeordnet wurden, danach einige Wertepaare zum Cluster mit der Kennzahl 5 und nach 220 bis zu 235 min erfasste Wertepaare dem Cluster mit der Kennzahl 8 zugeordnet wurden. Nach 240 min erfasste Werte wurden dann dem Cluster mit der Kennzahl 7 zugeordnet. Die Messwerte des Abwasseraufbereitungsprozesses (7) werden nur am Anfang des Prozesses dem Cluster mit der Kennzahl 5 zugeordnet, während nach Ablauf von ca. 100 min sämtliche Messwerte dem Cluster mit der Kennzahl 6 zugeordnet werden. Beim Gärprozess (8) werden fast alle Messwerte mit einer einzigen Ausnahme nach mehr als 8000 min dem Cluster mit der Kennzahl 1 zugeordnet. Beim Maischeprozess (9) wurden während der ersten 115 min alle Messwertepaare dem Cluster mit der Kennzahl 9 zugeordnet. Zwischen 120 und 125 min werden die Messwerte dem Cluster 6 zugeordnet, danach bis zum Ablauf von 150 min dem Cluster mit der Nummer 8. Alle darauf folgenden Messwerte in diesem Prozess wurden dem Cluster mit der Kennzahl 7 zugeordnet.
Es ist zu beachten, dass Messwerte verschiedener Prozesse zum Teil gleichen Clustern zugeordnet werden. So spielt der Cluster mit der Kennzahl 6 sowohl beim Abwasser- als auch beim Maischprozess eine Rolle. Es ist deshalb für die Vergleichbarkeit der in 6 bis 9 gezeigten Clusterkennzahl-Zeit-Verläufe und zur Vermeidung von Mehrdeutigkeiten wichtig, dass alle zehn hier verwendeten Cluster eindeutig bezeichnet sind.
Die im aktuell vorliegenden Prozess erfassten Messwerte von pH-Wert und Temperatur werden in analoger Weise den vorliegenden Clustern - im aktuellen Beispiel gibt es zehn verschiedene Cluster - zugeordnet. Aus der Zuordnung ergibt sich eine Reihenfolge von Ausgabewerten ähnlich der in 6 bis 9 gezeigten zeitlichen Abfolge von Clusterkennzahlen. Im nächsten Verfahrensschritt wird aus diesen Ausgabewerten die Prozessklasse des aktuell vorliegenden Prozesses ermittelt.
Dies kann mit Hilfe eines Klassifikators auf der Basis von Hidden Markov Modellen (im Folgenden kurz HMM) erfolgen. Ein HMM ist ein stochastisches Modell für die Verteilung einer Anzahl von Zufallsvariablen {O₁,...,O_t,...,O_T, X₁,...,X_t,...,X_T}, wobei die Ot den Ausgabewerten, hier also der zeitlichen Abfolge von Clusterkennzahlen, und die Xt den Zuständen des HMM entsprechen. Da die Zustände des Markov Modells nicht direkt sichtbar sind, werden sie als „verborgene“ (hidden) Zustände bezeichnet.
Ein HMM kann als Quintupel <S, K, Π, A, B> betrachtet werden, wobei S die Anzahl der Zustände, K das Ausgabealphabet, Π die Anfangswahrscheinlichkeit mit Π(X_t) Wahrscheinlichkeit, dass Xt der Startzustand ist, A die Zustandsübergangsmatrix und B die Menge der Ausgabewahrscheinlichkeitsdichten angibt.
Mit den in 6 bis 9 gezeigten Abfolgen von Clusterkennzahlen für jeden der vier exemplarischen Prozesse als Ausgabewerten Ot ε K und ausgewählten Zuständen Xt ε S können die übrigen Parameter des Modells µ=(A, B, Π) mit Hilfe eines bekannten Estimation/Maximization-(EM-) Algorithmus, z.B. eines Baum-Welch Algorithmus, ermittelt werden. Dieses Verfahren bezeichnet man auch als „trainieren“ des HMM. Auf diese Weise wird für jeden der vier exemplarischen Prozesse ein HMM erhalten.
Um die Ähnlichkeit der in einem aktuell vorliegenden Prozess ermittelten Messwerte bzw. der daraus abgeleiteten zeitlichen Abfolge von Clusterkennzahlen mit einem der vier HMMs zu ermitteln, kann der Wert einer sog. Likelihood Funktion $L (μ | O, X) = P (O, X | μ)$
der ermittelten Clusterkennzahlen für jedes der HMMs bestimmt werden. Da viele Wahrscheinlichkeitsdichteverteilungen exponentieller Natur sind, ist es sinnvoll, eine logarithmische Likelihood Funktion $L L (X) = log L (μ | O, X)$
zu bestimmen.
Tabelle 1 zeigt die Werte der logarithmischen Likelihood Funktion, sog. Log-Likelihood-Werte für einen Beispielfall, bei dem der aktuell laufende Prozess ein Maischeverfahren ist, für drei Prozesszyklen, d.h. drei kompletten Durchläufen des Prozesses, während derer in der beschriebenen Weise Messwerte ermittelt und daraus eine Abfolge von Clusterkennzahlen erzeugt wurde. Die Werte der logarithmischen Likelihood Funktion für die vier hinterlegten trainierten HMMs, die die vier exemplarischen Prozessklassen repräsentieren, sind in Tabelle 1 dargestellt. Tabelle 1:

Zyklus

Prozess 1 2 3

Maischen -2.17 -2.17 -2.17

Gären -∞ -∞ -∞

Joghurtherstellung -203.83 -208.83 -208.83

Abwasseraufbereitung -∞ -∞ -∞
Je höher der Likelihood-Wert, umso höher ist die Wahrscheinlichkeit, dass der aktuell vorliegende Prozess zur Prozessklasse gehört, die durch das entsprechende HMM repräsentiert wird. Im vorliegenden Fall ist das mit der höchsten Wahrscheinlichkeit zutreffende HMM also das für die Prozessklasse „Maischen“ trainierte HMM.
In Tabelle 2 sind die entsprechenden Ergebnisse der Likelihood-Werte für ein Beispiel eines Abwasseraufbereitungsprozesses angegeben. Tabelle 2:

Zyklus

Prozess 1 2 3

Maischen -3.82 -3.82 -∞

Gären -52.61 -52.61 -5.07

Joghurtherstellung -161.74 -161.74 -5.01

Abwasseraufbereitung -3.22 -3.22 -2.06
Bei diesem Beispiel ist während der ersten beiden Zyklen die Zuordnung zu demjenigen HMM, das die Prozessklasse der Abwasseraufbereitung repräsentiert, am wahrscheinlichsten, obwohl auch der Log-Likelihood-Wert für das die Prozessklasse des Maischens repräsentierende HMM verhältnismäßig hoch ist. Im dritten Zyklus ist der Log-Likelihood-Wert für die den Prozessklassen Gären und Joghurtherstellung deutlich erhöht, während der Log-Likelihood-Wert für das Maischen stark abgenommen hat. Solche Veränderungen können - wie im Fall des vorliegenden Beispiels - durch Alterungserscheinungen des Sensors verursacht sein. Sie können aber auch dadurch verursacht sein, dass die Messwerte des aktuell beobachteten Prozesses stark von den der zugehörigen Prozessklasse zugrunde liegenden Messwert-Prototypen abweichen, d.h. dass der Prozess stark von seinem Soll-Verlauf abweicht. Dies kann man sich, wie weiter unten noch ausgeführt wird, in der Prozessdiagnose zunutze machen, indem Änderungen des Log-Likelihood-Werts dazu verwendet werden, um Informationen über Veränderungen, insbesondere Störungen, des aktuell laufenden Prozesses abzuleiten.
Auf die beschriebene Weise können somit Messwerten von Prozessparametern eines aktuell vorliegenden Prozesses Prozessklassen zugeordnet werden. Die Prozessklassen und gegebenenfalls auch die zugehörigen Log-likelihood-Werte, die ein Maß dafür sind, mit welcher Wahrscheinlichkeit die Prozessklasse den Messwerten zugeordnet werden, werden in einem Identifikationsparametersatz hinterlegt. Der so erzeugte Identifikationsparametersatz kann für verschiedene Zwecke verwendet werden. Im Folgenden wird zunächst die Verwendung zur Sensordiagnose, d.h. zur Bestimmung des Zustands des Messaufnehmers bzw. zur Vorhersage eines Zeitintervalls bis zur nächsten Wartungsmaßnahme oder zur Vorhersage der Reststandzeit bis zum fälligen Austausch des Messaufnehmers, beschrieben.
Die in 10 gezeigte Prozessüberwachungsanlage umfasst beispielsweise drei Messstellen 1, 2, 3 die jeweils eine Basiseinheit 11, 12, 13 und einen Messaufnehmer 21, 22, 23 aufweisen, wobei jeweils eine Basiseinheit 11, 12 13 und der dazugehörige Messaufnehmer 21, 22, 23 ein Feldmessgerät bilden.
Bei den Messaufnehmern 21, 22, 23 handelt es sich im Ausführungsbeispiel um pH-Sensoren, die jeweils einen ersten Elementarsensor in Form einer Einstabmesskette und einen Sensorkopf 24, 25, 26 aufweisen, wobei der Sensorkopf fest mit der Einstabmesskette verbunden ist. Mit der festen Verbindung ist gemeint, dass die Einstabmesskette vom Benutzer nicht zerstörungsfrei vom Sensorkopf 24, 25, 26 getrennt werden kann.
Weitere Einzelheiten werden nun unter Einbeziehung der 11 erläutert. Der Signalausgang der Einstabmesskette 210, welche den aktuellen pH-Wert in eine Potentialdifferenz zwischen einem Referenzpotential und einem pH-abhängigen Potential wandelt, wird einer Schaltung zur Aufbereitung der Signale der Einstabmesskette im Sensorkopf 24 zugeführt, wobei die Schaltung einen A/D-Wandler 242 und einen Mikroprozessor 243 zur Verarbeitung der digitalisierten Signale aufweist. Von der Einstabmesskette oder einem davon getrennten zweiten Elementarsensor des Messaufnehmers kann weiterhin ein Temperatursignal ausgegeben werden. Der Sensorkopf enthält weiterhin einen Datenspeicher 241, in dem sensorspezifische Daten gespeichert sind, beispielsweise Kalibrierdaten und deren Historie, Daten zu Belastungshistorie, wie pH-Extremwerte und deren Dauer, Temperaturextremwerte und deren Dauer, Grenzwertüberschreitungen usw., logistische Daten und Daten zur Softwareausstattung der Sensoreinheit.
Weiterhin enthält der Sensorkopf einen Programmspeicher 244, welcher einen Bootloader und hardwarenahe Software mit Grundfunktionalitäten zum Betrieb der Sensoreinheit enthält, also die so genannte Firmware. Darüber hinaus kann der Programmspeicher noch Softwaremodule enthalten, auf die weiter unten eingegangen wird.
Weiterhin enthält der Sensorkopf eine vorzugsweise induktiv koppelnde Schnittstelle 245, über welche die Energieversorung des Messaufnehmers 21 durch die Basiseinheit 11 und der Datenaustausch mit der Basiseinheit 11 erfolgt. Die Schnittstelle 114 umfasst ein zweites Element einer induktiv koppelnden Steckverbinderkopplung, über welche der Messaufnehmer 21 an die Basiseinheit 11 angeschlossen ist.
Die Basiseinheiten 11, 12, 13 umfassen jeweils ein komplementäres Element der Steckverbinderkupplung sowie eine Datenverarbeitungseinheit mit einem Mikroprozessor zur Aufbereitung von Daten, die vom Messaufnehmer empfangen werden, um diese dann über einen Feldbus 31 an einen Zentralrechner 30 der Prozessüberwachungsanlage 40 zu übertragen.
Die Datenverarbeitungseinheit der Basiseinheiten 11, 12, 13 weisen, wie in 11 für die Basiseinheit 11 exemplarisch dargestellt ist, einen Datenspeicher 111 zum Speichern von messstellenspezifischen Daten auf. Die Basiseinheit 11 umfasst weiterhin eine Kommunikationseinheit 113, mittels derer die Basiseinheit 11 über einen Feldbus 31 mit einer übergeordneten Einheit kommuniziert, beispielsweise dem in 1 dargestellten Zentralrechner 30. Der Zentralrechner 30 enthält eine dem Feldmessgerät zugeordnete externe Datenverarbeitungseinheit (nicht dargestellt), die von der Datenverarbeitungseinheit der Basisstation 11 des Feldmessgeräts ausgegebene Daten empfangen und weiterverarbeiten kann.
Die erste Messstelle 1 ist durch den in einer Wandung einer ein Messmedium führenden Leitung eingesetzten Messaufnehmer 21 gebildet. Spezifische Belastungen, denen der Messaufnehmer speziell an dieser Art von Messstelle ausgesetzt ist, können beispielsweise eine abrasive Auswirkung einer Schmutzfracht auf die pH-Elektrode oder eine Verblockung des Diaphragmas der Referenzelektrode der Einstabmesskette sein.
Die zweite Messstelle 2 betrifft beispielsweise einen Hochtemperaturprozess in alkalischen Medien, hier ist der Messaufnehmer 22 messstellenspezifisch hohen Temperaturen und pH-Werten ausgesetzt, die die Alterung des pH-Elementarsensors gegenüber einer Messstelle, an der ein gleichartiger Elementarsensor im wesentlichen neutralen pH-Bedingungen und mittleren Temperaturen ausgesetzt ist, beschleunigen. Falls im Reaktionsgefäß der Messstelle 2 noch ein Rührer vorgesehen ist, kann dieser die Messung ebenfalls stören, was in einem messstellenspezifischen Softwaremodul zur Messsignalauswertung bzw. zur vorausschauenden Diagnose oder zur Prozessanalyse zu berücksichtigen ist.
An der dritten Messstelle 3 können wieder andere spezifische Bedingungen vorliegen, beispielsweise ein Messmedium, welches die Standzeit des Referenzelektrolyten in der Einstabmesskette beeinträchtigt.
In all den genannten Beispielen würden die Sensoren bei gleicher Historie von pH-Wert und Temperatur aufgrund der genannten Besonderheiten der Messstellen unterschiedlich altern. Dementsprechend sind beispielsweise messstellenspezifische Zeitintervalle bis zur nächsten Wartungsmaßnahme oder Algorithmen zur Sensorüberwachung in Form von Softwaremodulen bereitzustellen.
Hierzu kann vorteilhaft ein wie beschrieben automatisch erzeugter Identifikationsparametersatz verwendet werden. Statt, wie weiter oben beispielhaft beschrieben, für den Klassifikator Prozessklassen zu hinterlegen, die so unterschiedliche Prozesse wie Gären, Maischen, Joghurtherstellung oder Abwasseraufbereitung repräsentieren, können zum Zweck der Identifizierung der konkreten Messstelle Prozessklassen hinterlegt werden, die die jeweiligen Prozessbedingungen an der jeweiligen Messstelle repräsentieren, d.h. die anhand der charakteristischen Prozessparameterverläufe in der Leitung der Messstelle 1, im alkalischen Hochtemperaturprozess an der Messstelle 2 und im Messmedium der Messstelle 3 definiert werden. Diese Prozessklassen bzw. Signal- und/oder Messwert-Prototypen dieser Prozessklassen können neben einer Vielzahl weiterer Prozessklassen bzw. Signal- und/oder Messwert-Prototypen der weiteren Prozessklassen für andere Ausführungsarten von Messstellen in einem Datenspeicher 111 der Basiseinheit 11 des Feldmessgeräts 31 oder in einem Datenspeicher des Zentralrechners 30 hinterlegt sein.
Weiterhin sind im Datenspeicher 111 der Basiseinheit 11 oder in einem Datenspeicher des Zentralrechners 30 entweder vorkonfektionierte Messwert-Cluster oder eine Routine zur Durchführung einer Clusteranalyse für die in Frage kommenden Prozessklassen hinterlegt. Es ist auch möglich, für eine Reihe von Standard-Prozessklassen bereits vorkonfektionierte Messwert-Cluster in einem Speicher zu hinterlegen und bei einer völlig neuen Prozessvariante zunächst in der Datenverarbeitungseinheit der Basiseinheit 11 oder im Zentralrechner 30 eine Clusteranalyse für den neuen Prozess durchzuführen und neu ermittelte Cluster zu den bestehenden hinzuzufügen. Auch hierbei ist darauf zu achten, dass bei der Kennzeichnung der Cluster keine Mehrdeutigkeiten auftreten.
Gleichermaßen sind im Datenspeicher 111 der Basiseinheit 11 oder in einem Datenspeicher des Zentralrechners 30 trainierte HMMs hinterlegt, die die vordefinierten Prozessklassen repräsentieren. Für eine neu hinzukommende Prozessklasse kann entsprechend ein neues HMM angelegt und trainiert werden.
Die aktuellen Messsignale oder die daraus abgeleiteten Messwerte des Messaufnehmers können dann, wie oben beschrieben, entweder in der Datenverarbeitungseinheit 112 der Basiseinheit 11 oder in einer externen Datenverarbeitungseinheit, z.B. im Zentralrechner 30 oder einem zusätzlichen Kalibrierrechner den Clustern zugeordnet und daraus eine zeitliche Abfolge von Clusternkennzahlen erhalten werden. Für diese Abfolge werden dann, ebenfalls entweder in der Datenverarbeitungseinheit 112 oder im Zentralrechner 30 oder im Kalibrierrechner die Log-likelihood-Werte für alle hinterlegten HMMs bestimmt.
Aus den Log-Likelihood-Werten wird der größte Wert ermittelt. Dieser entspricht der höchsten Wahrscheinlichkeit, dass der aktuelle Prozess der dem zugehörigen HMM, und entsprechend der durch das HMM repräsentierten Prozessklasse zuzuordnen ist. Diese Prozessklasse wird in einen Identifikationsparametersatz hinterlegt. Dieser Identifikationsparametersatz kann beispielsweise in der Basiseinheit 11 erzeugt werden und an den Zentralrechner 30 oder eine andere externe Datenverarbeitungseinheit, zum Beispiel einen Kalibrierrechner oder an eine übergeordnete Prozessleitstelle 40 weitergegeben werden.
Im Speicher 111 der Basiseinheit 11, im Zentralrechner 30 oder im Kalibrierrechner sind für jede Prozessklasse charakteristische Zeitintervalle bis zur nächsten Wartung des Messaufnehmers 21 hinterlegt. Anhand der im Identifikationsparametersatz hinterlegten Prozessklasse wird das zugehörige Zeitintervall ausgewählt und gegebenenfalls an die Basiseinheit 11 übertragen und in den Speicher 111 der Basiseinheit oder den Speicher 241 des Messaufnehmers geschrieben. Bei Ablauf des Zeitintervalls kann die Basiseinheit 11 dann beispielsweise anzeigen, dass nun eine Wartung des Messaufnehmers fällig ist. Die Information kann auch an den Zentralrechner 30 oder eine Prozessleitstelle 40 weitergegeben werden.
In einer Weiterbildung können in der Datenverarbeitungseinheit der Basiseinheit 11, im Zentralrechner 30 oder in einer anderen externen Einheit auch Softwaremodule hinterlegt sein, die Custom-Funktionalitäten für den vorliegenden Prozess oder die spezifische Messstelle zur Verfügung stellen. Gegebenenfalls können diese Softwaremodule im Programmspeicher der Basiseinheit 11 hinterlegt werden. Die Softwaremodule können dabei insbesondere Algorithmen zur vorausschauenden Wartung enthalten. Diese Algorithmen können auf bekannten Verfahren zur Vorhersage von Kalibrierzeitpunkten oder der Reststandzeit des Messaufnehmers aufbauen. Solche Verfahren basieren beispielsweise auf der Berücksichtigung von sog. Belastungsindizes bzw. Belastungsäquivalenten, wie in den Offenlegungsschriften DE 10 2004 012420 A1 , DE 10 2004 063468 A1 und DE 10 2004 063469 A1 offenbart, oder auf der Extrapolation der zeitlichen Entwicklung von Kalibrierdaten, wie in DE 102 09 318 A1 beschrieben, wobei bei der Extrapolation der Kalibrierdaten auch die Belastung des Messaufnehmers unter den spezifischen Messstellenbedingungen berücksichtigt werden kann.
Gleichermaßen können die Algorithmen zur vorausschauenden Wartung auch auf linguistischen Fuzzy-Regeln beruhen, die die Kenntnisse einer erfahrenen Bedienperson repräsentieren. Auch diese Fuzzy-Regeln sind selbstverständlich von der jeweils vorliegenden Prozessklasse abhängig, und können ebenso wie die charakteristischen Kalibrierintervalle in der Datenverarbeitungseinheit des Feldmessgeräts in der Basiseinheit 11 oder in einer externen Datenverarbeitungseinheit hinterlegt sein.
Beispielsweise kann nach Ablauf des zunächst auf der Basis des Identifikationsparametersatzes selektierten Zeitintervalls bis zur nächsten Wartung eine Kalibrierung des Messaufnehmers 21 durchgeführt werden. Aus den Kalibrierdaten können - beispielsweise durch Bestimmung einer Abweichung der tatsächlichen Kalibrierdaten von einem aufgrund einer Extrapolation ermittelten oder in einem Datenspeicher hinterlegten, aufgrund früherer Messungen ermittelter, erwarteten Wert der Kalibrierdaten - ein dem Prozessparameter-Vektor P[k_Proc] entsprechender Diagnosevektor D[k_Diag]. mit diagnostischen Parametern D1 bis D_m, ermittelt werden. Die diagnostischen Parameter können z.B. Kalibrierparameter oder daraus abgeleitete Parameter sein. Der Wert k_Diag entspricht dann der Abtastrate bei der Kalibrierung. Die Prozessklasse und der Diagnosevektor D[k_Diag] dienen dann als Eingabeparameter für die Fuzzy-Regeln. Am oben genannten Beispiel des Maische-Prozesses ist zum Beispiel folgende Fuzzy-Regel vorstellbar: $IF p = Maischen AND D_{1} [k_{D i a g}] = small THEN t_{c a l} = l a r g e,$
oder in Worten: Wenn beim Maischprozess zu einem Zeitpunkt die Abweichung der Kalibrierparameter von den erwarteten Werten gering ist, kann das nächste Zeitintervall bis zur nächsten Kalibrierung groß gewählt werden.
Ein Beispiel für den Abwasserprozess lautet: $IF p = Abwasserprozess AND D_{1} [k_{D i a g}] = very small THEN t_{c a l} = very large,$
oder in Worten: Wenn beim Abwasserprozess die Abweichung der Kalibrierparameter von den erwarteten Werten gering ist, kann das nächste Zeitintervall bis zur nächsten Kalibrierung deutlich verlängert werden.
In Tabelle 3 werden Ergebnisse der Anpassung der ursprünglich ermittelten Kalibrierintervalle für die vier oben beschriebenen Prozessklassen Maischen, Gären, Abwasseraufbereitung und Joghurtherstellung dargestellt. Aus den Verringerungen der Kalibrierintervalle, die sich jeweils beim siebten Prozesszyklus ergeben, zeigt sich, dass die Fuzzy-Regeln eine Anpassung des Kalibrierintervalls aufgrund hoher Abweichungen der Kalibrierparameter von den erwarteten Werten, z.B. von einer Regressionsgeraden, erlauben, vgl. den in 12 dargestellten Verlauf des Sensornullpunkts und die starke Abweichung bei der sechsten Kalibrierung vom mittels Regression (untere Kurve „Schätzung‟) vorhergesagten Verlauf. Tabelle 3:

Prozess

Zyklus Maischen [h] Gären [h] Jogh. [h] Abwass. [h]

1 6.32 134.90 9.07 165.29

4 6.38 142.07 9.17 167.43

7 4.33 87.42 7.05 100.80

10 6.40 144.00 9.20 168.00
Ergänzend zu den obigen Ausgestaltungen der Erfindung sind Softwaremodule gegebenenfalls auch über ein mobiles Servicegerät ladbar, beispielsweise einen portablen Computer. Hierzu kann eine entsprechende Service-Schnittstelle an der Sensoreinheit oder der Basiseinheit vorgesehen sein. Die Service-Schnittstelle kann einen Steckverbinder oder eine Funkverbindung umfassen, beispielsweise eine „bluetooth“ Funkverbindung. Dies kann beispielsweise so erfolgen, dass das Servicegerät über die Schnittstelle den Identifikationsparametersatz der Messstelle abfragt und dann ein im Servicegerät vorgehaltenes Softwaremodul über die Service-Schnittstelle bereitstellt.
Sofern das Servicegerät kein geeignetes Softwaremodul vorhält, kann dies gegebenenfalls anhand der Messstellendaten von dem Servicegerät über ein W-LAN von einem Server angefordert und heruntergeladen werden, bevor es dann der Messstelle über die Serviceschnittstelle bereitgestellt wird. Auf diese Weise wird der Feldbus nicht mit Datenverkehr aufgrund der Übertragung von Softwaremodulen belastet.
Neben der Anwendung zur vorausschauenden Wartung der Messstelle bzw. des Messaufnehmers, kann der Identifikationsparametersatz auch als Grundlage für die Prozessdiagnose dienen.
In diesem Fall werden als Prozessklassen verschiedene Prozessvarianten des zu überwachenden Prozesses mit dem typischen Verlauf der Prozessparameter als Signalprototypen für diese Prozessvarianten hinterlegt. Diese können zum Einen verschiedene Varianten desselben chemischen oder verfahrenstechnischen Prozesses sein, so gibt es beispielsweise in einer Brauerei durchaus verschiedene Maischeprozesse, bei denen absichtlich unterschiedliche zeitliche Verläufe der Prozessparameter, wie z.B. pH-Wert und Temperatur durchlaufen werden, um unterschiedliche Maischen herzustellen. Zum Anderen können zusätzlich weitere Prozessklassen angelegt werden, die den Prozessparameterverlauf bei typischen Störungen der Maischeprozesse repräsentieren, d.h. deren Messwert- oder Signalprototypen dem zeitlichen Verlauf der Prozessparameter für den Fall entsprechen, dass bestimmte typische Störungen vorliegen. Beispielsweise kann der Verlauf der Prozessparameter pH-Wert und Temperatur beim Versagen eines Prozessventils oder bei Undichtigkeiten der Apparatur oder beim Eindringen von unerwünschten Bioorganismen oder anderen Störquellen simuliert und als Prozessklasse hinterlegt werden.
Daraus können dann beispielsweise nach dem oben beschriebenen Verfahren Wahrscheinlichkeiten bestimmt werden, mit denen jeweils der aktuell laufende Prozess einer bestimmten Prozessklasse zugeordnet werden kann. Repräsentiert die bestimmte Prozessklasse einen gestörten Prozess, kann ein Alarm ausgegeben werden. Gleichzeitig lässt sich aus der Art der Prozessklasse in der Regel auch schon auf die wahrscheinliche Ursache der Störung schließen.

Claims

Verfahren zum Betreiben einer Prozess-Messstelle (1, 2, 3) zum Bestimmen mindestens eines Prozessparameters in einem chemischen oder verfahrenstechnischen Prozess, wobei die Prozess-Messstelle (1, 2, 3) mindestens einen im Betrieb auf den mindestens einen Prozessparameter reagierenden Messaufnehmer (21, 22, 23) und mindestens eine im Betrieb mit dem Messaufnehmer kommunizierende Datenverarbeitungseinheit (243, 112, 30) umfasst, umfassend die Schritte: Erzeugen mindestens eines Messsignals mittels des Messaufnehmers (21, 22, 23); Ermitteln eines dem mindestens einen Messsignal entsprechenden Messwerts des Prozessparameters; Erzeugen eines Identifikationsparametersatzes, der eine Prozessklasse des chemischen oder verfahrenstechnischen Prozesses enthält, anhand des mindestens einen Messignals oder des mindestens einen Messwerts des Prozessparameters unter Verwendung mindestens eines Klassifikators aus der Gruppe enthaltend Hidden Markov Modelle.
Verfahren nach Anspruch 1, wobei der Identifikationsparametersatz weiterhin mindestens einen eine spezifische Eigenschaft der Messstelle (1, 2, 3) repräsentierenden Parameter umfasst, insbesondere eine Umgebungssituation des Messaufnehmers (21, 22, 23), wie dessen Einbaulage, dessen Nähe zu einem Störer, wie einem Ventil, einer Pumpe, einem Rührer oder dergleichen, und/oder ein im Prozessgefäß befindliches Medium, insbesondere dessen chemische Zusammensetzung, und/oder sich ändernde Prozessbedingungen.
Verfahren nach Anspruch 1 oder 2, wobei das Erzeugen des Identifikationsparametersatzes in der im Betrieb mit dem Messaufnehmer (21) kommunizierenden Datenverarbeitungseinheit (243, 244, 111, 112, 30) erfolgt.
Verfahren nach Anspruch 3, wobei die im Betrieb mit dem Messaufnehmer (21) kommunizierende Datenverarbeitungseinheit (243, 244, 111, 112, 30) eine Datenverarbeitungseinheit (243, 244) einer Sensoreinheit (21), welche den Messaufnehmer umfasst, oder eine Datenverarbeitungseinheit (111, 112) einer mit der Sensoreinheit über eine mindestens zum Datenaustausch geeigneten Schnittstelle verbundenen Basiseinheit (11) der Messstelle (1) oder eine externe, der Messstelle (1) zugeordnete Datenverarbeitungseinheit (30) ist.
Verfahren nach Anspruch 4, wobei die der Messstelle (1) zugeordnete externe Datenverarbeitungseinheit (30) den Identifikationsparametersatz oder daraus abgeleitete Informationen an eine übergeordnete Einheit, insbesondere an ein Leitsystem (30) oder eine Kalibrierstelle kommuniziert.
Verfahren nach einem der Ansprüche 1 bis 5, wobei durch wiederholtes Erfassen von Messsignalen des mindestens einen Messaufnehmers (21) eine zeitliche Abfolge von Messsignalen des Messaufnehmers (21) oder Messwerten des mindestens einen Prozessparameters ermittelt wird, um anhand dieser den Identifikationsparametersatz zu erzeugen.
Verfahren nach einem der Ansprüche 1 bis 6, wobei der Schritt des Erzeugens des Identifikationsparametersatzes mittels eines Klassifikators Schritte des Vergleichens eines oder einer zeitlichen Abfolge von mehreren Messsignalen oder Messwerten mit einem oder mehreren Signal-Prototypen oder Messwert-Prototypen umfasst.
Verfahren nach Anspruch 7, wobei die Signal-Prototypen oder die Messwert-Prototypen für verschiedene Prozessklassen von chemischen oder verfahrenstechnischen Prozessen und/oder für verschiedene Einbausituationen des Messumformers (21) und/oder für verschiedene Prozessmedien ermittelt und klassifiziert sind.
Verfahren nach einem der Ansprüche 1 bis 8, wobei mindestens ein Messwert oder das mindestens eine Messsignal oder die zeitliche Abfolge von Messwerten oder Messsignalen vorgegebenen Messsignal- oder Messwert-Clustern zugeordnet und aus der Zuordnung ein Ausgabedatensatz generiert wird, der insbesondere mindestens einen Ausgabewert oder eine Folge von Ausgabewerten enthält, die die Zuordnung des mindestens einen Messwerts oder der zeitlichen Abfolge von Messwerten zu den Prozessparameter-Clustern repräsentieren.
Verfahren nach Anspruch 9, wobei der mindestens eine Ausgabewert oder die Folge von Ausgabewerten als Eingabewerte für den Klassifikator dienen.
Verfahren nach Anspruch 9 oder 10, wobei der Schritt des Erzeugens des Identifikationsparametersatzes mittels eines Klassifikators einen Schritt des Bestimmens einer Wahrscheinlichkeit umfasst, mit welcher der Ausgabewert oder die Folge von Ausgabewerten jeweils einem Hidden Markov Modell aus einem Satz von mehreren vorgegebenen Hidden Markov Modellen zugeordnet ist, wobei die mehreren vorgegebenen Hidden Markov Modelle jeweils unterschiedliche Prozessklassen von chemischen oder verfahrenstechnischen Prozessen repräsentieren.
Verfahren nach Anspruch 11, wobei die Prozessklasse als Parameter in den Identifikationsparametersatz aufgenommen wird, die von demjenigen Hidden Markov Modell repräsentiert wird, das dem Ausgabewert oder der Folge von Ausgabewerten mit der höchsten Wahrscheinlichkeit zugeordnet ist.
Verfahren nach Anspruch 11 oder 12, wobei mindestens eines der vorgegebenen Hidden Markov Modelle mit Hilfe eines Estimation/Maximization-Algorithmus (EM-Algorithmus), insbesondere eines Baum-Welch-Algorithmus, auf der Basis von vorgegebenen, für einen Prozess der dem Hidden Markov Modell zugeordneten Prozessklasse charakteristischen Messsignalen oder Messwerten des mindestens einen Prozessparameters trainiert ist.
Verfahren nach einem der Ansprüche 1 bis 13, wobei der Messaufnehmer (21) eine pH-Glas- oder Halbleiterelektrode, einen elektrochemischer Gassensor, einen Trübungssensor, ein Spektrometer, einen Leitfähigkeitssensor oder einen photometrischen Sensor umfasst.
Verfahren nach einem der Ansprüche 1 bis 14, wobei aus dem Identifikationsparametersatz, insbesondere aus der im Identifikationsparametersatz enthaltenen Prozessklasse, Informationen über den Zustand des Prozesses abgeleitet werden.
Verfahren nach einem der Ansprüche 1 bis 15, wobei unter Verwendung des Identifikationsparametersatzes ein Zeitintervall ermittelt wird, nach dem eine Wartungsmaßnahme für den Messaufnehmer (21, 22, 23) durchzuführen ist.
Verfahren nach Anspruch 16, wobei in der mit dem Messaufnehmer (21, 22, 23) im Betrieb kommunizierenden Datenverarbeitungseinheit, insbesondere in einer externen mit einer Basiseinheit der Messstelle verbundenen Datenverarbeitungseinheit oder in einer übergeordneten Einheit, wie einem Prozessleitsystem oder einer Kalibriereinheit, ein vorkonfektionierter Satz von messstellen- und/oder prozessklassenspezifischen Zeitintervallen für Wartungsmaßnahmen für den Messaufnehmer (21, 22, 23) hinterlegt ist, und das Zeitintervall, nach dem eine Wartungsmaßnahme des Messaufnehmers (21, 22, 23) durchzuführen ist, unter Verwendung der im Identifikationsparametersatz enthaltenen Prozessklasse und/oder weiteren im Identifikationsparametersatz enthaltenen spezifische Eigenschaften der Messstelle (1, 2, 3) repräsentierenden Parametern ausgewählt wird.
Verfahren nach Anspruch 16 oder 17, wobei die Wartungsmaßnahme eine Kalibrierung, eine Reinigung, eine Regenerierung oder einen Austausch eines Teils des Messaufnehmers (21, 22, 23), insbesondere einer Membran oder einen Austausch des Messaufnehmers (21, 22, 23) umfasst.
Verfahren nach einem der Ansprüche 1 bis 18, wobei wenigstens ein in einem Speicher der im Betrieb mit dem Messaufnehmer (21, 22, 23) kommunizierenden Datenverarbeitungseinheit, insbesondere in einer externen mit einer Basiseinheit der Messstelle verbundenen Datenverarbeitungseinheit oder einem Speicher einer übergeordneten Einheit, vorgehaltenes Softwaremodul, das insbesondere prozess- oder messstellenspezifische Custom-Funktionalitäten für die Messstelle bereitstellt, aus einem Ensemble von, insbesondere fest vorkonfektionierten oder konfektionierbaren, Softwaremodulen unter Verwendung des Identifikationsparametersatzes bereitgestellt und in den Speicher der mit dem Messaufnehmer im Betrieb kommunizierenden Datenverarbeitungseinheit übertragen wird.
Verfahren nach Anspruch 19, wobei das Softwaremodul mindestens eine der Funktionalitäten der Gruppe bestehend aus Messstellendiagnose, Prozessdiagnose, Regeln zur Anpassung eines Zeitintervalls bis zur nächsten Kalibrierung und/oder Wartung des Messaufnehmers, Regeln zur Vorhersage der verbleibenden Lebensdauer des Messaufnehmers, Regeln zur vorausschauenden Wartung, umfasst.