DE10297009T5

DE10297009T5 - Sensorfusion unter Verwendung von selbstvaluierenden Prozesssensoren

Info

Publication number: DE10297009T5
Application number: DE10297009T
Authority: DE
Inventors: Manus P. Henry; Mihaela D. Duta
Original assignee: Invensys Systems Inc
Current assignee: Schneider Electric Systems USA Inc
Priority date: 2001-06-25
Filing date: 2002-06-25
Publication date: 2004-08-26
Anticipated expiration: 2022-06-26
Also published as: US20060287840A1; US7426449B2; GB2392250B; WO2003001431A9; US8090552B2; GB0329721D0; US20030088381A1; DE10297009B4; US7107176B2; GB2392250A; US20080294366A1; WO2003001431A1

Abstract

Messungsverarbeitungssystem, umfassend:
einen ersten Prozesssensor und einen zweiten Prozesssensor, wobei jeder von den ersten und zweiten Prozesssensoren ein Messsignal von einem Messwertgeber empfängt und unabhängige Prozessmetriken generiert; und
einen Messungsfusionsblock, der mit den ersten und zweiten Prozesssensoren verbunden ist, wobei der Messungsfusionsblock betriebsfähig ist, die unabhängigen Prozessmetriken zu empfangen und einen Messanalyseprozess auszuführen, um die unabhängigen Prozessmetriken zu analysieren und eine kombinierte beste Schätzung der unabhängigen Prozessmetriken zu generieren.

Description

TECHNISCHES GEBIET
Diese Erfindung bezieht sich auf Verarbeiten von Daten von einem Sensor, und genauer auf Kombinieren und Interpretieren von Sensordaten von mehreren Prozesssensoren, um eine Systemsteuerung zu verbessern.
HINTERGRUND
Prozesssensoren werden in einem breiten Bereich von Steueranwendungen industrieller Prozesse verwendet. Ein Prozesssensor oder Sender ist eine Vorrichtung mit einem oder mehr Messwertgebern und Elektronik, die Messwertgebersignale in einen Messwert konvertiert, der durch eine zugehörige Prozesssteuerung oder ein Überwachungssystem erkennbar ist. Der Messwert kann als eine Prozessvariable durch das Prozesssteuersystem verwendet werden. Zunehmend wurde lokale Berechnungsleistung verwendet, um interne Diagnostik innerhalb "intelligenter" Sensoren auszuführen, wie etwa selbst validierende (SEVA^TM) Prozesssensoren. Ein SEVA^TM-Prozesssensor ist ein Typ eines intelligenten Prozesssensors, der zusätzliche Verarbeitung durchführt, um Information zu generieren, die generische Gültigkeitsmetriken für jede Messung inkludiert, die durch den Sensor erzeugt wird. Die Metriken, die durch einen SEVA^TM-Prozesssensor generiert werden, inkludieren z.B. einen validierten Messwert (VMV), eine validierte Ungewißheit (VU) des Messwerts und einen Messwertstatus (MV-Status). Diese SEVA^TM-Prozessmetriken stellen die Qualität und das Vertrauen für jede Messung dar, die durch den Prozesssensor erzeugt wird. Eine zusätzliche Beschreibung des SEVA^TM-Standards kann im British Standard BS7986:2001 mit dem Titel Specifications for Data Quality Metrics for Industrial Measurement and Control Systems gefunden werden, der hierin durch Bezugnahme einbezogen wird.
Speziell ist der validierte Messwert (VMV) die beste Schätzung des SEVA^TM-Prozesssensors des wahren Messgrößenwerts der Prozessvariable, die die gesamte Diagnoseinformation in Betracht zieht. Falls ein Fehler auftritt, dann kann der VMV zu der besten Fähigkeit des SEVA^TM-Sensors korrigiert werden, und es kann zusätzliche Information durch den Sensor generiert werden, um das Prozesssteuersystem über den Fehler zu alarmieren. In den schwersten Fällen, wie etwa, wenn die Rohdaten beurteilt werden, keine Korrelation mit der Messgröße aufzuweisen, kann der VMV gänzlich aus vergangenem Messungsverhalten extrapoliert werden.
Die validierte Ungewißheit (VU) ist die Ungewißheit, die mit dem VMV in Verbindung steht. Die VU gibt ein Vertrauensintervall für den wahren Wert der Messgröße an. Falls z.B. der VMV, wie durch den Prozesssensor bestimmt, 2,51 Einheiten ist, und die VU 0,08 ist, dann gibt es eine Chance von 95%, dass die wahre Messung innerhalb des Intervalls von 2,51 ± 0,08 Einheiten liegt. Die VU zieht alle möglichen Fehlerquellen in Betracht, inkludierend Rauschen, Messtechnologie und beliebige Fehlerkorrekturstrategie, die durch den Prozesssensor verwendet wird. Wenn ein Fehler erfasst wird, hat der SEVA^TM-Sensors die Fähigkeit, den VMV zu korrigieren und die VU zu erhöhen, um der Verringerung des Vertrauens der Ablesung Rechnung zu tragen.
Der Messwertstatus (MV-Status) ist ein diskret bewertetes Flag, das anzeigt, wie der VMV durch den Prozesssensor kalku liert wurde. Der MV-Status reflektiert auch das Vorhandensein und die Persistenz eines beliebigen Prozesssensorfehlers. Der MV-Status hilft Benutzern (ob menschlich oder automatisiert) zu bestimmen, ob die Messung für eine Verwendung in einer bestimmten Anwendung akzeptabel ist. Z.B. sollten Messdaten, denen ein BLIND-Status gegeben wird, niemals für eine Rückkopplungssteuerung verwendet werden, da BLIND-Daten aus vergangener Messwerthistorie projiziert werden und nicht auf die Aktionen einer Rückkopplungssteuerung reagieren.
Das MV-Statusflag, das durch den Prozesssensor generiert wird, kann einen beliebigen aus einer Menge von diskreten Werten annehmen. Mögliche Werte für das MV-Statusflag in einer Implementierung inkludieren z.B. KLAR (CLEAR), UNSCHARF (BLURRED), GEBLENDET (DAZZLED), BLIND (BLIND), SICHER VERSCHIEDEN (SECURE DIVERSE), SICHER GEMEINSAM (SECURE COMMON) und NICHTBESTÄTIGT (UNVALIDATED). Wenn der MV-Status KLAR ist, ist Vertrauen in die Rohmessung nominal, und der VMV wird bloß aus der aktuellen Rohmessung generiert. Wenn der MV-Status UNSCHARF ist, wurde ein Fehler diagnostiziert, der die Messfähigkeit beeinträchtigt, und der VMV wird durch Kompensieren der aktuellen Rohmessung generiert. Wenn der MV-Status GEBLENDET ist, ist die Rohmessung im wesentlichen anomal und das mit ihr verbundene Vertrauen ist Null, aber der Fehler wird als zeitweilig beurteilt, wie etwa während einer Übergangsperiode. Während dieser Bedingung wird der VMV aus der Messwerthistorie des Sensors generiert, die mit der Vorrichtung in Verbindung steht. Wenn der MV-Status BLIND ist, wurde ein Fehler diagnostiziert, der die Messfähigkeit des Prozesssensors zerstört, und es gibt kein Vertrauen in die Rohmessung. Während dieser Bedingung wird der VMV aus der Messungshistorie des Sensors generiert, die mit der Vorrichtung in Verbindung steht. Wenn der MV-Status SICHER VERSCHIEDEN oder SICHER GEMEINSAM ist, wird der VMV durch Kombinieren redundanter SEVA^TM-Messungen erhalten, und das Vertrauen in jede SEVA^TM-Messung ist nominal. Wenn der MV-Status NICHTBESTÄTIGT ist, findet eine Validierung innerhalb des SEVA^TM-Prozesssensors gegenwärtig nicht statt.
Ein automatisiertes Prozesssteuersystem in einem industriellen Verarbeitungssystem kann Prozessvariablen als Messwerte von einer Vielfalt von Sensoren und Stellgliedern empfangen, die in der Operation des industriellen Verarbeitungssystems überwachen und sie unterstützen. Die Prozessvariablen werden durch Prozesssensoren oder Sender generiert, die die Prozessvariablen zu dem Prozesssteuersystem über einen Kommunikationskanal oder Netz übertragen. Es existiert gegenwärtig eine Vielfalt von Kommunikationsansätzen zum Übertragen der Prozessvariablen. Diese Ansätze reichen von analogen Kommunikationskanälen geringer Bandbreite, wie etwa analog, Impuls, Alarmstatus und 4–20 mA, zu digitalen Kommunikationskanälen höherer Bandbreite, wie etwa Feldbus oder das FoxCom-Kommunikationsprotokoll, das von Invensys Systems, Inc. verfügbar ist. Gegenwärtig existieren viele installierte Prozesssteuersysteme, die Prozessvariableninformation (als Rückkopplung) empfangen, die durch Prozesssensoren generiert wird, die mit Kommunikationskanälen niedriger Bandbreite verbunden sind. Diese Systeme verwenden typischerweise Nicht-SEVA^TM-Sensoren und sind in der Menge von Prozessvariableninformation begrenzt, die über das Netz niedriger Bandbreite von den Prozesssensoren zu dem Prozesssteuersystem übermittelt werden kann. Z.B. sind einige Prozesssteuersysteme nur zum Empfangen binärer Eingangsinformation, wie etwa dem Zustand eines Alarmsignals, das ein oder aus ist, oder eines Signals von 4–20 mA, das die gemessene Prozessvariable darstellt, fähig. Deshalb sind diese Systeme geringer Bandbreite typischerweise nicht zum Übermitteln der Prozessvariableninformation höherer Bandbreite fähig, die mit einem digitalen SEVA^TM-Prozesssensor in Verbindung stehen. Außerdem sind viele existierende automatisierte Prozesssteuersysteme nicht in der Lage, die Metriken zu verarbeiten, die durch einen SEVA^TM-Prozesssensor generiert werden, und beruhen lediglich auf Nicht-SEVA^TM-Prozesssensoren, die Alarmsignale generieren, wenn Fehler in dem industriellen Verarbeitungssystem auftreten.
Bei Abwesenheit von lokalisierter Prozessvariablenvalidierung (wie etwa durch einen intelligenten SEVA^TM-Prozesssensor) wurde Messungsredundanz verwendet um sicherzustellen, dass eine verifizierte und zuverlässige Messung der Prozessvariablen dem Prozesssteuersystem mit hoher Verfügbarkeit bereitgestellt wird, derart, dass ein Fehler oder Ausfall, der mit einem Prozesssensor in Verbindung steht, nicht zu einem kompletten Verlust der Messung für das Prozesssteuersystem führt. Eine derartige Redundanz kann durch die Verwendung von verschiedenen unabhängigen Sensoren implementiert werden, die die gleiche Prozessvariable überwachen, gewöhnlich Hardware-Redundanz genannt, oder durch ein Anlagemodell, das eine unabhängige Schätzung der Prozessvariablen vorsieht, gewöhnlich analytische Redundanz genannt.
ZUSAMMENFASSUNG
Es werden Validierungstechniken beschrieben, die Konsistenzprüfung und Fusion von redundanten SEVA^TM-Messungen durchführen. Das SEVA^TM-Sensormodell setzt voraus, dass der Prozesssensor zum Erfassen der wichtigsten Fehlermodi fähig ist, die mit dem Prozesssensor in Verbindung stehen. Es verbleibt jedoch eine Wahrscheinlichkeit von nicht Null, dass ein Fehler für eine signifikante Zeitdauer unentdeckt bleiben kann. Somit ist es in bestimmten SEVA^TM-Prozesssensoranwendungen wünschenswert, eine Validierungstechnik höherer Ebene zu verwenden, um Konsistenzprüfung und Prozessmessungsfusion von redundanten SEVA^TM-Messungen durchzuführen.
Eine Technik zum Analysieren der Konsistenz von zwei unabhängigen SEVA^TM-Messungen ist, einen Moffat-Konsistenzwert zu kalkulieren und dann zu bestimmen, ob die kombinierte beste Schätzung der beiden Messungen innerhalb einer Ungewissheit von jeder der unabhängigen Messungen liegt.
Eine andere Technik zum Kombinieren und Überprüfen der Konsistenz von drei oder mehr SEVA^TM-Messungen ist, das Maximalgruppenproblem (maximum Clique problem) zu lösen. Mit einer gegebenen Menge von Bögen und Knoten ist es das Ziel, die maximale Teilmenge von Knoten, die Gruppe (Clique), mit der Eigenschaft zu finden, dass jeder Knoten mit den anderen Knoten verbunden ist. Das Finden der maximalen Gruppe kann durch Durchführen einer erschöpfenden Suche erreicht werden, oder kann auf dem Weg einer linearen Suche unter Verwendung von überlappenden Intervallen erreicht werden. Der nächste Schritt involviert eine Bildung von zwei Teilmengen. Die erste Teilmenge ist die Kernmenge, oder die konsistente Menge von Messungen. Die zweite Teilmenge ist die periphere Menge, oder die verbleibenden Messungen.
Der Prozess von Sensorfusion ist, eine spezielle Aufgabe durch die synergistische Verwendung einer Menge von nicht notwendigerweise konsistenten SEVA^TM-Messungen von unabhängigen SEVA^TM-Sensoren zu erreichen, die die gleiche Echtzeit-Messgröße überwachen. Derartige Aufgaben können eine Generierung einer kombinierten besten Schätzung (combined best estimate, CBE), Ungewissheit und Messungsstatus für den gemessenen Wert inkludieren.
In einem Aspekt empfängt ein Messungsfusionsmodul mehrere Schätzungen des gleichen Prozessparameters, jeder vorgesehen durch ein beliebiges von einem Sensor oder einem Modell des Prozessparameters basierend auf Prozesswissen, und wo angemessen, andereren Messwerten. In jedem Fall können die SEVA^TM-Prozessmetriken als ein integraler Teil des Prozesssensors oder Modells generiert, oder durch eine anschließende Verarbeitungsstufe zu den rohen Ausgaben des Prozesssensors oder Modells zugewiesen werden. Außerdem kann die gleiche Technik auch innerhalb eines einzelnen SEVA^TM-Prozesssensors angewendet werden, der mehrere Messwertgeber verwendet, um den Wert des Prozessparameters zu schätzen.
In einem anderen Aspekt inkludiert ein Messungsverarbeitungssystem einen ersten Prozesssensor und einen zweiten Prozesssensor. Jeder von den ersten und zweiten Prozesssensoren empfängt ein Messsignal von einem Messwertgeber und generiert unabhängige Prozessmetriken. Ein Messungsfusionsblock ist mit den ersten und zweiten Prozesssensoren verbunden, der Messungsfusionsblock ist betriebsfähig, die unabhängigen Prozessmetriken zu empfangen und einen Messanalyseprozess auszuführen, um die unabhängigen Prozessmetriken zu analysieren und eine kombinierte beste Schätzung der unabhängigen Prozessmetriken zu generieren.
Der Messanalyseprozess kann die unabhängigen Prozessmetriken analysieren um zu bestimmen, ob die unabhängigen Prozessmetriken miteinander konsistent sind. Der Messanalyseprozess kann auch die unabhängigen Prozessmetriken analysieren, um eine konsistente Menge von Prozessmetriken zu identifizieren. Der Messanalyseprozess kann auch die unabhängigen Prozessmetriken analysieren, um Sonderfälle innerhalb der Menge von unabhängigen Prozessmetriken zu identifizieren.
Der Messungsfusionsblock kann einen Konsistenzanalysemodul inkludieren, der betriebsfähig ist, einen Konsistenzanalyseprozess auszuführen, wobei der Konsistenzanalyseprozess die unabhängigen Prozessmetriken analysiert um zu bestimmen, ob die Prozessmetriken miteinander konsistent sind. Der Messungsfusionsblock kann einen Sensorfusionsmodul inkludieren, der betriebsfähig ist, die unabhängigen Prozessmetriken zu analysieren und die unabhängigen Prozessmetriken zu kombinieren, um eine kombinierte beste Schätzung der unabhängigen Prozessmetriken zu generieren.
Der Konsistenzanalyseprozess kann zwei unabhängige Prozessmetriken empfangen und kalkuliert einen Moffat-Konsistenzwert um zu bestimmen, ob die zwei unabhängigen Prozessmetriken konsistent sind. Alternativ kann der Konsistenzanalyseprozess zwei unabhängige Prozessmetriken empfangen und analysiert ein Überlappungsintervall zwischen den beiden unabhängigen Prozessmetriken um zu bestimmen, ob die zwei unabhängigen Prozessmetriken konsistent sind.
Der Konsistenzanalyseprozess kann mindestens drei unabhängige Prozessmetriken empfangen und einen maximalen Gruppenparameter basierend auf einer linearen Suche der unabhängigen Prozessmetriken kalkulieren um zu bestimmen, wie viele der mindestens drei unabhängigen Prozessmetriken gegenseitig konsistent sind.
Der Konsistenzanalyseprozess kann mindestens drei unabhängige Prozessmetriken empfangen und einen maximalen Gruppenparameter basierend auf einer erschöpfenden Suche der unabhängigen Prozessmetriken kalkulieren um zu bestimmen, wie viele der mindestens drei unabhängigen Prozessmetriken gegenseitig konsistent sind.
Die Prozessmetriken können Messdaten und Ungewissheitsdaten inkludieren. Die Prozessmetriken können auch eine Messstatusvariable inkludieren. Die ersten und zweiten Prozesssensoren können erste und zweite SEVA^TM-Sensoren sein. Die ersten und zweiten SEVA^TM-Sensoren können unabhängige SEVA^TM-Metriken generieren.
Jede unabhängige SEVA^TM-Metrik und die beste kombinierte Schätzung der unabhängigen Prozessmetriken können einen validierten Messwert, einen validierten Ungewissheitsparameter, der mit dem validierten Messwert in Verbindung steht, und einen Messwertstatusindikator inkludieren. Der Messungsfusionsblock kann die unabhängigen Prozessmetriken empfangen und einen kombinierten besten Schätzwert generieren, der eine Menge von fusionierten Prozessmetriken darstellt, und übermittelt den kombinierten besten Schätzwert zu einem Steuersystem.
Es kann ein dritter Prozesssensor mit dem Messungsfusionsblock verbunden sein, wobei der dritte Prozesssensor ein Messsignal von einem Messwertgeber empfängt und eine dritte Prozessmetrik generiert. Der dritte Prozesssensor kann die dritte Prozessmetrik zu dem Messungsfusionsblock übermitteln. Der Messanalyseprozess kann die unabhängigen Prozessmetriken und die dritte Prozessmetrik analysieren um zu bestimmen, ob die unabhängigen Prozessmetriken und die dritte Prozessmetrik miteinander konsistent sind. Der Messanalyseprozess kann die unabhängigen Prozessmetriken mit der dritten Prozessmetrik kombinieren, um eine kombinierte beste Schätzung der unabhängigen Prozessmetriken und der dritten Prozessmetrik zu generieren.
Einer der ersten und zweiten Prozesssensoren kann ein multivariabler Sender sein, der mindestens zwei ähnliche unabhängige Prozessmetriken aus Messsignalen generiert, die von unabhängigen Messwertgebern empfangen werden, die die gleiche Prozessvariable überwachen.
Einer der ersten und zweiten Prozesssensoren kann ein multivariabler Sender sein, der drei unabhängige Prozessmetriken generiert, wobei mindestens zwei der drei unabhängigen Prozessmetriken aus Messsignalen generiert werden, die von unab hängigen Messwertgebern empfangen werden, die die gleiche Prozessvariable überwachen.
Die ersten und zweiten Prozesssensoren können multivariable Sender sein, die die unabhängigen Prozessmetriken aus Messsignalen generieren, die von unabhängigen Messwertgebern empfangen werden, die die gleiche Prozessvariable überwachen.
In einem anderen Aspekt inkludiert ein Messungsfusionsblock einen Konsistenzanalysemodul, der betriebsfähig ist, eine erste Prozessmetrik von einem ersten Prozesssensor zu empfangen und eine zweite Prozessmetrik von einem zweiten Prozesssensor zu empfangen. Der Konsistenzanalysemodul ist konfiguriert, einen Konsistenzanalyseprozess in den ersten und zweiten Prozessmetriken auszuführen um zu bestimmen, ob die ersten und zweiten Prozessmetriken miteinander konsistent sind. Ein Sensorfusionsmodul ist betriebsfähig, die ersten und zweiten Prozessmetriken zu empfangen. Der Sensorfusionsmodul ist konfiguriert, einen Sensorfusionsprozess auszuführen, um die ersten und zweiten Prozessmetriken zu kombinieren und eine kombinierte beste Schätzung der ersten und zweiten Prozessmetriken zu generieren.
Der Konsistenzanalyseprozess kann einen Moffat-Konsistenzwert kalkulieren um zu bestimmen, ob die ersten und zweiten Prozessmetriken konsistent sind. Der Konsistenzanalyseprozess kann ein überlappendes Intervall zwischen den ersten und zweiten Prozessmetriken analysieren um zu bestimmen, ob die ersten und zweiten Prozessmetriken konsistent sind.
Der Konsistenzanalyseprozess kann mindestens drei unabhängige Prozessmetriken empfangen und einen maximalen Gruppenparameter basierend auf einer linearen Suche der unabhängigen Prozessmetriken kalkulieren um zu bestimmen, wie viele der min destens drei unabhängigen Prozessmetriken gegenseitig konsistent sind.
Die ersten und zweiten Prozessmetriken können Messdaten und Ungewissheitsdaten inkludieren. Die ersten und zweiten Prozessmetriken können auch eine Messstatusvariable inkludieren.
Der Messungsfusionsblock kann einen Prozessor inkludieren, der betriebsfähig ist, einen Ungewissheitszuwachsprozess auszuführen, um einen Ungewissheitsparameter zu modifizieren, der mit einer oder mehr der Prozessmetriken in Verbindung steht.
In einem anderen Aspekt inkludiert ein Verfahren zum Kombinieren von Prozessmessdaten Bereitstellen von zwei oder mehr Prozessmetriken von zwei unabhängigen Prozesssensoren, um eine Menge von Prozessmetriken zu bilden, Analysieren der Prozessmetriken innerhalb der Menge von Prozessmetriken, um eine Konsistenzbeziehung zwischen den Prozessmetriken zu bestimmen, Identifizieren von Sonderfällen innerhalb der Menge von Prozessmetriken und Generieren einer Menge von konsistenten Prozessmetriken aus der Menge von Prozessmetriken. Das Verfahren inkludiert auch Kombinieren der Prozessmetriken innerhalb der Menge von konsistenten Prozessmetriken, um eine kombinierte beste Schätzung für die Menge von Prozessmetriken zu generieren, Generieren eines Ungewissheitswertes, der mit der kombinierten besten Schätzung in Verbindung steht, und Ausgeben der kombinierten besten Schätzung für die Menge von Prozessmetriken mit dem Ungewissheitswert. Identifizieren von Sonderfällen kann auch Modifizieren von Prozessmetriken, die als Sonderfälle identifiziert sind, durch Erhöhen eines Ungewissheitswerts, der mit dieser Prozessmetrik in Verbindung steht, inkludieren.
Das Verfahren kann auch Anwenden eines Ungewissheitszuwachsprozesses inkludieren, um einen Ungewissheitsparameter zu modifizieren, der mit einer oder mehr der Prozessmetriken in Verbindung steht. Das Verfahren kann auch Generieren einer Konsistenzflagvariable für jede Prozessmetrik innerhalb der Menge von Prozessmetriken inkludieren.
In einem anderen Aspekt arbeitet ein multivariabler Sender in Verbindung mit dem Messungsfusionsblock. Der Fusionsblock kann ein getrennter Verarbeitungsmodul sein, oder kann innerhalb des multivariablen Senders integriert sein. Ein multivariabler Sender ist ein Typ von einem Prozesssensor, der mehrere Messwertgeber hat und mehr als eine Prozessvariablenmessung generiert. Ein multivariabler Sender kann zwei oder mehr unabhängige Messungen der gleichen Messgröße (z.B. Temperatur) generieren, wobei jede Messung von einem unterschiedlichen Messwertgeber abgeleitet wird. Die unabhängigen Messungen können von dem gleichen (z.B. zwei unabhängige Temperaturmessungen) oder von einem unterschiedlichen Typ sein (z.B. zwei Temperaturmessungen und eine Druckmessung).
Es kann ein beispielhaftes Prozesssteuersystem eingerichtet werden, um verschiedene Prozessvariablen zu überwachen, die mit einem katalytischen Verarbeitungsgefäß in Verbindung stehen. Das Prozesssteuersystem kann validierte Temperaturmessungen empfangen müssen, die dem katalytischen Verarbeitungsgefäß in vorbestimmten Zeitintervallen entnommen werden, um den katalytischen Prozess zu überwachen und zu steuern. Um genauere Temperaturmessungen vorzusehen, können zwei multivariable Sender mit dem Verarbeitungsgefäß verbunden sein, wobei jeder zwei Temperaturmessungen erzeugt. Es kann ein Messungsfusionsblock verwendet werden, um die vier unabhängigen Temperaturmessungen, zwei von jedem multivariablen Sender, zu empfangen und zu verarbeiten.
Der Fusionsblock verarbeitet die unabhängigen Messungen (von dem gleichen Typ) um zu bestimmen, ob sie miteinander konsistent sind, um eine Menge von konsistenten Messungen zu identifizieren und um einen Messungsfusionsprozess durchzuführen, um eine kombinierte beste Schätzung der Messungen zu generieren.
In einem anderen Aspekt inkludiert ein Messungsinterpretationsblock einen Verarbeitungsmodul, der konfiguriert ist, eine Prozessmetrik von einem Prozesssensor zu empfangen. Der Verarbeitungsmodul führt einen Transformationsprozess zum Abbilden der Prozessmetrik auf einen Prozessparameter aus. Ein Ausgangsmodul ist konfiguriert, den Prozessparameter zu empfangen und ein Ausgangssignal zu generieren, das den Prozessparameter darstellt.
Die Messungsinterpretation kann einen Speichermodul inkludieren, der konfiguriert ist, Regeln, die durch den Transformationsprozess angewendet werden, zu speichern. Der Transformationsprozess kann die Prozessmetrik mit einem Schwellenparameter zum Abbilden der Prozessmetrik auf einen Prozessparameter vergleichen.
Die Prozessmetrik, die durch den Messungsinterpretationsblock empfangen wird, kann Messdaten und Ungewissheitsdaten inkludieren. Die Prozessmetrik, die durch den Messungsinterpretationsblock empfangen wird, kann auch eine Messstatusvariable inkludieren.
Der Prozesssensor, der mit dem Messungsinterpretationsblock in Verbindung steht, kann ein SEVA^TM-Prozesssensor sein, der konfiguriert ist, SEVA^TM-Prozessmetriken zu generieren. Das Ausgangssignal, das durch den Ausgangsmodul generiert wird, kann eines von einem Signal von 4–20 mA, einem Impulssignal und einem Alarmsignal sein.
Die Details von einer oder mehr Implementierungen werden in den begleitenden Zeichnungen und der Beschreibung nachstehend dargelegt. Andere Merkmale werden aus der Beschreibung und den Zeichnungen und aus den Ansprüchen offensichtlich.
BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockdiagramm eines Prozesssteuersystems, das ein Messungsfusionssystem einbezieht, das Messdaten von einem oder mehr Prozesssensoren empfängt und einer Prozesssteuervorrichtung verarbeitete Messdaten bereitstellt.
2 ist ein Blockdiagramm einer anderen Implementierung des Prozesssteuersystems von 1, das die Komponenten des Messungsfusionssystems zeigt.
3 ist eine Grafik, die beispielhafte überlappende Intervalle von Prozesssensormessungen zeigt, die nicht Moffat-konsistent sind.
4 ist eine Grafik von drei Prozesssensormessungen, die zeigt, dass die Konsistenzeigenschaften der Messungen nicht transistiv sind.
5 ist ein Diagramm, das eine Maximalgruppentechnik zum Finden einer maximalen Teilmenge von gegenseitig konsistenten Messungen aus einer Menge von Prozesssensormessungen veranschaulicht.
6 ist eine Pseudocodeauflistung eines erschöpfenden Suchprozesses zum Bestimmen der maximalen Gruppe.
7 ist eine Grafik, die Prozesssensormessungen mit überlappenden Intervallen zeigt und einen linearen Suchprozess zum Annähern der maximalen Gruppe veranschaulicht.
8 ist eine Pseudocodeauflistung eines linearen Suchprozesses zum Annähern der maximalen Gruppe.
9A–9C sind Grafiken von Prozessmetriken von einem fehlerfreien SEVA^TM-Prozesssensor mit einem konstanten wahren Wert.
10A–10F sind Grafiken von Prozessmetriken von einem SEVA^TM-Prozesssensor, der einen permanenten Sättigungsfehler aufweist, und einem Messungsfusionsblock, der mit einem ersten Beispiel in Verbindung steht.
11A–11F sind Grafiken von Prozessmetriken von einem SEVA^TM-Prozesssensor, der einen Driftfehler aufweist, und einem Messungsfusionsblock, der mit einem zweiten Beispiel in Verbindung steht.
12A–12C sind Grafiken von Prozessmetriken von einem SEVA^TM-Prozesssensor, der eine unkorrekte Darstellung der Messgröße erzeugt, und einem Messungsfusionsblock, der mit einem dritten Beispiel in Verbindung steht.
13 ist ein Diagramm, das einen Prozessmetrikinterpretationsblock zeigt, der betriebsfähig ist, SEVA^TM-Prozessmetriken in ein Ausgangssignal geringerer Bandbreite zu transformieren.
14 ist eine Grafik, die eine Mitgliedsfunktion darstellt, die mit einer Fuzzy-Variable mit Prozessmetrikeingabe in Verbindung steht.
Gleiche Bezugszeichen in den verschiedenen Zeichnungen zeigen gleiche Elemente an.
DETAILLIERTE BESCHREIBUNG
1 zeigt ein beispielhaftes Prozesssteuersystem 8, in dem eine Prozesssteuervorrichtung 10 Eingangssignale empfängt, die Eingangssignale verarbeitet und Ausgangssignale inkludierend Rückkopplungssignale anderen Vorrichtungen innerhalb des Prozesssteuersystems 8 bereitstellt. Spezieller empfängt die Prozesssteuervorrichtung 10 verarbeitete Messdaten von einem oder mehr Messungsfusionsblöcken 22, und kann auch Steuerinformation in einem Hauptsteuereingang 12 von einer externen Quelle empfangen. Die Steuerinformation, die in dem Hauptsteuereingang 12 empfangen wird, kann Steuerparameter von einer zentralen Steuerstelle inkludieren, wie etwa die, die gewöhnlich mit einer Materialverarbeitungseinrichtung in Verbindung steht. Die Prozesssteuervorrichtung 10 kann optional konfiguriert sein, bidirektional mit anderen Steuersystemen (nicht speziell gezeigt) über den Weg eines E/A-Kommunikationskanals 14 zu kommunizieren. Die Prozesssteuervorrichtung 10 kann auch einen oder mehr Ausgangssteuerkanäle 16 inkludieren, die konfiguriert sind, Steuersignale zu anderen Systemmodulen (z.B. den Messungsfusionsblöcken 22) vorzusehen, und inkludiert einen oder mehr Kanäle 28, die konfiguriert sind, Steuersignale zu dem Objekt oder Prozess 18, das/der unter einer Steuerung steht, vorzusehen. Die Steuersignale können Stellgliedsteuersignale inkludieren, um Ventile oder andere Vorrichtungen innerhalb des Prozesssteuersystems 8 zu betreiben. Jeder Ausgangssteuerkanal 16 und jeder Rückkopplungskanal 28 kann ein serieller Kommunikationskanal oder ein paralleler Kommunikationskanal sein.
Wie bei vielen Prozesssteuersystemen kann eine Messgröße, die mit dem System oder Objekt 18, das überwacht und/oder ge steuert wird, in Verbindung steht, durch einen oder mehr intelligente Prozesssensoren 20 unabhängig gemessen werden. Wie gezeigt, sind die Prozesssensoren 20 selbstvalidierende (SEVA^TM-) Sensoren, die SEVA^TM-Prozessmessdaten oder SEVA^TM-Prozessmetriken generieren. Die SEVA^TM-Prozessmetriken sind vorrichtungsunabhängige und anwendungsunabhängige Beschreibungen einer Messungen und ihrer Qualität, und inkludieren Messdaten (d.h. VMV), Ungewissheitsdaten (d.h. VU) und Messwertstatus (d.h. MV-Status) Variablen in Bezug auf den Status der Messdaten.
Mit fortgesetztem Bezug auf 1 ist jeder SEVA^TM-Sensor 20 mit einem Messungsfusionsblock, wie etwa einem SEVA^TM-Metrikfusionsblock 22, verbunden und kommuniziert mit ihm. Der Fusionsblock 22 verarbeitet die Messdaten (VMV), Ungewissheitsdaten (VU) und Messwertstatusdaten (MV-Status), die von jedem SEVA^TM-Sensor 20 empfangen werden. Bidirektionale Kommunikationsleitungen 24 verbinden jeden SEVA^TM-Sensor 20 mit seinem zugehörigen Fusionsblock 22. Der Fusionsblock 22 ist auch konfiguriert, eine Eingabe von der Prozesssteuervorrichtung 10 durch Steuerkanäle 16 zu empfangen und eine Ausgabe und/oder Rückkopplung in der Form von kombinierten SEVA^TM-Prozessmetriken zu der Steuervorrichtung 10 über den Weg von Ausgangskanälen 26 vorzusehen. Die Kommunikationsleitungen 24 und Ausgangskanäle 26 können unter Verwendung einer Vielfalt von analogen und digitalen Kommunikationstechniken einschließlich analoger hart verdrahteter oder Prozessschleifenkommunikationsleitungen, die für die besondere Anwendung gestaltet sind, oder eines Standard-Digitalprozesssteuerkommunikationsprotokolls, wie etwa Feldbus oder das FoxCom-Kommunikationsprotokoll, das ein digitales bidirektionales Kommunikationsprotokoll ist, das für Kommunikationen zwischen Vorrichtungen in Feldausstattungen und Steuersystemen verwendet wird und von Invensys Systems, Inc. verfügbar ist, implementiert werden.
Es existiert gegenwärtig eine Vielfalt von Mitteln, die entweder analoge oder digitale Kanäle mit sich bringen, zum Übermitteln von einem oder mehr Prozessparametern zwischen Feldkomponenten und/oder Softwaremodulen in Messsystemen und Prozesssteuersystemen. Derartige Protokolle können z.B. 4–20 mA, Frequenzimpulse, binäre Statusflags oder eine beliebige aus einer Reihe von digitalen Feldbuskommunikationstechniken inkludieren. Es wird angenommen, dass eine geeignete Technologie verwendet wird, um die hierin beschriebene inter-modulare Kommunikation vorzusehen.
2 zeigt ein Blockdiagramm von einem Messungsfusionsblock 22 und seine Verarbeitungskomponenten, die den Sensorfusionsprozess implementieren. Jeder Prozesssensor 20 ist mit dem zu messenden Prozess 18 verbunden und ist für eine Messung eines Prozessparameters, der mit dem Prozess 18 in Verbindung steht, verantwortlich. In einigen Fällen werden mehrere Sensoren zum Überwachen des gleichen Prozesses und des gleichen Prozessparameters verwendet, wobei die resultierenden Messungen kombiniert werden. In anderen Fällen werden getrennte Prozesse überwacht und die resultierenden Messungen werden kombiniert. Jeder Prozesssensor 20 inkludiert typischerweise einen Sender, der eine unabhängige Menge von SEVA^TM-Prozessmetriken dem Messungsfusionsblock 22 bereitstellt. Diese SEVA^TM-Prozessmetriken inkludieren VMV_x, VU_x und MV-STATUS_x. Jede Menge von Prozessmetriken kann durch einen unabhängigen Prozesssensor 20 erzeugt werden, wie gezeigt wird. Alternativ können alle Kalkulationen innerhalb eines Fusionsblocks 22 stattfinden, der sich in einem einzelnen Sender (nicht speziell gezeigt) befindet, der Messsignale von mehreren unabhängigen Messwertgebern empfängt, die mit dem Prozess 18 verbunden sind. Die Verfahren zum Generieren der kombinierten besten Schätzung (CBE) sind in jedem Fall größtenteils identisch.
Jeder Fusionsblock 22 inkludiert einen Prozessor 50 und unterstützende Hardware, wie etwa einen Speicher 52, der betriebsfähig ist, mehrere Prozesse zum Interpretieren von SEVA^TM- und Nicht-SEVA^TM-Messdaten auszuführen, um die gesamte Steuerung einer besonderen Messungs- und/oder Prozesssteueranwendung zu verbessern. Die Prozesse können über Softwareroutinen, Computerhardware oder eine Kombination davon implementiert werden. In dieser beispielhaften Implementierung sind vier Prozesssensoren 20 mit dem Fusionsblock 22 verbunden und generieren Messdaten durch Überwachung der gleichen Messgröße (z.B. Temperatur), die mit dem Prozess 18 in Verbindung steht.
Der Fusionsblock 22 ist gestaltet, Messdaten und/oder Prozessmetriken von mehreren Prozesssensoren 20 zu empfangen, wobei jeder Prozesssensor 20 die gleiche Prozessvariable überwacht. Der Fusionsblock 22 kann jedoch auch SEVA^TM-Messdaten und/oder Prozessmetriken von nur einem Prozesssensor 20 empfangen und verarbeiten. Die SEVA^TM-Metriken von jedem der Prozesssensoren 20 werden weiter verarbeitet und kombiniert, um eine kombinierte beste Schätzung (CBE) der Metriken zu erzeugen (z.B. VMV, VU und MV-Status). Während der Fusionsblock 22 im Kontext von Empfang und Verarbeitung von SEVA^TM-Messdaten von SEVA^TM-Prozesssensoren 20 beschrieben wird, sollte verstanden werden, dass der Fusionsblock 22 auch betriebsfähig ist, Nicht-SEVA^TM-Messdaten von Nicht-SEVA^TM-Prozesssensoren zu empfangen. Außerdem ist der Analyseprozess, der innerhalb des Fusionsblocks 22 ausgeführt wird, zum Verarbeiten und Kombinieren von sowohl SEVA^TM- als auch Nicht-SEVA^TM-Messdaten fähig, die von einer Vielfalt von Prozesssensoren 20 generiert werden.
Wie detaillierter beschrieben wird, führt jeder Fusionsblock 22 einen Konsistenzanalyseprozess aus, um die Konsistenz zwi schen den redundanten SEVA^TM-Messungen zu bestimmen, optional eine konsistente Menge von Messungen zu identifizieren, Messungen, die als Sonderfälle bestimmt sind, zu verarbeiten und Ungewissheitszuwachs durchzuführen. Jeder Fusionsblock 22 führt auch einen Fusionsprozess aus, um einige oder alle der SEVA^TM-Messungen zu kombinieren oder zu fusionieren, um eine kombinierte beste Schätzung der Prozessvariablen aus den unabhängigen Messungen zu generieren, die von den SEVA^TM-Prozesssensoren 20 empfangen werden. In einer Implementierung werden nur Messungen, die bestimmt werden, miteinander konsistent zu sein, kombiniert, um die kombinierte beste Schätzung der Prozessvariablen zu erzeugen. In einer Implementierung, die nachstehend detaillierter beschrieben wird, werden Messungen, die bestimmt sind, inkonsistent zu sein, durch weitere Verarbeitungsschritte modifiziert und dann mit der Menge von konsistenten Messungen kombiniert oder fusioniert.
Der Fusionsblock 22 führt einen Typ von Konsistenzanalyseprozess aus, wenn Mess- und Ungewissheitsdaten von zwei Prozesssensoren 20 analysiert werden. Der Fusionsblock 22 führt einen anderen, aber verwandten Konsistenzanalyseprozess aus, wenn Mess- und Ungewissheitsdaten von drei oder mehr Prozesssensoren 20 analysiert werden. Der Fusionsblock 22 kann noch einen anderen Messdatenanalyseprozess ausführen, wenn mit dem Fusionsblock 22 nur ein Prozesssensor 20 verbunden ist. In einer derartigen beispielhaften Implementierung unter Verwendung von einem Prozesssensor 20 verfolgt der Analyseprozess, der durch den Fusionsblock 22 ausgeführt wird, mit der Zeit eine Serie von SEVA^TM-Metriken von dem einzelnen Prozesssensor 20 und trifft Entscheidungen oder erfasst das Vorhandensein eines Fehlers basierend auf Änderungen in der Messqualität von diesem Prozesssensor 20.
Der Prozessor 50 innerhalb des Fusionsblocks 22 inkludiert einen Konsistenzanalysemodul 60, der einen Konsistenzanalyse prozess 62 ausführt. Der Konsistenzanalyseprozess 62 analysiert die Menge von unabhängigen Messungen und Prozessmetriken von den Prozesssensoren 20, die mit dem Fusionsblock 22 verbunden sind. In der Praxis sind die unabhängigen Messungen, die von den Prozesssensoren 20 empfangen werden, nicht notwendigerweise miteinander konsistent. Der Konsistenzanalyseprozess 62 bestimmt, ob eine beliebige der Prozessmetriken mit den anderen Prozessmetriken inkonsistent ist, und Prozess 64 identifiziert die konsistente Menge von Prozessmetriken. Der Konsistenzanalysemodul 60 führt auch einen Sonderfallbehandlungsprozess 66 aus. Die Prozessschritte, die innerhalb des Konsistenzanalysemoduls 60 ausgeführt werden, werden nachstehend detaillierter beschrieben.
Der Prozessor 50 innerhalb des Fusionsblocks 22 inkludiert auch einen Sensorfusionsmodul 70, der einen Sensorfusionsprozess 72 ausführt. Der Sensorfusionsprozess analysiert und kombiniert die unabhängigen Messungen oder Prozessmetriken von dem Konsistenzanalysemodul 60, um die kombinierte beste Schätzung zu generieren. In einer Implementierung analysiert der Sensorfusionsprozess 72 die Menge von Messungen und Metriken von den mehreren unabhängigen Prozesssensoren 20, die die gleiche Prozessvariable messen. Der Sensorfusionsprozess 72 führt einen Prozess aus, um eine beliebige Zahl von konsistenten Messungen und ihren zugehörigen Ungewissheiten zu kombinieren, um eine kombinierte beste Schätzung des wahren Werts der Prozessvariablen zu erzeugen. Der Sensorfusionsprozess 72 trägt mehreren Faktoren Rechnung, inkludierend das Modell der Messgröße, die zu verfolgen ist, das Modell der Messungewissheit, die Technik zum Beurteilen von Konsistenz der Messungen (verwendet durch den Konsistenzanalyseprozess 62), die Technik zum Handhaben inkonsistenter Messungen (verwendet durch den Sonderfallbehandlungsprozess 66) und die Technik zum Kombinieren der konsistenten Messungen, um eine kombinierte beste Schätzung der Messungen vorzusehen.
Um den Sensorfusionsprozess 72 besser zu verstehen, wird der Fall von n SEVA^TM-Prozesssensormessungen x_i betrachtet, wobei i = 1, ..., n ist, mit ihren zugehörigen Ungewissheiten u_i, die alle die gleiche einzelne bewertete Messgröße oder Prozessvariable schätzen. Nachdem der Sonderfallbehandlungsprozess 66 Messwerte behandelt und weiter verarbeitet, die als Sonderfälle betrachtet werden, bestimmt und generiert der Sensorfusionsprozess 72 die kombinierte beste Schätzung (CBE) der Messgröße und ihre Ungewissheit unter Verwendung des folgenden Prozesses. Bei gegebenen n SEVA^TM-Messungen x_i mit ihren zugehörigen Ungewissheiten u_i und unter Annahme, dass die Messungen konsistent und unabhängig abgeleitet sind, ergibt sich die kombinierte beste Schätzung (CBE) x* und ihre Ungewissheit u* durch:
Es sollte vermerkt werden, dass die Kombinationsoperation assoziativ ist. Der Sensorfusionsprozess 72 bestimmt auch den MV-Status für die kombinierte Messung basierend auf der Konsistenz der eingegebenen Messungen ebenso wie ihre einzelnen MV-Statuswerte. Somit ist die Ausgabe des Fusionsblocks 22 eine einzelne SEVA^TM-Prozessmetrik oder Messung (CBE), die die "beste Schätzung" der kombinierten Messungen inkludierend die VMV, VU und MV-Status, die mit der kombinierten Messung in Verbindung stehen, darstellt. Der Sensorfusionsprozess 72 kann auch ein Konsistenzflag generieren, falls mehrere Messungen als inkonsistent miteinander herausgefunden werden.
Die CBE und in einigen Fällen das Konsistenzflag werden dann der Prozesssteuervorrichtung 10 in einem oder mehr der Ausgangskanäle 26 bereitgestellt.
1. Konsistenzprüfung
Wie oben beschrieben, führt der Konsistenzanalysemodul 60 einen Konsistenzanalyseprozess 62 aus um zu bestimmen, welche der unabhängigen Prozessmetriken innerhalb der Menge von unabhängigen Prozessmetriken miteinander konsistent sind. Verschiedene Ursachen von Inkonsistenzen inkludieren zufällige Schwankungen in fehlerfreien Prozesssensoren, eine nicht erfasste Fehlerbedingung und/oder die empfangene Messung, die einen verfügbaren Wert an Stelle des idealen oder wahren Werts widerspiegelt.
A. Konsistente kontra inkonsistente Messungen
Konsistente Messungen stimmen miteinander über ein, wie durch ein nachstehend detaillierter beschriebenes Kriterium angezeigt. Inkonsistenzen können aus beliebigen der folgenden drei Gründe entstehen.
Selbst wenn alle redundanten Messungen einzeln die Messgröße darstellen, können zunächst zufällige Schwankungen zu gegenseitigen Inkonsistenzen führen, die von Abtastwert zu Abtastwert auftreten. Die anderen Gründe für Inkonsistenzen sind dadurch schwerwiegender, dass sie eine Fehldarstellung der Messgröße durch eine oder mehr Messungen nach sich ziehen.
Zweitens wird jede Messung durch einen Prozesssensor 20 generiert, der detaillierte und vorrichtungsspezifische Fehlererfassung vorsehen sollte. Es kann vernünftig sein anzunehmen, das ein kommerzieller Prozesssensor in der Lage sein sollte, zwischen 90% und 99,9% von allen Vorkommen von Fehlern inner halb sich selbst zu erfassen, was Fehler, die schwierig inhärent zu erfassen sind, und kommerzielle Gestaltungsschwierigkeiten wegen Kosten-/Nutzen-Kompromissen gestattet. So gibt es die Möglichkeit, dass ein Prozesssensor versagen kann, einen Fehler innerhalb sich selbst zu erkennen, und als ein Ergebnis eine nicht repräsentative oder unkorrekte Messung generiert. In einem Prozesssensor mit einem einzelnen Sender, der rohe Daten von mehreren Messwertgebern empfängt, kann Konsistenzprüfung die Hauptform zum Validieren der rohen Daten sein, da interne Inkonsistenzen häufiger auftreten können.
Drittens ist ein Prozesssensor nur in der Lage, den verfügbaren Wert einer Prozessvariable zu messen, an Stelle des idealen oder wahren Werts der Prozessvariablen. Z.B. kann die mittlere Temperatur innerhalb eines Druckgefäßes die Prozessvariable von Interesse sein (auch als eine Messgröße bezeichnet), aber in der Praxis sind nur lokalisierte Temperaturen in der Nähe der Gefäßwand verfügbar. Eine bessere Schätzung der mittleren Temperatur kann durch Kombinieren zweier Temperaturmessungen erhalten werden. Ungeachtet beliebiger Prozesssensorfehler ist es für die beiden Messungen möglich inkonsistent zu werden, falls sich z.B. ein signifikanter Temperaturgradient über dem Gefäß entwickelt. Diese Erscheinung wird als verfügbare Messungsdrift bezeichnet.
Das grundsätzliche Prinzip von Konsistenzprüfungen ist, inkorrekte Messungen zu identifizieren. Als Teil dieses Identifikationsprozesses wird angenommen, dass inkorrekte Messungen relativ selten sind und dass korrekte Messungen wahrscheinlich konsistent miteinander sind.
Es folgt, dass falls eine Messung innerhalb einer Menge von unabhängigen Messungen zu dem Rest inkonsistent ist, es wahrscheinlich ist, dass die eine inkonsistente Messung inkorrekt ist, da die Alternative (dass die eine Messung korrekt ist und alle anderen Messungen inkorrekt sind) viel weniger wahrscheinlich ist. In Verallgemeinerung wird das Prinzip eines Mehrheitsvotums derart abgeleitet, dass falls eine Mehrheit von Messungen konsistent ist, sie angenommen werden korrekt zu sein, und eine beliebige Minderheit von Messungen, die zu der Mehrheit inkonsistent sind, als inkorrekt beurteilt werden. Falls es keine Mehrheitszählung gibt, dann werden alternative Kalkulationen durchgeführt. Somit ist das Leitprinzip, dass Inkonsistenz Unkorrektheit impliziert.
B. Konsistenzprüfung für zwei Messungen
Bei gegebenen zwei unabhängigen Messungen x und zugehörigen Ungewissheiten u, (x₁, u₁) und (x₂, u₂) besagt das Moffat-Kriterium, dass die Messungen konsistent sind (mit einer Wahrscheinlichkeit von 95%), falls:
Das Moffat-Konsistenzkriterium stellt sicher, dass die kombinierte beste Schätzung (CBE) von zwei Messungen innerhalb der Ungewissheit von jeder fällt. Zusätzliche Details des Moffat-Konsistenzkriteriums werden in "Contributions to the Theory of Single Sample Uncertainty Analysis" von R.J. Moffat, ASME Journal of Fluid Engineering, Vol. 104, S. 250–260, 1982 beschrieben, was hierin durch Bezugnahme einbezogen wird.
Die Erfassung von Inkonsistenzen zwischen redundanten Messungen ist ein bekanntes Untersuchungsgebiet. Als Teil des Konsistenzanalyseprozesses 62 werden die Messungen als eine Zeitserie von Punktwerten behandelt. Im Allgemeinen wird dem Ungewissheitsintervall, das jede Messung umgibt, keine Beachtung geschenkt, da die Größe der Ungewissheit gewöhnlich nicht verfügbar ist.
Gemäß bekannten Techniken analytischer Redundanz werden bei einer gegebenen Menge von redundanten Messungen eine oder mehr Restfunktionen erstellt, jede von denen gestaltet ist, "nahe" Null zu verbleiben, solange wie die Messungen konsistent sind. Wenn ein Fehler auftritt, kann eine Vielfalt von Techniken angewendet werden um zu bestimmen, welcher Sensor (oder andere Systemkomponente) für die Inkonsistenz verantwortlich ist. Normalerweise ziehen derartige Techniken eine Modellierung des dynamischen Verhaltens des Systems und/oder Sensorfehlermodi nach sich, was schwierig und/oder aufwändig sein kann. Es können auch Auswahlen über jede entscheidungstreffende Schwelle vorgenommen werden, d.h. der Wert, der, falls durch eine Restfunktion überschritten, eine beträchtliche Inkonsistenz anzeigt. Die Verfügbarkeit der Ungewissheit von jeder Messung sieht eine größere Menge von Information vor, mit der zu arbeiten ist.
Moffat sieht ein Verfahren zum Testen von Konsistenz zwischen zwei Messungen x₁ und x₂ bei ihren gegebenen Ungewissheiten u₁ und u₂ vor. Unter der Hypothese, dass die Messungen korrekt sind, d.h. dass sie die gleiche Messgröße darstellen, sollte dann die Funktion
nahe Null sein. Mit anderen Worten wird erwartet, dass
ist, wobei d^M ₁₂ der Moffat-Abstand ist, der das folgende Kriterium (hierin das Moffat-Kriterium) mit der gewöhnlichen (d.h. 95%) Wahrscheinlichkeit erfüllt:
Der Moffat-Konsistenztest kann somit als eine einfache statische Form einer Restfunktion gesehen werden. Diese Definition von Konsistenz ist etwas kontra-intuitiv dadurch, dass sich Ungewissheitsintervalle überlappen können und dennoch als inkonsistent deklariert sind, wie in dem folgenden Beispiel veranschaulicht wird.
3 veranschaulicht ein Beispiel von überlappenden Intervallen, die nicht Moffat-konsistent sind. Angenommen z.B., dass die wahre Messgröße 0 ist und und dass die beiden Prozesssensoren Messungen x₁ und x₂ mit einer Verteilung
(0,1) generieren, folgt dann, dass u₁ = u₂ = 1,96 ist. Falls in einem bestimmten Moment x₁ = –1,5 und x₂ = +1,5 sind, kann gesehen werden, dass die Ungewissheitsintervalle den wahren Wert und einander überlappen und dennoch der Konsistenztest für φ = –3 und u_φ = √2 × 1,96 = 2,77 fehlschlägt. Mit anderen Worten, beide Messungen sind korrekt, und dennoch sind sie nicht konsistent. Dies ist so wegen der wahrscheinlichkeitstheoretischen Natur des Tests. Es sollte vermerkt werden, dass die Chance eines Fehlers vom Typ I 95% ist. Da die Verteilungen normal sind, kann dies analytisch bestätigt werden: x₁ und x₂ sind
(0,1), sodass φ = x₁–x₂ eine Verteilung
(0,2) hat. Somit gibt es eine Wahrscheinlichkeit von 5%, dass ein zufälliger Abtastwert von dieser Verteilung außerhalb des Ungewissheitsintervalls u_φ = √2 × 1,96 = 2,77 fällt.
Der Grad einer Überlappung, der für Moffat-Konsistenz erforderlich ist, ist maximal, wenn u₁ = u₂ ist. Angenommen, u₁ wird konstant gehalten und u₂ wird erhöht, dann verringert sich der Grad einer Überlappung, der für Konsistenz erforderlich ist, als eine Proportion von u₁ asymptotisch auf Null. Somit stellt Moffat-Konsistenz sicher, dass die kombinierte beste Schätzung (CBE) der zwei Messungen innerhalb der Ungewissheitsintervalle von jeder fällt. Ein logisches Korollar ist, dass es eine Überlappung zwischen den beiden Ungewissheitsintervallen geben muss und dass die CBE innerhalb der Überlappung fällt. Falls x₁ und x₂ Moffat-konsistent sind, ist dann außerdem die CBE (mit ihrer reduzierten Ungewissheit) auch mit x₁ und x₂ Moffat-konsistent.
Der Schwellwert vom Typ I von 5% ist vermutlich für die Analyse von experimentellen Daten akzeptabel. Für die Zwecke einer Online-Überwachung von redundanten Messungen im Kontext einer industriellen Prozesssteuerung ist diese Wahrscheinlichkeit jedoch zu hoch, und kann zu einem stetigen Strom von trivialen Alarmen führen. Die Alarmhäufigkeit kann durch Modifizieren des Tests, das Testkriterium ku_φ <= φ <= ku_φ zu verwenden, um Konsistenz zu demonstrieren, wobei k ein fixierter, aber beliebiger Wert ist, der die Wahrscheinlichkeit eines Fehlers vom Typ I steuert, reduziert werden. Der Wert k = √2 hat einen intuitiven Anreiz, da er zu zwei Ungewissheitsintervallen von gleicher Größe führen würde, die konsistent deklariert werden, falls es eine beliebige Überlappung zwischen ihnen gibt, und hat einen reduzierten Fehler vom Typ I von ungefähr 0,25%. Falls sich jedoch u₂ bezüglich u₁ erhöht, wird das kontra-intuitive Ergebnis abgeleitet, dass zwei Intervalle konsistent sind, selbst wenn sie sich überhaupt nicht überlappen, und selbst wenn es eine große Lücke zwischen ihnen gibt. Unter Verwendung von z.B. k = √2 sind alle folgenden Ungewissheitsintervallpaare konsistent, selbst wenn sich die Ungewissheitsintervalle nicht überlappen:

(1) 0 ± 1 und 1,99 ± 1;
(2) 0 ± 1 und 14 ± 10; und
(3) 0 ± 1 und 140 ± 100.

Daraus kann geschlossen werden, dass k = 1 der einzige akzeptable Wert ist. Es verbleibt die Besorgnis, dass die Wahrscheinlichkeit von 5% eines Fehlers vom Typ I zu groß ist.
Ein weiterer Ansatz kann einfach zwei Messungen als konsistent definieren, falls sich ihre Ungewissheitsintervalle überlappen. Dieser Ansatz kann überlappende Konsistenz genannt werden.
2. Bestimmung von Konsistenz von drei oder mehr Messungen
Eine der Schwierigkeiten, die mit Prüfung der Konsistenz von drei oder mehr Prozessmetriken verbunden ist, ist, dass weder das Moffat-Konsistenzkriterium noch die überlappende Konsistenz transitiv ist. Eine Lösung ist, die maximale Teilmenge von gegenseitig konsistenten Messungen zu finden, die als die konsistente Menge bezeichnet werden kann. Diese Technik entspricht dem Maximalgruppenproblem aus der Graphentheorie. Sobald die maximale Teilmenge von gegenseitig konsistenten Messungen gefunden ist, werden die Messungen außerhalb der konsistente Menge, oder Sonderfälle, behandelt.
Damit das Prinzip des Mehrheitsvotums anwendbar ist, muss der Konsistenzanalysemodul 60 drei oder mehr Messungen haben. Wenn zwei Messungen als inkonsistent miteinander gefunden werden, kann ein Mehrheitsvotum den Konflikt nicht auflösen. Für mehr als zwei Messungen führen jedoch sowohl Moffat's Definition von Konsistenz als auch überlappende Konsistenz ein Problem dadurch ein, dass das Konsistenzkriterium nicht transitiv ist. Z.B. veranschaulicht 4, dass –1 ± 1 mit 0 ± 1 konsistent ist und dass 0 ± 1 mit 1 ± 1 konsistent ist. –1 ± 1 ist jedoch nicht mit 1 ± 1 konsistent.
Des Weiteren wurde gezeigt, dass es eine Wahrscheinlichkeit von 5% gibt, dass beliebige zwei korrekte Messungen der gleichen Messgröße nicht konsistent sind. Bei einer gegebenen Menge von drei oder mehr unabhängigen Messungen, die kombiniert werden müssen, sollten somit zwei Problemkreise be trachtet werden. Zuerst muss die maximale Teilmenge von gegenseitig konsistenten Messungen gefunden und die konsistente Teilmenge deklariert werden. Zweitens müssen die Messungen außerhalb dieser Teilmenge, die Sonderfälle genannt werden, unter Berücksichtigung dessen behandelt werden, dass Inkonsistenz auch wegen wahrscheinlichkeitstheoretischem Jittern an Stelle eines Prozesssensorfehlers auftreten kann.
A. Konsistenzprüfung
Mit Bezug auf 5 kann gezeigt werden, dass das Problem zum Finden der maximalen Teilmenge von gegenseitig konsistenten Messungen dem Maximalgruppenproblem in der Graphentheorie entspricht. D.h. bei einer gegebenen Menge von Knoten 90 und Bögen 92 Finden der maximalen Teilmenge von Knoten (auch eine Gruppe genannt) mit der Eigenschaft, dass jeder Knoten 90 aus der Teilmenge mit jedem anderen Knoten aus der Teilmenge verbunden ist. Falls jeder Knoten 90 eine Messung ist und jeder Bogen 92 eine Konsistenzbeziehung ist, dann entspricht dies dem Problem einer Messungskonsistenzprüfung.
Es ist eine erschöpfende Suche erforderlich, um das Maximalgruppenproblem zu lösen. Es wird eine Menge von n SEVR^TM-Messungen x_i mit Ungewissheiten u_i, i = 1, 2, ..., n betrachtet. Eine Voraussetzung für die Suche ist der Aufbau eines Messungsgraphen. Die n Knoten sind die Werte x_i, während das Vorhandensein eines Bogens zwischen x_i und x_j dadurch bestimmt wird, ob sie konsistent sind, d.h. ob x_i mit x_j konsistent ist. p sei die maximale Gruppenordnung. Der Suchprozess beginnt durch Versuchen p = n (d.h. alle Messungen sind konsistent) und arbeitet sich systematisch herunter, bis eine Gruppe gefunden oder bis p = 1 ist. Wenn eine Gruppe gefunden ist, setzt sich der Prozess fort, um weiter nach beliebigen anderen Gruppen der gleichen Ordnung zu suchen.
6 zeigt einen exemplarischen Pseudocode zum Implementieren der Schritte des erschöpfenden Suchprozesses und kann in einer Implementierung des Konsistenzanalyseprozesses 62, der durch den Konsistenzanalysemodul 60 ausgeführt wird, durchgeführt werden. Der erste Schritt in dem Prozess ist der Initialisierungsschritt, in dem der Moffat-Abstand für jede Messung in der Menge von Messungen berechnet wird. Als Nächstes baut der Prozess einen Messungsgraphen auf. Der zweite Schritt in dem Prozess involviert eine Suche nach den maximalen Gruppen innerhalb des Messungsgraphen. Die Suche beginnt durch Bestimmen dessen, ob alle Messungen miteinander konsistent sind. Als Nächstes wird ein Prozess wiederholt, um einen Baum aus allen möglichen Kombinationen von n Knoten (die n SEVA^TM-Messungen darstellen) aufzubauen, genommen in Mengen von p (die maximale Gruppenordnung). Die Suche setzt sich durch Durchsuchen des gesamten Baums und Aufzeichnen aller Gruppen, die während der Suche gefunden werden, fort. Die maximale Gruppenordnung p wird um l reduziert, und der erschöpfende Suchprozess setzt sich bis p = 1 fort.
B. Annäherung der maximalen Gruppe durch lineare Suche
Die erschöpfende Suche nach den maximalen Gruppen kann verarbeitungsintensiv werden, wenn sich die Anzahl von Messungen erhöht und sich die Ordnung der maximalen Gruppe verringert. Um die Herausforderungen zu überwinden, die mit der erschöpfenden Suche in Verbindung stehen, kann ein wechselnder Suchprozess zum Annähern der maximalen Gruppe verwendet werden. Dieser Prozess zum Annähern der maximalen Gruppe verwendet überlappende Intervalle an Stelle des Moffat-Kriteriums, um Konsistenz zu überprüfen. Da dieses Verfahren in der Zahl von Messungen linear ist, hat es weit weniger Komplexität als die erschöpfende Suche. Moffat-Konsistenz wird innerhalb der resultierenden Gruppen durch eine letztere Verarbeitungsstufe sichergestellt, die Ungewissheitszuwachs genannt wird, was nachstehend detaillierter beschrieben wird. Diese Technik ist auch anwendbar, wo Überlappung als ein Konsistenzkriterium verwendet wird.
Es wird erneut die Menge von n SEVA^TM-Messungen x_i mit Ungewissheiten u_i, i = 1, 2, ..., n betrachtet, und das Ungewissheitsintervall für die i-te Messung, i = 1, 2, ..., n, sei (l_i, h_i), wobei l = x_i – u_i und h_i = x_i + u_i die oberen bzw. unteren Begrenzungen sind. Die Menge von n Messungen kann dann durch eine geordnete Begrenzungsliste beschrieben werden, die alle l_i und h_i enthält. Ohne Verlust von Allgemeingültigkeit kann x_i angenommen werden geordnet zu sein, sodass l₁ < l₂ < ... < l_n ist. Das h_i kann in einer beliebigen Ordnung auftreten, verschachtelt durch das l_i, Gegenstand nur der Beschränkung, dass h_i > l_i ist (und daher h_i > l_k, k = 1 ... i). Die überlappenden Intervalle werden leicht durch Durchschreiten der geordneten Liste von Begrenzungen identifiziert. Die Annäherung der maximalen Gruppe(n) ergibt sich durch die Messungen mit Ungewissheitsintervallen, die den (die) Bereich e) einer maximalen Überlappung definieren.
7 ist eine Grafik, die das Verfahren veranschaulicht. Die Begrenzungsliste ist in diesem Fall durch l₁ l₂ h₁ l₃ l₄ l₅ h₄ h₃ h₅ h₂ gegeben. Der Punkt einer maximalen Überlappung involviert Messungen 2, 3, 4 und 5, die deshalb als eine Annäherung der maximalen Gruppe betrachtet werden.
Die Schritte für eine Annäherung der maximalen Gruppe(n) durch einen linearen Suchprozess werden in 8 zusammengefasst, und können in einer anderen Implementierung des Konsistenzanalyseprozesses 62, der durch den Konsistenzanalysemodul 60 ausgeführt wird, durchgeführt werden. Der Prozess durchläuft die Begrenzungsliste in steigender Reihenfolge. Wenn auf eine untere Grenze getroffen wird, wird die entsprechende Messung der Menge von aktiven Messungen hinzugefügt, deren Ordnung p somit inkrementiert wird. Wenn auf eine obere Grenze getroffen wird, wird die entsprechende Messung aus der Menge von aktiven Messungen entfernt, deren Ordnung somit dekrementiert wird. Falls die Ordnung der Menge aktiver Messungen alle vorherigen Werte überschreitet, wird in jeder Stufe dann die aktive Menge die neue maximalen Gruppe. Falls ihre Ordnung der der aktuellen maximalen Gruppe gleich ist, dann wird die Menge als eine zusätzliche maximale Gruppe gespeichert.
C. Verarbeitung von Sonderfällen
Bezugnehmend zurück auf 2 führt ein Sonderfallverarbeitungsmodul 66 einen Sonderfallbehandlungsprozess gemäß der folgenden Technik aus. Eine inkonsistente Messung kann durch eine ausreichende Erhöhung in ihrer Ungewissheit konsistent gemacht werden. Dies wird auch als Ungewissheitszuwachs bezeichnet. Die Technik wird durch Herstellen von Konsistenz für jene peripheren Messungen, für die die erforderliche Erhöhung nicht zu groß ist, mit der Kernmessung, und Verwerfen der verbleibenden Messungen (für die die Erhöhung zu groß ist) als wahre Sonderfälle durchgeführt.
Nach Finden oder Annähern einer maximalen Gruppe wäre ein offensichtlicher nächster Schritt, die maximale Gruppe zu verwenden, um die CBE unter Verwendung der folgenden Gleichungen zu kalkulieren und alle Sonderfälle zu ignorieren.
Ein derartiger Ansatz weist jedoch eine Reihe von Schwierigkeiten auf. Zunächst gibt es angesichts der wahrscheinlichkeitstheoretischen Natur der Ungewissheit, selbst wenn alle Messungen richtige Darstellungen der Messgröße sind, nur eine Chance von 95%, dass jedes Paar konsistent ist. Während die Zahl von Eingaben wächst, verringert sich die Wahrscheinlichkeit, dass alle Messungen konsistent sind. Mit z.B. zehn normal verteilten Messungen mit gleicher Abweichung und Mittelwert gibt es nur eine Chance von 85%, dass zu einem beliebigen gegebenen Zeitpunkt alle zehn Messungen konsistent sind.
Falls zweitens durchschnittlich eine Messung nur marginal mit dem Rest konsistent ist, dann kann Abtastwert für Abtastwert die Messung regelmäßig zwischen als konsistent und als inkonsistent beurteilt umgeschaltet werden. Dies wird unerwünschtes Jittern in der CBE generieren.
Drittens ist es möglich, dass es zu einem beliebigen gegebenen Zeitpunkt mehr als eine maximale Gruppe geben kann. Mit z. B. drei Messungen x₁, x₂ und x₃ derart, dass x₁ mit x₂ konsistent ist und x₂ mit x₃ konsistent ist, während x₁ nicht mit x₃ konsistent ist, gibt es dann zwei maximale Gruppen, (x₁, x₂) und (x₂, x₃). Als ein Ergebnis ist es nicht leicht offensichtlich, welche der maximalen Gruppen zum Kalkulieren der CBE zu verwenden ist.
Es kann die folgende Strategie als Teil des Sonderfallbehandlungsprozesses implementiert werden, um diese Problemkreise zu lösen. Die zugrunde liegende Idee ist, dass eine beliebige inkonsistente Messung durch eine ausreichende Erhöhung in der eigenen Ungewissheit der Messung konsistent gemacht werden kann, und dass eine derartige Erhöhung eine Verringerung in dem Gewicht dieser Messung in der CBE bewirken wird. Dieser Ansatz basiert nicht auf der Ungewissheitstheorie, sondern ist viel mehr ein heuristischer Ansatz, der die wünschenswer ten Charakteristika einer Glättung über wahrscheinlichkeitstheoretisches Inkonsistenzjittern und Vorsehen einer glatten Verringerung einer Gewichtung für inkonsistente Messungen hat.
In dem allgemeinsten Fall, wenn es mehr als eine Gruppe gibt, können die Messungen in zwei Mengen partitioniert werden:

1. Die Kernmenge, die die Schnittmenge aller maximalen Gruppen ist; und
2. Die periphere Menge, die der Rest der Messungen ist (d.h. jene, die entweder in mindestens einer der maximalen Gruppen sind, aber nicht in der Kernmenge, oder jene außerhalb einer beliebigen maximalen Gruppe).

Falls die maximalen Gruppen unter Verwendung des erschöpfenden Suchprozesses gefunden wurden, dann ist die gegenseitige Moffat-Konsistenz der Messungen innerhalb jeder Gruppe sichergestellt. Dies ist jedoch nicht garantiert, der Fall mit dem linearen Suchprozess zu sein. Somit sollte für die Kern- und peripheren Mengen, die aus dem linearen Suchprozess resultieren, eine zusätzliche Konsistenzprüfung vorgenommen werden, bevor die CBE berechnet wird.
Der erste Schritt ist, einen maximalen Moffat-Abstand d^M _max zwischen Paaren von Messungen aus der Kernmenge zu berechnen. Falls der maximale Moffat-Abstand größer als eins ist, dann ist mindestens eines der Messungspaare inkonsistent. Die Ungewissheiten u_i von allen Messungen aus der Kernmenge wird dann auf u^t _i = d^M _max u_i erhöht, die Werte sind, die gegenseitige Konsistenz sicherstellen werden.
Es wird dann wiederum jede Messung aus der peripheren Menge betrachtet, und der maximale Moffat-Abstand zu den Messungen in der Kernmenge wird gefunden. Falls dieser Abstand größer als eine angegebene Schwelle ist (z.B. 3), dann wird die Messung beurteilt, ein wahrer Sonderfall zu sein und wird ignoriert. Falls jedoch dieser Abstand kleiner als die angegebene Schwelle ist, dann wird das Ungewissheitsintervall für die Messung erweitert, wie beschrieben, um die Messung mit den Messungen in der Kernmenge konsistent zu machen. Die Messungen aus der peripheren Menge, die so verarbeitet werden, werden dann mit jenen in der Kernmenge vereinigt, um die CBE zu erhalten. Dieser Prozess von Ungewissheitszuwachs reduziert, aber beseitigt nicht den Einfluss der einbezogenen Messungen auf die CBE. Falls insbesondere eine Messung langsam in Inkonsistenz zu dem Rest driftet, stellt Ungewissheitszuwachs eine glatte Verringerung vom Einfluss auf die CBE sicher, bevor die Messung endgültig als ein Sonderfall gekennzeichnet wird.
Ein Umstand, der durch den obigen Prozess nicht abgedeckt wird, ist, wo es mehrere maximale Gruppen ohne Schnittmenge zwischen ihnen gibt. Bei Erfassung dieser Situation wird eine "mittlere Gruppe" als die maximale Gruppe, die dem Mittelwert der vereinigten Werte für jede maximale Gruppe am nächsten ist, gefunden. Die mittlere Gruppe wird dann betrachtet, die Kernmenge zu sein, während die periphere Menge die verbleibenden Messungen enthält.
D. Betrieb vom Messungsfusionsblock
Mit erneutem Bezug auf 2 führt bei einer gegebenen Menge von n SEVA^TM-Messungen (x_i, u_i, status_i), die für Konsistenz und Sonderfälle verarbeitet wurden, der Sensorfusionsmodul 70 den folgenden Prozess aus. Zuerst kalkuliert der Sensorfusionsprozess 72 die CBE und ihre Ungewissheit unter Verwendung des oben beschriebenen Prozesses. Normalerweise wird der VMV, der durch den Sensorfusionsprozess 72 ausgegeben wird, gleich der CBE gesetzt, und die VU wird gleich seiner Ungewissheit gesetzt.
Als Nächstes weist der Sensorfusionsmodul 70 den MV-Status der kombinierten Messdatenmenge zu. Als eine Konfigurationsoption kann der Benutzer die minimale akzeptable Größe der maximalen Gruppe zuweisen (z.B. 2 aus 3 oder 6 aus 10). Falls diese minimale akzeptable Größe der maximalen Gruppe nicht erreicht wird (während des Konsistenzanalyseprozesses 62, der durch den Konsistenzanalysemodul 60 ausgeführt wird), wird dann die CBE nicht durch den Sensorfusionsprozess 72 verwendet, um den VMV zu generieren. Stattdessen projiziert der Sensorfusionsprozess 72 den VMV und die VU aus einer vergangenen Historie von Messungen, die in dem Speicher 52 gespeichert sind, der mit dem Prozessor 50 in Verbindung steht. Außerdem setzt der Sensorfusionsprozess 72 den MV-Status auf GEBLENDET, oder falls die Bedingung andauert, setzt der Sensorfusionsprozess 72 den MV-Status auf BLIND.
Falls die minimale akzeptable Größe einer Gruppe erreicht wird, dann setzt der Sensorfusionsprozess 72 den MV-Status auf SICHER GEMEINSAM, falls die Prozesssensoren 20 identischen Typs sind; anderenfalls setzt er den MV-Status auf SICHER VERSCHIEDEN, falls die Prozesssensoren 20 unterschiedliche Typen haben. Somit hat der Benutzer eine weitere Konfigurationsoption. Dies ist die minimale Zahl von KLAREN (oder besser) konsistenten Messungen, die erforderlich sind, um die CBE als SICHER zu deklarieren. Falls dieses Ziel nicht erreicht wird, dann wird der CBE der beste MV-Status der konsistenten Messungen zugewiesen (d.h. KLAR, UNSCHARF, GEBLENDET oder BLIND).
Jeder SEVA^TM-Messung wird dann auch ein Konsistenzflag durch den Konsistenzanalysemodul 60 zugewiesen. Dieses Konsistenzflag nimmt den Wert 1 an, falls die Messung vorgefunden wur de, in dem Kern zu sein oder mit dem Kern durch Ungewissheitszuwachs konsistent gemacht wurde, und anderenfalls 0. Dieses Flag kann verwendet werden (möglicherweise nach einer weiteren Filterung, um Jittern zu vermeiden), um zusätzliches diagnostisches Testen innerhalb beliebiger Prozesssensoren 20 zu triggern, deren Messungen als inkonsistent zu der Mehrheit gefunden wurden.
E. Erschöpfende Suche gegen lineare Suchannäherung
Es wurden Simulationen ausgeführt, um das Leistungsverhalten der beiden Verfahren zum Finden der Menge von gegenseitig konsistenten SEVA^TM-Messungen zu vergleichen, nämlich die erschöpfende Suche nach der maximalen Gruppe und die Annäherung der maximalen Gruppe durch eine lineare Suche. In diesen ersten Simulationen wird fehlerfreies Verhalten betrachtet. Es ist wünschenswert, eine Übereinstimmung zwischen theoretischen und Simulationsergebnissen für die folgenden Statistiken zu haben:
Mittelwert der CBE;
Abweichung im Mittelwert der CBE;
Gemeldete Ungewissheit der CBE.
Außerdem ist es für die gemeldete Ungewissheit wünschenswert, einigermaßen konstant zu sein, und für das Auftreten von gemeldeten Inkonsistenzen niedrig zu sein (da es keine wahren Fehler gibt, lediglich zufällige Abweichungen).
F. Veranschaulichendes Beispiel
Es wurden 100000 zufällige Mengen von 3, 6 und 10 SEVA^TM-Messungen wie folgt generiert
der wahre Messgrößenwert ist 0;
die Messungen wurden aus einer Normalverteilung mit einem Mittelwert von Null und einer Einheitsabweichung generiert. Dies entspricht einer Ungewissheit von 1,96.
100000 zufällige Mengen von 2 bis 10 Messungen wurden wie oben generiert, und der Prozentsatz von Mengen, die gefunden wurden fehlzuschlagen, vollständig konsistent zu sein (gemäß dem Moffat-Kriterium) wird in Tabelle I angegeben.
TABELLE I
Tabelle I repräsentiert den Prozentsatz von Messungsmengen, die gefunden wurden, gemäß dem Moffat-Kriterium nicht vollständig konsistent zu sein.
Der theoretische Wert der Standardabweichung der CBE ist dann 1/√n. Dies ergibt eine Ungewissheit von 1,96 1/√n. Die Mittelwerte und Standardabweichungen der gemeldeten Werte der CBE und ihre Ungewissheit wurden über die 100000 Simulationen berechnet, und sie wurden den entsprechenden erwarteten Werten in Tabelle II gegenübergestellt.
TABELLE II
In Tabelle II ist k die Zahl von konsistenten Messungen nach Ungewissheitserweiterung und n ist die Gesamtzahl von Messungen in der Menge.
In dieser fehlerfreien Simulation wurden alle Prozesssensorwerte in die Kalkulation von allen CBEs durch die Verwendung der erweiterten Ungewissheitsgewichtungstechnik inkludiert. Im Gegensatz dazu wird ohne diese Technik ein beträchtlicher Prozentsatz von Mengen gefunden, inkonsistent zu sein (z.B. in dem Fall von 10 Sensoren wurden nur 85% der Mengen gefunden, vollständig konsistent zu sein).
In diesem Punkt kann geschlussfolgert werden, dass die erschöpfende Suche nach der maximalen Gruppe und die Annäherung der maximalen Gruppe mit der linearen Suche sehr ähnliche Ergebnisse ergeben. Angesichts der Einfachheit und Berechnungseffizienz der linearen Suche kann dieser Prozess wünschenswert sein, sicherlich für größere Zahlen von Sensoren (z.B. > 5). Auch zeigen die Ergebnisse eine vernünftige Übereinstimmung zwischen dem erwarteten Wert der CBE-Ungewissheit, ihrer tatsächlichen Abweichung und ihrer gemeldeten Ungewissheit.
3. Simulationsergebnisse
Es wurden Experimente durchgeführt, um das Verhalten des Fusionsprozessblocks 22 zu untersuchen, wenn einer der SEVA^TM-Sensoren einen Fehler signalisiert oder eine inkorrekte Beschreibung der Messgröße gibt. Angesichts der Ergebnisse in der vorherigen Sektion wurde das lineare Suchverfahren verwendet, um die folgenden Ergebnisse zu generieren.
Die Experimente bestanden aus einer Simulation des Online-Verhaltens von drei SEVA^TM-Sensoren. Zwei der SEVA^TM-Sensoren geben eine korrekte Beschreibung der Messgröße (wie in der vorherigen Sektion), während der dritte SEVA^TM-Sensor entweder einen Fehler signalisiert oder eine inkorrekte Beschreibung der Messgröße generiert.
In jedem Fall wurde ein konstanter wahrer Messwert von 2 betrachtet. Die simulierten Fehler waren wie folgt:
Beispiel 1:
Ein Spitzenfehler – Sättigung in oberer Grenze tritt bei 125 Sekunden auf; der Fehler ist permanent. Der SEVAT^TM-Sensor erfasst den Fehler und ändert zuerst den MV-Status auf GEBLENDET, und dann auf BLIND.
Beispiel 2:
Ein Driftfehler – ein fehlerhafter Rampenwert wird der wahren Messung mit der Neigung von 0,001 Einheiten pro Sekunde hinzugefügt. Der Fehler beginnt bei 125 Sekunden und ist permanent. Der SEVA^TM-Prozesssensor erfasst den Fehler und ändert den MV-Status auf UNSCHARF.
Beispiel 3:
Ein Driftfehler – ein fehlerhafter Rampenwert wird der wahren Messung mit der Neigung von 0,001 Einheiten pro Sekunde hinzugefügt. Der Fehler beginnt bei 125 Sekunden und ist permanent. Der SEVA^TM-Prozesssensor erfasst den Fehler nicht und meldet den gemessenen Wert zusammen mit einem MV-Statuswert von KLAR.
Für die Fälle, wenn der dritte SEVA^TM-Sensor eine inkorrekte Beschreibung der Messgröße angibt, wird dies durch Sicherstellen erreicht, dass die VU eine gewöhnliche Größe aufwies und der MV-Status KLAR war, während der VMV tatsächlich an einer Drift leidet, die bei 125 Sekunden mit einer Neigung von 0,001 Einheiten pro Sekunde beginnt.
Die Zeitreihe des VMV, der VU und des MV-Status für einen typischen Prozesssensor (wie in dieser Untersuchung verwendet), der ein fehlerfreies Verhalten aufweist und eine korrekte Beschreibung der Messgröße generiert, wird in 9A–9C angegeben. Außerdem zeigen 10A–10F, 11A–11F und 12A–12F die Ausgaben des fehlerhaften Sensors und des Fusionsblocks 22 für Beispiele 1, 2 bzw. 3.
10A–10F, veranschaulichen grafisch Beispiel 1, wo der dritte Prozesssensor einen permanenten Sättigungsfehler aufweist. Die Ausgabe des dritten Prozesssensors wird durch die gewöhnliche SEVA^TM-Reaktion gekennzeichnet. Spezieller wird der VMV aus einer vergangenen Historie projiziert. In diesem Fall verbleibt der VMV einigermaßen genau, da der Prozess stationär ist. Der MV-Status ändert sich zu GEBLENDET und dann BLIND, wenn erachtet wird, dass die Sättigung permanent ist. Die Ungewissheit erhöht sich bei einer Rate, die aus der vergangenen Historie gelernt wird, unter Verwendung konventioneller SEVA^TM-Verarbeitungstechniken.
Die Reaktion des Fusionsblocks 22 ist wie folgt:

1. Der MV-Status des Fusionsblocks 22 kann nur SICHER GEMEINSAM bleiben, falls eine konfigurierte Anzahl von Eingabeprozesssensoren KLAR sind. In diesem Fall ist die Anzahl drei, sodass sobald der dritte Prozesssensor den MV-Status ändert, die Ausgabe von dem Fusionsblock 22 zu KLAR zurückkehrt. Es ist zu vermerken, dass Hysterese verwendet wird, um übermäßiges Jittern in dem MV-Status zu verhindern, der durch den Fusionsblock 22 generiert wird.
2. Die Messungen werden gemäß ihrer Konsistenz und Ungewissheitsgewichtungen kombiniert. In beiden Fällen verbleibt die Messung von dem fehlerhaften Prozesssensor konsistent, aber ihr Einfluss sinkt rasch, gewichtet durch das inverse Quadrat ihrer steigenden Ungewissheit. Dies führt auch zu einer raschen Erhöhung in der Ungewissheit der kombinierten Messung von ungefähr 0,06 zu 0,075 nach dem Fehler.

11A–11F veranschaulichen grafisch Beispiel 2, wo ein Driftfehler in dem dritten Prozesssensor auftritt, der Prozesssensor aber den Fehler erfasst und versucht zu kompensieren. Somit wird der rohe Messwert (RMV) gesehen, schnell abzudriften, aber der SEVA^TM-Sensor verringert die Wirkung des Fehlers durch interne Korrektur (was dennoch eine gewisse marginale Drift hinterlässt). Der Prozesssensor deklariert dann die Messung UNSCHARF und erhöht ihre Ungewissheit. In diesen Fällen wird die langsame Erhöhung in der VU des fehlerhaften Prozesssensors in einer sehr marginalen Erhöhung der Ungewissheit des Fusionsblocks 22 widergespiegelt. Erneut wird der Änderung in dem MV-Status auch in der Änderung vom MV-Status, der für eine Ausgabe durch den Fusionsblock 22 generiert wird, Rechnung getragen.
Da der Fehler in Beispielen 1 und 2 innerhalb des SEVA^TM-Prozesssensors kompensiert wird, ist der gemeldete VMV eine korrekte Darstellung der wahren Messgröße. Deshalb findet der Fusionsblock 22 alle drei Messungen als konsistent und verwendet sie alle, um die CBE zu kalkulieren, die für eine Ausgabe durch den Fusionsblock 22 generiert wird. Das Auftreten des Fehlers wird dann in dem Wert der VU, die für eine Ausgabe durch den Fusionsblock 22 generiert wird, und in dem MV-Status widergespiegelt, der für eine Ausgabe durch den Fusionsblock 22 generiert wird (bestimmt durch die Änderung im MV-Status des fehlerhaften Prozesssensors).
12A–12F veranschaulichen grafisch Beispiel 3, das den wichtigsten Fall zeigt, d.h. wenn ein SEVA^TM-Prozesssensor versagt, den Fehler zu erfassen und somit keine korrekte Darstellung der Messgröße gibt.
Die Kette von Ereignissen ist wie folgt:

1. Es beginnt in dem dritten Prozesssensor in t = 125 Sekunden ein nicht erfasster Driftfehler.
2. Die CBE, die durch den Fusionsblock 22 ausgegeben wird, beginnt zu steigen, solange wie der fehlerhafte Wert mit dem Rest konsistent bleibt.
3. Von t = 200 Sekunden bis t = 275 Sekunden wird der dritte Prozesssensor zunehmend inkonsistent mit den beiden anderen Prozesssensoren (d.h. sein Moffat-Abstand aus ihrer Kombination ist zwischen 1 und 3). Entsprechend verringert sich sein Einfluss, die CBE, die durch den Fusionsblock 22 ausgegeben wird, kehrt zu dem wahren Wert zurück und die Ungewissheit erhöht sich, da das Vertrauen nur auf zwei an Stelle von drei Messungen gelegt wird.
4. Schließlich wird der dritte Prozesssensor durch den Fusionsblock 22 erachtet, permanent inkonsistent zu sein (Moffat-Abstand > 3) und der MV-Status der Ausgabe fällt auf KLAR.

Die oben beschriebenen Ergebnisse veranschaulichen, dass der Messungsfusionsblock 22 zum Erfassen und Kompensieren von sowohl erfassten als auch nicht erfassten Fehlern in einem aus einer Menge von unabhängigen SEVA^TM-Prozesssensoren fähig ist. Die VU der CBE wird entsprechend erhöht, um Fehlern Rechnung zu tragen, und wenn dies notwendig ist, wird der fehlerhafte Prozesssensor aus der Kalkulation der CBE ausgeschlossen. Die CBE, die durch den Fusionsblock in diesen Beispielen bereitgestellt wird, wie etwa Fusionsblock 22, bleibt eine richtige Darstellung der Messgröße und ist glatt, während der MV-Status frei von Jittern ist.
4. Prozessmetrikinterpretationsblock
13 zeigt einen Prozessmetrikinterpretationsblock 80, der mit zwei SEVA^TM-Prozesssensoren 20 verbunden ist. Der Interpretationsblock 80 empfängt SEVA^TM-Prozessmetriken (z.B. VMV, VU, MV-Status und Konsistenzflagdaten) von einem oder mehr Prozesssensoren 20 und bildet die Prozessmetriken auf eine beliebige Zahl von Ausgangskommunikationskanälen 88 geringerer Bandbreite ab. Die Ausgangssignale können inkludieren einen einfachen Alarm, basierend auf vorbestimmten oder kalkulierten Schwellen, eine gepulste Ausgabe, analoge, 4–20 mA etc. Der Interpretationsblock 80 inkludiert einen Prozessor 82, einen Speicher 84 und einen Ausgangssignalgenerator 86, der das geeignete Ausgangssignal in den Ausgangskommunika tionskanälen 88 generiert. Viele existierende Prozesssteuervorrichtungen sind gestaltet, nur binäre Eingangsvariablen und/oder geringerer Bandbreite zu akzeptieren und sind somit nicht in der Lage, SEVA^TM-Prozessmetriken höherer Bandbreite zu verarbeiten. Der Interpretationsblock 80 sieht einen Prozess vor, um die SEVA^TM-Messdaten höherer Qualität in Daten geringerer Qualität zu übersetzen, die akzeptiert und weiter durch die Prozesssteuervorrichtung 10 verarbeitet werden können. Der Prozess, der durch den Interpretationsblock 80 implementiert wird, wird nachstehend detaillierter beschrieben. Als ein Ergebnis gestattet der Interpretationsblock 80, Prozesssteuervorrichtungen, die SEVA^TM-Prozessmetriken generieren, innerhalb von Prozesssteuersystemen zu verwenden, die nicht in der Lage sind, SEVA^TM-Prozessmetriken zu empfangen und/oder zu verarbeiten.
Z.B. kann ein Konstrukteur eine Prozessvariable mit einem intelligenten Prozesssensor, wie etwa SEVA^TM-Prozesssensor 20, wegen seiner gestiegenen Qualität und Zuverlässigkeitsmerkmale überwachen müssen. Der Konstrukteur kann auch die gleiche Messung der Prozessvariablen zu getrennten Prozesssteuervorrichtungen übermitteln müssen; wobei eine SEVA^TM-fähig ist und eine zum Verarbeiten von SEVA^TM-Messdaten nicht fähig ist. Die Prozesssteuervorrichtung, die gestaltet ist, SEVA^TM-Messdaten zu empfangen und zu verarbeiten, kann diese Daten direkt über einen Kommunikationskanal höherer Bandbreite, wie etwa einem digitalen Feldbus, empfangen. Ein geeignet konfigurierter SEVA^TM-Interpretationsblock 80 kann zwischen dem SEVA^TM-Prozesssensor 20 und einer Nicht-SEVA^TM-Prozesssteuervorrichtung, die nicht zum Verarbeiten von SEVA^TM-Messdaten fähig ist, verbunden sein. Der Interpretationsblock 80 funktioniert, die SEVA^TM-Prozessmetriken in ein Format abzubilden, das durch diese Nicht-SEVA^TM-Prozesssteuervorrichtung verwendet werden kann, wie etwa ein Alarm, wenn die Ungewiss heit, die mit einer Messung in Verbindung steht, zu groß wird.
13 zeigt zusätzliche Details des Interpretationsblocks 80 und seine zugehörigen Prozesssensoren 20, die die Messdaten generieren oder Metriken verarbeiten, die durch den Interpretationsblock 80 zu analysieren sind. Ein oder mehr Prozesssensoren 20 speisen eine oder mehr Prozessmetriken in den Interpretationsblock 80 ein. Der Austausch der Messdaten geschieht durch einen Dialog über die Kommunikationsleitungen 46. Jeder Prozesssensor 20 ist konfiguriert, seinen eigenen Dialog zum Übermitteln seiner Prozessmessdaten zu dem Interpretationsblock 80 auszuführen. Es kann auch zusätzliche Eingangsinformation zu dem Interpretationsblock 80 von jedem Prozesssensor 20 und/oder von anderen Informationsquellen vorgesehen werden, wie etwa der Prozesssteuervorrichtung 10 oder einer globalen Herstellungseinrichtungssteuervorrichtung (nicht speziell gezeigt). Diese zusätzliche Information kann während einer Konfiguration des Interpretationsblocks 80 fixiert sein und kann während einer Verarbeitung durch den Interpretationsblock dynamisch aktualisiert werden. Diese zusätzliche Eingangsinformation inkludiert Prozesssensorinformation 30 und Anwendungsinformation 40. Die Prozesssensorinformation 30 inkludiert ferner Online-sensorspezifische Eingangsdaten 32 und sensorspezifische Konfigurationseingangsdaten 34. Die Anwendungsinformation 40 inkludiert ferner Online-anwendungsspezifische Eingangsdaten 42 und anwendungsspezifische Konfigurationsdaten 44. Die Sensorinformation 30 und die Anwendungsinformation 40 unterstützen den Interpretationsprozess, der innerhalb des Interpretationsblocks 80 bei Transformation der SEVA^TM-Messdaten in eine geeignete Ausgabe, die durch eine Nicht-SEVA^TM-Prozesssteuervorrichtung verwendet werden kann, ausgeführt wird.
Während die unabhängigen Prozessmetriken von den Prozesssensoren 20 empfangen werden, verarbeitet und analysiert der Interpretationsblock 80 die Mess- und Ungewissheitsdaten, und erzeugt Ausgangsdaten und/oder Parameter basierend auf den analysierten Mess- und Ungewissheitsdaten. Im Allgemeinen erzeugt der Interpretationsblock 80 zwei Klassen von Ergebnissen. Die erste Klasse von Ergebnissen sind anwendungsspezifische Ausgaben, die eine beliebige Kombination von diskreten oder kontinuierlichen Werten, Prozessmetriken, Feldern der obigen oder Befehlssequenzen umfassen. Die zweite Klasse von Ergebnissen, die durch den Interpretationsblock 80 erzeugt werden, sind vorrichtungsspezifische Dialoge mit einem oder mehr der Prozesssensoren 20, um zusätzliche Information zu extrahieren. Diese Dialoge inkludieren Anforderungen für weitere Diagnosetests, Anforderungen für einen Zugriff auf detaillierte Diagnoseinformation oder Befehlssequenzen zum Generieren anwendungsspezifischer Diagnosen.
Wie oben beschrieben, ist der Prozessor 82 innerhalb des Interpretationsblocks 80 konfiguriert, mehrere Typen von Analyseprozessen auszuführen, um komplexere Ergebnistypen als Ausgaben zu generieren, und um interne Kalkulationen durchzuführen. Beispiele der Ergebnistypen und der entsprechenden Kalkulationen, die innerhalb des Interpretationsblocks 80 auftreten können, inkludieren einfache Klassifizierer, Dialoge und Fuzzy-Variablen.
Einfache Klassifizierer gestatten dem Interpretations- und Abbildungsprozess, der durch den Prozessor 82 ausgeführt wird, die SEVA^TM-Messdaten in anwendungsspezifische Kategorien, wie etwa "gut/schlecht" oder "gut/schlecht/beeinträchtigt" zu platzieren. Beispiele von Schlussfolgerungen basierend auf den Prozessmetriken inkludieren: Falls/dann-(if/then) Regeln basierend auf dem MV-Status und/oder Vorrichtungsstatus; Schwellwertbildung basierend auf der Größe von VU; Schwellwertbildung basierend auf VMV±VU (z.B. seine Nähe zu einem eingestellten Punkt oder einer Prozessgrenze); oder eine beliebige Kombination der obigen Schlussfolgerungsprozesse.
Kompliziertere Entscheidungen können durch Beginnen eines Dialogs zwischen dem Interpretationsblock 80 und dem Prozesssensor 20, um detailliertere Information zu extrahieren, getroffen werden. Z.B. kann in der Beschaffungs- und/oder Kommissionierungsstufe eines Steuersystemprojekts bestimmt werden, dass für einen bestimmten Prozesssensortyp in einer bestimmten Anwendung die Kompensationsprozesse für einige Fehlermodi akzeptabel sein werden, während die Kompensationsprozesse für andere Fehlermodi nicht akzeptabel sein werden.
Diese detailliertere Schlussfolgerungsspezifikation wird nicht allgemein durch die Standard-SEVA^TM-Schnittstelle bereitgestellt. Z.B. kann der Interpretationsblock 80 bei Empfang einer UNSCHARF-Messung einen Dialog verwenden, um von dem SEVA^TM-Prozesssensor 20 den vorrichtungsspezifischen Diagnosecode anzufordern, und kann dadurch bestimmen, ob die korrigierte Messung, die innerhalb des Prozesssensors 20 generiert wird, akzeptabel ist. Eine derartige Entscheidungsbildung kann in andere Schwellen eingespeist werden in z.B. der Größe der Ungewissheit.
Ein anderes Beispiel eines Dialogs, der durch den Interpretationsblock 80 begonnen wird, ist, wo andere anwendungsspezifische Information 42 ein nicht diagnostiziertes Problem innerhalb des Prozesssensors 20 impliziert. Der Interpretationsblock 80 kann weitere vorrichtungsspezifische Tests anfordern, wie etwa z.B. eine Strominjektion für ein Thermoelement oder einen Elektrodentest für eine aufgelöste Sauerstoffmessung, und kann weitere Entscheidungen basierend auf den Ergebnissen dieser Tests treffen.
Der Interpretationsblock 80 ist auch zum Ausführen von Fuzzy-Logikentscheidungsalgorithmen basierend auf Fuzzy-Variablen fähig. Bezugnehmend auf 14 betrachtet ein Beispiel, das die Verwendung von Fuzzy-Variablen beschreibt, eine Menge von Fuzzy-Klassifizierern, wie etwa niedrig, mittel, hoch, jeder mit entsprechenden Mitgliedsfunktionen μ_L(x), μ_M(x) und μ_H(x). Die Ausgaben der Mitgliedsfunktionen können in eine Fuzzy- oder Neuro-Fuzzy-Funktion eingespeist werden, die einen Steuer-, Wartungs- oder Fehlererfassungsalgorithmus inkludieren kann. Konventionell wird jede Mitgliedsfunktion auf jeden neuen Messwert x angewendet, um den Grad einer Übereinstimmung zwischen x und den niedrigen, mittleren und hohen Klassifizierern zu bestimmen. Mit einer SEVA^TM-Variablen kann der Ungewissheit des Messwerts eine Gewichtung gegeben werden. Z.B. kann bei einem gegebenen bestimmten VMV±VU Bereich die Prozessmetrik-gewichtete Mitgliedsfunktion σ_L(VMV, VU) unter Verwendung von
kalkuliert werden, wobei P(x) eine angenommene Wahrscheinlichkeitsdichtefunktion für die Ungewissheitsregion ist, die z.B. gleichförmig, dreiseitig, trapezoid (für eine Berechnung nicht aufwändig) oder normal (für eine Berechnung aufwändig, aber theoretisch zu bevorzugen) sein kann. Es können zusätzliche Regeln verwendet werden, um die Mitgliedsfunktion als Reaktion auf Änderungen in dem MV-Status zu variieren. Die Mitgliedsfunktionen σ_M(VMV, VU) und σ_H(VMV, VU) können auf eine ähnliche Art und Weise unter Verwendung der obigen Formel und Vornehmen der geeigneten Ersetzungen für μ_L(x) kalkuliert werden.
Der Interpretationsblock 80 kann auch Alarme und/oder beträchtliche Änderungsindikatoren (significant change indicators, SCI) überwachen. Die Bandbreiteanforderungen für eine SEVA^TM-Vorrichtung und die Messinformation, die sie generiert, können zu anspruchsvoll sein, oder können für Anwendungen, die Kommunikationsmedien geringer Leistung, geringer Geschwindigkeit oder niedriger Technologie, wie etwa einen analogen Feldkommunikationsbus geringer Bandbreite, verwenden, nicht verfügbar sein. Der Interpretationsblock 80 kann, insbesondere falls er in eine Sensorvorrichtung oder einen Feldsender integriert ist, die Kommunikationsbandbreiteanforderung durch Markieren nur signifikanter Änderungen (wie durch Verwendung vorbestimmter oder konfigurierbarer anwendungsspezifischer Kriterien bestimmt) in den Zeitpunkten, in denen sie auftreten, dramatisch reduzieren. Innerhalb des Interpretationsblocks 80 kann ein Alarm oder SCI-Flag bei Auftreten von z.B. eines bestimmten MV-Status oder Vorrichtungsstatus; einer bestimmten Größe von VU; einer bestimmten Schwelle in VMV±VU; oder einer bestimmten Rate einer Änderung von VU oder VMV±VU getriggert werden.
Bezugnehmend erneut auf 2 kann der Interpretationsblock 80 auch als eine optionale Ausgangsstufe innerhalb des Messungsfusionsblocks 22 inkludiert sein. In dieser Implementierung kann der Messungsfusionsblock 22 optional kombinierte SEVA^TM-Messungen als eine Ausgabe im Kanal 26 generieren, oder kann eine Nicht-SEVA^TM-Ausgabe durch Transformieren der kombinierten Prozessmetrikdaten zu der Nicht-SEVA^TM-Ausgabe in Kanal 88 generieren.
Es wurde eine Reihe von Implementierungen beschrieben. Nichtsdestotrotz wird verstanden, dass verschiedene Modifikationen vorgenommen werden können. Entsprechend sind andere Implementierungen innerhalb des Bereichs der folgenden Ansprüche.
ZUSAMMENFASSUNG
Es wird ein Messungsverarbeitungssystem offengelegt zum Fusionieren von Messdaten aus einer Menge von unabhängigen selbst-validierenden (SEVA) Prozesssensoren (20), die die gleiche Echtzeit-Messgröße überwachen, um eine kombinierte beste Schätzung für den Wert, Ungewissheit und Messstatus der Messgröße zu generieren. Das System sieht auch eine Konsistenzprüfung zwischen den Messungen vor. Das Messungsverarbeitungssystem inkludiert einen ersten Prozesssensor (20) und einen zweiten Prozesssensor (20). Jeder der ersten und zweiten Prozesssensoren (20) und empfängt ein Messsignal von einem Messwertgeber und generiert unabhängige Prozessmetriken (24). Ein Messungsfusionsblock (22) ist mit den ersten und zweiten Prozesssensoren (20) verbunden, der Messungsfusionsblock (22) ist betriebsfähig, die unabhängigen Prozessmetriken zu empfangen und einen Messanalyseprozess auszuführen, um die unabhängigen Prozessmetriken zu analysieren und die kombinierte beste Schätzung der unabhängigen Prozessmetriken zu generieren.

Claims

Messungsverarbeitungssystem, umfassend: einen ersten Prozesssensor und einen zweiten Prozesssensor, wobei jeder von den ersten und zweiten Prozesssensoren ein Messsignal von einem Messwertgeber empfängt und unabhängige Prozessmetriken generiert; und einen Messungsfusionsblock, der mit den ersten und zweiten Prozesssensoren verbunden ist, wobei der Messungsfusionsblock betriebsfähig ist, die unabhängigen Prozessmetriken zu empfangen und einen Messanalyseprozess auszuführen, um die unabhängigen Prozessmetriken zu analysieren und eine kombinierte beste Schätzung der unabhängigen Prozessmetriken zu generieren.
Messungsverarbeitungssystem nach Anspruch 1, wobei der Messanalyseprozess die unabhängigen Prozessmetriken analysiert um zu bestimmen, ob die unabhängigen Prozessmetriken miteinander konsistent sind.
Messungsverarbeitungssystem nach Anspruch 2, wobei der Messanalyseprozess die unabhängigen Prozessmetriken analysiert, um eine konsistente Menge von Prozessmetriken zu identifizieren.
Messungsverarbeitungssystem nach Anspruch 2, wobei der Messanalyseprozess die unabhängigen Prozessmetriken analysiert, um Sonderfälle innerhalb der Menge von unabhängigen Prozessmetriken zu identifizieren.
Messungsverarbeitungssystem nach Anspruch 1, wobei der Messungsfusionsblock einen Konsistenzanalysemodul inkludiert, der betriebsfähig ist, einen Konsistenzanalyseprozess auszuführen, wobei der Konsistenzanalyseprozess die unabhängigen Prozessmetriken analysiert um zu bestimmen, ob die Prozessmetriken miteinander konsistent sind.
Messungsverarbeitungssystem nach Anspruch 1, wobei der Messungsfusionsblock einen Sensorfusionsmodul inkludiert, der betriebsfähig ist, die unabhängigen Prozessmetriken zu analysieren und die unabhängigen Prozessmetriken zu kombinieren, um eine kombinierte beste Schätzung der unabhängigen Prozessmetriken zu generieren.
Messungsverarbeitungssystem nach Anspruch 5, wobei der Konsistenzanalyseprozess zwei unabhängige Prozessmetriken empfängt und einen Moffat-Konsistenzwert kalkuliert um zu bestimmen, ob die zwei unabhängigen Prozessmetriken konsistent sind.
Messungsverarbeitungssystem nach Anspruch 5, wobei der Konsistenzanalyseprozess zwei unabhängige Prozessmetriken empfängt und ein Überlappungsintervall zwischen den zwei unabhängigen Prozessmetriken analysiert um zu bestimmen, ob die zwei unabhängigen Prozessmetriken konsistent sind.
Messungsverarbeitungssystem nach Anspruch 5, wobei der Konsistenzanalyseprozess mindestens drei unabhängige Prozessmetriken empfängt und einen Maximalgruppenparameter basierend auf einer linearen Suche der unabhängigen Prozessmetriken kalkuliert um zu bestimmen, wie viele der mindestens drei unabhängigen Prozessmetriken gegenseitig konsistent sind.
Messungsverarbeitungssystem nach Anspruch 5, wobei der Konsistenzanalyseprozess mindestens drei unabhängige Prozessmetriken empfängt und einen Maximalgruppenparameter basierend auf einer erschöpfenden Suche der unabhängigen Prozessmetriken kalkuliert um zu bestimmen, wie viele der mindestens drei unabhängigen Prozessmetriken gegenseitig konsistent sind.
Messungsverarbeitungssystem nach Anspruch 1, wobei die Prozessmetriken Messdaten und Ungewissheitsdaten inkludieren.
Messungsverarbeitungssystem nach Anspruch 11, wobei die Prozessmetriken eine Messstatusvariable inkludieren.
Messungsverarbeitungssystem nach Anspruch 1, wobei die ersten und zweiten Prozesssensoren erste und zweite SEVA^TM-Sensoren sind.
Messungsverarbeitungssystem nach Anspruch 13, wobei die ersten und zweiten SEVA^TM-Sensoren unabhängige SEVA^TM-Metriken generieren.
Messungsverarbeitungssystem nach Anspruch 14, wobei jede unabhängige SEVA^TM-Metrik und die kombinierte beste Schätzung der unabhängigen Prozessmetriken einen validierten Messwert, einen validierten Ungewissheitsparameter, der mit dem validierten Messwert in Verbindung steht, und einen Messwertstatusindikator inkludieren.
Messungsverarbeitungssystem nach Anspruch 1, wobei der Messungsfusionsblock die unabhängigen Prozessmetriken empfängt und einen kombinierten besten Schätzwert generiert, der eine Menge von fusionierten Prozessmetriken darstellt, und den kombinierten besten Schätzwert zu einem Steuersystem übermittelt.
Messungsverarbeitungssystem nach Anspruch 1, ferner umfassend einen dritten Prozesssensor, der mit dem Messungsfusionsblock verbunden ist, wobei der dritte Prozesssensor ein Messsignal von einem Messwertgeber empfängt und eine dritte Prozessmetrik generiert, und der dritte Prozesssensor die dritte Prozessmetrik zu dem Messungsfusionsblock übermittelt.
Messungsverarbeitungssystem nach Anspruch 17, wobei der Messanalyseprozess die unabhängigen Prozessmetriken und die dritte Prozessmetrik analysiert um zu bestimmen, ob die unabhängigen Prozessmetriken und die dritte Prozessmetrik miteinander konsistent sind.
Messungsverarbeitungssystem nach Anspruch 17, wobei der Messanalyseprozess die unabhängigen Prozessmetriken mit der dritten Prozessmetrik kombiniert, um eine kombinierte beste Schätzung der unabhängigen Prozessmetriken und der dritten Prozessmetrik zu generieren.
Messungsverarbeitungssystem nach Anspruch 1, wobei einer der ersten und zweiten Prozesssensoren ein multivariabler Sender ist, der mindestens zwei ähnliche unabhängige Prozessmetriken aus Messsignalen generiert, die von unabhängigen Messwertgebern empfangen werden, die die gleiche Prozessvariable überwachen.
Messungsverarbeitungssystem nach Anspruch 17, wobei einer der ersten und zweiten Prozesssensoren ein multivariabler Sender ist, der drei unabhängige Prozessmetriken generiert, und wobei mindestens zwei der drei unabhängigen Prozessmetriken aus Messsignalen generiert werden, die von unabhängigen Messwertgebern empfangen werden, die die gleiche Prozessvariable überwachen.
Messungsverarbeitungssystem nach Anspruch 1, wobei die ersten und zweiten Prozesssensoren multivariable Sender sind, die die unabhängigen Prozessmetriken aus Messsignalen generieren, die von unabhängigen Messwertgebern empfangen werden, die die gleiche Prozessvariable überwachen.
Messungsfusionsblock, umfassend: einen Konsistenzanalysemodul, der betriebsfähig ist, eine erste Prozessmetrik von einem ersten Prozesssensor zu empfangen und eine zweite Prozessmetrik von einem zweiten Prozesssensor zu empfangen, der Konsistenzanalysemodul konfiguriert ist, einen Konsistenzanalyseprozess in den ersten und zweiten Prozessmetriken auszuführen um zu bestimmen, ob die ersten und zweiten Prozessmetriken miteinander konsistent sind; und einen Sensorfusionsmodul, der betriebsfähig ist, die ersten und zweiten Prozessmetriken zu empfangen, der Sensorfusionsmodul konfiguriert ist, einen Sensorfusionsprozess auszuführen, um die ersten und zweiten Prozessmetriken zu kombinieren und eine kombinierte beste Schätzung der ersten und zweiten Prozessmetriken zu generieren.
Messungsfusionsblock nach Anspruch 23, wobei der Konsistenzanalyseprozess einen Moffat-Konsistenzwert kalkuliert um zu bestimmen, ob die ersten und zweiten Prozessmetriken konsistent sind.
Messungsfusionsblock nach Anspruch 23, wobei der Konsistenzanalyseprozess ein Überlappungsintervall zwischen den ersten und zweiten Prozessmetriken analysiert um zu bestimmen, ob die ersten und zweiten Prozessmetriken konsistent sind.
Messungsfusionsblock nach Anspruch 23, wobei der Konsistenzanalyseprozess mindestens drei unabhängige Prozessmetriken empfängt und einen Maximalgruppenparameter basierend auf einer linearen Suche der unabhängigen Prozessmetriken kalkuliert um zu bestimmen, wie viele der mindestens drei unabhängigen Prozessmetriken gegenseitig konsistent sind.
Messungsfusionsblock nach Anspruch 23, wobei die ersten und zweiten Prozessmetriken Messdaten und Ungewissheitsdaten inkludieren.
Messungsfusionsblock nach Anspruch 27, wobei die ersten und zweiten Prozessmetriken eine Messstatusvariable inkludieren.
Messungsfusionsblock nach Anspruch 23, ferner umfassend einen Prozessor, der betriebsfähig ist, einen Ungewissheitszuwachsprozess auszuführen, um einen Ungewissheitsparameter zu modifizieren, der mit einer oder mehr der Prozessmetriken in Verbindung steht.
Verfahren zum Kombinieren von Prozessmessdaten, umfassend: Vorsehen von zwei oder mehr Prozessmetriken von unabhängigen Prozesssensoren, um eine Menge von Prozessmetriken zu bilden; Analysieren der Prozessmetriken innerhalb der Menge von Prozessmetriken, um eine Konsistenzbeziehung zwischen den Prozessmetriken zu bestimmen; Identifizieren von Sonderfällen innerhalb der Menge von Prozessmetriken; Generieren einer Menge von konsistenten Prozessmetriken aus der Menge von Prozessmetriken; Kombinieren der Prozessmetriken innerhalb der Menge von konsistenten Prozessmetriken, um eine kombinierte beste Schätzung für die Menge von Prozessmetriken zu generieren; Generieren eines Ungewissheitswertes, der mit der kombinierten besten Schätzung in Verbindung steht; Ausgeben der kombinierten besten Schätzung für die Menge von Prozessmetriken mit dem Ungewissheitswert.
Verfahren nach Anspruch 30, wobei ein Identifizieren von Sonderfällen ferner Modifizieren von Prozessmetriken, die als Sonderfälle identifiziert sind, durch Erhöhen eines Ungewissheitswertes, der mit dieser Prozessmetrik in Verbindung steht, inkludiert.
Verfahren nach Anspruch 30, ferner inkludierend Anwenden eines Ungewissheitszuwachsprozesses, um einen Ungewissheitsparameter zu modifizieren, der mit einer oder mehr der Prozessmetriken in Verbindung steht.
Verfahren nach Anspruch 30, ferner inkludierend Generieren einer Konsistenzflagvariable für jede Prozessmetrik innerhalb der Menge von Prozessmetriken.
Messungsinterpretationsblock, umfassend: einen Verarbeitungsmodul, der konfiguriert ist, eine Prozessmetrik von einem Prozesssensor zu empfangen, wobei der Verarbeitungsmodul einen Transformationsprozess zum Abbilden der Prozessmetrik auf einen Prozessparameter ausführt; und einen Ausgangsmodul, der konfiguriert ist, den Prozessparameter zu empfangen und ein Ausgangssignal zu generieren, das den Prozessparameter darstellt.
Messungsinterpretationsblock nach Anspruch 34, ferner umfassend einen Speichermodul, der konfiguriert ist, Regeln zu speichern, die durch den Transformationsprozess angewendet werden.
Messungsinterpretationsblock nach Anspruch 34, wobei der Transformationsprozess die Prozessmetrik mit einem Schwellenparameter zum Abbilden der Prozessmetrik auf einen Prozessparameter vergleicht.
Messungsinterpretationsblock nach Anspruch 34, wobei die Prozessmetrik Messdaten und Ungewissheitsdaten inkludiert.
Messungsinterpretationsblock nach Anspruch 37, wobei die Prozessmetrik eine Messstatusvariable inkludiert.
Messungsinterpretationsblock nach Anspruch 34, wobei der Prozesssensor ein SEVA^TM-Prozesssensor ist, der konfiguriert ist, SEVA^TM-Prozessmetriken zu generieren.
Messungsinterpretationsblock nach Anspruch 34, wobei das Ausgangssignal eines von einem Signal mit 4–20 mA, einem Impulssignal und einem Alarmsignal ist.