FI115080B - Monimuuttujainen säätösilmukan arviointi - Google Patents
Monimuuttujainen säätösilmukan arviointi Download PDFInfo
- Publication number
- FI115080B FI115080B FI20020558A FI20020558A FI115080B FI 115080 B FI115080 B FI 115080B FI 20020558 A FI20020558 A FI 20020558A FI 20020558 A FI20020558 A FI 20020558A FI 115080 B FI115080 B FI 115080B
- Authority
- FI
- Finland
- Prior art keywords
- circuit
- model
- residual
- latent variables
- orthogonal
- Prior art date
Links
- 238000000034 method Methods 0.000 claims description 84
- 230000008569 process Effects 0.000 claims description 35
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000012731 temporal analysis Methods 0.000 claims description 14
- 238000000700 time series analysis Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims 4
- 230000003247 decreasing effect Effects 0.000 claims 4
- 230000000694 effects Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000007257 malfunction Effects 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 238000013024 troubleshooting Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000491 multivariate analysis Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 239000002562 thickening agent Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
115080
Monimuuttujainen säätösilmukan arviointi Keksinnön ala
Esillä oleva keksintö liittyy yleisesti säätöjärjestelmiin ja erityisesti monimuuttujasäätöpiirin arviointimenetelmään ja laitteistoon säätöpiirien ana-5 lysoimista, arvioimista ja vianmääritystä varten mutkikkaissa teollisuusprosesseissa, kuten paperinvalmistuksen toiminnoissa.
Keksinnön tausta
Suuressa teollisuusprosessiympäristössä, kuten paperitehtaassa, on läsnä satoja, tai jopa tuhansia, prosessisäätöpiirejä, jotka toimivat pitkälle 10 automatisoidussa laitteistossa. Monet näistä piireistä ovat vuorovaikutuksessa keskenään ja vaikuttavat toinen toistensa suorituskykyyn. Paperin laatu ja tuotantotehokkuus vaihtelevat näiden säätöpiirien suorituskyvyn mukaan ja ne kärsivät vakavasti, jos säätöpiirit eivät optimoituja.
Tekniikan tason mukaan on tunnettua suorittaa prosessi-ja/tai sää-15 töongelmien vianmääritys sekä tunnistaa vaihtelun lähteet muodostamalla luettelo mielenkiinnon kohteina olevista asianmukaisista muuttujista piirtämällä kaavio muuttujista ja tarkastelemalla muuttujien trendejä visuaalisesti. Tämän jälkeen asioista perillä olevat ammattimiehet voivat tutkia muuttujaparien välistä ristikorrelaatiota, autokorrelaatiota, spektritiheyttä tai muuttujien muita vas-v 20 taavia perinteisiä aikasarja-analyysifunktioita. Tarkasteltavien trendien valinta :on kuitenkin manuaalinen, paljon aikaa vievä ja subjektiivinen prosessi, joka perustuu toimenpiteen tekijän prosessituntemukseen. Ristikorrelaation käyttä- • · : misessä on lisäksi se haittapuoli, että normaalisti vain kaikkein vallitsevin kom- . . : ponentti on havaittavissa visuaalisesti. Usein piirin vallitsevin komponentti on ,···[ 25 sen säätösignaali. Muiden muuttujien aiheuttamalla vuorovaikutuksella on hei kompi vaikutus säätöpiiriin, minkä vuoksi tekniikan tason mukaisilla ristikorre-laatiomenetelmillä on vaikea määrittää näitä vuorovaikutuksia.
* · · ·;;; Suuren säätöpiirimäärän arviointia ja vianmääritystä varten on kehi- • » *··· tetty automaattisia prosessi-ja säätödiagnostiikkatyökaluja, ja näin on onnis- 30 tuttu ratkaisemaan tekniikan tasoon liittyvien manuaalisten havaintomenetel-.:: mien ja ristikorrelaatiomenetelmien joitakin haittapuolia. Näitä työkaluja ovat muun muassa automaattiset tiedonkeruutoiminnot ja tietämyksen muodosta-*; ‘: misen toiminnot, joilla kerätään ja tallennetaan mittaustietoja säätöpiireistä ja prosessin muista tärkeistä kohteista. Säätöpiirin suorituskyvyn arvioiminen pe-35 rustuu normaalisti yhden muuttujan lähestymistapaan tutkimalla piirin lähdön 115080 2 taajuussisältöä. Vaihtelevuuden parantamiskapasiteetti liitetään tämän jälkeen havaintoon säätöpiirin lähdön spektritiheyden pientaajuussisällöstä. Tekniikan tason mukaisiin menetelmiin ei sisälly sopivaa menetelmää mitata piirin lähdön pienin saavutettavissa oleva vaihtelu eikä menetelmää ennustaa keskenään 5 vuorovaikutuksessa olevien piirien vaikutusta.
Kanadalaisen Queen's Universityn professori Thomas Harris julkaisi säätöpiirin arviointia käsittelevän artikkelin julkaisussa The Canadian Journal of Chemical Engineering (Voi. 7, October 1989), jossa hän ehdotti menetelmää indeksin laskemiseksi yhden muuttujan säätöpiirille. Tämä indeksi tunnetaan 10 nykyään nimellä Harris-indeksi. Vuonna 1992 alkoi ilmestyä Harris-indeksin teollisuussovelluksia, joita kuvattiin esimerkiksi julkaisuissa 'Towards mill-wide evaluation of control loop performance” (M. Perrier ja A. Roche, Control Systems '92 conference) ja "An expert system for control loop analysis" (Jofriet, et. ai., CPPA annual meeting, 1995). Paperitehtaissa onnistuneet käyttökohteet 15 ovat rajoittuneet alimman tason piireihin johtuen siitä, että menetelmä perustuu yhden muuttujan lähestymistapaan.
Tekniikan tason mukaan on tunnettua, että yhden muuttujan lähestymistapaan perustuva säätöpiirin suorituskyvyn arviointi tuottaa syklisten häiriöiden takia piirin virheellisen suorituskykyindeksin. Useiden säätöpiirien välisen 20 vuorovaikutuksen takia ainoastaan oikein toteutettu monimuuttuja-analyysi voi paljastaa todelliset prosessi- ja säätötiedot, minkä vuoksi se soveltuu arvioin-nin ja vianmäärityksen tarpeisiin.
·’ : Kuitenkin Harrisin menetelmän suoraan laajentamiseen kattamaan : i monimuuttujaprosessi liittyy käytännön vaikeuksia, jotka edellyttävät kattavaa 25 prosessimallinnusta. Vaihtoehtoinen lähestymistapa signaalikorrelaation mää-: rittämiseksi käsittää mahdollisesti huonosti toimivien piirien, joissa on suurin : piirtein samanaikaisia spektraalihuippuja, jakamisen mahdollisiin toisiinsa vai kuttaviin luokkiin. Piirien välinen vuorovaikutus otetaan huomioon laskemalla :. "muunnettu" indeksi James Owenin US-patentin nro 5 838 561, "Automatic ’ ·:, 30 Control Loop Monitoring and Diagnostics", mukaisesti. Owenin esittämä mene- * » T telmä on kuitenkin kelvollinen vain silloin, kun vuorovaikutuksessa olevilla pii- *. ' i reillä on yhteiset ensisijaiset tai toissijaiset taajuudet. Normaalisti tämä edellyt- ':: tää sitä, että piiri värähtelee selvästi. Lisäksi ainoastaan vallitsevin komponent- . , : ti voidaan määrittää tällä menetelmällä niin, että heikompi korrelaatio jätetään ,’·*! 35 ottamatta huomioon.
115080 3
Keksinnön yhteenveto
Esillä olevan keksinnön kohteena on monimuuttaja-analyysityökalu, jossa käytetään ortogonaalista dekompositiomenetelmää, kuten PLS (Partial Least Squares) -algoritmia, häiriömallissa, joka liittää tunnetut algoritmit piiri-5 mallin residuaaliin. Keksinnön mukainen työkalu ensin erottaa vallitsevimman korrelaation säätöpiirimaHin residuaaliksi ja sitten käyttää tätä residuaalia toissijaisesti vallitsevimman korrelaation etsimiseksi ortogonaalisesta avaruudesta. Tätä prosessia toistetaan, kunnes seuraavaksi vallitsevin korrelaatio ei enää merkitsevästi aiheuta lisää lähdön vaihtelua.
10 Tällä tavalla esillä olevan keksinnön mukainen analyysityökalu pys tyy arvioimaan kunkin säätöpiirin suorituskykypotentiaalin erilaisissa häiriö-oloissa ja muodostamaan suorituskykyindeksin vertaamalla saavutettua suorituskykyä suorituskykypotentiaaliin monimuuttujaympäristössä. Tämä indeksi ilmaisee, toimiiko tietty piiri ihanteellisesti, ja itse asiassa se ilmaisee piirin vaih-15 telun piirin parhaan saavutettavissa olevan suorituskyvyn tilanteessa.
Lisäksi analyysityökalu ennustaa mahdollisen säätöparannuksen, kun tunnetun häiriövaihtelun vähentämiseen käytetään mitä tahansa säätöratkaisua (esimerkiksi myötäkytkentäsäätöä tai kehittyneitä säätömenetelmiä, kuten monimuuttujaohjausta MPC-tekniikkoja käyttämällä). Tätä ennustetta voi-20 daan sitten käyttää tiettyjen säätöratkaisujen käyttämisen valitsemiseen ja va-. .# linnan osoittamiseen oikeaksi.
,* ; Esillä olevan keksinnön analyysityökalu tunnistaa törkeästi proses- t · > ; V sivaihteluiden lähteet käyttämällä häiriömallin parametreja, jotka liittyvät kunkin # » · : häiriösignaalin osuuteen piirimallin residuaalissa piilomuuttujien kautta. Näitä 25 tietoja käytetään sitten prosessin, mittausten ja/tai säätötoimintojen tai toimin-V1: tahäiriöiden vianmäärityksessä monimuuttujaprosessiympäristössä.
Häiriömallissa voidaan jättää ottamatta huomioon ne tunnetut häi-riösignaalit, joilla on vain pieni vaikutus piirimallin residuaaliin. Nämä häiriöt *·· tunnistetaan niiden häiriömallilähtöön liittyvien kerrointen merkityksettömyyden f**. 30 mukaan. Lisäksi häiriömallin residuaalin kanssa voimakkaasti korreloivien sig naalien etsiminen ja niiden lisääminen häiriömalliin tunnettuina häiriöinä laa-’· Ί jentaa käyttäjän prosessituntemusta. Tällaiset lisätyt piirihäiriöt voivat vaikuttaa : voimakkaasti säätöpiirin suorituskykyyn, ja kun niiden vaihtelu on eliminoitu, : * ·, * voidaan merkitsevästi pienentää piirin pienintä saavutettavissa olevaa vaihte- .··. 35 lua.
• » 115080 4 Tämän keksinnön uusia ideoita ja säätöpiirin arviointitoimintoja käyttävällä, esillä olevan keksinnön mukaisella analyysityökalulla on ilmeisiä ja hyödyllisiä käyttökohteita paperitehtaiden prosessi-insinööreille, projekti-insinööreille, huoltoinsinööreille, vianmäärityshenkilökunnalle sekä myynti-insinööreil-5 le. Lisäksi tämä keksintö koskee yleisemmin piirinvalvontaan ja prosessinäke-mykseen/vianmääritykseen liittyviä tuotteita, jotka voivat olla hyödyllisiä tai toivottavia muussa prosessiteollisuudessa.
Piirustusten lyhyt kuvaus
Seuraavaksi esitetään yksityiskohtainen kuvaus keksinnön edulli-10 sesta suoritusmuodosta, jossa viitataan seuraaviin piirustuksiin, joista kuviossa 1 on lohkokaavio monimuuttujapiiristä, jossa voidaan käyttää esillä olevaa keksintöä, kuviossa 2a on vuokaavio, joka kuvaa esillä olevan keksinnön mukaisen säätöpiirin monimuuttuja-analyysityökalun toimintaa, 15 kuviossa 2b on vuokaavio, joka kuvaa uusien häiriöiden käyttämistä parannetun häiriömallin kehittämisessä, kuviossa 3 on kaavio, joka kuvaa esimerkkiä säätötulo- ja mittaus-lähtötiedoista, joita käytetään ensimmäisen kertaluvun dynaamisen SISO (Single Input Single Output) -piirimallin muodostamiseen esillä olevan keksin-20 nön mukaisella analyysityökalulla, vkuviossa 4 on kaavio, joka kuvaa piirimallin residuaalin laskemista ·,· · erona piirin mitatun lähdön ja piirimallin ennustetun lähdön välillä esillä olevan : ; ; keksinnön mukaista analyysityökalua käyttämällä, ;” : kuviossa 5 on joukko kaavioita, jotka esittävät piirin ulkoisia häiriö- 25 muuttujia, joita on korreloitu kuvion 4 residuaalilla PLS (Partial Least Squares) .··*. -algoritmia käyttämällä esillä olevan keksinnön mukaisesti, kuviossa 6 on prosessikaavio, joka kuvaa kuvion 5 yksittäisiä piiri- , häiriöitä, * s * ·;;; kuviossa 7 on joukko kaavioita, joissa on häiriömallin ensimmäinen, • » ' ·; * ‘ 30 toinen ja kolmas ortogonaalinen piilomuuttuja, jotka liittävät tunnetut piirihäiriöt : ’ .: piirimallin residuaalivirheeseen esillä olevan keksinnön mukaisesti käyttämällä ·:·: PLS-algoritmia, , kuviossa 8 on kaavio, joka kuvaa häiriömallin residuaalia kuvion 7 t » * häiriömallin ensimmäisen, toisen ja kolmannen piilomuuttujan poistamisen jäi- I · ’··· 35 keen, 5
11508C
kuviossa 9 on pylväskaavio, joka kuvaa ensimmäisen ja toisen pii-lomuuttujan suhteellista riippuvuutta painotuksen mukaan häiriömallin tulojen kanssa esillä olevan keksinnön mukaisesti, kuviossa 10 on joukko kaavioita, jotka kuvaavat tekniikan tason mu-5 kaisten ristikorrelaatiotekniikoiden tuloksia kuvioiden 3-9 esimerkeissä, kuviossa 11 on lisähäiriö, joka edustaa kuviossa 8 häiriömallin resi-duaalin kanssa eniten korreloivaa pesuvesivirtausta, kuviossa 12 on joukko kaavioita, jotka esittävät uuden häiriömallin yksityiskohtia, kun kuvion 11 pesuvesivirtaushäiriö sisällytetään häiriömallin 10 tuloon PLS-algoritmia käyttämällä ja kuviossa 13 esitetään piirin pienin saavutettavissa oleva vaihtelu eri häiriösignaalioloissa kuvion 12 uuden häiriömallin mukaisesti.
Edullisen suoritusmuodon yksityiskohtainen kuvaus
Esillä olevan keksinnön mukainen analyysityökalu on suunniteltu 15 käytettäväksi monimuuttujasäätöpiirissä, jonka perinteinen malli on kuviossa 1. Piiri käsittää prosessimalliin (G) liitetyn tulon 10 (u), lähdön 12 (y) ja useita häiriöitä. Piirin tulon 10 (u) muodostava säätölohko eri näytössä rakenteessa. Häiriömuuttujat voidaan luokitella tunnetuiksi häiriöiksi (x) ja tuntemattomaksi häiriöksi (e). Tunnetut häiriöt ovat mitattavissa. Monimuuttujaympäristössä joi-20 tain mitattavia häiriöitä voidaan käyttää säätämiseen.
\ Jos prosessimalli (G) on tuntematon, tuloa 10 ja lähtöä 12 käytetään ·,; dynaamisessa prosessipiirimallinnuksessa 14 prosessin tai piirin viipeen, vah- : : : vistuksen ja aikavakion arvioimiseen kuvion 2 mukaisesti. Muissa tapauksissa prosessi (G) voidaan ehkä tuntea alkuperäisen säädön käyttöönoton perus-: 25 teella. Tässä tapauksessa lohkossa 14 ei tarvita mallinnusvaihetta. Piirimallin- . · * *. nus 14 toteutetaan käyttämällä askelvastekokeen tietoja tai tietoja, joiden oh- • · jaussignaali riittää siihen, että piirin lähtöön y vaikuttaa pääasiassa sen ohjaus-toiminto u. Kuviossa 3 on esimerkki riittävien herätesignaalien käyttämisestä ; piirimallinnuksessa. Varjostetulla alueella on vähän askelvastekokeita, ja vas- ‘·;*' 30 taavia tietoja käytetään muodostamaan piirin viipeen, prosessivahvistuksen ja aikavakion ensimmäisen kertaluvun dynaaminen malli käyttämällä parametrien ·:*<* arvioinnin vakiomenetelmiä. Piirin lähtö ennustetaan lohkossa 16 mallin (G) ja . piirin tulon 10 avulla. Tämän jälkeen lohkossa 18 lasketaan mallin residuaali eli v, 22, erona piirin mitatun lähdön ja piirin ennustetun lähdön välillä käyttämällä ’··*’ 35 mallia (G) kuvion 4 mukaisesti. Mallin residuaaliin vaikuttavat pääasiassa häi riöt, mitä käsitellään yksityiskohtaisesti jäljempänä.
115080 6
Kun mallin residuaalia v tarkastellaan visuaalisesti, havaitaan viisi huippua noin 150 näytteen välein (1 500 sekunnin eli 25 minuutin välein). Lisäksi 300:nnesta näytteestä alkaen on nähtävissä hitaasti laskeva trendi. Vaikka nämä trendit ovat selkeästi havaittavia tässä esimerkissä, yleensä ne eivät 5 ole yhtä ilmeisiä ilman residuaalilaskentaa.
Lohkojen 14,16 ja 18 prosessit ovat tunnettuja alalla. Esillä oleva keksintö käsittää kuitenkin häiriömallin muodostamisen käyttämällä piirimallin residuaalia ja ortogonaalista dekompositiomenetelmää, kuten PLS-algoritmia, mikä on esitetty yleisesti lohkona 20.
10 Piirin häiriöt 24 valitaan käyttäjän prosessituntemuksen ja mittaus- arvojen saatavuuden mukaan. Esillä olevan esimerkin häiriömuuttujat on merkitty kuvioon 5, ja kuviossa 6 on prosessikaavio sekä häiriömuuttujien selitykset. Ortogonaalista PLS-dekompositioalgoritmia käytetään lohkossa 28, jossa häiriötulot ovat yleisessä tapauksessa viivästettyjä ja/tai liukuvan keskiarvon 15 käsittäviä piirin häiriösignaaleja 24. Viipeiden ja liukuvien keskiarvojen määrä määritetään lohkossa 26 perinteisellä ristikorrelaatiomenetelmällä kunkin häi-riösignaalin ja piirimallin residuaalin »/välillä. PLS-lohko 28 muodostaa häiriö-mallin, jota edustavat ortogonaaliset piilomuuttujat ja mallin residuaalivirhe (e), 52, joka muodostetaan jäljempänä yksityiskohtaisemmin kuvatussa mallin re-20 siduaalin laskentalohkossa 48. Erityisemmin ortogonaalinen PLS-dekomposi-tioalgoritmi 28 määrittää ominaisarvon dekompositiomenetelmän tavoin orto- * · ' · ‘ gonaaliset komponentit, jotka ovat vastuussa lähdön suurimmista vaihteluista, ! sekä piirin tunnettujen häiriöiden osuudet kussakin piilomuuttujassa. Tällä ta- i · valla suuri osa lähdön vaihtelusta voidaan selittää oikealla yhdistelmällä tuloja '·" i 25 (eli mitattuja häiriösignaaleja).
: 1 · · Kolmen piilomuuttujan käyttämisen tulokset esillä olevassa esimer- ’ j kissä ovat kuviossa 7. Kukin piilomuuttuja selittää osan häiriömallin lähdön (v) « 4 t vaihtelusta ja kullakin piilomuuttujalla on siihen liittyvä painotus mallitulojen lin-, , kittämistä varten. Ortogonaalisen PLS-dekompositioalgoritmin mukaan ensim- ! L 30 mäinen piilomuuttuja 30 selittää i/:n, 22, lohkossa 24 lueteltujen häiriöiden ai-* T heuttaman suurimman vaihtelun (esillä olevassa esimerkissä 25,4 %), mikä on . ’ · merkitty lohkona 32. Lisäksi lohkossa 34 lasketaan kustakin häiriöstä ensim- : ‘ : mäiseen piilomuuttujaan liittyvä painotus. Vastaavasti lasketaan toinen ja kol- • l : mas piilomuuttuja (lohkot 36 ja 42), jotka selittävät 8,8 % ja 2,8 % häiriömallin ! ( L / 35 lähdön v kokonaisvaihtelusta, mikä on merkitty lohkoina 38 ja 44. Läsnä ei ole merkitsevää vaihtelua, joka voitaisiin edelleen erottaa käyttämällä useampia 115080 7 piilomuuttujia. Tässä tapauksessa lähdön kokonaisvaihteluista voidaan selittää yhteensä 37,0 %. Suuri osa lähtövaihtelusta (jäljelle jäävä 63 %) jää yhä selittämättömäksi häiriömallin residuaalissa (e), 52, joka on laskettu lohkossa 48 vähentämällä ortogonaaliset muuttujat piirin residuaalista (v), 22.
5 Järjestelmä käsittää lohkon 54, jonka tehtävänä on huolehtia piirin asetusarvon mahdollisista muutoksista. Kun asetusarvoa ei ole tarpeen muuttaa, lohkoa 54 ei tarvita. Erityisesti signaalinlaskentalohko 54 käyttää häiriö-mallin residuaalia (e) 52 seuraavassa funktiossa: 10 e + (Gu-Ysp) missä Gu on säätötoiminnan seurauksena muodostettu ennustettu lähtö ja Ysp on asetusarvo.
Koska Gu on aina säädettävissä, sitä ei ehkä tarvita yhtälössä. Tä-15 mä kuvastaa sitä tosiseikkaa, että asetusarvon tiettyjä muutoksia ei voida toteuttaa. Asetusarvon muutoksen toteuttamaton osa lisätään näin ollen häiriö-mallin residuaaliin e lohkossa 54 ennen aikasarja-analyysin laskemista lohkossa 60.
Edellä kuvatun perusteella ortogonaalisen PLS-dekompositioalgorit- 20 min eräs tärkeä ominaisuus on se, että piilomuuttujat 30, 36 ja 42 sekä häiriö- mallin residuaali e, 52, ovat ortogonaalisia, jolloin ne on mahdollista lisätä pii- ' 1 riin.
* i Esimerkkitapauksen häiriömallin residuaali, 52, (kolmen piilomuuttu- i.i ! jän vaikutuksen poistamisen jälkeen) ja mallin residuaali säädön ollessa paras / 25 on esitetty kuviossa 8. Lähdön pienin saavutettavissa oleva vaihtelu, kolmen : piilomuuttujan vaikutus pois lukien, on 1,55 (keskihajonta).
‘: Signaalien keskihajonta häiriömallissa on koottu alla olevaan tau lukkoon 1. 1 115080 8
Taulukko 1. Signaalien keskihajonta häiriömallissa
Signaali- Piirimallin Piirimallin resi- Piirimallin residuaa- Häiriömallin e:n (62) kompo- residuaali v duaali, josta pois- li, josta poistettu residuaali e kontrolloi- nentit (22) tettu ensimmäi- ensimmäinen ja toi- (52) mattomat ___nen piilomuuttuja nen piilomuuttuja___komponentit
Keskiha- jonta 3,41_ 2,55_ 2,25_ 2,16_ 1,55_
Esillä olevassa esimerkissä häiriömallin mukaan trendillä LI346100407:av on merkitsevin paino ensimmäiseen piilomuuttujaan (josta johtuu 25,4 % lähtövaihtelusta) ja trendillä HC346100403:me on merkitsevin 5 paino toiseen piilomuuttujaan (josta johtuu 8,8 % lähtövaihtelusta) kuvion 9 mukaisesti. Prosessivuorovaikutuksista johtuvien vaikutusten suuruus on arvioitu häiriömallilla 28 edellä olevan yksityiskohtaisen kuvauksen mukaisesti.
Lisäksi esimerkkitapauksessa määritetään piilomuuttujien vaikutusten suuruus piirin lähdön pienimpään saavutettavissa olevaan vaihteluun. Kun-10 kin tunnetun häiriön piilomuuttujaan liittävien kerrointen avulla voidaan laskea kunkin yksittäisen häiriön vaikutus piirin lähdön pienimpään saavutettavissa olevaan vaihteluun, mikä kuvataan yksityiskohtaisemmin jäljempänä. Minimiva-rianssi 1,55 saavutetaan siinä tapauksessa, että kaikkien kolmen piilomuuttu-jan vaikutus on eliminoitu.
.·, , 15 Edellä kuvatun erityisen esimerkin mukaan merkitsevin vaikutus pii- rin lähdön varianssiin on tuntemattomalla häiriöllä, joka ei näy kuviossa 5, kos- |* V ka häiriömallin mukaan vain 37 % lähtövaihtelusta voi johtua tunnetuista piiri- • · * ·*;;/ häiriöistä. Toisaalta jos piilomuuttuja selittää merkitsevimmän vaikutuksen, häi- ’···’ riömallissa suurimpaan painotukseen liittyvä häiriö voisi olla piirin lähdön vaih-
• I
: 20 telut aiheuttavan vaihtelun tärkein lähde. Jos piirissä itsessään on hienosäätö- :puutteita tai toimilaitevika, joka ilmenee suurena piirin suorituskykyindeksinä, voidaan käyttää piirin vianmäärityksen vakiomenetelmiä (katso T. Hägglund, • I · "Assessment of control loop performance", Control Systems 94). Esillä olevas- sa esimerkissä alkuperäistä häiriöluetteloa on laajennettu, koska alkuperäistä * , 25 joukkoa käyttämällä muodostetut piilomuuttujat eivät selitä suurta osaa piirin residuaalista v, 22.
Edellä kuvatussa esimerkissä suoritetaan vertailemalla perinteinen *.: ristikorrelaatioanalyysi, jonka tulokset on merkitty kuvioon 10. Kaikki, joka voi daan päätellä kuvatuista ristikorrelaatiofunktioista, on se, että korreloiduin sig-30 naali on HC346100403:me ja että kolmella signaalilla, HC346101002:me, 115080 9 LC346100401 :con ja LI346100407:av, on samansuuruiset korrelaatiot. Kaksi muuta häiriötä korreloivat heikommin.
Itse asiassa, kuten kuviosta 6 näkyy, HC346100403 on alipiiri, joka korreloi tiiviisti piirin ohjauksen kanssa. Lisäksi LC346100401:n ja 5 HC346101002:n suuret korrelaatiot ovat seurausta niiden läheisistä suhteista säätöpiiriin. Alun perin ei odotettu, että häiriöllä, jonka huippujen väli on 25 minuuttia, voisi olla mitään merkitsevää vaikutusta piiriin. Edellä kuvatun perusteella perinteisellä korrelaatioanalyysillä piirin säätötoiminnon ja erilaisten häiriölähteiden vaikutus on vaikea erottaa. Vastaavasti perinteisellä korrelaatio-10 analyysillä ei voida saada aikaan kvantitatiivisia kuvauksia häiriövaikutuksista eikä paljastaa tuntematonta häiriökuviota, joka vaikuttaa merkitsevimmin piiriin.
Esillä olevan keksinnön mukainen monimuuttujasäätöpiirin arviointimenetelmä paljastaa sellaiset tuntemattomat häiriökuviot, jotka vaikuttavat merkitsevästi piiriin, ja antaa käyttöön häiriön vaikutuksen kvantitatiiviset kuvauk-15 set. Paljastamisen jälkeen (katso lohko 104 kuviossa 2b) häiriömallin residuaa-lia käytetään merkitsevimmän korrelaation löytämiseksi häiriömallissa aikaisemmin ohitettujen käytettävissä olevien mittausten luettelosta. Paljastuneet tuntemattomat häiriösignaalit, jotka merkitsevästi vaikuttavat piiriin, lisätään tunnettuihin häiriösignaaleihin (lohko 106) ja juuri muodostettuun häiriömalliin 20 käytetään ortogonaalista PLS-dekompositiomenetelmää.
Käyttämällä häiriömallinnusmenetelmää paperitehtaan sulpunkäsit-/ ' telyalueen sakeutusprosessissa (kuvio 6) voidaan varmuudella todeta seuraa- : ; : vat seikat: : - Piirin pienin saavutettavissa oleva vaihtelu ja ensimmäisen kolmen :.,,: 25 piilomuuttujan vaikutus piirin suorituskykyyn. Tämän jälkeen piirin suorituskyky- :\! indeksi voidaan laskea jäljempänä olevan yksityiskohtaisen kuvauksen mukai- sesti.
- Kunkin häiriön vaikutus kuhunkin piilomuuttujaan. Esillä olevassa esimerkissä sakeuttimen tasolla on suurin vaikutus alkuperäisessä häiriömal-30 lissa (kuviot 7-9) luetelluista häiriöistä. Tämän vaikutuksen eliminoimiseksi T voidaan laskea piirin odotetun suorituskyvyn paranemisen ennuste ennen lisä- , ' : säädön suorittamista, mikä kuvataan yksityiskohtaisesti jäljempänä.
' ’: - Piirin vaihtelun suurimmasta osasta vastaavan tuntemattoman häi- i : riön kuvio. Löytämällä häiriömallin residuaalin kanssa voimakkaasti korreloiva .. ] 35 signaali voidaan muodostaa uusi häiriömalli, joka selittää suurimman osan pii rin vaihtelusta.
115080 10 Häiriömallinnuksen jälkeen suoritetaan kuvion 2 mukaisesti aikasarja-analyysi käyttämällä laajennettua pienimmän neliösumman algoritmia lohkossa 60. Kuten edellä on mainittu, aikasarja-analyysissä käytetty signaali lasketaan lohkossa 54 käyttämällä häiriömallin residuaalia 52 ja piirin tietoja. Lohkos-5 sa 60 residuaalin virhe hajotetaan piirin viipeen avulla kontrolloiduksi komponentiksi 62 ja kontrolloimattomaksi komponentiksi 64.
Lohko 56 laskee kunkin piilomuuttujan osuuden piirin pienimmässä saavutettavissa olevassa vaihtelussa. Jos tietyn häiriön tulon signaalin vaihtelu on eliminoitava, muodostetaan uusi kontrolloimaton komponentti käyttämällä 10 sen painotusta piilomuuttujassa. Luonnollisesti suurimmalla painotuksella ensimmäiseen piilomuuttujaan on merkitsevin vaikutus.
Erityisemmin käyttäjä valitsee, sisällytetäänkö tunnetun häiriön (x) vaikutus pienimmän saavutettavissa olevan suorituskyvyn laskentaan lohkossa 6 (kuvataan yksityiskohtaisesti jäljempänä). Oletusarvon mukaan laskentaan 15 sisällytetään kaikki häiriöt. Esimerkiksi jos v = bjLj + Ö2L2 + 63/-3, missä von piirimallin residuaali, e on häiriömallin residuaali ja biL? on /:s piilomuuttuja (/=1,2,3), jolloin b1 on kerroin ja L? on vektori, Ln L2, L3 ja e ovat ortogonaalisia. Tietylle häiriölle x ortogonaalinen PLS-dekompositiomenetelmä 28 muodostaa oman vaikutuksensa kuhunkin muuttujaan L, (esimerkiksi x = C1L1 + C2L2 + 20 C3L3...). Tietyn häiriön vaikutus häiriömallin lähtöön poistetaan käyttämällä sen vaikutuskertoimia yhdessä ortogonaalisen avaruuden koordinaattien Li, L2 ja ' L3 kanssa.
:. ί : Jos suorituskyvyn arvioinnissa päätetään eliminoida vaihtelu x (esi- : merkiksi määräämällä vastaava säätö tai monimuuttujasäädöllä), pienimmän L.,: 25 suorituskyvyn laskennassa ensimmäisen piilomuuttujan osuudesta tulee (bi - ci)Li sen sijaan, että se olisi biLi. Kun cy.n arvo on suuri, vaikutus pienimmän :***: suorituskyvyn laskentaan voi tulla merkitseväksi.
• · · Häiriömallin 20 ja aikasarja-analyysin 60 perusteella lasketaan piirin pienin saavutettavissa oleva vaihtelu lisäämällä hajotettu kontrolloimaton kom-*·’··, 30 ponentti 62 ja vaikuttavat komponentit valittuihin piilomuuttujiin (käyttäjän valit- Ί * semat muuttujat kohteista 30, 36 ja 42 sekä lähtö vastaavista lohkoista 56). Tä- . * ·: män jälkeen lohkossa 68 lasketaan vastaavasti piirin suorituskykyindeksi ny- kyisen piirin vaihtelun ja lohkosta 66 saatavan pienimmän saavutettavissa ole- ,·! : van vaihtelun suhteena.
> · » 35 Esimerkiksi kuviossa 11 on merkitsevästi piiriin vaikuttava, alun pe rin tuntematon, häiriösignaali pesuvirtaussignaalin muodossa. Kuviossa 12 on 115080 11 uusi häiriömalli, johon sisältyy pesuvirtaussignaali piirin häiriönä ja kolmea pii-lomuuttujaa käyttämällä saatu uusi lopputulos. Ensimmäisen piilomuuttujan poistaminen piirimallin residuaalista pienentää keskihajontaa 51 %. Käyttämällä toista ja kolmatta piilomuuttujaa voidaan nyt selittää 60 %:n ja 62 %:n vaihte-5 lu. Signaalien keskihajonta häiriömallissa on koottu alla olevaan taulukkoon 2.
Taulukko 2. Signaalien keskihajonta uudelleen muodostetussa häiriömallissa
Signaali- Piirimallin Piirimallin resi- Piirimallin residuaa- Häiriömallin e:n (62) kontrol- kompo- residuaali v duaali, josta pois- li, josta poistettu residuaali e loimattomat nentit (22) tettu ensimmäi- ensimmäinen ja (52) komponentit ___nen piilomuuttuja toinen piilomuuttuja___
Keskiha- jonta 3,41_ 1,67_ 1,36_ 1,31_ 1,06_
Johdettu piirin lähdön pienin saavutettavissa oleva vaihtelu on esitetty kuviossa 13. Pienin saavutettavissa oleva vaihtelu, kun kaikki häiriövaiku-10 tukset on poistettu, on 1,06 (keskihajonta), mikä on esitetty kuvion 13 ylimmässä kaaviossa. Tämä on epärealistinen tilanne, koska läsnä on yhteensä 7 piiri-häiriötä.
Kuitenkin kun kahden päähäiriön vaikutus poistetaan, piirin lähdön pienin saavutettavissa oleva keskihajonta on 1,14. Kaksi päähäiriötä ovat pe-15 suvirtaus kuviossa 11 ja sakeuttimen taso LI346100407:av kuviossa 5. Tämä •, · · on realistisempi tilanne, koska ainoastaan kahden piirihäiriön vaikutus on pois- j * : tettu ja piirin pienin saavutettavissa oleva vaihtelu kasvaa ainoastaan hieman.
: ” *: Tämä on esitetty kuvion 13 toiseksi ylimmässä kaaviossa.
Lisäksi, jos kuviossa 11 poistetaan ainoastaan pesuvirtauksen vai-.···. 20 kutus, pienin saavutettavissa oleva vaihtelu kasvaa arvoon 1,56 (keskihajon ta), ja tämä on esitetty kolmantena kaaviona kuviossa 13.
>u Jos häiriöitä ei poisteta, piirin lähdön pienin saavutettavissa oleva ‘li; vaihtelu on merkitsevästi suurempi, kuten näkyy kuvion 13 alimmasta kaavios- *·;** ta.
,' .j 25 Tekniikan tason mukaiseen piirin suorituskyvyn arviointiin ei sisälly : * i häiriömallinnusta (lohko 20), jonka esillä oleva keksintö antaa käyttöön, minkä ' . vuoksi siinä otetaan huomioon ainoastaan yhden muuttujan tilanteet. Piirivirhettä käytetään suoraan aikasarja-analyysissa 60 ja muodostuvaa kontrolloimattoman komponentin vaihtelua käsitellään piirin lähdön pienimpänä saavutettavissa 115080 12 olevana vaihteluna. Eri häiriöiden ja piirin omien säätötoimien vaikutusta ei voida erottaa toisistaan. Kuten edellä on mainittu, US-patentissa nro 5 838 561 käytetään parannettua menetelmää muokata piirin suorituskykyindeksiä ottamalla huomioon muiden, samanlaiset ensisijaiset tai toissijaiset taajuudet omaa-5 vien, piirien vaikutus. Tämä kuitenkin yleensä edellyttää sitä, että signaalit värähtelevät selvästi (toisin sanoen ne muodostavat selkeän siniaallon). Esillä oleva menetelmä etsiä tekijöitä ortogonaalisesta avaruudesta käyttämällä or-togonaalista dekompositiomentelemää, kuten PLS-algoritmia, antaa käyttöön paremmat dekompositioratkaisut ja sopii yleisempiin tapauksiin. Esillä olevalla 10 menetelmällä määritetään kunkin tekijän osuuden suuruus piirin vaihteluun, ja syötteenä voidaan käyttää haluttua määrää tekijöitä.
Kun piirin suorituskykyindeksi 68 on suuri (esimerkiksi silloin, kun piirin vaihtelu on paljon suurempi kuin pienin saavutettavissa oleva arvo, tyypillisesti enemmän kuin kaksi tai kolme kertaa suurempi), suoritetaan piiridiag-15 noosi 70. Ottamalla häiriön vaikutus huomioon, piirin oman vian aiheuttama suuri vaihtelu voidaan diagnosoida käyttämällä tekniikan tason mukaisia menetelmiä ja lisäluokituksen avulla määrittää, onko syynä esimerkiksi säätöviri-tys tai säätöventtiilin vika.
Keksinnöllisen menetelmän etuna on lisäksi se, että kun ratkaisuun 20 ollaan lisäämässä kehittynyttä säätöratkaisua, voidaan ennustaa säädön mahdollinen paraneminen. Esimerkiksi monimuuttuja- tai myötäkytkentäsäätöä käy-tettäessä on mahdollista eliminoida mitattavien häiriöiden vaikutus piiriin. Mää-: rittämällä häiriön vaikutuksen suuruus voidaan ennustaa piirin mahdollinen pa- • 1 !.· i rannus.
:[[[: 25 Tutkimalla häiriömallin residuaalia (e), 52, ja korreloimalla sitä sel- : laisten muiden muuttujien kanssa, joita ei käytetä häiriömallissa, käyttäjä voi ;2 ·; lisätä prosessitietämystään tässä asiakirjassa kuvatulla tavalla.
Alan ammattimiehelle on selvää, että menetelmästä on mahdollista toteuttaa muunnoksia ja vaihtoehtoisia ratkaisuja, jotka kaikki kuuluvat jäljem- ΊΙ! 30 pänä kuvattujen patenttivaatimusten määrittämään keksinnön suojapiiriin.
• » · » • « · • t 2 • · ·
Claims (13)
1. Menetelmä arvioida prosessia, jossa on vähintään yksi mitattu säätöpiiritulo, yksi mitattu säätöpiirilähtö sekä useita tunnettuja ja tuntemattomia häiriöitä, joka menetelmä käsittää: 5 ennustemallin muodostamisen mainitusta prosessista käyttämällä parametriarviointia ja sisältäen ennustemallin piirin viipeen, piirimallin residuaalin laskemisen mainitun mitatun lähdön ja mainitun ennustemallin lähdön välillä, ja ortogonaalisen dekompositiomenetelmän käyttämisen niiden orto-10 gonaalisten piilomuuttujien löytämiseksi, jotka korreloivat mainitun piirimallin residuaalin kanssa ja jotka ovat vastuussa peräkkäisesti pienenevistä vaihteluista piirimallin residuaalissa, ja niihin liittyvien vastaavien painotusten löytämiseksi mainitun joukon häiriöitä ja kunkin mainitun piilomuuttujan välillä, t u n -I n e 11 u siitä, että menetelmä lisäksi käsittää: 15 sellaisen häiriömallin residuaalin laskemisen, joka on ortogonaali- ! nen mainittujen piilomuuttujien kanssa ja joka edustaa tuntemattomien häiriöi den aiheuttamaa ensisijaista piirin vaihtelua, vähentämällä mainitut peräkkäiset ortogonaaliset piilomuuttujat mainitusta piirimallin residuaalista, aikasarja-analyysin suorittamisen mainitun häiriömallin residuaalivir-20 heessä käyttämällä mainittua mallipiirin viivettä mainitun häiriömallin residuaa-: Iin hajottamiseksi kontrolloituun komponenttiin ja kontrolloimattomaan kompo- : : nenttiin, : piirin pienimmän saavutettavissa olevan vaihtelun laskemisen kun- .·*·. kin mainitun piilomuuttujan selektiivisen poistamisen perusteella laskemalla • · 25 häiriömallin jäännöksen kontrolloimattomien komponenttien ja jäljelle jäävien piilomuuttujien summa, piirin suorituskykyindeksin laskemisen mainitun piirin mitatun lähdön ja mainitun piirin lasketun pienimmän saavutettavissa olevan vaihtelun suhtee-na ja 30 piirin vianmäärityksen suorittamisen siinä tapauksessa, että mainittu . . : piirin suorituskykyindeksi on ennalta määritettyä arvoa suurempi.
2. Patenttivaatimuksen 1 mukainen menetelmä, jossa mainittu orto- . gonaalisen dekompositiomenetelmän käyttäminen peräkkäisten ortogonaalis- V : ten piilomuuttujien tunnistamiseksi käsittää lisäksi i) vallitsevimman korrelaation 35 erottamisen ja tämän jälkeen residuaalin käyttämisen toiseksi vallitsevimman korrelaation erottamiseksi ortogonaalisesta avaruudesta ja ii) vaiheen i) toista 115080 misen, kunnes seuraavaksi vallitsevin korrelaatio ei enää merkitsevästi aiheuta lisää lähdön vaihtelua.
3. Patenttivaatimuksen 1 mukainen menetelmä, jossa mainitun ennustemallin muodostaminen mainitusta prosessista käsittää prosessipiirimallin- 5 nuksen mainitun mallipiirin viipeen sekä piirin vahvistuksen ja aikavakion määrittämiseksi.
4. Patenttivaatimuksen 3 mukainen menetelmä, jossa mainittu piiri-mallinnus lisäksi käsittää alussa suoritettavat askelvastekokeet ensimmäisen kertaluvun dynaamisen mallin muodostamiseksi mainituista piirin viipeestä, piilo rin vahvistuksesta ja aikavakiosta parametrien arviointia käyttämällä.
5. Patenttivaatimuksen 1 mukainen menetelmä, jossa mainitut häiriöt ovat vähintään yhden viipeistä ja liukuvan keskiarvon vaikutuksen alaisia siinä määrin, mikä on määritetty käyttämällä ristikorrelaatiota kunkin häiriösig-naalin ja mainitun piirimallin residuaalin välillä.
6. Patenttivaatimuksen 1 mukainen menetelmä, jossa mainittu aika- j sarja-analyysi suoritetaan käyttämällä laajennettua pienimmän neliösumman algoritmia.
7. Patenttivaatimuksen 1 mukainen menetelmä, jossa sellainen or-togonaalinen menetelmä on PLS (Partial Least Squares) -menetelmä.
8. Menetelmä tunnistaa häiriömallin edustaman prosessipiirin vähin tään yksi uusi häiriömuuttuja käyttämällä piirin tai häiriömallin ja häiriömalliin si-: sältymättömien signaalien ristikorrelaatiota häiriömallin ja pienimmän saavutet- ; tavissa olevan vaihtelun parantamiseksi eliminoimalla mainitun vähintään yh- i : ’: den häiriömuuttujan vaikutus, joka menetelmä käsittää: 25 ortogonaalisen dekompositiomenetelmän käyttämisen niiden orto- : gonaalisten piilomuuttujien löytämiseksi, jotka korreloivat mainitun piirimallin ,·*·[ residuaalin kanssa ja jotka ovat vastuussa peräkkäisesti pienenevistä vaihte- * · luista piirimallin residuaalissa, ja niihin liittyvien vastaavien painotusten löytämi-, seksi mainitun joukon häiriöitä ja kunkin mainitun piilomuuttujan välillä, ;;; 30 tunnettu siitä, että menetelmä lisäksi käsittää: ’ sellaisen häiriömallin residuaalin laskemisen, joka on ortogonaali- ,* I nen mainittujen piilomuuttujien kanssa ja joka edustaa tuntemattomien häiriöi- ... : den aiheuttamaa ensisijaista piirin vaihtelua, vähentämällä mainitut peräkkäi set ortogonaaliset piilomuuttujat mainitusta piirimallin residuaalista, : 35 aikasarja-analyysin suorittamisen mainitun häiriömallin residuaalivir- . .: heessä käyttämällä mainittua mallipiirin viivettä mainitun häiriömallin jäännök- 115080 sen hajottamiseksi kontrolloituun komponenttiin ja kontrolloimattomaan komponenttiin, piirin pienimmän saavutettavissa olevan vaihtelun laskemisen kunkin mainitun piilomuuttujan selektiivisen poistamisen perusteella laskemalla 5 häiriömallin jäännöksen kontrolloimattomien komponenttien ja jäljelle jäävien piilomuuttujien summa, piirin suorituskykyindeksin laskemisen mainitun piirin mitatun lähdön ja mainitun piirin lasketun pienimmän saavutettavissa olevan vaihtelun suhtee- i na ja I 10 piirin vianmäärityksen suorittamisen siinä tapauksessa, että mainittu piirin suorituskykyindeksi on ennalta määritettyä arvoa suurempi.
9. Patenttivaatimuksen 8 mukainen menetelmä, jossa mainittu orto-gonaalinen menetelmä on PLS (Partial Least Squares) -menetelmä.
10. Laitteisto arvioida prosessia, jossa on vähintään yksi mitattu sää-15 töpiiritulo, yksi mitattu säätöpiirilähtö sekä useita tunnettuja ja tuntemattomia häiriöitä, joka laitteisto käsittää: i ennustemallilohkon ennustemallin muodostamiseksi mainitusta pro sessista käyttämällä parametriarviointia sisältäen ennustemallin piirin viipeen, malliresiduaalilohkon piirimallin residuaalin laskemiseksi mainitun 20 mitatun piirin lähdön ja mainitun ennustemallin lähdön välillä, ja häiriömallinnuslohkon ortogonaalisen dekompositiomenetelmän käyt-V,: tämiseksi niiden ortogonaalisten piilomuuttujien löytämiseksi, jotka korreloivat : mainitun piirimallin residuaalin kanssa ja jotka ovat vastuussa peräkkäisesti • :1; pienenevistä vaihteluista piirimallin residuaalissa, ja niihin liittyvien vastaavien . *1. 25 painotusten löytämiseksi mainitun joukon häiriöitä ja kunkin mainitun piilomuut- : tujan välillä, tunnettu siitä, että laitteisto lisäksi käsittää: malliresiduaalilohkon sellaisen häiriömallin residuaalin laskemiseksi, joka on ortogonaalinen mainittujen piilomuuttujien kanssa ja joka edustaa mainittujen tuntemattomien häiriöiden aiheuttamaa ensisijaista piirin vaihtelua, vä- • j 30 hentämällä mainitut peräkkäiset ortogonaaliset piilomuuttujat mainitusta piiri- .: mallin residuaalista, ; ·; aikasarja-analyysilohkon aikasarja-analyysin suorittamiseksi maini tun häiriömallin residuaalivirheessä käyttämällä mainittua mallipiirin viivettä mainitun häiriömallin residuaalin hajottamiseksi kontrolloituun komponenttiin ja 35 kontrolloimattomaan komponenttiin, 115080 lohkon piirin pienimmän saavutettavissa olevan vaihtelun laskemiseksi kunkin mainitun piilomuuttujan selektiivisen poistamisen perusteella laskemalla häiriömallin jäännöksen kontrolloimattomien komponenttien ja jäljelle jäävien piilomuuttujien summa ja 5 lisälohkon piirin suorituskykyindeksin laskemiseksi mainitun piirin mitatun lähdön ja mainitun piirin lasketun pienimmän saavutettavissa olevan vaihtelun suhteena ja piirin vianmäärityksen suorittamiseksi siinä tapauksessa, että mainittu piirin suorituskykyindeksi on ennalta määritettyä arvoa suurempi.
11. Patenttivaatimuksen 10 mukainen laitteisto, jossa mainittu häi-10 riömallinnuslohko käyttää ortogonaalista PLS (Partial Least Squares) -dekom- positiomenetelmää.
12. Laitteisto häiriömallin edustaman prosessipiirin vähintään yhden I uuden häiriömuuttujan tunnistamiseksi käyttämällä piirin tai häiriömallin ja häi- riömalliin sisältymättömien signaalien ristikorrelaatiota häiriömallin ja pienim-15 män saavutettavissa olevan vaihtelun parantamiseksi eliminoimalla mainitun vähintään yhden häiriömuuttujan vaikutus, joka laitteisto käsittää: häiriömallinnuslohkon ortogonaalisen dekompositiomenetelmän käyttämiseksi niiden ortogonaalisten piilomuuttujien löytämiseksi, jotka korreloivat mainitun piirimallin residuaalin kanssa ja jotka ovat vastuussa peräkkäi-20 sesti pienenevistä vaihteluista piirimallin residuaalissa, ja niihin liittyvien vastaavien painotusten löytämiseksi mainitun joukon häiriöitä ja kunkin mainitun *·, v piilomuuttujan välillä, tunnettu siitä, että laitteisto lisäksi käsittää: i : malliresiduaalilohkon sellaisen häiriömallin residuaalin laskemiseksi, • ’: joka on ortogonaalinen mainittujen piilomuuttujien kanssa ja joka edustaa mai- . . 25 nittujen tuntemattomien häiriöiden aiheuttamaa ensisijaista piirin vaihtelua, vä- , , : hentämällä mainitut peräkkäiset ortogonaaliset piilomuuttujat mainitusta piiri- mallin residuaalista, • · aikasarja-analyysilohkon aikasarja-analyysin suorittamiseksi mainitun häiriömallin residuaalivirheessä käyttämällä mainittua mallipiirin viivettä < »· • · : 30 mainitun häiriömallin residuaalin hajottamiseksi kontrolloituun komponenttiin ja i r i •...: kontrolloimattomaan komponenttiin, : lohkon piirin pienimmän saavutettavissa olevan vaihtelun laskemi- ,,, : seksi kunkin mainitun piilomuuttujan selektiivisen poistamisen perusteella las kemalla häiriömallin jäännöksen kontrolloimattomien komponenttien ja jäljelle i 35 jäävien piilomuuttujien summa ja » · i t 1 115080 lisälohkon piirin suorituskykyindeksin laskemiseksi mainitun piirin mitatun lähdön ja mainitun piirin lasketun pienimmän saavutettavissa olevan vaihtelun suhteena ja piirin vianmäärityksen suorittamiseksi siinä tapauksessa, että mainittu piirin suorituskykyindeksi on ennalta määritettyä arvoa suurempi.
13. Patenttivaatimuksen 12 mukainen laitteisto, jossa mainittu häi- riömallinnuslohko käyttää ortogonaalista PLS (Partial Least Squares) -dekom-positiomenetelmää. tl· It· < > · 4 » » t » 1 « 1 • > · I » , · * · » t i - · t · • 1 » > I ' I t t » 115080
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US81695701 | 2001-03-23 | ||
| US09/816,957 US6650947B2 (en) | 2001-03-23 | 2001-03-23 | Multi-variable control loop assessment |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| FI20020558A0 FI20020558A0 (fi) | 2002-03-22 |
| FI20020558A FI20020558A (fi) | 2002-09-24 |
| FI115080B true FI115080B (fi) | 2005-02-28 |
Family
ID=25222018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FI20020558A FI115080B (fi) | 2001-03-23 | 2002-03-22 | Monimuuttujainen säätösilmukan arviointi |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6650947B2 (fi) |
| CA (1) | CA2377206C (fi) |
| DE (1) | DE10212909B4 (fi) |
| FI (1) | FI115080B (fi) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688296A (zh) * | 2017-09-06 | 2018-02-13 | 广州华润热电有限公司 | 基于sis平台的自动调节回路在线评估方法及系统 |
Families Citing this family (78)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1497783A4 (en) * | 2002-01-15 | 2005-08-03 | Suvajit Das | COMPUTER IMPLEMENTED SYSTEM AND METHOD FOR MEASURING AND IMPROVING MANUFACTURING PROCESSES AND MAXIMIZING PRODUCT RESEARCH AND DEVELOPMENT SPEED AND EFFICIENCY |
| JP4317701B2 (ja) * | 2003-03-12 | 2009-08-19 | 東京エレクトロン株式会社 | 処理結果の予測方法及び予測装置 |
| EP1542102B1 (de) * | 2003-12-10 | 2009-06-24 | Linde Aktiengesellschaft | Verfahren und Vorrichtung zur suboptimalen Regelung mittels einer Suchstrategie und Verfahren und Vorrichtung zur Gaszerlegung, insbesondere zur Tieftemperatur-Luftzerlegung |
| US7031880B1 (en) * | 2004-05-07 | 2006-04-18 | Johnson Controls Technology Company | Method and apparatus for assessing performance of an environmental control system |
| US7406820B2 (en) * | 2005-03-25 | 2008-08-05 | Honeywell International Inc. | System and method for turbine engine adaptive control for mitigation of instabilities |
| US20070143451A1 (en) * | 2005-12-20 | 2007-06-21 | Johnson Controls Technology Company | System and method for configuring a control system |
| US7805984B2 (en) * | 2006-08-24 | 2010-10-05 | Gm Global Technology Operations, Inc. | Intake manifold tuning valve fuzzy logic diagnostic |
| US7949417B2 (en) * | 2006-09-22 | 2011-05-24 | Exxonmobil Research And Engineering Company | Model predictive controller solution analysis process |
| ES2431863T5 (es) * | 2006-11-03 | 2017-07-27 | Air Products And Chemicals, Inc. | Sistema y método para la monitorización de procesos |
| US8666515B2 (en) * | 2009-01-07 | 2014-03-04 | Cfi Group Usa, Llc | Statistical impact analysis machine |
| US8155932B2 (en) * | 2009-01-08 | 2012-04-10 | Jonas Berggren | Method and apparatus for creating a generalized response model for a sheet forming machine |
| US8209048B2 (en) * | 2009-01-12 | 2012-06-26 | Abb Automation Gmbh | Method and apparatus for creating a comprehensive response model for a sheet forming machine |
| US20100198364A1 (en) * | 2009-02-05 | 2010-08-05 | Shih-Chin Chen | Configurable Multivariable Control System |
| US9323234B2 (en) | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
| US8571696B2 (en) * | 2009-06-10 | 2013-10-29 | Fisher-Rosemount Systems, Inc. | Methods and apparatus to predict process quality in a process control system |
| US8224476B2 (en) | 2010-05-31 | 2012-07-17 | Honeywell Asca Inc. | Closed-loop monitoring and identification of CD alignment for papermaking processes |
| WO2013007866A1 (en) | 2011-07-11 | 2013-01-17 | Metso Automation Oy | Method of monitoring an industrial process |
| EP2791745B1 (en) | 2011-12-15 | 2020-09-09 | Valmet Automation Oy | A method of operating a process or machine |
| US9348325B2 (en) * | 2012-01-30 | 2016-05-24 | Johnson Controls Technology Company | Systems and methods for detecting a control loop interaction |
| US9511969B2 (en) | 2012-03-28 | 2016-12-06 | Honeywell Limited | Closed-loop alignment identification with adaptive probing signal design technique for web manufacturing or processing systems |
| US9411327B2 (en) | 2012-08-27 | 2016-08-09 | Johnson Controls Technology Company | Systems and methods for classifying data in building automation systems |
| WO2014053971A1 (en) * | 2012-10-01 | 2014-04-10 | Abb Technology Ltd. | A system and a method for tracking plant-wide fault |
| CN103605878B (zh) * | 2013-08-19 | 2016-03-30 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
| EP2899602A1 (en) * | 2014-01-24 | 2015-07-29 | Siemens Aktiengesellschaft | Determining a controller performance measure |
| CN104216396A (zh) * | 2014-08-19 | 2014-12-17 | 上海交通大学 | 裂解炉中单变量多时变扰动系统的性能评估方法 |
| ES2732473T3 (es) * | 2015-02-16 | 2019-11-22 | Siemens Ag | Dispositivo y procedimiento de diagnóstico para la supervisión del funcionamiento de un bucle de control |
| EP3065015B1 (de) * | 2015-03-04 | 2018-09-26 | Siemens Aktiengesellschaft | Diagnoseeinrichtung und -verfahren zur überwachung des betriebs von regelkreisen |
| US10534326B2 (en) | 2015-10-21 | 2020-01-14 | Johnson Controls Technology Company | Building automation system with integrated building information model |
| US11268732B2 (en) | 2016-01-22 | 2022-03-08 | Johnson Controls Technology Company | Building energy management system with energy analytics |
| US11947785B2 (en) | 2016-01-22 | 2024-04-02 | Johnson Controls Technology Company | Building system with a building graph |
| US11768004B2 (en) | 2016-03-31 | 2023-09-26 | Johnson Controls Tyco IP Holdings LLP | HVAC device registration in a distributed building management system |
| US10417451B2 (en) | 2017-09-27 | 2019-09-17 | Johnson Controls Technology Company | Building system with smart entity personal identifying information (PII) masking |
| US10901373B2 (en) | 2017-06-15 | 2021-01-26 | Johnson Controls Technology Company | Building management system with artificial intelligence for unified agent based control of building subsystems |
| US10505756B2 (en) | 2017-02-10 | 2019-12-10 | Johnson Controls Technology Company | Building management system with space graphs |
| US11774920B2 (en) | 2016-05-04 | 2023-10-03 | Johnson Controls Technology Company | Building system with user presentation composition based on building context |
| CN109642371B (zh) * | 2016-08-31 | 2021-11-12 | 精工爱普生株式会社 | 薄片制造装置及薄片制造装置的控制方法 |
| US10684033B2 (en) | 2017-01-06 | 2020-06-16 | Johnson Controls Technology Company | HVAC system with automated device pairing |
| US11900287B2 (en) | 2017-05-25 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with budgetary constraints |
| US11360447B2 (en) | 2017-02-10 | 2022-06-14 | Johnson Controls Technology Company | Building smart entity system with agent based communication and control |
| US10169486B2 (en) | 2017-02-10 | 2019-01-01 | Johnson Controls Technology Company | Building management system with timeseries processing |
| US11764991B2 (en) | 2017-02-10 | 2023-09-19 | Johnson Controls Technology Company | Building management system with identity management |
| US10515098B2 (en) | 2017-02-10 | 2019-12-24 | Johnson Controls Technology Company | Building management smart entity creation and maintenance using time series data |
| US11994833B2 (en) | 2017-02-10 | 2024-05-28 | Johnson Controls Technology Company | Building smart entity system with agent based data ingestion and entity creation using time series data |
| US11042144B2 (en) | 2017-03-24 | 2021-06-22 | Johnson Controls Technology Company | Building management system with dynamic channel communication |
| US11327737B2 (en) | 2017-04-21 | 2022-05-10 | Johnson Controls Tyco IP Holdings LLP | Building management system with cloud management of gateway configurations |
| US10788229B2 (en) | 2017-05-10 | 2020-09-29 | Johnson Controls Technology Company | Building management system with a distributed blockchain database |
| US11022947B2 (en) | 2017-06-07 | 2021-06-01 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization and ELDR user interfaces |
| EP3655826A1 (en) | 2017-07-17 | 2020-05-27 | Johnson Controls Technology Company | Systems and methods for agent based building simulation for optimal control |
| WO2019018008A1 (en) | 2017-07-21 | 2019-01-24 | Johnson Controls Technology Company | BUILDING MANAGEMENT SYSTEM WITH DYNAMIC WORKING ORDER GENERATION WITH ADAPTIVE DIAGNOSTIC ASSIGNMENT DETAILS |
| US20190033811A1 (en) | 2017-07-27 | 2019-01-31 | Johnson Controls Technology Company | Building management system with on-demand meter roll-ups |
| US11120012B2 (en) | 2017-09-27 | 2021-09-14 | Johnson Controls Tyco IP Holdings LLP | Web services platform with integration and interface of smart entities with enterprise applications |
| US10962945B2 (en) | 2017-09-27 | 2021-03-30 | Johnson Controls Technology Company | Building management system with integration of data into smart entities |
| US20190096014A1 (en) | 2017-09-27 | 2019-03-28 | Johnson Controls Technology Company | Building risk analysis system with risk decay |
| US10809682B2 (en) | 2017-11-15 | 2020-10-20 | Johnson Controls Technology Company | Building management system with optimized processing of building system data |
| US11281169B2 (en) | 2017-11-15 | 2022-03-22 | Johnson Controls Tyco IP Holdings LLP | Building management system with point virtualization for online meters |
| US11127235B2 (en) | 2017-11-22 | 2021-09-21 | Johnson Controls Tyco IP Holdings LLP | Building campus with integrated smart environment |
| US11954713B2 (en) | 2018-03-13 | 2024-04-09 | Johnson Controls Tyco IP Holdings LLP | Variable refrigerant flow system with electricity consumption apportionment |
| US11016648B2 (en) | 2018-10-30 | 2021-05-25 | Johnson Controls Technology Company | Systems and methods for entity visualization and management with an entity node editor |
| JP7211022B2 (ja) * | 2018-11-07 | 2023-01-24 | セイコーエプソン株式会社 | ウェブ製造装置およびシート製造装置 |
| US20200162280A1 (en) | 2018-11-19 | 2020-05-21 | Johnson Controls Technology Company | Building system with performance identification through equipment exercising and entity relationships |
| US11436567B2 (en) | 2019-01-18 | 2022-09-06 | Johnson Controls Tyco IP Holdings LLP | Conference room management system |
| US10788798B2 (en) | 2019-01-28 | 2020-09-29 | Johnson Controls Technology Company | Building management system with hybrid edge-cloud processing |
| US11894944B2 (en) | 2019-12-31 | 2024-02-06 | Johnson Controls Tyco IP Holdings LLP | Building data platform with an enrichment loop |
| US20210200807A1 (en) | 2019-12-31 | 2021-07-01 | Johnson Controls Technology Company | Building data platform with a graph change feed |
| US11537386B2 (en) | 2020-04-06 | 2022-12-27 | Johnson Controls Tyco IP Holdings LLP | Building system with dynamic configuration of network resources for 5G networks |
| US11874809B2 (en) | 2020-06-08 | 2024-01-16 | Johnson Controls Tyco IP Holdings LLP | Building system with naming schema encoding entity type and entity relationships |
| US11954154B2 (en) | 2020-09-30 | 2024-04-09 | Johnson Controls Tyco IP Holdings LLP | Building management system with semantic model integration |
| US11397773B2 (en) | 2020-09-30 | 2022-07-26 | Johnson Controls Tyco IP Holdings LLP | Building management system with semantic model integration |
| US20220138362A1 (en) | 2020-10-30 | 2022-05-05 | Johnson Controls Technology Company | Building management system with configuration by building model augmentation |
| WO2022197964A1 (en) | 2021-03-17 | 2022-09-22 | Johnson Controls Tyco IP Holdings LLP | Systems and methods for determining equipment energy waste |
| US11769066B2 (en) | 2021-11-17 | 2023-09-26 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin triggers and actions |
| US11899723B2 (en) | 2021-06-22 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Building data platform with context based twin function processing |
| US11796974B2 (en) | 2021-11-16 | 2023-10-24 | Johnson Controls Tyco IP Holdings LLP | Building data platform with schema extensibility for properties and tags of a digital twin |
| US11934966B2 (en) | 2021-11-17 | 2024-03-19 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin inferences |
| US11704311B2 (en) | 2021-11-24 | 2023-07-18 | Johnson Controls Tyco IP Holdings LLP | Building data platform with a distributed digital twin |
| US11714930B2 (en) | 2021-11-29 | 2023-08-01 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin based inferences and predictions for a graphical building model |
| EP4345552A1 (de) | 2022-09-27 | 2024-04-03 | Siemens Aktiengesellschaft | Verfahren zum betreiben eines antriebssystems, computerprogrammprodukt, steuereinheit und industrie-applikation |
| CN115817185B (zh) * | 2023-02-15 | 2023-05-05 | 华东交通大学 | 一种中低速磁浮列车速度控制方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5568377A (en) * | 1992-10-29 | 1996-10-22 | Johnson Service Company | Fast automatic tuning of a feedback controller |
| JP3196390B2 (ja) * | 1992-12-25 | 2001-08-06 | 富士電機株式会社 | パラメータ同定器 |
| US5442562A (en) * | 1993-12-10 | 1995-08-15 | Eastman Kodak Company | Method of controlling a manufacturing process using multivariate analysis |
| GB9608953D0 (en) * | 1996-04-29 | 1996-07-03 | Pulp Paper Res Inst | Automatic control loop monitoring and diagnostics |
| US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
| US6110214A (en) * | 1996-05-03 | 2000-08-29 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
-
2001
- 2001-03-23 US US09/816,957 patent/US6650947B2/en not_active Expired - Lifetime
-
2002
- 2002-03-18 CA CA2377206A patent/CA2377206C/en not_active Expired - Fee Related
- 2002-03-22 DE DE10212909.6A patent/DE10212909B4/de not_active Expired - Fee Related
- 2002-03-22 FI FI20020558A patent/FI115080B/fi not_active IP Right Cessation
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688296A (zh) * | 2017-09-06 | 2018-02-13 | 广州华润热电有限公司 | 基于sis平台的自动调节回路在线评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| FI20020558A0 (fi) | 2002-03-22 |
| US20020177909A1 (en) | 2002-11-28 |
| CA2377206C (en) | 2010-06-29 |
| FI20020558A (fi) | 2002-09-24 |
| DE10212909B4 (de) | 2015-06-11 |
| US6650947B2 (en) | 2003-11-18 |
| DE10212909A1 (de) | 2002-11-07 |
| CA2377206A1 (en) | 2002-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FI115080B (fi) | Monimuuttujainen säätösilmukan arviointi | |
| US8560092B2 (en) | Apparatus and method for model quality estimation and model adaptation in multivariable process control | |
| Thornhill et al. | Spectral principal component analysis of dynamic process data | |
| Hägglund | Automatic detection of sluggish control loops | |
| Schäfer et al. | Multivariable MPC system performance assessment, monitoring, and diagnosis | |
| Harkat et al. | An improved PCA scheme for sensor FDI: Application to an air quality monitoring network | |
| US7194317B2 (en) | Fast plant test for model-based control | |
| Zhan et al. | Robust detection of gearbox deterioration using compromised autoregressive modeling and Kolmogorov–Smirnov test statistic—Part I: Compromised autoregressive modeling with the aid of hypothesis tests and simulation analysis | |
| JP4906634B2 (ja) | 電力系統の安定度診断装置および方法 | |
| Yerramilli et al. | Detection and diagnosis of model-plant mismatch in MIMO systems using plant-model ratio | |
| Marques et al. | Detection of causal relationships based on residual analysis | |
| Webber et al. | A closed-loop cross-correlation method for detecting model mismatch in MIMO model-based controllers | |
| Tikkala et al. | A method for detecting non-stationary oscillations in process plants | |
| Raza et al. | Hybrid exponentially weighted moving average (HEWMA) control chart based on exponential type estimator of mean | |
| CA2446633C (en) | Diagnostic for poorly tuned control loops | |
| Liu et al. | The asymptotic method for the identification of errors-in-variables systems | |
| Spinner | Performance assessment of multivariate control systems | |
| Mercorelli et al. | Industrial applications using wavelet packets for gross error detection | |
| Kühnert et al. | Detection of Directed Connectivities in Dynamic Systems for Different Excitation Signals using Spectral Granger Causality | |
| US20100280784A1 (en) | Method for monitoring the quality of a control circuit in a power plant | |
| Faghidi | Non-parametric and Non-filtering Methods for Rolling Element Bearing Condition Monitoring | |
| JP2002171183A (ja) | ノイズキャンセル装置 | |
| Mina et al. | Fault detection for MIMO systems integrating multivariate statistical analysis and identification methods | |
| Hiremath et al. | A study of dealing serially correlated data in GED techniques | |
| Tyler et al. | Change detection using non-linear filtering and likelihood ratio testing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Ref document number: 115080 Country of ref document: FI |
|
| MM | Patent lapsed |