PT107168A

PT107168A - METHOD AND SYSTEM OF ANALYSIS OF THE PERFORMANCE OF INDUSTRIAL CONTROL RINGS FOR THE AUTOMATIC DETECTION AND CHARACTERIZATION OF MULTIPLE OSCILLATIONS

Info

Publication number: PT107168A
Application number: PT107168A
Authority: PT
Inventors: Andrey Valerievitch Romanenko; Ana Sofia Ramos Brásio; Natércia Cristina Pires Fernandes; António Alberto Torres Garcia Portugal; Lino De Oliveira Santos
Original assignee: Ciengis Sist S De Controlo Avançado Sa
Priority date: 2013-09-18
Filing date: 2013-09-18
Publication date: 2015-03-18
Also published as: PT107168B

Abstract

OS ANÉIS DE CONTROLO INDUSTRIAIS CONTÊM FREQUENTEMENTE OSCILAÇÕES DEVIDO A DIVERSOS PROBLEMAS COMO, POR EXEMPLO, A SINTONIZAÇÃO AGRESSIVA DOS CONTROLADORES PID, AS INTERACÇÕES ENTRE CONTROLADORES, OS PROBLEMAS ESTRUTURAIS E AS FALHAS NOS ELEMENTOS FINAIS DE CONTROLO. AS OSCILAÇÕES PROVOCAM UM AUMENTO INDESEJÁVEL DA VARIABILIDADE DAS VARIÁVEIS PROCESSUAIS CONDUZINDO A GASTOS DE PRODUÇÃO EXCESSIVOS E À DIMINUIÇÃO DA QUALIDADE DO PRODUTO FINAL. ALÉM DISSO, COMPROMETE A ESTABILIDADE E A SEGURANÇA DA PRODUÇÃO. A MONITORIZAÇÃO MANUAL DE CADA ANÉL DE CONTROLO INDUSTRIAL PELO OPERADOR DA FÁBRICA NÃO É EFICIENTE POIS AS SÉRIES TEMPORAIS PODEM CONTER RUÍDO, ALTERAÇÕES DAS CONDIÇÕES OPERATÓRIAS, OSCILAÇÕES COM ELEVADOS PERÍODOS DE OSCILAÇÃO OU MESMO SOBREPOSIÇÃO DE VÁRIOS PERÍODOS DE OSCILAÇÃO DIFICULTANDO A TAREFA DE MONITORIZAÇÃO. A PRESENTE INVENÇÃO DESCREVE UM MÉTODO DE ANÁLISE DO DESEMPENHO DE ANÉIS DE CONTROLO INDUSTRIAIS ATRAVÉS DA DETEÇÃO E CARACTERIZAÇÃO AUTOMÁTICAS DE MÚLTIPLAS OSCILAÇÕES PRESENTES NAS SÉRIES TEMPORAIS PROVENIENTES DESTES ANÉIS. A PRESENTE INVENÇÃO DESCREVE AINDA UM SISTEMA PARA EXECUÇÃO DO REFERIDO MÉTODO.INDUSTRIAL CONTROL RINGS CONTAIN FREQUENTLY OSCILLATIONS DUE TO VARIOUS PROBLEMS LIKE, FOR EXAMPLE, AGRESSIVE TUNING OF PID CONTROLLERS, INTERACTIONS BETWEEN CONTROLLERS, STRUCTURAL PROBLEMS AND FAILURES IN THE FINAL CONTROL ELEMENTS. THE OSCILLATIONS CAUSES AN UNSUCCESSIVE INCREASE IN THE VARIABILITY OF PROCESS VARIABLES LEADING TO EXCESSIVE PRODUCTION COSTS AND TO THE DECREASE IN THE QUALITY OF THE FINAL PRODUCT. IN ADDITION, YOU COMMIT THE STABILITY AND SAFETY OF THE PRODUCTION. MANUAL MONITORING OF EACH ANNUAL INDUSTRIAL CONTROL BY THE OPERATOR OF THE FACTORY IS NOT EFFICIENT AS THE TEMPORARY SERIES MAY CONTAIN NOISE, CHANGES TO THE OPERATING CONDITIONS, OSCILLATIONS WITH HIGH OSCILLATION PERIODS, OR OVERVOLUTION OF VARIOUS OSCILLATION PERIODS, DIFFICULTY OF THE MONITORING TASK. The present invention describes a method of analyzing the performance of industrial control rings through the automatic detection and characterization of multiple oscillations present in the time series derived from these rings. The present invention further describes a system for the implementation of said method.

Description

DESCRIÇÃODESCRIPTION

Sistema de Análise do Desempenho de Anéis de Controlo Industriais por Detecção e Caracterização Automáticas dePerformance Analysis System of Industrial Control Rings by Automatic Detection and Characterization of

Oscilações MúltiplasMultiple Oscillations

Dominio técnico da invenção: A presente invenção diz respeito à análise do desempenho de anéis de controlo industriais através da detecção e caracterização automáticas de oscilações múltiplas presentes em séries temporais de dados provenientes desses anéis. Técnica anterior:TECHNICAL FIELD OF THE INVENTION: The present invention relates to performance analysis of industrial control rings through the automatic detection and characterization of multiple oscillations present in time series of data from those rings. Background Art:

As unidades industriais modernas são compostas por linhas produtivas que incluem desde centenas a milhares de anéis de controlo. Estes anéis são peças essenciais em qualquer linha produtiva já que são responsáveis por assegurarem o seu bom funcionamento. Mas manter um nivel de desempenho aceitável e seguro dos anéis de controlo industriais é normalmente uma tarefa morosa.Modern industrial units are composed of productive lines that include from hundreds to thousands of control rings. These rings are essential parts in any production line since they are responsible for ensuring their proper functioning. But maintaining an acceptable and safe level of performance of industrial control rings is often a time-consuming task.

Existem diferentes circunstâncias que dão origem a um baixo desempenho dos anéis de controlo industriais. As oscilações persistentes nas variáveis processuais são as causas de maior vulto, frequentemente detectadas nas unidades industriais. São devidas, por exemplo, a sintonização agressiva dos controladores, a interacções entre controladores, a problemas estruturais e a falhas nos elementos finais de controlo.There are different circumstances that give rise to poor performance of industrial control rings. The persistent oscillations in the procedural variables are the major causes, frequently detected in industrial units. For example, aggressive tuning of controllers, interactions between controllers, structural problems, and failures in the final control elements are due.

As oscilações provocam um aumento indesejável da variabilidade das variáveis processuais conduzindo a gastos de produção excessivos e à diminuição da qualidade do produto final. Além disso, comprometem a estabilidade e a segurança da produção. Torna-se, então, desejável uma monitorização permanente para a detecção atempada de anéis de controlo industriais cujas variáveis apresentem oscilação.The oscillations cause an undesirable increase in the variability of the process variables leading to excessive production costs and the decrease of the quality of the final product. They also compromise the stability and safety of production. Permanent monitoring is therefore desirable for the timely detection of industrial control rings whose variables exhibit oscillation.

Dada a frequente ocorrência de oscilações em anéis de controlo e os seus efeitos nefastos, a detecção automática do fenómeno tem recebido alguma atenção pela comunidade industrial e cientifica.Given the frequent occurrence of oscillations in control rings and their harmful effects, the automatic detection of the phenomenon has received some attention by the industrial and scientific community.

Os algoritmos presentes na literatura podem ser classificados atendendo ao número de séries temporais (isto é, conjuntos de dados industriais) necessários ao método. Os métodos que agrupam séries temporais múltiplas não detectam os períodos de oscilação significativos das oscilações nas variáveis processuais. Estes métodos identificam as séries que contêm padrões temporais semelhantes e determinam o anel de controlo que gera e propaga esses mesmos padrões. Uma primeira identificação individual dos anéis de controlo que apresentam oscilações reveste-se de bastante importância por forma a, posteriormente, serem aplicados os métodos para determinação dos anéis originadores dessas oscilações. Vários desenvolvimentos têm sido realizados para o caso em que cada série temporal é tratada individualmente. Contudo, estes métodos apresentam características que levam à identificação e/ou caracterização incompleta das oscilações em anéis de controlo. A maioria deles não consegue lidar com tendências mais lentas, ruído e oscilações resultantes da sobreposição de períodos de oscilação múltiplos, carac-terísticas frequentemente encontradas nos dados industriais. Carecem, por isso, de uma atenção cuidada na determinação manual dos seus parâmetros de sintonização.The algorithms present in the literature can be classified according to the number of time series (ie industrial datasets) required by the method. The methods that group multiple time series do not detect the significant oscillation periods of the oscillations in the procedural variables. These methods identify the series that contain similar time patterns and determine the control ring that generates and propagates those same patterns. A first individual identification of the oscillating control rings is of great importance in order to subsequently apply the methods for determining the rings which give rise to these oscillations. Several developments have been made for the case where each time series is treated individually. However, these methods have characteristics that lead to the identification and / or incomplete characterization of oscillations in control rings. Most of them can not cope with slower trends, noise, and oscillations resulting from the overlapping of multiple oscillation periods, characteristics often found in industrial data. They therefore need careful attention in the manual determination of their tuning parameters.

[Hàgglund, T. (1995). Control Engineering Practice, 3: 1543-1551] e [Thornhill, N.F. and Hàgglund, T. (1997). Control Engineering Practice, 5(10): 1343-1354] desenvolveram dois métodos para detecção de oscilações baseados na monitorização do erro absoluto integral (EAI) entre zeros sucessivos do sinal do erro do controlador. Pese embora a sua importância uma vez que conseguem detectar oscilações de amplitude significativa, ambos os métodos necessitam que a variável controlada esteja centrada no valor de referência e são muito sensíveis à presença de ruído, o que constitui fortes limitações ao seu bom desempenho.[Hàgglund, T. (1995). Control Engineering Practice, 3: 1543-1551] and [Thornhill, N.F. and Hagglund, T. (1997). Control Engineering Practice, 5 (10): 1343-1354] developed two methods for detecting oscillations based on the monitoring of integral absolute error (IAC) between successive zeros of the controller error signal. Despite their importance as they can detect significant amplitude oscillations, both methods require that the controlled variable be centered on the reference value and are very sensitive to the presence of noise, which constitutes strong limitations to its good performance.

[Miao, T. and Seborg, D.E. (1999). Proceedings of the 1999 IEEE International Conference on Control Applications, 1: 359-364] desenvolveram um método com base na razão de decaimento da função de auto-correlação (FAC) do sinal do erro. A utilização desta função é bastante apelativa, porque, por si só, reduz o ruído presente no sinal. Porém, a razão de decaimento de sinais que contêm a sobreposição de oscilações pode levar a conclusões erradas.[Miao, T. and Seborg, D.E. (1999). Proceedings of the 1999 IEEE International Conference on Control Applications, 1: 359-364] developed a method based on the decay ratio of the autocorrelation function (FAC) of the error signal. The use of this function is very appealing, because, in itself, it reduces the noise present in the signal. However, the decay ratio of signals containing the overlapping oscillations can lead to erroneous conclusions.

Com base na ideia de que o período de oscilação e o EAI entre zeros sucessivos do sinal não devem variar muito ao longo do tempo, [Forsman, K. and Stattin, A. (1999) . Proceedings of the European Control Conference] introduziram urn índice que traduz a regularidade destas duas grandezas. O ponto forte deste método é a sua capacidade de detectar oscilações assimétricas. Porém, também lhe estão associadas algumas limitações: a presença de ruído afecta significativamente o desempenho do método, o método requer que a variável controlada esteja centrada no valor de referência e detecta oscilações independentemente da sua significância.Based on the idea that the oscillation period and the EAI between successive zeros of the signal should not vary much over time, [Forsman, K. and Stattin, A. (1999). Proceedings of the European Control Conference] introduced an index that reflects the regularity of these two quantities. The strength of this method is its ability to detect asymmetric oscillations. However, it is also associated with some limitations: the presence of noise significantly affects the performance of the method, the method requires that the controlled variable is centered on the reference value and detects oscillations regardless of their significance.

Também recorrendo à utilização da FAC do sinal, na patente [US 6, 466, 893] foi desenvolvido um método que, após a detecção visual de oscilação, estima o período dessa oscilação tendo por base os máximos e mínimos da função. Este método reduz o erro na determinação do período da oscilação mesmo em sinais que contêm sobreposição de oscilações. Não obstante, a detecção visual da oscilação e a caracterização apenas do menor período de oscilação presente no sinal reduzem a sua aplicabilidade.Also using the FAC of the signal, a method has been developed in the patent [US 6, 466, 893] which, after visual detection of oscillation, estimates the period of this oscillation based on the maxima and minima of the function. This method reduces the error in determining the oscillation period even in signals that contain oscillations overlap. Nevertheless, the visual detection of the oscillation and the characterization of only the shortest oscillation period present in the signal reduce its applicability.

Na caracterização de oscilações presentes numa série temporal, [Thornhill, N.F. and Huang, B. and Zhang, H. (2003). Journal of Process Control, 13(1): 91-100] utilizam os zeros da FAC da série para a determinação dos períodos de oscilação. Contudo, a presença de oscilações múltiplas afecta a determinação destes zeros. O método recorre por isso à determinação do espectro do sinal por forma a identificar as frequências dominantes. Aplica depois um filtro para remover os períodos de oscilação menos significativos. Mas o processo de filtragem dificulta a utilização automatizada do método.In the characterization of oscillations present in a time series, [Thornhill, N.F. and Huang, B. and Zhang, H. (2003). Journal of Process Control, 13 (1): 91-100] use the series FAC zeroes for the determination of the oscillation periods. However, the presence of multiple oscillations affects the determination of these zeros. The method therefore uses the determination of the signal spectrum in order to identify the dominant frequencies. Then apply a filter to remove the least significant periods of oscillation. But the filtering process hinders the automated use of the method.

Em particular, a sobreposição de oscilações continua a ser um desafio para a detecção automática de oscilações, isto é, detecção de oscilações sem interacção humana. Nesta di-recção, [Srinivasan, R. and Rengaswamy, R. and Miller, R. (2007) . Control Engineering Practice, 15(9) : 1135-1148] e [Srinivasan, B. and Rengaswamy, R. (2012). Control Engineering Practice, 20(8): 733-746] propuseram uma abordagem utilizando a decomposição modal empírica (em inglês, modified empirical mode decomposition) capaz de seleccionar as diferentes oscilações presentes no sinal. Após a selecção, os zeros das componentes são determinados e os períodos da oscilação calculados.In particular, overlapping oscillations remains a challenge for the automatic detection of oscillations, i.e., detection of oscillations without human interaction. In this direction, [Srinivasan, R. and Rengaswamy, R. and Miller, R. (2007). Control Engineering Practice, 15 (9): 1135-1148] and [Srinivasan, B. and Rengaswamy, R. (2012). Control Engineering Practice, 20 (8): 733-746] proposed an approach using the modified empirical mode decomposition, capable of selecting the different oscillations present in the signal. After selection, the zeros of the components are determined and the periods of oscillation calculated.

Também [Wang, J., Huang, B. and Lu, S. (2013) . Con- trol Engineering Practice, 21(5): 622-630] desenvolveram um método capaz de caracterizar oscilações múltiplas presentes num sinal. Este método recorre à transformada discreta do co-seno para converter o sinal nas suas componentes de frequência mais elementares. Todavia, a utilização da transformada torna o método mais intensivo computacionalmente. Além disso, o método requer a aplicação de um filtro de ruido devido à grande influência do ruido no desempenho do método.Also [Wang, J., Huang, B. and Lu, S. (2013). Control Engineering Practice, 21 (5): 622-630] developed a method capable of characterizing multiple oscillations present in a signal. This method uses the discrete cosine transform to convert the signal to its most elementary frequency components. However, the use of the transform makes the method more computationally intensive. In addition, the method requires the application of a noise filter due to the great influence of noise on the performance of the method.

Descrição das figuras: A FIG. 1 ilustra o diagrama de blocos de um anel de controlo industrial. A FIG. 2 mostra o diagrama de fluxo do método de análise do desempenho de anéis de controlo industriais pela detecção e caracterização automática de oscilações múltiplas. A FIG. 3 ilustra a interacção do sistema de detecção e caracterização de oscilações com a fábrica.DESCRIPTION OF THE DRAWINGS: FIG. 1 shows the block diagram of an industrial control ring. FIG. 2 shows the flow diagram of the performance analysis method of industrial control rings by the automatic detection and characterization of multiple oscillations. FIG. 3 illustrates the interaction of the oscillation detection and characterization system with the factory.

Descrição pormenorizada da invenção: A presente invenção efectua a análise de desempenho de anéis de controlo industriais através da detecção e caracterização automática das oscilações presentes em séries temporais de dados provenientes desses anéis. O sistema de detecção e caracterização de oscilações é constituído por três módulos: um módulo de detecção e caracterização de oscilações, um módulo de comunicação e uma interface gráfica. O módulo de detecção e caracterização de oscilações implementa o método desenvolvido para o efeito.Detailed Description of the Invention: The present invention performs the performance analysis of industrial control rings by automatically detecting and characterizing the oscillations present in time series of data from those rings. The oscillation detection and characterization system consists of three modules: a oscillation detection and characterization module, a communication module and a graphical interface. The oscillation detection and characterization module implements the method developed for this purpose.

Um anel de controlo industrial contém um controlador do tipo Proporcional-Integral-Derivativo (controlador PID), um elemento final de controlo (que normalmente é uma válvula de controlo) e um processo (que se pretende controlar), como representado na FIG. 1. A ordem emitida pelo controlador PID ao elemento final de controlo (variável manipulada MV) , a posição real do elemento final de controlo (variável OP) e a variável controlada (variável PV) podem conter oscilações. A principal ideia do método consiste em detectar as várias oscilações presentes nas séries temporais destas variáveis ao mesmo tempo que as caracteriza determinando os períodos de oscilação. Para tal, recorre-se à função de auto-correlação das séries temporais. De forma automática e após a detecção e caracterização do primeiro período de oscilação, o método reduz o número de pontos da série e volta a analisá-la procurando uma nova oscilação de maior período de oscilação.An industrial control ring contains a Proportional-Integral-Derivative type controller (PID controller), a final control element (which is usually a control valve) and a process (to be controlled), as shown in FIG. 1. The order issued by the PID controller to the final control element (manipulated variable MV), the actual position of the control end element (OP variable) and the controlled variable (PV variable) may contain oscillations. The main idea of the method is to detect the various oscillations present in the time series of these variables while at the same time characterizing them by determining the periods of oscillation. For this, we use the self-correlation function of the time series. Automatically and after the detection and characterization of the first oscillation period, the method reduces the number of points in the series and analyzes it again for a new oscillation with a longer oscillation period.

Um conjunto de N pontos das variáveis MV, OP e PV relativas aos anéis de controlo industriais que se encontram activos na fábrica e que foram previamente seleccionados são lidos com um período de amostragem At e armazenados por ordem temporal de leitura de modo a construir as respectivas séries temporais.A set of N points of the variables MV, OP and PV relative to the factory-selected active control rings that were previously selected are read with a sampling period At and stored in order of reading in order to construct the respective time series.

Considere-se que cada uma destas séries temporais pode ser representada por uma série temporal genérica estacionária de tamanho finito N em pontos de tempo discretos t constituída por xt = {x1,x2,··· ,xn} contaminada pelo ruído gaus-siano wt ~ Ν(Ο,σ^). A função de auto-correlação de xt é uma medida da dependência estatística entre os valores correspondentes a diferentes tempos da série temporal sendo carac-terizada matematicamente porConsider that each of these time series can be represented by a generalized stationary temporal series of finite size N at discrete time points t consisting of xt = {x1, x2, ···, xn} contaminated by gaus-siano noise wt ~ Ν (Ο, σ ^). The self-correlation function of xt is a measure of the statistical dependence between the values corresponding to different times of the time series being mathematically characterized by

(D onde x é a média da amostra de tamanho N, ré o número de intervalos correspondente ao atraso da série e px varia no intervalo [—1,1]. A função de auto-correlação de uma série temporal oscilatória Xt corrompida por ruido gaussiano wt gera um sinal também oscilatório e com o mesmo período. Dado que a função de auto-correlação do ruído pw é nula, a utilização desta função traduz-se numa redução muito vantajosa do impacto do ruído, permitindo uma determinação mais exacta dos períodos de oscilação presentes na série temporal.(D where x is the mean of the sample of size N, d the number of intervals corresponding to the delay of the series and px varies in the interval [-1,1] The autocorrelation function of an oscillatory time series Xt corrupted by noise Gaussian wt generates a signal also oscillatory and with the same period.As the autocorrelation function of the noise pw is zero, the use of this function translates into a very advantageous reduction of the noise impact, allowing a more accurate determination of the periods of oscillation present in the time series.

Com base nestas considerações, o método desenvolvido e apresentado sob a forma gráfica na FIG. 2 consiste nos seguintes passos:Based on these considerations, the method developed and presented in graphic form in FIG. 2 consists of the following steps:

Passo 1. Determinação da função de auto-correlação px através da Equação (1) com τ = 1, · · · , N — 1.Step 1. Determine the px autocorrelation function through Equation (1) with τ = 1, · · ·, N - 1.

Passo 2. Verificação da existência de oscilações através do critério de paragem CPI.Step 2. Verification of the existence of oscillations through the CPI stopping criterion.

Passo 3. Determinação do menor período de oscilação presente na função de auto-correlação. (a) Determinação dos valores de tempo ti (i = 1, · · · ,M) para os quais a função de auto-correlação px é máxima. (b) Verificação da existência de suficiente informação através do critério de paragem CP2. (c) Cálculo dos períodos de oscilação 7j usandoStep 3. Determination of the shortest oscillation period present in the autocorrelation function. (a) Determination of the time values ti (i = 1, · · ·, M) for which the px autocorrelation function is maximal. (b) Verification of the existence of sufficient information through the CP2 stopping criterion. (c) Calculation of the periods of oscillation 7j using

(2) (3) onde 1 e rii é o número de pontos da série temporal correspondente a uma oscilação. (d) Cálculo dos parâmetros estatísticos(2) (3) where 1 and rii is the number of points in the time series corresponding to an oscillation. (d) Calculation of statistical parameters

(4) (5) (6) onde n é o número médio de pontos da série temporal correspondente a uma oscilação, T e στ são a média e o desvio padrão dos períodos de oscilação, respectivamente.(4) (5) (6) where n is the mean number of points in the time series corresponding to an oscillation, T and στ are the mean and standard deviation of the oscillation periods, respectively.

(e) Cálculo da regularidade estatística r através da expressão (7)(e) Calculation of statistical regularity r through expression (7)

Passo 4. Detecção de oscilações no sinal por aplicação do seguinte testeStep 4. Detection of oscillations in the signal by applying the following test

detectada oscilação de período T. nenhuma oscilação detectada.detected oscillation of period T. no oscillation detected.

Passo 5. Repetição dos Passos 3 e 4 utilizando a função de auto-correlação p'x obtida por remoção do período de oscilação T através deStep 5. Repeat Steps 3 and 4 using the autocorrelation function p'x obtained by removing the oscillation period T through

(8) onde i = 1,··· -,$px/n com #px a representar o número de pontos de px. 0 período de amostragem é, então redefinido para At = T.(8) where i = 1, ··· -, $ px / n with #px representing the number of px points. The sampling period is then reset to At = T.

Os dois critérios de paragem referidos, CPI e CP2, definem- se de acordo com: CPI. Presença de oscilações: Quando os dados não estão corre lacionados, a função de auto-correlação é nula indicando a existência exclusiva de ruido gaussiano no sinal. No método que está na base da presente invenção, a detecção destas situações em séries temporais recorre ao conceito de intervalo de confiança. Assim, se grande parte dos pontos da função de auto-correlação coincidir no intervalo de confiança, conclui-se que os pontos não apresentam dependência temporal e, por isso, o sinal não contém oscilações. 0 critério é matematicamente definido porThe two stopping criteria referred to, CPI and CP2, are defined according to: CPI. Presence of oscillations: When the data is not correlated, the autocorrelation function is null indicating the exclusive existence of Gaussian noise in the signal. In the method underlying the present invention, the detection of these situations in time series uses the concept of confidence interval. Thus, if a large part of the points of the self-correlation function coincide in the confidence interval, it is concluded that the points do not present temporal dependence and, therefore, the signal does not contain oscillations. The criterion is mathematically defined by

(9) com (10) onde β representa a percentagem de pontos de px coincidentes no intervalo de confiança e #S define o número de elementos no conjunto S. Os limites do intervalo de confiança para a função de auto-correlação são calculados por ±pXjiim, onde .Zj-a/2 é a função de distribuição cumulativa da normal reduzida. Para um intervalo de confiança a 95% (a = 0.05) , -Zj-a/2 = 1-96. CP2. Informação insuficiente: Para determinação do período de oscilação são necessários pelo menos 4 intervalos (um intervalo corresponde à distância entre os zeros consecutivos da função de auto-correlação) porque o cálculo do período e do desvio padrão da oscilação com menor número de intervalos torna-se falível. Este critério é traduzido por M > tol2 , (11) onde M é o número de intervalos.(9) with (10) where β represents the percentage of coincident px points in the confidence interval and #S defines the number of elements in the set S. The confidence interval limits for the autocorrelation function are calculated by ± pXjiim, where .Zj-a / 2 is the cumulative distribution function of the reduced normal. For a 95% confidence interval (a = 0.05), -Zj-a / 2 = 1-96. CP2. Insufficient information: At least 4 intervals are required to determine the oscillation period (one interval corresponds to the distance between the consecutive zeros of the autocorrelation function) because the calculation of the period and the standard deviation of the oscillation with the smallest number of intervals, if fallible. This criterion is translated by M > tol2, (11) where M is the number of intervals.

Usando dados facilmente acessíveis nas fábricas, o método é aplicado de forma individual a cada série calculando uma única vez a FAC dessa série e identificando os seus máximos para detectar e caracterizar oscilaçõesmúltiplas. A automatização do método é de especial importância e é conseguida pela introdução de critérios de paragem que permitem:(i) detetar, ainda numa fase inicial, a inexistência de oscilações e (ii) procurar outras oscilações enquanto a qualidade da informação for suficiente. 0 módulo de detecção e caracterização de oscilações providencia a execução periódica do método descrito. Os dados operacionais (variáveis MV, OP e PV) que lhe são necessários chegam através de um módulo que estabelece a comunicação bidi-reccional com o Sistema de Controlo Industrial da fábrica. Finalmente, a configuração do sistema de detecção e caracterização de oscilações é realizada através da interface gráfica de que o sistema dispõe. A interface permite ainda a visualização dos dados operacionais e dos resultados encontrados pelo método. A interacção do sistema de detecção e caracterização de oscilações com a fábrica é ilustrada na FIG. 3. 0 sistema de detecção e caracterização de oscilações (1) comunica com o Sistema de Controlo Industrial (2) que, por sua vez, interage directamente com o processo industrial (3).Using easily accessible data in factories, the method is applied individually to each series by calculating the FAC of this series once and identifying its maxima to detect and characterize multiple oscillations. The automation of the method is of particular importance and is achieved by the introduction of stopping criteria that allow (i) to detect, at an early stage, the absence of oscillations and (ii) to look for other oscillations while the quality of the information is sufficient. The oscillation detection and characterization module provides periodic execution of the described method. The operational data (variables MV, OP and PV) that you need come from a module that establishes bidirectional communication with the factory's Industrial Control System. Finally, the configuration of the system of detection and characterization of oscillations is performed through the graphical interface that the system has. The interface also allows the visualization of the operational data and the results found by the method. The interaction of the oscillation detection and characterization system with the plant is illustrated in FIG. 3. The oscillation detection and characterization system (1) communicates with the Industrial Control System (2) which, in turn, interacts directly with the industrial process (3).

Coimbra, 18 de Dezembro de 2014Coimbra, December 18, 2014

Claims

System for detecting and characterizing oscillations present in industrial control rings characterized by containing: a. A module for the detection and characterization of oscillations; B. A bidirectional communication module between the oscillation detection and characterization module and the factory's Industrial Control System that allows the acquisition of operational data; W. A graphical interface for system configuration of detection and characterization of oscillations and visualization of operational data and results.

An oscillation detection and characterization module as claimed in claim 1, characterized in that the following steps are applied to each time series read: a. calculating the time series self-correlation function; B. verify the existence of oscillations by analyzing the points of the series included in the 95% confidence interval; W. if there are no oscillations, stop the method; d. if oscillations are detected, determine the maximum values of the time series autocorrelation function; and. verify the existence of sufficient information to continue the method; f. if there is not enough information, stop the method; g. if there is sufficient information, determine the period of oscillation by the difference between the consecutive maxima of the time series self-correlation function; H. analyze the statistical regularity of the oscillation period; i. recalculate the self-correlation function of a new time series obtained by removing the period of oscillation just determined; j. repeat the previous steps until one of the stop criteria forces the method to stop.

A bidirectional communication module as claimed in claim 1, characterized in that: a. read variables relating to the industrial control rings which have been pre-selected at the factory, namely the order of the controller to the final control element (variable MV), the position of the final control element (OP variable) and the controlled variable (PV variable); B. storing the variables by ordering them by the reading time in order to construct the respective time series. Coimbra, December 18, 2014