CN101305327A - 与多元统计分析一起用于过程中的故障检测和隔离及异常情况预防的统计特征 - Google Patents

Abstract

一种用于监控加工厂中的过程并检测异常情况的***和方法，其包括收集描述过程运行的数据、进行多元统计分析以基于一组收集的参考数据描述一已知状态下过程的运行，所述参考数据包括该已知状态下的过程运行的统计测量。该***和方法可进一步包括基于一组监控数据来描述一未知状态下过程的运行，将多元统计分析的输出用作输入，并且比较该未知状态下的过程与该已知状态下的过程运行的多元统计描述来确定过程的运行状态，所述监控数据包括未知状态下的过程运行的统计测量。

Description

与多元统计分析一起用于过程中的故障检测和隔离及异常情况预防的统计特征

相关申请

本专利要求2005年10月14日提交的美国临时专利申请No.60/726,962的权益，在此将其全部内容合并作为参考以用作各种目的。

技术领域

本专利总体上涉及加工厂中的诊断和维护，具体涉及以减少或防止加工厂中异常情况的方式来提供加工厂中的预测诊断能力。

背景技术

过程控制***，例如用于化学、石油或其它过程中的过程控制***，一般包括一个或多个集中式或分布式过程控制器，这些过程控制器经由模拟、数字或模拟/数字混合总线，通信连接到至少一个主机或操作员工作站以及一个或更多个过程控制和仪器设备，例如现场设备等。现场设备可以是例如阀、阀门***、开关、变送器以及传感器(例如，温度、压力以及流速传感器)，它们设置于加工厂环境中并且在过程中执行各种功能，例如打开或关闭阀、测量过程参数、增加或降低流体流动等。智能现场设备，例如符合公知的FOUNDATION^TM现场总线(下文中称为Fieldbus)协议或HART

协议的现场设备，还可以执行控制计算、警示功能以及通常在过程控制器中实现的其它控制功能。

通常设置于加工厂环境中的过程控制器，接收表示由现场设备产生或与现场设备有关的过程测量或过程变量的信号和/或属于现场设备的其它信息，并执行控制器应用程序。举例来说，该控制器应用程序实现不同的控制模块，这些控制模块根据接收到的信息进行过程控制决策、产生控制信号，并与处于诸如HART和Fieldbus现场设备之类的现场设备中的控制模块或控制块协调工作。过程控制器中的控制模块通过通信线路或信号通路发送控制信号到现场设备，从而控制过程的运行。

来自现场设备和过程控制器的信息通常可用于一个或更多其它硬件设备，例如操作员工作站、维护工作站、个人计算机、便携式设备、数据历史记录器、报告发生器、集中数据库等，以使操作员或维护人员能够执行与过程有关的所需功能，例如改变过程控制例程的设置、修改过程控制器或智能现场设备中控制模块的运行、查看过程或加工厂中特定设备的当前状态、查看由现场设备和过程控制器产生的警报、仿真过程的运行以培训人员或测试过程控制软件、诊断加工厂中的问题或硬件故障等。

一个典型的加工厂在具有连接到一个或更多过程控制器的许多过程控制和测量设备，例如阀、变送器、传感器等的同时，还有许多其它对于过程运行来说必需或相关的辅助设备。这些附加设备包括，例如电源设备、发电和配电设备、诸如涡轮、发电机之类的转动设备等，它们设置于一个典型工厂的多个地方。虽然这些附加设备不需要产生或使用过程变量，并且在许多情况下，会为了影响过程运行而不受过程控制器控制甚或不连接到过程控制器，但是对于过程的适当运行而言，这些设备不但是重要的而且最终是必需的。

已知的，问题经常出现在加工厂环境中，特别是出现在具有大量现场设备和辅助设备的加工厂中。这些问题可表现为使设备、逻辑部件出故障或失灵，例如处于不当模式的软件程序、进行了不适当调整的过程控制环、加工厂内设备之间通信的一个或更多故障等。这些或其它问题虽然实际上有多种，但是它们通常导致过程在通常与加工厂的次最优性能有关的异常状态下运行(即，加工厂处于异常状况)。

已开发许多诊断工具和应用程序，以便检测并且确定加工厂中的问题的原因，并且在问题已经发生并且被检测到时，帮助操作员或维护人员诊断和校正这些问题。例如，通常通过诸如直接或无线总线、以太网、调制解调器、电话线之类的通信连接连接到过程控制器的操作员工作站，具有适于运行软件或固件的处理器和存储器，例如由爱默生过程管理出售的Delta^TM和Ovation控制***，这些***包括众多控制模块和控制环诊断工具。同样地，可通过与控制器应用程序相同的通信连接或通过诸如用于过程控制的对象链接与嵌入技术OLE(OPC)连接、便携式连接之类的不同通信连接连接到诸如现场设备之类的过程控制设备的维护工作站，通常包括一个或更多应用程序，这些应用程序设计为查看由加工厂中的现场设备产生的维护警报和警示，以测试加工厂中的设备并执行对加工厂中的现场设备和其它设备的维护活动。已经开发了相似的诊断应用程序，以诊断加工厂中辅助设备的问题。

因此，例如由爱默生过程管理出售的资产管理解决方案(AMS)组的智能设备管理应用程序(至少部分公开在题为“用在现场设备管理***中的集成通信网络”的美国专利NO.5,960,214中)，能够与现场设备通信并且存储属于现场设备的数据以确定并跟踪现场设备的运行状态。在某些例子中，AMS应用程序可以用于与现场设备通信以改变该现场设备中的参数，从而使得该现场设备运行自身的应用程序，例如自校准程序或自诊断程序，以获得关于该现场设备的状态或健壮程度(health)的信息。该信息可以包括，例如状态信息(例如，警报或其它相似事件是否已经发生)、设备配置信息(例如，现场设备当前的方式或可被配置的方式以及由该现场设备使用的测量单元的类型)、设备参数(例如，现场设备范围值以及其它参数)等。当然，这些信息可以由维护人员使用，以监控、维护以及/或者诊断现场设备中的问题。

相似地，许多加工厂包括设备监控和诊断应用程序，例如由CSI***提供的RBM产品(RBMware)，或用于监控、诊断以及优化各种转动设备的运行状态的任何其它已知的应用程序。维护人员通常使用这些应用程序以维护和检查工厂中的转动设备的性能，以便确定转动设备的问题，并且确定转动设备何时以及是否必须要修理或替换。同样地，许多加工厂包括电力控制和诊断应用程序，例如由Liebert以及ASCO公司提供的应用程序，以控制和维护发电和配电设备。还已知的是，在加工厂中运行控制优化应用程序，例如实时优化器(RTO+)，以优化加工厂的控制活动。这样的优化应用程序通常使用复杂的算法和/或加工厂的模型，以预测如何改变输入来优化加工厂的与一些诸如利润之类的所需优化变量相关的运行。

在一个或更多操作员工作站或维护工作站中，这些以及其它的诊断和优化应用程序通常以***级(system-wide)为基础来实现，并且可以根据加工厂或加工厂中的设备和装置的运行状态，向操作员或维护人员提供预先配置的显示。典型的显示包括：警报显示，其接收由加工厂中的过程控制器或其它设备产生的警报；控制显示，其表示加工厂中的过程控制器和其它设备的运行状态；维护显示，其表示加工厂中各个设备的运行状态等。同样地，这些和其它诊断应用程序可以使操作员或维护人员重新调整控制环或重置其它控制参数，以对一个或更多现场设备运行测试，以便确定这些现场设备的当前状态，从而校准现场设备或其它装置，或者执行对加工厂中各个设备和装置的其它问题的检测以及校正活动。

虽然各种应用程序和工具对识别以及校正加工厂中的问题是非常有帮助的，但这些诊断应用程序通常配置为在问题已经出现于加工厂中之后才使用，因此就是在异常状况已经存在于加工厂中以后。令人遗憾地，在使用这些工具检测、识别以及校正异常状况之前，异常状况可能就存在一段时间了，这导致在问题被检测、识别以及校正过程的时间段中加工厂性能为次最优。在许多情况下，根据警报、警示或加工厂不佳性能，控制操作员会首先检测到存在一些问题。该操作员之后会将潜在问题通知给维护人员。该维护人员可能检测到也可能检测不到真正的问题，并且可能需要在真正运行测试或其它诊断应用程序之前进一步提示，或执行识别这些真正问题所需的其它活动。一旦识别出问题，维护人员可能需要确定部件并规划一份维护流程，所有的这些都会导致在一个问题出现和该问题得到校正之间出现一个明显的时间段，在该时间段内，加工厂运行在通常与工厂的次最优运行有关的异常状况下。

另外，许多加工厂会经历一种导致加工厂在相对短的时间内出现重大的花费或损害的异常状况。例如，如果存在某些异常状况，那么即便它们存在很短时间，这些异常状况也会带来对设备的重大损害、原材料的损失、或加工厂中非预期的重大停工期。因此，仅在加工厂中问题已经出现之后检测问题，不管问题校正得有多快，都可能导致加工厂中的重大损失或损害。因此，理想的情况是首先尽力防止异常状况出现，而不是简单地在异常状况出现后尽力反应和校正加工厂中的问题。

由于异常状况对工厂环境的这种潜在的影响，学术界和工业界的人员已经详尽地研究了故障检测和隔离(FDI)以及异常状况防止等领域。通常，用于检测故障和/或异常状况的***分为两类：模型驱动方法和数据驱动方法。模型驱动方法依赖于***的某一解析模型或第一主模型(first-principalsmodel)的存在。当一个或多个过程变量与该模型预测的值明显不同时，就检测到了故障或异常状况。然而，模型驱动的方法通常用途有限，这是因为一个模型驱动的FDI***或异常状况防止***的精度仅取决于模型的准确度。例如，虽然可能证明一个特定的模型对于一个新的加工厂来说是准确的，但是该模型的精度将会随着加工厂中的设备的老化或磨损，或者随着例如由于过程优化而在加工厂中发生的改变而降低。因而，在一段时间后，一个在其建立时是准确的模型对于检测和隔离故障来说，可能就是用途有限或无用的。进一步地，建立一个新的模型来校正状况可能成本很高和/或耗时，并且在相对短的一段时间后，可能会遭受相同的有效性的降低。

数据驱动技术构成FDI和异常状况防止方法的另一子集。数据驱动技术通常不使用过程的解析模型，而是应用从分布式控制***(DCS)内可用的测量过程变量收集的有关过程的信息。可以组成过程变量数据的这些数据包括未处理的过程变量数据和统计特征数据(statistical signature data)(例如均值、标准差、最大值和最小值等)或其它元数据。一些工业过程使用许多数据驱动技术，例如用于故障检测和隔离或异常状况防止的主分量分析(PCA)、判别分析和偏最小二乘(PLS)。使用数据驱动的FDI和异常状况防止技术的加工厂通常使用未处理的过程变量数据来“学习”过程。然而，未处理的过程变量数据并不总是提供用来准确预测和隔离异常状况的足够信息。

但是，已知的是，为了在加工厂中出现任何重大的损失之前采取步骤来防止所预测的异常状况真地发生，要收集和产生能够使用户在加工厂中的特定异常状况真地发生之前，预测这些异常状况出现的统计数据。申请序列号No.09/972,078、专利号No.7,085,610、题为“根源诊断”的美国专利(该专利为申请序列号为No.08/623,569、专利号为6,017,143的美国专利的一个分案的、申请序列号为No.09/303,869的美国专利的部分继续申请)公开了一种收集统计数据的方法。这两个申请的全部内容合并于此作为参考以用作各种目的。一般来说，该技术把统计数据收集和处理块或统计处理监控(SPM)块放进加工厂内的、诸如现场设备的多个设备的每一个中。统计数据收集和处理块收集例如未处理的过程变量数据，并确定与所收集的数据相关的特定统计特征，例如均值、中值和标准差等。然后，可以把这些统计特征发送给用户并对其进行分析来识别暗示将发生一个已知异常状况的模式。一旦检测到一个特定的、可疑的将来异常状况，就可以采取步骤来校正潜在的问题，从而首先防止该异常状况。

发明内容

提供一种用于监控加工厂中的过程的***和方法。具体地，该方法和***收集描述所述过程运行的数据，并且根据所收集的数据使用多元统计分析来描述在一个或多个已知状态下所述过程的运行。所收集的数据包括所述过程运行的一个或多个统计测量结果。可替代地，对所收集的数据进行统计计算来提供一个或多个统计测量结果。该***和方法进一步根据监控的数据来描述在未知状态下所述过程的运行，所述监控的数据包括在该未知状态下所述过程的一个或多个统计测量结果。通过把该未知状态下的过程的描述与所述一个或多个已知状态下所述过程的多元统计描述比较，可以确定所述过程的状况。同样地，可以使用该***通过利用多元统计分析来分析来自过程的统计测量结果，以检测或预测所述过程的异常状况。另外，可以根据所述监控的数据与已知异常状况相关的可能性来识别该异常状况。利用所述统计测量结果，可实现对所述过程中异常状况更准确的检测和预测，而对所述过程中的异常状况更准确的检测和预测则可以用于更准确的警报。

附图说明

图1为具有包括一个或多个操作员和维护工作站、控制器、现场设备和辅助设备在内的分布式控制和维护网络并且可以在其中实现故障检测和隔离***的加工厂的示例性框图；

图2为示出了设置于加工厂的不同元件内的故障检测和隔离***的各个部件之间的通信连接的、图1的加工厂中的一部分的示例性框图；

图3为示出了现场设备的未处理过程变量和统计特征输出的、图2的现场设备中的一个现场设备的示例性框图；

图4为示出在主分量分析中使用并行分析来确定要保留的分量的数目的示例性图形；

图5为可以在其中实现统计特征数据的主分量分析的、具有多个现场设备的连续反应器过程的示例性框图；

图6为在与图5的连续反应器过程有关的单故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图7为在与图5的连续反应器过程有关的第二故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图8为在与图5的连续反应器过程有关的第三故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图9为在与图5的连续反应器过程有关的第四故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图10为在与图5的连续反应器过程有关的第五故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图11为在与图5的连续反应器过程有关的第六故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图12为在与图5的连续反应器过程有关的第七故障情况下的、一系列未处理过程变量数据随时间变化的示例性图形；

图13为示出当对图6-图12的未处理过程变量数据进行主分量分析时，使用并行分析来确定要保留多少个分量的示例性图形；

图14为使用主分量分析确定的前两个载荷向量绘出的、图6-图12中示出的所有故障情况下的未处理过程变量数据的示例性图形；

图15为使用主分量分析确定的前两个载荷向量绘出的、图6-图12中示出的故障情况中的四种故障情况下的未处理过程变量数据的示例性图形；

图16为示出当对从图6-图12的未处理过程变量数据产生的统计特征数据进行主分量分析时，使用并行分析来确定要保留多少个分量的示例性图形；

图17为使用主分量分析确定的前两个载荷向量绘出的、从图6-图12的未处理过程变量数据产生的所有故障情况下的统计特征数据的示例性图形；以及

图18为使用主分量分析确定的前两个载荷向量绘出的、从图6-图12的未处理过程变量数据产生的故障情况中的四种故障情况下的统计特征数据的示例性图形。

具体实施方式

参见图1，其中可以实现故障检测和隔离***的示例加工厂10包括通过一个或多个通信网络而与辅助设备一起互连的多个控制和维护***。特别地，图1的加工厂10包括一个或多个过程控制***12和14。过程控制***12可以为传统的过程控制***，例如PRO VOX或RS3***，或其它任何包括与控制器12B和输入/输出(I/O)卡12C连接的操作员界面12A的控制***，操作员界面12A、控制器12B和输入/输出(I/O)卡12C依次连接到诸如模拟和高速可寻址远程传感器(HART)现场设备15的各种现场设备上。过程控制***14可以为分布式过程控制***，包括通过诸如以太网总线的总线连接到一个或多个控制器14B上的一个或多个操作员界面14A。例如，控制器14B可为由德克萨斯州的奥斯汀市的爱默生过程管理所所出售的DeltaV^TM控制器、或任何其它所需类型的控制器。控制器14B通过I/O设备被连接到一个或多个现场设备16上。例如，现场设备16为HART

或FieldBus现场设备，或例如包括那些使用PROFIBUS

、WORLDFIP

、Device-Net

、AS-Interface and CAN协议的任何其它智能或非智能的现场设备。公知地，现场设备16可以向与过程变量以及其它设备信息有关的控制器14B提供模拟或数字信息。操作员界面14A可以存储和执行过程控制操作员可用来控制过程的运行的工具，包括例如控制优化器、诊断专家、神经网络、调节器等。

更进一步地，诸如执行AMS应用程序的计算机或任何其它设备监控和通信应用程序的维护***可以被连接到过程控制***12和14上，或被连接到那里单独的设备上，以进行维护和监控活动。例如，维护计算机18可以通过任何所需的通信线路或网络(包括无线或手持设备网络)被连接到控制器12B和/或设备15上，以与设备15进行通信，并且在某些情况下重新配置或进行设备15中的其它维护活动。类似地，可以在与分布式过程控制***14有关的一个或多个用户界面14A中安装并执行维护应用程序17和19，例如AMS应用程序，来进行包括与设备16的运行状态有关的数据收集的维护和监控功能。

加工厂10还包括各种转动设备20，例如涡轮、发电机等，这些转动设备通过一些永久或临时的通信链路(诸如总线、无线通信***或被连接到设备20上来进行阅读然后被移除的手持设备)被连接到维护计算机22上。维护计算机22可以存储并执行例如由CSI(爱默生过程管理公司)或其它任何用来诊断、监控和优化转动设备20的运行状态的公知应用程序提供的公知监控和诊断应用程序23。维护人员通常使用应用程序23来维护和检查工厂10中的转动设备20的性能，以确定转动设备20的问题，并且确定转动设备20何时以及是否必须要修理或替换。在某些情况下，外部顾问或服务组织可能会暂时地获取或测量与设备20有关的数据，并且使用这些数据分析设备20来检测问题、较差的性能或其它影响设备20的问题。在这些情况下，运行分析的计算机可能没有被通过任何通信线路连接到***10的其余部分上，或者只是被暂时地连接上。

类似地，具有与工厂10有关的发电和配电设备25的发电和配电***24通过例如总线被连接到另一计算机26上。计算机26运行并检查工厂10内的发电和配电设备25的运行。计算机26可以执行公知的电力控制和诊断应用程序27，例如由Liebert以及ASCO或其它公司提供的应用程序，来控制和维护发电和配电设备25。再次地，在很多情况下，外部顾问或服务组织可能会使用临时获取或测量与设备25有关的数据的服务应用程序，并且使用这些数据来分析设备25以检测问题、较差性能或其它影响设备25的问题。在这些情况下，运行分析的计算机(例如计算机26)可能没有被通过任何通信线路连接到***10的其余部分上，或只是被暂时地连接。

如图1中所示，计算机***30采用对统计特征数据的主分量分析(PCA)实现至少一部分故障检测和隔离(FDI)***35。统计特征数据可以包括，但不限于例如均值、均值变化、中值、中值变化、标准差、标准差变化、方差、偏斜度(skewness)、峰度(kurtosis)、均方根(RMS)、变化率、范围、最小值和最大值等的统计测量结果。特别地，计算机***30存储并实现配置和数据收集应用程序38、一个或多个检查或界面应用程序40、可以包括统计处理块并且提供多元统计分析的PCA模块42和故障检测模块44。***30还包括存储过程内某些设备中产生的统计特征数据的统计过程监控数据库43。一般来说，配置和数据收集应用程序38配置被设置在现场设备15和16、控制器12B和14B、转动设备20或其辅助计算机22、发电设备25或其辅助计算机26以及任何其它所需的加工厂10中的设备和器材中的多个统计数据收集和分析块(图1中未示出)中的每一个，并与之通信，从而从这些块中的每一个获取用来进行故障检测和隔离的统计特征数据(或在某些情况下，获取未处理过程变量数据)。配置和数据收集应用程序38可以被通过硬连线总线45通信连接到工厂10内的每一个计算机或设备上，或者，可替代地，可以通过包括例如无线连接、使用OPC的专用连接、诸如依赖手持设备的连接的间歇连接等的任何其它连接被连接来收集数据。同样地，配置和数据收集应用程序38可以通过局域网或诸如因特网和电话连接等的公共连接(图1中示作因特网连接46)获取与加工厂10内的现场设备和器材有关的数据，在此情况下，这样的数据由例如第三方服务提供商来收集。进一步地，配置和数据收集应用程序38可以通过多种技术和/或包括例如以太网、Modbus、HTML、XML、专有技术/协议等的协议被通信连接到工厂10内的计算机/设备上。这样，尽管这里所说明的是利用OPC把配置和数据收集应用程序38通信连接到工厂10内的计算机/设备上的特别例子，但是本领域技术人员将认识到，也可以使用把配置和数据收集应用程序38连接到工厂10内的计算机/设备上的其它多种方法。收集到的数据可能是与已知正常状况或已知非正常过程状况有关的参考数据或过程状况未知的监控数据。通常，配置和数据收集应用程序38可以把收集到的数据存储在数据库43中。

尽管示出加工厂10包括FDI***35，但是应该理解，FDI***35不限于检测已存在的故障和其它异常状况，还可以预测异常状况的发生，下面将进一步说明这样的例子。同样地，FDI***35可以作为故障检测和隔离部分被用来检测过程内存在的故障和其它异常状况，还可以作为异常状况防止部分被用来预测过程内的故障和其它异常状况的发生。例如，如这里所说明的，故障检测模块44可以被用来检测存在且预测的异常状况。

进一步地，尽管公开了PCA是一种可用的多元统计分析技术，但是应该理解，PCA只是作为一个例子提供的，并且说明PCA是为了更好地理解所使用的故障检测和异常状况防止技术。同样地，也可以使用其它多元统计分析技术，包括但不限于偏最小二乘(PLS)、主分量回归(PCR)、判别分析和正则变量分析(CVA)。可以根据检测到的异常状况来使用不同的多元统计分析技术。例如，尽管PCA可以用于检测和预测异常状况这两种情况，但是，可以使用PCA来检测异常状况的发生而PLS和/或PCR则可以用来预测异常状况的发生。同样地，FDI***35可以包括不同的多元分析技术的额外模块和/或可以用PLS模块、PCR模块、判别分析模块、CVA模块和任何其它多元统计分析模块来替代PCA模块42。

再参见图1，一旦配置和数据收集应用程序38收集到了统计特征(和未处理过程变量)数据，PCA模块42可以进行多元统计分析来以几种方式中的一种来处理这些数据。PCA模块42可以把收集到的统计特征数据用作与正常状况和一个或多个异常状况有关的参考数据，以确定与多于一个过程状况有关的主分量，并形成与组合状况有关的载荷矩阵(loading matrix)。可替代地，PCA模块42可以把收集到的统计特征数据用作与正常状况或异常过程状况有关的参考数据，以确定与所述过程状况有关的主分量，并形成与每个状况有关的载荷矩阵。如果未处理过程变量数据与已知正常或已知异常过程状况，PCA模块42也可以使用这些数据，以计算根据其来确定与一个或多个过程状况有关的主分量的参考统计特征数据。未处理过程变量数据可以包括，但不限于诸如温度、压力、流速、位置等的、包括从过程内的设备测量的数据的从过程测量的数据。PCA模块42可以进一步存储主分量分析的结果以及数据库43中供故障检测模块44或检查应用程序40使用的参考统计特征数据。另外，PCA模块42可以利用并行分析或其它类似方法来确定要保留多少个PCA模块42计算的主分量供故障检测模块44使用。

故障检测模块44利用PCA模块42进行的主分量分析的结果对监控的统计特征(或未处理过程变量)数据进行分析，以确定异常过程状况的存在或将来的存在。如下面将要详细说明的，故障检测模块44可以利用之前PCA模块42确定的载荷矩阵把监控的统计特征或未处理的过程变量数据映射进得分矩阵(score matrix)。然后，故障检测模块44可以根据分析的结果产生给操作员或维护人员的一个或多个警报或告警，或者警告过程操作员或维护人员，异常状况已经存在或预测到了异常状况。同样地，故障检测模块44可以存储包括检测到的故障、产生的警报或告警以及映射进得分矩阵(下面将说明)的数据的分析结果，或者把结果发送给检查和界面应用程序40。

检查和界面应用程序40包括一个供诸如配置工程师、过程控制操作员、维护人员、工厂经理、主管等的工厂人员检查故障检测模块44产生的警报和告警的界面。检查应用程序40还可以包括一个允许运行各种过程控制参数、PCA模块42和故障检测模块44，以及显示包括统计特征数据、未处理过程变量数据、自动缩放数据、映射到得分矩阵上去的数据或任何其它用来显示给工厂人员的数据的相关数据的界面。

检查和界面应用程序40可以提供与***30，或更具体地，与FDI***35集成的图形用户界面(GUI)，以方便用户与FDI***35提供的监控功能进行交互。然而，在更详细地讨论GUI之前，应该认识到GUI可以包括利用任何合适的编程语言和技术实现的一个或多个软件例程。进一步地，组成GUI的这些软件流程可以由一个例如为工厂10内的工作站、控制器等的单独的处理站或单元来存储并处理，或者，可替代地，GUI的软件例程以分布式的方式、利用FDI***35内的多个彼此通信连接的处理单元来存储和执行。

优选地，但不是必须地，可以利用熟悉的、图形化的、基于视窗的结构和外观来实现GUI，在该结构和外观中，多个互相链接的图形化视图或页面包括一个或多个使得用户可以用所需的方式来浏览页面以查看和/或检索特定类型的信息的下拉菜单。FDI***35的特性和/或能力可以通过GUI的一个或多个对应页面、视图或显示来表现、获取和调用等。此外，组成GUI的各个显示可以用逻辑的方式互相连结起来以方便用户快速并且直觉地浏览这些显示以检索特定类型的信息或采取和/或调用FDI***35的特定功能。

本领域普通技术人员将会理解，这里说明的FDI***35可以单独运行或与包括故障检测和异常状况防止***的其它***协同运行。同样地，这里说明的、作为FDI***35的一部分的各应用程序38、40、42和44可以和其它应用程序(未示出)协同运行，以检测故障、产生警报和告警、向工厂人员提供数据、允许过程或设备配置或上述的任意组合。

图2示出了图1的示例加工厂10的一个部分50，以说明FDI***35的配置和数据收集应用程序38可以以之收集用于确定异常状况存在的统计特征数据的一种方式。尽管图2示出了FDI***35的应用程序38、40、42和44、数据库43以及一个或多个HART

和Fieldbus现场设备15和16内的数据收集块之间的通信，应该理解，FDI***35的应用程序38、40、42和44，以及包括图1中示出的任何设备、器材、控制器和工作站等的加工厂10内的任何其它实体之间，也能发生类似的通信。同样地，诸如过程控制***12和14或发电和配电***24的各个子***可以另外实现包括其组成应用程序38、40、42和44的FDI***35，或实现替代在计算机30中实现的***的***。

图2中示出的加工厂10的部分50包括分布式过程控制***14B，该***具有通过输入/输出(I/O)卡或设备68和70连接到一个或多个现场设备15和16上的一个或多个过程控制器60。这里的设备68和70可为符合任何所需的通信或控制器协议的、任何所需类型的I/O设备。尽管现场设备15被示出为HART现场设备而现场设备16被示出为Fieldbus现场设备，但是这些现场设备能够使用任何所需的通信协议。另外，现场设备15和16可以为任何类型的设备，例如传感器、阀、变送器和电位器等，并且可以符合任何所需的开放的、专有的或其它通信或编程协议，应该理解，I/O设备68和70必须与现场设备15和16使用的所需的协议兼容。

在任一情况下，一个或多个用户界面或计算机***14A和30(可以为诸如配置工程师、过程控制操作员、维护人员、工厂经理、主管等的工厂人员可以访问的、任何类型的个人计算机和工作站等)都通过通信线路或总线76被连接到过程控制器60上。这里的总线76可以利用任何所需的硬连线或无线通信结构、采用任何所需的或合适的通信协议，例如以太网协议，来实现。另外，数据库78可以被连接到通信总线76上来作为收集并存储配置信息以及在线过程变量数据、参数数据、状态数据和与加工厂10内的过程控制器60和现场设备15和16有关的其它数据的数据历史记录器运行。这样，数据库78可以作为配置数据库运行，以存储包括过程配置模块的当前配置，以及在其被下载并存储到过程控制器60和现场设备15和16中时，存储过程控制***14B的控制配置信息。同样地，数据库78可以存储包括加工厂10内的现场设备15和16收集的参考或监控的统计特征数据或从现场设备15和16收集的过程变量确定的参考或监控的统计特征数据的历史的异常状况防止数据。

尽管过程控制器60、I/O设备68和70以及现场设备15和16通常被设置在有时比较恶劣的加工厂环境的靠下位置处且分布于整个环境中，但是工作站14A和30和数据库78通常被设置在控制人员和维护人员等容易接近的控制室、维护室或其它较不恶劣的环境中。

一般来说，过程控制器60存储并执行一个或多个利用许多不同的、独立执行的控制模块或块实现控制策略的控制器应用程序。每个控制模块都可以包括一般所称作的功能块，其中每个功能块可以是总控制例程的一部分或者子例程，与其它功能块协同运行(通过通信链路)来实现加工厂10中的过程控制环路。正如所公知的，可以为面向对象编程协议中的对象的功能块，通常执行诸如与变送器、传感器或其它过程参数测量设备有关的输入功能的输入功能、诸如与执行PID、模糊逻辑等控制的控制例程有关的控制功能的控制功能、或控制诸如阀的某些设备的运行来执行某些加工厂10中的物理功能的输出功能中的一个。当然，也存在混合和其它类型的复杂功能块，例如模型预测控制器(MPC)、优化器等。应该理解，尽管Fieldbus协议和DeltaV^TM***协议使用以面向对象的编程协议设计并实现的控制模块和功能块，但是可以利用包括例如时序功能块和梯形逻辑等的、任何所需的控制编程方案来设计控制模块，并不限于利用功能块或任何其它特定的编程技术来设计。

如图2中所示，计算机***30包括处理器30A、存储器30B和显示设备30C。存储器30B以能够在处理器30A上执行参照图1讨论的应用程序38、40、42和44的方式来存储这些应用程序，从而通过显示设备30C(或任何其它显示设备，例如打印机)向用户提供信息。尽管下面的说明一般是关于收集和处理来自诸如现场设备的设备的未处理过程变量数据而做出的，但是应该理解，这里说明的技术并不限于此，而是可以被应用于可以使用异常状况的监控和检测的工厂10的各个其它方面。

另外，如图2中所示，某些(可能是全部)现场设备15和16包括数据收集和处理块80和82。尽管参照图2把块80和82说明为是可以被加到Fieldbus设备上以收集和处理Fieldbus设备中的统计特征数据的基础(Foundation)Fieldbus功能块的高级诊断块(ADB)，但是在这里的讨论中，块80和82可以是或可以包括设置在收集未处理过程变量数据并且计算或确定这些数据的一个或多个统计测量的过程设备中的任何其它类型的块或模块，而不管这些块是设置在Fieldbus设备中还是符合Fieldbus协议。尽管图2的块80和82被示出为设置在一台设备15中和一台设备16中，但是这些块或类似的块可以被设置在任意数目的现场设备15和16中，也可以被设置在诸如控制器60、I/O设备68和70或任何图1中示出的设备的其它设备中。另外，块80和82可以为设备15和16的任一子集。

通常，块80和82或块80和82的子元件收集它们所在的、并且在其中对收集到的数据进行统计处理或分析的设备中的诸如未处理过程变量数据的数据，例如来帮助故障检测和隔离以及异常状况防止。另外，块80包括一个或多个统计过程监控(SPM)块或单元SPM1-SMP4。统计过程监控(SPM)块提供对至少一个过程变量或其它过程参数进行统计过程监控的功能，可由任何所需的设备中的软件、固件或硬件来进行，甚至在为其收集数据的设备之外进行。例如，参见图5，被示出为与阀有关的块80可以包括，或利用阻塞阀检测例程来分析阀过程变量数据来确定该阀是否处于阻塞状况。SMP块SPM1-SMP4可以收集阀中未处理过程变量或其它数据，对收集到的数据进行一个或多个统计计算以确定收集到的数据的例如矩阵、中值、标准差、均方根(RMS)、变化率、范围、最小值和最大值等和/或检测收集到的数据中的诸如漂移、偏置、噪声、峰值等事件。

尽管已经提供了统计特征数据的例子，但是应该理解，统计特征数据可以包括用于过程的统计测量描述的不同类型的统计特征数据。另外，尽管已经提供了产生统计特征数据的例子，但是应该理解，SPM块可以使用多种技术来产生统计特征数据。例如，尽管这里讨论的SMP块可以为公知的基础Fieldbus SMP块，但是统计过程监控(SPM)块可以为收集诸如未处理过程变量数据的数据并对这些数据进行某些统计处理来确定诸如矩阵和标准差等的统计测量的任何类型的块或元件。SPM模块可以被实现为软件、固件或其它实现SPM块功能的元件，而不管这些元件是采取功能块的形式或其它类型的块、程序、例程或元件，也不管这些元件是否符合基础Fieldbus协议或诸如PROFIBUS、WORLDFIP、Device-Net、AS-Merface、HART和CAN等协议的其它协议。

还应该理解，因为SPM通常被设置在收集未处理过程变量数据的设备中，所以SPM能够获取数量和质量都更准确的过程变量数据。然而，如下面将进一步说明的，尽管设备内的SPM块能够比设置在设备之外的块更好地确定关于收集到的未处理过程变量数据的统计计算，但是，例如，如果设备没有或不支持SPM功能，SPM块可以被置于收集或产生过程变量数据的设备之外。

再如，图2示出了与变送器有关且具有分析变送器收集的未处理过程变量数据以确定工厂内的线是否被堵塞的堵塞线路检测单元的块82。另外，块82包括可以收集变送器内的未处理过程变量数据或其它数据，并对收集到的数据进行一个或多个统计计算以确定收集到的数据的例如均值、中值、标准差等的统计测量的一组SPM块或SPM单元SPM1-SPM4。如果所需的话，可以如上面参考的美国专利No.6,017,143中所说明的那样执行或实现块80和82的潜在运行。尽管示出块80和82每一个都包括四个SPM块，但是块80和82可以具有用于收集和确定统计特征数据的任何其它数目的SPM块。同样地，尽管图2示出块80和82为包括用于检测工厂10内的特定状况的检测软件，但是可以提供没有这样的检测软件的块80和82。更进一步地，尽管图2示出了这里所讨论的SPM块为ADB的子元件，但是它们可以为设置在设备内的独立的块。

参照图2讨论的ADB或可以在ADB中提供的SPM块可以计算与过程有关的统计特征数据，并且除了把这些统计特征数据发送给工作站14A或30中的一个之外，还可以根据统计特征数据的值的改变来触发某些警报。作为例子，Fieldbus类型的SPM块可以监控过程变量并且提供各种监控参数。这些参数可以包括，但不限于块标签、块类型、均值、标准差、均值变化、标准差变化、基线均值、基线标准差、高方差限、低动力学限、均值限、状态、参数索引、时间戳和用户命令。可见，这些参数可以包括各种统计测量结果，如均值、标准差、标准差变化等。例如，均值为过程变量在采样窗口上的平均值。可以按照以下公式计算均值x：

$\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$ (公式1)

其中

n＝样本的数量

x₁，x₂，…x_n＝在采样窗口中取的变量的值。

标准差s为数据从其均值变化的程度的度量。标准差可以根据如下公式计算，其中仅给定总体的一个样本，分母使用n-1而不是n是为了提供标准差的无偏估计：

$s=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}}$ (公式2)

尽管均值和标准差是特别有用的参数，但是其它SPM参数，包括基线均值、基线标准差、均值变化、标准差变化和状态，也可能是有用的。当然，SPM块可以被用来确定任何其它所需的统计测量或参数，并且能够向用户或请求应用程序提供与特定块有关的其它参数。因而，SPM块不限于只是提供这里所讨论的参数。

仍参见图2，可以使现场设备15或16中的SPM块(SPM1-SMP4)的参数用于外部客户，如通过总线或通信网络76和控制器60使其可用于工作站30。另外地或可替代地，可以通过例如OPC服务器89使得块80和82中的SPM块(SPM1-SPM4)收集或产生的统计特征数据或其它信息用于工作站30。该连接可为无线链接、硬连线连接、间歇连接(例如使用一个或多个手持设备的间歇连接)或任何其它利用任何所需的或合适的通信协议的通信连接。当然，这里说明的通信连接中的任一个都可以使用OPC通信服务器来把从不同类型的设备接收到的数据集成进共同或相容的格式。

如上所述，可以把SPM块放在收集未处理过程变量数据或其它数据的设备的外部。例如，可以把SPM块放入主机设备、除了现场设备之外的设备或其它现场设备中，以在收集或产生诸如未处理过程变量数据的未处理数据的设备的外部进行统计过程监控。这样，例如，图2的配置和数据收集应用程序38可以包括一个或多个通过例如OPC服务器89收集未处理过程变量数据、计算未处理过程变量数据的诸如均值和标准差等的某些统计测量或参数的SPM块。未被置于收集未处理数据的设备中的SPM块可以有助于产生没有或不支持SPM功能的设备中的设备或过程变量的统计特征数据。尽管未被置于设备中的SPM块可能由于数据的通信需求(例如通信带宽)而不能象被置于设备中的SPM块那样收集一样多的过程变量数据来进行统计计算，但是随着技术进步，可用的网络吞吐量可能随着时间增加。照此，未被置于收集未处理数据的设备中的SPM块有可能能够收集更多的未处理过程变量数据来进行统计计算。这样，从下面的讨论中应该会理解，SPM块产生的任何统计测量或参数都可以由诸如块80和82中的SP1-SP4块，或主机或包括其它现场设备的其它设备中的SPM块产生。

由于加工厂中的统计数据收集块或SPM的数量在增加，因而具有从不同设备中的SPM块收集数据来分析数据并把检测结果提供给专家***以进行进一步数据聚合和决策的自动机制，是有益的。如上所述，可以把加工厂10内的现场设备15和16收集的数据聚合在数据库78、统计过程监控数据库43或任何其它适用于存储未处理过程变量数据的存储器中。除了未处理过程变量数据，数据还可以包括现场设备15和16中SPM块处理的统计特征数据，或者还可以为PCA模块42从现场设备15和16收集的未处理过程变量确定的统计特征数据。

图3为诸如现场设备15和16的现场设备的框图，其示出了这样的设备的输出可用作给FDI***35的输入。现场设备16包括传感器83、滤波块84和ADB 80。ADB 80包括一个或多个用于计算过程变量的统计特征的SPM。在很多***中，每个现场设备16都把其测量的过程变量通过其自身的成对电缆上的4-20毫安信号发送给控制器12B或14B(参见图1)。该毫安培电流信号与所表示的过程变量成比例地变化。这样，4-20毫安范围的低端通常对应于所校准范围的0％，而20毫安则通常对应于所校准范围的100％。因为多数控制和监控应用程序更喜欢光滑并且稳定的测量信号，所以在传感器83与控制器12B或14B之间通常包括几层滤波器84。通常使用低通滤波器来允许相对稳定的4-20毫安信号通过而除去高频噪声。

滤波器84移除给控制器12B和14B的信号的高频噪声。然而，在许多应用程序中，更高频率的噪声包含了关于所测量过程的运行的有用信息。例如，一种类型的工业炉子中的压力信号的高频分量能够指示火焰的不稳定。滤波器84会从传统仪器***中的信号除去这一有用的诊断信息，从而阻止了这一类型的诊断。

许多现场设备15或16现在使用数字协议来与控制器12B和14B通信，以允许设备发送FDI***中可能有用的附加信息。例如，HART

协议在不干扰4-20毫安信号的完整性的情况下，使智能仪器能够在已经使用的传统4-20毫安回路上接合双向数字通信。HART

是通过利用贝尔202频移键控(FSK)在4-20毫安信号上低水平地叠加数字通信信号来实现这个的。相反，Fieldbus协议是用作工厂仪器和控制设备的局域网(LAN)的全数字、串行和双向通信***，其完全替换了4-20毫安***的各个成对电缆。其它数字协议包括例如PROFIBUS

、WORLDFIP

Device-Net

、AS-Interface and CAN协议。数字协以使得现场设备15和16可以把比其原来的过程变量(例如压力和温度等)更多的数据发送给控制器12B或14B，并最终发送给实现FDI***35的计算机***30。尽管滤波器84除去了模拟信号的更高频率的信息，但是ADB 80中的一个或多个SPM块还可以使用信号中的更高频率的信息来计算诸如均值、中值和标准差等的过程变量的多个统计测量。在计算了未处理模拟信号的诸如均值或标准差的统计特征之后，使用数字协议的现场设备15或16可以把未处理的过程变量数据和统计特征数据都发送给控制器12B或14B。

可以通过诸如以太网、Modbus、HTML、XML、专有技术和/或协议等的任何合适的方法把控制器12B和14B通信连接到FDI***35上。该连接可以是直接的或者可以通过诸如计算机22或26中的一个的中间***。本领域技术人员可以想出很多种设备可以以之把数据发送给FDI***35以供PCA模块42使用的结构。

如上所述，PCA模块42分析与已知正常和异常过程状况有关的过程变量数据，以确定描述过程变量数据中总方差最大的主分量。PCA技术把高维空间中的一组数据变换进低维空间，仅俘获最重要的变化。特别地，对于给定的一组数据，m为变量的数目，n为每个变量的观测(即数据点)的数目。矩阵X为包含所有输入变量的观测的n×m矩阵。

在典型的过程中，某些过程变量具有显著地大于其它变量的幅度。为了确保各个过程变量对模型的影响相等，可能需要通过从每个数据点减去每个过程变量的均值并用过程变量的标准差去除自动缩放X的数据(即对照数据自身来缩放数据)。对于自动缩放的矩阵，按照以下公式计算样本协方差矩阵：

$S=\frac{1}{n-1}{X}^{T}X$ (公式3)

对样本协方差矩阵进行特征值-特征向量分解：

S·V＝V·D(公式4)

如果特征向量被正规化，那么S＝V·D·V^T，这是因为V为正交矩阵。

这里，D为包含m个特征值的对角矩阵，V的列为对应于每个特征值的特征向量。在进行特征值-特征向量分解后，从大到小排列特征值(和对应的特征向量)。

最大的特征值及其对应的特征向量指示了对应于原始数据组中的最大变化的、新的线性空间中的方向。次大的特征值及其特征向量对应于次大变化且与第一方向正交的方向。类似地，所有m个特征值及其对应的特征向量构成了对原始线性空间的正交变换。

通常，一个给定的分析保留描述最大变化的p个主分量而丢弃表示最小变化的m-p(即m减p)个主分量。对于未处理的过程变量数据来说，p个最大的特征值对应于过程中真实的潜在变化而m-p个最小的特征值对应于背景噪声。

可以使用几种方法之一来确定要保留多少个主分量。仅作为例子而非限制，这些方法包括交叉验证、并行分析、百分比方差校验、卡方检验(chi-squaretest)、碎石检验(scree test)和最小偏相关平均。简单地说，并行分析方法比较特征值-特征向量分解中发现的特征值与从具有独立的测量和观测的相似的数据组获取的特征值。图4示出了利用并行分析确定保留多少分量的例子。第一条线90，标注为PCA，是某原始数据组的PCA分解的特征值的图形。第二条线92，标注为PA，为相同大小但是具有独立变量和观测的数据组的PCA分解的特征值的图形。根据并行分析方法，两条线相交的点就是要保留的主分量的数目。这样，在图4的例子中，将保留三个主分量。

当a表示被保留的最大特征值的数目时，从特征向量矩阵V中取前a列组成载荷矩阵

原始观测向由载荷矩阵定义的新的子空间上的投影称作得分矩阵，并表示为T＝XP。

所述基本的PCA分解提供了一种许多相关测量的数据组减少为少数重要的方法。然而，异常状况的检测和隔离可能需要根据判别分析的另外的逻辑。当利用PCA判别多个故障情况时，可以为所有的故障类或过程状况组合开发一个单PCA模型(PCA1)，或为每个不同的故障类或过程状况开发一个单独的PCA模型(PCAm)。下面的例子中采用PCA1方法，不过本领域技术人员将很容易理解，也可以使用PCAm方法。

利用PCA1方法，所有类的数据都被压进一个矩阵X，其中载荷矩阵与状况的组合有关。在采用单PCA模型的方案中，可以根据最大得分判别式把任何一个观测x分配给一个状况：

$g_i\left(x\right)=-\frac{1}{2}{(x-\stackrel{\‾}{x_i})}^{T}P{\left(P^T{S}_{i}P\right)}^{-1}{P}^T(x-\stackrel{\‾}{x_i})+\ln \left(p_i\right)-\frac{1}{2}\left[\det \left(P^T{S}_{i}P\right)\right]$ (公式5)

其中

x＝原始过程变量测量的向量，将被分类

g_i＝x属于故障类i的概率

x_i＝属于类i的所有观测的均值向量

P＝PCA载荷矩阵

S_i＝属于类i的所有观测的协方差矩阵

p_i＝一个观测属于类i的先验概率

尽管被说明为一个故障类i，但是每个类i都可以与包括正常状况、存在的异常状况或预测的异常状况的任何过程状况有关。对于每个类i，对给定的观测x运行最大得分判别式(公式5)，根据计算的每个类i的概率g_i(x)标识观测x的状况。这样，给定的观测x被分配给g_i(x)最大的类i。

在工业过程中检测故障的情况下，通常各个故障类没有已知的先验概率。在此情况下，可以假定所有i的p_i＝0，这样得分判别式简化为：

g_i(x)＝(x-x_i)^TP(P^TS_iP)^-1P^T(x-x_i)+ln[det(P^TS_iP)](公式6)

观测x被分配给g_i(x)最小的类i。

尽管下面说明的是利用主要与统计特征数据有关的PCA的故障检测，但是如本说明书始终说明的，应该理解，PCA也可以与未处理过程变量数据而不是统计特征数据一起使用。然而，未处理过程变量数据可能包括有可能指示过程中的假的状况的数据点外层或组中的错误数据点。照此，可能更优选的是通过从未处理过程变量数据产生过程变量的统计测量，利用统计特征数据来解决或最小化数据点外层或未处理过程变量数据组中包含的其它错误数据的影响。统计特征数据还可以提供关于过程的、仅从未处理过程变量数据可能不会很容易地明显看出的额外信息(例如方差)。进一步地，尽管下面说明的是利用PCA检测存在的异常状况的故障检测，但是应该理解，PCA或其它多元统计分析技术可以用于异常状况防止以预测将来异常状况的发生。

为了完成利用PCA的故障检测，可能所需收集和分析与过程中的正常状况和异常状况相关的参考未处理过程变量数据，用于与监控的过程变量数据进行比较。例如，可以利用上述SPM块来从收集到的未处理过程变量数据得到统计特征数据，以提供过程中的已知正常状况的统计特征数据和过程中的已知异常状况的统计特征数据。利用与过程的正常运行有关的参考统计特征数据(或参考未处理过程变量数据)，PCA模块42能够确定正常状况下过程的主分量。进一步地，PCA模块42能够从统计特征数据(或从参考未处理过程变量数据)确定其相关的参考统计特征数据(或参考未处理过程变量数据)存在的异常状况下的过程的主分量。照此，利用PCA1方法，可以得到已知的正常情况和/或已知的异常情况的组合的主分量，其中同一PCA模型与多个状况(例如，所有的故障情况)相关。可替代地，利用PCAm方法，可以得出多种过程变量的已知正常情况和已知异常情况的主分量。

在SPM块已经从配置和数据收集应用程序38收集的参考未处理过程变量产生了参考统计特征数据、并且PCA模块42已经确定了与参考统计特征数据(或参考未处理过程变量数据)有关的载荷矩阵的情况下，故障检测模块44可以分析监控的统计特征数据(或监控的未处理过程变量数据)。把监控的统计特征数据(或监控的未处理过程变量数据)投影到由上述载荷矩阵定义的子空间中后，故障检测模块44可以把监控的统计特征数据(或监控的未处理过程变量数据)分类为指示正常过程状况或异常过程状况的存在或预测的将来会发生。如果监控的过程变量数据指示当前或预测的异常状况，那么故障检测模块44可以指示哪种各种情况存在或被预测。尽管可以提供趋势分析来预测将来正常或异常过程状况的发生，但是应该理解，可以提供各种其它的预测技术。

图5示出了具有连续的反应器102、可以在FDI***中使用具有PCA的统计测量的示例过程100的控制图。提供过程100只是作为一个例子，并且为了更好地理解所使用的故障检测和异常状况防止方法，将说明特定的***和化学反应然而，应该理解，在FDI***中使用具有PCA的统计特征可以被扩展到任何过程。进一步地，尽管下面的例子主要与检测存在的异常状况有关，但是应该理解，与在FDI***35中一样，可以同样地使用本方法来预测FDI***被异常状况防止***替换或FDI***包括异常状况防止***情况下将来的异常状况。在过程100中，反应物A为氢氧化钠，反应物B为乙酸乙酯。反应物A和反应物B结合形成产品乙酸钠(产品C)和副产品普通酒精(产品D)。反应物和产品从静态混合器112流进搅动反应器112，反应器112中搅拌器122驱动进一步的反应，使转换更加完全。在此过程中，最优性能要求维持反应器102的内容124的温度和料位。该反应是发热的，因而需要冷却来维持反应器102中的最优温度。

反应物A通过进料阀108流进***。流速变送器104测量通过进料阀108的反应物A的流速。控制器块106接收来自流速变送器104的过程变量信号，并通过向控制反应物A流动的进料阀108发送控制信号来调节反应物A的流动。同样地，反应物B通过进料阀118流进***。流速变送器110测量通过进料阀118的反应物B的流速。反应物A和反应物B都流过静态混合器112，在混合器112中，它们结合以形成产品C。传导率变送器114测量在产品C流出静态混合器112时，测量其浓度。控制器块116从传导率变送器114接收过程变量信号，通过向控制反应物B的流动的进料阀118发送控制信号来调节反应物B流进静态混合器112中(从而调节产品C的浓度)。

乙酸钠(产品C)从静态混合器112流到反应器112中。搅拌器发动机120驱动反应器102中的搅拌器122，搅动反应器102中的内容124并促成把乙酸钠变为普通酒精(产品D)的进一步的反应。如上所述，最优的过程性能要求保持内容124的料位和温度。料位变送器134测量反应器102的内容124的料位。控制器块136从料位变送器134接收过程变量信号，通过向控制普通酒精排放并把反应器102的内容124的料位保持在所需的点的排放阀138发送控制信号来调节反应器102的普通酒精的流动。同样地，温度变送器144测量反应器102的内容124的温度。泵142把普通酒精抽出反应器102。泵142从反应器102中抽出的普通酒精的一部分被排放给***的下一阶段(未示出)，而泵142从反应器102抽出的普通酒精的剩余部分则流经热交换器140，在热交换器140处，这些普通酒精被冷却并被循环回反应器102中。

热交换器140所影响的冷却把反应器102中的反应保持在所需的温度。温度变送器154测量流出热交换器140的普通酒精的温度。过程100使用级联控制算法来调节冷却剂的流量从而保持反应器102中的合适温度。主控制器块155从温度变送器144接收过程变量信号，向也从温度变送器154接收信息的从控制器块156发送控制信号。从控制块156通过向冷却剂阀158发送控制信号来调节流经热交换器140的冷却剂的流速。

注意的是，现场设备不需要彼此直接通信。例如，控制器块106和/或进料阀108不需要直接从流速变送器104接收信号。而是，现场设备也可以通过某些中间实体，例如控制器或计算机***，来接收信号。

图5示出的示例过程100中具有在下面表1中示出的11个过程变量。

#	标记	说明	单位
				1	104	反应物A的流速	kg/s
2	106	给调节反应物A流动的进料阀(108)的控制器输出	％
				3	110	反应物B的流速反应物A的流速	kg/s
4	114	产品C的酸浓度	％
				5	116	给调节反应物B流动的进料阀(118)的控制器输出	％
6	134	反应器(102)中的内容(124)的料位	％-vol
				7	136	给调节反应器(102)中的内容(124)的料位的排放阀(138)的控制器输出	％
8	144	反应器(102)中的内容(124)的温度	℃
				9	155	调节反应器(102)温度的主控制器块的输出	℃
10	154	热交换器(140)冷却后的产品D的温度	℃
				11	156	从控制器块给调节冷却剂流量的阀(158)的输出	％

表1

图5示出的示例过程100中，可能存在多个异常状况。为了产生在确定与正常和异常过程状况有关的主分量中使用的、PCA的参考统计特征数据(或参考未处理过程变量数据)，可以在正常运行期间和个别地在多种异常状况期间，监控所述过程。可以在实际过程或在所述过程的计算机仿真中引发这些异常状况。例如，尽管本领域技术人员将理解，表2中的故障不构成可能故障的详尽列表，但是可以引发表2中列出的故障。给定所述过程和在所述过程中实现的附随的仪器的情况下，表2中列出的故障是在图5的过程100中引发的故障。其它过程中或所说明的过程100的不同实现中，可能存在许多其它故障和其它类型的故障。

#	缩写	全称
			1	Upset_A	反应物A的浓度水平的扰动(循环)
2	HX_Foul	热交换器(140)的产品测的污垢
			3	Temp_Err	温度变送器144中的测量偏差
4	Lev_Err	料位变送器134中的测量偏差
			5	FV_Deg	控制反应物A的入口流速的进料阀108的性能退化

表2

可替代地，不是在过程中修复异常情况，而是可以使用之前收集的监控的统计特征数据(或监控的未处理过程变量数据)。例如，可以把存储在统计过程监控数据库43(参见图1)、数据库78(参见图2)或任何其它适用于存储所述数据的存储器中的数据用作已知正常状况和已知异常状况的参考统计特征数据(或参考未处理过程变量数据)。只要能够把可归于给定故障的异常状况的存在与一个特定的过程变量数据组关联起来，那么就可以利用与异常状况的存在有关的一个或多个时间段的过程变量数据来确定对应于表2中的各种情况中的每一个的主分量。

对于上表中引发的(或分析的)故障的列表来说，存在8类观测。一类观测是过程的正常运行。反应物A的扰动、热交换器的污垢和进料阀的退化这三者每个都构成另一类观测。最后，对每个测量偏差来说，变送器读取可能高于实际值或低于实际值。因此，每个都可能是在两个方向上(高或低)并且构成两类观测。

对未处理过程变量数据的PCA

作为对诸如图5示出的过程100的过程中的未处理过程变量数据使用PCA的例子，从处于正常运行状况且具有表2中示出的每个异常状况的过程100中收集生产普通酒精的反应器***。在整个数据收集阶段，***以大约每1-2秒1个样本的速度同时对所有过程变量采样。***在正常运行状况收集数据1小时。引发第一异常状况(反应物A的浓度扰动)，在过程处于该异常状态的情况下，***收集数据1小时。在把过程重新设置到正常状态后，重复上述事件序列6次来收集其余故障状态中的每一个的数据(参见表2)。这样总共收集了大约14小时或33,000个样本的数据。

每次过程100回到其正常状态时，几分钟过后，所有的过程变量稳定下来并回到它们的正常值。因而，把某些后处理用于过程变量数据以除去来自故障状况和正常运行状况之间的过渡阶段的数据。后处理除去在正常状态期间收集的每个数据组的前一半(30分钟)数据。尽管通常过程100在很短的时间内回到其正常运行状态，但是后处理确保了正常运行状况类将不包含任何来自过渡阶段的数据。

图6示出了从图5示出的过程100收集的、反应物A的浓度扰动情况的过程变量数据对时间的图形。该图示出了11个过程变量(参见表1)中的每一个的数据。图6中的图形首先示出正常状况下的每个过程变量。在大约12分钟处，在示例过程100中引发故障。图6中的图A和C-F中的每一个都示出两个过程变量的图形。在上面的且对应于左面垂直轴的是与变送器过程变量有关的数据。在下面的且对应于右面垂直轴的是与对变送器过程变量起反应的控制器过程变量有关的数据。图B示出了一个单变送器过程变量的数据的图，没有控制器直接响应该变量但是该变量仍可以指示异常状态。

同样地，图7-12中的每一个都示出从图5的过程100收集的、不同故障情况的过程变量数据对时间的图形。图7示出热交换器污垢情况的过程变量。图8和图9分别示出高方向上和低方向上的温度测量误差情况的过程变量数据。图10和图11分别示出高方向上和低方向上的料位测量误差情况的过程变量数据。最后，图12示出进料阀退化情况的过程变量数据。

图13示出对图6到图12的未处理控制过程变量数据应用并行分析以确定前三个主分量包括最重要的变化因而对根据PCA分析将来的数据也最重要。因此，用来分析将来数据的PCA模型使用三个载荷向量。

参见图14，8个过程状态(正常状况和7个故障状况)中的每一个的未处理过程变量数据都可以被绘出在由载荷矩阵定义且对应于三个保留的主分量的新的子空间中。因为难以可视化所有的三个得分向量，所以图14仅示出了两个最大的主分量的未处理过程变量数据的图形。除只示出了故障状况下的4个之外，图15示出与图14相同的过程变量数据，从而给出这些故障的更多的细节。如将从这些附图中的图形理解到的，由于与不同故障情况有关的数据之间的交迭程度，难以利用自动的过程清楚地在一个故障和另一个故障之间勾划轮廓。然而，基于并行分析，保留3个主分量并且绘出两个。本领域技术人员将认识到，不容易可视化的第三分量可能包含有可能有助于区分看起来交迭的故障情况的额外信息。

利用得分判别式函数(公式6)，可以作出未处理过程变量数据中的每一个的故障分类决策。表3示出了PCA模型如何分类图6到图12的未处理过程变量数据的总结。尽管这里分析的未处理过程变量数据与用作参考过程变量数据的相同，应该理解，在过程控制环境中，描述监控的过程变量数据的数据组与描述参考数据的数据组可能是不同的。

表3

表3示出利用得分判别式函数(公式6)分析图6到图12的未处理过程变量数据的故障分类***将准确地分类数据点的88.6％。然而，由于上述与不同的各种情况有关的数据间的交迭，某些故障类(偏高Lev Err和偏低Lev Err)将明显具有高错过警报率，而其它故障类(热交换器污垢和偏高Temp Err)将明显具有高的假警报率。

如上面指出的，未处理过程变量数据可能包括有可能指示过程中的假的状况的，例如错失警报或假警报的数据点外层或组中的错误数据点。在一个FDI***中，可以认为错失警报比假警报更可以接受，尤其是在***还是新的时。例如，错失警报不会使工厂人员的工作条件比安装FDI***之前更坏。然而，假警报使工厂人员花费时间和资源找出不存在的问题。在几次这样的警报后，工厂人员很可能简单地忽视FDI***或完全地关掉它。通常地，发生率低于10％的错失警报不是太大的问题。然而，假警报率，特别是那些与上述热交换器污垢和温度偏差例子中的一样高的那些，一般对于大多数故障检测***来说太高了。

对统计特征数据的PCA

可替代利用未处理过程变量数据的是，可以利用PCA算法分析相同数据，但是不是利用未处理过程变量数据本身，而是根据未处理过程变量数据把统计特征数据用作PCA计算的参考数据。参见图3，ADB 80中的SPM块把统计特征数据输出给控制器12B和14B，并最终输出给FDI***35。可替代地，如果数据与已知异常状况有关，PCA模块42就可以从发送给FDI***35的未处理过程变量数据计算统计特征数据，并存储在数据库43或78中。然后，PCA模块42可以把统计特征数据用作PCA计算的参考数据。

例如，可以把部分示出在图6到图12中的、在上述过程100中收集的未处理过程变量数据从过程100的现场设备(104、106和108等)的ADB作为统计特征数据输出。尽管也可以使用任何数目的其它统计特征，例如中值、均方根(RMS)、变化率、范围、最小值和最大值等，但是均值和标准差是典型的可以使用的统计特征。本质上，均值与未处理数据提供相同的测量，但是滤除了大部分噪声并减少了周期性的变化。标准差提供对周期性的幅度和背景噪声的测量。当现场设备计算标准差时，经常提供以另外方式使控制***级将缺少的某些信息的测量。可以配置过程100中的现场设备具有大于所测量的过程变量的振荡周期的采样窗口。再次参见图6到图12，采样过程变量信号的振荡在50到85秒范围内。

作为对过程中的统计特征数据而不是未处理过程变量数据使用PCA的例子，利用统计特征数据对图5示出的过程100的分析中并没有使用SPM块提供的统计特征数据。而是，***从上述仿真中收集到的未处理过程变量数据计算统计特征数据。利用120秒的采样窗口，每个过程变量的数据点的数目以120的系数减少，结果在此情况下，总共只有206个数据点。

图16示出利用并行分析来选择载荷向量数目的、对统计特征数据组进行的PCA确定应该保留六个主分量。正如对未处理过程变量数据的一样，难以可视化分析到所有得分向量。然而，图17中示出了投影到前两个得分向量上的统计特征数据的图形，该图中示出了所有8个类(7个故障类和一个正常类)之间的间隔。图18为同一情况的图形，但是仅示出了4个选择的故障，以更清晰地观察各类之间的间隔。

下面的表4示出了把得分判别式分类方法(公式6)应用于每个样本的结果的概况。

表4

表4显示，利用统计特征数据的分析带来了分类的显著改进。所有故障类都没有错失警报并且假警报只有2个。整体上，在此情况下的样本的正确分类将达到99％，与之对照的是，利用未处理样本过程变量数据的情况下的样本的正确率是88.6％。

再次参见图6到图12，可以理解通过把统计特征数据而不是未处理过程变量数据用作PCA的参考数据而获得的相对改进。对某些故障情况来说，许多样本过程变量的趋势是在一个方向上的。因为PCA为线性变换，所以当被变换进新的子空间时，一个过程变量在一个线性方向上的移动仍将是线性的。然而，在其它故障情况中，一个或多个过程变量因为其以或大或小的幅度在振荡而改变。当向振荡的信号应用诸如PCA的线性变换时，如在图18中的反应物A扰动和进料阀退化故障中看到的那样，结果是来自一循环中的故障描述的得分。因为标准差俘获了过程变量的振荡，所以振荡幅度的改变被直接反映在标准差的值中。因而，标准差在一个线性方向上移动，并且可以在PCA线性变换中看到标准差的改变。

尽管FDI***35和其它过程元件被说明为优选地用软件实现，但是也可以利用硬件、固件等实现，并且可以由与过程控制***10有关的任何其它处理器来实现。因此，这里说明的元件可以用标准的多用途CPU，或在特别设计的硬件、诸如专用集成电路(ASIC)的固件或其它所需的硬连线的设备上实现。当以软件实现时，软件例程可以存储在任何计算机可读的存储器中，例如磁盘、光盘或其它存储中，计算机或处理器的RAM或ROM，任何数据库等等。同样，该软件可以经由任何已知或期望的传送方法传送给用户或加工厂，例如，通过计算机可读盘或者其它可移动的计算机存储机制，或者通过诸如电话线、因特网和无线通信等通信信道(这些都被视作与经由可移动存储介质来提供这种软件是相同的或可互换的)。

因此，尽管已经根据具体示例对本公开进行了描述，但是，这些例子仅仅是示例性的，而不是限制性的，对于本领域的普通技术人员来说，在不脱离本发明的精神和范围的前提下，可以对所公开的实施例进行更改、添加或删除是显而易见的。

Claims (52)

1、一种用于监控加工厂中的过程的***，该***包括：

数据收集工具，其适用于收集描述所述过程的运行的数据；以及

第一分析工具，其包括多元统计分析机，该多元统计分析机适用于根据包括所述过程在已知状态下的运行的统计测量结果在内的一组收集参考数据来描述所述过程在所述已知状态下的运行。

2、根据权利要求1所述的***，进一步包括统计计算工具，该统计计算工具适用于对所收集的描述所述过程的运行的数据进行统计计算以产生所述过程在所述已知状态下的运行的统计测量结果。

3、根据权利要求1所述的***，进一步包括统计计算工具，该统计计算工具适用于对所收集的描述所述过程的运行的数据进行统计计算以产生所述过程在未知状态下的运行的统计测量结果。

4、根据权利要求1所述的***，其中所述统计测量结果是在所述工厂内的被监控设备中进行计算的。

5、根据权利要求1所述的***，其中所述数据收集工具适用于从所述工厂内的多台设备收集包括所述过程的运行的统计测量结果在内的数据。

6、根据权利要求1所述的***，其中所述第一分析工具适用于从所述数据收集模块所收集的数据中产生所述过程的运行的统计测量结果，其中所述数据与所述加工厂内的多台设备有关。

7、根据权利要求1所述的***，其中所述多元统计分析机适用于进行主分量分析。

8、根据权利要求1所述的***，进一步包括第二分析工具，该第二分析工具适用于根据包括所述过程在未知状态下的运行的统计测量结果在内的一组监控数据以及利用所述第一分析工具的输出作为输入，来描述所述过程在所述未知状态下的运行。

9、根据权利要求8所述的***，进一步包括执行机，该执行机适用于实现得出所述过程在已知状态下的运行的多元统计描述并且可以确定所述过程在未知状态下的运行的所述第一和第二分析工具。

10、根据权利要求8所述的***，其中所述第二分析工具适用于确定异常过程状况的出现。

11、根据权利要求10所述的***，其中所述第二分析工具进一步适用于根据异常过程状况的出现来产生警报。

12、根据权利要求10所述的***，其中所述第二分析工具适用于识别所述异常过程状况。

13、根据权利要求12所述的***，其中所述第二分析工具进一步适用于产生对应于已识别的异常过程状况的警报。

14、根据权利要求8所述的***，其中所述第二分析工具适用于预测异常过程状况的发生。

15、根据权利要求14所述的***，其中所述第二分析工具进一步适用于根据异常过程状况的所述预测发生来产生警报。

16、根据权利要求14所述的***，其中所述第二分析工具适用于识别异常过程状况中的所述预测发生的异常过程状况。

17、根据权利要求16所述的***，其中所述第二分析工具适用于产生对应于已识别的异常过程状况的警报。

18、根据权利要求1所述的***，其中所述统计测量结果包括由以下各项组成的组中的一项：均值、均值变化、中值、中值变化、标准差、标准差变化、方差、偏斜度、峰度、均方根RMS、变化率、范围、最小值和最大值。

19、一种用于监控加工厂中的过程的方法，该方法包括：

收集描述所述过程的运行的数据；

计算所收集的描述所述过程在已知状态下的运行的数据的统计测量结果；并且

进行多元统计分析以根据包括所述过程在已知状态下的运行的统计测量结果在内的一组收集参考数据来描述所述过程在所述已知状态下的运行。

20、根据权利要求19所述的方法，其中所述计算所收集的描述所述过程的运行的数据的统计测量结果的步骤包括：对所收集的描述所述过程的运行的数据进行统计计算来产生所述过程在所述已知状态下的运行的统计测量结果。

21、根据权利要求19所述的方法，进一步包括计算所收集的描述所述过程在未知状态下的运行的数据的统计测量结果。

22、根据权利要求19所述的方法，其中所述多元统计分析包括主分量分析。

23、根据权利要求19所述的方法，其中所收集的数据包括与所述加工厂内的多台设备有关的未处理数据，并且其中所述计算所收集的描述所述过程运行的数据的统计测量结果的步骤包括计算所述未处理数据的统计测量结果。

24、根据权利要求19所述的方法，其中所收集的数据用于描述所述过程中设备的运行，并且其中所述计算所收集的描述所述过程运行的数据的统计测量结果的步骤包括计算该设备的统计测量结果。

25、根据权利要求19所述的方法，其中所述描述所述过程在已知状态下的运行的步骤包括：描述所述过程在一个或多个已知的异常状况下的运行。

26、根据权利要求19所述的方法，进一步包括根据包括所述过程在未知状态下的运行的统计测量结果在内的一组监控数据以及利用所述多元统计分析的输出作为输入，来描述所述过程在所述未知状态下的运行。

27、根据权利要求26所述的方法，进一步包括比较在所述未知状态下的所述过程与所述过程在所述已知状态下的运行的多元统计描述，以确定所述过程的运行状态。

28、根据权利要求26所述的方法，进一步包括：

比较所述过程在未知状态下的描述与所述过程在已知状态下的描述；并且

从所述比较中检测异常过程状况的出现。

29、根据权利要求28所述的方法，进一步包括根据所述对异常过程状况的检测来产生警报。

30、根据权利要求28所述的方法，进一步包括识别所述异常过程状况。

31、根据权利要求30所述的方法，进一步包括产生对应于已识别的异常过程状况的警报。

32、根据权利要求28所述的方法，进一步包括预测异常过程状况的发生。

33、根据权利要求32所述的方法，进一步包括根据所预测的异常过程状况的发生来产生警报。

34、根据权利要求32所述的方法，进一步包括识别异常过程状况中的所述预测发生的异常过程状况。

35、根据权利要求34所述的方法，进一步包括产生对应于已识别的异常过程状况的警报。

36、根据权利要求19所述的方法，其中所述统计测量结果包括由以下各项组成的组中的一项：均值、均值变化、中值、中值变化、标准差、标准差变化、方差、偏斜度、峰度、均方根RMS、变化率、范围、最小值和最大值。

37、一种用于监控加工厂中的过程的***，该***包括：

第一分析工具，其适用于根据描述所述过程在已知状况下的运行的参考统计数据来产生所述过程在所述已知状况下的运行的多元统计描述；以及

第二分析工具，其适用于根据所述多元统计描述中的描述所述过程在未知状态下的监控统计数据来描述所述过程在所述未知状况下的运行，并且适用于根据所述多元统计描述中的所述监控统计数据的观测结果与所述多元统计描述中的所述参考统计数据的观测结果的比较，来确定所述未知状况。

38、根据权利要求37所述的***，其中所述参考统计数据包括所述过程在所述已知状况下的运行的统计测量结果，并且其中所述监控统计数据包括所述过程在所述未知状况下的运行的统计测量结果。

39、根据权利要求37所述的***，其中所述第一分析工具适用于执行主分量分析以产生所述多元统计描述。

40、根据权利要求37所述的***，其中所述第一分析工具适用于将所述多元统计描述中的所述参考统计数据的观测结果分配给异常状况。

41、根据权利要求40所述的***，其中所述第一分析工具适用于根据得分判别式将所述多元统计描述中的所述参考统计数据的观测结果分配给异常状况。

42、根据权利要求41所述的***，其中所述得分判别式包括以下列公式计算的最大得分判别式：

$g_i\left(x\right)=-\frac{1}{2}{(x-\stackrel{\‾}{x_i})}^{T}P{\left(P^T{S}_{i}P\right)}^{-1}{P}^T(x-\stackrel{\‾}{x_i})+\ln \left(p_i\right)-\frac{1}{2}\ln \left[\det \left(P^T{S}_{i}P\right)\right]$

其中：

x＝原始过程变量测量结果的向量，

g_i＝x属于异常状况类i的概率，

x_i＝属于类i的所有观测结果的均值向量，

P＝主分量分析的载荷矩阵，

S_i＝属于类i的所有观测结果的协方差矩阵，

p_i＝属于类i的观测结果的先验概率。

43、根据权利要求42所述的***，其中所述第二分析工具适用于根据g_i的最大值将所述参考统计数据的观测结果与异常状况相关联。

44、根据权利要求41所述的***，其中所述得分判别式根据以下公式计算：

g_i(x)＝(x-x_i)^TP(P^TS_iP)^-1P^T(x-x_i)+ln[det(P^TS_iP)]

其中：

x＝原始过程变量测量结果的向量，

g_i＝x属于异常状况类i的概率，

x_i＝属于类i的所有观测结果的均值向量，

P＝主分量分析的载荷矩阵，

S_i＝属于类i的所有观测结果的协方差矩阵。

45、根据权利要求44所述的***，其中所述第二分析工具适用于根据g_i的最小值将所述参考统计数据的观测结果与异常状况相关联。

46、根据权利要求37所述的***，其中所述第二分析工具适用于根据对所述未知状况的确定来检测异常状况。

47、根据权利要求46所述的***，其中所述第二分析工具适用于根据所述多元统计描述中的所述监控统计数据的观测结果与所述多元统计描述中的所述参考统计数据的观测结果的比较，来识别所述异常状况，其中所述已知状况包括已知异常状况。

48、根据权利要求46所述的***，其中所述第二分析工具适用于根据异常状况的所述检测来产生警报。

49、根据权利要求46所述的***，其中异常状况的所述检测包括该异常状况的预测发生。

50、根据权利要求46所述的***，其中异常状况的所述检测包括该异常状况的真实发生。

51、根据权利要求37所述的***，其中所述监控统计数据包括由以下各项组成的组中的一项：均值、均值变化、中值、中值变化、标准差、标准差变化、方差、偏斜度、峰度、均方根RMS、变化率、范围、最小值和最大值。

52、根据权利要求37所述的***，其中所述参考统计数据包括由以下各项组成的组中的一项：均值、均值变化、中值、中值变化、标准差、标准差变化、方差、偏斜度、峰度、均方根RMS、变化率、范围、最小值和最大值。

Images