CN101523316A - 用于检测加工厂中的故障的方法和*** - Google Patents
用于检测加工厂中的故障的方法和*** Download PDFInfo
- Publication number
- CN101523316A CN101523316A CNA2007800376501A CN200780037650A CN101523316A CN 101523316 A CN101523316 A CN 101523316A CN A2007800376501 A CNA2007800376501 A CN A2007800376501A CN 200780037650 A CN200780037650 A CN 200780037650A CN 101523316 A CN101523316 A CN 101523316A
- Authority
- CN
- China
- Prior art keywords
- matrix
- process variable
- coefficients
- fault
- variable data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 298
- 230000008569 process Effects 0.000 title claims abstract description 227
- 239000011159 matrix material Substances 0.000 claims abstract description 151
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 100
- 239000013598 vector Substances 0.000 claims description 82
- 238000001514 detection method Methods 0.000 claims description 34
- 238000005516 engineering process Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 30
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013479 data entry Methods 0.000 claims 1
- 238000004886 process control Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 26
- 230000002265 prevention Effects 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000003070 Statistical process control Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011112 process operation Methods 0.000 description 4
- 230000003319 supportive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 101150018840 SPM1 gene Proteins 0.000 description 2
- 101100335888 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GAL83 gene Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012369 In process control Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004231 fluid catalytic cracking Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011309 routine diagnosis Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31357—Observer based fault detection, use model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32224—Identify parameters with highest probability of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
在使得容易检测加工厂中的异常操作的方法和***中,可以分析多个过程变量的值以确定是否存在与所述加工厂相关联的多个故障中的任何故障。如果检测到一个或更多故障,则可以生成一个或更多指示。分析所述多个过程变量的值可以包括使用系数矩阵。可以基于与已知的故障的发生相对应的过程变量数据生成所述系数矩阵。
Description
技术领域
本公开内容总地涉及过程控制***,更具体地说,涉及用于监控加工厂中的***的技术。
背景技术
过程控制***,例如像化学、石油或其他过程中所使用的分布式或可扩展的过程控制***,通常包括一个或更多通过模拟总线、数字总线或模拟/数字相结合的总线以可通信方式彼此连接、连接至至少一个主机或操作员工作站以及连接至一个或更多现场设备的过程控制器。现场设备可以是例如阀、阀***、开关和变送器(例如温度传感器、压力传感器和流速传感器),并在过程中执行诸如开启或关闭阀以及测量过程参数之类的功能。过程控制器接收指示现场设备所做的过程测量的信号,和/或关于现场设备的其它信息,利用这种信息执行控制例行程序,而后生成通过总线发送到现场设备以控制过程操作的控制信号。来自现场设备和控制器的信息通常可以用于一个或更多由操作员工作站执行的应用程序以使得操作员能够执行任何所需的关于该过程的功能,例如,查看该过程的当前状态、修改该过程的操作等等。
在过去,常规现场设备用于通过模拟总线或模拟线路向过程控制器发送和从过程控制器接收模拟(例如,4-20毫安)信号。这些4-20毫安信号实际上所受的限制在于:它们指示由该设备所做的测量或者指示由需要用来控制该设备的操作的控制器生成的控制信号。然而,在过去的大约十年中,包括微处理器和存储器的智能现场设备在过程控制工业中已经变得普遍。除了在过程内执行主要功能,智能现场设备还存储关于该设备的数据,以数字或数字和模拟相结合的形式与控制器和/或其它设备进行通信,并且执行诸如自校准、识别、诊断之类的次要任务。许多标准和开放智能设备通信协议,例如 以及CAN协议已经发展成为使得由不同制造商制造的智能现场设备能够在相同的过程控制网络内一起使用。而且,由现场总线基金会(Fieldbus Foundation)发布的所有数字两线总线协议,称为FOUNDATIONTMFieldbus(在下文中,“Fieldbus”)协议,利用位于不同现场设备中的功能块,执行先前在集中控制器中执行的控制操作。在这种情况下,Fieldbus现场设备能够存储和执行一个或更多功能块,每个功能块从(或者在同一设备内或者在不同设备内的)其它功能块接收输入和/或向其它功能块提供输出,并且执行某种过程控制操作,例如测量或检测过程参数、控制设备或执行控制操作,就像实现比例-积分-微分(PID)控制例行程序一样。过程控制***内的不同功能块被配置为(例如通过总线)彼此通信以形成一个或更多过程控制回路,过程控制回路的单个的操作被分布在整个过程中,从而被分散化。
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他硬件设备,例如操作员工作站、维护工作站、个人计算机、手持设备、数据历史库、报告生成器以及集中数据库等等,以使得操作员或者维护人员能够执行所需的关于该过程的功能,例如,改变过程控制例行程序的设置,修改过程控制器或者智能现场设备内的控制模块的操作,查看该过程的当前状态或者加工厂内特定设备的当前状态,查看现场设备和过程控制器生成的警报,为了培训人员或者测试过程控制软件而对过程操作进行仿真,以及诊断加工厂内的问题或者硬件故障等等。
虽然典型的加工厂具有众多连接到一个或更多过程控制器的过程控制和仪表设备,例如阀、变送器、传感器等等,但是也存在过程操作还必需的或者相关的许多其他支持设备。举例来说,这些附加设备包括位于典型工厂内的众多地方的供电装置、发电和配电装置、诸如汽轮机和马达之类的旋转装置。虽然这些附加装置并不一定产生或者使用过程变量,并且在多数情况下,也不会为了影响过程操作而受过程控制器控制或者甚至与其连接,但是这些装置对于正确的过程操作而言是重要的,并且归根结底是必需的。
众所周知,加工厂环境内时常出现问题,特别是对于拥有大量现场设备和支持装置的加工厂而言。这些问题的形式可以是设备受损或者故障、诸如软件例行程序这样的逻辑元件处于不当模式、过程控制回路被不正确的调整以及加工厂的设备之间的一个或者多个通信故障等等。这些和其它问题,实际上是许多问题,通常导致过程操作进入异常状态(即,加工厂处于异常状况),这些异常状态通常与加工厂的非最佳性能有关。已经有许多诊断工具和应用程序被开发出来,用于在一旦出现并且检测到问题时,检测和确定加工厂中问题的原因,并且帮助操作员或者维护人员对这些问题进行诊断和校正。例如,典型地通过诸如直接或者无线总线、以太网、调制解调器、电话线之类的通信连接与过程控制器相连的操作员工作站,具有适于运行软件或者固件的处理器和内存,例如由爱默生过程管理(Emerson ProcessManagement)出售的包括大量控制模块和控制回路诊断工具的DeltaVTM和Ovation控制***。同样,通过与控制器应用程序相同的通信连接,或者通过诸如OPC连接、手持连接之类的不同的通信连接,可以与诸如现场设备之类的过程控制设备相连的维护工作站,通常包括一个或更多应用程序,这些应用程序被设计为查看由加工厂内的现场设备生成的维护警报和告警,测试加工厂内的设备以及对加工厂内的现场设备和其他设备进行维护活动。类似的诊断应用程序已经被开发出来以用于对加工厂中支持装置的问题进行诊断。
这样,举例来说,由爱默生过程管理出售的AMSTM组:智能设备管理器应用程序(其中的至少一部分由专利号为5,960,214、标题为“用于现场设备管理***的集成通信网络(Integrated Communication Network for use in aField Device Management System)”的美国专利所公开),使得能够与现场设备通信并且保存与现场设备相关的数据从而确定和跟踪现场设备的操作状态。在一些情况下,AMSTM应用程序可以用来与现场设备通信,以改变现场设备内的参数,以使得现场设备自行运行诸如自校准例行程序或者自诊断例行程序之类的应用程序,以获取有关现场设备的状态或健康的信息,等等。举例来说,这种信息可以包括状态信息(例如,是否发生了警报或者其他类似事件)、设备配置信息(例如,现场设备当前所采用的或者可以被配置成的方式以及现场设备所用的测量单元的类型)、设备参数(例如,现场设备范围值和其他参数),等等。当然,这种信息可以由维护人员用于监控、维护、和/或诊断现场设备的问题。
类似地,许多加工厂包括装置监控和诊断应用程序,例如由CSI***提供的RBMware,或者其他任何已知的用于监控、诊断以及优化各种旋转装置运行状态的应用程序。维护人员通常利用这些应用程序来维护和检查工厂中的旋转装置的性能,来确定旋转装置的问题,以及来确定旋转装置是否和在什么时候需要修理或更换。类似地,许多加工厂包括电力控制和诊断应用程序,例如由Liebert和ASCO公司提供的那些应用程序,来控制和维护发电和配电装置。已知的还有在加工厂内运行控制优化应用程序,例如实时优化器(RTO+)来优化加工厂中的控制活动。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,来预测可以怎样改变输入以优化加工厂的关于所需的某种诸如效益之类的优化变量的操作。
这些和其它诊断和优化应用程序通常在全***基础上在一个或者更多操作员或者维护工作站上实现,并且可以向操作员或者维护人员提供关于加工厂或者加工厂内的设备和装置状态的、预先配置的显示。典型的显示包括:警报显示,接收由加工厂内的过程控制器或者其他设备生成的警报;控制显示,指示加工厂内的过程控制器和其他设备的操作状态;维护显示,指示加工厂内设备的操作状态,等等。同样,这些和其它诊断应用程序可以使得操作员或者维护人员能够重新调整控制回路或者重置其他控制参数,从而在一台或者更多台现场设备上运行测试以确定这些现场设备的当前状态,校准现场设备或者其他装置,或者在加工厂的设备和装置上进行其他的问题检测和校正活动。
虽然这些各种各样的应用程序和工具非常有助于识别和校正加工厂内的问题,但是这些诊断应用程序通常被配置为仅仅在加工厂中已经发生问题后,也就是在工厂中已经存在异常状况后使用。不幸的是,在使用这些工具检测、识别和校正异常状况之前,异常状况可能已经存在了一段时间,这导致在问题被检测、识别和校正的时间段内加工厂处于非最优性能。在许多情况下,基于警报、告警或者加工厂的不良表现,控制操作员会首先检测到问题的存在。然后操作员会将潜在的问题告知维护人员。维护人员可能会检测到实际问题,也可能检测不到,并且在实际运行测试或者其他诊断程序之前可能需要更多的提示;或者需要进行其他活动以识别实际问题。一旦问题被识别,维护人员可能会需要定购零件并且安排维护程序,所有这些都可以导致在问题发生和问题得到校正之间需要相当长的时间周期,而在这段时间中,加工厂运行在通常与工厂的非最优操作相关联的异常状况中。
另外,许多加工厂可能都经历过在相对短的时间内就对加工厂造成相当大的开销或者破坏的异常状况。例如,一些异常状况可能导致对装置的相当大的破坏,对原料的浪费,或者加工厂内的长时间意外停工,即使这些异常状况仅仅存在了很短时间。这样,仅仅在工厂的问题发生之后才检测问题,无论问题被校正得多快,都仍然可能导致加工厂里的相当大的浪费或者破坏。结果是,首先需要的是尽力预防异常状况出现,而不是仅仅在异常状况出现后才尝试对加工厂里的问题进行反应和校正。
一种可以用于收集数据从而让用户可以在加工厂内的某些异常状况实际出现之前就预测到这些异常状况发生的技术,是出于采取措施来在加工厂里的任何重大损失发生之前阻止所预测到的异常状况的目的。该程序由序列号为No.09/072,078,标题为“根本原因诊断(Root Cause Diagnostics)”的美国专利申请(部分基于序列号为No.08/623,569的美国专利申请,现No.6,017,143的美国专利)所公开。这些申请所公开的全文通过引用并入本文中。一般而言,这些技术在加工厂里的一些诸如现场设备之类的设备中的每一个中,设置统计数据收集和处理块或者统计处理监控(SPM)块。举例来说,统计数据收集和处理块收集过程变量数据,并且确定与所收集的数据相关的某些统计测量值,例如平均值、中值、标准差,等等。这些统计测量值然后可以被发送给用户,并且被分析以识别暗示在未来会发生已知的异常状况的模式。一旦检测到特定的可疑未来异常状况,就可以采取措施来校正潜在的问题,从而首先避免异常状况。
已经开发出其他的技术来监控和检测加工厂中的问题。其中一种这样的技术被称为统计过程控制(SPC)。SPC已经用来监控与过程相关的诸如质量变量之类的变量,并且在检测到质量变量已经偏离其统计标准的时候用标志通知操作员。利用SPC,一个诸如关键质量变量之类的变量的小样本被用作生成该小样本的统计数据。然后该小样本的统计数据与对应于该变量的一个大的多的样本的统计数据相比较。变量可以由实验室或者分析器生成,或者从数据历史库中检索到。当小样本的平均偏差或者标准偏差分别偏离大样本的平均偏差或者标准偏差达到某个预定值时,生成SPC警报。SPC的意图在于避免基于小样本的正常统计偏差进行过程调整。小样本的平均偏差或标准偏差的图表可以在与操作控制台分离的控制台上向操作员显示。
另一对多个变量进行分析的技术是被称为多变量统计过程控制(MSPC)的技术。这种技术使用主成份分析(PCA)和潜在结构投影法(PLS)这样的算法,这些算法分析历史数据以产生过程的统计模型。特别地,分析对应于正常操作的变量的样本和对应于异常操作的变量的样本,以创建模型来确定何时应该生成警报。一旦模型被定义,与当前过程对应的变量可以提供给该模型,如果变量指示存在异常操作,则该模型可以生成警报。
利用基于模型的性能监控***技术,诸如基于相关性的模型或者第一规则模型之类的将过程输入关联到过程输出的模型被使用。可以通过调节内部调整常数或者偏项来将模型校准到实际的工厂操作。该模型可以用来预测过程什么时候进入到异常区域,并且警告操作员采取行动。可以在实际行为与预测行为相比存在很大的偏差或者在计算出的效率参数发生大的变化的时候生成警报。基于模型的性能监控***通常覆盖小到单个单元操作(例如泵浦、压缩机、加热机或者塔等等)或者是构成过程单元的组合操作(例如粗加工单元、流化床催化裂化单元(FCCU)或者重整器等)。
发明内容
本发明公开了可以使得容易检测加工厂中的异常操作的示例方法和***。一般而言,可以分析多个过程变量的值以确定是否存在与该加工厂相关的多个故障中的任何故障。如果检测到一个或更多故障,则可以生成一个或更多指示。分析所述多个过程变量的值可以包括使用系数矩阵。可以基于与故障的发生相对应的过程变量数据生成该系数矩阵。例如,可以由仿真***或由可仿真或模拟故障的发生的模型利用过程变量数据生成该系数矩阵。当然,也可以用实际过程变量数据而不是由仿真***或由模型生成的数据来生成该系数矩阵。
在一个实施例中,一种用于使得容易检测加工厂中的过程的异常操作的方法包括接收过程变量数据。可以使用过程变量数据和系数矩阵生成故障观测向量。该故障观测向量可以用于确定是否存在该过程的异常操作。
在另一个实施例中,一种用于使得容易检测加工厂中的过程的异常操作的***可以包括接收系数矩阵和过程变量数据的故障观测向量生成器。该***还可以包括被连接到该故障观测向量生成器的异常操作检测***。该异常操作检测***可以基于由故障观测向量生成器生成的故障观测向量检测该加工厂的异常操作。
在另一方面,一种用于配置加工厂的异常操作检测***的方法包括接收与过程***的故障的发生相对应的过程变量数据。可以基于第一过程变量数据生成过程变量数据矩阵。同样,可以生成与该过程变量数据矩阵相对应的故障矩阵。另外,可以利用该过程变量数据矩阵和该故障矩阵生成系数矩阵。然后可以由异常操作检测***利用该系数矩阵来基于由该异常操作检测***接收到的过程变量数据生成故障的指示。
在另一实施例中,一种用于使得容易检测加工厂中过程的异常操作的***包括至少一个计算机可读介质和至少一个被连接到所述至少一个计算机可读介质的处理器。该处理器可以根据存储在所述至少一个计算机可读介质上的可执行指令被配置以利用过程变量数据矩阵和故障矩阵生成系数矩阵。可以由异常操作检测***利用该系数矩阵以基于由该异常操作检测***接收到的过程变量数据生成故障的指示。
附图说明
图1为示例加工厂的框图,其中该加加工厂具有包括一个或更多操作员和维护工作站、控制器、现场设备和支持装置的分布式控制和维护网络;
图2为图1的加工厂的一部分的框图,图示说明异常状况预防***的位于加工厂的不同元件内的各种组件之间的通信互连;
图3为可以确定加工厂中是否存在一个或更多故障的示例异常操作检测(AOD)***的框图;
图4为用于确定加工厂中是否存在一个或更多故障的示例方法的流程图;
图5为图3的系数矩阵生成器的操作的示例方法的流程图;
图6为图3的故障观测向量生成器和故障检测器的操作的示例方法的流程图;
图7为可以与诸如图3的AOD***之类的AOD***一起使用的示例过程控制***的框图;
图8为Fieldbus***中的诸如图3的AOD***之类的AOD***的示例实现的框图;
图9是描绘了连接在另一加工厂内以使得容易实现一个或更多AOD***的接口设备的示图;和
图10是描绘了连接在又一加工厂内以使得容易实现一个或更多AOD***的接口设备的示图。
具体实施方式
现在参考图1,可以实现异常状况预防***的示例加工厂10,包括通过一个或更多通信网络与支持装置互连在一起的若干控制和维护***。具体来说,图1的加工厂10包括一个或更多过程控制***12和14。过程控制***12可以是诸如PROVOX或者RS3***之类的传统过程控制***,或者可以是其他任何包括操作员接口12A的控制***,该操作员接口12A连接至控制器12B和输入/输出(I/O)卡12C,而I/O卡12C又连接至诸如模拟和高速可寻址远程传感器(HART)现场设备15之类的各种现场设备。可以是分布式过程控制***的过程控制***14,包括一个或更多通过诸如以太网总线之类的总线连接至一个或更多分布式控制器14B的操作员接口14A。控制器14B可以是例如德克萨斯州奥斯汀市的爱默生过程管理所出售的DeltaVTM控制器,或者可以是其他任何所需要类型的控制器。控制器14B通过I/O设备连接到一个或更多现场设备16,举例来说,这些现场设备可以是HART或者Fieldbus现场设备,或者可以是其他任何智能现场设备或非智能现场设备,包括例如那些采用PROFIBUS,WORLDFIP,Device-Net,AS-Interface和CAN协议中的任一个的现场设备。众所周知,现场设备16可以向与过程变量以及其他设备信息相关的控制器14B提供模拟或数字信息。操作员接口14A可以存储和运行过程控制操作员可用的工具17和19,用以控制包括例如控制优化器、诊断专家、神经网络、调整器等等的过程的操作。
更进一步,诸如执行AMSTM组:智能设备管理器应用程序或者其他任何设备监控和通信应用程序的计算机的维护***,可连接到过程控制***12和14或连接到其中的独立设备来执行维护和监控活动。例如,维护计算机18可通过任意所需的通信线路或者网络(包括无线或者手持设备网络)连接到控制器12B和/或设备15,来与设备15通信,并且在某些情况下重新配置或者执行设备15上的其他维护活动。类似地,诸如AMS应用程序之类的维护应用程序可以安装在与分布式过程控制***14相关的一个或更多用户接口14A上并在之上运行,来执行维护和监控功能,包括与设备16的操作状态相关的数据收集。
加工厂10还包括各种旋转装置20,例如汽轮机、马达等等,这些旋转装置通过一些永久性或者暂时性通信链路(例如总线、无线通信***,或者连接到装置20以进行读取然后被移除的手持设备)连接到维护计算机22。维护计算机22可以存储和执行已知的、由例如CSI(爱默生过程管理公司)提供的监控和诊断应用程序23,或者其他任何用于诊断、监控和优化旋转装置20的操作状态的已知应用程序。维护人员通常使用应用程序23来维护和查看工厂10中的旋转装置20的性能,以确定旋转装置20的问题,并确定是否以及何时必须修理或者更换旋转装置20。在一些情况下,外部顾问或者服务组织可以临时获取或者测量关于装置20的数据,并且利用这些数据来对装置20进行分析以检测问题、不良性能或者其他影响装置20的问题。在这些情况下,运行这种分析的计算机可能未通过任何通信线路连接到***10的其他部分,或者可能只是临时连接。
类似地,具有与工厂10相关的发电和配电装置25的发电和配电***24,通过例如总线连接到另一计算机26,计算机26运行和查看工厂10内的发电和配电装置25的操作。计算机26可以运行已知的电力控制和诊断应用程序27,例如诸如由Liebert和ASCO或者其他公司提供的那些应用程序之类的应用程序来控制和维护发电和配电装置25。再者,在许多情况下,外部顾问或者服务组织可以使用服务应用程序,该服务应用程序临时获取或者测量关于装置25的数据,并且利用这些数据来对装置25进行分析以检测问题、不良性能或者其他影响装置25的问题。在这些情况下,运行这种分析的计算机(例如计算机26)可能未通过任何通信线路连接到***10的其他部分,或者可能只是临时连接。
如图1所示,计算机***30实现了异常状况预防***35的至少一部分,具体地说,计算机***30存储和实现配置应用程序38以及可选地,存储和实现异常操作检测***42,这将在下面更加详细地描述。另外,计算机***30可以实现告警/警报应用程序43。此外,计算机***30可以实现用于仿真加工厂10中的一个或更多***的仿真***44。
一般来说,异常状况预防***35可以与可选地位于现场设备15和16、控制器12B和14B、旋转装置20或者其支持计算机22、发电装置25或者其支持计算机26以及加工厂10内所需的其它任何设备和装置中的异常操作检测***(未在图1中示出),和/或计算机***30中的异常操作检测***42进行通信,来配置这些异常操作检测***中的每一个并且接收关于它们正在监控的设备或子***的操作的信息。异常状况预防***35可以通过硬布线总线45与工厂10内的至少一些计算机或者设备中的每一个以可通信方式相连,或者可替换地,可以通过其他任何所需的通信连接,例如包括无线连接、使用OPC的专用连接、诸如依靠手持设备来收集数据的连接之类的断续连接等等,被连接。同样,异常状况预防***35可以通过LAN或者诸如因特网、电话连接等等之类的公共连接(在图1中示为因特网连接46)来获得关于加工厂10中的现场设备和装置的数据,而这种数据由例如第三方服务提供商收集。此外,异常状况预防***35可以通过包括例如以太网、Modbus、HTML、XML、私有技术/协议等等在内的各种技术和/或协议以可通信方式连接至工厂10内的计算机/设备。因此,虽然这里描述了使用OPC以可通信方式将异常状况预防***35连接至工厂10中的计算机/设备的特定示例,但是本领域普通技术人员将认识到的是,也能够使用其它各种将异常状况预防***35连接至工厂10中的计算机/设备的方法。
图2示出图1的示例加工厂10的一部分50,以描述由异常状况预防***35和/或告警/警报应用程序43可以与示例加工厂10的部分50中的各种设备进行通信所采用的一种方式。虽然图2示出了异常状况预防***35与位于HART和Fieldbus现场设备中的一个或更多异常操作检测***之间的通信,但是应该理解的是,类似的通信可以出现在异常状况预防***35和加工厂10内的包括图1所示的任何设备和装置在内的其它设备和装置之间。
图2中示出的加工厂10的一部分50,包括具有一个或更多过程控制器60的分布式过程控制***54,过程控制器60通过输入/输出(I/O)卡或者设备68和70连接到一个或更多现场设备64和66,所述I/O卡或者设备68和70可以是符合任意所需通信或控制器协议的任意所需类型的I/O设备。现场设备64被图示为HART现场设备,而现场设备66被图示为Fieldbus现场设备,尽管这些现场设备可采用其他任何所需的通信协议。另外,现场设备64和66中的每一个可以是任意类型的设备,例如传感器、阀、变送器、***等等,并且可以符合任何需要的开放的、私有的或者其他通信和编程协议,可以理解的是,I/O设备68和70必须与现场设备64和66所使用的所需的协议相兼容。
在任何情况中,一个或更多可以由诸如配置工程师、过程控制操作员、维护人员、工厂管理者、监督者之类的工厂人员访问的用户接口或计算机72和74(可以是任何类型的个人计算机、工作站等等)通过通信线路或总线76连接到过程控制器60,通信线路或总线76可以通过采用任何所需的硬布线或者无线通信结构并采用任何所需的或者合适的诸如以太网协议之类的通信协议来加以实现。另外,数据库78可以连接到通信总线76,以作为数据历史库进行工作来收集和存储配置信息以及在线过程变量数据、参数数据、状态数据以及其他与加工厂10内的过程控制器60和现场设备64和66相关的数据。因此,数据库78可以作为配置数据库进行工作来存储当前配置,包括过程配置模块以及过程控制***54的下载并存储到过程控制器60和现场设备64和66内的控制配置信息。同样,数据库78可以存储历史异常状况预防数据,包括由加工厂10内的现场设备64和66收集的统计数据,由现场设备64和66收集的过程变量所确定的统计数据,以及下面将要描述的其它类型的数据。
虽然过程控制器60、I/O设备68和70以及现场设备64和66通常向下安装并分布在有时恶劣的整个工厂环境中,但是工作站70和74以及数据库78通常安装在控制室、维护室或者其他可以***作员、维护人员等容易访问的不太恶劣的环境中。
一般来说,过程控制器60存储并执行一个或多个控制器应用程序,所述控制器应用程序采用若干不同的、独立执行的控制模块或块实现控制策略。每个控制模块可以由通常称为功能块的块组成,其中每个功能块是整个控制例行程序的一部分或者子例行程序,并且与其他功能块(通过被称为链路的通信)协力工作来实现加工厂10内的过程控制回路。众所周知,可以作为面向对象编程协议中的对象的功能块,通常进行下述功能中的一种,以执行加工厂10内的某种物理功能:输入功能,例如那些与变送器、传感器或者其他过程参数测量设备相关的功能;控制功能,例如那些与执行PID控制、模糊逻辑等控制的控制例行程序相关的功能;或者输出功能,其控制诸如阀之类的某种设备的操作。当然,也存在混合的和其他类型的复杂功能块,例如模型预测控制器(MPC)、优化器等等。可以理解的是,虽然Fieldbus协议和DeltaVTM***协议采用在面向对象编程协议中所设计和实现的控制模块和功能块,但是控制模块可以采用任何所需的控制编程方案来实现,例如顺序功能块、梯形逻辑等等,并且不限于采用功能块或者其他任何特定的编程技术来设计。
如图2所示,维护工作站74包括处理器74A、存储器74B和显示设备74C。存储器74B存储参照图1讨论过的异常状况预防应用程序35以及告警/警报应用程序43,其存储方式为这些应用程序能够在处理器74A上实现以通过显示器74C(或者其他任何显示设备,例如打印机)向用户提供信息。
存储器74B还可以存储参照图1讨论过的仿真应用程序44,其存储方式为仿真应用程序44能够在处理74A上实现。
现场设备64和66中的一个或更多中的每一个可以包括存储器(未示出),用以存储诸如用于实现关于一个或更多由传感设备检测到的过程变量的统计数据收集的例行程序和/或用于异常操作检测的例行程序,这将在下面进行描述。现场设备64和66中的一个或更多中的每一个还可以包括处理器(未示出),该处理器执行诸如用于实现统计数据收集的例行程序和/或用于异常操作检测的例行程序之类的例行程序。统计数据收集和/或异常操作检测不需要由软件来实现。而是,本领域普通技术人员将认识到的是,这样的***可以由一个或更多现场设备和/或其它设备内的软件、固件和/或硬件的任何结合来实现。
如图2所示,现场设备64或66中的一些(以及潜在的是所有)包括异常操作检测块80和82,将在下面对其进行更详细的描述。尽管图2中的块80和82被图示为位于设备64中的一个和位于设备66中的一个,但是这些或者类似的块可以位于任意数目的现场设备64和66中,或者可以位于其他设备中,例如控制器60、I/O设备68、70或者图1中所示的任何设备中。另外,块80和82可以在设备64和66的任何子集中。
一般来说,块80和82或者这些块的子元件,收集来自它们所处设备的数据和/或来自其它设备的数据,例如过程变量数据。另外,块80和82或这些块的子元件可以基于任何数量的理由对变量数据进行处理并对这种数据进行分析。例如,图示为与阀相关的块80,可以包括阻塞阀检测例行程序,其分析阀过程变量数据以判断阀是否处于阻塞状态。另外,块80可以包括一组一个或更多统计过程监控(SPM)块或者单元,例如,块SPM1到SPM4,其可以收集阀内的过程变量或者其他数据,并且对所收集数据进行一种或更多种统计计算来确定所收集数据的例如均值、中值以及标准差、均方根(RMS)、变化率、范围、最小值、最大值等等和/或来检测所收集数据中的诸如漂移、偏差、噪声、尖峰等等之类的事件。所生成的具体统计数据以及生成其所用的方法都不是重要的。因此,除了或者替代上述具体类型,能够生成不同类型的统计数据。另外,各种技术,包括已知技术,能够用于生成这种数据。术语统计过程监控(SPM)块在此处用于描述对至少一个过程变量或者其他过程参数进行统计过程监控的功能,并且可以由要收集数据的设备中或者甚至设备外的任何所需的软件、固件或者硬件来实现。可以理解的是,由于SPM通常位于要收集设备数据的设备中,所以SPM可以获得数量上更多和质量上更精确的过程变量数据。结果是,相对于位于要收集过程变量数据的设备之外的块,SPM块通常能够确定关于所收集的过程变量数据的更好的统计计算。
可以理解的是,虽然图2中块82和82示出为包括SPM块,但是SPM块也可以代之以是与块80和82分离的独立块,并且可以与相应的块80和82位于相同的设备中或可以位于不同的设备中。在此讨论的SPM块可以包括已知的基础(Foundation)Fieldbus SPM块或者与已知的FoundationFieldbus SPM块相比具有不同能力或附加能力的SPM块。术语统计过程监控(SPM)块在此处用作表示任意类型的块或元件,这些块或组件收集诸如过程变量数据之类的数据,并且对这种数据进行一些统计处理以确定统计量,例如均值、标准差等。结果是,这个术语倾向于覆盖执行这种功能的软件、固件、硬件和/或其他元件,不管这些元件是采取功能块形式还是采取其他类型的模块、程序、例行程序或者元件的形式,也不管这些元件是否符合Foundation Fieldbus协议或者其它某种协议,例如Profibus、HART、CAN等协议。如果需要,块50的下层操作可以按照作为参考合并于此的美国专利No.6,017,143的至少部分描述来执行或者实现。
可以理解的是,虽然图2中块82和82被示为包括SPM块,但是SPM块并不需要块80和82。例如,块80和82的异常操作检测例行程序能够利用没有被SPM块处理过的过程变量数据进行工作。作为另一示例,块80和82能够各自接收位于其它设备中的一个或更多SPM块提供的数据,并根据这种数据进行工作。作为又一示例,过程变量数据能够以一种并非由许多典型SPM块提供的方式进行处理。只是作为一个示例,过程变量数据能够由诸如带通滤波器之类的有限脉冲响应(FIR)滤波器或无限脉冲响应(IIR)滤波器或其它某种类型的滤波器进行滤波。作为另一示例,过程变量数据能够被修整以便它保持在特定的范围内。当然,已知的SPM块能够被修改以提供这样的不同处理功能或附加处理功能。
图2中示为与变送器相关联的块82,可以具有堵塞线路检测单元,该单元分析由变送器收集的过程变量数据来确定工厂内的线路是否堵塞。另外,块82可以包括一个或更多SPM块或单元,例如块SPM1到SPM4,它们可以收集变送器内的过程变量或者其他数据,并且对所收集数据进行一种或更多种统计计算来确定所收集数据的例如均值、中值或者标准差等等。尽管块82和82示为各具有四个SPM块,但是块80和82可以在其中具有其它任意数目的SPM块来收集和确定统计数据。
异常操作检测(AOD)***概述
图3为能够在图2的异常操作检测块80和82中使用的示例异常操作检测(AOD)***100的框图。AOD***100可以包括连接至故障观测向量生成器108的系数矩阵生成器104。系数矩阵生成器104接收与加工厂中的已知的或假定的故障的发生(例如异常事件、异常操作、异常状况等等)相对应的过程变量数据。另外,系数矩阵生成器104接收与接收到的过程变量数据相对应的故障的指示。一般而言,故障的指示提供有关接收到的过程变量数据中的哪一个与故障中的哪一个相对应的信息。接收到的过程变量数据还可以包括与已知的或假定的故障中所有的不存在相对应的数据。系数矩阵生成器104基于接收到的信息生成系数矩阵,并且,正如随后将更加详细描述的那样,系数矩阵可以应用于过程变量数据以帮助确定是否存在故障中的一个或更多。
正如随后将更加详细讨论的,由系数矩阵生成器104接收的过程变量数据可以包括由加工厂中的设备生成的数据。例如,与已知的或假定的故障相对应的数据能够从数据历史库检索到。类似地,与故障中所有的不存在相对应的数据能够从数据历史库检索到。另外或可替代地,可以由模型或仿真应用程序生成这种数据。例如,仿真应用程序可以仿真故障并生成与这些故障相对应的仿真过程变量数据。类似地,仿真器可以生成与故障中所有的不存在相对应的过程变量数据。
故障观测向量生成器108从系数矩阵生成器104接收系数矩阵,并且还接收过程变量数据。一般地,故障观测矩阵生成器108将系数矩阵应用到接收到的过程变量数据以生成故障观测向量。
AOD***100另外包括连接至故障观测向量生成器108的故障检测器112。故障检测器112从故障观测向量生成器108接收故障观测向量,并且分析故障观测向量以确定是否存在一个或更多故障。正如随后将更加详细描述的,故障检测器112可选地可以分析另外的信息以确定是否存在一个或更多故障。
图4为用于确定加工厂中是否存在一个或更多故障的示例方法150的框图。例如,方法150可以由例如图3的AOD***100实现,但是也可以由其它***实现。在块154,可以利用与加工厂中的已知的或假定的故障的发生相对应的过程变量数据以及可选地与已知或假定的故障中所有的不存在相对应的数据生成系数矩阵。随后将更加详细地描述系数矩阵的生成。
在块158,可以接收过程变量数据。然后,在块162,可以利用所接收的过程变量数据和系数矩阵生成故障观测向量。随后将更加详细地描述故障观测向量的生成。
接下来,在块166,可以分析故障观测向量以确定是否存在一个或更多故障。可选地,还可以分析其它信息以确定是否存在一个或更多故障。
生成系数矩阵
现在将描述用于生成系数矩阵的示例方法。现在参见图5,用于生成系数矩阵的示例方法200包括块204,在块204,可以接收与故障的存在和故障的不存在相对应的过程变量数据。例如,接收到的过程变量可以被表示为x1,x2,x3,...,xM,其中M为过程变量的个数。另外,这些过程变量可以随着的时间而变化。因此,x1的第i个观测结果可以被表示为xi,1。类似地,接收到的过程变量的组的第i个观测结果可以被表示为行向量块204可以包括接收与观测结果1,2,3...,N对应的过程变量数据。
在一个实现中,针对每个故障,接收到的观测结果中的一个或更多与不存在其它故障时该故障的发生相对应。另外,接收到的观测结果的一个或更多与故障的所有的不存在相对应。作为出于示例性目的的具体示例,如果存在四个故障,这些观测结果中的十个可以与所有故障的不存在相对应,这些观测结果中的十二个可以与仅第一故障的发生相对应,这些观测结果中的八个可以与仅第二故障的发生相对应,这些观测结果中的十五个可以与仅第三故障的发生相对应,并且这些观测结果中的十八个可以与仅第四故障的发生相对应。与故障中的每一个和故障的不存在相对应的观测结果的个数可以是不同的或者它们可以是相同的。
可替代地,这些观测结果中的至少一些可以与两个或更多故障的发生相对应。如果在两个或更多故障之间存在任何非线性相互作用,这会特别有用。类似地,可以没有与全部故障的不存在相对应的观测结果。但是,一般来说,本领域普通技术人员将认识到的是,在每个可能的故障和非故障条件下,为了保证系数矩阵的健壮性计算,应该有足够的观测结果以提供该过程的在统计上可靠的样本,如下面将要描述的那样。
在块208,利用在块204接收到的数据可以生成过程变量矩阵。例如,如果接收到与N个观测结果相对应的过程变量数据,可以产生与观测结果1,2,3,...,N相对应的N个行向量并且这些向量可以被组合成矩阵X。如果存在M个过程变量,那么矩阵X的大小将是N×M。生成矩阵可以包括:例如,在特定的存储位置存储过程变量数据,记录过程变量数据所存储的存储位置,等等。
在块212,可以接收与在块204接收到的过程变量数据相对应的故障的指示。然后在块216,可以生成与在块208生成的过程变量矩阵相对应的故障矩阵。可以存在P个可能的故障F1,F2,F3,...,FP。在一个实现中,行向量 可以与在块208生成的过程变量矩阵X的第i行相对应,其中如果故障Fi在观测结果i未起作用,则每个元素fi,j为0,而如果该故障在该观测结果起作用,则每个元素fi,j为1。因此,如果没有故障起作用,则我们会得到 而如果仅故障F2起作用,则我们会得到 全部N个观测结果的故障向量能够被一起设置在大小为N×P的故障矩阵F中,其中矩阵F的第i行与矩阵X的第i行相对应。换句话说,矩阵F的第i行指示如果有的话哪些故障与矩阵X的第i行中的过程变量数据相对应。
接下来,在块220,可以基于在块208生成的过程变量矩阵和在块216生成的故障矩阵生成系数矩阵。通常,可以计算系数矩阵A,以试图满足,至少大约满足方程:
F=XA (方程1)
可以使用许多用于解该方程求A的技术。某些技术可能涉及回归。例如,在也称为多元线性回归(MLR)的常最小二乘方(OLS)技术中,矩阵A可以被计算为:
A=(XTX)-1XTF (方程2)
其中A为大小为M×P的矩阵。
也可以使用其它许多回归技术。例如,可以使用诸如偏最小二乘方(PLS)、主成份分析(PCA)、主成份回归(PCR)、岭回归(RR)、变量子集选择(VSS)、支持向量机(SVM)之类的回归技术。例如,如果在变量之间存在高相关性,OLS技术可能遇到导致较差的健壮性结果的奇异矩阵。另一方面,在这样的情况下,PLS技术可以提供更好的结果。还可以使用非线性回归技术(例如,过程变量的高次幂、交叉项和非线性函数)。例如,神经网络可以用于非线性回归。回归还可以有动态/时间序列成份。在这样的情况下,单个过程变量x可以增大到同一x的一个或更多值,但是在不同的时间(例如xk,xk-1,xk-2等等)。
另外,可以利用非回归技术求解A。这样的技术可以包括:例如,神经网络以及随机搜索技术(例如随机搜索、模拟退火、遗传算法)等等。
在另一实现中,在块208,生成过程变量矩阵可以包括在矩阵中包含偏项。例如,矩阵X的行能够包括首项系数1。换句话说,第i行向量可以是在这种实现中,过程变量矩阵X的大小会是N×(M+1),并且系数矩阵A的大小会是(M+1)×P。
使用系数矩阵来检测故障
现在将描述利用系数矩阵检测故障的示例方法。现参见图6,用于检测故障的示例方法250包括块254,在块254,可以接收过程变量数据。例如,接收到的过程变量可以被表示为xi,1,xi,2,xi,3,...,xi,M,其中M为过程变量的个数,i指示过程变量的第i个观测结果。在块258,可以利用接收到的过程变量数据生成过程变量向量。例如可以生成行向量或者行向量
在块262,过程变量向量可以乘以系数矩阵A以生成故障观测向量。例如,故障观测向量可以根据下列方程生成:
在这个实现中,故障观测向量将具有1×P的大小,并且可以被表示为通常,故障观测向量的分量将不会仅仅为0或1,除非过程变量向量的分量与用于生成矩阵A的过程变量向量的分量正好相同。因此,故障观测向量的分量将为实数,通常在0和1之间,但是在某些情况下,可以小于0或大于1。一般来说,如果故障观测向量的分量相当接近于1,这可能指示有故障。另外,分量与不同的故障相对应。具体来说,与故障F1的可能的存在相对应,与故障F2的可能的存在相对应,等等。
在块266,可以分析故障观测向量以确定存在哪些如果有的故障。这可以包括,例如,确定分量中如果有的话哪些相当接近于1。例如,如果第j个分量接近于1,则这可以指示存在故障Fj。可以利用各种技术来实现确定分量是否相当接近于1。例如,它可以包括将该分量与一小于1的阈值相比较。该阈值可以为缺省值,例如0.8或其它某个值,和/或它可以对过程操作员是可配置的,其中该过程操作员可以使用过程、实验等等的知识,例如,设置阈值的适当值。
作为另一个示例,确定分量是否相当接近于1可以包括分析分量在不同时间的几个值。例如,它可以包括将分量在时间i,i+1,i+2等等的值与阈值相比较。在这个示例中,如果一定个数的相邻值超过该阈值,或者如果一相当大组相邻值中的一定个数的值超过该阈值,则它可以确定该分量相当接近于1。另外或可替代地,可以使用其它各种技术中的任何一种。
因为故障观测向量的每个分量与不同的可能故障相对应,所以确定哪些分量相当接近于1还指示可能存在哪些故障。
可选地,可以使用其它信息确定是否存在任何故障。例如,还可以分析其它过程变量数据、SPM数据、告警、警报等等以确定是否存在任何故障。类似地,由故障检测器112(图3)生成的故障观测向量和/或故障指示可以用于检测是否发生过的异常状况正在发生、可能发生等等。例如,由故障检测器112(图3)生成的故障观测向量和/或故障指示可以提供给被配置为检测异常状况的专家机、神经网络***、模糊逻辑***等等。专家机、神经网络***、模糊逻辑***等等可以使用不同于故障观测向量和/或故障指示的信息来检测异常状况。例如,还可以使用其它过程变量数据、SPM数据、告警、警报等等。
现参见图3和图6,例如,故障观测向量生成器108可以实现块254、258和262。可选地,块254和258可在别处实现,并且故障观测向量生成器108可以只接收过程变量向量而后实现块262。例如,故障检测器112可以实现块266。
示例性实例
图7为可以使用上述示例***和方法的示例过程控制***300。图7的过程控制***300仅仅是用于帮助说明上述***和方法的简单示例。本领域普通技术人员可以理解的是,上述***和方法能够与其它许多过程控制***一起使用,包括更复杂的过程控制***。
***300包括控制管路304中的流量的流量控制回路。该***包括阀设备308、流量传感器312和控制器316。流量传感器312生成流速信号x1。阀设备308生成阀位置信号x3。控制器316接收流速信号x1和阀位置信号x3,并生成控制命令信号x2以控制阀的位置。阀308从控制器316接收控制命令信号x2,而后相应地调节阀的位置。在该示例过程控制***300中,存在四个可能发生的故障:F1,控制紧张(CWU);F2,控制松驰(CWD);F3,阀问题(VP);以及F4,测量值漂移(MD)。
例如,在无故障运行期间以及在四个故障中每一个发生时,能够通过观测***300获得***300的数据组。具体来说,可以在已知故障F1、F2、F3和F4发生期间以及当没有故障发生时,观测变量x1、x2和x3。表1是包括138个观测结果的示例数据组,这些观测结果包含没有故障发生时的观测结果以及四个故障条件中的每一个的观测结果。最右边的列指示在每个观测结果发生了哪个如果有的故障。
表1
观测值 | x1 | x2 | x3 | 故障 |
1 | 2.412 | 54.432 | 52.123 | |
2 | 2.408 | 54.336 | 52.035 | |
3 | 2.413 | 54.283 | 51.971 | |
... | ... | ... | ... | ... |
29 | 2.459 | 54.249 | 51.936 | |
30 | 2.457 | 54.159 | 51.838 | |
31 | 2.448 | 62.134 | 61.333 | MD |
32 | 2.451 | 62.143 | 61.432 | MD |
... | ... | ... | ... | ... |
48 | 2.449 | 62.004 | 61.503 | MD |
49 | 2.447 | 61.923 | 61.499 | MD |
50 | 2.437 | 61.862 | 53.321 | VP |
51 | 2.439 | 61.899 | 53.296 | VP |
52 | 2.437 | 61.956 | 53.348 | VP |
... | ... | ... | ... | ... |
78 | 2.464 | 61.895 | 53.259 | VP |
79 | 2.456 | 61.868 | 53.165 | VP |
80 | 2.456 | 61.948 | 53.089 | VP |
81 | 2.452 | 99.000 | 99.000 | CWU |
82 | 2.462 | 98.949 | 99.045 | CWU |
83 | 2.453 | 98.891 | 98.952 | CWU |
... | ... | ... | ... | ... |
107 | 2.467 | 98.678 | 98.894 | CWU |
108 | 2.469 | 98.631 | 98.942 | CWU |
109 | 2.472 | 1.000 | 2.000 | CWD |
110 | 2.473 | 1.058 | 2.009 | CWD |
111 | 2.477 | 1.105 | 2.100 | CWD |
... | ... | ... | ... | ... |
137 | 2.483 | 1.268 | 2.162 | CWD |
138 | 2.493 | 1.331 | 2.146 | CWD |
采用上述技术,利用表1中的数据能够生成X矩阵和F矩阵。
利用方程2,A矩阵可以被生成如下:
然后,在过程***300运行期间,方程3能够用于利用过程变量x1、x2和x3的值和矩阵A生成故障观测向量。例如,如果x1=2.5,x2=62以及x3=52,则这会得到故障观测向量:
例如,如果0.8的阈值用于确定故障观测向量的分量是否相当接近于1,则故障观测向量指示仅故障F3正在发生。
类似地,如果x1=2.5,x2=3以及x3=4,则这会得到故障观测向量:
例如,如果0.8的阈值用于确定故障观测向量的分量是否相当接近于1,则故障观测向量指示仅故障F2正在发生。作为另一示例,如果x1=2.4,x2=57以及x3=55,则这会得到故障观测向量:
例如,如果0.8的阈值用于确定故障观测向量的分量是否相当接近于1,则这可以指示没有故障正在发生。
过程变量
用于生成矩阵A和生成故障观测向量的过程变量可以具有各种类型。例如,过程变量可以为由加工厂中的诸如传感器、阀、控制器之类的设备生成的信号。另外,过程变量可以是由设备生成并且被进一步处理的信号。例如,SPM块可以接收由设备生成的信号,而后可以生成过程变量,该过程变量为诸如均值、标准差、均方根、偏斜信号、峭度信号、最小值、最大值、范围之类的统计信号。类似地,过程变量可以是由设备生成而后例如被低通滤器、带通滤波器、高通滤波器等等过滤的信号。同样,过程变量可以是进行了时间延迟的信号。另外,过程变量可以是由设备生成的信号的某种线性或非线性变换。可能的变换包括:多项式函数、三角函数、指数函数、对数函数、样条、傅立叶变换,等等。此外,过程变量可以是基于其它过程变量计算出的信号,例如由设备生成的信号。只是作为一个示例,与热交换器相关联的过程变量可包括基于多个测量信号计算出的总传热系数。当然,过程变量可以已经由上述某种结合处理过。只是作为一个示例,过程变量可为已经由高通滤波器过滤过的标准差信号。
在一个或更多加工厂设备中实现AOD***的示例
如先前所述,AOD***,例如这里所述的那些AOD***,可以在加工厂内的各种设备实现。图8为示出一种可能的方式的框图,以这种方式,可以在加工厂中实现AOD***。在图8中,Fieldbus***900包括同一个Fieldbus段912上的流量变送器904和温度变送器908。流量变送器904可以实现模拟输入功能块914和SPM块916。另外,流量变送器904可以实现异常操作检测功能块918。功能块918可以包括系数矩阵生成器,该系数矩阵生成器以与上述关于图3、图4和图5中的任何一个的方式类似的方式起作用。另外,功能块918可以包括故障观测向量生成器,该故障观测向量生成器以与上述关于图3、图4和图6中的任何一个的方式类似的方式起作用。同样,功能块918可以包括故障检测器,该故障检测器以与上述关于图3、图4和图6中的任何一个的方式类似的方式起作用。
在运行中,模拟输入功能块914可以提供过程变量信号给SPM块916。接下来,SPM块916可以基于该过程变量信号生成一个或更多统计信号,并且可以提供该统计信号给异常操作检测功能块918。类似地,模拟输入功能块922可以提供过程变量信号给SPM块924。接下来,SPM块924可以基于该过程变量信号生成一个或更多统计信号,并且可以通过Fieldbus段912提供该统计信号给异常操作检测功能块918。
在另一实现中,SPM块916和924可以并入异常操作检测功能块918内。在这种实现中,模拟输入功能块914可以提供它的过程变量信号给异常操作检测功能块918。类似地,模拟输入功能块922可以通过Fieldbus段912提供它的过程变量信号给异常操作检测功能块918。当然,如上所述,SPM块可能并不总是与异常操作检测功能块918一起使用,因此可以在一些实现中被省略。
众所周知,一些现场设备能够传感两个或更多过程变量。这种现场设备可以具有实现全部块914、916、918、922和924的能力。
在另一实现中,AOD***可以实现为多个功能块。在这种实现中,AOD***的部分可以在加工厂中的不同设备上实现。只是作为一个示例,系数矩阵生成器可以由工作站、第一现场设备、第一控制器等等来实现,而故障观测向量生成器和故障检测器可以由第二现场设备、第二控制器等等来实现。例如,工作站可以实现系数矩阵生成器并且一个或更多现场设备可以实现故障观测向量生成器和故障检测器。在这种示例中,可以通过一个或更多网络将由工作站生成的系数矩阵传送给加工厂中的一个或更多现场设备。
图9示出实现加工厂中的AOD***的另一方式。在图9的***940中,异常状况预防***35、配置应用程序38和/或告警/警报应用程序43中的一些或全部可以存储在设备中而非主机工作站或个人计算机中。图9的示例***940包括一组连接至接口设备950的现场设备945(图示为Fieldbus现场设备,但是它们也可为其它类型的设备),例如,其可以是Rosemount 3240设备。在这种情况下,接口设备950,其不是个人计算机,可以包括上述异常状况预防***35的一些或全部功能。具体来说,接口设备950可以包括服务器应用程序952以接收和组织从现场设备945(其可以是各种不同类型的现场设备)传来的数据。如果需要,这种服务器应用程序952可以包括OPC服务器。配置应用程序38(或它的一部分)还可以存储在接口设备950的存储器上并运行在它的处理器上,以允许如上所述对AOD块、SPM块、检测逻辑等等进行配置。类似地,仿真应用程序44(或它的一部分)还可以存储在接口设备950的存储器上并运行在它的处理器上,以如上所述生成用于生成系数矩阵的仿真过程变量。
另外,接口设备950可以在其中包括一个或更多SPM块954,以如上所述直接从一个或更多现场设备(例如不包括SPM块或功能的现场设备)收集过程变量数据并生成SPM参数。此外,接口设备950可以在其中包括一个或更多AOD块956,以如上所述从现场设备接收SPM参数和/或过程变量数据并生成偏差的指示。以这种方式下,在接口设备950中存储和执行的SPM块954和/或AOD块956能够弥补某些现场设备945内SPM块和/或AOD块的缺少,并且可以用于为本身不支持SPM块或SPM功能和/或AOD块或AOD功能的现场设备提供SPM数据。同样,因为接口设备950通常可以比现场设备具有更大的存储和更强的处理能力,因此在接口设备950中实现SPM块和/或AOD块可以允许执行更复杂的AOD分析。
接口设备950可以通过诸如2-线、3-线、4线之类连接的硬布线连接与其它诸如主机工作站958之类的设备进行通信,以向那些被用户用来进行查看的设备提供SPM数据或由其发展而成的诸如告警、数据曲线图之类的数据。另外,如图9中所示的,接口设备950可以通过一个或更多无线通信连接与网页浏览器960以及诸如电话、个人数据助理(PDA)、膝上电脑962之类的手持计算设备962相连接。在这个示例中,应用程序可以在其它诸如主机工作站958之类的设备中、在网页浏览器960中或者在手持计算设备962存储并执行,并且这些应用程序可以与接口设备950进行通信以给应用程序获得数据。如果需要,设备958、960以及962可以包括配置应用程序38以使用户能够配置在接口设备950中实现的AOD块和/或SPM块。类似地,设备958、960以及962可以包括仿真应用程序44以使得能够生成仿真过程变量数据来用于生成系数矩阵。同样,如图9中所示的,可以从主机958通过网页浏览器964间接访问来自接口设备950的数据并且通过需要的任何网页连接将其提供给其它用户。当然,接口设备950可以在其中包括网页服务器,并且可以利用需要的任何诸如OPC、Modbus、以太网、HTML和XML之类的协议与诸如设备958、960、962和964之类的其它任何设备进行通信。
图10示出另一加工厂***970,在加工厂***970中,接口设备950,其可以与图9中的接口设备类似或相同,被连接在一组现场设备974(形成热交换器978的部分)和过程控制器***980之间。这里,接口设备950,其可以包括图9的设备950的全部应用程序和功能,可以提供用于查看的数据给主机984,并且可以提供由AOD***或其它***生成的告警或警报给控制器***980。控制器***980可以将这些告警或警报与其它控制器类型告警和警报整合在一起,用于由例如在操作员工作站988的控制操作员进行查看。当然,如果需要,主机工作站984可以包括需要的任何查看应用程序,以查看由接口设备950以需要的任何方式收集和提供的数据,这些方式包括这里所讨论的那些中的任何一种。同样,这种数据可用于由其它用户通过网页浏览器990进行查看。因此,正如可以理解的,这里所讨论的与异常状况预防***35、SPM块(如果使用的话)以及AOD***相关联的各种应用程序可以分布在不同的设备中。例如,数据(例如SPM数据)可以在一个诸如现场设备974之类的设备中进行收集,并被发送给另一诸如在接口设备950中实现AOD***的设备。由AOD***生成的告警、警报或其它指示可以被发送给又一诸如工作站988之类的设备,以用于向用户呈现。同样,可以通过诸如主机、网页浏览器、PDA之类的用户接口设备输入配置信息,并可以将该配置信息发送给不同的诸如接口设备950之类的设备,以用于对AOD***进行配置。
作为另一示例,AOD***可以在工作站中实现。参见图9和图10,工作站958或工作站984可从接口设备950接收过程变量数据。工作站958或工作站984可实现AOD***,例如,该AOD***根据接收到的过程变量数据进行工作以生成故障的指示。故障指示数据可用于由其它用户通过网页浏览器964或网页浏览器990进行查看。
本领域普通技术人员将认识到的是,上述示例***和方法可以以不同的方式进行修改。例如,块可以被省略,重新排序或组合,另外的块可以被添加等等。这里描述的AOD***、故障检测器、逻辑块、***块、方法块等等可以利用硬件、固件和软件的任何结合来实现。因此,这里描述的***和技术可以在标准多用途处理器中或利用具体设计所需的硬件和固件来实现。当用软件来实现时,软件可以存储在任何计算机可读存储器中,例如在磁盘、激光磁盘或其它存储介质上,在计算机、处理器、I/O设备、现场设备、接口设备等等的RAM或ROM或闪存中。同样,软件可以通过已知或需要的任何传递方法传递给用户或过程控制***,包括例如在计算机可读磁盘或其它可传输计算机存储机构上或通过通信介质。通信介质通常将计算机可读指令、数据结构、程序模块或其它数据包含在调制数据信号中,例如载波或其它传输机构。术语“调制数据信号”意味着这样一种信号,它的一个或更多特性以这样一种方式被设置或改变以便对该信号中的信息进行编码。作为举例而非限制,通信介质包括有线介质,例如有线网络或直接有线网络,以及无线介质,例如声学、射频、红外线和其它无线介质。因此,可以通过诸如电话线、因特网之类的通信信道将软件传递给用户或过程控制***(这可以被看作是与通过可传输存储介质提供这种软件是相同或可互换的)。
因此,尽管已经参照具体示例对本发明进行了描述,这仅仅旨在示例而非限制本发明,对本领域普通技术人员显示易见的是,可以对所公开的实施例进行改变、添加或删除而不偏离本发明的精神和范围。
Claims (36)
1、一种用于使得容易检测加工厂中过程的异常操作的方法,包括:
接收与加工厂的多个过程变量相对应的第一数据;
利用所述第一数据和系数矩阵生成故障观测向量;以及
基于所述故障观测向量确定是否存在所述过程的异常操作。
2、根据权利要求1所述的方法,进一步包括利用接收到的第一数据产生过程变量向量;
其中利用所述第一数据和所述系数矩阵生成故障观测向量包括将所述过程变量向量与所述系数矩阵相乘。
3、根据权利要求2所述的方法,进一步包括利用接收到的第一数据产生过程变量矩阵,所述过程变量矩阵包含所述过程变量向量;
其中利用所述第一数据和所述系数矩阵生成故障观测向量包括将所述过程变量矩阵与所述系数矩阵相乘以生成包含所述故障观测向量的故障观测矩阵。
4、根据权利要求1所述的方法,其中确定是否存在所述过程的异常操作包括基于所述故障观测向量确定是否存在多个故障中的一个或更多故障。
5、根据权利要求4所述的方法,其中确定是否存在一个或更多故障包括将所述故障观测向量的分量与阈值相比较。
6、根据权利要求5所述的方法,进一步包括如果所述故障观测向量的与所述多个故障中的一个故障相对应的分量超过阈值,生成所述一个故障的指示。
7、根据权利要求1所述的方法,其中确定是否存在所述过程的异常操作包括提供所述故障观测向量的分量给专家***、神经网络***或模糊逻辑***中的至少一项。
8、根据权利要求1所述的方法,进一步包括:
接收与所述多个过程变量相对应的第二数据,所述第二数据与多个故障的发生相对应;
利用所述第二数据生成所述系数矩阵。
9、根据权利要求8所述的方法,进一步包括:
接收与所述多个过程变量相对应的第三数据,所述第三数据与所述多个故障中的任何故障的未发生相对应;
其中生成所述系数矩阵包括利用所述第三数据生成所述系数矩阵。
10、一种存储机器可读指令的有形介质,所述机器可读指令能够使一个或更多机器:
接收与加工厂的多个过程变量相对应的数据;
利用所述第一数据和系数矩阵生成故障观测向量;以及
基于所述故障观测向量确定是否存在所述过程的异常操作。
11、一种用于使得容易检测加工厂中过程的异常操作的***,包括:
故障观测向量生成器,被连接以接收系数矩阵和与所述加工厂相关联的过程变量数据;以及
异常操作检测***,被连接至所述故障观测向量生成器,以基于故障观测向量检测所述加工厂的异常操作。
12、根据权利要求11所述的***,其中所述异常操作检测***被配置为将所述故障观测向量的分量与阈值相比较并且基于所述比较生成故障的指示。
13、根据权利要求11所述的***,其中所述异常操作检测***包括专家***、神经网络***或模糊逻辑***中的至少一项。
14、根据权利要求11所述的***,进一步包括被连接至所述故障观测向量生成器的系数矩阵生成器,所述系数矩阵生成器被配置为基于与多个故障中的故障的发生相对应的过程变量数据生成所述系数矩阵。
15、根据权利要求14所述的***,其中所述系数矩阵生成器被配置为进一步基于与所述多个故障中的所述故障的任一个的未发生相对应的过程变量数据生成所述系数矩阵。
16、根据权利要求14所述的***,其中所述系数矩阵生成器在所述加工厂的第一设备中实现,其中所述故障观测向量生成器在所述加工厂的第二设备中实现,并且其中所述异常操作检测***至少在所述加工厂的第三设备中实现。
17、根据权利要求14所述的***,其中所述系数矩阵生成器和所述故障观测向量生成器在所述加工厂的第一设备中实现,并且其中所述异常操作检测***至少在所述加工厂的第二设备中实现。
18、根据权利要求14所述的***,其中所述系数矩阵生成器、所述故障观测向量生成器和所述异常操作检测***在所述加工厂的单个设备中实现。
19、一种用于配置加工厂的异常操作检测***的方法,包括:
接收与所述加工厂中过程***的多个故障中的故障的发生相对应的第一过程变量数据;
基于所述第一过程变量数据生成过程变量数据矩阵;
生成与所述过程变量数据矩阵相对应的故障矩阵;以及
利用所述过程变量数据矩阵和所述故障矩阵生成系数矩阵,所述系数矩阵被异常操作检测***使用以基于由所述异常操作检测***接收到的过程变量数据生成故障的指示。
20、根据权利要求19所述的方法,进一步包括接收与所述多个故障中的任何故障的未发生相对应的第二过程变量数据;
其中生成所述过程变量数据矩阵包括基于所述第二过程变量数据生成所述过程变量数据矩阵。
21、根据权利要求20所述的方法,其中所述第一过程变量数据包含与所述多个故障中的每个故障的单独发生相对应的过程变量数据。
22、根据权利要求19所述的方法,其中生成所述过程变量数据矩阵包括将偏项包含在所述过程变量数据矩阵中。
23、根据权利要求19所述的方法,其中生成所述系数矩阵包括根据回归技术生成所述系数矩阵。
24、根据权利要求23所述的方法,其中生成所述系数矩阵包括根据下列方程式生成所述系数矩阵:
A=(XTX)-1XTF;
其中A是所述系数矩阵,X是所述过程变量数据矩阵,并且F是所述故障矩阵。
25、根据权利要求23所述的方法,其中所述过程变量数据矩阵X的每一行与所述第一过程变量数据的不同组相对应;
其中所述故障矩阵F的每一列与所述多个故障中的不同故障相对应;
其中所述故障矩阵F的每一行与所述过程变量数据矩阵的不同行相对应;
其中生成所述故障矩阵包括:针对所述故障矩阵F的每一行,将非零值***该行中与所述过程变量数据矩阵X的相应行相关联的如果有的故障相对应的列,并且将零值***剩余的列中。
26、根据权利要求25所述的方法,其中所述非零值为1。
27、根据权利要求23所述的方法,其中生成所述过程变量数据矩阵包括在每一行中产生具有偏值的列。
28、根据权利要求27所述的方法,其中所述偏值为1。
29、根据权利要求23所述的方法,其中生成所述系数矩阵包括根据常最小二乘方(OLS)技术、多元线性回归(MLR)技术、偏最小二乘方(PLS)技术、主成份分析(PCA)技术、主成份回归(PCR)技术、岭回归(RR)技术、变量子集选择(VSS)技术或支持向量机(SVM)技术中的至少一项生成所述系数矩阵。
30、根据权利要求23所述的方法,其中生成所述系数矩阵包括根据非线性回归技术生成所述系数矩阵。
31、根据权利要求30所述的方法,其中所述非线性回归技术包括下列中的至少一项:利用所述过程变量的高次幂、利用所述过程变量的交叉项、利用所述过程变量的非线性函数或神经网络技术。
32、根据权利要求23所述的方法,其中生成所述系数矩阵包括:根据使用所述过程变量数据矩阵的元素的时延值的回归技术生成所述系数矩阵。
33、根据权利要求19所述的方法,进一步包括通过所述加工厂中的通信链路传送所述系数矩阵。
34、根据权利要求33所述的方法,其中传送所述系数矩阵包括通过总线传送所述系数矩阵给现场设备。
35、一种存储机器可读指令的有形介质,所述机器可读指令能够使一个或更多机器:
接收与所述加工厂中的过程***的多个故障中的故障的发生相对应的过程变量数据;
基于所述过程变量数据生成过程变量数据矩阵;
生成与所述过程变量数据矩阵相对应的故障矩阵;以及
利用所述过程变量数据矩阵和所述故障矩阵生成系数矩阵,所述系数矩阵被异常操作检测***使用以基于由所述异常操作检测***接收到的过程变量数据生成故障的指示。
36、一种用于使得容易检测加工厂中过程的异常操作的***,包括:
至少一计算机可读介质;
至少一处理器,被连接至所述至少一计算机可读介质,所述处理器根据存储在所述至少一计算机可读介质上的可执行指令被配置为:
接收与所述加工厂中过程***的多个故障中的故障的发生相对应的过程变量数据;
基于所述过程变量数据生成过程变量数据矩阵;
生成与所述过程变量数据矩阵相对应的故障矩阵;以及
利用所述过程变量数据矩阵和所述故障矩阵生成系数矩阵,所述系数矩阵被异常操作检测***使用以基于由所述异常操作检测***接收到的过程变量数据生成故障的指示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/548,590 | 2006-10-11 | ||
US11/548,590 US20080188972A1 (en) | 2006-10-11 | 2006-10-11 | Method and System for Detecting Faults in a Process Plant |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101523316A true CN101523316A (zh) | 2009-09-02 |
Family
ID=38897568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007800376501A Pending CN101523316A (zh) | 2006-10-11 | 2007-09-20 | 用于检测加工厂中的故障的方法和*** |
Country Status (6)
Country | Link |
---|---|
US (1) | US20080188972A1 (zh) |
EP (1) | EP2095195A2 (zh) |
JP (1) | JP2010506331A (zh) |
CN (1) | CN101523316A (zh) |
GB (1) | GB2455944A (zh) |
WO (1) | WO2008045190A2 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393698A (zh) * | 2011-09-29 | 2012-03-28 | 李海波 | 大型设备运行状态监测***及故障诊断的控制方法 |
CN102467089A (zh) * | 2010-11-10 | 2012-05-23 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 半导体工艺中的过程控制方法及*** |
CN107239857A (zh) * | 2017-05-31 | 2017-10-10 | 武汉大学 | 基于ls_svm和pca的架空输电线路风险评估方法 |
CN108351641A (zh) * | 2015-10-27 | 2018-07-31 | 德莱赛公司 | 预测阀组件的维修需求 |
CN113029624A (zh) * | 2021-03-04 | 2021-06-25 | 上海交通大学宁波人工智能研究院 | 一种水泥生料粉磨过程的故障检测方法 |
CN114223009A (zh) * | 2019-07-10 | 2022-03-22 | 弗斯伯股份公司 | 用于监测瓦楞纸板生产设备的方法 |
CN115576293A (zh) * | 2022-12-08 | 2023-01-06 | 台昌树脂(佛山)有限公司 | 基于数据监控的压敏胶在线生产分析方法及*** |
CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及*** |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006051102A1 (de) * | 2006-10-25 | 2008-04-30 | Endress + Hauser Gmbh + Co. Kg | Prozessautomatisierungssystem zur Bestimmung, zur Überwachung und/oder zum Beeinflussen von unterschiedlichen Prozessgröße und/oder Zustandsgrößen |
US8043375B2 (en) * | 2008-03-06 | 2011-10-25 | MoiRai Orthopaedic, LLC | Cartilage implants |
DE102008016048A1 (de) * | 2008-03-28 | 2009-10-08 | Abb Ag | Prozessleitsystem einer Automatisierungsanlage |
JP5125857B2 (ja) * | 2008-07-31 | 2013-01-23 | 横河電機株式会社 | プラント診断装置 |
US9323234B2 (en) * | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
EP2284769B1 (en) | 2009-07-16 | 2013-01-02 | European Space Agency | Method and apparatus for analyzing time series data |
JP5056880B2 (ja) * | 2010-03-24 | 2012-10-24 | 横河電機株式会社 | フィールド機器メンテナンスシステム |
US8452675B2 (en) * | 2010-08-06 | 2013-05-28 | Fisher-Rosemount Systems, Inc. | Automatic receiving, inspection, inventory management and reporting using wireless communications |
WO2012083303A2 (en) * | 2010-12-17 | 2012-06-21 | Jeffrey Trumble | Automated fault analysis and response system |
EP2498189A1 (en) * | 2011-03-07 | 2012-09-12 | Honeywell spol s.r.o. | Optimization problem solving |
DE102011007384A1 (de) * | 2011-04-14 | 2012-10-18 | Endress + Hauser Process Solutions Ag | Verfahren zur Offline-Konfiguration eines Feldgeräts |
CN102163055B (zh) * | 2011-05-17 | 2013-11-13 | 河北省电力建设调整试验所 | 工业分散式控制***的综合智能校验方法 |
US8543552B2 (en) * | 2012-02-01 | 2013-09-24 | International Business Machines Corporation | Detecting statistical variation from unclassified process log |
CN102749852B (zh) * | 2012-07-24 | 2014-07-02 | 北京航空航天大学 | 多源干扰***的容错抗干扰控制方法 |
CN103794109B (zh) * | 2012-11-01 | 2016-04-20 | 同济大学 | 具有仿真培训功能的电力控制***及其仿真培训方法 |
CN104020724B (zh) * | 2013-03-01 | 2017-02-08 | 中芯国际集成电路制造(上海)有限公司 | 告警监控方法和装置 |
CN104079425B (zh) * | 2013-03-31 | 2017-09-15 | 上海贝尔股份有限公司 | 一种用于匹配设备的方法、装置和*** |
DE102013108478A1 (de) * | 2013-08-06 | 2015-02-12 | Endress+Hauser Process Solutions Ag | Verfahren zur Erweiterung einer eingebetteten Softwarekomponente eines Feldgerätes |
CN103544659B (zh) * | 2013-10-29 | 2016-08-17 | 国家电网公司 | 一种电力***风险评估共因故障采样方法 |
CN103699117B (zh) * | 2013-12-18 | 2017-02-08 | 中广核核电运营有限公司 | 基于核电厂真实工况与仿真***的故障诊断方法及*** |
JP6135529B2 (ja) * | 2014-02-04 | 2017-05-31 | 横河電機株式会社 | 情報表示装置、情報処理装置、情報表示システム、および情報表示方法 |
CN105629988B (zh) * | 2016-03-31 | 2017-07-18 | 北京航空航天大学 | 一种无拖曳卫星的抗干扰姿态控制方法 |
EP3258333A1 (en) * | 2016-06-17 | 2017-12-20 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
FR3061324B1 (fr) * | 2016-12-22 | 2019-05-31 | Electricite De France | Procede de caracterisation d'une ou plusieurs defaillances d'un systeme |
CN106897505B (zh) * | 2017-02-13 | 2020-10-13 | 大连理工大学 | 一种考虑时-空相关性的结构监测数据异常识别方法 |
US10678224B2 (en) * | 2017-06-21 | 2020-06-09 | Fisher-Rosemount Systems, Inc. | Loop interface |
CN112925206B (zh) * | 2021-01-26 | 2022-02-01 | 南京航空航天大学 | 一种非线性多倒立摆互联***分布式鲁棒故障诊断方法 |
CN113448298B (zh) * | 2021-09-01 | 2021-11-16 | 深圳联钜自控科技有限公司 | 一种用于自动化生产设备数据采集*** |
CN114579542A (zh) * | 2022-03-15 | 2022-06-03 | 中铁十四局集团大盾构工程有限公司 | 一种基于pca-svm的盾构机故障数据清洗方法及装置 |
Family Cites Families (99)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3731070A (en) * | 1971-04-27 | 1973-05-01 | United Aircraft Corp | Gas turbine engine analyzer |
US4607325A (en) * | 1981-10-21 | 1986-08-19 | Honeywell Inc. | Discontinuous optimization procedure modelling the run-idle status of plural process components |
US4527271A (en) * | 1982-08-17 | 1985-07-02 | The Foxboro Company | Process control system with improved fault isolation |
US4734873A (en) * | 1984-02-02 | 1988-03-29 | Honeywell Inc. | Method of digital process variable transmitter calibration and a process variable transmitter system utilizing the same |
US4763243A (en) * | 1984-06-21 | 1988-08-09 | Honeywell Bull Inc. | Resilient bus system |
US4657179A (en) * | 1984-12-26 | 1987-04-14 | Honeywell Inc. | Distributed environmental/load control system |
US4908746A (en) * | 1986-10-15 | 1990-03-13 | United States Data Corporation | Industrial control system |
US5541833A (en) * | 1987-03-30 | 1996-07-30 | The Foxboro Company | Multivariable feedforward adaptive controller |
US4910691A (en) * | 1987-09-30 | 1990-03-20 | E.I. Du Pont De Nemours & Co. | Process control system with multiple module sequence options |
US4907167A (en) * | 1987-09-30 | 1990-03-06 | E. I. Du Pont De Nemours And Company | Process control system with action logging |
US5006992A (en) * | 1987-09-30 | 1991-04-09 | Du Pont De Nemours And Company | Process control system with reconfigurable expert rules and control modules |
US5193143A (en) * | 1988-01-12 | 1993-03-09 | Honeywell Inc. | Problem state monitoring |
US5488697A (en) * | 1988-01-12 | 1996-01-30 | Honeywell Inc. | Problem state monitoring system |
US4944035A (en) * | 1988-06-24 | 1990-07-24 | Honeywell Inc. | Measurement of thermal conductivity and specific heat |
US5008810A (en) * | 1988-09-29 | 1991-04-16 | Process Modeling Investment Corp. | System for displaying different subsets of screen views, entering different amount of information, and determining correctness of input dependent upon current user input |
CA2020784C (en) * | 1989-07-11 | 1994-08-23 | Horoshi Shimizu | Fault locating system capable of quickly locating a fault in a hierarchical communication network |
US5015934A (en) * | 1989-09-25 | 1991-05-14 | Honeywell Inc. | Apparatus and method for minimizing limit cycle using complementary filtering techniques |
US5134574A (en) * | 1990-02-27 | 1992-07-28 | The Foxboro Company | Performance control apparatus and method in a processing plant |
US5018215A (en) * | 1990-03-23 | 1991-05-21 | Honeywell Inc. | Knowledge and model based adaptive signal processor |
EP0462815B1 (en) * | 1990-06-21 | 1996-09-25 | Honeywell Inc. | Receding horizon based adaptive control having means for minimizing operating costs |
US5121467A (en) * | 1990-08-03 | 1992-06-09 | E.I. Du Pont De Nemours & Co., Inc. | Neural network/expert system process control system and method |
US5212765A (en) * | 1990-08-03 | 1993-05-18 | E. I. Du Pont De Nemours & Co., Inc. | On-line training neural network system for process control |
US5197114A (en) * | 1990-08-03 | 1993-03-23 | E. I. Du Pont De Nemours & Co., Inc. | Computer neural network regulatory process control system and method |
US5282261A (en) * | 1990-08-03 | 1994-01-25 | E. I. Du Pont De Nemours And Co., Inc. | Neural network process measurement and control |
US5224203A (en) * | 1990-08-03 | 1993-06-29 | E. I. Du Pont De Nemours & Co., Inc. | On-line process control neural network using data pointers |
ES2112853T3 (es) * | 1990-10-10 | 1998-04-16 | Honeywell Inc | Identificacion de sistemas de proceso. |
US5291190A (en) * | 1991-03-28 | 1994-03-01 | Combustion Engineering, Inc. | Operator interface for plant component control system |
US5189232A (en) * | 1991-06-27 | 1993-02-23 | University Of Utah | Method of making jet fuel compositions via a dehydrocondensation reaction process |
US5333298A (en) * | 1991-08-08 | 1994-07-26 | Honeywell Inc. | System for making data available to an outside software package by utilizing a data file which contains source and destination information |
ATE203819T1 (de) * | 1991-10-23 | 2001-08-15 | Honeywell Inc | Vorrichtung zur verbrennungslosen messung der qualität von gasförmigem brennstoff |
US5396415A (en) * | 1992-01-31 | 1995-03-07 | Honeywell Inc. | Neruo-pid controller |
US5398303A (en) * | 1992-02-28 | 1995-03-14 | Yamatake-Honeywell Co., Ltd. | Fuzzy data processing method and data smoothing filter |
US5353207A (en) * | 1992-06-10 | 1994-10-04 | Pavilion Technologies, Inc. | Residual activation neural network |
US5384698A (en) * | 1992-08-31 | 1995-01-24 | Honeywell Inc. | Structured multiple-input multiple-output rate-optimal controller |
US5477444A (en) * | 1992-09-14 | 1995-12-19 | Bhat; Naveen V. | Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process |
US5729661A (en) * | 1992-11-24 | 1998-03-17 | Pavilion Technologies, Inc. | Method and apparatus for preprocessing input data to a neural network |
JPH08505967A (ja) * | 1992-11-24 | 1996-06-25 | パヴィリオン・テクノロジーズ・インコーポレイテッド | 欠落および/または不完全なデータを有するニューラルネットワークを作動するための方法および装置 |
JP2952124B2 (ja) * | 1992-11-25 | 1999-09-20 | 富士写真フイルム株式会社 | 写真処理機の故障診断システム |
US5311562A (en) * | 1992-12-01 | 1994-05-10 | Westinghouse Electric Corp. | Plant maintenance with predictive diagnostics |
EP0674780B1 (en) * | 1992-12-14 | 1998-10-21 | Honeywell Inc. | A flexible method for building a recipe in a process control system |
US5486996A (en) * | 1993-01-22 | 1996-01-23 | Honeywell Inc. | Parameterized neurocontrollers |
CA2157198A1 (en) * | 1993-03-02 | 1994-09-15 | James David Keeler | Method and apparatus for analyzing a neural network within desired operating parameter constraints |
US5390326A (en) * | 1993-04-30 | 1995-02-14 | The Foxboro Company | Local area network with fault detection and recovery |
US5909541A (en) * | 1993-07-14 | 1999-06-01 | Honeywell Inc. | Error detection and correction for data stored across multiple byte-wide memory devices |
US5486920A (en) * | 1993-10-01 | 1996-01-23 | Honeywell, Inc. | Laser gyro dither strippr gain correction method and apparatus |
US5408406A (en) * | 1993-10-07 | 1995-04-18 | Honeywell Inc. | Neural net based disturbance predictor for model predictive control |
US5596704A (en) * | 1993-11-11 | 1997-01-21 | Bechtel Group, Inc. | Process flow diagram generator |
JP2929259B2 (ja) * | 1993-12-27 | 1999-08-03 | 株式会社山武 | コントローラ |
US5528516A (en) * | 1994-05-25 | 1996-06-18 | System Management Arts, Inc. | Apparatus and method for event correlation and problem reporting |
US5533413A (en) * | 1994-06-30 | 1996-07-09 | Yokogawa Electric Corporation | Equipment diagnosis system |
US6033257A (en) * | 1995-11-20 | 2000-03-07 | The Foxboro Company | I/O connector module for a field controller in a distributed control system |
US6076124A (en) * | 1995-10-10 | 2000-06-13 | The Foxboro Company | Distributed control system including a compact easily-extensible and serviceable field controller |
US5764891A (en) * | 1996-02-15 | 1998-06-09 | Rosemount Inc. | Process I/O to fieldbus interface circuit |
US5761518A (en) * | 1996-02-29 | 1998-06-02 | The Foxboro Company | System for replacing control processor by operating processor in partially disabled mode for tracking control outputs and in write enabled mode for transferring control loops |
US7085610B2 (en) * | 1996-03-28 | 2006-08-01 | Fisher-Rosemount Systems, Inc. | Root cause diagnostics |
US6539267B1 (en) * | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US6017143A (en) * | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US5828851A (en) * | 1996-04-12 | 1998-10-27 | Fisher-Rosemount Systems, Inc. | Process control system using standard protocol control of standard devices and nonstandard devices |
US5768119A (en) * | 1996-04-12 | 1998-06-16 | Fisher-Rosemount Systems, Inc. | Process control system including alarm priority adjustment |
US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
US5742513A (en) * | 1996-05-15 | 1998-04-21 | Abb Power T&D Company Inc. | Methods and systems for automatic testing of a relay |
US5918233A (en) * | 1996-05-30 | 1999-06-29 | The Foxboro Company | Methods and systems for providing electronic documentation to users of industrial process control systems |
US5715158A (en) * | 1996-05-31 | 1998-02-03 | Abb Industrial Systems, Inc. | Method and apparatus for controlling an extended process |
US5907701A (en) * | 1996-06-14 | 1999-05-25 | The Foxboro Company | Management of computer processes having differing operational parameters through an ordered multi-phased startup of the computer processes |
US5777872A (en) * | 1996-09-13 | 1998-07-07 | Honeywell-Measurex Corporation | Method and system for controlling a multiple input/output process with minimum latency |
US5892679A (en) * | 1996-09-13 | 1999-04-06 | Honeywell-Measurex Corporation | Method and system for controlling a multiple input/output process with minimum latency using a pseudo inverse constant |
US5898869A (en) * | 1996-09-20 | 1999-04-27 | The Foxboro Company | Method and system for PCMCIA card boot from dual-ported memory |
US6041263A (en) * | 1996-10-01 | 2000-03-21 | Aspen Technology, Inc. | Method and apparatus for simulating and optimizing a plant model |
US5970430A (en) * | 1996-10-04 | 1999-10-19 | Fisher Controls International, Inc. | Local device and process diagnostics in a process control network having distributed control functions |
US5892939A (en) * | 1996-10-07 | 1999-04-06 | Honeywell Inc. | Emulator for visual display object files and method of operation thereof |
US5859964A (en) * | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
US5909586A (en) * | 1996-11-06 | 1999-06-01 | The Foxboro Company | Methods and systems for interfacing with an interface powered I/O device |
US5905989A (en) * | 1996-11-27 | 1999-05-18 | Bently Nevada Corporation | Knowledge manager relying on a hierarchical default expert system: apparatus and method |
EP0948759B1 (en) * | 1996-12-31 | 2002-08-07 | Rosemount Inc. | Device in a process system for validating a control signal from a field device |
US6078843A (en) * | 1997-01-24 | 2000-06-20 | Honeywell Inc. | Neural network including input normalization for use in a closed loop control system |
US6067505A (en) * | 1997-04-10 | 2000-05-23 | The Foxboro Company | Method and apparatus for self-calibration of a coordinated control system for an electric power generating station |
US6055483A (en) * | 1997-05-05 | 2000-04-25 | Honeywell, Inc. | Systems and methods using bridge models to globally optimize a process facility |
DE19723079C1 (de) * | 1997-06-02 | 1998-11-19 | Bosch Gmbh Robert | Fehlerdiagnosevorrichtung und -verfahren |
US5901058A (en) * | 1997-08-22 | 1999-05-04 | Honeywell Inc. | System and methods for achieving heterogeneous data flow between algorithm blocks in a distributed control system |
US6282454B1 (en) * | 1997-09-10 | 2001-08-28 | Schneider Automation Inc. | Web interface to a programmable controller |
US5909370A (en) * | 1997-12-22 | 1999-06-01 | Honeywell Inc. | Method of predicting overshoot in a control system response |
US6093211A (en) * | 1998-04-09 | 2000-07-25 | Aspen Technology, Inc. | Polymer property distribution functions methodology and simulators |
US6173440B1 (en) * | 1998-05-27 | 2001-01-09 | Mcdonnell Douglas Corporation | Method and apparatus for debugging, verifying and validating computer software |
US7562135B2 (en) * | 2000-05-23 | 2009-07-14 | Fisher-Rosemount Systems, Inc. | Enhanced fieldbus device alerts in a process control system |
US7206646B2 (en) * | 1999-02-22 | 2007-04-17 | Fisher-Rosemount Systems, Inc. | Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control |
US6421571B1 (en) * | 2000-02-29 | 2002-07-16 | Bently Nevada Corporation | Industrial plant asset management system: apparatus and method |
US6760632B1 (en) * | 2000-08-03 | 2004-07-06 | International Business Machines Corporation | Computer method for providing optimization for business processes |
US7539597B2 (en) * | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US7162534B2 (en) * | 2001-07-10 | 2007-01-09 | Fisher-Rosemount Systems, Inc. | Transactional data communications for process control systems |
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
US7096074B2 (en) * | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
GB0216858D0 (en) * | 2002-07-19 | 2002-08-28 | Bae Systems Plc | Fault diagnosis system |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
WO2004109540A2 (en) * | 2003-05-30 | 2004-12-16 | Case Western Reserve University | A stochastic variable selection method for model selection |
GB0325560D0 (en) * | 2003-10-31 | 2003-12-03 | Seebyte Ltd | Intelligent integrated diagnostics |
CN1969239B (zh) * | 2004-06-12 | 2011-08-03 | 费舍-柔斯芒特***股份有限公司 | 用于检测与控制回路的过程增益相关的异常状况的***和方法 |
WO2006046251A2 (en) * | 2004-10-28 | 2006-05-04 | Insyst Ltd. | Detection system for rare situation in processes |
US20080077325A1 (en) * | 2006-09-25 | 2008-03-27 | Honeywell International Inc. | Systems and methods for a hybrid transition matrix |
-
2006
- 2006-10-11 US US11/548,590 patent/US20080188972A1/en not_active Abandoned
-
2007
- 2007-09-20 WO PCT/US2007/020386 patent/WO2008045190A2/en active Application Filing
- 2007-09-20 EP EP07838571A patent/EP2095195A2/en not_active Withdrawn
- 2007-09-20 JP JP2009532347A patent/JP2010506331A/ja not_active Withdrawn
- 2007-09-20 GB GB0906086A patent/GB2455944A/en not_active Withdrawn
- 2007-09-20 CN CNA2007800376501A patent/CN101523316A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467089A (zh) * | 2010-11-10 | 2012-05-23 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 半导体工艺中的过程控制方法及*** |
CN102467089B (zh) * | 2010-11-10 | 2013-09-11 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 半导体工艺中的过程控制方法及*** |
CN102393698A (zh) * | 2011-09-29 | 2012-03-28 | 李海波 | 大型设备运行状态监测***及故障诊断的控制方法 |
CN108351641A (zh) * | 2015-10-27 | 2018-07-31 | 德莱赛公司 | 预测阀组件的维修需求 |
CN108351641B (zh) * | 2015-10-27 | 2022-01-14 | 德莱赛公司 | 预测阀组件的维修需求 |
CN107239857A (zh) * | 2017-05-31 | 2017-10-10 | 武汉大学 | 基于ls_svm和pca的架空输电线路风险评估方法 |
CN114223009A (zh) * | 2019-07-10 | 2022-03-22 | 弗斯伯股份公司 | 用于监测瓦楞纸板生产设备的方法 |
CN113029624A (zh) * | 2021-03-04 | 2021-06-25 | 上海交通大学宁波人工智能研究院 | 一种水泥生料粉磨过程的故障检测方法 |
CN115576293A (zh) * | 2022-12-08 | 2023-01-06 | 台昌树脂(佛山)有限公司 | 基于数据监控的压敏胶在线生产分析方法及*** |
CN115576293B (zh) * | 2022-12-08 | 2023-03-14 | 台昌树脂(佛山)有限公司 | 基于数据监控的压敏胶在线生产分析方法及*** |
CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及*** |
CN117555287B (zh) * | 2024-01-12 | 2024-04-09 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及*** |
Also Published As
Publication number | Publication date |
---|---|
GB0906086D0 (en) | 2009-05-20 |
GB2455944A (en) | 2009-07-01 |
WO2008045190A2 (en) | 2008-04-17 |
WO2008045190A3 (en) | 2008-06-05 |
EP2095195A2 (en) | 2009-09-02 |
JP2010506331A (ja) | 2010-02-25 |
US20080188972A1 (en) | 2008-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101523316A (zh) | 用于检测加工厂中的故障的方法和*** | |
CN1926489B (zh) | 用于在加工厂中预防异常状况的数据呈现*** | |
CN101535909B (zh) | 热交换器中的异常情况预防 | |
CN1969239B (zh) | 用于检测与控制回路的过程增益相关的异常状况的***和方法 | |
CN101517505B (zh) | 探测氢化裂解器中的异常操作的方法和*** | |
US7912676B2 (en) | Method and system for detecting abnormal operation in a process plant | |
US8914135B2 (en) | Integrated monitoring, control and equipment maintenance and tracking system | |
CN102520717B (zh) | 用于在加工厂中预防异常状况的数据呈现*** | |
US8032340B2 (en) | Method and system for modeling a process variable in a process plant | |
CN1991652B (zh) | 可编程逻辑控制器和中央单元之间通信的通信方法及自动远程监控和诊断*** | |
CN101601023B (zh) | 热交换器积垢检测 | |
US8032341B2 (en) | Modeling a process using a composite model comprising a plurality of regression models | |
US8145358B2 (en) | Method and system for detecting abnormal operation of a level regulatory control loop | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
WO2009046199A1 (en) | System and method for recognizing and compensating for invalid regression model applied to abnormal situation prevention |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090902 |