用于早期事件检测的系统、方法和计算机程序的制作方法

文档序号:6570083阅读:298来源:国知局
专利名称:用于早期事件检测的系统、方法和计算机程序的制作方法
技术领域
本申请在35U.S.C. § 119(e)项下要求2005年10月18曰 提交的美国临时专利申请No.60/728129的优先权益,本申请通过引用 将其结合到本文中。 —般来说,^//Hf涉及预测建模和控制系统。更具体来 说,本公开涉及用于早期事件检测的系统、方法和计算机程序。
背景技术
科学、工程、商务及其它领域中的许多系统和过程的特 征在于这一事实许多不同的相互关联的参数对系统或过^f呈的行为有 影响。通常希望确定这些参数的部分或全部的值或者值的范围。这才羊 做,例如使得与系统或过程的有益行为模式对应的参数值或值的范围 (例如生产率、利益率或效率)可被标示。但是,大多数现实世界的系 统的复杂性一般会妨碍在分析上得到这类解的可能性。 因此,许多分析人员求助于预测才莫型来表征及推断这些 复杂系统和过程的解。预测模型一般是接收输入数据或参数(例如与系 统或才莫型属性和/或外部情况或环境相关的那些数据或参数)并生成指 明系统或过程在那些参数下的行为的输出的系统或过程的表达。换言 之,该才莫型或该等沖莫型可用于根据先前获取的数据来预测系统或过程 的行为或趋势。

发明内容
本公开提供用于早期事件检测的系统、方法和计算机程序。
在第一实施例中, 一种方法包括使用与系统或过程关联 的运行数据来生成笫一模型和第二模型。该方法还包括使用笫一和第 二才莫型来预测与系统或过程关联的一个或多个事件。用第一^^莫型生成 一个或多个初始事件预测,并用第二冲莫型调整一个或多个初始事件预 测,/人而预测一个或多个事件。在第二实施例中, 一种方法包括使用代表系统或过程的
多个笫一才莫型来生成多个第一输出信号。该方法还包括4吏用一个或多 个第二模型来对第一输出信号进行正规化,以便产生多个正规化第二
输出信号。另外,该方法包括将几个正规化第二输出信号组合。 在第三实施例中, 一种方法包括标示与系统或过程关写关 的数据中的至少一个无效数据元。该方法还包括^使用与系统或过程关 联的数据中的至少某些有效数据元来估计无效数据元的一个或多个的 值。该估计包含求出一个揭示2-范数已知数据回归问题的QR因子分 解的秩。另外,该方法包括使用一个或多个无效数据元的估计值来预 测与系统或过程关联的一个或多个事件。在第四实施例中, 一种方法包括向用户呈现图形显示。 该图形显示标绘出与系统或过程的才莫型关联的一个或多个变量的数才居 值的范围。该方法还包括通过图形显示从用户接^^于数据范围的 一个 或多个部分的标示。另外,该方法还包括不用数据范围的任何已标示 部分来训练该才莫型。 在第五实施例中, 一种方法包括接收标示与系统或过程 关联的多个第一事件的信息。该方法还包括使用与系统或过程关联的 运行数据来生成至少一个才莫型。运行数据不包括与已标示事件关联的 运行数据。该方法还包括通过将使用至少一个才莫型预测的第二事件 与第一事件进行比4交,来测试至少一个才莫型。在第六实施例中, 一种方法包括向用户呈现图形显示。 图形显示包含标示与代表系统或过程的模型关联的误差的笫一图以及 与对误差有影响的一个或多个变量关联的第二图。该方法还包括从用户接收标示如何选择与第二图关联的一个或多个变量的输入。
在第七实施例中, 一种方法包括在离线^it块中配置代表
系统或过程的模型,以供在线使用。该离线模块可操作而用来创建模 型,并且该配置自动发生,且完全在离线模块中规定。该方法还包括 向在线模块提供已配置模型,以用于预测与系统或过程关联的事件。 通过以下附图、说明和斥又利要求书,本领域技术人员不 难明白其它技术特征。


为了更全面地理解本公开,现参阅以下结合附图的描述, 附图包括 图1表示支持早期事件检测的示例系统; 图2A和图2B表示用于早期事件检测的示例方法;以及 图3至图43表示用于早期事件检测的示例工具。
具体实施例方式
图1表示支持早期事件检测的示例系统100。具体来说, 图1表示用于控制制造或生产过程的过程控制系统,并且该系统支持 早期事件检测。图1所示的系统100的实施例仅用于说明。,可使用该 系统的其它实施例而不背离本^^开的范围。 在这个示例实施例中,系统100包括有助于生产至少一 种产品的各种元件。这些元件包括一个或多个传感器102a和一个或多 个执行器102b。传感器102a和执行器102b表示过程或生产系统中可 执行众多功能之一的部件。例如,传感器102a可测量系统100的众多 特性,例如温度、压力或流率。还有,执行器102b可执行改变由传感 器102a监测的特性的众多操作。作为示例,执行器102b可相当于加 热器、马达或阀门。传感器102a和执行器102b可相当于任何适当过 程或生产系统中的任何其它或附加的部件。传感器102a中的每一个包含用于测量过程、生产或其它系统中的一个或多个特性的任何适当结 构。执行器102b中的每一个包含用于对过程、生产或其它系统中的至 少 一部分进行运算或在其中引起改变的任何适当结构。 两个控制器104a-104b连接到传感器102a和执行器 102b。除了别的以外,控制器104a-104b可利用传感器102a的测量结 果来控制执行器102b的操作。例如,控制器104a-104b应能够从传感 器102a接收测量数据,并用测量数据来生成对执行器102b的控制信 号。控制器104a-104b中的每一个包含用于与传感器102a进行交互并 控制执行器102b的任何硬件、软件、固件或者它们的组合。控制器 104a-104b例如可相当于实现要操作的控制逻辑(例如将传感器测量数 据与执行器控制信号关联的逻辑)的多变量控制器或其它类型的控制 器。在本示例中,控制器104a-104b中的每一个包含一个或多个处理 器106以及存储处理器106所用的数据和指令的一个或多个存储器 108。作为一个具体示例,控制器104a-104b中的每一个可相当于运行 MICROSOFT WINDOWS操作系统的计算装置。 两个服务器110a-110b连接到控制器104a-104b。服务器 110a-110b执行各种功能来支持控制器104a-104b、传感器102a和执行 器102b的操作及控制。例如,服务器llOa-llOb可记录传感器102a 或控制器104a-104b所收集或生成的信息,例如传感器102a的测量数 据。服务器110a-110b还可执行应用程序,它们控制控制器104a-104b 的操作,从而控制执行器102b的操作。另外,服务器110a-110b可提 供对控制器104a-104b的安全访问。服务器llOa-llOb中的每一个包含 用于提供对控制器104a-104b的访问或控制的任何硬件、软件、固件 或者它们的组合。在本示例中,服务器llOa-llOb中的每一个包含一 个或多个处理器112以及一个或多个用来存储处理器112所用的数据 和指令的存储器114。作为具体示例,服务器110a-110b中的每一个可 相当于运行MICROSOFT WINDOWS操作系统的计算装置。—个或多个操作员站116a-116b连接到服务器110a-110b,以及一个或多个操作员站116c连接到控制器104a-104b。 操作员站116a-l 16b相当于实现对服务器1 lOa-l 10b的用户访问的计算 或通信装置,服务器110a-110b则可实现对控制器104a-104b(以及可能 对传感器102a和执行器102b)的用户访问。操作员站116c相当于实现 对控制器104a-104b的直接用户访问的计算或通信装置。作为具体示 例,操作员站116a-116c可让用 户使用控制器104a-104b和/或服务器 110a-110b所收集的信息来审查传感器102a和执行器102b的操作历史 记录。操作员站116a-116c还可让用户调整传感器102a、控制器 104a-104b或服务器110a-110b的操作。操作员站116a-116c中的每一 个包含用于支持用户访问和对系统100的控制的任何硬件、软件、固 件或者它们的组合。在本示例中,操作员站116a-116c中的每一个包 含一个或多个处理器118以及一个或多个存储处理器118所用的数据 和指令的存储器120。在一些具体实施例中,才乘作员站116a-116c中的 每一个可相当于运行MICROSOFT WINDOWS操作系统的计算装置。 在本示例中,操作员站116b中的至少一个远离服务器 110a-110b。远程站通过网络122连接到服务器110a-llb。网络122有 助于系统100中的各个部件之间的通信。例如,网络122可传递互联: 网协议(IP)分组、帧中继帧、异步转移方式(ATM)信元或网络地址之间 的其它适当信息。网络122可包括一个或多个局域网(LAN)、城域网 (MAN)、广域网(WAN)、例如互联网等全球网络的全部或一部分、或 者 一个或多个位置上的 一个或多个任何其它通信系统。 在本示例中,系统100包括两个附加服务器124a-124b。 服务器124a-124b运行各种应用程序来控制系统100的整体运行。例 如,可将系统100用于加工或生产工厂或其它设施,以及H务器 124a-124b可运行用于控制工厂或其它设施的应用程序。作为具体示 例,服务器124a-124b可执行例如企业资源规划(ERP)、制造执行系统 (MES)或者任何其它或附加的工厂或过程控制应用程序等应用程序。 服务器124a-124b中的每一个包含用于控制系统100的整体运行的任何硬件、软件、固件或者它们的组合。 如图1所示,系统100包含各种冗余网络126a-126b和 单网络128a-128b,它们支持系统100中的部件之间的通信。这些网络 126a-126b、 128a-128b中的每一个相当于有助于系统100中的部件之 间的通信的任何适当网络或网络组合。网络126a-126b、 128a-128b例 如可相当于以太网网络、电信号网络(例如HART或FOUNDATION F正LDBUS网络)、气动控制信号网络或者任何其它或附加类型的网 络。 在一个运行方面,系统100包含或支持一个或多个早期 事件检测器130。早期事件检测器130能够帮助早期事件4全测,它一 般涉及分析与系统或过程关联的数据,以便于对统计意义上出现的异 常情况预先告警。例如在识别与系统或过程关联的可能的问题时,这 可以是有效的。作为一个具体示例,早期事件检测可涉及分析来自传 感器102a的测量数据或者提供给执行器102b的控制信号,以便标示 设备故障或者制造或生产厂中的其它问题。在一些实施例中,早期事件检测器130相当于多元统计 分析(MVSA)工具,它支持用于早期事件检测的一个或多个统计才莫型的 创建。例如,该工具使得基于来自一个或多个用户的输入的一个或多 个统计沖莫型的交互创建成为可能。然后,^^莫型可独立地或者与早期事 件检测器130或系统100的另 一个部件结合地用来执行实际事件4企测。 早期事件检测器130所产生的才莫型可相当于任何适当的才莫型,例如线 性和非线性静态统计模型、第一性原理模型和偏最小二乘(PLS)统计模 型。作为一个示例实施例,早期事件检测器130可表示MVSA工具, 它根据与制造或生产设备关联的运行数据来创建统计才莫型。这些才莫型 可相当于处于正常状态的工厂,并且可用于检测工厂运行特性的变化。 早期事件检测器130还可包括在线才莫块或部件以及离线4莫块或部件。 该离线才莫块创建、训练和测试统计才莫型,并且一组选出的才莫型可无缝 地输出到在线模块供事件检测和分析。在线和离线模块可驻留在系统100中的不同部件上。 在一些具体实施例中,早期事件检测器130可支持多种 类型的模型的创建和使用。可根据与被建模的系统或过程关联的正常 运行数据来生成冲莫型。早期事件检测器130还可支持回归工具,回归 工具提供统计和量度以提供对模型性能的有效解释。这个信息可用来 在不同条件下比较和对比不同模型。 在这些实施例中,可根据类和类型来将与统计模型关联 的参数或变量分类。例如,可将变量分类为"Var"和"Aux"类。"Var" 类的变量可相当于可用于回归并且隐式定义才莫型矩阵中的不同行或列 的变量。"Aux"类的变量可表示为数据提供永久归属(permanent home ) 但是没有表现为才莫型变量的变量。可将一类的变量转换成另 一类的变 量,反之亦然,且两类变量均可导出以用于其它应用。变量类型还可 包括训练变量和输入变量。训练变量可相当于输出变量,它相当于一 个或多个其它变量的组合结果,并且可视为相关变量。输入变量可一见 为对才莫型的输入,可与其它输入或扰动相关,可视为某个上游过程的 输出,并且可以看作或不被看作独立。虽然输入与输出之间的区别对 于因果才莫型或其它类型的才莫型是相关的,但是它与早期事件检测器13 0 所生成或使用的其它统计才莫型可没有关系。各种类型的模型可由早期事件检测器生成或使用。例如, 早期事件检测器130可支持用于对系统的行为建才莫的统计模型以及用 于修改统计才莫型的输出的后处理程序(另 一种才莫型)。作为具体示例, 早期事件检测器130可支持主分量分析(PCA)模型、模糊逻辑模型和早 期事件检测(EED)模型。PCA模型是早期事件检测器130的统计引擎 的一例。才莫糊逻辑才莫型可用作对PCA;f莫型的结果进^f亍正规化、整形和 调整的后处理程序。作为一个示例,PCA才莫型可作出一个或多个初始 事件预测,而模糊逻辑模型可对这些初始事件预测进行调整。EED模 型可相当于用来包装PCA和才莫糊逻辑才莫型的外壳或包装器。由于早期 事件检测器130的一个功能可包括对任何异常条件的通用检测,因此,可定义"正常"数据集并用它来建立定义系统或过程的正常状态的PCA 才莫型-模糊逻辑模型组合。可通过执行交叉验证测试来系统地评估包装 模型,其中包装的PCA和坤莫糊逻辑4莫型对于原始训练集中未使用的数 据的备选集使用。正常和异常数据均可包含在交叉验证数据中。在运
系统标记为处于异常状态。 另外,用于调整和测试;溪型的信息可包括"事件"。事件 可代表已知在一个或多个时间段中已发生的过程或系统的条件。事件 类型可以是用户可定义的,并且可通过图形或手动来输入(例如通过文 本文件)一个事件类型的多个实例。 一些注释和有贡献的变量可与事件 类型的各实例相关联。由早期事件检测器130生成的模型,可通过确 定才莫型是否准确检测到已知事件来测试。 依据这种实现方式,对于问题规模可以没有固有的限制, 这意味着早期事件检测器130可容纳任何数量的训练变量和输入变 量。对于数据大小或者对于模型数量也可以不加限制,并且系统模型 可具有任何数量的部件。只有计算机速度和存储器资源(例如随机存取 存储器)可限制应用。此外,可将早期事件检测器130集成到其它部件 (例如HONEYWELL INTERNATIONAL INC.开发的PROFIT DESIGN STUDIO)中,并且所有数据操作(包括导入和导出操作)均为可供早期事 件检测器130直接使用。总之,早期事件检测器130的作用在于,可 提供一組用于检测、定位并最终有助于防止加工厂或其它系统或过程 中的异常情况的工具。 早期事件检测器130可相当于一个在系统100支持的其 它逻辑中、例如在一个或多个服务器110a-110b或操作员站116a-116c 中运行的应用程序。早期事件检测器130还可相当于作为独立单元实 现的硬件或其它才莫块。早期事件检测器130还可在控制器中实现或者 以任何其它适当方式来实现。早期事件检测器130可包括用来生成和/ 或使用用于识别统计异常情况的统计和其它模型(例如后微处理器模型)的任何硬件、软件、固件或者它们的组合。在其余附图中示出与早 期事件检测器130的操作有关的其它细节,下面进行描述。 虽然图1示出支持早期事件检测的系统100的一例,但 可对图1进行各种变更。例如,该系统可包括任何数量的传感器、冲丸 行器、控制器、服务器、操作员站、网络和早期事件检测器。系统IOO 的构成和布置也只是为了进行说明。根据具体需要,部件可被添加、 省略、组合或置于任何其它适当配置。另外,图1示出可使用早期事 件检测的一个工作环境。可将早期事件检测机制用于任何其它适当的 装置或系统(无论该装置或系统是否与生产或制造厂相关)。图2A和图2B示出用于早期事件检测的示例方法200。 图2A和图2B所示的方法200仅用于iJL明。可^f吏用方法200的其它实 施例而不背离本公开的范围。为了便于说明,针对在图1的系统100 中工作的早期事件检测器130来描述方法200。可将方法200用于任 何其它适当的装置或系统。在步骤202,定义与系统或过程关耳关的运行数据的正常 集和运行数据的异常集。这可包括分析来自传感器102a的测量结果以 及提供给执行器102b的控制信号,以便标示正常和异常操作的时段。 这可手动或自动进行,并且可基于本领域的专门知识或与特定系统或 过程相关的专门知识。 在步骤204,使用正常数据集中的至少一个来生成一个 或多个PCA模型。可将任何适当的技术或多种技术用来生成PCA模 型,例如通过接收定义模型的用户输入来生成。这个步骤还可包括根 据按尺度分布(scaled distribution)来改进PCA沖莫型的尺度;^欠缩 (scaling)。用来生成PCA模型的正常运行数据的集合可称作"训练集"。 在步骤206,改进PCA才莫型,同时施加一个或多个统计 极限。例如,这可包括在保持一个或多个统计数据超过其统计极限的 时间百分比保持低于门限的同时改进PCA模型。该统计方法可以是Q 和丁2统计法,而时间百分比可为百分之十。Q统计法一般与才莫型有关的误差相关联。T2统计法一般与给定系统或过程的模型的变异性相关联。 在步骤208,再次改进PCA冲莫型,以使才荚型中保留的主 分量的数量减小或成为最小。这个步骤可包括减少主分量的数量,同 时确保模型的足够的可信度(level of certainty)。 在步骤210,将一个或多个才莫糊逻辑才莫型用来调整一个 或多个PCA模型的输出。这个步骤可包括修正与模糊逻辑模型关联的 隶属函数和数字锁存(digital latch),以在正常运行数据范围内提供 足够的性能。在步骤212,评估PCA模型-才莫糊逻辑模型组合的结果, 以确定模型组合是否为可接受的。这可包括使用未用于PCA模型和模 糊逻辑模型的训练集的一组正常运行数据来评估PCA ;f莫型4莫糊逻辑 模型组合。这个步骤可称作"交叉验证"。如果在步骤214,结果不是 可接受的,则过程返回到步骤210。 在步骤216,通过动态调整用于模型中的各输入变量的 放缩操作的平均值或"中心",进一步调整或改进才莫型的一个或多个, 以滤除不要的信息。这可使用指数加权移动平均(EWMA)滤波器来进 行。也可使用单三态才莫式开关,它通过有效地修改滤波器特性来根据 当前需要提供更慢或更快的响应,允许在输入变量的主要转变期间的 无缝转变。可通过"无冲击"方式来进行调整。 在步骤218,使用正常和异常数据来构成和评估EED才莫 型。这可包括使用正常和异常两种运行数据集来测试PCA模型-模糊 逻辑模型组合。评估可确定EED模型是否以可接受的错误告警/遗漏
告警率正确地预测正常和异常数据集中定义的关^:事件。如果在步骤
220,评估结果不是可接受的,则过程再次返回到步骤210。 在步骤222,生成一个或多个辅助PCA才莫型。这可包括 使用以上对于步骤204-208所述的相同方法。可使用在形成原始PCA ^t型中未用作训练集的正常数据集来生成这些辅助PCA才莫型。将原始骤224进行关于模型是 否匹配的确定。如果不同模型的统计结果不是可比较的,则原始PCA 模型可能不代表被建模的"正常"系统或过程。在步骤226选择新的或 附加的数据(例如不同的正常/异常数据集或更富含信息的数据),且过 程返回到步骤204。若多个PCA模型可比较,则可将模型看作是代表 性的,并且在步骤228,例如通过将才莫型导出到早期事件检测器130 的在线部件,将结果得到的EED模型导出或者以其它方式提供使用。 以下描述阐明图2A和图2B所示的方法200的一个具体 实现的其它细节。更具体来说,以下的描述给出在方法200中由早期 事件检测器130执行的各种操作的数学基础。以下描述的各种功能也 在图3至图43中更详细地示出,这些附图后文还有描述。后续的描述 说明方法200的一个具体实现,而不是要限制本7>开的范围。 在系统或过程中存在众多变量时,有时能够通过将变量 减少到线性组合的一个子集,来简化对系统或过程的分析。该子集有 时称作变量的初始集的"子空间"。也就是说,原始变量可作为通过特 定变换到子空间的投影来考虑。主分量分析即"PCA"是通过将一组输 入投影到降维的子空间来实现这种维数消减。子空间可定义用于分析 不同类型的模型的"简化变量"。与投影关联的信息损失是可量化的, 并且可由用户控制。 要创建PCA模型,可指定以下信息。首先,可确定可能 的输入变量的列表。可选择可用输入的整个集合,或者可选择变量的 子集。其次,可确定用于规定可接受信息损失的方法,它有助于识别 要保留的主分量的数量(因此得到子空间的维数)。理想情况下,与可 确定的可接受信息损失等级关联的最小子空间可^皮识别。 在一些实施例中,早期事件检测器130可设计成根据方 差表示来生成并分析PCA才莫型。这里定义一部分降阶子空间,它捕获 过程变差(方差)的可定义量。这可涉及计算具有秩r的数据矩阵X,并 且可表示为r秩-1矩阵之和。矩阵X的列数(表示为nc)可对应于输入变量的数量。矩阵X的行数(表示为Ilr)可对应于各输入变量的数据样 本的数量。 在一些情况下,矩阵X的行数大于列数。在这种情况下, 矩阵X有时称作"瘦",并且数据的协方差矩阵S可用公式表示为
(i)
式中,S 表示第i个变量的方差,S、表示第i与第j个变量(i^j)
之间的协方差。作为一个示例,考虑n^rie且X是90000x100矩阵的 情况。XTX的奇异值分解(SVD)可应用于100x100矩阵,并由下式给 出
(2)
因此,XTX的SVD可产生等于X的SVD的右奇异向量的左奇异 向量。XTX的SVD的右奇异向量也可与X的SVD的右奇异向量恒等。 因此,可得下式
J/力
(3)
(4)
(5)
按照协方差矩阵S的PCA计算可表示为:
77
(6)
"r 一l
W(:,l: rc) (7) Z=ZP (8)
式中,Ilpc表示保留主分量的数量。 在其它情况下,矩阵X的列数大于行数。在这种情况下, 矩阵X有时称作"胖",并且协方差矩阵S不可通过数据行数来缩小。 在这里,协方差矩阵S可用公式表示为
s=zsrr (9)
2,. <作为一个示例,考虑X是100x90000矩阵的情况。则可得下式
xsrr=t/srr(t/i:7r)r-i7s2!7r (io) 所得矩阵又可以是100x100矩阵,并且对结果的SVD可产生与X 的左奇异向量恒等的XXT的左奇异向量。右奇异向量也可与X的左奇 异向量相同。因此可得下式
(ii)
K = C/'Y (12)
通过将这些表达式乘以XT,可得X的右奇异向量,表示为
;T一 = (,r, K - "2f (13)
这表明,JT^^是其列为预期奇异向量的纯量倍数的矩阵。要获 得实际的奇异向量,各列可按照下式缩小
L^r->S = Xf"r (14)
r-jn^ (is)
r(:,(U(:,z〕/7^" (16)
(17)
(18) 分别在方程(6)-(8)和(14)-(18)中提供了"瘦"和"胖"问题 的PCA解。在这些表达式中,S表示其对角元素是对应奇异值或零的 奇异值矩阵,V表示右奇异向量(它们是标准正交的)的矩阵。在一些实 施例中,所有奇异值和奇异向量可由早期事件检测器130存储(与nPC 的当前值无关),并且可应要求而生成所有其它信息(例如得分和统计 数据)。可在基本PCA计算中适应"胖"和"瘦"这两个问题,并且可在 PCA计算中直接适应无效数据(例如坏值或缺失值或"NaN")。有效协方 差计算可用于协方差矩阵S的公式化,例如提供"滞后输入"的效用函 数,并使用在分析上严格的、并且完全将对称和To印litz结构用于自 相关数据的快速相关更新算法来实现。 可以表明,协方差矩阵S的奇异值等于同一矩阵的本;f正 值(其中,ai是X的第i个奇异值,以及、是XTX的本征值)。还可以
1和等于总累计方差。因此,可基于个体主分量的方 差的比例可表示为
(19)
'r顺
通过第i个奇异值(主分量)解释(或捕获)的累计方差可表示为
c"渔 (20) 可基于第i个主分量的实际方差可表示为
v,(21)
以及由第j个主分量说明的第i个变量的方差的比例可表示为
、=々 (22) —旦定义了 PCA模型,模型中的主分量的数量就可减 少。npc的值的确定可以是手动或自动的,且自动化的方法可基于精确 度(数据的方差表示)与复杂度(子空间大小)之间的折衷。以下表示用于 确定npc的值的各种方法。在第一"门限"法中,要保留的主分量的数量 (npc)基于由保留主分量所捕获的累计方差的比例。如前面所示,s 表
示第i个主分量的方差。对于门限测试,用户可规定c(的值的门限。
可将《的值满足或超过少见定门限的i的第一值用作npC的值。 第二,在"梯度变化率,,法中,将中阶多项式(例如六阶多 项式)与方程(20)所定义的累计方差曲线拟合。可对该多项式计算二次 导数,并确定关键值(例如拐点、最大点和最小点)。还计算函数的当 前值与起始值的比率。其解或是因其而函数成为最小的值或是因其而 该比率小于O.Ol的第一值。换言之,如果仍未检测到最小值,但该点 的函数的最大值比起始值大IOO倍以上,则当前值为解(npc的值)。注 意,上述值0.01和10(H叉作为示例。 笫三,在"根检验"法中,仅保留具有超过平均本征值的 本征值的主分量。均根可表示为F = I . (23》
dim("
式中,根据下式来确定要保留的分量数
<F;l dim(2) (24)
第四,在"分段检验,,法中,可将一行单位长度随机分为 p段。第k个最长段的预期长度可给出为
1P 1
g* = ^7 (25)
Z7 /。* Z
如果第k个本征值的比例大于gk,则可保留直至k的主分量。
第五,在"伪Bartlett"法中,本征值的"一致性"可被逼近。 最后保留的主分量可为与最小本征值(或者假定本征值从最大到最小 排序时的最小k)对应的主分量,因其所i^明的变异性的比例的第一递 差大于方差的平均比例的四分之一。这可表示为
^^:>^1 (26} ,)_p
这里的解是找出上述表达式因其而成为真的i的最大值。注意, 上述的值"四分之一,,和0.24 ^L为示例。第六,在"Velicer氏检验,,法中,此方法基于主分量的一 个或多个被去除时的原始变量之间的偏相关。此方法利用以下事实 可在任何时间根据方程(6)-(8)重构原始协方差矩阵S。新矩阵\]/可定义 为
"t/S0.5 (27)
式中
(28)
偏协方差矩阵可表示为
& = ^-Z v'《 &=0=> (29〉
式中,Vi表示矩阵ij/的第i列。偏相关矩阵可写作A = Z^X巧。'5 (30)
式中,Ds表示由Sk的对角元素构成的对角矩阵。这里,R。表示 原始相关矩阵,R表示矩阵S的缩小形式。Rk表示笫k个偏相关矩阵, 它是在去除k个主分量之后的残差成分之间的相关性矩阵。函数
~1 ,一 ,
是k级的偏相关的平方和,并且作为k的函数,可具有范围在 l<k<p的最小值。与fk对应的k的值指明要保留的分量数。 还可手动或自动地由早期事件检测器130将用来生成 PCA模型的原始数据缩减。可将手动放缩分配给变量的任何子集。在 一些实施例中,根据以下表达式可实现基本缩减
x, = (乂 - c,)",. (32)
式中,yi表示第i个原始过程变量,xi表示第i个放缩变量,ci 表示第i个变量的中心值,si表示第i个变量的尺度值(scalevalue)。 对于自放缩变量,每当更新或训练PCA模型时,可重新计算中心值和 尺度值(ci和si)。可计算中心值和尺度值,以确保;故缩变量单位方差的 零均值。用户可能无法修正这些值,除非将早期事件4企测器130的沖莫 式从自动改变为手动。在训练或4臭型构建操作中,可以不修正手动放 缩变量的中心值和尺度值。这些值都是用户直接可访问的,并且可提 供交互对话框,以显示它们对变量的平均、方差和分布曲线的影响。 在一些实施例中,PCA模型的内在4叚设是数据呈现平稳 行为。对于时间序列分析,情况通常不是这样。要减弱这个问题,可 将EWMA滤波器或其它滤波器用作;^文缩算法的一部分。滤波器的作用 是按照下式以指数方式动态调整变量的中心值
=、 (33)
式中,T表示滤波器的时间常数(单位为分钟)。这里,时间常数对 于所有变量可以是相同的,并且可以是用户指定的,初始中心值可确立为
1 d
。(0)=7!^力〕 (34)
式中,初始化间隔d可由用户指定。除了从数据的训练集中去除
非平稳效应之外,滤波器还可为运行时间预测器(早期事件检测器130 的在线部件)提供反馈。因此,运行时间预测器中使用的时间常数可不
同于用于模型构建(在训练期间)的时间常数。此外,滤波器时间常数 可在运行时间环境中动态改变,以作为过程调节的不平稳特性自适应 地调节。 时间相关性和传感器噪声对基于PCA的计算也会有问 题。可用各种方法来克服时间相关性。例如,可使用"滞后输入"法或 非因果动态去补偿法来处理这种情形。还可使用各种方法来克服传感 器噪声。例如,让每个输入数据流通过如下的二阶滤波器可减弱高频 传感器噪声
同样,时间常数T对于所有变量可以是相同的。在一些具体实施 例中,时间常数大约为数秒(1;<1.0),并且以不足一分钟的间隔运行该 运行时间预测器。 —旦计算了负荷向量并且为PCA模型选择了要保留的 主分量数,就可完整地定义PCA坤莫型。然后可对于任何新的数据矩阵 来计算得分向量。设Z表示根据新的数据矩阵X计算得到的得分矩阵。 由此推断,数据矩阵l的预测值可定义为
(36)
仅使用保留主分量进行的得分预测计算可表示为
Z=ZP (37)
它可用来将方程(36)改写为
hZPi^ (38)当成批数据可用(例如在使用训练数据的离线才莫式中)时,可推算 出得分和数据估计矩阵。对应的误差矩阵可给出为
(39)
E的第i行对应于时间i处的预测误差。误差和估计向量可写作
e' = [e,,i e" …^『 (40) 4 = x, - ;, (41)
《=PP7、 (43〉 当只有增量数据可用时(例如在运行时间),以下计算可分别用于
得分和估计向量
z, = (;c,户)r -/>、 (44) A =(《尸r)r =尸z, (45) 在不是全部主分量都祐:使用时,方程(40)-(43)中定义的 残差或误差表示没有由PCA才莫型说明的多变量数据的一部分。这个误 差或"残差"可用Q统计来捕获或表征。例如,时间i处的平方误差和 可规定为
Qi表示根据PCA才莫型所定义的k维空间的距离—A的平方和。 这个值可称作"平方预测误差"(SPE)。或者,它可表示方程(39)所示的 E的各行(样本)的平方和,可计算为
Q,-(x广i^,:dP;) (47)
式中,分向量&用方程(44)算出。Qi值指示各样本与PCA模型的 一致程度。它是没有由模型中保留的npc个主分量捕获的各样本的变 化量的测量。 Hotelling T2统计表示一个给定系统或过程的变异性的整 体测量。对于PCA分析,丁2统计可由下式给出r = o广^ys-1"-3f)
(48)
这里,Xi表示矩阵X中的第i行数据。丁2统计的分布可给出为
- _p
—-1)
r2 e尸o,n- p)
(49)
式中,rv表示矩阵X中的行数,p表示矩阵X中的列数,F表示F 分布。f统计的另一个可能的参数化可表示为
(50)
式中,°—5表示一般情况,表示小观测校正情况。 Q统计的解释可以比较筒明,因为它可表示平方预测误 差。f统计的解释可如下进行。f统计可涉及个体向量观测与向量的 "控制中"平均的一致性。这通过查看此统计的几何解释即可了解。这 个解释可通过方程(48)直接给出。其中,仅需要两个元素向量x,方程 (48)可写作
r2 = [x-& x2 -元2] 这可改写为
、2A,2—1
为,2;2 -、
(51)
r2=-
式中,相关系数p可定为
(52)
、2
(53)
当Xi和X2不相关时,p等于O,方程(52)的中间项为0,且大括号 之外的常数系数等于l。因此,这个表达式定义与^和X2轴对齐的椭 圆的方程。该椭圆的中心位于③,X2)。如果Sl大于S2,则长轴和短轴分
别为Ts!和Ts2,椭圆距离(从椭圓焦点到椭圓表面的距离之和)为2Tsla
当S2大于S!时,则S!和S2在长轴和短轴以及椭圆距离中的作用相反。
当&和x2相关时,p不为0,相关系数定义Xl,x2平面中的椭圆的凝:车争量。与p的值无关,方程(52)表明,f与点(X!,X2)离椭圆中心的距离直 接相关。通过扩展,高维椭^^面可具有与这里就二维情况讨^i仑的情况 相同的一般特性。 虽然上文使用方程(52)来表示T2统计,但是,它的计算 利用从PCA训练计算得到的SVD结果。由于计算中使用的数据矩阵 是零均值,所以方程(52)可写作
z;2 "frt,- (54)
这里,将下标i添加到量度,以强调它在新的x向量存在时;故更 新。虽然方程(54)是T 的一般表述,但可将它改写从而得到下式
i;、;c〖raf;i:, (55〉 7;2=《2;、 (56)
式中,按照如上所示方式来计算得分向量Zi。方程(55)和(56)也描 述椭圆。但是,在此例中,z值不相关,且S矩阵是对角矩阵。因此, 这个椭圆没有旋转,其中心在点(0,0)处,并且与ij主分量方向对齐。 尽管Qi和T2在抽象意义上定义系统或过程发生的情况, 但它们不会单独地提供关于任何异常的原因的实际指示。理想的情况 是,还提供与判定异常的原因有关的任何信息。为此,可用PCA才莫型 来判定哪些输入(变量)可能对任何反常行为负责。被看作是"关键,,变 量, 一项输/v要可同时满足以下两个判据
2,>2lim以及 (57)
e乂 =—烏j > ro^ (58)
式中,Qikn等于对于Q的a级置信限,巧表示训练期间第j个输入 变量的误差的标准偏差,r表示概率级(probability level)放大因数(例 如2或3)。方程(57)中给出的第一判据意味着,当Q良好表现(小于其 极限或门限值)时,不存在"关4定贡献项"。在方程(58)中, 一旦Q超过 其极限,则可将关键贡献项定义为其预测误差大于固定常数(r)乘以在 训练数据集的期间遇到的预测误差的标准偏差的那些变量。虽然当Q超过其极限时可定义"关键贡献项",但是,"最坏作用项"(有时称作"坏作用项")可被计算且可用,无论Qi和T\2的值 如何。最坏作用项相当于其预测误差对Qi的当前值贡献最多的那些变
量的列表。最坏作用项可按照它们对Q的百分比贡献来排序,如下式 所示
一旦对于所有输入l都已计算,变量可相应地排序,将最大百分 比贡献置于列表的上部。 另一个有用量度是"得分曲线(score plot)",其中,在 各时间点确定得分或z值(如方程(44)中定义)。可将这些值标绘出,作为 主分量的函数。由于这些主分量可定义"子空间"方向且是正交的,所 以可在便利的笛卡儿坐标中标绘出得分值,其中,相对主分量标绘出 作为时间的函数的得分的演变。置信椭圆也可^1标绘出,并定义可接 受行为的区域,来自训练集的数据和模型从未见过的新数据均可被标 绘出(例如用不同的颜色)。该曲线可包括子空间表面(包括那些与才莫型 未保留的主分量对应的子空间)的任何组合。 还可对于Qi和f统计建立置信界或置信限。在一些实 施例中,可对于所有关键系统量度来计算置信限。在一些具体实施例 中,可对于Qi以及T 统计,计算并图示一维限。还可对于得分,计 算并图示二维限。另外,还可通过高维空间(例如超立方体)来表示得
分,其中使用笛卡儿三维以及可能的附加维(例如通过颜色、球面大小 或其它数据点属性而提供的四维和五维)。还可表示出得分的^:影和旋 转。 在一些实施例中,可使用未用本征值的方法来计算Q, 参数的Q置信限。这里,与未用本征值有关的参数可定义如下
《=t义/ = "3 (60〉
未用本征值的分布可定义为3《
借助于这些定义,值乓可确定为

6^(A—l)
W^TT^~ (62)
值《通常以零均值和单位方差近似地正态分布(这意味着
《e^((V))。对Q的上述表达式(Q极限)求解,得
e*扭/ W(/卜l)
《~-H-----
《 《
(63)
由于Q在这里是二次函数,因此,可将f的单侧极限确定为正态
概率密度函数的a解。 在一些实施例中,可按照如下方式计算T 参数的T2置 信限。T 量度可直接与F分布有关。因此,f置信限可由下式给出
F,可确定为F概率密度函数的a解。 —旦确定了这些置信限,就可生成置信椭圆。由于T2 统计的分布可与F分布有关,如方程(64)所示,通过直接应用F分布 的定义,作为F(^c,:i- n"分布的a水平(例如5%、 1%或0.1%)的概率
& , 、F'("pc,"-"尸c,Q0 (65)
C("-Wpc)
可被确定。由于上述表达式表示nPC维椭球面,因此,这个椭球 面表示得分向量z的联合分布。在这种形式中,不存在椭^^面的旋转, 因为Z为对角线,且椭球面与主方向(主分量)对齐。可用训练数据来 定义椭球面,并且椭球面内的所有得分可处于(l-a)概率水平。因此, 可采用相对的置信水平(例如95%、 99%或99.1%)来确定,椭J泉面之外 的得分不是来自与训练集相同的分布。根据此实现,向用户呈现高维面可能是不实用的。因此,早期事件检测器130可提供作为二维椭圆的Z置信分布。可将这些椭 圓解释为通过椭球面的平面。因此,Zi、 Zj可表示为下式
、_、-
《力-
c
(66)
c("-"户c)
将各项组合,给出对于早期事件检测器130提供的得分曲线中使
用的置信椭圆的最终形式的下式
(67)
(68)
在方程(67)和(68)中,明示出零值,以强调椭圆的中心处于(O,O)位
置。还明示出分母中的平方项,以强调大直径和小直径由对应的平方 项(例如V^7)给出。不管模型中保留的主分量数如何,通过利用得分 曲线中的控制来简单地将纵坐标和横坐标巻动到要求的指标(方向),
可示出在任何ij平面中的椭圓。可注意到,方程(67)和(68)表明,PCA 方法如何使形成正交坐标系的一组主分量与方程(48)所定义的椭j求面
对齐。因此,这些主分量形成置信椭圆的轴。 如上所述,早期事件检测器130可在其工作期间使用各 种分布。这些函数的示例定义如下。这里,v和r分别是自由度和y 函数。"正态"分布可表示为
V2v
{69〉
't"分布可表示为
i r((v+i)/2)
抑 r(v/2) '卡方"分布可表示为
1+匸
V
(70)
1
2v'2r(v/2)
々]'
v/2-I
(71)'F,分布可表示为
r(、/2)r(v2)
、VW
v2
(72)
还可使用概率解,其中,标星号变量标示为使用相应概率密度函
数的解。这些受关注的变量可包括11*、 t*、 X"。F*。通过对下式求解 标星号值,可在概念上获得这些变量
^-o/j /rf/ (73) o
式中,戶表示用户指定的置信度(例如95%、 99%、 99.1%), a等 于1或2(取决于釆取一侧还是两侧分布),C表示对上述积分式求解的值。 早期事件检测器130还可支持处理缺失或坏数据的一个 或多个功能。有各种方法可用于处理缺失或坏数据。所选的具体方法 取决于如何使用数据。例如,可根据将数据用于训练(离线)还是用于 预测/评估(在线)来进行区分。 在一些具体实施例中,有两种方法可用于在PCA冲荚型合 成期间处理坏或缺失训练数据。 一种是行消去法,而另一种是元素消 去法。在行消去法中,自动去除包含坏或缺失数据元的数据矩阵X中 的任何行。在元素消去法中,以内联(inline)方式改变协方差计算, 使得仅从计算中去除个体坏值的影响。由于涉及坏值的任何运算(例如 + 、 -、 *和/)本身可产生坏值,因此,可"展开,,协方差计算,以去除这 些坏值运算的结果。内联协方差方法可能要求使用索引标记来隔离坏 值位置。可在任何时间由用户指定用于处理坏训练数据的方法,并且 默认选项可以;l/人数据矩阵中删除行。 对于预测数据,预测期间的坏或缺失数椐选项其中之一 可涉及替换坏数据。早期事件检测器130还可支持用于处理坏或缺失 预测数据的各种估算(imputation)方法。估算方法表示根据可用有效 数据来估算或估计坏的或缺失的那些值的方法。然后可将估算值用作输入值,并且预测可通过常规方式进行。在一些实施例中,当足够的 输入信道包含无效数据、使得估算算法产生不可靠估计时,可自动调 用动态重启。可将几种不同类型的估算方法用于根据已知PCA模型 来估算坏或缺失数据。它们包括截断得分(TRI)、单分量投影(SCP)、 到模型平面的联合投影(PMP)、迭代估算(II)、平方预测误差(SPE)的最 小化、条件平均替换(CMR)、已知数据回归(KDR)的最小二乘以及截 断得分回归(TSR)。可让用户选择要使用的预期估算方法。 在到模型平面的投影即"PMP"法中,考虑第i个样本区 间处的得分向量,如以上方程(44)中所示。至此,P矩阵隐含地表示为 P=V(l:nPC)。下文中,P是全维(表示P二V),并使用下标来规定划分。 此例中,P是标准正交的,并且新测量的多变量向量可表示为
x = Pz (74} 这里,为便于符号表示,去掉了下标i。另外,在下文中,假定数
据矩阵X具有维数nxk。考虑新的观测向量x具有部分坏或缺失数据。 假定x的前r个元素为坏或缺失数据,而其余k-r个元素为有效数据。 )現测向量可划分为
k (75)
式中,乂#表示坏或缺失数据向量,以及x'表示经观测的有效数据 向量。这引起数据矩阵X中的下列划分
Z =Jf'] (76)
在上述表达式中,X存是包含X的前r列的子矩阵,而乂*容纳其 余k-r列。相应地,P矩阵可划分为
, (77) 一尸」
式中,?#是包含?的前1:行的子矩阵,而P'容纳其余k-r行。假定 保留P个主分量(p〈k),则得分向量、可以是相关的。于是,可得下由此,方程(74)可改写为

尸二户*
根据定义,残差向量e可表示为:
因此,观测向量X可定义为:
^+议 、+bfe
6*
或者:
(79)
(80)
(81》
(82〉
由方程(82),如果对于坏或缺失变量(X"没有值输入,则得分可仅
基于测量变量(^)的有效值。因此,这种情况的才莫型可表示为
Z《 +e' (83)
或者
e.尸二 (84)
目标可以是查找得分向量Z化,它使误差向量e'为最小。这个问题 的最小二乘解表示为
2, =
(85)
当数据向量x中存在坏或缺失值时,方程(85)给出对得分向量的 解。对于任何lSp^k,此为真。这种方法是所谓的"到模型平面的投影" 法。这种方法可能受到在极端条件下缺失数据所引起的P的列之间的 正交性丟失的影响,但在许多实际情况下,丟失是可忽略的。
7
p尸
尸l
■ -1』
II


取决于实现方式,方程(85)的直接解可能有问题。对于
接近共线的《/的列,《'《可任意地成为病态的。本例中,不可直接 进行反演,并且该解可需要揭示分解的某种形式的秩。可使用迭代方 法来避开共线P矩阵所需的因子分解步骤。为此迭代方法,方程(85) 可改写为
如果x'的坏或缺失值为已知,则得分向量的直接解由下式给出
~ + (87)
将它代入方程(86),得到乂#的新估计
^-《、 (88)
可将它又代入方程(87),以产生Z!:p的新估计。此过程可重复进行,
直到收敛为止。该算法最初可假定x、0)-0。收敛时,估计得分向量可 与通过方程(85)所得相当,因而与PMP方法等效。对于接近共线的P, 这种方法可如方程(85)的解中那样受到有害影响。在迭代解中可易于 检测到近共线性。当此条件发生时,可自动调用KDR法来确保可靠的解。在对已知数据回归的最小二乘即"KDR,,法中,根据关于 当前数据来自与原始训练数据相同的分布的假设,来计算新的得分。 为此,估计可基于原始训练数据矩阵X。至此,Z矩阵隐含地表示为 Z=T(l:nPC)。在下文中,Z是全维(表示Z-T),并且用下标来定义划分。 在该方法中,数据矩阵X可写作
7 (89)
式中
五W^ (90)
这里,E是原始训练模型的残差矩阵。p个保留主分量的得分矩阵 可由下式给出Zl,Z ;+《 (91)
目标可以是从具有坏或缺失值的观测向量来估计得分。这可根据 PCA模型的构造中使用的数据矩阵来实现。为此, 一个基于上述表达 式的才莫型可定义如下
(92)
它可按照误差矩阵而写作
(=Zt:p-JT> (93) 作为巧W的估计的未知矩阵P的解可以是使误差矩阵、因而使项
^^二成为最小的一个。方程(93)的最小二乘解可以是
〃 =[Z* 寸V 、 (94)
式中,X'包含与观测向量的新的不完整元素的测量值对应的数据 矩阵的k-r列。得分向量的估计值可表示为
(95)
在方程(95)中,x'是去除了坏或缺失值的新观测向量,解矩阵(3是 (k-r)xp维的矩阵。根据此实现方式,方程(94)的直接解也许是不可能 的,因为存储与原始训练数据对应的数据矩阵也许不可行。但是,重 构与训练数据相关的任何协方差信息也许是可能的。由方程(6)-(8),放 缩协方差矩阵可写为下式
A'rz = ("r-1)尸i;i^ (96)
因此可得下式
t^'s( -1)尸'LP'11 (97) ir* *s(Mr-l>P*SP#r (98》
根据保留主分量的得分矩阵的定义,可得下式
x' 、 w +《) (99〉
对于与数据矩阵X无关的(3,则可得下式由于PTP=I,可将J3的表达式修改为以下最终形式
方程(95)则可作如下修改,从而产生最终得々
'"Pjc* (102) 虽然方程(102)可相当于KDR法的分析解,但是,它对 于共线问题可能是坏情况。以下表示新的解,其中将KDR法重新用^^ 式表示为2-范数问题,并使用揭示QR因子分解的秩来求解。在这个 求解中可使用两步过程。新矩阵D可定义为
Z>-2°'5 (103)
随后,不失一般性,可假定卩的列是全维k。这允许方程(101)改 写为 这个估算能力的一个有益效果是在运行时工作期间有效 抑制一个或多个变量的虚4i行为的影响的能力。例如,可将KDR法用 于这个任务。由于KDR法估算值,就好像这些值来自原始训练集一样, 因此,被抑制的变量实际上对于PCA模型的性能可以没有影响(但是,
如果抑制了足够的变量,使得"尸"变为坏情况,则可能影响性能)。 在运行时操作中,通过设置可用于各变量的抑制标志,可抑制任何变 量。在算法上,可以不区分缺失数据和抑制。可手动、自动或以编程 方式来调用抑制。可抑制任何变量,或者在变量已经处于抑制状态时 去抑制。可通过无缝方式来实现对变量进行抑制或去抑制。由于*£定 数据来自原始分布,所以统计不会受到不利影响。在许多情况下,只 要在强反常行为的时段中没有发生转变,则转变可以是无冲击的。以上描述提供了在方法200的一个实施例中执行的各种 运算(尤其是与创建和改进PCA沖莫型相关的那些步骤)的数学基础。 支持由早期事件检测器130调用这些功能的某些部分的用户界面如图 3至图43所示,下面进行描述。方法200或早期事件检测器130的其 它实施例可使用任何其它或附加基础进行运算。 虽然图2A和图2B示出用于早期事件检测的方法200的 一例,但可对图2A和图2B进行各种变更。例如,虽然示为一系列步 骤,但是,方法200中的各个步骤可重叠或并行发生。还可按照特定 需要来添加、省略或者组合各个步骤。 图3至图43示出用于早期事件检测的示例工具。具体来 说,图3至图43示出与用于图1的早期事件检测器130的用户界面的 一种具体实现有关的各种细节。图3至图43所示的细节仅用于说明和 解释。早期事件检测器130的其它实施例可按照任何其它适当方式工 作。虽然下面描述具体输入和输出机构(例如鼠标、4走盘和其它I/0装 置),但它们仅用于说明。图3和图4示出用于调用与创建、测试和部署统计才莫型相关的各种功能的一例用户界面。更具体来说,图3示出一个示例菜
单300,以及图4示出一个示例工具栏400。例如,可作为运行 MICROSOFT WINDOWS操作系统的计算装置生成的窗口的一部分来 显示菜单300和工具栏400。在具体实施例中,可通过4壬何适当方式 来调用早期事件检测器130 ,例如通过调用HONEYWELL INTERNATIONAL INC.开发的PROFIT DESIGN STUDIO、然后再经 由RPFIT DESIGN STUDIO调用早期事件检测器130来进行。然后, 可由用户使用菜单300和工具栏400来选择众多功能,例如创建或修 改PCA、纟莫糊逻辑或EED一莫型。 可通过其它方式,例如经由工具栏400上的按钮、使用 热4定或者以任何其它适当方式,来访问菜单300中列示的部分或全部 功能。在图4中由左至右,可使用工具栏400中的4务組来调用以下功 能
-设置(早期事件检测器130的)整体选项
誦执行PCA计算(创勿训练PCA模型)
陽执行才莫糊逻辑计算(创勿训练才莫糊逻辑沖莫型)
-创建EED模型
誦以全预测模式来评估EED模型
-显示分量和统计的详细PCA才莫型结果
-显示PCA贡献项和得分曲线
-添加、去除和修改事件
-对PCA才莫型去巻积
-执行数据向量运算
誦执行NaN(坏/缺失数据)检测
-给坏数据加标记
-将坏数据去标记
-显现/隐藏坏数据标记
-显示具有当前设定项的图像缩放选项。
图5和图6示出用早期事件检测器130来启动新才莫型创 建的一例用户界面。在(例如经由菜单300中的"File,,(文件)选项)创建 新的气EED文件时,可向用户呈现图5所示的数据选择窗口 500。单选 按钮502可让用户选择是从一个或多个数据文件还是从外部源导入数 据。 一般来说,导入数据可包含多个变量的测试数据。测试数据一船 包括对于某个时间段获取的过程变量的取样值,它们代表^^型需要的 预期条件。可使用根据具有来自一点或多个点的数据的文件的测试数 据。 如果选取"Data Files"(数据文件),则可向用户呈现文件 列表,并可让用户选择用于导入的特定文件。可选择用于导入的可能 文件可包括气MPT(ASCII多点数据)文件、气PNT(ASCII单点数据)文件 以及气XPT(XML格式化多点数据)文件。 如果选取"Extemal Source,,(外部源)选项,则可创建并开 启所选类型的空文档。空的开启文档可支持从一个或多个外部(非 *.MPT、 *.XPT、或气PNT)源导入数据。这些源可包括另一个基于数据 的文档类型,例如直接导入到气EED文件的气MDL文件(RPOFIT DESIGN STUDIO中的模型文件)。这些源还可包括外部应用程序,例 如MICROSOFT EXCEL。 在将数据导入早期事件检测器130时,可向用户呈现文 档600,如图6所示。文档600包括导入数据中定义的变量的列表602。 在本示例中,列表602(除了其他以外还)标示导入数据中的变量的名 称、类型、类和描述。当用户选择开启现有的气EED文件(而不是通过 导入数据来创建新文件)时,可向用户呈现相同或相似的文档600。 图7A和图7B示出用于采用早期事件检测器130来编辑 变量数据和其它^^莫型数据的一例用户界面。可经由菜单300下的 "Edit"(编辑)选项或通过任何其它适当方式来调用模型数据的编辑。这 可向用户呈现功能的列表700,如图7A所示。访问此列表700中的功 能的步骤可取决于应用程序的当前状态,例如当前视图、选择状态和过去事件。典型的编辑操作包括剪切、复制、粘贴和删除操作。剪切、 复制、粘贴和删除操作可作用于数据,并且可用于在给定文档内移动 或重新排列数据和模型,或者将数据合并为一个或多个文档。还可用
标准拖放功能来执行复制和粘贴操作。可将"SelectAU"(选择全部)选项 可用作快捷方式来根据当前视图选择所有变量。可将"SpecialMod"(特 歹^N莫式)选项用于复制、粘贴和删除才莫型。"Undo,,(撤消)和"Insert New Variable"(插入新变量)操作可仅涉及(例如图6所示的)电子表视图,并 且可用于例如在文档600中创建新变量。可用列表700中的"Var Info"(变量信息)选项来呈现如图 7B所示的对话框750,它支持对关于变量的描述信息的编辑。作为一 个具体示例,用户可选取图6的列表602中的变量,然后选取列表700 中的"Varlnfo"选项,来编辑那个变量的信息。在图7B中,文本框752 可让用户编辑变量的名称、点或标语(tagline)、参数、 一般描述和 工程单位。单选按钮754可让用户编辑变量的类型(训练变量或输入变 量)。在一些实施例中,用户可能无法改变"Reduced Variable (RV)"(筒 化变量)的类型或者改变为"Reduced Variable(RV)",其中筒化变量在主 分量回归期间使用且可能不在气EED应用程序中得到。在一些具体实 施例中,变量类型在气EED应用程序中可能是无关紧要的,并且训练 变量和输入变量均可用作对任何PCA模型的输入。但是,当该类型萍皮 改变时,它可能根据已经执行了哪些过程而具有重大影响。类型改变 可涉及删除和替换变量,并且在类型改变时可向用户显示一个或多个 告警消息。 图8示出一例用于用早期事件检测器130来标记坏或缺 失数据的示例用户界面。例如经由菜单300下的"Insert"(插入)选项, 可将特殊标记与运行数据配合使用。于是,可向用户呈现功能的列表 800,如图8所示。可使用这些标记来指明坏/缺失数据或者不可用于 某些运算(例如模型训练)的数据。可用列表800中的选项来插入或去除 标记。另外,可以显示或不显示这些标记,这由列表800中的最后一来实现数据的标记和 去标记。图9示出一例用于采用早期事件检测器130来调用不同 数据操纵的用户界面。例如可经由菜单300下的"Data Opemtions,,(数 据操作)选项来调用数据操纵。于是,可向用户呈现功能的列表900, 如图9所示。这里可列示将对数据执行的(除剪切、复制、粘贴和删除 操作之外的)操纵。前两个选项涉及常驻进程或原始数据的实际改变。 第三选项可让用户快速访问数据的整个统计属性。其余选项可处理数 据的导入和导出。通过使用块操纵,可同时操纵所选变量。可通过交 互方式用许多选项来修改所选变量的多个范围,各撤消选项可消除可 能出现的问题。详细计算可施加于一个或多个变量,并使用"Vector Calculation"(向量计算)选项来执行。这些计算可包括变换、滤波器、统 计、手动编辑、异常值检测以及组合多个变量的能力。这些操作可堆 叠,其中源数据和目标变量被自动恢复。 图10示出用于选择早期事件检测器130所提供的信息的 不同视图或呈现的一例用户界面。例如可经由菜单300下的"Views"0见 图)选项来选择不同视图进行呈现。这可向用户呈现选项的列表1000, 如图10所示。作为示例,这些视图可让用户查看包含具有不同范围、 模型、尺度放缩、图像缩放和其它选项的数据图的显示。列表1000中 的第一分隔线(separator bar)之前的选项对应于与运行数据关联的视 图。下一组选项涉及可显示的各种类型的模型。第三组选项可用来配 置在数据区中如何显示各种数据。最后一组选项可用来启用/禁用工具 栏以及窗口底部的状态栏。 图11示出用于使用早期事件检测器130来构建不同模型 的一例用户界面。例如,选取菜单300中的"EED Model"(EED模型) 可向用户呈现冲莫型操作的列表1100,如图11所示。可将列表1100用 来调用与创建和分析EED(统计);溪型关联的所有功能。它还可支持整 体建立和预测操作。通常由上至下调用列表IIOO中的操作。可将这些选项用来创建、训练、修改、重新配置、分析和评估PCA才莫型、才莫糊 逻辑模型及EED模型。用户还可选择和排除数据、调用备选的放缩策 略、调用各种才莫型类型的计算以及访问各种模型的任一个或全部的预
测性能。在图13至图43中示出关于模型的创建的其它细节,下面进 行描述。菜单300中的"On-line Configurations"(在线配置)选项之 选择,可使才莫型对于早期事件检测器130的在线才莫块成为可用于预测。 该选项的选择可支持创建一组在线预测器。这个选项可4是供用于选择/ 配置最终模型的单选项。除了选择和配置一个或多个模型之外,这个 选项还可支持在线环境中以预测模式运行所选才莫型所需的所有文件的 创建。菜单300中的"Tools,,(工具)选项之选择可使特定工具对 于用户成为可用。于是,可向用户呈现工具的列表1200,如图12所 示。在统计建^莫会话期间,工具功能、如全局离群值检测可以是可用 的。要创建或修改事件,可选取列表1200中的笫二选项。图25至图 29示出与事件的创建或修改有关的其它细节,这将在下面进行描述。 在任何时间,可通过使用第三选项来导出事件的当前状态,它可将所 有事件信息从一个文件转移到另 一个文件。最后一个选项可用来评估 涉及用PCA才莫型递归地对协方差信息去巻积的一些新方法。图13至图43示出用于使用早期事件检测器130来构建 不同模型的一例用户界面。具体来说,这些附图示出在构造PCA、模 糊逻辑和EED才莫型时可向用户呈现的不同对话框和其它界面机制。用户能够通过选取列表1100中的"Set Overall Options"(设置整体选项)或者工具栏400中的适当按钮,设置早期事件 检测器130顶层的各种选项。于是,向用户呈现对话框1300,如图13 所示。在对话框1300中,单选按4丑1302可让用户选择4吏用哪一种方 法来确定在PCA模型生成期间要保留的主分量的数量。对于"门P艮"法, 默认门限值可以是"90%"或任何其它值,并且可使用向上-向下按钮来改变该百分比。对话框1300的"Confidence Levels"(置信度)部分1304 可让用户指定用于建立Q和f统计的概率极限的置信度。各统计的默 认值可以是"95。/。"或任何其它值,并且可使用向上-向下按钮来改变百 分比。如上所述,单选按钮1306可让用户定义在训练和预测期间如4可 由早期事件检测器130来处理坏或缺失数据。可通过选取菜单300下的"Create/Tmin PCA Models,,(创 建/训练PCA才莫型)选项、工具栏400中的适当按钮或者通过任何其它 适当方式来启动新PCA模型的创建。于是,可向用户呈现对话框1400, 如图14所示。对话框1400包含标示现有PCA才臭型的下拉菜单1402 和用于调用某些PCA相关功能的按钮1404。如果用户选取对话框1400中的"Create New Model"(创 建新模型)按钮1404,则在图15所示的PCA模型视图1500中创建和 列示新的模型。在本示例中,PCA模型视图1500列示现有PCA才莫型 以及被创建的新PCA模型。PCA模型视图1500可用暗底色来突出显 示新模型或者用户所选的模型。在这个视图1500中,左列1502标示 PCA模型的名称。在创建和训练新的PCA模型时,填充其余的列 1504-1506。选取对话框1400中的"Show and Select Inputs,,(显示和选 择输入)按钮1404可向用户呈现图16所示的对话框1600。这个对话框 1600可让用户指定要用于生成PCA模型的变量。可将不同方法用于 选择要包含在PCA模型中的变量。 一种方法包括在PCA模型中使 用许多测量变量;以及不对变量进行预先筛选而尝试使用尽可能多的 这些变量。这种综合方法可发现变量之间的未知关系,它们在检测受 关注问题时是有用的。另 一个方法是仅选择与特定的关注问题有关的 变量。这个方法可极大地依靠用户在选择变量时对过程或系统的了解。 一个折衷方式可能是使用两种方法的组合,例如以一组对于系统或过 程中的关键关系很重要的变量(例如质量和能量平衡)开始,然后添加 预期的相关变量(例如列中的温度分布)。示可选择用于包含在PCA才莫型 中的变量。列表1604标示已经包含在PCA模型中的变量,其中已经 用那些变量对PCA模型进行了训练。列表1606标示在PCA模型的下 一个训练期间要添加到PCA模型的变量。 一般来说,在用变量来训练 PCA模型之前,列表1606中列示的那些变量没有成为PCA才莫型的一 部分。可使用"Add"(添力口)和"Remove"(去除)按钮1608在列表1602和 列表1604-1606之间移动变量。可使用"Load Existing"(加载现有)按钮 1608来忽略对变量的任何改变,并使列表1602-1606恢复到PCA模型 的当前状态(与PCA才莫型的最后一次训练相关联的状态,若有的话)。选取对话框1400中的"Show & Exclude Ranges"(显示和 排除数据范围)按钮1404可向用户呈现对话框1700, 如图17A所示。 如上所述,PCA才莫型可用一组正常运行数据来训练,然后对比一组异 常现象来评估。因此,用户可收集一组正常运行数据来训练PCA模型, 并收集一组包含正常和异常事件的数据来测试PCA才莫型。可用图17A 所示的对话框1700来选择用于形成PCA模型的训练数据。如这里所 示,对话框1700的标题栏1702标示要加以数据排除的;f莫型。注释1704 标示已由早期事件检测器130或用户标示的事件。曲线1706表示不同 变量随时间而变化的值。用户可在对话框1700中以任何适当方式来选择要排除 或包含的数据范围。例如,可用虚线1708表示与鼠标或其它输入装置 关联的当前位置。可在按下鼠标左键时使鼠标沿x轴扫过图形外部, 这样就选取了数据的范围。一旦释放了鼠标左4建,可使用突出显示1710 来表示用户所选的数据范围,如图17B所示。这里,将突出显示1710 表示为灰底色,它指明数据范围的未决排除。在PCA才莫型的下一个训 练期间,从训练集中排除所选数据范围,并且突出显示1710可改变成 (例如紫色交叉阴影图案)来表示所选数据范围的实际排除。如图17C所示,还能够重新包含来自排除数据范围的数 据。用户同样可在按下鼠标左键和键盘上的"控制"键或其它按键时使鼠标扫过已排除数据范围。这可让用户标示要重新包含的数据范围或 者要保持排除的数据范围。在图17C所示的示例中,尚未用已排除数
据范围来训练PCA模型,而灰色突出显示1710已被修改为包含一个 重新包含部分1712。如果已经用已排除数据范围训练了 PCA模型, 则突出显示1710可为紫色交叉阴影,要保持被排除的数据范围可用交 叉阴影底部的灰底色来标示,而要重新包含的数据范围可省略交叉阴 影底部的灰底色。选取对话框1400中的"Set Model Options"(设置模型选项) 按钮1404可向用户呈现对话框1800,如图18所示。例如可使用这个 对话框1800来设置各PCA模型的多个选项,例如影响模型偏移的动 态更新、如何使残差可视化、如何处理缺失数据以及才莫型的名称的选 项。在图18中,文本框1802可让用户指定PCA才莫型的滤波类型。 EWMA滤波动态地更新PCA模型均值(model mean),并且用户可在 冲莫型开始运行之后、EWMA滤波器初始化之前,指定EWMA滤波器 的时间常数和观测数量。EWMA时间常数可以是系统或过程相关的, 并且可使用注释事件的检测作为指导、针对于特定系统或过程来定义。 用户还可在计算之前指定用于过滤数据的噪声时间常数。文本框1804可让用户指定与Q统计相关的选项,例如
表示在认为一个体变量是"坏作用项"或"关键贡献项"之前,关于该变 量的残差需要超过的标准偏差的数量。调节因子表示在确定变量是"坏 作用项"还是"关键贡献项"期间从残差中减少或减去的量。单选按钮1806可让用户定义如何处理缺失或坏数据。控 件1808可让用户(使用文本框)改变PCA模型的名称,并指明已经对 PCA模型作了变更,但该PCA模型不将被重新训练(使用复选框)。按 钮1810可在训练之后用来查看PCA模型的细节(PC按钮)、接受对PCA 模型的变更(OK(确定)按钮)以及使模型恢复到它先前的默认方式 (Default(默认)按钮)。
对话框1400中的"Train Model"(训练才莫型)按確丑1404之选 取可向用户呈现训练窗口 1900,如图19所示。训练窗口 1900可让用 户跟踪PCA模型训练的进度。可选的方案是,要求用户请求呈现训练 窗口 1900,例如借助于菜单300中的"Window"(窗口)选项。在本示例中, 训练窗口 1900标示在PCA才莫型训练期间不同操作完成的时间。 —旦经过训练,就可向用户呈现图20所示的已更新的 PCA才莫型视图2000(如从图15更新)。已更新的沖莫型视图2000包括列 2002,它标示才莫型名称。列2004-2008包括具有累计方差/本征值图(列 2006)和负荷向量区(列2008)的PCA才莫型的概要填充区(列2004)。在本示例中,歹'2004包括例如构建PCA ^t型的日期 (3w7dDWe)和保留主分量的数量(PCStar{ ~ 772^f/zoW))等信息。项 "772reAoW"这里标示出为计算保留分量的数量而选的算法,例如用图 13中的单选按钮1302所选的算法。列2004中的信息还包括在训练模 型中捕获的总方差的一部分(07/^w^/Fah朋ce,捕获方差)、是否使用 了去巻积才莫型源以及输入变量的数量(/^WF^s)。列2004中的信息还 包括基于训练数据的Q统计的置信度(Sf 广),其中**表示置信度)以 及超过Q统计的置信限的数据量(2pr力,其中*表示置信限的值)。 列2004中的信息还包括初始化移动平均(/mY/"&n;aO所需步骤的数量、 被认为是"坏作用项"或"关键贡献项"(Co"mM/gma)的残差所需的标准 偏差的数量以及模型中实际使用的主分量的数量(使用中的PC)。这个
信息还包括基于训练数据的r"充计的置信度(r2(P,))以及超过r"克
计的置信限的数据量(72(^f"))。另外,这个信息包括单位为分钟的 EWMA时间常数(五^M4 raw)和单位为分钟的噪声滤波的时间常数 (M^e7bw)。点击PCA才莫型视图2000中的列2004可向用户呈现图18 的对话框1800,从而可让用户调节这些参数中不同的参数。图20中的列2006包含累计方差/本征值图。本征值在图 中可通过一种颜色(例如绿色)示出,并且对应于图的一个轴(例如左 轴)。各标记可表示特定主分量的本征值。在图中可通过另一种颜色(例
42如品红色)示出才莫型中的主分量。连接左轴的水平线示出一莫型中的最终 主分量的本征值。每个主分量的模型中捕获的累计方差在图中可通过 第三颜色(例如蓝或黄色)示出,并且可对应于图的另 一个轴(例如右 轴)。各标记又可相当于特定主分量的累计捕获方差。连"l矣右轴的水平
线示出^t型中的累计捕获方差。点击视图2000中的这一列2006可向 用户呈现PCA才莫型统计对话框2100,在图21中示出。工具栏400中 的适当图标也可向用户提供对话框2100。如图21所示,PCA模型统计包括"累计方差本征值"线 2102。在本示例中,线2102与视图2000的列2006中的曲线相似,但 将左轴修改为表示本征值的自然对数。控件2104-2108可让用户控制 线2102所示的主分量数(控件2104)、控制用于减少主分量数的算法(控 件2106)以及查看与所选主分量有关的特定信息(控件2108)。控件2108 中的向上-向下箭头可让用户通过主分量移动,并查看那个分量的本征 值、捕获方差和有效条件数(在控件2108中显示此信息)。在对话框2100的右侧,图2110-2112标绘出作为指数函 数的高级统计(I^和Q残差)。还可用线2114在图2110-2112中示出这 些统计的置信限。可用按4丑2116来访问与这些统计的关4走贡献项和最 坏作用项相关的更多详细对话框。在图22A至22D中提供这些对话框 的示例,下面进行描述。对于一些大的数据集,这些可能是费时的计 算,如果计算时间超过门限(例如30秒),则消息框可净皮显示。对话框2100中的控件2118可让用户配置与Q和T2统计 关联的极限。可用控件2118中的向上-向下按钮来改变Q和f统计的 置信度。然后在控件2118中示出所计算置信限和训练集中超过这些极 限的数据量。可用散布图2120来标绘出与PCA;f莫型关联的主分量得 分。可用控件2122来选择显示的得分。控件2122中的"ZConf,设定确 定在散布图2120中绘出为置信椭圆2124的极限,其中,这个椭圆2124 内的得分下降到低于指定置信区间。这里将极限表示为Z得分(例如2.901),并且在控件2122中直接在Z得分下面示出对应置信区间(例如 99.6%)。按钮2126可让用户控制计算和模型更新。"Update PC^"(更新PC"按钮根据控件2106中的设定重新计算保留主分量的数 量。"Update Model"(更新模型)按钮采用当前PC^和统计极限设定来更 新PCA模型。"Update Residuals"(更新残差)按钮更新图2110-2112以 及控件2118中显示的极限和超出数(excess values) 。 "Store Statistics"(存储统计)按钮向工作单元(workspace)发送Q残差、丁2残 差和可选的各个残差(例如用于在RPOFIT DESIGN STUDIO外部进4亍 分析),以及"Remove Statistics,,(去除统计)按钮从该工作单元中去除已 存储统计。
〖00123]对话框2100中的"Show Key Contributors & Worst Actors"(显示关键贡献项和最坏作用项)按钮2116之选取,可向用户呈 现"Key Contributors & Worst Actors"(关键贡献项和最坏作用项)屏幕, 它可用来分析PCA;漠型。在运行时才莫型的工程界面中,有类似屏幕可 用。该屏幕提供系统或过程的预期行为(由PCA模型预测)与实际或观 测值之间的比较的综合视图。可将这个视图中的内容配到(yokedto) 单个基于时间的巻动条上。在图22A中提供这个屏幕2200的一例。 这里,列表2202标示在时间的当前焦点上对Q统计有贡献的"最坏作 用项"或变量。柱形图2204图解示出这些变量对Q统计的贡献。列表 2202可按照等级次序提供顶级坏作用项的名称。要查看任何坏作用项的预测值对测量值的关系,用户可 点击列表2202中的变量名称。这显示与"Q Residuals,,(Q残差)图2206 和"T2 Residuals"(T2残差)图2208中的所选变量关联的信息。图 2206-2208中的圓圈2209标示当前焦点,它确定列表2202和柱形图 2204的内容。焦点的细节在两个图2206-2208之间示出,并且可包4舌 时间和日期、数据集中的指数、所计算的Q和f统计以及Q和f统 计的置信限值。用户可使用例如鼠标左键沿x(时间)轴选取图像缩放区域,来放大和缩小图2206-2208。还可通过任何适当方式,例如通过使 用任一侧的滚动钮或者在查看图像缩放残差区时的滚动条,来移动图 中的焦点圈2209。散布图2210根据控件2212的设定来标绘出所选主分量 对的得分。控件2212中的"ZScores"部分确定在散布图2210中示出哪 些主分量得分。控件2212中的"Ellipse Confidence Level"(椭圓置信度) 部分可让用户控制散布图2210中绘出为置信椭圆的极限。这个椭圆内 的得分可下降到低于指定置信区间。极限表示为Z得分或标准偏差的 数量(例如2.985),并且直接在Z得分下面示出对应概率水平(例如 99.7%)。如果计算中的数据来自用于训练PCA模型的数据,则散布图 2210中的标记可通过一种颜色(例如蓝色)来表现。训练集之外的数据 可通过另 一种颜色(例如绿色)来表现。可用控件2212中的复选框来转^灸散布图2210的"蛇形图 (snake plot)"能力。当选取了复选框时,可清除散布图2210,并且 用户可通过在图2206中移动焦点圈2209来跟踪对于时间序列的所显 示得分的路径。这可生成如图22B所示的蛇形图2250(它代替图22A 中的散布图2210)。蛇形图2250连接图2250中作为时间的函数的得分, 显示确定得分的顺序。通过不选取控件2212中的复选框,可在任何时 间清除蛇形图2250。控件2214可让用户控制图22A所示的列表2202和柱形 图2204的内容。在本示例中,用户已选择查看关于"最坏作用项"的信 息,并且可用控件2214来控制列表2202和柱形图2204中所示的最坏 作用项的数量。用户还可用控件2214来选择查看关于"关4定贡献项" 的信息。可用控件2214中的复选框在按照对Q统计的贡献百分比标 示坏作用项与整个数据集上的坏作用项的频率分布之间转换柱形图 2204。在选取了复选框时,图22A中的柱形图2204可由图22C所示 的柱形图2270取代。在选取"key contributors"(关键贡献项)选项时,如果不存在高于置信限的偏移,则可能不存在屏幕2200中所标示的"关键贡献
项"(因为仅对于超过置信限的Q残差定义关键贡献项)。如果存在高于 置信限的偏移(excursions ),则图22A中的列表2202和柱形图2204 可由图22D所示的列表2209和柱形图2292取代。这里,柱形图2292 的y轴改变为频率计数,并且标示超过置信限的频率。列表2290还可 根据图2292所示的频率分布对变量排序(rank)。可使用控件2214 中的"Contributor Sigma"(贡献项S)选项来控制被认为是"关键贡献项" 所需的标准偏差数量。标准偏差数量之增加会要求各变量的更大的才莫 型失配。屏幕2200中的控件2216可让用户选择并作为图 2206-2208的一部分显示注释事件。在图2206-2208中用事件指示符 2218来表示事件。用户所定义的候选事件可在控件2216的左侧列表 中示出,并且可使用"Add"(添力口)按钮添加到右侧列表(因而在图 2206-2208中示出)。类似地,"Remove"(去除)按钮可从右侧列表中去 除事件(因而去除图2206-2208所示的指示符2218),并将该事件》文入 左侧列表。在图25至图29中示出与用户定义事件的定义有关的其它 细节,下面进行描述。对话框2100中的"Show Key Contributors & Worst Actor Frequency Details"(显示关键贡献项和最坏作用项频率细节)按钮2116 之选取,可向用户呈现"Key Contributors & Worst Actor Frequency Details"(关键贡献项和最坏作用项频率细节)屏幕,它可给出系统或过 程的预期行为与观测值之间的比较的综合视图。这个屏幕可与图22A 所示的屏幕2200相似。但它不是示出当前焦点上的坏作用项(如图22A 的柱形图2204所进行的),而是可在柱形图中示出整个数据集上的坏 作用项的频率分布。通过将鼠标光标^:到图20中的PCA才莫型^L图2000的列 2008所显示的柱形图的不同柱形上,可获得与PCA模型有关的其它 信息。它的一例如图23所示。列2008的柱形图中的各柱形2302表示单个主分量的负荷向量。这种可视化示出主分量的一般形状,并提供
PCA才莫型视图2000中的一莫型之间的快速比较。用户可选取图中的一 个或多个柱形2302,并且可根据用户采取的动作,显示包含各种信息 的文本框2304。例如,如果用户点击柱形2302之一,则文本框2304 可包含输入变量的名称以及与那个变量关联的负荷向量的主分量的数 值。用户还可通过在列2008中的任何位置点击并保持鼠标左键,来查 看整个负荷向量的数值,还可在文本框2304中显示主分量的捕获方差 以及累计捕获方差。另外,用户可点击图中的任何柱形2302并保持按 下鼠标键,以查看V(ij)的值(由第j个主分量说明的第i个变量的方差 的比例)和V(i)(因第i个变量引起的其余方差的百分比)。这最后一个示 例如图23所示,而前两个示例可使用具有不同内容的相似文本框2304 来起作用。图14的对话框1400中的"View/Manually Set Scale"(查看 /手动设置尺度)按钮1404之选取,可向用户呈现对话框2400,如图24 所示。对话框2400可让用户改变EWMA滤波器选项、设置方差尺度 和固定中心点、将计算的范围改变为当前或未决、将放缩冲莫式改为自 动或手动、同时设置所有变量的放缩沖莫式以及调整噪声滤波器的参数。 这可提供"若...如何? (what if)"的能力,从而可让用户查看变化如 何影响沖莫型,而不保存对冲莫型的变更。在更新对话框2400中的选择后, 用户可重新训练PCA模型以结合新的放缩。如图24所示,对话框2400标示标题栏2402中的PCA 才莫型。控件2402可让用户从列表中选择一个或多个变量。图2406-2408 表示使用控件2402所选中的至少一个变量的频率分布图和时间序列 趋势。图2406表示使用当前放缩设定的放缩数据(均值中心且方差尺 度的(mean centered and variance scaled))。图2408表示时间上的it缩 数据。从这两个图2406-2408中,用户 一般可看到放缩数据与零均值 和单位方差的正态分布之间的一致程度。要改变放缩,可使用控件2402(例如通过点击变量名称)来选取该变量。在纟支选取时,图2406-2408可改变成反映所选变量的 当前放缩。控件2410可让用户调整各种放缩参数,包括放缩才莫式(所 选变量的放缩是自动还是手动)。如果选取了手动;^丈缩,则用户可用控 件2410来指定尺度和/或中心参数的值。如果使用EWMA滤波器,则 静态中心值可能不适用,因此无需指定。这里,可选取"Redo Scale"(重 复放缩)按钮2412,以查看更新放缩因子的结果。例如,要用新的信息 来更新图2406-2408和控件2410的"Scaled Data"(放缩数据)部分。要 进行放缩变更,可选取"Update Data"(更新数据)按钮2412。否则,未 更新放缩数据而离开对话框2400就会造成对才莫型没有变更发生的结 果。选取"Cancel"(取消)按钮2412可退出对话框2400并》文弃所有变更, 而通过点击"OK"(确定)按钮2412来退出可进行PCA坤莫型的下一个构 建的变更。如果进行并保存了变更,则可向用户提供消息,要求用户 重新训练PCA模型。如果进行并保存了变更,则用户会无法再次进入 对话框2400,直至PCA冲莫型完成重新训练。图25至图29示出用于创建或指定构建PCA模型或其它 类型的才莫型时使用的事件的一例用户界面。例如通过选取菜单300中 的"Add/Modify Events"(添力口/修改事件)选项,可调用事件的创建。在 4皮选取时,可向用户呈现图25所示的数据选择窗口 2500。在本示例 中,单选按钮2502可让用户指定是可从一个或多个数据文件导入还是 手动输入定义一个或多个事件的数据。如果选取"Event Data Files"(事 件数据文件),则可向用户呈现文件列表,并可让用户选择用于导入的 特定文件。图26示出事件数据文件2600的一例格式。这种格式例 如可用于文本文件或MICROSOFT EXCEL文件。在本示例中,文件 2600中的前两行表示事件定义部分,并定义单个事件。该部分标示事 件的名称以及与该事件关联的变量。文件2600中的第四和笫五行表示 事件实例部分,并定义单个事件实例。第五行的第二列表示事件的开 始时间,而第三列表示事件的结束时间。存在由空白单元表示的或者具有文本"无"或"0"的多个未使用字段。这些字段对于事件定义可能不
重要,但对于文件2600的正确格式化可能是需要的。在图25中选取了"EventDataFiles,,(事件数据文件)选项, 并由用户标示了一个或多个数据文件时,可向用户呈现如图27所示的 对话框2700。当用户选取图25中的"ManuallyEntered"(手动输入)选项 时,也可向用户呈现对话框2700。控件2702可让用户选择先前定义 的事件(无论是在数据文件中定义还是由用户定义的),并指定与该事 件关联的描述、逻辑单元和类型。控件2704可让用户根据名称手动添 加或删除事件,以及指定事件的置信值。控件2706可让用户指定与事 件关联的关键变量。控件2708可让用户控制如何向用户显示事件以进 行审查。按4丑2710可让用户添加或删除事件范围,它可让用户定义已 经发生事件的时间。
"Overview"(概要)按钮2708之选取可向用户呈现如图28 所示的显示画面2800。这里,在时距图(timeplot)中由柱形2802来 标示事件,并且用户可检验事件的开始和停止时间是否正确。选取 "Detail"(细节)按钮2708可向用户呈现如图29所示的显示画面2900。 在显示画面2900中,将多个变量(使用控件2706标示为"关4建"变量的 变量)绘出为线2902。如上所述,用户可使用鼠标来定义表示事件的新 实例的进行中范围的范围2904。要创建实际事件实例,用户可选耳又图 27中的"Add Event Range(s),,(添加事件范围)按钮2710。这可将区域 2904从一种格式(例如突出显示)转换成另 一种格式(例如表示实际事件 实例的深色条)。如果用户转回到如图28所示的扭克要才莫式,则显示2800 将会显示用户所定义的新事件实例。通过类似的方式,可使用"Delete Event Range(s)"(删除事件范围)按钮2710来选取并删除显示2900中的 区域2904,它将会删除所选事件实例。即使删除了事件的全部实例, 该事件也可保持为已定义(因此在概要显示2800中列示),直到用户使 用控件2704删除该事件。图30至图35示出用于使用早期事件检测器130来创建使用的才莫糊逻辑才莫型的一例用户界面。例
如通过选取菜单300下的"Create/Train Puzzy Models,,(创建/训练模糊 模型)选项、工具栏400中的适当按钮或者通过任何其它适当方式,可 启动模糊逻辑模型的创建。这可向用户呈现对话框3000,如图30所 示。使用对话框3000,用户可用下拉菜单3002来选择现有才莫糊逻辑 模型。用户还可用按钮3004来选择是创建新的模糊逻辑模型还是删 除、重命名或者调整现有模糊逻辑模型。新模型可被赋予默认名并在 才莫糊逻辑才莫型视图3100中呈现(如图31所示),然后可使用对话框3000 中的"RenameModel"(重命名模型)按钮3004重命名新模型。在创建时 还可对新的模糊逻辑才莫型赋予用户定义名。可在任何时间(在调整之前 或之后)删除才莫糊逻辑沖莫型。使用下拉菜单3002或者通过点击才莫糊逻 辑才莫型^见图3100中的适当条目,可选择才莫糊逻辑才莫型。对话框3000中的"Tune Model"(调整模型)按钮3004之选 取可使早期事件检测器130首先确定是否已输入用户定义的事件信 息。如果没有,则显示对话框,询问用户是否希望提供事件数据。如 果用户回答"否",则可将事件数据的输入推迟到以后。如果用户回答 "是",则用户可按照上述方式输入事件数据。这里,可向用户呈现如图32所示的对话框3200。下拉 菜单3202可让用户选择PCA才莫型、指示符类型以及被定义的才莫糊逻 辑模型的模糊逻辑元函数。在本示例中,可将模糊逻辑模型用作后处 理程序,对一个或多个PCA才莫型的结果进行正规化、整形和调整。对 多个PCA模型的输出或输出信号之正规化可让那些输出被进一步组 合和使用。各模糊逻辑模型可与已训练的PCA模型关联。"Select PCA Model"(选择PCA模型)下拉菜单3202可列示已训练PCA模型。"Select Indicator Type"(选择指示符类型)下拉菜单3202可标示"QResidual"或 "fResidual"指示符类型,且默认指示符类型可以是"QResidual"。 "Fuzzy Member Function"(模糊元函数)下拉菜单3202可用来选择 "Linear"(线性)或"Sigmoidal"(S形)函数,并且默认元函数可以是"Linear"(线性)的。控件3204可让用户指定要用来调整被定义的才莫糊逻辑 才莫型的数据范围。用户可选择使用所有数据或者在创建所选PCA才莫型 期间所标示的同 一数据范围。用户也可选择定义一个或多个新数据范 围。默认方式可以是使用所有数据。控件3204中的"Select"(选择)按钮 可用来查看当前数据范围,和/或在图33所示的对话框3300中改变或 定义数据范围。对话框3300可与以上参照图17A至17C描述的对话 框1700类似。在图33中,可限制所显示的变量数(例如五个变量)。如 果已输入用户事件信息,则对话框330的第一4iM吏用指示符3302来标 示已知事件。这里,可让用户改变尺度放缩选项(scalingoptions)、图像 缩i文选项(zoom options)和图选项(plot options)。例如通过选耳又要排 除的数据范围,用户还可定义模糊逻辑模型的数据范围。默认方式是, 可包含所有数据,并且在对话框330中不存在阴影区域。要排除某个 范围的数据,用户可按照上述方式使用鼠标来定义选择用于排除的一 个或多个范围3304。可定义多个排除范围3304,并且可重新包含已排 除范围3304。在范围3304被选取之后,它们就成为模糊逻辑模型的 未决范围(因为还未将它们应用于模型)。 一旦调整了模型,例如通过 使用不同的底色,可标示所选范围3304。经常调整才莫糊逻辑才莫型,使得它生成的事件尽可能多地 匹配用户定义事件。用户可能已输入了多个事件,并且用户可使用对 话框3200中的控件3206来选择才莫糊逻辑才莫型应取之作为目标的一个 或多个事件。例如,用户可从控件3206的左侧列表中选取事件并单击 "Add"(添加),或者从控件3206的右侧列表中选取事件并单击 "Remove"(去除)。可在图3208中标示右侧列表中的事件,其中,指示 符3210标示用户定义事件,而指示符3212标示使用冲莫糊逻辑才莫型所 检测的事件。于是,可让用户查看所定义的模糊逻辑才莫型在才莫型调整 期间工作的良好程度。还可使用"才莫糊元函数图"3214来标示事件发生的概率。对话框3200中的控件3216可让用户调整事件定义和才莫 糊逻辑极限。 一旦使用下拉菜单3202选取了 PCA;f莫型、指示符类型 和才莫糊元函数,就可自动计算默认才莫糊下限和才莫糊上限。这些极限用 来预测所选数据范围的事件。要消除或减少"抖动"或错误事件,用户 可使用控件3216定义以样本为单位的最小事件间隔长度(事件之间的 最小长度)和最小事件长度(事件的最小长度)。这些长度的默认值可以 是一个样本。在内部,模糊逻辑模型可用具有这两个长度的数字锁存
来对原始预测事件进行滤波。在上述示例中,用户对于最小间隔长度 和最小事件长度可输入15和3,并选取"Evaluate Fuzzy Model"(评估模 糊才莫型)按钮3218。图3208中的新预测事件表现为如图34所示,而指 示符3212示出新预测事件如何已被改变。另外,根据使用"Fuzzy Member Function"(模糊元函数) 下拉菜单3202所选的值,图3214可采取图32所示的形式或者图35 所示的形式。模糊极限和模糊元函数确定图3214的形状。线性元函数 的公式可表示为
r = min(l,飄(O, (Z - L£)卿一 iZ))) (108)
以及S形元函数的公式可表示为
J^l/(l + e,歸)) (109)
这里,X是指示符值,Y是概率,LL是下限,以及UL是上限。 图3214中的x轴表示指示符值,y轴表示事件发生的概率。如果用户 移动鼠标从而使光标进入图3214,则可在图3214的上部示出指示符 值和对应概率值。图3214中的两条虚线表示才莫糊下限和才莫糊上限。如 果模糊元函数为"Linear"(线性),则模糊下限可对应于概率0,而模糊 上限可对应于概率1。图3214中的实线可表示对应于概率0.8的才莫糊 极限。如果元函数为"Sigmoid"(S形),则才莫糊上限可对应于;[既率0.5, 并且实线可表示对应于概率0.8的模糊极限。此示例中,概率0.8表示 用于在应用数字锁存之前生成原始事件的极限。如果所计算指示符值 52大于该值,则标记事件。否则,无事件-陂标记。可在图3208中绘出相
同的三个极限(不过它们被水平地而不是垂直地绘出)。在图3208中,x轴表示数据索引,而y轴表示指示符值。 趋势图3220表示使用所定义模糊逻辑模型对于所选数据范围根据 PCA^t型计算的指示符值的趋势。如前面所述,图3208的上部示出 用户定义事件和预测事件。曲线3222表示"QLimit"(如果指示符类型为 QResidual)或"fLimit"(如果指示符类型为T2Residual)。曲线3224表示 通过将才莫糊元函数应用于指示符值所生成的才莫糊输出值的趋势。本示 例中,模糊输出值处于O与l之间,并且已经按照原始指示符值对模 糊输出趋势进行正规化。如果用户移动鼠标从而使光标进入图3208, 则可在图3208的上部示出时标、索引、指示符值、指示符极限和对应 模糊输出。对话框3200中的控件3216和3226可让用户修改才莫糊逻 辑;溪型的极限。例如,如果默认才莫糊极限没有生成完全匹配用户定义 事件的事件,则用户可调节该冲莫糊极限。用户可通过在控件3216中手 动输入极限的值并单击"Evaluate Fuzzy Model"(评估模糊模型)按钮 3218来调节极限。在任何时间,如果用户希望又将极限设置成它们的 默认值,则用户可选取控件3216中的"Default"(默认)按钮和"Evaluate Fuzzy Model"(评估模糊模型)按钮3218。用户还可通过在控件3226中 指定事件门限和/或动态的影响来增加原始默认极限,从而调节模糊极 限。如果存在太多预测事件,则这可以是有用的。可输入预期事件门 限和/或动态影响,并且可对于它们中的一个或两个选取"Apply"(应用) 复选框。这里,可选取控件3216中的"Default"(默认)按钮和"Evaluate FuzzyModel"(评估模糊模型)按钮3218,以调节模糊极限。如果用户对 于每天的平均事件输入"O"并对于"Fuzzy Threshold"(模糊门限)选取 "Apply,,(应用),则新的默认坤莫糊极限可以不生成事件。如果输入的每 天平均事件小于或等于每天的原始预测事件,则模糊门限对于模糊极
限可以没有影响。"effect of dynamics"(动态影响)校正的公式可表示为办"_ con* = h m—z.h命* e * (110)
式中,dyn—corr是动态才交正,num—indp是独立输入的数量,dom—tau ^优势时间常数,std(indic)是指示符的标准偏差。在任何时间,用户可通过进入如图31所示的才莫糊逻辑才莫 型视图3100,来选择查看一个或多个才莫糊逻辑才莫型概述。这里,行数 可取决于模糊逻辑模型的数量。在列3102中列示模糊逻辑模型的名 称。三列3104-3108示出关于各模糊逻辑模型的详细信息。列3104标 示才莫糊逻辑才莫型的概要,并且可包括例如才莫型构建日期和时间、所使 用的PCA模型、指示符类型、事件定义、模糊元函数、模糊极限以及 所选用户定义事件等信息。列3106以图形方式标示才莫糊极限和一莫糊元 函数。在列3108中,图解表示残差极限和事件(实际和预测)。图36至图40示出用于使用早期事件检测器130来构建 表示PCA模型-模糊逻辑模型组合的EED模型的一例用户界面。例如 通过选取菜单300下的"Define EED Models"(定义EED模型)选项、工 具栏400中的适当按钮或者通过任何其它适当方式,可启动EED模型 的创建。于是,可向用户呈现对话框3600,如图36所示。如上所述, EED模型可相当于包含PCA模型和对应模糊逻辑模型的包装器。仅当 PCA模型-模糊逻辑模型组合将要与早期事件检测器130的在线模块配 合使用时,才有必要创建EED才莫型。此选项让原始PCA才莫型输出以 及模糊逻辑模型的经放缩/滤波的输出成为在线可用。除了别的以外, 这个过程有助于创建在线执行所需的模糊逻辑与PCA模型之间的连 接。用户可用对话框3600来创建、选择、查看和删除EED 模型。可使用下拉菜单3602来选择模糊逻辑模型或者现有的EED模 型。由于各模糊逻辑模型结合了 PCA模型,因此,不需要用户选择 PCA才莫型,并且在用户选取才莫糊逻辑才莫型时,可自动更新"Selected Source Model"(所选源模型)下拉菜单3602。用户可使用"Merge Source & FL -〉 EED,,(合并源和FL -> EED)按钮3304,将使用下拉菜单3304所标示的沖莫糊逻辑才莫型和PCA;f莫型合并为EED模型。用户还可用4姿 钮3606来创建新的EED模型、删除现有的EED沖莫型或者查看EED 模型。当用户选择创建EED^^莫型时,用户净皮呈现对话框3700, 如图37所示。使用这个对话框3700,用户可调整EED才莫型中的参数, 而无需重构冲莫糊逻辑和PCA沖莫型。例如,用户可在文本框3702中调 整EED模型的名称。用户还可用控件3704来调整EWMA时间常数、 EWMA初始化间隔以及噪声时间常数。另外,用户可使用控件3706 来调整用于估算坏或缺失数据的方法,并用控件3708来调整在估算^皮 调用之前所需的连续坏/缺失数据元的最大数量。用户还可如同该才莫型正在运行时环境中运行一样来评估 EED模型。这可相当于EED模型的最终验证步骤,并可有助于确保用 户了解^f皮下载到运行时环境的内容。这个步骤不会提供任何新的分析, 并且可以是不必要的,除非用户计划在线获得EED模型。用户可通过 选取菜单300中的"Evaluate EED Model"(评估EED模型)选项或者通过 任何其它适当方式,来启动EED冲莫型的评估。于是,可向用户呈现对 话框3800,如图38所示。在对话框3800中,用户可使用列表3802 来选择要评估哪个(哪些)EED才莫型。然后可选取按4丑3804来调用特定 功能。例如,选取"Evaluate Models"(评估模型)按钮3804可对于整个 数据集来执行所选EED模型。其结果可如图39A所示来呈现,其中, 图3900的上半图3902中具有用户定义事件,而下半图3904中具有 EED模型的经放缩的输出(连同任何所检测异常一起)。用户还可选取对话框3800中的"Show & Exclude Events/Data Ranges"(显示和排除事件/数据范围)按钮3804。如同以上 所述的先前范围排除方法一样,这可让用户排除或包含用于评估EED 模型的特定数据范围。通过选取数据范围、然后再选取"Evaluate Models"(评估模型)按钮3804,对于其数据集运行所选EED 4莫型,而 不考虑任何已排除范围或事件。来自这个估计的示例结果如图39B所示,其中图3950包括图3952和3954。在图3950中突出显示已排除 数据范围,并且图3954中的EED模型输出在已排除范围中为0。在处理EED才莫型时,用户可进入EED才莫型视图,它组 合了各EED的运行时配置、PCA模型和模糊逻辑模型。 一个示例EED 模型视图4000如图40所示。笫一列4002标示对于选择可用的一个或 多个EED模型的名称。第二列4004包含EED模型的概述或概要,连 同任何可调整在线参数。在本示例中,列4004标示创建EED才莫型的 时间、与EED模型关联的PCA和模糊逻辑模型、后处理模糊逻辑才莫 型中使用的统计以及用于评估EED模型的数据集中的样本数。列4004 还标示评估数据中的注释事件数、使用EED沖莫型检测到的事件数、使 用EED模型的输出预测的总事件数、EED模型所遗漏的任何注释事件 以及EED模型所要求的未注释的任何事件。点击视图4000中的任何 EED才莫型的第二列4004可向用户呈现对话框3700,如图37所示。视图4000的第三列4006给出关于PCA累计方差的概 述,它示出每个本征值图的本征值和累计方差。第四列4008包含关于 EED模型的实际和预测事件的概述。列4008中的曲线示出用于EED 模型的原始统计(Q或T2)、模糊逻辑模型的上限和下限以及所选残差 的95°/0或其它置信限。部分示出的最后一列4010示出用于才莫糊逻辑沖莫 型的模糊元函数以及与模糊逻辑模型关联的极限。此图可以与图32和 图35所示的模糊元函数之一相同或相似。图41至图43示出用于使用早期事件冲企测器130来选择 和配置在线使用的EED的一例用户界面。例如,通过选取菜单300下 的"Select/Configure Final Models,,(选择/配置最终模型)选项或者通过任 何其它适当方式,可启动EED沖莫型的配置。于是,可向用户呈现对话 框4100,如图41所示。在图41中,对话框4100包括选择控件4102, 它包括可用于选择的EED才莫型的列表4104和按钮4106。对话框4100 还包括最终坤莫型控件4108 ,它包括所选EED模型的列表4110和各种 按钮4112。可通过突出显示列表4104中的模型并选取按钮4106,选择一个或多个EED模型以进行配置。这将所选模型从列表4104转移 到列表4110。可使用按钮4112查看列表4110中的所选模型的细节, 以及又将列表4110中的所选模型移动到列表4104 。 "Online Configuration,,(在线配置)按钮4114之选取,可启 动列表4110中的EED模型配置。这里,用户可将EED才莫型配置成在 线运行。这可包括指定各变量的数据源、应用程序名称、执行时间以 及对模型输出进行"历史化"或存档的连接。例如,"Online Configuration"(在线配置)按钮4114之选取可向用户呈现如图42所示的 对话框4200。下拉菜单4202可让用户选择对话框4100的列表4110 中标示的EED模型之一。对于所选EED模型,参数列表4204根据名 称、类型和数据源来标示所选才莫型中的变量。文本框4206可让用户定 义所选EED才莫型的应用程序名称和执行时间(单位为分钟)。应用程序 名称可附加到嵌入过程历史数据库(PHD)或其它文件的所有嵌入历史 配置项。因此,应用程序名称可为短字符串或其它适当的值。网络编 辑框4208可让用户定义装置的名称或网络地址(例如IP地址),其中可 访问输入数据(例如在对于任何变量配置PHD输入时的数据收集PHD 服务器)。网络编辑框4210可让用户定义其中存储了嵌入历史数据的 名称或网络地址。如果嵌入PHD文件用来存储EED模型的数据,则 编辑框4210可保持设置为"localhost"(本地主机)。例如通过双击列表4204中的单个条目,可从参数列表 4204中选择各个变量。于是,可向用户呈现对话框4300,如图43所 示。对话框4300可让用户指定所选变量的数据源。在本示例中,提供 三个选项用于"活"连接,同时还提供用于指定恒定数据值的第四选项。 可用数据源定义区域4302-4306来指定变量的数据源是TOTAL PLANT SOLUTION (TPS)(整厂解决方案)、过程控制的OLE(OPC)还是 PHD源。数据源定义区域4308可让用户指定变量的恒定值。恒定值 对于EED模型的初始测试会是有用的,因为它消除了连接到外部数据 源的不确定性。例如通过获得正常数据的单点快照(single pointsnapshot),并将那些值输入初始测试的常数字段,可独立地设置才莫型 中的各点。用户可用区域中的单选按钮来选择数据源定义区域 4302-4308之一。然后,用户可填充该区域中的文本框,以完成数据源 定义。选取区域4302中的"TPS"按钮可让用户定义所选变量的TPS本 地控制网络(LCN)数据源。用户还可输入LCN标签的点名称(point name)、参数和索引(在适用时)。类似地,选取区域4306中的"PHD" 按钮可让用户指定变量的数据源是PHD服务器标签。在这种情况下, 可用新数据源来构建EED配置文件,并且可由用户来负责构建PHD 标签。如果PHD服务器设置在系统100的不同节点上,则用户还可头见 定PHD服务器所在的节点名称,作为配置文件的一部分。区域4304中的"OPC"按钮可让用户指定与OPC服务器 的数据交换。该OPC服务器可以是任何OPC服务器,例如访问 HONEYWELL TPN的TOTAL PLANT NETWORK (TPN)服务器或者 用于访问第三方数据的第三方产品。"App Name"(应用程序名称)字段 标示与其进行通信的OPC服务器,它往往在伴随OPC服务器的文档 说明中提供。作为另一个示例,可使用随MICROSOFT WINDOWS平 台提供的dcomcnfg.exe应用程序来发现OPC服务器的"Prog Id"(程序 标识符)。该应用程序列出在本地平台上登记的所有分布部件对象才莫 型(DCOM)服务器的"Prog Id",且列表可包括所有服务器(不只是OPC 服务器)。为了仅查看OPC服务器的列表,用户可运行MATRIKON的 OPC EXPLORER。可将"Item ID"(项目标识符)字段设置成"OPC Item ID,,(OPC项目标识符),被赋予"App Name"(应用程序名称)的OPC服 务器根据它来标示用户希望读取或写入的数据点。对于不同OPC服务 器"OPC Item ID,,(OPC项目标识符)的版式可以不同。在线参数一旦定义,最终的离线步骤就是构建在线配置 文件。这个步骤可生成一组文件,该组文件由早期事件;险测器130的 在线模块用来例示EED应用程序和EED应用程序中包含的所有模型。在线EED应用程序可包括一个或多个EED模型。例如通过选取对话框4200中的"Build"(构建)按钮4212, 可启动在线配置文件的生成。于是,可开始生成配置文件,并且用户 可查看标示何时已写入各种配置和历史文件的消息窗口。此时,可检 查模型配置文件。可将文件存放于默认文件夹或者由用户指定位置。 对于各EED应用程序,可生成下列文件
曙ApplicationName.cfg:包含应用程序输入/输出配置; -ApplicationName.csv: 包含嵌入历史酉己置; 誦ApplicationName.xml: 包含整体应用程序细节;以及 -ApplicationName—ModelName.xml:包含PCA和才莫糊逻辑才莫型 配置细节。此时,对于在线执行,用户可使EED冲莫型可为早期事件 检测器130的在线模块所用。此外,可将EED模型设计中的用户选择 选项作为"用户选项概述"报告导出。在一些实施例中,可通过文本和/ 或XML格式导出此报告。要导出该报告,可在菜单300中的"Tools"(工 具)下选取"Export User Option Summary"(导出用户选项概述)选项。在 对话框中,用户可选择将要保存报告的文件夹,并指定文件名和净艮告 格式类型。在完成净艮告存储时可向用户呈现不同的消息,这取决于寺良 告的格式。可通过任何适当方式使EED模型对于在线使用是可用 的。例如,可将EED才莫型^:置在单个计算装置或节点上,或者分布于 多个计算装置或节点上。 一旦使EED模型成为可在线使用,就可用 EED模型来执行事件预测。在线运行期间,EED模型可按照在设计期 间出现或被呈现的相同方式出现或被呈现。例如,向用户呈现的显示 可能与PGA、才莫糊逻辑和EED模型的设计期间向用户呈现的显示相同 或相似。显示的各个分量也可单独配置并在运行时显示中呈现。主"结 合"控件还可绑定到或者控制在一个或多个显示中向用户呈现的多个 图形控件。此外,可提供一个或多个工具,以便查看、提取和可视化与EED模型的在线使用关联的数据,无论该数据本质上是历史数据还 是当前正由EED模型使用。另外,当计算装置或节点出故障(例如由 于断电)时,可在装置和节点恢复时自动重启EED才莫型。图3至图43示出一例用于早期事件;险测的工具,但可^" 这些附图中的任一个作各种变更。例如,尽管以上描述了特定输入和 输出机构(例如鼠标、键盘、对话框、窗口和其它i/o装置),但是,可 用任何其它或附加的I/O方法从一个或多个用户接收输入或者向一个 或多个用户提供输出。在一些实施例中,通过由计算机可读程序代码组成的并 且包含在计算机可读介质中的计算机程序来实现或支持以上所述的各 种功能。用语"计算机可读程序代码"包括任何类型的计算机代码,其 中包括源代码、目标代码和可执行代码。用语"计算机可读介质"包括 能够由计算机存取的任何类型的介质,例如只读存储器(ROM)、随机 存取存储器(RAM)、硬盘驱动器、致密光盘(CD)、数字视频光盘(DVD) 或者任何其它类型的存储器。说明本专利文档中所用的单词和用语的定义可能是有利 的。术语"连接"及其派生词指的是两个或多个元件之间的任何直"t矣或 间接通信,无论那些元件是否相互进行物理接触。术语"应用程序"和 "程序,,指的是适合于以适当计算机代码(包括源代码、目标代码或可扭^ 行代码)来实现的一个或多个计算机程序、软件部件、指令集、过^i、 功能、对象、类、实例、相关数据或者它们的一部分。术语"发射"、"4妾 收"和"通信"及其派生词包含直接和间接两种通信。术语"包括"和"包 含,,及其派生词表示无限制地包含。术语"或者,,是非遍举的,表示"和/ 或"。短语"与...关联"和"与其关联"及其派生词可相当于包括、包括于、 与其互连、包含、包含于、连接到或与...连接、连接或者与.,.连4妄、 与...是可通信的、与…协作、交织、并置、接近、绑定到或者与其绑 定、具有、具有...属性等。术语"控制器"表示可控制至少一个操作的 任何装置、系统或它们的一部分。控制器可通过硬件、固件、lt件或者它们的至少两个的某种组合来实现。与任何特定控制器关联的功能 可以是集中式或分布式的,无论本地还是远程。虽然本公开描述了某些实施例以及一般关联的方法,但 是,对于本领域技术人员这些实施例和方法的变更及置换是显而易见 的。因此,以上对示例实施例的描述并不规定或限制本^Hf 。在不背 离以下权利要求书所规定的本公开的精神和范围的条件下,其它的改 变、替代和变更也是可能的。
权利要求
1.一种方法,包括用与系统或过程关联的运行数据来生成第一模型和第二模型;以及用所述第一和第二模型来预测与所述系统或过程关联的一个或多个事件,其步骤如下用所述第一模型来生成一个或多个初始事件预测;以及用所述第二模型来修正所述一个或多个初始事件预测。
2. —种方法,包括用代表系统或过程的多个第 一才莫型来生成多个第 一输出信号; 用 一个或多个笫二才莫型来将所述第一输出信号正规/f乜,以产生多 个正规化的第二输出信号;以及组合所述正规化的第二输出信号。
3. —种方法,包括标示与系统或过程关联的数据中的至少一个无效数据元; 用与所述系统或过程关联的所述数据中的至少一些有效数据元来 估计一个或多个所述无效数据元的值,其中,所述估计步骤包括求得 揭示2-范数已知数据回归问题的QR因子分解的秩;以及用 一个或多个所述无效数据元的所述估计值来预测与所述系统或 过程关联的一个或多个事件。
4. 一种方法,包括向用户呈现图形显示,所述图形显示绘出与系统或过程的才莫型关 联的 一个或多个变量的数据值的范围;通过所述图形显示从用户接收所述数据范围的一个或多个部分的 标示;以及训练所述模型,此时不使用所述数据范围的任何标示部分。
5. —种方法,包^舌接收标示与系统或过程关联的多个第 一事件的信息;用与所述系统或过程关联的运行数据来生成至少一个才莫型,所述运行数据不包括与所述已标示事件关联的运行数据;以及将用所述至少一个模型预测的第二事件与所述第一事件比较,从 而测试所述至少 一个才莫型。
6. —种方法,包括向用户呈现图形显示,所述图形显示包括标示与代表系统或过程的才莫型关联的误差的第一图;以及 与一个或多个变量关联的第二图,该一个或多个变量对与所 述一莫型关联的所述误差有影响;以及从用户接收输入,该输入标示如何选择与所述第二图关联的所述 一个或多个变量。
7. —种方法,包括在离线模块中配置代表系统或过程的模型供在线使用,所述离线 才莫块可操作以创建所述才莫型,其中,所述配置步骤自动进行,且完全 在所述离线;f莫块内确定;以及向在线模块提供所述已配置模型,以用于预测与所述系统或过程 关联的事件。
全文摘要
公开了与用模型来代表系统和过程(例如制造和生产厂)相关的各种方法、装置、系统和计算机程序。例如,方法(200)可包括用与系统或过程(100)关联的运行数据来生成第一模型和第二模型。该方法还可包括用第一和第二模型来预测与系统或过程(100)关联的一个或多个事件。通过用第一模型生成一个或多个初始事件预测,并用第二模型修正一个或多个初始事件预测,来预测一个或多个事件。第一模型可表示主分量分析(PCA)模型,而第二模型可表示模糊逻辑模型。
文档编号G06N7/02GK101542509SQ200680047639
公开日2009年9月23日 申请日期2006年10月18日 优先权日2005年10月18日
发明者D·米拉拉斯瓦米, J·W·麦卡瑟, M·N·斯里尼瓦斯劳, W·K·富斯利恩 申请人:霍尼韦尔国际公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1