热交换器中的异常情况预防的制作方法

专利名称：热交换器中的异常情况预防的制作方法
技术领域：
本公开内容总的来说涉及过程控制装置中的异常情况预防，更具体地说，涉及热交换器中的异常情况预防。

背景技术：
过程控制系统，例如化学、石油、或其他过程中所使用的过程控制系统，通常包括一个以上以可通信方式连接至至少一个主机或操作员工作站的集中式或分散式过程控制器。过程控制器通常还通过模拟总线、数字总线或模拟/数字相结合的总线连接至诸如现场设备之类的一个以上过程控制和仪表设备。现场设备可以是例如阀、阀定位器、开关、变送器和传感器(例如温度传感器、压力传感器和流速传感器)，它们位于加工厂环境中，并在诸如开启或关闭阀和测量过程参数、增加或减小流体流量等的过程中施行功能。诸如符合公知的FOUNDATIONTM Fieldbus(以下称作Fieldbus)协议或高速可寻址远程变送器(

)协议的现场设备之类的智能现场设备还施行控制运算、报警功能和过程控制器中通常实现的其它控制功能。
通常位于加工厂环境中的过程控制器接收表示现场设备所进行的或所关联的过程测量值或过程变量的信号和/或与现场设备有关的其它信息，并执行控制器应用程序。控制器应用程序实现例如不同的控制模块，这些控制模块进行过程控制决策，基于所接收的信息生成控制信号，并且与诸如

和Fieldbus现场设备之类的现场设备中正在施行的控制模块或块一起协调工作。过程控制器中的控制模块通过通信线路或信号路径向现场设备发送控制信号，从而控制过程的操作。
来自现场设备和过程控制器的信息对于诸如操作员工作站、维护工作站、个人计算机、手持设备、历史数据库、报告发生器、集中式数据库等的一个以上其它硬件设备可用，从而使操作员或维护人员能够施行针对过程的期望的功能，例如改变过程控制例程的设置、更改过程控制器或智能现场设备中的控制模块的操作、查看过程的当前状态或加工厂中的特定设备的当前状态、查看由现场设备和过程控制器生成的警报、对过程的操作进行仿真以训练人员或测试过程控制软件，以及诊断加工厂中的问题或硬件故障。
尽管典型的加工厂有诸如阀、变送器、传感器等的连接至一个以上过程控制器的很多过程控制和仪表设备，但是还有对过程操作来说也是必需的或与过程操作有关的很多其它支持设备。这些附加设备包括例如位于典型工厂中的诸多位置的供电装置、发电和配电装置、诸如涡轮机、发动机等的旋转装置。尽管该附加装置不一定会产生或使用过程变量，并且在很多情况下不会为了影响过程操作而被控制或甚至被连接至过程控制器，但是该装置对于过程的正确操作来说很重要，并且最终是过程的正确操作所必需的。
已知的是，在加工厂环境中，尤其是在具有大量现场设备和支持装置的加工厂中，经常会有问题出现。这些问题可能是坏了的或故障的设备，诸如软件例程之类的逻辑元件驻留在不正确的模式，过程控制环路被不正确地调谐，加工厂中的设备之间的通信失败一次以上，等等。这些和其它问题实际上会同时出现多个，通常会导致过程在异常状态下操作(即加工厂处于异常情况)，这经常与加工厂的次最佳性能相关联。
已经开发了很多诊断工具和应用程序来探测和确定加工厂中问题的产生原因，并且一旦问题发生并被探测到，就协助操作员或维护人员诊断并校正这些问题。例如，通常通过诸如直接或无线总线、以太网、调制解调器、电话线等的通信连接连接至过程控制器的操作员工作站具有适于运行诸如由爱默生过程管理公司出售的DeltaVTM和

控制系统之类的软件的处理器和存储器。这些控制系统具有大量的控制模块和控制环路诊断工具。维护工作站可以通过用于过程控制(OPC)的对象连接和嵌入(OLE)连接、手持连接等以可通信方式连接至过程控制设备。工作站通常包括被设计为查看由加工厂中的现场设备生成的维护警报和警告、对加工厂中的设备进行测试并对现场设备和加工厂中的其它设备施行维护活动的一个以上应用程序。已经开发出类似的诊断应用程序来诊断加工厂中的支持装置的问题。
诸如AMSTM程序组来自爱默生过程管理公司的智能设备管理器之类的商用软件能够与现场设备进行通信，并存储与现场设备有关的数据，以确定并跟踪现场设备的操作状态。同时参考名称为“Integrated CommunicationNetwork for use in a Field Device Management System(用于现场设备管理系统的集成通信网络)”的美国专利No.5,960,214。在某些情况下，AMSTM程序组智能设备管理器软件可以用来与现场设备进行通信以改变现场设备中的参数，从而使现场设备本身运行诸如自校准例程或自诊断例程之类的应用程序，以获取关于现场设备的状态或健康等的信息。这些信息可以包括例如状态信息(例如是否发生了警报或其它类似的事件)、设备配置信息(例如现场设备当前或可能被配置的方式以及现场设备所使用的测量单元的类型)、设备参数(例如现场设备范围值和其它参数)等。当然，这些信息可以被维护人员用来监控、维护和/或诊断现场设备的问题。
类似地，很多加工厂都包括诸如CSI系统所提供的Machinery

应用程序之类的装置监控和诊断应用程序，或用于监控、诊断和优化各种旋转装置的操作状态的任意其它已知应用程序。维护人员经常使用这些应用程序来维护或检查工厂中的旋转装置的性能，以确定旋转装置的问题，并确定旋转装置是否必须被修理或替换以及修理或替换的时间。类似地，很多过程工厂包括电力控制和诊断应用程序，例如由Liebert和ASCO公司提供的那些电力控制和诊断应用程序，以控制并维护发电和配电装置。同时已知的是，在加工厂中运行诸如实时优化器(RTO+)之类的控制优化应用程序，以优化加工厂的控制活动。这种优化应用程序通常使用复杂的算法和/或加工厂的模型预测可以以何种方式改变输入以针对诸如利润之类的某个期望的优化变量优化加工厂的操作。
这些和其它诊断和优化应用程序通常以全系统为基础在一个以上操作员或维护工作站中实现，并且可以给操作员或维护人员提供关于加工厂或加工厂中的现场设备和装置的操作状态的预配置显示。典型的显示包括接收过程控制器或加工厂中的其它设备所生成的警报的报警显示、指示过程控制器和加工厂中的其它设备的操作状态的控制显示、指示加工厂中的设备的操作状态的维护显示等。同样地，这些和其它诊断应用程序可以使操作员或维护人员能够重新调谐控制环路或重新设置其它控制参数，以运行对一个以上现场设备的测试，从而确定那些现场设备的当前状态，或校准现场设备或其它装置。
尽管这些多种应用程序和工具可以方便加工厂中的问题识别和校正，但是这些诊断应用程序通常被配置为仅在加工厂中已经发生问题之后使用，因此这些诊断应用程序仅在加工厂中已经存在异常情况之后使用。不幸的是，在使用这些工具来探测、识别和校正异常情况之前，异常情况可能已经存在一段时间。延迟的异常情况处理可能导致问题被探测、识别和校正期间加工厂的次最佳性能。在很多情况下，控制操作员首先基于警报、警告或加工厂的不良性能探测到存在问题。然后操作员会通知潜在问题的维护人员。维护人员可能探测到或探测不到实际的问题，并且可能在实际运行测试或其它诊断应用程序之前需要进一步的提示，或施行识别其它活动所需的实际问题。一旦问题被识别出，维护人员就可能需要定购零件并调度维护程序，所有这些都会导致问题的发生与该问题的校正之间有很长的时间段。在该延迟期间，加工厂可能在通常与工厂的次最佳操作相关联的异常情况下运行。
另外，很多加工厂可能会经历在相对较短的时间量内在工厂中产生严重的代价或损坏的异常情况。例如，如果某些异常情况存在，则即使存在极短的时间量，这些异常情况也会引起对装置的重大损坏、原材料的损耗或明显不期望的停工。因此，仅仅在问题已经发生后探测工厂中的问题，则不管该问题被校正得多快，都会在加工厂中导致严重的损耗或损坏。因此，期望首先尝试预防异常情况的出现，而不是在异常情况出现后再尝试作出反应并校正加工厂中的问题。
在名称为“Root Cause Diagnostics(根本原因诊断)”的现为美国专利No.7,085,610的美国专利申请No.09/972,078(部分基于现为美国专利No.6,017,143的美国专利申请No.08/623,569)中公开的一种技术，可以用于在异常情况实际出现之前预测加工厂中的异常情况。这两个申请的全部公开内容由此通过引用将合并于此。一般而言，该技术在加工厂中的诸如现场设备之类的多个设备中的每一个设备中布置统计数据采集和处理块或统计处理监控(SPM)块。该统计数据采集和处理块采集过程变量数据，并确定与所采集的数据相关联的某些统计测量值，例如均值、中值、标准差等。然后这些统计测量值被发送给用户并被分析，以得出表示已知异常情况在未来发生的模式。一旦系统预测到异常情况，即采取措施以校正潜在的问题，并避免异常情况。
已经开发出用于监控和探测加工厂中的问题的其它技术。这种技术之一称作统计过程控制(SPC)。SPC已被用于监控与过程相关联的变量，并当品质变量偏离其“统计”标准时向操作员告警。利用SPC，可以使用诸如关键品质变量之类的小样本变量来生成针对小样本的统计数据。然后，将针对小样本的统计数据与对应于较大样本的该变量的统计数据进行比较。该变量可以由实验室或分析器生成，或从历史数据库获取。当小样本的均值或标准差偏离大样本的均值或标准差某一预定量时，生成SPC警报。SPC的目的在于避免基于小样本的正常统计偏差来进行过程调节。小样本的均值或标准差的图表可以在与控制操纵台分离的操纵台上显示给操作员。
另一技术对多个变量进行分析，并被称为多变量统计过程控制(MSPC)。该技术使用诸如主成分分析(PCA)和偏最小二乘(PLS)之类的分析历史数据的算法创建过程的统计模型。具体来说，对与正常操作对应的变量样本和与异常操作对应的变量样本进行分析，以生成模型来确定什么时候应当生成警报。一旦定义了模型，就可以给模型提供与当前过程对应的变量，如果变量指示异常操作，则该模型可以生成警报。
再一技术包括使用可配置的过程模型探测加工厂中过程的异常操作。该技术包括与加工厂的若干离散操作对应的多个回归模型。加工厂中的回归模型在名称为“Method and system for Detecting Abnormal Operation in a ProcessPlant(用于探测加工厂中的异常操作的方法和系统)”的美国专利申请No.11/492,467中被公开，该申请的全部公开内容由此通过引用合并于此。回归模型确定被观察的过程是否严重偏离该模型的正常输出。如果发生了严重偏离，则该技术警告操作员，或以其它方式使该过程返回正常的操作范围。
使用基于模型的性能监控系统技术，诸如基于相关的模型、第一原理模型或回归模型之类的将过程输入与过程输出相关的模型被使用。对于回归建模，确定因变过程变量与一个以上自变量之间的关联或函数。该模型可以通过调节内部调谐常数或偏置项而被校准为实际的工厂操作。该模型可用于预测过程什么时候转向异常状况，并警告操作员采取行动。在实际行为与预测行为之间存在严重偏离时或在计算出的效率参数上有显著变化时，可以生成警报。
基于模型的性能监控系统通常覆盖像单个单元操作(例如泵、压缩机、柱等)一样小的操作，或覆盖组成加工厂的过程单元(例如原油蒸馏单元、流体催化裂化单元(FCCU)、重整器等)的操作的组合。特定的一块过程装置是热交换器。热交换器在一端取得较冷流体而在另一段取得较热流体。当两种流体经过热交换器时，热量从较热流体传到较冷流体。热交换器中一种普遍的异常状况是淤塞。当来自一种或两种流体的残留材料堆积到热交换器的内壁上时，发生淤塞。当发生淤塞时，热交换器的性能恶化，使得同样的流体量不会传送同样多的热量。而且，随着淤塞材料堆积，供流体流经的横截面积减小，因此或者是不会有同样多的流体流过，或者是驱动机构(例如泵)需要更加努力地工作以迫使流体经过。由于热交换器的恶化会对工厂的其它部分生成负面影响，因此期望尽早探测到淤塞，从而采取校正行动。


发明内容
公开了在热交换器中的异常情况预防的前提下方便监控和诊断过程控制系统及其任何元件的系统和方法。监控和诊断热交换器中的故障包括统计分析技术，例如回归和负荷跟踪。具体来说，可以从正在操作的热交换器中采集在线过程数据。该过程数据可以表示在过程在线并且正常操作时该过程的正常操作。统计分析可用于基于采集的数据来开发过程的回归模型，并且回归模型可以与采集的过程数据一起存储。可替换地，或结合地，可以施行过程的监控，其利用通过使用统计分析开发出的该过程的回归模型以基于回归模型的参数产生输出。该输出可以包括基于模型结果的统计输出，基于训练数据、过程变量极限或模型组件的归一化过程变量以及基于训练数据和模型组件的过程变量额定值。每个输出可以用于生成用于过程监控和诊断的可视化显示，并施行警报诊断，以探测热交换器中的异常情况。



图1是具有分布式过程控制系统和网络的加工厂的示例性框图，其中分布式过程控制系统和网络包括一个以上操作员和维护工作站、控制器、现场设备和支持装置； 图2是图1的加工厂的一部分的示例性框图，示出位于包括热交换器的加工厂的不同元件中的异常情况预防系统的各种部件之间的通信互连； 图3是外壳和管道热交换器的一个示例； 图4是用于热交换器的采用可扩展回归算法的热交换器异常情况预防模块的图； 图5是热交换器中使用热交换器异常情况预防模块的异常情况预防的流程图的一个示例； 图6是对热交换器异常情况预防模块进行初始训练的示例的流程图； 图7A是描绘热交换器中的过程变量的正常操作范围的图的一个示例； 图7B是描绘针对热交换器中的过程变量的正常操作范围的模型的图的一个示例； 图8是可以使用图4的热交换器异常情况预防模块来实现的示例方法的流程图； 图9A是示出所接收的数据集和在热交换器异常情况预防模块的监控状态期间生成的对应的预测值的图； 图9B是示出所接收的另一数据集和由热交换器异常情况预防模块生成的对应的另一预测值的图； 图9C是示出所接收的超出热交换器异常情况预防模块的有效范围的数据集的图； 图10A是示出在热交换器异常情况预防模块的学习状态期间采集的不同操作区域中的并且可以由热交换器异常情况预防模块用来开发在不同操作区域中的第二回归模型的多个数据集的图； 图10B是示出使用图10A的多个数据集开发出的第二回归模型的图； 图10C是示出更新后的模型及其有效性范围并且示出所接收的数据集和在热交换器异常情况预防模块的监控状态期间所生成的对应的预测值的图； 图11是更新热交换器异常情况预防模块的模型的示例方法的流程图； 图12是与诸如图4的热交换器异常情况预防模块之类的热交换器异常情况预防模块的可替换操作对应的示例状态转移图； 图13是在热交换器异常情况预防模块的学习状态下操作的示例方法的流程图； 图14是更新热交换器异常情况预防模块的模型的示例方法的流程图； 图15是在热交换器异常情况预防模块的监控状态下操作的示例方法的流程图； 图16是采用用于热交换器的负荷跟踪算法的可替换热交换器异常情况预防模块的图； 图17是图16中所示的诊断块的详细框图； 图18是示出一个数组的数据点的表格和当该数组包括两个数据点时由该数组中的数据点定义的函数的对应图； 图19是示出一个数组的数据点的表各和当该数组包括三个数据点时由该数组中的数据点定义的函数的对应图； 图20是示出一个数组的数据点的表格和当该数组包括四个数据点时由该数组中的数据点定义的函数的对应图； 图21是示出一个数组的数据点的表格和当该数组包括六个数据点时由该数组中的数据点定义的函数的对应图； 图22是示出由三个相邻的数据点形成的三角形和通过从将监控变量建模为负荷变量的函数的数组中移除数据点产生的误差量的图； 图23是将监控变量建模为图21中所示的负荷变量的函数的函数并且数据点之一被移除的图； 图24是将监控变量建模为负荷变量的函数并探测异常状况的方法的流程图； 图25是用于热交换器中的异常情况预防的操作员显示的一个示例； 图26是用于热交换器中的异常情况预防的操作员显示的另一示例； 图27是用于热交换器中的异常情况预防的操作员显示的又一示例； 图28是在加工厂的过程控制平台或系统中实现的热交换器异常情况预防系统的示例。

具体实施例方式 现在参见图1，可实现异常情况预防系统的示例加工厂10包括通过一个以上通信网络与支持装置一起互连的若干个异常情况预防系统。过程控制系统12可以是诸如PROVOX或RS3系统之类的传统过程控制系统，也可以是任何其它控制系统，所述其它控制系统包括连接至控制器12B和输入/输出(I/O)卡12C的操作员接口12A，控制器12B和输入/输出(I/O)卡12C又连接至诸如模拟和

现场设备15之类的各种现场设备。过程控制系统14可以是分布式过程控制系统，包括通过诸如以太网总线之类的总线连接至一个以上分布式控制器14B的一个以上操作员接口14A。控制器14B可以是例如得克萨斯州奥斯汀市的爱默生过程管理公司销售的DeltaVTM控制器或任何其它期望类型的控制器。控制器14B通过I/O设备连接到一个以上现场设备16，例如

或Fieldbus现场设备，或任何其它包括例如使用

AS-Interface以及CAN协议中的任一种的智能或非智能现场设备。已知现场设备16可以向控制器14B提供与过程变量和其它设备信息有关的模拟或数字信息。操作员接口14A可以存储和执行过程控制操作员可用的工具17、19以控制过程的操作，所述工具17、19包括例如控制优化器、诊断专家、神经网络、调谐器等。
更进一步，维护系统，例如执行AMSTM程序组以上所述的智能设备管理器应用程序和/或以下所述的监控、诊断和通信应用程序的计算机，可以连接至过程控制系统12和14或连接至其中的单个设备以施行维护、监控和诊断活动。例如，维护计算机18可以通过任何期望的通信线路或网络(包括无线或手持设备网络)连接至控制器12B和/或连接至设备15，以与设备15通信，或在某些情况下重新配置设备15或对设备15施行维护活动。类似地，诸如AMSTM程序组智能设备管理器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系统14相关联的一个以上用户接口14A上，并由所述用户接口14A执行，以施行包括与设备16的操作状态有关的数据采集的维护和监控功能。
加工厂10还包括诸如涡轮机、发动机等的各种旋转装置20，这些旋转装置20通过一些永久性或临时性通信链路(例如，总线、无线通信系统或连接到装置20以进行读取而后被拿走的手持设备)连接到维护计算机22。维护计算机22可以存储和执行由例如CSI(爱默生过程管理公司)提供的包括可商用的应用程序的任意数目的监控和诊断应用程序23以及以下所述的用于诊断、监控和优化旋转装置20和加工厂中的其它装置的操作状态的应用程序、模块和工具。维护人员通常使用应用程序23维护和监视工厂10中的旋转装置20的性能，以确定旋转装置20的问题并确定是否必须维修或更换旋转装置20以及维修或更换的时间。在某些情况下，外界顾问或服务组织可以临时获取或测量与旋转装置20有关的数据，并使用该数据对旋转装置20进行分析，以探测问题、不良性能或影响旋转装置20的其它事件。在这些情况下，运行分析的计算机可以通过任何通信链路连接到系统10的其余部分，也可以仅临时连接到系统10的其余部分。
类似地，具有与工厂10相关联的发电和配电装置25的发电和配电系统24通过例如总线连接到运行并监视工厂10内的发电和配电装置25的操作的另一计算机26。计算机26可以执行例如由Liebert和ASCO或其它公司提供的已知电力控制和诊断应用程序27，以控制和维护发电和配电装置25。再次，在很多情况下，外界顾问或服务组织可以使用临时获取或测量与装置25有关的数据并使用该数据对装置25施行分析的服务应用程序来探测问题、不良性能或影响装置25的其它事件。在这些情况下，运行分析的计算机(例如计算机26)可以不通过任何通信链路连接到系统10的其余部分，也可以仅临时连接到系统10的其余部分。
如图1所示，计算机30实现异常情况预防系统35的至少一部分，具体而言，计算机系统30存储并实现配置应用程序38和作为可选的异常操作探测系统42，其若干实施例将在下文中更详细地描述。另外，计算机系统30可以实现警告/警报应用程序43。
一般而言，异常情况预防系统35可以与可选地位于加工厂10内的现场设备15、16，控制器12B、14B，旋转装置20或其支持计算机22，发电装置25或其支持计算机26，以及任何其它期望设备或装置中的异常操作探测系统(未在图1中示出)和/或计算机系统30中的异常操作探测系统42通信，以配置这些异常操作探测系统中的每一个并在这些异常操作探测系统监控时接收关于这些设备或子系统的操作的信息。异常情况预防系统35可以以可通信的方式通过硬线总线45连接到工厂10内的至少某些计算机或设备中的每一个，或者可替代地，可以通过包括例如无线连接、使用OPC的专用连接、诸如依靠手持设备采集数据等的间歇性连接的任何其它期望通信连接连接到工厂10内的至少某些计算机或设备中的每一个。同样，异常情况预防系统35可以通过LAN或诸如因特网、电话连接等的公共连接(在图1中示出为因特网连接46)获取与加工厂10内的现场设备和装置有关的数据以及由例如第三方服务提供商采集的数据。进一步，异常情况预防系统35可以以可通信方式通过包括例如以太网、Modbus、HTML、专有技术/协议等的各种技术和/或协议连接至工厂10中的计算机/设备。因此，尽管这里描述了使用OPC以可通信方式将异常情况预防系统35连接至工厂10中的计算机/设备的具体示例，但是本领域普通技术人员将认知到，也可以使用各种其它方法将异常情况预防系统35连接至工厂10中的计算机/设备。
图2示出图1的示例加工厂10的一部分50，以描绘异常情况预防系统35和/或警告/警报应用程序43可以与示例加工厂10的部分50中的热交换器64通信的一种方式。尽管图2示出异常情况预防系统35与热交换器64内的一个以上异常操作探测系统之间的通信，应当理解，类似的通信可以发生在异常情况预防系统35与加工厂10内的其它设备以及装置之间，包括图1中示出的设备和装置中的任一种。
图2中示出的加工厂10的部分50包括具有一个以上过程控制器60的分布式过程控制系统54，过程控制器60通过可以是符合任何期望通信或控制器协议的任何期望类型的I/O设备的输入/输出(I/O)卡或设备69和70连接到一个以上热交换器64。另外，热交换器64可以符合任何期望的开放、专有或其它通信或编程协议，应当理解I/O设备69和70应当与热交换器64所使用的期望协议相兼容。尽管并未详细示出，但是热交换器64可以包括任意数量的附加设备，所述附加设备包括但不限于现场设备、

设备、传感器、阀、变送器、定位器等。
在任何情况下，可由诸如配置工程师、过程控制操作员、维护人员、工厂管理员、监管员等的工厂人员访问的一个以上用户接口或计算器72和74(可以是任意类型的个人计算机、工作站等)通过通信线路或总线76被连接至过程控制器60，其中通信线路或总线76可以使用任意期望的硬线或无线通信结构和使用诸如以太网协议之类的任意期望的或合适的通信协议来实现。另外，数据库78可以连接至通信总线76，以作为采集或存储配置信息以及在线过程变量数据、参数数据、状态数据和与过程控制器60、热交换器64以及加工厂10中的其它现场设备相关联的其它数据的历史数据库操作。因此，数据库78可以操作为配置数据库，以存储包括过程配置模块的当前配置，并且在过程控制系统54的控制配置信息下载并存储到过程控制器60、热交换器64的设备以及其它现场设备时存储过程控制系统54的控制配置信息。同样地，数据库78可以存储历史异常情况预防数据，包括由热交换器64(或更具体地说，热交换器64的设备)和加工厂10中的其它现场设备采集的统计数据、根据由热交换器64(或更具体地说，热交换器64的设备)和其它现场设备采集的过程变量确定的统计数据和以下将描述的其它类型的数据。
过程控制器60、I/O设备69和70以及热交换器64通常位于且遍布于有时严峻的加工厂环境中，而工作站72、74和数据库78经常位于可由操作员、维护人员等轻松访问的控制室、维护室或其它不太严峻的环境中。虽然只示出一个热交换器64，但是应当理解，加工厂10可以有多个热交换器64以及诸如图1中所示的各种其它类型的装置。这里所描述的异常情况预防技术同样适用于若干热交换器64中的任意热交换器。
一般而言，过程控制器60可以存储并执行使用多个不同的独立执行的控制模块或块实现控制策略的一个以上控制器应用程序。控制模块中的每一个可以由通常所说的功能块组成，其中每个功能块是总控制例程中的一部分或子例程，并且与其它的功能块结合起来操作(通过称为链路的通信)，以实现加工厂10中的过程控制环路。公知的是，可以作为面向对象的编程协议中的对象的功能块通常施行输入功能、控制功能或输出功能之一。例如，输入功能可以与变送器、传感器或其它过程参数测量设备相关联。控制功能可以与施行PID、模糊逻辑或其它类型的控制的控制例程相关联。而且，输出功能可以控制诸如阀之类的一些设备的操作，以施行加工厂10中的某些物理功能。当然，还存在诸如模型预测控制器(MPC)、优化器等的混合和其它类型的复杂功能块。应当理解的是，尽管Fieldbus协议和DeltaVTM系统协议使用以面向对象的编程协议设计和实现的控制模块和功能块，但是控制模块也可以使用包括例如顺序功能块、梯形逻辑等的任意期望的控制编程方案来设计，并且不限于使用功能块或任意其它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以下面的方式存储针对图1所讨论的异常情况预防应用程序35和警告/警报应用程序43，即可以在处理器74A上实现这些应用程序以通过显示器74C(或诸如打印机之类的任意其它显示设备)向用户提供信息。
热交换器64，具体来说是热交换器64的设备，可以包括存储器(未示出)，以存储诸如用于实现与检测设备所检测的一个以上过程变量有关的统计数据采集的例程和/或以下将描述的用于异常操作探测的例程之类的例程。一个以上热交换器64中的每一个和/或具体来说是一个以上热交换器64的设备中的一些或所有，都可以包括处理器(未示出)，该处理器用于执行诸如实现统计数据采集的例程和/或用于异常操作探测的例程之类的例程。统计数据采集和/或异常操作探测不需要由软件来实现。相反，本领域普通技术人员应当认识到，这种系统可以由一个以上现场设备和/或其它设备中的软件、固件和/或硬件的任意组合来实现。
如图2所示，热交换器64的设备和/或热交换器64本身(和工厂10中可能的某些或所有热交换器)包括以下将更详细描述的一个以上异常操作探测块80。尽管图2的块80被示为位于热交换器64中，但是该块或类似的块可以位于任意数目的热交换器64中或位于工厂10的各种其它装置和设备中，其中其它设备例如控制器60、I/O设备68、70或图1中所示的任意设备。另外，如果工厂10或工厂的部分50包括两个以上热交换器64，则块80可以在热交换器64的任意子集中，例如在热交换器64的一个以上设备(例如温度传感器、温度变送器等)中。
一般而言，块80或块80的子元件从它们所处的设备和/或从其它设备采集诸如过程变量数据之类的数据。例如，块80可以从热交换器64内的诸如温度传感器、温度变送器之类的设备或其它设备中采集温度差，也可以根据来自设备的温度测量值确定温度差变量。块80可以包括在热交换器64中，并且可以通过阀、传感器、变送器或任意其它现场设备采集数据。另外，块80或该块的子元件可以出于若干原因对变量数据进行处理并而对该数据施行分析。例如，被示为与热交换器64相关联的块80可以具有对热交换器64的几个过程变量进行分析的淤塞探测例程82，下面将进一步解释。
块80可以包括一个以上统计过程监控(SPM)块或单元的集合，例如块SPM1-SPM4，这些块可以采集热交换器64中的过程变量数据或其它数据，并对所采集的数据施行一个以上统计计算，以确定例如所采集的数据的均值、中值、标准差、均方根(RMS)、变化率、范围、最小值、最大值等和/或探测所采集的数据中的诸如漂移、偏置、噪音、毛刺等的事件。所生成的具体统计数据和生成的方法并不重要。因此，还可以生成不同类型的统计数据，作为以上所述的具体类型的补充或替代。另外，包括已知技术的多种技术可以用于生成这类数据。这里术语“统计过程监控(SPM)块”被用于描述对诸如Rtot和/或ΔP变量之类的至少一个过程变量或其它过程参数施行统计过程监控的功能，该功能可以由数据被采集的设备中的或甚至是该设备外部的任意期望的软件、固件或硬件来实现。应当理解，由于SPM通常位于在其中设备数据被采集的设备中，因此SPM能够获得数量更多并且质量更准确的过程变量数据。因此对于所采集的过程变量数据，SPM块通常能够比位于其中过程变量数据被采集的设备外部的块确定更好的统计计算。
应该理解，尽管在图2中块80被示为包括SPM块，但是相反，SPM块可以是与块80和82分离的独立块，并且可以位于与另一异常操作探测块相同的热交换器64中，也可以位于不同的设备中。这里所讨论的SPM块可以包括已知的FOUNDATIONTM Fieldbus SPM块、或者与已知的FOUNDATIONTM Fieldbus SPM块相比具有不同的或附加能力的SPM块。这里使用的术语“统计过程监控(SPM)块”是指采集诸如过程变量数据之类的数据并对该数据施行某些统计处理以确定诸如均值、标准差等的统计测量值的任意类型的块或元件。因此，该术语意在覆盖可以施行该功能的软件、固件、硬件和/或其它元件，而不管这些元件是否采用功能块、或其它类型的块、程序、例程或元件的形式，也不管这些元件是否符合FOUNDATIONTMFieldbus协议或诸如Profibus、

CAN等协议之类的某些其它协议。如果需要，块80、82的基础操作可以至少部分如美国专利No.6,017,143中所描述的那样来施行或实现，该专利通过引用合并于此。
进一步应当理解，尽管在图2中块80被示为包括SPM块，但是SPM块不是必需的。例如，块80的异常操作探测例程可以使用未被SPM块处理的过程变量数据来操作。作为另一示例，块80可以接收由位于其它设备中的一个以上SPM块提供的数据，并对该数据进行操作。作为再一示例，过程变量数据可以通过并不是由很多典型的SPM块提供的方式来处理。仅作为一个示例，过程变量数据可以由诸如带通滤波器或某种其它类型的滤波器之类的有限脉冲响应(FIR)或无限脉冲响应(IIR)滤波器滤波。作为另一示例，可以对过程变量数据进行削减，从而使其保持在特定的范围内。当然，可以对已知的SPM块进行修改，以提供这种不同的或附加的处理能力。尽管块80包括四个SPM块，但是块80中可以具有其它任意数目的SPM块以采集和确定统计数据。
参见图3，异常操作探测块80可以对热交换器64进行监控以检查淤塞。外壳和管道型热交换器64可以包括外壳部分70和管道部分74。外壳部分70可以包括入口78、出口82和多个障板86。管道部分74可以包括入口90、出口94和被外壳部分70包围的多个管道98。在操作时，冷流体通过入口78进入外壳部分70，包围管道98，围绕障板86流动以产生湍流102，并继续到出口82。同时，热流体进入入口90，流经管道98，在这里湍流的冷水吸收流体的热量，并继续到出口94。这样，热交换器64降低了热流体的温度。当然，该过程可以被颠倒，由此冷流体进入入口90，且热流体进入入口78。入口78、90和出口82、94还可以包括在热交换器64操作期间测量和控制流体温度，流体压力、流速和其它度量的任意数目的现场设备(未示出)、控制器(未示出)、阀106、泵110或其它设备。
在典型的热交换器应用程序中，有几种测量值可用。热交换器64测量值的一些示例是冷流体流速(Fc)、冷流体入口温度(Tc，in)、冷流体出口温度(Tc，out)、冷流体入口压力(Pc，in)、冷流体出口压力(Pc，out)、热流体流速(Fh)、热流体入口温度(Th，in)、热流体出口温度(Th，out)、热流体入口压力(Ph，in)和热流体出口压力(Ph，out)。某些热交换器64仅可以捕获这些测量中的几个，而其它热交换器64则可以变更测量值。变更后的测量值的一个示例可以仅包括差动压力的单个测量值，而不是独立的入口压力和出口压力。
探测热交换器64中的淤塞异常情况可以包括以上所述的一些或所有测量值。淤塞探测的一种方法可以包括监控差动压力。差动压力可以1)由跨接在热交换器两端以直接测量差动压力(ΔP)的差动压力变送器来测量，或2)由测量热交换器上的入口压力Pin和出口压力Pout的绝对压力变送器来测量。这样， ΔP＝Pin-Pout (公式1) 差动压力(ΔP)依赖于通过热交换器的流体的流速。因此，基于ΔP探测淤塞的算法也包括流速的改变。进一步地，ΔP可以允许淤塞探测块80在热交换器64的热端和冷端处测量和探测Pin和Pout值。
淤塞探测的另一方法可以包括监控总热阻(Rtot)。热交换器中的传热速率

以使用热端或冷端的测量值来计算 (公式2) 其中

和

是冷流体和热流体的质量流速，Cc和Ch是冷流体和热流体的比热，ΔTc和ΔTh是冷流体和热流体的温度差，其中ΔTc＝Tc，out-Tc，in，并且ΔTh＝Th，in-Th，out。
总的传热还可以使用对数平均温度差(LMTD)和热交换器的属性来计算。(公式3) 其中U是平均传热系数，A是热交换器的传热表面积，LMTD是对数平均温度差，被定义为 (公式4) 其中，对于平行流或并发流热交换器 Δt1＝th，in-tc，in，Δt2＝thout-tc，out (公式5) 并且对于逆流热交换器 Δt1＝th，in-tc，out，Δt2＝th，out-tc，in (公式6) 尽管公式3的A可以从产品说明书中获得，但是U可能很难通过分析确定。然而，U和A可以被视为单个变量总体总传热速率。UA的倒数是总热阻Rtot。
(公式7) 针对

合并两个不同的公式 (公式8) 或 (公式9) 对于热端的流速 (公式10) 使用公式9或公式10，总热阻的增加可以指示热交换器中有淤塞。
对于给定的应用，项Cc和Ch可以是常数。由于淤塞探测算法实际上可以不包括热阻的值，而是可以仅在值变化时进行探测，因此公式9和公式10可以简化为 (公式11) 为了基于热阻监控淤塞，可以针对以下过程变量中的一些或全部来监控热交换器64热流体或冷流体的流速(流量)(Fc或Fh)、热流体的入口温度(Th，in)、热流体的出口温度(Th，out)、冷流体的入口温度(Tc，in)和冷流体的出口温度(Tc，out)。可以使用各种方法探测热交换器64的异常操作。在一种实施方式中，可以使用可扩展回归探测热交换器的异常操作。在另一实施方式中，可以使用针对负荷跟踪应用程序中的异常情况预防的简化算法探测热交换器的异常操作。
热交换器中的异常情况预防模块的综述 在热交换器正常操作状况下，Rtot和ΔP都会基于负荷变量(流量)而改变。回归算法可以用于探测异常情况，其中回归算法将Rtot和ΔP两者或其中任一者建模为经过热交换器64的流量的函数。
图4是用于热交换器异常情况预防模块的可以在异常操作探测块80中使用的或可以作为图2的异常操作探测系统42的示例异常情况预防模块150的框图。异常情况预防模块150可以用于探测热交换器64已经发生的或正在发生的异常操作，例如通过增加Rtot和/或ΔP而指示的淤塞状况，其中异常操作在本申请的全部内容中可以称作异常情况或异常状况。在下文中，异常情况预防模块150将被称作热交换器异常情况预防模块150。热交换器异常情况预防模块150可以用于在异常操作在热交换器64中实际发生之前预测这些异常操作的发生，其目的在于，在热交换器64或加工厂10中产生任何严重损失之前，例如通过与异常情况预防系统35结合操作，来采取措施预防预测到的异常操作。在一个示例中，热交换器64可以有相应的热交换器异常情况预防模块150，虽然应当理解，普通热交换器异常情况预防模块150可以用于多个热交换器64。由于正常操作状况期间ΔP和/或Rtot可以作为某诸如流量之类的负荷变量的函数而改变，因此热交换器异常情况预防模块150针对负荷变量(流量)的值的范围学习正常或基线ΔP和/或Rtot值。
参见图4，热交换器异常情况预防模块150可以采用多个过程变量作为输入，如上所述。例如，热交换器异常情况预防模块150的输入可以是冷流体入口温度(Tc，in)152、冷流体出口温度(Tc，out)154、热流体入口温度(Th，in)156、热流体出口温度(Th，out)158、冷流体流速(Fc)160、热流体流速(Fh)162、冷流体差动压力(ΔPc)164和热流体差动压力(ΔPh)166。进一步地，热交换器异常情况预防模块可以使用绝对压力测量值冷流体入口压力(Pc，in)、冷流体出口压力(Pc，out)、热流体入口压力(Ph，in)和热流体出口压力(Ph，out)来替换ΔP输入。然后，热交换器异常情况预防模块150可以使用绝对压力测量值来计算ΔP输入。根据公式11，热交换器异常情况预防模块150可以在块168处计算Rtot，c，并在块170处计算Rtot，h。
负荷变量160、162可以传递到对应的负荷变量SPM块172，而监控变量值152、154、156和158可以与负荷变量160、162结合使用，以计算监控变量Rtot 168、170，然后监控变量Rtot168、170可以与监控变量值164、166一起传递到多个监控变量SPM块173。SPM块172、173可以用于计算各个监控输入的统计特征(statistical signature)以及流速。在一种实施方式中，在SPM块172中计算的均值(μ)作为回归块的输入(x和y)。统计特征也可以是根据输入计算出的各种统计数据中的任一种，例如均值、中值、标准差数据、变化率数据、范围数据等。这种数据可以基于输入的滑动窗口(sliding window)或基于输入的非重叠窗口来计算。作为一个示例，负荷变量SPM块172可以生成在用户指定的样本窗口尺寸内的均值和标准差数据，所述用户指定的样本窗口尺寸例如最近的负荷变量样本和先前的负荷变量样本或在统计上有用的任意数目的样本或数据量。在该示例中，可以针对由负荷变量SPM块172接收的每个新的负荷变量样本生成平均负荷变量值和标准差负荷变量值。作为另一示例，负荷变量SPM块172可以使用非重叠的时间段生成均值和标准差数据。在该示例中，可以使用五分钟(或某些其它合适的时间段)的窗口，因此均值和/或标准差负荷变量值可以每五分钟生成一次。以类似的方式，监控变量SPM块173接收监控变量164、166、168和170，从而以与负荷变量SPM块172类似的方式生成第二统计数据，例如特定样本窗口内的均值和标准差数据。这些统计特征还可以在现场设备或者在主机系统中计算。在另一实施例中，为了计算Rtot，可以使用先前所描述的后面使用的公式在现场设备中计算温度和流速的均值。热交换器异常情况预防模块150将这些值从SPM块172、173传递到多个回归块176、180、184、188。
在学习阶段期间，回归块176、180、184、188分别将监控变量(Rtot和/或ΔP)建模为负荷变量(流量)的函数。在监控阶段期间，回归块176、180、184、188计算监控值的预测值，并将监控变量与预测值进行比较。在一个实施例中，回归块176预测作为Fc的函数的ΔPc的值，回归块180预测作为Fc的函数的Rtot，c的值，回归块184预测作为Fh的函数的Rtot，h的值，回归块188预测作为Fh的函数的ΔPh的值。例如，在以下更详细描述的学习阶段期间，回归块176、180、184、188创建回归模型，以预测根据监控变量Rtot、ΔP生成的数据，其中监控变量Rtot、ΔP是根据负荷变量(Fh、Fc，统称流量)生成的数据的函数。根据监控变量Rtot、ΔP生成的数据和根据负荷变量生成的数据可以包括监控数据和负荷变量数据，已经被滤波或以其它方式被处理的监控数据和负荷变量数据，以及根据监控数据和负荷变量数据生成的统计数据等。在以下同样被更详细描述的监控阶段期间，回归模型预测在热交换器64的操作期间根据Rtot和/或ΔP生成的数据的值。回归块176、180、184、188基于根据Rtot和/或ΔP生成的数据的预测值和根据Rtot和/或ΔP生成的数据的监控值之间的偏差(如果有的话)输出对应的状态175、179、183、187。例如，如果Rtot和ΔP两者或其中的任一者的监控值明显偏离它们的预测值，则回归块176、180、184、188可以输出指示热交换器中存在淤塞状况的“Up”状态。否则，回归块176、180、184、188可以输出“正常”状态。
回归块176、180、184、188包括来自SPM块172的作为自变量输入(x)的负荷变量输入和来自SPM 173的作为至少一个因变量输入(y)的监控变量输入。正如以上所讨论的，监控变量152、154、156、160和162被用于计算热交换器64中的Rtot。如以上更详细描述的，可以使用多个数据集训练回归块176、180、184、188，以将监控变量Rtot或ΔP建模为负荷变量Fc 160或Fh 162的函数。回归块176、180、184、188可以使用来自SPM172、173的负荷变量和监控变量的均值、标准差或其它统计测量值作为用于回归建模的自变量和因变量输入(x，y)。例如，负荷变量和监控变量的均值可以在回归建模中用作(x，y)点，标准差可以被建模为负荷变量的函数，并被用于确定监控阶段期间探测到异常情况的阈值。同样应当理解，尽管热交换器异常情况预防模块150被描述为将差动压力和/或热阻变量建模为负荷变量的函数，但是热交换器异常情况预防模块150可以基于提供给回归模型的自变和因变输入，将根据差动压力和/或热阻变量生成的各种数据建模为根据负荷变量生成的各种数据的函数，其中自变和因变输入包括但不限于差动压力和/或热阻数据和负荷变量数据、根据差动压力和/或热阻数据和负荷变量数据生成的统计数据，以及已经被滤波或以其它方式被处理的差动压力和/或热阻数据和负荷变量数据。另外，尽管热交换器异常情况预防模块150被描述为预测差动压力和/或热阻变量的值，并将差动压力和/或热阻变量的预测值与监控值进行比较，但是预测值和监控值可以包括根据差动压力和/或热阻变量生成的各种预测值和监控值，例如预测和监控差动压力和/或热阻数据，由差动压力和/或热阻数据生成的预测和监控统计数据，以及已经被滤波或以其它方式被处理的预测和监控差动压力和/或热阻数据。
如以下将更详细描述的，回归块176、180、184、188可以包括一个以上回归模型，每个回归模型针对不同的操作区域而被提供。各回归模型可以使用函数将Rtot和/或ΔP因变值建模为负荷自变量(流量)在负荷变量的某个范围内的函数。回归模型可以包括例如线性回归模型或一些其它回归模型。通常，线性回归模型包括函数f(X)、g(X)、h(X)、...的某一线性组合。为了为工业过程建模，典型的合适线性回归模型可以包括一阶函数X(例如，Y＝m*X+b)或二阶函数X(例如，Y＝a*X2+b*X+c)，然而其它函数可能也是合适的。
在图4所示的示例中，在学习阶段期间，(x，y)点被存储。在学习阶段结束时，计算回归系数，以开发预测作为负荷变量的函数的Rtot和/或ΔP的回归模型。用于开发回归模型的负荷变量的最大值和最小值也被存储。在一个示例中，回归拟合p阶多项式，从而可以基于负荷变量值(x)来计算(例如，yPx＝a0+a1+...+apxp)Rtot和/或ΔP的预测值(yP)。通常，多项式的阶数p可以是用户输入，但是也可以提供自动确定该多项式的阶数的其它算法。当然，也可以使用其它类型的函数，例如更高阶多项式、正弦函数、对数函数、指数函数、幂函数等。
在热交换器异常情况预防模块150被训练之后，在监控阶段期间，由对应的偏差探测器190、192、194、196利用回归模型来基于给定的负荷自变量(流量)输入(x)生成Rtot和/或ΔP因变量Y的至少一个预测值(y)。偏差探测器190、192、194、196进一步将监控Rtot和/或ΔP输入(y)和负荷自变量(流量)输入(x)用于回归模型。一般而言，偏差探测器190、192、194、196计算针对特定负荷变量值的预测值(y)，并将预测值用作“正常”或“基线”Rtot和/或ΔP。每个偏差探测器190、192、194、196分别将对应的监控Rtot和/或ΔP值(y)与由回归块176、180、184、188生成的预测Rtot和/或ΔP值(yP)进行比较，以确定是否Rtot和ΔP(y)两者或其中任一个明显偏离预测值(yP)(例如，Δy＝y-yP)。如果监控值(y)明显偏离预测值(yP)，则这可能指示异常情况已发生、正在发生或在不久的将来会发生，因此偏差探测器190、192、194、196生成偏差的指示符。例如，如果监控Rtot值(y)高于预测Rtot值(yP)并且差超出阈值，则可以生成异常情况的指示(例如“Up”)。否则，状态为“正常”。在某些实施方式中，异常情况的指示符可能包括警告或警报。
在另一实施例中，当可用的变量比针对图4所描述的所有变量少时，热交换器异常情况预防模块150可以被简化。例如，如果可用的测量变量仅是ΔPc 164、Fc 160、Tc，in 152、Tc，out 154、Th，in 156和Th，out 158时，则热交换器异常情况预防模块150可以仅使用冷端的Rtot 168和ΔP 164监控淤塞。类似地，如果可用的测量变量仅是ΔPh 166、Fh 162、Tc，in 152、Tc，out 154、Th，in 156和Th，out 158时，则热交换器异常情况预防模块150可以仅使用热端的Rtot 170和ΔP 166监控淤塞。
除了针对异常情况对热交换器64进行监控之外，偏差探测器还检查负荷变量是否位于在模型开发和训练期间所看到的极限内。例如，在监控阶段，偏差探测器监控负荷变量的给定值是否位于在模型的学习阶段期间使用的负荷变量的最大值和最小值所确定的回归模型的操作范围内。如果负荷变量值超出了极限，则偏差探测器可以输出“超出范围”的状态或表示负荷变量超出回归模型的操作区域的其它指示。或者回归块可以等待来自用户的输入，以针对新的操作区域开发并训练新的回归模型，或针对新的操作区域自动开发并训练新的回归模型，其示例在下面进一步提供。
本领域普通技术人员将认识到，可以以各种方式修改热交换器异常情况预防模块150和回归块176、180、184、188。例如，SPM块172、173可以被省略，并且负荷变量和监控变量的原始值可以被直接提供给块作为用于回归建模的(x，y)点，并被直接提供给偏差探测器用于监控。作为另一示例，还可以使用其它类型的处理作为对SPM块172、173的补充或替代。例如，可以在SPM块172、173之前，或在使用SPM块172、173的地方，对过程变量数据进行滤波、削减等。
另外，尽管回归块176、180、184、188被示为具有单个负荷自变量输入(x)、单个因变量(y)和单个预测值(yP)，但是这些块可以包括将一个以上监控变量建模为多个负荷变量的函数的回归模型。例如，这些块可以包括多元线性回归(MLR)模型、主成分回归(PCR)模型、偏最小二乘(PLS)模型、岭回归(ridge regression，RR)模型、变量子集选择(VSS)模型、支持向量机(SVM)模型等。
热交换器异常情况预防模块150可以整体或部分在热交换器64或热交换器64的设备中实现。仅作为一个示例，SPM块172、173可以在热交换器64的温度传感器或温度变送器中实现，而回归块176、180、184、188和/或偏差探测器190、192、194、196可以在控制器60(图2)或某个其它设备中实现。在一个特定的实施方式中，热交换器异常情况预防模块150可以用功能块实现，例如在实现Fieldbus协议的系统中使用的功能块。这样的功能块可以包括也可以不包括SPM块172、173。在另一实施方式中，至少一些热交换器异常情况预防模块150中的每一个可以用功能块实现。例如，块170、172、173可以用回归功能块188的功能块的实现。然而，每个块的功能可以各种方式分布。例如，回归块176、180、184、188可以向偏差探测器190、192、194、196提供输出(y)，而不是偏差探测器执行相应的回归模型以提供监控变量的预测(yP)。在该实施方式中，回归块176、180、184、188被训练之后，可以用于基于给定的负荷自变量(流量)输入(x)生成监控Rtot和/或ΔP值(y)的预测值(yP)。这些块的输出(yP)被提供给偏差探测器。偏差探测器接收回归块的输出(yP)以及给相应的回归块的因变量输入(x)。如上所述，偏差探测器将监控值(y)与相应的回归块生成的预测值(yP)进行比较，以确定因变值(y)是否明显偏离预测值(yP)。
热交换器异常情况预防模块150可以与异常情况预防系统35(图1和图2)进行通信。例如，热交换器异常情况预防模块150可以与配置应用程序38进行通信，以允许用户对热交换器异常情况预防模块150进行配置。例如，SPM块172、173、回归块176、180、184、188和偏差探测器190、192、194、196中的一个以上可以具有可通过配置应用程序38修改的用户可配置参数。
另外，热交换器异常情况预防模块150可以给异常情况预防系统35和/或加工厂中的其它系统提供信息。例如，由偏差探测器生成的偏差指示可以被提供给异常情况预防系统35和/或警告/警报应用程序43，以将异常状况通知给操作员。作为另一示例，在回归块被训练之后，回归块的参数可以被提供给异常情况预防系统35和/或加工厂中的其它系统，从而使操作员能够检查回归块和/或使回归块参数可以被存储在数据库中。作为再一示例，热交换器异常情况预防模块150可以将(x)、(y)和/或(yP)值提供给异常情况预防系统35，从而使操作员能够例如在探测到偏离时查看这些值。
图5是用于探测加工厂10的热交换器64中的异常操作的示例方法275的流程图。方法275可以使用以上所述的示例热交换器异常情况预防模块150来实现。然而，本领域普通技术人员会认识到，方法275可以由另一系统实现。在块280处，诸如回归块176、180、184、188所提供的模型之类的模型被训练。例如，可以使用负荷自变量(流量)和Rtot和/或ΔP因变量Y数据集来训练模型，以将其配置为将Rtot和/或ΔP建模为负荷变量(流量)的函数。该模型可以包括针对不同负荷变量的范围分别将Rtot和/或ΔP变量建模为负荷变量(流量)的函数的多个回归模型。
在块284处，训练后的模型使用所接收的负荷自变量，即流量(Fc，h)生成Rtot和/或ΔP因变值的预测值(yP)。接下来，在块284处，将Rtot和/或ΔP变量的监控值(y)与对应的预测值(yP)进行比较，以确定Rtot和/或ΔP是否明显偏离预测值。例如，每个对应的偏差探测器190、192、194、196生成或接收回归块的输出(yP)，并将其与Rtot和/或ΔP各自的值进行比较。如果确定Rtot和/或ΔP的监控值已明显偏离预测值(yP)，则在块292处生成偏离的指示符。在热交换器异常情况预防模块150中，例如偏差探测器可以生成该指示符。该指示符可以是指示已探测到明显偏离(例如状态＝“Up”)的例如警告或警报，或任意其它类型的信号、标志、消息等。
如以下更详细讨论的，块280可以在模型被初始训练之后并在已生成Rtot和/或ΔP因变量的预测值(yP)之后重复。例如，如果过程中的设定点已被改变，或如果负荷自变量的值落到范围xMIN，xMAX以外，则可以对模型进行重新训练。
回归模型的综述 图6是用于对诸如回归块176、180、184、188所提供的模型之类的模型进行初始训练的示例方法300的流程图。模型的训练可以被称作学习状态，如以下进一步描述的。在块304处，可以接收针对负荷自变量X(流量)和Rtot和/或ΔP因变量Y的至少足够数目的数据集(x，y)，以便训练模型。如上所述，数据集(x，y)可以包括监控变量(Rtot和/或ΔP)和负荷变量(Fc，h)数据，已经被滤波或以其它方式被处理的监控变量和负荷变量数据，以及根据监控变量和负荷变量数据生成的统计数据等。在图4的热交换器异常情况预防模块150中，该模型可以从SPM块172、173接收数据集(x，y)。在一个实施方式中，回归模型使用单个自变量X(流量)和单个因变量Y(Rtot或ΔP)作为输入。在另一实施例中，回归模型使用单个X(流量)值和多个Y(Rtot和ΔP)值作为输入。在任一实施例中，回归模型可以对冷端和热端两者或其中任一者施行异常情况预防诊断。在热交换器的一端实现的回归块可以比合并热端和冷端两者的回归块包括更少的功能块。现在参见图7A，图350示出模型所接收的多个数据集(x，y)的示例，并示出模型被初始训练时热交换器异常情况预防模块150处于学习状态。具体来说，图7A的图350包括已采集的一组数据集354。
再次参见图6，在块308处，可以生成模型的有效范围[xMIN，xMAX]。有效范围可以指示该模型有效的负荷自变量X的范围。例如，有效范围可以指示该模型仅针对(x)大于或等于xMIN，并且小于或等于xMAX的负荷变量X是有效的。仅作为一个示例，xMIN可以被设置为在块304处接收的数据集(x，y)中的负荷变量的最小值，而xMAX可以被设置为在块304处接收的数据集(x，y)中的负荷变量的最大值。再次参见图7A，例如，xMIN可以被设置为数据集的最左边的负荷变量值，xMAX可以被设置为数据集的最右边的负荷变量值。当然，有效范围的确定也可以采用其它方式来实现。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188可以生成有效范围。
在块312处，可以基于块304处接收的数据集(x，y)生成针对范围[xMIN，xMAX]的回归模型。在以下进一步描述的示例中，发出监控命令之后，或如果已采集了最大数目的数据集，则可以生成对应于该组数据集354的回归模型。包括已知技术的多种技术中的任意一种都可以用于生成回归模型，并且多种函数中的任意一种都可以被用作模型。例如，模型可以包括线性公式、二次公式、更高阶的公式等。图7B的图370包括在块304处所接收的数据集(x，y)上叠加而成的曲线358，其示出用于对数据集(x，y)建模的与该组数据集354对应的回归模型。与曲线354对应的回归模型在范围[xMIN，xMAX]内有效。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188可以针对范围[xMIN，xMAX]生成回归模型。
通过操作区域改变来利用模型 可能是在该模型在初始训练之后，该模型所模拟的系统可以进入不同的但是正常的操作区域。例如，设定点可以被改变。图8是使用该模型确定异常操作是否正在发生、已发生或可能发生的示例方法400的流程图，其中如果被建模的过程转移到不同的操作区域，则该模型可以被更新。方法400可以由诸如图4的热交换器异常情况预防模块150之类的异常情况预防来实现。当然，方法400也可以由其它类型的模块来实现。方法400可以在初始模型已生成之后实现。例如，图6的方法300可以用于生成初始模型。
在块404处，接收数据集(x，y)。在图4的热交换器异常情况预防模块150中，回归块可以从例如SPM块172、173接收数据集(x，y)。然后，在块408处可以确定块404处接收的数据集(x，y)是否处于有效范围中。有效范围可以指示模型有效的范围。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188可以对块404处接收的负荷变量值(x)进行检查，以确定该负荷变量值(x)是否位于有效范围[xMIN，xMAX]内。如果确定块404处接收的数据集(x，y)在有效范围内，则流程可以前进到块412。
在块412处，可以使用该模型生成监控因变量Y的Rtot和/或ΔP两者或其中任一者的预测值(yP)。具体来说，该模型根据块404处接收的总流量(Fc，h)负荷变量值(x)生成预测的Rtot和/或ΔP值(yP)。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188根据从SPM块172、173接收的负荷变量值(x)生成预测值(yP)。
然后，在块416处，可以将在块404处接收的监控Rtot和/或ΔP值(y)与预测的Rtot和/或ΔP值(yP)进行比较。该比较可以多种方式实现。例如，可以生成差或百分比差。也可以使用其它类型的比较。现在参见图9A，将示例的所接收的数据集在图350中示出为点358，并且将相应的预测值(yP)示出为“x”。图9A的图350示出处于监控状态的热交换器异常情况预防模块150的操作。该模型利用曲线354所指示的回归模型生成预测值(yP)。如图9A所示，已经计算出在块404处接收的监控Rtot和/或ΔP值(y)与预测Rtot和/或ΔP值(yP)之间的差为-1.754％。现在参见图9B，另一示例的所接收的数据集在图形350中示出为点362，并且相应的预测Rtot和/或ΔP值(yP)示出为“x”。如图9B所示，已经计算出在块404处接收的监控Rtot和/或ΔP值(y)与预测值(yP)之间的差为-19.298％。在图4的热交换器异常情况预防模块150中，用于Rtot，c、Rtot，h、ΔPc、ΔPh的偏差探测器190、192、194、196可以施行该比较。
再次参见图8，在块420处，可以基于块416的比较来确定在块404处接收的Rtot和/或ΔP值(y)是否明显偏离预测Rtot和/或ΔP值(yP)。块420处的确定可以以多种方式实现，并且可以依赖于在块416处的比较如何实现。例如，如果在块412处生成了Rtot和/或ΔP值，则可以确定该差是否超出某阈值。该阈值可以是预先确定的或者可配置的值。同样，该阈值可以是常数也可以变化。例如，该阈值可以随在块404处接收的负荷自变量(流量)值(x)的值而变化。作为另一示例，如果在块412生成了百分比差值，则可以确定该百分比值是否超出某阈值百分比，例如高于预测Rtot和/或ΔP值(yp)的某一百分比。作为又一示例，只有在两次或某个其他次数的连续比较都超过阈值的情况下，才可以确定明显偏离。作为再一示例，只有在监控值(y)超出预测值(yP)的量大于预测变量值(yP)的特定数目的标准差的情况下，才可以确定明显偏离。该标准差可以被建模为负荷变量X的函数，或者可以根据训练数据的剩余的变量被计算得到。针对Rtot和/或ΔP值中的每一个可以使用相同的或不同的阈值。
再次参见图9A，在块404处接收的监控Rtot和/或ΔP值(y)与预测值(yP)之间的差为-1.754％。如果例如阈值10％将被用于确定偏离是否明显，则图9A中所示的差的绝对值低于该阈值。另一方面，再次参见图9B，在块404处接收的监控Rtot和/或ΔP值(y)与预测Rtot和/或ΔP值(yP)之间的差为-19.298％。图9B所示的差的绝对值高于阈值10％，因此如以下所讨论的，可以生成异常状况指示。在图4的热交换器异常情况预防模块150中，偏差探测器190、192、194、196可以实现块420。
通常，可以利用包括已知技术的多种技术实现对监控Rtot和/或ΔP值(y)是否明显偏离预测增益Rtot和/或ΔP值(yP)的确定。在一种实施方式中，确定监控Rtot和/或ΔP值(y)是否明显偏离于预测Rtot和/或ΔP值(yP)可以包括，分析(y)和(yP)的当前值。例如，可以从预测Rtot和/或ΔP值(yp)中减去监控Rtot和/或ΔP值(y)，或者反过来，可以将结果与阈值进行比较，来看其是否超出阈值。可选地还可以包括分析(y)和(yP)的过去值。进一步，还可以包括将(y)或(y)与(yP)之间的差与一个以上阈值进行比较。所述一个以上阈值中的每个阈值可以是固定的也可以是变化的。例如，阈值可以随负荷变量X或一些其他变量的值而变化。针对不同的Rtot和/或ΔP值可以使用不同的阈值。已通过以上的引用被合并的、于2006年7月25日提交的、题为“Method And System For Detecting Deviation Of A ProcessVariable From Expected Values(用于探测过程变量偏离期望值的方法和系统)”的美国专利申请No.11/492,347，描述了用于探测过程变量是否明显偏离期望值的示例系统和方法，可以选用这些系统和方法中的任意系统和方法。本领域普通技术人员将认识到很多其他确定监控Rtot和/或ΔP值(y)是否明显偏离预测值(yP)的方式。此外，可以合并块412和420。
在将(y)与(yP)进行比较(块416)时使用的一些或所有标准和/或在确定(y)是否明显偏离(yP)(块420)时使用的标准可以由用户通过配置应用程序38(图1和2)来配置。举例来说，比较的类型(如生成差、生成差的绝对值、生成百分比差等)可以是可配置的。并且，在确定偏离是否明显时使用的一个或多个阈值可以由操作员或通过其他算法来配置。可替换地，这样的标准可能是不容易配置的。
再次参见图8，如果确定在块404处接收的监控Rtot和/或ΔP值(y)并没有明显偏离预测值(yP)，则该流程可以返回块404，以接收下一数据集(x，y)。然而，如果确定Rtot和/或ΔP值(y)确实明显偏离预测值(yP)，则该流程可以前进到块424。在块424处，可以生成偏离的指示符。例如，该指示符可以是警告或警报。例如，所生成的指示符可以包括诸如在块404处接收的值(y)高于期望值还是低于期望值之类的附加信息。参见图9A，由于在块404处接收的Rtot和/或ΔP值(y)与预测值(yP)之间的差为-1.754％，低于阈值10％，所以不生成指示符。另一方面，参见图9B，在块404处接收的(y)与预测值(yP)之间的差为-19.298％，高于阈值10％。因此生成指示符。在图4的热交换器异常情况预防模块150中，与明显偏离的变量Rtot，c、Rtoth、ΔPc、ΔPh对应的偏差探测器190、192、194、196可以生成指示符。
再次参见图8的块408，如果确定在块404处接收的数据集(x，y)不在有效范围内，则该流程可以前进到块428。然而，由热交换器异常情况预防模块150开发的模型通常对于训练模型的数据范围是有效的。如果负荷变量X超出了曲线354所示的模型的极限，则状态为超出范围，并且热交换器异常情况预防模块150不能探测出异常状况。例如，在图9C中，热交换器异常情况预防模块150接收由点370示出、不在有效范围之内的数据集。这可能导致热交换器异常情况预防模块150转移到超出范围的状态，在这种情况下，热交换器异常情况预防模块150可以响应于操作员命令或者自动再转移到学习状态。这样，在初始学习时段结束后，如果过程移至不同的操作区域，则热交换器异常情况预防模块150仍然可以学习针对新的操作区域的新模型，同时保留针对原始操作区域的模型。
现在参见图10A，其示出了进一步示出当热交换器异常情况预防模块150转回学习状态时接收的不在有效范围内的数据集232的图。具体来说，图10A的图包括已采集的一组数据集374。再次参见图8，在块428处，在块404处接收的数据集(x，y)可以被添加到在后续时间可用于对模型进行训练的合适的一组数据集。参见图10A，数据集370已经被添加到与X的值小于xMIN的数据集相对应的一组数据集374。例如，如果在块404处接收的负荷变量X的值小于xMIN，则在块404处接收的数据集(x，y)可以被添加到与负荷变量X的值小于xMIN的其他所接收的数据集相对应的数据组中。类似地，如果在块404处接收的负荷变量X的值大于xMAX，则在块404处接收的数据集(x，y)可以被添加到与负荷变量值大于xMAX的其他所接收的数据集相对应的数据组中。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188中的任一个都可以实现块428。
然后，在块432处，可以确定在块428处数据集被添加到的数据组中是否有足够的数据集以生成与该组数据集374相对应的回归模型。该确定可以利用多种技术来实现。例如，可以将该组中数据集的数目与最小数目进行比较，如果该组中的数据集的数目至少是该最小数目，则可以确定有足够的数据集来生成回归模型。可以使用多种技术，包括本领域普通技术人员已知的技术，来选择该最小数目。如果确定有足够的数据集来生成回归模型，则在块436处可以更新该模型，这将在以下参考图14进行描述。然而，如果确定没有足够的数据集来生成回归模型，则该流程可以返回块404以接收下一数据集(x，y)。在另一示例中，操作员可以发出监控命令以使回归模型被生成。
图11是在确定组中有足够的数据集来针对当前有效范围[xMIN，xMAX]之外的数据集生成回归模型之后对模型进行更新的示例方法450的流程图。在块454处，可以确定新回归模型的范围[x’MIN，x’MAX]。有效范围可以指示新回归模型将有效的负荷自变量X的范围。举例来说，有效范围可以指示该模型仅对其中(x)大于或等于x’MIN并小于或等于x’MAX的负荷变量值(x)有效。仅作为一个示例，x’MIN可以被设置为该组数据集(x，y)中负荷变量X的最小值，x’MAX可以被设置为该组数据集(x，y)中负荷变量X的最大值。再次参见图10A，例如，x’MIN可以被设置为组374中最左边的数据集的负荷变量值(x)，x’MAX可以被设置为组374中最右边的数据集的负荷变量值(x)。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188可以生成有效范围。
在块460处，可以基于组中的数据集(x，y)生成针对范围[x’MIN，x’MAX]的回归模型。可以使用包括已知技术的多种技术中的任一种生成回归模型，并且可以将多种函数的任一种用作模型。例如，模型可以包括线性公式、二次公式等。在图10B中，在组374上叠加而成的曲线378示出了已经生成的对组374中的数据集进行建模的回归模型。与曲线378对应的回归模型在范围[x’MIN，x’MAX]内有效，而与曲线354对应的回归模型在范围[xMIN，xMAX]内有效。在图4的热交换器异常情况预防模块150中，回归块176、180、184、188可以针对范围[x’MIN，x’MAX]生成回归模型。
为方便解释，现在将范围[xMIN，xMAX]称为[xMIN_1，xMAX_1]，并将范围[x’MIN，x’MAX]称为[xMIN_2，xMAX_2]。此外，将与[xMIN_1，xMAX_1]对应的回归模型称为f1(x)，而将与[xMIN_2，xMAX_2]对应的回归模型称为f2(x)。因此，现在模型可以被表示为
再次参见图11，在块464处，可以针对曲线354和378之间的操作区域，在与范围[xMIN_1，xMAX_1]和[xMIN_2，xMAX_2]相对应的回归模型之间生成插值模型。以下描述的插值模型包括线性函数，但在其他实施方式中，可以使用诸如二次函数之类的其他类型的函数。如果xMAX_1小于xMIN_2，则插值模型可以被计算为 (公式13) 类似地，如果xMAX_2小于xMIN_1，则插值模型可以被计算为(公式14) 因此，如果xMAX_1小于xMIN_2，现在可以将模型表示为
(公式15) 并且如果xMAX_2小于xMIN_1，则模型可以表示为
(公式16) 从公式12、15和16可以看出，模型可以包括多个回归模型。具体来说，第一回归模型(即f1(x))可以用于对第一操作区域(xMIN_1≤x≤xMAX_1)中的Rtot和/或ΔP因变量Y进行建模，而第二回归模型(即f2(x))可以用于对第二操作区域(xMIN_2≤x≤xMAX_2)中的Rtot和/或ΔP因变量Y进行建模。此外，从公式15和16可以看出，模型还可以包括插值模型，以对与回归模型对应的操作区域之间中的Rtot和/或ΔP因变量Y进行建模。
再次参见图11，在块468处，可以对有效范围进行更新。例如，如果xMAX_1小于xMIN_2，则可以将xMIN设置为xMIN_1，并可以将xMAX设置为xMAX_2。类似地，如果xMAX_2小于xMIN_1，则可以将xMIN设置为xMIN_2，并且可以将xMAX设置为xMAX_1。图10C示出具有新有效范围的新模型。参见图8和11，可以利用诸如方法450之类的方法对模型进行多次更新。从图10C可以看出，为原操作范围保留原模型，因为原模型表示Rtot和/或ΔP变量Y的“正常”值。否则，如果原模型被持续更新，则存在模型被更新到错误状况并且异常情况无法被探测到的可能性。当过程移到新的操作区域时，可以假定该过程仍然处于正常状况，以便开发新模型，并且该新模型可用于探测新的操作区域中发生的系统中的其它异常情况。这样，热交换器64的模型可以过程模型被无限扩展到不同的操作区域。
异常情况预防系统35(图1和2)可以将例如与图7A、7B、9A、9B、9C、10A、10B和10C所示的一些或全部图类似的图显示在显示设备上。举例来说，如果热交换器异常情况预防模块150将建模标准数据提供给异常情况预防系统35或数据库，则例如，异常情况预防系统35可以使用该数据来生成显示，以示出回归块176、180、184、188如何将Rtot和/或ΔP因变量Y建模为自变流量(Fc，h)负荷变量X的函数。例如，该显示可以包括与图7A、7B和10C的一个以上图类似的图。可选地，热交换器异常情况预防模块150也可以向异常情况预防系统35或数据库提供例如用于生成回归块176、180、184、188的一些或全部数据集。在这种情况下，异常情况预防系统35可以使用该数据生成具有与图7A、7B、10A、10B的一个以上图类似的图的显示。可选地，热交换器异常情况预防模块150也可以向异常情况预防系统35或数据库提供例如热交换器异常情况预防模块150在其监控阶段所估计的一些或全部数据集。此外，热交换器异常情况预防模块150也可以向异常情况预防系统35或数据库提供例如针对一些或全部数据集的比较数据。在这种情况下，仅作为一个示例，异常情况预防系统35可以使用该数据生成具有与图7A和7B的一个以上图类似的图的显示。
热交换器异常情况预防模块的人工控制 在针对图6、8和11描述的异常情况预防模块中，当在特定操作区域中已经获得了足够的数据集时，模型本身可以自动更新。然而，可能期望在非操作员允许的情况下不要发生这样的更新。此外，可能期望即使是在所接收的数据集处于有效范围内时也允许操作员促成模型更新。
图12是与诸如图4的热交换器异常情况预防模块150之类的异常情况预防模块的可替换操作对应的示例状态转移图550。与状态图550相对应的操作允许操作员更多地对热交换器异常情况预防模块150进行控制。例如，如以下更详细描述的，当操作员期望热交换器异常情况预防模块150的模型被强制进入学习状态554时，操作员可以使学习命令被发送到热交换器异常情况预防模块150。一般来说，在以下将进行更详细描述的学习状态554下，热交换器异常情况预防模块150获取数据集，以生成回归模型。类似地，当操作员期望热交换器异常情况预防模块150创建回归模型，并开始监控传入的数据集时，该操作员可以使监控命令被发送到热交换器异常情况预防模块150。一般来说，响应于该监控命令，热交换器异常情况预防模块150可以转移到监控状态558。
热交换器异常情况预防模块150的初始状态例如可以是未训练状态560。在接收到学习命令时，热交换器异常情况预防模块150可以从未训练状态560转移至学习状态554。如果接收到监控命令，则热交换器异常情况预防模块150可以保持在未训练状态560。可选地，可以在显示设备上显示指示以通知操作员热交换器异常情况预防模块150还没有被训练。
在超出范围状态562下，可以对每个接收的数据集进行分析，以确定其是否在有效范围内。如果所接收的数据集不在有效范围内，则热交换器异常情况预防模块可以保持在超出范围状态562。然而，如果所接收的数据集在有效范围内，则热交换器异常情况预防模块150可以转移到监控状态558。此外，如果接收到学习命令，则热交换器异常情况预防模块150可以转移到学习状态554。
在学习状态554下，热交换器异常情况预防模块150可以采集数据集，从而可以在与所采集的数据集对应的一个以上操作区域中生成回归模型。此外，热交换器异常情况预防模块150可选地可以检查是否已经接收到最大数目的数据集。最大数目可以例如由热交换器异常情况预防模块150可用的存储器决定。因此，如果已经接收到最大数目的数据集，则这可能指示例如热交换器异常情况预防模块150已经耗尽用于存储数据集的可用存储器，或者有这种危险。通常，如果确定已经接收到最大数目的数据集，或者如果接收到监控命令，则可以更新热交换器异常情况预防模块150的模型，并且热交换器异常情况预防模块150可以转移至监控状态558。
图13是学习状态554下的操作的示例方法600的流程示意图。在块604，可以确定是否接收到监控命令。如果接收到监控命令，则该流程可以前进至块608。在块608，可以确定是否已采集了最小数目的数据集以生成回归模型。如果还没有采集到最小数目的数据集，则热交换器异常情况预防模块150可以保持在学习状态554。可选地，可以在显示设备上显示指示，以通知操作员由于还没有采集到最小数目的数据集，因此热交换器异常情况预防模块150仍然处于学习状态。
另一方面，如果已经采集到最小数目的数据集，则该流程可以前进到块612。在块612，可以更新热交换器异常情况预防模块150的模型，这将参考图14进行更详细的描述。接下来，在块616，热交换器异常情况预防模块150可以转移至监控状态558。
如果在块604已经确定没有接收到监控命令，则该流程可以前进到块620，在块620处可以接收新数据集。接下来，在块624，可以将所接收的数据集添加到合适的训练组。例如，合适的训练组可以基于数据集的负荷变量值来确定。作为示例性示例，如果负荷变量值小于模型的有效范围的xMIN，则可以将数据集添加到第一训练组。并且，如果负荷变量值大于模型的有效范围的xMAX，则可以将数据集添加到第二训练组。
在块628，可以确定是否已接收到最大数目的数据集。如果已接收到最大数目，则该流程可以前进到块612，并且热交换器异常情况预防模块150将最终转移到如上所述的监控状态558。另一方面，如果没有接收到最大数目，则热交换器异常情况预防模块150将保持在学习状态554。本领域普通技术人员将认识到可以以多种方式对方法600进行修改。仅作为一个示例，如果在块628处确定已经接收到最大数目的数据集，则热交换器异常情况预防模块150可以仅停止向训练组添加数据集。作为补充地或可替换地，热交换器异常情况预防模块150可以提示用户给出更新模型的授权。在这种实施方式中，除非用户授权了更新，否则即使已经获得了最大数目的数据集，模型也不会被更新。
图14是可用于实现图13的块612的示例方法650的流程图。在块654处，可以使用新采集的数据集确定即将生成的回归模型的范围[x’MIN，x’MAX]。可以使用包括已知技术的多种技术实现范围[x’MIN，x’MAX]。在块658处，可以使用参照图13描述的被采集并被添加到训练组中的数据集中的一些或全部来生成与范围[x’MIN，x’MAX]对应的回归模型。可以使用包括已知技术的多种生成回归模型。
在块662处，可以确定这是否是模型的初始训练。仅作为一个示例，可以确定有效范围[xMIN，xMAX]是否是指示该模型还没有被训练的某个预定范围。如果这是模型的初始训练，则该流程可以前进到块665，在块665处，有效范围[xMIN，xMAX]将被设置为块654处确定的范围。
如果在块662处确定这不是模型的初始训练，则该流程前进到块670。在块670处，可以确定范围[x’MIN，x’MAX]是否与有效范围[xMIN，xMAX]交叠。如果有交叠，则该流程可以前进到块674，在块674处，可以根据交叠来更新一个以上其它回归模型或插值模型的范围。可选地，如果其它回归模型或插值模型之一的范围完全位于范围[x’MIN，x’MAX]中，则可以丢弃其它回归模型或插值模型。这可以例如有助于节约存储资源。在块678处，如果需要的话，可以对有效范围进行更新。例如，如果x’MIN小于有效范围的xMIN，则可以将有效范围的xMIN设置为x’MIN。
如果在块670处确定范围[x’MIN，x’MAX]与有效范围[xMIN，xMAX]没有交叠，则该流程可以前进到块682。在块682处，如果需要的话，可以生成插值模型。在块686处，可以对有效范围进行更新。块682和686可以类似于针对图11的块464和468进行描述的方式来实现。
本领域普通技术人员将认识到，方法650可以各种方式进行修改。仅作为一个示例，如果确定范围[x’MIN，x’MAX]与有效范围[xMIN，xMAX]存在交叠，则可以修改范围[x’MIN，x’MAX]和其它回归模型和插值模型的操作范围中的一个以上，使这些范围不存在交叠。
图15是监控状态558下的操作的示例方法700的流程图。在块704处，可以确定是否接收到学习命令。如果接收到学习命令，则该流程可以前进到块708。在块708处，热交换器异常情况预防模块150可以转移到学习状态554。如果没有接收到学习命令，则该流程可以前进到块712。
在块712处，可以接收数据集(x，y)，如前所述。然后，在块716处，可以确定所接收的数据集(x，y)是否处于有效范围[xMIN，xMAX]之内。如果数据集超出有效范围[xMIN，xMAX]，则该流程可以前进到块720，在块720处，热交换器异常情况预防模块150可以转移到超出范围状态562。但是，如果在块716处确定数据集处于有效范围[xMIN，xMAX]内，则该流程可以前进到块724、728和732。块724、728和732可分别以类似于参照图5所描述的块284、288和292的方式来实现。
为了有助于进一步解释图12的状态转移图550、图13的流程图600、图14的流程图650和图15的流程图700，再次参照图7A、7B、9A、9B、9C、10A、10B、10C。图7A示出热交换器异常情况预防模块150处于学习状态554，而其模型正在被初始训练的图350。具体来说，图7A的图350包括已采集到的一组数据集354。在操作员使监控命令被发出之后，或如果已采集到最大数目的数据集，则可以生成与该组数据集354对应的回归模型。图7B的图350包括指示与该组数据集354对应的回归模型的曲线358。然后，热交换器异常情况预防模块150可以转移到监控状态558。
图9A的图形350示出处于监控状态558的热交换器异常情况预防模块150的操作。具体来说，热交换器异常情况预防模块150接收处于有效范围内的数据集358。模型使用由曲线354指示的回归模型生成预测yP(由图9A的图形中的“x”指示)。在图9C中，热交换器异常情况预防模块150接收不在有效范围内的数据集370。这可能使热交换器异常情况预防模块150转移到超出范围状态562。
如果操作员接下来使学习命令被发出，则热交换器异常情况预防模块150将再次转移到学习状态554。图10A的图形220示出热交换器异常情况预防模块150转移回学习状态554之后的操作。具体来说，图10A的图包括已采集到的一组数据集374。在操作员已使监控命令被发出之后，或者如果已采集到最大数目的数据集，则可以生成与该组数据集374对应的回归模型。图10B的图350包括指示与该组数据集374对应的回归模型的曲线378。接下来，可以生成针对曲线354与378之间的操作区域的插值模型。
然后，热交换器异常情况预防模块150转移回监控状态558。图13C的图350示出的热交换器异常情况预防模块150再次在监控状态558下操作。具体来说，热交换器异常情况预防模块150接收处于有效范围内的数据集382。模型使用由图10B的曲线378指示的回归模型生成预测yP(由图13C的图中的“x”指示)。
如果操作员再次使学习命令被发出，则热交换器异常情况预防模块150将再次转移到学习状态554，在该期间，另一组数据集被采集。在操作员已使监控命令被发出之后，或如果已采集到最大数目的数据集，则可以生成与该组数据集对应的回归模型。其它回归模型的范围可以被更新。例如，与曲线354和378对应的回归模型的范围可以由于在这两个回归模型之间添加回归模型而被加长或缩短。另外，与曲线354和378对应的回归模型之间的操作区域的插值模型被与曲线354和378之间的曲线对应的新回归模型取代。因此，如果期望的话，可以将插值模型从热交换器异常情况预防模块150所关联的存储器中删除。在转移到监控状态558之后，热交换器异常情况预防模块150可以如前所述的那样进行操作。
在负荷跟踪应用程序中使用异常情况预防的简化算法的热交换器异常操作探测 以上关于图4所描述的热交换器异常情况预防模块150可以适合于异常状况随时间很慢地形成的情况。例如，当在热交换器64中采用具有较低淤塞性能的流体(例如水)时，则来自一种或两种流体的残留材料可以持续数天或数个星期地逐渐在热交换器的内壁上堆积。可用于探测残留材料堆积的测量值可以例如每1秒到10秒获得一次。在这种情况下，5分钟的采样窗口可以包括30-300个样本，根据这些样本可以计算出合适的统计特征，例如负荷变量均值μL，监控变量均值μM，或监控变量标准差σM。使用5分钟的采集窗口时，需要六个小时来基于仅72个均值计算回归模型(72样本×5分钟/样本×1小时/60分钟＝6小时)。当需要远长于六小时的时间才能形成异常情况时，则六小时训练周期对于开发回归模型不会有问题。然而，在其它情况下，异常情况可能在短得多的时间帧内建立。例如，当热交换器64中采用的流体尤其易于使残留材料快速堆积时。在这些情况下，六小时或其它比较长的训练周期可能完全不合适。
图16中示出具有短得多的训练周期的可替换热交换器异常情况预防模块800。可替换热交换器异常情况预防模块800在与本申请同日递交的、题为“SIMPLIFIED ALGORITHM ABNORMAL SITUATION PREVENTION INLOAD FOLLOWING APPLICATIONS INCLUDING PLUGGED LINEDIAGNOSTIC IN A DYNAMIC PROCESS(负荷跟踪应用中包括动态过程中的插接线诊断的简化算法异常情况预防)”的美国专利申请No.＿＿＿(代理机构案号No.30203/42625)中有所描述。由此将上述专利申请以其整体通过引用合并于此。可替换热交换器异常情况预防模块800包括以上所述的热交换器异常情况预防模块150的众多特征，除了诊断块804、808、812、816。正如使用热交换器异常情况预防模块150，在可替换热交换器异常情况预防模块800中，负荷变量160、162可以输入至负荷变量SPM块172。负荷变量SPM块172可以计算在特定采样窗口内接收到的负荷变量值的均值μL、标准差σL、或一些其它统计特征。多个监控变量152、154、156、158、160和162可以用于计算Rtot，c和Rtot，h，Rtot，c和Rtot，h可以与监控变量164和166一起输入至监控变量SPM块173。监控变量SPM块173可以计算在特定窗口内接收到的监控变量值的均值μM、标准差σM、或一些其它统计特征。从负荷变量SPM块172输出的统计特征值作为自变量x被输入到诊断块804、808、812、816。从监控变量SPM块173输出的统计特征值可以作为因变量y输入至诊断块804、808、812、816。诊断块804、808、812、816可以计算因变量的实际测量值y与因变量的预测值yP之间的差Δy。诊断块804、808、812、816可以确定是否存在异常情况，并生成可以被发送至控制器或其它过程控制设备的合适的状态信号175、179、183、187。
图17中示出诊断块804、808、812、816的示例的详细框图。尽管只示出一个诊断块804，但是以下描述也等同地适用于诊断块808、812和816。负荷变量SPM块172的输出可以作为自变量x820输入至诊断块804，第二SPM块173的输出可以作为因变量y824输入至诊断块804。SPM块172、173可以以共同的采样窗口操作，从而使对应的(x，y)值可以基本同时被诊断块804接收到。诊断块804可以实现学习功能块828和监控功能块832。诊断块804还可以维护所选择的(x，y)数据点的数组836。当从SPM块172、173接收到新的集(x，y)的值时，可以在判决块840中确定是实现学习功能块828还是实现监控功能块832。在判决块840处，可以将新数据集的自变量x的值与数组836中所存储数据的自变量x的值进行比较。如果新数据集(x，y)中的自变量x的值超出已接收并存储在数组中的自变量值的范围，换句话说，如果x<xmin或x>xmax，其中是xmin是数组836中所存储的自变量x的最小值，xmax是数组836中所存储的自变量x的最大值，则可以执行学习功能块172。如果新数据集(x，y)中的自变量x的值在已接收并存储在数组中的自变量x的值的范围之内，换句话说，如果xmin≤x≤xmax，则可以执行监控功能块832。当执行学习功能块832时，新数据集(x，y)可以被添加到数组836中。如果x<xmin，则新数据集可以被添加到数组836的顶端或前面，并且数组836中所存储的已有数据集的索引值可以增加1。如果x>xmax，则新数据集可以被添加到数组836的底端或后面，并且已有数据集的索引值保持不变。
数组836可以定义将因变量y建模为所接收的自变量x的值的函数的函数。该数组所定义的函数可以包括由在数组836中存储的数据集(x，y)定义的数据点之间延伸的多个线性段。对应给定值x，可以使用下列函数预测对应的值y。如果所接收的x的值等于数组836中所存储的值xi之一，则因变量的预测值yP简单地等于数组836中所存储的对应值yi。然而，如果自变量x的值并不精确地匹配数组836中所存储的值xi之一，则可以通过在数组836中具有最接近自变量x的接收值且分别大于和小于自变量x的接收值的自变量x值的数据集(x，y)对之间施行线性插值计算因变量的预测值yP。具体地，如果xi<x<xi+1，则可以通过根据以下公式在数据点(xi，yi)和(xi+1，yi+1)之间施行线性插值来计算yP(公式17) 一旦计算出预测值yP，诊断块804就可以根据公式Δy＝y-yP计算新数据集(x，y)的因变量的实际值y与因变量的预测值yP之间的差。然后诊断块804可以确定Δy是否超出了建立的阈值。如果Δy超出了该阈值，则诊断块可以探测到异常情况，并生成合适的状态信号175、179、183、187。
图18-21示出根据图16和17的可替换热交换器异常情况预防模块将监控变量的模型建立为对应的负荷变量的函数的过程。图18-21中的每个图都示出接收到新数据集时数组836的内容。数组中所存储的数据集也被示出为绘制在坐标系850上。横轴852表示负荷变量值(流量)，纵轴854表示监控变量值(Rtot和/或ΔP)。
最初，数组836中没有存储数据集。第一集的值(xa，ya)从SPM块172、173接收。值xa与数组836中存储的数据集的Fc，h负荷变量的最大值和最小值(xmin，xmax)相比较。由于数组中最初没有存储数据集，因此没有建立针对xmin和xmax的值，并且xa值不可能落在xmin≤xa≤xmax的范围内。所以实施学习功能块828，并且将数据集(xa，ya)添加到数组836中。由于在数据集(xa，ya)被添加到数组中时数组836中没有存储其它数据集，因此数据集(xa，ya)被添加到数组中的第一位置，并且被指配索引值“1”。这样，当在坐标系850中绘制数组836时，点(x1，y1)856对应于从SPM块172、173接收的第一数据集的值(xa，ya)。
从SPM块172、173接收负荷的第二集(Fc，h)和监控(Rtot和/或ΔP)变量值(xb，yb)。负荷变量的接收值xb再次与数组836中存储的负荷变量值进行比较。由于数组836中仅存储有一个数据集(xa，ya)，并且接收的负荷变量值xb不可能落在xmin≤xa≤xmax之间的范围内，除非xb恰好等于xa。在该示例中，假设xb>xa。学习功能块828被再一次实施，并且数据集(xb，yb)被添加到数组836的末端。由于数据集(xb，yb)是数组836中存储的第二个数据集，因此其被指配索引值“2”。当在坐标系850上绘制数组836时，点(x2，y2)858对应于从SPM块172、173接收的接收负荷和监控变量值(xb，yb)。在该点处，监控变量(Rtot和/或ΔP)的模型包括在数据点(x1，y1)856和(x2，y2)858之间延伸并包括数据点(x1，y1)856和(x2，y2)858的线段860。
在图19中，从SPM块172、173接收包括负荷(Fc，h)和监控(Rtot和/或ΔP)变量值的第三数据集(xc，yc)。在这种情况下，假设xc>xb。在这一点处，xmin＝xa(数组836中存储的监控变量的最低值)并且xmax＝xb(数组836中存储的监控变量的最高值)。由于xc大于xb，xc没有落在xmin≤xc≤xmax的范围之内，因此再次实施学习功能块828。数据集(xc，yc)被添加到数组836中。由于xc>xmax(xb)，因此数据集(xc，yc)被添加到数组836的末端，并被指配索引值“3”。当在图19所示的坐标系850上绘制数组836时，点(x3，y3)862对应于从SPM块172、173接收的接收负荷和监控变量值(xc，yc)。现在监控变量的模型包括在数据点(x1，y1)和(x2，y2)之间延伸并包括数据点(x1，y1)和(x2，y2)的线段860。
接下来，从SPM块172、173接收第四数据集(xd，yd)。在这种情况下，假设xb<xd<xc。在该阶段，数组836中存储的监控变量的最小值是xa，并且数组836中存储的监控变量的最大值是xc。换句话说，xmin＝xa并且xmax＝xc。此时，监控变量的接收值xd在xmin<xd<xmax的范围之内。因此针对数据集(xd，yd)实施监控功能块832，而非学习功能块828，并且数据集(xd，yd)不被添加到数组836中。
在针对数据集(xd，yd)实现监控功能块832时，该算法基于已有的模型和负荷变量的接收值xd计算监控变量的预测值yd。如上所述，假设负荷变量的接收值xd落在xb<xd<xc的范围之内，由于xd在值xb和xc之间，因此可以基于模型850的、在(x2，y2)858和(x3，y3)862(即(xb，yb)和(xc，yc))之间延伸并包括(x2，y2)858和(x3，y3)862的线性段864所表示的部分，来计算监控变量的预测值。回到公式17，用于计算监控变量的预测值yP的公式是 或 在可替换的实施例中，可以由除了在数组中的点之间施行线性插值之外的其它方法生成对监控变量进行建模的函数。例如，可以生成用平滑曲线连接数组中的点的样条。在二阶或二次样条中，可以定义二阶多项式以连接各对相邻的点。可以选择这样的曲线这些曲线的一阶导数在这些曲线相交的点处(即在数组中定义的点处)相等。
在三阶或三次样条中，可以定义三阶多项式以连接各对相邻的点。在这种情况下，可以选择这样的曲线相邻的曲线在这些曲线相交的点处具有相等的一阶和二阶导数。
一旦确定了监控变量的预测值，则将监控变量的预测值yP和监控变量的接收值yd之差与一阈值进行比较。如果yd-yP大于该阈值，则探测到异常情况。如果yd-yP不大于该阈值，则该过程是在可接受的极限内操作，并且接收下一数据集时继续监控监控变量。在一个示例中，该阈值可以被提供为绝对值。
继续图20，从SPM块172、173接收第五数据集(xe，ye)。在这种情况下，假设xe<xa。当接收到数据集(xe，ye)时，数组836中存储的负荷变量的最小值是xa，并且数组836中存储的负荷变量的最大值是xc。换句话说，xmin＝xa并且xmax＝xc。在这种情况下xe<xa，并且负荷变量的接收值xe不在数组836中已存储的负荷变量值的范围内。因此针对数据集(xe，ye)实施学习功能块828，并且新数据集被添加到数组836中。然而，此时，由于xe<xmin(xa)，因此新数据集被添加到数组836的前面。新数据集(xe，ye)被指配索引值“1”，并且给数组836中已存储的数据集中的每一个指配的索引值都被增加1。这样，当在坐标系850上绘制该数组时，点(x1，y1)866对应于数据集(xe，ye)，点(x2，y2)856对应于数据集(xa，ya)，点(x3，y3)858对应于数据集(xb，yb)，点(x4，y4)862对应于数据集(xc，yc)。现在监控变量的模型包括在数据点(x1，y1)866和(x2，y2)856之间延伸并包括数据点(x1，y1)866和(x2，y2)856的线性段868、在数据点(x2，y2)856和(x3，y3)858之间延伸并包括数据点(x2，y2)856和(x3，y3)858的线性段860以及在数据点(x3，y3)858和(x4，y4)862之间延伸并包括数据点(x3，y3)858和(x4，y4)的线性段864。
图21示出给模型添加两个以上数据点。从SPM块172、173接收数据集(xf，yf)。在这种情况下，xf小于数组836中存储的负荷变量的最小值(xf<xe)。因此，数据集(xf，yf)被添加到数组836的前面，并且被指配索引值“1”。数组中存储的所有其它数据集的索引值都增加1。接下来，从SPM块172、173接收数据集(xg，yg)。在这种情况下，xg大于数组836中存储的负荷变量的最大值(xg<xc)。因此，新数据集(xg，yg)被添加到数组836的末端，并且被指配下一可用的索引号，在这种情况下是索引值“6”。在图21中整个数组836被绘制在坐标系850上。第一点(x1，y1)870对应于数据集(xf，yf)，第二点(x2，y2)866对应于数据集(xe，ye)，第三点(x3，y3)856对应于数据集(xa，ya)，第四点(x4，y4)858对应于数据集(xb，yb)，第五点(x5，y5)862对应于数据集(xc，yc)，并且第六点(x6，y6)872对应于数据集(xg，yg)。监控变量的模型包括在数据点(x1，y1)870和(x2，y2)866之间延伸并包括数据点(x1，y1)870和(x2，y2)866的线性段874、在点(x2，y2)866和(x3，y3)856之间延伸并包括点(x2，y2)866和(x3，y3)856的线性段868、在点(x3，y3)856和(x4，y4)858之间延伸并包括点(x3，y3)856和(x4，y4)858的线性段860、在点(x4，y4)858和(x5，y5)862之间延伸并包括点(x4，y4)858和(x5，y5)862的线性段864以及在数据点(x5，y5)862和(x6，y6)872之间延伸并包括数据点(x5，y5)862和(x6，y6)872的线性段876。
在理论上，可以添加到矩阵836中用于创建诸如图18-21中开发的可扩展模型之类的可扩展模型的点的数目没有限制。但实际上，处理限制可能对可以包括在特定模型中的点的数目强加了上限。在这种情况下，问题出现了，当即将添加到模型中的新的点超出数组中点的数目的处理上限时，已建立的可扩展模型会在不过度改变模型准确率的情况下被移除。例如，如果生成图21的可扩展模型的异常情况预防算法具有五个点的处理限制，那么可以确定可以将数据点870、866、856、858、862、872中的哪一个从数组836中移除并使得对模型的准确率的影响最小。
参见图22，其中示出三个点(x1，y1)880、(x2，y2)882和(x3，y3)884的序列。这三个点880、882、884定义一个三角形，该三角形具有由线段(x1，y1)-(x2，y2)886、(x2，y2)-(x3，y3)888和(x1，y1)-(x3，y3)890定义的边。线段(x1，y1)-(x2，y2)886和(x2，y2)-(x3，y3)888形成[x1，x3]范围内的可扩展模型的原始部分。然而，如果点(x2，y2)882从模型中移除，则线段(x1，y1)-(x3，y3)890代替线段(x1，y1)-(x2，y2)886和(x2，y2)-(x3，y3)888。包含所有三个点(x1，y1)880、(x2，y2)882和(x3，y3)884的原始函数与仅包含两个点(x1，y1)880和(x3，y3)884的简化函数之间的误差量仅仅是由所有三个点880、882、884形成的三角形892的面积。三角形892的面积可由下列公式来计算 (公式18) 如果从诸如图21中所示的可扩展模型之类的可扩展模型中移除一个点，则要移除的点可以是将使修改后的可扩展模型尽可能接近原始可扩展模型的那个点。确定该点的一种方法是确定哪个点从原始可扩展模型中移除时会在原始可扩展模型与修改后的可扩展模型之间产生最小的误差量。由移除任何特定点所引入的误差可以通过使用公式(18)所记录的公式计算由该点本身和该点两侧的各个相邻点形成的三角形的面积来确定。该过程可以针对原始可扩展模型中除两端的两个点之外的每个点来实施。具有最小面积的三角形会定义原始可扩展模型与修改后的可扩展模型之间的最小变化量。因此，当处理限制需要必须从模型中移除一个点以便改善处理效率时，或满足用于实现异常情况预防算法的硬件设备或系统的处理极限时，与其两个相邻的邻居形成最小三角形的点是从可扩展模型中移除的最佳选择。
返回图21中所示的可扩展模型，可以看出点(x3，y3)856几乎与两个相邻点(x2，y2)866和(x4，y4)858共线。很明显，由这三个点形成的三角形的面积非常小。移除点(x3，y3)856将会对可扩展模型900的总体形状具有可忽略的影响，这可以通过将图21的可扩展模型与图23中所示的修改后的可扩展模型900进行比较而得到证实。图21中的原始可扩展模型中的点(x3，y3)856已从图23的修改后的可扩展模型900中移除。即使没有点(x3，y3)856，图23的修改后的可扩展模型900也具有与图21的原始可扩展模型基本相同的形状。(应当注意定义图23的修改后的可扩展模型的点的索引值已被调整，以便反映出从图21的原始可扩展模型中移除了点(x3，y3)856。但是标识这些点的附图标记保持不变。因此，修改后的可扩展模型900中的点(x1，y1)870和(x2，y2)866对应于图21的原始可扩展模型中的相同点(x1，y1)870和(x2，y2)866。然而，图23的修改后的可扩展模型900中的点(x3，y3)856对应于图21的原始可扩展模型中的点(x4，y4)858。图23的修改后的可扩展模型900中的点(x4，y4)862对应于图21的原始可扩展模型中的点(x5，y5)862，图23的修改后的模型900中的点(x5，y5)872对应于图21的原始可扩展模型中的点(x6，y6)862。) 现在转到图24，其中示出用于实现异常情况预防系统的方法910。根据该方法，在912处接收新的点(x，y)。新的点(x，y)的自变量x可以包括第一过程变量在预定义的采样窗口内的统计特征(例如，均值、标准差或其它统计测量值)。新的点(x，y)的因变量y可以包括第二过程变量的统计特征。在热交换器中，可替换热交换器异常情况预防模块800可以对作为第一变量(负荷Fc，h变量)的函数的第二变量(监控Rtot和/或ΔP变量)进行监控。在监控变量并不以预测的方式基于负荷变量的运转而运转时，异常情况预防系统可能会探测到异常情况。在判决块914中对自变量x的值进行检查。将新的点(x，y)的自变量x的值与先前接收的点的自变量值进行比较。如果接收的点的自变量x的值在先前接收的点的自变量x的值的范围内，即如果xmin≤x≤xmax，其中xmin是已接收的x的最低值，而xmax是已接收的x的最高值，则执行监控功能块916。如果x的接收值不在xmin与xmax之间的范围内，则施行学习功能块918。
如果新点的x值不在已接收的值的范围内，则在920处，新点被添加到定义可扩展模型的点的数组中。如果x的值小于xmin，则新点被添加到数组的前面，并且数组中已存储的其它点的索引值被增加1。如果x的值大于xmax，则新点被添加到数组的后面。在判决块922处，估计数组中存储的点的数目，以确定在数组中已存储的点的数目是否等于数组中可以存储的点的最大数目。如果n≠nmax，则在块924处，异常情况预防系统继续。然而，如果n＝nmax，则在块926处，从数组中移除一个点。移除的点可以是与其相邻点形成具有最小面积Ai的三角形的点(xi，yi)，如上所述。可替换地，可以采用误差平方积分算法来识别当从数组中移除时将在相应的可扩展模型中引入最小误差量的点。
返回判决块914，如果自变量x的值在已接收的变量值的范围内，则通过在928处计算因变量的预测值yP继续监控功能块916。基于自变量x的接收值和数组中存储的点所体现的可扩展模型计算因变量的预测值。一旦计算出因变量的预测值yP，则在块930处通过从接收的新数据点中y的实际值中减去因变量的预测值yP来计算差值Δy。然后在932处，将该值Δy与用户定义的阈值进行比较。如果Δy大于阈值，则在934处探测到异常情况。如果在932处Δy的值不大于阈值，则认为被监控过程的状态正常，并且在924处异常情况预防算法继续。
热交换器异常情况预防模块150、800的一个方面是用户界面例程，该用户界面例程提供与这里所述的热交换器异常情况预防模块集成的图形用户界面(GUI)，以方便用户与热交换器异常情况预防模块所提供的各种异常情况预防能力的交互。然而，在更详细地讨论GUI之前，应当认识GUI可以包括使用任意合适的编程语言和技术实现的一个以上软件例程。另外，组成GUI的软件例程可以存储在诸如工厂10中的工作站、控制器等的单个处理站或单元中，或在该处理站或单元中被处理，或可替换地，可以使用在热交换器异常情况预防模块中以可通信方式互相连接的多个处理单元以分布式存储和执行GUI的软件例程。
优选地但不是必需地，GUI可以使用熟悉的图形、基于windows的架构和外观来实现，其中多个互相联接的图形视图或页面包括使用户能够以期望的方式通览(navigate through)页面以查看和/或获取特定类型的信息的一个以上下拉菜单。以上所述的热交换器异常情况预防模块的特征和/或能力可以通过GUI的一个以上相应的页面、视图或显示来表示、访问、调用等。此外，组成GUI的各种显示可以逻辑方式互相联接，以方便用户快速且直观地通览所述显示，以获取特定类型的信息或访问和/或调用热交换器异常情况预防模块的特定能力。
一般而言，这里所述的GUI提供过程控制区域、单元、环路、设备等的直观的图形描绘或显示。这些图形显示中的每一个都可以包括与GUI所显示的特定视图相关联的状态信息和指示(其中一些或全部状态信息和指示可以由以上所述的热交换器异常情况预防模块生成)。用户可以使用任意视图、页面或显示中的指示来快速评估该显示中描绘的热交换器64中是否存在问题。
另外，GUI可以就与热交换器64中已经出现的或即将出现的诸如异常情况之类的问题向用户提供消息。这些消息可以包括图形和/或文本信息，用于描述该问题、建议对系统进行可以被实施以消除当前问题或可以被实施以避免潜在问题的可能改变、描述可以被继续以校正或避免问题的一系列行动等。
热交换器异常情况预防模块150、800可以包括一个以上操作员显示。图25-27示出用于热交换器异常情况预防模块150、800的、针对加工厂10的热交换器64中的异常情况预防的操作员显示950的示例。参见图25，操作员显示950可以示出热交换器952、多个入口954、管道956和用于说明正被监控的实际热交换器952的其它结构。显示950可以自动调节为示出操作员显示950所表示的物理系统的管道956的准确数目。热交换器952的一部分可以包括按钮或其它可选择的用户界面结构，当这些结构被用户选择时，可以在显示950上显示关于热交换器中与该按钮相关联的部分的信息958。
参见图26，一旦探测到异常状况，操作员显示950可以产生该状况或该状况的位置的视觉指示960。在一个实施例中，该指示可以包括该过程中受影响的单元或其它被监控装置的区域的图形显示，如操作员显示800中所表示的。例如，如果热交换器异常情况预防模块150、800探测到管道956之一中出现的异常情况，则受影响的管道可以通过改变在显示950中的颜色或任意其它视觉特征来进行视觉改变，以将故障指示传达给操作员。同样，异常情况的探测可以触发任意其它可视的或听得见的警报，并将该警报传达给操作员。
参见图27，视觉指示960的选择可以启动(lanuch)面板962，该面板可以显示与该状况所关联的热交换器952有关的信息964或与热交换器952的操作有关的其它信息。面板962可以包括与加工厂10和热交换器有关的模式、状态、当前或预测差动压力(ΔP)、当前或预测热阻(Rtot)、过程变量所关联的任意值、当前回归模型、回归拟合的质量或任意其它信息。面板962还可以包括修改热交换器952的任意可配置参数的用户可调节的控制。例如，通过面板中的控制，操作员可以配置学习模式时段、统计计算周期、回归阶数或阈值极限中的任意一个。另外，操作员可以采取措施以减轻探测到的异常情况。例如，操作员可以减小送入的产品的流速、检查热交换器的管道入口或任意其它部分的产品淤塞、或打开热交换器旁路以清洗热交换器。当然，操作员可以对热交换器952进行很多其它调节，以预防或减轻异常情况。其它信息也可以显示在面板962上，并且其它变量也可以通过面板962来配置。
基于前述内容，公开了了在热交换器64中的异常情况预防的具体前提下方便监控和诊断过程控制系统的系统和方法。监控和诊断热交换器中的故障可以包括统计分析技术，例如回归。具体来说，从正在操作的热交换器中采集在线过程数据。当过程在线且操作正常时，过程数据表示过程的正常操作。统计分析用于基于所采集的数据开发过程的模型。可替换地，或可结合地，可以施行过程的监控，其使用用统计分析所开发的过程模型来基于该模型的参数生成输出。该输出可以包括基于模型的结果的统计输出和基于训练数据的归一化过程变量。每个输出可以用于生成用于过程监控和诊断的可视化显示，并且可用于施行警报诊断，以探测过程中的异常情况。
通过本公开内容的这一方面，可以定义热交换器异常情况预防模块150、800，并将其用于在线诊断，这对于热交换器和加工厂10中的多种过程装置故障或异常情况是有用的。模型可以使用回归建模得到。在某些情况下，所公开的热交换器异常情况预防模块150可以用于观察热交换器中的长期淤塞。在其它情况下，热交换器异常情况预防模块800可以用于观察热交换器中的短期或瞬时变化。例如，所公开的方法可用于在线、长期的合作诊断或相对短期的诊断。可替换地或作为补充地，所公开的方法可以提供回归分析的可替换方法。
所公开的方法可以结合包括例如图28所示的DeltaVTM 970和

多种控制系统平台一起实施，并且与诸如柔斯芒特3420FF接口模块、Foundation Fieldbus功能或换能器块、现场设备接口模块或手持通信器之类的各种过程装置和设备一起实施。可替换地，所公开的方法和系统可以被实施为独立的异常情况预防应用程序。或者，所公开的方法和系统可以被配置为生成警告，以及其它方式支持热交换器中淤塞程度的调节。
公开了以上所述的涉及热交换器中的异常情况预防的示例，其中应当理解所公开的系统、方法和技术的实践并不限于这类内容。相反，所公开的系统、方法和技术适于与包括能够选择用于监控、数据采集等的具有不同组织结构、元件布置或分散零件、单元、组件或项的其它集合的任意诊断系统、应用程序、例程、技术或程序一起使用。指定在诊断中使用的过程参数的其它诊断系统、应用程序等也可以被开发，或者受益于这里所描述的系统、方法和技术。然后，参数的这种单独指定可以被用于对其所关联的过程数据进行定位、监控和存储。此外，所公开的系统、方法和技术不一定仅仅与过程控制系统的诊断方面一起使用，尤其是在这类方面还没有被开发或还处于开发的早期阶段时。相反，所公开的系统、方法和技术还适于与过程控制系统、加工厂或过程控制网络等的任意元素或方面一起使用。
这里所描述的方法、过程、程序和技术可以使用硬件、固件和软件的任意组合来实现。因此，这里所述的系统和技术可以在标准多用途处理器中实现，或根据需要使用专用设计硬件或固件来实现。当以软件实现时，该软件可以存储在任意计算机可读存储器中，例如存储在磁盘、光盘或其它存储介质上，存储在计算机、处理器、I/O设备、现场设备、接口设备等的RAM或ROM或闪存中。同样地，该软件可以通过任意已知的期望的发送方法，包括例如计算机可读盘上或其它可传输计算存储机构或通信介质，发送给用户或过程控制系统。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具体体现为诸如载波或其它传输机制之类的调制数据信号。术语“调制数据信号”意指使其一个以上特征以将信息编码在信号中的方式被设置或改变的信号。以示例而非限制的方式，通信介质包括诸如有线网络或直接连接的网络之类的有线介质和诸如声、射频、红外和其它无线介质之类的无线介质。因此，该软件可以通过诸如电话线、因特网等的通信通道发送给用户或过程控制系统(这被视为与通过可传输存储介质提供这类软件相同或可互换)。
因此，尽管已参考具体的示例描述了本发明，这些示例仅仅是示例性的，而并不对本发明构成限制，但是对于本领域技术人员来说，很显然可以在不超出本发明的精神和范围的情况下对所公开的实施例进行改变、增加或删除。
权利要求
1、一种探测热交换器操作期间的异常情况的方法，该方法包括
当所述热交换器处于第一操作区域时，在热交换器操作的第一阶段，采集所述热交换器的多个第一数据点，
所述第一数据点根据冷流体流速变量或热流体流速变量中的一个以上以及差动压力变量或热阻变量中的一个以上生成；
根据所述第一数据点生成所述热交换器在所述第一操作区域中的回归模型；
向所述回归模型输入多个第二数据点，当所述热交换器处于所述第一操作区域时，在热交换器操作的第二阶段，所述多个第二数据点根据冷流体流速变量或热流体流速变量中的一个以上以及差动压力变量或热阻变量中的一个以上生成；
从所述回归模型输出预测值，所述预测值在热交换器操作的第二阶段根据差动压力变量或热阻变量中的一个以上生成，所述差动压力变量或热阻变量中的一个以上是根据冷流体流速变量或热流体流速变量中的一个以上生成的值的函数；
将在热交换器操作的第二阶段根据差动压力变量或热阻变量中的一个以上生成的预测值与在热交换器操作的第二时段根据差动压力变量或热阻变量生成的相应值进行比较；以及
当在热交换器操作的第二阶段根据差动压力变量或热阻变量中的一个以上生成的值明显偏离根据差动压力变量或热阻变量中的一个以上生成的相应预测值时，探测到异常情况。
2、根据权利要求1所述的方法，其中采集多个第一数据点和多个第二数据点包括，根据冷流体流速、冷流体入口温度、冷流体出口温度、冷流体入口压力、冷流体出口压力、热流体流速、热流体入口温度、热流体出口温度、热流体入口压力和热流体出口压力中的一个以上生成的第一数据点和第二数据点。
3、根据权利要求2所述的方法，其中所述差动压力包括冷流体入口压力和冷流体出口压力之间的差或热流体入口压力和热流体出口压力之间的差。
4、根据权利要求1所述方法，其中所述多个第一数据点包括采集原始过程变量数据和所述原始过程变量数据的统计变化中的一种以上。
5、根据权利要求4所述的方法，其中所述原始过程变量数据的统计变化包括均值、中值或标准差中的一种以上。
6、根据权利要求5所述的方法，进一步包括将过程变量数据的统计变化中的标准差建模为负荷变量的函数。
7、根据权利要求1所述的方法，进一步包括当在热交换器操作的第二阶段根据冷流体流速变量或热流体流速变量中的一个以上生成的第二数据点被观察到处于所述第一操作区域之外时，生成所述热交换器在第二操作区域中的新回归模型。
8、根据权利要求1所述的方法，进一步包括一旦探测到所述热交换器中有异常情况，即修改冷流体流速、冷流体入口温度、冷流体出口温度、冷流体入口压力、冷流体出口压力、热流体流速、热流体入口温度、热流体出口温度、热流体入口压力和热流体出口压力中的一个以上。
9、根据权利要求1所述的方法，进一步包括将序偶添加到数组中，以将差动压力变量和热阻变量中的一个以上建模为冷流体流速和热流体流速中的一个以上的函数，所述序偶的第一值包括冷流体流速和热流体流速中的一个以上，所述序偶的第二值包括差动压力变量和热阻变量中的一个以上。
10、根据权利要求1所述的方法，其中所述热阻变量是由冷流体流速、热流体流速、冷流体入口温度、冷流体出口温度、热流体入口温度和热流体出口温度构成的组中的一个以上的函数。
11、一种探测热交换器中的异常状况的方法，该方法包括
根据在多个采样窗口内采集的多个热交换器过程变量的采样值，计算根据多个第一负荷变量生成的数据，所述多个第一负荷变量包括第一流体流速；
根据在多个对应的采样窗口内采集的多个热交换器过程变量的采样值，计算根据多个第一监控变量生成的数据，所述多个第一监控变量包括第一差动压力和第一热阻；以及
通过将点添加到数组中，生成将根据多个第一负荷变量生成的数据建模为根据多个第一监控变量生成的数据的函数的函数，所述点包括从对应的采样窗口计算出的根据多个第一负荷变量生成的数据和根据多个第一监控变量生成的数据的序偶；
其中，第一流体流速包括冷流体流速和热流体流速中的一个以上，第一差动压力包括冷流体入口压力、冷流体出口压力、热流体入口压力和热流体出口压力中的一个以上，并且第一热阻包括热流体入口温度、热流体出口温度、冷流体入口温度和冷流体出口温度中的一个以上以及流速。
12、根据权利要求11所述的方法，进一步包括
接收包括根据新负荷变量值生成的数据和根据对应的新监控变量值生成的数据的新点；以及
当根据新负荷变量值生成的数据小于或大于根据所述数组中的所有其它点的第一负荷变量值之一生成的数据时，执行包括将所述新点添加到所述数组中的学习功能。
13、根据权利要求11所述的方法，进一步包括
将所述数组限制为固定数目的点，并且当添加所述新点会超出点的固定数目时，从所述数组中移除一点；以及
识别当从所述数组中移除时使在第一函数与第二函数之间的误差量最小的点，所述第一函数由包括该点的数组定义，所述第二函数由排除该点的数组定义。
14、根据权利要求10所述的方法，进一步包括
接收包括根据新流体流速生成的数据以及根据新差动压力和新热阻中的一个以上生成的数据的新数据点；
当根据新流体流速生成的数据大于根据所述数组中的点的最小第一流体流速生成的数据并且小于所述数组中的点的最大第一流体流速时，执行监控功能，其中所述监控功能进一步包括
基于根据所述新点的第一流体流速生成的数据的值以及将根据多个第一负荷变量生成的数据建模为根据多个第一监控变量生成的数据的函数的函数，计算根据来自所述新点的第一压力差或第一热阻中的一个以上生成的预测值；
将根据第一压力差或第一热阻中的一个以上生成的预测值与根据所述新点的压力差或热阻生成的相应实际值进行比较；以及
当根据第一压力差或第一热阻中的一个以上生成的预测值与根据所述新点的压力差或热阻生成的相应实际值之间的差超出预定阈值时，探测到异常状况。
15、一种探测热交换器操作期间的异常情况的方法，所述热交换器包括具有冷流体入口和冷流体出口的外壳部分和具有热流体入口和热流体出口的管道部分，所述外壳部分和所述管道部分包括与一个以上流量控制阀通信的一个以上流量控制器，其中每个流量控制器被配置为修改所述一个以上流量控制阀的位置以控制冷流体流速或热流体流速中的一个以上，所述方法包括
在热交换器操作的第一阶段，采集根据差动压力和热阻中的一个以上以及流速生成的第一数据集，其中所述流速包括冷流体流速和热流体流速中的一个以上，其中所述差动压力包括冷流体入口压力、冷流体出口压力、热流体入口压力和热流体出口压力中的一个以上，并且其中所述热阻包括冷流体入口温度、冷流体出口温度、热流体入口温度和热流体出口温度中的一个以上以及所述流速；
根据所述第一数据集生成所述热交换器在第一操作区域中的回归模型，其中所述流速对应于所述模型的负荷变量，并且所述差动压力或所述热阻中的一个以上对应于监控变量；以及
将根据所述流速生成的数据输入至所述回归模型，以从所述回归模型中产生根据差动压力和热阻中的一个以上生成的预测值的输出；
在热交换器操作的第二阶段，采集根据差动压力和热阻中的一个以上以及流速生成的第二数据集；
将根据在热交换器操作的第二阶段记录的流速生成的第二数据集输入至所述回归模型；
从所述回归模型输出根据差动压力和热阻中的一个以上生成的预测值；
以下步骤的一个以上
将根据差动压力生成的预测值与所述差动压力进行比较，和
将根据热阻生成的预测值与所述热阻进行比较；以及
当根据在热交换器操作的第二阶段的差动压力和在热交换器操作的第二阶段的热阻中的至少一个生成的值明显偏离根据差动压力和热阻生成的预测值时，探测到异常情况。
16、根据权利要求15所述的方法，其中所述差动压力是冷流体入口压力、冷流体出口压力、热流体入口压力和热流体出口压力中的一个以上的函数。
17、根据权利要求15所述的方法，进一步包括当根据热交换器操作的第二阶段的差动压力或热阻中的一个以上生成的值明显偏离根据所述差动压力和所述热阻生成的预测值时，修改所述流量控制阀的位置。
18、根据权利要求15所述的方法，进一步包括当热交换器操作的第二阶段的流速不在所述第一操作区域之内时，生成所述热交换器的新回归模型。
19、根据权利要求15所述的方法，进一步包括基于差动压力或热阻中的一个以上探测异常情况的位置。
20、一种监控热交换器中的异常情况的系统，包括
数据采集工具，适于在所述热交换器的操作期间从所述热交换器采集在线过程数据，其中所采集的在线过程数据根据多个热交换器过程变量生成；
分析工具，包括以下之一
回归分析引擎，适于基于根据所述热交换器在线时所采集的包括所述热交换器的操作的测量值的在线过程数据生成的数据集，对所述热交换器的操作进行建模，其中热交换器的操作的模型适于被执行为生成根据热交换器过程变量的第一热交换器过程变量生成的预测值，所述预测值是根据热交换器过程变量中的第二热交换器过程变量生成的数据的函数，并且其中所述分析工具适于存储所述热交换器的操作的模型和根据所采集的在线过程数据生成的数据集，或
负荷跟踪分析引擎，适于通过将点添加到数组中，生成将根据热交换器过程变量中的第一热交换器过程变量生成的数据建模为根据热交换器过程变量中的第二热交换器过程变量生成的数据的函数的函数，所述点包括从对应的采样窗口计算出的根据热交换器过程变量中的第一热交换器过程变量生成的数据和根据热交换器过程变量中的第二热交换器过程变量生成的数据的序偶；以及
监控工具，适于生成
根据所采集的在线过程数据生成的数据集，
使用所述分析工具根据热交换器过程变量中的第一热交换器过程变量生成的预测值数据，和
包括所述热交换器的操作的模型的参数的热交换器状态，其中所述参数包括根据所采集的在线过程数据生成的数据集的至少一个过程变量。
21、根据权利要求20所述的系统，其中所述多个热交换器过程变量包括下列中的一个以上包括冷流体流速和热流体流速中的一个以上的流速、包括冷流体入口压力、冷流体出口压力、热流体入口压力和热流体出口压力中的一个以上的差动压力，以及包括冷流体入口温度、冷流体出口温度、热流体入口温度和热流体出口温度中的一个以上和流速的热阻。
22、一种探测热交换器中的异常情况的系统，包括
数据采集工具，适于在所述热交换器的操作期间从所述热交换器采集在线过程数据，其中所采集的在线过程数据根据多个热交换器过程变量生成；
分析工具，包括回归分析引擎，所述回归分析引擎适于，基于根据所述热交换器在线时所采集的包括所述热交换器的操作的测量值的在线过程数据生成的数据集，对所述热交换器的操作进行建模，其中所述热交换器的操作的模型适于被执行为生成根据多个热交换器过程变量中的第一热交换器过程变量生成的预测值，所述预测值是根据多个热交换器过程变量中的第二热交换器过程变量生成的数据的函数，并且其中所述分析工具适于存储所述热交换器的操作的模型以及根据所采集的在线过程数据生成的数据集；
监控工具，适于生成
根据所采集的在线过程数据生成的数据集，
使用所述分析工具根据所述热交换器过程变量中的至少一个生成的预测值，以及
指示所述热交换器的操作的模型的参数的热交换器状态，其中所述热交换器的操作的模型的参数包括根据所采集的在线过程数据生成的数据集的至少一个过程变量；
包括具有多个操作区域的热交换器的表示的操作员显示；
与所述多个操作区域中的每一个相关联的可选择用户界面结构，每个用户界面结构适于显示与相关联的操作区域有关的信息；以及
包括与所述多个操作区域中的一个以上相关联的图形显示的异常情况指示符，所述图形显示适于指示在所述热交换器的操作期间所述热交换器的异常情况。
23、根据权利要求22所述的系统，其中所述可选择用户界面结构适于使能用户控制所述热交换器的可配置参数，所述可配置参数包括学习模式时段、统计计算周期、回归阶数、负荷跟踪数组大小和阈值极限中的至少一种。
全文摘要
公开了在热交换器中的异常情况预防的前提下方便监控和诊断过程控制系统及其任何元件的系统和方法。监控和诊断热交换器中的故障包括统计分析技术，例如回归和负荷跟踪。具体来说，在线过程数据从正在操作的热交换器中被采集。统计分析被用于开发该过程的回归模型。输出可以使用来自模型的多个参数，并且可以包括基于训练数据的归一化过程变量和过程变量极限或模型组件。每个输出可以用于生成用于过程监控和诊断的可视化显示，并施行警报诊断，以探测热交换器中的异常情况。
文档编号G05B23/02GK101535909SQ200780036001
公开日2009年9月16日 申请日期2007年9月28日 优先权日2006年9月28日
发明者约翰·菲利普·米勒 申请人:费舍-柔斯芒特系统股份有限公司