专利名称：焦化加热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，涉及精炼焦化加热器中的异常情况预防。
背景技术：
过程控制系统，例如在化学、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。这些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d、流体流量等的过程中施行功 能。诸如符合公知的FOUNDATION Fieldbus (以下称作Fieldbus )协议或 HART⑧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HART⑧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可被诸如操作员工作站、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使用，从而使操作员或维护人员能够针对过程施行期 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、对过程的搡作进行仿真以训 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^皮不正确地调 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 上很多，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Ovatio,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AMS 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。还可以参见名称为"Integrated
Communication Network 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 Health 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，很多加工 厂包括电力控制和诊断应用程序，例如由Liebert和ASCO公司提供的那些 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，以对一个以上现场设 备运行测试，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。
尽管所述的各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，或施行识别实际问题所需的其它活 动。
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
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，某些异常情况会在加工厂中造成对装置的
重大损坏、原材料的损耗或明显不期望的停工，即使这些异常情况存在极短的时间量。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，，标准时通报操作员。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。
对多个变量进行分析的另 一种技术被称为多变量统计过程控制 (MSPC)。该技术使用诸如主分量分析(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，从而确定 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。
再一种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 Process Plant (用于4笨测加工厂中的异常4喿作的方法和系统)"的美国专利 申请No. 11/492,467中#皮7>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，诸如基于相关性的模型、第一原理 模型或回归模型之类的使过程输入与过程输出相关的模型被使用。对于回归 建模，确定过程因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 测过程什么时候进入异常状况，并警告操作员采取行动。在实际行为与预测 行为之间存严重偏离时或在计算出的效率参数有显著变化时，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、 火焰加热器或焦化加热器、柱等)这样小的操作，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)、精炼厂的焦化设 备单元、重整器等)的操作的组合。
虽然上述技术可以应用于多种加工工业，但异常情况预防特别适用的一 种工业是精炼。更具体地，异常情况预防特别适用于精炼工业中使用的焦化 加热器。通常，焦化加热器通过对在通过焦化加热器的多个通道中的原油产 品和残油进料进行加热来处理精炼厂中的焦炭或残油进料。与焦化加热器相 关联的一种具体异常状况是，加热后的通道内的高焦化状况阻碍进料在管道 中流动，减小了加热器效率，并减小了焦化设备单元的输出。
发明内容
公开了在加工厂的焦化设备单元的焦化加热器中的异常情况预防的特 定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 诊断焦化加热器中的故障可以包括统计分析技术，例如回归。具体来说，可 以从精炼厂的焦化设备单元中正在操作的焦化加热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正常操作。统计分析 可用于基于采集的数据来开发过程的模型，并且该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模型以基于该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等级。每个输出可 以用于生成用于过程监控或过程诊断的可视化显示，并且可以施行警报诊 断，以探测该过程中的异常情况。
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，示出位于加工厂的包括焦 化单元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3a是加工厂的延迟焦化设备区域的区域的 一个示例； 图3b是加工厂的焦化设备区域内的焦化加热器的 一个示例； 图4是示例异常操作探测(AOD)系统的框图5是实现焦化加热器中的异常情况预防的方法的异常情况预防模块 的一个示例；
图6是可用于确定焦化加热器内的通道状态的逻辑的一个示例； 图7是与加工厂中的AOD系统一起^f吏用的回归块的一个示例；图8是焦化加热器中使用AOD系统的异常情况预防的流程图的一个示
例；
图9是对AOD系统进行初始训练的示例的流程图IOA是示出在AOD系统的学习状态期间采集的并且可以被图7的回
归块用来开发回归模型的多个数据集的图IOB是示出使用图IOA的多个数据集开发出的初始回归模型的图； 图11是可以使用图4 - 7的示例AOD系统实现的示例方法的流程图； 图12A是示出所接收的数据集和在AOD系统的监控状态期间由图7的
块生成的对应的预测值的图12B是示出所接收的另一数据集和由图7的块生成的对应的另一预
测值的图12C是示出所接收的超出图7的块的有效范围的数据集的图13A是示出AOD系统的学习状态期间采集的不同操作区域中的并且
可以被图7的模型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13B是示出使用图13A的多个数据集开发出的第二回归模型的图； 图13C是示出更新后的模型及其有效性范围并且还示出所接收的数据
集和在AOD系统的监控状态期间所生成的对应的预测值的图； 图14是更新AOD系统的模型的示例方法的流程图； 图15是与诸如图4-7的AOD系统之类的AOD系统的可替换才喿作对
应的示例状态转移图16是在AOD系统的学习状态下操作的示例方法的流程图17是更新AOD系统的模型的示例方法的流程图18是在AOD系统的监控状态下操作的示例方法的流程图19是用于焦化加热器中的异常情况预防的操作员显示的一个示例；
图20是用于焦化加热器中的异常情况预防的操作员显示的另 一示例；
图21是用于焦化加热器中的异常情况预防的操作员显示的又一示例；图2 2是用于焦化加热器中的异常情况预防的操作员显示的再 一 示例； 图23是在加工厂的过程控制平台或系统中实现的焦化设备异常情况预 防模块的示例。
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高速可寻址远程变送器(HART)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HAIO^或Fieldbus现场设 备，或任何其它包括例如使用PROFIBUS 、 WORLDFIP 、 Device-Net 、 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。搡作员接口 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IO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IO的其余部分。
类似地，具有与工厂IO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/>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IO的其余部分， 也可以仅临时连接到系统10的其余部分。如图l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。
一询殳而言，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^r例如以太网、Modbus、 HTML、专有4支术/协i义 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^Jl用程序43可以与示例加工厂10的部分50中的焦化单 元62通信的一种方式。在一个示例中，加工厂10或加工厂的部分50可以 是用于通过对在通过焦化加热器64的多个通道中的原油产品和残油进料加 热来处理石油焦炭的精炼厂。尽管图2示出异常情况预I^系统35与焦化加热器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 连接到焦化单元62的一个以上焦化加热器64。另外，焦化单元62和/或焦 化加热器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1/Oi殳备69和70必须与焦化单元62和焦化加热器64所-使用的期望协 议相兼容。尽管并未详细示出，但是焦化单元62和焦化加热器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、HART⑧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30 (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、焦化 单元62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、焦化单元62的设备以及加工厂10内的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，包括由焦化单元62 (或更具体地说，焦化单元62的设备)和加工厂 10中的其它现场设备采集的统计数据、根据由焦化单元62(或更具体地说， 焦化单元62的设备)和其它现场设备釆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、 1/0设备69和70、焦化单元62以及焦化加热器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tt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。虽然只示出一个仅具有一个焦化加热器64的焦化单元62,但是 应当理解，加工厂IO可以有多个焦化单元62，并且其中一些可以有多个焦 化加热器64。这里所描述的异常情况预防技术同样适用于若干焦化加热器 64或焦化单元62中的任意焦化加热器或焦化单元。
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3各。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IO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DeltaV 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。焦化加热器64和/或焦化单元62、和/或具体来i兌是焦化加热器64和焦 化单元62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。 一个以上焦化加热器64和焦 化单元62中的每一个和/或具体来说是一个以上焦化加热器64和焦化单元 62的设备中的一些或所有设备，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，焦化加热器64 (和焦化单元62中可能的某些或所有加热 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被示为位于焦化加热器64中，但是该块或类似的块可以位于任意数目的 焦化加热器64中或位于焦化单元62的各种其它装置和设备中，或位于诸如 控制器60、 1/0设备68、 70或图1中所示的任意设备之类的其它设备中。 另外，如果焦化单元62包括一个以上焦化加热器64，则块80可以在焦化 加热器64的任意子集中，例如在焦化加热器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可以从焦化加热器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釆集温度差，也可以 根据来自设备的温度测量值确定温度差变量。块80可以包括在焦化单元62 或焦化加热器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 行处理并对该数据施行分析。例如，被示为与焦化加热器64相关联的块80 可以具有对增益(通过焦化加热器64在流量阀位置上的流速的测量值)和 热传递(流量流经焦化加热器64时的温度变化)过程变量数据进行分析的高焦化探测例程81。通常，增益和热传递过程变量中的两者或之一的下降 可能指示高焦化状况。
图3A和3B示出焦化单元62和焦化加热器64的更详细-见图。以背景 的方式，加工厂10可以包括焦化单元62，以在将焦炭发送到工厂的^f诸存区 域之前，对来自工厂IO另一部分的最重组分(焦炭)进行处理。通常，延 迟焦化是精炼厂中用于对来自原油蒸馏的残油进行加浓(upgrade)并转换 为液体和气体产物流的热裂化过程。延迟焦化产生固体、被称作石油焦炭的 浓(concentrated)碳金属。简言之，具有若千横向管道68的焦化加热器64 将来自精馏柱82的残油加热到热裂化温度。使用在管道68中短的驻留时间， 进料的焦化可以被"延迟"，直到其到达下游的焦化鼓86。延迟焦化设备 62过程可以被描述为批持续的过程，原因在于流经焦化加热器64的流是不 间断的。来自焦化加热器64的下游进料90在两个焦化鼓86之间切换。一 个鼓可以是在线的，并且充有加热的焦炭，而另一个鼓正被汽提、冷却、脱 碳、检查压力和加热。来自焦炭鼓的顶部蒸汽流到精馏柱82中，精馏柱82 在其底部包括一贮存器，在这里新进料94 (即原油和残油)与密集的产物 蒸汽(循环)98结合，以形成焦化加热器上游进料102。
参见图3B,在一个实施例中，延迟焦化i殳备单元通过加热通过焦化加 热器64的多个通道中的原油产品和残油进料102来处理焦炭。进料102首 先被分离到多个通道中，并在进入加热器64之前经过流量控制阀120。尽 管图3B示出3个通道，4旦是工厂10可以引7vf壬意数目的通过加热器64的 通道。每个通道可以包括管道68、加热元件124和出口 126。加热元件124 通过燃料进料130被供应并且由燃料控制阀134或其它调节装置来控制。另 外，负荷平衡控制设备(未示出)可以调节通过每个管道68的流量。与焦 化加热器64相关联的过程变量(例如流速162、阀位置166、通道始端处的 进料温度170和通道末端处的进料温度174)可以为焦化设备单元62中的 异常情况预防提供信息。加热器64可以包括多个特征来保证延迟焦化过程 期间的适当残油加热。例如，加热器64可以包括l)针对最大内部热传递系数的高管道内速率；2)最小的锅炉内驻留时间，尤其是大于裂化温度阈 值时；3)恒定升高的温度梯度；4)具有基于外围管路表面可实现的最小分 配不均的最优通量率；5)锅炉套内的对称管路系统和线圏布置；和6)针 对每个加热器通道的多蒸汽注入点，以增加管道68中的进料速率并减小焦 炭鼓86中的部分压力，从而得到更多的柴油产物。如果没有遵守这些原则， 则会在焦化加热器64的操作期间在一个以上管道68的内部堆积过量的焦 炭，并且可能导致异常情况。焦炭堆积在管道68内部可能降低加热元件124 的效率，并且其它通道可以被补偿以更多的负荷。持续在焦化加热器64中 堆积通常可能影响整个单元或精炼加工厂10。
参见图2-4,异常操作探测块180可以对焦化加热器64中的每个管道 68进行监控，以检查高焦化。通常，管道68内的增益或热传递速率或者增 益和/或热传递速率两者随着总进料速率(尸f。》158的变化而降低可能指示 管道68中的高焦化状况，并且还可以用信号通知上游或下游异常情况。正 如这里所使用的，管道68 (图3B)可以描述焦化加热器64中的物理结构， 其中原油、残油和其它物质流待通过焦化加热器64 #:加热。进一步地，如 这里所使用的，通道154 (图4)可以指示焦化设备单元62内的焦化加热器 64的搡作期间通过特定管道68的原油、残油和其它物质本身的流动。在一
个实施例中，增益可以用(7 =丄表示，其中尸=通过管道68的流速，并且
r尸
r尸^流量控制阀120位置。在另一实施例中，阈位置(r尸)可以用控制器
输出(co)或控制器命令(a))来替换。热传递可以用Q-FxCpXAr表示，
其中F-通过管道68的流速，& =特定的热量，并且Ar-通道154两端的 温度差。在将Cp的值赋为常数时，ig还可以是从某初始状态开始的热传递变 化。同样，由于焦化加热器64可以对进料102进行持续加热，因此出口温
度可能总是高于入口温度，并且Ar可以等于r。 f-r,"。然后，热传递值可以
简化为g-Fx(7^-Z;)，其中尸=通过管道68的流速，r謝是出口 126处的 残油温度，并且r,"是流量控制阀120处或在残油到达加热元件124之前管道68的任意其它点处的残油温度。总进料速率(F,。f)可以是残油或通过进 料102进入管道68的其它物质的量的测量值。由于增益和热传递速率随着 总进料速率(F,。J的变化而变化，因此焦化设备异常情况预防模块150 (图 4)可以访问针对焦化单元62正常操作时的所有总进料速率，即(F她到 F^)，的初始增益或热传递速率。
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，这些块可以采集焦化加热器64中的过程变量it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/或探测所釆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 用于描述对诸如增益和/或传热值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釆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 相同的焦化加热器中，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FOUNDATION Fieldbus SPM块、或者与已知的 FOUNDATION 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FOUNDATION Fieldbus协议或诸如Profibus、 HART、 CAN等协议之类的某些其它协议。 如果需要，块80、 82的基础才栗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。
焦化加热器中的异常情况:探测(AOD)系统的综述
图4是用于焦化加热器64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的示例异常操作探测 (AOD)系统150的框图。AOD系统150可以用于4果测焦化单元62或焦化 加热器64中已经发生的或正在发生的异常操作，例如通过降低增益或热传 递而指示的高焦化状况，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。另外，AOD系统150可以用于在异常操作在焦化单元62 或焦化加热器64中实际发生之前预测这些异常操作的发生，其目的在于， 在焦化单元62、焦化加热器64或加工厂10中产生任^T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，每个焦化加热器64可以有相应的AOD系统150，虽然 应当理解，普通AOD系统可以用于多个加热器或用于总体来讲的焦化单元 62。如上所述，通常有多个(n)通道154,其中由于正常操作状况期间增 益和热传递可以作为某负荷变量158的函数而改变，因此AOD系统150针 对负荷变量158的值的范围学习正常或基线增益和热传递值。
如图5所示，负荷变量158和各个监控变量(流速162、阀位置166、 通道始端处的进料温度170和通道末端处的进料温度174)被送入相应的增 益180和热传递184块。在计算增益180和热传递184之后，这些值被送入 回归块188。在以下更详细描述的学习阶段期间，回归块188创建回归模型， 以预测根据相应的增益或热传递生成的数据，其中根据相应的增益或热传递 生成的数据是根据负荷变量154生成的数据的函数。根据增益或热传递生成 的数据和根据负荷变量生成的数据可以包括增益、热传递和负荷变量数据， 已被滤波或以其它方式被处理的增益、热传递和负荷变量数据，以及根据增 益、热传递和负荷变量数据生成的统计数据，等等。在以下同样更详细描述 的监控阶段期间，给定在焦化加热器64操作期间根据负荷变量158生成的 数据的值，回归模型预测根据增益180和热传递184之一或两者生成的数据 的值。回归块188针对根据负荷变量158生成的数据的一给定值，基于根据 增益180和/或热传递184生成的数据的预测值和根据增益180和/或热传递 184生成的数据的监控值之间的偏差(如果有的话)输出状态192、 196。例 如，如果增益180或热传递184两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188可以输出指示相关联的通道154中出现高焦化状况 的"停工(Down)，，状态。否则，回归块188可以针对给定的通道154输 出"正常(Normal)，，状态。
如图6所示，状态判决块220 ,人回归块188接收状态192、 196,并确 定焦化加热器64的状态。状态判决块220可以包括利用各通道154的状态 192、 196指示总体异常状况的多个状况或步骤。例如，第一状况224可以是，如果对增益180和热传递184数据中的至少一种进行处理之后所有的通 道154都停工，则总体故障可能是上游的问题。上游的问题可以是指示工厂 10的设备中使用焦化加热器64输出的至少 一部分运转的任意一个设备中存 在异常状况。第二状况228可以是，如果任意一个通道154停工，则这可以 指示在该特定的通道154中存在高焦化的故障。该故障可以指示是否基于增 益180或热传递184对每个通道154中的高焦化都进行了探测。第三状况 232可以是，如果负荷变量的值超出在学习阶段期间观测到的相同变量的极 限，则输出可能超出范围，并且指示回归块188可能需要被重新计算，如以 下概括描述的。第四状况236可以是，任意其它观测到状况是不同于第一状 况224、第二状况228或第三状况232的其它状况，则没有探测到故障。当 然，在状态判决块220内很多其它状况可以被满足或被评估，以确定焦化加 热器64的状态。状态判决块220可以从诸如其它焦化加热器64的回归块 180之类的其它回归块180接收状态，并确定焦化单元62的状态。监控变 量162、 166、 170、 174可以通过各种方法得到，这些方法包括传感器测量、 基于其它监控过程测量的建模测量、统计测量、分析结果等。如以下进一步 讨论的，值162、 166、 170、 174可以是原始监控值、SPM块的输出、或者 其它生成值。
图7是图5中所示的回归块188的示例的框图。回归块188包括针对负 荷变量、总流速(Ft。t)的第一 SPM块250，并且包括针对各个过程变量的 多个第二SPM块254，以确定监控变量流速162、阀位置166、通道始端 处的流的温度170和通道末端处的进料温度174，从而确定增益180和热传 递184。第一 SPM块250接收负荷变量，并才艮据负荷变量生成第一统计数 据。第 一统计数据可以是根据负荷变量计算出的多种统计数据中的任一种， 例如均值数据、中值数据、标准差数据、变化率数据、范围数据等。这类数 据可以基于负荷变量数据的滑动窗口或基于负荷变量数据的非交叠窗口计 算得到。作为一个示例，第一 SPM块250可以生成在用户指定的采样窗口 大小内的均值和标准差数据，所述用户指定的采样窗口大小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，可以针对第一 SPM块250所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，第一SPM块 250可以使用非交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，这样就可以每五分钟生成平 均和/或标准差负荷变量值。以类似的方式，第二SPM块254接收监控变量 162、 166、 170、 174，以测量焦化加热器64的增益和热传递，并以类似于 SPM块250的方式生成第二统计数据，例如在指定采样窗口内的均值或标 准差数据。
模型258包括来自SPM块250的作为自变量输入(x )的负荷变量输入 和来自SPM254的作为至少一个因变量输入(yi, y2)的监控变量输入。正 如以上所讨论的，监控变量162、 166、 170、 174^皮用于计算焦化加热器64 中的增益180或热传递184两者或任意一个。如以上更详细描述的，可以使 用多个数据集(x, yi， y2)训练模型258，以将监控变量162、 166、 170、 174建模为负荷变量154的函数。模型258可以使用来自SPM 250、 254的 负荷变量154 (X)和监控变量162、 166、 170、 174 (Y)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, yi， y2)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AOD系统150被描述为将增益和/或热传递变 量建模为负荷变量的函数，但是AOD系统150可以基于提供给回归模型的 自变和因变输入，将根据增益和/或热传递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增益和 /或热传递变量和负荷变量数据、根据增益和/或热传递变量和负荷变量数据 生成的统计数据，以及已经-陂滤波或以其它方式纟皮处理的增益和/或热传递 变量和负荷变量数据。另外，尽管AOD系统150被描述为预测增益和/或热 传递变量的值，并将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增益和/或热传递变量生成的各种预测值和监控值，例如预测和监控 增益和/或热传递变量数据，由增益和/或热传递变量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增益和/或热 传递变量数据。
如以下同样更详细描述的，模型258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增益和 热传递因变值建模为负荷自变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7所示的示例中，在学习阶段期间，(x, y!, y2)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增益和 热传递值的回归模型。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。模型258可以用负荷变量的观测值(x)和对应的增益或热传递的观 测值(y)的函数来计算。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-ao+a一…+apxP)增益和/或热传递 Y的预测值(yP1, yP2)。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AOD系统150被训练之后，在监控阶段期间，由偏差探测器262利 用模型258来基于给定的负荷自变量输入(x)生成因变增益和/或热传递值 Y的至少一个预测值(yP1， yP2)。偏差探测器262进一步将增益和/或热传 递输入(y!， y2)和负荷自变量输入(x)用于模型258。 一般而言，偏差探 测器262计算针对特定负荷变量值的预测值(yP1, yP2),并将预测值用作 "正常"或"基线，，增益和/或热传递。偏差探测器262将监控增益和/或热 传递值(yi, y2)与预测增益/热传递值(yP1, yP2)分别进行比较，以确定是否增益和/或热传递值(yi， y2)两者或其中任一个明显偏离预测值(yP1, yP2)(例如，Ay=y-yP)。如果监控增益和/或热传递值(yP y2)明显偏离 预测值(yP1, yP2)，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262可以生成偏差的指示符。例如，如果监控 增益值(yi)低于预测增益值(yP1)并且差超出阈值，则可以生成异常情况 的指示(例如"停工")。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。
通过图示，/可以是使总进料速率158与增益180和/或热传递184两者 或其中之一相关的回归块188, F加可以是总进料速率158的当前值，并且M 可以是增益180和/或热传递184两者或其中之一的当前值。回归块188可 以计算以观测总进料速率158的增益180和热传递184的-f壬意组合的正常 值，例如^0=/(尸加)。进一步地，回归块188可以计算增益180和/或热
传递184的计算正常值与当前值的百分比变化，例如组=^ —M。/^ x100。
当AM〈0且-AM〉阈值(即"正常，，或"基线"增益180和/或热传递184) 时，状态192、 196可以是"停工，，，否则可以指示通道154中的高焦化的 可能性。如果AM是任意其它值，则状态192、 196可以是正常。在另一实施 例中，回归块188可以将增益180和/或热传递184两者或其中之一与这些 变量的预测值的统计范围进行比较。例如，如果测量的变量超出观测的进料 速率下相同变量的预测值的多个标准差(a)，则块188可以指示状态192、 196。统计比较可以是，如果M〈M。-3(J，则状态192、 196可以是"停工，，， 否则状态192、 196可以是"正常，，。当SPM与美国专利申请No. 11/492,467 中公开的回归分析一起使用时，可以基于F加和学习阶段期间开发的回归模 型来预测标准差。当回归模型与来自SPM的原始数据一起使用时，标准差 可以基于学习阶段期间使用的数据中的剩余数据。当然，涉及变量158、 162、 166、 170、 174的观测值和预测值的^f艮多其它计算在^:测异常状况时也可能 是有用的。除了针对异常情况对焦化加热器64进行监控之外，偏差探测器262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262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262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188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4支术人员将iU只到，可以以各种方式^^改AOD系统150和 回归块188。例如，SPM块250、 254可以#皮省略，并且负荷变量的原始值 和流速162、阀位置166、通道始端处的进料温度170和通道末端处的进料 温度174的监控变量的原始值可以被直接提供给模型258作为用于回归建模 的(x， yi， y2, ...， yn)点，并被直接提供给偏差探测器262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250和254的补充 或替代。例如，可以在SPM块250、 254之前，或在使用SPM块250、 254 的地方，对过程变量数据进行滤波、削减等。
另外，尽管模型258被示为具有单个负荷自变量输入(x)、多个因变 量输入(yi， y2)和多个预测值(yP1, yP2)，但是模型258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，模型258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。
AOD系统150可以整体或部分在焦化加热器64中或者焦化单元62或 焦化加热器64的i殳备中实现。l又作为一个示例，SPM块250、 254可以在 焦化加热器64的温度传感器或温度变送器中实现，而模型258和/或偏差探 测器262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，AOD系统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250、 254。在另一实施方式中，至少一些块188、 250、 254、 258和262中的每一 个可以用功能块实现。例如，块250、 254、 258和262可以用回归块188的 功能块实现。然而，每个块的功能可以各种方式分布。例如，回归才莫型258 可以向偏差探测器262提供输出(yP1, yP2),而不是偏差探测器262执行 回归才莫型258以提供增益和热传递值的预测(yP1, yP2)。在该实施方式中， 模型258被训练之后，可以用于基于给定的负荷自变量输入(x)生成增益 或热传递的监控值(yi, y2)的预测值(yP1， yP2)。模型258的输出(yP1， yP2 )被提供给偏差探测器262。偏差探测器262接收回归模型258的输出(yP1, yP2)以及给模型258的因变量输入(x)。如上所述，偏差探测器262将监 控值(yi, y2)与模型258生成的值(yP1， yP2)进行比较，以确定因变增益 和/或热传递值(y" y2)是否明显偏离预测值(yP1， yP2)。
AOD系统150可以与异常情况预防系统35 (图1和图2A)进行通信。 例如，AOD系统150可以与配置应用程序38进行通信，以允许用户对AOD 系统150进行配置。例如，SPM块250和254、才莫型258和偏差〗笨测器262 中的一个以上可以具有可通过配置应用程序38^f务改的用户可配置参^L
另外，AOD系统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262或状态判决块220生成的偏差指 示符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，在模型258被训练之后，该模型的 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 操作员能够检查该模型和/或使模型参数可以被存储在数据库中。作为再一 示例，AOD系统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8是用于^笨测焦化单元62中或更具体地焦化单元62的焦化加热器 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AOD系统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，诸如模型258之类的模型被训练。例如， 可以使用负荷自变量X和因变量Y数据集来训练模型，以将其配置为将增 益和热传递因变量建模为负荷变量的函数。该模型可以包括针对负荷变量的 不同范围分别将增益和热传递变量建模为负荷变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，即总进料速率 (Ft。t)的值(x)生成增益和热传递因变值的预测值(yP1， yP2)。接下来， 在块288处，将增益和热传递变量的监控值(yi， y2)与对应的预测值(yP1, yP2)进行比较，以确定增益和/或热传递是否明显偏离预测值。例如，偏差 探测器262生成或接收模型258的输出(yP1, yP2),并将其与增益和热传 递各自的值(yn y2)进行比较。如果确定增益和/或热传递的监控值已明显 偏离(yP1, yP2),则在块292处生成偏离的指示符。在AOD系统150中， 例如偏差探测器262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="停工")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^仑的，块280可以在4莫型^t初始训练之后并在已生成因 变增益和/或热传递值的预测值(yP1， yP2)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9是用于对诸如图7的模型258之类的模型进行初始训练的示例方法 300的流程图。模型258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 (Ft。t)和增益和/或热传递因变量 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(增益和/或热传递)和负荷变量(Ft。t)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4-7的AOD系统150中，模型258 可以从SPM块250、 254接收数据集(x, y)。现在参见图10A,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AOD
系统150处于学习状态。具体来说，图IOA的图350包括已采集的一组数 据集354。
再次参见图9,在块308处，可以生成模型的有效范围[XMw, 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Xm,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，XM^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10A,例如，xMINV 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 - 7的AOD系统150中，才莫型块258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3 54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IOB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358对应的回归模型在范围[xMIN， XMAx]内有效。在图4-7的AOD系统150中^莫型块258可以针对范围[XMJN,
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ll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4-7的AOD系统150之类的AOD系统来实现。当然，方法 400也可以由其它类型的AOD系统来实现。方法400可以在初始才莫型已生 成之后实现。例如，图9的方法300可以用于生成初始才莫型。
在块404处，接收数据集(x， y)。在图4-7的AOD系统150中，模 型258可以从例如SPM块250、 254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 - 7的AOD系统150中，模型258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 位于有效范園[Xkon, 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的增益和热传递两者 或其中任一者的预测值(yP1, yP2)。具体来说，该模型根据块404处接收 的总流速(Ft。t)负荷变量值(x)生成预测的增益和热传递值(yP1， yP2)。 在图4 - 7的AOD系统150中，模型258根据从SPM块250接收的负荷变 量值(x)生成预测值(yP1， yP2)。
然后，在块416处，可以将在块404处接收的监控增益和/或热传递值 (yi， y2)与预测的增益和/或热传递值(ypi， yP2)进4亍比4交。该比4交可以 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12A,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12A的图350示出处于监控状态的 AOD系统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12A所示，已经计算出在块404处接收的增益和/或热传递的 监控值(y)与增益和/或热传递的预测值(yp)之间的差为-1.754% 。现在 参见图12B，另一示例的所接收的数据集在图形350中示出为点362，并且 相应的预测增益和/或热传递值(yp)示出为"x"。如图12B所示，已经计 算出在块404处接收的增益和/或热传递的监控值(y)与预测值(yp)之间 的差为-19.298%。在图4-7的AOD系统150中，偏差4罙测器262可以施行该比较。
再次参见图11，在块420处，可以基于块416的比较来确定在块404 处接收的增益和/或热传递值(y)是否明显偏离预测增益和/或热传递值(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处生成了增益和/或热传递值，则可以确定该 差值是否超出某阈值。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X (Ft。t)值的值而变化。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，例如高于预测增益和 /或热传递值(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阔值的情况下，才可以确定明显偏离。作为再一示例， 只有在监控变量值(y)超出预测变量值(yp)的量大于预测变量值(yp) 的特定数目的标准差(a)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。针对增益和/或热传递值中的每一个可以使用相同的或不同的阈值。
再次参见图12A，在块404处接收的监控增益和/或热传递值(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12A中所示的差的绝对值低于该阈值。另一方面，再次参见图 12B，在块404处接收的监控增益和/或热传递值(y)与预测增益和/或热传 递值(yp)之间的差为-19.298%。图12B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4-7的AOD系统150 中，偏差4笨测器262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增益和/或热传递 值(y)是否明显偏离预测增益和/或热传递值(yp)的确定。在一种实施方 式中，确定监控增益和/或热传递值(y)是否明显偏离于预测增益和/或热传 递值(yp)可以包括，分析(y)和(yp)的当前值。例如，可以从增益和/ 或热传递的预测值(yp)中减去增益和/或热传递的监控值(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。所述一个以上阔值中的每个阔值可以是 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。针对不同的增益和/或热传递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 Process Variable 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 他确定监控增益和/或热传递值(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l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11，如果确定在块404处接收的监控增益和/或热传递值(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，如果确定增益和/或热传递值(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12A,由于在块404处接收的增益和/或热传递值(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 12B，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4-7的AOD系统150中，偏差^1测器262 可以生成指示符。
再次参见图11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AOD系统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AOD系统150不能 探测出异常状况。例如，在图12C中，AOD系统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AOD系统150转移到超出范围的 状态，在这种情况下，AOD系统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AOD系统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13A,其示出了进一步示出当AOD系统150转回学习状态 时接收的不在有效范围内的数据集370的图。具体来说，图13A的图包括 已采集的一组数据集374。再次参见图11,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13A,数据集370已经被添加到与X的值小于Xmw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XMw,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XM^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4-7的AOD系统150中，才莫型块258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处可以更新该才莫型，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14是在确定组中有足够的数据集来针对当前有效范围[XM, 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，m!n， 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，認N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13A,例如，x，Mw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4-7的AOD系统150中，；漠型块258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，M!N，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13B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4-7的AOD系统150中，模型258可以针对范围[x，M肠x，MAx] 生成回归^^莫型。
为方便解释，现在将范围[XM!N, XMAx]称为[XMw—15 XMAX1]，并将范围称为[XMIN—2， XMAX—2]。此外，将与[XMIN—XMAxj]对应的回归模型称为fi(X)，而将与[Xm!n—2， XMAX—2]对应的回归模型称为f2(X)。因此，现在模型可以一皮表示为<formula>formula see original document page 40</formula>
再次参见图14，在块464处，可以针对曲线354和378之间的^t喿作区域，在与范围[xMINJ, xMAX—J和[Xm!n—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—n、fxMIN_2,则插值模型可以被计算为
<formula>formula see original document page 40</formula>类似地，如果Xmax2小于Xm!n!，则插值模型可以被计算为
力(^M/W—1 ) - A (^」
因此，现在可以将模型表示为<formula>formula see original document page 40</formula>
并且如果Xmaxj小于XMINJ，并且如果Xmax—2小于XMIN1，则模型可以
表示为<formula>formula see original document page 40</formula>
从公式l、 4和5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f"x))可以用于对第一操作区域(x画—^x^x層—，)中的
因变增益和/或热传递值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(x画乂"x皿—2 )中的因变增益和/或热传递值Y进行建模。
此外，从公式4和5可以看出，模型还可以包括插值模型，以对与回归才莫型对应的操作区域之间中的因变增益和/或热传递值Y进行建模。
再次参见图14，在块468处，可以对有效范围进行更新。例如，如果
XMAX_1 'J 、于XMIN_2,则可以将XMIN i殳置为XMINj ，并可以将XMAX i殳置为XMAX—2 。类似地，如果Xmax一2小于XMIN—p则可以将XM!n设置为XMIN2，并且可以将xmax设置为xmax1。图13C示出具有新有效范围的新模型。参见图11和14，
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13C可以看出，为原操作范围保留原模型，因为原模型表示增益和/或热传递值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，焦化加热器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IOA、 IOB、 12A、12B、 12C、 13A、 13B和13C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AOD系统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，以示出模型258如何将增益和/或热传递因变量Y建模为F加负荷自变量X的函数。例如，该显示可以包括与图IOA、 10B和13C的一个以上图类似的图。可选地，AOD系统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模型258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IOA、 IOB、 13A、 13B的一个以上图类似的图的显示。可选地，AOD系统150也可以向异常情况预防系统35或数据库提供例如AOD系统150在其监控阶段所估计的一些或全部数据集。此外，AOD系统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3 5可以^使用该数据生成具有与图10 A和10 B的 一 个以上图类似的图的显示。
AOD系统的人工控制
在针对图9、 11和14描述的AOD系统中，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操作范围内时也允许操作员促成模型更新。
图15是与诸如图4 - 7的AOD系统150之类的AOD系统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AOD系统进行控制。例如，如以下更详细描述的，当操作员期望AOD系统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AOD系统150。 一般来说，在以下将进行更详细描述的学习状态554下，AOD系统获取数据集，以生成回归模型。类似地，当操作员期望AOD系统创建回归模型，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AOD系统。 一般来i兌，响应于该监控命令，AOD系统150可以转移到监控状态558。
AOD系统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，AOD系统可以从未训练状态560转移至学习状态554。如果接收到监控命令，则AOD系统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AOD系统还没有被训练。
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AOD系统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AOD系统可以转移到监控状态558。此外，如果接收到学习命令，则AOD系统可以转移到学习状态554。
在学习状态554下，AOD系统可以采集数据集，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才莫型。此外，AOD系统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AOD系统可用的存储器决定。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AOD系统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AOD系统的模型，并且AOD系统可以转移至监控状态558。
图16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AOD系统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AOD系统仍然处于学习状态。
另一方面，如果已经釆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AOD系统的^t型，这将参考图17进行更详细的描述。接下来，在块616, AOD系统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AOD系统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AOD系统将保持在学习状态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AOD系统可以仅停止向训练组添加数据集。作为补充地或可替换地，AOD系统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17是可用于实现图16的块612的示例方法650的流程图。在块654处，可以使用新釆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，m!n, X，max]。在块658处，可
以使用参照图16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，Mw, 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。如果这是才莫型的初始训练，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，m, x，max]是否与有效范围[xm!N， X嫩x]交叠。
如果有交叠，则该流程可以前进到块674，在块674处，可以^^艮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，m!n， 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，屈N小于有效范围的XMIN,则
可以3夺有岁丈范围的xMIN i殳置为x，MIN。
如果在块670处确定范围[X，ivHN， X，MAx]与有效范围[XMw， 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14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，m!n， X，MAX]与有效范围[XMW， 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18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，AOD系统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[XMw, Xmax]之内。如果数据集超出有效范围[XM!n, xMAX],则该流程可以前进到块720，在块720处，AOD系统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[xm, 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8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15的状态转移图550、图16的流程图600、图17的流程图650和图118的流程图700，再次参照图IOA、 IOB、 12A、12B、 12C、 13A、 13B、 13C。图10A示出AOD系统处于学习状态554，而其^t型正在^^皮初始训练的图350。具体来说，图IOA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IOB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，AOD系统可以转移到监控状态558。
图12A的图形350示出处于监控状态558的AOD系统的操作。具体来说，AOD系统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12A的图形中的"x"指示)。在图12C中，AOD系统接收不在有效范围内的数据集370。这可能使AOD系统转移到超 出范围状态562。
如果操作员接下来使学习命令被发出，则AOD系统将再次转移到学习 状态554。图13A的图350示出AOD系统转移回学习状态554之后的#:作。 具体来说，图13A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13B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，AOD系统转移回监控状态558。图13C的图350示出的AOD系 统再次在监控状态558下操作具体来说，AOD系统接收处于有效范围内 的数据集382。模型使用由图13B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AOD系统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AOD系统所关联的存储器中删除。在转移到监控状 态5 5 8之后，AOD系统可以如前所述的那样进行操作。
AOD系统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AOD系统集成的图形用户界面(GUI)，以方便用户与AOD系统所提 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^皮处理，或可替换地，
可以使用在AOD系统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AOD系统的特征和/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AOD系统的特定能力。
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AOD系统生成)。用户可以使用任意一见图、页面或显示 中的指示来快速评估该显示中描绘的焦化加热器64或其它设备中是否存在 问题。
另外，GUI可以就与焦化加热器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。
焦化设备异常情况预防模块300可以包括一个以上操作员显示。图19 -22示出用于AOD系统150的、针对焦化单元62的焦化加热器64中的异 常情况预防的操作员显示800的示例。参见图19，操作员显示800可以示 出用于说明正被监控的实际焦化加热器64的多个通道804。显示800可以 自动调节为示出操作员显示800所表示的物理系统的管道通道804的准确数 目。每个通道804可以包括按钮808或其它可选择的用户界面结构，当这些结构被用户选4奪时，可以在显示800上显示关于焦化加热器64中与该按钮 808相关联的部分的信息。例如，在选择4姿4丑808之后，显示800即可以启 动(lanuch)面板812,该面4反可以显示与选择的4姿4丑808所关联的通道804 有关的信息，或与焦化加热器64的搡作有关的其它信息。面板812可以包 括与加工厂IO和AOD系统150所监控的单元有关的;f莫式、状态、当前增益、 当前热传递、预测增益、预测热传递、当前回归模型、回归拟合的质量或任 意其它信息。面板812还可以包括^修改显示800中所表示的单元的任意可配 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高焦化状况。例如，操作员可以修改流量 阀位置以增加流速，从而减少进料在管道中存在的时间，从而努力降低焦化 状况。当然，操作员可以对焦化加热器进行很多其它调节，以预防或减轻异 常情况。其它信息也可以显示在面板812上，并且其它变量也可以通过面板 812来配置。
参见图21,操作员显示800可以包括与探测到的异常情况有关的附加 信息。在一个实施例中，操作员可以选择按钮、被监控单元的受影响区域的 视觉表示、或另一种结构的操作员显示800，以获取关于该情况的信息。例 如，操作员可以选择受影响的通道812的视觉表示、警报条(alarm banner) 816或其它结构的显示800。在选择之后，显示800即可以显示关于纟皮监控 单元的具体受影响区域的概要消息820或其它信息。
参见图21和22，概要消息820可以包括另一可选择结构824(图21 ), 其允许呈现概要消息中不包括的附加的详细信息。如图22所示，结构824 的选择可以呈现关于异常情况的细节，包括可以指示对探测到的故障的可能 补救的建议行动828。另外，在选择之后，结构824即可以呈现向导帮助文 档，其可以提供更深入的指令，以供操作员纠正异常情况。
基于前述内容，公开了在产品精炼加工中焦化设备单元的焦化加热器中 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。监控和诊断焦化加热器中的故障可以包括统计分析技术，例如回归。具体来 说，从精炼厂的焦化设备区域中正在操作的的焦化加热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。该输出可以使用来自模型的各种参数，并且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，可以定义焦化设备异常情况预防模块3 00,
并将其用于在线诊断，这对于焦化加热器和精炼加工厂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 开的方法可以用于观察焦化加热器中的长期焦化，而不是焦化加热器效率的 瞬时变化。例如，所公开的方法可用于在线、长期的合作诊断。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23所示的DeltaV 900和Ovation 多种控制系统平台 一起实施，并且与诸如柔斯芒特3420 FF接口模块之类的 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，以及其它方式支持焦化加热器中的焦化水平的调节。
公开了以上所述的涉及焦化加热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
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、一种探测加工厂内焦化加热器操作期间的异常情况的方法，该方法包括当所述焦化加热器处于第一操作区域时，在焦化加热器操作的第一阶段，采集所述焦化加热器的多个第一数据点，所述第一数据点根据增益变量或热传递变量中的至少一个以及总进料速率变量生成；根据所述第一数据点生成所述焦化加热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，当所述焦化加热器处于所述第一操作区域时，在焦化加热器操作的第二阶段，所述多个第二数据点根据增益变量或热传递变量中的至少一个以及总进料速率变量生成；从所述回归模型输出预测值，所述预测值在焦化加热器操作的第二阶段根据增益变量或热传递变量中的至少一个生成，所述增益变量或热传递变量中的至少一个是根据总进料速率变量生成的值的函数；将在焦化加热器操作的第二阶段根据增益变量或热传递变量中的至少一个生成的预测值与在焦化加热器操作的第二阶段根据增益变量或热传递变量生成的相应值进行比较；以及当在焦化加热器操作的第二阶段根据增益变量或热传递变量中的至少一个生成的值明显偏离根据增益变量或热传递变量中的至少一个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，其中所述多个第一数据点和所述多个 第二数据点包括根据总进料速率、流速、流量阀位置、在所述焦化加热器 的管道的加热元件前面的位置处的通道物质的温度、和在所述焦化加热器的 管道的加热元件后面的位置处的通道物质的温度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1所述的方法，其中所述增益变量包括流速和阀位置中的至少一个。
4、 根据权利要求1所述方法，其中采集所述多个第一数据点包括采集 由原始过程变量数据和原始过程变量数据的统计变化构成的组中的至少一种。
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，进一步包括当在焦化加热器操作的 第二阶段根据总进料速率变量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，生成所述焦化加热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，所述焦化加热器包括多个管道，每个 管道包括与流量控制阀通信的流量控制器，其中所述流量控制器被配置为修 改流量阀位置，以控制所述管道内的物质的流速。
9、 根据权利要求8所述的方法，进一步包括 一旦探测到异常情况， 即修改所述流量阀位置。
10、 根据权利要求8所述的方法，其中所述焦化加热器进一步包括与管 道加热器通信的热量控制器，其中所述热量控制器被配置为修改所述管道加 热器的热量输出，以修改所述多个管道内的流动物质的温度。
11、 根据权利要求IO所述的方法，进一步包括 一旦探测到异常情况， 即修改所述管道加热器的热量输出，以修改所述管道内的流动物质的温度。
12、 根据权利要求1所述的方法，其中所述总进料速率变量包括所述焦 化加热器的通道的流速。
13、 根据权利要求1所述的方法，其中所述增益变量是由通过焦化加热 器管道的流的速率、流量控制阀的位置、控制器输出和控制器命令构成的组 中的一个以上的函^:。
14、 根据权利要求1所述的方法，其中所述热传递变量是由通过焦化加热器的流的速率和所述管道中的流动物质从所述管道的始端到所述管道的 末端的温度变化构成的组中的 一 个以上的函数。
15、 一种探测加工厂内焦化加热器操作期间的异常状况的方法，所述焦化加热器包括多个管道，该方法包括在焦化加热器操作的第 一 阶段，采集根据总进料速率以及每个管道的增 益和热传递中的至少一个生成的第一数据集，其中所述增益是通过所述管道 的物质的流速和流量控制阀的位置的函数，并且其中所述热传递是通过所述 管道的物质的流速和所述管道中的物质从所述管道的始端到所述管道的末 端的温度变化的函数；根据所述第 一 数据集生成所述焦化加热器在第 一 操作区域中的回归模 型，其中所述总进料速率对应于所述回归模型的负荷变量，并且所述增益和 热传递中的至少一个对应于所述回归模型的监控变量；在焦化加热器操作的第二阶段，采集根据总进料速率以及每个管道的增 益和热传递中的至少一个生成的第二数据集；将根据总进料速率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增益和热传递中的至少一个生成的预测值；下列中的至少一个将根据增益生成的预测值与在焦化设备操作的第二阶段所记录的增益进行比较，和将根据热传递生成的预测值与在焦化设备操作的第二阶段所记录的热传递进行比较；以及当根据在焦化设备操作的第二阶段的增益和在焦化设备操作的第二阶 段的热传递中的至少一个生成的值明显偏离根据增益和热传递生成的预测 值时，探测到异常情况。
16、 根据权利要求15所述的方法，其中所述增益是流量控制间的位置、 控制器输出或控制器命令中的至少 一 个以及通过所述管道的流的速率的函
17、 根据权利要求16所述的方法，进一步包括当根据在焦化设备操 作的第二阶段的增益生成的值明显偏离根据所述增益生成的预测值时，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，进一步包括当根据在焦化设备操 作的第二阶段的热传递生成的值明显偏离根据所述热传递生成的预测值时，修改管道加热器的热量输出
19、 根据权利要求15所述的方法，进一步包括当根据在焦化加热器 操作的第二阶段的总进料速率生成的数据不在所述第 一操作区域之内时，生 成所述焦化加热器的新回归模型。
20、 根据权利要求15所述的方法，进一步包括当探测到所述多个管 道中的所有管道都存在异常情况时，探测异常情况的上游位置。
21、 根据权利要求15所述的方法，进一步包括将根据流速生成的数 据输入至所述回归模型，以从所述回归模型得到根据增益和热传递中的一个 以上生成的预测值的输出。
22、 一种监控加工厂的焦化加热器中的异常情况的系统，包括 数据采集工具，适于在所述焦化加热器操作期间从所述焦化加热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焦化加热器过程变量生 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在所述 焦化加热器在线时所采集的在线过程数据生成的数据集，对所述焦化加热器 的操作进行建模，所采集的在线过程数据包括所述焦化加热器的操作的测量 值，其中所述焦化加热器的操作的模型适于被执行为生成根据多个焦化加热 器过程变量中的第一焦化加热器过程变量生成的预测值，所述预测值是根据 多个焦化加热器过程变量中的第二焦化加热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焦化加热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；和监控工具，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焦化加热器过程变量中的至少一种生成的 预测值，和包括所述焦化加热器的操作的模型的参数的焦化加热器状态，其中 所述焦化加热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。
23、 根据权利要求22所述的系统，其中所述多个焦化加热器过程变量 包括由总进料速率、管道流速、流量阀位置、在所述焦化加热器的管道的加 热元件前面的位置处的通道物质的温度和在所述焦化加热器的管道的加热 元件后面的位置处的通道物质的温度构成的组中的 一个以上；并且其中所述焦化加热器的操作的模型的参数包括总进料速率，并且所述焦 化加热器过程变量中的至少一个的预测值包括由相对于流量阀位置的管道 流速以及在所述焦化加热器的管道的加热元件后面的位置处的通道物质的 温度与在所述焦化加热器的管道的加热元件前面的位置处的通道物质的温 度之间的差构成的组中的 一 个以上。
24、 一种探测加工厂的焦化加热器中的异常情况的系统，包括 数据采集工具，适于在所述焦化加热器操作期间从所述焦化加热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焦化加热器过程变量生 成；分析工具，包括回归分析引擎，适于基于根据在所述焦化加热器在线 时所采集的在线过程数据生成的数据集，对所述焦化加热器的操作进行建 模，所采集的在线过程数据包括所述焦化加热器的操作的测量值，其中所述 焦化加热器的操作的模型适于被执行为生成根据多个焦化加热器过程变量 的第一焦化加热器过程变量生成的预测值，所述预测值是根据所述多个焦化 加热器过程变量中的第二焦化加热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焦化加热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；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焦化加热器过程变量中的至少一个生 成的预测值，以及包括所述焦化加热器的操作的模型的参数的焦化加热器状态，其中 所述焦化加热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；包括具有多个焦化加热器通道的焦化加热器的表示的搡作员显示；与所述多个焦化加热器通道中的每一个相关联的可选择用户界面结构，每个结构适于显示与所关联的焦化加热器通道有关的信息；以及包括与所述焦化加热器的表示的每个通道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焦化加热器操作期间所述焦化加热器的异常情况和与该异常情况相关联的通道。
25、根据权利要求24所述的系统，其中所述可选择用户界面结构适于 使能用户控制所述焦化加热器的可配置参数，所述可配置参数包括学习模式 时段、统计计算周期、回归阶数和阈值极限中的至少一种。
全文摘要
公开了在产品精炼加工中焦化设备单元的焦化加热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。监控和诊断焦化加热器中的故障包括统计分析技术，例如回归。具体来说，在线过程数据从精炼厂的焦化设备区域中正在操作的焦化加热器中被采集。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，以探测该过程中的异常情况。
文档编号G05B23/02GK101529354SQ200780039429
公开日2009年9月9日 申请日期2007年9月28日 优先权日2006年9月28日
发明者拉维·坎特, 约翰·菲利普·米勒, 陶托·海·恩吉耶 申请人:费舍-柔斯芒特系统股份有限公司