使用多阶段数据分离的推理过程建模、质量预测及故障检测的制作方法

专利名称：使用多阶段数据分离的推理过程建模、质量预测及故障检测的制作方法
使用多阶段数据分离的推理过程建模、质量预测及故障检 测技术领域
本专利大体涉及过程控制系统建模，更具体地，涉及使用多阶段或多状态数据分 离来执行连续处理或批处理中的过程建模、质量预测以及故障检测的方法。
背景技术：
过程控制系统，例如用于化学、石油或者其他过程的过程控制系统，通常包括一个 或者多个过程控制器，以及通过模拟、数字或者组合的模拟/数字总线通信地耦合到至少 一个主机或者操作员工作站，并耦合到一个或者多个现场设备的输入/输出(I/o)设备。现 场设备，可以是例如阀、阀定位器、开关和变送器(例如温度、压强和流速传感器)，其在过 程中执行例如打开或者关闭阀以及测量过程控制参数的过程控制功能。过程控制器接收表 示由现场设备所进行的过程测量的信号，处理该信息以实现控制例程，并且生成控制信号， 该控制信号通过总线或者其他通信线被发送至现场设备以控制该过程的运行。以此方式， 过程控制器可以通过总线和/或其他通信链路使用现场设备来执行和协调控制策略。
来自现场设备和控制器的过程信息可以为由操作员工作站(例如基于处理器的 系统)执行的一个或更多应用(即例程、程序等)可用，以使得操作员能够执行关于过程的 所需的功能，例如查看过程的当前状态(例如通过图形用户界面)，评估该过程，修改该过 程的运行(例如通过可视的对象图)等等。很多过程控制系统还包括一个或多个应用站， 这些应用站通常使用个人电脑、笔记本或者类似装置实现，并且通过局域网(LAN)通信地 耦合至控制器、操作员工作站和过程控制系统内的其他系统。每个应用站可以包括显示过 程控制信息的图形化用户界面，该过程控制信息包括与过程、过程故障检测信息和/或过 程状态信息相关联的质量参数值、过程变量值。
通常地，在图形化用户界面中显示过程信息受限于与该过程相关联的每个过程变 量的值的显示。在一些情况中，过程控制系统可以描绘一些过程变量之间的简单关系以估 计与该过程相关联的质量度量，该过程和/或其他过程变量通常仅能够在生产完成之后被 详细分析。
用于过程质量预测和故障检测的预测性建模的使用开始在连续处理和批处理中 流行起来。正如已知地，连续处理以连续方式对一组连续提供的原材料进行处理，以制造产 出的产品。一般而言，在连续处理中使用的过程控制器试图将过程中特定位置的各种过程 参数保持一致。然而，由于连续处理的生产量、所制得的产品的类型或等级、投入过程中的 原材料的外包装等会有规律地变化，因而难以在线地(即过程在运行中)执行过程产出的 质量预测，这是由于过程参数值可能基于生产量、所制得的产品等级等的改变而在任意特 定位置变化。另一方面，批处理通常通过不同数量的阶段或步骤运行，以作为一个“批次” 地一并处理一个共同组的原材料，以生产产品。一个批处理的多个阶段或步骤可以使用相 同的设备来执行，例如容器罐，而其他的阶段或步骤可以在其他设备中执行。然而，由于温 度、压强、浓度或者被处理材料的其他参数在批次运行期间随着时间变化很多次，而材料却保持在相同的位置，因此难以确定批处理在批次运行的任意时间是否以与可能生产具有所 需质量度量的最终产品相同的方式运行。因此，也难以执行批处理中的质量预测和故障检 测。
一种已知的预测当前正在运行的进程是否正常进行或者出于所需的规范内(并 且因而产生具有所需质量度量的产品)的方法包括将正在运行的过程的运行期间所得到 的各种过程变量测量与在之前运行的过程进行期间所得到的类似测量进行比较，其中之前 运行过程的产出已经被测量或以其他方式已知。然而，正如上文所说明的，连续处理的运行 会基于产量和产品等级变化，而批处理的时间长度会变化，也即，其完成批次所需的时间变 化，这使得难以知道之前过程运行的哪个时间最适合在线过程的当前所测量的参数。此外， 在所需情况中，过程变量能够在过程运行期间大范围地变化，与一个选定的之前过程的那 些变量相比，最终产品的质量没有显著降低。因此，如果不是实际不可行的话，通常难以识 别过程的一个特定的之前运行，该运行能够被用于所有情况中以测量或预测随后过程运行 的质量。
—个更先进的克服了上面指出的问题中的一个问题的分析正在进行的连续处理 和批处理结果的方法包括基于过程的各个运行创建用于该过程的统计模型。这种技术包括 从一个过程的多个不同运行或在一个过程中的多个不同时间收集一组过程变量(参数)的 每一个的数据。之后，所收集的参数或质量数据被用于创建该过程的统计模型，该统计模型 表示产生所需质量度量的过程的“正常”运行，这种过程的统计模型然后能够被用于分析在 特定的过程实现期间所得到的不同的过程参数测量是如何统计地关联于在被用于开关该 模型的过程中所得到得相同的测量，例如，这种统计模型可以被用于提供每个测量的过程 参数的中间值，或者关联于每个测量的过程变量的标准差，该过程变量是在能够与当前过 程变量相比较的过程运行期间的任意特定时间或位置所测量的，比如，这种统计模型可以 被用于预测过程的当前状态将如何影响或关联于在过程结束或输出时生产的产品的最终 质量。
通常地，线性和非线性统计地给予模型的过程预测器能够被用于预测在线测量不 可用的产品质量参数。这种过程参数预测器已知有各种不同的名称，包括例如软传感器或 推理传感器以及类似的传感器。事实上，有些种类的给予模型的线性预测器被用于执行过 程内的过程参数预测，这些给予模型的预测器中最有优势的是多线性退化(MLR)预测器、 主成分回归分析(PCR)预测器、主成分分析(PCA)预测器、偏最小二乘(PLS)预测器以及判 别分析(DA)预测器。这些预测器能够被用于离线和在线分析工具中以预测参数，例如由过 程生产的产品的质量测量。此外，已知使用PCA技术来执行过程红的故障检测。
然而，已知的基于模型的预测器具有一个显著的缺陷，它们不能针对变化着的过 程状态来调节其中所使用的预测性过程模型，这种变化的过程状态可能由，例如生产率或 产量变化、产品等级变化，引起。事实上，为了使用现有技术来对付这个问题，必须为每个可 能的生产率或产品等级来构造不同的模型。然而，这种技术导致预测器非常复杂，难以构造 或使用，这是因为推导、存储和使用多个预测性模型变得非常耗费处理器，要求大量的存储 空间，并且过于复杂而难以在实时系统中实现和维护。
因此，虽然已知使用统计过程建模技术来对过程建模，例如连续处理，但是这些建 模过程技术通常使得在一个连续处理稳定或很好地定义的情况下良好工作，也即，在所制得的产品变化很小，或者过程的产量变化很小的情况下。因此，在许多例子中，用于故障检 测和预测的分析工具，例如PLA和PLS技术，的在线实现被限制在生产单独产品的连续处理 中。在许多例子中，过程通常被作为具有一组固定的测量和实验室分析的单独单元处理。对 于这种过程、单独的PLA或PLS模型可以被推导并应用于在线环境中。不幸地是，这些技术 并不能满足连续处理或批处理的要求，在这些连续处理或批处理中，可以使用一个或更多 个不同的工厂设备(在不同时间)来生产多个等级的产品，或者具有可变的产量，或者在其 中运行条件有规律的变化。发明内容
一种过程建模技术使用由典型过程的历史数据推导的单独统计模型，例如PLS、 PCR、MLR等模型，并且将这个模型用于各种不同的过程状态的质量预测或故障检测。更具 体地，这种建模技术确定针对一组产品等级、产量等的每一个的过程参数的均值(以及可 能的标准差)，将在线过程参数测量与这些均值进行比较，并在单个过程模型中使用这些比 较来执行该过程各个状态的质量预测或故障检测。由于仅需更新过程模型的过程参数的均 值和标准差，因此在过程运行在任意所定义的过程阶段或状态的同时，一个单独的过程模 型能够被用于执行质量预测或故障检测。此外，可以针对每个过程参数手动或自动调节过 程模型的灵敏性(鲁棒性)，以随着时间调整或适应模型。
使用过程建模技术的过程质量预测和故障检测系统在连续处理和批处理中具有 显著增加的功能和效用，这是因为质量预测和故障检测系统允许调节推理传感器的状态， 并为操作人员提供附加的对当前在线过程运行的理解。
所公开的建模技术，其可以用于批次或连续制造过程中，将过程的运行划分为与 状态参数相关或者由状态参数定义的不同阶段或状态，通常来说，该状态参数关联于或指 示过程的各个可能状态。状态参数可以是例如产品等级、过程产量或者任意其他的过程显 著干扰的变量。
该建模技术首先基于多个过程阶段的测量的过程的运行推导质量预测或故障检 测模型，并且之后使用该模型来在过程的在线运行期间执行质量预测或故障检测。在模型 创建阶段，该方法收集由过程生成的训练数据，该训练数据包括用作所创建的模型的输入 的各种过程参数的值或测量，定义过程状态的状态参数的值，以及质量参数或故障指示的 值。该方法可以针对质量预测模型时移过程输入参数值和状态参数值，以将该数据与将要 预测的质量参数对准，由此消除过程输入和将要预测的质量参数之间的可变过程延迟的影 响。然后处理时移的数据(在生成质量预测模型的情况下)或训练数据(在故障检测模型 的情况下)，以确定一组过程参数均值，每个过程状态的状态参数均值和质量或故障参数均 值。这些过程状态均值和每个数据时间片的状态参数值(在对准时间的数据或训练参数) 然后被用于推导针对每个数据时间片的一组时间片均值，并且过程参数的瞬时值和时间片 均值随后被用于推导每个时间片的相对于均值的一组偏差。该组相对于均值的偏差随后可 以被过滤，而且这些被过滤的相对于均值的偏差被用于推导过程模型，例如PLS模型、神经 网络(NN)模型、MLR模型、PCA模型等。这些过程状态均值还被存储为模型的一部分。
之后，在过程在线运行期间，模型可以被用于执行质量预测或故障检测。特别地， 过程参数和状态参数测量在过程在线运行时由过程获得，并且该数据可以被存储在临时存储器中。对于质量预测模型，过程和状态参数测量可以以在该模型研发期间所执行的时移 相同的方式时移。在任意情况中，由过程可以获得多组时间片数据，每个数据时间片包括每 个过程输入参数和状态参数的值。存储为模型的一部分的过程参数均值和状态参数均值 然后被与每个时间片的状态参数的值一起使用，以确定每个时间片的过程参数的时间片均 值。每个数据时间片的时间片均值以及该时间片的过程参数和状态参数的值然后被用于创 建该数据时间片的一组相对于均值的偏差。每个时间片相对于均值的偏差可以被过滤，并 且过滤的数据然后被输入到过程模型以执行过程内的在线质量预测或故障检测。
显著地，这样创建和运行的模型将能够在所有定义的过程状态中进行质量预测或 故障检测，而不需要改变过程模型，或者能够为每个过程状态推导不同的过程模型。事实 上，在改变用于确定输入到模型中的相对于均值的偏差的时间片均值的运行中说明了不同 过程状态中过程的变化的运行。此外，当过程在不同过程状态之间转换时，过滤相对于均值 的偏差提供了更好的质量预测或故障检测。
因此，使用之前针对一个过程确定的过程状态定义的模型生成和数据分析推导了 用于该过程的各种不同运行状态的相对于均值的不同组偏差，并且然后在一个单独的过程 模型中使用这些不同组的相对于均值的偏差，而不需要针对该过程的每个运行区域或状态 生成一个新的或不同的过程模型。换言之，被用来执行过程的在线数据分析的过程模型能 够针对过程一次确定，并且被用于分析过程，甚至在过程运行在不同状态的情况下，并且不 需要针对过程运行的每个阶段或状态确定不同的模型。替代地，模型的输入是基于相对于 均值的偏差，该偏差被针对不同的过程阶段或状态改变或变化，以向该模型提供基于过程 正在运行时所处的过程状态来进行质量预测或执行故障检测而不改变模型本身的能力。
如果需要的话，在过程在线运行期间，过程状态均值可以通过收集与一个或多个 过程状态相关的来自过程的附加数据来改写，该过程状态例如是在模型创建期间没有收 集或收集了很少数据的过程状态，或者是在其中过程运行自模型创建后可以改变的过程状 态。在收集新数据之后，新的或者改变的过程状态的过程均值可以被确定并存储为过程模 型的一部分，由此允许过程模型被用于在新过程状态中或改变的过程状态中执行质量预测 或故障检测，而不更新过程模型本身。
进一步地，警报和警示可以基于在线质量预测和故障检测系统的运行自动生成， 并且这些警报和警示可以在过程运行期间提供给用户，以使得用户能够进行所需的改变或 者采用修正措施。更进一步地，先进的用户界面功能允许用户能够容易地查看在生成特定 警报和警示时或前后的过程变量趋势图，以确定负责该警报或警示的过程参数。这些趋势 图可以使得用户能够与警示时或前后的过程参数的均值和标准差比较地查看过程参数的 历史值，而不需要手动地搜寻数据历史库以查找该信息。这种功能使得在过程在线运行期 间的检修故障和采取修正措施更容易且更快速。


图1是具有控制器和现场设备的过程控制网络的示意图，其可以被用于实现过程 以及各种过程建模部件以提供过程质量预测和故障检测；
图2示出了包括示例性运行管理系统的示例性过程控制系统的框图，该示例性运 行管理系统可以实现用于分析过程的在线过程分析系统；
图3示出了生成一个或多个质量预测模型和故障检测模型的方法的过程流程图4示出了用于生成质量预测模型的在一组过程参数和质量参数之间互相关性 的一组互相关性图的图像；
图5是图4的互相关性图中的一个的放大视图，其示出了由互相关性功能所确定 的过程参数的变化与质量变量的变化之间的延迟时间；
图6A和6B示出了用于推导一个或更多个基于统计的过程模型的系统的硬件/软 件流程框图，该过程模型用于在连续处理或批处理中执行过程质量预测或故障检测；
图7示出了在过程在线运行期间使用一个或更多个质量预测模型来执行质量预 测和/或故障检测的方法的过程流程框图的流程图8示出了实现一个或多个基于统计的过程模型以使用过程状态分离来在连续 处理或批处理中执行过程参数质量预测的系统的硬件/软件流程框图9是可以被实现以使用采用图3的方法创建的统计过程模型来执行质量预测和 /或故障检测的功能块的框图10示出了一系列传统地提供给用户以使得用户能够执行与警报或警示相关的 参数数据分析的用户界面屏幕；
图11A-11D示出了一系列用户界面屏幕，其可以被创建并提供给用户以允许用户 容易查看与使用质量预测或故障检测或其他警报系统生成的警报或警示相关联的过程参 数趋势图12A-12C示出了一系列用户界面屏幕，其可以被创建并提供给用户以允许用户 容易查看在与传统过程控制系统的警报环境中生成的警报或警示相关联的过程参数趋势 图。
具体实施方式
图1示出了示例性过程控制系统10，在其中可以实现实施在线质量预测和故障检 测的高级技术。特别地，待实现在系统10中的质量预测和故障检测技术根据过程数据产生 了一系列质量预测和/或故障检测模型，并且随后使得用户能够使用这些模型来在连续处 理或批处理中的多个预定的过程状态或过程阶段上施行在线质量预测和故障检测。因此， 这些技术能够应用于或用于在连续处理或批处理中施行质量预测和/或故障检测，在这些 连续处理或批处理中，产量、产品等级或其他一些干扰变量规律地变化，而无需为每个可能 的过程阶段或过程状态产生独立的模型。
图1示出的过程控制系统包括连接到数据历史记录12以及一个或多个主工作站 或计算机13(其可以是任意类型的个人计算机、工作站等)的过程控制器11，每个主工作 站或计算机13具有显示屏14。控制器11还通过输入/输出(I/O)卡26和28被连接到 现场设备15-22，并且可以运行以使用现场设备15-22实现批处理的一个或多个批次运行。 数据历史记录12可以是任意所需类型的数据收集单元，其具有任意所需类型的存储器以 及任意所需的或已知的用于存储数据的软件、硬件或固件。数据历史记录12可以与工作站 13中的一个分离(如图1所示)，或者是工作站13中的一个的一部分。控制器11，其可以 是例如Emerson Process Management所售的DeltaV .控制器，通过例如以太网连接或任 意其他所需的通信网络23被通信地连接到主计算机13以及数据历史记录12。控制器11采用与例如标准4-20毫安设备和/或诸如FOUNDATION Fieldbus协议、HART 协议、WirelessHART 协议等的任何智能通信协议相关联的任意所需的硬件和软件而被通 信地连接到现场设备15-22。
现场设备15-22可以是任意类型的设备，诸如传感器、阀、变送器、定位器、等，而 I/O卡26和28可以是符合任意所需通信或控制器协议的任意类型的I/O设备。在图1所 示的实施例中，现场设备15-18是通过模拟线或组合的模拟与数字线与I/O卡26通信的标 准4-20毫安设备或者HART设备，而现场设备19-22是诸如FOUNDATION Fieldbus 现场设备的智能设备，其采用Fieldbus通信协议通过数字总线与I/O卡28通信。当然，现 场设备15-22可以符合任意其他所需的一个或多个标准或协议，包括将来开发的任意标准 或协议。
控制器11包括实现或监控一个或多个过程控制例程(存储在存储器32中)的 处理器30，其可以包括控制环路，并且与设备15-22、主计算机13以及数据历史记录12通 信，从而以任意所需的方式控制过程。应当注意，如果需要，在此所述的任意的控制例程或 模块(包括质量预测和故障检测模块或功能块)可以具有由不同的控制器所实现或执行的 部分。类似地，在此所述的将要在过程控制系统10中实现的控制例程或模块可以采用任意 的形式，包括软件、固件、硬件等。可以以任意所需的软件格式实现控制例程，诸如采用面向 对象编程、梯形逻辑、时序功能图、功能块图、或者采用任意其他的软件编程语言或设计范 例。控制例程可以被存储在任何类型的存储器，诸如随机存储器(RAM)或只读存储器(ROM) 中。类似地，控制例程可以被硬式编码到，例如一个或多个EPROM、EEPR0M、专用集成电路 (ASIC)、或者任意其他硬件或固件元件中。因此，控制器11可以被配置为以任意所需的方 式实现控制策略或控制例程。
在一些实施例中，控制器11采用通常所称的功能块来实施控制策略，其中每一功 能块是总体控制例程的对象或者其他部分(例如子例程)，并且与其他功能块(通过被称为 链接的通信)协同运行以在过程控制系统10中实现过程控制环路。基于控制的功能块通常 实施输入功能、控制功能或输出功能中的一种以在过程控制系统10中执行一些物理功能， 该输入功能是诸如与变送器、传感器或其他过程参数测量设备相关联的功能，该控制功能 是诸如与实施PID、模糊逻辑等控制相关联的功能，该输出功能是控制诸如阀的一些设备的 运行的功能。当然，还存在有混合的以及其他类型的功能块。功能块可以被存储在控制器 11中并被其执行，这通常是在这些功能块被用于，或者关联于标准4-20毫安设备以及诸如 HART设备的一些类型的智能现场设备的情况中，或者在这些功能块可以被存储在现场设备 本身并由其实现，这能够是有关Fieldbus设备的情况中。
正如图1的分解的块40所示，控制器11可以包括一些如例程42与44所示的单 环控制例程，以及如果需要的话，可以实现一个或多个先进控制环路，诸如控制环路46所 示的多个/输入-多个/输出控制例程。每个这种环路通常被称为控制模块。单环控制例 程42与44被示出为采用单个输入/单个输出模糊逻辑控制块以及分别被连接到适合的模 拟输入(Al)与模拟输出(AO)功能块的单个输入/单个输出PID控制块来执行单环控制， 这些控制块可以关联于诸如阀的过程控制设备、诸如温度和压力变送器的测量设备、或者 过程控制系统10中的任意其他的设备。先进控制环路46被示出为包括通信地连接到一个 或多个Al功能块的输入以及通信地连接到一个或多个AO功能块的输出，然而先进控制块48的输入与输出可以被连接到任意其他所需的功能块或控制元件以接收其他类型的输入 并提供其他类型的控制输出。先进控制块48可以是模块预测控制(MPC)块、中枢网络建模 或控制块、多变量模糊逻辑控制块、实时优化块等中的任何类型，或者可以是可适应地整定 的控制块等。可以理解，图1所示的功能块能够由控制器11执行，或者替代地，能够位于诸 如工作站13中的一个或者甚至现场设备19-22中的一个的其他处理设备中并由其执行。
此外，如在图1中所示，一个或多个过程分析例程50可以由过程控制系统10的各 种设备存储并执行，并且这些过程分析例程50可以用于实施下文将详述的质量预测和故 障检测数据分析。虽然过程分析例程50被示出为存储在一个或多个计算机可读存储器52 中以在工作站13和控制器11的处理器54上被执行，例程或功能块50能够替代地被存储 并执行在其他设备中，诸如现场设备15-22、数据历史记录12或独立设备。过程分析例程 50被通信地耦接到诸如控制例程42、44、46的一个或多个控制例程，和/或被耦接到数据历 史记录12以接收一个或多个所测量的过程变量测量值，并且在一些情况下，接收关于施行 数据分析的用户输入。通常而言，如下文详述地，过程分析例程50被用于开发一个或多个 统计过程模型并根据该模型来分析进行中的或在线过程运行。分析例程50还可以向诸如 批处理或连续处理操作员的用户显示关于在线或进行中批次的运行，如同过程控制系统10 所实现的一样。过程分析例程50从用户获取有用信息，以用于数据分析。
图2是示出了过程控制环境100另一示例的框图，该过程控制环境100包括运行 管理系统(OMS) 102，其又被称为过程监控与质量预测系统(PMS)，其能够用于实现在线过 程建模和分析系统，如在此所详述地。0MS102位于包括过程控制系统106的工厂104中，工 厂104可以包括例如图1的过程控制网络10中的部分或全部。示例性工厂104可以是任意 类型的制造设施、过程设施、自动化设施、和/或任意其他类型的过程控制结构或系统。在 一些示例中，工厂104可以包括位于不同位置的多个设施。因此，尽管图2的工厂104被示 出为包括单个过程控制系统106，工厂104还可以包括附加的过程控制系统。
过程控制系统106，其通过数据总线110被通信地耦接到控制器108，该过程控制 系统106可以包括任意数量的用于实现过程功能的现场设备(例如，输入和/或输出设 备)，该过程功能诸如执行过程中的物理功能或进行过程参数(过程变量)的测量。现场 设备可以包括任意类型的过程控制组件，该过程控制组件能够接收输入、生成输出、和/或 控制过程。例如，现场设备可以包括诸如阀、泵、风扇、加热器、冷却器、和/或混合器的输入 设备以控制过程。附加地，现场设备可以包括诸如温度计、压力计、浓度计、液位计、流量计、 和/或气体传感器的输出设备来测量过程内或部分过程内的过程变量。输入设备可以从控 制器108接收指令以执行一个或多个指定的命令并引起过程改变。此外，输出设备测量过 程数据、环境数据、和/或输入设备数据并将所测量的数据作为过程控制信息发送给控制 器108。这种过程控制信息可以包括相应于来自每个现场设备的所测量的输出的变量的值 (例如，所测量的过程变量和/或所测量的质量变量)。
在图2示出的示例中，控制器108可以通过数据总线110与过程控制系统106中 的现场设备通信，其可以被耦接到过程控制系统106中的中间通信组件。这些通信组件可 以包括现场接线盒以将命令区中的现场设备通信地耦接到数据总线110。附加地，通信组件 可以包括调度柜来组织到现场设备和/或现场接线盒的通信路径。此外，通信组件可以包 括I/O卡以从现场设备接收数据并将数据转换为能够被示例性控制器108所接收的通信媒介。这些I/O卡可以将来自控制器108的数据转换为能够被相应的现场设备处理的数据格 式。在一个示例中，可以采用Fieldbus协议或其他类型的有线和/或无线通信协议(例如 Profibus协议、HART协议等)实现数据总线110。
图2的控制器108(其可以是个人电脑或任何其他类型的控制器设备)执行一个 或多个控制例程以管理过程控制系统106内的现场设备。控制例程可以包括过程监控应用 程序、警报管理应用程序、过程趋势和/或历史应用程序、批处理和/或活动管理应用程序、 统计应用程序、流视频应用程序、先进控制应用程序等。此外，控制器108可以将过程控制 信息转发给0MS102和数据历史记录(未在图2中示出)。控制例程可以被实现来确保过程 控制系统106制造指定量的在一定质量阈值内的所需产品。例如，过程控制系统106可以 被配置成在批次结束时制造产品的批次系统。在其他的示例中，过程控制系统106可以包 括连续过程制造系统。
来自于控制器108的过程控制信息可以包括相应于所测量的、来源于过程控制系 统106中现场设备的过程和/或质量变量的值。在其他示例中，0MS102可以将过程控制信 息中的值解析为相应的变量。所测量的过程变量可以关联于过程控制信息，该过程控制信 息来源于测量部分过程和/或现场设备特性的现场设备。所测量的质量变量可以关联于 过程控制信息，该过程控制信息有关于测量与已完成产品的至少一部分相关联的过程的特 性。
例如，过程可以在在流体中形成化学制品的浓度的罐中进行化学反应。在这种示 例中，流体中化学制品的浓度可以是一种质量参数。流体的温度和流体流入罐的速率可以 是过程参数。过程的产量可以是由用户限定为状态参数的过程参数。通过下文将详述的过 程控制建模和/或监控，0MS102可以确定，罐中流体的浓度取决于在罐中流体的温度以及 流入罐的流体流速。换言之，所测量的过程参数作用于或者影响所测量的质量参数的质量。 0MS102可以使用统计处理来施行故障检测和/或质量预测，并且来例如确定每个过程参数 对于质量参数影响和/或作用的量。
附加地，0MS102可以建模和/或确定关联于过程控制系统106的所测量的过程参 数和/或质量参数之间的关系。所测量的过程和/或质量参数之间的这些关系使得形成一 个或多个经计算的质量参数是可行的。经计算的质量参数可以是一个或多个所测量的过程 参数、所测量的质量参数、和/或其他经计算的质量参数的多变量的和/或线性代数的组 合。此外，0MS102可以由所测量的过程参数、所测量的质量参数、和/或经计算的质量参数 的组合确定总体质量参数。总体质量参数可以相应于整个过程的质量确定和/或可以相应 于过程的所产生的产品的预测的质量。当然，可以在线或离线(例如使用实验室分析)来 测量质量参数。
如图2所示，0MS102包括分析处理器114，其使用描述建模、预测建模、和/或优化 来生成关于过程控制系统106状态和/或质量的反馈。分析处理器114可以执行例程(诸 如图1的例程50)来检测、识别、和/或诊断过程运行故障并预测任意故障对关联于过程控 制系统106所生成的产品的质量的质量参数和/或总体质量参数的影响。此外，分析处理 器114可以通过统计地和/或逻辑地将质量和/或过程参数组合到关联于过程的总体质量 的总体质量参数来监控过程运行的质量。分析处理器114然后可以将为总体质量参数计算 的值和/或关联于其他质量参数的值与各自阈值进行比较。这些阈值可以建立在在过程中的不同时间的总体质量参数的预定的质量限度的基础之上。例如，如果关联于过程的总体 质量参数超过阈值一段时间，则所预测的所产生的产品的最终质量可能不能符合与最终产 品相关联的质量度量。
如果总体质量参数和/或任意其他质量参数偏离各自阈值，则分析处理器114可 以在过程观察图和/或过程变化图中生成故障指示，其显示被解释的和/或未被解释的与 总体质量参数相关联的偏差(或变化)，和/或可以显示生成该过程故障的变量或参数。 示例性分析处理器114通过提供使得操作员能够生成可以显示所测量的过程参数、所测量 的质量参数、和/或经计算的质量参数等的当前和/或过去值的过程质量图(例如，组合 图、迷你图、过程偏差图、变量趋势图、图像等)的功能来管理分析，以确定一个或多个过程 故障的起因。此外，在一些情况下，分析处理器114在过程运行时生成这些图形，并且当 0MS102接收附加的过程控制信息时，分析处理器114不断地更新和/或重新计算关联于每 个图形的多变量统计。
为了施行连续和批处理的这些功能，0MS102为连续处理中的多个不同的时间中的 每个或为批处理中的多个不同的批次运行中的每个收集用于多个不同过程参数的过程数 据。该数据可以收集自控制器108或控制网络110内的现场设备，收集自数据历史记录(例 如图1的数据历史记录12)，该数据历史记录可能已经收集并且存储用于过程的不同的批 次运行的过程数据，该数据可以还可以收集自任何其他的数据源。随后，0MS102处理该数 据以生成一个或多个统计模型，并且将统计模型存储在例如存储器中，诸如0MS102的计算 机可读存储器或图1的工作站13的存储器52中的任一个。随后，为了将来分析进行中或 在线的过程，该统计模型需要能够被检索。特别地，0MS102可以使用所存储的模型来分析 或使得用户能够分析在特定的过程运行的在线或进行中的运行期间收集的数据。
然而，为了在过程在线运行时分析来自过程运行的数据，0MS102确定在线过程运 行在相对于该模型的哪个阶段或状态。即，在这种情况下，0MS102确定模型使用何种输入 来确定有关在线过程的其他因素，诸如相对于模型内的那些相同的参数，在线过程的参数 中的哪些是不正常的或是不符合规定的，在线过程的输出是否满足期望的质量度量等。实 际上，使用统计模型的在线数据的任何分析都将首先确定最能够应用于当前收集的在线数 据的统计模型的阶段或状态。仅当在线时间与统计模型一致时才能够施行分析，诸如为操 作员提供屏幕以显示在线过程如何比较于模型、施行统计分析来确定该过程是否正常地运 行或是否在界限之内运行或该过程是否不正常地运行和/或该过程的输出是否被预测为 满足期望的质量度量，诸如期望的粘稠度、浓度等。
作为示例，一旦用于当前在线过程的数据被收集并且过程的状态被确定，0MS102 的分析处理器114可以为用户提供一系列不同的图形或其他显示来使得用户能够确定在 线过程运行的当前运行阶段或耐久性。下文将描述一些图形或显示，应当理解，其他显示、 分析或信息也可以或替代地被提供给诸如操作员、维护人员等的用户。作为示例，分析处理 器114可以通过计算过程参数和/或质量参数对总质量变量的作用、或对已建模和未建模 的过程变化的多变量的统计错误指示符的作用来生成作用图。过程和/或质量参数的作用 可以被显示为已建模和/或未建模的每个参数的变化，作为对关联于总质量和/或与错误 相关联的质量参数的变化的作用。
此外，分析处理器114可以结合定义的阈值来为所选择的过程和/或质量变量中的任一个来生成变量趋势图。变量趋势图可以示出相对于在先前过程的类似时间的变量的 值、与在过程的一段时间上的变量相关联的值，例如模型变量值。通过生成作用图和/或变 量趋势图，分析过程114还可以识别对过程的可能的修正，以缓解过程中检测的故障。通过 提供用于创建具有关联变化(例如，标准差)的模型的过程运行的数据的历史图与对齐于 相同时间刻度的当前值的重叠，变量趋势图可以辅助操作员来确定过程故障的起因。
分析处理器114还可以产生质量预测图，以确定如果实施，一个或多个修正对过 程的总质量的影响。如果一个或多个修正维持或改善总质量至指定的阈值内，则分析处理 器114可以指示0MS102来实施一个或多个修正。替代地，分析处理器114可以发送指示至 控制器108来实施一个或多个控制修正。
此外，一旦确定与总质量参数和/或任何其他质量参数相关联的故障，示例性分 析处理器114就可以产生迷你图。该迷你图可以包括在指定时间(例如，与过程故障相关 联的时间)过程和/或质量参数的、相对于由过程模型预测的参数中的每个的平均值和/ 或标准差的值。附加地，迷你图可以包括火花谱线(Spark Line)，其指示与关联于模型的过 程和/或质量变量中的每个相关联的先前值。根据迷你图，示例性分析处理器114可以使 得操作员能够确定和/或选择用于过程的一个或多个修正动作，和/或确定是否这些修正 的任一个将改善过程，以使得总质量变量被预测在指定的范围内。
0MS102经由在线数据处理器116管理对于过程控制数据，其包括过程变化图、作 用图、变量趋势图、质量预测图和/或迷你图。附加地，在线数据处理器116使得过程控制操 作员能够查看控制数据、改变和/或更改过程控制数据、和/或生成用于过程控制系统106 内现场设备的指令。
为了能够进行在线分析，图2的工厂104被示出为包括路由器120和本地工作站 122，其经由局域网124(LAN)通信地耦接至在线数据处理器116。此外，路由器120可以将 工厂104内的任何其他的工作站(未示出)通信地耦接至LAN124和/或在线数据处理器 116。路由器120 (可以无线地和/或经由有线连接通信地耦接至其他的工作站)可以包括 任何其他类型的无线和/或有线路由器，作为对LAN124和/或在线数据处理器116的接入 集线器。
可以采用任意所需的通信媒介与协议实现LAN124。例如，LAN124可以基于硬线或 无线以太网通信方案。然而，也可以使用任意其他适合的通信媒介和协议。此外，尽管示出 了单个LAN，但是可以使用一个以上的LAN和工作站122中适合的通信硬件来在工作站122 与各自的类似工作站(未示出)之间提供冗余的通信路径。
LANl24还可被示出为被通信地耦接到防火墙128，该防火墙128根据一个或多个 规则来确定来自远程工作站130和/或132的通信是否被允许接入工厂104。示例性远程 工作站130和132可以向未处于工厂104内的操作员提供到工厂104中的资源的访问。远 程工作站130和132通过广域网(WAN) 134被通信地耦接到防火墙128。
示例性工作站122、130和/或132可以被配置为基于0MS102施行的在线分析来 观察、更改、和/或修正过程控制系统106中的一个或多个的过程，或者这些工作站可以直 接地施行在此所述的在线过程分析应用和方法。例如工作站122、130和/或132可以包括 用户接口 136，其格式化和/或显示由0MS102生成的过程控制信息。例如，用户接口 136可 以从0MS102接收所生成的图形和/或图表，或者替代地，接收用于生成过程控制图形和/或图表的数据。一旦在各个工作站122、130和/或132中接收到图形和/或图表数据，用 户接口 136可以生成相对较易为操作员所理解的图形和/或图表138的显示。图2中的示 例示出了具有用户接口 136的工作站132。然而，工作站122和/或130可以包括两个分析 用户接口 136。
附加地，用户接口 136可以将由在此描述的在线分析确定的、在过程控制系统106 内和/或工厂104内的任何其他过程控制系统内的任何过程控制故障的存在提醒给过程控 制操作者。此外，用户接口 136可以引导过程控制操作者通过一个分析过程来确定过程故 障的源头，并预测过程故障对最终产品的质量的影响。用户接口 136可以在过程故障正在 发生时向操作者提供过程控制统计信息，由此使得操作者能够对过程进行任何调整以校正 任何故障。通过在过程期间校正故障，操作者可以保持最终产品的质量。
附加地，用户接口 136，通过示例性的0MS102，可以显示检测、分析、校正措施和质 量预测信息。例如，用户接口 136可以显示过程概况图、过程变化图、微型图、贡献图、可变 化趋势图和/或质量预测图(例如，图138)。在查看这些图238138之后，操作者可以选择 额外的图138来查看多变量的和/或统计过程信息，以确定过程故障的原因。附加地，用户 接口 136可以显示对过程故障的可能的校正措施。随后用户接口 136可以允许操作者选择 (一个或多个)校正措施。在选择校正之后，用户接口 136可以将校正传输至0MS102，其随 后向控制器108发送指令，以在过程控制系统106中进行适当的校正。
图2的工作站122、130和/或132可以包括任何计算设备，例如，个人电脑、笔记 本、服务器、控制器、个人数字助理(PDA)、微型计算机等。可以用任何合适的计算机系统或 处理系统来实现工作站122、130和/或132。例如，可以用单处理器个人电脑、单个或多个 处理器的工作站等来实现工作站122、130和/或132。
提供图1的过程控制环境10和图2的过程控制环境100以说明过程控制系统或 过程工厂的类型，在该过程控制系统或过程工厂中可以有利地采用在下文详细描述的示例 性过程质量预测和故障检测方法和装置。然而，如果期望，在此描述的示例性的方法和装置 可以有利地用在复杂度高于或低于示例性过程控制环境10和100和/或图1和图2中所 示的过程控制系统106的其他系统中，和/或用在与过程控制活动、企业管理活动、通信活 动等结合而使用的系统中。
现有技术中，很多已知的过程控制系统通常提供过程信息的解析分析和/或统计 分析。然而，这些系统一般采用离线工具来确定过程故障或其他可能影响过程生产的产品 的质量的过程条件的原因、以及为其所需的潜在的校正措施。这些离线工具可以包括过程 学习、实验室学习、业务学习、故障检修、过程改进分析和/或六西格玛分析。尽管这些工具 可以为后续的生产校正过程，但是工具不能在故障发生时缓解和/或校正过程质量。因此， 这些离线工具不能防止生产质量差的产品。
另一方面，在此描述的示例性的在线过程控制系统分析可以用在过程控制系统 中，以提供在过程中的故障检测、分析和/或校正信息，它们使得操作者能够在产品仍然在 被制造时校正过程故障或增加产品质量。换言之，在过程运行期间，例如在故障发生时或在 故障或引起差质量的其他过程干扰发生之后，能够立即响应于预测故障或预测的质量测量 实现过程校正。尽管在此描述的示例性方法和装置可以被用于预测和/或校正过程故障， 或用于考虑过程的扰动变量中的变化，以改进连续的和/或批量过程的过程质量，但是在此将关于连续的过程来描述示例性方法和装置。
一般来讲，在此描述的过程质量预测和故障检测分析用于执行对过程(例如连续 过程或批量过程)的质量预测和故障检测，该过程在多个不同的过程状态(在此也称为过 程阶段)中的一个状态里运行，而无需为每个不同的过程状态创建新的或不同的过程模 型。更具体地，一种用于执行过程质量预测和故障检测分析的方法和系统包括用户接口应 用，其首先允许用户选择一种统计模型以用于执行过程内的质量预测。质量预测例如可以 基于神经元网络(NN)、多元线性回归(MLR)或偏最小二乘(PLS)模型。用于执行过程质量 预测和/或故障预测分析的方法和系统随后生成用于该过程的模型，并且附加地可以生成 故障检测统计模型，优选地以主成分分析(PCA)模型的形式。系统可以用Hotelling的I" 和Q统计的应用，也就是平方预测误差(SPE)，以确定与已测量的和未测量的过程扰动相关 联的故障条件。
在过去，对NN、MLR、PLS和PCA分析的应用的主要约束源于这一事实，即基础预测 技术是基于确定过程测量值与其均值的偏差。遗憾的是，在工厂中增加生产率或改变产品 档次(或改变过程的一些其他的扰动变量)一般引起过程参数的均值变化。为了考虑这些 改变，以前的连续数据分析应用需要生成不同的模型，以在不同值的工厂生产率、产品档次 等上执行质量预测或故障检测。结果是，使用NN、PLS、MLR和PCA模型的传统技术通常仅能 够用于在连续过程中执行质量预测和故障检测，连续过程在恒定的吞吐量下运行且仅产生 一个产品档次，这是由于与过程测量相关的平均值仅在此情况下保持接近恒定。
但是，在很多情况下，频繁改变连续过程的吞吐量，以保持由下游过程或市场需求 设定的库存量。必须经常地响应于由工厂主设定的吞吐量需求而改变的过程的一个实例是 工厂的动力室的摇摆式锅炉。过程操作点也可以随着被制造的产品档次而改变。这种情况 的一个实例是连续反应器，在该连续反应器中，改变输出成分的目标，以允许制造不同的产 品档次。为了改变输出成分，经常需要改变一个或多个过程输入的操作点。响应于这些进 料或过程输入的改变，诸如冷却水流量、搅拌器功率、溢流量等其它参数也必须改变，以维 持受控输入(诸如批量温度、恒定搅拌和塔顶压强等)为恒定值。
一般来说，在此描述的建模技术通过自动更改分析中使用的测量平均值，来考虑 过程测量的平均值改变。这些建模技术由此能够补偿生产率或产品档次的改变(或过程 中的其它扰动)，而无需重构或重新生成用于进行预测的过程模型。有利地，在此描述的建 模技术还补偿模型中使用的偏差，来考虑从不同的吞吐量和产品档次(或过程中的其它扰 动)转变所需的时间，从而在运行过程来完成不同的产品档次时，甚至在过程在不同的吞 吐量和产品档次之间转变时，能够在过程在不同的产品吞吐量下运行期间，使用单个统计 模型来实现质量预测或故障检测。
更特别地，为了减小质量参数预测的任何偏差，且为了防止故障的错误指示，改变 模型分析中使用的平均值，以与对于给定的吞吐量或产品档次所预期的平均值相匹配。此 夕卜，由于在吞吐量或产品档次改变后从一个操作点至另一个操作点的转变可能要花上一些 时间，因此，对与平均值的偏差的计算进行过滤，其中这一过滤是基于过程响应档次或吞吐 量改变所需要的正常时间。
一般情况下，适合连续或批量过程的、在此描述的质量预测和故障检测技术使用 过程状态分离，并具有两个基本步骤，也就是模型生成和模型的在线使用，以执行过程质量预测和/或故障检测。另外地，如果期望，当例如过程进入在最初建立模型时几乎没有从过 程中收集到数据的状态或是阶段时，或是当过程已经不同于从过程中收集用于建模的数据 时的过程，过程模型可适应性地(在线)调节。
图3示出了方法或技术的示例性流程图200，该方法或技术可以由例如 0MS102(0MS可以在例如图1的一个或多个例程50中执行)实现，或在图1的一个或多个工 作站13内实现，以推导在过程的质量和故障预测中使用的一个或多个统计模型。使用图3 的技术推导的统计模型可在以后用于分析从过程中收集到的在线数据，以执行产品质量预 测和/或过程故障检测。
虽然图3的流程图200描述为使用收集到的过程数据来生成诸如PLS、NN和MLR 模型等的质量预测模型，和生成诸如PCA模型等的故障检测模型，以用于对过程进行分析， 但是可以替代这些特定类型的模型生成更少或更多类型的模型，或附加于这些特定类型的 模型而生成更少或更多类型的模型。特别地，图3的方法200可用于仅生成质量预测模型、 仅生成故障检测模型、或生成两种类型的模型的任意组合。此外，虽然图3的方法200描述 为产生PLS、NN和MLR模型各一组以作为质量预测模型，和产生PCA模型以作为故障检测模 型，但是，也可以附加地或替代地推导其他类型的统计模型以作为质量预测模型和故障检 测模型。而且，图3的方法200可用于仅推导一个或两个类型的上述模型，而不需要推导所 有这些类型的模型。
具体地参照图3，块212获得过程的过程参数数据和质量参数数据。如上所述，过 程可以是连续过程或是批量过程，但是为了便于说明，在此仅将过程描述为连续过程。因 此，在图3所示的模型推导技术之前或期间，运行该过程并为每一组过程参数或过程变量 产生过程参数数据，过程参数或过程变量中一个在此被称为状态参数或状态变量。另外地， 在推导或收集过程参数数据的过程中，从过程中收集质量参数数据(也被称为质量变量数 据或结果变量数据)，该质量参数数据表示在实现过程的在线质量预测和故障检测时预测 的质量变量或质量参数。在存储器中将过程参数数据和质量参数数据存储为一组模型训练 数据，在此称为训练数据。
重要的是，在生成或收集要在图3的模型推导技术中使用的训练数据时，优选地 遍及与状态参数的不同值或范围相应的多个不同的过程阶段或过程状态来运行过程，并从 该过程中收集数据。在这种情况下，在过程运行期间中，多次为每个过程参数和质量参数收 集训练数据，以使得，优选地，为过程的每个状态，也就是说，当过程运行在每个不同定义的 过程状态下时，以及当过程在状态之间过渡时，收集过程参数数据和质量参数数据。当然， 可在过程遍及任何期望的时间段的正常或计划运行期间获得训练数据，如果期望，上述时 间段既可以是连续的，也可以是不连续的。过程参数数据和质量参数数据可包括在过程中 测量或以其他方式实时收集得到的过程参数值(包括质量参数值)，包括使用诸如实验室 分析等离线技术生成的过程参数值(包括质量参数值)，包括通过例如用户接口由使用者 输入或是从使用者获得的过程参数值(包括质量参数值)，或包括通过其他期望的方式获 得的数据。
在图3的块214中，模型推导技术200确定或获得对在构建质量预测和故障检测 模型时使用的过程状态参数或状态变量的指示。该状态参数或状态变量可由例如工程师 预先确定或预先设定，并被存储为模型推导系统的一部分，且可由使用者通过例如用户接口(例如图1的用户接口 13中的一个)指定或选择，或可通过其它期望的方式确定。通常 地，过程状态参数被选择为重要的扰动变量，诸如过程的吞吐量、由过程生产的产品档次或 产品类型的指示等。但是，在某些情况下，可使用或根据两个或多个过程参数或其它过程测 量值来计算或确定状态参数。例如，可使用两个过程参数的平均值来作为状态参数。在其 它实例中，其可以采用其他统计技术、使用来自过程的任意期望的输入来计算状态参数，以 确定表示在任何特定时间过程运行的状态的状态参数。状态参数可以是连续的变量或离 散的变量。在一个实例中，允许使用者配置反映对过程运行的主要扰动的改变的状态参数。 在某些情况下，该状态参数是诸如过程的生产率或吞吐量等的连续参数。但是，在其他情况 下，状态参数可以是诸如对所生产的一组有限的离散产品档次的中的一个的指示的离散参 数。一般来说，使用者可选择单一的测量或计算得到的过程参数作为状态参数，并可指示状 态参数是连续的参数或是离散的参数，可指定用在数据分析中的状态或阶段的数量。默认 地，例如选择的参数可假定为连续的参数，状态的数量可假定为固定数量，例如为五个。
在块216中，技术200确定限定各不同过程状态或阶段的状态参数的范围或值。 若该变量还没有被设定，则块216也可确定在生成质量预测和故障检测模型中使用的过程 状态的数量。如上所述，与各不同的过程状态相关联的状态参数的范围可由诸如操作者、过 程工程师等使用者选择或指定。上述范围可表示与各过程状态相关联的状态参数的不同值 (在状态参数是离散的变量的情况下)或状态参数的不同范围的值(在状态参数是连续的 变量的情况下)。仅作为实例，状态参数可以分为例如5至10个不同范围。如果期望，块 216可通过从训练数据中确定状态参数的所有范围，接着将该范围分割为一组范围，诸如一 组均等的范围，来自动确定与状态变量相关联的过程状态范围。
在已经收集并存储过程的一组完整的训练数据，且已经定义状态参数及其相关联 的范围或值，以由此定义过程状态时，使用训练数据来推导要用于分析过程的未来在线操 作的一个或多个质量预测模型和/或故障检测模型。生成质量预测模型的技术与产生故障 检测模型的技术稍有不同，因此，在图3中使用两个不同的分支来分别说明这两个技术。
一般来说，图3的分支220说明用于推导诸如PLS模型、NN模型和MLR模型的质 量预测模型的步骤，而分支222说明用于推导诸如PCA模型的故障检测模型的步骤。在推 导质量预测模型时，块224确定包括状态参数在内的不同的过程参数的训练数据的时移， 其表示将这些参数相对于另一个参数或相对于质量参数进行时间移位的方式，以使过程参 数数据以与质量参数数据最佳地时间对准的方式得到对准。上述时间对准提供了执行更好 预测的预测模型。
特别地，在推导用于所要预测的各个质量参数的质量预测模型(例如NN、MLR和 PLS模型)的过程中，用于产生模型的偏差值被时移，来考虑过程模型的输入的变化(即一 个过程参数值的变化)影响由模型预测得到的质量参数所需的时间。应能理解，对于每个 被用作对质量预测模型的输入的过程参数来说，上述延迟可能且通常是不同的。(相似地， 在处理用于在线质量参数预测的偏差值时也会考虑上述同一延迟)
确定与各过程参数相关联的延迟的一个方式是在每个过程参数与所要预测的质 量参数之间进行互相关。在这种情况下，对于所选择的、包括所有过程输入(包括状态参 数)的数据组，块224可在用于产生对要推导的模型的输入的各过程参数和反映或最相关 于要预测的质量参数的过程输出之间进行互相关(质量参数可使用例如在线测量、离线实验室分析等获得)。在质量参数与特定的过程参数之间进行互相关时，通过确定导致最大关 联值的时移，互相关的结果可以用于建立将与特定的过程参数(对模型的输入)相关联的 时间延迟。当然，各不同的过程参数可具有与其相关的不同的时移。通常来说，使用该技术， 块224为每个不同的过程参数确定特定的质量测量值与各过程参数之间的最大互相关，接 着根据获得最大互相关值的时间延迟来确定该过程参数的时移。
互相关可用于确定要用来推导质量预测模型的时移的一个示例方式将在根据过 程输入来预测与卡米尔(Kamyr)蒸煮器的输出相关联的卡帕(Kappa)值的情况中进行说 明。在本实例中，芯片测速仪测速被选择作为状态参数，由于其设定了过程吞吐量。产品输 出的卡帕值可使用采样分析仪或通过在实验室中对随机样品进行分析来测量。可通过在包 含在所选择的数据组中的卡帕值与过程输入之间进行互相关，来自动确定与反映在卡帕值 中的各过程输入相关联的延迟。对在图4中，对于标注了冷法喷射、排出、主喷射、芯片测速 仪和低出(Lower Ext)的蒸煮器每个输入示出了这样的互相关确定的结果。
现在，通过选择过程输入，使用者可看到过程输入与卡帕值之间的互相关。图5更 详细地说明状态参数、芯片测速仪测速和卡帕值的分析之间的互相关。如图5的描绘所说 明的那样，根据提供最大相关的时移建立与过程输入相关联的延迟。在卡米尔蒸煮器的这 一仿真中，芯片测速仪的速度改变与反映在卡帕值中的改变之间的延迟是175秒。当然，在 实际过程中，延迟可能更长。每个其它输入参数的延迟或时移可通过相似的方式确定，这些 延迟可接着被用作图3的块224中的时移量。
在所有的过程参数和状态参数时移得到确定之后，块226使用块224中确定的时 移，来将每个输入至模型和状态参数的过程参数的过程参数数据时移，并将上述时移后的 参数数据存储在存储器中。特别地，块226将各组时移后的数据片存储，其中，每个时移后 的数据片具有用于生成模型的每个过程参数的值、状态参数的值和质量参数的值。特定的 数据片的过程参数和状态参数的测量值相对于质量参数的测量值而以在块224中确定的 时移量被时移。对每个时移后的数据片，对不同的过程参数和状态参数的时移参数数据看 起来是在时间上一致。也就是说，过程参数输入的改变在每个时移后的数据片中立即反应 在质量参数中。
接着，在每个定义的过程状态下，块228使用由块226得出的时移数据，而计算每 个过程参数(包括状态参数)的平均值和质量参数的平均值。更特别地，块228采集所有 时移数据片，并使用每个数据片中状态参数的值，以根据状态参数的过程状态范围，确定每 个数据片落在哪个特定的过程状态。块228接着对特定的过程状态下的所有数据片的每个 过程参数、状态参数和质量参数的所有值进行平均，来确定特定的过程状态的各过程参数、 状态参数和质量参数的独立的平均值。上述均值在此称为过程状态均值。
接下来，块230将每个过程状态的该过程参数、该状态参数和该质量参数的这些 平均值或均值存储在一个存储器中，以用于之后在开发质量预测模型中使用，也用在使用 开发好的质量预测模型之中。
因此，对于每一个数据片(也被称为时间片)，块232使用该时间片的时移数据和 该过程状态均值，以确定当为该时间片确定偏离该均值的一组偏差时所使用的一组均值。 特别地，该块232选择一个时间片的数据进行处理，以确定用于该时间片的一组均值，继而 为该时间片确定偏离该均值的偏差，而该偏离该均值的偏差是作为一个模型产生例程的输入，该例程用在开发该质量预测模型之中。更加特别地，对于每个时间片，该块232使用由 该时间片指示的(为该时间片存储的)状态参数的瞬时值，以及为一个或多个过程状态所 确定的状态参数的均值，来确定一个缩放因子(例如一个插值因子)，它用于为该时间片的 每一个其他过程参数来确定合适的均值。
在这种情况下状态参数是直接地与过程状态相关联的离散变量(即，状态参数 的不同值关联于或被定义用于各不同的过程状态)，那么该状态参数的值定义了或唯一地 确定了该过程(对于该时间片)正在运行所在的过程状态，并且该时间片的过程参数的均 值简单地被确定为为该过程状态所存储的过程参数均值。但是，如果该参数是一个连续变 量，或者该用户定义了状态参数的值的一个范围与各过程状态相关联(即，为各过程状态 定义状态参数值的范围)，那么块232确定一个插值因子，该因子定义了两个状态的分数， (该时间片的)该状态参数的瞬时值目前处于这两个状态中。也就是说，如果该状态参数的 瞬时值等于特定过程状态的状态参数的均值，那么该时间片正好位于单个过程状态中，并 且为该过程状态所存储的过程参数均值能够用作该时间片的其他过程参数的均值。
但是，如果该状态参数瞬时值落在两个不同(例如，两个相邻的)过程状态的状 态参数均值之间，那么该时间片的其他过程参数的均值将被确定为针对该两个过程状态所 存储的过程参数均值的一个组合。典型地，用于该时间片的各过程参数的均值将通过插值 来确定，该插值是使用一个插值因子来在该两个相邻的过程状态的参数的参数均值之间进 行的插值，该插值因子是从该瞬时的状态参数值获得的。也就是说，一个插值例程可以基于 (该时间片的)状态参数的瞬时值和最近的两个(来自两个不同的过程状态的)状态参数 均值之间的相互距离，来确定该时间片所存在于的两个过程状态中各自的百分比。块232 能够通过使用对于该两个相邻的过程状态所存储的过程参数均值，(使用该相同的插值因 子)为该时间片中的各个过程参数执行插值。作为这一操作的结果，块232确定了合适的 均值，该均值用于(为该时间片的各过程参数)计算对于该时间片的、偏离该均值的偏差， 以用于建立过程模型。该块232也将为该时间片的质量参数执行该插值。因此，对于时间 片的每个过程参数和质量参数，块232都将使用该确定的、状态和两个相邻过程状态的状 态均值的分数，来确定对于该时间片的过程参数的均值。
进行插值以确定对于一个特定时间片的一组时间片均值的一个例子将被更加详 细地说明。在该例子中，假设该状态参数的变化范围是从训练数据得到，以确定该状态参数 的整个运行范围。缺省地，该运行范围被自动地划分成多个相等的段，该些段代表了在分析 中所考虑的过程的不同状态。在另一个例子中，该用户能够指定该状态参数的整个范围，过 程状态或阶段的数量，以及与每一个过程状态相关联的状态参数的子范围。在任何情况下， 在本例子中，对于在所定义的过程状态或阶段中的每一个过程测量的状态参数的平均值都 被确定并保存在存储器中。在该例子中，对应于一个锅炉过程的运行，该锅炉蒸汽需求被配 置为状态参数，并且假设该变量可以在为建模所选择的数据集的25-75%的范围之内变化。 为其他输入所收集的、被包含在该模型中的值，例如燃料流、空气流、02、通风、IS风扇速度 这五个参数输入，如下表I中所示。
表I
权利要求
1.一种用于生成在分析过程的运行中使用的过程模型的、计算机实施的方法，所述过程能在由与所述过程相关联的状态变量所定义的多个不同的过程状态中运行，所述方法包括在所述过程的运行期间，从所述过程收集训练数据，所述训练数据包括一组过程参数中的每一个的值、所述状态变量的值以及与多个不同过程测量次数中的每一个相关联的结果变量的值；使用计算机处理设备，将所述训练数据划分成数据时间片以便为每一个数据时间片产生一组时间分片的数据，其中每组时间分片的数据包括所述一组过程参数中的每一个的值、所述状态变量的值以及所述结果变量的值；将所述多组时间分片的数据存储在计算机存储器中；使用计算机处理设备，根据所述训练数据确定一组过程状态均值，所述一组过程状态均值包括用于所述过程状态中的每一个的状态变量均值以及用于所述过程状态中的每一个的一个或多个过程参数均值；将所述一组过程状态均值存储在计算机存储器中；通过计算机处理设备，使用所存储的过程状态均值，推导所述数据时间片中的每一个的一组时间片均值,所述多组时间片均值中的每一个包括所述过程参数中的每一个的时间片均值；使用计算机处理设备，推导每个数据时间片的一组偏离所述均值的偏差，所述特定的数据时间片的所述一组偏离所述均值的偏差包括对于在所述特定的数据时间片内的每个过程参数，使用所述特定的数据时间片的所述过程参数值以及所述特定的数据时间片的、 所述过程参数的所述时间片均值来推导所述特定的数据时间片的、所述过程参数的所述偏离所述均值的偏差；以及使用计算机处理设备，使用所述数据时间片的所述多组偏离所述均值的偏差以及所述数据时间片的所述结果变量值，生成过程模型。
2.根据权利要求1所述的计算机实施的方法，其中生成所述过程模型包括生成使用所述过程参数的其他组偏离所述均值的偏差来预测所述结果变量的值的过程模型。
3.根据权利要求1所述的计算机实施的方法，还包括在生成所述过程模型之前，过滤每组偏离所述均值的偏差中的所述偏离所述均值的偏差中的一个或多个。
4.根据权利要求3所述的计算机实施的方法，其中过滤所述偏离所述均值的偏差中的一个或多个包括使用具有基于与正经历过程状态变化的过程相关联的所述过程参数中的一个或多个的时间响应的时间常数的低通滤波器，低通过滤所述偏离所述均值的偏差中的所述一个或多个。
5.根据权利要求1所述的计算机实施的方法，其中将所述训练数据划分成数据时间片包括相对于彼此地时移所述训练数据中的所述过程参数值中的一个或多个、所述状态变量值以及所述结果变量值以便形成所述数据时间片。
6.根据权利要求5所述的计算机实施的方法，其中所述时移包括在所述过程参数中的至少一个或所述状态变量和所述结果变量之间进行互相关以便确定与所述过程参数中的所述至少一个或所述状态变量和所述结果变量相关联的时间延迟量，以及以所述时间延迟量、相对于所述结果变量的所述结果变量值时移所述过程参数中的所述至少一个的过程参数值或所述状态变量的所述状态变量值，从而所述每个数据时间片包括相对于所述结果变量值在时间上移位的所述过程变量值中的至少一个或状态变量值。
7.根据权利要求1所述的计算机实施的方法，其中生成过程模型包括生成质量预测模型。
8.根据权利要求7所述的计算机实施的方法，其中生成质量预测模型包括生成偏最小二乘模型、神经网络模型、或多元线性回归模型中的一个。
9.根据权利要求1所述的计算机实施的方法，其中生成过程模型包括生成故障检测模型。
10.根据权利要求9所述的计算机实施的方法，其中生成所述故障检测模型包括生成主成分分析模型。
11.根据权利要求1所述的计算机实施的方法，其中将所收集的数据划分成数据时间片包括相对于所述训练数据中的所述结果变量值时移所述训练数据中的所述过程参数值中的一个或多个以及所述过程变量值。
12.根据权利要求1所述的计算机实施的方法，其中所述状态变量表明产品档次、所述过程的产量、生产率、或所述过程的扰动量。
13.根据权利要求1所述的计算机实施的方法，还包括作为所生成的过程模型的部分，存储所述过程状态的所确定的过程状态均值。
14.根据权利要求13所述的计算机实施的方法，还包括从所述运行的过程收集新的过程参数值和过程变量值，以及使用所收集的新的过程参数值和所述过程变量值和所述过程状态均值来推导所生成的过程模型的输入以便推导所述结果变量的估计。
15.根据权利要求14所述的计算机实施的方法，还包括在所述过程的正进行的运行期间，使用所述结果变量的所述估计来进行所述过程的质量预测或故障检测。
16.根据权利要求14所述的计算机实施的方法，包括使用所述运行的过程的所收集的新的过程参数值和所述过程变量值来基于作为所述过程模型的部分存储的所述过程状态均值而确定一组时间片的偏离所述均值的偏差。
17.根据权利要求1所述的计算机实施的方法，其中推导所述数据时间片中的每一个的所述一组时间片均值包括对于特定的数据时间片中的每个过程参数，使用所述特定的数据时间片的所述状态变量的所述值和所述特定的数据时间片的所述状态变量的所述值落入其间的所述过程状态的所述状态变量均值来确定所述特定的数据时间片的插值因子， 以及使用所述插值因子和所述特定的数据时间片的所述状态变量的所述值落入其间的所述过程状态的所述过程参数均值的所述值来确定所述特定的数据时间片的所述过程参数中的每一个的所述时间片均值。
18.一种用于形成过程预测模型的、计算机实施的方法，包括对于多个过程参数中的每一个，从运行的过程收集一组过程参数的过程参数值、状态变量的状态变量值和结果变量的结果变量值；使用计算机处理设备，确定一组过程状态均值，其中所述一组过程状态均值包括对于多个过程状态中的每一个，当所述过程在所述多个过程状态中的每一个中运行时所述状态变量的平均值和所述过程参数中的每一个的平均值；使用计算机处理设备，对于多组时间有关的数据中的每一组，使用所述过程状态均值和与多组时间有关的数据中的每一组相关联的所述状态变量的值来确定所述一组过程参数中的每一个的时间片均值；使用计算机处理设备，使用所述多组时间有关的数据中的每一组的所述时间片均值和所述过程参数值来确定所述多组时间有关的数据中的每一个的所述过程参数中的每一个的偏离均值的偏差；在计算机处理设备内，使用所述多组时间有关的数据中的每一个的所述过程参数中的每一个的所确定的偏离均值的偏差和所述多组时间有关的数据中的每一个的所述结果变量值来生成过程预测模型，其能在计算机处理设备上运行以预测所述过程内的所述结果变量。
19.根据权利要求18所述的计算机实施的方法，还包括确定所述多个过程状态中的每一个的状态变量范围的定义，以及其中确定一组过程状态均值包括对于所述多个过程状态中的每一个，使用落入每个特定的过程状态的所定义的状态变量范围内的所述状态变量值来确定所述状态变量的平均值，使用与落入每个特定的过程状态的所定义的状态变量范围内的状态变量值相关联的所述过程参数值来确定过程参数均值。
20.根据权利要求18所述的计算机实施的方法，其中所生成的过程预测模型使用多组所述过程参数的偏离所述均值的偏差来预测所述结果变量的值。
21.根据权利要求18所述的计算机实施的方法，还包括在生成所述过程预测模型之前，过滤所述偏离所述均值的偏差中的一个或多个。
22.根据权利要求18所述的计算机实施的方法，还包括在确定一组过程状态均值之前，通过在时间上相对于彼此时移所述过程参数值中的一个或多个、所述状态变量值以及所述结果变量值而形成多组时间有关的数据中的每一个，以便形成具有来自不同测量次数的数据的所述多组时间有关的数据。
23.根据权利要求22所述的计算机实施的方法，还包括在所述过程参数中的至少一个或所述状态变量和所述结果变量之间进行互相关以便确定与所述过程参数或所述状态变量和所述结果变量相关联的时间延迟量，以及以所述时间延迟量、相对于所述结果变量的所述结果变量值时移所述过程参数的所述过程参数值或所述状态变量的所述状态变量值， 以便每组时间有关的数据包括在相对于所述结果变量值在时间上位移的所述过程参数值或所述状态变量值中的至少一个。
24.根据权利要求18所述的计算机实施的方法，其中生成过程预测模型包括生成偏最小二乘模型、神经网络模型、多元线性回归模型或主成分分析模型中的一个。
25.根据权利要求18所述的计算机实施的方法，其中对于多组时间有关的数据中的每一组确定所述一组过程参数中的每一个的时间片均值包括使用特定的一组时间有关的数据的所述状态变量的所述值和所述特定的一组时间有关的数据的所述状态变量的所述值落入其间的所述过程状态的所述状态变量均值，来确定所述特定的一组时间有关的数据的插值因子，以及使用所述插值因子和与所述一组时间有关的数据的所述状态变量的所述值落入其间的所述过程状态相关联的所述过程参数的所述过程参数均值的所述值，来确定所述特定一组时间有关的数据的所述过程参数的所述过程参数均值。
26.一种用于在运行的过程中测量过程质量或过程故障的、计算机实施的方法，包括在计算机存储器中存储过程预测模型，其中所述过程预测模型作为一组输入取得一组过程参数中的每一个的一组偏离均值的偏差以及作为输出产生预测的过程质量值或过程故障值；对于多个测量次数，在所述过程的在线运行期间，从所述过程收集所述一组过程参数中的每一个的过程参数数据和过程状态变量的过程状态变量数据；使用计算机处理设备，推导一系列数据时间片，每个数据时间片包括所述一组过程参数中的每一个的过程参数值以及过程状态变量值；使用计算机处理设备，确定所述数据时间片中的每一个的所述过程参数中的每一个的偏离均值的偏差；以及使用计算机处理设备，当在所述计算机处理设备上执行所述过程预测模型的时候将所述数据时间片中的每一个的所确定的偏离均值的偏差作为输入提供给所述过程预测模型以产生所述过程质量值或所述过程故障值的预测。
27.根据权利要求26所述的计算机实施的方法，还包括使用所述过程质量值或所述过程故障值的所述预测来改变所述过程的所述运行。
28.根据权利要求26所述的计算机实施的方法，还包括使用所述过程质量值或所述过程故障值的所述预测来将过程运行的问题通知用户。
29.根据权利要求26所述的计算机实施的方法，其中确定所述数据时间片中的每一个的所述偏离所述均值的偏差包括将过程参数的过程参数值与该过程参数的时间片均值相比较。
30.根据权利要求29所述的计算机实施的方法，其中确定所述数据时间片中的每一个的所述偏离所述均值的偏差包括根据作为所述过程预测模型的部分而存储的存储的一组过程状态均值确定时间片的特定的过程参数的时间片均值。
31.根据权利要求30所述的计算机实施的方法，其中确定时间片的特定的过程参数的时间片均值，包括使用所述数据时间片的所述状态变量的所述值和所述数据时间片的所述状态变量的所述值落入其间的过程状态的存储的过程变量均值，来确定所述数据时间片的插值因子；以及使用所述插值因子和所述数据时间片的所述状态变量的所述值落入其间的所述过程状态的所述特定的过程参数的一组过程参数均值的所述值，来计算所述特定的过程参数的所述时间片均值。
32.根据权利要求29所述的计算机实施的方法，还包括相对于彼此在时间上时移所收集的过程参数值中的一个或多个或所收集的过程状态变量值以便推导所述一系列数据时间片。
33.根据权利要求26所述的计算机实施的方法，其中所述过程状态均值包括每个过程参数的过程参数均值和多个过程状态中的每一个的状态变量的状态变量均值。
34.根据权利要求26所述的计算机实施的方法，还包括收集所述过程的新的过程参数值和状态变量值，以及通过根据所收集的新的过程参数值和状态变量值确定新的一组过程状态均值并且作为所述过程预测模型的部分存储所述新的一组过程状态均值来适应所述过程预测模型。
35.根据权利要求26所述的计算机实施的方法，还包括在将所述偏离所述均值的偏差用作所述过程预测模型的输入之前过滤所确定的偏离所述均值的偏差。
36.一种在对过程的运行建模中使用的过程模型推导系统，包括计算机可读存储器；数据收集单元，其在所述计算机可读存储器中存储多个不同过程运行次数中的每一个的确定自所述过程的多个过程参数中的每一个的过程参数值、确定自所述过程的状态变量的状态变量值以及确定自所述过程的结果变量的结果变量值；时间片确定单元，其根据由所述数据收集单元存储的所述数据确定一系列数据时间片，其中每个数据时间片包括所述多个过程参数中的每一个的过程参数值、所述状态变量的状态变量值以及所述结果变量的结果变量值；过程状 态均值计算单元，其确定多个过程状态中的每一个的一组过程状态均值，其中特定的过程状态的所述一组过程状态均值包括来自在其中所述状态变量值位于与所述特定的过程状态相关联的范围中的所述数据时间片中的每一个的所述状态变量值的均值，以及来自在其中所述状态变量值位于与所述特定的过程状态相关联的范围中的所述数据时间片中的每一个的所述过程参数值中的每一个的平均值；时间片均值计算单元，其计算所述数据时间片中的每一个的所述过程参数中的每一个的时间片平均值；偏差计算单元，其计算所述数据时间片中的每一个的所述过程参数中的每一个的偏离所述时间片平均值的偏差，其中所述偏差计算单元通过计算所述数据时间片的特定的过程参数值与所述特定的过程参数的所述数据时间片的所述时间片均值之间的差来计算所述特定的过程参数的偏离所述时间片均值的偏差；以及过程模型生成单元，其使用所述数据时间片的所述偏离时间片平均值的偏差来推导统计的过程模型，其基于过程参数的偏离均值的偏差来预测所述结果变量的值。
37.根据权利要求36所述的过程模型推导系统，其中所述时间片确定单元包括延迟单元，其作为根据由所述数据收集单元所存储的所述数据确定所述一系列数据时间片的部分以时间延迟量相对于所述结果变量值在时间上位移所述过程参数值中的一个或多个或所述状态变量值，从而每个数据时间片包括相对于所述数据时间片的所述结果变量值在时间上位移的所述多个过程参数中的一个或多个的过程参数值或所述状态变量的状态变量值。
38.根据权利要求37所述的过程模型推导系统，还包括互相关单元，其在所述过程参数中的一个或所述状态变量和所述结果变量之间进行互相关以便确定由所述延迟单元用于相对于所述结果变量值在时间上位移所述过程参数值中的一个或多个或所述状态变量值的所述时间延迟量。
39.根据权利要求37所述的过程模型推导系统，其中所述过程模型生成单元作为所生成的统计的过程模型的部分存储所述过程状态均值和所述时间延迟量。
40.根据权利要求36所述的过程模型推导系统，还包括设置在所述偏差计算单元和所述过程模型生成单元之间的过滤单元，其过滤所述数据时间片中的每一个的所述过程参数中的每一个的所述偏离所述时间片平均值的偏差。
41.根据权利要求36所述的过程模型推导系统，其中所述过程模型生成单元作为所生成的过程模型的部分存储所述过程状态均值。
42.根据权利要求36所述的过程模型推导系统，其中所述时间片均值计算单元通过使用特定的数据时间片的所述状态变量的所述值和所述特定的数据时间片的所述状态变量的所述值落入其间的过程状态的存储的状态变量均值确定所述特定的数据时间片的插值因子以及通过使用所述插值因子和所述数据时间片的所述状态变量的所述值落入其间的所述过程状态的一组过程参数均值的所述值计算所述特定的数据时间片的所述特定的过程参数的时间片均值来计算所述特定的数据时间片的所述特定的过程参数的所述时间片均值。
43.一种在监视过程的运行中使用的过程监视系统，包括数据收集单元，其在计算机可读存储器中存储对于多个不同的过程运行次数中的每一个的在所述过程的运行期间确定自所述过程的多个过程参数中的每一个的过程参数值、在所述过程的运行期间确定自所述过程的状态变量的状态变量值；时间片确定单元，其根据由所述数据收集单元存储的所述数据确定一系列数据时间片，其中每个数据时间片包括所述多个过程参数中的每一个的过程参数值以及所述状态变量的状态变量值；时间片均值计算单元，其计算所述数据时间片的每一个的所述过程参数中的每一个的时间片平均值；偏差计算单元，其计算所述数据时间片中的每一个的所述过程参数中的每一个的偏离所述时间片平均值的偏差，其中所述偏差计算单元通过计算特定的数据时间片的特定的过程参数值与所述特定的数据时间片的所述特定的过程参数值之间的差来计算所述特定的数据时间片的所述特定的过程参数的偏离所述时间片均值的偏差；以及存储在计算机可读存储器上的统计的过程模型，其在处理器上执行以基于与所述过程相关联的所述一组过程参数的所述偏离所述时间片均值的偏差来预测结果变量的值。
44.根据权利要求43所述的过程监视系统，还包括警报单元，其在所述预测值指示过程故障或过程质量问题时生成用户通知。
45.根据权利要求44所述的过程监视系统，其中所述警报单元将所述结果变量的所述预测值与阈值相比较以确定是否生成所述通知。
46.根据权利要求43所述的过程监视系统，其中所述时间片确定单元包括延迟单元， 其作为根据由所述数据收集单元所存储的所述数据确定所述一系列数据时间片的部分以时间延迟量在时间上位移所述过程参数值中的一个或多个或所述状态变量值，从而每个数据时间片包括以所述时间延迟量在时间上位移的所述多个过程参数中的一个或多个的过程参数值或所述状态变量的状态变量值。
47.根据权利要求46所述的过程监视系统，其中所述延迟单元根据所述统计的过程模型获得所述时间延迟量。
48.根据权利要求43所述的过程监视系统，还包括设置在所述偏差计算单元和所述统计的过程模型之间的过滤单元，其过滤所述数据时间片中的每一个的所述过程参数中的一个或多个的由所述偏差计算单元产生的所述偏离所述时间片平均值的偏差。
49.根据权利要求48所述的过程监视系统，其中所述过滤单元使用过滤时间系数进行过滤，以及其中作为所述统计的过程模型的部分将所述过滤时间系数存储作为用于创建所述统计的过程模型的过滤时间系数。
50.根据权利要求43所述的过程监视系统，其中所述时间片均值计算单元通过使用特定的数据时间片的所述状态变量的所述值和所述特定的数据时间片的所述状态变量的所述值落入其间的过程状态的存储的状态变量均值确定所述特定的数据时间片的插值因子，以及通过使用所述插值因子和所述数据时间片的所述状态变量的所述值落入其间的所述过程状态的一组过程参数均值的所述值计算所述特定的数据时间片的所述特定的过程参数的时间片均值来计算所述特定的数据时间片的所述特定的过程参数的所述时间片均值。
51.根据权利要求50所述的过程监视系统，其中所述统计的过程模型将所述状态变量均值和所述一组过程参数均值存储作为用于生成所述统计的过程模型的一组过程状态均值。
52.一种用于在运行的过程的在线运行期间适应过程模型的、计算机实施的方法，包括在计算机存储器中存储过程模型，其中所述过程模型作为一组输入取得一组过程参数中的每一个的一组偏离均值的偏差以及作为输出产生过程质量或过程故障的预测值，其中所述过程模型是使用自所述过程所收集的训练的一组数据以及其中所述过程模型包括自所述训练的一组数据所推导的一组过程状态均值，所述过程状态均值包括所述过程参数中的每一个的平均值以及多个不同过程状态中的每一个的所述状态变量；对于多个测量次数，在所述过程的在线运行期间，从所述过程收集所述一组过程参数中的每一个的新的过程参数数据以及所述状态变量的新的状态变量数据；使用计算机处理设备，根据所述新收集的过程参数数据和所述状态变量数据推导所述过程模型的新的一组过程状态均值；以及将所述新的一组过程状态均值作为所述过程模型的部分存储在所述计算机存储器中以在确定作为所述过程模型的输入的偏离均值的偏差中使用而无需重新形成所述过程模型。
53.根据权利要求52所述的计算机实施的方法，其中推导新的一组过程状态均值包括推导所述多个不同过程状态的子集的新的一组过程状态均值，以及存储所述新的一组过程状态均值包括存储所述多个不同状态的所述子集的所述新的一组过程状态均值而无需改变不在所述多个不同过程状态的所述子集中的多个不同过程状态的所述过程状态均值。
54.根据权利要求52所述的计算机实施的方法，其中推导新的一组过程状态均值包括推导单个过程状态的新的一组过程状态均值，以及存储所述新的一组过程状态均值包括存储所述单个过程状态的所述新的一组过程状态均值而无需改变不同于所述单个过程状态的过程状态的所述过程状态均值。
55.根据权利要求52所述的计算机实施的方法，其中推导新的一组过程状态均值包括推导与所述过程模型相关联的所有所述多个不同过程状态过程状态的新的一组过程状态均值，以及存储所述新的一组过程状态均值包括作为所述过程模型的部分存储所述新的一组过程状态均值。
56.根据权利要求52所述的计算机实施的方法，还包括在确定所述新的一组过程状态均值之前，相对于彼此在时间上时移所述新收集的过程参数数据值中的一个或多个或所述新收集的过程状态变量数据值。
57.根据权利要求56所述的计算机实施的方法，其中时移包括以作为所述过程模型的部分存储的时间延迟量在时间上时移所述新收集的过程参数值中的一个或多个或所述新收集的过程状态变量值。
58.根据权利要求52所述的计算机实施的方法，还包括在所述计算机处理设备中执行所述过程模型以及使用所述新的过程状态均值来确定新的偏离所述均值的偏差以用作所述过程模型的输入。
59.根据权利要求52所述的计算机实施的方法，其中所述过程模型是神经网络模型、 多元线性回归模型、主成分分析模型或偏最小二乘模型中的一个。
60.根据权利要求52所述的计算机实施的方法，其中根据所述新收集的过程参数数据和所述新收集的状态变量数据推导所述过程模型的所述新的一组过程状态均值包括在生成所述新的一组过程状态均值之前归一化所述新收集的过程参数数据和所述新收集的过程变量数据。
61.根据权利要求52所述的计算机实施的方法，其中推导所述过程模型的所述新的一组过程状态均值包括将偏置值应用于所述过程模型的过程状态均值以推导所述新的过程状态均值。
62.一种用于向用户显示关于过程的过程警报信息的、计算机实施的方法，包括经由用户接口设备提供第一屏，其提供在所述过程内探测到的一组警报的指示；经由计算机处理设备使得用户从所述第一屏选择所述一组警报中的一个以查看；经由所述用户接口设备提供第二屏，其包括与导致生成所述警报的变量有关的历史趋势数据；经由计算机处理设备使得用户经由所述第二屏指定一个或多个其他变量以看其历史趋势数据；经由所述用户接口设备提供第三屏，其包括所述一个或多个其他变量的历史趋势数据。
63.根据权利要求62所述的计算机实施的方法，其中提供在所述过程内检测到的一组警报的指示包括指示当前的和过去的警报。
64.根据权利要求62所述的计算机实施的方法，其中提供在所述过程内检测到的一组警报的指示包括指示由质量或故障检测单元所生成的警报，所述警报被存储在用于所述过程的过程控制系统内的处理设备内，所述质量或故障检测单元使用统计的过程模型来检测警报。
65.根据权利要求62所述的计算机实施的方法，其中提供与导致生成所述警报的所述变量有关的历史趋势数据包括提供趋势图，其示出在生成所述警报之前收集的以及在生成所述警报之后收集的与导致所述警报的所述变量有关的数据。
66.根据权利要求62所述的计算机实施的方法，其中使得用户经由所述第二屏指定一个或多个其他变量以看其历史趋势数据包括显与导致生成所述警报的所述变量相关的所述一个或多个其他变量的指示以及使得所述用户经由所述计算机处理设备、经由所述第二屏选择所述一个或多个其他变量中的一个。
67.根据权利要求62所述的计算机实施的方法，其中提供包括所述一个或多个其他变量的历史趋势数据的第三屏包括提供在生成所述警报之前收集的以及在生成所述警报之后收集的所述一个或多个其他变量的历史趋势数据。
68.根据权利要求67所述的计算机实施的方法，其中提供包括所述一个或多个其他变量的历史趋势数据的第三屏包括提供与导致生成所述警报的所述变量的所述显示的历史趋势数据属于同一时间帧的所述有一个或多个其他变量的历史趋势数据。
69.根据权利要求67所述的计算机实施的方法，其中提供包括所述一个或多个其他变量的历史趋势数据的第三屏包括在导致生成所述警报的所述变量的所述历史趋势数据的同一图中提供所述一个或多个其他变量的历史趋势数据。
70.根据权利要求62所述的计算机实施的方法，其中提供包括与导致生成所述警报的变量有关的历史趋势数据的第二屏包括根据与所述过程相关联的数据历史记录者获得与导致生成所述警报的变量有关的所述历史趋势数据，以及其中提供包括所述一个或多个其他变量的历史趋势数据的第三屏包括根据与所述过程相关联的数据历史记录者获得与所述一个或多个其他变量的有关的所述历史趋势数据。
71.根据权利要求62所述的计算机实施的方法，其中提供在所述过程内检测到的一组警报的指示包括指示在所述过程内生成的警报。
72.根据权利要求62所述的计算机实施的方法，其中使得用户经由所述第二屏指定一个或多个其他变量以看其历史趋势数据包括显示潜在地对导致生成所述警报的所述变量中的变化负责的一个或多个其他变量的指示以及显示所述一个或多个其他变量中的每一个的贡献因子的指示，其中所述一个或多个其他变量中的特定的一个的所述贡献因子指示所述一个或多个其他变量中的所述特定的一个对导致生成所述警报的所述变量中的所述变化负责的似然性。
全文摘要
本发明涉及使用多阶段数据分离的推理过程建模、质量预测及故障检测。过程建模技术使用从典型的过程的历史数据开发的单一的统计模型，使用该模型对过程的多个不同过程状态进行质量预测和故障检测。建模技术为一系列的产品等级、生产量等中的每个确定过程参数的均值(和可能的标准差)，比较在线过程参数测量值与这些均值，且在单一过程模型中使用这些比较实施对该过程中的多个状态的质量预测和故障检测。由于只更新过程模型的过程参数的均值和标准差，所以当过程在任何已定义的过程阶段或状态中运行时能够用单一过程模型实施质量预测及故障检测。此外，可以对各过程参数手动或自动地校正该过程模型的敏感度(鲁棒性)以随时间调整或自适应该模型。
文档编号G05B13/04GK103019094SQ20121035320
公开日2013年4月3日 申请日期2012年9月19日 优先权日2011年9月19日
发明者T·L·布莱文斯, W·K·沃杰斯尼斯, M·J·尼克松, J·M·卡尔德维尔 申请人:费希尔-罗斯蒙特系统公司