专利名称：用于空分过程的统计过程控制的制作方法
技术领域：
本发明涉及的是在把所供入的空气进行分离而得到氧和氮组份的空分过程中建立统计过程控制的系统。
在制造业工艺中，统计质量控制技术已用了约70年，但直至最近才在美国工业上得到广泛应用。统计过程控制(SPC)是一种使任何制造业工艺中的变化率下降的系统或基本原理，从而有稳定的制造工艺，达到其固有的基准水平。
在制造加工业中，过程控制具有其独特的含义，即通常被认为是实时自动管理控制和/或过程的监视控制。根据在任一过程中都有其固有的波动这一事实，才产生了控制的需求。在制造加工业中的控制目的主要在于对产品质量限制之内的可测出的及不可测出的波动均保持有管理控制，从而完成确定的经济目标。产品质量限制一般与控制算法成不等关系，例如产品B含有少于1.7%的组份A。当控制目的为产品质量控制时，限制通常会构成一个限定的指标值和该指标值的容许偏差的形式。
常规的过程控制综合使用开环模式和闭环模式来完成该过程的控制目的。所谓对过程了解不完整和对该过程引起的各种波动了解不完全指的是实际控制系统需要某些反馈来完成令人满意的控制水平。反馈的主要好处是，至少在理论上它可以补偿任何波动。但是，在观察到误差以前，反馈作用并不开始，由此控制作用滞后于由过程的动态特性造成的波动影响。
如果可以测得波动，前馈控制就能克服扰动对控制变量的影响反应延迟的问题。适当的前馈作用可以防止当检测到波动时因处理适当的过程变量所引起的误差。但是，为了得到正确的调节方向和量级，就要求对过程中每种波动如何表现有极好的了解。人们必须提前搞清所有可能的波动形式。
另外，统计过程控制(SPC)的目的是使关键产品质量特性的变化为最小。统计过程控制(SPC)可用于控制和调整独立的或可操作的变量，以保持相关的或输出的变量稳定，但缺乏由过程动力学和连续时间自动控制理论知识带来的优点。
因此，将统计思想结合实时连续过程控制是本发明所述问题的关键点。特别是将统计技术与实际存在的控制和监视技术结合起来使用以提高空分过程中的所有性能。
本发明在于在一个连续操作的空分过程中从各个有用的过程参数中由电子技术收集大量的过程变量数据，并且将初始作为连续实时模拟测量收集得到的数据以数字的形式存储到收集数据地址的文件中，该数据地址在程序控制下与联机和脱机计算机装置相互作用。储存的过程变量数据在程序控制下由脱机计算机装置进行计算，如用SAS＊软件系统，并且也可由操作人员把信息输送到脱机计算机装置中，以限定数据采样组、作出矩形图(频率分布)、建立数据的分布形式，根据采样的统计数据(包括概率密度分布函数PDF)制定计算数值的计算公式，作出与确定的分布形式相应的控制图，该控制图具＊SAS是一种与其他数据地址和用于图解、统计关系和预测的仪器相连系的统计分析软件系统，SAS研究所的商标Cary.N.C.有控制极限和中心线，并为预测变化数据制出动态时间级数模式，所有变量数据均储存在与连机和脱机计算机装置相互作用的数据地址中。在数据地址中设置好上述内容之后，通过连续模拟测量收集现行空分过程操作的实时过程变量数据，该变量被输送到连机计算机装置中，并在该计算机装置中由程序控制例如用ONSPEC＊控制处理成数字形式，并把该实时过程变量数据用于所确定的控制流程图上，该流程图可以直观地显示出极限值(I型-(α)误差的设定范围)和包括趋势警告极限值在内的警告极限值。同样，在程序控制下，连机计算机装置进行计算，并在所作的图上显示出对一系列设定数量的数据样品进行观察后得到的数值曲线，以指明是非存在非偶然性的统计数值，例如实时测量过程变量数据中是否有趋势或漂移。
另外，由连机计算实时测量过程变量数据的差值，例如计算实际测量的数据样品值和由波动(ARIMA)＊模式预定值之间的差值，并把这些差值用到由连机作出的控制图上，差值的图形也由连机来计算，以便使所有剩余时间级数的非偶然性状态在图上直观地显示出来。
通过观察实际观察到的值或差值的图形，操作人员可以看到是否存在连续增加或连续减少的趋势。在任何情况下，当所采用的预定数量的样品在相同的时间间隔内持续存在倾向特性时，则在时间级数中，特殊过程变量数据在统计上就存在着非偶然性特征，并根＊ONSPEC是一种程序，它可以处理现行数据、作图表显示，监视警告条件和对历史数据进行分析，Heuristics注册商标Inc。
据直观的图形显示，要求操作人员用统计控制开始对该变量进行检查，并且通过过程控制可由计算机产生优选的过程控制调节信号。
图1为已有技术的商业空分设备的示意图;
图2为本发明的一个系统方框图和流程图;
图3为本发明所用的数据地址结构的流程图;
图4为实施本发明的过程中所作出的矩形图的例子图5为适用于图4的矩形图的分布曲线;
图6为实施本发明过程中所作出的控制图的一个例子;
图7为根据几率密度函数的具有控制极限的控制图的一个例子;
图8为表示一个特殊过程变量的趋势范围的分布图;
图9为根据控制图在ARIMA上作出的偏差举例图;
图10(A)-(E)为导出ARIMA模式的流程图;
图11为本发明系统的连机操作流程图;
图12、13、14为本发明实际所用的CRT屏幕;
图15、16、17、18为结合图12-14的CRT屏幕的使用所作出的控制图。
现在参考图1，这是一个表示已有技术的空分设备的示意图，供入的空气在该设备中经低温分离生产出高纯度的气态氮产品、高纯度的液态和气态氧产品及氩产品。
一个已有技术的空分设备，如美国专利US-4，838，913-R.A.Victor，M.J.Lockett这种型号的设备示于图1中。
＊ARIMA自动回归积分流动平均值。
参照图1，供入的空气401由过滤器402清除掉灰尘和其他颗粒物质，过滤以后的供入空气403被压缩机404压缩到通常为70至170磅/吋2的压力范围，将压缩过的空气405用净化器406除掉如水、二氧化碳和碳氢化合物一类的高沸点的杂质。经净化、压缩过的空气407被引入到换热器408中与来自蒸馏塔中的产品和废气流进行间接热交换而被冷却到接近液化温度。经净化、压缩和冷却过的供入空气409然后被引入第一蒸馏塔410中，该塔是两级蒸馏塔设备中的高压蒸馏塔。蒸馏塔410中的一般操作压力范围为50-150磅/吋2之间。在热交换器408的中部抽出少量的供入空气440，将其在透平膨胀机441中进行膨胀，并在低于氮气抽出位置而高于氩蒸馏塔供应抽出位置的某一处被引入到低压蒸馏塔413中。
在蒸馏塔410中，供入的空气通过蒸馏被分离成富氮蒸汽和富氧液体。富氮蒸汽411通过管道从蒸馏塔410进入主冷凝器412，该冷凝器最好在第二蒸馏塔413中，该第二塔是两级蒸馏塔设备中的低压蒸馏塔。实际上主冷凝器412可以放在蒸馏塔413的壁外。在主冷凝器412中，富氮蒸汽411通过与再蒸馏塔413底部的液体进行间接热交换而被冷凝，得到的富氮液体414由管路装置作为回流流入蒸馏塔410。所得到的一部份富氮液体415(通常为20%-50%的范围内)在蒸馏塔顶部或顶部附近进入蒸馏塔413中。
把富氧液体416从第一蒸馏塔410中移出并送入氩气塔顶的冷凝器417中，在此这些富氧液体通过与氩蒸馏塔顶部的蒸汽进行间接热交换而有一部份被汽化，所得到的蒸汽和液体分别以流体418和442在低于氮抽出位置但高于从氩塔中抽出的流体的进入位置处被输入到蒸馏塔413中。
第二蒸馏塔413在小于第一蒸馏塔410压力下工作，其压力范围通常在12-30磅/吋2之间。在第二蒸馏塔413中，输入塔中的流体通过蒸馏被分离成富氮和富氧组份，它们分别作为氮和氧产品被回收。氧产品可以以气态和/或液态产品被回收，它们的纯度通常在99%以上。气体氧产品在高于冷凝器412之处从第二蒸馏塔413中引出，作为流体419通过热交换器408，然后作为流体420得到回收。液氧产品在主冷凝器412处或高于该处从第二蒸馏塔413中引出，并作为流体421得到回收。通常纯度在99.9%以上的氮产品从第二蒸馏塔413中引出，它通过热交换器408以后作为流体424得到回收。当流体422从第二蒸馏塔413中引出时，其压力最好要尽可能地低，但应比大气压力高，这样不用辅助泵就可把氮产品从设备中输出。废氮气流425对于通常的分离系统中的工作是必需的，也从搭413中引出流过热交换器408后作为流体423排空。流体425在蒸馏塔413上低于氮流体415被引入塔中的位置的某处从塔中引出。
图1中的已有技术的空分系统还包括粗氩的回收。现再参见图1，从第二蒸馏塔413中部抽出蒸汽流426，氩在塔中部的浓度为最高或接近最高，一般是10-12%。流体426进入第三塔或氩蒸馏塔427中，并在该塔中向上流动，该塔的工作压力为12-30磅/吋2，在塔中该流体426通过沿着与下降流体反方向的逆流流动逐渐使氩含量富起来。富氩蒸汽从氩蒸馏塔427流入顶部冷凝器417中，它在该冷凝器中通过与富氧液体416进行间接热交换而被部份地冷凝，所得到的部份冷凝富氩液体429被送入分离器430，从分离器430中出来的富氩蒸汽431作为粗氩被回收，粗氩的氩浓度通常超过96%，而液体432从分离器430中送入氩蒸馏塔427作为下降液体，下降液体收集在氩塔427的底部，其氧浓度超过流体426中的氧浓度，收集在氩塔底部的液体作为流体433被送入第二蒸馏塔413中。
连机过程计算机100接受来自仪器组740的数据，并根据广泛了解的知识通过将测量数据与预定的设定参考目标值进行比较，从而计算或保持闭环过程控制设备的设定点。当测量的过程变量在统计学的控制范围内时，例如测量的质量特性具有不随时间变化的分布时，就可完成对设定点的有效测定，这一点是可以肯定的，同时也是可以预测的。
一个过程变量因普通原因的变化显著增加，或有特殊原因发生、或可归原因造成的变化显著增加都会严重地降低过程控制系统的性能。一旦有因普通原因造成的明显变化或发生特殊原因的变化时，(这种变化表示由连机过程控制器100输送到SPC计算机200中的实时过程变量数据缺少统计控制)，如下面所详述，把来自SPC(统计过程控制)计算机200的设定点调节信号在103处加到连机过程控制计算机100中，使特殊控制元件，例如控制阀107的设定点发生变化，从而按照过程控制方法增加或减少此处的流量，该控制方法为依据对图1G处取出的产品氮纯度数据采样的非偶然性工况进行设定而作出的过程控制方法。
图1所示型号的空分设备的主要过程变量在图1的A-P处进行取样，这些过程变量的标号为A供入空气流量
B供入空气温度C透平膨胀机入口温度D透平膨胀机出口温度E透平膨胀机流量F塔的回流液体纯度G产品氮纯度H废氮纯度I产品氧纯度J产品氧流量K产品氮纯度L液氧纯度M液氧流量N氩塔供入流体的纯度O粗氩产品纯度P粗氩产品流量现参照图2，这是本发明的系统流程图，连机过程控制计算机100，例如数据通用新星S-10计算机接受从如图1所示空分过程收集到的仪表数据，以建立一个多个过程变量的历史数据库，例如上述标号A-P的各个过程变量。这些集中数据是与连续操作生产过程，例如与供气流量(原料流量、液氧纯度(产品纯度))相关的实时过程变量数据，这些数据是根据已有技术在预定采样的间隔下作为数据样品而获得的。过程控制计算机100也使用采集的数据，用于保持或建立新的设定点，该计算机还根据所希望的过程控制方法控制该过程，该控制方法根据已有技术的一般程序应用于过程控制计算机100的程序控制中。为完成本发明，将所有模拟信号(253)输入到控制计算机100中，这些信号在计算机中转换为数字形式。计算机100通过将文件归档或实时地采用商业上可得到的合适的驱动软件，例如采用Gould Modbus驱动软件而将数字数据输送到计算机120中，并以电子信号储存于历史数据文件140中，以建立一个能储存所有过程变量的数据库。作为空分设备，对于每个有意义的变量及每个主要操作模式来讲，每24小时的数据周期中一般要获得两或三组历史数据。每个变量，例如上述所列的A-P的历史数据在脱机计算机120中分别加以分析，以对每个变量进行变量和变量统计特性的测量，所谓变量统计特性例如是有变量测量的分布特性，它包括概率密度分布函数的测定、自动相关程度的测定，有关的波动特性测定，同样在脱机计算机120中设计出模式，例如根据标准差方程技术进行设计，也可以用标准统计软件，例如用SAS(统计分析系统)设计出ARIMA模式(自动回归积分流动平均值)，该软件也可用来作矩形图，并对数据组作统计描述。
对于每个特殊变量来讲，采样间隔、分组和数据分布形式的指示可通过观察，由SPC操作人员凭经验来确定，或者在脱机计算机120的帮助下，使用商业上可得到的合适的软件，例如SAS来确定，并将信息输送到数据地址160中，例如送入ONSPEC中，然后再输入到SPC(统计过程控制)处理器200IBMPS-2的记忆器180中。来自数据文件140的变量的历史数据在脱机计算机120(或由SPC处理器200)中进行处理，以设计出过程操作期间指示特别原因变化的极限值和警告值，例如对预定数量的连续过程变量数据点可以设计出趋势测定标准，这可预测出即将发生的由特别原因引起的不能接受的变化，在这种场合下，由SPC计算机200产生警告信号245。在脱机计算机120中，用SAS或类似的软件可以用矩形图和标准统计技术来建立趋势警告标准，该警告标准被输入到准备收集地址160中以及SPC处理器200的记忆器180中。例如，通过对使用SAS软件的脱机计算机120产生的矩形图的分析，可以对特殊变量的历史数据的分布形式作出估计，并利用这一信息设计出特定的普通控制图形，例如由采用SAS软件的脱机计算机120(或交替地采用周期历史文件的连机)制出X、S、EWMA、CUSUM和预定的I型-α误差(置信水平)的控制极限图。并且把该信息储存在准备收集地址160中，以供SPC处理器200在屏幕230上作图形显示220用。在CRT240上具有曲线图、矩形图和其他图形的直观显示235，CRT240上还有由脱机计算器120和SPC处理器200使用连机变量数据产生的直观显示。在键盘终端250上完成直接显示的调整和编辑，随着上述参数的确立，SPC处理器200接受来自连机处理控制计算机100上的连机实时变量数据，它们被显示在产生的控制图上，并且监测警告指示，由这些图表和警告提供信号，这将在下面作详述。
现参看图3的流程图，来自运行的空分过程的每个有意义的独立过程变量，如来自上述所列A-P的变量的历史数据，如图1所示，它们适当地从被归档的计算机记忆文件中，例如从磁盘中取出也可以从现行过程操作的连机仪表上取出，它们分别以电信号输入到300中。在每个主要操作模式中，对于每个变量每隔24小时就可获得一至三组数据，以便在进行统计控制时得到代表该变量的大量数据。对每个独立变量的大量数据，在脱机计算机20(如图1和图2)中使用标准统计软件，例如用SAS进行处理，正如上面所述，就可将这些数据提供给由SPC处理器200(图1和图2)所用的数据地址400中，该数据可及时地交替有效地由SPC计算机200进行处理。由于建有数据地址400(也如图2所示)，把310中所示的那类关系式用常规软件限定(也被列在其附录A中)。根据历史数据作出的矩形图表示代表特殊变量的频率分布曲线图，例如该变量为所列液氧产品(LO2)纯度，矩形图由脱机计算机120在程序控制下在320上制出，如图4所示的矩形图是这种图例。由图4所示的频率分布矩形图可以看出，特殊变量，例如液氧的分布形式可以在330的程序控制下得到并且显示出来，在此情况下，图5中显示出对数下的正态分布。基于对过程的时间响应的估计和计算，由脱机计算机在330上能产生出对特殊参数的采样间隔和有助于数据组的信息，或由SPC使用者通过观察该矩形图来决定采样间隔，采样分组和分布形式，这些资料由SPC使用者在335输入。在脱机分析(305)中，公式变换的基本波动模式可以用来预示过程变量的反应时间，然后它给出对采样率和对分组方法的适当估计，例如反应时间越短，则采样频率越高。
测定给定变量的分布特性，可由脱机(也可用连机)采用上述的矩形图进行研究，对于每个归档在数据地址160(或在连机实时操作下过程控制计算机100集中数据而建立的数据地址)中的过程变量的数据来讲，可以自动地产生出矩形图。某些变量的分布是由本领域普通技术人员根据已有技术的考虑和对过程的情况了解而决定的，也可以由操作人员在图2的135上进行设定。
根据所述的这种空分过程，在与过程中主要时间常数相对应的极短时间周期内可以得到大量的数据，并可反复使用数据组。由于在工业过程中的测量以有干扰信号而闻名，所以数据分组是一种适于使干扰达到平衡的技术。
一个小组的采样多少是过程波动、取得数据的难易程度、以及测量过程中固有变化的函数。在控制理论上建议在各组之间的时间间隔要稍小于系统的时间常数，这意味着各取样之间不会发生大的过程变化，由于在时间间隔小于测量仪表的时间常数时的采样采取的是自动校正，而又与过程无关，所以要考虑测量仪器的波动影响。通过研究过程波动和检查所产生的矩形图可获得采样期间的好的数据值。由于可以自动地得到数据，如由过程控制计算机100自动地得到数据，通常最好在每组中有尽可能多的采样。能在上述空分过程很好工作的典型小组最好每隔1-2分钟取3至9个值，在组与组之间的时间可以是0-10分钟或更多。显示在图3中的315上的小组统计计算可用原始数据和合适的统计公式计算，并由335指示的相关转换常数完成。对每个小组要作适当的统计，以满足实时图形显示(如在图1的CRT240)的使用，这些小组统计也可作为历史资料在数据地址140中归档。另外，适当地做这些统计是为了把它们输送到ONSPEC环境中的其他应用程序范围内的FORTRAN或“C”语言子程序里，并由该子程序对它们进行调节。
测定分布形式，例如正态形式，对数正态形式、二项式形式、泊松分布形式和由计算机在310、320、325、330和340的分析及计算、或由使用者在335中的设计而测定出的概率密度分布函数都将导致产生出合适的控制图，例如由SPC操作人员、或由SAS之类的计算机120或200在程序控制下设计成的如图6所示的“S”图和图7所示的“X”图。
建立这样的图是基于如下的前提，即在统计控制下的过程所产生的数据要遵缩这样的分布，即在整个时间内保持稳定，并用标准统计技术有经验地将矩形图的数据组模型化，或使矩形图的数据适合于已知预定的解析分布，而图1所示的空分设备的解析分布常常不是正态分布。因此，根据本发明，将310处组合的概率密度分布函数(PDF)用以计算出335处所希望设定的在I型(α)误差范围内的控制极限值，这采用标准统计技术(例如“科学家和工程师的几率和统计学”第4版，著者Ronald E.Walpole和Raymond，H.Myers;第2和第8章，由程序控制下的脱机计算机120执行)。在该方法中，由组中的平均分布情况来确定普通原因的变化。当过程处于对环路中的变量进行闭环自动控制时，而且在已知的主要周期分布的整数倍的时间内，对用于作统计分析的数据进行处理。通过昼夜地改变环境条件以及由于硬件的运行不完善和过程其他部份的反应时间不理想而由控制器定期工作，这样就会引起周期性的波动，在图6中表示了使用上述技术的控制图例。
在作控制图极限时，需要根据处于统计控制中的过程采样，而要求用控制图极限来确定过程是否处于控制中，即确定过程是否为仿真情形。可以假定第一个n组是在控制中，并在此基础上继续计算控制图极限。然后用于作第一极限组的小组受到检查以确定它们是否确实受到控制。超过最初测定了的极限值的小组通过编缉被清除掉，再对新的控制图的极限进行计算，该程序反复进行直至极限和数据反映统计控制。为保证在反复“编辑”程序收敛以后保持有效的统计采样规模，大量的可利用的始数据是很重要的。在某些情况下，由手头的数据可以证明该过程完全失去了控制。对整个过程进行检查可以找出出问题的原因，例如某个临时阀发动器的失灵。在对过程检修或改变以后，必须重新收集数据。
对于特定历史变量数据和I型(α)误差的可用于确定统计分布，例如正态分布，对数正态分布等的控制极限、UCL(控制上限)、LCL(控制下限)都可在310中由程序控制下的脱机计算机120进行计算，这些控制极限可用到控制图中，如图6和图7的349，346，348就是作为例子作出的，确定控制极限的标准技术示于附录B中。
在本发明的实施过程中，要对统计控制中的过程变量的采样连机测定值的趋势进行分析以确定某些特殊趋势范围，例如采样间隔是否是连续采样，不是连续增加(达到UCL)，就是逐渐减少(达到LCL)。如果发生这种情况，则会指出过程变量可能超过特定的极限，它就不再处于统计控制下，此时就存在警告条件，程序控制的SPC计算机200就会发出可以看到的、或可以听到的警报或其他的信号。例如在图(图7的351上)上打印出信息，则SPC计算机的CRT(图1和2中的240)显示器照亮趋势数据，或者在SPC计算机中发出预录声音的警告。
例如，参照图7的实时过程变量数据的X曲线图，在位置AA和BB之间有10个连续的取样(其中有9个趋势范围或间隔)，在其中向上的趋势中，每个连续样品的值都比前一个值大。在本发明中，趋势的范围(连续增加值的)由程序控制下的SPC计算机200进行连机计算和分析，以判定趋势的范围是否超过极限范围(设计的α误差-置信度所确定的)。对特殊过程变量来讲，限定在若干趋势范围内(图3中的340)的趋势警报极限取决于特殊过程变量的历史数据，该历史数据最好是和用于测定控制图极限的那组数据(图3的300)相同，该组数据被储存在收集数据地址160(图2和图3)中。由SPC计算机200作出历史数据的趋势范围的矩形图(频率分布)，历史数据同样可作为过程变量数据，图8所示的是指数分布。由SPC计算机200计算出图7数据趋势范围分布的概率密度分布函数(PDF)，并用例如分位点技术对设计的I型(α)误差(置信度)计算警报极限，这里例如α＝0.05，然后对PDF积分决定该α值的趋势范围，这如图8所示。
趋势范围为11.8，取整数为12，它们表示特殊过程变量趋势的极限范围，把这些趋势范围储存在收集数据地址160中。所以在图7所示的情况下(从AA到BB有“10”个趋势范围)，并未达到“12”的警报极限(从图7中可以很容易看出)，而且也不会显示出警告。但是在AA到BB′之间有12个连续增加的趋势范围，在这种场合下，在采样时间BB′时会产生趋势警告信号，这表示特殊过程变量不处于统计控制下。在这种情况下，在过程控制计算机100(图2)中的设定点可通过来自SPC计算机200中的253处的信号自动调整，或由SPC操作人员在计算机终端250(图1)处根据设定点的控制动作1060(图12)进行调整。
除了上述的以外，采用时间级数模式技术(ARIMA)来提供离散的波动形式，从而对某些独立的具有自动相关性过程变量的数据的变化率进行预测和预示。这样就形成如下所述的ARIMA(图3中的350)模式，该模式储存在收集数据地址160中，基于所储存的、根据系统数据处理频率可自动地从数据地址400中检出的ARIMA模式，由SPC处理器200的连机在350(图2)处计算出差值，如计算出特殊变量的模拟设定值与实际值之间的差值，并由连机作出应用到控制图(可用在ARIMA模式下的标准分布中)上的极限植。
ARIMA(自动回归积分流动平均值)是用于预测和控制众多实际变量的时间序列模式。该模式是普通的ARIMA(p，d，q)模式Wt＝δ+φ1Wt-1+φ2Wt-2+φpWt-p+αt-θ1αt-1-θ2αt-2-……-θqαt-q其中Wt＝延迟时间t后的时间级数变量值;
δ＝常数偏置项;
φi＝自动回归项模式系数;
θj＝干扰项的模式系数;
αt＝随机振动，从其平均值为0，标准差为σa的正态分布中取样。
变量Wt可以是原时间级数值Xt的差值，其差的级数为d，例如d＝1时，Wt＝Xt-Xt-1。参数d，δ，φi，θj均可由用户调整，这些参数也可以用SAS时间级数应用程序在脱机计算机120中适当地得到计算(最大可能估计)。这些参数均储存在记忆器205中(图2)。
SPC的应用中使用了ARIMA模式来分析过程变量的数据，同时还有因考虑了差值而取消了的自动相关性，该差值为模式预置值与观察值之间的差(Wt-Wt)。该差值由使用了ONSPEC的计算机200来进行计算，并用一个在ONSPEC之外且又与之相连的C程序计算。预置值Wt由下式求得Wt+1＝δ+φ1Wt+1-1+……φpWt+1-p-θ1at+1-1-…θqαt+1-q+αt+1aj不能被观察到，但可表示为aj＝(Wj-Wj)，j＝t-1，t-2，……，t-q因此aj值是从该模式的过去差值估计出来的。对通常原因或特别原因引起的变化的适当的检查可以是在所有时间间隔中的差值的常规Shewhart的独立控制图。
ARIMA时间级数分析的应用有三个主要步骤·模式的确认·模式的估计·特性分析完成这些步骤的技术公开在“时间级数分析预测与控制”，著者George E.P.Box和Gwilym M.Jenkins，1976年修改版。有关在常规SPC，即化学过程控制和时间级数分析之间关系的讨论由“连机统计过程控制”上给出，著者John F.MacGregor，CEP，1988年10月刊。
时间级数模式(ARIMA)是预测模式，当超出中常范围时，这些模式用于预测变量值。本文中的SPC(统计过程控制)最主要的预测性是正在进行中的ARIMA时间级数模式的有效性。ARIMA时间级数模式把由空分过程引起的所有按时间顺序观察到的集作为起始点。ARIMA时间级数模式用于基本统计学的预测基础，该预测是根据过程曾是什么形式而现在又是什么形式而作出的。时间级数模式将适当地考虑各观察值之间的统计相关(自动相关性)的自然特性。
要对任何时候均有变量特性的模式，例如ARIMA时间级数模式的假定作实验。统计过程控制是由过程运行时的实际观察值减去预置值而形成的时间级数的差值来表示的，该差值是独立正态分布值的白噪声序列。ARIMA特性已在上述的G.E.BOX的参考文献中作了描述。模式的确认就是在脱机计算机120上所作的脱机计算机分析。第一步是选择一组历史过程变量数据，这些数据是根据过程波动和所有特性的周期分布的时间按适当的时间间隔得到收集。通常最好采集各组连续24小时的数据，它们包括每天变化的影响，漂移变化的影响和过程负荷的影响等。在采集数据期间，系统应处于正常运行状况。
要对由所选变量的历史数据作出的矩形图进行定性检查以确定过程表现在正常工作状况。对所有变量数据作出PDF控制图也是极有用的，这样就可以在采集历史数据期间定性地了解过程中的变化。对数据组进行编缉，着手去掉那些被认为“不受控制”的而由常规SPC检测却不认为如此的观察值。准确的ARIMA的表达取决于在等间隔下过程采样的连续记录，使得删掉的数据能够把对过程动态的测定有重要影响的数据除掉。
为了给ARIMA模式的估计提供稳定的级数，在该阶段中结合预分差变换可以作出基本上不动性的变换，在最普通的形式中＊＊，该变换是Zt＝
LD
DY*t＝(1-BL)D(1-B)dY＊t＊＊“时间级数预测，统一概念和计算机工具”第二版，著者Bruce L.Bowerman和Richard T.O′connell.
其中Y＊t是经过适当的预差分变换后的级数值，B是漂移算子，其中BnXt＝Xt-n。
通过检验样品的自动相关性(SAC)和样品的部份自动相关性(SPAC)的特征，并把它们与已知的理论形式作比较，例如用Box和Jenkins及Bowerman和O′Connell所述的方法进行比较，这样就可以从实验上鉴别模式。差分变换及SAC和SPAC函数的形成要由在如SAS那样的商业上可得到的软件程序控制下的脱机计算机120来完成。
使用SAS或相同的时间级数模式软件完成对模式的估计，模式的估计实际上也是特性分析和模式改进步骤。
在此，充分限定了有意义的过程变量的ARIMA模式，例如这种模式是[1-φ1B-φ4B4-φ5B5] Yt＝[1-θ1B-θ2B2-θ5B5-θ6B6]atφ1＝1.12518 θ1＝1.24896φ4＝0.008891 θ2＝0.244529φ5＝0.167527 θ5＝0.113064θ6＝0.103145该模式以不同的形式预测下一次采样时的Yt值Yt(1)＝(1+φ)Yt-φ1Yt-1+φ4Yt-3-(φ4-φ5)Yt-4-φ5Yt-5-θ1αt-θ2αt-1-θ6αt-5当新的观察值Yt+1是可用的时候，用常规的Shewhart方法计算出差值(Yt-Yt+1)并把该差值画成控制图。通过比较图6和图9可以看到这种近似法的效果。图6是根据上述方法由PDF给出的特殊变量的带有极限值的控制图。图9是有与I型误差同样大小的误差、根据ARIMA作的差值控制图。在图9中，根据ARIMA作的差值控制图表示的过程，其运行十分清楚，它只有普通原因的变化。根据对趋势范围的习惯统计检验和每日变化对该过程变量的影响的了解，通过一个相当少的直接近似获得相同的结果。
用连机基于ARIMA模式作出如图9所示的差值控制图，该控制图也可根据系统的操作频率自动形成。因为在基本上能够同时完成变量的多个测量时进行分组是合适的，所以ARIMA模式用的数据通常不再分组。使用ARIMA模式有两个好处，它为过程将处于何种状态给出定量的估计，相对于过程的方向和一般位置是相反还是一致;给出的历史状态相同则可预示出将来有相同的状态。
ARIMA模式更详细的工作描述示于图10(A)-(E)的流程图，附录B和下面的叙述中。一组历史过程变量数据为作分析在500处被选择，这组数据主要是常用于建立控制极限的数据组。它在于对所有已知的周期性干扰的多重积分，这些干扰是过程的典型部份，例如设备的维修。把这些数据转换成普通形式的时间级数形式，在这种级数形式中得到这些数据。用如SAS程序之类的程序控制的脱机计算机120在510和520处计算样品自动相关函数(SAC)和样品部份自动相关函数(SPAC)的时间级数。
SAC在520至560处受到检查，在550和560处对SAC的特性进行研究以证实它不是极快地中止(530)就是很快地逐渐减少(540)，而这表示级数是稳定的。如果级数表现有两种特性滞后，例如记录测定事件的时间间隔;收敛特性(如果是任意的)，然后程序如下所述在570中继续进行。如果级数未体现出有这些特性，则级数不能认为是稳定的，此时可用差值变换545来得到稳定级数。特别是第一或第二线性差分可在非周期性级数中产生稳定性。该方法论证和SAC及SPAC的计算可以在“时间级数分析，预测和控制”一书中找到，该书著者为G.E.P.Box和G.M.Jenkins，1976年Holden Day的修订版。
从570到640对具有稳定性的SPAC级数作检查，针对上述特征形式和周期性指示，也要研究SPAC。如果级数真的表现出周期性的话，如上所述，可使用差分变换来产生稳定性。
然后将提高了稳定级数的SAC和SPAC的综合特征用于645中，以在650、660、670和680中确认ARIMA模式的形式。
在650、660和680中显示出SAC和SPAC的各种综合特征的形式。
参见图10(C)，以(p、d、q)来描述ARIMA模式的普通形式690，其中p是自动增加部份序号，d是差分度，q是流动平均值部份的序号，这些都是根据标准时间级数的用词和惯例规定的。
在700中对模式作估计，在估计步骤中使用常规参数估计方法来得到模式参数，如有条件的最小二乘法、最大似然函数。由在如SAS之类的程序控制下的脱机计算机200来完成这一步骤。输出是以模式系数值和模式常数项的估计值的形式给出。统计描述的估计结果供分析使用。
由于过于省略推理是良好的时间级数模式的一个特征，所以在710、720和725中可以检查假定实验中的每个估计参数的t值，假定实验的参数值在统计上不同于零。如果不是这样，就把它从模式的形式中删掉，并重复该估计步骤。
在730中检查信息的RSAC735和Box-Ljung统计资料740，该信息适于判断模式在整个算法中是否可以接受。如果Box-Ljung统计值大于X2临界值，则该模式被拒绝(770)，如果不是这样，该模式就被接受(750)，并得到使用(760)。根据下面所述检查RSAC，差值样品自动相关函数可以对被拒绝的模式加以改进。
如780-800所示，通过确定RSAC和RSPAC的噪声模式可改进被拒绝的模式。该过程与645-680开始为主模式所用的确定步骤相同，而且对特征的判据标准相同。
噪声模式和原来的模式在800中组合在一起后组成普通的ARIMA形式，并进行重新估计，这一过程要反复做，直到得到一个可接受的过于节省推理的模式。把可接受的模式形式和其参数值送入数据地址160(图2)中，以便如上所述用于连机计算。
由于修正的ARIMA模式的差值应该形成一个按正态分布的白噪声数列，所以作了正态分布假设。把上述极限、警告值和模式储存在数据地址160和SPC处理机200中，本发明的控制系统就可以进行工作。参考流程图11，把来自空分运行过程的分离变量，如前面所列的A-P的实时数据由过程控制计算机100在410中得到(图2)，并且如图10所示，在415、310′、345′中进行处理，以便在220上得到前述形式的图表显示，由此可以由SPC操作者检测出警告情况。在流程图11中，实时数据在330′中以小组形式进行编制，如前所述，然后接着在310′中被计算计算每个小组的平均值X，并计算整个基本数据组的平均值X;
计算每个小组和组合的基本组数据的标准差和偏差;
对小组平均值计算出按指数律加权的流动平均值(EWMA);
计算累积总量(CUSUM)。
把预定的ARIMA模式与现行数据一起用于预测下一步的控制图的使用，而且用于预测下面的几个步骤，这对SPC操作者和过程控制的直接观察有帮助。
对差值(现行测量值和在某个前面的步骤时对后一步骤作出的预测值之间的差值)进行计算。如果该过程处于统计控制下，并且所用的ARIMA模式是正确的话，则差值的时间级数将是随机的、独立的和正态的分布。否则常规的Shewart规则将指示出特殊原因。
由基本数据组的平均值范围计算出小组范围。
当计算出的值变成有用时，它们就会自动地绘制在相应的控制图上。
再参考图12、13和14，下面是本发明对一个特殊过程变量的特别应用的假定性说明。图12使用了程序控制后产生出的CRT屏幕1000，从而接受来自SPC操作者的输入和把这些输入与由程序控制产生出的经过计算以后的统计关系同时显示出来。图13表示操作者给屏幕1000的输入，图14附带表示计算出的统计关系。
应注意的是不带撇的标号指的是屏幕上的位置，带撇的标号指的是实际数据。
1001′-标记名称 确认过程变量-在该例子中，它是用“LO2 PUR”表示的氧产品纯度(图1中所列的L)。
1002′-最大采样数 采样数量，主要是根据1008′和1010′处的观察值用于连机作分析用的5-50(小组数)
1004′-采样间隔 每次连续采样之间的时间周期例如从5秒到24小时。
1008′，观察数1010′ 在观察间隔时间周期中，要由连机作的数据观察数，例如(2)分钟观察(2)次，(2)次观察值被平均成(X)，并构成一个样品(在1002′处设计的(50)个中的一个)。
1012′-图的形式 控制图形式列单-选自(1)X和RX和Rm(2)X和S(3)Xma和Rm(4)Xma和Sm在该例子中，选用X和S。这种设计是为了让计算机在程序控制下，采用预先设定的样品数(1002′)、采样间隔(1004′)和下述的置信水平(α)设定值(1022′，1024′)，由PDF在1001′处对储存在数据地址400(图3)中的变量的历史数据的预定变量的上下控制极限及中心线进行计算。
1014′-分布 分布的列单选自正态分布对数正态分布二项式分布泊松分布分位点数在该例子中，选用“对数正态分布”，该分布示于图4中，这是一个历史数据的矩形图。这种设计是为了让计算机在程序控制下，用预先设定的样品数(1002′)和采样间隔(1004′)计算出预先设定变量(1001′)的预先设定分布形式(1014′)的概率密度分布函数(PDF)，所述的预先设定变量采用了储存在数据地址160(图3)中的过程变量的历史数据。PDF用以计算具有I型(α)误差的控制极限的基础，I型误差例如设定在下面所述1022′和1024′处的置信水平。
1022′，1024′-αU，αL 这些设计是形成I型误差(置信水平)的概率，它们被用于得到控制极限。主要设计值为0-0.25。在该实施例中，控制图下限的αL设定为0.025，控制图上限的αU设定为0.05，这些设计用于计算机根据PDF的积分来计算控制图的极限。
1050′-趋势滞后α 这一设计是确定趋势范围的置信水平，该值设定为0.01-0.25，例如图8的趋势α值设定在0.05(如图8所示计算出的趋势极限值是“12”)，并把该值储存在数据地址160中(图3)。
如图13所示，由于上述设计合适，程序控制的计算机将计算并显示下面的如图14所示的内容1026′;1028′，1032′ 控制上限(1026′)，控制下限(1032′)和X图及显示值的中心线(1028′)(图中选择“2”表示X和S)。
1034′，1036′，1040′ 计算并显示出控制上限(1036′)、控制下限(1040′)和“S”图(标准)的中心线(1034′)。
根据上述控制图参数的建立，所定过程变量的实时采样被收集和显示在所选定的控制图上，如图15，16所示。图15和16所示的所给变量处于统计控制之中。图15中的X-Bar图的采样2001和2002因为达到了控制上下限的阈值，所以会发生警告。这并不说明过程脱出了统计控制，而是应调查其情况，在α为0.05时有5%的机会产生错误信息。
在图6中，在359和359′处因为达到了控制图的阀值极限，所以会发出警告，并且在347处因连续采样值(在这情形为6)都在一侧(中心线上侧或下侧)，该数值还超过了预定的经验数值，例如(5)，也会产生警告。这说明需要对设定点进行调整。
在图14的1052处“ARIMA差值”的选择给程序控制的计算机发出指令，由连机产生连机变量的数据和所选变量(被形成并储存在数据地址160(图3)中的)的ARIMA差值，这如上所述。在图17的控制图中举例说明了该差值，这是根据PDF计算出的差值数据、正态分布和0-0.25的α误差(置信水平)得到的。图16表示统计控制下的ARIMA差值的标准独立Shewhart图。
图18是由相同观察值作出的Rm(移动范围)图。
在探测特殊原因变化的情况下，如图7所示的趋势范围AA-BB′中，图12中1060处的设定点的调整可用于由SPC计算机200(图1)给过程控制计算机100提供信号103，使特别过程变量的设定点提高或降低。
权利要求
1.空分过程的统计过程控制方法，该空分过程是为了从送入的空气中生产一种或多种组份的产品，其中所述过程的每个预定过程变量的历史数据均适用于电学方法，所述方法包括(i)提供一个程序控制的计算机装置；(ii)根据所述的至少一个过程变量的所述历史数据的概率密度分布函数(PDF)由所述计算机装置用计算机得出分布形式的控制图参数和警告极限值；(iii)由所述计算机装置处理来自所述连机空分过程的所述至少一个过程变量的实时变量数据，并根据所述实时数据显示出数值；(iv)当达到警报极限时，由所述计算机装置用计算机产生一个连机警告指示的视觉显示。
2.根据权利要求1所述的改进，其中还提供有与所述计算机装置有相互作用的电信号数据地址，以便将所述多个预定过程变量的连续历史数据储存在该数据地址的数据文件中。
3.根据权利要求1所述的改进，其中所述计算机装置作出一控制图，该图根据对至少一个所述过程变量的实时数据的观察显示出所述的参数和数值。
4.根据权利要求1所述的改进，其中把所述的控制图参数储存在所述电信号数据地址中。
5.根据权利要求1所述的改进，其中把各个变量中的一个变量或多个变量的每个预定过程变量的历史数据作为电信号收集至少24小时。
6.根据权利要求2所述的改进，它还包括将一个或多个空分过程变量的连续数据按预定数据采样组的时间级数作为电信号储存在所述数据地址的数据文件中的步骤。
7.根据权利要求6所述的改进，它还包括由所述计算机装置用计算机产生出所述时间级数矩形图的步骤。
8.根据权利要求3所述的改进，它还包括如下步骤(ⅰ)提供一个与所述计算机装置具有相互作用的电信号数据地址以及把所述控制图参数储存在所述数据地址的数据文件中;(ⅱ)将至少一个所述过程变量的连续数据按预定数据采样组的时间级数储存到所述数据地址的数据文件中;(ⅲ)由所述计算机装置用计算机产生警告标准;(ⅳ)将所述警告标准储存在所述数据地址的数据文件中;(ⅴ)根据所述储存在数据地址的数据文件中的时间级数，由计算机装置用计算机产生一稳定的自动回归积分流动平均值(ARIMA)的典型级数模式，以计算出变量数据的预测值;(ⅵ)把所述时间级数模式储存在数据地址的数据文件中;(ⅶ)由计算机装置用计算机连机产生所述实时过程变量数据和由所述ARIMA模式得到的变量数据的预测值间的差值，并由计算机装置用计算机连机产生差值的控制图;(ⅷ)由所述计算机装置用计算机对连机的连续变量数据值的差值产生预定数的趋势，并将所示趋势显示在所述差值的控制图上;以及(ⅸ)当连续变量数据值的差值的预定数的趋势连续增加或减少时，由所述计算机装置的计算机产生一个连机警告指示的视觉显示。
9.空分过程的统计过程控制方法，该空分过程是为了从所送入的空气中生产出一种或多种组份的产品，其中所述过程可以运行相当长的一段时间，使所述过程的每个预定过程变量的历史数据作为电信号得到收集，所述方法包括(ⅰ)提供一个在程序控制下能作连机和脱机计算的计算机装置以及一个与所述计算机装置相互作用的电信号数据地址;(ⅱ)将一个或多个空分过程的变量的连续历史数据按预定数据采样小组的时间级数储存在所述数据地址数据文件中;(ⅲ)由所述计算机装置的计算机根据储存在数据地址的数据文件中的所述历史数据时间级数的概率密度分布函数(PDF)及所定的置信水平产生出与分布形式相应的控制图参数;(ⅳ)把所述控制图参数储存到所述数据地址的数据文件中;(ⅴ)由所述计算机装置观察并处理由所述空分连机过程提供的实时变量数据，并把所述实时数据的观察值和所述控制图参数一起显示在控制图上;(ⅵ)由所述计算机装置的计算机对所述时间级数中的连续连机变量数据产生出预定数观察值的趋势，并将该趋势显示在所述控制图上;及(ⅶ)当连续变量值的预定数的实时值的趋势连续增加或连续减少时，由所述计算机装置的计算机产生连机警告指示的视觉显示。
10.根据权利要求1所述的改进，它还包括附加步骤由所述计算机装置的计算机产生所述时间级数的矩形图，并根据所述矩形图确定如何表示所述矩形图时间级数的分布形式。
11.根据权利要求1所述的改进，其中所述空分过程在过程控制计算机的控制之下，该计算机至少用一个由电信号控制的设定点，从而调节所述过程的至少一个控制装置，并且所述方法还包括步骤当达到信号极限时，计算机产生一个电信号，它通知所述过程控制计算机以调整至少一个所述电控设定点。
12.空分过程的统计过程控制方法，该空分过程是为了从所送入的空气中生产出一种或多种组份的产品，其中所述过程可以运行足够长的一段时间，使所述每个预定过程变量的历史数据作为电信号得到收集，所述过程包括(ⅰ)提供一个在程序控制下能作连机和脱机计算的计算机装置以及一个与所述计算机装置相互作用的电信号数据地址;(ⅱ)将一个或多个空分过程变量的连续数据按规定数据采样小组的时间级数储存在所述数据地址的数据文件中;(ⅲ)由所述计算机装置的计算机产生所述时间级数的矩形图;(ⅳ)根据所述矩形图确定如何表示该矩形图时间级数的分布形式;(ⅴ)由所述计算机装置的计算机根据储存在所述数据地址的数据文件中的所述时间级数的概率密度分布函数(PDF)及所设定的I型误差产生出与所述分布形式相应的控制图参数;(ⅵ)把所述控制图参数储存到所述数据地址的数据文件中;(ⅶ)由所述计算机装置的计算机根据储存在所述数据地址的数据文件中的所述控制图参数产生警告标准;(ⅷ)把所述警告标准储存在所述数据地址的数据文件中;(ⅸ)根据所述储存在数据地址的数据文件中的时间级数，由计算机装置的计算机产生一稳定的自动回归积分流动平均值(ARIMA)的典型级数模式，以计算出变量数据的预测值;(ⅹ)把所述时间级数模式储存在数据地址的数据文件中;(ⅹⅰ)由所述计算机装置的计算机观察并处理由所述空分连机过程提供的实时变量数据，并根据概率密度分布函数(PDF)把所述实时数据的观察值和所述的控制图上、下参数一起显示在控制图上。
全文摘要
空分设备的统计过程控制系统，使用了连机和脱机计算机装置，以便限定用于连机过程变量数据的控制图极限、趋势极限和动态模式，该连机过程变量数据是用于确定统计过程控制的。
文档编号G05B21/02GK1066618SQ9210342
公开日1992年12月2日 申请日期1992年4月7日 优先权日1991年4月8日
发明者T·C·汉森 申请人:联合碳化工业气体技术公司