机器选择、集成和使用的动态多目标优化的系统和方法

专利名称：：机器选择、集成和使用的动态多目标优化的系统和方法
技术领域：
：本发明涉及系统、机器、过程和计算设备的动态诊断和预测技术，更确切地说，本发明涉及主要在工业自动化环境中选择、控制和优化机器应用的控制系统和方法。本发明提供了将控制方法和策略与决策支持以及物流系统集成，以优化特别限定的操作目标和性能目标。
背景技术：
：由于更激烈的竞争，全球经济迫使许多企业以日益高效的方式来操作和经营业务。相应地，由于消费者和供应商以前的局限性而曾经被公司所容忍的低效率现在必须被消除或者减少，以使各公司可以在广阔的动态全球市场上有效竞争。此外，对操作环境友好并且保证工人安全的“绿色”设施的强烈需求提供了将废物、废料最少化并且保证不会意外地出现故障的可靠的、安全的过程的额外的动机。许多工业过程和机器由电动机来控制和/或驱动。这种过程和机器包括电动机驱动的为化学和其他过程提供液体传输的泵、风扇、传送器系统、压缩机、齿轮箱、运动控制设备、HVAC系统、螺旋泵、混合器以及水力和气动的机器。这种电动机与其他系统部件如阀、泵、炉、加热器、冷却器、传送器滚筒、风扇、压缩机、齿轮箱等等组合，以及与适当的功率控制设备如电动机起动器和电动机驱动器组合，从而形成工业机器和执行器。例如，电动机可以与为电动机提供可变的电功率的电动机驱动器以及与泵组合，其中电动机旋转泵轴来产生可控的泵浦系统。用于构建这种机动化的系统的组成部分(例如泵、电动机、电动机驱动器)通常根据机动化的系统要应用于其中的特定应用或者过程的规范来进行选择。例如，针对机动化的泵浦系统的一组规范可以包括流体属性(例如粘度、比重)、可用的吸头、流速或者排放压力或者其范围，系统必须对其适应以用于特定的应用中。在这种情况下，根据应用中要求的最大和最小流量以及头部来选择泵，并且基于所选择的泵浦水力要求以及其他的电气和机械方面的考虑来选择电动机。根据电动机规范来选择相应的电动机驱动器。其他泵浦系统部件于是可以根据所选择的电动机、泵、电动机驱动器、控制要求和包括电动机速度传感器、压力传感器、流量传感器等等在内的传感器输入来进行选择。这种系统设计规范通常由最大操作条件例如泵浦系统要达到的最大流速来策动，而其又策动组成部分的规范。例如，可以根据提供必要的轴速和扭矩给泵来达到过程所需的最大要求流速的能力来选择电动机。因而，通常的机动化系统包括根据所需的最大工作性能来分级的部件。然而，即使有过，系统也可能很少在这些等级上工作。例如，被分级为达到100加仑每分钟(GPM)的最大流速的泵浦系统可能在其大部分工作寿命中以低得多的流速工作。在使用这种机动化系统的设施中，除了机动化系统的分级的输出之外，其他工作性能特性可能是令人感兴趣的。例如，在使用该系统的生产设备中，操作泵浦系统的成本通常是令人感兴趣的。这种泵浦系统的组成部分通常包括在不同工作条件下与组成部分的效率有关的性能分级或者曲线。例如能量效率可以是组成部分的传输功率的度量，其可以表示为输出功率(例如设备所提供的功率)与输入功率(例如设备消耗的功率)的比率的百分数。这些性能曲线通常包括一个或更多个操作点，部件在这些操作点上以最大效率工作。除了最佳效率操作点之外，部件可以具有其他操作点，在这些操作点上其他的性能特征是最优的，例如预期寿命、平均无故障时间(MTBF)、声学发射或振动输出、预期的保养之间的时间、安全性、污染物散发等等。机动化的(例如泵浦)系统中的部件的操作规范可能规定了部件设备的选择来达到一个或更多个系统运行最大值(例如泵浦系统的最大流速)，然而部件和/或这些部件构成其一部分的系统的其他性能度量(例如效率、成本、寿命、MTBF)通常在实际工作条件下并不是最佳的。因此，即使其中在机动化的泵浦系统中针对泵、电动机和电动机驱动器的效率分级给出了特定于泵浦系统的最大流量处或者附近的最大效率，这些部件中的一个或者更多个的效率(例如以及整个泵浦系统的效率)可能对于该系统可能在其大部分服务寿命上运行的其他流速而言是比较低的。此外，电动机、泵和驱动器依尺寸制造以满足应用要求。这些部件中的每个都具有不同的工作特征，使得电动机的有效操作点与所连接的泵的有效操作点的速度和负载不同。基于成本或者单个效率来独立地选择部件会导致整体的系统关于效率、产量或者其他优化标准方面是次优的。此外，通常机器或者其部件的规范是独立地或者在一种粒度水平下进行的，使得忽略了商业或者工业关注的更高层面的方面。因此，需要一种方法和系统，通过该方法和系统能够提高与选择和利用机动化系统及其部件关联的效率和其他性能特征。
发明内容下文给出了本发明的简要概述，以提供对于本发明的一个或更多个方面的基本理解。该概述并非是本发明的广泛的概括。其并非旨在确定本发明的关键或者重要元素，也并非旨在描绘本发明的范围。本概述的唯一目的在于以简化的形式给出本发明的一些概念，以作为后面给出的更详细描述的前序。本发明规定了结合以优化整个业务操作来使用机器诊断和/或预测信息。业务操作的范围可以包括工厂范围或者企业的业务目标以及任务目标，例如对于飞行器、军舰、核能或者军用系统或部件可能所需的那样。可以使利用本发明的系统、网络、过程、机器、计算机以提高的效率、更少的停机时间和/或延长的寿命和/或更高的可靠性来工作，并且增强作为其超集的系统/过程。根据本发明的诊断和/或预测可以关于各种操作/过程来动态地以及现场地实现。此外，本发明规定了通过使用基于效用(utility-based)的方式来优化诊断/预测方案的应用，该基于效用的方式使得与采取一动作(包括不正确的动作或者不采取动作)关联的成本与该动作(或者无动作)所关联的收益相联系。此外，例如这种动作可以与散发诊断/预测数据和/或与数据分析有关地采取的动作有关。数据散发可以通过轮询技术、信标技术、心跳方案、广播方案、看门狗方案、黑板方案和/或其组合来实现。相应地，可以使用状态信息来确定哪种方案或组合或顺序会导致与所希望的目标相关的最大效用。本发明提供了结合有价值的和/或关键的系统或方法来解决与采取自动化动作关联的问题。例如，关于允许自动化动作而产生安全性问题，本发明提供了使用各种基于安全性的方案(例如认证、加密)来使得容易维持对这种系统/过程的控制及访问。本发明还可以考虑网络的过程/系统的安全性和关键性的等级。例如，与关键过程(例如功率、生命支持、灭火、HVAC)有关的自动化动作只能在已经采取了高安全性措施之后进行，并且这种动作只能以给定当前证据(例如当前状态信息和预计状态)情况下该自动化动作是要采取的正确动作的高等级的置信度水平(例如99%的正确推断概率)来进行。此外，本发明的另一方面提供了使用预测/诊断来优化要制造的和/或交付的产品的质量控制。例如，关于部件的未来状态的推断以及这种未来状态对于产品的生产的影响可以用作闭环系统的一部分，其提供了现场的调节处理参数，以对与推断的状态关联的、会影响产品的质量和/或数量的偏差进行动态校正。应当理解的是，这种技术可以用作企业资源计划(ERP)系统的一部分来使得容易地预见可能影响企业的事件/参数(例如容量、供应商生产量、库存、生产、物流、营业额、设计，...)。如将在下文更详细地阐述的那样，本发明的一个特定方面可以使用诸如射频识别(RFID)标签等技术，并与故障预测、产品吞吐量分析、线诊断、库存管理以及生产控制、连同其他技术相结合。本发明的一个特定方面提供了控制系统和方法用于控制具有一个或更多个机动化的泵和关联的电动机驱动器的过程，它们提供了根据一个或更多个性能标准(例如效率、部件寿命预期、安全性、电磁发射、噪声、振动、运行成本等等)的优化的过程性能。例如，这种机器数据可以与库存控制、生产、市场营销、效用、盈利性、核算以及其他企业事务结合地使用。因此，本发明提取这样的机器数据，使得与仅仅同机器维护、控制以及可能的过程控制或者最优控制方法结合地使用机器数据的许多传统的系统相比，该机器数据可以与优化整个企业运行相结合地使用。本发明的方面使用了各种高级数据分析、建模和应用方案以提供与本发明关联的一些优点。例如，可以与本发明关联地使用贝叶斯信念网(BayesianBeliefNetwork)。概率确定模型和分析可以在数据的各个层次进行，以将给定各种水平的不确定性的情况下事件对于各种企业事务的可能影响以及关联的成本与对于整体企业事务作出关于预测事件及其关联的权重的不正确推断相联系。与本发明关联地也可以使用统计的、概率的以及基于证据或者信念的方法和/或各种基于规则的方法。本发明考虑了通过在自动控制系统的框架内集成实时诊断和预测技术可以显著地增强机器监视和基于条件的维护的益处。系统运行可以基于机器的预计的或者可能的状态或条件结合以预期的工作量或者要求或者可能的要求以及企业策略连同其他操作和性能约束来进行规定。可以评价所生成的决策空间，以使得容易地作出适当地鲁棒的操作和/或机器决策，这些决策将规定的企业目标例如收入生成、生命周期成本、能量利用和/或机器寿命最大化。于是，本发明将诊断和/或预测与关联于企业目标和策略的控制集成，以提供独特的机会来动态地补偿控制并且最终管理和优化系统资产利用。这可以考虑到诊断和预测中的不确定性和信念、控制和性能预期以及业务不确定性和可能性来进行。根据本发明的另一方面，可以使用智能的代理方案，其中各种机器、物理实体、软件实体可以被建模并且用智能软件代理来代表，该智能软件代理用作相应的机器或者实体的代表。这些代理可以设计为彼此交互，并且使得易于会聚成对实体的机器的各种改进和控制，连同有效地优化整个企业事务。较低级的代理可以协作并协商以便最优的方式实现较低级的过程目标，并且将该信息集成到高级代理中。代理可以彼此竞争有限的资源，并且成为敌对方，以便以节省的、可靠的和最优的方式来实现关键目标。此外，代理可以包括高度分布的系统，该系统控制复杂动态过程的运行。可能并不存在系统的中央点或者控制或者协调。信息分布在各代理中。代理组可以形成簇，以促进满足运行目标(如本地代理目的)，以及促进满足高级系统目的和目标中的协作。在协商服务和功能期间，本地代理也可以提供“成本”信息给其他例如指示效率、能量利用或者鲁棒性的代理。代理可以基于要优化的目标或操作目标或规定的成本函数的比较和优化来将功能和控制模式分配给特定代理。此外，应当理解本发明可以与工业自动化系统(例如过程、工厂)的初始规范、布局和设计相结合地使用，使得与预计的机器特征(例如生命周期成本、维护、停工期、健康状态、效率、运行成本)相结合地考虑高级企业目标(例如预期的收入、开销、生产量、发展)，以便会聚到工业自动化系统的规范、布局和设计上，使得与传统方案相比更为接近地符合至高级企业目标的映射，其中在传统方案中这种布局和设计或多或少地以自组织的(adhoc)、手动的和任意的方式来进行。关于实时预测和优化控制的机会的集成信息会影响系统的初始设计和配置，以提供附加的自由度并且提高随后的预测和优化以及补偿控制的能力。机器的预计的工作状态可以基于预期的要求或者工作量或者未来的工作量或要求的可能估计来确定。类似地，在建立系统的预计未来状态时，可以考虑所预期的环境(例如温度、压力、振动)信息和可能的预期的损坏信息。通过在控制中适当地改变，可以避免或者推迟系统的不希望的未来状态，同时实现所要求的工作目标并优化建立的运行和企业目标。只是为了理解本发明的一个特定上下文，在更细的等级上讨论本发明的至少一个方面，提供了控制系统和方法用于根据设置点(setpoint)(例如机动化的泵系统的流速)、操作限制以及诊断信号来控制机动化的系统，其中诊断信号涉及系统中的诊断的工作条件(例如效率、电动机故障、系统部件退化、泵故障、功率问题、泵空化)。因此，本发明提供了电动机和机动化系统的受控运行，其中该系统的运行考虑了所希望的过程性能，例如根据过程设置点的控制，并考虑了与机动化系统和/或其中的组成设备相关的一个或更多个其他性能特征或者度量，其中，通过考虑预测和优化数据以允许的过程和机器操作约束，可以实现提高效率和其他性能特征。根据本发明的一个方面，提供了一种用于控制机动化系统的方法。根据与系统中的多个部件关联的性能特征，在关于系统设置点的允许的工作范围内选择希望的操作点。例如，对于机动化的泵系统可以提供流速设置点，并且可以提供一个范围(例如+/-10%)让系统在设置点流量值左右工作。该范围可以对应于允许的工作范围，其中工艺设备制造出好的产品。根据本发明，该系统可以在该范围中的其中优化了一个或更多个性能特征的操作点处工作。因此，例如在允许的流量控制范围和设置点规定了在可接受的上流速和下流速之间的控制的情况下，本发明提供了在其间选择操作点，以便优化一个或更多个系统和/或部件性能特征，例如生命周期成本、效率、生命预期、安全性、发射、工作成本、MTBF、噪声和振动。在机动化系统包括与泵和提供电力给电动机的电动机驱动器可操作地连接的电动机的情况下，性能特征可以包括效率或者与电动机、泵和/或电动机驱动器相关的其他度量。对希望的操作点的选择可以包括将一个或更多个电动机效率信息、泵效率信息和电动机驱动器效率信息相互关联，以便得到相关的系统效率信息。所希望的操作点于是可以选择为根据相关的系统效率信息的允许的工作范围内的最优效率点。各组成设备的效率以及因此泵系统的效率可以与提供给系统的电能或者功率关联。因此，本发明可以用于控制泵系统，以便在关于过程设置点的允许范围的容差内将系统消耗的功率最小化。因此，本发明允许系统操作员将与抽送液体关联的成本最小化(换言之，进行优化)，其中，例如抽送的每单位液体的成本被最小化。替选地或者组合地，可以在优化中优化或者解决其他性能特征，以便在允许的范围中选择希望的操作点。例如，部件性能信息可以包括部件生命周期成本信息、部件效率信息、部件生命预期信息、安全性信息、发射信息、工作成本信息、部件MTBF信息、MTTR、预期的维修成本、噪声信息和/或振动信息。就此而言，将认识到，可以在确定或选择希望的操作点时使用一个或更多个系统性能变量(例如温度、流量、压力、功率)的值，该操作点可以通过与系统关联的一个或更多个传感器、系统的模型或者它们的组合来得到。本发明的另一特定方面提供了一种用于控制具有泵的过程的控制系统，该泵带有关联的电动机。该控制系统包括电动机驱动器，其根据控制信号以受控方式提供电力给电动机；以及控制器，其根据过程设置点附近的允许的工作范围中的希望的操作点来提供控制信号给电动机驱动器。控制器根据与过程中的一个或更多个部件关联的性能特征来选择希望的操作点。该系统还可以包括用户接口，用于从用户获得要优化的设置点、允许的工作范围、部件性能信息和/或性能特征。此外，该系统尤其可以在大的过程中通过网络或者无线通信从主计算机和/或其他信息系统、调度系统、库存系统或者订单记录系统、决策支持系统、维护调度系统、核算系统或者控制系统获得这样的信息。此外，该信息可以通过广域网或者全球通信网络例如因特网来获得。就此而言，可以基于全球、企业范围或者过程范围来进行一个或更多个性能特征的优化，其中，例如单个的泵系统可以在低于最佳效率的情况下工作，以便能够更有效地操作更大的(例如多个泵的)过程或者系统。由于企业中的另一系统可以用更为节省成本的速度来提供附加的处理并且将以最大生产量来运行这样的事实，特定的泵可能提供低的生产量并且低效地运行，以满足最低的产品要求。而本发明的另一方面提供了操作机动化的系统，其中与该系统可操作地关联的控制器包括诊断用于诊断与泵关联的工作条件的诊断部件。被诊断部件检测的工作状况可以包括电动机故障或者泵故障，或者一个或更多个系统部件中的失效和/或退化，和/或失效预计(例如预测)。控制器根据设置点和取决于泵中的诊断的工作条件的、来自诊断部件的诊断信号来提供控制信号给系统电动机驱动器。诊断部件可以对来自一个或更多个与泵或者机动化系统关联的传感器的信号进行特征分析，以便诊断工作条件。因此，例如可以进行信号处理，以确定磨损、失效、剩余有用寿命或者对系统性能的其他有害影响，从而可以修改对系统的控制，以防止进一步的退化，延长一个或更多个系统部件的剩余服务寿命或者防止对其他系统部件的不必要的压力。就此而言，诊断部件可以处理与同机动化系统关联的流量、压力、电流、噪声、振动和温度相关的信号。变化的系统控制可以将机器的寿命延长，以将生产量最大化，同时保证在规定的时段上而不是更长时间上没有故障。具有比要求的最小值更长的机器寿命将要求以甚至更低水平的效率来操作机器。例如，目标可以是将生产量或者效率最大化，同时恰好满足要求的最短寿命而不是更长。本发明的上述新颖的特征可以用来优化与设置的业务目标相称的整体业务。此夕卜，随着业务需求/目标改变，本发明可以提供对子系统(例如机器、业务组分、配置、过程步骤、...)的动态调整和/或修改，以便朝着以最优方式实现业务目标的新的工作模式会聚。因此，本发明提取并且抽象机器数据(例如诊断和/或预测数据)，并且不仅与低级地优化机器利用关联地使用这样的数据，而且还在给定与高级的业务目标关联的约束的情况下用于将机器利用最大化。可以使用各种模型包括仿真模型、基于规则的系统、专家系统或者其他建模技术来建立可能的工作条件的范围并且评价它们的潜力来优化机器工作。应当理解的是，除了工业应用，本发明还可以与商业的(例如HVAC)或者军事的系统(例如军舰)结合使用，并且这种应用预定落入所附权利要求书的范围中。为了实现前述的和相关的目的，本发明于是包括下面详细描述的特征。以下的描述和附图详细阐述了本发明的某些说明性的方面。然而，这些方面仅仅指出了其中可能应用本发明的原理的各种方法中的一些。当结合附图来考虑时，本发明的其他方面、优点和新颖特征将从下面对于本发明的详细描述中变得明显。图Ia和图Ib是根据本发明的各方面的预测系统的示意图。图Ic是说明了根据本发明的一个方面的状态管理的流程图。图Id至图Ih示出了本发明的系统优化方面。图Ii示出了根据本发明的一个方面的一种方案，该方案使得易于实现预先规划的、最优的未来状态。图Ij示出了与建立系统/过程的潜在未来状态相关的本发明的另一方面。图Ik示出了根据本发明的一个方面的企业资源计划系统。图2示出了根据本发明的泵系统随时间的示例性工作等级，即示例性的泵使用在时间上的曲线。图3以图形示出了根据本发明的梯度搜索技术，即成本函数响应表面及适当的最陡的技术。图4示出了根据本发明的示例性智能的基于代理的框架。图5示出了根据本发明的示例性信念网络。图6是根据本发明的分布式系统的高级视图。图7示出了与优化关联的使用本发明的多个机器。图8是根据本发明的一个特定方面的高级流程图。图9是侧立面图，其示出了示例性的机动化的泵系统和控制系统，因此带有根据本发明的一个方面的优化部件。图10是示出了图9的示例性控制系统的进一步细节的示意图。图11是进一步示出了图9和图10的效率优化部件和控制器的示意图。图12是示出了示例性的泵效率曲线的图。图13是示出了示例性的电动机效率曲线的图。图14是示出了示例性的电动机驱动效率曲线的图。图15是示出了根据本发明的示例性的关联的泵浦系统效率优化曲线的图。图16是示出了根据本发明的一个方面的示例性液体传输系统的示意图，该系统具有多个泵和阀控制器，它们联成网络用于点对点通信。图17是示出了根据本发明的一个方面的另一示例性液体传输系统的示意图，该系统具有主计算机以及多个泵和阀控制器，它们联成网络用于点对点通信和/或主机对点(host-to-peer)通信。图18是示出了具有多个泵和阀控制器的示例性制造系统的示意图，其中可以实施本发明的一个或更多个方面。图19是示出了根据本发明的另一个方面的控制机动化泵的示例性方法的流程图。图20是侧立面图，其示出了另一示例性的机动化的泵系统和控制系统，因此带有根据本发明的另一个方面的诊断部件。图21给出了根据要求保护的主题的一个方面的企业资源计划部件的进一步的视图。图22给出了根据要求保护的主题的各方面的企业资源计划部件的更进一步的视图。图23描述了一种根据要求保护的主题的方法，该方法可以用来提供能量优化模型。图24描述了一种根据要求保护的主题的方法，该方法可以用来提供动态容量管理。图25至图31示出了可以被要求保护的主题提出的各种完全不同的、用户可操纵的可视仪器。具体实施例方式下面参照附图来描述本发明，在所有的附图中，相似的附图标记用于表示相似的部件。在下面的说明中，出于解释的目的，阐述了大量的特定细节，以便提供对本发明的透彻理解。然而，可以明显地看出，可以在无需这些特定细节的情况下实施本发明。在其它情况下，为了有助于描述本发明，以框图的形式示出公知的结构及装置。如本申请中所使用的，术语“部件”及“系统”是指与计算机有关的实体(即硬件、硬件与软件的组合、软件或执行中的软件)。例如，部件可以是(而不限于)在处理器上运行的过程、处理器、对象、可执行的、执行的线程、程序及/或计算机。为了说明，在服务器上运行的应用程序以及该服务器都可以是部件。处理及/或执行的线程中可以存在一个或更多个部件，并且部件可以局限在一个计算机上及/或分布在两个或更多个计算机之间。如本文中所使用的，术语“推断”通常是指以下处理根据经由事件而捕捉到的一组观察及/或数据来推导或推断系统、环境及/或用户的状态。例如，推断可以用于识别特定的情境或动作、系统或部件状态或条件，或者可以生成状态的概率分布。推断可以是或然的，即，基于对数据及事件以及单独的概率或确定性的组合的考虑来计算感兴趣的状态的概率分布。例如，可以将观察的概率与适用的推断规则的有效性所关联的概率相结合。推断还可以指用于根据一组更基本等级的事件、条件、观察及/或数据来组成较高等级的事件或条件的技术。这种推断导致，无论事件是否在紧密的时间接近性上相关，无论事件及数据是来自一个事件及数据源还是来自多个事件及数据源，都能根据一组观察到的事件及/或所存储的事件数据来构成新的事件、条件或动作。可以使用根据本发明的用于与诊断/预测相结合地进行推断的多种合适的技术中的任一种技术，并且这些技术旨在落入所附权利要求书的范围内。例如，可以与基于分析/诊断/预测来进行概率或统计相结合地利用隐性分类/显性分类器，可以根据本发明来利用贝叶斯网络、模糊逻辑、数据融合引擎、隐马尔可夫模型、决策树、基于模型的方法、信心系统(例如Dempster-Shafer)、合适的非线性训练方案、神经网络、专家系统等。本发明提供了涉及与优化总体系统或处理相结合地使用机器数据的系统及方法。可以动态地收集机器数据(例如以诊断数据或控制数据的形式)以及/或者可以按与未来的机器状态有关的预测数据的形式生成机器数据。可以实时地收集及/或生成机器数据(例如在原处、动态地、从开始到收集/生成未经过很多时间地)。可以分析机器数据，并且将其分析与优化机器应用以及其它商用部件或系统相结合地使用(例如核算、库存、行销、人力、调度、采购、维修制造)，以有助于优化总体商业目标或系列目标或关注点。本发明提供了用于控制机动化系统的方法及系统，以实现设定点操作，并且在指定的操作约束内操作时优化与系统相关联的一个或更多个操作特性。下文中针对一个或更多个机动化的泵系统及其控制来说明本发明。然而，应当理解，可以在操作其它机动化系统时使用本发明的一个或更多个方面，包括而不限于风扇、传送装置系统、HVAC系统、压缩机、齿轮箱、运动控制装置、螺杆泵、混合机、以及由电动机驱动的水压机及气动机。更多的其它非机动化系统包含在本发明的范围中，包括而不限于炉灶、运输系统、磁致动器、反应容器、增压系统、化学处理及其它连续的处理。例如，本发明可以用于有助于预测金属及/或半导体触点、开关、插头、绝缘件、绕组、衬套、阀、密封件的磨损，使得可以在出故障之前更换或维修它们。因此，例如可以在实际需要时(而不是按照固定的时间表)进行对热像检测的排定。本发明还可以适用于腐蚀预测以及延迟及/或节点故障或者对网络流量的积压预测。可以在一时间范围上应用本发明，其中，时间被因子化成与本发明相结合的基于用途的诊断及/或预测。例如，信息、状态、动作、不动作的值可以作为时间的函数而变化，并且可以与本发明所结合的诊断及/或预测相结合地考虑这种值密度。而且，本发明可以适用于商业系统，例如，船队车队、商用HVAC系统、升降机以及航空器(商用的及军用的)、船只(例如海军军舰)、企业系统、资源规划系统、任务执行及战略规划，并且本文中多种其它应用可以有助于提高效率及/或最优化。另外，下面的附图及相对应的描述与优化系统及/或部件效率相关联地说明本发明，但是应当认识到，可以单独地或组合地优化机动化系统的其它操作特性，所述操作他性可以包括但不限于寿命周期成本、效率、寿命预期、安全性、吞吐量、排放物、经营成本、MTBF、噪声、振动、能量利用等。此外，本发明的方面可以用于提供较高系统等级的优化，其中，处理包括作为总体自动化系统的部分的多个机动化系统，使得对整体处理的一个或更多个操作特性进行全局最优化。而且，如本文中所讨论的，本发明可以与优化许多更高等级系统(例如基于交易的系统)相结合地使用。更高等级系统优化可以指定不在针对能量利用的最优效率点操作。而是，更重要的、支配一切(over-arching)的目的(例如使收入产生最大化)可以替代实现最低能量利用或延长机器寿命的较窄的、有限范围的目的。本发明使用性能驱动方法来对诊断算法及预测算法、灵活的系统及部件、新的传感器技术、灵活的传感器的发展起杠杆作用，并在企业资产管理(EAM)系统的框架中的其它技术中将这些技术结合起来。对EAM系统的框架中的优化方法及处理的组合包括资产优化系统。除了维护成本及维修成本之外，还考虑诸如经营效果、商业战略及供应链(例如连接起来的供应商-制造商_消费者)问题的问题。存在多个强制商业驱动因素，这些强制商业驱动因素通常使成本有效的机器可靠性不仅是经济上健全的，而且是商业上必要的。这些新近的商业驱动因素包括对保护环境的更大关注、对工人安全的最大关注、连接起来的(例如虚拟的)组织、面向订单生产经营战略、绩效薪酬(例如按小时动力)、包含保修成本、以及快速扩张的电子商务世界中的具有更大的监督及预期的竞争的基于时间的经营。尽管主要与电动机及泵相联系地描述本发明，但是强调，本发明能直接地适用于其它商用及工业处理机器/系统。这些系统例如可以包括工厂HVAC系统、传送装置系统、半导体加工线、化学处理(例如刻蚀处理)或其它连续的处理或非电动机驱动的机器。在工厂中，提供如本文中所提出的总体资产优化可以要求结合或优化其它非电动机部件。如所附权利要求书所限定的本发明的范围旨在包括全部这种实施例及应用。图1是根据本发明一个特定方面的预测系统100。预测引擎110连接到网络112，该连接可以经由硬线、无线、因特网、光等来实现。预测引擎接收与作为网络的部分的机器114或处理有关的数据。例如，在期望的情境或规则集内动态地分析数据，引擎110预测/推断与装置、装置簇、三级装置(或其簇)、处理及/或整个网络有关的未来的状态/事件。预测引擎110可以使用由块116表示的外来的情境数据，应当理解，这种情境数据(或其子集)可以由机器来提供，并且这种情境数据被预先保存在可操作地连接到其的引擎及/或数据存储器内。情境数据116例如可以与未来的负荷、未来的环境、可能的任务场景、期望的压力等有关。可以在期望的未来环境、压力水平或任务的情境中进行诊断。可以基于可能的或大概的未来环境或压力条件来生成多个预测结果。由引擎112提供的预测数据可以用于采取补救操作以减轻与所预测的状态相关联的非期望的效果。预测数据还可以用于采取自动化的动作来优化网络或其子集。而且，这种数据可以用于预测、倾向、调度等。如所示出的，机器112(或其子集)还可以包括诊断/预测部件118，其可以与预测引擎110与诊断及/或预测网络及/或其子集相结合地工作。应当理解，该系统可以包括如图lb中所示的多个预测引擎120。这些引擎可以针对预测不同的未来状态而用作不同的角色。而且，这些引擎可以是层级组织的部分，其中，层级可以包括各种水平的控制及功能，使得一个引擎可以是另一引擎的代理。这种结构可以由于各种原因中的任一原因(例如安全性、处理控制、速度、效率、数据吞吐量、负荷脱落...)而提供增加的预测速度并将系统的子集孤立。如图la中所描绘的，本发明可以采取分布式预测系统的形式，使得单独的部件可以分别包括接收并分析关于单独的装置的状态信息的预测引擎。因此，装置可以彼此通信，并且关于装置的预测信息可以作为协作作用的部分而被共用，以增加簇系统预测的准确性。还可以利用它来改进总体系统的操作。应当理解，并非网络的所有部件都必须是智能的(例如包括预测数据)，并且相对于其它较少智能的装置，某些装置可以用作智能节点，其中，该节点与其它装置形成簇。各个智能装置可以接收、监视并对簇或其子集的未来状态进行预测。应当理解，不必将智能节点固定成非智能部件的特定集，并且作为分布式智能系统的部分，可以基于较大的部件组的当前状态及系统的状态以及当前及/或未来的需求/关注来动态地生成簇。相似的是，一组智能系统部件可以基于当前系统状态或预测的或可能的未来系统状态来动态地重新配置。例如，动态重新配置可以使智能系统部件能够更快地或可靠地检测，并对未来会有可能发生的系统干扰或故障作出响应。因此，例如，在关键事件情况下，智能节点可以协作，协商对资源的使用，改变智能部件的功能及控制，并共用资源(例如处理资源、存储器资源、传输资源、冷却能力、电力、...)，以便集中地检测，孤立，减轻冲击，并保持关键服务，并恢复最佳方式的功能性。当然，可以根据本发明来使用基于效用的分析，其中，采取某些行动的成本可以针对该行动的效益而应用。相似的是，可以分析不采取行动的成本-效益。另外，可以在不确定或或然性的情境中评价某些事件、故障、环境及成本因素的概率。在概率内容中建立来自各种指定的行动的得到的潜在效益，或者将其作为概率密度值函数。得到的分析及行动规划提供指定将使系统性能、商业效益或具有最高概率的任务成功最大化的经营规划及系列决策的基础。根据本发明的另选的方面，智能部件可以以心跳型方式广播关于其自身或与其有关的簇的状态/事件改变信息，使得在状态改变时散布信息。例如，与轮询方案相比，这种信标型方案可以有助于优化网络处理以及传输带宽。而且，作为智能系统的部分，可以按以下方式实现数据广播使得受这种状态改变的装置或可能受这种状态改变的装置被通知，而其它装置不接收这种广播。广播可以是菊花链式的，其中，一个状态改变可以影响其它装置的状态，状态改变甚至影响其它装置，因此状态改变信息可以是多米诺型数据散布方案的部分。应当理解，在某些情况下还可以期望轮询，本发明除了广播以外还设想轮询。图lc例示了与状态信息传输有关的高等级方法130。在132中，接收状态数据(例如状态信息的改变)。状态数据可以由其中发生改变的装置的部件、或可以接收与关于簇及/或簇内的状态改变有关的数据的簇的节点...来接收。在134中，确定该状态改变是否潜在地与装置、簇、网络、三级装置、处理、应用、个体、实体等有关。如果数据是有关的，则在136中，将数据转发到状态改变数据可能有关的地方。如果数据是无关的，则处理返回到132，在132中，进一步监视状态改变。在138中，与进行诊断及/或预测相结合地分析状态改变数据。在140中，根据分析来采取适当的行动。应当理解，可以使用根据本发明的其它方法。例如，在132中，所接收到的状态改变数据可以是被设定的标记或比特的形式，可以在改变、或缓存或排队时发送这种信息，直到适合于发送为止。应当理解，可以使用任何适合的数据格式(机器码、二进制、十六进制、微码、机器语言、标记、比特、XML、模式、域、...)及/或传输协议/方案/介质(http、TCP、以太网、DSL、光学、RF、因特网、卫星、RF、...)来执行本文中描述的功能性，并且所述格式及协议旨在落入所附权利要求书的范围内。应当理解，在某些情况下还可以使用黑板方案。在黑板方案中，代理或簇将对黑板张贴消息或条件以及适当的源及情境信息。其它系统部件或代理可以询问黑板以确定是否张贴了任何有关的信息。还应当理解，在某些情况下还可以使用代理登记方案。登记方案要求分布式代理利用单独的源设备来定期地登记信息，例如，它们的当前操作、能力、容量及规划。作为“黄页”来操作，该登记可用于需要附加设备或能力来满足当前要求的其它系统代理。该登记还可用于在协商及行动规划中帮助代理及代理簇，以处理未来可能的场景。例如，该登记可以用于在新近检测到的变弱的部件出故障的情况下，根据将提供破坏或危险较小的结构的一组可能的应急预案来建立未来的结构及操作场景。变弱的部件可能通过如上所述的广播消息或通过更新本地簇登记而被指示其退化的状态。此外，可以与本发明相结合(例如作为优化方案的部分)地使用广播、轮询、黑板或登记更新方案的组合来传送状态改变信息。可以使用上述通信机制及结构体系来在显式消息中通信部件、装置、子系统或处理健康或预测信息。作为另一种选择，机器当前状态及预测信息可以嵌入在通信消息中。机器健康信息可以嵌入在为机器健康信息预留的特定消息片段中。可以定义诊断及预测状态位，并有网络上的任一智能机器来使用。可以由智能机器基于机器的连续健康自评估来设定该比特。作为另一种选择，邻近的智能部件或协同代理可以报告另一代理或部件在进行其功能时无效，或可能不再能其作用或在网络上不再能达到。可以使用用于对机器诊断及预测健康信息进行编码的其它方案，例如，在消息报头中或在消息的正文中对该信息进行编码。可以使用隐藏经编码的健康信息的解密方案。这可以提供较低的消息开销并提高安全性及消息可靠性。作为另一种选择，消息的特性(例如消息长度、传输事件、消息传输频率或目的地的范围)可以传送装置健康及/或预测fn息o作为提供关于其自身或其所属的簇的状态/事件改变信息的替代，或者除了提供该信息以外，可以提供关于未来的状态或事件的相关信息。所提供的信息可以包括每个元素由两个值或三个值组成的数组。各条目的值可以是未来的状态或事件、事件发生的概率或可能性以及所期望的未来的事件或该事件可能以指定的确定性发生的条件。应当理解，尽管本说明书主要在预测的情境中描述本发明，但是本发明旨在涵盖诊断作为进行预测的部分，或，除进行预测以外，还涵盖诊断。可以将各种人工智能方案/技术/系统(例如专家系统、神经网络、显性训练的分类器、隐形训练的分类器、信息网络、贝叶斯网络、最初贝叶斯网络、HMM、模糊逻辑、数据融合引擎、支持向量机)与根据本发明对未来的状态进行推断相结合地使用。如此，根据本发明的AI部件可以有助于根据本发明采取基于概率的方法或基于统计的方法来进行基于效用的预测。应当理解，本发明的其它实施例可以基于通过简单的基于规则的技术(例如查找表)而预测的状态来进行自动化的行动，以便例如减轻处理开销。而且，其组合可以用作优化方案的部分。转到图Id至图lh，本发明还设想使用预测的闭环系统。预测引擎可以用于预测与系统有关的未来的状态或事件。预测的状态或事件例如可以是产品的质量、产品吞吐量、可能的线故障、机器温度、轴承故障、订货到达、原料质量等。该系统可以使用该预测信息来动态地修改系统及/或处理(例如通过预测环来连续地循环)，直到实现对期望预测未来状态的收敛为止。因此，根据本发明该方面的预测可以用作在原处监视及修改方案的部分以有助于达到期望的结果。应当理解，系统的状态通常动态地改变，并且本发明可以用作连续的闭环系统的部分，从而不仅收敛到期望的状态(包括预测的未来状态)而且保持该状态，并避免系统进入不稳定的或非期望的当前或预测的未来状态。因此，该系统可以用作自诊断及矫正系统。预报或预测可以基于其它外部影响因素的可能性或概率利用限定的概率指示系统的期望未来状态或系统的可能未来状态。如果期望未来状态(或可能未来状态)是可接受的，则可以对系统或工厂进行监视及控制，以确保实现期望状态(或可能期望状态中的一个)。如果期望未来状态是不可接受的(例如罐破裂)，则可以限定配置及操作改变，这将把系统状态轨迹置于更安全或期望的路径上。由于一大套更期望的轨迹及未来状态结果是可能的，因此可以选择最期望、最有利、最有价值及概率最高的状态。闭环监视及控制系统将确保系统朝预先选择的最佳或最期望的状态前进。不期望的干扰或新的因素可以使系统重新调整状态轨迹或根据需要而改变控制。目标可以是定义可能的或似然的未来状态，选择临界状态以避免并识别更期望的/最佳状态。然后，在早期识别什么可以是非常微小的控制改变，以将特定的状态变量驱动到经受输入约束及工艺约束的规定的(更期望的)轨迹上。包括定期预测及控制改变的反馈机制可以确保系统在正确的更期望的轨迹上，导致在未来实现预先规划的最佳状态，如图li所示。还可以根据本发明的特定方面使用RFID。RFID可以提供部件跟踪及监视，使得例如如上所述的预测系统也可以参与跟踪并将装置定位在系统或处理内，并与其相结合地优化采取自动化的行动。例如，如果预测产品线的部分将在几秒钟内垮掉，系统可以快速地将垮掉的线的上游的部件(部分地产生的)改线，作为根据本发明的自动化矫正行动的部分。因此，部件上的RFID标签可以有助于快速地识别当前及预测的其未来的位置，以优化以上行动。应当理解，本发明的该方面可以使用任何合适的方案(例如全球定位系统、基于RF的、机器视觉、基于网络的)。应当理解，许多常规的GPS型系统在室内跟踪方面受到限制，在这种情况下，可以使用基于无线的方案来确定及/或推断部件的位置。与本发明有关的预测可以使用安全部件。本文中要求保护的发明的发明人设想与基于推断的/预测的未来状态而采取自动化行动的危险相关联的潜在危险。网络、系统及/或处理的关键部分可能易受恶意及/或错误行动的攻击。因此，安全措施(例如数据加密、用户认证、设备认证、置信水平、SOAP协议、公钥/私钥及协议、病毒控制...)可以用于减轻非期望的行动及/或与本发明相结合地进行的预测。因此，用于衡量证据、数据完整性、安全性、置信度、模式识别等的方案可以用于所接收到的数据及关于其的预测是精确且可靠的。可以与本发明相结合地使用实现该测量的任何合适的方案，并且该方案旨在落入所附权利要求书的范围内。而且，本发明的另一方面可以提供超驰部件，该部件防止采取被推荐的自动行动而带来做出不正确的决策的成本(例如关闭电源、启动灭火、起动压载泵、关闭生命支持)。此外，如果期望，则可以将系统或处理的某些方面孤立(例如防火墙)，使得不能对该孤立的部分采取与其有关的预测及自动化行动。例如，可以认为某些任务是很关键的，使得仅信赖的且经认证的人可以采取与其有关的行动。例如，在潜水艇上，可以认为HVAC及电源控制是很关键的，使得在其控制的特定部分处，自动化的行动被移交给人。同样，本发明的这些方面可以用于减轻非期望的连锁反应(例如二十世纪80年代的股票市场崩溃(其中计算机以卖出指令充斥市场)，2003年的东海岸大停电(其中，作为甩负荷连锁反应的部分，整体电网的大部分崩溃))。然而，应当理解，根据本发明的预测可以通过在颗粒水平进行推断并采取补救行动来减轻低水平的非期望状态情况发展成更大的、潜在的灾难性的情况，从而有助于避免进入连锁反应型情况。因此，本发明设想与基于安全性的方法相结合地进行基于效用的方法，以有助于在给定特定状态机器情境的情况下采取最佳的/适当的行动。此外，可以认为诸如关闭泵的某些关键行动特别敏感且有潜在的危险。在基于预测而自动地调用该行动之前，可能要求两个或更多个独立的系统部件(例如代理簇)可以确证期望的或潜在的未来状态，并独立地建立最佳行动过程是要关闭泵或机器。多个确证但独立的系统部件中的一个可以是人。本发明的另一方面不仅分析关于部件的状态信息，还分析可能影响部件的未来状态的、关于外来因素(例如周围温度、灰尘、污染物、压力、湿度/水分、振动、噪声、辐射、静电、电压、电流、干扰(例如RF)...)的状态信息。因此，通过预测关于外来因素的未来状态并与控制该因素相结合地采取行动，可以保护各种部件免于进入非期望的未来状态。例如，许多机器故障可以归因于可以造成机器故障的环境干扰(例如污染物)。通过以动态且抢先的方式监视并控制该干扰，可以减轻机器故障。参照图lj，本发明的另一发明是要在给定特定操作场景、处理运行或任务场景的情况下建立系统的潜在未来状态。可以对系统及系统部件的当前状态映射一套可能的操作条件，以确定可能的操作概要或任务的可能的结果。如果来自一些可能的操作场景的结果是非期望的(例如灾难性的机器故障)，则可以避免该未来操作场景。例如，涉及高温及高压反应或对敌方领土的过长持续时间的军事任务的处理运行可以指示成功完成之前的可能的齿轮箱或发动机故障。对潜在操作决策的结果或“假设分析”场景进行分析可以提供优化资源配置的基础，并提供对安全、保密、资产最优化的上位测量。本发明的还一方面提供要对系统进行的遥控数据分析及预测。因此，可以将与系统/处理有关的数据收集起来并将其传送到遥控预测引擎，该遥控预测引擎分析该数据，并部分地基于数据做出关于系统(或其子集)的未来状态的推断。例如，乡村位置的小的设备可以在不一定适合于高灵敏度处理部件的粗糙环境中操作大量的电动机及泵。因此，可以在该位置处收集数据，并且实时地(或者在离散时间)传送该数据，并在存在有助于对乡村位置处的系统/机器/处理的快速分析及诊断/预测的数据库(例如历史数据、趋势数据、机器数据、方案数据、诊断算法...)及灵敏的处理部件的远程位置处分析该数据。图lk是例示与本发明有关的一个特定系统150的高水平图。系统150包括多个机器161(MACHINE!至MACHINEn，N为整数)，多个机器161的至少子集按照相互之间共用数据并与主计算机170及多个商用部件180共用数据的方式可操作地连接。机器161包括各自的诊断/预测部件182，该部件提供收集及/或生成与历史的、当前的及预测的机器操作状态有关的数据。应当理解，多个机器可以共用信息并协作；并且应当理解，这些机器不必相同。此外，一些机器161可以包括可以具有单独的传感器、寿命估计等的低水平的部件或子系统。例如，压缩机可以由电动机、泵、压力室及阀组成。电动机部件可以包括具有用于预测齿轮寿命的嵌入式传感器的灵活的齿轮。预测的机器操作状态可以基于所期望的要求或工作负荷或者对未来的工作负荷或要求的概率估计来确定。相似的是，可以在建立系统的预测未来状态时考虑所期望的环境(例如温度、压力、振动、...)信息及可能的期望的损坏信息。可以在实现要求的操作目标并优化已建立的经营目标及商业目标的同时，通过控制的适当改变来避免或推迟非期望的未来系统状态。而且，应当理解，可以对与机器的子集有关的数据进行集合，以提供与机器的簇有关的数据，该簇数据可以提供对总体系统性能及最优化的附加洞察。簇可以表示子系统或机器或功能的逻辑分组。可以将该分组优化为对处理实体的收集。可以基于改变操作要求、机器条件或商业目标来动态地改变簇。主计算机150包括有助于分析机器数据以及与商用关注部件180(公用事业部件(utilitycomponent)186、库存部件188、过程部件190、核算部件192、制造部件194...)有关的数据的企业资源规划(ERP)部件184。分析该数据，并且主计算机170执行各种优化以识别各种部件的配置，以更接近地收敛到期望的商业目标。例如，假定当前的商业目标是要以准时化(JIT)的方式操作并降低成本以及满足消费者的要求。如果库存部件188指示完成的商品库存水平在期望水平以上，则ERP部件184可以基于来自应用部件186及机器部件160的数据来确定，更佳的是，在给出当前商业目标是以60%(而不是90%)运行机器的情况下，将导致指示可以将下一个排定的停机检修时间延长另外四个月的机器预测，减轻了维修劳动及维修部件成本。这还将导致减少在指定的时间段上的过度库存，并且作为以减少的加工率操作机器的结果，导致与功耗相关联的总体节约并增加机器的平均寿命。应当理解，机械操作的优化标准可被引入先期的设备选择和配置行为——这可提供用于操作控制的附加的自由度和用于实时优化的增高的机会。维护、维修和大修(MR0)行为通常独立于控制行为而进行。这些功能之间的交互和协作典型地限于操作调度区域且在设备获取方面限于更小的范围——均与处理机械的生产量的最大化有关。来自MR0系统、机械控制以及生产系统的信息是相关的且可提供有用的信息以加强处理设备的生产量。本发明提供了通过将机械健康(例如诊断)和预期健康(例如预测)信息与实时自动控制紧密耦合而实现的机会。具体地，在反馈控制下的系统的闭环性能提供了响应性的指示，并间接提供了处理设备和处理操作的健康状况。更重要地，可以以特定的限制改变该系统被控制的方式，以改变机械老化率或应力。使用实时诊断和预测信息，可结合改变所述机械的未来状态来应用本发明。给定用于机械和处理两者的当前操作状态，则本发明可驱动机器160以在将来某一时间实现规定的操作状态。与在不基于机械健康信息来改变该控制的情况下发生的状态相比，未来操作状态可被指定为是改进的状态。此外，所实现的未来状态在某些方面，诸如机械操作成本、机械寿命或者故障之前的平均寿命而言，是最佳的。然而，特定机器的规定操作状态可以是次最佳的，作为整个系统150的一部分，系统范围的操作状态关于能量成本、收入产生或者资产使用而言可能是最佳的。例如，参考以下表1:<table>tableseeoriginaldocumentpage19</column></row><table>上述数据展示在全流和缩减流的情况下来自电动机泵系统的能量使用。所示的流速率情况是使用变速驱动来控制电动机速度由此控制流速率(列1)而实现的，且同时电动机从电力线直接运行，所述电力线具有用于控制流速率(列2)的节流阀。驱动功率在缩减流下所估计的能量节省是.468kW-a53%与驱动功率相关的能量节省。要求以各种规定的头压力、液体等级、流速率或转矩/速度值操作的泵送应用可有效地以变速电动机驱动来控制。使用变速电动机控制器用于泵送应用很有好处，尤其是对于不是在所有时间均以全速操作的泵。实际上，用于结合表1的数据进行测试的可变速度驱动具有被优化用于风扇和泵应用的用户可选的工厂设置，虽然这些优化的设置未被用于这里报告的能量节省。能量节省之外的优点包括改进的机械可靠性、降低的组件磨损以及诸如换向器和阀的各种管道安装组件的潜在消除，以及诸如来自过电流或欠电流操作的内在的机械保护。典型地以全同步速度或接近全同步速度和以恒定速度操作的泵将不能实现能量节省，如我们已经在表1中展示的。要求在不同流速率或压力下的泵操作(或被允许在处理约束内改变操作)的处理条件是对实现如已经示出的显著能量节省的候选。如果仅不经常地需要最大生产量，则可能有益的是指定液压系统和相关的控制以基于每个模式下花费的时间在操作模式的整个跨度上使性能优化。在此情况下必须指定液压系统以与每一等级的生产量和操作成本耦合的不同额定等级操作的持续时间。尽管这里主要关于电动机速度讨论了机器控制，本发明不能解释为具有限于此的控制。而是，有可以进行的其他控制改变，例如改变控制器增益，改变VFD电动机控制器情况下的载波频率，设定加速的电流限制等。所述控制可具有宽范围，包含在其速度范围之外的多个同步参数改变。此外，模型的使用可以是控制和配置优化的重要组成部分。可通过应用例如模拟模型来确定用于优化给定处理或业务性能的选择的可能的操作状态的空间。建模技术还可用做预测的基础——由此，模拟模型可包括处理机械、生产量、能量成本以及商业和其他经济条件。关于资产管理，应当理解所述系统10可确定，例如假定特定的一组商业目标，则购买与单个大机械相比若干较小的机器可能更优。还应当理解，可将各种机器161或商业部件180或其子集彼此远距离放置。所述各种机器161和/或部件180可通过无线或有限网络(例如因特网)进行通信。此外，本发明可被抽象为包括具有无线或有线网络设备的工厂或一系列工厂，所述设备经由远距离通信线或卫星链接到远程诊断中心以及远程电子商务、分配和运输位置，用于与工厂地面预测和控制结合。由此，本发明有关的优化和/或资产管理可在企业级进行，其中各种商业实体作为一个整体可以是大的实体的子部件。本发明可在众多的等级上实现(例如单个机器、机器群、处理、整个商业单元、整个部门、母公司、社团)。图2示出示例性泵系统的操作等级。在绝大部分在较低流速的操作时间期间，处于最大流的很少的罕见的行程造成液压损失和能量损失。在峰值效率曲线下对所述损失求积分可提供针对目标泵应用对合计损失(和节省机会)的估计。在持续图像中由Frerming等(2001)以非常精确的方式表示合计泵等级使用信息。该图示出每年所需的不同流速率的时间数，并提供了通过先期的系统设计和控制说明来估计潜在性能和能量益处的手段。在这些确定的益处之外，还有与将诊断和预测信息与这里讨论的确定的自动电动机控制方法结合的重要的新的益处。应当理解，本发明使用高度复杂的诊断和预测数据收集、产生和分析技术，因此不应当与基于超高电流或温度的自动断接的琐碎的技术混淆为集成的诊断(例如某事是错误的)和控制(例如自动接触靠近)。为了建立用于上述泵应用的智能系统，我们不将此具有开关式(bang-bang)、通断(on/off)控制的机械保护看作是集成的诊断和控制。本发明使用的诊断信息可以是有关将加速关键的系统元件的磨损和加快故障的系统部件的条件或操作条件的信息。例如，识别轴承元件的退化等级的信息，绝缘能力损失的等级，时间电动机绕组的数量在升高的温度操作或者发生的气穴是有用的诊断信息。这样的信息可包含用来自动地在允许的范围内修改所规定的控制行为，以维持有用的操作和以及可能地降低弱化部件的压力和退化率。最终的效果是在受控条件下延迟终将发生的机械故障。用于泵送应用的反馈控制通常将具有一个或多个过程变量，诸如流速，头压力，或由变换器感测的且变换为数字信号的液体水平。该数字化的信号然后被输入到控制计算机，这里该被检测的数字化的值被与在下文更详细描述的所期望的设置点值相比较。所采样值和设置点值之间的任何不一致将在控制行为上产生对电动机_泵系统的改变。所述对电动机-泵系统的改变可以是对于电动机操作的阀的新命令的阀位置或对于变速电动机应用的新命令的设置点速度。上述反馈控制系统被称为零误差过程。我们可以将反馈控制的泵送系统表示为集总的参数线性系统。线性、连续时间动态系统的最通常的状态空间表示可被提供为<formula>formulaseeoriginaldocumentpage21</formula>这里，x(t)是系统的状态矢量表示，u(t)是实值输入或控制变量的矢量，且y(t)是系统实值输出的矢量。矩阵A、B、C和D分别代表工厂或处理状态转变，控制输出转变，状态输出过程，以及直接输入-输出(例如，干扰)处理。可能通过基于所评定的设备健康改变所述控制器而将诊断信息包括在该控制器中。例如，如果诊断分析指示电动机绕组开始加热，则我们可改变控制器以降低用于确定系统输入改变的增益。这将得到在电动机绕组上具有较小应力的系统，但是付出的代价是略微变小的系统响应。我们可应用其他技术来将弱化部件的损失转移到较强的系统元件。如果通过振动分析或当前信号分析技术确定该操作是处于临界或谐振频率，则我们可以改变系统速度以避免可能加速轴承部件的磨损的这种临界频率。作为另一个例子，如果我们基于计算的泵参数和泵曲线检测到在泵中出现气穴(cavitation)，则我们可以降低电动机速度以消除退化的气穴状况。具体地，我们可以降低速度到可用的足够的净正吸收头(NPSHA)等于所需的净正吸收头(NPSHR)。随着操作条件的改变和NPSHA的增加，所述电动机速度可被自动地增加到再次获得最大流的点，同时NPSHR<=NPSHA。以下将以个案描述诊断系统与补偿控制的结合的更详细的例子。重要的是注意，在不具备用于压力和速度的下游变换器的情况下，可仅使用采样的电动机电流来确定多个泵送问题的存在。例如，使用泵送系统可从电动机电流确定电动机速度。可在泵操作期间通过电动机电流的单个相来确定气穴的存在。这种观察是重要的，因为不需要泵曲线来进行这种诊断，且由于本检测的是指示气穴而不是利用压力、流和泵额定曲线的特定参数。诸如由于磨损的粘性、化学组成和泵几何结构的变化将改变泵曲线的精确性。MCSA技术许诺比传统的使用泵额定设计信息的压力流测量更加精确且较少入侵。通过上述的各种诊断装置，能够确定出现了不期望的操作状态或者某些退化的部件将造成较早的机械故障。通过自动地改变控制以避免较高应力的操作和控制模式或避免使弱化或退化的部件受压而能够具有重要的益处，由此延长机械的有用的操作寿命。预测和控制尽管处理优化已被使用多年(例如动态优化)，诸如用于连续的化学处理应用，通过利用机械诊断和预测信息可获得独特且重要的益处，以动态地规定最佳的控制动作。通过使用描述在各种可能的操作条件下的机械的退化率和位置有用寿命可显著地扩大结合的诊断和控制的益处。这允许改变操作模式以实现指定的操作寿命。或者，所述控制可被指定为最小化能量消耗和维持成本或最大化收入产生。在极端条件下，所述控制可被指定用于实现在正常操作范围之外的性能以保护所述环境，避免昂贵的损失，或保护工人安全，同时保证在这些极端操作条件下不发生故障。具有控制的预测可提供用于有关诸如效率、商业策略、维持成本或金融性能的整个过程优化的基础。实现用于泵送应用的变速电动机控制可以提供在这里所述的降低能量消耗方面的直接节省。通过将驱动-电动机_电机-液压看作是集成系统可实现附加的益处。组合电动机、泵和驱动的单独的效率曲线能够产生组合系统性能概览图。该合计系统模型可用于将该系统诊断为耦合元件的集成集合，并规定该系统的优选的操作状态。与本发明有关，提议通过在控制模型中引入三个附加要素来扩展用于变速电动机控制器的控制模型。所述扩大控制模型的三个要素是.允许的操作范围的说明.诊断和预测信息，以及.优化系统操作、处理目标和商业目标的说明所述控制模型中的第一要素是允许在一系列过程(状态)变量内操作的能力。例如，尽管所需(例如设置点)流可以是lOOgpm，但是，该系统可在60gpm和llOgpm之间的任何值有效地运行。允许的操作范围的说明包括与敏感性、精确度或者操作边界的边缘特性相关的数据。概率和时间相关信息也可以包括在边界说明中。扩展控制模型中的第二要素是有关过程机械的健康及其操作的信息连同有关诸如退化率和维持有用寿命的机械的未来健康的信息。例如，人们可确定电动机绕组的提高的温度将使绝缘寿命降低1/2，或检测到的气穴级将使密封故障增加10倍。扩展控制模型中的第三要素是过程或工厂的操作目标的分析表示，连同任何附加的操作限制。所述过程的操作目标的表示提供了对“操作良好”的量化测量，且可包括诸如能量成本和过程收入的临界性能标准。这允许建立目标函数，其可通过适当的控制改变被随后进行优化。附加的操作限制可包括诸如噪声级、最大处理完成时间的数据。指定所述处理和商业益处的目标函数可通过控制行为的动态改变被优化，所述控制行为以不违反任何处理操作限制为条件。我们可以结合传统的控制技术建立寿命预期模型以控制机械的存活寿命。例如，基于循环加载的裂纹生长模型提供可被嵌入到仿真模型中的概率模型，以确定由于振动、温度梯度和压力而造成的未来压力。Forman确定性的裂纹生长故障模型提供了用于直接从对控制的改变而改变裂纹生长的压力和速率的基础。该改变的控制然后提高了对裂纹生长速率的改变的量化测量。该信息可被用于控制退化部件的预期的维持寿命并确保在罐变空或计划的PM或机械大修发生之前不出现故障。本发明对预测和分布式控制的集中关注将使得未来的工厂基于主动操作而不是被动地解决问题。来自远程智能设备的设备告警能够警告未来的潜在问题，给出用于适当的补救或预防行动的时间。将操作目标和工厂性能度量嵌入自动决策系统可允许高度的机械可靠性，避免影响质量和降低产出的不期望的处理故障。将预测信息和自动、实时决策结合提供了动态优化的基础，且由于优化的工厂生产提供了唯一的、重要的益处。动态优化假设允许的操作模式已被适当地限定，且建立了用于映射到未来可能的操作状态的手段，以及用于判断优选或最佳性能的标准，则所述问题可被形成为传统的优化控制问题。例如，如果操作目标是最小化泵入的每加仑的能量成本，则目标函数将包括流信息、每kWh的成本以及消耗的电动机_驱动功率。可对电动机速度和驱动内部参数进行动态变化，以优化以之前限定的处理限制为条件泵入的每加仑的成本。重要的是注意以上操作例子将造成泵入的每加仑最少的能量成本；然而，还可能造成重要机械部件的加速的磨损或热退化。如果需要，更综合的操作模型和目标函数可包含这些附加的参数。附加参数可包括诸如针对不同操作模式的期望的故障率以及故障成本，机械寿命和资金替换成本，以及对其他连接的机器和处理诸如阀、管道和其他处理机器的影响。本发明的一个示例性方面建立了控制方法，其将在每个决策时间间隙提供决策或控制迭代环。动态规划的一个原则指定如果该系统是在到目标的优化路径的某一中间点，则该路径的其余部分必须是在从该中间点到目标的最佳路径。这允许通过仅考虑将系统从状态x(t)驱动到系统的最后状态X(tf)而在时间t进行对控制变量的最佳选择U(t)。该方法提供了用于顺序决策的有效技术，同时确保整个系统轨道从、到tf将是最佳的，且我们无需同时考虑在每个决策点的所有可能的控制选项。所述优化问题可使用限定的初始条件、时间约束、控制变量和状态可变约束来公式化为MinJ=S(x(tf),tf)+￡fL(x(t),u⑴，t)dt(2)条件为f(x(t),i(/),y(t),u(t))=0，其中te[t0,tf]这里，J表示要被最小化(或最大化)的目标函数值。S和L是实值函数，S代表由于时间tf处的停止误差(例如在更换设备时未泵入的浪费的流体或丢弃的有用的寿命)导致的成本惩罚。L表示由于处理中的瞬时误差导致的成本和损失，以及在系统操作期间的控制努力的成本。例如，如果停止成本函数的值被设为S=0，且L=ιΛι，那么MinJ=J^utUdt(3)方程3是针对从时间、至时间tf操作的过程而扩展的控制努力或能量的测量。这被称为最小努力问题，并且在驱动器-电动机-泵送系统的情况下，导致以最低可能能量成本完成过程阶段(例如使罐变空)。如果J是可微的，则可使用梯度搜索技术来完成期望的控制的改变u(t)，使J移动更接近最小值。梯度的概念是重要的，因为我们从适当的控制u(t)获得的目标函数的改变与所述梯度grad(J)成比例。这提供了对需要用来更接近最佳值地移动J的u的改变的说明。如果J是凸状的，则局部最佳值不用多考虑，获得的任何最佳值都是全局最佳值。该形成允许逐步估计J的梯度并且选择新的控制行为以驱动该系统更接近最佳值。所述梯度搜索技术也称为最速下降方法在图3中以图表示出。这里，每个箭头表示了请求中的新的控制决策以实现目标函数J的最小值。所述最佳性能度量J的说明可引入能量使用、维持成本或操作寿命之外的信息。例如，有可能还使J形成为包括战略性的商业信息和资产价值信息。这样，选择最佳控制行为u(t)的顺序以优化J将驱动该系统以实现所涉及的资产的最佳利用。资产优化上述工厂设备的最佳操作的说明提供了引入各种商业和操作因素的灵活的平台。能够包括针对各种故障模式的维持成本、更换和安装成本、维持战略、用于废料、再加工、线重启的成本以及来自指定机械的收入产生。这允许生成并实施跨越关键的工厂资产的优化资产寿命管理策略。该方法的操作成功要求有效的资产注册基础，主要状态变量的可观测性以及可变的处理和部件模型。所述开放的用于资产注册的工业标准的使用提供了用于结合制造工厂以及甚至所有设备的操作信息的重要能力。更多最近的发展得到用于基于条件的维护的开放系统体系，其提供用于机械健康和预测信息与决策支持行为的实时结合的框架。该框架跨越从传感器输入到决策支持的范围——其对公众是公开的，且可以在DC0M，CORBA或者HTTP/XML环境下使用。通常，复杂的商业和操作决策难以引入单个、闭合形式的目标函数。在此情况下，操作决策和控制目标可被分解为一套子问题，使得当结合在一起时，可解决全体的更复杂的问题。例如，可将处理分解为泵送过程、化学反应以及存储/批量传输问题。这些分解可被看作是单独的子问题合并将这些主题的每一个优化到每个子问题之间的边界或交互作用约束。或者，所述分解问题可被看作是耦合决策的集合，且寻找平衡可能的冲突目标的最佳值，以及建立在某种意义上是全局最佳的折衷决策或控制。例如，用于提高资金设备利用以及加强RONA值的工业范围驱动可能与降低维护成本冲突以及最大化消耗的每能量单元产生的收入冲突。用于解决耦合和非耦合的最佳值的确定技术可用于便于整个资产的优化。控制战略与维持和计划战略的兼容提供了用于优化资产利用的新的机会。可自动地启动自动化控制行为，其加强由管理建立的战略商业目标且向战略商业目标努力。根据另一特定例子，资产优化系统可通过因特网连续监测能量成本并基于新的能源成本动态地改变机械操作以最大化收入产生。如果能量成本变得充分高，则用于能量效率操作的标准可超越最大化生产量的最佳标准。作为链接CBM投资和商业战略的新经济工具的实际选项分析与根据本发明的机械和商业状态预测、资产管理和优化有关，应理解防止非预期的设备故障可提供重要的操作和经济益处。使用实际选项定价以提供延迟机械维修或改变控制战略的更精确的值。本发明的一个方面提供了自动检测新部件的可用性、成本和性能说明以更换健康部件。用新的更高效的部件换出旧的低效的部件允许进一步优化处理操作并优化整个资产利用。与本发明有关的资产优化程序例如能够使爬虫或蜘蛛在因特网上搜索潜在的更换部件。资产优化系统可例如连续地通过因特网监测能量成本，并基于新的能量成本动态地改变机械操作以最大化收入产生。如果能量成本变得足够高，则能量效率操作的标准将超过最大化生产量的最佳标准。可通过实现具有在线、连续监测关键机械的基于条件的维持(CBM)系统来加强机械故障预防。需要用于判断CBM获取的经济分析通常遵从用于评估其他工厂获取的模型。然而，传统的机械获取估价方法不能足够地获取CBM系统提供的操作和战略益处。提出源自金融市场中的选项的金融模型(例如股份和现金的投放和提取)以便于获取CBM系统的独特且重要的益处。具体地，CBM系统固有地提供未来决策和投资选项，使工厂人员能够通过这些随后的投资(执行选项)来避免未来失败。初始CBM投资启用的未来选项提供难以使用传统的资金资产定价模型获取的经济益处。实际选项估价方法被设计用来获取未来投资和诸如由CBM启用的那些战略决策的益处。使用选项价值定价模型来扩充现有的经济分析方法可在金融方面获取由CBM投资提供的独特和重要的商业益处。基于条件的监视算法、传感器、通信和体系的新的发展有希望提供用于诊断和预测的新的机会。CBM系统通常需要在基本制造和自动化设备所需的之外的增加的投资。基于条件的维持系统和部件的获取必须包括其他获取请求以获取来自有限的可用基金池的资金。所述与实现CBM系统相关的成本通常易于获得，尽管它们具有很多组成部分，诸如开发、购买、安装、支持和校准。然而，传统上，难以精确地获取与CBM投资相关的益处。使用实际选项估价方法扩充现有的投资分析方法能够提供来自CBM投资机会的益处的更精确的经济图片。投资决策通常基于可用基金机会的传统的经济分析。诸如资金资产定价模型(CAPM)的传统的基金模型可进行有关随时间所需的投资和随时间的预期的金融利润的假设。使用接受的折现方法和折现率将这些现金流带回净当前值(NPV)等级。折现率被选择用来计算资金成本和项目的固有风险。所述投资分析通常提供用于有关资源分配的进行/不进行决策的基础。一旦批准，则基金项目进行如项目计划中规定的现金流进程。在这方面，可认为许多工厂获取项目是被动的。CBM投资的重要的和独特的特征是它提供给管理的随后的操作和投资选项。CBM系统并非固有地防止故障或自动地降低维持成本。CBM系统允许避免故障或用于最小化维持或维修成本的基本信息。实现CBM系统启用的益处要求主动地进行决策以启动指示的维修、操作改变或获取。与诸如投放和提取的金融投资模型类似，CBM投资不防止故障或自动产生收益，其提供选项以在未来某个时候采取行动(执行选项)以实现金融或操作益处。进行未来决策的选项可在源自于金融投资期货的经济模型中捕获。该技术被称为实际选项估价，针对建立包括源自于潜在未来投资的益处(以及成本)的投资的经济价值。潜在的未来投资选项由初始投资启动且它们可在将来的某个时间在获知更多信息时被阻止、执行或取消。在这个意义上，实际选项估价考虑了管理在整个投资周期上的动态的和主动的角色。本发明能够增强用于根据实物期权(realoptions)评价的结果进行工厂采购的传统经济评价方法，以建立CBM投资的值。基于条件的维护系统提供对建立以有效的可靠性为中心的维护程序而言必要的信息。关于机器劣化度的信息、早期故障的诊断以及诸如剩余使用寿命等的诊断信息使得工厂维护和操作人员能够采取行动使维护花费和操作影响最小。用于评价机器监视和诊断系统中的投资的实物期权方法可以提供对与后来链接的投资期权相关的未来价值的深入了解。例如，初始CBM系统中的投资能够提供未来的、更精明的选择，以进一步扩展核心CBM系统，或将该系统整合到其它经营信息系统。可选择地，来自初始CBM系统的信息可以使得能够进行其它运作的投资，该投资在没有来自初始CBM系统的信息的情况下无法进行。例如，CBM系统可以提供用于加速周期维护的基础，或可以指定恰好在故障之前替换设备，并使被放弃的剩余使用寿命的量最小。来自CBM系统的信息还可以提供与何时进行升级或更换选择有关的有价值的信息。上述例子和讨论仅是为了说明与本发明相关的许多优点。可以了解在最优化根据本发明的整个系统100时，可以采用任何适当数目的部件和所述部件的组合。此外，由于存在大量本发明可以使用的部件的组合，部分组合将具有已知的相互关系，而也将存在其它的相互关系，这些关系虽不是很明显，但还对系统100的最优化具有影响。因此，结合本发明的一个特定方面，数据融合可以在各情况下采用，以便利用信息分裂(所述信息分裂可以是与通过若干不同传感器形式感测物理环境相关的过程(例如机器110中的振动)固有的)。特别地，一个或多个可用的感测元件可以将唯一的窗口提供到出现要观察的现象的物理环境中(例如在机动化系统中和/或在机动化抽吸系统作为其一部分的系统中)。因为，在单个感测元件窗口内可能不含正在研究(例如检测系统或该系统的部件的工作状态)的现象的全部细节，所以，存在由该分裂过程产生的信息碎片。这些与各种感测装置相关的信息碎片可以包括独立和从属的分量。可以使用独立分量进一步填充(或跨过)信息空间，且可以结合使用从属分量来提高认知全部传感器数据可能遭受误差和/或噪声的公共信息的质量。在该上下文中，ERP系统132中采用的数据融合技术可以包括传感器数据的算法处理，以补偿信息的固有碎片，这是因为可能不使用单个感测元件直接观察特定现象。因此，数据融合提供合适的构架，以便精简、组合、评价并解释特定应用的背景中的可用感测信息。为了采用可用的传感器来推测或推断不能被直接测量的属性信息，或者在传感器故障的情况下，可以在诊断和预测部件132中采用数据融合。因此，本发明提供数据融合构架和算法，以便精简、组合、评价和解释各种感测的数据。本发明还有助于建立系统的健康状态，以及用于预报或预期机器110和/或系统100(例如机动化的泵系统110作为其一部分的子系统)的未来状态。根据本发明，数据融合系统可以被用来推断与根据(例如来自传感器的)测量的属性信息的任何数量的属性相关的系统属性信息。在这点上，可用的属性信息可以由数据融合系统采用来推断与故障的传感器、和/或传感器不可用的机器110和/或系统100的其它性能特性相关的属性。这种经由数据融合得到的属性信息可以在产生诊断信号或数据时，和/或在执行与其相关的控制功能时采用。在另一个例子中，测量的属性可以包括从与机器110(例如泵)相关的传感器中获得的流和压力信号，其中，诊断系统132根据测量的流和压力信号提供表示泵气蚀的诊断信号。本发明从而提供与部件情况相关的健康指示(例如耗损、劣化、故障、失灵等)，以及与过程或系统情况相关的健康指示，诸如泵110中的气蚀。诊断系统132可以包括分类器系统，诸如神经网络，根据测量的流和压力信号(可以被提供为神经网络的输入)检测泵气蚀。例如，为了减少和/或避免这种气蚀，可以进一步采用所获得的诊断信号或数据中的气蚀指示来修改机器110和/或系统100的操作。因此，基于诊断信号(例如和/或设置点)，可以由控制器提供适当的控制信号到与泵110相关的电动机驱动器，以避免预期的气蚀，从而延长一个或多个系统部件(例如泵)的服务寿命。在另一个相关例子中，可以经由测量的(例如或者推断的)电流信号测量(例如经由传感器)来检测泵110中的气蚀(例如实际的或怀疑的)。本例中的诊断系统132可以根据测量的电流来提供指示泵气蚀的诊断信号。为了使用这种电流信息检测气蚀，诊断系统132可以采用神经网络来合成来自测量电流的条件信号的改变。另外，诊断系统132还可以包括操作地耦合到神经网络的预处理部分(未示出)，该预处理部分在将测量的电流输入神经网络之前使该电流满足要求；以及后处理部分，其操作地耦合到神经网络以确定状态信号中的改变是否是由于与驱动泵110的机动化系统相关的故障情况导致的。在这点上，后处理部分可以包括基于专家系统的模糊规则。另外，诊断系统132可以根据测量的电流检测一个或多个与泵110的操作相关的故障，和/或一个或多个与驱动泵110的电动机的操作相关的故障。可以使用本发明的诊断和控制系统132来检测和诊断其它故障。例如，可以采用诊断系统132来从与驱动泵的电动机的操作相关的电流信号(例如从电流传感器)获得空间向量角波动，并分析该空间向量角波动，以检测机动化系统中的至少一个故障。这种故障可以包括例如机动化系统中的定子故障、转子故障和/或施加到电动机的功率的不平衡情况。在这种情况下，诊断/预测系统132可以获得来自传感器的与电动机相关的电流信号，并可以根据电流信号计算空间向量。诊断/预测系统132根据空间向量确定空间向量角波动，并分析该空间向量角波动，以检测与驱动泵110的电动机相关的一个或多个故障。例如，可以采样与电动化的系统相关的第一、第二和第三相电流信号，以获得电流信号，并且可以在诊断/预测系统132中计算相应的第一、第二和第三相空间向量。然后，可以例如通过求第一、第二和第三相空间向量的和来计算所获得的空间向量。然后，诊断/预测系统132可以将空间向量与参考空间向量相比较(其中，参考空间向量是常量频率和幅值的函数)，并可以根据该比较计算空间向量中的角波动，以确定空间向量角波动。然后，诊断/预测系统132进行空间向量角波动的频谱分析(例如使用FFT分量)，以检测与机动化系统相关的故障。例如，可以通过在第一频率分析频谱的第一频谱分量的幅值来确定电动机故障，诸如转子故障、定子故障和/或与泵电动机相关的不平衡供电，其中，诊断/预测系统132可以检测第一频谱分量的幅值的波动，从而检测与机动化系统相关的一个或多个故障或其它不利条件。在这点上，某些频率可以包括故障相关信息，诸如第一频率大约是施加到驱动泵的电动机的电力的频率的两倍。作为生成全频谱的选择，诊断/预测系统132可以有利地采用Goertzel算法来提取第一频谱分量的幅值，从而分析第一频谱分量的幅值。然后，可以由控制器采用指示这种电动机故障的诊断/预测信号来修改泵浦系统110的操作，以减少或减轻这种故障。上述参考图1的讨论以高层次呈现，至于电动机、驱动器、传感器、控制器等的细节应参考图9和图20。图4示出本发明的一个方面，其中，至少经由智能软件代理来代表机器或部件的子集。例如，各个机器110(图la)中的每一个可以由各个智能代理(机器代理1到机器代理N，N是整数)来代表，且各种企业事务由各个代理来代表(例如业务代理1到业务代理M，M是整数)。智能代理可以是表示软件模型的各种物理或软件副本的软件模型，且这些代理可以用作它们的副本的代理服务器，并便于本发明的各个方面(例如机器或部件交互、修改、最优化)的执行。可以设计代理(例如适当的钩、接口、公共平台、计划、转发器、变换器)，以有助于与其它代理简单地互动。因此，胜于例如直接对各装置执行最优化算法，可以对各代理首先执行这种算法，然后，一旦系统100决定适当的修改集合，利用对这种修改执行指示的代理，在代理副本处实现最终修改。通过本发明，分布式计算系统的广泛使用和加强的预测、控制和优化技术改变了工业自动化系统的前景。上述构架补充技术能够经由基于代理的表示来使资产优化。代理可以被认为是具有本地目标和本地决策的自治智能设备。然而，这些代理也可以是较大代理群集的一部分，并可以拥有社会和协作决策。这些能力允许本地化、分布式的代理来进行合作，并满足新的、可能不可预料的工作条件。另外，通过进行协作，部分代理可以选择以次优选方式工作，以实现某些更高水平的目标，诸如资产优化、过程安全或整体过程能量优化。图5示出根据本发明的代表信任网络500，网络500可以用来对领域中的不确定建模。这里采用的术语“信任网络”意欲包含处理不确定情况下的推理的不同但相关的技术的整个范围。使用定量技术(主要使用贝叶斯概率法)和定性技术。影响图是信任网络的扩展；在进行决策时使用影响图。采用信任网络来基于特征在于固有的不确定性的领域中的应用来开发知识。将问题域建模为与弧520互连的节点510的集合，以形成图5中所示的定向非循环图。每个节点表示随机变量，或未确定的量，其可以取两个或更多可能的值。弧520表示链接的变量之间直接影响的存在，每个影响的强度是由前向条件概率来定量的。在信任网络内，基于明显的证据来计算每个节点的信任(节点的条件概率)。开发了各种方法来评价节点信任和执行概率推论。各种方案基本相同，它们提供在信任网络中传播不确定性的机制，并且形式上组合证据来确定节点中的信任。作为信任网络的扩展的影响图为构造诊断目标以及在确定诊断时确定给定信息将具有的值(影响)提供了方便。在影响图中，存在三种节点机会节点，其与贝叶斯信任网络中的节点相对应；效用节点，其代表决策的效用；以及决策节点，其代表可以采取来影响世界状态的决策。在获得信息方面，影响图在经常存在成本(时间和金钱)的真实世界应用中是有用的。预期最大值化(EM)算法是用于在信任网络中进行学习的公共方法。在其标准形式中，它不计算参数的完全后验概率分布，而是聚焦在最大的后验参数值上。EM算法通过采取迭代方法来推断学习进行工作。在第一步骤中，称为E步骤，EM算法对数据集中的每个数据在信任网络中执行推断。这允许来自该数据的信息被使用，并允许根据获得的后验概率来计算各种必要的统计S。然后，在M步骤中，假设这些统计是固定的，则选择参数来最大化对数后(logposterior)logP(T|D，S)。该结果是新的参数集合，我们所收集的统计S不再准确。因此，应该重复E步骤，然后是M步骤等。在每个阶段，EM算法保证后验概率一定增加。因此，最后集中到对数后的本地最大。图6示出本发明的一个方面，其中，该发明被采用为分布系统600的部分，而不经由主计算机(图la)。因此，系统600中的各种部件分享处理资源，并一致地和/或在子集中工作，以根据各种业务目标将整个系统600最优化。可以理解，这种分布式系统可以采用如前所述的智能代理(图2)，以及信任网络(图5)和ERP部件132(图la)和结合系统100所述的数据融合。胜过这些部件的一部分(ERP、数据融合)被置于单个专用机器或机器组上，这些分量可以在系统600内的任何合适的分量之间分布。此外，依据特定处理器正在执行哪个线程和该线程的优先线程，可以通过系统600内最适合的处理器或给出了全部各处理器的状态的处理器的集合来执行该线程。图7示出本发明的另一个方面，其中，结合各机器710的优化使用，在各机器710之间实现本发明。例如，诊断/预测部件732可以交换并共享数据，以按进度维护特定机器或负载平衡。返回到图la，本发明还可以结合资产管理来实现。对于很多工业和商业组织，一般地诊断行为与控制和过程操作行为是分开进行的。另外，经常手动进行获取所需维护和修理部件的接口。相似地，替换设备的资本获取也以手动、比处理或离线方式进行。经常利用包括价格分析以及对资金债券可行性的考虑的单独经济分析来进行设备获取决策。难以将动态操作数据，诸如效率、可信度以及期望维护成本合并到该分析中。计算机系统很少利用电子商业和计算机可访问获取信息的增长现况。代替地，这些电子商业系统经常被人访问。本发明包括优化的功能，该功能便于实现在减轻灾难性故障的同时从工业机器获得最大的收入。机器操作可以按需要进行改变以按需要低效或噪声更大的运行以按需要维持有用的机器操作。因此，本发明整合了上述资金管理和后勤系统(电子商业系统)的优化功能。这种紧密整合的方法可以使过程能够预报故障，在替换部件可以被传送和安装时建立，并自动地改变控制以确保连续的操作直到替换部分到达。例如，所需的替换部分可以被自动地排序，并经由因特网动态跟踪，以便于连续的操作。控制中的选择可以基于期望的传送日期和预测算法结果中的改变自动地进行。例如，预测算法可以确定驱动端轴承系统已经劣化并以当前速度、负载和温度还剩大概500工作小时。可以经由电子商业网址(例如PTPlace)对需要校正的替换轴承自动订货，并进行出货追踪，直到到达。可以自动地改变控制，以按需要延长轴承的使用寿命(例如将速度减少1/2、将寿命加倍)。延迟接收到所需替换部件可以导致从其它源对该替换部件进行订货，而控制按需要动态地改变。可以与该部件到达相一致地设定维护日程，以替换该部件。在维护花费过高的情况下，优化程序可以确定连续替换故障部件不再是最优的策略，且优化程序可以对新的更可靠的部件或新机器进行经济分析。比起连续在劣化状态中运行并替换单独的部件，新的机器可以提供更加优化的方案。可以自动定购新的替换机器(例如电动机)，并制定计划来替换旧的、高维护项目。与常规资产管理方案相比，对部件的设计和选择进行优化的优化技术可以与实时动态优化整合，并与基于互联网的产品信息和定购信息整合，以提供过程最优化的较好水平。考虑到上述并图示的示例性系统，参考图8的流程图将更好地理解可以根据本发明实现的方法。虽然为了简化说明，以一系列的框图示出并说明了该方法，但是应该理解本发明不限于该框图的顺序，根据本发明部分框图可以以不同的顺序和/或与这里示出和说明的其它框并行地出现。此外，不是全部示出的框图都是实现根据本发明的方法所需要的。本发明可以以又一个或多个部件执行的计算机可执行指令(诸如程序模块)的一般背景来描述。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、数据结构等。一般地，在各种实施例中可以按需要组合或分配程序模块的功能。图8是示出根据本发明的与便于优化工业自动化系统相关的一个特定方法800的高级流程图。在810，接收与机器诊断或预测相关的数据。可以从历史数据库收集数据，在例如从各种机器的操作在原地收集数据，经由各种感测装置收集数据，并通过分析上述收集的数据产生数据。所产生的数据也可以涉及各机器的未来预报状态和/或与机器的群集相关的未来预报状态。可以例如经由测量与机动化系统(例如机动化泵、风扇、传输系统、压缩机、齿轮箱、运动控制设备、螺杆泵以及混合器、水力或风力机等)相关的属性来获得数据。测量属性可以包括例如与机动化系统相关的振动、压力、电流、速度和/或温度。根据测量属性，数据可以包括与机动化系统的健康相关的数据。例如，可以产生可以指示诊断的机动化系统健康的诊断数据，从而根据产生的设置点和/或诊断数据来操作机动化系统。诊断数据的规定可以包括例如获得测量的属性的频谱，并分析该频谱，以便无论是实际的还是预期的，检测机动化系统中的故障、部件损耗或劣化，或其它不利条件。诊断还可以包括在第一频率分析频谱的第一频谱分量的幅值。为了提供诊断数据，本发明可以将测量的属性提供到神经网络、专家系统、模糊逻辑系统、和/或数据融合部件、或者这些的组合，其产生表示机动化系统的健康的诊断信号。例如，可以采用这种频率频谱分析，以确定与系统或其中的部件相关的故障或不利条件(例如电动机故障、不平衡电源条件等)。另外，诊断可以识别不利过程条件，诸如机动化泵浦系统中的气蚀。在820，接收和/或产生与各种企业事务(businessconcerns)相关的数据(例如库存、收入、营销、核算、公用事业、现金流、任务状态、制造、后勤、资金管理、规划、处理)。这种数据可以例如从各种业务软件包、菜单、电子数据表等收集。此外，可以通过采用人工智能系统(例如神经网络、信任网络、模糊逻辑系统、专家系统、数据融合引擎、它们的组合)产生部分数据。在830和840，结合优化软件分析数据，该优化软件分析机器数据以及企业事务数据。这种分析可以包括在数据间进行搜索并识别相关性、趋势分析、推断分析、数据挖掘、数据融合分析等，以努力识别用于重组、重购、修改、增加和/或删除各种机器和商业部件的方案，以便于根据所识别的商业目标对整个商业系统或方法进行优化。在850，判断部件或系统的重新配置是否可以导致朝向最优收敛。如果是，则以与预期实现更期望的结果的预测配置一致地重新配置系统。如果否，则处理返回到810。在860，判断系统是否已经被优化。如果否，则处理返回到640。如果是，则处理返回到810。下面参考图9-图20的说明提供了根据本发明主题的用于收集和分析机器数据的示例性系统和方法的额外细节。应当理解，提供这种说明仅仅是为了容易理解本发明，而本发明不限于这种系统和方法。在图9中，示出了示例性机动化的泵系统902具有泵904、三相电动机906以及用于根据设置点910操作系统902的控制系统908。虽然这里作为多相同步电动机说明了示例性电动机906，但本发明的各个方面可以结合单向电动机以及直流和其它类型的电动机使用。另外，泵904可以包括离心型泵，然而，本发明也可结合这里未示出的其它泵类型(例如正排量泵)使用。控制系统908根据设置点910和一个或多个测量过程变量经由马达906来操作泵904，从而维持系统902的操作与设置点910相当并且在经由用户接口911提供给控制系统908的设置信息968指定的可允许处理工作范围内。例如，可以期望提供常数流体流，其中，设置点910的值是以加仑每分钟(GPM)或其它工程单位为单位的理想流速。此外，该设置信息968可以包括关于设置点910的操作的可允许范围(例如以GPM、过程变量范围的百分比或其它单位表达)，以及其它过程和机器参数(诸如温度、压力或噪声辐射)的操作的可允许范围，其中，控制系统908可以在可允许范围内在操作点操作系统902。可选择地，或组合地，可以通过用户经由操作地连接到网络914的计算机913和/或经由收发器915通过无线通信，将设置信息、设置点以及其它信息提供到控制系统908。这种信息可以经由网络914和/或无线通信接收器915，从计算机(例如计算机913)和/或从较大过程中的诸如可编程逻辑控制器(PLC，未示出)的其它控制器提供，其中，如下文中更详细说明和描述的，设置点910、设置信息和/或一个或多个经济值916(例如涉及或表示能量成本，其可以随时间变化，峰值负载值、电流负载条件、材料粘性值等)被提供到控制系统908。此外，控制系统908可以包括允许经由全局通信网络(诸如因特网918)与其它装置和/或用户通信的调制解调器917，从而这种设置点、设置、性能和其它信息可以从远程计算机或用户获得，或提供给远程计算机或用户。在这一点，应理解，调制解调器对因特网或其它网络接入不是严格需要的。泵904包括进口920以及抽气压力传感器924，流体沿箭头922的方向通过进口920提供给泵904，抽气压力传感器924感测进口920处的进口或抽气压力，并将相应抽气压力信号提供给控制系统908。将流体从进口920提供到包括叶轮(未示出)的叶轮箱926，所述叶轮与经由接合928耦合到电动机906的旋转泵轴一起转动。经由泵装配930和电动机装配932将叶轮箱926和电动机906相对彼此以固定的关系装配。具有适当翅几何形状的叶片在箱926内旋转，以在泵的进口920和出口934之间生成压力差。这使得流体从进口920经由出口或排出管934以箭头936的方向流到泵904的外部。流传感器938测量通过出口934的流体的流速，该流传感器938提供流速信号给控制系统908。另外，由压力传感器940测量排出或出口压力，压力传感器940操作地与出口934相关，并将排出压力信号提供给控制系统908。注意在这点上，尽管在示例性系统902中示出一个或多个传感器(例如抽气压力传感器924、排气压力传感器940、出口流传感器938和其它)与泵904相关或接近，但这种传感器可以远离泵904，且可以与采用泵系统902的过程或系统(未示出)中的其它部件相关。在这点上，其它过程传感器941可以被连接，以向控制系统908提供信号，例如指示上游或下有压力、流等。可选择地，通过利用压力差信息、泵速、流性质以及泵几何学信息或泵模型可以近似而不是测量流。可选择地或组合地，可以根据其它传感器信号(例如941)和泵/过程信息来估计进口和/或排放压力值。进一步将会意识到的是，虽然电动机驱动器960在控制系统908中被图示为与电动机906并且与控制器966分离，但是这些部件中的一些或全部可以被集成。这样，例如集成的智能电动机就可以设置为集成到或嵌入有电动机906，以包括电动机驱动器960和控制器966。此外，根据本发明，电动机906和泵904可以集成为单个单元(例如具有公共轴，其中不需要耦合器928)，其具有或者不具有集成的控制系统(例如控制系统908，其包括电动机驱动器960和控制器966)。控制系统908进一步接收过程变量测量信号，其涉及经由温度传感器942得到的泵温度、经由位于泵904附近的压力传感器944得到的大气压力、经由速度传感器946得到的电动机(泵)转速以及经由传感器948得到的振动。尽管振动传感器948被图示并且在下文中描述为安装在电动机906上，但是振动信息可以代替地或者组合地从安装在泵906上的振动传感器(未示出)获得。根据从控制系统经由电力线缆950和电动机906壳体上的接线盒952提供的三相交流(AC)电力，电动机906提供泵904的叶轮的旋转。至泵904的功率可以如下确定测量提供给电动机906的电流和电压，并且基于电流、电压、速度和电动机模型信息如效率来计算泵功率。这可以通过功率传感器954来测量和计算，该功率传感器954将与其相关的信号提供给控制系统908。代替地或者组合地，电动机驱动器960可以将电动机扭矩信息提供给控制器966，在控制器966处，根据扭矩和可能的速度信息计算泵输入功率。代替地，可以使用传感器954a从电力线中测量输入的电流和可能的电压，所述电力线从电源962通向电动机驱动器960。驱动器效率和/或电动机效率方程可以用于确定进入到泵904中的功率。将会注意到的是，传感器954和954a中的任一个或两者可以集成到电动机驱动器960中。控制系统908还包括电动机驱动器960，该电动机驱动器960根据来自控制器966的控制信号964，以受控的方式(例如以受控的频率和振幅)将来自AC电源962的三相电力经由线缆950提供到电动机906。控制器966从大气压力传感器944、吸入压力传感器924、排放压力传感器940、流量传感器938、温度传感器942、速度传感器946、振动传感器948、功率传感器954以及其他过程传感器941连同设置点910接收过程变量测量信号，并且将控制信号964提供给电动机驱动器960，以便在规定的操作限制之内与设置点910相称地操作泵系统902。在这一点上，控制器966可以适合于控制系统902以维持期望的液体流速、出口压力、电动机(泵)速度、扭矩、吸入压力或其他性能特征。可以将设置信息968提供给控制器966，所述设置信息968可以包括诸如适合于给定泵904、电动机906、管道与过程条件和/或过程动力学和其他系统约束的操作限制(例如最小/最大速度、最小/最大流量、最小/最大泵功率水平、最小/最大允许压力和NPSHR值等)。控制系统908提供设置点910附近的允许操作范围之内的操作，由此系统902在允许的范围之内以期望的操作点工作，以便最优化一个或多个性能特征(例如寿命周期成本、效率、预期寿命、安全性、辐射、操作成本、MTBF、噪声和振动等)。参考图10，根据本发明的一方面，控制器966包括优化部件970，其适合于在设置点910附近的允许范围之内选择用于泵操作的期望操作点。如图示和下文中描述的那样，优化部件970可以用于优化效率或其他性能特征或标准，包括但不限于产量或寿命等。此夕卜，部件970可以根据与系统902中的一个或多个部件相关联或者与其相关联的性能特征来选择期望的操作点。例如，优化部件970可以如下生成优化信号972使分别与泵904、电动机906和电动机驱动器960相关联的泵、电动机和/或电动机驱动器效率信息相互关联，以导出与整个系统902相关联的相关过程效率。例如可以单独地或者与从传感器924、938、940、941、942、944、946、954、954a和/或948中的一个或多个导出的这种信息组合地从诸如用于泵904、电动机906和驱动器960的效率曲线之类的设置信息969中获得这样的部件效率信息。用这种方式，系统902中的具体部件(例如泵904、电动机906和驱动器960)的效率可以从制造商数据中确定，其可以基于一个或多个这种部件的以前的操作和/或诊断用实际测量的或计算的效率信息来补充、增强或替换。此外，优化部件970可以使与系统902的部件相关的效率信息连同与系统902成为其一部分的更大过程或系统的部件相关的这种效率信息相互关联，以便选择期望的操作点以优化总体系统效率。这样一来，例如，根据系统902的相关过程效率，基于允许操作范围之内的最优效率点，控制器966可以根据来自优化部件970的优化信号972生成控制信号964至电动机驱动器960。此外，将会意识到的是，在跨越整个设施优化能量利用率时，可以使用与无关系统中的部件相关联的性能信息(例如与制造设施之内的其他无关系统中的电动机相关的效率信息)。代替地或者组合地，控制器966可以在设置点910附近的允许范围之内操作泵，以便实现泵系统902是其一部分的更大过程或系统的一个或多个性能特征的全局优化。这样一来，例如，系统902的部件(例如泵904、电动机906、驱动器960)可能以小于最优效率的方式操作，以便允许或利于这种更大过程以最优效率操作。控制器966根据设置点910选择性地提供控制信号964给电动机驱动器960(例如以便维持或调节期望的流速)，并且经由优化信号972优化与系统902或更大过程相关联的性能特征。这样一来，在一个例子中流量控制就是如何在这个例子中实现优化。将会注意到的是，可以代替实际的设置点提供操作的允许范围，或者可以使用设置点值910导出允许范围。在这一点上，控制器966可以从PID控制部件974提供控制信号964作为电动机速度信号964，所述PID控制部件974从传感器924、938、940、942、944、946、948、954和954a、经济价值916以及设置点910中的一个或多个中输入过程值，其中控制信号964的变化幅度可以相关于适应当前控制策略所需的校正程度，所述当前控制策略例如是系统效率和/或需要的对比测量的过程变量(例如流量)中的误差。尽管示例性的控制器966在此被图示和描述为包括PID控制部件974，但是实施其他类型的控制策略或算法(例如PI控制、具有额外补偿块或元件的PID、随机的非线性控制、状态空间控制、模型参考、自适应控制、自动调谐、滑动模式、神经网络、GA、模糊逻辑、运筹(OR)、线性规划(LP)、动态规划(DP)或最陡下降等)的控制系统和控制器也被认为是落在本发明的范围之内。示例性的PID部件974可以将测量的过程变量(例如通过传感器938测量的流速)与设置点910附近的允许范围之内的期望操作点相比较，其中设置点910是目标设置点流速，并且其中一个或多个过程变量和/或期望的操作点(例如还有设置点附近的允许操作范围)可以相应地缩放比例，以便确定误差值(未示出)。误差值然后可以用于生成电动机速度信号964，其中根据已知的PID控制方法，信号964可以根据误差值和/或误差的导数和/或误差的积分按比例变化。控制器966可以包括硬件和/或软件(未示出)以便完成过程902的控制。例如，控制器966可以包括微处理器(未示出)，该微处理器执行程序指令，以便实施PID控制(例如PID部件974)，实施效率或其他性能特征优化部件970，输入来自传感器信号的值，提供控制信号964给电动机驱动器960，以及与用户接口911、网络914、调制解调器917和收发器915交互。用户接口911可以允许用户输入设置点910、设置信息968和其他信息，另外还可以将状态和其他信息给予用户，比如系统状况、操作模式和诊断信息等，而且还允许用户启动和停止系统并忽略以前的操作限制和控制。控制器966可以进一步包括信号调节电路，用于调节来自传感器916、924、938、940、941、942、944、946、948和/或954的过程变量信号。此外，控制器966可以与电动机驱动器960集成或分离。例如，控制器966可以包括嵌入式处理器电路板，其安装在与电动机驱动器960共同的外壳(未示出)上，其中来自传感器916、924、938、940、941、942、944、946、948和/或954的传感器信号连同电力线、至网络914的接口、用于调制解调器917的连接以及收发器915—起被馈送到外壳中，并且其中可以从安装在外壳上的用户接口911和/或经由网络、无线或因特网连接获得设置点910。代替地，控制器966可以作为指令驻留在电动机驱动器960的存储器中，其可以在控制电动机驱动器960中的电动机906的嵌入式处理器电路上进行计算。另外，将会意识到的是，电动机驱动器960可以进一步包括控制与反馈部件(未示出)，由此经由从源962向电动机906提供适当的电功率(例如振幅、频率、相位等)来实现和调节期望的电动机速度(例如如来自PID部件974的电动机速度控制信号964所指示的那样)，而不管负载波动和/或其他过程干扰或噪声。在这一点上，电动机驱动器960也可以经由适当的信号连接(未示出)诸如从速度传感器946获得电动机速度反馈信息，以便根据来自控制器966的电动机速度控制信号964提供闭环速度控制。另外，将会意识到的是，电动机驱动器960可以通过除了传感器946之外的手段，比如通过内部计算的速度值以及扭矩反馈信息，来获得电动机速度反馈信息，并且这样的速度反馈信息可以提供给控制器966，由此传感器946不需要包括在系统902中。其中电动机驱动器960可以在没有传感器的情况下获得扭矩和速度信息的一种控制技术是在以矢量控制模式运行时。如图11中进一步图示的那样，优化部件970使与系统702中的一个或多个部件(例如泵704、电动机706、电动机驱动器760等)相关联的部件性能信息(例如效率信息)相互关联，以便导出相关过程性能信息。另外，部件970可以使用与系统702是其一部分的更大过程(未示出)中的其他部件相关联的性能信息，以便导出相关性能信息。此外，将会意识到的是，优化部件970可以使除了(或加上)效率信息之外的包括但不限于寿命周期成本、效率、预期寿命、安全性、辐射、操作成本、MTBF、噪声和振动等的信息相互关联。优化部件970根据相关过程性能信息选择期望的操作点作为允许的操作范围之内的最优性能点。如图9所示，控制器966可以获得与泵704相关的泵效率信息900、与电动机706相关的电动机效率信息902以及与电动机驱动器760相关的电动机驱动器效率信息904，这些信息被提供给优化部件970中的关联引擎910。关联引擎910根据当前的操作状况(例如如根据来自一个或多个过程传感器924、938、940、941、942、944、946、948和/或954中的值、经济价值916、设置点910以及来自设置信息968的允许的操作范围信息确定的那样)使信息900、902和/或904相互关联，以便确定允许的操作范围之内的期望操作点，在该期望操作点处，系统902或更大过程(未示出)的效率可以是最优的。在这一点上，从与泵1104相关的泵效率信息1100、与电动机906相关的电动机效率信息1102以及与电动机驱动器960相关的电动机驱动器效率信息904中的一个或多个的相关性中，关联引擎1110可以计算、预测或导出相关的系统效率信息1112。通过适当的数学运算，例如用控制器966之内的微处理器上执行的软件，可以在关联引擎1110中实现相关性。例如可以将适当的权重因数分配给相互关联的相关信息(例如1100、1102和1104)，由此泵904的效率可以比电动机驱动器960的效率给予更大的权重。本发明也可以用于提供近似最优操作以增强鲁棒性(例如降低灵敏度)，以便提供更好的总体优化。此外，根据系统902的当前操作状况，比如过程设置点910、诊断的系统部件老化等，关联引擎1110可以确定相关系统效率信息。这样一来，例如，取决于设置点910，并且/或者根据系统902中的当前压力、流速、温度、振动、功率利用率等，如通过来自传感器924、938、940、941、942、944、946、948和/或954中的一个或多个的值确定的那样，相关系统效率信息1112可以包括不同的期望操作点。控制器966然后根据期望的操作点将控制信号964作为电动机速度信号964提供给电动机驱动器960。除了效率信息(例如1100、1102、1104)之外，部件性能信息还可以包括寿命周期成本信息、效率信息、预期寿命信息、安全性信息、辐射信息、操作成本信息、MTBF信息、噪声信息和振动信息中的一个或多个。关联引擎1110还可以包括使用时态逻辑的算法。这允许关联引擎1110建立动态的时变控制信号，以在时间范围上优化系统操作。例如，如果能量成本在峰值白天时期期间上升，则关联引擎可以规定在非峰值时间期间有略微较高的产量(例如在非峰值时间期间有较低的能量效率)，以便在更耗费成本的峰值能量成本时期期间使操作最小化。图12-14图示了部件性能特征信息的例子，其可以相互关联(例如经由关联引擎1110)，以便为系统902选择期望的操作点。图12图示了示例性泵效率曲线1200(例如与泵904相关)的绘图，其被绘制为效率1210(例如输出功率/输入功率)对比泵速度1220。示例性曲线1200包括最佳操作点1230，在该点处，泵效率以最大额定泵速度的近似62%为最优。优化部件970的泵效率信息1100例如可以包括一个或多个这样的曲线，其中针对不同的流速、压力、温度、泵送液体的粘度等存在不同的曲线。类似地，图13图示了示例性电动机效率曲线1300(例如与电动机906相关)的绘图，其被绘制为效率1310(例如输出功率/输入功率)对比电动机速度1320。示例性曲线1300包括最佳操作点1330，在该点处，电动机效率以最大额定速度的近似77%为最优。分别从图12和13的曲线1200和1300将会意识到的是，针对系统902的单独部件(例如泵904和电动机906)或通常电动化的系统的单独部件的最优效率操作点一般可能不一致并且很少一致。优化部件970的泵效率信息1100例如可以包括一个或多个这样的泵效率对比速度的曲线，其中针对不同的流速、压力、泵送液体的粘度、电动机负载等存在不同的曲线。以同样的方式，图14图示了示例性电动机驱动器效率曲线1400(例如与系统902的电动机驱动器960相关)的绘图，其被绘制为效率1410(例如输出功率/输入功率)对比电动机(例如泵)速度1420。示例性曲线1400包括最佳操作点1430，在该点处，电动机驱动器效率以额定速度的近似70%为最优。优化部件970的电动机驱动器效率信息1104例如可以包括一个或多个这样的曲线，其中针对不同的流速、温度、扭矩、压力、泵送液体的粘度、电动机负载、电动机温度等存在不同的曲线。效率优化部件970的关联引擎1110使三个曲线1200、1300和1400相互关联，以便导出相关系统效率信息1112。现在参考图15，关联引擎可以使曲线1200、1300和1400相互关联以导出相关系统效率曲线1500，其被绘制为系统效率优化1510对比速度1520。示例性曲线1500包括额定速度的近似71%处的峰值优化点1530。这个复合性能特征曲线1500然后可以由优化部件970使用，以便为系统902选择期望的操作点，其可以经由优化信号972提供给PID974。如图15所示，在允许操作范围包括上限1540和下限1550的情况下(例如在这些限制1540和1550被从过程单元缩放比例，如GPM中的流量成为速度的情况下)，优化部件970可以有利地选择额定速度的近似71%处的峰值优化点1530，以便在允许操作范围之内优化效率。在另一个例子中，在允许的上下限1560和1570被指定的情况下，该范围之内的局部最优1580可以被选择作为期望的操作点。除了参照图12-15在上面图示和描述的那些之外，在本发明的范围之内，许多其他形式的性能信息及其相关性也是可能的。前面的讨论描述了将电动机速度信号(例如信号964)发送到电动机驱动器960。代替地或者组合地，根据本发明，其他驱动器参数(例如载波频率、控制模式和增益等)可以被改变、增强、修改等。例如通过改变效率1500，这可以实现甚至更有效的操作。现在参考图16-20，可以跨越操作大过程或系统1600中的各种致动器(例如阀和开关等)和电动化系统(例如泵、混合器、压缩器、传送器和风扇等)的多个控制器来使用本发明的优化方面，以便为无关的电动化系统优化一个或多个性能特征。这样的子系统可以包括单独的控制器如阀控制器、电动机控制器以及相关联的电动机和驱动器。如图16所示，整数N个这样的单独电动机控制器MCl至MCN可以经由网络1602联网在一起，允许其间进行对等通信，其中MCl经由电动机Ml和相关联的电动机驱动器MDl控制电动化的泵PUMPl，并且MCN经由电动机丽和相关联的电动机驱动器MDN控制电动化的泵PUMPN。其他控制器如阀控制器VCl可以连接到网络1602，并且可操作用于控制阀VALVE1。将要意识到的是，电动机控制器可以嵌入在电动机驱动器中，使得MCl和MDl成为一个部件。控制器MCl-MCN和VCl可以交换与过程状况(例如流量、压力、功率、效率、温度等等)相关的信息、控制信息(例如设置点、控制输出、报警条件、过程限制等等)以及性能特征信息(例如涉及寿命周期成本信息、效率信息、预期寿命信息、安全性信息、辐射信息、操作成本信息、MTBF信息、噪声信息、振动信息、生产要求和交货时间表等)。根据经由网络1602从其他控制器获得的性能特征信息和/或从与单独的子系统相关联的传感器获得的性能特征信息，单独的控制器MCI、MCN和VCl中的一个或多个可以为相关联的子系统确定期望的操作点。另一种可能的配置图示在图17中，其中主机1704连接到网络1702。例如通过提供设置点信息给相关联的控制器MC1、MCN和VCl，主机1704可以提供泵PUMPl和PUMPN以及阀VALVEl的集中操作。以主机对点(host-to-peer)的方式可以在计算机1704与各种控制器MC1、MCN和VCl之间交换其他信息，诸如与过程状况相关的信息、控制信息和性能特征信息，由此主机1704中的效率优化部件1706可以根据与系统1700相关联的一个或多个性能特征来为控制器MCl、MCN和VCl中的一个或多个确定期望的操作点。代替地或者组合地，根据从主机1704获得的性能特征信息、经由网络1702从其他控制器获得的性能特征信息和/或从与单独的子系统相关联的传感器获得的性能特征信息，单独的控制器MCI、MCN和VCl中的一个或多个可以为相关联的子系统确定期望的操作点。现在参考图18，图示了另一个过程1500，用于经由带有相关联的电动机、驱动器和控制器的泵PUMPl和PUMP2将材料从第一和第二罐TANKl和TANK2提供到混合罐TANK3中。经由带有相关联的电动机M3、驱动器MD3和控制器MC3的电动化的混合器在TANK3中混合材料。然后使用相关联的电动机M5将混合的材料经由电动化的泵PUMP3和控制阀VALVEl提供给制模机1502，其后模制的零件经由斜槽1504退出机器1502至电动机M6所控制的电动化传送器1506，其将模制的零件传送到具有电动化压缩器1510的冷却装置1508。冷却的零件然后被提供到电动化的第二传送器1512，在电动化的第二传送器1512处，电动化的风扇有利于从零件去除湿气。与过程1500的各种子系统相关联的各种电动机和阀控制器MC1-MC9以及VCl经由网络1520联网在一起，以便在其间提供对等的或其他类型的通信。根据本发明，这些控制器MC1-MC9和VCl中的一个或多个可以适合于使与部件装置(例如电动机、驱动器、阀)相关联的性能特征信息相互关联，以便为过程1500中的子系统中的一个、一些或全部确定期望的操作点。此外，主机1532可以在网络1520上提供，其可以包括优化部件1532，该优化部件1532可操作用于根据与过程1500相关联的一个或多个性能特征为过程1500中的子系统中的一个或多个确定期望的操作点(例如还有设置点和这样的设置点附近的允许操作范围等)，其然后可以与各种控制器MC1-MC9和VCl通信，以便在某个方面(例如效率、成本、寿命周期成本、产量、效率、预期寿命、安全性、辐射、操作成本、MTBF、噪声和振动等)优化过程1500的性能。这样一来，根据本发明，过程1500可以被操作以既从原材料生产模制的零件，与此同时又优化一个或多个性能度量如每个生产的零件的成本。系统的操作可以被控制，使得在限定最优操作模式时考虑关于机器故障、期望的备件交货和期望的能量成本的预测信息。例如，如果预测制模机会在一周内发生故障，则可以生成增加的半成品库存，同时需要的备件被自动地定购并加快交货。代替地，更加优化的控制模式可以是非常慢地操作制模机，并且使其他过程设备慢下来，以维持较低的生产率(productionrate)但却维持连续的最终产品流。本发明的另一个方面提供了一种可以用来控制电动化系统的方法。该方法包括根据与系统中的一个或多个部件相关联的性能特征，在系统设置点附近的操作的允许范围之内选择期望的操作点；以及根据期望的操作点来控制系统。选择期望的操作点可以包括使与系统中的一个或多个部件相关联的部件性能信息相互关联，以便导出相关系统性能信息；以及根据相关系统性能信息在操作的允许范围之内选择期望的操作点作为最优性能点。性能信息、设置点和/或允许的操作范围可以经由用户接口从用户或另一个装置获得，通过网络经由主机或其他控制器获得，经由无线通信、因特网获得，和/或根据以前的系统操作比如通过趋势分析获得。示例性方法1900图示在图19中，用于根据本发明的这个方面控制电动化系统。虽然示例性方法1900在此被图示和描述为一系列表示各种事件和/或行为的框，但是本发明不受图示的这些框的排序的限制。例如，根据本发明，除了在此图示的排序之外，一些行为或事件可以按照不同的顺序发生，和/或与其他行为或事件同时发生。此外，并不是所有图示的框、事件或行为都可能需要用来实施根据本发明的方法。另外，将会意识到的是，示例性方法1900以及根据本发明的其他方法可以与在此图示和描述的泵和系统相关联地实施，而且可以与未被图示或描述的电动化系统和设备相关联地实施，所述未被图示或描述的电动化系统和设备包括但不限于风扇、传送器系统、压缩器、齿轮箱、运动控制装置、螺杆泵、混合器以及由电动机或涡轮发电机驱动的液压和气压机。从1902开始，方法1900包括在1904获得系统设置点，并且在1906获得允许的操作范围。可以经由用户接口、网络、因特网连接和/或经由无线通信从用户或装置如控制器或主机等在1904和1906获得设置点和操作范围。在1908，获得部件性能信息，其可以与系统中的部件和/或被控制的系统是其一部分的更大过程中的部件相关。部件性能信息可以从卖主数据中获得，从电子商务网站获得，从测量的历史数据中获得，或者从模拟和建模或以上这些的任何组合中获得。部件性能信息然后在1910被相互关联，以便导出相关系统性能信息。在1912，根据在1910导出的相关系统性能信息，在允许的操作范围之内选择期望的操作点。然后根据期望的操作点在1914对系统进行控制，其后方法1900返回到如上所述的1908。过程变化、干扰、更新的预测信息、修订的能量成本以及其他信息可能需要定期评估和适当的控制调整，以便确保随着过程变化(例如罐变空或温度变化等)而满足最优性能水平和优化资产利用率。本发明的另一个方面说明了控制电动化的系统如泵，其中可操作地与系统相关联的控制器包括诊断部件，用于诊断与泵相关联的操作状况。通过诊断部件检测的操作状况可以包括电动机、电动机驱动器或泵故障、泵空化、管道破裂或阻塞、损坏的叶轮片、有故障的轴承以及一个或多个系统部件、传感器或输入功率方面的故障和/或老化等。根据设置点和根据诊断的泵中的操作状况而来自诊断部件的诊断信号，控制器将控制信号提供给系统电动机驱动器。诊断部件可以对来自与泵或电动化系统相关联的一个或多个传感器的信号进行信号分析，以便诊断操作状况。这样一来，例如，就可以执行信号处理以便确定系统性能方面的磨损、故障或其他有害影响，由此可以修改系统的控制，以便防止进一步老化，延长一个或多个系统部件的剩余使用寿命，或者防止对其他系统部件不必要的应力。在这一点上，诊断部件可以处理涉及与电动化系统相关联的流量、压力、电流、噪声、温度和/或其他度量参数的信号。这样的系统将会能够有效地控制电动化系统的剩余可用寿命。现在参考图20，图示了另一个示例性泵系统2002，其中可以实施本发明的一个或多个方面。系统2002包括泵2004、三相电动机2006和用于根据设置点2010来操作系统2002的控制系统2008。虽然示例性电动机2006在此被图示和描述为多相同步电动机，但是本发明的不同方面可以与单相电动机以及与DC和其他类型的电动机相关联地使用。另外，泵2004可以包括离心式泵，然而，本发明具有与未在此图示的其他类型的泵如容积式泵相关联的应用。另外，其他电动机驱动的设备如离心式压缩器、往复式压缩器、风扇、电动机操作的阀以及其他电动机驱动的设备可以在动态环境下以控制器来操作。控制系统2008根据设置点2010和一个或多个测量的过程变量经由电动机2006操作泵2004，以便与设置点2010相称地并且在允许的过程操作范围之内维持系统2002的操作，所述允许的过程操作范围在设置信息2068中指定，经由用户接口2011供应到控制系统2008。例如，可以期望提供恒定的液体流量，其中设置点2010的值是以加仑每分钟(GPM)或其他工程单位为单位的期望流速。此外，设置信息2068可以包括设置点2010附近的操作的允许范围(例如以GPM、过程变量跨度的百分比或其他单位来表达)，其中控制系统2008可以以允许范围之内的操作点对系统2002进行操作。代替地或者组合地，可以经由可操作地连接到网络2014的主机2013通过用户2012和/或经由收发器2015通过无线通信将设置信息、设置点和其他信息提供给控制系统2008。这样的信息可以从主机(例如计算机2013)和/或从更大过程中的其他控制器(例如未示出的PLC)经由网络2014和/或无线通信收发器2015来提供，其中设置点2010和/或设置信息被提供给控制系统2008，如在下文中更加详细地图示和描述的那样。此外，控制系统2008可以包括调制解调器2017，其允许经由全球通信网络如因特网2018与其他装置和/或用户通信。泵2004包括入口2020，通过该入口2020在箭头2022的方向上将液体提供到泵2004以及吸入压力传感器2024，该吸入压力传感器2024感测入口2020处的入口或吸入压力，并且将相应的吸入压力信号提供给控制系统2008。将液体从入口2020提供到包括叶轮(未示出)的叶轮壳体2026，所述叶轮与经由耦合器2028耦合到电动机2006的旋转泵轴一起旋转。叶轮壳体2026和电动机2006经由泵底座2030和电动机底座2032相对于彼此以固定的关系安装。具有适当翼片几何形状的叶轮在壳体2026之内旋转，以便在泵2004的入口2020和出口2034之间产生压力差。这使液体从入口2020在箭头2036的方向上经由出口或排放管2034流出泵2004。液体通过出口2034的流速由流量传感器2038测量，该流量传感器2038将流速信号提供给控制系统2008。此外，压力传感器2040测量排放压力或出口压力，该压力传感器2040可操作地与出口2034相关联并将排放压力信号提供给控制系统1008。这里应当注意尽管在示例性系统2002中示出了一个或更多传感器(例如吸入压力传感器2024，排放压力传感器2040，出口流量传感器2038等)与泵2004相关联和/或接近泵2004，但这样的传感器可被定位在远离泵2004，并可以与使用泵系统2002的过程或系统(未示出)中的其它部件相关联。为此，可连接其它过程传感器2041以便提供信号给控制系统2008，例如，指示上游或下游压力、流量、温度、水准等等。可替换地，流量可被估计，而不是通过使用差分的压力信息、泵速、流体特性以及泵几何信息或泵模型(例如CFD模型)来测量。可替换地或组合地，可根据其它传感器信号(例如2041)和泵/过程信息来估计入口和/或排放压力。此外，应当理解尽管在控制系统2008中将电动机驱动2060示出为从电动机2006和控制器2066分离，但可以集成这些部件中的一些或全部。因此，例如，集成的智能电动机可设置有电动机2006、电动机驱动2060以及控制器2066。此外，根据本发明，电动机2006和泵2004可集成到具有或不具有集成的控制系统(例如控制系统2008，包括电动机驱动2060和控制器2066)的单个单元(例如具有不需要耦合2028的公共枢轴)中。控制系统2008还通过温度传感器2042接收与泵温度相关的处理可变测量信号，通过位于泵2004附近的压力传感器2044接收大气压力，通过速度传感器2046接收电动机(泵)转速，以及通过传感器2048接收振动。电动机2006根据从控制系统经由电力电缆2050和电动机2006的壳上的分线盒2052提供的三相交流(AC)电功率来提供泵2004的叶轮的旋转。可通过测量提供给电动机2006的电流并基于电流、速度以及电动机型号信息计算泵功率来确定用于泵2004的功率。这可通过功率传感器2054或2054A来测量和计算，功率传感器2054或2054A将与其相关的信号提供给控制系统2008。可替换地或合并地，电动机驱动2060可将电动机扭矩信息提供给控制器2066，其中根据扭矩、速度信息和电动机型号信息来计算泵输入功率。控制系统2008还包括电动机驱动2060，电动机驱动2060根据来自控制器2066的控制信号2064以控制的方式(例如以控制的频率和幅度)从交流电源2062经由电缆2050向电动机2006提供三相电力。控制器2066从大气压力传感器2044(2054a)、吸入压力传感器2024、排放压力传感器2040、流量传感器2038、温度传感器2042、速度传感器2046、振动传感器2048、功率传感器2054以及其它处理传感器2041接收压力可变测量信号，以及设置点2010，并提供控制信号2064给电动机驱动2060以便与设置点2010相符地操作泵系统2002。为此，控制器2066可适用于控制系统2002，以保持所需的流体流量、出口压力、电动机(泵)速度、扭矩、吸入压力、容器水准、或其它工作特征。可向控制器2066提供设置信息2068，设置信息2068可包括操作极限(例如最小/最大速度、最小/最大流量、最小/最大泵功率水平、最小/最大允许压力，NPSHR值，等等)，例如适于给定的泵2004、电动机2006、管道和过程条件。控制器2006包括诊断部件2070，诊断部件2070适于诊断与泵2004、电动机2006、电动机驱动2060和/或系统2002的其它部件相关的一个或更多操作条件。特别地，控制器2066可使用诊断部件2070以根据设置点2010来向电动机驱动2060提供控制信号2064，并根据泵2004或系统2002中的诊断工作条件提供来自诊断部件2070的诊断信号(未示出)。为此，诊断操作条件可包括电动机或泵故障、泵气蚀、或一个或更多系统部件中的故障和/或劣化。控制器2066还可包括优化部件2070a，以与上面示出和描述的部件70相似的方式操作。诊断部件可有利地对来自传感器2024、2038、2040、2041、2042、2044、2046、2048和/或2054中的与泵2004和/或系统2002相关的一个或更多传感器信号进行信号分析，以便诊断与之相关的一个或更多工作条件。因此可针对系统2004或系统2002是其中一部分的较大过程中的功率、扭矩、速度、流量、压力以及其它测得参数来进行这样的信号分析。此外，信号分析可包括利用傅立叶变换的频率分析、频谱分析、空间矢量幅度和角度波动、神经元网络、数据合成技术、基于模型的技术、离散傅立叶变换(DFT)、Gabor变换、Wigner-Ville分布、小波分解、基于非线性滤波的统计技术、使用诸如Poincare图和Lyapunov谱技术的非线性信号处理工具的时序数据分析以及其它数学、统计和/或分析技术。此外，可在控制器2066中用硬件、软件和/或两者的组合来实现部件2070的诊断特性。这样的技术可用来预测系统2002(例如和/或系统2002作为其中一部分或与系统2002相关的较大系统中的那些系统)中的部件的未来状态或健康。该预测使得能够改变控制以重新分配应力，控制失效的时间和/或一个或更多这样的部件或元件的剩余使用寿命。应当理解这样的技术可用于较大的系统中，诸如图10的系统300中，例如其中可使已知或认为良好的部件或子系统经受过应力以允许另一个被怀疑弱化的部件持续更久。图21还提供了企业资源计划(ERP)部件184的图示2100，根据要求保护的主题的方面，企业资源计划部件184可便于和/或实现预测性的企业制造智能(EMI)设备的使用以便提供使当前的、预定的、预告的、潜在可能的和/或预测的过程条件概念化并对其进行显示的能力。如图所示，企业资源计划部件184可包括生产量管理部件2102、能量优化部件2104以及收益优化部件2106。关于企业资源计划部件184，由于该部件的配置和操作中大多数(尽管不是全部)基本上与参照图la-Ik、尤其是图Ik描述的那些类似，所以为了简洁并避免不需要的冗长，除了必要处之外省略了对这样的特征的详细描述。生产量管理部件2102可影响处理模型以可视地呈现对过程的理论生产量和当前生产率实时、动态的比较。生产量管理部件2102可根据现有的生产因素(例如被使用来生产货物和/或服务的资源)来及时地提供对潜在生产量的可视性，由此避免决定的等待时间。生产量管理部件2102可至少部分地基于当前和/或预测的工作条件来执行动态约束概况，并通过链接到公司经营系统可自动地量化作为将生产驱动到主要约束的结果的增大的生产量的潜在增益。所述潜在增益还可被描述为潜在经济增益的概率或可能性测量值。此外，生产量管理部件2102可包含或使用内置架构，用于对通过产品、交换和/或各种不同的生产场所来实现优化生产量的潜在方案进行瞬态分析。该功能性可允许工厂设备管理具有与可用于实现优化生产量的多种选择相关的折衷进行分析的能力，导致根据改进的决策制定可更快更准确而及时地捕捉商业机会。本领域技术人员无疑知道，现今的生产分析一般基于历史数据和用户限定的电子数据表。在一些情况下，可结合来自控制基础结构的实时或接近实时的数据来使用数据挖掘工具，然而该技术本质上是回顾性的并且其值限于理解发生了什么。相反，生产量管理部件2102结合企业资源计划部件184的各方面，影响预测技术并将财务变量与用于控制过程的高保真模型集成，以使用户具有在机会出现时理解机会的经济价值的能力和积极并高度自信地捕捉有利润的机会或忽略无利润的机会的能力。此外，本领域技术人员还知道，生产设施可构成设备改建项目中的重大投资，旨在使生产现代化并至少部分地基于工厂或生产设施的历史性能来识别和解决使用轶事证据的制造单元中的瓶颈。通常，例如，将主要资本资产更换为移除该主要约束将导致生产改进的预期，但仅料到实现的改进是最小的或最低限度的收益，这是因为对于下一约束的可得到生产量是极小的。生产量管理部件2102相应于和通过使用与企业资源计划部件184相关联的各种不同能力，可自动地确定或识别设备的顶部约束(例如顶部的5、10、20个约束)并对越过这些识别的约束而获得的潜在生产量进行量化，从而提供具有由这些约束限制的生产机会的财务概况的操作管理。因此生产量管理部件2102可允许高度自信地进行资本支出，这是由于充分了解了与去瓶颈项目相关联的潜在经济改进。为了呈现符合工厂或生产设施的预期能量需求的经济最佳状态的可视化，能量优化部件2104可连同建模框架和不同的预测性能力一起使用与工厂或生产设施(或经营实体)的财务系统相结合的多个生产子模型、效用以及排放。能量优化部件2104可通过结合与实体经营系统相关的可变成本来创建集成的能量供给模型，可为生产设施处的每种能量生成资产构造经济子模型以确定每种资产的财务概况，同时考虑到它们的产生容量、效率曲线、可靠性以及工作成本。这些资产子模型中的每一个可被组合，以创建生产设施的整体能量供给模型。此外，能量优化部件2104可通过有效的优化或预测的引擎的影响来创建生产设施的能量需求模型。根据创建的能量需求模型，可开发生产的子模型以便在用户限定的时间范围至少部分地基于当前和预期的工作目标来确定预测的能量需求。此外，能量优化部件2104可集成开发出的能量供给和能量需求模型来产生能量优化模型。开发出的能量供给和能量需求模型的集成可将建模框架用于解决经济供给最佳状态并呈现最有成本效益的能量生成资产来集成以符合预期的需求。对于按照绿色计划或共同可持续性计划运营的企业，能量优化部件2104可例如集成每种资产的排放模型，由此保证经济最优状态结合了与符合生产设施的能量需求相关联的环境影响。该模型还可扩展为包括概率性估计部件、灵敏度分析部件以及自适应建模部件。例如，概率性部件可使实现投资的经济收益或财务收益的程度的确定性最大化。灵敏度分析部件可识别虽然显示出优秀的结果但可能不可靠并受可能潜在发生的非模型化干扰或事件的影响的因素和操作策略。自适应建模部件可连续地评估历史决定的影响并使用该信息来产生模型结构或参数变化，建立可能存在于模型中的因果关系，改进分配给结果的随机测量，或生成用于未来经济分析和决策制定功能的附加规则和试探法。应该注意在没有限制和损失普遍性的情况下，能量优化部件2104可串行、并行、嵌套或在网络结构中结合所开发或创建的模型，以提供最有效的解决方案来达到经济目标。能量优化部件2104的目标是为最有成本效益的能量提供及时的可视性以符合来自生产的预期需求，同时保证全面的环境兼容性。因此，能量优化部件2104可包含内置的决策支持框架，用于对决策支持的潜在方案进行瞬时分析。具有可用的第三方能量的生产设施由此可结合其供应合同的财务参数(例如在错开峰值能量窗口的较低成本期间安排生产运行)以至少部分地基于生产设施预期需求来支持制造对购买(makevs.buy)的决策。该系统可生成一套潜在方案并建立其潜在收益。该系统可在生产模式下运行并顺序地以逐渐提供投资的增大的经济价值和收益的方式建立新的工作方案。可使用各种搜索和优化方法，诸如前面提到的梯度搜索方法。此外，可在随机系统的情况下解释预期的供给、需求以及经济价值。可至少基于历史数据或其它统计建模方案来进行可能性估计。前面描述的使用能量优化部件2104的价值是以最低可能的成本符合生产设施的能量需求，同时实现生产目标并平衡环境排放。应当理解，高的能量成本成为了全世界厂商的首要关注点，没有减少的迹象。理解分布在全世界的生产设施的能量使用的影响必须超出过去性能的轶事分析，实时的消耗监视一般仅考虑反应的决策制定以减少能量成本。此夕卜，厂商常发现自己急于通过获得能量来满足生产的能量要求，而不完全了解对公司的盈利能力的经济影响。由能量生产的激增引起的环境影响一般也在以下事实之后知道冒着排放违规的危险并可能毁坏公司在地方团体中的公司形象，而真正的操作成本仅在财务月份之后合上财务薄才知道。通过使用能量优化部件2104，特别地，通过影响能量优化部件2104的预测能力并将财务变量集成到建模框架中，能量优化部件2104可向厂商提供理解在符合生产目标所需的能量需求和生产设施的能量供给能力之间的经济平衡的能力，从而保证决策时更加自fn°此外，通过同时描绘可由能量优化部件2104表示的不同能量方案，厂商、尤其是生产设施管理者可积极确定最有成本效益的资产配置以便满足其生产设施的能量需求，同时实现生产目标并仍保持环境排放在控制中。例如，能量优化部件2104可用于校园能量管理，其中对多少人位于特定建筑中、天气预报等的可视化可以深入了解未来的能量消耗。此夕卜，由或为能量优化部件2104开发的模型，或就此而言，由或为要求保护的主题的其它方面(例如生产量管理部件2102或收益优化部件2106)构造的模型，可被要求保护的主题的任何其它部件方面互换地使用，而且本质上是动态的。能量优化部件2104可增加生成一系列可能的工作方案的方案搜索部件。可估计所获得的可能经济影响和实现该经济影响的概率。可逐渐选择方案以利用或追随提供更全面的优化状态的策略。除了预期的经济收益之外，还与每个方案相关联的是实现目标方案所需的时间和成本以及方案的稳定性或脆弱性。例如，具有较高经济收益的方案可能由于外部干扰而导致难以维持或在没有额外的成本、延时或停机时间的情况下阻止转换到更优化的方案。替选地，方案搜索方法可揭示以优化的方式符合所有的能量和生产约束的不可能方案。这样的策略可包括以未由传统的生产计划方法发现的独特方式来操作该系统。收益优化部件2106可使用生产量管理部件2102和/或能量优化部件2104提供的数据和信息以及来自大量不同其它源(诸如财务变量、质量部件、供应商数据、历史性能数据等等)的数据和信息。至少部分地基于提供的数据和信息，收益优化部件2106可随后执行利润优化。例如，在处理涉及制造产品X的情况下，收益优化部件2106可使用与合同和产品计划相关的信息来分析可变的成本(例如能量，添加物，供料成本等等)以便优化收益能力。应该注意收益优化部件2106可以动态而不是静态地使用财务信息，还可以代管设备无效、设备寿命周期、停机时间、修理、回冷、劳动力成本等等。与生产力管理部件2102和能量优化部件2104类似，收益优化部件2106可以影响用于优化收益的预测技术。此外，收益优化部件2106也可使用与处理或企业的月底或年底目标相关联的计划未来的关键业绩指标(KPI)以使收益最大化。此外，收益优化部件2106可分析历史机会成本以及收益速度(例如多快可以获得某种收益以及多长时间可以获得该种收益)以便了解如何驱动未来的决策制定。此外，收益优化部件2106也可以包括用于优化收益能力的套汇特性。在运用该套汇特性时，收益优化部件2106可至少部分地基于不同的世界货币、有效地区、运输成本、生产情况等等来考虑货物成本和/或可用的服务。此外，收益优化部件2106可包括多种财务模型，其中包括选择权定价模型，当知道更多信息或存在更大的实现投资目标收益的确定度时，该选择权定价模型考虑进行相对较少的短期投资，这提供了在未来某个时间进行更多投资以获取经济收益的选择。收益优化部件2106还包括工作方案和外部经济因素(诸如利率、工资率、资本成本，包括影响经营的经济因素)的随机模型。诸如需求的多样性和机器可靠性(例如在给定时段中的失效概率)等的其它因素给出特定的设备负载率和保养动作。这可以允许平衡风险_收益条件以符合公司的操作和投资策略。现在转到图22，图22进一步图示2200，包括作为企业资源计划(ERP)部件184的集成方面的、可结合生产量管理部件2102、能量优化部件2104和/或收益优化部件2106使用的各种不同方面和部件。如图所示，企业资源计划部件184可包括咨询部件2202，咨询部件2202使用决策支持框架(诸如诊断引擎110或优化引擎2210(后面描述))、根据历史数据以及系统或处理的动态特性的知识的内插数据来创建优化显示。咨询部件2202可与财务信息、生产计划等等相配合来对企业制造智能(EMI)系统进行量化。此外，咨询部件2202可使用拖放能力/灵活性来处理假设情况。以这种方式，咨询部件2202可被工厂设备管理使用来优化生产过程，并且通过由可视化部件2212(后面讨论)提供的设备，来自咨询部件2202的所述信息或输入可被用来提供生产过程的可视化。应该注意，咨询部件2202可动态地创建信息模型，和/或并发地创建相应的显示。建模部件2204也可包括在企业资源计划(ERP)部件184中。例如，可使用建模部件2204来建立需求和/或供给的模型或子模型，例如具有这样的需求和/或供给的相关源和汇(sourceandsink)。这样的需求和/或供给模型或子模型的创建可包括成本和效率属性等等的使用，并还可包括使需求模型与供给模型相结合。此外，需求和/或供给模型或子模型也可基于历史客户定购、定购量、定购准确度(例如使生产过量最小化)、订购找零等等。可使用开发出的模型或子模型来设立可转而驱动或影响用于满足需求的生产量的库存目标，库存目标转而可以驱动库存管理、生产因素定购、工作资本优化等等。此外，建模部件2204还可构造和使用可以评估实现规定的经济收益的概率的随机模型和/或一个或更多满足被用来开发模型的所有或一些约束的优化操作策略。如图所示，企业资源计划(ERP)部件184还可包括设施管理部件2206，设施管理部件2206可用来识别生产过程中的存在低效的区域以及可被用来解决这样的低效的方法和/或行为。为了便于其目标，设施管理部件2206可使用诊断引擎110和/或优化引擎2210的预测能力来调整生产过程以降低成本并提高收益能力。所生成的预测值可选地可以包括相关联的概率值，例如，实现该值的概率和保持在预测值处持续指定时段的可能性。此外，企业资源计划(ERP)部件184可包括分级部件2208，分级部件2208可使用多变量建模和数据挖掘以创建生产过程的分级结构。由分级部件2208生成的分级结构可在多变量模型的顶部包括或关联组织层。例如，对于一个特别的炉或相似装置，生产设施中多条线可受益于来自模型的高级过程控制(APC)，模型可用作一类并可以随后用到各种不同的生产线。应该注意在这种情况下，可至少部分地基于特定应用来调整贝叶斯类型的模型，而不是每次都重新建立模型，使用这样的统一模型允许进行类似于面向对象的编程范例的工厂或生产过程设计。此外，还应该注意分级部件2208还可创建模型的经营系统类型。还应该注意模型还可以包括基于生产子过程的分析近似的一套耦合的子模型。可替换地或除了分析子模型之外，生产过程可被建模为从因果或混合生产模型中提取出的因果模型和关键业绩值。生产过程还可通过其它无模型估计器(例如人工神经元网络)或基于模型的估计器和无模型的估计器的组合来描述。在建模部件2204、设施管理部件2206、和/或分级部件2208的情况下，预测性的企业管理智能(EMI)的值一般是模型抽象和/或模型的即插即用特性的函数。因此，所要求的主题的利用可以提供可被用于“沙盒”或原型各种生产情况的非常复杂而独特的假设情况，以便使收益最大化并使浪费最小化。可根据成本函数和经济评估方法来生成并评估多种假设情况。可使用诸如遗传算法的其它生成和搜索方法来搜索可行情况的空间来识别优化的生产情况。根据要求保护的主题的一个方面，建模部件2204、设施管理部件2206、和/或分级部件2208可开发和使用原理部件类型模型(例如没有任何输入而运行的模型_随时间运转和演变的模型)。这样的原理部件类型模型可提供对一般不能容易测量的属性的估计并还可提供对情况如何演变的了解。可使用状态转移模型来描述情况概括和演变。可为与在特定生产条件中操作而获得的预期收益相对应的每个状态分配值。状态转移链接可指示成本、风险以及转移到邻近的更理想或更不理想的状态的概率。此外，根据要求保护的主题的又一方面，建模部件2204、设施管理部件2206和/或分级部件2208可联合或分离地使用全局类型模型。全局类型模型可被理解为一种与统一生产模型一起使用的动态建模，在统一生产模型中，模型的各个属性可被动态或实时调整。此外，根据所要求的主题的又一方面，建模部件2204、设施管理部件2206和/或分级部件2208可使用现有的或动态创建的模型以至少部分地基于生产过程和/或生产设施来动态或自动地(例如递归地和/或迭代地)生成子模型。因此，所要求的主题可提供规定了高级过程控制、优化和/或闭环控制系统的可升级的平台。因此该要求保护的主题可检查并验证现有的或动态创建的模型，该模型可在线实现并且可允许本地设备控制工程师对模型进行操作。此外，通过结合高级过程控制(APC)方面并使用关于动态创建的模型的财务信息，这样生成的模型可允许跨平台共享子模型，使得各个垂直域可共享模型(例如使用剪切和粘贴特性)，而无需各个生产领域中专业知识或关于相关的模型的专业知识。此外，所公开的主题可加入防止建立或创建无效模型的约束。通过为开发出或创建出的模型加入丰富的智能，当这些模型被布置时它们可以自动地、动态地、连续地了解被建模的生产过程并且在这样做时识别与可能在生产过程中出现的未来约束结合使用的互相依赖性和相关性。此外，所要求和公开的主题可便于或推动库存管理方面，其中可使用生产计划来确定何时和/或是否定购新的库存或更好或更差质量的库存。例如，如果生产过程使用带有灰尘内容的生产因素，则可以通过使用所要求的主题来确定输入的灰尘内容是不理想的，在这种情况下，具有更高或更低灰尘内容的输入可能需要被定购以使生产过程优化。动态创建的模型可与实际的生产过程并行运行。在该模型和实际的生产过程之间观察到的偏差可形成方差或残差。该残差可被分析并用于识别设备或过程中的问题或故障并允许有效的问题检测和诊断。对残差的分析也可指示模型中的故障假定或缺陷。如果检测到故障，则动态模型可被用来限定并验证会减弱失效的部件或过程的影响的可替换的补偿生产过程，直到采取校正的动作。给定了满足合适的可靠性和生产水平，所以新的生产过程可被实现为临时解决方案。该动态处理模型的又一作用是提供用于限定新生产设施或生产过程的基础。该模型可被用于限定提供改进的经济收益、更不易变化以及更稳定的生产操作的又新又好的模型。可在现有的(也可能是过时的)设备、流程、材料以及过程不施加约束的情况下生成并估计各种潜在的生产过程。在又一方面，企业资源计划(ERP)部件184可包括优化引擎2210，除处理或对处理的控制之外，优化引擎2210可以应用到处理的计划和/或经济优化或生产设施管理(其中这样的计划和/或经济优化可实时进行)。例如，可实时并基于当前数据来进行工厂或处理计划。应当理解，所开发的模型(例如由建模部件2204所提供)可紧密耦合到实时数据，并且这样就可以作为优化过程的一部分用来预测，将闭环控制和关键业绩指标紧密结合。在促进其目的的实现的方面，优化引擎2210连同与企业资源计划(ERP)部件184相关联的任何其它部件或方面，可使用遗传算法作为优化处理的部分或在建立生产处理的模型(其中输入和/或输出可被选择作为建立处理类型的部分)中使用遗传算法。此外，优化引擎2210可通过数据分析来确定什么被考虑作为操作的正常模式。在建立规范时，优化部件2210可使用记录预期行为并对该记录预期行为与实际行为进行比较来确定什么被考虑作为正常。以这样的方式优化引擎2210可动态地并自适应地调整业绩指标(例如关键业绩指标(KPI))来反映特定生产过程的现实，而不是模糊的理论目标。此外，优化引擎2210还具有重用关键业绩指标(KPI)的能力、从持续的源(例如持续的或与2216相关联的仓库)中获得信息的能力以及从已知的数据源(可结合影响非线性预测模型来影响已知的数据源)获取数据的能力。所生成的模型也可具有分配的随机测量，该随机测量指示模型的可能性或确定度以及实现预期生产水平或经济价值的概率。此外，优化引擎2210还可以用于使资源的加载和卸载优化。例如，具体地，具有无线射频识别(RFID)标签的优化引擎2210可被用于确定如何最好地加载或卸载具有产品或原料的容器。类似地，优化引擎2210还可以被用于最好地利用空间(例如车间空间、办公室空间、原料仓的布置、有害物质处理)。优化引擎的这些设备可以通过使用线性回归模态和/或技术(例如旅行推销员类型算法(travelingsalementypealgorithms))来实现。进一步如图22所示，企业资源计划(ERP)部件184可以包括提供其结果的可视化的可视化部件2212(例如通过允许用户交互的自动和/或动态的可实时更新的虚拟装置投射)。可视化部件2212可以用新的方式来呈现信息，向用户提供研究预测前景和/或先前调整内容的能力。例如，生产设施工程师可以重新配置生产设施(例如车间或厂房)，以确保根据生产的各个方面使最终产品输出最大化。通过利用所要求保护的主题，具体地，利用可视化部件2212的多个方面，在最终产品的生产中涉及的多个尺寸可以被分析，并降低不利因素且提高有利因素，以确保最高的效率和最大的收益率，因此使无效操作和损失最小化。例如，在应当发生报警而没有发生的情况下，通过包括在企业资源计划(ERP)部件184中的其他部件和方面的设备，可视化部件2212可以提供故障发生处的适当可视化。应当注意，关于这个方面，所要求保护的主题至少部分地根据实时输入或者引入的历史数据而不是根据人的输入来推测事件(例如报警条件等)。此外，可视化部件2212可以有助于或者实现报警分类，因此使级联报警的发生最小化，并在发生级联报警的情况下有助于进行根源分析，以确定报警条件的根源。例如，为了确定级联报警的根源，由于利用建模部件2204，可以研发出“分级报警树”，因此建模结构可以是有利的，并且可被用于修剪“分级报警树”，以确定级联报警的根源。建模结构可以包括原因建模部件和随机建模部件以及状态变换部件。可视化部件2212通过用户适当的动态实时可视化进一步允许生产设施工程师或生产设施管理者具有在实际生产运行中呈现处问题区域本身之前预先确定和/或隔离和解决该问题区域的能力。例如，可视化部件2212可被用于预先观测并解决会在将来(例如在生产运行中的2个、12个、24个、36个、48个、128个小时)出现的生产事件(或非事件)。因此，例如，实时控制数据(例如来自一个或多个工业控制器)可被用于自动地提供给通过所要求保护的主题改进的预测性信息模型。然后，如此构造的预测性信息模型可被用于提供允许搜集关于越过时间边界以及潜在优化目的的工艺和生产系统的信息的较好可视化。此外，所要求保护的主题可以使实时数据和假设数据密切配合，以提供动态自适应的预测模型。预测的状态可以与未来状况或生产时间将发生的可能性以及其将在将来的特定时间发生的可能性相结合。这可以允许进行诸如报警控制、生产率或者设备配置等动作，以避免有问题的状态或者不期望的生产事件。可视化部件2212可以包括用于识别不寻常或“感兴趣”的状况或事件的设备，将这些状况或事件向操作者突出显示。可以至少部分地基于模型预测状况的期望值或值来制定用于将状况分类为不寻常或“感兴趣”的标准。此夕卜，可以使用构建的数据挖掘技术来常规地鉴别永久数据和实时数据。可以使用可视化部件2212来识别和表现不寻常的状况或趋势。诸如统计度量(例如主成分分析)、人工神经元网络(例如无监督Kohonen映射)以及检索代理(例如自主代理)等的数据挖掘技术可被用于连续地检查基于生产和经济数据的增长。此外，企业资源计划(ERP)部件184可以包括训练部件2214，训练部件2214可以利用先前构建的模型来动态地估计各个结果，以提供训练沙袋(trainingsandbox)，其中，学员用户和/或有经验的专业生产设施管理者都可以测试各种车间和生产配置，以学习生产工艺优化和/或最大化的最好方式。可替换地，训练部件2214可以用于注入严重故障和非正常状况，以确定系统的响应、操作者响应和系统对于操作者响应的反应。一系列激发响应事件可以被生成和评估。训练部件2214可以包括评估模块，该评估模块可委派用来训练和识别区域的强和弱的能力水平人员。后续训练和自动生成的方案可以旨在改进对弱区域的识别。训练模块可以优选地包括专家操作者模块和专家教师模块。专家操作者模块表示操作者对于不同操作条件所应具有的响应。专家教师模块评定学生的能力，并且如果需要则提供提示，允许学生进行调查和研究，并在适当的时候向学生给出正确答案以及解释。在训练期间，练习者的反应将与专家操作者模块进行比较，并且专家教师模块将构建学生模型，该学生模型将在确定学生能力和构建教导策略这方面(例如立即纠正学生、允许学生研究不正确决定的含义、为学生提供线索或暗示)以及执行策略和评估学生在学习中的进步方面来指导教师模块。训练模块还可以包括综合的实时数据，以允许学生查看在实际生产过程中各种决定的结果。企业资源计划(ERP)部件184还可以包括存储器2216。存储器2216提供保存所要求保护的主题的历史方面的轨迹的能力。公开和要求保护的主题的历史方面允许用户(例如车间设备管理者、车间维护工程师等)通知在用户相信需要更有效和/或改进的操作的假定条件下所要求保护的主题(例如优化器引擎2210和/或预测引擎110)的预期和优选方面，此后该优选和/或预期方面可以提供模型，利用所述模型，用户可以相互作用和询问以及观察(例如通过可视化部件2212)生产工艺。如所描述的存储器2216可以包括易失性存储器和非易失性存储器。通过示例而不构成限制地，非易失性存储器包括只读存储器(ROM)、可编程只读存储器(PR0M)、电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、或闪存。易失性存储器可以包括随即存取存储器(RAM)，其可以用作外部高速缓冲存储器。通过示例而不构成限制地，可以利用很多形式的RAM，例如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、改进SDRAM(ESDRAM)、SynchlinkDRAM(SLDRAM)、Rambus直接型RAM(RDRAM)、直接型Rambus动态RAM(DRDRAM)以及Rambus动态RAM(RDRAM)。本发明的系统和方法的存储器2216将包括但不限于这些和任意其他适当类型的存储器。此外，应当理解，存储器2216可以是服务器、数据库、硬盘驱动器等。存储器2216可以包括压缩或编码形式的数据，并且可以存在于多个分布的数据存储器中。数据存储器可以存放在以下位置计算机室、服务器室、基于计算机的生产机构、可编程逻辑控制器(例如PLC)、智能装置或者智能传感器节点，以及上述的组合。如果其为存放在一个位置的中央数据库，则数据可以被有效地存取。此外，企业资源计划部件184还可以包括情境生成器2218，其可以自动和/或动态地生成以及从似乎可能的方案的广泛范围内选择，并且可以选择可以满足一些或全部输入限制的一个或多个最优的操作方案。为了利于实现其目的，情境生成器2218可以利用能够评估实现状态目标的可能性、并能够考虑似然情境的时间方面的随机性模型。例如，持续非常短时间的高回报情境将不如长期情境，越稳定的方案会产生越少的经济回报。图23提供了可用于提供根据所要求保护的主题的一个方面的引擎优化模型的示例性方法2300的描述。方法2300可在2303处开始，其中与实体或组织的业务系统相关的可变成本可被用于在生产设施处构建用于每个能量生成资产的经济子模型。在考虑到其各自的生成能力、效率曲线和操作成本的情况下，如此构建的经济子模型可用于确定每个资产的财务概况，。也可以包括诸如可靠性、维护成本和产品寿命成本的其他因素。然后，组合这些资产子模块中的每一个，以创建生产设施的能量供给模型。在2304处，所要求保护的主题的优化部件和/或预测引擎可用于创建生产子模型，以至少部分地基于当前和/或将来的操作目标确定在用户限定的时间范围处的预期能量需求。该子模型可以被认为是生产设施的能量需求模型。在2306处，可以利用所要求保护的主题的建模框架将能量需求和供给模型集成到一起，以解决经济的供给优化的问题并揭示可用于满足预期的要求的最有效成本的能量生成资产。该集成的需求和供给模型为能量优化模型。能量需求和供给模型可以串行、并行、嵌套或网络结构集成，以实现对经济问题的最有效的解决方案。方法2300的目的在于提供对最成本有效的能源的及时可视性，以满足对生产的预测需求，同时确保足够的环境适应性。在该模型中还可以包括其他因素，例如，预期能量需求曲线将存在的可能性以及在该需求中期望的可变性、供给装置的可靠性、将来提供目标能量等级的确定、将来提供目标能量等级的估计成本、能力的预定成本、以及生成能量的估计成本。图24示出了可用于提供根据所要求保护的主题的一个方面的动态生产量管理的示例性方法2400。方法2400可以在2402处开始，其中，可以确定当前的生产率。在2404处，可以进行预测(例如利用与企业资源计划(ERP)部件184相结合的各种部件)。预测的是设施生产的理论生产量。在2406处，可视化可以被生成，或者更具体地被投射到或传送到显示器(例如计算机监视器等)上。然后，该可视化可以被用于向确定的理论生产量驱动，以及用于识别实现理论目标的瓶颈。此外，还可以利用可视化来识别管理历史瓶颈并有助于抑制该瓶颈。如本领域技术人员所期望的，可视化还可以为执行者或生产设施工程师提供重新设计系统或工艺从而优化工艺以及进行智能的金融决定的能力。在2404中的理论能力预测还可以包括将成本分配给用于各种可能的生产水平的生产的成本函数。成本函数可以包括能量、支持服务、维护和可靠性成本、以及其他产品寿命成本因素。在设备以理论极限或接近理论极限处运行时，该成本反映潜在的效率损失以及增加的故障。这可以表示以理论上最大的生产量运行设备是经济上不谨慎的。经济最优模型可用于构建其可以是很小的实际理论生产量的经济上可行的最大生产量。图25到图31提供了例如可生成并在显示装置上显示或者传输到显示装置的各种示例性视觉设备的描述。如本领域技术人员所了解的，一种或所有种类的不同视觉手段可被同时在特定显示装置上生成和/或显示或者传输到特定显示装置。此外，应当注意，被生成和/或显示或传输的示例性视觉手段可以经受引导用户的交互(例如使用触摸操作)。显示可以包括永久数据、实时数据、计算数据、模型生成数据以及用户输入数据的组合。用户的输入允许调查、用户驱动数据分析和情境计划。如图25所示，提供了示出描述在时间范围(例如X轴)上以€uros/ton(欧元/吨)为单位测量的等级获利能力的视觉手段2500。此外，图26提供了在时间范围上以€uros/ton(欧元/吨)为单位测量的潜在机会的另一视觉手段2600。图27提供了在时间范围内测量的各种生产因素(例如纤维、化学品、蒸汽、精炼、刀片、填充物)的实际生成成本的视觉手段2700。图28提供了示出各种生产因素、售价、和当前等级与理论目标之间的比较的视觉手段2800的描述。图29作为示出理论与实际含灰量(生产因素)的另一视觉手段2900的示例。视觉手段2900提供了在时间范围上实际含灰量与潜在含灰量之间的比较。图30提供了将在时间上且以€uros测量的映射丢失机会成本的另一视觉手段3000。图31示出了描述在当前等级中控制器更新时间和含灰量的另一视觉实现。图31提供了实际或当前量，差、较好和好的目标和分类。尽管本发明已经示出和描述了特定示例的多个方面，但本领域技术人员应当理解，根据对本说明书和附图的阅读和理解，将存在等同替换和更改。具体地，关于通过上述部件(组件、装置、电路、系统等)执行的各种功能，除非另有说明，用于描述这些部件的术语(包括对“装置”的参考)将对应于执行所描述部件的特定功能(例如其功能上是等效的)，即使结构上并不等同于公开的结构，其也执行在本发明的文中所示的示例方面的功能。在这一方面，还将认为本发明包括具有用于执行本发明的各种方法的动作或事件的计算机可执行指令的系统以及计算机可读介质。此外，尽管本发明的某个特定特征仅关于几个实现中的一个而被公开，但该特征应当如所期望的且有利于任何给定或特定应用的那样与其他实现的一个或多个其他特征相结合。如在本申请中所使用的，术语“部件”所指的是计算机相关的实体、或者是硬件、硬件和软件的组合、软件、或软件实现。例如，部件可以是但不限于在处理器上允许的过程、处理器、对象、可执行程序、执行线路、程序和计算机。此外，对于用于说明书或权利要求中的术语“包括(includes)”、“包含(including)”、“有(has)”、“具有(having)”，这些术语旨在具有与术语“包括”相似的包含性的含义。权利要求一种能够在工业自动化环境中操作的设备，所述设备包括处理器，所述处理器被配置用于确定工业过程的当前生产率；预测所述工业过程的理论生产量；以及创建所述工业过程的当前生产率或者理论生产量的可视化，所述可视化用于将所述工业过程从所述当前生产率向所述理论生产量驱动。2.根据权利要求1所述的设备，其中，所述处理器还被配置用于识别当前瓶颈或历史瓶颈，以实现所述工业过程的理论生产量，其中，对所述当前瓶颈或历史瓶颈的识别包括确定去除所述当前瓶颈或所述历史瓶颈的成本效益中的至少一个，或者通过财务回报来驱动；以及缓解所述当前瓶颈或所述历史瓶颈以将所述工业过程从所述当前生产率向所述理论生产量驱动。3.根据权利要求1所述的设备，所述可视化允许通过人力中介进行触觉交互，以实时地操纵所述可视化，从而调整所述工业过程的当前生产率或者理论生产量中的至少一项，通过所述人力中介进行的所述可视化的触觉交互包括将至少一个生产因素改变为与所述至少一个生产因素相关联的目标生产量。4.根据权利要求1所述的设备，所述处理器还被配置用于至少部分地基于当前操作状况或预期操作状况中的至少一个来进行动态约束条件概括；以及链接到公司财务业务系统，并自动地确定与将所述工业过程从所述当前生产率向所述理论生产量驱动相关的改进的生产量相关联的潜在增益，所述公司财务业务系统是用于获得一个或多个当前或预期的能量或商品成本的外部数据库或网站中的至少一个。5.根据权利要求1所述的设备，所述处理器还被配置用于使用内置架构进行对与产品、移动或不同的生产站点中的一个或多个的最优生产量相关的潜在情境的即时分析；以及分析与多个选择相关的折衷方案，所述多个选择能够用于实现所述产品、移动或不同的生产站点中的一个或多个的最优生产量，其中，所述折衷方案包括抢先获取有利的机会或者抢先屏蔽不利的机会中的至少一个。6.根据权利要求1所述的设备，其中，所述处理器还被配置用于通过生产站点来确定所述生产站点的主要约束条件；确定能够通过所述主要约束条件而获得的潜在生产量；以及至少部分地基于能够通过所述主要约束条件而获得的潜在生产量来生成由所述主要约束条件约束的生产机会的财务概况。7.一种使用预测性的企业制造智能(EMI)来概念化并显示当前的、规划的、预报的、假定的、或预测的过程状况的方法，所述方法包括采用生产设施的能量供给模型，所述能量供给模型包括与包括在所述生产设施中的多个能量生成资产相关联的可变成本；利用所述生产设施的能量需求模型，所述能量需求模型包括生产子模型、用户限定的时间范围、或者预测的能量需求中的至少一个；以及组合所述生产设施的能量供给模型和所述生产设施的能量需求模型，以生成所述生产设施的能量优化模型。8.根据权利要求7所述的方法，其中，所述采用还包括使用用于包括在所述生产设施中的多个能量生成资产中的每个的一个或多个经济子模型。9.根据权利要求8所述的方法，其中，所述采用还包括至少部分地基于所述多个能量生成资产中的每个的相应的生产能力、效率曲线或者操作成本来确定所述多个能量生成资产中的每个的财务概况。10.根据权利要求8所述的方法，其中，用于包括在所述生产设施中的多个能量生成资产中的每个的一个或多个经济子模型被合并，以构建所述生产设施的能量供给模型。11.根据权利要求7所述的方法，其中，所述利用还包括采用预测或优化中的至少一个来构建所述生产子模型。12.根据权利要求7所述的方法，其中，所述组合还包括使用建模框架来求出经济的供给最佳方案或者揭示所述生产设施中包括的多个能量生成资产中所包括的最成本有效的能量生成资产。13.根据权利要求7所述的方法，其中，所述组合还包括以串行、并行、嵌套或网络结构中的一个或多个将所述能量需求模型和所述能量供给模型结合在一起，以实现对经济问题的最有效的解决方案。14.根据权利要求7所述的方法，还包括在所述用户限定的时间范围内优化经济回报，其中，响应于在所述用户限定的时间范围内发生的改变来规划一系列不同的生产水平。15.根据权利要求7所述的方法，还包括将所述生产设施的能量优化模型投射为人力能调节的可视化，其中，所述人力能调节的可视化被实时操纵，以调节与包括在所述生产设施中的所述多个能量生成资产相关联的可变成本、所述生产子模型、所述用户限定的时间范围、或者所述预测的能量需求。全文摘要本发明提供了对机器选择、集成和使用进行动态多目标优化的系统和方法。本发明提供了用于对具有计算机控制的装置的过程进行控制的控制系统和方法。所述系统和方法根据诸如效率、部件寿命预期、安全性、排放、噪声、振动、操作成本等的一个或多个性能标准来提供优化的过程性能。更具体地，本发明提供了与在某个时间范围内优化整个业务操作相结合的对机器诊断和/或预测信息的利用。文档编号G06Q10/00GK101807265SQ20091017765公开日2010年8月18日申请日期2009年9月30日优先权日2008年9月30日发明者安格尔·苏斯泰塔,弗雷德里克·M·迪申佐,林嘉庆,约翰·J·拜尔,约翰·克里斯托弗·特龙,迈克尔·尤金·苏加尔斯,里克·斯奈德,马克·芬德伯克申请人:洛克威尔自动控制技术股份有限公司