在过程控制环境中识别资料数据的装置和方法转让专利
申请号 : CN200680051302.5
文献号 : CN101361028B
文献日 : 2010-09-01
发明人 : C·Q·詹 , J·Z·卢
申请人 : 霍尼韦尔国际公司
摘要 :
一种验证预测控制中的模型的方法包括使用与一个或多个过程变量关联的历史数据(122)识别信号(802)和干扰(804)。该方法还包括信号(802)和干扰(804)的小波分解。该方法进一步包括使用分解的信号(802)和分解的干扰(804)识别与分解的信号(802)关联的多个点，诸如瞬变或奇点(706)，(1002a-1002b)。此外，该方法包括选择该多个点(1002a-1002b)中的至少一些，以及从信号(802)中提取多个数据片段，其中所述数据片段与所选择的点(1002a-1002b)关联。
权利要求 :
1.一种在过程控制系统中识别用于分析模型质量的资料数据的方法，包括：使用与一个或多个过程变量关联的历史数据(122)识别信号(802)和干扰(804)；
以多个分解等级(902a-902h)分解该信号(802)和干扰(804)；
使用分解的信号(802)和分解的干扰(804)识别与分解的信号(802)关联的多个点(1002a-1002b)；
选择该多个点(1002a-1002b)中的不同多个；
从该信号(802)中提取多个数据片段，所述数据片段与所选择的点(1002a-1002b)关联，以及处理提取的数据片段并且使用提取的处理片段验证模型。
2.如权利要求1所述的方法，其中所述多个点(1002a-1002b)包括一个或多个分解等级处(902a-902h)分解的信号中的局部最大值和局部最小值。
3.如权利要求1所述的方法，其中选择该多个点(1002a-1002b)中的不同多个包括：使用分解的信号(802)和分解的干扰(804)为每一个点(1002a-1002b)确定信噪比和噪信比中的至少一个；以及选择其中满足信噪比高于第一阈值和噪信比低于第二阈值中的至少一个的每一个点(1002a-1002b)。
4.如权利要求1所述的方法，其中提取所述多个数据片段包括：提取起始位置和终止位置之间的每一个数据片段，所述起始位置和终止位置是使用分解的信号(802)和分解的干扰(804)中的至少一个确定的。
5.如权利要求4所述的方法，还包括以下至少一个：基于分解的信号(802)跨过阈值的位置确定起始位置和终止位置；和基于分解的干扰(804)跨过一个或多个阈值的位置确定起始位置和终止位置。
6.一种在过程控制系统中识别用于分析模型质量的资料数据的装置，包括：至少一个存储器，其能够存储与一个或多个过程变量关联的历史数据(122)；以及至少一个处理器，其能够：
使用历史数据(122)识别信号(802)和干扰(804)；
以多个分解等级(902a-902h)分解该信号(802)和干扰(804)；
使用分解的信号(802)和分解的干扰(804)识别与分解的信号(802)关联的多个点(1002a-1002b)；
选择该多个点(1002a-1002b)中的不同多个；
从该信号(802)中提取多个数据片段，所述数据片段与所选择的点(1002a-1002b)关联，以及处理提取的数据片段并且使用提取的处理片段验证模型。
7.如权利要求6所述的装置，其中所述至少一个处理器能够通过以下操作选择该多个点(1002a-1002b)中的不同多个：使用分解的信号(802)和分解的干扰(804)为每一个点(1002a-1002b)确定信噪比和噪信比中的至少一个；以及选择满足信噪比高于第一阈值和噪信比低于第二阈值中的至少一个的每一个点(1002a-1002b)。
8.如权利要求6所述的装置，其中所述至少一个处理器能够通过以下操作提取所述多个数据片段：提取起始位置和终止位置之间的每一个数据片段，所述起始位置和终止位置是使用分解的信号(802)和分解的干扰(804)中的至少一个确定的。
9.如权利要求8所述的装置，其中所述至少一个处理器能够基于以下至少一个确定起始位置和终止位置：分解的信号(802)跨过阈值的位置；和
分解的干扰(804)跨过一个或多个阈值的位置。
说明书 :
技术领域
本发明一般涉及过程控制系统，更具体地涉及在过程控制环境中识别资料数据(informative data)的装置和方法。
背景技术
处理设施通常用过程控制系统管理。示例处理设施包括制造厂、化工厂、原油炼油厂，以及矿石加工厂。马达、催化裂化装置、阀、以及其他工业设备通常执行在处理设施中加工材料所需的操作。除了其他功能之外，过程控制系统通常管理处理设施中工业设备的使用。
在传统的过程控制系统中，通常使用控制器来控制处理设施中的工业设备的操作。控制器例如可以监控工业设备的操作，提供控制信号给工业设备，以及当检测到故障时产生警报。
先进的控制器通常使用基于模型的控制技术来控制工业设备的操作。基于模型的控制技术通常包括使用模型来分析输入数据，其中模型基于接收到的输入数据识别应该如何控制工业设备。基于模型的控制技术在整个过程控制工业中已经被广泛认可。研究已经确定基于模型的控制技术可以显著地提高处理设施的性能并提供显著的经济效益。然而，基于模型的控制技术提供的好处很大程度上依赖于所使用的模型的质量。结果，已经发展了技术来验证模型以确保模型具有可接受的质量。
验证模型的传统技术通常包括注入外部信号到过程控制系统中或者执行过程控制系统的开环测试。这两种技术通常都中断过程控制系统的正常工作，这可能妨碍整个处理设施的正常操作。另外，传统的模型验证技术通常或者(i)不分析与使用模型的控制器相关的历史操作数据，或者(ii)使用历史操作数据产生不正确或者误导的结果。这可能由于这样的事实：通常只有很小部分的历史操作数据与模型验证相关，并且操作数据通常受到噪声或者其他干扰的污染。
在传统的过程控制系统中，通常使用控制器来控制处理设施中的工业设备的操作。控制器例如可以监控工业设备的操作，提供控制信号给工业设备，以及当检测到故障时产生警报。
先进的控制器通常使用基于模型的控制技术来控制工业设备的操作。基于模型的控制技术通常包括使用模型来分析输入数据，其中模型基于接收到的输入数据识别应该如何控制工业设备。基于模型的控制技术在整个过程控制工业中已经被广泛认可。研究已经确定基于模型的控制技术可以显著地提高处理设施的性能并提供显著的经济效益。然而，基于模型的控制技术提供的好处很大程度上依赖于所使用的模型的质量。结果，已经发展了技术来验证模型以确保模型具有可接受的质量。
验证模型的传统技术通常包括注入外部信号到过程控制系统中或者执行过程控制系统的开环测试。这两种技术通常都中断过程控制系统的正常工作，这可能妨碍整个处理设施的正常操作。另外，传统的模型验证技术通常或者(i)不分析与使用模型的控制器相关的历史操作数据，或者(ii)使用历史操作数据产生不正确或者误导的结果。这可能由于这样的事实：通常只有很小部分的历史操作数据与模型验证相关，并且操作数据通常受到噪声或者其他干扰的污染。
发明内容
本发明提供在过程控制环境中识别资料数据的装置和方法。
在第一实施例中，一种方法包括使用与一个或多个过程变量相关联的历史数据识别信号和干扰。该方法还包括以多个分解等级(resolution level)分解该信号和该干扰。该方法进一步包括使用分解的信号和分解的干扰识别与分解的信号关联的多个点。此外，该方法包括选择该多个点中的至少一些，以及从该信号中提取多个数据片段，其中所述数据片段与所选择的点关联。
在第二实施例中，一种装置包括至少一个存储器，其能够存储与一个或多个过程变量关联的历史数据。该装置还包括至少一个处理器，其能够使用历史数据识别信号和干扰并且以多个分解等级分解该信号和干扰。该至少一个处理器还能够使用分解的信号和分解的干扰识别与分解的信号关联的多个点。该至少一个处理器进一步能够选择该多个点中的至少一些，并且从该信号中提取多个数据片段，其中所述数据片段与所选择的点关联。
在第三实施例中，一种计算机程序包含在计算机可读介质上并且可操作以由处理器执行。该计算机程序包括用于使用与一个或多个过程变量关联的历史数据识别信号和干扰的计算机可读程序代码。该计算机程序还包括用于以多个分解等级分解信号和干扰的计算机可读程序代码。该计算机程序进一步包括使用分解的信号和分解的干扰识别与分解的信号关联的多个点。此外，该计算机程序包括用于选择该多个点中的至少一些以及从信号中提取多个数据片段的计算机可读程序代码，其中所述数据片段与所选择的点关联。
根据下面的附图，说明书和权利要求书，其他技术特征将对本领域技术人员变得显而易见。
在第一实施例中，一种方法包括使用与一个或多个过程变量相关联的历史数据识别信号和干扰。该方法还包括以多个分解等级(resolution level)分解该信号和该干扰。该方法进一步包括使用分解的信号和分解的干扰识别与分解的信号关联的多个点。此外，该方法包括选择该多个点中的至少一些，以及从该信号中提取多个数据片段，其中所述数据片段与所选择的点关联。
在第二实施例中，一种装置包括至少一个存储器，其能够存储与一个或多个过程变量关联的历史数据。该装置还包括至少一个处理器，其能够使用历史数据识别信号和干扰并且以多个分解等级分解该信号和干扰。该至少一个处理器还能够使用分解的信号和分解的干扰识别与分解的信号关联的多个点。该至少一个处理器进一步能够选择该多个点中的至少一些，并且从该信号中提取多个数据片段，其中所述数据片段与所选择的点关联。
在第三实施例中，一种计算机程序包含在计算机可读介质上并且可操作以由处理器执行。该计算机程序包括用于使用与一个或多个过程变量关联的历史数据识别信号和干扰的计算机可读程序代码。该计算机程序还包括用于以多个分解等级分解信号和干扰的计算机可读程序代码。该计算机程序进一步包括使用分解的信号和分解的干扰识别与分解的信号关联的多个点。此外，该计算机程序包括用于选择该多个点中的至少一些以及从信号中提取多个数据片段的计算机可读程序代码，其中所述数据片段与所选择的点关联。
根据下面的附图，说明书和权利要求书，其他技术特征将对本领域技术人员变得显而易见。
附图说明
为了更完整地理解本发明，现在结合附图参考下列描述，附图中：
图1示出了根据本发明一个实施例的示例过程控制系统；
图2示出了根据本发明一个实施例的示例过程控制系统的其他细节；
图3到图6示出了根据本发明一个实施例的在过程控制系统中分析模型质量的示例方法；以及
图7到图13示出了根据本发明一个实施例的在过程控制系统中识别用于分析模型质量的资料数据的示例方法。
图1示出了根据本发明一个实施例的示例过程控制系统；
图2示出了根据本发明一个实施例的示例过程控制系统的其他细节；
图3到图6示出了根据本发明一个实施例的在过程控制系统中分析模型质量的示例方法；以及
图7到图13示出了根据本发明一个实施例的在过程控制系统中识别用于分析模型质量的资料数据的示例方法。
具体实施方式
图1示出了根据本发明一个实施例的示例过程控制系统100。图1所示的过程控制系统100的实施例仅仅是为了示例说明。在不偏离本发明范围的情况下可以使用过程控制系统100的其他实施例。
在该示例实施例中，过程控制系统100包括一个或者多个过程元件102a-102b。过程元件102a-102b代表处理环境中执行很多种功能中任意功能的组件。例如，过程元件102a-102b可以代表处理环境中的马达、阀和其他工业设备。过程元件102a-102b可以代表处理环境中任何其他的或者额外的组件。过程元件102a-102b中的每一个包括用于在处理环境中执行一个或多个功能的任何硬件、软件、固件或者它们的组合。过程元件102a-102b例如可以代表能够在处理环境中操纵、改变、或者以其他方式处理一种或多种材料的任何组件、设备或者系统。
两个控制器104a-104b耦合到过程元件102a-102b。控制器104a-104b控制过程元件102a-102b的操作。例如，控制器104a-104b可以周期性地提供控制信号给过程元件102a-102b。控制器104a-104b中的每一个包括用于控制一个或多个过程元件102a-102b的任何硬件、软件、固件或者它们的组合。控制器104a-104b例如可以代表C300控制器。作为另一个示例，控制器104a-104b可以包括运行GREEN HILLSINTEGRITY操作系统的POWERPC处理器系列中的处理器，或者运行MICROSOFT WINDOWS操作系统的X86处理器系列中的处理器。
两个服务器106a-106b耦合到控制器104a-104b。服务器106a-106b执行各种功能来支持控制器104a-104b和过程元件102a-102b的操作和控制。例如，服务器106a-106b可以把控制器104a-104b收集或者生成的信息记入日志，诸如与过程元件102a-102b的操作相关的状态信息。服务器106a-106b还可以执行控制控制器104a-104b的操作的应用程序，从而控制过程元件102a-102b的操作。此外，服务器106a-106b可以提供对于控制器104a-104b的安全访问。服务器106a-106b中的每一个包括用于提供对控制器104a-104b的访问或者控制的任何硬件、软件、固件或者它们的组合。服务器106a-106b例如可以表示执行来自MICROSOFT CORPORATION的WINDOWS2000的个人计算机(诸如桌上型计算机)。作为另一个示例，服务器106a-106b可以包括运行GREEN HILLSINTEGRITY操作系统的POWERPC处理器系列中的处理器，或者运行MICROSOFT WINDOWS操作系统的X86处理器系列中的处理器。
一个或者多个操作员站108a-108b耦合到服务器106a-106b。操作员站108a-108b表示提供对服务器106a-106b的用户访问的计算或者通信设备，从而可以提供对控制器104a-104b和过程元件102a-102b的用户访问。例如，操作员站108a-108b可以允许用户使用控制器104a-104b和服务器106a-106b收集的信息查看过程元件102a-102b的操作历史。操作员站108a-108b还可以允许用户调整过程元件102a-102b、控制器104a-104b或服务器106a-106b的操作。操作员站108a-108b中的每一个包括用于支持对系统100的用户访问和控制的任何硬件、软件、固件或者它们的组合。操作员站108a-108b例如可以表示执行来自MICROSOFT CORPORATION的WINDOWS95、WINDOWS2000或者WINDOWS NT的个人计算机。
在该示例中，至少其中一个操作员站108b是远程站。该远程站通过远程网络110耦合到服务器106a-106b。网络110便于系统100中不同组件之间的通信。例如，网络110可以在网络地址之间传送网际协议(IP)分组、帧中继帧、异步传输模式(ATM)单元，或者其他合适的信息。网络110可以包括位于一个或多个位置的一个或多个局域网(LAN)，城域网(MAN)，广域网(WAN)，诸如因特网的全球网络的全部或者一部分，或者任何其他通信系统。
在该示例中，系统100包括两个额外的服务器112a-112b。服务器112a-112b执行各种应用程序来控制系统100的总体操作。例如，系统100可以用在加工厂或者生产厂或者其他设施中，服务器112a-112b可以执行用来控制该工厂或其他设施的总体操作的应用程序。作为特定的示例，服务器112a-112b可以执行诸如企业资源规划(ERP)、制造执行系统(MES)的应用程序、或者任何其他或者额外的工厂或过程控制应用程序。服务器112a-112b中的每一个包括用于控制系统100的总体操作的任何硬件、软件、固件或者它们的组合。
如图1所示，系统100包括支持系统100中组件之间通信的各种冗余网络114a-114b和单一网络116a-116c。这些网络114a-114b、116a-116c中的每一个表示方便系统100中组件之间的通信的任何适当的网络或者网络的组合。网络114a-114b、116a-116c例如可以表示以太网。
在操作的一个方面，控制器104a-104b使用来自一个或多个仪器118的信息控制过程元件102a-102b的操作。通常，仪器118监测或者测量过程控制系统100中的一个或者多个过程变量。过程变量通常代表为了控制过程元件102a-102b而监测或者测量的过程控制系统100的方面。例如，过程元件102a-102b可以代表阀，并且仪器118可以测量通过该阀的材料的流速。在该示例中，通过该阀的材料的流速代表仪器118监测或者测量的过程变量。仪器118表示用于监测或者测量过程控制系统100中一个或者多个过程变量的任何适当的设备。
控制器104a-104b中的每一个还使用模型120来控制其相应过程元件102a-102b的操作。下面的术语可能在讨论模型120时使用。“受控变量”表示控制器104a或104b试图使用模型120将其维持在指定的操作范围内或者以别的方式控制的变量。指定的操作范围可以由“受控变量下限”和“受控变量上限”定义。“操纵变量”表示由控制器104a或104b操纵来控制受控变量的变量。例如，受控变量可以表示通过阀的材料的流速，而操纵变量可以表示控制流速的阀的开口。“干扰变量”表示影响受控变量但是不能由控制器104a或104b控制的变量。例如，干扰变量可以表示影响通过阀的材料的流速的、随机的、不可预测并且不可控制的波动。“模型”表示描述一个或者多个操纵变量和一个或者多个受控变量之间的关系的一个或者多个数学函数。模型中的“子模型”指的是描述特定受控变量和特定操纵变量之间的关系的数学函数。
图1中的模型120描述了一个或者多个操纵变量和一个或者多个受控变量之间的一个或者多个关系。例如，模型120可以描述如何通过调节阀的开口而改变通过阀的材料的流速。通过这种方式，模型120可以用于控制流速。模型120通常可以由数学函数G(s)描述，数学函数G(s)代表了输入数据(诸如要发送给阀的控制信号)到输出数据(诸如通过阀的流速)的变换。
系统100中的一个或多个组件还可以包括与每一个控制器104a-104b关联的历史操作数据122。历史操作数据122例如可以驻留在控制器自身、服务器(诸如服务器106a)、操作员站(诸如站108a)、或者历史学家(historian)124或其他数据储存库或数据收集设备中。历史操作数据122表示识别一个或者多个控制器的历史或者过去操作的信息。例如，历史操作数据122可以表示控制器104a或104b接收的输入数据的样本和控制器104a或104b产生的输出数据的样本。作为特定的示例，历史操作数据122可以表示输入和输出数据的样本，其中对于给定的时间段(诸如一个星期)每分钟获取一次样本。
为了确保控制器104a-104b使用的模型120具有可以接受的质量，模型120通常被验证一次或者多次。这帮助确保模型120是有效的并且可以用于有效地控制过程元件102a-102b。根据本发明，使用控制器的历史操作数据122验证该控制器使用的模型120。识别来自历史操作数据122的资料数据或者有用的数据，这帮助减少历史数据中包含的噪声或者其他干扰。
接着以多个分解等级提取并分析资料数据以确定模型120的可预测性。模型120的可预测性提供关于模型120的有效性或质量的指示。以多个分解等级分析资料数据允许捕捉具有不同动态行为的瞬变。瞬变通常表示历史操作数据122中与模型120的验证较为相关的部分。此外，可以将不同的权重与不同的分解等级关联。通过这种方式，在分析中可以对资料数据中某些频率赋予较多或较少的重要性。在下面描述的图3到6示出了如何验证模型120的其他细节。也在下面描述的图7到13示出了如何识别并提取资料数据的其他细节。
尽管图1示出了过程控制系统100的一个示例，但是可以对图1进行各种变化。例如，控制系统可以包括任何数量的过程元件，控制器，服务器，和操作员站。还有，图1示出了可以在其中使用上述的模型验证和资料数据识别技术的一个操作环境。模型验证技术和/或资料数据识别技术可以用于任何其他适合的设备或者系统中。
图2示出根据本发明一个实施例的示例过程控制系统的其他细节。特别地，图2示出过程控制系统100的一部分，其中过程控制系统100用于监测和控制阀的操作。图2所示过程控制系统100的特定实施例仅是为了示例说明。在不偏离本发明范围的情况下可以使用过程控制系统100的其他实施例。另外，在不偏离本发明范围的情况下可以使用其他过程控制系统来控制阀。
在该示例中，一种或多种材料流过管道202，并且由阀204控制通过管道202的材料流。管道202表示能够输送一种或多种材料的任何适当结构。管道202例如可以表示能够输送油、水、盐酸、或者任何其他或者额外材料的钢或者塑料管道或者管子。
阀204控制材料流过管道202的流速。阀204例如可以改变管道202中的开口，其中较大的阀开口允许更多的材料流过管道202。阀204包括能够控制一种或多种材料通过管道202的流动的任何结构。
阀调节器206控制阀204的打开和关闭。例如，阀调节器206可以调节阀204以改变管道202中的开口。以这种方式，阀调节器206可以控制通过管道202的材料的流速。阀调节器206包括能够打开和/或关闭阀204的任何结构。
阀调节器206由控制器104a基于来自仪器118的信息控制。如图2所示，仪器118监测或者测量与流过管道202的材料相关的一个或多个特性。例如，仪器118可以测量通过管道202的材料的流速。仪器118可以监测或者测量流过管道202的材料的任何其他或者额外的特性。仪器118输出过程变量(PV)信号208，该信号包含仪器118进行的各种测量。
控制器104使用过程变量信号208来生成输出(OP)信号210。输出信号210控制阀调节器206的操作。例如，输出信号210中的正值可以使得阀调节器206更多地打开阀204，而负值可以使得阀调节器206更多地关闭阀204。作为另一个示例，输出信号210中较小的正值可以表示阀204较小的开口，而较大的正值可以表示阀204较大的开口。
在该示例中，控制器104a使用设定点(SP)值212来控制阀204。设定点值212识别过程变量信号208的期望值。例如，设定点值212可以表示通过管道202的材料的期望流速，并且控制器104a可以调节阀204的开口从而使流速保持在设定点值212指示的水平或者其附近。控制器104a使用模型120生成输出信号210。
在该示例实施例中，控制器104a包括至少一个处理器214和至少一个存储器216。该至少一个存储器216存储模型120并可能存储与控制器104a关联的历史操作数据122(不过历史操作数据122可能驻留在任何其他位置)。历史操作数据122例如可以表示过程变量信号208的样本和输出信号210的样本。如下面更详细地描述的，历史操作数据122可以用于验证模型120。
尽管图2示出了特定过程控制系统100的一部分的一个示例，但是可以对图2进行各种变化。例如，控制器104a可以控制任何数量的阀204的操作。还有，阀204和阀调节器206可以形成单个整体单元。此外，尽管示出为驻留在控制器104a内部，模型120和历史操作数据122可以驻留在任何适当位置。此外，图2中的控制器104a被描述为单环路调节控制器，意味着控制器104a处理一个操纵变量和一个受控变量。然而，下面更详细描述的模型验证技术可以与任何适当类型的控制器一起使用并且不限于单环路调节控制器。作为示例，模型验证技术可以与多变量模型预测控制器一起使用，该多变量模型预测控制器控制多个基本调节控制器使用的多个设定点。在特定的实施例中，多变量模型预测控制器可以由图1的服务器106a-106b执行或者在其中实施。
图3到图6示出根据本发明一个实施例的在过程控制系统中分析模型质量的示例方法。特别地，图3示出分析模型质量的示例方法300，图4到图6示出图3中包含的各个步骤的示例。为了便于说明，关于验证图1的过程控制系统100中的控制器104a中的模型120描述图3到图6。方法300可以用于任何其他适当的设备和任何其他适当的系统中。还有，模型120的验证可以发生在过程控制系统100中任何适当的组件上，诸如控制器104a、服务器或者操作员站中。
控制器104a的历史操作数据122用于分析和验证控制器104a使用的模型120。在下面的讨论中，可能描述了特定类型的历史操作数据122。这些类型的历史操作数据122包括受控变量的测量值(记为ym)，受控变量下限值(记为CV_lo)，受控变量上限值(记为CV_hi)，以及操纵变量的测量值(记为u)。
如图3所示，方法300包括各个步骤。在一些实施例中，对于被验证的模型120中的每一个子模型执行图3所示的步骤。在该示例中，在步骤302使用历史操作数据122和模型120为每一个子模型定义信号(记为s)和干扰(记为d)。信号s一般表示子模型的输出，干扰d一般表示子模型的输出的破坏。作为特定的示例，可以如下确定每一个子模型的信号s和干扰d。对于每一个子模型i，使用下列等式确定预测yp_sub(i)：
yp_sub(i)＝predict(submodeli，u(i))(1)
其中submodeli表示与子模型i关联的特定数学函数，u(i)表示定义到子模型i的输入的输入函数(其可以表示所收集的该特定子模型的操纵变量的历史数据)，而predict表示使用子模型i和函数u(i)的受控变量的预测函数。使用这些结果，用下列等式确定每一个子模型i的信号s和干扰d：
s＝yp_sub(i)(2)
其中K表示对于特定的受控变量，模型120中子模型的总数。
图4和图5中示出对于多个子模型生成信号s和干扰d的一个特定示例。在图4中，三个操纵变量由模型120的三个子模型402-406用于控制一个受控变量。图4示出三个子模型402-406的每一个的传递函数G(s)和阶跃响应。使用上面的等式(1)-(3)，使用子模型402-406和一些历史操作数据确定每一个操纵变量的信号s和干扰d。在该示例中，历史操作数据表示以每分钟一个样本的速率采样的一个星期的历史数据。如图5所示，信号502-506分别表示三个子模型402-406的信号s。信号508-512分别表示三个子模型402-406的干扰d。可以进一步处理这些信号502-512来分析模型120的质量。
回到图3，在步骤302之后，在步骤304，使用信号s和干扰d以一个或多个期望的分解等级为每一个子模型提取资料数据片段。作为特定的示例，可以如下提取资料数据片段。每一个子模型的信号s和干扰d可以分解为多个分解等级，诸如通过使用小波分解。图6中示出这样的一个示例，其示出了来自图5的信号506分解为八个分解等级602a-602h。较低等级(例如等级602a和602b)通常集中于或者显示分解的信号s506中较快的瞬变。较高等级(例如等级602g和602h)通常集中于或者显示分解的信号中较慢的瞬变。一旦分解了子模型的信号s和干扰d，选择用于该子模型的适当的分解等级。接着使用所选择的一个(或多个)分解等级从信号506中识别和资料或者相关的数据片段(提取的数据片段的数量记为Q)。下面描述的图7-13示出识别和提取数据片段的其他细节。在本文献中，短语“数据片段”指的是数据信号的一部分。
在步骤304提取了资料数据片段之后，在步骤306使用提取的数据片段确定子模型的可预测性和可预测性指数。这例如可以包括确定每一个提取的数据片段的可预测性。这还可以包括为所有以期望的分解等级提取的数据片段生成可预测性指数。
作为特定的示例，可以如下确定可预测性和可预测性指数。通过使用下面的等式将所有子模型的预测yp_sub相加，确定受控变量的总体预测yp：
使用下列等式计算每一个提取的数据片段的预测误差pred_error_seg：
pred_error_seg＝ym_seg-yp_seg(5)
其中ym_seg表示提取的数据片段的测量值，yp_seg表示相同的提取的数据片段的预测yp。可以调节或者偏移数据片段的ym_seg和yp_seg，使得它们基于相同的初始条件，即ym_seg的第一元素的值和yp_seg的第一元素的值相等。
可以使用任何适当的技术确定每一个数据片段的可预测性。例如，数据片段的可预测性pred_seg可以使用下列等式中的一个或者两个来确定：
或者
其中norm表示测量矢量的能量或大小的运算，max表示取最大值运算。还可以组合不同的技术来确定每一个数据片段的可预测性。例如，可以使用预测误差pred_error_seg和yp或u之间的相关性，其中较大的相关性得到较小的可预测性。
期望的分解等级的可预测性指数接着被确定为与该分解等级关联的提取的数据片段的可预测性的加权平均。例如，期望的分解等级的可预测性指数pred_level可以使用下列等式确定：
其中w(i)表示与第i个提取的数据片段关联的权重。数据片段的权重w可以使用下列等式确定：
w＝norm(yp_seg)*w_seg(9)
其中w_seg表示基于其分类分配给数据片段的权重。在特定实施例中，每一个提取的数据片段可以被分类到三个类别中的一个，这三个类别与不同的w_seg值关联。如果数据片段是由于受控变量中设定点变化而提取的，那么将该数据片段的w_seg值设定为四。如果数据片段是由于受控变量数据在CV_hi和CV_lo定义的范围之外而提取的，那么w_seg值设定为二。否则，将w_seg值设定为一。这些值和分类仅是为了示例说明，可以使用其他w_seg值和分类。
在步骤306确定可预测性和可预测性指数之后，在步骤308确定每一个子模型的总体可预测性指数。这例如可以包括使用对于子模型期望的分解等级的可预测性指数确定该子模型的总体可预测性指数。作为特定示例，可以使用L个期望的分解等级的可预测性指数确定总体可预测性指数pred_overall，例如通过使用下列等式：
其中W_level(i)表示与第i个分解等级关联的权重。可以任何适当的方式确定分解等级的加权。例如，可以使用同量加权，其中每一个分解等级具有W_level值1。作为另一个示例，分解等级的加权可以与使用该分解等级提取的数据片段的总长度成比例，其中较长的长度与较大的权重相关联。作为第三示例，加权可以基于分解等级自身，诸如较高的分解等级具有较大的权重以强调较低频率。
在步骤310生成每一个子模型在多个分解等级处的增益乘数和新的可预测性指数。可以任何适当的方式确定增益乘数。作为特定的示例，假定yp_seg(j，i)表示子模型i中特定分解等级处的数据片段j经过调整的预测。还有，假定ym_seg(j)表示数据片段j中受控变量的经过调整的测量。此外，假定GM_level(i)表示子模型i在特定分解等级处的增益乘数。可以使用下列两种方法确定增益乘数GM_level(i)：
(11)
和
子模型在特定的分解等级处的最终增益乘数GM_level(i)可以表示使用等式(11)和(12)确定的增益乘数的平均。
可以从多个分解等级处的增益乘数GM_level(i)计算总体增益乘数GM_overall(i)。例如，总体增益乘数GM_ovefall(i)可以计算为多个分解等级处的增益乘数GM_level(i)的均值。
接着使用子模型i的增益乘数GM_overall(i)确定该子模型的新的预测yp_new，如以下等式所示：
接着可以再次用新的可预测性指数yp_new使用上面示出的各个等式来确定子模型在多个分解等级处的新的可预测性以及新的总体可预测性指数pred_overall_new。
在步骤312使用该子模型的旧的和新的总体可预测性指数确定模型120中每一个子模型的质量指数。质量指数识别用于控制一个或多个过程元件的子模型的质量。子模型的质量指数可以是旧的总体可预测性指数pred_overall和新的总体可预测性指数pred_overall_new的函数。该函数可以表示将质量指数与旧的和新的总体可预测性指数关联的任何适当的线性或非线性函数。例如，该函数可以随着pred_overall的值增加提供更好的质量指数。还有，该函数可以随着pred_overall和pred_overall_new之间的差异增加提供更差的质量指数。
在此，可以任何适当的方式使用质量指数。例如，可以将子模型的质量指数与阈值比较来确定子模型是否具有可接受的质量。如果不是，可以在过程控制系统100中调整或者替换该子模型。
尽管图3到图6示出了在过程控制系统中分析模型质量的方法的一个示例，但是可以对图3到图6进行各种变化。例如，模型120的分析已被描述为逐个子模型地(submodel-by-submodel)发生。在其他实施例中，可以对一组子模型确定模型质量指数。这例如在两个或者更多操纵变量移动是相关模式时可以是有用的。在这些实施例中，步骤304中处理的信号s可以表示对于该组子模型的预测之和，并且步骤304中处理的干扰d可以表示对于该组子模型的其余部分的预测之和。接着可以对整组子模型生成单个模型质量指数。
作为另一个示例，可以使用对于特定的一组子模型提取的资料数据片段执行质量分析。信号s1，s2，...，si可以定义为来自该组中每一个子模型的预测，并且在步骤S304处理的信号s可以表示信号s1，s2，...，si之和。在步骤S304处理的干扰d可以表示不包括在该组中的子模型的预测之和。接着可以从信号s和干扰d提取资料数据片段，并使用相同的提取的数据片段确定该组中所有子模型的可预测性。在该示例中，在步骤S306确定的可预测性可以基于测量误差残留(测量值和预测值之间的差)和信号s1，s2，...，si中每一个之间的相关性的函数。
作为又一个示例，模型120的质量分析可以考虑未测量的干扰变量。诸如通过受控变量的测量或者通过处理设施的一般工程知识可以知道未测量的干扰变量的一些特性。作为特定的示例，经验显示未测量的干扰变量在较低频率具有大的能量效应。因此，相比于较低分解等级可以较少地加权较高分解等级，从而减少未测量的干扰变量的影响。
图7到图13示出了根据本发明一个实施例的在过程控制系统中识别用于分析模型质量的资料数据的示例方法。特别地，图7示出识别资料数据的示例方法700，图8到图13示出图7中包含的各个步骤的示例。为了便于说明，关于识别用于验证图1的过程控制系统100中的控制器104a中的模型120的资料数据描述图7到图13。不管识别的资料数据是否用于验证模型，方法700可以用于任何其他适当的设备和任何其他适当的系统中。还有，资料数据的识别可以发生在过程控制系统100中任何适当的组件上，诸如控制器104a、服务器或者操作员站中。
如上面所指出的，通常难以从控制器生成的大量历史操作数据122中识别相关的数据。一般地，识别信号中的瞬变表示选择该信号中更相关的部分的一种技术。图7到图13示出基于识别在存在大的信号激励和大的信噪比(SNR)的地方发生的瞬变识别资料数据的一种技术。由于不同的瞬变可以具有不同的频率，该技术还包括将信号分解为多个分解等级，从而允许识别较高频率处(较低分解等级)和较低频率处(较高分解等级)的瞬变。
如图7所示，在步骤702定义信号s和干扰d。这例如可以包括与上面关于图3的步骤302描述的相同或相似的过程。信号s和干扰d的定义通常是与应用有关的。要使用信号s和干扰d提取的数据的所建议的使用可以控制如何定义或者计算信号s和干扰d。一般地，信号s可以定义为其中期望大的能量等级的变量，干扰d可以定义为其中期望小的能量等级的变量。图8示出信号802-804的一个示例，信号802-804分别表示可以在步骤702生成的信号s和干扰d。在该示例中，信号802-804表示之前关于图5描述的相同信号506和512。
在步骤704将冗余小波分解用于信号s和干扰d。这例如可以包括对信号s和干扰d应用离散二进小波变换(DDWT)或者其他冗余小波变换。信号s的小波变换的结果记为Ws，干扰d的小波变换的结果记为Wd。图9示出从信号802-804到多个分解等级902a-902h的一个示例分解。基于图8所示的信号802-804，在较高的分解等级对应于干扰d的小波系数的幅度大于对应于信号s的小波系数。
在步骤706检测分解的信号s(Ws小波系数)中的奇异点。这例如可以包括在每一个分解等级识别小波系数Ws中的局部最大值和局部最小值。可以使用阈值来减少检测到的奇异点的数量。例如，奇异点可以表示具有超过阈值的绝对值的局部最大值和局部最小值。作为特定示例，奇异点可以表示具有超过最大绝对小波系数值的百分之二十的绝对值的局部最大值和局部最小值。图10示出检测不同分解等级中的奇异点1002a和1002b的一个示例。在该示例中，奇异点1002a表示使用该阈值在分解等级902a中找到的局部最大值和局部最小值，奇异点1002b表示使用该阈值在分解等级902f中找到的局部最大值和局部最小值。
在步骤708使用该分解的信号s和干扰d以及奇异点确定每一个分解等级的信噪比。一般，每一个分解等级902a-902h可能具有在不同位置的不同数量的奇异点。特定分解等级中特定奇异点sp的瞬变信噪比值SNR可以使用下面的等式确定：
SNR＝abs(Wssp)/abs(Wdsp)(14)
其中Wssp表示分解的信号s在奇异点sp的小波系数，Wdsp表示分解的干扰d在奇异点sp的小波系数。
在其他实施例中，特定分解等级中特定奇异点sp的瞬变SNR值可以使用下面的等式确定：
SNR＝norm(Wssp(region))/norm(Wdsp(region))(15)
其中Wssp(region)表示奇异点sp周围的区域(分解的信号s的多个小波系数)，Wdsp(region)表示奇异点sp周围的区域(分解的干扰d的多个小波系数)。在特定实施例中，奇异点sp周围的区域可以是可变的。例如，可以基于所分析的分解等级定义该区域。作为特定示例，奇异点sp周围的区域可以被定义为[sp-6*level，sp+6*level]，其中level表示所分析的分解等级的编号。以这种方式，在较低分解等级使用较小区域，在较高分解等级使用较大区域。
在其他实施例中，计算噪声对信号的比率(NSR)，这是因为局部最大值或最小值处的小波系数Ws的值不为零。在这些实施例中，一个或多个NSR值可以使用下列等式确定：
NSR1＝abs(Wdsp)/abs(Wssp) (16)
NSR2＝norm(Wdsp(region))/norm(Wssp(region))(17)
在本文献中，短语“信噪比”指的是涉及信号和噪声的任何比率，不管表示为SNR还是NSR。
在步骤710选择识别的奇异点中的不同多个供进一步处理。这例如可以包括选择具有高信噪比(或者低噪信比)和高信号值的奇异点。作为特定示例，可以选择NSR1＜0.3并且NSR2＜0.3的奇异点。此外，过多数量的奇异点会减慢在方法700中执行的处理。如果识别了过多数量的具有高SNR(或者低NSR)的奇异点，可以选择具有最高绝对小波值的奇异点供进一步处理(诸如具有最大绝对小波值的四十个奇异点)。如图11所示，只有一些来自图10的奇异点1002a满足这些条件，并且来自图10的奇异点1002b都不满足这些条件。这表示在较高分解等级(较低频率等级)处干扰d(信号804)在能量上超出信号s(信号802)。
在步骤712从各个分解等级提取所选择的奇异点周围的数据片段。可以使用任何适当的技术提取数据片段。例如，如图12中所示，提取的数据片段可以表示由奇异点1002a任一侧上的起始点和终止点限定的数据片段。起始点和终止点表示小波系数Ws跨过阈值1202的位置。在图12中所示的示例中，阈值1202表示值0，然而也可以使用任何其他适合的值。阈值1202可以对所有分解等级都是固定的和一致的，或者阈值1202可以是可调节的。可调节的阈值1202例如可以计算为局部最大值或局部最小值的百分比。尽管起始点和终止点是在小波域识别的，但是提取的数据片段自身位于原始的信号域。
作为另一个示例，如图13所示，提取的数据片段可以再次表示由奇异点1002a任一侧上的起始点和终止点限定的数据片段。在该示例中，起始点和终止点表示小波系数Wd跨过阈值1302-1304的位置。在图13所示的示例中，阈值1302-1304表示值±0.05，然而也可以使用任何其他适合的值。再次地，阈值1302-1304可以对所有分解等级都是固定的和一致的，或者阈值1302-1304可以是可调节的。可调节的阈值1302-1304例如可以计算为局部最大值或局部最小值的百分比。再次地，尽管起始点和终止点是在小波域识别的，提取的数据片段自身位于原始的信号域。
图12和13示出了提取奇异点周围的数据片段的两种可能技术。然而，可以使用任何其他适合的技术。例如，可以使用提取具有高SNR(或者低NSR)和高信号能量的数据片段的任何技术。还有，可以组合多种技术来使得数据片段提取更为保守(通过要求数据片段满足所有技术的所有条件)或者更为激进(通过要求数据片段仅满足一种技术的条件)。
此外，在特定实施例中，可以任何适当的方式调节起始点和终止点。例如，数据片段的起始点可以基于小波系数Ws趋向向上还是向下来调节。如果小波系数Ws在奇异点附近趋向向上，可以将起始点调节为表示初始起始点和奇异点之间的最小小波系数Ws。如果小波系数Ws在奇异点附近趋向向下，可以将起始点调节为表示初始起始点和奇异点之间的最大小波系数Ws。
基于图8的信号802-804，上述技术可用于从分解等级902a-902c提取数据片段。可能没有从分解等级902d-902h提取到数据片段。这表示提取的数据片段具有相对高的频率。这通常不能通过简单地检查信号s(信号802)和干扰d(信号804)观察到或者确定。
接着进一步在步骤714处理提取的数据片段。这例如可以包括使用提取的数据片段验证模型120。这还可以包括以任何其他适合的方式使用提取的数据片段。
尽管图7到13示出了识别资料数据的方法的一个示例，但是可以对图7到13进行各种变化。例如，可以使用多个干扰d，并且可以确定每一信号-干扰对的SNR或NSR值。在步骤708确定的总体SNR或NSR值可以被定义为所有干扰d的SNR值或NSR值的函数。还有，奇异点可以表示满足在步骤710选择的所有SNR或NSR值的函数的点。
作为另一个示例，资料数据的识别可以考虑未测量的干扰变量。可以确定未测量的干扰变量的阈值，并且在步骤706识别的奇异点的幅度可以远大于未测量的干扰变量的阈值。
作为其他实施例，可以定义多个信号s，并且可以基于所有信号-干扰对的SNR或NSR值提取数据片段。还有，当比较信号s和干扰d的小波系数时，系数可以位于不同的分解等级(诸如相邻的分解等级)。此外，可以使用多个等级处的小波系数来计算SNR或者NSR值。
可能有利的是提出整个本专利申请中使用的单词或短语的定义。术语“耦合”及其派生词指的是两个或多个元件之间的直接或非直接通信，而与这些元件是否彼此处于物理接触无关。术语“应用程序”指的是适用于以适当的计算机语言实施的一个或多个计算机程序，指令集，程序，函数，对象，类，实例，或者相关数据。术语“包括”和“包含”以及它们的派生词，表示不限制地包括。术语“或”是包括性的，表示和/或。短语“与...相关联”和“与其相关联”以及它们的派生词可以表示包括，被包括在其中，与...互连，包含，被包含在其中，连接到或者与...连接，耦合到或者与...耦合，可以与...通信，与...协作，交错，并置，接近，绑定到或者与...绑定，具有，具有...的特性之类。术语“控制器”表示控制至少一个操作的任何设备，系统或者它们的部件。控制器可以硬件、固件、软件或者其中至少两种的某种组合实施。与任何特定控制器相关的功能性可以是集中的或者分布式的，不论是本地的还是远程的。
尽管本说明书已经描述了特定实施例和一般相关的方法，但是这些实施例和方法的改变和置换对本领域技术人员是显而易见的。因此，上述示例实施例的描述不限定或者限制本发明。在不偏离所附权利要求书定义的本发明的精神和范围的情况下，其他改变、替换和变化也是可能的。
对相关申请的交叉引用
本专利申请与________提交的、标题为“APPARATUS AND METHOD FORANALYZING MODEL QUALITY IN A PROCESS CONTROL ENVIRONMENT”的美国专利申请No.__/___,___[代理人案号No.H0009745]相关，该美国专利申请在此引入以供参考。
在该示例实施例中，过程控制系统100包括一个或者多个过程元件102a-102b。过程元件102a-102b代表处理环境中执行很多种功能中任意功能的组件。例如，过程元件102a-102b可以代表处理环境中的马达、阀和其他工业设备。过程元件102a-102b可以代表处理环境中任何其他的或者额外的组件。过程元件102a-102b中的每一个包括用于在处理环境中执行一个或多个功能的任何硬件、软件、固件或者它们的组合。过程元件102a-102b例如可以代表能够在处理环境中操纵、改变、或者以其他方式处理一种或多种材料的任何组件、设备或者系统。
两个控制器104a-104b耦合到过程元件102a-102b。控制器104a-104b控制过程元件102a-102b的操作。例如，控制器104a-104b可以周期性地提供控制信号给过程元件102a-102b。控制器104a-104b中的每一个包括用于控制一个或多个过程元件102a-102b的任何硬件、软件、固件或者它们的组合。控制器104a-104b例如可以代表C300控制器。作为另一个示例，控制器104a-104b可以包括运行GREEN HILLSINTEGRITY操作系统的POWERPC处理器系列中的处理器，或者运行MICROSOFT WINDOWS操作系统的X86处理器系列中的处理器。
两个服务器106a-106b耦合到控制器104a-104b。服务器106a-106b执行各种功能来支持控制器104a-104b和过程元件102a-102b的操作和控制。例如，服务器106a-106b可以把控制器104a-104b收集或者生成的信息记入日志，诸如与过程元件102a-102b的操作相关的状态信息。服务器106a-106b还可以执行控制控制器104a-104b的操作的应用程序，从而控制过程元件102a-102b的操作。此外，服务器106a-106b可以提供对于控制器104a-104b的安全访问。服务器106a-106b中的每一个包括用于提供对控制器104a-104b的访问或者控制的任何硬件、软件、固件或者它们的组合。服务器106a-106b例如可以表示执行来自MICROSOFT CORPORATION的WINDOWS2000的个人计算机(诸如桌上型计算机)。作为另一个示例，服务器106a-106b可以包括运行GREEN HILLSINTEGRITY操作系统的POWERPC处理器系列中的处理器，或者运行MICROSOFT WINDOWS操作系统的X86处理器系列中的处理器。
一个或者多个操作员站108a-108b耦合到服务器106a-106b。操作员站108a-108b表示提供对服务器106a-106b的用户访问的计算或者通信设备，从而可以提供对控制器104a-104b和过程元件102a-102b的用户访问。例如，操作员站108a-108b可以允许用户使用控制器104a-104b和服务器106a-106b收集的信息查看过程元件102a-102b的操作历史。操作员站108a-108b还可以允许用户调整过程元件102a-102b、控制器104a-104b或服务器106a-106b的操作。操作员站108a-108b中的每一个包括用于支持对系统100的用户访问和控制的任何硬件、软件、固件或者它们的组合。操作员站108a-108b例如可以表示执行来自MICROSOFT CORPORATION的WINDOWS95、WINDOWS2000或者WINDOWS NT的个人计算机。
在该示例中，至少其中一个操作员站108b是远程站。该远程站通过远程网络110耦合到服务器106a-106b。网络110便于系统100中不同组件之间的通信。例如，网络110可以在网络地址之间传送网际协议(IP)分组、帧中继帧、异步传输模式(ATM)单元，或者其他合适的信息。网络110可以包括位于一个或多个位置的一个或多个局域网(LAN)，城域网(MAN)，广域网(WAN)，诸如因特网的全球网络的全部或者一部分，或者任何其他通信系统。
在该示例中，系统100包括两个额外的服务器112a-112b。服务器112a-112b执行各种应用程序来控制系统100的总体操作。例如，系统100可以用在加工厂或者生产厂或者其他设施中，服务器112a-112b可以执行用来控制该工厂或其他设施的总体操作的应用程序。作为特定的示例，服务器112a-112b可以执行诸如企业资源规划(ERP)、制造执行系统(MES)的应用程序、或者任何其他或者额外的工厂或过程控制应用程序。服务器112a-112b中的每一个包括用于控制系统100的总体操作的任何硬件、软件、固件或者它们的组合。
如图1所示，系统100包括支持系统100中组件之间通信的各种冗余网络114a-114b和单一网络116a-116c。这些网络114a-114b、116a-116c中的每一个表示方便系统100中组件之间的通信的任何适当的网络或者网络的组合。网络114a-114b、116a-116c例如可以表示以太网。
在操作的一个方面，控制器104a-104b使用来自一个或多个仪器118的信息控制过程元件102a-102b的操作。通常，仪器118监测或者测量过程控制系统100中的一个或者多个过程变量。过程变量通常代表为了控制过程元件102a-102b而监测或者测量的过程控制系统100的方面。例如，过程元件102a-102b可以代表阀，并且仪器118可以测量通过该阀的材料的流速。在该示例中，通过该阀的材料的流速代表仪器118监测或者测量的过程变量。仪器118表示用于监测或者测量过程控制系统100中一个或者多个过程变量的任何适当的设备。
控制器104a-104b中的每一个还使用模型120来控制其相应过程元件102a-102b的操作。下面的术语可能在讨论模型120时使用。“受控变量”表示控制器104a或104b试图使用模型120将其维持在指定的操作范围内或者以别的方式控制的变量。指定的操作范围可以由“受控变量下限”和“受控变量上限”定义。“操纵变量”表示由控制器104a或104b操纵来控制受控变量的变量。例如，受控变量可以表示通过阀的材料的流速，而操纵变量可以表示控制流速的阀的开口。“干扰变量”表示影响受控变量但是不能由控制器104a或104b控制的变量。例如，干扰变量可以表示影响通过阀的材料的流速的、随机的、不可预测并且不可控制的波动。“模型”表示描述一个或者多个操纵变量和一个或者多个受控变量之间的关系的一个或者多个数学函数。模型中的“子模型”指的是描述特定受控变量和特定操纵变量之间的关系的数学函数。
图1中的模型120描述了一个或者多个操纵变量和一个或者多个受控变量之间的一个或者多个关系。例如，模型120可以描述如何通过调节阀的开口而改变通过阀的材料的流速。通过这种方式，模型120可以用于控制流速。模型120通常可以由数学函数G(s)描述，数学函数G(s)代表了输入数据(诸如要发送给阀的控制信号)到输出数据(诸如通过阀的流速)的变换。
系统100中的一个或多个组件还可以包括与每一个控制器104a-104b关联的历史操作数据122。历史操作数据122例如可以驻留在控制器自身、服务器(诸如服务器106a)、操作员站(诸如站108a)、或者历史学家(historian)124或其他数据储存库或数据收集设备中。历史操作数据122表示识别一个或者多个控制器的历史或者过去操作的信息。例如，历史操作数据122可以表示控制器104a或104b接收的输入数据的样本和控制器104a或104b产生的输出数据的样本。作为特定的示例，历史操作数据122可以表示输入和输出数据的样本，其中对于给定的时间段(诸如一个星期)每分钟获取一次样本。
为了确保控制器104a-104b使用的模型120具有可以接受的质量，模型120通常被验证一次或者多次。这帮助确保模型120是有效的并且可以用于有效地控制过程元件102a-102b。根据本发明，使用控制器的历史操作数据122验证该控制器使用的模型120。识别来自历史操作数据122的资料数据或者有用的数据，这帮助减少历史数据中包含的噪声或者其他干扰。
接着以多个分解等级提取并分析资料数据以确定模型120的可预测性。模型120的可预测性提供关于模型120的有效性或质量的指示。以多个分解等级分析资料数据允许捕捉具有不同动态行为的瞬变。瞬变通常表示历史操作数据122中与模型120的验证较为相关的部分。此外，可以将不同的权重与不同的分解等级关联。通过这种方式，在分析中可以对资料数据中某些频率赋予较多或较少的重要性。在下面描述的图3到6示出了如何验证模型120的其他细节。也在下面描述的图7到13示出了如何识别并提取资料数据的其他细节。
尽管图1示出了过程控制系统100的一个示例，但是可以对图1进行各种变化。例如，控制系统可以包括任何数量的过程元件，控制器，服务器，和操作员站。还有，图1示出了可以在其中使用上述的模型验证和资料数据识别技术的一个操作环境。模型验证技术和/或资料数据识别技术可以用于任何其他适合的设备或者系统中。
图2示出根据本发明一个实施例的示例过程控制系统的其他细节。特别地，图2示出过程控制系统100的一部分，其中过程控制系统100用于监测和控制阀的操作。图2所示过程控制系统100的特定实施例仅是为了示例说明。在不偏离本发明范围的情况下可以使用过程控制系统100的其他实施例。另外，在不偏离本发明范围的情况下可以使用其他过程控制系统来控制阀。
在该示例中，一种或多种材料流过管道202，并且由阀204控制通过管道202的材料流。管道202表示能够输送一种或多种材料的任何适当结构。管道202例如可以表示能够输送油、水、盐酸、或者任何其他或者额外材料的钢或者塑料管道或者管子。
阀204控制材料流过管道202的流速。阀204例如可以改变管道202中的开口，其中较大的阀开口允许更多的材料流过管道202。阀204包括能够控制一种或多种材料通过管道202的流动的任何结构。
阀调节器206控制阀204的打开和关闭。例如，阀调节器206可以调节阀204以改变管道202中的开口。以这种方式，阀调节器206可以控制通过管道202的材料的流速。阀调节器206包括能够打开和/或关闭阀204的任何结构。
阀调节器206由控制器104a基于来自仪器118的信息控制。如图2所示，仪器118监测或者测量与流过管道202的材料相关的一个或多个特性。例如，仪器118可以测量通过管道202的材料的流速。仪器118可以监测或者测量流过管道202的材料的任何其他或者额外的特性。仪器118输出过程变量(PV)信号208，该信号包含仪器118进行的各种测量。
控制器104使用过程变量信号208来生成输出(OP)信号210。输出信号210控制阀调节器206的操作。例如，输出信号210中的正值可以使得阀调节器206更多地打开阀204，而负值可以使得阀调节器206更多地关闭阀204。作为另一个示例，输出信号210中较小的正值可以表示阀204较小的开口，而较大的正值可以表示阀204较大的开口。
在该示例中，控制器104a使用设定点(SP)值212来控制阀204。设定点值212识别过程变量信号208的期望值。例如，设定点值212可以表示通过管道202的材料的期望流速，并且控制器104a可以调节阀204的开口从而使流速保持在设定点值212指示的水平或者其附近。控制器104a使用模型120生成输出信号210。
在该示例实施例中，控制器104a包括至少一个处理器214和至少一个存储器216。该至少一个存储器216存储模型120并可能存储与控制器104a关联的历史操作数据122(不过历史操作数据122可能驻留在任何其他位置)。历史操作数据122例如可以表示过程变量信号208的样本和输出信号210的样本。如下面更详细地描述的，历史操作数据122可以用于验证模型120。
尽管图2示出了特定过程控制系统100的一部分的一个示例，但是可以对图2进行各种变化。例如，控制器104a可以控制任何数量的阀204的操作。还有，阀204和阀调节器206可以形成单个整体单元。此外，尽管示出为驻留在控制器104a内部，模型120和历史操作数据122可以驻留在任何适当位置。此外，图2中的控制器104a被描述为单环路调节控制器，意味着控制器104a处理一个操纵变量和一个受控变量。然而，下面更详细描述的模型验证技术可以与任何适当类型的控制器一起使用并且不限于单环路调节控制器。作为示例，模型验证技术可以与多变量模型预测控制器一起使用，该多变量模型预测控制器控制多个基本调节控制器使用的多个设定点。在特定的实施例中，多变量模型预测控制器可以由图1的服务器106a-106b执行或者在其中实施。
图3到图6示出根据本发明一个实施例的在过程控制系统中分析模型质量的示例方法。特别地，图3示出分析模型质量的示例方法300，图4到图6示出图3中包含的各个步骤的示例。为了便于说明，关于验证图1的过程控制系统100中的控制器104a中的模型120描述图3到图6。方法300可以用于任何其他适当的设备和任何其他适当的系统中。还有，模型120的验证可以发生在过程控制系统100中任何适当的组件上，诸如控制器104a、服务器或者操作员站中。
控制器104a的历史操作数据122用于分析和验证控制器104a使用的模型120。在下面的讨论中，可能描述了特定类型的历史操作数据122。这些类型的历史操作数据122包括受控变量的测量值(记为ym)，受控变量下限值(记为CV_lo)，受控变量上限值(记为CV_hi)，以及操纵变量的测量值(记为u)。
如图3所示，方法300包括各个步骤。在一些实施例中，对于被验证的模型120中的每一个子模型执行图3所示的步骤。在该示例中，在步骤302使用历史操作数据122和模型120为每一个子模型定义信号(记为s)和干扰(记为d)。信号s一般表示子模型的输出，干扰d一般表示子模型的输出的破坏。作为特定的示例，可以如下确定每一个子模型的信号s和干扰d。对于每一个子模型i，使用下列等式确定预测yp_sub(i)：
yp_sub(i)＝predict(submodeli，u(i))(1)
其中submodeli表示与子模型i关联的特定数学函数，u(i)表示定义到子模型i的输入的输入函数(其可以表示所收集的该特定子模型的操纵变量的历史数据)，而predict表示使用子模型i和函数u(i)的受控变量的预测函数。使用这些结果，用下列等式确定每一个子模型i的信号s和干扰d：
s＝yp_sub(i)(2)
其中K表示对于特定的受控变量，模型120中子模型的总数。
图4和图5中示出对于多个子模型生成信号s和干扰d的一个特定示例。在图4中，三个操纵变量由模型120的三个子模型402-406用于控制一个受控变量。图4示出三个子模型402-406的每一个的传递函数G(s)和阶跃响应。使用上面的等式(1)-(3)，使用子模型402-406和一些历史操作数据确定每一个操纵变量的信号s和干扰d。在该示例中，历史操作数据表示以每分钟一个样本的速率采样的一个星期的历史数据。如图5所示，信号502-506分别表示三个子模型402-406的信号s。信号508-512分别表示三个子模型402-406的干扰d。可以进一步处理这些信号502-512来分析模型120的质量。
回到图3，在步骤302之后，在步骤304，使用信号s和干扰d以一个或多个期望的分解等级为每一个子模型提取资料数据片段。作为特定的示例，可以如下提取资料数据片段。每一个子模型的信号s和干扰d可以分解为多个分解等级，诸如通过使用小波分解。图6中示出这样的一个示例，其示出了来自图5的信号506分解为八个分解等级602a-602h。较低等级(例如等级602a和602b)通常集中于或者显示分解的信号s506中较快的瞬变。较高等级(例如等级602g和602h)通常集中于或者显示分解的信号中较慢的瞬变。一旦分解了子模型的信号s和干扰d，选择用于该子模型的适当的分解等级。接着使用所选择的一个(或多个)分解等级从信号506中识别和资料或者相关的数据片段(提取的数据片段的数量记为Q)。下面描述的图7-13示出识别和提取数据片段的其他细节。在本文献中，短语“数据片段”指的是数据信号的一部分。
在步骤304提取了资料数据片段之后，在步骤306使用提取的数据片段确定子模型的可预测性和可预测性指数。这例如可以包括确定每一个提取的数据片段的可预测性。这还可以包括为所有以期望的分解等级提取的数据片段生成可预测性指数。
作为特定的示例，可以如下确定可预测性和可预测性指数。通过使用下面的等式将所有子模型的预测yp_sub相加，确定受控变量的总体预测yp：
使用下列等式计算每一个提取的数据片段的预测误差pred_error_seg：
pred_error_seg＝ym_seg-yp_seg(5)
其中ym_seg表示提取的数据片段的测量值，yp_seg表示相同的提取的数据片段的预测yp。可以调节或者偏移数据片段的ym_seg和yp_seg，使得它们基于相同的初始条件，即ym_seg的第一元素的值和yp_seg的第一元素的值相等。
可以使用任何适当的技术确定每一个数据片段的可预测性。例如，数据片段的可预测性pred_seg可以使用下列等式中的一个或者两个来确定：
或者
其中norm表示测量矢量的能量或大小的运算，max表示取最大值运算。还可以组合不同的技术来确定每一个数据片段的可预测性。例如，可以使用预测误差pred_error_seg和yp或u之间的相关性，其中较大的相关性得到较小的可预测性。
期望的分解等级的可预测性指数接着被确定为与该分解等级关联的提取的数据片段的可预测性的加权平均。例如，期望的分解等级的可预测性指数pred_level可以使用下列等式确定：
其中w(i)表示与第i个提取的数据片段关联的权重。数据片段的权重w可以使用下列等式确定：
w＝norm(yp_seg)*w_seg(9)
其中w_seg表示基于其分类分配给数据片段的权重。在特定实施例中，每一个提取的数据片段可以被分类到三个类别中的一个，这三个类别与不同的w_seg值关联。如果数据片段是由于受控变量中设定点变化而提取的，那么将该数据片段的w_seg值设定为四。如果数据片段是由于受控变量数据在CV_hi和CV_lo定义的范围之外而提取的，那么w_seg值设定为二。否则，将w_seg值设定为一。这些值和分类仅是为了示例说明，可以使用其他w_seg值和分类。
在步骤306确定可预测性和可预测性指数之后，在步骤308确定每一个子模型的总体可预测性指数。这例如可以包括使用对于子模型期望的分解等级的可预测性指数确定该子模型的总体可预测性指数。作为特定示例，可以使用L个期望的分解等级的可预测性指数确定总体可预测性指数pred_overall，例如通过使用下列等式：
其中W_level(i)表示与第i个分解等级关联的权重。可以任何适当的方式确定分解等级的加权。例如，可以使用同量加权，其中每一个分解等级具有W_level值1。作为另一个示例，分解等级的加权可以与使用该分解等级提取的数据片段的总长度成比例，其中较长的长度与较大的权重相关联。作为第三示例，加权可以基于分解等级自身，诸如较高的分解等级具有较大的权重以强调较低频率。
在步骤310生成每一个子模型在多个分解等级处的增益乘数和新的可预测性指数。可以任何适当的方式确定增益乘数。作为特定的示例，假定yp_seg(j，i)表示子模型i中特定分解等级处的数据片段j经过调整的预测。还有，假定ym_seg(j)表示数据片段j中受控变量的经过调整的测量。此外，假定GM_level(i)表示子模型i在特定分解等级处的增益乘数。可以使用下列两种方法确定增益乘数GM_level(i)：
(11)
和
子模型在特定的分解等级处的最终增益乘数GM_level(i)可以表示使用等式(11)和(12)确定的增益乘数的平均。
可以从多个分解等级处的增益乘数GM_level(i)计算总体增益乘数GM_overall(i)。例如，总体增益乘数GM_ovefall(i)可以计算为多个分解等级处的增益乘数GM_level(i)的均值。
接着使用子模型i的增益乘数GM_overall(i)确定该子模型的新的预测yp_new，如以下等式所示：
接着可以再次用新的可预测性指数yp_new使用上面示出的各个等式来确定子模型在多个分解等级处的新的可预测性以及新的总体可预测性指数pred_overall_new。
在步骤312使用该子模型的旧的和新的总体可预测性指数确定模型120中每一个子模型的质量指数。质量指数识别用于控制一个或多个过程元件的子模型的质量。子模型的质量指数可以是旧的总体可预测性指数pred_overall和新的总体可预测性指数pred_overall_new的函数。该函数可以表示将质量指数与旧的和新的总体可预测性指数关联的任何适当的线性或非线性函数。例如，该函数可以随着pred_overall的值增加提供更好的质量指数。还有，该函数可以随着pred_overall和pred_overall_new之间的差异增加提供更差的质量指数。
在此，可以任何适当的方式使用质量指数。例如，可以将子模型的质量指数与阈值比较来确定子模型是否具有可接受的质量。如果不是，可以在过程控制系统100中调整或者替换该子模型。
尽管图3到图6示出了在过程控制系统中分析模型质量的方法的一个示例，但是可以对图3到图6进行各种变化。例如，模型120的分析已被描述为逐个子模型地(submodel-by-submodel)发生。在其他实施例中，可以对一组子模型确定模型质量指数。这例如在两个或者更多操纵变量移动是相关模式时可以是有用的。在这些实施例中，步骤304中处理的信号s可以表示对于该组子模型的预测之和，并且步骤304中处理的干扰d可以表示对于该组子模型的其余部分的预测之和。接着可以对整组子模型生成单个模型质量指数。
作为另一个示例，可以使用对于特定的一组子模型提取的资料数据片段执行质量分析。信号s1，s2，...，si可以定义为来自该组中每一个子模型的预测，并且在步骤S304处理的信号s可以表示信号s1，s2，...，si之和。在步骤S304处理的干扰d可以表示不包括在该组中的子模型的预测之和。接着可以从信号s和干扰d提取资料数据片段，并使用相同的提取的数据片段确定该组中所有子模型的可预测性。在该示例中，在步骤S306确定的可预测性可以基于测量误差残留(测量值和预测值之间的差)和信号s1，s2，...，si中每一个之间的相关性的函数。
作为又一个示例，模型120的质量分析可以考虑未测量的干扰变量。诸如通过受控变量的测量或者通过处理设施的一般工程知识可以知道未测量的干扰变量的一些特性。作为特定的示例，经验显示未测量的干扰变量在较低频率具有大的能量效应。因此，相比于较低分解等级可以较少地加权较高分解等级，从而减少未测量的干扰变量的影响。
图7到图13示出了根据本发明一个实施例的在过程控制系统中识别用于分析模型质量的资料数据的示例方法。特别地，图7示出识别资料数据的示例方法700，图8到图13示出图7中包含的各个步骤的示例。为了便于说明，关于识别用于验证图1的过程控制系统100中的控制器104a中的模型120的资料数据描述图7到图13。不管识别的资料数据是否用于验证模型，方法700可以用于任何其他适当的设备和任何其他适当的系统中。还有，资料数据的识别可以发生在过程控制系统100中任何适当的组件上，诸如控制器104a、服务器或者操作员站中。
如上面所指出的，通常难以从控制器生成的大量历史操作数据122中识别相关的数据。一般地，识别信号中的瞬变表示选择该信号中更相关的部分的一种技术。图7到图13示出基于识别在存在大的信号激励和大的信噪比(SNR)的地方发生的瞬变识别资料数据的一种技术。由于不同的瞬变可以具有不同的频率，该技术还包括将信号分解为多个分解等级，从而允许识别较高频率处(较低分解等级)和较低频率处(较高分解等级)的瞬变。
如图7所示，在步骤702定义信号s和干扰d。这例如可以包括与上面关于图3的步骤302描述的相同或相似的过程。信号s和干扰d的定义通常是与应用有关的。要使用信号s和干扰d提取的数据的所建议的使用可以控制如何定义或者计算信号s和干扰d。一般地，信号s可以定义为其中期望大的能量等级的变量，干扰d可以定义为其中期望小的能量等级的变量。图8示出信号802-804的一个示例，信号802-804分别表示可以在步骤702生成的信号s和干扰d。在该示例中，信号802-804表示之前关于图5描述的相同信号506和512。
在步骤704将冗余小波分解用于信号s和干扰d。这例如可以包括对信号s和干扰d应用离散二进小波变换(DDWT)或者其他冗余小波变换。信号s的小波变换的结果记为Ws，干扰d的小波变换的结果记为Wd。图9示出从信号802-804到多个分解等级902a-902h的一个示例分解。基于图8所示的信号802-804，在较高的分解等级对应于干扰d的小波系数的幅度大于对应于信号s的小波系数。
在步骤706检测分解的信号s(Ws小波系数)中的奇异点。这例如可以包括在每一个分解等级识别小波系数Ws中的局部最大值和局部最小值。可以使用阈值来减少检测到的奇异点的数量。例如，奇异点可以表示具有超过阈值的绝对值的局部最大值和局部最小值。作为特定示例，奇异点可以表示具有超过最大绝对小波系数值的百分之二十的绝对值的局部最大值和局部最小值。图10示出检测不同分解等级中的奇异点1002a和1002b的一个示例。在该示例中，奇异点1002a表示使用该阈值在分解等级902a中找到的局部最大值和局部最小值，奇异点1002b表示使用该阈值在分解等级902f中找到的局部最大值和局部最小值。
在步骤708使用该分解的信号s和干扰d以及奇异点确定每一个分解等级的信噪比。一般，每一个分解等级902a-902h可能具有在不同位置的不同数量的奇异点。特定分解等级中特定奇异点sp的瞬变信噪比值SNR可以使用下面的等式确定：
SNR＝abs(Wssp)/abs(Wdsp)(14)
其中Wssp表示分解的信号s在奇异点sp的小波系数，Wdsp表示分解的干扰d在奇异点sp的小波系数。
在其他实施例中，特定分解等级中特定奇异点sp的瞬变SNR值可以使用下面的等式确定：
SNR＝norm(Wssp(region))/norm(Wdsp(region))(15)
其中Wssp(region)表示奇异点sp周围的区域(分解的信号s的多个小波系数)，Wdsp(region)表示奇异点sp周围的区域(分解的干扰d的多个小波系数)。在特定实施例中，奇异点sp周围的区域可以是可变的。例如，可以基于所分析的分解等级定义该区域。作为特定示例，奇异点sp周围的区域可以被定义为[sp-6*level，sp+6*level]，其中level表示所分析的分解等级的编号。以这种方式，在较低分解等级使用较小区域，在较高分解等级使用较大区域。
在其他实施例中，计算噪声对信号的比率(NSR)，这是因为局部最大值或最小值处的小波系数Ws的值不为零。在这些实施例中，一个或多个NSR值可以使用下列等式确定：
NSR1＝abs(Wdsp)/abs(Wssp) (16)
NSR2＝norm(Wdsp(region))/norm(Wssp(region))(17)
在本文献中，短语“信噪比”指的是涉及信号和噪声的任何比率，不管表示为SNR还是NSR。
在步骤710选择识别的奇异点中的不同多个供进一步处理。这例如可以包括选择具有高信噪比(或者低噪信比)和高信号值的奇异点。作为特定示例，可以选择NSR1＜0.3并且NSR2＜0.3的奇异点。此外，过多数量的奇异点会减慢在方法700中执行的处理。如果识别了过多数量的具有高SNR(或者低NSR)的奇异点，可以选择具有最高绝对小波值的奇异点供进一步处理(诸如具有最大绝对小波值的四十个奇异点)。如图11所示，只有一些来自图10的奇异点1002a满足这些条件，并且来自图10的奇异点1002b都不满足这些条件。这表示在较高分解等级(较低频率等级)处干扰d(信号804)在能量上超出信号s(信号802)。
在步骤712从各个分解等级提取所选择的奇异点周围的数据片段。可以使用任何适当的技术提取数据片段。例如，如图12中所示，提取的数据片段可以表示由奇异点1002a任一侧上的起始点和终止点限定的数据片段。起始点和终止点表示小波系数Ws跨过阈值1202的位置。在图12中所示的示例中，阈值1202表示值0，然而也可以使用任何其他适合的值。阈值1202可以对所有分解等级都是固定的和一致的，或者阈值1202可以是可调节的。可调节的阈值1202例如可以计算为局部最大值或局部最小值的百分比。尽管起始点和终止点是在小波域识别的，但是提取的数据片段自身位于原始的信号域。
作为另一个示例，如图13所示，提取的数据片段可以再次表示由奇异点1002a任一侧上的起始点和终止点限定的数据片段。在该示例中，起始点和终止点表示小波系数Wd跨过阈值1302-1304的位置。在图13所示的示例中，阈值1302-1304表示值±0.05，然而也可以使用任何其他适合的值。再次地，阈值1302-1304可以对所有分解等级都是固定的和一致的，或者阈值1302-1304可以是可调节的。可调节的阈值1302-1304例如可以计算为局部最大值或局部最小值的百分比。再次地，尽管起始点和终止点是在小波域识别的，提取的数据片段自身位于原始的信号域。
图12和13示出了提取奇异点周围的数据片段的两种可能技术。然而，可以使用任何其他适合的技术。例如，可以使用提取具有高SNR(或者低NSR)和高信号能量的数据片段的任何技术。还有，可以组合多种技术来使得数据片段提取更为保守(通过要求数据片段满足所有技术的所有条件)或者更为激进(通过要求数据片段仅满足一种技术的条件)。
此外，在特定实施例中，可以任何适当的方式调节起始点和终止点。例如，数据片段的起始点可以基于小波系数Ws趋向向上还是向下来调节。如果小波系数Ws在奇异点附近趋向向上，可以将起始点调节为表示初始起始点和奇异点之间的最小小波系数Ws。如果小波系数Ws在奇异点附近趋向向下，可以将起始点调节为表示初始起始点和奇异点之间的最大小波系数Ws。
基于图8的信号802-804，上述技术可用于从分解等级902a-902c提取数据片段。可能没有从分解等级902d-902h提取到数据片段。这表示提取的数据片段具有相对高的频率。这通常不能通过简单地检查信号s(信号802)和干扰d(信号804)观察到或者确定。
接着进一步在步骤714处理提取的数据片段。这例如可以包括使用提取的数据片段验证模型120。这还可以包括以任何其他适合的方式使用提取的数据片段。
尽管图7到13示出了识别资料数据的方法的一个示例，但是可以对图7到13进行各种变化。例如，可以使用多个干扰d，并且可以确定每一信号-干扰对的SNR或NSR值。在步骤708确定的总体SNR或NSR值可以被定义为所有干扰d的SNR值或NSR值的函数。还有，奇异点可以表示满足在步骤710选择的所有SNR或NSR值的函数的点。
作为另一个示例，资料数据的识别可以考虑未测量的干扰变量。可以确定未测量的干扰变量的阈值，并且在步骤706识别的奇异点的幅度可以远大于未测量的干扰变量的阈值。
作为其他实施例，可以定义多个信号s，并且可以基于所有信号-干扰对的SNR或NSR值提取数据片段。还有，当比较信号s和干扰d的小波系数时，系数可以位于不同的分解等级(诸如相邻的分解等级)。此外，可以使用多个等级处的小波系数来计算SNR或者NSR值。
可能有利的是提出整个本专利申请中使用的单词或短语的定义。术语“耦合”及其派生词指的是两个或多个元件之间的直接或非直接通信，而与这些元件是否彼此处于物理接触无关。术语“应用程序”指的是适用于以适当的计算机语言实施的一个或多个计算机程序，指令集，程序，函数，对象，类，实例，或者相关数据。术语“包括”和“包含”以及它们的派生词，表示不限制地包括。术语“或”是包括性的，表示和/或。短语“与...相关联”和“与其相关联”以及它们的派生词可以表示包括，被包括在其中，与...互连，包含，被包含在其中，连接到或者与...连接，耦合到或者与...耦合，可以与...通信，与...协作，交错，并置，接近，绑定到或者与...绑定，具有，具有...的特性之类。术语“控制器”表示控制至少一个操作的任何设备，系统或者它们的部件。控制器可以硬件、固件、软件或者其中至少两种的某种组合实施。与任何特定控制器相关的功能性可以是集中的或者分布式的，不论是本地的还是远程的。
尽管本说明书已经描述了特定实施例和一般相关的方法，但是这些实施例和方法的改变和置换对本领域技术人员是显而易见的。因此，上述示例实施例的描述不限定或者限制本发明。在不偏离所附权利要求书定义的本发明的精神和范围的情况下，其他改变、替换和变化也是可能的。
对相关申请的交叉引用
本专利申请与________提交的、标题为“APPARATUS AND METHOD FORANALYZING MODEL QUALITY IN A PROCESS CONTROL ENVIRONMENT”的美国专利申请No.__/___,___[代理人案号No.H0009745]相关，该美国专利申请在此引入以供参考。