CN101529355A - 使用多元统计分析的过程的在线监控和诊断 - Google Patents

Abstract

监控和诊断加工厂中的在线多元过程变量数据的系统和方法，其中所述多元过程数据包括多个过程变量，每个过程变量具有多个观测值，包括：在过程在线时从该加工厂内的过程控制系统采集在线过程数据，其中所采集的在线过程数据包括多个过程变量的多个观测值，并且其中所采集的过程数据的集合的多个观测值包括具有多个维度的第一数据空间；施行多元统计分析，以基于所采集的在线过程数据的集合在与所述第一数据空间相比具有较低维度的第二数据空间内表示过程操作，所采集的在线过程数据的集合包括在过程在线时该过程操作的测量值；施行一元分析，以通过每个过程变量的一元变量将过程操作表示为在线过程数据的多元投影，其中所述一元变量对过程变量进行一元化；以及生成包括由过程操作的多元统计表示生成的结果的第一图和由过程操作的一元表示生成的结果的第二图的视图。

Description

使用多元统计分析的过程的在线监控和诊断

相关申请

本申请要求美国临时申请No.60/827,631的优先权，该临时申请的内容通过引用特别合并于此。

技术领域

本公开内容总的来说涉及加工厂诊断，更具体地说，涉及一种涉及多元统计技术的监控和诊断系统。

背景技术

过程控制系统，例如化学、石油、或其它过程中所使用的过程控制系统，通常包括一个以上通过模拟总线、数字总线或模拟/数字相结合的总线以可通信方式连接至至少一个主机或操作员工作站以及一个以上过程控制和仪表设备的集中式或分散式过程控制器。现场设备可以是例如阀、阀定位器、开关、变送器和传感器(例如温度传感器、压力传感器和流速传感器)，它们位于加工厂环境中，并在诸如开启或关闭阀和测量过程参数、增加或减小流体流量等的过程中施行功能。诸如符合公知的FOUNDATION^TM Fieldbus(以下称作Fieldbus)协议或

协议的现场设备之类的智能现场设备还施行控制运算、报警功能和过程控制器中通常实现的其它控制功能。

通常位于加工厂环境中的过程控制器接收表示现场设备所进行的或所关联的过程测量值或过程变量的信号和/或与现场设备有关的其它信息，并执行控制器应用程序。控制器应用程序实现例如不同的控制模块，这些控制模块进行过程控制决策，基于所接收的信息生成控制信号，并且与诸如

和Fieldbus现场设备之类的现场设备中正在施行的控制模块或块一起协调工作。过程控制器中的控制模块通过通信线路或信号路径向现场设备发送控制信号，从而控制过程的操作。

来自现场设备和过程控制器的信息对于诸如操作员工作站、维护工作站、个人计算机、手持设备、历史数据库、报告发生器、集中式数据库等的一个以上其它硬件设备可用，从而使操作员或维护人员能够施行针对过程的期望的功能，例如改变过程控制例程的设置、更改过程控制器或智能现场设备中的控制模块的操作、查看过程的当前状态或加工厂中的特定设备的当前状态、查看由现场设备和过程控制器生成的警报、对过程操作进行仿真以训练人员或测试过程控制软件，以及诊断加工厂中的问题或硬件故障。

已知的是，在加工厂环境中，尤其是在具有大量现场设备和支持装置的加工厂中，经常会有问题出现。这些问题可能是坏了的或故障的设备，诸如软件例程之类的逻辑元件驻留在不正确的模式，过程控制环路被不正确地调谐，加工厂中的设备之间的通信失败一次以上，等等。这些和其它问题实际上会出现多个，通常会导致过程在异常状态下操作(即加工厂处于异常情况)，这经常与加工厂的次最佳性能相关联。

已经建立了很多诊断工具和应用程序来检测和确定加工厂中问题的产生原因，并且一旦问题发生并被检测到，就协助操作员或维护人员诊断并校正这些问题。例如，通常通过诸如直接或无线总线、以太网、调制解调器、电话线等的通信连接连接至过程控制器的操作员工作站具有适于运行诸如由爱默生过程管理公司出售的DeltaV^TM和

控制系统之类的软件的处理器和存储器。这些控制系统具有大量的控制模块和控制环路诊断工具。同样，维护工作站可以通过与控制器应用程序相同的通信连接，或通过诸如用于过程控制(OPC)的对象连接和嵌入(OLE)连接、手持连接等连接至过程控制设备，维护工作站通常包括被设计为查看由加工厂中的现场设备生成的维护警报和警告、对加工厂中的设备进行测试并对现场设备和加工厂中的其它设备施行维护活动的一个以上应用程序。已经建立出类似的诊断应用程序来诊断加工厂中的支持装置的问题。

因此，诸如AMS^TM程序组：来自爱默生过程管理公司的智能设备管理器之类的商用软件能够与现场设备进行通信，并存储与现场设备有关的数据，以确定并跟踪现场设备的操作状态。同时参考名称为“IntegratedCommunication Network for use in a Field Device Management System(用于现场设备管理系统的集成通信网络)”的美国专利No.5,960,214。在某些情况下，AMS^TM软件可以用来与现场设备进行通信以改变现场设备中的参数，从而使现场设备本身运行诸如自校准例程或自诊断例程之类的应用程序，以获取关于现场设备的状态或健康等的信息。这些信息可以包括例如状态信息(例如是否发生了警报或其它类似的事件)、设备配置信息(例如现场设备当前或可能被配置的方式以及现场设备所使用的测量单元的类型)、设备参数(例如现场设备范围值和其它参数)等。当然，这些信息可以被维护人员用来监控、维护和/或诊断现场设备的问题。

类似地，很多加工厂都包括诸如CSI系统所提供的Machinery

之类的应用程序，用于监控、诊断和优化各种旋转装置的操作状态。维护人员经常使用这些应用程序来维护或检查工厂中的旋转装置的性能，以确定旋转装置的问题，并确定旋转装置是否必须被修理或更换以及修理或更换的时间。类似地，很多加工厂包括电力控制和诊断应用程序，例如由Liebert和ASCO公司提供的那些电力控制和诊断应用程序，以控制并维护发电和配电装置。同时已知的是，在加工厂中运行诸如实时优化器(RTO+)之类的控制优化应用程序，以优化加工厂的控制活动。这种优化应用程序通常使用复杂的算法和/或加工厂的模型来预测可以以何种方式改变输入以针对诸如利润之类的某个期望的优化变量优化加工厂的操作。

这些和其它诊断和优化应用程序通常以全系统为基础在一个以上操作员或维护工作站中实现，并且可以给操作员或维护人员提供关于加工厂或加工厂中的现场设备和装置的操作状态的预配置显示。典型的显示包括接收过程控制器或加工厂中的其它设备所生成的警报的报警显示、指示过程控制器和加工厂中的其它设备的操作状态的控制显示、指示加工厂中的设备的操作状态的维护显示等。同样地，这些和其它诊断应用程序可以使操作员或维护人员能够重新调谐控制环路或重新设置其它控制参数，以运行对一个以上现场设备的测试，从而确定那些现场设备的当前状态，或校准现场设备或其它装置。

尽管这些多种应用程序和工具可以方便加工厂中的问题识别和校正，但是这些诊断应用程序通常被配置为仅在加工厂中已经发生问题之后使用，因此这些诊断应用程序仅在加工厂中已经存在异常情况之后使用。不幸的是，在使用这些工具来检测、识别和校正异常情况之前，异常情况可能已经存在一段时间，这导致问题被检测、识别和校正期间加工厂呈现次最佳性能。在很多情况下，控制操作员首先基于警报、警告或加工厂的不良性能检测到存在某个问题。然后操作员会通知潜在问题的维护人员。维护人员可能检测到也可能检测不到实际的问题，并且可能在实际运行测试或其它诊断应用程序之前需要进一步的提示，或施行识别实际问题所需的其它活动。一旦问题被识别出，维护人员就可能需要定购零件并调度维护程序，所有这些都会导致问题的发生与该问题的校正之间有很长的时间段。在该时间段期间，加工厂可能在通常与工厂的次最佳操作相关联的异常情况下运行。

另外，很多加工厂可能会经历在相对较短的时间量内在工厂中产生严重的代价或损坏的异常情况。例如，如果某些异常情况存在，则即使存在极短的时间量，这些异常情况也会引起对装置的重大损坏、原材料的损耗或加工厂中的明显不期望的停工。因此，仅仅在问题已经发生后检测工厂中的问题，则不管该问题被校正得多快，都会在加工厂中造成严重的损耗或损坏。因此，期望首先设法预防异常情况的出现，而不是在异常情况出现后再设法作出反应并校正加工厂中的问题。

为了采取措施在加工厂中发生任何重大损失之前阻止已预测到的异常情况，可以使用一种技术采集数据，该数据使用户能够在加工厂中的某些异常情况实际出现之前预测这些异常情况的发生。在名称为“Root CauseDiagnostics(根本原因诊断)”、现为美国专利No.7,085,610的美国专利申请No.09/972,078(部分地基于美国专利申请No.08/623,569，现为美国专利No.6,017,143)中公开了该程序。这两个申请的全部公开内容由此通过引用合并于此。一般而言，该技术在加工厂中的诸如现场设备之类的多个设备中的每一个设备中布置统计数据采集和处理块或统计处理监控(SPM)块。该统计数据采集和处理块采集过程变量数据，并确定与所采集的数据相关联的某些统计测量值，例如均值、中值、标准差等。然后这些统计测量值被发送给用户并被分析，以识别已知异常情况在未来发生的模式。一旦系统预测到异常情况，即采取措施以校正潜在的问题，并在第一时间避免异常情况。

主成分分析(PCA)是已在过程控制行业中用于分析多维数据集的多元数据分析技术。PCA技术通常涉及将数据从多维空间降低到仍然能够解释原始数据中的大多数显著变化的低维空间。例如，PCA可以用于将多元数据空间(例如多维数据)的维度降低到几维(例如2维或3维)数据空间，从而将多维数据投影到较低维的主成分空间上(在较低维的主成分空间上对多维数据进行计分)。在L.H.Chiang等人在Springer-Verlag London Limited，pp.35-54(2001)上发表的“Fault Detection and Diagnosis in Industrial Systems(工业系统中的故障检测和诊断)”和E.L.Russell等人在Springer-VerlagLondon Limited，(2000)上发表的“Data-Driven Techniques for Fault Detectionand Diagnosis in Chemical Processes(用于化学过程中的故障检测和诊断的数据驱动技术)”中，可以找到与工业过程中用于故障检测的PCA技术的典型实现有关的进一步细节。

多种软件包提供PCA功能，但是这些包中的绝大多数使用来自数据库的离线过程数据。换句话说，PCA已是一种离线多元统计分析工具。这对于诸如历史数据或已存储的多维数据文件之类的过程数据中异常情况的事后分析是有用的，但是不能用于实时(例如，在线数据分析)检测异常情况。某些现有的PCA软件包可能能够对数据进行实时分析，但是只有在该软件具有通常通过诸如OPC服务器之类的界面从控制系统对过程数据的访问的情况下才可以。因此，工厂人员可能会不幸地具有对与控制系统分离的软件包进行维护的负担，包括支持该软件包对控制系统的访问以及与控制系统的连接。进一步地，异常过程情况的检测应当在任何时候且针对各种异常情况(例如，持续性过程与一次性方案)都可用，从而使异常情况预防工具能够在任何时候针对各种异常情况都展示出警惕性和准确性。

传统的PCA技术还可能无法容易地传达指示过程动态的信息。PCA分析的结果，即得分，通常通过作为基本过程数据的静态表示的散布图(scatterplot)来显示。不考虑得分数据在散布图中被记录或解释的方式，通常存在与被不正确特征化的数据相关联的小的不确定性。如下所述，在没有更多信息的情况下，过程操作员通常不能确定一给定得分是正常的还是异常的。例如，PCA分析的前两个主成分捕获多维数据中的最大变化，由于来自PCA分析的前两个得分表示关于多维数据的行为的最重要信息，包括过程中的最大变化，因而可以绘制这两个得分。

出于这些原因，传统的PCA技术在异常情况的检测中展示出不可靠的性能。PCA得分可能会暗示不存在的异常情况(即错误警报)，并且相反地可能在过程正在异常运转时指示正常操作(即遗漏的诊断)。进一步地，为了实现PCA，使用训练数据(例如，来自“正常”过程操作的数据)建立PCA模型，并将得到的模型应用于检测异常过程情况。训练数据用于获得针对主成分的模型。就这一点来说，PCA得分并不直接与实际的过程变量相关，而且使用PCA监控的过程变量的物理过程极限在分析中不起作用，因而需要统计解释(例如对“数据的优度”进行量化)。

发明内容

根据本公开内容的特定方面，公开了若干种技术以便于监控和诊断过程控制系统及其任何元件的实现。这种监控和诊断通常包括或涉及主成分分析(PCA)以及诸如主成分回归(PCR)、偏最小平方(PLS)、费舍判别分析(FDA)或规范变量分析(CVA)之类的其它多元统计分析技术与过程控制系统的集成。监控的多元本质然后可以支持诊断、异常情况预防以及其它故障检测。这种监控和诊断通常还可以包括或涉及监控多元过程数据的一元分析与单个监控变量的集成。多元分析或一元分析中的每一个都可能便于若干种故障监控和检测技术，例如异常情况检测和预防。

基于PCA的监控和检测技术可以包括、支持或涉及用户界面的生成，该用户界面用于提供一个以上PCA得分的图，例如一个得分相对于时间的图或两个PCA得分的散布图，以及其它信息和数据。具体而言，多元统计分析技术(例如主成分分析)用于PCA和其它得分以及数据查看为动态的在线监控和诊断。为此，模型建立可以在线完成，并且可以根据监控状况的重要性水平对过程变量进行分类。进一步，一元分析技术也用于在线监控和诊断。用户界面可以包括对通过结合PCA模型或其它多元模型创建的统计极限提供的信息进行补充的另外的图。这种另外的图可以呈现过程变量数据与预定物理极限的关系。然后可以用统计极限和物理极限的组合来特征化过程的状态(例如，正常操作、错误的警报、遗漏的警报以及警报)。

附图说明

图1是具有包括一个以上操作员和维护工作站、控制器、现场设备和支持装置的分布式过程控制系统和网络的加工厂的示例性框图；

图2是图1的加工厂的一部分的示例性框图，图示出位于加工厂的不同元件内的异常情况预防系统的各种部件之间的通信互连；

图3是具有用于监控加工厂的操作的操作要求或控制极限的过程变量随时间的图；

图4是过程变量的数目相对于操作要求或控制极限的图或多元视图，该图或视图适合并入根据本公开内容的特定实施例和方面生成的用于在线过程监控的用户界面；

图5是图4的视图在过程变量之一已超出操作要求或控制极限(可以指示异常情况或故障状况)之后的另一视图；

图6是根据本公开内容的一方面，为实现主成分分析(PCA)技术而配置且在用于训练和操作的过程控制系统内例示的示例性功能块的表示；

图7是根据本公开内容的另一方面的PCA技术实现期间示出的另一示例性PCA功能块的表示；

图8是根据本公开内容的另一方面的多元监控和诊断模块(MMDM)的框图，在某些实施例中，该多元监控和诊断模块的部件可以在图6和7的功能块中实现；

图9-12是根据本公开内容的另一方面生成的示例性用户界面显示，在某些实施例中，该示例性用户界面显示可以由图6和7的功能块创建或支持，或者由图8的MMDM工具创建或支持，以用于多元监控和故障检测；

图13-14是根据另一实施例生成且以与图9-12的用于多元监控和故障检测的用户界面显示类似的方式创建或支持的另一示例性用户界面显示；

图15-19是根据又一实施例生成且以与图9-12的用于多元监控和故障检测的用户界面显示类似的方式创建或支持的又一示例性用户界面显示；

图20和21是根据再一实施例生成且以与图9-12的用于多元监控和故障检测的用户界面显示类似的方式创建或支持的再一示例性用户界面显示；

图22和23是根据本公开内容的可以使用图6和7的功能块的另一方面的基于PCA的稳态检测系统和技术的框图；

图24是火焰加热器的示意图，可应用所公开的技术和本公开内容的MMDM工具以进行监控、诊断和故障检测的示例性过程；

图25是基于主成分t1和t2映射到两维空间的训练数据得分的图形表示，该训练数据用于结合图24的火焰加热器的基于PCA的监控、诊断和故障检测；

图26和27是由MMDM工具结合用于图24的火焰加热器的基于PCA的监控、诊断和故障检测生成的示例性用户界面显示；

图28是根据本公开内容的另一方面，用于检测或确定动态操作的多元统计技术用作验证数据的原油流速数据的图；

图29是比较与图28中描绘的流速相关联的实际输出温度数据(T_out)和由用于检测或确定动态操作的多元统计技术的PCR模型预测的输出温度的图；

图30-36是结合用于检测或确定动态操作的多元统计技术的实施生成的示例性用户界面显示；

图37是根据一个实施例，用于检测或确定动态操作的多元统计技术的流程图；

图38和39是根据本公开内容的另一方面，比较示例性火焰加热器的实际输出温度数据与由可以用于检测焦化的多元统计模型预测的数据的图；

图40和41是根据基于多元统计模型的焦化检测技术的一个实施例，比较实际输出温度数据和预测输出温度数据的图；

图42是论证根据本公开内容的另一方面的用于焦化检测另一基于非回归的技术的针对火焰加热器输出温度的PCA模型参数的图；

图43是图42的图中描绘的基于非回归的焦化检测技术的一个实施例的流程图。

具体实施方式

现在参见图1，可实现异常情况预防系统的示例加工厂10包括通过一个以上通信网络与支持装置一起互连的若干个控制和维护系统。具体而言，图1的加工厂10包括一个以上过程控制系统12和14。过程控制系统12可以是诸如PROVOX或RS3系统之类的传统过程控制系统，也可以是任何其它控制系统，所述其它控制系统包括连接至控制器12B和输入/输出(I/O)卡12C的操作员接口12A，控制器12B和输入/输出(I/O)卡12C又连接至诸如模拟和高速可寻址远程变送器(HART)现场设备15之类的各种现场设备。过程控制系统14可以是分布式过程控制系统，包括通过诸如以太网总线之类的总线连接至一个以上分布式控制器14B的一个以上操作员接口14A。控制器14B可以是例如得克萨斯州奥斯汀市的爱默生过程管理公司销售的DeltaV^TM控制器或任何其它期望类型的控制器。控制器14B通过I/O设备连接到一个以上现场设备16，例如HART或Fieldbus现场设备，或任何其它包括例如使用

AS-Interface以及CAN协议中的任一种的智能或非智能现场设备。已知现场设备16可以向控制器14B提供与过程变量和其它设备信息有关的模拟或数字信息。操作员接口14A可以存储和执行过程控制操作员可用的工具17、19以控制过程的操作，所述工具17、19包括例如控制优化器、诊断专家、神经网络、调谐器等。

更进一步，维护系统，例如执行AMS应用程序和/或以下所述的监控、诊断和通信应用程序的计算机，可以连接到过程控制系统12和14或连接到其中的单个设备以施行维护、监控和诊断活动。例如，维护计算机18可以通过任何期望的通信线路或网络(包括无线或手持设备网络)连接到控制器12B和/或连接到设备15，以与设备15通信，并且在某些情况下重新配置设备15或对设备15施行其它维护活动。类似地，诸如AMS应用程序之类的维护应用程序可以安装在与分布式过程控制系统14相关联的一个以上用户接口14A上，并由所述用户接口14A执行，以施行包括与设备16的操作状态有关的数据采集的维护和监控功能。

加工厂10还包括诸如涡轮机、发动机等的各种旋转(以及其它)装置20，这些装置20通过一些永久性或临时性通信链路(例如，总线、无线通信系统或连接到装置20以进行读取而后被拿走的手持设备)连接到维护计算机22。维护计算机22可以存储和执行例如由CSI(一爱默生过程管理公司)提供的包括可商用的应用程序的任意数目的监控和诊断应用程序23以及以下所述的用于诊断、监控和优化旋转装置20和加工厂中的其它装置的操作状态的应用程序、模块和工具。维护人员通常使用应用程序23维护和检查工厂10中的旋转装置20的性能，以确定旋转装置20的问题并确定是否必须维修或更换旋转装置20以及维修或更换的时间。在某些情况下，外界顾问或服务组织可以临时获取或测量与装置20有关的数据，并使用该数据对装置20进行分析，以检测问题、不良性能或影响装置20的其它事件。在这些情况下，运行分析的计算机可以通过任何通信线路连接到系统10的其余部分，也可以仅临时连接到系统10的其余部分。

类似地，具有与工厂10相关联的发电和配电装置25的发电和配电系统24通过例如总线连接到运行并检查工厂10内的发电和配电装置25的操作的另一计算机26。计算机26可以执行例如由Liebert和ASCO或其它公司提供的已知电力控制和诊断应用程序27，以控制和维护发电和配电装置25。再次，在很多情况下，外界顾问或服务组织可以使用临时获取或测量与装置25有关的数据并使用该数据对装置25施行分析的服务应用程序来检测问题、不良性能或影响装置25的其它事件。在这些情况下，运行分析的计算机(例如计算机26)可以不通过任何通信线路连接到系统10的其余部分，也可以仅临时连接到系统10的其余部分。

如图1所示，计算机30实现异常情况预防系统35的至少一部分，具体而言，计算机系统30存储并实现配置应用程序38和作为可选的异常操作检测系统42，其若干实施例将在下文中更详细地描述。另外，计算机系统30可以实现警告/警报应用程序43。

一般而言，异常情况预防系统35可以包括可选地位于加工厂10内的现场设备15、16，控制器12B、14B，旋转装置20或其支持计算机22，发电装置25或其支持计算机26，以及任何其它期望设备和装置中的异常操作检测系统、模块或工具(未在图1中示出)和/或计算机系统30中的异常操作检测系统42，或与之通信，以配置这些异常操作检测系统中的每一个并在这些异常操作检测系统监控时接收关于这些设备或子系统的操作的信息。异常情况预防系统35可以以可通信的方式通过硬线总线45连接到工厂10内的至少某些计算机或设备中的每一个，或者可替代地，可以通过包括例如无线连接、使用OPC(或用于过程控制的OLE)的专用连接、诸如依靠手持设备采集数据等的间歇性连接的任何其它期望通信连接连接到工厂10内的至少某些计算机或设备中的每一个。同样，异常情况预防系统35可以通过LAN或诸如因特网、电话连接等的公共连接(在图1中示出为因特网连接46)获取与加工厂10内的现场设备和装置有关的数据以及由例如第三方服务提供商采集的这种数据。进一步，异常情况预防系统35可以以可通信方式通过包括例如以太网、Modbus、HTML、专有技术/协议等的各种技术和/或协议连接至工厂10中的计算机/设备。因此，尽管这里描述了使用OPC以可通信方式将异常情况预防系统35连接至工厂10中的计算机/设备的具体示例，但是本领域普通技术人员将认知到，也可以使用各种其它方法将异常情况预防系统35连接至工厂10中的计算机/设备。在任何情况下，异常情况预防系统35可以与工厂10的任何计算机、设备或其它方面通信，从工厂10的任何计算机、设备或其它方面接收过程变量数据，所述工厂10的任何计算机、设备或其它方面包括但不限于过程控制系统(例如，Delta^TM、

或其它分布式控制系统)、符合各种标准或协议(例如，FoundationFieldbus、HART、OPC、Modbus、无线等)的设备和计算机、以及可以与设备一起实现或遍布于加工厂10中的各种变送器、传感器和致动器。如下面进一步论述的，由异常情况预防系统35接收并使用的数据可以是诸如来自历史数据库的数据之类的历史数据，但是也可以是在线数据(例如，在过程在线时采集的数据)，所述在线数据包括但不限于在线采集的数据以及当过程正在操作时实时采集的数据。

作为背景技术，OPC是建立用于从工厂或过程控制系统访问过程数据的机制的标准。典型地，OPC服务器在过程控制系统中实现以暴露或提供来自例如现场设备的过程信息。OPC客户端创建与OPC服务器的连接，并将过程信息写入现场设备，或从现场设备中读取过程信息。OPC服务器使用OLE技术(即组件对象模型或COM)与这种客户端通信，从而使得由客户端实施的软件应用程序可以访问来自现场设备或其它加工厂装置的数据。

图2示出图1的示例加工厂10的一部分50，以描绘异常情况预防系统35和/或警告/警报应用程序43可以与示例加工厂10的部分50中的各种设备通信的一种方式。尽管图2示出异常情况预防系统35与HART和Fieldbus现场设备内的一个以上异常操作检测系统之间的通信，但是应当理解，类似的通信可以发生在异常情况预防系统35与加工厂10内的其它设备以及装置之间，包括图1中示出的设备和装置中的任一种。

图2中示出的加工厂10的部分50包括具有一个以上过程控制器60的分布式过程控制系统54，过程控制器60通过可以是符合任何期望通信或控制器协议的任何期望类型的I/O设备的输入/输出(I/O)卡或设备68和70连接到一个以上现场设备64和66。现场设备64被示出为HART现场设备，现场设备66被示出为Fieldbus现场设备，但是这些现场设备可以使用任何其它期望的通信协议。另外，现场设备64和66中的每一个可以是任何类型的设备，例如传感器、阀、变送器、定位器等，并且可以符合任何期望的开放、专有或其它通信或编程协议，应当理解I/O设备68和70必须与现场设备64和66所使用的期望协议相兼容。

在任何情况下，可由诸如配置工程师、过程控制操作员、维护人员、工厂管理员、监管员等的工厂人员访问的一个以上用户接口或计算器72和74(可以是任意类型的个人计算机、工作站等)通过通信线路或总线76被连接至过程控制器60，其中通信线路或总线76可以使用任意期望的硬线或无线通信结构和使用诸如以太网协议之类的任意期望的或合适的通信协议来实现。另外，数据库78可以连接至通信总线76，以操作为采集并存储配置信息以及在线过程变量数据、参数数据、状态数据和与加工厂10中的过程控制器60以及现场设备64和66相关联的其它数据的历史数据库。因此，数据库78可以操作为配置数据库，以存储包括过程配置模块的当前配置，并且在过程控制系统54的控制配置信息下载并存储到过程控制器60以及现场设备64和66时存储过程控制系统54的控制配置信息。同样地，数据库78可以存储历史异常情况预防数据，包括由加工厂10中的现场设备64和66采集的统计数据、根据由现场设备64和66采集的过程变量确定的统计数据和以下将描述的其它类型的数据。

过程控制器60、I/O设备68和70以及现场设备64和66通常位于且遍布于有时严峻的工厂环境中，而工作站72、74和数据库78经常位于可由操作员、维护人员等轻松访问的控制室、维护室或其它不太严峻的环境中。

一般而言，过程控制器60存储并执行使用多个不同的独立执行的控制模块或块实现控制策略的一个以上控制器应用程序。控制模块中的每一个可以由通常所说的功能块组成，其中每个功能块是总控制例程中的一部分或子例程，并且与其它的功能块结合起来操作(通过称为链路的通信)，以实现加工厂10中的过程控制环路。公知的是，可以作为面向对象的编程协议中的对象的功能块通常施行输入功能、控制功能或输出功能之一，输入功能可以与例如变送器、传感器或其它过程参数测量设备相关联，控制功能可以与例如施行PID、模糊逻辑等控制的控制例程相关联，输出功能控制诸如阀之类的一些设备的操作，以施行加工厂10中的某些物理功能。当然，还存在诸如模型预测控制器(MPC)、优化器等的混合和其它类型的复杂功能块。应当理解的是，尽管Fieldbus协议和DeltaV^TM系统协议使用以面向对象的编程协议设计和实现的控制模块和功能块，但是控制模块也可以使用包括例如顺序功能块、梯形逻辑等的任意期望的控制编程方案来设计，并且不限于使用功能块或任意其它特定的编程技术来设计。

如图2所示，维护工作站74包括处理器74A、存储器74B和显示设备74C。存储器74B以下面的方式存储针对图1所讨论的异常情况预防应用程序35和警告/警报应用程序43，即可以在处理器74A上实现这些应用程序以通过显示器74C(或诸如打印机之类的任意其它显示设备)向用户提供信息。

一个以上现场设备64和66中的每一个都可以包括存储器(未示出)，以存储诸如用于实现与检测设备所检测的一个以上过程变量有关的统计数据采集的例程和/或以下将描述的用于异常操作检测的例程之类的例程。一个以上现场设备64和66中的每一个也可以包括处理器(未示出)，该处理器用于执行诸如实现统计数据采集的例程和/或用于异常操作检测的例程之类的例程。统计数据采集和/或异常操作检测不需要由软件来实现。相反，本领域普通技术人员应当认识到，这种系统可以由一个以上现场设备和/或其它设备中的软件、固件和/或硬件的任意组合来实现。

如图2所示，现场设备64和66中的某些(和可能所有)现场设备包括以下将更详细描述的异常操作检测(即异常情况预防)块80和82。尽管图2的块80和82被示为位于设备64之一和设备66之一中，但是这些块或类似的块可以位于任意数目的现场设备64和66中，或者位于其它设备中，例如控制器60、I/O设备68、70或图1中所示的任意设备。另外，块80和82可以在现场设备64和66的任意子集中。

一般而言，块80和82或这些块的子元件从它们所位于的设备和/或从其它设备采集诸如过程变量数据之类的数据。另外，块80和82或这些块的子元件可以出于若干原因对变量数据进行处理并对该数据施行分析。例如，被示为与阀相关联的块80可以具有对阀过程变量数据进行分析以确定阀是否处于阻塞状态的阀阻塞检测例程82。另外，块80可以包括一个以上统计过程监控(SPM)块或单元的集合，例如块SPM1-SPM4，这些块可以采集阀中的过程变量或其它数据，并对所采集的数据施行一个以上统计计算，以确定例如所采集的数据的均值、中值、标准差、均方根(RMS)、变化率、范围、最小值、最大值等和/或检测所采集的数据中的诸如漂移、偏置、噪音、毛刺等事件。所生成的具体统计数据和生成的方法并不重要。因此，还可以生成不同类型的统计数据，作为以上所述的具体类型的补充或替代。另外，包括已知技术的多种技术可以用于生成这类数据。这里术语“统计过程监控(SPM)块”被用于描述对至少一个过程变量或其它过程参数施行统计过程监控的功能，该功能可以由数据被采集的设备中的或甚至是该设备外部的任意期望的软件、固件或硬件来实现。应当理解，由于SPM通常位于在其中设备数据被采集的设备中，因此SPM能够获得数量更多并且质量更准确的过程变量数据。因此对于所采集的过程变量数据，SPM块通常能够比位于其中过程变量数据被采集的设备外部的块确定更好的统计计算。

应该理解，尽管在图2中块80和82被示为包括SPM块，但是相反，SPM块可以是与块80和82分离的独立块，并且可以位于与对应的块80或82相同的设备中，也可以位于不同的设备中。这里所讨论的SPM块可以包括已知的Foundation Fieldbus SPM块、或者与已知的Foundation FieldbusSPM块相比具有不同的或附加能力的SPM块。这里使用的术语“统计过程监控(SPM)块”是指采集诸如过程变量数据之类的数据并对该数据施行某些统计处理以确定诸如均值、标准差等的统计测量值的任意类型的块或元件。因此，该术语意在覆盖可以施行该功能的软件、固件、硬件和/或其它元件，而不管这些元件是否采用功能块、或其它类型的块、程序、例程或元件的形式，也不管这些元件是否符合Foundation Fieldbus协议或诸如Profibus、HART、CAN等协议之类的某些其它协议。如果需要，块80、82的基础操作可以至少部分如美国专利No.6,017,143中所描述的那样来施行或实现，该专利通过引用合并于此。

应当理解，尽管在图2中块80和82被示为包括SPM块，但是SPM块不是块80和82所必需的。例如，块80和82的异常操作检测例程可以使用未被SPM块处理的过程变量数据来操作。作为另一示例，块80和82可以各自接收由位于其它设备中的一个以上SPM块提供的数据，并对该数据进行操作。作为再一示例，过程变量数据可以通过并不是由很多典型的SPM块提供的方式来处理。仅作为一个示例，过程变量数据可以由诸如带通滤波器或某种其它类型的滤波器之类的有限脉冲响应(FIR)或无限脉冲响应(IIR)滤波器滤波。作为另一示例，可以对过程变量数据进行削减，从而使其保持在特定的范围内。当然，可以对已知的SPM块进行修改，以提供这种不同的或附加的处理能力。

图2的被示出为与变送器相关联的块82可以具有分析由变送器采集的过程变量数据以确定工厂内的线路是否被插接上的线路插接检测单元。另外，块82可以包括诸如块SPM1-SPM4之类的一个以上SPM块或单元，其例如可以采集变送器内的过程变量或其它数据，并对所采集的数据施行一种以上统计计算以确定所采集的数据的例如均值、中值、标准差等。尽管块80和82被示出为各自包括四个SPM块，但是块80和82中也可以具有任意其它数目的SPM块来采集和确定统计数据。

现为美国专利No.7,079,984的美国专利公开No.2005/0197803(“Abnormal situation prevention in a process plant(加工厂中的异常情况预防)”)、美国专利公开No.2005/0197806(“Configuration system and methodfor abnormal situation prevention in a process plant(用于加工厂中的异常情况预防的配置系统和方法)”)以及美国专利公开No.2005/0197805(“Datapresentation system for abnormal situation prevention in the process plant(用于加工厂中的异常情况预防的数据呈现系统)”)中可以找到与异常情况预防系统及其部件的实现和配置有关的进一步细节，上述专利中的每一个出于所有目的通过引用合并与此。

在上述异常情况预防系统和技术以及所引用的文件中，SPM(或异常情况预防)块80、82可以与一个以上异常情况预防模块相关联，或被认为是一个以上异常情况预防模块的部件。尽管异常情况预防块可以驻留于可获得更快速采样的数据的现场设备中，但异常情况预防模块也可以驻留于主机系统或控制器中。异常情况预防模块可以从一个以上异常情况预防块中获取数据，并使用该数据做出关于更大系统的决策。更概括地说，异常情况预防模块可以被建立和配置为从一个以上功能块(例如异常情况预防块)接收数据，以支持对每种类型的现场设备、仪表或其它装置(例如，阀、泵等)的诊断。但是，与异常情况预防模块相关联的功能块可以驻留于与该功能块被建立所针对的特定装置不同的设备中，并且由该设备实现。在这种情况下，异常情况预防模块具有分布式特性。其它异常情况预防模块可以完全在诸如过程控制器60之内的一个装置内实现，即使针对的是对特定现场设备的诊断。在任意事件中，可以针对每种装置类型开发诊断例程或技术，以检测、预测和预防装置(或过程)的异常情况或操作。出于易于描述的目的，术语“异常情况预防模块”在这里将用于指代这种例程或技术。因此异常情况预防模块响应于施行诊断所需的测量值集合，并且进一步包括(i)将由模块检测的异常状况的集合，以及(ii)将测量值的改变与对应的异常状况联系起来的规则的集合。此外，将提出对下面公开的技术的描述中的异常情况预防模块的参考，并且应当理解这些技术也可以与异常情况预防块结合使用。

在某些情况下，配置应用程序38或异常情况预防系统35的其它部件可以支持针对每个异常情况预防模块的模板的开发或生成。例如，由Delta^TM控制系统提供的配置和开发平台可以用于根据相应合成模板块创建异常情况预防模块的特定事例或例示。

尽管结合图2示出并描述为异常情况预防功能，但是上述模块和块也可以更广泛地致力于实现为如下所述的过程监控和诊断以及故障检测所配置的多元统计技术。在某些情况下，下述技术可以包括异常情况预防模块或块，或与异常情况预防模块或块集成。在任意情况下，下面对系统和技术(以及任何模块、功能块、应用程序、软件或其它部件及其方面)的参考可以与上述的工作站工具17、19，操作员接口12A、14A，应用程序23，异常情况预防系统25以及接口72、74一起使用、包括在其中，与其集成在一起或与其相关联。

转向图3，这里描述的若干种多元监控和诊断技术可以基于并合并多元和一元诊断工具的可视化和其它方面。例如，过程变量(PV)在图3中被示出为具有其对应的过程要求，该图经常被称为休哈特(Shewhart)图。每个过程变量都可以按照休哈特图来描述，休哈特图绘制出变量与控制上限(UCL)100、控制下限(LCL)102和目标值104之间的关系。UCL 100和LCL 102是真实物理极限而非统计极限。在操作期间，每个过程变量优选被限制在其UCL和LCL之间，并且过程变量的理想值为目标值。在这些极限内时，过程变量被叫做在控制下，否则，过程变量被叫做失控。如所指示的，UCL和LCL表示可以由过程操作要求提供的物理极限。尽管这种可视化的方式基于过程变量数据的多维视图，但是如下所述，这种对过程变量的描述对于结合基于过程变量归一化的其它可视化技术是有用的。

然而，为了参照下面将进一步描述的各方面，提供基本PCA算法的概述。尽管这里PCA作为可以与本公开内容的各方面一起使用的多元统计分析被公开，但是应当理解，也可以使用其它多元统计分析来代替PCA，所述其它多元统计分析包括但不限于主成分回归(PCR)、偏最小平方(PLS)、费舍判别分析(FDA)或规范变量分析(CVA)。

对于一给定过程、过程单元、过程设备等，存在大量测量得到的过程变量。这些变量中的每一个都可以用作PCA算法的输入变量。来自每个过程变量的数据被采集特定长度的时间或特定数目个点，并且在这里被称为过程变量的观测值。通常，在PCA中使用的所有过程变量被同时采样。

如果m是输入变量的数目，n是每个输入变量的观测值的数目，则矩阵X是包含所有输入变量的所有观测值的n×m矩阵。在典型的过程中，某些变量的幅度明显大于其它变量的幅度。为了保证所有的过程变量对PCA模型具有同等的影响，可以对X数据进行自动缩放(对于每个输入变量，减去均值并除以标准差)。在对输入变量进行自动缩放之后，通过S＝X^T·X/(n-1)计算样本协方差矩阵，其中T是矩阵X的转置运算。

对样本协方差矩阵进行特征值-特征向量分解：S＝V·D·V^T，其中D是包含从最大到最小排序的m个特征值的对角矩阵。V的列是相应特征向量，T是矩阵V的转置运算。最大特征值及其相应特征向量对应于原始输入空间中包含原始过程数据的最大变化量的方向。这被认为是第一主成分。第二大特征值及其相应特征向量对应于与正交于第一主成分、包含次最大变化量的方向。这继续下去，直到创建了解释所有原始过程数据的新正交向量空间为止。

在计算出特征值和特征向量之后，PCA确定哪些特征值和特征向量是通常与过程中的重要变化相对应的重要主成分，哪些是通常与噪声相对应的非重要主成分。有很多种不同的方法已被提出用来选择重要主成分的数目，包括凯泽(Kaiser)法则(选择特征值大于一的主成分)，变化百分比测试(即选择解释数据中总变化的特定百分比(例如80％或90％)的主成分的数目)，平行分析以及交叉验证。

无论使用哪种方法，最终结果确定为PCA模型保留的重要主成分的数目a。然后，通过从V中取前a列来创建负荷矩阵

原始观测值到由负荷矩阵定义的子空间上的投影被称作得分矩阵，并由T＝X·P表示。T的列被称作PCA模型的得分，被引作t₁，t₂，...t_a。负荷矩阵P连同在自动缩放中使用的均值和标准差一起被认为是PCA模型。该PCA模型然后可应用于任意未来的数据集。

在创建了PCA模型之后，可以基于原始过程数据创建基于统计的极限，以定义由原始数据定义的过程的正常操作。所使用的一种方法是霍特林(Hotelling)的T²测试，但是应当理解，也可以使用其它方法得到基于统计的极限。当得分超出极限时，这可能是过程中某种事物异常的指示。另外，可替代地，可以应用相应地限制变化量的2-σ和3-σ极限。

基于来自PCA模型的得分数据，人们可以绘制若干幅图。最简单的图是得分对时间的图。在该图中，上限和下限是基于统计创建的，并且如果超出任一阈值，则可以触发警报。第二常见的图是两个得分的散布图。最常见的是，前两个得分t₁和t₂被绘制，因为这两个得分描述过程中的最大变化量。在下述的用户界面中示出了若干个示例性两个得分的散布图。在这些以及其它情况下，基于统计的极限可以包括或涉及围绕正常过程数据的圆形或椭圆形。再次，如果得分超出这些极限，则可以触发警报。

转向图4和5，并且根据通常致力于支持多元实时过程数据的在线监控和分析的本公开内容的方面，过程可视化技术利用多维(或多元)的过程变量数据的集合内的控制极限，例如与上面的休哈特表相关联的控制极限。尽管是多元数据集，但是可以使用如下所述的变换之类的变换以一元形式表示极限。一般而言，变换可以基于一元技术来监控多元数据。使用该技术，可以通过使用单个投影参数将任意数目的过程变量的过程数据和控制极限进行归一化并引向同一标准。

作为比较，存在用于离线应用程序的不同统计工具，并且这些统计工具中的某些可以用于在线监控。例如，如上所论述的，主成分分析(PCA)是一种经常用于将多元数据空间的维度降低到几维(经常是二或三)的技术。然而，为了实现PCA，使用训练数据或来自“正常”过程操作的数据建立PCA模型，然后将该模型应用于过程的进一步监控。如上所论述的，得到的模型是关于主成分的，主成分是由训练数据确定的协方差矩阵中本质上最主要的特征向量。由于这种PCA结果，也称为得分，并不直接与真实的过程变量相关，因此所监控的变量的物理过程极限在分析中不起作用。出于这个原因，当使用PCA工具时，某些统计解释经常用于量化“数据的优度”(即使用霍特林T²统计计算95％或99％的置信区间)。

使用一元分析，提出一种确定性方法来利用单个监控变量监控多元过程数据。该方法可以容易地应用于离线和在线数据监控和分析应用程序中。下面描述该方法和模型建立。

在开始时，X₁，X₂，...，X_n被公开为表示过程变量。每个变量X_i，i＝1，...，n，是包含时变数据x_i，j的向量，其中j指代X_i的第j个样本或成分。例如，X_i＝[x_i，1，x_i，2，...，x_i，m]^T，其中T表示X_i的转置运算，m是由数据采样速率和数据采集的总时间确定的向量维度。利用这种命名法，根据变换

描述每个过程变量，其中i＝1，...，n，j＝1，...，m，并且其中y是被指派为将多元过程变量捆扎在一起的变量，α_i是给变量X_i分配的唯一位置，k_i是缩放参数，且x_i，j是X_i的第j个成分。由于可以针对每个变量X_i，i＝1，...，n，唯一地定义变换p_i，因此可以将多元变换定义为P(y)＝p₁(y)*p₂(y)......*p_n(y)。

接下来，P被用于导出投影模型M_v(y)＝K_p/P(y)，其中K_p是缩放因子，M_v(y)指代多元投影。使用这些分配，多元数据通过单个变量y被投影。

图4和5图示出多个过程变量(PV1、PV2等)相对于每个变量各自的物理操作极限在单个图上的合成视图。图4描绘出针对每个过程变量都保持在操作极限内的数据点的图106。图5描绘出针对过程变量之一可能已超出其控制极限的另外的数据点的图108。

为了进一步图示出该方法(包括视图以何种方式指示已超出控制极限)，使用六个过程变量X₁，X₂，X₃，X₄，X₅和X₆提供示例。在正常操作状况下，这些变量中的每一个都具有由|X_iL|定义的操作极限(假设数据点居中)。利用该信息，每个变换p_i利用系数k_i被调谐至相同的水平，从而获得图4和5的视图。这有效地定义了一组多元监控设置值。可以看出，这六个过程变量中的每一个针对变量y(横轴)都具有由α_i＝-10，-5，0，5，10，15给定的唯一位置。此外，所有的过程变量都由参数K_i调谐以达到由X_iL给定的最大操作范围的均等最大响应或极限。

现在，如果在监控阶段期间六个峰值中的任一个突破过程变量指示符，则该特定变量可能已遇到超出范围的事件。这在图5中示出。可以看出，过程变量#2相对于容许极限处于边缘，而过程变量#4明显超出迹线。但是，图5中描绘的情况清楚地图示出六个过程变量的正常操作状况。

在监控阶段，图4和5的事件并不是孤立的，或者说是独立的事件，它们实际上是持续改变的变量的可视片段(snippet)或帧。也就是说，当新的过程数据输入模型(以给定的采样速率)时，响应即时改变。因此监控图像按照采样速率被更新，在任意情况下，所述采样速率可以大约为0.1到1秒或更长。

在该监控方法中，当所有过程变量的极限已知时，所公开的方法不需要训练数据。例如，为了创建多元监控，人们应用以上描述的设计程序完成一元模型，利用其它方法这是不可能的。在其它情况下，如果并非所有的过程变量极限都已知，则可以使用没有预定极限的过程变量的训练数据来确定在正常过程操作状况下的过程变量极限，然后可以计算出模型。在已知或未知极限的情况下，可以使用一元分析方法对每个过程变量进行归一化以定义公共过程变量极限(见例如图4)，并且可以相对于公共过程变量极限监控每个过程变量。下面进一步论述的既使用已知过程变量极限又使用未知过程变量极限的归一化的其它示例可以利用一元分析方法来实现。

所公开的一元分析方法不局限于任何特定的过程变量的集合或类型。它可以应用于过程变量的任意组合(例如，过程输入、输出和外部变量)。另外，一元方法提供创建和分析过程数据模式的唯一方式。这些模式可以进一步用于过程诊断，包括异常情况预防应用程序。例如，如果在大多数时间两个以上峰值有同步上移或下移的趋势，则相应的过程变量相关联。否则，这些变量不相关联。类似地，一元技术可以用于估计过程变量是否发生故障。简言之，所公开的一元数据建模和可视化方法提供使用单个变量实现在线或离线场景的多元监控的技术。如果所有过程变量的极限均已知，则该方法不需要训练数据，并且同样它提供可被过程操作员容易地解释的监控结果。

现在提供关于三种可替代方法的进一步信息，这三种可替代方法可以用于归一化过程变量以采用图4和5示出的形式显示。为了描述它们，可以考虑图3(休哈特图)中示出的典型过程变量描述。在该图中，过程变量被限制在UCL 100和LCL 102之间，并且过程变量的理想值是目标值。在这些极限之内时，该控制变量被叫做在控制下，否则，该控制变量被叫做失控。如上所论述的，UCL和LCL表示可以通过过程操作需求提供的物理极限。基于此，可以利用以下数据归一化方法。

当每个过程变量的控制极限都已知时，可以使用第一方法。具体而言，可以将过程变量PV归一化为控制极限和目标值的函数：

$\mathrm{PV}*=100\%\&times;n\&times;\sqrt{\frac{{(\mathrm{PV}-T)}^2}{{\mathrm{CL}}^2}},0<n<1$

其中目标＝T，CL＝|UCL-T|＝|LCL-T|。

当并非所有过程变量的过程变量控制极限都已知时，可以使用第二方法。具体而言，可以将过程变量PV归一化为当过程正常操作时为过程变量采集的训练数据集的函数，该函数包括在训练数据集内过程变量的观测值：

$\mathrm{PV}*=100\%\&times;n\&times;\sqrt{\frac{{(\mathrm{PV}-M_{\mathrm{PV}})}^2}{{\mathrm{CL}}^2}},0<n<1$

其中正常过程操作由训练数据集T{PV}表示，M_PV是T{PV}的均值，并且CL＝T{PV}中的|PV-M_PV|_max。

第三方法使用统计自动缩放方法，该方法也可以在并非所有过程变量的过程变量控制极限都已知时使用。具体而言，可以将过程变量PV归一化为当过程正常操作时为过程变量采集的训练数据集的函数，该函数包括在训练数据集内过程变量的观测值：

$\mathrm{PV}*=100\%\&times;n\&times;\sqrt{\frac{{(\mathrm{PV}-M_{\mathrm{PV}})}^2}{k^2{\mathrm{\&sigma;}}^2}},0<n<1$

其中正常过程操作由训练数据集T{PV}表示，σ²是T{PV}的方差，M_PV是T{PV}的均值，并且kσ，k＝1，2，...，n确定统计控制极限(例如3σ)。

可以根据需要结合所公开的技术利用这些方法的变体和其它用户定义的控制极限(以及确定这些控制极限的方法)。

上述数据监控和分析技术对于快速在线可视化和过程数据行为的理解是理想的。它可以用于过程诊断和异常情况预防应用程序。例如，来自遍布于Fieldbus的多个智能设备的数据可以得到快速的分析和监控。对于来自传感器阵列和生物微型阵列(bio-microarray)的数据而言也是如此。监控结果也可以用于过程优化和质量控制。此外，该方法可以与统计数据建模方法一起使用以增强数据分析。例如，它可以与PCA方法同时使用以加快和增强对得分数据的解释。

根据公开内容的特定方面，上述可视化技术可以集成在操作员界面中，所述操作员界面以其它方式，例如在处理之后通过如下所述的其它多元统计技术，显示过程数据。例如，过程变量相对于它们的物理极限的可视化可以与PCA得分图结合起来使用以使能关于过程当前状态的更准确决策。

上述一元技术可以并入提供监控多元实时过程数据的方法的确定性多元数据分析工具(其示例将在下文中描述)中。以这种方式，单个变量监控模型可以用于多元数据的行为的可视化。

更概括地说，该方法的优点在于所有的过程变量都在单个监控变量内捆扎在一起。所公开的一元方法很好地适于在线和离线应用程序。如以上所提及的，当所有过程变量的操作极限都已知时，所公开的方法不需要训练数据。与过程变量相关联的操作极限用于建立单个变量监控模型。在某些情况下，对于操作极限未知的过程变量，可以使用训练数据。模型可以在包括例如DeltaV^TM的若干种软件平台上实现。

现在参见图6和7，本公开内容的另一方面致力于由主成分分析(PCA)和其它多元统计技术提供的功能。PCA和下述其它多元统计技术可以是过程控制系统的集成部件，例如分布式控制系统DeltaV^TM和

这种集成支持工厂人员将PCA技术用于在线监控应用程序。如下所述，PCA和其它技术所支持的可视化和警报可以连同诸如以上结合图4和5所描述的其它可视化方案集成到控制系统中。出于这些以及其它原因，工厂人员可以利用流线型或单个用户界面，而不需要监控、维护或支持分立的软件应用程序。如下所述，将PCA实现成过程控制系统的一部分也使得使用在线过程数据实现监控和诊断更加实用。

图6和7描绘过程控制系统内的用于实现以上所论述的基于PCA的技术的示例性PCA功能块110、112。一般而言，每个PCA功能块110、112可以在训练时段采集数据，在训练时段结束时建立PCA模型，而后将PCA模型应用于所有的未来数据。功能块110、112的左手侧是PCA的输入，这些输入为原始过程变量。功能块的输出为对应于最重要特征值的得分。

例如，功能块110、112可以是通过也由得克萨斯州奥斯汀市的爱默生过程管理公司销售的DeltaV^TM控制工作室(control studio)可获得的定制功能块，所述DeltaV^TM控制工作室的界面114可以用于描绘功能块输入/输出连接以及其它细节。在该示例中，可以提供多达20个过程变量作为PCA的输入。当然，通常，可以将任意数目的数据用于PCA。PCA块110、112的输入是正常情况下在DCS中可用的过程变量。还存在可以用于进行主成分回归(PCR)的过程因变量(Y_IN)的输入，主成分回归是一种可以用在这里所描述的公开方法中的一种以上的统计技术。尽管所公开的示例示出单个变量，但是应当理解，通常可以存在多个因变量。

PCA功能块110、112可以包括若干种用于配置和应用PCA模型的操作模式。在示出的示例性实施例中，PCA功能块110、112在两种不同的模式下运行：学习和监控(由学习(LEARN)功能块输入上的是/否(True/False)确定)。在学习模式期间，功能块从每个输入变量采集数据。例如，当用户发出学习命令时，PCA块110、112开始采集所有输入变量的过程数据。过程数据被存储在计算机存储器中，并且数据采集无限期地持续下去，直到用户发出监控命令为止。

在已采集了足够量的数据之后，用户向PCA块发出监控命令。在发出监控命令之后，PCA块110、112施行PCA算法以基于所采集的数据建立PCA模型。模型的建立可以包括以下步骤：自动缩放输入数据(对于每个输入变量，减去其均值，并除以其标准差)，根据缩放后的数据计算协方差矩阵，计算特征值和特征向量，确定重要特征向量的数目以保留PCA负荷矩阵，并使用基于σ的极限或PCA得分的T²霍特林统计(例如95％或99％)计算统计极限。

当该计算完成时，PCA块110、112前进到监控模式，此时其基于输入至块的新过程数据计算得分。具体而言，新过程数据可以是实时生成的在线过程数据。如果得分中的任一个超出极限，则这可能指示异常情况，并且块110、112上的警报参数被置位。该警报参数可以与过程控制系统或网络的任意其它部分联系起来。

可以提供或生成每个PCA结果视图作为控制系统操作员界面的一部分。例如，界面可以用于在Delta^TM Process History View(过程历史查看)中生成绘制随时间变化的得分的PCA得分图。可替代地或附加地，如上面和下面所示出和提出的，可以在两维图上绘制针对两个PCA得分的数据。统计极限计算出也可以通过操作员界面提供的圆形或椭圆形结果。如果得分超出极限，则可能会触发警报。

在某些情况下，这里描述的多元监控和诊断技术可以在致力于异常情况预防的系统的模块(或其它元件或系统部件)中实现。类似于其它异常情况预防算法，该技术可以致力于在异常过程情况出现之前检测这些异常过程情况。这些算法通常呈现“警惕性”并且对于若干种异常情况都持续准确。相应地，异常情况预防模块可以是持续性过程，而非提供一次性或非实时的方案。

这里描述的多元监控和诊断技术也可以用在批处理中，因而功能块110、112可以采集针对输入变量的过程数据的不同集合，其中每个集合对应于过程的不同在线状态。例如，当过程以各种能力操作时，用户可以发出学习命令，从而使过程正常操作时PCA功能块针对特定能力水平(例如特定在线状态)采集针对输入变量的过程数据。此后，用户可以发出监控命令，使PCA块110、112施行PCA算法，以基于针对该特定在线状态(例如能力水平)采集的数据来建立PCA模型。同样，可以建立多个PCA模型，每个PCA模型对应于当过程正常操作时该过程的不同在线状态。此后，当该过程在特定在线状态下执行时(例如50％的能力)，PCA块110、112使用相应PCA模型前进到监控模式，在监控模式下PCA块110、112基于输入到该块的新过程数据计算得分。相应地，用户可以从多个多元统计模型中选择，以选择与该过程的在线状态最相关的多元统计模型，以分析该过程的在线、实时操作，从而监控该过程、检测异常情况等。在一个示例中，用户可以选择特定的训练会话并决定建立针对过程的特定在线状态定制的新模型。

该公开内容的这个方面为在线(即实时)多元监控和诊断应用程序提出一种通用(开源)数据驱动方法。此外，该方法通常支持创建和操纵用于建立在线模型的数据，并对用于诊断、故障检测等的模型参数进行比较。所公开的方法包括为过程监控和诊断定义集成平台，这最终可以通过使用系统级或联网架构来实现，例如由得克萨斯州奥斯汀市的爱默生过程管理公司销售的

架构。所提出的集成平台基于多元方法，并且可以适应不同的计算算法，包括那些在下面描述的检测技术中使用的计算算法。关于数据驱动平台的开源特性，应当理解，所公开的方法和系统可以从不同的输入域(例如Foundation Fieldbus、HART、Modbus、OPC、无线等)接收数据。所接收的数据可以是从任意数目的不同的变送器、传感器和致动器采集的在线过程数据，并且用于定义多元过程域。相同的数据被过程控制系统使用，并且可以存储在历史数据库中。

图8中示出通过所公开的系统和模块的数据流。一旦来自过程的数据进入所公开的模块，该数据可以用于在线训练、在线监控或在同一时段中用于在线训练和在线监控。根据需要，两个开关SW1和SW2以支持不同数据路径的方式实现。如果需要训练，可以累积数据，直到用户/操作员停止累积过程为止。该程序可以通过将SW置于在线训练状态来完成。任何累积的数据可以存储在文件120中，并且然后用在模型构造器或发生器122中。每个生成的模型可以如所示的那样被存储，并且通过例如开关SW2使其可用于监控模式中所涉及的部件。当模型构造操作完成时，该模型与训练数据一起被存储，典型地，是作为.txt文件存储在位于数据库或存储器(驱动器C:/)中的模型文件夹中。

可以由该数据构造的模型包括但不限于主成分分析(PCA)、人工神经网络(ANN)、模糊逻辑和贝叶斯决策树。每种算法的工具可以由例如异常情况预防模块采用下拉窗口的方式提供。这些模型中的每一个都可以用来建立预测，如下所述。相同的模型也可以用于在线监控。当模型处于在线监控模式时，异常情况预防模块使用模型输出(O/P)生成三种类型的输出：统计、归一化过程变量(PV)和过程变量(PV)等级。如图8所示，每个输出(PV等级、归一化PV&物理极限以及得分&统计极限)可以进一步用来生成警报状态(警报诊断)、视图(操作员图形界面)和/或模型的验证。

统计输出由作为多元数据点的低维表示的得分构成。低维空间是基于多元域中具有最大数据变化的方向获得的。如以上已论述的，PCA建模是一种可以用于建立得分的技术，但是其它建模技术也可以产生得分。统计输出还可以包含95％(99％)的置信极限或基于σ的极限。

以上相对于已知和未知的过程变量极限描述了归一化过程变量的概念。基于该概念，可以用条形图(或其它两维图)呈现归一化数据。这些图也可以包含有助于警报识别的物理或过程极限。如下面结合本公开内容的另一方面所描述的，在单个用户界面中结合统计极限和物理极限提供一种准确识别异常情况预防警报状态的有用方式，并且同样提供支持异常情况预防启动的技术。

过程变量等级可能有助于异常情况预防，因为过程变量等级基本上是针对过程变量的可变性给定该过程变量的等级。过程变量呈现的变化越大，其等级越高。这是一个有用的参数，因为它可以容易地使用在不同时刻监控同一过程情况所获取的等级被交叉验证。例如，如果所有的过程变量对于两个以上监控模型均呈现出相同的等级，则监控模型中的置信度提高。为了获取过程变量等级，可以使用下列计算：

${\mathrm{PV}}_{\mathrm{jratmg}}=\frac{1}{\mathrm{trS}}\sqrt{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_i^2{p}_{i,j}^2}$

其中PV_jratmg是第j个过程变量的等级，S是n×n自动缩放协方差矩阵，n是多元数据空间的维度，trS是S的主对角线元素之和，k＜n是主成分空间，对于i＝1，...，k，σ_i和p₁分别是S的主特征值和特征向量，p_i，j是特征向量p_i的第j个成分，p_i，j也被称为负荷。可以为所建立的每个PCA模型计算等级，并且可以将该等级与其它模型参数一起存储在模型文件中。

以上公式由模型参数构成，并且以这种方式获取的过程变量等级与模型密切相关。因此，如果两个模型正确地描述了相同的过程事件，则它们将过程变量的等级评定为相同的顺序。同样，可以基于过程变量各自的等级来验证模型。这在模型不同时通常也是可行的。例如，一个模型可能基于PCA，另一个模型可能基于ANN，并且它们的过程变量等级通常处于相同的顺序。当过程数据是非线性的(即显著偏离正态分布)时可能包括例外。

进一步需要注意的是，其它模型参数可以用于模型验证。诸如特征向量负荷p_1，j和特征值σ_i之类的PCA参数或者诸如隐藏层的数目和输出的数目之类的ANN参数也是有用的参数。每个模型呈现出可以用于验证任务的特定参数集合。

根据本公开内容的另一方面，模型输出数据可以用来生成警报状态，并且更概括地说，生成供操作员使用的合成多元图形界面。图9-13图示出显示归一化过程变量、过程变量等级(参见图13)、得分和警报状态的示例性图形界面。该图形界面还包含选项卡，从这些选项卡中可以访问其它模型信息和图。如图13所示，可以在图13的左上部的变量描述后面的括号中给出过程变量等级[例如，(2)]。在该特定实例中，有10个过程变量，等级范围从1到10。过程变量S21531具有等级1，表明它是具有最大变化的变量。

现在参见图14，对BiPlot选项卡130的访问向操作员提供观看如得分图面板132中所描绘的两个得分显示。bi-plot(双图)用于同时表示得分和在图中由它们的负荷p_i，j定义的过程变量。线表示有多少主成分存在于过程变量中。例如，可以看出等级为1的过程变量S21531具有最大的第一主成分t1(横轴)。相反，等级为8的过程变量S21008具有最大的第三主成分t3(纵轴)。这是非常有意义的，因为t1定义数据空间中具有最大变化的方向，而t3明显次要。人们可以通过简单地改变在图的右上部的窗口中的显示来探究过程变量与其它主成分的关系(例如可以获得针对t1-t2的得分)。

该bi-plot提供一种将在线得分(黑点)与过程变量关联起来的简单方式。最接近得分的线确定该得分的主要过程变量。现在由于图上线总是在相同的位置，且得分是唯一的动态成分，因此操作员可以快速地理解哪个过程变量或哪组过程变量对于投影到任意给定的时刻的得分而言是最有影响力的。同样，操作员可以通过单个显示快速熟悉所有过程变量。

关于实现选项，所公开的用户界面显示(以及负责生成所述用户界面显示的系统或模块)可以在DeltaV^TM、

或任意其它控制系统平台上实现。例如，为此可以利用基于PCA的功能块。可替代地，也可以将Visual Basic(VB)和.NET技术用作实现平台。在一种情况下，示例性实现策略可以合并VB.NET和DeltaV^TM或

的某些组合。尽管有了前面的描述，但是也可以在不同的软件平台(即Java、Delphi、C++)上完成实现。下面提供关于图9-13的操作员显示界面的进一步细节。

应当注意到，尽管PCA是有用的，但是PCA技术并不能容易地传送关于过程动态的信息。这通常是由使用散布图显示PCA分析(得分)的结果造成的。散布图虽然有用，但是一般是过程数据的统计表示。如上所论述的，多维训练或监控数据集被投影到(得分)到低维主成分空间。通常，前两个主成分捕获数据中的最大变化，结果它们利用关于数据行为的最重要信息产生散布图。霍特林的T²分布也可以用来计算95％或99％的置信区间，或应用基于σ的极限。该区间的知识对于检测异常情况可能是很重要的，因为如果训练数据表示正常过程性能，那么对于该区间内的任何新的得分点，人们可以95％(99％)地确定该数据点正常。相反，对于该极限区间外部的得分，人们可以95％(99％)地确定该数据点不正常(异常)。

从上面的描述中显而易见，通过散布图对得分的记录和解释导致与被不正确地解释的数据相关联的不确定性的程度。如以上所论述的，不幸的是，经验显示该方法通常导致错误警报。其主要原因是统计计算的极限没有将过程变量的实际物理极限考虑进来。每个得分是以均值为中心的输入变量的线性组合。例如，置信极限区间内部和外部有5％(1％)的不确定性，使得不能100％地保证任何给定得分都是正常或异常的，并且传统的PCA在检测异常情况上并不总是可靠的。例如，PCA得分可能触发不存在的异常情况(错误警报)，并且相反地，PCA得分可能在过程实际上异常运转时指示正常运转(遗漏的诊断)。显然，当确定异常情况并发布异常警告时，这通常是不可接受的。问题在于当人们采用物理极限的相同线性组合时发生什么。因为过程变量具有不同的数值范围，因此对于人们会以何种方式将这些极限变换成PCA得分图并不总是清楚的。

图9-13的界面显示尽管致力于前述事项，但是还示出操作员界面可以用来显现应用于当前过程数据的PCA模型的示例性方式。简言之，包括可以根据PCA或其它多元分析生成的PCA得分图146和可以根据一元分析生成的物理极限图148。这两个图的组合给出过程的当前状态的指示。在图9的示例中，由于PCA得分在统计极限内，并且所有的过程变量都在它们的物理极限内，因此这指示该过程在正常操作状况下，并且指示符块150针对该结果被突出显示。

图10图示出如何根据PCA得分图146得出任何事物看起来都正常的示例。然而，过程变量之一已超出其物理操作极限，如物理极限图148所示。因此，指示符块152突出显示遗漏的警报。

相反，PCA得分图也可以在所有的过程变量仍然在它们的物理操作极限的情况下指示存在问题。图11图示出这种情况，我们将其称之为错误警报，如指示符块154所描绘的。因此，当PCA图和物理操作极限显示都超出时，检测到真实的警报状况。在图12中通过指示符块156图示出这种情况。

参见图13，示出图形表示附有以滑条示出的供选择先前所采集的数据的集合的用户可选择的图形以及以下拉菜单示出的用户可选择的主成分的图。滑条或其它图形表示使用户能够基于该过程的先前操作选择先前所采集的数据，并基于先前所采集的数据生成PCA得分。然后可以随PCA得分更新图形表示，使得用户可以容易地访问和分析异常运转的任何先前过程操作。更进一步，应当注意到，过程变量可以用它们的过程极限的函数表示，所述过程极限可以包括如上所论述的公共过程极限。同样，不同主成分的选择使用户能够观看对过程具有不同重要程度的不同过程变量的操作，并且可以相应地更新图形表示。

图15-19以与结合图9-14的实施例所示出的类似的方式，图示出呈现动态过程数据视图与控制极限的PCA得分的示例性用户界面的不同状态。如上所述，七个过程变量的控制极限已归一化为唯一值，并且如果这种情况的PCA得分超出95％的置信区间，则可以发布提醒。这两个图形示例对于任何导入数据在线同时运行。另外，PCA得分图包含一个动态点，过程变量的峰值根据数据输入对改变进行监控。当所有的峰值都低于控制极限线160时，该过程在控制下，并且操作正常。相应统计得分应当也在极限圆162之内。图16中描绘了这种情况。类似地，当一个以上峰值越过极限线160时，发生失控或异常状况，并且PCA得分应当在极限圆162之外，如图17所示。

也可能会经历错误呼叫诊断。在图18中，尽管所有的过程变量低于极限线160(正常)，但是得分在极限圆162之外(异常)。这种情况明显是要忽略的错误警告。然而，也可能发生相反的情况。图19所示的情况示出得分在极限圆162之内(正常)，而过程变量指示符指示过程变量#2已违背极限要求(异常)。这是遗漏检测或遗漏警告的情况。

两个在线图形表示可以准确地诊断数据点是与正常情况还是与异常过程情况对应。此外，如果发生异常情况，违背正常状态的过程变量可以立即被识别出来。然而，过程操作的这些变量的重要性可能不尽相同。对于特定监控要求的过程变量的重要性由负荷矩阵P中的PCA负荷值确定。如果用信号指示警告的过程变量与小的PCA负荷值相关联，则它可能对过程操作的重要性很低，并且该警告可以仅仅被归类为提醒。相反，如果负荷值高，变量很可能对过程操作重要，且应当建议发出高度警告。

前述视图技术和所附的操作员界面可以在任意过程控制系统架构或平台内实现，并且在任何情况下，可以得到由上述PCA块实现的功能的支持。

图20和21描绘根据所公开的技术生成的另一可替代操作员界面，这两种操作员界面都支持如上所述的在线监控、诊断和错误警报检测功能。具体而言，图20以条形图将过程变量描绘为它们的过程变量极限的百分比，可以包括如上所论述的公共过程变量极限。

利用多元统计技术检测稳态操作

图22和23致力于本公开内容的另一方面，涉及使用基于PCA的统计特征识别和检测稳态操作。

很多异常情况预防算法依赖于通过学习一个以上过程变量的初始状态做出检测，然后在过程变量以特定方式改变时触发警报。然而，这些异常情况预防算法中很多也需要过程在针对初始状况的训练之前和做出检测之前处于稳态。让人工操作员看着一个以上过程变量的图，并辨别它们是否处于稳态是很容易的。然而，为了创建能够可靠地做出该判断的算法明显困难得多。

现在描述一种致力于检测稳态的技术。该技术能够基于监控多个过程变量做出判断。

过去，给定过程变量x，可以在给定长度的非交叠采样窗口内(例如五分钟)计算均值和标准差。均值可以通过 $\stackrel{\&OverBar;}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i$ 计算，标准差可以通过 $s=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x})}^2}{n-1}}.$ 计算，其中n是样本的个数，x₁，x₂，...，x_n是过程变量x在采样窗口内获得的样本。

假设x₁和s₁是在一个采样窗口中计算出的均值和标准差，x₂和s₂是在下一采样窗口中计算出的均值和标准差。那么，如果|x₁-x₂|≤3·s，则可以说该过程处于稳态。相反，如果|x₁-x₂|＞3·s，则该过程没有处于稳态。

下一步陈述在该计算中使用的参数s应当由什么构成。如果过程处于稳态，并且正确地选择了采样窗口，则我们应当发现s₁≈s₂。在这种情况下，无论我们采用s≈s₁还是s≈s₂都应当无关紧要。然而，可以使用会产生用于宣告稳态的更小极限的更鲁棒算法(并且因此，我们可以更加确定当异常情况预防模块开始运行时，过程确实处于稳态)来使用s₁和s₂的最小值或s＝min(s₁，s₂)。

在这种情况下，宣告稳态的准则是|x₁-x₂|≤3·min(s₁，s₂)。

当然，也可以使倍数“3”成为用户可配置的参数。然而，这使得异常情况预防系统的配置变复杂，特别是在存在很多过程变量时。

计算过程变量的均值和标准差并确定稳态的功能以及这里没有记载的其它功能可以封装到如上所述的统计过程监控(SPM)块中。

根据本公开内容的另一方面，一种稳态检测技术包括使用由PCA模型(而非直接由过程变量)生成的得分来确定具有多个过程变量的过程是否处于稳态。图22图示出连接至PCA块172的SPM块170，用于确定具有多个过程变量(IN1，IN2，IN3，...)当前是否处于稳态。PCA块172可以与上述功能块相对应。

图22中所示的实施例使用PCA模型的第一得分实现稳态检测。回想在PCA模型中，与最大特征值数值对应并且根据第一负荷向量计算出的第一得分表示过程中的最大变化量。例如，在某些过程中，最大变化量可以与传播给大多数其它过程变量的负荷改变相对应。在这种情况下，如果只有第一主成分符合稳态标准，则我们很可能可以说整个系统处于稳态。

虽然第一成分可能是统计上最重要的成分，但可替换的实施例可以使用PCA模型的多个得分，如图23所示。在这种情况下，PCA功能块172被连接至多个SPM块170，每个SPM块170监控PCA模型的得分中的一个。在这种情况下，对于根据所选择的方法(凯泽法则、变化百分比、并行分析等)被确定为重要的每个主成分，都会有一个SPM块170。然后，逻辑模块174可以用于进行整个系统的稳态确定。如果所有SPM块170都指示稳态，则可以将整个系统宣告为稳态。如果块170中的任意块示出非稳定过程，则我们可以宣告整个系统未处于稳态。

实现该技术的方法可以包括根据所有过程变量采集过程数据、创建过程的PCA模型、将第一PCA得分连接至统计过程监控(SPM)块以及如果SPM块宣告第一PCA得分处于稳态则宣告系统处于稳态。SPM块计算输入变量在连续的非交叠采样窗口中的均值(x₁和x₂)和标准差(s1和s2)，并且如果|x₁-x₂|≤n·min(s₁，s₂)，其中n为任意实数，则宣告输入变量处于稳态。

在某些情况下，稳态可以依据|x₁-x₂|≤n·s₁来确定。可替换地，稳态可以依据|x₁-x₂|≤n·s₂来确定。在一个示例性实施例中，n＝3。

以上描述的技术和方法可以与连接至第二和更高PCA得分以及逻辑模块的一个以上附加SPM块一起实现，其中逻辑模块将SPM块中每一个的稳态检测作为输入，并在所有SPM块指示稳态时生成指示整个系统处于稳态的输出信号。附加地，如果SPM块中的任意块指示非稳定过程，则逻辑模块可以宣告整个系统处于非稳定过程。

可替换地或作为附加地，可以与SPM块一起使用其它多元技术来检测稳态。这样的技术包括PLS、PCR、FDA、CVA等。

虽然在图22和图23中示出为涉及多个分立的单元，但所公开的技术和方法也可以在单个集成功能块(如Fieldbus功能块)、现场设备接口模块、控制系统、单独的软件应用程序等中实现。

瞬时动态性的检测

图24-37致力于与使用多元统计技术的瞬时动态性的检测有关的本公开内容的另一方面。

在过程操作中经常会遇到动态行为。例如，过程展示由诸如流速之类的输入或负荷变量的改变导致的瞬时行为。这在火焰加热器中相当普遍，原因在于火焰加热器经常在原油的各种流速下运行。

在进行故障或异常情况检测时，重要的是区分正常操作状况与瞬时数据。因为在瞬时区域中，过程不会以正常方式运转，并且可能很容易得出错误的诊断(如，异常操作)。例如，在火焰加热器中，当原油的流速增加时，原油的出口温度超过正常水平，并且降低到正常水平需要时间。这是因为流速的改变快于被操纵的变量(燃料流速)的改变。换句话说，在一阶动态系统中，最终温度达到其新的稳态点需要的时间等于时间常数加任意滞后时间。因此，在检测故障或异常情况时，区分动态瞬时区域与稳态或设置点、操作区域是有用的。

根据本公开内容的另一方面，使用多元统计技术基于例如主成分分析(PCA)来检测动态瞬时操作。结合火焰加热器中的动态瞬时现象来描述所公开的技术，但所公开的技术还很适于结合其它过程控制环境来实施。该检测方法也可以将基于PCA的技术与主成分回归(PCR)集成以区分诸如火焰加热器之类的过程中的异常情况与动态瞬时现象。在火焰加热器管道中检测焦化(或淤塞)的示例将被用于说明所提议的方法的鲁棒性。在检测算法中，对过程的瞬时行为进行识别以避免错误警报是重要的。瞬时模式期间的检测可能导致错误的结果和错误的警报。还需注意的是，在这项工作中提出的算法可以容易地扩展到指出诸如蒸馏塔和热交换器之类的其它过程或单元操作中的瞬时模式。

转到图24，火焰加热器是精炼厂和石化厂中的重要单元。它们用于将原油或重碳氢化合物进料的温度升至某提升的温度。以180全局指示的火焰加热器包括一个以上管道182。该进料被均匀地分给加热器通道182。每个管道182充当一热交换器，流入管道182的进料在此处由燃烧的燃料加热。燃料的流动通常被操纵为达到原油(进料流)的期望的目标最终温度。

火焰加热器中的主要问题之一是焦化。由于火焰加热器中的温度提升，原油裂化并形成被称为焦炭的残渣碳。焦炭随时间沉积在管路的内表面，通常导致管路或火焰加热器的性能低下。该过程被称为淤塞。随着时间的推移，火焰加热器的性能越来越差，并且可能发生意外停机以清洁火焰加热器。在某些实例中，某些管路可能会严重堵塞。高度期望在火焰加热器管道内对焦炭的形成进行监控以调度单元清洁。

火焰加热器呈现多元数据结构，其非常适于利用这里描述的有时被称为MMDM(即多元监控和诊断模块)工具的多元监控和诊断技术和工具进行分析。

根据这里描述的技术，由MMDM工具对表1中给出的过程变量(PV)进行监控和处理。

这些过程变量也在图24中示出。然而，值得注意的是，可以以任意期望的方式，通过如上所述的过程控制系统或网络，并且根据诸如

数字工厂架构之类的各种不同的架构，并利用例如爱默生FOUNDATION^TMFieldbus设备(即Micro Motion coriolis flow meters(微运动互补流量计)、柔斯芒特温度设备等)，来供应过程变量数据。

监控的过程变量	缩写
		原油的入口温度	Tin
到每个通道的流速	Fi
		油的总流量	F
目标通道的出口温度	Tout
		原油的最终温度(被控制的变量)	TF
燃料流速	FIF
		燃料的最终温度	FIT

表1、火焰加热器的监控变量

图25呈现在由主成分t1和t2定义的空间中的训练数据得分。针对具有被控制变量的单个设置点时的多种流速收集基本训练数据。大约采集30,000个实时过程数据点。训练数据用于建立MMDM工具的模型，并且由MMDM工具产生的散布图之一可以与图25所示的图相对应。散布图中的八个簇与训练数据中八个不同的流速区域相对应。

图25的图中示出的虚线190内部的区域与图26和27中示出的椭圆相对应，图26和27则表示99％的置信椭圆。也就是说，椭圆内的区域给出椭圆边界内的任意得分都属于火焰加热器单元的正常操作状况的概率为99％。

转到图26和27，在本公开内容的本方面，管道的出口温度(Tout)被用作因变量，而其它六个变量被当作自变量。首先，六个自变量被选择用于监控。它们用于创建归一化过程变量数据模型以及具有得分图的PCA模型。过程变量数据提供用于模型建立的训练数据。然后，该模型被用于为在线监控定义操作员用户界面，如图26中所描绘的。如上所述，该界面以归一化和得分图的方式显示六个过程自变量，并显示四个过程警报状态指示符。一般而言，该界面可以如以上结合图8所述的那样生成，并且可以与结合图9-21描述的示例性界面的任意一个或多个方面合并。

对于过程因变量(Tout)，我们使用训练数据创建回归型的PCR模型。这是由MMDM工具在模型建立会话期间完成的。然后，PCR模型可以通过推操作员界面窗口中的“PCR”键来访问，并且出现图27所描绘的显示窗口。该显示窗口示出了为得分成分T1，T2，...，Tn计算的回归系数。

为了通过使用建立的PCA模型验证瞬时行为的检测，针对各种原油流速创建验证数据集(4300个数据点)。图28示出验证数据的原油流速的七个不同区域。因此，在验证数据中有六个不同的瞬时(动态)区域，并且PCR模型被用于根据验证数据来预测这些区域。图29示出预测Tout(Y)与实际Tout。图29中所示的迭加的图展示出PCR模型在预测稳态和瞬时区域中的因变量(Y)的成功。瞬时区域中的预测稍微滞后，这与预期相符。尽管如此，验证数据中呈现的六个瞬时区域在图29中可清楚地辨认。

图30-34描绘用于瞬时区域检测的霍特林(T²)计算的使用以及操作界面的相应部分。特别地，图30示出在瞬时区域开始的时刻的T2图。很明显，当原油的流速开始改变时，T2出现向上的尖峰。此外，图30示出操作点位于得分图t2-t3的椭圆的外面。图31示出即使没有自变量超出极限，PCA也检测到动态(瞬时)区域。当动态瞬时现象发展时，T2驻留在可接受极限之外，并且得分图位于椭圆的外面(图32)。一旦过程停留在新的稳态区域(图33)，T2响应就位于极限之下，并且得分图位于椭圆区域的内部。可以看出，人们可以使用PCA得分图和T2表示检测过程变量中的瞬时现象，并且可以估计瞬时时间常数。图34示出由T2针对整个验证数据检测到的全部六个瞬时区域。每个瞬时区域的宽度表示瞬时持续时间。

图35和36描绘在PCR分析中不使用被控制变量的方法的结果。这样做时，描述了合并被控制变量的有用性以及被控制变量如何影响所提议的方法的检测鲁棒性。在这种工作中使用的焦化加热器示例中，原油的最终温度(TF)是被控制变量。在本示例中，希望将原油加热到期望的设置点，即最终温度。如前所述，使用相同训练数据的六个自变量中的五个建立PCA模型。新模型通过使用与六变量分析中所使用的验证数据相同的验证数据被验证。图35示出新模型不能检测过程的动态行为。

T2也利用新模型针对验证数据而获得。图36示出在六变量模型中获得的尖峰不再存在。

基于上述内容，在检测瞬时或动态行为时，模型中包含被控制变量是有用的。这是被期待的，因为在被控制变量受到任意负荷或输入变量改变的直接影响时期望采用。

图37致力于焦化检测的流程。

根据以上的讨论，很明显在瞬时阶段期间，过程动态地运转，并且预测的Y将不同于实际的Y。因此，在瞬时期间，不要进行任何焦化检测是重要的。不进行焦化检测的方式是利用T2的行为。例如，如果T2超出极限，则检测算法禁用焦化检测。如果T2回到可接受范围内，则焦化检测将启动。图37中图示出该程序。所公开的检测方法和技术可以应用于例如蒸馏塔、热交换器、涡轮机等的其它过程和单元操作，并且也非常适合于化学、精炼、电力以及生命科学工业中的不同的过程应用。

根据本公开内容的上述方面，已经针对过程操作中的瞬时行为的在线检测实现了基于PCA的监控技术。PCR回归技术也可以用于过程操作中的瞬时行为的在线检测。PCA和PCR两种技术的结合支持过程警告的特征化，原因在于所公开的技术能够区分异常情况预防型的警告和由过程瞬时行为导致的警告。通过使用诸如多元回归、人工神经网络以及贝叶斯决策树等技术，可替换的设计也是可能的。

示例性应用：焦化加热器中使用PCA和PCR的焦炭检测

转到图38-41，本公开内容的另一方面致力于使用PCA和PCR技术来检测火焰加热器管道中的焦化(或淤塞)。在以下描述的实施例中，PCA和PCR技术被用于采集和分析离线数据，然后监控在线过程以检测焦化。所公开的方法和技术可以与控制器、现场设备和这里描述的其它过程控制系统元件中的任意设备集成在一起。

如下所述，所公开的焦化检测方法通常包括三个步骤：收集训练数据，使用PCA和PCR技术建立模型，以及使用目标过程变量的实际值和预测值来检测焦化故障。

所收集的训练数据通常是实时数据，其与故障无关，并且表示负荷变量的期望的操作范围。例如，训练数据可以包括在运行火焰加热器时期望遇到的最小原油流速和最大原油流速。待建立的模型还可以受益于具有最小流速与最大流速之间的若干个流速。在某些情况下，收集覆盖负荷变量的每个范围的训练数据，并且训练数据还可以包括用于改变负荷变量的瞬时(即动态)数据。一般而言，被控制变量的采样时间和设置点在整个训练数据集中可以保持恒定。

在数据具有上述特征的情况下，可以以多种方式采集训练数据。例如，可以在线采集数据，或者可以从过程历史数据库中提取数据。在任何情况下，所公开的方法的实践不受收集训练数据的方式的限制。

使用多个过程变量来支持管道中的鲁棒焦化检测。在该示例性情况下，所公开的方法使用表1中给出并在图24中示出的过程变量。当然，管道出口温度(Tout)是被监控的过程因变量，因为其应当随管路内焦炭的形成而减小。对于火焰加热器，随着焦炭(故障)开始在管路内部形成，管路内从热端到冷端的总的热传递降低。与正常操作状况(无故障)相比，管道出口温度(Tout)也应当降低。表1中的另外六个变量被当作自变量。

火焰加热器提供非常适于对利用上述多元监控和诊断模块(MMDM)的分析进行解释的多元数据结构。一旦选择了六个用于监控的自变量，则所选择的变量被用于创建归一化过程变量数据模型和具有得分图的PCA模型。所收集的过程变量数据提供用于模型建立的训练数据。然后，所建立的模型被用于为在线监控生成操作员界面，如上所述。例如如图26所示，六个过程自变量结合四个过程警报状态指示符以归一化和得分图的方式被显示。模型和操作员界面的细节已在以上给出。

对于过程因变量(Tout)，训练数据也可以用于创建回归型的PCR模型。如上所述，由MMDM工具在实施模型建立流程期间自动完成PCR模型的生成。然后可以通过选择操作员界面中的“PCR”键访问PCR模型，这可能生成图27所示的示例性显示窗口。如上所述，该显示窗口示出为得分成分T1，T2，...Tn计算的回归系数。

现在描述所公开的适用于焦炭检测的火焰加热器监控系统和方法的实施例。

如果Tout(Y)的实际值持续低于预测的值

则可以指示焦炭形成。这意味着实际通道出口温度持续低于预测的温度。在这种情况下，不会生成错误的警报或警告。为此目的，可以使用Y的绝对值或均值。如以下的进一步说明，实际值Y与预测值

的偏离可以给出焦化严重性的优良指示。这是一个可以由工厂工程师和操作员使用的优良工具，以基于实际的单元性能来调度单元清洁或停机。推荐将

的比值绘制为时间的函数，从而使工厂工程师或操作员可以持续监控单元的性能或检测单元退化或焦化。可替换地，两个值之间的差可以作为时间的函数被监控。基于Y与

的比值，工厂人员可以决定采取什么样的行动。由于焦化是较慢的过程，因此工厂人员可能不选择强制执行警报或警告。然而，容易基于阈值极限而激活警告或警报。例如，如果该比值降低到某极限(λ)，则可以发出警告。

例如，如果 $\left(\frac{Y}{\hat{Y}}\right)\&le;\mathrm{\&lambda;}$ 则可以发出警告。

可以发出各种警告来指示焦化的严重性。例如，λ₁指示低焦化，λ₂指示中等焦化等。

更一般地，所公开的焦炭检测方法包括以下步骤：获取足够的训练数据，建立统计模型，以及使用该模型来监控单元性能。

所公开的技术的训练和验证。焦化加热器的训练和验证数据由从GSE系统商业上可获得的高保真(hi-fidelity)仿真器SSPRO生成，并从SSPRO获得。采样速率为一秒。操纵燃料的流速以达到原油的期望的目标最终温度。该仿真可以灵活地引入各种严重程度的焦化。该仿真被用于获取训练数据和仿真数据。七个过程变量被记录，并被用在由MMDM工具提供的多元分析中。

针对各种流速来运行训练。原油的流速和入口温度被允许具有不变的噪声，从而模拟真实的工厂操作。约30000个实时过程数据点被采集。训练数据被用于建立MMDM模型，由MMDM工具产生的散布图在图25中清楚的示出，该图描绘了与训练数据中的八种流动方式对应的八个簇。图25还显示了99％的置信椭圆。椭圆内部的区域给出椭圆边界内的任意得分都属于火焰加热器单元的正常操作状况的概率为99％。

针对各种焦化水平采集若干实时仿真数据文件，以测试所提议的异常情况检测的鲁棒性。仿真数据点包含好的和故障的数据。为了将焦化引入到管道中，有意降低总的热传递系数(U)。若干数据集收集如下。在集1中，系数U从1000降低到995，然后降低到990、980和950。在集2中，系数U从1000降低到500。

在本示例性应用中，为该特定的情况建立的PCR回归模型为Y＝B0+B1*T1+B2*T2+B3*T3，其中B0＝316.9227895，B1＝-0.215154485，B2＝0.274120980，并且B3＝-0.276083039。T1，T2，T3是基于变量的贡献在线确定的得分成分(验证数据)。

在使用该模型针对故障(如焦炭)检测而监控新数据之前，利用新的验证数据的集合来测试模型。该步骤的目的是确保模型的鲁棒性。图38示出PCR模型在预测Y(Tout)时的准确度。该模型具有高于99.9％的准确度，在数据分散于各种操作状况中(图25)的情况下，具有极好的准确度。如果操作状况的范围缩小，则准确度会更高。

该模型还可以用于针对比训练数据中使用的流速高12％的流速来预测Y(tout)。换句话说，该模型可以用于针对训练数据中所使用的流速范围之外的流速来预测过程的行为。图39示出该预测再次以非常高的准确度工作。但是可能不是非常推荐使用针对训练范围之外的数据的任何模型。

上述模型被用于检测验证数据中的焦化。该模型能够针对所有的仿真验证数据来检测焦化。图40示出实际的Y低于预测的Y的程度。实际的Y与预测的Y的比值随着焦化的增加(总的热传递系数变低)而减小。预测的Y是正常情况下(无故障/无焦化)的Y值。根据实际的Y相对于预测的Y的行为，工厂人员能够确定管道内部的焦化的严重性。

使用数据的另一集合来验证所提议的监控方法。该数据的集合包含在正常过程中引入具有高数值的突然增大的异常情况(焦化)时的良好数据。图41示出实际的Y与预测的Y的比值是如何变化的。图41中数据的第一部分展示出该模型在预测正常行为时的卓越性能。

总之，上述技术(以及基本模型)致力于使用PCA和PCR对火焰加热器管道中的焦化、淤塞和其它故障检测。为了实现该目的，可以对原油的入口温度、管道原油流速、原油总流速、管道出口温度、最终温度、燃料流速和燃料出口温度进行监控，并且可以将管道出口温度用作火焰加热器的性能指示符。在某些情况下，针对模型的训练数据的范围内的操作状况，使用PCA对该性能指示符进行建模，并使用PCR进行预测。但是，PCR也可用于针对训练数据的范围外的操作状况对火焰加热器的关键性能指示符进行预测。

转到图42和43中提出的公开内容的方面，现在描述用于火焰加热器中的焦化的在线多元监控和诊断的基于PCA参数的技术。该方法以建立多个主成分分析(PCA)模型并比较不同过程操作状况的模型参数为基础。除了焦化检测外，所公开的技术方法对于确定或检测其它涉及多种不同过程装置的慢变的过程改变(例如，锅炉中的烟垢累积，反应器、压缩机、热交换器、蒸馏塔和隔膜中的淤塞和其它劣化等)也是有效的。

如上所述，基于PCA的技术可以与分布式过程控制系统(DCS)集成在一起，以实现与在线监控和诊断的结合。所公开的技术还能够创建和操纵用于建立在线模型并比较模型参数的数据。基于PCA的技术还可以应用到使用主成分回归(PCR)分析确定火焰加热器中的焦化水平时的挑战所呈现出的特定细节。

本公开内容的这一方面提供了在不使用基于回归的方法的情况下检测诸如焦化之类的慢变的过程改变的方法。相反，所公开的方法以在过程操作期间连续、重复或持续地建立PCA模型并将所建立的模型与正常过程操作状况下建立的基线模型进行比较为基础。所公开的技术在特定应用(例如异常情况预防应用)中相比其它使用回归的方法可提供更鲁棒的解决方案，原因在以下给出。一个主要原因是基于回归的技术在每次从现场设备通信链路(例如，Fieldbus、Modbus、无线等)中读取数据点时生成预测。结果，基于回归的技术提供过程状态的当前预测，然后通过逻辑对该预测进行处理或评估，以确定诊断状态。这种处理经常会由于诸如设置点和稳态改变之类的动态过程改变以及数据串中的异常噪声而产生错误的警告/警报。这些类型的警告对于操作员来说通常很麻烦，因此如果不能完全消除的话，也应最小化这种警告。

相反，所公开的方法连续地或根据需要在过程操作的背景下创建预定维度的数据文件。然后，使用这些数据文件生成用于对过程性能进行评估的PCA模型更新。结果，由于所公开的方法不完全依赖于当前的过程数据值，因此可以更加鲁棒。替代地，所公开的方法可以根据基于长期数据行为的过程性能诊断来生成警告报告，其中长期数据行为由例如数据文件的长度来确定。所公开的方法的进一步细节在以下描述。

开始时，人们从数据文件开始以建立PCA。训练数据可以表示在正常的过程操作状况下采集的数据。如上所述，数据文件因此可以包含数据行(观测值)和列，每列与分配的过程变量(PV)相对应。过程变量可以是原始数据，也可以是根据原始数据得到的统计特征(例如，异常情况预防块数据)。结果，数据文件包括n列和m行，且通常假定m＞＞n。使用这样的分配，模型选定n个具有m个观测值的过程变量，并且包含如上所述被自动缩放的m×n的数据矩阵X。然后，实际模型可通过估计n×n协方差矩阵S的谱成分来构建，其中，S＝X^T·X/(m-1)，用于将S重写为S＝V·D·V^T，其中

并且其中σ_i ²，i＝1，...，n是按照从大到小排列的特征值(方差)，并且V的列是相应的特征向量。最大的特征值及其对应的特征向量对应于原始输入空间中包含原始过程数据中最大变化量的方向。这被当作第一主成分。第二大特征值及其对应的特征向量对应于与第一主成分正交的、包含次最大变化量的方向。继续本过程，直到创建了解释所有原始过程数据的新的正交向量空间。

在计算出特征值和特征向量之后，需要确定哪些是通常与过程中的重要变化相对应的重要主成分，哪些是通常与噪声相对应的非重要主成分。存在若干种可以解决该问题的已知方法。

无论选择哪种方法，最终结果是确定会为PCA模型保留的重要主成分的数目a。然后，通过从V中提取前a列(特征向量)来创建负荷矩阵

原始观测值在负荷矩阵所定义的子空间上的投影被称作得分矩阵，并由T＝X·P表示。T的列被称作PCA模型的得分，被引作t₁，t₂，...t_a，并且n×a的矩阵P是PCA模型。

训练数据文件X。为了本公开内容的这一方面的目的，可通过选择对需要分辨的过程行为有影响的过程自变量，并使这些过程自变量由X的前k列来表示，其中k＜n，以及通过选择用于描述过程行为的过程因变量，并使这些过程因变量由X的最后n-k列来表示，其中n-k＞0，来选择训练数据X。如果将要实现回归技术，则使用X的前k个过程变量来预测后n-k个过程变量。但是，注意，当建立PCA模型时，X只具有k个过程自变量，而且n＝k。这k个过程自变量被用于创建n×a的负荷矩阵P，该矩阵包含用于创建之后被用于对因变量进行预测的得分t1，t2，...ta的a个主成分向量(负荷向量)。在所公开的方法中，自变量和因变量结合起来用于创建训练数据文件X。

一旦PCA模型被指定，负荷矩阵P＝[p₁，p₂，...，p_a]就被定义，其中p_i＝[p_i，1，...，p_i，k，p_i，k+1，...，p_1，n]^T是负荷向量，并且i＝1，...，a。p_i的前p_i，1，...，p_i，k成分是与X中的前k个自变量对应的负荷值。类似地，p_i，k+1，...，p_i，n成分是与X中后n-k个因变量对应的负荷值。结果，P定义了与原始过程变量直接相关的相互关联的负荷值的空间。现在，X中n-k个因变量的每一个在该空间中具有由以下公式给定的负荷值度量： $z_j=\sqrt{\underset{i=1}{\overset{a}{\mathrm{\&Sigma;}}}\frac{p_{i,j}^2}{{\mathrm{\&sigma;}}_i^2}}$ 其中j＝k+1，...，n，并且σ_i是D中的第i个特征值。

负荷值度量z_j是具有以下性质的第j个过程因变量的模型结果。假设X和Y是来自相同过程操作并在不同时间采集的数据文件。此外，假设z_j和v_j是分别与相同的过程因变量的X和Y对应的模型结果。那么，如果z_j≈v_j，则由第j个过程变量描述的过程行为对于X和Y来说是相似的。作为对比，如果z_j≠v_j，则由第j个过程变量描述的过程行为对于X和Y来说是不同的。

这个性质对于过程诊断，特别是对于慢变的过程行为的诊断，是很有用的。原因在于负荷值度量z_j反映了操作员所指定的时间段内的过程行为，因此提供了比回归方法所给出的最近更新更完整的诊断。

火焰加热器应用。前述技术可用于确定火焰加热器中的焦化水平。如上所述，数据文件X由表1和图24中定义的过程变量组成。Tout是唯一的因变量，而所有其它变量都是自变量。但是，在根据本公开内容这一方面的技术中，所有的变量都用来创建PCA模型，而不需要PCR。

使用这样的分配，在正常操作状况下(例如0％的焦化)创建基线模型，并针对Tout计算的负荷值度量Z。然后，针对火焰加热器中不同的焦化百分比重复相同处理，图42示出所获得的结果。从图42可以看出，Z随焦化百分比的增加而单调下降，这暗示负荷空间由于过程变量贡献随焦化百分比变化所产生的变化而出现了结构性改变。注意该改变是协作产生的，并且通过当时对一个变量的监控不容易确定。

基于上述内容，通过对Z设置不同的极限，该技术可用在诊断/故障检测方法或系统中。由于每个模型都基于收集模型数据所使用的时间长度来表示Z的行为，因此使用该技术发出的警告或警报更加可靠。此外，在运行时，检测方法可对操作者完全透明。这是因为该检测方法可在监控控制台的后台运行，并且可被配置为仅在设置的极限被超过或被破坏时才会将异常情况告警给操作者。图43中的流程图示出该方法或系统如何根据一实施例被实施。注意，使用该方法，可避免错误的警报和警告，但是过程参数的性能会随时间被严格地监控。

利用本公开内容的这一方面，可以定义PCA模型参数，并将其应用于在线诊断，这在与焦化加热器中的焦化以及多种过程装置故障或异常情况结合时是有用的。可以利用PCA负荷和变化信息得出模型参数，并且可以针对过程因变量或过程自变量定义负荷值度量。在某些情况下，所公开的方法可用于观察长期的焦化，而不是瞬间或最近的改变。例如，所公开的方法可用于在线长期协同诊断。可替换地或附加地，所公开的方法可以提供回归分析的替代方法。所公开的方法可以与包括例如DeltaV^TM和

的多种控制系统平台以及例如柔斯芒特3420FF界面模型的多种过程装置和设备结合起来实施。可替代地，所公开的方法和系统可以实施为单独的异常情况预防应用。在任意情况下，所公开的方法和系统可以被配置为生成警告，并且另外支持火焰加热器中焦化水平的调节。

本领域普通技术人员将认识到，可以以各种方式对以上描述的示例系统和方法进行修改。例如，可以省略块或重新排列块的顺序，可以增加另外的块等。例如，对于图7，块146可以在流程中的不同点处实施。类似地，块148可以被实施为分立例程的一部分，因此其可能在图7的流程的不同点处实际发生，这依赖于接收到合适的启动分立例程的命令的时间。

以上公开了涉及异常情况预防模块和异常情况预防块的上述示例，但应当理解所公开的系统、方法和技术的实践并不限于这些上下文。相反，所公开的系统、方法和技术也非常适于与包括能够选择用于监控、数据采集等的具有不同组织结构、元件布置或分散零件、单元、组件或项的其它集合的任意诊断系统、应用程序、例程、技术或程序一起使用。指定在诊断中使用的过程参数的其它诊断系统、应用程序等也可以被建立或者可以从这里描述的系统、方法和技术中获益。然后，参数的这种单独指定可以被用于对其所关联的过程数据进行定位、监控和存储。此外，所公开的系统、方法和技术不一定仅仅与过程控制系统的诊断方面一起使用，尤其是在这类方面还没有被开发或还处于开发的早期阶段时。相反，所公开的系统、方法和技术还适于与过程控制系统、加工厂或过程控制网络等的任意元素或方面一起使用。

这里所描述的方法、过程、程序和技术可以使用硬件、固件和软件的任意组合来实现。因此，这里所述的系统和技术可以在标准多用途处理器中实现，或根据需要使用专用设计硬件或固件来实现。当以软件实现时，该软件可以存储在任意计算机可读存储器中，例如存储在磁盘、光盘或其它存储介质上，存储在计算机、处理器、I/O设备、现场设备、接口设备等的RAM或ROM或闪存中。同样地，该软件可以通过任意已知的期望的发送方法，包括例如计算机可读盘上或其它可传输计算存储机构或通信介质，发送给用户或过程控制系统。通信介质通常将计算机可读指令、数据结构、程序模块或其它数据具体体现为诸如载波或其它传输机制之类的调制数据信号。术语“调制数据信号”意指使其一个以上特征以将信息编码在信号中的方式被设置或改变的信号。以示例而非限制的方式，通信介质包括诸如有线网络或直接连接的网络之类的有线介质和诸如声、射频、红外和其它无线介质之类的无线介质。因此，该软件可以通过诸如电话线、因特网等的通信通道发送给用户或过程控制系统(这被视为与通过可传输存储介质提供这类软件相同或可互换)。

Claims (44)

1、一种监控和诊断加工厂中的在线多元过程变量数据的系统，其中所述多元过程数据包括多个过程变量，每个过程变量具有多个观测值，该系统包括：

数据采集工具，适于在过程在线时从加工厂内的过程控制系统采集在线过程数据，其中所采集的在线过程数据包括多个过程变量的多个观测值，并且其中所采集的过程数据的集合的多个观测值包括具有多个维度的第一数据空间；

包括多元统计分析引擎的第一分析工具，该多元统计分析引擎适于基于所采集的在线过程数据的集合在与所述第一数据空间相比具有较低维度的第二数据空间内表示过程操作，所采集的在线过程数据的集合包括在过程在线时该过程操作的测量值；

包括一元分析引擎的第二分析工具，该一元分析引擎适于通过每个过程变量的一元变量将过程操作表示为在线过程数据的多元投影，其中所述一元变量对过程变量进行一元化；以及

显示工具，适于生成包括由过程操作的多元统计表示生成的结果的第一图和由过程操作的一元表示生成的结果的第二图的视图。

2、根据权利要求1所述的系统，其中所述由过程操作的多元统计表示生成的结果的第一图包括：由过程操作的多元统计表示生成的得分相对于用于定义所述第二数据空间的至少一个成分的图。

3、根据权利要求2所述的系统，其中所述显示工具适于使用户能够选择所述用于定义所述第二数据空间的至少一个成分。

4、根据权利要求2所述的系统，其中所述得分包括所述多个观测值中的一个以上观测值在所述第二数据空间中的表示。

5、根据权利要求1所述的系统，其中所述第二分析工具适于计算作为多个过程变量向量变换的函数的多元变换，每个过程变量向量变换与过程变量之一相对应，其中每个过程变量向量变换是对过程变量进行一元化的一元变量的函数，并且其中所述第二图包括作为一元变量的函数的多元变换的图。

6、根据权利要求1所述的系统，其中所述第二图包括具有唯一位置的每个过程变量相对于由对过程变量向量而言唯一的位置参数确定的一元变量的图。

7、根据权利要求1所述的系统，其中所述第二图包括作为一元变量的函数的多元变换的图。

8、根据权利要求1所述的系统，其中所述数据采集工具适于采集表示过程的实时在线操作的在线过程数据，并且其中所述显示工具适于生成包括所述第一图和所述第二图的过程操作的实时视图。

9、根据权利要求8所述的系统，其中所述显示工具适于在所述数据采集工具采集表示该过程的实时在线操作的在线过程数据时，实时更新过程操作的实时视图。

10、根据权利要求1所述的系统，其中所述第一分析工具适于对所采集的在线过程数据施行统计分析以确定第一阈值，并且其中所述第二分析工具适于对多个过程变量进行归一化以确定第二阈值，其中所述第二阈值包括过程变量的公共过程变量控制极限。

11、根据权利要求10所述的系统，其中所述第一图包括由过程操作的多元统计表示生成的结果相对于所述第一阈值的图。

12、根据权利要求10所述的系统，其中每个过程变量包括过程变量控制极限，并且与作为对过程变量进行一元化的一元变量的函数的过程变量向量变换相对应，其中所述第二分析工具适于使用对每个过程变量而言唯一的缩放参数将每个过程变量向量变换归一化为同一过程变量控制极限，从而生成过程变量的公共过程变量控制极限，其中所述第二图包括由过程操作的一元表示生成的结果相对于公共过程变量极限的图。

13、根据权利要求10所述的系统，其中所述第一分析工具适于在由过程操作的多元统计表示生成的结果超出所述第一阈值的情况下确定异常过程状况的存在。

14、根据权利要求10所述的系统，其中所述第二分析工具适于在由过程操作的一元表示生成的结果超出所述第二阈值的情况下确定异常过程状况的存在。

15、根据权利要求10所述的系统，其中所述显示工具适于在由多元统计表示生成的结果超出所述第一阈值并且由一元表示生成的结果超出所述第二阈值的情况下生成警报。

16、根据权利要求15所述的系统，其中所述显示工具适于在由多元统计表示生成的结果超出所述第一阈值并且由一元表示生成的结果超出所述第二阈值的情况下，识别与异常过程状况相对应的过程变量。

17、根据权利要求15所述的系统，其中所述第一分析工具适于生成定义所述第二数据空间的多个成分，其中每个成分与过程数据中针对过程变量的变化程度相对应，该变化程度指示过程变量对过程的重要程度，其中所述显示工具适于基于与警告相关联的过程变量并基于过程变量对过程的重要程度对警报的严重性进行分类。

18、根据权利要求10所述的系统，其中所述显示工具适于在由多元统计表示生成的结果超出所述第一阈值并且由一元表示生成的结果未超出所述第二阈值的情况下诊断错误的警报。

19、根据权利要求10所述的系统，其中所述显示工具适于在由多元统计表示生成的结果未超出所述第一阈值并且由一元表示生成的结果超出所述第二阈值的情况下诊断遗漏的警报。

20、根据权利要求10所述的系统，其中所述第一阈值包括过程变量的统计极限。

21、根据权利要求10所述的系统，其中所述第二阈值包括过程变量的物理极限。

22、根据权利要求1所述的系统，其中所述显示工具适于使用户能够选择先前采集的在线过程数据的先前集合，其中所述多元统计分析引擎适于基于先前采集的在线过程数据的集合来表示过程的先前操作，先前采集的在线过程数据的集合包括在过程在线时该过程操作的测量值，其中所述一元分析引擎适于通过每个过程变量的一元变量将过程的先前操作表示为先前采集的在线过程数据的多元投影，并且其中所述显示工具适于生成包括由过程的先前操作的多元统计表示生成的结果的第一图和由过程的先前操作的一元表示生成的结果的第二图的视图。

23、一种监控和诊断加工厂中的在线多元过程变量数据的方法，其中所述多元过程数据包括多个过程变量，每个过程变量具有多个观测值，该方法包括：

在过程在线时从加工厂内的过程控制系统采集在线过程数据，其中所采集的在线过程数据包括多个过程变量的多个观测值，并且其中所采集的过程数据的集合的多个观测值包括具有多个维度的第一数据空间；

施行多元统计分析，以基于所采集的在线过程数据的集合在与所述第一数据空间相比具有较低维度的第二数据空间内表示过程操作，所采集的在线过程数据的集合包括在过程在线时该过程操作的测量值；

施行一元分析，以通过每个过程变量的一元变量将过程操作表示为在线过程数据的多元投影，其中所述一元变量对过程变量进行一元化；以及

生成包括由过程操作的多元统计表示生成的结果的第一图和由过程操作的一元表示生成的结果的第二图的视图。

24、根据权利要求23所述的方法，其中所述由过程操作的多元统计表示生成的结果的第一图包括：由过程操作的多元统计表示生成的得分相对于用于定义所述第二数据空间的至少一个成分的图。

25、根据权利要求24所述的系统，进一步包括使用户能够选择所述用于定义所述第二数据空间的至少一个成分。

26、根据权利要求24所述的方法，其中所述得分包括所述多个观测值中的一个以上观测值在所述第二数据空间中的表示。

27、根据权利要求23所述的方法，其中施行一元分析包括：计算作为多个过程变量向量变换的函数的多元变换，每个过程变量向量变换与过程变量之一相对应，其中每个过程变量向量变换是对过程变量进行一元化的一元变量的函数，并且其中所述第二图包括作为一元变量的函数的多元变换的图。

28、根据权利要求23所述的方法，其中所述第二图包括具有唯一位置的每个过程变量相对于由对过程变量向量而言唯一的位置参数确定的一元变量的图。

29、根据权利要求23所述的方法，其中所述第二图包括作为一元变量的函数的多元变换的图。

30、根据权利要求23所述的方法，其中采集在线数据包括采集表示过程的实时在线操作的在线过程数据，并且其中生成视图包括生成包括所述第一图和所述第二图的过程操作的实时视图。

31、根据权利要求30所述的方法，其中生成视图包括在采集表示过程的实时在线操作的在线过程数据的同时，实时更新该过程操作的实时视图。

32、根据权利要求23所述的方法，其中施行多元统计分析包括对所采集的在线过程数据施行统计分析以确定第一阈值，并且其中施行一元分析包括对多个过程变量进行归一化以确定第二阈值，其中所述第二阈值包括过程变量的公共过程变量控制极限。

33、根据权利要求32所述的方法，其中所述第一图包括由过程操作的多元统计表示生成的结果相对于所述第一阈值的图。

34、根据权利要求32所述的方法，其中每个过程变量包括过程变量控制极限，并且与作为对过程变量进行一元化的一元变量的函数的过程变量向量变换相对应，其中施行一元分析包括使用对每个过程变量而言唯一的缩放参数将每个过程变量向量变换归一化为同一过程变量控制极限，从而生成过程变量的公共过程变量控制极限，其中所述第二图包括由过程操作的一元表示生成的结果相对于公共过程变量极限的图。

35、根据权利要求32所述的方法，进一步包括：在由过程操作的多元统计表示生成的结果超出所述第一阈值的情况下确定异常过程状况的存在。

36、根据权利要求32所述的方法，进一步包括：在由过程操作的一元表示生成的结果超出所述第二阈值的情况下确定异常过程状况的存在。

37、根据权利要求32所述的方法，进一步包括：在由多元统计表示生成的结果超出所述第一阈值并且由一元表示生成的结果超出所述第二阈值的情况下，生成警报。

38、根据权利要求37所述的方法，进一步包括：在由多元统计表示生成的结果超出所述第一阈值并且由一元表示生成的结果超出所述第二阈值的情况下，识别与异常过程状况相对应的过程变量。

39、根据权利要求37所述的方法，其中施行多元统计分析包括生成定义所述第二数据空间的多个成分，其中每个成分与过程数据中针对过程变量的变化程度相对应，该变化程度指示过程变量对过程的重要程度，所述方法进一步包括基于与警告相关联的过程变量并基于过程变量对过程的重要程度对警报的严重性进行分类。

40、根据权利要求32所述的方法，进一步包括：在由多元统计表示生成的结果超出所述第一阈值并且由一元表示生成的结果未超出所述第二阈值的情况下，诊断错误的警报。

41、根据权利要求32所述的方法，进一步包括：在由多元统计表示生成的结果未超出所述第一阈值并且由一元表示生成的结果超出所述第二阈值的情况下，诊断遗漏的警报。

42、根据权利要求32所述的方法，其中所述第一阈值包括过程变量的统计极限。

43、根据权利要求32所述的方法，其中所述第二阈值包括过程变量的物理极限。

44、根据权利要求23所述的系统，其中施行多元统计分析包括施行多元统计分析以基于先前采集的在线过程数据的集合来表示过程的先前操作，先前采集的在线过程数据的集合包括在过程在线时该过程操作的测量值，其中施行一元分析包括施行一元分析以通过每个过程变量的一元变量将过程的先前操作表示为先前采集的在线过程数据的多元投影，所述方法进一步包括：

使用户能够选择先前采集的在线过程数据的先前集合；以及

生成包括由过程的先前操作的多元统计表示生成的结果的第一图和由过程的先前操作的一元表示生成的结果的第二图的视图。

Images