專利名稱：在過程控制環(huán)境中分析模型質量的裝置和方法
技術領域：
本發(fā)明一般涉及過程控制系統(tǒng)，更具體地，涉及在過程控制環(huán)境中 分析模型質量的裝置和方法。
背景技術：
處理設施通常用過程控制系統(tǒng)管理。示例處理設施包括制造廠、化 工廠、原油煉油廠，以及礦石加工廠。馬達、催化裂化裝置、閥、以及 其他工業(yè)設備通常執(zhí)行在處理設施中加工材料所需的動作。除了其他功 能之外，過程控制系統(tǒng)通常管理處理設施中工業(yè)設備的使用。
在傳統(tǒng)的過程控制系統(tǒng)中，通常使用控制器來控制處理設施中的工 業(yè)設備的操作?？刂破骼缈梢员O(jiān)控工業(yè)設備的操作，提供控制信號給 工業(yè)設備，以及當檢測到故障時產生警報。
先進的控制器通常使用基于模型的控制技術來控制工業(yè)設備的操 作?；谀Ｐ偷目刂萍夹g通常包括使用模型來分析輸入數據，其中模型 基于接收到的輸入數據確定應該如何控制工業(yè)設備?；谀Ｐ偷目刂萍?術在整個過程控制工業(yè)中已經被廣泛認可。研究已經確定基于模型的控 制技術可以顯著地提高處理設施的性能并提供顯著的經濟效益。然而， 基于模型的控制技術提供的好處很大程度上依賴于所使用的模型的質 量。結果，已經發(fā)展了技術來驗證模型以確保模型具有可接受的質量。
驗證模型的傳統(tǒng)技術通常包括注入外部信號到過程控制系統(tǒng)中或 者執(zhí)行過程控制系統(tǒng)的開環(huán)測試。這兩種技術通常都中斷過程控制系統(tǒng) 的正常工作，這可能妨礙整個處理設施的正常工作。另外，傳統(tǒng)的才莫型 驗證技術通?；蛘?i)不分析與使用模型的控制器相關的歷史操作數
據，或者(ii )使用歷史操作數據產生不正確或者誤導的結果。這可能
由于這樣的事實通常只有小部分的歷史操作數據與模型驗證相關，并 且操作數椐通常受到噪聲或者其他干擾的污染。

發(fā)明內容
本發(fā)明提供在過程控制環(huán)境中分析模型質量的裝置和方法。
在第一實施例中， 一種方法包括識別與模型關聯的信號和干擾。該 信號和干擾是使用與 一個或多個過程變量相關聯的歷史數據識別的。該 方法還包括以多個分解等級(resolution level)分解該信號和干擾。 該方法進一 步包括使用分解的信號和分解的干擾從信號中提取多個數 據片段。此外，該方法包括使用提取的數據片段和至少一部分歷史數據 確定模型的質量。
在第二實施例中， 一種裝置包括至少一個存儲器，其能夠存儲與一 個或多個過程變量關聯的歷史數據。該裝置還包括至少一個處理器，其 能夠使用歷史數據識別與模型關聯的信號和干擾，以及以多個分解等級 分解信號和干擾。該至少一個處理器還能夠使用分解的信號和分解的干 擾從該信號中提取多個數據片段。此外該至少一個處理器能夠使用提取 的數據片段和至少 一部分歷史數據確定模型的質量。
在第三實施例中， 一種計算機程序包含在計算機可讀介質上并且可 操作以由處理器執(zhí)行。該計算機程序包括用于識別與模型關聯的信號和 干擾的計算機可讀程序代碼。該信號和干擾是使用與一個或多個過程變 量相關聯的歷史數據識別的。該計算機程序還包括以多個分解等級分解 該信號和干擾。該計算機程序進一步包括用于使用分解的信號和分解的 干擾從該信號中提取多個數據片段的計算機可讀程序代碼。此外，該計 算機程序包括用于使用提取的數據片段和至少一部分歷史數據確定模 型的質量的計算機可讀程序代碼。
根據下面的附圖，說明書和權利要求書，其他技術特征將對本領域 技術人員變得顯而易見。


為了更完整地理解本發(fā)明，現在結合附圖參考下列描述，附圖中 圖1示出了根據本發(fā)明一個實施例的示例過程控制系統(tǒng)；
圖2示出了根據本發(fā)明一個實施例的示例過程控制系統(tǒng)的其他細
節(jié)；
圖3到圖6示出了根據本發(fā)明一個實施例的在過程控制系統(tǒng)中分析 模型質量的示例方法；以及
圖7到圖13示出了根據本發(fā)明一個實施例的在過程控制系統(tǒng)中識 別用于分析^t型質量的資料數據(informative data)的示例方法。
具體實施例方式
圖1示出了根據本發(fā)明一個實施例的示例過程控制系統(tǒng)100。圖1 所示的過程控制系統(tǒng)100的實施例僅僅是為了示例說明。在不偏離本發(fā) 明范圍的情況下可以使用過程控制系統(tǒng)100的其他實施例。
在該示例實施例中，過程控制系統(tǒng)100包括一個或者多個過程元件 102a-102b。過程元件102a-102b代表處理環(huán)境中執(zhí)行;f艮多種功能中任 意功能的組件。例如，過程元件102a-102b可以4戈表處理環(huán)境中的馬達、 閥和其他工業(yè)設備。過程元件102a-102b可以代表處理環(huán)境中任何其他 的或者額外的組件。過程元件102a-102b中的每一個包括用于在處理環(huán) 境中執(zhí)行一個或多個功能的任何硬件、軟件、固件或者它們的組合。過 程元件102a-102b例如可以代表能夠在處理環(huán)境中操縱、改變、或者以 其他方式處理一種或多種材料的任何組件、設備或者系統(tǒng)。
兩個控制器104a-104b耦合到過程元件102a-102b。控制器 104a-104b控制過程元件102a-102b的操作。例如，控制器104a-104b 可以周期性地提供控制信號給過程元件102a-102b?？刂破?04a-104b 中的每一個包括用于控制一個或多個過程元件102a-102b的任何硬件、 軟件、固件或者它們的組合?？刂破?04a-104b例如可以代表C300控 制器。作為另一個示例，控制器104a-104b可以包括運行GREEN HILLS INTEGRITY操作系統(tǒng)的POWERPC處理器系列中的處理器，或者運行 MICROSOFT WINDOWS操作系統(tǒng)的X86處理器系列中的處理器。
兩個服務器106a-106b耦合到控制器104a-104b。服務器106a-106b 執(zhí)行各種功能來支持控制器104a-104b和過程元件102a-102b的操作和 控制。例如，服務器106a-106b可以把控制器104a-104b收集或者生成 的信息記入日志，所述信息諸如與過程元件102a-102b的操作相關的狀 態(tài)信息。服務器106a-106b還可以執(zhí)行控制控制器104a-104b的操作的 應用程序，從而控制過程元件102a-102b的操作。此外，服務器 106a-106b可以提供對控制器104a-104b的安全訪問。服務器106a-106b 中的每一個包括用于提供對控制器104a-l 04b的訪問或者控制的任何硬 件、軟件、固件或者它們的組合。服務器106a-106b例如可以表示執(zhí)行 來自MICROSOFT CORPORATION的WINDOWS 2000的個人計算機(諸如桌 上型計算機)。作為另一個示例，服務器106a-106b可以包括運行GREEN HILLS INTEGRITY操作系統(tǒng)的POWERPC處理器系列中的處理器，或者運 行MICROSOFT WINDOWS操作系統(tǒng)的X86處理器系列中的處理器。
一個或者多個操作員站108a-108b耦合到服務器106a-106b。操作 員站108a-l 08b表示提供對于服務器106a-l06b的用戶訪問的計算或者 通信設備，從而可以提供對于控制器104a-104b和過程元件102a-102b 的用戶訪問。例如，操作員站108a-108b可以允許用戶使用控制器 104a-104b和服務器106a-106b收集的信息查看過程元件102a-102b的 操作歷史。操作員站108a-108b還可以允許用戶調整過程元件 102a-102b、控制器104a-104b或服務器106a-106b的操作。操作員站 108a-108b中的每一個包括用于支持對系統(tǒng)100的用戶訪問和控制的任 何硬件、軟件、固件或者它們的組合。操作員站108a-108b例如可以表 示4丸行來自MICROSOFT CORPORATION的WINDOWS 95、 WINDOWS 2000或 者WINDOWS NT的個人計算機。
在該示例中，操作員站中的至少一個108b是遠程站。該遠程站通 過遠程網絡IIO耦合到服務器106a-106b。網絡IIO便于系統(tǒng)100中不 同組件之間的通信。例如，網絡110可以在網絡地址之間傳送網際協(xié)議 (IP)分組、幀中繼幀、異步傳輸模式(ATM)單元，或者其他合適的 信息。網絡110可以包括位于一個或多個位置的一個或多個局域網 (LAN),城域網(MAN),廣域網(WAN)，諸如因特網的全球網絡的 全部或者一部分，或者任何其他通信系統(tǒng)。
在該示例中，系統(tǒng)100包括兩個額外的服務器112a-112b。服務器 112a-112b執(zhí)行各種應用程序來控制系統(tǒng)100的總體操作。例如，系統(tǒng) 100可以用于在加工廠或者生產廠或者其他設施中，服務器112a-112b 可以執(zhí)行用來控制該工廠或其他設施的總體操作的應用程序。作為特定 的示例，服務器112a-112b可以執(zhí)行諸如企業(yè)資源規(guī)劃(ERP)、制造 執(zhí)行系統(tǒng)(MES)的應用程序、或者任何其他或者額外的工廠或過程控
制應用程序。服務器112a-112b中的每一個包括用于控制系統(tǒng)100的總 體操作的任何硬件、軟件、固件或者它們的組合。
如圖1所示，系統(tǒng)100包括各種冗余網絡114a-114b和單一網絡 116a-116c，其支持系統(tǒng)100中組件之間的通信。這些網絡114a-114b、 116a-116c中的每一個表示方便系統(tǒng)100中組件之間的通信的任何適當 的網絡或者網絡的組合。網絡114a-114b、 116a-116c例如可以表示以 太網。
在操作的一個方面，控制器104a-104b使用來自一個或多個儀器 118的信息控制過程元件102a-102b的操作。通常，儀器118監(jiān)測或者 測量過程控制系統(tǒng)100中的一個或者多個過程變量。過程變量通常代表 為了控制過程元件102a-102b而監(jiān)測或者測量的過程控制系統(tǒng)100的方 面。例如，過程元件102a-102b可以^表閥，并且4義器118可以測量通 過該閥的材料的流速。在該示例中，通過該閥的材料的流速代表儀器118 監(jiān)測或者測量的過程變量。儀器118表示用于監(jiān)測或者測量過程控制系 統(tǒng)100中的一個或者多個過程變量的任何適當的設備。
控制器104a-104b的每一個還使用沖莫型120來控制其相應過程元件 102a-102b的操作。下面的術語可能在討論模型120時使用。"受控變 量"表示控制器104a或104b試圖使用模型120將其維持在指定的操作 范圍內或者以其他方式控制的變量。該指定的操作范圍可以由"受控變 量下限"和"受控變量上限"定義。"操縱變量"表示由控制器104a 或104b操縱來控制受控變量的變量。例如，受控變量可以表示通過閥 的材料的流速，而操縱變量可以表示控制流速的閥的開口。"干擾變量，， 表示影響受控變量但是不能由控制器104a或104b控制的變量。例如， 干擾變量可以表示影響通過閥的材料的流速的、隨機的、不可預測并且 不可控制的波動。"模型"表示描述一個或者多個操縱變量和一個或者 多個受控變量之間的關系的一個或者多個數學函數。模型中的"子;^莫型" 指的是描述特定受控變量和特定操縱變量之間的關系的數學函數。
圖1中的模型120描述了一個或者多個操縱變量和一個或者多個受 控變量之間的一個或者多個關系。例如，^t型120可以描述如何通過調 節(jié)閥的開口而改變通過閥的材料的流速。通過這種方式，才莫型120可以 用于控制流速。模型120通?？梢杂蓴祵W函數G(s)描述，數學函數G(s) 表示輸入數據(諸如要發(fā)送給閥的控制信號)到輸出數據(諸如通過閥的流速)的變換。
系統(tǒng)100中的一個或多個組件還可以包括與每一個控制器
104a-104b關聯的歷史操作數據122。歷史操作數據122例如可以駐留 在控制器自身、服務器(諸如服務器106a )、操作員站(諸如站108a )、 或者歷史學家124或其他數據儲存庫或數據收集設備中。歷史操作數據 122表示識別一個或者多個控制器的歷史或者過去操作的信息。例如， 歷史操作數據122可以表示控制器104a或104b接收的輸入數據的樣本 和控制器104a或104b產生的輸出數據的樣本。作為特定的示例，歷史 操作數據122可以表示輸入和輸出數據的樣本，其中對于給定的時間段 (諸如一個星期)的每分鐘獲取樣本。
為了確?？刂破?04a-104b使用的模型120具有可以接受的質量， 模型UO通常被驗證一次或者多次。這幫助確保模型120是有效的并且 可以用于有效地控制過程元件102a-102b。根據本發(fā)明，使用控制器的 歷史操作數據122驗證該控制器使用的模型120。識別來自歷史操作數 據122的資料或者有用的數據，這幫助減少歷史數據中包含的噪聲或者 其他干擾。
接著以多個分解等級提取并分析資料數據以確定模型120的可預測 性。模型120的可預測性提供關于模型120的有效性或質量的指示。以 多個分解等級分析資料數據允許捕捉具有不同動態(tài)行為的瞬變 (transient)。瞬變通常表示歷史操作數據122中與模型120的驗證 較為相關的部分。此外，可以將不同的權重與不同的分解等級關聯。通 過這種方式，在分析中可以對資料數據中某些頻率賦予較多或較少的重 要性。在下面描述的圖3到6示出了如何驗證模型120的其他細節(jié)。也 在下面描述的圖7到13示出了如何識別并提取資料數據的其他細節(jié)。
盡管圖1示出了過程控制系統(tǒng)100的一個示例，但是可以對圖1進 行各種變化。例如，控制系統(tǒng)可以包括任何數量的過程元件，控制器， 服務器，和操作員站。還有，圖1示出了可以在其中使用上述的模型驗 證和資料數據識別技術的 一個操作環(huán)境。模型驗證技術和/或資料數據 識別技術可以用于任何其他適合的設備或者系統(tǒng)中。
圖2示出根據本發(fā)明一個實施例的示例過程控制系統(tǒng)的其他細節(jié)。 特別地，圖2示出過程控制系統(tǒng)100的一部分，其中過程控制系統(tǒng)IOO 用于監(jiān)測和控制閥的操作。圖2所示過程控制系統(tǒng)100的特定實施例僅
是為了示例說明。在不偏離本發(fā)明范圍的情況下可以使用過程控制系統(tǒng)
100的其他實施例。另外，在不偏離本發(fā)明范圍的情況下可以使用其他
過程控制系統(tǒng)來控制閥。
在該示例中， 一種或多種材料流過管道202，并且由閥204控制通 過管道202的材料流。管道202表示能夠輸送一種或多種材料的任何適 當結構。管道202例如可以表示能夠輸送油、水、鹽酸、或者一種(或 多種)任何其他或者額外材料的鋼或者塑料管道或者管子。
閥204控制材料流過管道202的速率。閥204例如可以改變管道202 中的開口，其中較大的閥開口允許更多的材料流過管道202。閥204包 括能夠控制一種或多種材料通過管道202的流動的任何結構。
閥調節(jié)器206控制閥204的打開和關閉。例如，閥調節(jié)器206可以 調節(jié)閥204以改變管道202中的開口。通過這種方式，閥調節(jié)器206可 以控制通過管道202的材料的流速。閥調節(jié)器206包括能夠打開和/或 關閉閥204的任何結構。
閥調節(jié)器206由控制器104a基于來自儀器118的信息控制。如圖2 所示，儀器U8監(jiān)測或者測量與流過管道202的材料相關的一個或多個 特性。例如，儀器118可以測量通過管道202的材料的流速。儀器118 可以監(jiān)測或者測量流過管道202的材料的任何其他或者額外的特性。儀 器118輸出過程變量(PV)信號208，該信號包含儀器118進行的各種 測量。
控制器104a使用過程變量信號208來生成輸出(OP)信號210。輸 出信號210控制閥調節(jié)器206的操作。例如，輸出信號210中的正值可 以使得閥調節(jié)器206更多地打開閥204,而負值可以使得閥調節(jié)器206 更多地關閉閥204。作為另一個示例，輸出信號210中較小的正值可以 表示閥204的較小的開口 ，而較大的正值可以表示閥204的較大的開口 。
在該示例中，控制器104a使用設定點(SP)值212來控制閥204。 設定點值212識別過程變量信號208的期望值。例如，設定點值212可 以表示通過管道202的材料的期望流速，并且控制器104a可以調節(jié)閥 204的開口從而流速保持在設定點值212指示的水平或者其附近。控制 器104a使用模型120生成輸出信號210。
在該示例實施例中，控制器104a包括至少一個處理器214和至少 一個存儲器216。該至少一個存儲器216存儲;溪型120并可能存儲與控
制器104a關聯的歷史操作數據122(盡管歷史操作數據122可能駐留在 任何其他位置)。歷史操作數據122例如可以表示過程變量信號208的 樣本和輸出信號210的樣本。如下面更詳細地描述的，歷史操作數據122可以用于驗證模型120。
盡管圖2示出了特定過程控制系統(tǒng)100的一部分的一個示例，但是可以對圖2進行各種變化。例如，控制器104a可以控制任何數量的閥 204的操作。還有，閥204和閥調節(jié)器206可以形成單個整體單元。此外，盡管示出為駐留在控制器104a內部，模型120和歷史操作數據122 可以駐留在任何適當位置。此外，圖2中的控制器104a被描述為單環(huán) 路調節(jié)控制器，意味著控制器104a處理一個操縱變量和一個受控變量。 然而，下面更詳細描述的模型驗證技術可以與任何適當類型的控制器一起使用并且不限于單環(huán)路調節(jié)控制器。作為示例，模型驗證技術可以與 多變量模型預測控制器一起使用，該多變量模型預測控制器控制多個基 本調節(jié)控制器使用的多個設定點。在特定的實施例中，多變量模型預測 控制器可以由圖1的服務器106a-106b執(zhí)行或者在其中實施。
圖3到圖6示出根據本發(fā)明一個實施例的在過程控制系統(tǒng)中分析模 型質量的示例方法。特別地，圖3示出分析模型質量的示例方法300, 圖4到圖6示出圖3中包含的不同步驟的示例。為了便于說明，關于驗 證圖1的過程控制系統(tǒng)100中的控制器104a中的才莫型120描述圖3到 圖6。方法300可以用于任何其他適當的設備和任何其他適當的系統(tǒng)中。 還有，模型120的驗證可以發(fā)生在過程控制系統(tǒng)100中任何適當的組件 上，諸如控制器104a、服務器或者操作員站中。
控制器104a的歷史操作數據122用于分析和驗證控制器104a使用 的模型120。在下面的討論中，可能描述特定類型的歷史操作數據122。 這些類型的歷史操作數據122包括受控變量的測量值(記為ym),受控 變量下限值(記為CV—lo),受控變量上限值(記為CV—hi),以及操 縱變量的測量值(記為u)。
如圖3所示，方法300包括各種步驟。在一些實施例中，對于被驗 證的模型120中的每一個子模型執(zhí)行圖3所示的步驟。在該示例中，在 步驟302使用歷史操作數據122和模型120為每一個子模型定義信號(記 為s )和干擾(記為d)。信號s —般表示子模型的輸出，干擾d —般 表示子才莫型的輸出的破壞(disruption)。作為特定的示例，可以如下
確定每一個子模型的信號S和干擾d。對于每一個子模型i,使用下列
等式確定預測yp-sub(i):
yp_sub (i) =predict (submodeli， u (i)) ( 1 )
其中submodeli表示與子模型i關聯的特定數學函數，u(i)表示定義到 子模型i的輸入的輸入函數(其可以表示所收集的該特定子模型的操縱 變量的歷史數據)，而predict表示使用子模型i和函數u(i)的受控變 量的預測函數。使用這些結果，用下列等式確定每一個子模型i的信號 s和干擾d:
s= yp一sub (i) ( 2 )
<formula>formula see original document page 13</formula>
其中K表示對于特定受控變量的模型120中子模型的總數。 圖4和圖5中示出對于多個子;f莫型生成信號s和干擾d的一個特定 示例。在圖4中，三個操縱變量由沖莫型120的三個子;f莫型402-406用于 控制一個受控變量。圖4示出三個子模型402-406的每一個的傳遞函數 G(s)和階躍響應。使用上面的等式(1 ) - ( 3)，使用子模型402-406 和一些歷史操作數據確定每一個操縱變量的信號s和干擾d。在該示例 中，歷史操作數據表示以每分鐘一個樣本的速率采樣的一個星期的歷史 數據。如圖5所示，信號502-506分別表示三個子模型402-406的信號 s。信號508-512分別表示三個子才莫型402-406的干擾d。可以進一步處 理這些信號502-512來分析^t型120的質量。
回到圖3,在步驟302之后，在步驟304,使用信號s和干擾d以 一個或多個期望的分解等級為每一個子模型提取資料數據片段。作為特 定的示例，可以如下提取資料數據片段。每一個子模型的信號s和千擾 d可以分解為多個分解等級，諸如通過使用小波分解。圖6中示出這樣 的一個示例，其示出了來自圖5的信號506被分解為八個分解等級 602a-602h。較低等級(例如等級602a和602b )通常集中于或者顯示分 解的信號s 506中較快的瞬變。較高等級(例如等級602g和602h)通 常集中于或者顯示分解的信號中較慢的瞬變。 一旦分解了子模型的信號 s和干擾d,選擇用于該子模型的適當的分解等級。接著使用所選擇的
分解等級從信號506中識別和提取資料或者相關的數據片段(提取的數 據片段的數量記為Q)。下面描述的圖7-13示出識別和提取數據片段的 其他細節(jié)。在本文獻中，短語"數據片段"指的是數據信號的一部分。
在步驟304提取了資料數據片段之后，在步驟306使用提取的數據 片段確定子^^莫型的可預測性和可預測性指數。例如這可以包括確定每一 個提取的數據片段的可預測性。這還可以包括為所有以期望的分解等級 提取的數據片段生成可預測性指數。
作為特定的示例，可以如下確定可預測性和可預測性指數。通過<吏 用下面的等式將所有子模型的預測yp-sub相加，確定受控變量的總體 預效yp:
<formula>formula see original document page 14</formula>
使用下列等式計算每 一 個提取的數據片段的預測誤差
pred_error_seg:
pred_error_seg=yin—seg — yp—seg (5)
其中ym_seg表示提取的數據片段的測量值，yp-seg表示相同的提 取的數據片段的預測yp。可以調節(jié)或者偏移數據片段的ym—seg和 yp-seg, 4吏得它們基于相同的初始條件，即ynuseg的第一元素的值和 yp_seg的第一元素的值相等。
可以使用任何適當的技術確定每一個數據片段的可預測性。例如， 數據片段的可預測性pred-seg可以使用下列等式中的一個或者兩個來 確定
pred_Seg=l-norm(pred-error-seg), (6)或者
norm(yp—seg)
pred_Seg=l-_—pred一e麗—seg)_ ("
max(norm(yp—seg)， norm(ym一seg))
其中norm表示測量矢量的能量或大小的運算，max表示取最大值運 算。還可以組合不同的技術來確定每一個數據片段的可預測性。例如， 可以4吏用預測誤差pred — error —seg和yp或u之間的相關性，其中較大
的相關性導致較小的可預測性。
期望的分解等級的可預測性指數接著被確定為與該分解等級關聯 的提取的數據片段的可預測性的加權平均。例如，期望的分解等級的可
預測性指數pred_ 1 eve 1可以使用下列等式確定
pred_level = Cx，(,))C ( 8 )
i=l ,'=1
其中w(i)表示與第i個提取的數據片段關聯的權重。數據片段的權重w 可以使用下列等式確定
w=norm (yp_seg) *w—seg (9) 其中w—seg表示基于其分類分配給數據片段的權重。在特定實施例中， 每一個提取的數據片段可以被分類到三個類別中的一個，這三個類別與 不同的w-seg值關聯。如果數據片段是由于受控變量中設定點的變化而 提取的，那么將該數據片段的w-seg值設定為四。如果數據片段是由于 受控變量數據落在CV_hi和CV-lo定義的范圍之外而提取的，那么w-seg 值設定為二。否則，將w-seg值設定為一。這些值和分類僅是為了示例 i兌明，可以4吏用其他w—seg值和分類。
在步驟306確定可預測性和可預測性指數之后，在步驟308確定每 一個子模型的總體可預測性指數。這例如可以包括使用對于子模型的期 望的分解等級的可預測性指數確定該子模型的總體可預測性指數。作為 特定示例，可以使用L個期望的分解等級的可預測性指數確定總體可預 測性指數pred—overall,例如通過使用下列等式
pred—overal l = (tfT—feve/(,〕Xfeve柳/t『」eve/(z') ( 10 )
其中W_level (i)表示與第i個分解等級關聯的權重?？梢匀魏芜m當的方 式確定分解等級的加權。例如，可以使用同量加權，其中每一個分解等 級具有W-level值1。作為另一個示例，分解等級的加權可以與使用該 分解等級提取的數據片段的總長度成比例，其中較長的長度與較大的權 重相關聯。作為第三示例，加權可以基于分解等級自身，諸如較高的分 解等級具有較大的權重以強調較低頻率。
在步驟310以多個分解等級為每一個子模型生成增益乘數和新的可 預測性指數?？梢匀魏芜m當的方式確定增益乘數。作為特定的示例，假
定yp-seg(j， i)表示子模型i中特定分解等級的數據片段j經過調整的 預測。還有，假定ym-seg(j)表示數據片段j中受控變量的經過調整的 測量。此外，假定GM-level (i)表示子模型i在特定的分解等級處的增 益乘數?？梢允褂孟铝袃煞N方法確定增益乘數GM—level (i):
<formula>formula see original document page 16</formula>子^^莫型在特定的分解等級處的最終增益乘數GM_level (i)可以表示 使用等式(11 )和(12)確定的增益乘數的平均。
可以從多個分解等級處的增益乘數GM_level (i)計算總體增益乘數 GM_overall (i)。例如，總體增益乘數GM—overal 1 (i)可以計算為多個分 解等級處的增益乘數GM-level (i)的均值。
接著使用子模型i的增益乘數GM_overall (i)確定該子模型的新預 效'J yp一new, ^口以下等式戶斤示
<formula>formula see original document page 16</formula>
然后可以再次用新的可預測性指數yp-new使用上面示出的各個等式來 確定子^f莫型在多個分解等級處的新的可預測性以及新的總體可預測性 指數pred —overal 1 _new。
在步驟312使用該子;f莫型的舊的和新的總體可預測性指數確定模型 120中每一個子模型的質量指數。質量指數識別用于控制一個或多個過 程元件的子模型的質量。子模型的質量指數可以是舊的總體可預測性指 數pred—overal 1和#斤的總體可預測'1"生指數pred — overa 11—new的函數。 該函數可以表示將質量指數與舊的和新的總體可預測性指數關聯的任 何適當的線性或非線性函數。例如，該函數可以隨著pred-overall的 值增加提供更好的質量指數。還有，該函數可以隨著pred —overall和 pred_overall—new之間的差異增加提供更差的質量指數。
這里，可以任何適當的方式使用質量指數。例如，可以將子模型的 質量指數與閾值比較來確定該子模型是否具有可接受的質量。如果不
是，可以在過程控制系統(tǒng)100中調節(jié)或者替換該子模型。
盡管圖3到圖6示出了在過程控制系統(tǒng)中分析模型質量的方法的一 個示例，可以對圖3到圖6進行各種變化。例如，模型120的分析已被 描述為在逐個子才莫型(submodel-by-submodel )的基礎上進行。在其他 實施例中，可以為一組子模型確定^t型質量指數。這例如在兩個或者更 多個操縱變量移動是相關模式時可能是有用的。在這些實施例中，步驟 304中處理的信號s可以表示對于該組子才莫型的預測之和，并且步驟3(M 中處理的干擾d可以表示對于該子才莫型組的其余部分的預測之和。接著 可以為整組子^^莫型生成單個模型質量指數。
作為另 一 個示例，可以使用對于特定的 一組子模型提取的資料數據 片段執(zhí)行質量分析。信號sl, s2, si可以定義為來自該組中每一 個子才莫型的預測，并且在步驟304處理的信號s可以表示信號sl,s2,..., si之和。在步驟304處理的干擾d可以表示不包括在該組中的子模型的 預測之和。接著可以從信號s和干擾d中提取資料數據片段，并使用相 同的提取的數據片段確定該組中所有子模型的可預測性。在該示例中， 在步驟306確定的可預測性可以基于測量誤差殘留(測量值和預測值之 間的差)和信號sl, s2, ...， si的每一個之間的相關性的函數。
作為又一個實施例，模型120的質量分析可以考慮未測量的干擾變 量。諸如通過受控變量的測量或者通過處理設施的一般工程知識可以知 道未測量的干擾變量的一些特性。作為特定的示例，經^r顯示未測量的 干擾變量在較低頻率具有大的能量效應(energy effect)。因此，相 比于較低分解等級可以較少地加權較高分解等級，從而減少未測量的干擾變量的影響。
圖7到圖13示出了根據本發(fā)明一個實施例的在過程控制系統(tǒng)中識 別用于分析模型質量的資料數據的示例方法。特別地，圖7示出識別資 料數據的示例方法700，圖8到圖13示出圖7中包含的各個步驟的示例。 為了便于說明，關于識別用于驗證圖1的過程控制系統(tǒng)100中的控制器 104a中的模型120的資料數據描述圖7到圖13。不管識別的資料數據 是否用于驗證模型，方法700可以用于任何其他適當的設備和任何其他 適當的系統(tǒng)中。還有，資料數據的識別可以發(fā)生在過程控制系統(tǒng)100中 任何適當的組件上，諸如控制器104a、服務器或者操作員站中。
如上面所指出的，通常難以從控制器生成的大量歷史操作數據122 中識別相關的數據。 一般地，識別信號中的瞬變表示選擇該信號中更相 關的部分的一種技術。圖7到圖13示出基于識別在存在大的信號激勵 和大的信噪比(SNR)的地方發(fā)生的瞬變而識別資料數據的技術。由于不 同的瞬變可以具有不同的頻率，該技術還包括將信號分解為多個分解等 級，從而允許識別較高頻率處(較低分解等級)和較低頻率處(較高分 解等級)的瞬變。
如圖7所示，在步驟702定義信號s和干擾d。這例如可以包括與 上面關于圖3的步驟302描述的相同或相似的過程。信號s和干擾d的 定義通常是與應用有關的。要使用信號s和千擾d提取的數據的所建議 的使用，可以控制如何定義或者計算信號s和干擾d。 一般地，信號s 可以定義為其中期望大的能量等級的變量，千擾d可以定義為其中期望 小的能量等級的變量。圖8示出信號802-804的一個示例，信號802-804 分別表示可以在步驟702生成的信號s和干擾d。在該示例中，信號 802-804表示之前關于圖5描述的相同信號506和512。
在步驟704將冗余小波分解用于信號s和干擾d。這例如可以包括 對信號s和干擾d應用離散二進小波變換(DDWT )或者其他冗余小波變 換。將信號s的小波變換的結果記為Ws,干擾d的小波變換的結果記為 Wd。圖9示出從信號802-804到多個分解等級902a-902h的一個示例分 解。基于圖8所示的信號802-804，在較高的分解等級對應于干擾d的 小波系數的幅度大于對應于信號s的小波系數的幅度。
在步驟706檢測分解的信號s (Ws小波系數)中的奇異點。這例如 可以包括在每一個分解等級識別小波系數Ws中的局部最大值和局部最
小值?？梢允褂瞄撝祦頊p少檢測到的奇異點的數量。例如，奇異點可以 表示具有超過閾值的絕對值的局部最大值和局部最小值。作為特定示 例，奇異點可以表示具有超過最大絕對小波系數值的百分之二十的絕對
值的局部最大值和局部最小值。圖10示出檢測不同分解等級中的奇異 點1002a和1002b的一個示例。在該示例中，奇異點1002a表示使用該 閾值在分解等級902a中找到的局部最大值和局部最小值，奇異點1002b 表示使用該閾值在分解等級902f中找到的局部最大值和局部最小值。
在步驟708使用該分解的信號s和干擾d以及奇異點確定每一個分 解等級的信噪比。 一般地，每一個分解等級902a-902h可能具有在不同 位置的不同數量的奇異點。特定分解等級中特定奇異點sp的瞬變信噪 比值SNR可以使用下面的等式確定
SNR=abs(Wssp)/abs(Wdsp) ( 14)
其中Wssp表示分解的信號s在奇異點sp的小波系數，Wdsp表示分解的干 擾d在奇異點sp的小波系數。
在其他實施例中，特定分解等級中特定奇異點sp的瞬變SNR值可 以使用下面的等式確定
SNR=norm (Wssp (region)) /norm (Wdsp (region)) ( 15 ) 其中Wssp (region)表示奇異點sp周圍的區(qū)域(分解的信號s的多個小波 系數)，Wdsp表示奇異點sp周圍的區(qū)域(分解的干擾d的多個小波系數)。 在特定實施例中，奇異點sp周圍的區(qū)域可以是可變的。例如，可以基 于所分析的分解等級定義該區(qū)域。作為特定示例，奇異點sp周圍的區(qū) 域可以被定義為[sp—6*level， sp+6*level],其中l(wèi)evel表示所分析的 分解等級的編號。以這種方式，在較低分解等級使用較小區(qū)域，在較高 分解等級使用較大區(qū)域。
在其他實施例中，計算噪聲對信號的比率(NSR),這是因為局部 最大值或最小值處的小波系數Ws的值不為零。在這些實施例中， 一個 或多個NSR值可以使用下列等式確定
NSR產abs (Wdsp)/abs (Wssp) (16) NSR2=norm (Wdsp (region)) /norm (Wssp (region))( 17 ) 在本文獻中，短語"信噪比"指的是涉及信號和噪聲的任何比率，不管 表示為SNR還是NSR。
在步驟710選擇識別的奇異點中的多個不同奇異點供進一步處理。
這例如可以包括選擇具有高信噪比(或者低噪信比)和高信號值的奇異
點。作為特定示例，可以選擇NSR,O. 3并且NSKO. 3的奇異點。此外， 過多數量的奇異點會減慢在方法700中執(zhí)行的處理。如果識別了過多數 量的具有高SNR (或者低NSR)的奇異點，可以選擇具有最高絕對小波 值的奇異點供進一步處理(諸如具有最大絕對小波值的四十個奇異點)。 如圖ll所示，只有一些來自圖10的奇異點1002a滿足這些條件，并且 來自圖10的奇異點1002b都不滿足這些條件。這表示在較高分解等級 (較低頻率等級)處干擾d(信號804 )在能量上超出信號s(信號802 )。
在步驟712從不同分解等級提取所選擇的奇異點周圍的數據片段。 可以使用任何適當的技術提取數據片段。例如，如圖12中所示，提取 的數據片段可以表示由奇異點1002a任一側上的起始點和終止點限定的 數據片段。起始點和終止點表示小波系數Ws跨過閾值1202的位置。在 圖12中所示的示例中，閾值1202表示值0，然而也可以使用任何其他 適合的值。閾值1202可以對所有分解等級都是固定的和一致的，或者 閾值1202可以是可調節(jié)的?？烧{節(jié)的閾值1202例如可以計算為局部最 大值或局部最小值的百分比。盡管起始點和終止點是在、波域識別的， 但是提取的數據片段自身位于原始的信號域。
作為另一個示例，如圖13所示，提取的數據片段可以再次表示由 奇異點1002a任一側上的起始點和終止點限定的數據片段。在該示例中， 起始點和終止點表示小波系數Wd跨過閾值1 302-1304的位置。在圖13 所示的示例中，閾值1302-1 304表示值± 0. 05,然而也可以4吏用4壬何其 他適合的值。再次地，閾值1302-1304可以對所有分解等級都是固定的 和一致的，或者閾值1302-1304可以是可調節(jié)的?？烧{節(jié)的閾值 1302-1304例如可以計算為局部最大值或局部最小值的百分比。再次地， 盡管起始點和終止點是在小波域識別的，但是提取的數據片段自身位于 原始的信號域。
圖12和13示出了提取奇異點周圍的數據片段的兩種可能技術。然 而，可以使用任何其他適合的技術。例如，可以使用提取具有高SNR(或 者低NSR)和高信號能量的數據片段的任何技術。還有，可以組合多種 技術來使得數據片段提取更為保守(通過要求數據片段滿足所有技術的 所有條件)或者更為激進(通過要求數據片段僅滿足一種技術的條件)。
此外，在特定實施例中，可以任何適當的方式調節(jié)起始點和終止點。例如，數據片段的起始點可以基于小波系數Ws趨向向上還是向下來調 節(jié)。如果小波系數Ws在奇異點附近趨向向上，可以將起始點調節(jié)為表 示初始起始點和奇異點之間的最小小波系數Ws。如果小波系數Ws在奇 異點附近趨向向下，可以將起始點調節(jié)為表示初始起始點和奇異點之間 的最大小波系數Ws。
基于圖8的信號802-804,上述技術可用于從分解等級902a-902c 提取數據片段?？赡軟]有從分解等級902d-902h提取到數據片段。這表 示提取的數據片段具有相對高的頻率。這通常不能通過簡單地檢查信號 s (信號802 )和干擾d (信號804 )觀察到或者確定。
接著在步驟714進一步處理提取的數據片段。這例如可以包括使用 提取的數據片段驗證模型120.這還可以包括以任何其他適合的方式使 用提取的數據片段。
盡管圖7到13示出了識別資料數據的方法的一個示例，但是可以 對圖7到13進行各種變化。例如，可以使用多個干擾d,并且可以確定 每一信號-干擾對的SNR或NSR值。在步驟708確定的總體SNR或NSR 值可以凈皮定義為所有干擾d的SNR值或NSR值的函數。還有，奇異點可 以表示滿足在步驟710選擇的所有SNR或NSR值的函數的點。
作為另一個示例，資料數據的識別可以考慮未測量的干擾變量?？?以確定未測量的干擾變量的闞值，并且在步驟706識別的奇異點的幅度 可以遠遠大于未測量的干擾變量的閾值。
作為其他實施例，可以定義多個信號s,并且可以基于所有信號-干擾對的SNR或NSR值提取數據片段。還有，當比較信號s和干擾d的 小波系數時，該系數可以位于不同的分解等級(諸如相鄰的分解等級)。 此外，可以使用多個等級處的小波系數來計算SNR或者NSR值。
可能有利的是闡述整個本專利申請中使用的單詞或短語的定義。術 語"耦合"及其派生詞指的是兩個或多個元件之間的直接或非直接通信， 而與這些元件是否彼此處于物理接觸無關。術語"應用程序"指的是一 個或多個計算機程序，指令集，例程，函數，對象，類，實例，或者適 用于以適當的計算機語言實施的相關數據。術語"包括"和"包含"以 及它們的派生詞，表示不限制地包括。術語"或，，是包括性的，表示和 /或。短語"與…相關聯"和"與其相關聯"以及它們的派生詞可以表 示包括，被包括在其中，與...互連，包含，被包含在其中，連接到或者
與...連接，耦合到或者與...耦合，可以與...通信，與...協(xié)作，交錯，并 置，接近，綁定到或者與...綁定，具有，具有...的特性等。術語"控制 器"表示控制至少一個操作的任何設備，系統(tǒng)或者它們的部件。控制器 可以硬件、固件、軟件或者其中至少兩種的某種組合實施。與任何特定 控制器相關的功能性可以是集中的或者分布式的，不論是本地的還是遠 程的。
盡管本說明書已經描述了特定實施例和 一般相關的方法，但是這些 實施例和方法的改變和置換對本領域技術人員是顯而易見的。因此，上 述示例實施例的描述不限定或者限制本發(fā)明。在不偏離所附權利要求書 定義的本發(fā)明的精神和范圍的情況下，其他改變、替換和變化也是可能 的。
權利要求
1.一種方法，包括識別與模型(120)關聯的信號(502，504，506)和干擾(508，510，512)，該信號(502，504，506)和干擾(508，510，512)是使用與一個或多個過程變量相關聯的歷史數據(122)識別的；以多個分解等級(602a-602h)分解該信號(502，504，506)和干擾(508，510，512)；使用分解的信號(502，504，506)和分解的干擾(508，510，512)從該信號(502，504，506)中提取多個數據片段；以及使用提取的數據片段和至少一部分歷史數據(122)確定模型(120)的質量。
2. 如權利要求l所述的方法，其中模型(120)包括至少一個子模型(402， 404, 406 ),每一個子模 型(402, 404, 406 )與一個受控變量和一個操縱變量相關聯；信號(502， 504, 506 )包括每一個子才莫型(402， 404, 406 )的信 號，特定子才莫型(402, 404， 406 )的信號(502, 504, 506 )包括與該 子才莫型(402, 404, 406 )關聯的預測；并且千擾(508, 510, 512 )包括每一個子才莫型(402, 404, 406 )的干 擾，特定子模型(402， 404， 406 )的干擾包括與其他子模型(402, 404, 406 )關聯的預測之和。
3. 如權利要求l所述的方法，其中確定模型(120)的質量包括 確定模型(120)的第一總體可預測性指數；以及 基于第一總體可預測性指數確定模型(120)的質量。
4. 如權利要求3所述的方法，其中確定第一總體可預測性指數包括確定每一個提取的數據片段的可預測性；確定至少一個分解等級(602a-602h)中每一個的可預測性指數， 特定分解等級(602a-602h )的可預測性指數基于與該分解等級 (602a-602h)關聯的提取的數據片段的可預測性；以及基于至少其中一個分解等級(602a-602h)的可預測性指數確定笫 一總體可預測性指數。
5. 如權利要求4所述的方法，還包括確定模型(120)的第二總體 可預測性指數，模型(120)的質量基于第一和第二總體可預測性指數， 第二總體可預測性指數的確定是通過確定增益乘數；使用增益乘數確定^f莫型預測；以及用模型預測確定第二總體可預測性指數，其中該模型預測是使用增 益乘數確定的。
6. 如權利要求4所述的方法，其中該特定分解等級(602a-602h)的可預測性指數基于與該分解等級 (602a-602h)關聯的提取的數據片段的可預測性的加權和；并且第一總體可預測性指數基于至少其中兩個分解等級(602a-602h) 的可預測性指數的加權和。
7. —種裝置，包括至少一個存儲器，其能夠存儲與一個或多個過程變量關聯的歷史數 據(122);以及至少一個處理器，其能夠使用歷史數據(122)識別與模型(120)關聯的信號(502， 504, 506 )和干擾(508, 510， 512);以多個分解等級(602a-602h)分解信號(502, 5(M, 506 )和干擾 (508, 510, 512);使用分解的信號(502, 504， 506 )和分解的干擾(508， 510， 512) 從該信號(502， 504, 506 )中提取多個數據片段；以及使用提取的數據片段和至少一部分歷史數據(122)確定模型(120)的質量。
8. 如權利要求7所述的裝置，其中所述至少一個處理器能夠通過 以下操作確定模型(120)的質量確定模型(120)的第一總體可預測性指數；以及 基于第一總體可預測性指數確定模型(120)的質量。
9. 如權利要求8所述的裝置，其中所述至少一個處理器能夠通過 以下操作確定第 一 總體可預測性指數確定每 一 個提取的數據片段的可預測性；確定至少一個分解等級(602a-602h)中每一個的可預測性指數， 特定分解等級(602a-602h )的可預測性指數基于與該分解等級 (602a-602h)關聯的提取的數據片段的可預測性；以及基于至少其中一個分解等級(602a-602h)的可預測性指數確定第 一總體可預測性指數。
10. 如權利要求9所述的裝置，其中所述至少一個處理器還能夠確 定模型(120)的第二總體可預測性指數，模型(120)的質量基于第一 和第二總體可預測性指數，第二總體可預測性指數的確定是通過確定增益乘數；使用增益乘數確定模型預測；以及用模型預測確定第二總體可預測性指數，其中該模型預測是使用增 益乘數確定的。
11. 一種計算機程序，包含在計算機可讀介質上并且可操作以由處 理器執(zhí)行，該計算機程序包括計算機程序代碼用于識別與模型(120)關聯的信號(502, 504, 506 )和干擾(508, 510, 512),該信號(502, 504, 506 )和干擾(508， 510, 512)是使 用與一個或多個過程變量相關聯的歷史數據(122)識別的；以多個分解等級(602a-602h)分解信號(502, 504, 506 )和干擾 (508, 510, 512);使用分解的信號(502， 504, 506 )和分解的干擾(508, 510, 512 ) 從該信號(502， 504， 506 )中提取多個數據片段；以及使用提取的數據片段和至少一部分歷史數據(122)確定模型(120) 的質量。
全文摘要
一種方法包括識別與模型關聯的信號和干擾。該信號和干擾是使用與一個或多個過程變量相關聯的歷史數據識別的。該方法還包括以多個分解等級分解信號和干擾。該方法進一步包括使用分解的信號和分解的干擾從信號(502，504，506)中提取多個數據片段。此外，該方法包括使用提取的數據片段和至少一部分歷史數據確定模型(120)的質量。
文檔編號G05B23/02GK101361029SQ200680051280
公開日2009年2月4日 申請日期2006年11月13日 優(yōu)先權日2005年11月17日
發(fā)明者C·Q·詹, J·Z·盧 申請人:霍尼韋爾國際公司