專利名稱：用于化工廠或精煉廠的連續、在線監視的系統與方法
技術領域：
本發明提供了用于化工廠或精煉廠的連續、在線監視方法，更具體而言，涉及在化 工廠、精練廠及類似生產設施的連續工作期間用于監視瞬時操作以便預測和/或防止過程 失敗或其它有害事件發生的近實時系統與方法。
背景技術：
現代化工廠和精練廠的監視一般涉及測量并記錄很多過程變量的系統。這種系統 常常產生大量數據，在這些數據中只有相當小的一部分被實際跟蹤并用于檢測工廠中會導 致危險或別的不期望結果的異常狀況。如果更多地使用關于各種過程變量所收集到的信 息，則這種異常狀況可以更早地被檢測到。過程監視是隨著制造商努力地同時提高質量、增加產量并減少成本而變得日益關 注的一個領域。這種監視通常涉及操作或工廠的分散和隔離的元素。當象在此所述地這樣 應用時，多變量統計分析方法能夠處理從整個制造廠中所有相關過程收集到的大量數據。除化工生產工業之外的其它制造工業，例如鋼鐵、木材制品及紙漿/紙業，也開始 對相關過程中收集到的大量數據應用這種多變量統計分析方法。這種方法的一個例子在美 國專利No. 6，564，119中進行了描述，其中多變量統計監視，特別是主成分分析(PCA)，用于 煉鋼廠的一部分，以監視鑄造過程中可能導致固化鋼殼成形后破裂的異常。可以在美國專 利No. 6，607，577B中到在線監視的另一個例子。在這個例子中，采用多變量統計模型來確 定熱金屬直接脫硫過程中的試劑使用。該系統在計算機上實現，并使用自適應隱性結構投 射(PLS)模型來估計滿足目標硫濃度的直接脫硫試劑的量。多變量統計過程控制(SPC)監視技術對批處理監視和錯誤診斷的使用也已經在 專利及期刊文獻兩者中進行了描述。MacGregor及其合作者[Chemometrics Intell. Lab. Systems，2000年第51卷(1)第125-137頁]提出了一種用于利用多變量SPC技術和多塊 PLS算來分析批量和半批量過程變量軌跡以進行過程的開發和優化的新方法。授予Zhang 等人的美國專利No. 6，885，907B1描述了在連續煉鋼過程中用于瞬時操作的在線監視的近 實時系統與方法。很多其它參考文獻也建議了多種統計算法和方法來監視工業生產設施中 的特定過程。盡管關于過程數據的特定統計分析方法已經應用到采用批處理監視的工廠或精 練廠中的個別過程，但多變量統計方法的開發與成功使用上的障礙也阻止它們以連續的方 式在整個化工制造廠或精練廠中實施。由于各種類型的意外或不平衡會在遍及工廠的許多 位置出現，使得當非常少或者沒有數據可以用于統計分析時很難進行問題的識別并確定其 位置，因此這種障礙超過了當只監視工廠一部分時所涉及的那些挑戰。因此，需要用于連續 地和近實時地監視化工廠或精練廠的基本上整個部分的整體過程的方法。此外，還需要自 始至終整合在工廠中的單元操作之間的連續、在線監視系統。
發明內容
一般而言，描述了連續、近實時系統與方法，用于實時地或者近實時地監視化工生 產工廠或化工制造過程(例如環氧乙烷/乙二醇生產)，并預測制造過程中的問題。在本發明的一方面中，描述了用于對化工生產設施中的操作進行連續、近實時監 視的方法，該方法包括以下步驟檢索多個被選過程變量的歷史過程數據；利用對過程變 量的PLS分析來開發多變量統計模型；確定該模型的監視限制；驗證模型及在線實施該模 型用以進行連續監視，其中，所述模型鏈接生產過程中的所有共享過程。
以下附圖構成本說明書的一部分，而且包括這些附圖是為了進一步說明本發明的 特定方面。通過參考這些圖中的一個或多個并結合在此給出的對特定實施方式的具體描 述，可以更好地理解本發明。圖1例示了本發明整個系統的示意圖。圖2例示了根據本發明一方面的用于模型建立、實施與在線監視的過程的框，其 中應用該過程來監視連續或近連續操作的工業過程中的操作。圖3例示了概述應用到本發明的模型建立和開發模塊中被選歷史數據的步驟的 流程圖。圖4是根據本發明一方面的例示了在線系統的基本部件的示意圖。圖5是根據本發明一方面的例示了過程信息的體系結構和流程的示意圖。圖6例示了根據本發明方法操作的工業生產設施的典型概觀顯示圖的視圖。圖7例示了用于個別工廠部分的示例多變量概觀屏幕。圖8A-8C例示了用于圖7所示的X —致性(XCon或SPEx)數據的多變量統計過程 控制(MSPC)圖、范圍貢獻選擇選項及相對貢獻選擇選項。圖9例示了用于在圖8B的圖上所選的時間范圍的貢獻條狀圖，其示出了每個模型 標簽的貢獻。圖10例示了用于從圖9的貢獻條狀圖所選的標簽的示例性時間趨勢。圖11是用于在化工生產工廠中實施本發明的監視系統的計算機網絡系統體系結 構概觀示意圖。盡管在此所公開的本發明可以有各種修改和可選形式，但只有一些特定的實施方 式作為例子在附圖中示出并在以下具體描述。這些特定實施方式的附圖及具體描述不是要以 任何方式限制該發明性概念或所附權利要求的廣度或范圍。相反，附圖及具體描述的提供是 為了向本領域普通技術人員說明該發明性概念并使得他們可以制造并使用該發明性概念。
具體實施例方式以下給出結合了在此所公開的本發明的一種或多種說明性實施例。為了清晰起 見，在本申請中沒有描述或示出實際實施中的所有特征。應當理解，在結合本發明的實際 實施例的開發中，必須進行許多特定于實施的決定，以實現開發者的目的，例如與系統相關 的、業務相關的、政府相關的及其它約束的兼容，這些約束隨實施及時間而變化。盡管開發 者的努力可能是復雜而耗時的，但是，這種努力將是受益于本公開物的本領域普通技術人員要采取的例行事物。本發明是用于利用多變量統計分析技術(例如主成分分析(PCA)、偏最小二乘(PLS)和為了開發這種過程監視系統而模型化X空間和Y空間中變量的相關方法及其組 合)來在線監視連續工業操作(例如，化工廠操作)的近實時系統。在此所述的多變量模 型系統可以根據需要共享過程參數，以連續地監視整個過程。該過程監視系統可以通過適 當的過程計算機系統來實施，而且可用于預測和防止過程問題、故障及降低的生產力，例如 過程不必要的停工期。現在轉向圖1，圖1例示了本發明的連續、在線監視系統的示意圖概觀。如圖所示，
系統10包括多個傳感器或分析點12，其中這多個傳感器或分析點12被傳送到數據存取或
分析站14，例如DCS(分布式控制系統，例如可以從HoneyWell獲得的那些)。分析點12的
范圍可以從溫度和壓力數據到通過監視在連續工作的化工廠、精煉廠等的選擇部分期間的
放出流、光子、電子等獲得的信息。然后，這種信息電子地或者通過某種合適的手動方式傳
送到數據管理系統16，其中數據管理系統16包括過程歷史庫、數據接收槽(sink)等。數據
管理系統16還可以包括在此具體描述的用于過程監視的多變量統計模型。來自數據的連
續、在線監視的輸出導致同意和決定18。更具體而言，對連續工業過程的近實時、多變量建
模導致在例如計算機的多種人機接口(HMI)處的過程監視輸出。圖1中所例示的各種輸出
和動作Al、A2和A3可以包括整個過程控制監視與狀態更新、告警的生成(例如，當溫度降
到低于某一規定范圍時)和多種響應動作(例如調整流速、切斷冷凝器或者手動地辦理告 m \
m J ο關于以上建的分析點12，并且根據本公開物的更多方面，附加的過程控制與操作 成本的后續減少可以通過在被監視的工廠內的各種戰略性位置處(例如，在制造過程中特 定過程或步驟的開始、中間和/或結束處)安裝多個分析采樣端口并將那些端口連接到用 于連續、近實時監視的中央分析站來獲得。利用現有的、經過現場證明的分析技術，可以頻 繁地執行所選的分析，而且可以將所獲得的數據耦合到在此所述的在線監視系統和方法并 與其相整合。盡管分析數據采樣端口可以是手動采樣端口，但根據本發明，分析端口可以 是在遍及制造過程的特定位置處的嵌入式分析點，其中嵌入式端口既能夠采樣又能夠以適 當的方式發送分析數據。信息的這種發送可以是作為通過電線的電子、通過光纖的光子或 者通過一個或多個毛細管到達中央分析站的氣體/液體樣本。一到達分析站，就可以使用 成本有效和經過現場證明的分析技術來導出關于在各種分析點處的過程狀況或化學成分 的特定信息，其中數據可以利用在此所述的方法和系統來組織、訪問和顯示。可以這種方式 獲得的數據包括但不限于溫度數據、壓力數據、UV吸收數據、IR光譜數據、PH數據、諸如乙 醛濃度數據的特定成分數據、微量金屬數據、污染物數據(例如，亞ppm級給料污染物，包括 硫、氟、乙炔、砷、HCI等)、離子數據(例如來自吸收體的鈉或硅離子數據)及其組合。如在 此所描述的，歷史庫中數據的集合允許構建制造過程歷史，同時允許更詳細地連續、近實時 在線監視過程。用于這個方面的適當應用的一個例示性例子是催化劑制造，這可能受益于這種近 實時的流分析與數據收集，特別是因為，為了優化產出、活動性等，催化劑制造過程常常包 括浸漬過程溶液的再循環。可以利用在此所述的方法來監視和控制諸如摻雜劑濃度、pH、 空氣濕度、氣流及各種過程溫度的敏感參數的精確協調。所選參數的這種改進的控制可以直接導致更好的催化劑質量，這是因為獲得保持在能被接受規格范圍內的產品變得更容易 了。圖2例示了用于近實時系統的模型建立、實施及在線監視的處理的框圖，其中的 近實時系統大體上如圖1中所描述的而且可以用來監視連續或近連續工作的工業過程(例 如，乙二醇/環氧乙烷生產工廠)中的操作。處理中的第一階段(統一地標記為“預建模” 階段13)是要決定監視什么、及什么過程和過程變量將被模型包含。這些過程變量(也稱 為過程參數或“標簽”(12a和12b))是基于可用的數據信息及對要監視的整個連續工作的 工業過程的理解來選擇的。為了開發由圖2中標號26和28所識別并在以下具體描述的模 型，需要這些標簽。典型的過程變量或者“標簽” 12a和12b包括但不限于過程之間或者兩 個或多個熱電偶之間的溫度差、工作壓力、產品流參數(速度、密度等)、冷卻水流速、輸出 測量值、閥傳感器數據、控制器數據、泵流數據、關于特定過程中所涉及的管道的數據(例 如，在管道中傳送的液體的流速和壓力)、化學成分數據(例如，反應進度或催化劑性能)、 工程與成本計算數據等。標簽12a和12b代表分析數據(12a)和來自諸如筆記本電腦的單 獨源的數據(12b)，該數據可以通過數據歷史庫20來捕捉或以別的方式輸入到數據歷史庫 20中。在此所指的數據歷史庫可以從現場(生產設施)收集數據“標簽”，并以預定的速率 (例如，每2分鐘)存儲它們。盡管數據收集的頻率將大大依賴于被監視的標簽而且可以以 任何期望的頻率(分鐘、小時、天、月或年)來收集，但這種數據歷史庫20 —般以分鐘為基 礎獲取標簽數據。從生產設施中的傳感器獲得的測量值或“標簽數據”常常是由數據訪問 模塊14實時地或者近實時地在線收集的。一旦本發明的近實時 、多變量模型已經完成，則 這種“標簽數據”可以直接從歷史庫20或數據訪問系統14發送到在線過程監視模塊30。
同時，在預建模階段13，必須決定在時間上要退后多少來捕捉相關數據。這種時 間長度將是依賴于過程的，而且常常受可用數據的量和類型的限制。盡管一般來說所捕捉 的“標簽”數據將在大約1年到大約2年的范圍內，但典型的時間長度是從大約1年到大約 5年。在這一點上，來自歷史庫20的所有數據都被數據檢索程序22獲得并處理，其中對標 簽數據的檢查16是由專家在離線分析中執行的，用以除去“垃圾”標簽——那些與被建模 的過程不相關的標簽——并且只保留可應用的數據標簽。一旦執行了對“垃圾”標簽的第一次剔選，就可以進行對標簽檢查的進一步迭代， 其中保留在數據歷史庫20上的所有相關數據都利用數據檢索程序22下載，且單獨變量隨 時間的趨勢對每個數據點繪圖。然后，單獨評估標簽，以確定標簽是否工作。如果標簽不工 作，則將其除去；否則，將保留其用于構建模型。然后，在交叉參考步驟中檢查過程與儀表圖 (P&ID)，以便確保標簽指的是生產過程中正確的值、操作或者點。從這里開始，P&ID和過程 標簽數據可以由過程工廠的工程師和/或操作員進一步檢查。標簽和P&ID檢查16具有三重目的理解用于開發監視系統的邏輯子組，例如單 元操作或制造過程步驟；檢查正常操作的時段，從而獲得用于數據標簽的“正常”值范圍； 及識別關于整個生產過程的感興趣的關鍵監視目標和響應/性能變量(例如，產出、能量使 用、選擇性等)。關于這三方面中的第一方面，及將參考圖3更具體討論的，盡管一般對于每 個過程部分每個子組有許多標簽，但也有關于跨生產過程中“部分”的“邊界”的參數(例 如產品流)的多個內相關的數據標簽，因此用來將各個部分連接到一起。在有些情況下，依 賴于要建模的過程及其復雜性，標簽和P&ID檢查過程16可能需要適當地重復幾次。
對于連續的化工制造過程，在圖2中描述了能夠監視瞬時操作且同時又最小化化工制造過程中錯誤或問題的近實時系統的功能框圖，但是應當指出圖2既包含在線步驟又 包含離線步驟。除了過程部分，還有遍及整個連續化工制造過程定位的許多不同類型的傳 感器12a，且每個傳感器獲得代表連續過程的當前操作狀況的不同的測量結果。這些測量結 果可以包括但不限于重量，溫度，產品通過整個過程的流速，入口和出口冷卻水的溫度、壓 力和流速，出口氣體的成分等。應當指出，傳感器和所獲得的過程測量結果(見圖1)在連 續化工制造過程的各種過程設計中可以不同，而且本發明不限于此。從這些傳感器獲得的 測量結果可以由數據訪問模塊14實時地在線收集，然后發送到在線過程監視模塊30。一 旦過程監視模塊接收到近實時過程測量結果，就可以基于給定的多變量統計模型28執行 一系列的計算，以檢測過程異常。在圖3中更具體描述的模型開發步驟26用于離線開發以 上模型，其中連續化工制造過程的正常穩定操作是由模型從過程歷史數據儲存庫或數據歷 史庫20中所選的過程數據來表征的。過程監視模塊30負責通過人機接口(HMI)32提供近 實時過程數據、統計度量，及關于潛在制造問題和相關過程變量的警告用以進行顯示。性能 評估模塊34包括在系統中，用于監視過程問題的告警，并且根據預先確定的模型性能標準 (例如，錯誤告警比率、丟失的告警比率、失敗的告警比率等)來確定模型是否需要重新調 整或者重建。如果需要，則多變量統計模型可以在決定點36處離線重新構建。結果產生的 模型也提供了用于在線重新調整的某些可調整參數，以改進模型的性能。例如，這種可調整 的參數可以在決定點36處在線調整，以部分地補償沒有被模型表征的操作區域中可能的 從正常變化的漂移，或者，由于測量考慮(例如，熱交換器是離線清潔或維護的)而排除變 量。一旦被排除的變量已經適當地進行了優化或者回到正常或“近似正常”，則可以適當地 添加回該被排除的變量。可選地，可在38處由位于制造廠內的個人調查由根據這種系統的 告警造成的問題，且解決問題或根據需要調整裝置，以便校正問題并使警報安靜。通過本系 統的使用，在給定由模型28和過程監視方法提供的細節的情況下，由HMI 32顯示的信息可 以允許操作員/工程師具體地定位和查明生產設施中造成告警的問題的位置。圖3是闡述本發明的模型開發模塊26(圖2)中的步驟的流程圖，用于從所選歷史 數據建立多變量偏最小二乘(MPLS)或主成分分析(MPCA)模型，以表征連續化工制造操作 中的正常操作。每個步驟都在以下參考優選實施例具體描述，其中異常操作特別地指一個 或多個過程參數中的變化。如下所述，對于本發明，有多個方面影響其成功實現。模型開發盡管許多異常數據區域和“垃圾”標簽都在標簽檢查16(圖2)期間從模型構建數 據集合被剔選，但可能還需要對數據的附加具體“清理”，如由圖3中的標號42所例示的。 一般來說，這是由過程中直接涉及的個人(例如，工廠操作員、過程工程師等)之間的交互 來執行的。在數據清理步驟期間，會發生數件事情，包括開發邏輯子組、建立正常的數據值 及獲得關于響應變量的信息。關于這些中的第一件事，開發用于監視系統(即，用于單元操 作或者用于特定的過程步驟，例如EO生產過程中的那些步驟)的邏輯子組，評估信息以獲 得每個子組的許多標簽，及跨邊界進入另一個過程步驟的標簽(例如，從過程一個階段到 過程另一個階段的液體流)，在這種情況下，標簽被指定為標簽鏈，由此將過程的多個部分 連接到一起。在數據清理步驟42期間建立正常數據值中，可以檢查的信息包括正常工作的 時段，用以獲得用于數據標簽的“正常的”基線值范圍，從而確定應當排除的任何數據尖峰等。此外，依賴于過程，查詢并作出關于與整個過程的特定部分關聯的響應變量或性能變量 (包括，例如，產出、能量使用、選擇性、催化劑選擇性等)的調整可能是有價值的。對于這 些標簽中的每一個，在數據清理步驟42期間，為了開發好的模型，非正常的標簽信息(即， 數據中的“噪聲”)被排除了，以獲得最“規范”的數據集。利用經清理的標簽和模型響應， 利用如PCA (主成分分析)、PLS (偏最小二乘)或隱性結構投射的多變量模型建立或者本領 域中已知的任何其它合適的多變量統計建模方法(包括統計過程控制(SPC)圖表)如在框 40中所示的那樣構造模型集合。然后，采用這種模型數據集來開發多變量模型，步驟44。 一般而言，模型可以通過繪制特定過程的各種行為并定義所繪制區域中的監視區 域來開發，其中新的過程數據連續地落到監視區域中。將描述單個過程行為作為一般的例 示。如在此所使用的，并根據傳統的統計過程控制(SPC)圖表和過程，關于每個特定過程的 信息可以包含在過程變量(X)及產品質量變量(Y)的大量例行測量結果中，其中產品質量 變量也稱為響應變量并對應于如產出、成分選擇性等的這種可用于評估整體性能的數據。 一般來說，解釋Y空間中變化的過程變量中的大部分信息可以在指定為ti、t2等的少量隱性 變量中捕捉。因此，可以通過關于超平面上的位置和垂直距離計算隱性變量位置來監視過 程的總的行為，并由此定義超空間(或平面)中的監視區域，在該監視區域中，只要過程工 廠繼續正常工作，新的過程數據(X)就應當連續地投射。這種η維(η適當地等于1、2、3、 4等)隱性變量圖在本領域中是眾所周知的，而且一般包括定義監視邊界的對應于預定的 重要水平(例如，和5%)的多條等高線。在隱性向量以零平均值正態分布的標準假設 下，這些區域常常可以表示為橢圓形，其中一個或多個參考分布可以用于定義監視區域的 邊界。然后，用于產品質量數據Y的類似投影圖也可以利用Y空間的隱性變量^、U2來表 示。新的y數據在獲得時將優選地落到這個平面內類似的區域中。在此所使用的建模是唯 一的，因為Y被建模為關于X的單個向量，以允許利用單個模型對多個y的監視。假設過程將以正常方式繼續工作，則假設新的觀察將不僅繼續投射到隱性變量平 面的監視區域內，而且還將位于或者非常接近這些平面的表面。因此，可以計算來自這些平 面的新觀察(Xi或7》的平方垂直距離，也稱為平方預測誤差或者SPE。對這些值SPEx和 SPEy的通用計算可以對第i次觀察計算為(其中X表示過程變量而Y表示響應變量，例如 過程或單個過程步驟的產出、過程步驟或步驟序列的選擇性等) 其中&和乂是由多變量統計模型預測的值。這些可以相對于時間來繪制，而且非 常象傳統的范圍，或者s2圖表，以檢測參考集中不存在的任何新的變化源的出現。這種新 的變化源將必要地給出新的隱性變量，因此將導致離開由原始隱性變量定義的平面的新觀 察標簽數據，因此SPE將增加。一般地，可以有多個y，因此模型開發出Y中的多維平面，類 似于對過程變量X所做的事情。最后，確定隱性變量的平方(t2)的總和，它代表每個觀察 離正常變化的區域中心有多近。利用所有這些參數，統計模型可以利用多種可用的多變量 計算程序來開發，包括例如(可以從位于瑞典Ume^的UmetriCS AB獲得的)SIMCA-P或者 SIMCA-P+,(來自 McMaster 大學的)MacStat、SAS、(位于新澤西 Woodbridge 的 CAMO 公司 的)Unscrambler 及類似的商業可用的程序。
依賴于第一次模型的結果，模型可以經歷迭代過程46，從而及時除去現在看起來 是“垃圾”的任何新標簽或數據區域。一旦迭代完成，數據就可以在決定提示48處利用多 變量統計模型來重新修整和重新分析，以便最小化“模型集”中的異常。迭代過程可以重復 多次，直到實現期望的異常最小化水平。模型的驗證在模型開發之后，而且一旦已經獲得了更新后的模型系數，多變量統計模型44在 于過程步驟52中實施之前就可以通過一系列檢查或者驗證來確認。這優選地是在過程50 處通過首先執行y-hat ( y )檢查、然后執行x_hat( ^ )檢查來實現的。一旦在50處模型 通過所有的驗證檢查，則(如果必要)更新和驗證后的模型代替統計模型所有先前的版本， 而且準備好進行在線實施。在驗證步驟50處進行x-hat和y_hat檢查是為了確保所有單獨的X和Y都預測得 很好，以提高模型的保真度。此外，這種驗證檢查可以用來進一步捕捉在更早檢查過程中漏 掉的任何無效數據。然后，可以通過T來將X關聯到Y，從而獲得好的預測器，而且在模型中 有噪聲的減少或最小化。在驗證步驟50處也可以執行附加的檢查，以便基于所開發的模型 確保對特定過程預測的溫度、壓力、流速、試劑量等沒有顯著地不同于在特定制造或生產過 程中當前實施的實際值。x-hat和y-hat檢查用在潛在多變量模型的評估中和/或模型的 改善期間。這些檢查的使用幫助建立用于在線實施的更魯棒和有用的模型。x-hat檢查比 較χ變量的單獨時間趨勢與它們的預測值(^ )，以確定標簽是否真正本質上是多變量的 并且指示正常的工作。y-hat檢查比較y變量的單獨時間趨勢與它們的預測值(j))，以確 定特定y變量是否預測得好、是否正常工作及是否以正常方式關聯到剩余的過程變 量。如 果χ變量的預測值在某些時間段上與測量值不匹配，則這可以指示應當從正常數據集排除 的異常情況。可選地，如果特定的χ變量在整個時間段上通常都不能預測得很好，則它可能 具有單變量特性且不隨剩余的過程變化；在這種情況下，該變量可以從多變量模型中除去。 當確定了 y變量的測量值與預測值之間有顯著偏離時，這常常指示過程的正常關聯模式中 應當進一步調查或者從用于建立模型的正常數據集排除的偏離。x-hat檢查和y-hat檢查 都是與SPEX、SPEy和T2的檢查互補的，它組合用于所有χ和y變量的信息。繼續參考圖3，在步驟50的驗證之后，利用本領域中已知的方法和過程，多變量統 計模型44可以配置成用于在線模型實施(52)。例如，在典型的在線模型配置過程中，利用 任意數量的商業可用的特定程序或者很容易由本領域技術人員開發的那些，從模型提取系 數。例如，模型開發可以利用程序SimCa-P(UmetriCS AB)來進行，且單獨的工具可以用于 系數的提取。然后，存儲這些提取出的系數，使得它們可以被在線計算檢索。然后，利用例 如ProcessMonitor 和 / 或ProcessNet (Matrikon)處理系統來配置 PLS 計算模 塊，以便安排計算、提取數據、將數據寫出到文件中及關于在線實施的類似處理。在這種配 置之后，模型安裝到一個或多個服務器/圖形接口(54)上，并實施成用于近實時監視。在用于連續在線監視的連續工作期間，該系統連續地接受數據驗證查詢56，尤其 是關于根據監視過程出現的告警。為此，如果出現的過程告警被確定為是有效的，則可以采 取適當的步驟來校正該問題，例如調整運輸管道中的液體流、試劑添加的速率等。但是，如 果出現的告警被確定是錯誤的，則可以采取幾種選項。可以手動解決問題(58)，或者多變量 統計模型本身要接受調查，由此依賴于錯誤的性質可以適當地重新建模(60a)、修正(60b)或者重新計算并重新驗證(60c)模型本身。圖4顯示用于連續監視例如化工產品的特定產品的基本上整個制造過程的PLS或PCA模型的例子的數據流。本發明可以用于監視整個工廠或者工廠的多個單元操作。系統 以離線模型78啟動，該模型的開發在圖1-3中統一地示出了，圖2既例示了在線又例示了 離線部件。利用如上所述開發的模型，在貫穿過程的每個步驟監視整個生產過程的系統總 體由圖4中的標號70標識。在線模型部件76 一般可以在具有對輸入數據71的訪問(或者 通過手動輸入或者計算機網絡鏈接或服務器上的數據訪問接口 72)的計算機系統上實施， 例如將在圖5中更具體描述的。這些數據值在步驟73中進行了預處理，以便檢測并用確定 的估計適當地代替丟失或不可靠的值。在操作期間，如圖4所示，系統連續地從貫穿過程的監視點收集和預處理數據，并 將其提交給PLS或PCA模型76用以進行評估。在正進行的基礎上，計算模型輸出并將其寫 到數據存儲器77中用于日后檢索。如由項目79所例示的，用戶可以連續并遠程地訪問并 檢查來自輸入源71的原始標簽數據及所存儲的模型輸出77 (SPEx, SPEy和T2等)。數據通 過顯示接口 74提供給用戶，這在圖5中更具體地描述。一般地，在在線監視期間，模型只需要很少的更新。在模型更新步驟期間，存儲在 數據庫77中的數據可以在處理步驟75中使用，其中處理步驟75是離線的模型修改步驟。 附加的過程數據是利用關聯圖2所述的過程評估步驟來檢查的，且新的模型代替現有的在 線和離線模型78和76。在線系統使用圖5提供了關于在線模型實施與數據流的更多細節。參考圖5，例示了根據本發明 各方面的具體數據流體系結構的示意圖。數據歷史庫服務器82 (例如，PI (工廠信息)系 統或者類似的系統)通過適當的應用程序接口(API)鏈接到過程監視服務器系統80。如在 此所使用和描述的這種API在本領域中已知是預寫的軟件塊，這些軟件塊可以用于集成兩 個單獨的和/或不同的軟件塊。這種API的一個例子是用在第三方網頁上以利用主搜索引 擎(例如，Google)提供搜索功能的標準接口代碼。功能指定為控制互連的軟件塊之間的 具體交互(例如，數據傳輸、任務初始化與控制)。如圖5所示，到歷史庫服務器82的歷史 庫API 84是在系統80中激活的，以允許動作的一個或多個路徑出現。例如，如圖所示，API 可以向網絡業務應用程序86提供歷史庫數據訪問，其中網絡業務應用程序86是處理來自 圖2的統計模型28的信息的決策支持軟件包，例如Matrikon ProcessNet等。然后，從網 絡業務應用程序86生成的信息可以通過超文本傳輸協議(HTTP)傳送到遠程客戶端/操作 員，其中遠程客戶端/操作員利用諸如internet Explorer 遠程客戶端98的人機接口 訪問用于生產過程的連續、在線監視的系統。可選地，且同樣可以接受的，歷史庫接口 84可以(直接或間接地)與計算引擎 90交互，其中計算引擎90可以是任何適當的近實時計算系統，例如(可以從位于加拿大 Edmonton的Matrikon獲得的)PrOCeSsMoilitor 。在本發明中，這種計算系統集成到 更大的系統中，用于在制造過程中預測并防止過程和/或設備問題，從而最大化性能與可 用性。配置好的計算引擎90通過API接收信息并向數學分析系統94發送信息，其中的數學 分析系統94例如是(可以從位于馬薩諸塞Natick的MathWorks獲得的)MATLAB 或者已知并可用的其它適當的數學分析程序。這種數學分析系統，例如MATLAB ,常常是高級語言和交互式環境，使得開發者能夠比利用傳統編程語言更快地實現計算性密集 的數學任務，其中的傳統編程語言包括但不限于C、C++、Visual Basic和Fortran。這些交 互性環境在此用于集成到連續、在線監視過程使用的多個數學相關的過程或應用，包括但 不限于算法開發、數據可視化、數據分析、信號處理及數學計算。如總體上在圖5中所例示的，計算引擎90同時從在之前描述的模型參數檔案92 接收在其預測過程中使用的文本信息。在與系統94和檔案92交互的同時，它還同時與數據 庫管理服務器88及本地歷史庫89通信。本地歷史庫89存儲中間和最終的計算結果，用于 以后的使用和顯示，而且可以利用多種可用的軟件包(例如，OPC(用于過程控制的OLE(對 象鏈接與嵌入))桌面歷史庫)來實施。計算引擎利用適當的通信路由(例如，開放數據庫 計算連接(ODBC)、OPC接口等)與數據庫管理服務器及本地歷史庫通信。服務器88—般是 可以響應來自客戶端機器的、以例如SQL(結構化查詢語言)的適當語言格式化的查詢的數 據庫管理系統，例如SQL Server0包括本地數據歷史庫89是為了存儲由系統生成的計算結 果，以便日后由計算引擎90或者監視可視化服務器86檢索。利用在服務器80中所例示的 連續信息流，本發明的連續在線監視過程可以通過互聯網客戶端98在工廠站點或者遠程 地執行。連續在線監視工具與接口使得可以檢測并診斷針對差的或非預期性能及非計劃性 制造系統停工期的根本原因。盡管根據本發明可以使用監視器上被系統操作員觀看的任意數量的適當可視顯 示，包括電子表格、數字儀表板、表列數據等，但優選的(但不是限制)可視應用及其使用在 圖6-9中例示。
參考圖6，示出了在生產過程的近實時、連續監視期間示例性工業生產設施的主要 概觀顯示屏幕100，包括多個主要顯示元素102 (例如，EO反應堆、EO吸收與脫模、CO2去除、 輕餾分去除及淬火/乙二醇排污系統)，這些主要顯示元素102也稱為模型塊。如圖中進一 步例示的，每個主要顯示元素(或者模型塊)102都可以具有文本標簽或者與其關聯的其他 合適的標識符，包括元素本身的描述或者符號、圖形圖標或者圖像。例如，在近實時監視期 間，用戶可以在模型塊102上點擊他們的選擇設備(例如，鼠標或者其它合適的計算機硬件 (例如，觸筆))以檢查和調查關于其所代表的模型塊的潛在過程錯誤。主概觀顯示屏幕100的更多特征是計算狀態指示符101、提供關于被監視過程的 近實時信息的實況標簽數據顯示104，以及可選地，可以允許用戶以用戶的判斷利用任何 合適的選擇設備容易地在被監視過程的趨勢之間遷移的樹視圖(Treeview)面板106。計 算狀態指示符101用來提供關于模型本身計算的信息，而且可以通過在顯示屏100的適當 部分上移動選擇設備來提示。實況標簽數據顯示104可以如所例示地那樣恒定地出現在 顯示監視器自身上，或者只有當利用選擇設備或菜單提示時才彈出顯示。這些實況標簽顯 示104可以用于近實時地(“實況地”)顯示來自生產過程的常常受監視的標簽數據，包括 但不限于溫度、壓力及氣體演變數據。實況標簽數據顯示104還可以用于利用“向下鉆取 (drill-down)”技術快速評估實況標簽數據值，如以下將更具體描述的。主要顯示元素(或者模型塊)102可以具有多種顏色，這些顏色優選地是由“顯示 元素”本身所代表的要監視的一個或多個特定項目的計算、測量或監視的屬性來確定的。計 算、測量或監視的屬性直接關聯和鏈接到本發明的多變量統計模型。盡管可以使用任意數 量的顏色，但出于多種原因或者偏好，在此一般所使用的顯示顏色的意義是反射被監視的過程的連續、監視范圍或者值序列。例如，元素的顏色可以對應于控制當前所表示的數據集內的主要顯示元素顏色的一個或多個屬性的實際數值范圍。可選地，顯示元素的顏色可以 對應于控制元素顏色的屬性的可能數值范圍。在本發明的一方面中，在近實時監視期間， 顯示元素102的顏色可以從紅色到綠色，其中綠色指示被監視值的穩定性能，橙色或黃色 指示潛在的有問題性能，而紅色的顯示元素指示衰退的或者有問題的過程性能。與本發明 的這個方面相關聯，連續、在線監視系統被認為是包括整個制造過程本身的幾乎所有過程 (由總的模型塊102所代表的)，以允許制造過程從開始到結束按照用戶選擇的時間間隔被 連續地監視，其中的時間間隔適當地包括按分鐘、按小時、按天、按月或者按年。圖7例示了一種典型的次計算機概觀屏幕顯示110，其具有工業生產設施中通用 過程的細節，例如將通過在實時、連續監視過程中在圖6的模型塊102上“向下鉆取”所獲 得的。在此所使用的“向下鉆取”是指用戶通過諸如鼠標的適當選擇裝置或者通過在顯示 屏幕上使用可移動光標來選擇感興趣的特定元素或子元素，并且通過選擇這種元素，獲得 關于由該元素或子元素所代表的制造或過程事件的當前實時進程的更詳細信息。就象從圖 中可以看到的，顯示屏幕110—般可以包括可選的樹視圖面板106，一個或多個貢獻或一致 性圖130、140和150及可選的貢獻表160，其如圖所示以象限格式顯示，但是這種類型的顯 示決不是限制，而本質上僅僅是例示性的。如圖7的模型部分概觀屏幕110所例示的，顯示圖130是X—致性索引圖，用于 例示特定過程變量的X —致性(SPEX，在這里所顯示的圖中也稱為XCon)，其繪制成XCon對 時間，用于檢測參考集中不存在的任何新變化源的出現。所評估過程中的改變或變化(例 如進入反應堆的液體的溫度)導致離開定義原始隱性變量的“平面”的新數據點，由此造成 XCon(SPEx)的增加。如圖7中所例示的，顯示圖130中從正常過程操作進入的數據落到控制 限制132上或者在其下面，但隨著壓力減小(就象在本例中)，SPEX在圓形區域133中快速 地違反控制限制132，向用戶指示發生了需要進一步調查的事件。利用來自數據歷史庫等的 參考數據，用于SPE的控制限制對應于基于在此所開發和描述的模型的假設測試集。類似 地，顯示圖140例示了與由相同模型塊102代表的過程相關聯的Y —致性(YCon或SPEy)， 其中造成SPEy違反控制限制142的數據操作也指示發生了需要進一步調查的事件，而且該 事件有可能造成圖6的顯示器100上指示顏色的改變。圖7中的顯示圖150例示了整個過 程的狀態(OpS或者T2)，并代表離特定過程的“正常數據”中心的距離。如聯系以上的顯示 圖130和140所描述的，來自造成T平方(T2)的值違反預設監視限制152的過程的操作數 據可以指示或暗示系統操作員或用戶應當進一步調查的事件的發生。圖7中的顯示象限160例示了可選顯示的貢獻面板，這可以是任何數量的用戶指 定的顯示。如圖中所示，顯示象限160可以包括最上面五個貢獻者162對當前X不一致性 的概括表格。與本公開內容關聯，可以顯示在顯示象限160中的其它診斷工具可以包括用 于所分析過程的特定部分的樹映射(Treemaps)或者用于所選過程部分的一致、-t2平面， 例如用于特定工廠部分。根據在此所述的系統，這后一種類型的數據在隱性變量空間中的 投射對于診斷目的是有用的。例如，這種類型的顯示在確認諸如雜質污染、反應堆污染等的 錯誤時可能是有用的，這些錯誤可以通過移動到隱性變量空間的特定區域中的數據投射來 表征。盡管在此沒有例示，但多個變量可以被顯示、繪制在、對^平面上，其中監視區域是 由卵形或類型的邊界線來例示的。出現在監視區域“外面”的那些數據點可能是由于任何數量的模型變量造成的，包括可能的雜質、不正確的溫度或壓力等，因此根據需要是可能需 要進一步調查的點。在用戶想要關于整個過程的特定特征的更多細節或者期望獲得關于顯示的一個 或元素或子元素中特定或潛在問題的更多細節的情況下，通過選擇位于圖7所例示的一個 或多個圖中的控制限制之外的感興趣的特定區域，用戶可以獲得更多詳細信息，由此“向下 鉆取”到關于過程細節的進一步子層的信息。圖8A例示了示例性顯示屏幕170，其具有圖7 的顯示圖130的展開圖，其不僅例示了所顯示的時間范圍172，還例示了用于計算相對和/ 或范圍貢獻的用戶可選擇的選項176，及允許用戶選擇一個或多個時間點以進一步檢查對 MSPC違反起作用的預測錯誤的MSPC度量174的時間趨勢。特別地，MSPC圖174例示了 X 一致性(SPEx),及對于特定過程在一個時間段上(沿底部軸示出)與正常的差值，在這個例 子中的特定過程是輕餾分去除(LERA)過程。以這種方式，可以更清楚地看到一個或多個檢 測到的過程操作數據點174對于整個制造或生產過程的這個元素對監視限制132的違反起 作用。繼續突然緩沖罐壓力下降的例子，MSPC圖和更多的向下鉆取信息允許本連續、在線 監視系統的用戶指導工程師在過程工廠中什么地方調查生產過程中潛在的問題。這種信息 對于具體定位制造過程中的一個或多個問題點是有用的，由此允許過程進一步流水線化、 產品生產最大化及安全控制最大化，由此最小化不必要或不想要的威脅或事件。圖8B示出了顯示窗口 180。在圖8B中，例示了圖8A中的圖174的MSPC時間趨勢 181的可選視圖，其中用戶已經在186處選擇了期望的起始和結束日期范圍，用于通過“向 下鉆取”到對MSPC錯誤起作用的感興趣的特定單獨過程點來進一步檢查。為了啟動貢獻分 析，用戶選擇執行按鈕188，以便在所選的時間范圍上生成標簽對SPEx度量貢獻的圖。顯示 例示了隨時間變化的SPEx度量174、閾值監視限制132的值及感興趣的邊遠數據點的圓形 范圍133。圖8C是請求并獲得對圖8B所示數據點的相對貢獻計算的例示。如圖所示，范圍 選擇與相對貢獻選項都在187處 進行了選擇，然后，選擇用于顯示圖181中基本范圍189的 起始點和結束點。然后，選擇用于關于相對貢獻的感興趣范圍133的起始點和結束點，且選 擇按鈕188來執行計算。圖9示出了例示從顯示圖181向下鉆取的顯示窗口 190，示出了作為縮放后貢獻對 標簽的條形圖的標簽范圍貢獻。該顯示窗口分別例示了正的和負的貢獻標簽，192和193， 及顯示貢獻類型(在這個例子中是XCon或者SPEx)的指示符198和用于所顯示貢獻的時 間范圍。顯示窗口 190還可以提供關于不一致性對限制的值的信息，如顯示文本196所示 出的。也可以可選地包括用于允許暫時排除標簽貢獻的選擇設備194(例如，復選框)。通 過將合適的選擇設備放到條(例如192)上，用戶可以獲得標簽描述信息，而且通過選擇期 望的條，用戶可以看到諸如圖10中所示的時間趨勢信息。圖10在顯示窗口 200中例示 了時間趨勢圖形圖，其示出了隨時間由圖9中標簽192的向下鉆取所得到的示例標簽圖 202。顯示窗口 200還包含用于顯示關于所示圖的信息的指示符203。如圖10所例示的這 種趨勢和標簽圖可以利用適當的軟件或應用程序(例如，NetTrend軟件工具(可以作為 MatrikonProcessNet軟件包的一部分從位于加拿大Edmonton Alberta獲得))來顯示。在 當前的例子中，示出了緩沖罐壓力的時間趨勢，且可以看到環形區域204對應于壓力中潛 在異常的突然下降。在當前的例子中，這種壓力下降是在圖7至圖8C中環形區域133中觀 察到并由圖6至9中“向下鉆取”檢查的高X—致性錯誤(SPEx)的最終原因。因此，用戶可以在幾層向下鉆取中確定基本上整個制造過程中出現潛在異常的適當過程點。現在參考圖11，例示了用于連續在線監視系統的工業實施的整體計算機系統 201，其中該連續在線監視系統用在制造過程各種單元操作之間具有整合通信的近實時操 作中。圖11所示的系統體系結構可以由兩個基本部件構成在線監視系統207和離線建模 系統205。在線監視系統遵循標準的三層軟件開發框架(包括數據層206、計算層208和呈 現層210)來設計。在數據層206中，數據訪問服務器220從制造過程或設施中的多個單元操作提供 對多個過程測量結果(標簽)232的連續、近實時訪問。根據本發明的一些非限制實施例， 盡管PI也可以適當地或者根據期望而使用，但可以采用OPC數據訪問規范。所選的近實時 數據通過數據訪問網絡216 (其一般是利用以太網連接實現的)提供給第二層208以進行 模型計算，同時提供給過程歷史數據庫218用于數據存檔。如果必要，存檔的數據可以由離 線的建模系統使用，例如當根據整個生產過程中的變化而需要重新建立或修改MPLS(到隱 性結構的多變量投射)或者MPCA(多變量主成分分析)模型時。圖11的計算層208包括能夠通過數據訪問接口(例如，216)接收近實時數據的計 算服務器222。服務器222可以執行MPLS或者MPCA計算，并將任何告警相關的信息發送到 HMI (人機接口)計算機224或者遠程操作員226、228。
呈現層210可以包括HMI計算機224、通過互聯網或安全服務器連接到系統的遠程 操作員顯示系統226和/或通過無線連接連接到系統的遠程操作員顯示器228，其中的無線 連接可以是PDA，它可以是或者可以不是專用設備。人機接口計算機系統224可以直接位 于制造設施的控制機房內，而且一般能夠顯示當前的操作狀況、提供關于即將發生的過程 異常(例如，異常的溫度尖峰或流控制問題(基于由來自在此所述的多變量模型的SPE和 T平方統計所提供的信息))的告警，而且當生成告警時還支持操作員作出正確的決定。與 計算機系統224 —起使用的服務器對用戶接口可以是本領域中已知的任何合適的接口，其 包括但不限于(可以從微軟公司獲得的)Internet Explorer或類似的軟件。離線的建模系統205包括一個或多個開發計算機212，它們通過數據訪問網絡216 連接到生產網絡。開發計算機212能夠訪問在此所述的過程歷史數據，用于連續的MPLS或 MPCA模型開發、模型性能評估及其它特殊(ad-hoc)分析。這些分析對于保持系統以高正常 運行時間來運行是非常重要的。此外，盡管在這里MPLS和MPCA模型開發方法都是可用的， 但根據本發明的一方面，統計模型開發的優選方法是MPLS或者PLS。本領域技術人員將認識到，前面提到的計算機系統可以在不同的條件下變化，例 如，定制的數據獲取系統可以用來代替數據訪問服務器，或者HMI機器中的顯示功能可用 集成到諸如分布式控制系統(DCS)的其它控制系統中，等等。因此，本發明不僅僅限于以上 所例示的系統或者體系結構。工業適用性在此所述的方法與系統可以應用到多種制造環境。例如，除了適于用在包括但不 限于環氧乙烷、乙二醇、苯乙烯、低碳烯烴、丙二醇(PD0，生物的或者合成的)的化工制造工 廠或類似這種化工制造工廠的連續在線監視中，在此所述的系統與方法還可以應用到精練 廠、石化生產設施、催化劑制造設施等。例如，本發明的連續、近實時監視系統與方法可以用 于在化工過程中監視催化劑的性能及監視諸如旋轉設備的機器的性能特征。此外，在此所述的系統與方法可以用于監視遠程設置的設施，例如壓縮機。其它應用包括過程的連續、近 實時監視，例如水力壓裂、水控制及多個遠程設置的產烴或產水井的生產。總的來說，在此 所述的系統可以用于幾乎任何具有至少一個多變量特征的化工或制造過程或者其部件。
本發明已經在優選和其它實施例的環境下進行了描述，但不是對本發明的每一種 實施例都進行了描述。對本領域普通技術人員而言，對所述實施例顯然的修改和變更是可 以獲得的。公開的和未公開的實施例不是要限制或約束申請人所構想的本發明的范圍或適 用性，相反，遵照專利法，申請人想要最大程度地保護屬于以下權利要求等價物范圍之內的 所有這種修改與改進。
權利要求
一種用于連續在線監視工業生產設施中的操作狀態的近實時系統，該系統包括位于工業生產設施中的多個分析數據測量傳感器；多變量統計模型；及用于顯示當前操作狀況和最近歷史的人機接口；其中該系統包括該工業生產設施的多個單元操作。
2.一種用于連續在線監視連續操作的工業生產設施并預測即將發生的過程異常的近 實時系統，該系統包括多個測量傳感器，用于獲得工業生產設施的近實時過程分析數據； 數據訪問模塊； 模型計算模塊；及人機接口，用于根據計算出的過程狀態顯示當前的操作狀態與期望的操作范圍。
3.如權利要求1或2所述的近實時系統，其中所述工業生產設施選自包括如下的組 連續化工生產設施、批量化工生產設施、石化生產設施、精煉處理設施、井下烴或水生產系 統、其子系統及其組合。
4.如權利要求1或2所述的近實時系統，其中所述工業生產設施包括環氧乙烷/乙二 醇工廠。
5.如權利要求2或權利要求3-4中任何一項所述的近實時系統，其中人機接口還顯示 與正常操作狀態的偏離。
6.如權利要求2或權利要求3-5中任何一項所述的近實時系統，其中所述模型計算模 塊包括多變量統計模型。
7.如權利要求1或權利要求2-6中任何一項所述的近實時系統，其中所述多個測量傳 感器嵌入到生產設施中的多個點處，并能夠將數據發送到數據歷史庫。
8.如權利要求1或權利要求2-7中任何一項所述的近實時系統，還包括用于獲得氣體 和/或液體樣本以進行分析的多個采樣端口。
9.如權利要求8所述的近實時系統，其中氣體和/或液體樣本通過毛細管發送到分析 器，以獲得從所述分析器發送到數據歷史庫的數據。
10.如權利要求1或權利要求2-9中任何一項所述的近實時系統，其中所述多個測量傳 感器選自包括以下的組PH探針、重差計、氣相色譜儀、壓力傳感器、溫度傳感器、流量計、 液位傳感器和分光計。
11.如權利要求2或權利要求3-10中任何一項所述的近實時系統，其中所述操作狀態 包括壓力、溫度、成分、流量和體積。
12.一種用于近實時地監視連續或批量工業生產設施的操作的方法，該方法包括 從要監視的工業生產設施中的多個單元操作獲取過程數據；開發與所述工業生產設施的正常操作相對應的多變量統計模型；利用x-hat檢查和/或y-hat檢查來驗證所述多變量統計模型；生成結合了所述多變量統計模型的連續、近實時在線監視系統；在所述工業生產設施操作期間從多個單元操作獲取過程參數的在線測量結果；及確定所述在線測量結果是否與由所述多變量統計模型描述的正常操作參數一致。
13.如權利要求12所述的方法，其中所述工業生產設施選自包括以下的組連續化工生產設施、批量化工生產設施、石化生產設施、精煉處理設施、井下烴或水生產系統、其子系 統及其組合。
14.如權利要求12所述的方法，其中所述工業生產設施包括環氧乙烷/乙二醇工廠。
全文摘要
描述了一種用于在連續化工處理設施中連續在線監視多個操作的近實時的系統與方法。監視操作的方法是基于利用離線、所選的特定于過程的歷史過程數據開發的多變量統計模型。這種模型由在線監視系統用于從遠程位置實時地監視化工制造設施或者精煉廠的連續操作。這種實時監視允許確定多個操作中的一個或多個是否工作在其正常的操作參數中。這種實時、連續的監視系統還可以用于預測連續生產過程中即將發生的故障或者事故點，或者最小化可能在連續化工制造過程中出現的災難性的過程故障。最有可能與預測到的過程失敗相關的過程變量或者“標簽”可以由模型系統識別，使得可以采取適當的控制動作來防止實際的過程故障發生，其中實際的過程故障會導致代價高昂的生產停工期。
文檔編號G05B17/02GK101842756SQ200880109591
公開日2010年9月22日 申請日期2008年8月12日 優先權日2007年8月14日
發明者D·J·考祖比, E·H·瑟奧拜爾德, G·L·維斯, W·E·埃文斯, 小G·J·維爾斯 申請人:國際殼牌研究有限公司