在线校准的方法技术

本发明专利技术涉及一种用于从原始的过程测量中对用于过程质量的实时预测的过程模型的自动化在线校准的方法，通过：采集原始过程数据，通过一个数学模型处理采集的数据来获得对质量的预测，通过两个独立的动态转移函数处理该预测，从而产生两个中间信号，存储获得的两个中间信号作为历史上的时间的函数，在对应于最小和最大的特定空载时间的一个时间周期中，从历史中的质量的真实和验证的测量的时间上检索两个中间信号的绝对的最小和最大值，这些值定义最小和最大的预测可能值，计算作为真实的和验证的测量之间的差别的偏差值和获得的最小和最大预测可能值之间包含的区域。（*该技术在2021年保护过期，可自由使用*）

Method for on-line calibration

The invention relates to a method for automated online calibration process model for real-time prediction of process quality of the process from the original measurement by collecting original process data through a mathematical model of the acquisition and processing of the data to get the prediction on the quality of the transfer function, the forecast through two independent dynamic thus, the two intermediate signal, storage of the two intermediate signal as a function of the history of the time, in a specific load time corresponding to the minimum and maximum period of time, from the measurement and verification of real retrieval quality in the history of the time between the two signal and the absolute minimum the maximum value, these values define the minimum and maximum possible prediction value, calculated as the deviation between the real and the difference between the value of measurement verification and obtain the minimum and maximum The area between the possible values.

【技术实现步骤摘要】

本专利技术涉及输入/输出模型的自动化在线校准。
技术介绍
已知在过程控制系统中，在从容易获得的原始过程测量(通常称为输入)中对某些，更适宜地，关键的过程质量和/或特性参数(通常称为输出)的实时预测中使用一个或多个所谓的质量估算量(在这里后面称为QE)。这样，QE实质上是在预测的相关过程值上设计的一个数学的输入/输出过程。QE通常从采集的过程数据确定。为了在实时实现方面具有一个有用的价值，QE不得不使用历史上的质量测量来校准，这可以在线或离线进行，取决于过程的类型和/或观察的测量的类型，目的是减小，或最佳地避免在预测的量中的任何漂移。QE被最佳地运用在允许对产品质量的少有的和/或延迟的测量的情况下。这可以是这样的情况，例如当需要产生测量的值的时间是相当长的或者当方法是相对昂贵的时候。在QE的自动化在线校准过程中要面对许多困难，象变化的或不确定的过程/测量空载时间和在QE输入和测量的质量之间的动态的出现，还有通常称为处理增益的现象，即在输入和输出之间的比值上的漂移的一种现象。为了克服这些不期望的情形，当它们应用的过程是处于它的所谓的稳态，即在过程流质是均匀的并且在工作的入口和出口处的组成、状态和速度上是恒定的情况下，通常要校准QE。尽管这些校准将对要监控的系统给出好的结果，仍然被认为是次优的，原因是可获得的动态信息没被使用。这是因为校准不得不等待直到过程已到达一个稳态的工作点。而且为了知道校准何时能够开始，需要一个稳态检测器的存在。
技术实现思路
现在已经发现通过应用根据本专利技术的过程，在这里前面所说的缺点能够被减小或者甚至被克服，本专利技术的过程允许一种实时方法以一种健全的方式用于自动化在线校准。根据本专利技术的健全的质量估算量(RQE)提供一种更准确和健全的质量预测，它改进了它应用的任何质量控制方案的性能。例如，当过程是这样的稳态增益和/或在处理的变量和受控的质量之间的动态(例如空载时间)在某些确定的边界内以一种不可预测的方式变化时，它改进了一个线性模型预测性的控制器的性能。而且，它同时被用来实现对具有不利的动态性能的任何过程变量的闭环控制。本专利技术由此涉及一种用于从原始的过程测量中对用于过程质量的实时预测的过程模型的自动化在线校准的方法，该方法包含a)采集原始过程数据，b)通过过程模型处理在步骤a)中采集的数据来获得质量的预测，c)通过动态转移函数处理该预测，从而产生两个中间信号，d)存储在步骤c)中获得的两个中间信号作为历史上的时间的函数，e)在对应于最小和最大的特定空载时间的一个时间周期中，从历史中的质量的真实和验证的测量的时间上检索两个中间信号的绝对的最小和最大值，这些值定义最小和最大的预测可能值，f)计算作为真实和验证的测量之间的差别的偏差值和在步骤e)中获得的最小和最大预测可能值之间包含的区域，g)如果在步骤f)中获得的偏差的绝对值是零，就继续步骤i)，或者如果在步骤f)中获得的偏差的绝对值大于零，就继续步骤h)，h)把偏差值插入到过程模型中，并且i)重复步骤a)--h)。用本专利技术的方法校准的过程模型，适合的是一种所谓的输入一输出参数化模型，它是从历史上的过程数据和质量测量中离线获得的。这样的模型的例子是在例如由Montgomery和Peck，JohnWiley&Sons，1992所写的“线性回归分析导言”(“Introduction tolinear regression analysis”)中描述的多个线性回归，和例如在由Keilath，Prentice-Hall所写的“线性系统”(“Linear System”)，信息与系统科学丛书，1980中描述的线性动态模型(在拉普拉斯变换域)和在例如由T.Poggio和F.Girosi.所写的“用于估计和学习的网络”(“Network for approximation and learning”)，IEEE会议录，78(9)1485-1497，1990年9月中描述的径向偏置函数神经网络(可选地用高斯函数)。取决于应用的过程模型的本质和接收的原始材料数据的类型，那些在本
中的熟练人员可以选择最适合感知的目标的质量估算的过程模型的类型。附图说明使用下面的图形使得示意本专利技术的方法更加清楚。图1是示意本专利技术的方法的最佳实施例的一个功能性方框图。图2是示意本专利技术的方法的不同术语的一个图形。图3是由一个质量估算量控制的一个蒸馏柱的一个简化流程图。图4表示在执行改变过程的设置点的步骤之后，期望的质量的最小和最大值的动态响应。图5示意在一个在线质量估算量被插入到控制环路中之前和之后的改进的蒸馏操作。具体实施例方式图1表示具有来自原始过程数据(2)的输入的一个过程模型(1)。过程模型(1)提供一个可被用作可以控制例如一个阀(未表示)的控制器(12)的输入的一个估计质量(11)。图1同时表示其中执行步骤(c)和(d)的一个模块(3)。进一步表示的是一个验证模块(5)，它验证了真实的质量测量(4)来获得一个真实的和验证的质量测量(6)。根据来自模块(3)和真实的和验证的质量测量(6)的输入，一个偏差在(7)中被计算。如果如在步骤(g)中描述的偏差大于0，那么偏差(8)被用于过程模型(1)的校准，最佳地通过使用卡尔曼滤波器(9)。在根据本专利技术的方法中被使用的在步骤(a)中原始过程数据(2)的采集可以通过在本领域已知的方法来实现。通常在过程控制技术中经一段时间在多个点上测量数据(2)。例如，在提纯操作中，象温度、压力和流量的工作参数通常以频繁的间隔，或者甚至以一种连续的方式测量，并且它们以那些本
的熟练人员熟知的许多方式被存储和处理。为了获得在采集的原始过程数据(2)之外的质量(11)的预测，上面提到的过程模型(1)可以在步骤(b)中使用。步骤(b)于是是质量预测步骤。步骤(c)在用于自动化在线校准的方法中是一个必须的步骤。这个步骤和进一步的步骤同时通过利用图2来示意。在这些步骤中，执行了在质量的真实的和验证测量的时间上的最小和最大预测的可能值的计算。步骤(c)适合地通过应用两个动态转换函数(所谓的不确定动态)到质量(11)(未延迟的真实时间)的预测中来执行，这样创建了两个中间信号。适合地应用两个或多个独立的动态转换函数。动态转换函数对于一个本
的熟练人员是熟知的方法，例如在由Keilath，Prentice-Hall所写的“线性系统”，信息与系统科学丛书，1980中作了描述。在步骤(d)中，这些中间信号(20,21)被作为历史中的一个时间的函数来存储。这实质上将导致在实际的处理响应应该放置的并且当达到稳态条件(23,24)时将变得非常窄的一个(不确定性)区域(22)。同时可能的是在一个非稳态情况中，不确定性区域(22)被降低到一个对应于其中独立的动态转换函数是相同的情况的一条线(这种情况未在图2中表示)。所谓的最小和最大的预测可能值是通过在对应于最小(25)和最大(26)的特定的空载时间的一个时间周期中，从历史上计算这些两个中间信号(20,21)的绝对最小值(27)和最大值(28)来获得。空载时间是相对于真实的质量被测量的位置、被测量的真实质量的时间和其它例如流量速率和液体保持的过程条件的质量估算量的虚拟位置的一个函数。空载时间可以很本文档来自技高网...

【技术保护点】
一种用于从原始的过程测量中用于对过程质量的实时预测的过程模型的自动化在线校准的方法，该方法包含： ａ）采集原始过程数据， ｂ）通过过程模型处理在步骤ａ）中采集的数据来获得对质量的预测， ｃ）通过动态转移函数处理该预测，从而产生两个中间信号， ｄ）存储在步骤ｃ）中获得的两个中间信号作为历史上的时间的函数， ｅ）在对应于最小和最大的特定空载时间的一个时间周期中，从历史中的质量的真实和验证的测量的时间上检索两个中间信号的绝对的最小和最大值，这些值定义最小和最大的预测可能值， ｆ）计算作为真实和验证的测量之间的差别的偏差值和在步骤ｅ）中获得的最小和最大预测可能值之间包含的区域， ｇ）如果在步骤ｆ）中获得的偏差的绝对值是零，就继续步骤ｉ），或者如果在步骤ｆ）中获得的偏差的绝对值大于零，就继续步骤ｈ）， ｈ）把偏差值插入到过程模型中，并且 ｉ）重复步骤ａ）－－ｈ）。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：威姆赫普凯斯，弗雷德里克维尔，
申请(专利权)人：国际壳牌研究有限公司，
类型：发明
国别省市：NL[荷兰]