用于在过程技术设施中进行错误原因分析的方法和系统技术方案

为了在过程技术设施(1)中进行错误原因分析，设施(1)的、包含关于设施部件和其在设施(1)中的互联的信息的工程信息(18)以数字形式提供，以由该工程信息(18)创建呈设施(1)的具有概率分布和先验变量的概率物理模型形式的推理模型(30)。在推理模型(30)的诊断模式(40)中，在使用来自设施(1)的测量数据的情况下执行错误概率的贝叶斯推理。行错误概率的贝叶斯推理。行错误概率的贝叶斯推理。

【技术实现步骤摘要】
【国外来华专利技术】用于在过程技术设施中进行错误原因分析的方法和系统


[0001]本专利技术涉及一种用于在过程技术设施中进行错误原因分析的方法。
[0002]本专利技术此外还涉及一种用于在过程技术设施中进行错误原因分析的系统。

技术介绍

[0003]自动化技术用于技术过程的自动化。自动化的整体系统由其中运行过程的设施、自动化系统和操作人员组成。设施尤其能够是来自化学工业、饮料和食品技术、环境技术、制药工业或天然气和石油工业的过程技术或工艺技术设施。
[0004]这种类型的(工业)设施通常包括多个各个互连的设施部件。工艺或过程技术设施的典型设施部件是容器、反应器、管道、配件等，例如在制造过程中的初始材料(尤其是流体)穿过他们来流动，并因此被改变或加工成最终产品。
[0005]在自动化系统的近过程现场层级，在设施自动化的范畴中，执行本地分布式、分散式现场设备预设的功能，并且在此与自动化系统的更高层级的自动化部件交换过程、设施和/或设备相关的信息。现场设备包括以过程参数的测量值形式传输过程数据的传感器(例如用于液位、流量、压力和温度的变送器，用于气体或液体分析的分析仪，称重系统)和执行器(用于阀门的位置驱动器，位置调节器，其他分散式调节器和用于例如泵的电动驱动器的变频器)，其包括以调节数据的形式的过程数据，以便影响过程。
[0006]通常需要优化此类设施的经济效率，并减少各个过程参数的值与目标值并进而与设施的运行时间点的偏差，以便使设施运行平稳，更好地遵守质量要求，或者使过程接近其极限运行并提高产量。
[0007]然而，某些关键偏差不能仅通过调节系统来消除，而是需要额外的对策。如果没有及时发现这些故障，可能会导致差的产品质量，甚至导致设施部件、设施部分甚至整个设施出现故障。
[0008]自动错误诊断能够通过更快地识别错误情况及时引入对策，以便因此减少甚至防止停机时间。故障诊断(故障诊断(fault detection and isolation)，FDI)的任务一方面包括故障的识别，另一方面包括对单个故障类型的隔离，以缩小故障原因的范围。
[0009]故障诊断方法通常分为两类。一方面存在基于过程模型的方法，其在数学模型中使用测量信号并计算特征值。与此相反的是，的是基于信号的数据驱动方法，其基于历史数据创建设施的黑盒模型或分析相关性[1，第5
‑
6页]。
[0010]基于模型的方法在状态估计器中，例如在扩展的卡尔曼滤波器(Kalman
‑
Filter)或未知输入观察器(UIO)中(其在状态空间中估计最可能的运行状态或错误状态)分为宇称方程，其利用附加传感器的分析冗余来生成特征化的残留签名，或分为参数估计方法，其确定偏差的参数值并将每个偏差分配给误差源[2，第9页]。
[0011]基于信号的方法遵循不同的措施。对于简单的信号来说，极限值测试或振动信号模型就足够了，其单独检查信号的值或频率的偏差，相反，统计分类方法或人工智能则用于更复杂的系统。静态方法利用诸如主成分分析(PCA)的方法，通过确定最小数量的独立部件
的然后执行聚类分析来降低系统的阶数。另一方面，机器学习算法根据记录的训练数据优化神经网络或决策树的多个参数[3，第41
‑
43页)。
[0012]所提及的方法仅给出了主题领域的概述，因为尤其是近年来该领域中的文献已经采用了许多不同的措施。到目前为止，还没有一种方法被证明优于其他方法，这就是为什么以增加的趋势在多个方向上继续进行研究[4，第4
‑
5页]。
[0013]基于模型的方法需要广泛的系统理解，其在方法技术过程中常常是不存在的。所考虑的过程通常是非线性的、动态的、混合的和复杂的，这意味着，不仅建模成本而且计算成本都极大增加，尤其是在工业大型设施中[1.]。因此，不能简单地转移其他领域的解决方案。同样，测量中的强噪声会使结果失真。
[0014]由于过程知识常常以测量数据的形式存在，因此在过程工业中更频繁地采用数据驱动方法。主成分分析(PCA)和潜在结构投影(PLS)在统计方法[5，第267页]以及人工神经网络(ANN)和支持向量机(SVM)的情况中作为学习方法[6，第4
‑
5页]中尤为普遍。这里的优点是实施过程中涉及的耗费非常小，并且能够将其用作从测量值到错误类型的完整解决方案。
[0015]然而，通常没有或只有很少关于错误情况的数据，设施操作员不想为了获得这些数据而将他们的设施置于危急情况中。在这种情况下，纯基于信号的模型会失败，因为即使他们能够识别到未知错误并将其与其他错误区分开来，也无法将错误分配给具体的构件或故障。

技术实现思路

[0016]因此，本专利技术的目的在于，基于在混合方法中组合基于模型和基于信号的方法，以便最大化他们的优点并减少他们的缺点。
[0017]根据本专利技术，该目的通过权利要求1中给出的方法和权利要求5中给出的系统来实现，其有利的改进方案在从属权利要求中给出。
[0018]因此，本专利技术的主题是一种用于在过程技术设施中分析错误原因的方法，其中，设施的、包含关于设施部件及其在设施中的互连的信息的工程信息以数字形式来提供，并且从工程信息创建呈设施的具有概率分布和先验变量的概率物理模型形式的推理模型，并且利用来自设施的测量数据在推理模型的诊断模式中来执行错误概率的贝叶斯推理。
[0019]本专利技术还涉及一种用于在过程技术设施中进行错误原因分析的系统，过程技术设施具有转换模块，该转换模块设计用于从设施的、包含关于设施部件及其在设施中的互连的信息的工程信息创建呈设施的具有概率分布和先验变量的概率物理模型形式的推理模型，该推理模型被设计为，利用来自设施的测量数据在推理模型的诊断模式中执行错误概率的贝叶斯推理。
[0020]在此，工程信息是指过程技术设施的规划数据以及设施结构和部件数据，这些数据存储在设施规划软件(例如COMOS)中或能够从数据表中获取。工程信息尤其能够是机器可读的R&I流程图(管道和仪表流程图)，其中包含作为图形对象的设施和自动化的所有相关组件。
[0021]在推理模型的训练模式中，通过在使用来自设施的测量数据的情况下在推理模型的训练模式中执行推理模型的贝叶斯推理来优化模型参数的估计，其中，模型参数表示推
理模型中的先验。
[0022]能够以有利的方式借助于键合图从工程信息创建推理模型。键合图适用于分析机电系统，因为他们提供了多个
的统一表示。由于过程技术设施不仅由液压管道系统和机械执行器组成，而且还由电路和信息技术数据流组成，因此这种表示对于识别各种错误类型非常有利。此外，键合图理论为能够在自动运行的系统中使用的R&I流程图的分析提供了一种形式主义。
[0023]首先，通过采用模型库的模板，能够由设施的工程信息，特别是R&I流程图生成设施的元模型，模型库包含对于设施的每个部件类型的待生成的代码和推理变量，需要对其实施贝叶斯本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于在过程技术设施(1)中进行错误原因分析的方法，其中，所述设施(1)的工程信息(18)以数字形式提供，所述工程信息包括关于所述设施(1)中的设施部件以及所述设施部件的互连的信息，从所述工程信息(18)创建呈所述设施(1)的具有概率分布和先验变量的概率物理模型形式的推理模型(30)，并且利用来自所述设施(1)的测量数据在所述推理模型(30)的诊断模式(40)中执行错误概率的贝叶斯推理。2.根据权利要求1所述的方法，其特征在于，在使用来自所述设施(1)的所述测量数据的情况下，在所述推理模型(30)的训练模式(39)中执行所述推理模型(30)的贝叶斯推理，其中，表示所述推理模型(30)中的先验的模型参数的估计被优化。3.根据权利要求1或2所述的方法，其特征在于，借助于键合图从所述工程信息(18)创建所述推理模型(30)。4.根据权利要求1、2或3所述的方法，其特征在于，通过采用模型库的模板(36)，从所述设施(1)的所述工程信息、特别是R&I流程图(18)首先生成所述设施(1)的元模型(35)，所述模型库包含针对...

【专利技术属性】
技术研发人员：托马斯，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：