CN101124523A - 用于过程控制系统的诊断设备 - Google Patents

Abstract

诊断设备(10)包括用于接收过程的过程介质的过程变量的过程变量值(x(t))的接收装置(100)，用于从在测量阶段(300)期间测量的这样的过程变量值提取和记录测量结果统计数据的测量结果处理装置(300)，用于从在训练阶段期间测量的这样的过程变量值提取和记录训练统计数据的训练处理装置，和用于比较测量结果统计数据与在测量结果统计数据之前记录的训练统计数据的比较装置(400)。优选地，训练统计数据包括训练经验统计分布，其能够为在训练阶段期间测量的过程变量值的函数的分布，或为在训练阶段期间测量的过程变量值(x(t))的变换的函数的系数的系数X_t(k)的函数的分布。

Description

用于过程控制系统的诊断设备

技术领域

本发明涉及诸如用于工业的或科学的过程的过程设备的诊断的领域，并且特别地涉及使用过程的感测的过程变量的过程设备诊断的领域。其涉及根据权利要求的前序部分的方法和器械。

背景技术

通过专利出版物US6 601 005已知这样的诊断设备和诊断方法。该设备感测例如压力或流量值的过程变量值，并且处理它们以便从它们提取过程的过程介质(例如，液体、气体)中携带的振动噪声信号。随后评价这样的振动相关的处理的信号，评价最终得出指示过程的一些控制设备(例如，泵或阀)具有故障的输出。

在前面提到的US6 601 005中披露的方法中，建议使用小波或傅立叶变换或神经网络或统计分析或其它信号评价技术来获得处理的信号。在考虑处理的信号的评价的范围内，建议比较一个或多个处理的信号与可选择的极限值或一组极限值。例如，如果小波变换已经用于获得处理的信号，其将对于每个计算的小波系数检查是否其已经超过对应的极限值。如果至少一个小波系数已经超过其对应的极限值，将指示(小波系数相关的某个或者某些控制设备的)故障。

此外，前面提到的US6 601 005中披露了从过程变量值中移除可能由于某些过程活动的已知的过程变化。这通过从在操作期间收集的数据(过程变量值)减去模型的数据实现。预期在减去之后仅异常值留下并且被评价。例如如果已知的过程变化是由于在白天期间发生并且影响过程变量值的环境温度改变，可以当过程无故障地工作时在白天期间在不同的时间取若干数据组。这些基准平面正常操作数据组用作模型的数据组，例如神经网络可以从其选择适当的一个，随后从在操作期间收集的数据减去该适当的一个，以便仅剩下异常的信号。模型和在操作期间收集的数据全部是小波变换的数据，使得从彼此减去对应的小波系数，以便移除已知的过程变化并且产生值以与可规定的极限值比较。

处理的信号与其进行比较的极限值的选择对于诊断设备的输出(“故障”/“无故障”)的可靠性非常重要。希望为诊断设备的诊断输出提供可靠的基础。

发明内容

因此，本发明的目的为创造诊断设备和为诊断设备的诊断输出提供可靠的基础的诊断方法。本发明的更进一步的目的为创造结合此诊断设备或诊断方法的更进一步的设备和系统。

通过具有根据权利要求所述的特征的器械和方法解决该问题。

根据本发明，诊断设备包括

-用于接收过程的过程介质的过程变量的过程变量值的接收装置，

-用于从在测量阶段期间测量的这样的过程变量值提取和记录测量结果统计数据的测量结果处理装置，

-用于从在训练阶段期间测量的这样的过程变量值提取和记录训练统计数据的训练处理装置，及

-用于比较测量结果统计数据与在测量结果统计数据之前记录的训练统计数据的比较装置。

通过这样，可能为诊断设备的诊断输出提供可靠的基础。特别地，可能为诊断设备的诊断输出提供可规定的可靠性和/或可能提供输出的置信水平(指示输出“故障/无故障”的确实性)。

诊断设备可以为能够接收过程变量值并且以叙述的方式处理它们的任何设备或设备的结合。其可以为变送器、过程监控设备或过程监控系统、控制器或过程控制系统、个人电脑或类似物。诊断设备优选地适用于过程控制系统。其能够在控制系统内实现。诊断设备能够集成在变送器内、过程监控设备内、控制器或类似物内。诊断设备能够例如实现在流量计、压力变送器或差压变送器内。

在优选的实施例中，诊断设备包括用于测量过程变量并且用于产生过程变量值的感测装置。产生的过程变量值能够随后输出到接收装置。由于感测装置，诊断设备能够同时具有变送器和/或过程监控器的功能。诊断设备能够用作独立的过程设备。

接收装置接收过程变量值并且能够例如为以硬件和/或软件实现的接口或端口。可能的过程变量包括流量、压力、差压、水平、温度或类似量。过程变量值为过程变量的值或与过程变量相关的测量的值，例如，在过程变量值和以给定单位的过程变量的相应的值之间可能存在一些函数(例如，线性)关系。

过程介质通常为流体。特别地，其可以为气体或液体或它们的混合物或它们加上固体成分的混合物，例如，乳浊液。

测量结果处理装置为用于以从过程变量值产生测量结果统计数据这样的方式处理在测量阶段期间测量(捕获)的过程变量值的装置(以硬件和/或软件实现)。处理能够包括不同类型的计算，例如，算术或如傅立叶或小波变换的变换。记录(存储)测量结果统计数据以用于更进一步地输出或处理。

对于“测量阶段”，指示时间跨度和/或诊断设备的模式，其中，诊断设备进行其“正常”功能，即，诊断。这是诊断设备的正常的操作状态，其中，诊断设备被通常地使用。在测量阶段期间，诊断设备能够诊断过程并且特别是检测过程内的故障，例如，过程设备的故障或甚至诊断设备集成在其中的变送器或其它过程设备的故障。

对于“训练阶段”，指示时间跨度和/或诊断设备的模式，其中，诊断设备接收预期表示过程的正常(通常无故障的)操作的过程变量值。这是接收关于过程的统计信息，其稍后能够与在测量阶段期间捕获的关于过程的统计信息比较。

测量结果统计数据是从在测量阶段期间捕获或测量的过程变量值得出的统计信息。测量结果统计数据可以为从包括平均值(例如，算术平均)、均方根、标准偏差、方差、统计分布的组中选择的项或项的组。其还能够为从该组的一个或多个成员得出的一个或一组值。统计分布可以为经验分布，或其可以为通常为拟合的分布的解析(理论的)分布。拟合的分布或拟合的曲线优选地意味着相对于一些标准的最佳的拟合，例如最小二乘拟合。

训练统计数据为从在训练阶段期间捕获或测量的过程变量值得出的统计信息。训练统计数据可以为从包括平均值(例如，算术平均)、均方根、标准偏差、方差、统计分布的组中选择的项或项的组。其还能够为从该组的一个或多个成员得出的一个或一组值(例如，极限值)。统计分布可以为经验分布或拟合的(理论的)分布。

训练处理装置为用于以从过程变量值产生训练统计数据这样的方式处理在训练阶段期间测量(捕获)的过程变量值的装置(以硬件和/或软件实现)。处理能够包括不同类型的计算，例如，算术或如傅立叶或小波变换的变换。记录(存储)训练统计数据以用于更进一步地输出或处理。

比较装置(以硬件和/或软件实现)比较测量结果统计数据与训练统计数据。从比较装置的输出其能够推断一些故障可能已经在过程中发生。由于统计数据的比较，用于诊断输出的有效的和可靠的根据，因为为了产生该统计数据已经评价了相当大的数量的过程变量值。此外，由于统计数据的比较，可能估计或规定诊断输出正确的可能性，即，能够通过指示与故障(或无故障)指示相关的置信水平提供输出故障(或无故障)指示，或仅如果指示具有至少可规定的置信水平(指示确实性的程度)时给出输出故障(或无故障)指示。因此，如果基于如在比较装置内实现的测量结果统计数据与训练统计数据的比较，从诊断设备输出的诊断输出具有相当大的增加值。

上面提到的“装置”(接收装置，测量结果处理装置，训练处理装置，比较装置，感测装置)也可以称为“单元”。这些装置，特别是接收装置、测量结果处理装置、训练处理装置和比较装置能够部分或完全相同，特别是如果它们以软件和/或硬件的形式实现。

在优选的实施例中，比较装置具有与过程的状况相关的状况输出，其中，过程的状况与用于过程变量的测量不同。因此，诊断设备的诊断输出优选地不是指示过程变量的值的量值。例如，如果过程变量为过程介质的流速，过程的状况可以例如为泵的状况，例如通过其泵送速度指示，或另一个过程设备的状况，特别是过程控制设备。

特别地，如果诊断设备包括感测装置，状况输出可能与感测装置的状况相关。因此，在该情况中，状况输出与诊断设备的状况相关，使得诊断设备提供自诊断特征。

在另一个优选的实施例中，测量结果统计数据和训练统计数据与过程介质内携带的噪声相关。这样的噪声可以例如为振动噪声。该噪声可能源于过程设备。

在非常优选的实施例中，训练处理装置计算训练经验统计分布。训练经验统计分布为与在训练阶段期间测量的过程变量值相关的分布。在一个实施例中，其可能为过程变量值或更普遍地为过程变量值的函数，例如，过程变量值的平方或过程变量值的平方和的分布。在另一个实施例中，其可能为从过程变量值的变换得出的值的分布。

在后面的实施例中，优选地，测量结果处理装置计算在测量阶段期间测量的过程变量值的变换得到一组正交函数的系数X_m(k)，并且训练处理装置计算在训练阶段期间测量的过程变量值的(相同类型的)变换得到相同的一组正交函数的系数X_t(k)，并且训练经验统计分布为系数X_t(k)的函数的分布。训练经验统计分布可以例如为系数X_t(k)或系数X_t(k)的平方的分布；其它，优选地，算术函数也是可能的。优选地，正交函数为标准正交函数。

变换可以优选地为傅立叶变换和小波变换的组中的一个。

在另一个非常优选的实施例中，训练处理装置计算近似训练经验统计分布的训练解析分布函数，即，具有一个、两个或更多参数的可规定的函数拟合到训练经验统计分布。以此方式，从测量的数据收集最大量的高精度的信息，并且减小在训练阶段期间的统计偏差的影响。

已经发现伽马分布函数提供对典型的训练经验统计分布的特别准确的拟和，至少在考虑来自傅立叶系数的值的训练经验统计分布的范围内。

在优选的实施例中，测量结果统计数据包括在测量阶段期间测量的过程变量值的函数的平均值M_p。例如，平均值M_p能够被取为过程变量值自身或过程变量值的平方。训练处理装置作为训练统计数据或作为训练统计数据的一部分从训练解析分布函数计算下限值L_t，p和上限值U_t，p。并且，优选地，比较装置在平均值M_p小于下限值L_t，p或大于上限值U_t，p的情况下输出故障指示。此实施例的优点为能够选择下限值L_t，p和上限值U_t，p’使得实现诊断输出的可规定的(最小)置信水平，因为这些极限值从统计分布得出。另外，能够用于确定对应希望的(最小)置信水平的极限值的精确度非常高，因为极限值从(拟合的)训练解析分布函数得出。此实施例的另一个优点为相对于特别是诊断输出的可靠性和有效性的质量，得出诊断输出所需要的处理工作量相对小。

另一个优选的实施例相似地工作，但是用变换的过程变量值，并且具有对应的优点：在该实施例中，测量结果统计数据包括系数X_m(k)的函数的平均值M_c，并且训练处理装置作为训练统计数据或作为训练统计数据的一部分从训练解析分布函数计算下限值L_t，c和上限值U_t，c’并且，优选地，比较装置在平均值M_c小于下限值L_t，c或大于上限值U_t，c的情况下输出故障指示。平均值M_c可以例如直接指的是系数X_m(k)或系数X_m(k)的平方或系数X_m(k)的另一个优选的算术函数。

替代平均值或作为对平均值的附加，可能使用前面提到的优选的实施例中的方差或标准偏差。

在再一个优选的实施例中，测量结果统计数据包括测量结果经验统计分布，其为在测量阶段期间测量的这样的过程变量值的函数的分布，并且训练统计数据包括训练解析分布函数。比较装置比较测量结果经验统计分布与训练解析分布函数。比较装置能够根据测量结果经验统计分布与训练解析分布函数的比较结果输出故障指示。优选地，比较装置在从对测量结果经验统计分布与训练解析分布函数的一致性的统计测试得出的置信水平低于可规定的阈值的情况下输出故障指示。在此实施例中，优选地在统计测试中计算当前测量的值的分布并且与已经拟合到在训练阶段期间测量的分布的解析分布比较。能够通过阈值选择诊断输出的希望的置信水平。

在这样的实施例中，可能比较测量结果经验统计分布与训练经验统计分布而不是与训练解析分布函数。

与此实施例相似，另一个优选的实施例具有对应的优点，但是处理从变换的过程变量值得出的统计分布：在该实施例中，测量结果统计数据包括测量结果经验统计分布，其为系数X_m(k)的函数的分布(例如，系数X_m(k)自身的分布或系数X_m(k)的平方的分布或...)，并且训练统计数据包括训练解析分布函数。比较装置能够根据测量结果经验统计分布与训练解析分布函数的比较结果输出故障指示。优选地，比较装置在从对测量结果经验统计分布与训练解析分布函数的一致性的统计测试得出的置信水平低于可规定的阈值的情况下输出故障指示。在此实施例中，优选地在统计测试中计算从当前测量的值得出的系数的分布并且与已经拟合到在训练阶段期间得出的分布的解析分布比较。能够通过阈值选择诊断输出的希望的置信水平。

在这样的实施例中，可能比较测量结果经验统计分布与训练经验统计分布而不是与训练解析分布函数。

已经发现特别适用于在这些实施例中比较分布的统计测试是拟合测试，特别是Chi²测试和Kolmogorov-Smirnov测试。

本发明不仅包括上面提到的种类的诊断设备，而且也包括包含这样的诊断设备的变送器、过程控制设备、过程监控设备、和过程控制系统。这些的优点对应诊断设备的优点。

本发明还包括包含以下步骤的诊断方法：

-获得从测量过程的过程介质的过程变量得出的过程变量值，

-从在测量阶段期间测量的这样的过程变量值提取和记录测量结果统计数据，

-从在训练阶段期间测量的这样的过程变量值提取和记录训练统计数据，及

-比较测量结果统计数据与在测量结果统计数据之前记录的训练统计数据。

诊断方法优选地为在过程控制环境内执行的方法。

根据本发明的更进一步的诊断方法能够从根据本发明的诊断设备得出。该方法的优点对应诊断设备的优点。

此外，本发明包括实现根据本发明的诊断设备的变送器、过程控制设备、过程监控设备、和过程控制系统。

更进一步的优选的实施例和优点从从属权利要求和附图显露出来。

附图说明

下面依靠在附图中示出的优选的实施例更加详细地说明本发明。

附图包括：

图1为包括诊断设备的过程控制环境的示意图；

图2示意性地示出了具有实施为差压变送器的感测装置的诊断设备；

图3为诊断设备的基本算法的方块图；

图4为包括诊断设备的训练阶段的方块图；

图5为包括诊断设备的测量阶段的方块图；

图6为在训练处理装置内执行的步骤的方块图；

图7为在测量处理装置和比较装置内执行的步骤的方块图；

图8为在测量处理装置内执行的步骤的方块图；

图9为包括傅立叶变换的在训练处理装置内执行的步骤的方块图；

图10为包括傅立叶变换的在测量处理装置内执行的步骤的方块图；

图11为包括使用多个频带的傅立叶变换的在测量处理装置内执行的步骤的方块图；

图12示出了在包括傅立叶变换的测量阶段期间用于产生移动“平均”值所取的数据。

附图中使用的参考符号和它们的意义在参考符号列表中总结。通常，相似或功能相似的零件给定相同的参考符号。描述的实施例是示例性的并且不应该约束本发明。

具体实施方式

图1示意性地示出了具有诊断设备10的典型的过程控制环境1。诊断设备10被包括在具有两个脉冲线路21的差压变送器20内，其通过该两个脉冲线路21联结到过程控制环境1的过程介质2。差压变送器20也能够理解为监控过程介质2内的差压的过程监控设备20。过程介质2可以为例如容纳在管3内的如水或油的液体。如泵50(包括泵控制器51)和阀60(包括阀控制器61)的过程控制设备提供在过程控制环境1内。过程控制设备10、20、50、60连接到典型地基于计算机的过程控制系统5。过程控制系统5也可以理解为(通过与诊断设备10的连接)结合(包括)诊断设备10的过程控制设备5。

通过过程介质2的流动(通过箭头指示)并且附加地通过过程控制设备50、60，在过程介质2内产生噪声。能够依靠在差压传感器20内的诊断设备10感测到这样的噪声。过程状况的改变，例如，过程设备20、50、60的事故或故障，可以在感测到的差压信号内反映。

图2示意性地示出了差压变送器，其为具有感测装置25的诊断设备10的示例。感测装置25包括两个填充有过程介质2的脉冲线路21，和感测系统(感测元件)26。为每个脉冲线路21提供一个过程隔膜22和一个压力传送臂23。压力传送臂23(油路23)填充有作为感测介质24的油24。过程隔膜22为脉冲线路21(包含过程介质2)和油路23(包含感测介质24)之间的分界面。来自过程(脉冲线路21内)的压力通过压力传送臂23传递到感测系统26。

在其中，感测系统26可以基于允许从差压得出电学上能够测量的信号的接下来的原理中的一个或多个：

-感应(差压调节磁路的感应系数)

-压电电阻率(差压调节压阻元件的输出电压)

-电容(差压调节电路的容量)

随后在模拟-数字转换器27内数字化以该方式得出的信号。诊断设备10的微处理器15能够随后从数字化的差压信号得出诊断信息。

一方面，诊断设备10能够诊断如50和60的不同的过程设备的状况和故障。另一方面(附加地或替代地)，诊断设备10还能够诊断感测装置25的状况和故障。特别地，接下来的故障可以发生并且能够被诊断设备10检测到：

-1.油路23中的至少一个泄漏。

-2.两个油路23之间的分界面(通常为另一个隔膜)受损，使得感测介质24能够在两个油路23之间流动。

-3.过程隔膜22中的至少一个破裂，使得过程介质2能够流入压力传送臂中的至少一个。

-4.脉冲线路21中的至少一个部分地或完全地堵塞。

堵塞的脉冲线路(故障4)的经常的原因为：

-固体材料存在于过程介质2内并且阻塞脉冲线路21。

-在脉冲线路21内发生一些沉积过程并且逐渐地堵塞脉冲线路(例如，石灰石)。

-脉冲线路21内的过程介质凝固，典型地因为低温。(即使过程介质2在剩下的过程中不凝固，这也可能发生，因为在脉冲线路21内的过程介质2主要是静止的，然而在过程中的过程介质2通常是流动的并且因此不是静止的。)

具有感测装置25(和诊断设备10或变送器20)自身的状况的诊断信息是重要的。特别地，如果诊断信息能够区分上面提到的故障模式(中的一些)。

在正常操作期间，当不存在设备缺陷(故障)时，使用至少两个脉冲线路的诊断设备(例如，用于使用从这些至少两个脉冲线路得出的压力或差压信号的设备)在设置为靠近彼此的两个点处测量压力是有利的。即，当该至少两个脉冲线路联结到剩下的过程介质的位置紧密靠近时是有利的。优点为测量到的绝对值小，过程流体内的波动大部分被消除。

当随后存在如类型1.、3.或4.(参看上文)的故障时，当考虑仅一个脉冲线路(或没有考虑全部脉冲线路)时，不能正确地感测在一侧处的压力。作为结果的测量系统内的不对称意味着压力波动不再被消除并且因此存在于差压信号内。这意味着发生整体增加的信号，特别是存在较高频率的成分，并且因此，能够诊断设备缺陷。另一方面，当考虑全部脉冲线路时，如果发生类型2、或类型1.、3.或4.的故障，测量到的信号的强度大大降低，从而允许检测这样的故障。

通过对过程变量数据和/或测量结果统计数据的更进一步的分析，能够得出更加详细的信息，其能够允许更清楚地辨别发生的故障的类型。

用于根据本发明的诊断设备10的功能的优选的基本算法在图3所示的方块图中简述。首先，安装诊断设备，即，主要是将诊断设备联结到过程。随后接着是产生训练统计数据的训练阶段200。如果随后过程内的额定的状况未改变，进入测量阶段300。如果在任何时间过程内的额定的状况改变，例如，通过安装新的过程设备，则在再次进入测量模式300之前将要免除另一个训练阶段200。

图4示出了包括诊断设备的训练阶段200的方块图。例如参考图2，在接收装置100中，从A/D转换器27接收如差压值的过程变量值x(t)。在训练处理装置200中，从过程变量值x(t)提取训练统计数据并且记录。参考图2，训练处理装置200(和其它涉及的装置相似)可以通过微处理器15实现。

图5示出了包括诊断设备的测量阶段300的方块图。例如参考图2，在一个(或该)接收装置100中，从A/D转换器27接收过程变量值x(t)。在测量结果处理装置300中，从过程变量值x(t)提取测量结果统计数据并且记录。参考图2，测量结果处理装置300可以通过微处理器15实现。在也可以通过微处理器15实现的比较装置400中，测量结果统计数据与训练统计数据比较。比较导致诊断输出500，例如，指示过程的(一般的)故障或特定的故障。

在图6所示的方块图中，示意性地示出了在示例性的训练处理装置200中执行的步骤。在持续时间δt期间，记录过程变量值x(t)(步骤210)。在步骤250中，从那些过程变量值计算训练经验统计分布。在步骤270中，将训练解析分布函数拟合到训练经验统计分布。训练解析分布函数的此可选择的拟合允许在最小化的时间δt内接收非常精确的数据。

如步骤290中所示，极限值L_t，p、U_t，p可以从训练解析分布函数高精度地得出。选择可规定的水平K允许选择这些极限值L_t，p、U_t，p使得低于L_t，p的值存在的概率和高于U_t，p的值存在的概率每个都具有限定的值。如果极限值L_t，p、U_t，p选择为使得低于L_t，p的值存在的概率等于高于U_t，p的值存在的概率，则通常将选择一个可规定的水平K以发现下限制L_t，p并且将选择另一个(不同的)可规定的水平K以发现上限制U_t，p(没有在图6中示出)。

这样的极限值L_t，p、U_t，p也能够从训练经验统计分布自身(直接地，无拟合)得出。但是精确度较差和/或记录过程变量值x(t)所需要的时间δt必须被选择得更长。

如果仅训练解析分布函数或甚至仅训练经验统计分布在测量阶段中的更进一步的步骤期间用作训练统计数据，则能够省略步骤290或甚至还能够省略步骤270。

图7所示的方块图示出了能够在测量处理装置300和比较装置400内执行的步骤。在能够结合图6所示的训练阶段使用的此实施例中，首先，在时间窗δt期间记录过程变量值x(t)(步骤310)。训练阶段(比较图6，步骤210)中的持续时间δt典型地比测量阶段期间的持续时间δt长10倍到50倍的量级。在步骤390中，计算记录的过程变量值的平均值M_p。在步骤420中，在比较装置内比较测量统计数据与训练统计数据。平均值Mp与从训练阶段得出的两个极限值L_t，p、U_t，p(图6，步骤290)比较。如果M_p属于通过L_t，p、U_t，p给定的范围内，预期过程的状况情况正常。否则，诊断输出将被设定为“故障”。

有利地，可能在步骤390中计算移动平均。这意味着在计算一个平均值M_p之后，从在与导致从前的平均值M_p的过程变量值在其中测量的时间间隔δt交迭的时间间隔δt内测量的过程变量值计算下一个平均值M_p。典型地，选择大的交迭，特别是使得当计算下一个平均值M_p时，仅放弃第一个x(t)值并且添加新测量的x(t)值。使用移动平均的优点为单位时间产生更多数据和更多诊断输出，并且使得数据平滑，即，减小具有的单一尖峰的影响。替代地，在其中测量导致相继的平均值M_p的过程变量值的时间间隔δt之间无交迭。

在图8所示的方块图中示出了能够在测量处理装置300和比较装置400内执行的另一组可能的步骤。在此情况下，作为测量结果统计数据的过程变量值x(t)的分布与作为训练统计数据的在训练(图6，步骤270)中得出的训练统计分布函数比较。在能够结合图6(其中，能够省去步骤290)所示的训练阶段使用的此实施例中，首先，在时间窗δt期间记录过程变量值x(t)(步骤310)。从x(t)值计算测量结果统计分布(步骤350)。在比较装置内，测量结果经验统计分布(作为测量结果统计数据)与训练统计分布函数比较(步骤450)。此比较在统计测试中进行，例如，在Chi²测试中进行。作为统计测试的结果，得出指示比较的分布之间一致的概率的置信水平。在Chi²测试的情况下，与Chi²成反比例的一些函数，例如1/Chi²，为指示置信水平的可能的值。在步骤480中，得出的置信水平(指示为1/Chi²)与可规定的阈值K’比较。如果置信水平低于阈值K’，诊断输出将被设定为“故障”。否则预期过程的状况情况正常。

在图8所示的此实施例中，还可能使用在步骤250(图6)中得出的训练经验统计分布作为训练统计数据。在该情况下，在步骤450中对测量结果经验统计分布和训练经验统计分布进行统计测试。

和结合图7使用移动平均相似，在图8所示的实施例中可能从在交迭的时间间隔δt中测量的过程变量值得出相继的测量结果经验统计分布。

结合图6-8，平均值和分布已经被描述为直接为这样的过程变量值x(t)。然而，从过程变量值的函数f(x(t))计算平均值和分布可能是有利的。此函数f(x)可以为f(x)＝x²或减去常数或另一个函数，优选地为算术函数。当然，在测量阶段期间和在训练阶段期间必须应用相同的函数。

图9-12包括过程变量值或过程变量值的函数的变换。图中已经选择了傅立叶变换，特别是FFT(快速傅立叶变换)，但是如小波变换的其它的变换也是可能的。

图9示出了能够在包括快速傅立叶变换的训练处理装置内执行的步骤的方块图。在步骤210中，在时间间隔δt期间取过程变量值x(t)。在步骤220中，从x(t)值计算快速傅立叶变换，产生系数X_t(k)  (下标t指示这些系数是从在训练阶段期间取的值导出的)的谱。步骤230是可选的，但是非常有利。在步骤230中，选择变换的变量的间隔(在傅立叶变换的情况下为频率k的间隔δk)。此选择允许将更进一步的分析约束到仅那些特别感兴趣的频率k。在许多过程变量的情况下，例如，在差压(比较图1-2)的情况下，过程变量值相当恒定，仅具有小的波动。因此，这样的信号的快速傅立叶变换典型地在不感兴趣并且能够通过据此选择间隔δk省去的非常低的频率(在和接近0赫兹)具有大的值。

自动地发现适合的间隔δk的有利的可能的方法为，在省去非常低的频率之后，计算最大系数X_t(k)的可规定的分数(例如，10％)并且发现具有至少与该分数一样大的系数(X_t(k_L)；X_t(k_U))的最低频率k_L和最大频率k_U。那么，希望的间隔δk的范围为从k_L到k_U。

在步骤251中，从谱X_t(k)计算训练经验统计分布。一个可能性为可能仅在感兴趣的间隔δk内加和全部X_t(k)值或它们的绝对值，以得出其训练经验统计分布被计算的信号功率Sp。因此，一个谱X_t(k)导致一个Sp值。也可能用感兴趣的系数X_t(k)进行更进一步的或其它计算，以便得出信号功率值Sp。接下来的公式(特别是等式(2)和(3))指示可能的计算：

$X\left(k\right)=\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(t\right)e^{-j\frac{2\mathrm{\πk}}{N}t}---\left(1\right)$

$P\left(k\right)=\left\{\begin{array}{cc}2{\left|X\left(k\right)\right|}^2& 1\≤k\≤\frac{N}{2}-1\\ {\left|X\left(k\right)\right|}^2& k=1,\frac{N}{2}\end{array}\right.---\left(2\right)$

$\mathrm{Sp}(k_1,k_2)=\underset{k=k1}{\overset{k2}{\mathrm{\Σ}}}P\left(k\right)---\left(3\right)$

如前所述，x(t)为在时间t取的过程变量值，k为频率，X(k)表示谱的系数，并且Sp为信号功率值。此外，e表示自然对数的基，j表示-1的平方根，并且N为在间隔δt内测量的过程变量值的数量。P(k)为用于计算信号功率的中间值。Sp(k₁，k₂)为从k₁到k₂的频率范围得出的信号功率值。k₁和k₂对应上面讨论的下限和上限频率k_L和k_U。等式(1)为用于离散傅立叶变换的公式。

更一般的，可以选择一定数量(大于等于2)的间隔δk，每个间隔δk包括感兴趣的频率，使得信号功率Sp从位于那些间隔中的一个内的那些频率得出。

在可选的步骤271中，训练解析分布函数拟合到步骤251的这样得出的训练经验统计分布。这与步骤270(图6)相似。在可选的步骤291中，与步骤290(图6)相似，可以从训练解析分布函数高精度地得出下限和上限值L_t，c、U_t，c。可选地，可以在不拟合的情况下直接从训练经验统计分布(220或230)得出极限值L_t，c、U_t，c。因此，训练统计数据能够服务训练经验统计分布、训练解析分布函数和极限值L_t，c、U_t，c的组中的一个或多个。训练经验统计分布或训练解析分布函数的平均值和/或那些的方差(或标准偏差)也可以有助于训练统计数据，训练统计数据在测量阶段中与测量结果统计数据比较。

图10所示的方块图示出了能够在测量处理装置300和比较装置400内执行的步骤。在能够结合图9所示的训练阶段使用的此实施例中，首先，在时间窗δt期间记录过程变量值x(t)(步骤310)。此时间窗δt与在训练阶段(图9，步骤210)期间使用的时间窗一样大。随后，在步骤320中，从x(t)值计算傅立叶变换，产生系数X_m(k)(下标m指示这些系数是从在测量阶段期间取的值得出的)的谱。随后，在步骤330中，谱X_m(k)被减小到从训练(图9，步骤230)已知的间隔δk(或多个间隔)，如果在训练阶段中这样做的话。

在步骤391中，以在训练(图9，步骤251)期间计算信号功率值的方式计算信号功率值，并且从Sp值计算平均值M_c(与图7所示的步骤390大致相似)。在比较装置400内，在步骤421中，平均值Mc能够与在训练(图9，步骤291)期间得出的极限值比较。如果M_c位于通过L_t，c、U_t，c给定的范围内，预期过程的状况情况正常。否则，诊断输出将被设定为“故障”。

更先进的比较装置400能够从测量处理装置300接收测量结果经验统计分布(来自步骤320或更好地来自步骤330)并且比较其与训练解析分布函数(在图9所示的步骤271中得出)或训练经验统计分布自身(在图9所示的步骤220或更好地在230中得出)(与图8所示的步骤450相似)。优选地，此比较为统计测试，如Chi²测试。根据比较结果诊断是否存在故障(与图8所示的步骤480相似)。

确定地，还可能将解析分布函数拟合到从在测量阶段期间得出的数据得出的分布，并且比较此解析函数与训练解析分布函数(或甚至训练经验统计分布)。这适用于包括变换以及这样的不包括变换的训练和测量阶段。

在先进的和优选的比较装置400(没有示出)内，优选地首先将平均值与在训练期间发现的每个极限值比较，并且(随后)将从测量结果得出的分布与从训练得出的分布(或分布函数)比较。如果这些比较中的任何比较指示过程中的故障状况，诊断输出被设定为“故障”。此比较装置能够在用或不用变换得出的分布(或分布函数)的情况下使用。

图11示出了能够在包括(傅立叶)变换的先进的测量处理装置内执行的步骤的方块图。在步骤310和320(比较图10)之后，在步骤330中选择其频带随后被分开地分析的多个(这里：3个)频带δk₁、δk₂、δk₃。当然，对应的训练阶段必须已经进行相同的频带分开。对于每个频带δk₁、δk₂、δk₃进行分开的处理。能够从频带中的一个或多个计算平均值并且随后与从训练阶段得出的极限值比较。还可能从频带中的一个或多个得出谱功率值的测量结果经验统计分布，如用于全部三个频带的图11所示的步骤351。这些测量结果经验统计分布中的每个能够例如与对应的从训练得出的分布(或拟合的分布函数)比较。如果频带的任何比较是否定的，或者如果它们的可规定的数量是否定的，能够输出“故障”。

分为单个地分析的频带能够甚至被延伸到这样的深度，使得分开地分析全谱(每个从变换得出的系数)，或者分开地分析某些单个的频率。

图12示出了在包括傅立叶变换的测量阶段期间为了产生移动“平均”值取的数据。与上面结合图7(和8)给出的意见相似，同样结合变换的数据使用移动的值(术语“平均”不总是正确地适用于这里)是有利的。如图12所示，从在时间间隔δt内取的数据得出一组过程变量值并且从而得出一个谱X_m(k)，这导致一个信号功率值Sp(或者许多分开地分析的Sp值)。从数量n(典型地50到200)个这样的谱或信号功率值Sp得出一个测量结果经验统计分布。因此，对于一个测量结果经验统计分布，必须在长度为δT＝n×δt的时间间隔期间获取数据。为了具有“移动的值”，下一个间隔δT’将与从前的间隔(δT)交迭，优选地具有1×δt的偏移。相似地，这也在当得出平均值而不是测量结果经验统计分布时进行。

在计算平均值的上面讨论的情况中，替代地或附加地，可能计算方差或另一个统计量值并且在比较装置中继续计算。

测量结果统计数据与训练统计数据的比较的优点为，能够选择用于诊断输出的可规定的置信水平的和/或与置信水平相关的水平(K，K’，1/Chi²，...)能够为诊断输出的一部分并且从而为使用者指示故障或没有故障指示的可信度。

参考符号列表

1      过程控制环境

2      过程介质，过程流体

3      管

5      过程控制系统

10     诊断设备

15     微处理器

20     差压变送器

21     脉冲线路

22     过程隔膜

23     压力传送臂，油路

24     感测介质，油

25     感测装置

26     感测元件，感测系统

27     A/D转换器

50     泵

51     泵控制器

60         阀

61         阀控制器

100        接收装置；过程变量值接收

200        训练处理装置；训练阶段；训练模式

210        过程变量值的记录

220        变换，傅立叶变换，快速傅立叶变换

230        变换空间的范围的计算，频率范围的计算

250，251   训练统计数据的计算；训练经验统计分布的计算；训练经验统计分布

270，271    训练解析分布函数到训练经验统计分布的拟合；训练解析分布函数

290，291    训练统计数据的计算；极限值的计算

300         测量结果处理装置；测量阶段；测量模式

310         过程变量值的记录

320         变换，傅立叶变换，快速傅立叶变换

330         约束范围的测量结果经验统计分布(在变换空间内)的计算

350，351    测量结果统计数据的计算；测量结果经验统计分布的计算；测量结果经验统计分布

390         测量结果统计数据的计算；平均值M_p的计算

391         测量结果统计数据的计算；平均值M_c的计算

400         比较装置；测量结果统计数据与训练统计数据的比较

420         平均值M_p与训练统计数据的比较

421         平均值M_c与训练统计数据的比较

450         统计测试，测量结果经验统计分布与训练解析分布函数的一致性的测试

480         置信水平与规定的水平的比较

500         诊断输出，状况输出，输出装置，显示

δk，δk₁，δk₂，δk₃  变换空间内的范围，频率范围

δt                    记录一组过程变量值的持续时间，时间窗，持续时间

K，K’                 可规定的水平

k                      变换变量，频率

k_L，k_U，k₁，k₂         变换空间内的极限值，频率限制

L_t，p，L_t，c           下限值

M_c                     变换系数的平均值，变换系数的函数的平均值

M_p                     过程变量值的平均值，过程变量值的函数的平均值

Sp，Sp₁，Sp₂，Sp₃      信号，变换的过程变量值的函数，信号功率

t                      时间

U_t，p，U_t，c           上限值

W                      统计分布，统计函数

X(k)，X_m(k)，X_t(k)     变换，离散变换，离散傅立叶变换，系数

X(t)                   过程变量值(在不同的时间取的)

Claims (25)

1.一种诊断设备(10)，其包括

-用于接收过程的过程介质(2)的过程变量的过程变量值(x(t))的接收装置(100)，

-用于从在测量阶段(300)期间测量的这样的过程变量值提取和记录测量结果统计数据的测量结果处理装置(300)，

其特征在于，该诊断设备包括

-用于从在训练阶段(200)期间测量的这样的过程变量值提取和记录训练统计数据的训练处理装置(200)，及

-用于比较测量结果统计数据与在测量结果统计数据之前记录的训练统计数据的比较装置(400)。

2.根据权利要求1所述的诊断设备(10)，其特征在于，其包括用于测量过程变量和用于产生过程变量值(x(t))的感测装置(25)。

3.根据权利要求1或权利要求2所述的诊断设备(10)，其特征在于，比较装置(400)具有与过程的状况相关的状况输出(500)，其中，过程的状况与过程变量的测量不同。

4.根据权利要求2和权利要求3所述的诊断设备(10)，其特征在于，状况输出(500)与感测装置(25)的状况相关。

5.根据前面的权利要求之一所述的诊断设备(10)，其特征在于，测量结果统计数据和训练统计数据涉及过程介质(2)内携带的噪声。

6.根据前面的权利要求之一所述的诊断设备(10)，其特征在于，训练处理装置(200)计算训练经验统计分布(250；251)。

7.根据权利要求6所述的诊断设备(10)，其特征在于，训练经验统计分布(250，251)为在训练阶段(200)期间测量的过程变量值(x(t))的函数的分布。

8.根据权利要求6所述的诊断设备(10)，其特征在于

-测量结果处理装置(300)计算在测量阶段(300)期间测量的过程变量值(x(t))的变换得到一组正交函数的系数X_m(k)，

-训练处理装置(200)计算在训练阶段(200)期间测量的过程变量值(x(t))的变换得到相同的组的正交函数的系数X_t(k)，及

-训练经验统计分布(250)为系数X_t(k)的函数的分布。

9.根据权利要求8所述的诊断设备(10)，其特征在于，变换为傅立叶变换和小波变换的组中的一个。

10.根据权利要求6-9之一所述的诊断设备(10)，其特征在于，训练处理装置(200)计算近似训练经验统计分布(250)的训练解析分布函数(270；271)。

11.根据权利要求10所述的诊断设备(10)，其特征在于，训练解析分布函数(270；271)为伽马分布函数。

12.根据权利要求7和权利要求10所述的诊断设备(10)，其特征在于，测量结果统计数据包括在测量阶段(300)期间测量的过程变量值的函数的平均值M_p，并且训练处理装置(200)作为训练统计数据或作为训练统计数据的一部分从训练解析分布函数(270)计算下限值L_t，p和上限值U_t，p，并且比较装置(400)在平均值M_p小于下限值L_t，p或大于上限值U_t，p的情况下输出故障指示。

13.根据权利要求8和权利要求10或权利要求9和权利要求10所述的诊断设备(10)，其特征在于，测量结果统计数据包括系数X_m(k)的函数的平均值M_c，并且训练处理装置(200)作为训练统计数据或作为训练统计数据的一部分从训练解析分布函数(271)计算下限值L_t，c和上限值U_t，c，并且比较装置(400)在平均值M_c小于下限值L_t，c或大于上限值U_t，c的情况下输出故障指示。

14.根据权利要求7和权利要求10所述的诊断设备(10)，其特征在于，测量结果统计数据包括测量结果经验统计分布(250)，其为在测量阶段(300)期间测量的这样的过程变量值(x(t))的函数的分布，并且训练统计数据包括训练解析分布函数(270)，并且比较装置(400)在从对测量结果经验统计分布(350)与训练解析分布函数(250)的一致性的统计测试(450)得出的置信水平(1/Chi²)低于可规定的阈值(K’)的情况下输出故障指示。

15.根据权利要求8和权利要求10所述的诊断设备(10)，其特征在于，测量结果统计数据包括测量结果经验统计分布(351)，其为系数X_m(k)的函数的分布，并且训练统计数据包括训练解析分布函数(271)，并且比较装置(400)在对测量结果经验统计分布(351)与训练解析分布函数(271)的一致性的统计测试的置信水平(1/Chi²)低于可规定的阈值的情况下输出故障指示。

16.根据权利要求14或15所述的诊断设备(10)，其特征在于，统计测试为Chi²测试和Kolmogorov-Smirnov测试的组中的一个。

17.一种变送器(20)，其包括根据前面的权利要求之一所述的诊断设备(10)。

18.一种过程控制设备(5)，其包括根据权利要求1到16之一所述的诊断设备(10)。

19.一种过程监控设备(20)，其包括根据权利要求1到16之一所述的诊断设备(10)。

20.一种过程控制系统(1)，其包括根据权利要求1到16之一所述的诊断设备(10)。

21.一种诊断方法，其包括以下步骤

-获得从测量过程的过程介质(2)的过程变量得出的过程变量值(210；310)，

-从在测量阶段(300)期间测量的这样的过程变量值(x(t))提取和记录测量结果统计数据，

其特征在于以下步骤

-从在训练阶段(300)期间测量的这样的过程变量值(x(t))提取和记录训练统计数据，及

-比较(400)测量结果统计数据与在测量结果统计数据之前记录的训练统计数据。

22.一种实现根据权利要求21所述的诊断方法的变送器(20)。

23.一种实现根据权利要求21所述的诊断方法的过程控制设备(5)。

24.一种实现根据权利要求21所述的诊断方法的过程监控设备(20)。

25.一种实现根据权利要求21所述的诊断方法的过程控制系统(1)。

Images