用於多元數據的監控和分析的一元方法

2023-09-20 16:38:45 2

專利名稱：：用於多元數據的監控和分析的一元方法
技術領域：
：本公開內容總的來說涉及加工廠診斷，更具體地說，涉及包括多元統計技術的監控和診斷系統。
背景技術：
：過程控制系統，例如化學、石油、或其它過程中所使用的過程控制系統，通常包括一個以上通過模擬總線、數字總線或模擬/數字相結合的總線以可通信方式連接至至少一個主機或操作員工作站以及一個以上過程控制和儀表設備的集中式或分散式過程控制器。現場設備可以是例如閥、閥定位器、開關、變送器和傳感器(例如溫度傳感器、壓力傳感器和流速傳感器)，它們位於加工廠環境中，並在諸如開啟或關閉閥和測量過程參數、增加或減小流體流量等的過程中施行功能。諸如符合公知的FOUNDATIONFieldbus(以下稱作Fieldbus)協議或HART⑧協議的現場設備之類的智能現場設備還施行控制運算、報警功能和過程控制器中通常實現的其它控制功能。通常位於加工廠環境中的過程控制器接收表示現場設備所進行的或所關聯的過程測量值或過程變量的信號和/或與現場設備有關的其它信息，並執行控制器應用程式。控制器應用程式實現例如不同的控制模塊，這些控制模塊進行過程控制決策，基於所接收的信息生成控制信號，並且與諸如HART⑧和Fieldbus現場設備之類的現場設備中正在施行的控制模塊或塊一起協調工作。過程控制器中的控制模塊通過通信線路或信號路徑向現場設備發送控制信號，從而控制過程的操作。來自現場設備和過程控制器的信息對於諸如操作員工作站、維護工作站、個人計算機、手持設備、歷史資料庫、報告發生器、集中式資料庫等的一個以上其它硬體設備可用，從而使操作員或維護人員能夠施行針對過程的期望的功能，例如改變過程控制例程的設置、更改過程控制器或智能現場設備中的控制模塊的操作、查看過程的當前狀態或加工廠中的特定設備的當前狀態、查看由現場設備和過程控制器生成的警報、對過程操作進行仿真以訓練人員或測試過程控制軟體，以及診斷加工廠中的問題或硬體故障。已知的是，在加工廠環境中，尤其是在具有大量現場設備和支持裝置的加工廠中，經常會有問題出現。這些問題可能是壞了的或故障的設備，諸如軟體例程之類的邏輯元件駐留在不正確的模式，過程控制環路被不正確地調諧，加工廠中的設備之間的通信失敗一次以上，等等。這些和其它問題實際上會出現多個，通常會導致過程在異常狀態下操作(即加工廠處於異常情況)，這經常與加工廠的次最佳性能相關聯。已經建立了很多診斷工具和應用程式來檢測和確定加工廠中問題的產生原因，並且一旦問題發生並被檢測到，就協助操作員或維護人員診斷並校正這些問題。例如，通常通過諸如直接或無線總線、乙太網、數據機、電話線等的通信連接連接至過程控制器的操作員工作站具有適於運行諸如由愛默生過程管理公司出售的DeltaVTM和Ovation⑧控制系統之類的軟體的處理器和存儲器。這些控制系統具有大量的控制模塊和控制環路診斷工具。同樣，維護工作站可以通過與控制器應用程式相同的通信連接，或通過諸如用於過程控制(OPC)的對象連接和嵌入(OLE)連接、手持連接等連接至過程控制設備，維護工作站通常包括被設計為查看由加工廠中的現場設備生成的維護警報和警告、對加工廠中的設備進行測試並對現場設備和加工廠中的其它設備施行維護活動的一個以上應用程式。已經建立出類似的診斷應用程式來診斷加工廠中的支持裝置的問題。因此，諸如AMSTM程序組來自愛默生過程管理公司的智能設備管理器之類的商用軟體能夠與現場設備進行通信，並存儲與現場設備有關的數據，以確定並跟蹤現場設備的操作狀態。同時參考名稱為"IntegratedCommunicationNetworkforuseinaFieldDeviceManagementSystem(用於現場設備管理系統的集成通信網絡)"的美國專利No.5,960，214。在某些情況下，AMS軟體可以用來與現場設備進行通信以改變現場設備中的參數，從而使現場設備本身運行諸如自校準例程或自診斷例程之類的應用程式，以獲取關於現場設備的狀態或健康等的信息。這些信息可以包括例如狀態信息(例如是否發生了警報或其它類似的事件)、設備配置信息(例如現場設備當前或可能被配置的方式以及現場設備所使用的測量單元的類型)、設備參數(例如現場設備範圍值和其它參數)等。當然，這些信息可以被維護人員用來監控、維護和/或診斷現場設備的問題。類似地，很多加工廠都包括諸如CSI系統所提供的MachineryHealth之類的應用程式，用於監控、診斷和優化各種旋轉裝置的操作狀態。維護人員經常使用這些應用程式來維護或檢查工廠中的旋轉裝置的性能，以確定旋轉裝置的問題，並確定旋轉裝置是否必須被修理或更換以及修理或更換的時間。類似地，4艮多加工廠包括電力控制和it斷應用並呈序，例如由Liebert和ASCO公司提供的那些電力控制和診斷應用程式，以控制並維護髮電和配電裝置。同時已知的是，在加工廠中運行諸如實時優化器(RTO+)之類的控制優化應用程式，以優化加工廠的控制活動。這種優化應用程式通常使用複雜的算法和/或加工廠的模型來預測可以以何種方式改變輸入以針對諸如利潤之類的某個期望的優化變量優化加工廠的操作。這些和其它診斷和優化應用程式通常以全系統為基礎在一個以上操作員或維護工作站中實現，並且可以給操作員或維護人員提供關於加工廠或加工廠中的現場設備和裝置的操作狀態的預配置顯示。典型的顯示包括接收過程控制器或加工廠中的其它設備所生成的警報的報警顯示、指示過程控制器和加工廠中的其它設備的操作狀態的控制顯示、指示加工廠中的設備的操作狀態的維護顯示等。同樣地，這些和其它診斷應用程式可以使操作員或維護人員能夠重新調諧控制環路或重新設置其它控制參數，以運行對一個以上現場設備的測試，從而確定那些現場設備的當前狀態，或校準現場設備或其它裝置。儘管這些多種應用程式和工具可以方便加工廠中的問題識別和校正，但是這些診斷應用程式通常被配置為僅在加工廠中已經發生問題之後使用，因此這些診斷應用程式僅在加工廠中已經存在異常情況之後使用。不幸的是，在使用這些工具來檢測、識別和校正異常情況之前，異常情況可能已經存在一段時間，這導致問題被檢測、識別和校正期間加工廠呈現次最佳性能。在很多情況下，控制操作員首先基於警報、警告或加工廠的不良性能檢測到存在某個問題。然後操作員會通知潛在問題的維護人員。維護人員可能檢測到也可能檢測不到實際的問題，並且可能在實際運行測試或其它診斷應用程式之前需要進一步的提示，或施行識別實際問題所需的其它活動。一旦問題被識別出，維護人員就可能需要定購零件並調度維護程序，所有這些都會導致問題的發生與該問題的校正之間有很長的時間段。在該時間段期間，加工廠可能在通常與工廠的次最佳操作相關聯的異常情況下運行。另外，很多加工廠可能會經歷在相對較短的時間量內在工廠中產生嚴重的代價或損壞的異常情況。例如，如果某些異常情況存在，則即使存在極短的時間量，這些異常情況也會引起對裝置的重大損壞、原材料的損耗或加工廠中的明顯不期望的停工。因此，僅僅在問題已經發生後檢測工廠中的問題，則不管該問題被校正得多快，都會在加工廠中造成嚴重的損耗或損壞。因此，期望首先設法預防異常情況的出現，而不是在異常情況出現後再設法作出反應並校正加工廠中的問題。為了釆取措施在加工廠中發生任何重大損失之前阻止已預測到的異常情況，可以使用一種技術採集數據，該數據使用戶能夠在加工廠中的某些異常情況實際出現之前預測這些異常情況的發生。在名稱為"RootCauseDiagnostics(根本原因診斷)，，、現為美國專利No.7,085,610的美國專利申請No.09/972,078(部分地基於美國專利申請No.08/623,569，現為美國專利No.6，017，143)中公開了該程序。這兩個申請的全部公開內容由此通過引用合併於此。一般而言，該技術在加工廠中的諸如現場設備之類的多個設備中的每一個設備中布置統計數據採集和處理塊或統計處理監控(SPM)塊。該統計數據採集和處理塊採集過程變量數據，並確定與所採集的數據相關聯的某些統計測量值，例如均值、中值、標準差等。然後這些統計測量值被發送給用戶並被分析，以識別已知異常情況在未來發生的模式。一旦系統預測到異常情況，即採取措施以校正潛在的問題，並在第一時間避免異常情況。主成分分析(PCA)是已在過程控制行業中用於分析多維數據集的多元數據分析技術。PCA技術通常涉及將數據從多維空間降低到仍然能夠解釋原始數據中的大多數顯著變化的低維空間。例如，PCA可以用於將多元數據空間(例如多維數據)的維度降低到幾維(例如2維或3維)數據空間，從而將多維數據投影到較低維的主成分空間上(在較低維的主成分空間上對多維數據進行計分)。在L.H.Chiang等人在Springer-VerlagLondonLimited,pp.35隱54(2001)上發表的"FaultDetectionandDiagnosisinIndustrialSystems(工業系統中的故障斥&測和診斷)，，和E.L.Russell等人在Springer-VerlagLondonLimited,(2000)上發表的"Data-DrivenTechniquesforFaultDetectionandDiagnosisinChemicalProcesses(用於化學過程中的故障檢測和診斷的數據驅動技術)"中，可以找到與工業過程中用於故障檢測的PCA技術的典型實現有關的進一步細節。多種軟體包提供PCA功能，但是這些包中的絕大多數使用來自資料庫的離線過程數據。換句話說，PCA已是一種離線多元統計分析工具。這對於諸如歷史數據或已存儲的多維數據文件之類的過程數據中異常情況的事後分析是有用的，但是不能用於實時(例如，在線數據分析)檢測異常情況。某些現有的PCA軟體包可能能夠對數據進行實時分析，但是只有在該軟體具有通常通過諸如OPC伺服器之類的界面從控制系統對過程數據的訪問的情況下才可以。因此，工廠人員可能會不幸地具有對與控制系統分離的軟體包進行維護的負擔，包括支持該軟體包對控制系統的訪問以及與控制系統的連接。進一步地，異常過程情況的檢測應當在任何時候且針對各種異常情況(例如，持續性過程與一次性方案)都可用，從而使異常情況預防工具能夠在任何時候針對各種異常情況都展示出警惕性和準確性。傳統的PCA技術還可能無法容易地傳達指示過程動態的信息。PCA分析的結果，即得分，通常通過作為基本過程數據的靜態表示的散布圖(scatterplot)來顯示。不考慮得分數據在散布圖中被記錄或解釋的方式，通常存在與被不正確特徵化的數據相關聯的小的不確定性。如下所述，在沒有更多信息的情況下，過程操作員通常不能確定一給定得分是正常的還是異常的。例如，PCA分析的前兩個主成分捕獲多維數據中的最大變化，由於來自PCA分析的前兩個得分表示關於多維數據的行為的最重要信息，包括過程中的最大變化，因而可以繪製這兩個得分。出於這些原因，傳統的PCA技術在異常情況的檢測中展示出不可靠的性能。PCA得分可能會暗示不存在的異常情況(即錯誤警報)，並且相反地可能在過程正在異常運轉時指示正常操作(即遺漏的診斷)。進一步地，為了實現PCA,使用訓練數據(例如，來自"正常"過程操作的數據)建立PCA模型，並將得到的模型應用於檢測異常過程情況。訓練數據用於獲得針對主成分的模型。就這一點來說，PCA得分並不直接與實際的過程變量相關，而且使用PCA監控的過程變量的物理過程極限在分析中不起作用，因而需要統計解釋(例如對"數據的優度"進行量化)。
發明內容根據本公開內容的特定方面，公開了若干種技術以便於監控和診斷過程控制系統及其任何元件的實現。這種監控和診斷通常包括或涉及主成分分析(PCA)以及諸如主成分回歸(PCR)、偏最小平方(PLS)、費舍判別分析(FDA)或規範變量分析(CVA)之類的其它多元統計分析技術與過程控制系統的集成。監控的多元本質然後可以支持診斷、異常情況預防以及其它故障檢測。這種監控和診斷通常還可以包括或涉及監控多元過程數據的一元分析與單個監控變量的集成。多元分析或一元分析中的每一個都可能便於若干種故障監控和檢測技術，例如異常情況檢測和預防。具體而言，公開了一種用於監控具有單個監控變量的多元過程數據的確定性方法，其中單個監控變量也稱作一元變量，其被指派為將多元過程變量綑紮在一起。多元過程數據包括多個各自具有多個觀測值的過程變量。每個過程變量被定義為包含時變數據的過程變量向量。每個過程變量向量被變換為一元變量、過程變量向量的唯一位置指示符和縮放因子的函數。一元變量對各個過程變量進行一元化。多元變換被計算為各種過程變量向量變換的函數，從而使多元變換指派多元投影，並且使多元數據通過單個變量被投影。多元變換作為一元變量的函數操作，並且各過程變量可以以相同的比例被監控。各過程變量通過一元分析被歸一化(例如，被調諧為同樣的響應)，以便確定根據一元分析所描述的每個過程變量的公共過程極限。相應地，過程的模型可以基於多元變換，其中該模型針對過程變量中的每一個指派過程數據通過一元變量的多元投影。過程變量可以同時以相同的比例被監控，以便識別遇到超出範圍(異常)事件的過程變量。儘管與使用訓練數據的多元技術相比，一元方法在所有過程極限的極限已知的情況下無需使用訓練數據即可完成，但是本發明還是公開了一種在並非所有的極限都已知的情況下確定過程變量極限的方法。如果過程變量極限未知，則在正常的過程操作狀況下採集的訓練數據可以被用於對過程變量進行歸一化並建立公共過程變量極限。圖1是具有包括一個以上操作員和維護工作站、控制器、現場設備和支持裝置的分布式過程控制系統和網絡的加工廠的示例性框圖2是圖1的加工廠的一部分的示例性框圖，圖示出位於加工廠的不同元件內的異常情況預防系統的各種部件之間的通信互連；圖3是具有用於監控加工廠的操作的操作要求或控制極限的過程變量隨時間的圖4是過程變量的數目相對於操作要求或控制極限的圖或多元視圖，該程監控的用戶界面；圖5是圖4的視圖在過程變量之一已超出操作要求或控制極限(可以指示異常情況或故障狀況)之後的另一視圖6是根據本公開內容的一方面，為實現主成分分析(PCA)技術而配置且在用於訓練和操作的過程控制系統內例示的示例性功能塊的表示；圖7是根據本公開內容的另一方面的PCA技術實現期間示出的另一示例性PCA功能塊的表示；圖8是根據本公開內容的另一方面的多元監控和診斷模塊(MMDM)的框圖，在某些實施例中，該多元監控和診斷模塊的部件可以在圖6和7的功能塊中實現；圖9-12是根據本公開內容的另一方面生成的示例性用戶界面顯示，在某些實施例中，該示例性用戶界面顯示可以由圖6和7的功能塊創建或支持，或者由圖8的MMDM工具創建或支持，以用於多元監控和故障;險測；圖13-14是根據另一實施例生成且以與圖9-12的用於多元監控和故障檢測的用戶界面顯示類似的方式創建或支持的另一示例性用戶界面顯示；圖15-19是根據又一實施例生成且以與圖9-12的用於多元監控和故障檢測的用戶界面顯示類似的方式創建或支持的又一示例性用戶界面顯示；圖20和21是根據再一實施例生成且以與圖9-12的用於多元監控和故障檢測的用戶界面顯示類似的方式創建或支持的再一示例性用戶界面顯示；圖22和23是根據本公開內容的可以使用圖6和7的功能塊的另一方面的基於PCA的穩態檢測系統和技術的框圖24是火焰加熱器的示意圖，可應用所公開的技術和本公開內容的MMDM工具以進行監控、診斷和故障檢測的示例性過程；圖25是基於主成分tl和t2映射剄兩維空間的訓練數據得分的圖形表示，該訓練數據用於結合圖24的火焰加熱器的基於PCA的監控、診斷和故障衝企測；圖26和27是由MMDM工具結合用於圖24的火焰加熱器的基於PCA的監控、診斷和故障檢測生成的示例性用戶界面顯示；圖28是根據本公開內容的另一方面，用於檢測或確定動態操作的多元統計技術用作驗證數據的原油流速數據的圖29是比較與圖20中描繪的流速相關聯的實際輸出溫度數據(T。ut)和由用於檢測或確定動態操作的多元統計技術的PCR模型預測的輸出溫度的圖30-36是結合用於檢測或確定動態操作的多元統計技術的實施生成的示例性用戶界面顯示；圖37是根據一個實施例，用於檢測或確定動態操作的多元統計技術的流程圖38和39是根據本公開內容的另一方面，比較示例性火焰加熱器的實際輸出溫度數據與由可以用於檢測焦化的多元統計模型預測的數據的圖40和41是根據基於多元統計模型的焦化檢測技術的一個實施例，比較實際輸出溫度數據和預測輸出溫度數據的圖42是論證根據本公開內容的另一方面的用於焦化檢測另一基於非回歸的技術的針對火焰加熱器輸出溫度的PCA模型參數的圖43是圖42的圖中描繪的基於非回歸的焦化檢測技術的一個實施例的流程圖。具體實施例方式現在參見圖1，可實現異常情況預防系統的示例加工廠10包括通過一個以上通信網絡與支持裝置一起互連的若干個控制和維護系統。具體而言，圖1的加工廠10包括一個以上過程控制系統12和14。過程控制系統12可以是諸如PROVOX或RS3系統之類的傳統過程控制系統，也可以是任何其它控制系統，所述其它控制系統包括連接至控制器12B和輸入/輸出(I/O)卡12C的操作員接口12A,控制器12B和輸入/輸出(I/O)卡12C又連接至諸如模擬和高速可尋址遠程變送器(HART)現場設備15之類的各種現場設備。過程控制系統14可以是分布式過程控制系統，包括通過諸如乙太網總線之類的總線連接至一個以上分布式控制器14B的一個以上操作員接口14A。控制器14B可以是例如德克薩斯州奧斯汀市的愛默生過程管理公司銷售的DeltaVTM控制器或任何其它期望類型的控制器。控制器14B通過I/O設備連接到一個以上現場設備16,例如HART或Fieldbus現場設備，或任何其它包括例如使用PROFIBUS、WORLDFIP、Device-Net、AS-Interface以及CAN協議中的任一種的智能或非智能現場設備。已知現場設備16可以向控制器14B提供與過程變量和其它設備信息有關的模擬或數字信息。操作員接口14A可以存儲和執行過程控制操作員可用的工具17、19以控制過程的才喿作，所述工具17、19包括例如控制優化器、診斷專家、神經網絡、調諧器等。更進一步，維護系統，例如執'行AMS應用程式和/或以下所述的監控、診斷和通信應用程式的計算機，可以連接到過程控制系統12和14或連接到其中的單個設備以施行維護、監控和診斷活動。例如，維護計算機18可以通過任何期望的通信線路或網絡(包括無線或手持設備網絡)連接到控制器12B和/或連接到設備15，以與設備15通信，並且在某些情況下重新配置設備15或對設備15施行其它維護活動。類似地，諸如AMS應用程式之類的維護應用程式可以安裝在與分布式過程控制系統14相關聯的一個以上用戶接口14A上，並由所述用戶接口14A執行，以施行包括與設備16的操作狀態有關的數據採集的維護和監控功能。加工廠IO還包括諸如渦輪機、發動機等的各種旋轉(以及其它)裝置20,這些裝置20通過一些永久性或臨時性通信鏈路(例如，總線、無線通信系統或連接到裝置20以進行讀取而後被拿走的手持設備)連接到維護計算機22。維護計算機22可以存儲和執行例如由CSI(—愛默生過程管理公司)提供的包括可商用的應用程式的任意數目的監控和診斷應用程式23以及以下所述的用於診斷、監控和優化旋轉裝置20和加工廠中的其它裝置的操作狀態的應用程式、模塊和工具。維護人員通常使用應用程式23維護和檢查工廠10中的旋轉裝置20的性能，以確定旋轉裝置20的問題並確定是否必須維修或更換旋轉裝置20以及維修或更換的時間。在某些情況下，外界顧問或服務組織可以臨時獲取或測量與裝置20有關的數據，並使用該數據對裝置20進行分析，以檢測問題、不良性能或影響裝置20的其它事件。在這些情況下，運行分析的計算機可以通過任何通信線路連接到系統10的其餘部分，也可以僅臨時連接到系統10的其餘部分。類似地，具有與工廠IO相關聯的發電和配電裝置25的發電和配電系統24通過例如總線連接到運行並檢查工廠10內的發電和配電裝置25的操作的另一計算機26。計算機26可以執行例如由Liebert和ASCO或其它公司提供的已知電力控制和診斷應用程式27，以控制和維護髮電和配電裝置25,再次，在很多情況下，外界顧問或服務組織可以使用臨時獲取或測量與裝置25有關的數據並使用該數據對裝置25施行分析的服務應用程式來檢測問題、不良性能或影響裝置25的其它事件。在這些情況下，運行分析的計算機(例如計算機26)可以不通過任何通信線路連接到系統10的其餘部分，也可以僅臨時連4婁到系統10的其餘部分。如圖l所示，計算機30實現異常情況預防系統35的至少一部分，具體而言，計算機系統30存儲並實現配置應用程式38和作為可選的異常操作檢測系統42,其若干實施例將在下文中更詳細地描述。另外，計算機系統30可以實現警告/警報應用程式43。一般而言，異常情況預防系統35可以包括可選地位於加工廠10內的現場設備15、16,控制器12B、14B，旋轉裝置20或其支持計算機22,發電裝置25或其支持計算機26，以及任何其它期望設備和裝置中的異常操作檢測系統、模塊或工具(未在圖1中示出)和/或計算機系統30中的異常操作檢測系統42，或與之通信，以配置這些異常操作檢測系統中的每一個並在這些異常操作檢測系統監控時接收關於這些設備或子系統的操作的信息。異常情況預防系統35可以以可通信的方式通過硬線總線45連接到工廠10內的至少某些計算機或設備中的每一個，或者可替代地，可以通過包括例如無線連接、使用OPC(或用於過程控制的OLE)的專用連接、諸如依靠手持設備採集數據等的間歇性連接的任何其它期望通信連接連接到工廠10內的至少某些計算機或設備中的每一個。同樣，異常情況預防系統35可以通過LAN或諸如網際網路、電話連接等的公共連接(在圖1中示出為網際網路連接46)獲取與加工廠10內的現場設備和裝置有關的數據以及由例如第三方服務提供商採集的這種數據。進一步，異常情況預防系統35可以以可通信方式通過包括例如乙太網、Modbus、HTML、專有技術/協議等的各種技術和/或協議連接至工廠10中的計算機/設備。因此，儘管這裡描述了使用OPC以可通信方式將異常情況預防系統35連接至工廠10中的計算機/設備的具體示例，但是本領域普通技術人員將認知到，也可以使用各種其它方法將異常情況預防系統35連接至工廠10中的計算機/設備。在任何情況下，異常情況預防系統35可以與工廠IO的任何計算才幾、設備或其它方面通信，從工廠IO的任何計算機、設備或其它方面接收過程變量數據，所述工廠10的任何計算機、設備或其它方面包括但不限於過程控制系統(例如，DeltaV、Ovatioi^或其它分布式控制系統)、符合各種標準或協議(例如，FoundationFieldbus、HART、OPC、Modbus、無線等)的設備和計算機、以及可以與設備一起實現或遍布於加工廠10中的各種變送器、傳感器和致動器。如下面進一步論述的，由異常情況預防系統35接收並使用的數據可以是諸如來自歷史資料庫的數據之類的歷史數據，但是也可以是在線數據(例如，在過程在線時採集的數據)，所述在線數據包括但不限於在線採集的數據以及當過程正在操作時實時採集的數據。作為
背景技術：
，OPC是建立用於從工廠或過程控制系統訪問過程數據的機制的標準。典型地，OPC伺服器在過程控制系統中實現以暴露或提供來自例如現場設備的過程信息。OPC客戶端創建與OPC伺服器的連接，並將過程信息寫入現場設備，或從現場設備中讀取過程信息。OPC伺服器使用OLE技術(即組件對象模型或COM)與這種客戶端通信，從而使得由客戶端實施的軟體應用程式可以訪問來自現場設備或其它加工廠裝置的數據。圖2示出圖1的示例加工廠10的一部分50，以描繪異常情況預防系統35和/或警告/警報應用程式43可以與示例加工廠10的部分50中的各種設備通信的一種方式。儘管圖2示出異常情況預防系統35與HART和Fieldbus現場設備內的一個以上異常操作檢測系統之間的通信，但是應當理解，類似的通信可以發生在異常情況預防系統35與加工廠10內的其它設備以及裝置之間，包括圖1中示出的設備和裝置中的任一種。圖2中示出的加工廠10的部分50包括具有一個以上過程控制器60的分布式過程控制系統54,過程控制器60通過可以是符合任何期望通信或控制器協議的任何期望類型的1/0設備的輸入/輸出(I/O)卡或設備68和70連接到一個以上現場設備64和66。現場設備64被示出為HART現場設備，現場設備66被示出為Fieldbus現場設備，但是這些現場設備可以使用任何其它期望的通信協議。另外，現場設備64和66中的每一個可以是任何類型的設備，例如傳感器、閥、變送器、定位器等，並且可以符合任何期望的開放、專有或其它通信或編程協議，應當理解I/0設備68和70必須與現場設備64和66所使用的期望協議相兼容。在任何情況下，可由諸如配置工程師、過程控制操作員、維護人員、工廠管理員、監管員等的工廠人員訪問的一個以上用戶接口或計算器72和74(可以是任意類型的個人計算機、工作站等)通過通信線路或總線76被連接至過程控制器60，其中通信線路或總線76可以使用任意期望的硬線或無線通信結構和使用諸如乙太網協議之類的任意期望的或合適的通信協議來實現。另外，資料庫78可以連接至通信總線76，以操作為採集並存儲配置信息以及在線過程變量數據、參數數據、狀態數據和與加工廠10中的過程控制器60以及現場設備64和66相關聯的其它數據的歷史資料庫。因此，資料庫78可以操作為配置資料庫，以存儲包括過程配置模塊的當前配置，並且在過程控制系統54的控制配置信息下載並存儲到過程控制器60以及現場設備64和66時存儲過程控制系統54的控制配置信息。同樣地，資料庫78可以存儲歷史異常情況預防數據，包括由加工廠10中的現場設備64和66採集的統計數據、根據由現場設備64和66採集的過程變量確定的統計數據和以下將描述的其它類型的數據。過程控制器60、I/O設備68和70以及現場設備64和66通常位於且遍布於有時嚴峻的工廠環境中，而工作站72、74和資料庫78經常位於可由操作員、維護人員等輕鬆訪問的控制室、維護室或其它不太嚴峻的環境中。一般而言，過程控制器60存儲並執行使用多個不同的獨立執行的控制模塊或塊實現控制策略的一個以上控制器應用程式。控制模塊中的每一個可以由通常所說的功能塊組成，其中每個功能塊是總控制例程中的一部分或子例程，並且與其它的功能塊結合起來操作(通過稱為鏈路的通信)，以實現加工廠IO中的過程控制環路。公知的是，可以作為面向對象的編程協議中的對象的功能塊通常施行輸入功能、控制功能或輸出功能之一，輸入功能可以與例如變送器、傳感器或其它過程參數測量設備相關聯，控制功能可以與例如施行PID、模糊邏輯等控制的控制例程相關聯，輸出功能控制諸如岡之類的一些設備的操作，以施行加工廠10中的某些物理功能。當然，還存在諸如模型預測控制器(MPC)、優化器等的混合和其它類型的複雜功能塊。應當理解的是，儘管Fieldbus協議和DeltaV系統協議使用以面向對象的編程協議設計和實現的控制模塊和功能塊，但是控制模塊也可以使用包括例如順序功能塊、梯形邏輯等的任意期望的控制編程方案來設計，並且不限於使用功能塊或任意其它特定的編程技術來設計。如圖2所示，維護工作站74包括處理器74A、存儲器74B和顯示設備74C。存儲器74B以下面的方式存儲針對圖1所討論的異常情況預防應用程式35和警告/警報應用程式43，即可以在處理器74A上實現這些應用程式以通過顯示器74C(或諸如印表機之類的任意其它顯示設備)向用戶提供信自一個以上現場設備64和66中的每一個都可以包括存儲器(未示出)，以存儲諸如用於實現與檢測設備所檢測的一個以上過程變量有關的統計數據採集的例程和/或以下將描述的用於異常操作檢測的例程之類的例程。一個以上現場設備64和66中的每一個也可以包括處理器(未示出)，該處理器用於執行諸如實現統計數據採集的例程和/或用於異常操作檢測的例程之類的例程。統計數據採集和/或異常操作檢測不需要由軟體來實現。相反，本領域普通技術人員應當iU只到，這種系統可以由一個以上現場i殳備和/或其它設備中的軟體、固件和/或硬體的任意組合來實現。如圖2所示，現場設備64和66中的某些(和可能所有)現場設備包括以下將更詳細描述的異常操作檢測(即異常情況預防)塊80和82。儘管圖2的塊80和82被示為位於設備64之一和設備66之一中，但是這些塊或類似的塊可以位於任意數目的現場設備64和66中，或者位於其它設備中，例如控制器60、1/0設備68、70或圖1中所示的任意設備。另外，塊80和82可以在現場設備64和66的任意子集中。一般而言，塊80和82或這些塊的子元件從它們所位於的設備和/或從其它設備採集諸如過程變量數據之類的數據。另外，塊80和82或這些塊的子元件可以出於若干原因對變量數據進行處理並對該數據施行分析。例如，被示為與閥相關聯的塊80可以具有對閥過程變量數據進行分析以確定閥是否處於阻塞狀態的閥阻塞4企測例程82。另外，塊80可以包括一個以上統計過程監控(SPM)塊或單元的集合，例如塊SPM1-SPM4，這些塊可以採集閥中的過程變量或其它數據，並對所採集的數據施行一個以上統計計算，以確定例如所採集的數據的均值、中值、標準差、均方根(RMS)、變化率、範圍、最小值、最大值等和/或檢測所採集的數據中的諸如漂移、偏置、噪音、毛刺等事件。所生成的具體統計數據和生成的方法並不重要。因此，還可以生成不同類型的統計數據，作為以上所述的具體類型的補充或替代。另外，包括已知技術的多種技術可以用於生成這類數據。這裡術語"統計過程監控(SPM)塊"被用於描述對至少一個過程變量或其它過程參數施行統計過程監控的功能，該功能可以由數據被採集的設備中的或甚至是該設備外部的任意期望的軟體、固件或硬體來實現。應當理解，由於SPM通常位於在其中設備數據被採集的設備中，因此SPM能夠獲得數量更多並且質量更準確的過程變量數據。因此對於所採集的過程變量數據，SPM塊通常能夠比位於其中過程變量數據被採集的設備外部的塊確定更好的統計計算。應該理解，儘管在圖2中塊80和82被示為包括SPM塊，但是相反，SPM塊可以是與塊80和82分離的獨立塊，並且可以位於與對應的塊80或82相同的設備中，也可以位於不同的設備中。這裡所討i侖的SPM塊可以包4舌已4口的FoundationFieldbusSPM塊、或者與已知的FoundationFieldbusSPM塊相比具有不同的或附加能力的SPM塊。這裡使用的術語"統計過程監控(SPM)塊，，是指採集諸如過程變量數據之類的數據並對該數據施行某些統計處理以確定諸如均值、標準差等的統計測量值的任意類型的塊或元件。因此，該術語意在覆蓋可以施行該功能的軟體、固件、硬體和/或其它元件，而不管這些元件是否釆用功能塊、或其它類型的塊、程序、例程或元件的形式，也不管這些元件是否符合FoundationFieldbus協議或諸如Profibus、HART、CAN等協議之類的某些其它協議。如果需要，塊80、82的基礎操作可以至少部分如美國專利No.6,017,143中所描述的那才羊來施朽-或實現，該專利通過引用合併於此。應當理解，儘管在圖2中塊80和82被示為包括SPM塊，但是SPM塊不是塊80和82所必需的。例如，塊80和82的異常操作檢測例程可以使用未被SPM塊處理的過程變量數據來操作。作為另一示例，塊80和82可以各自接收由位於其它設備中的一個以上SPM塊提供的數據，並對該數據進行操作。作為再一示例，過程變量數據可以通過並不是由很多典型的SPM塊提供的方式來處理。僅作為一個示例，過程變量數據可以由諸如帶通濾波器或某種其它類型的濾波器之類的有限脈沖響應(FIR)或無限脈衝響應(IIR)濾波器濾波。作為另一示例，可以對過程變量數據進行削減，從而使其保持在特定的範圍內。當然，可以對已知的SPM塊進行修改，以揭供這種不同的或附加的處理能力。圖2的被示出為與變送器相關聯的塊82可以具有分析由變送器採集的過程變量數據以確定工廠內的線路是否被插接上的線路插接檢測單元。另外，塊82可以包括諸如塊SPM1-SPM4之類的一個以上SPM塊或單元，其例如可以採集變送器內的過程變量或其它數據，並對所採集的數據施行一種以上統計計算以確定所採集的數據的例如均值、中值、標準差等。儘管塊80和82被示出為各自包括四個SPM塊，但是塊80和82中也可以具有任意其它數目的SPM塊來採集和確定統計數據。現為美國專利No.7,079,984的美國專利公開No.2005/0197803("Abnormalsituationpreventioninaprocessplant(力口工廠中的異常情況予貞防)，，)、美國專利乂A開No.2005/0197806("Configurationsystemandmethodforabnormalsituationpreventioninaprocessplant(用於力口工廠中的異常情況預防的配置系統和方法)")以及美國專利乂>開No.2005/0197805("Datapresentationsystemforabnormalsituationpreventionintheprocessplant(用於加工廠中的異常情況預防的數據呈現系統)")中可以找到與異常情況預防系統及其部件的實現和配置有關的進一步細節，上述專利中的每一個出於所有目的通過引用合併與此。在上述異常情況預防系統和技術以及所引用的文件中，SPM(或異常情況預防)塊80、82可以與一個以上異常情況預防模塊相關聯，或被認為是一個以上異常情況預防模塊的部件。儘管異常情況預防塊可以駐留於可獲得更快速採樣的數據的現場設備中，但異常情況預防模塊也可以駐留於主機系統或控制器中。異常情況預防模塊可以從一個以上異常情況預防塊中獲取數據，並使用該數據做出關於更大系統的決策。更概括地說，異常情況預防模塊可以被建立和配置為從一個以上功能塊(例如異常情況預防塊)接收數據，以支持對每種類型的現場設備、儀表或其它裝置(例如，閥、泵等)的診斷。但是，與異常情況預防模塊相關聯的功能塊可以駐留於與該功能塊被建立所針對的特定裝置不同的設備中，並且由該設備實現。在這種情況下，異常情況預防模塊具有分布式特性。其它異常情況預防模塊可以完全在諸如過程控制器60之內的一個裝置內實現，即使針對的是對特定現場設備的診斷。在任意事件中，可以針對每種裝置類型開發診斷例程或技術，以檢測、預測和預防裝置(或過程)的異常情況或操作。出於易於描述的目的，術語"異常情況預防模塊"在這裡將用於指代這種例程或技術。因此異常情況預防模塊響應於施行診斷所需的測量值集合，並且進一步包括(i)將由模塊檢測的異常狀況的集合，以及(ii)將測量值的改變與對應的異常狀況聯繫起來的規則的集合。此外，將提出對下面公開的技術的描述中的異常情況預防模塊的參考，並且應當理解這些技術也可以與異常情況預防塊結合使用。在某些情況下，配置應用程式38或異常情況預防系統35的其它部件可以支持針對每個異常情況預防模塊的模板的開發或生成。例如，由Delta控制系統提供的配置和開發平臺可以用於根據相應合成模板塊創建異常情況預防模塊的特定事例或例示。儘管結合圖2示出並描述為異常情況預防功能，但是上述模塊和塊也可以更廣泛地致力於實現為如下所述的過程監控和診斷以及故障檢測所配置的多元統計技術。在某些情況下，下述技術可以包括異常情況預防模塊或塊，或與異常情況預防模塊或塊集成。在任意情況下，下面對系統和技術(以及任何模塊、功能塊、應用程式、軟體或其它部件及其方面)的參考可以與上述的工作站工具17、19，操作員接口12A、14A，應用程式23，異常情況預防系統25以及接口72、74—起使用、包括在其中，與其集成在一起或與其相關聯。轉向圖3,這裡描述的若干種多元監控和診斷技術可以基於並合併多元和一元i貪斷工具的可視化和其它方面。例如，過程變量(PV)在圖3中祐:示出為具有其對應的過程要求，該圖經常被稱為休哈特(Shewhart)圖。每個過程變量都可以按照休哈特圖來描述，休哈特圖繪製出變量與控制上限(UCL)100、控制下限(LCL)102和目標值104之間的關係。UCL100和LCL102是真實物理極限而非統計極限。在操作期間，每個過程變量優選被限制在其UCL和LCL之間，並且過程變量的理想值為目標值。在這些極限內時，過程變量被叫做在控制下，否則，過程變量被叫做失控。如所指示的，UCL和LCL表示可以由過程操作要求提供的物理極限。儘管這種可視化的方式基於過程變量數據的多維視圖，但是如下所述，這種對過程變量的描述對於結合基於過程變量歸一化的其它可視化技術是有用的。然而，為了參照下面將進一步描述的各方面，提供基本PCA算法的概述。儘管這裡PCA作為可以與本公開內容的各方面一起使用的多元統計分析被公開，但是應當理解，也可以使用其它多元統計分析來代替PCA，所述其它多元統計分析包括但不限於主成分回歸(PCR)、偏最小平方(PLS)、費舍判別分析(FDA)或規範變量分析(CVA)。對於一給定過程、過程單元、過程設備等，存在大量測量得到的過程變量。這些變量中的每一個都可以用作PCA算法的輸入變量。來自每個過程變量的數據被採集特定長度的時間或特定數目個點，並且在這裡被稱為過程變量的觀測值。通常，在PCA中使用的所有過程變量被同時採樣。如果m是輸入變量的數目，w是每個輸入變量的觀測值的數目，則矩陣X是包含所有輸入變量的所有觀測值的"x附矩陣。在典型的過程中，某些變量的幅度明顯大於其它變量的幅度。為了保證所有的過程變量對PCA模型具有同等的影響，可以對X數據進行自動縮放(對於每個輸入變量，減去均值並除以標準差)。在對輸入變量進行自動縮放之後，通過S=XTX/("-1)計算樣本協方差矩陣，其中T是矩陣X的轉置運算。對樣本協方差矩陣進行特徵值-特徵向量分解S=V,D，VT，其中D是包含從最大到最小排序的m個特徵值的對角矩陣。V的列是相應特徵向量，T是矩陣V的轉置運算。最大特徵值及其相應特徵向量對應於原始輸入空間中包含原始過程數據的最大變化量的方向。這被認為是第一主成分。第二大特徵值及其相應特徵向量對應於與正交於第一主成分、包含次最大變化量的方向。這繼續下去，直到創建了解釋所有原始過程數據的新正交向量空間為止。在計算出特徵值和特徵向量之後，PCA確定哪些特徵值和特徵向量是通常與過程中的重要變化相對應的重要主成分，哪些是通常與噪聲相對應的非重要主成分。有很多種不同的方法已被提出用來選擇重要主成分的數目，包括凱澤(Kaiser)法則(選擇特徵值大於一的主成分)，變化百分比測試(即選擇解釋數據中總變化的特定百分比(例如80%或90%)的主成分的悽t目)，平4亍分析以及交叉-瞼證。無論使用哪種方法，最終結果確定為PCA模型保留的重要主成分的數目a。然後，通過從V中取前a列來創建負荷矩陣Pe9Tx。。原始觀測值到由負荷矩陣定義的子空間上的投影被稱作得分矩陣，並由T:X，P表示。T的列被稱作PCA模型的得分，被引作H…ta。負荷矩陣P連同在自動縮放中使用的均值和標準差一起被認為是PCA模型。該PCA模型然後可應用於任意未來的數據集。在創建了PCA模型之後，可以基於原始過程數據創建基於統計的極限，以定義由原始數據定義的過程的正常操作。所使用的一種方法是霍特林(Hotelling)的丁2測試，但是應當理解，也可以使用其它方法得到基於統計的極限。當得分超出極限時，這可能是過程中某種事物異常的指示。另外，可替代地，可以應用相應地限制變化量的2-cr和3-o極限。基於來自PCA模型的得分數據，可以繪製若千幅圖。最筒單的圖是得分對時間的圖。在該圖中，上限和下限是基於統計創建的，並且如果超出任一閾值，則可以觸發警報。第二常見的圖是兩個得分的散布圖。最常見的是，前兩個得分^和t2被繪製，因為這兩個得分描述過程中的最大變化量。在下況下，基於統計的極限可以包括或涉及圍繞正常過程數據的圓形或橢圓形。再次，如果得分超出這些極限，則可以觸發警報。轉向圖4和5,並且根據通常致力於支持多元實時過程數據的在線監控和分析的本公開內容的方面，過程可視化技術利用多維(或多元)的過程變量數據的集合內的控制極限，例如與上面的休哈特表相關聯的控制極限。儘管是多元數據集，但是可以使用如下所述的變換之類的變換以一元形式表示極限。一般而言，變換可以基於一元技術來監控多元數據。使用該技術，可以通過使用單個投影參數將任意數目的過程變量的過程數據和控制極限進行歸一化並引向同一標準。作為比較，存在用於離線應用程式的不同統計工具，並且這些統計工具中的某些可以用於在線監控。例如，如上所論述的，主成分分析(PCA)是一種經常用於將多元數據空間的維度降低到幾維(經常是二或三)的技術。然而，為了實現PCA,使用訓練數據或來自"正常"過程操作的數據建立PCA模型，然後將該模型應用於過程的進一步監控。如上所論述的，得到的模型是關於主成分的，主成分是由訓練數據確定的協方差矩陣中本質上最主要的特徵向量。由於這種PCA結果，也稱為得分，並不直接與真實的過程變量相關，因此所監控的變量的物理過程極限在分析中不起作用。出於這個原因，當使用PCA工具時，某些統計解釋經常用於量化"數據的優度"(即使用霍特林T"統計計算95%或99%的置信區間)。使用一元分析，提出一種確定性方法來利用單個監控變量監控多元過程數據。該方法可以容易地應用於離線和在線數據監控和分析應用程式中。下面描述該方法和模型建立。在開始時，X!，X2,…，Xn被公開為表示過程變量。每個變量Xi，i=l，...，n,是包含時變數據xy的向量，其中j指代Xi的第j個樣本或成分。例如，X屍[Xu,Xi,2，…,Xun]T，其中T表示Xi的轉置運算，m是由數據採樣速率和數據採集的總時間確定的向量維度。利用這種命名法，根據變換p,=l(y—q)2+^^2j描述每個過程變量，其中i二l，…,"，j-l,…,m，並且其中y是被指派為將多元過程變量綑紮在一起的變量，oti是給變量Xi分配的唯一位置，k,是縮放參數，且Xii是Xi的第j個成分。由於可以針對每個變量Xj，i=l，...，n,唯一地定義變換p,,因此可以將多元變換定義為接下來，P被用於導出投影模型M、,(y)^Kp/P(y),其中Kp是縮放因子，M"y)指代多元投影。使用這些指定，多元數據通過單個變量y被投影。圖4和5圖示出多個過程變量(PV1、PV2等)相對於每個變量各自的物理操作極限在單個圖上的合成視圖。圖4描繪出針對每個過程變量都保持在操作極限內的數據點的圖106。圖5描繪出針對過程變量之一可能已超出其控制極限的另外的數據點的圖108。為了進一步圖示出該方法(包括視圖以何種方式指示已超出控制極限)，使用六個過程變量XpX2，X3,X4,Xs和X6提供示例。在正常操作狀況下，這些變量中的每一個都具有由lx」定義的操作極限(假設數據點居中)。利用該信息，每個變換p,利用係數ki被調諧至相同的水平，從而獲得圖4和5的視圖。這有效地定義了一組多元監控設置值。可以看出，這六個過程變量中的每一個針對變量y(橫軸)都具有由ai=-10,-5,0,5，10，15給定的唯一位置。此外，所有的過程變量都由參數Kj調諧以達到由X仏給定的最大操作範圍的均等最大響應或極限。現在，如果在監控階段期間六個峰值中的任一個突破過程變量指示符，則該特定變量可能已遇到超出範圍的事件。這在圖5中示出。可以看出，過程變量#2相對於容許極限處於邊緣，而過程變量#4明顯超出跡線。但是，圖5中描繪的情況清楚地圖示出六個過程變量的正常操作狀況。在監控階段，圖4和5的事件並不是孤立的，或者說是獨立的事件，它們實際上是持續改變的變量的可視片段(snippet)或幀。也就是說，當新的過程數據輸入模型(以給定的採樣速率)時，響應即時改變。因此監控圖像按照採樣速率被更新，在任意情況下，所述採樣速率可以大約為0.1到1秒或更長。在該監控方法中，當所有過程變量的極限已知時，所公開的方法不需要訓練數椐。例如，為了創建多元監控，人們應用以上描述的設計程序完成一元模型，利用其它方法這是不可能的。在其它情況下，如果並非所有的過程變量極限都已知，則可以使用沒有預定極限的過程變量的訓練數據來確定在正常過程搡作狀況下的過程變量極限，然後可以計算出模型。在已知或未知極限的情況下，可以使用一元分析方法對每個過程變量進行歸一化以定義公共過程變量極限(見例如圖4),並且可以相對於公共過程變量極限監控每個過程變量。下面進一步論述的既使用已知過程變量極限又使用未知過程變量極限的歸一化的其它示例可以利用一元分析方法來實現。所公開的一元分析方法不局限於任何特定的過程變量的集合或類型。它可以應用於過程變量的任意組合(例如，過程輸入、輸出和外部變量)。另外，一元方法提供創建和分析過程數據模式的唯一方式。這些模式可以進一步用於過程診斷，包括異常情況預防應用程式。例如，如果在大多數時間兩個以上峰值有同步上移或下移的趨勢，則相應的過程變量相關聯。否則，這些變量不相關聯。類似地，一元技術可以用於估計過程變量是否發生故障。簡言之，所公開的一元數據建模和可視化方法提供使用單個變量實現在線或離線場景的多元監控的技術。如果所有過程變量的極限均已知，則該方法不需要訓練數據，並且同樣它提供可被過程操作員容易地解釋的監控結果。現在提供關於三種可替代方法的進一步信息，這三種可替代方法可以用於歸一化過程變量以採用圖4和5示出的形式顯示。為了描述它們，可以考慮圖3(休哈特圖)中示出的典型過程變量描述。在該圖中，過程變量被限制在UCL100和LCL102之間，並且過程變量的理想值是目標值。在這些極限之內時，該控制變量被叫做在控制下，否則，該控制變量被叫做失控。如上所論述的，UCL和LCL表示可以通過過程操作需求提供的物理極限。基於此，可以利用以下^t據歸一化方法。當每個過程變量的控制極限都已知時，可以使用第一方法。具體而言，可以將過程變量PV歸一化為控制極限和目標值的函數屍formulaseeoriginaldocumentpage32其中目標-T,CL=|UCL-T|=|LCL-T|。當並非所有過程變量的過程變量控制極限都已知時，可以使用第二方法。具體而言，可以將過程變量PV歸一化為當過程正常操作時為過程變量採集的訓練數據集的函數，該函數將過程變量的觀測值包括在訓練數據集內其中正常過程操作由訓練數據集T(PV)表示，M^是T(PV)的均值，並且CI^T(PV)中的lPV—Mpv匕。第三方法使用統計自動縮放方法，該方法也可以在並非所有過程變量的過程變量控制極限都已知時使用。具體而言，可以將過程變量PV歸一化為當過程正常操作時為過程變量採集的訓練數據集的函數，該函數將過程變量的觀測值包括在訓練數據集內其中正常過程操作由訓練數據集T(PV)表示，(12是T(PV)的方差，Mpv是T(PV〉的均值，並且ko,k^l,2，…,n確定統計控制極限(例如3(5)。可以根據需要結合所公開的技術利用這些方法的變體和其它用戶定義的控制極限(以及確定這些控制極限的方法)。上述數據監控和分析技術對於快速在線可視化和過程數據行為的理解是理想的。它可以用於過程診斷和異常情況預防應用程式。例如，來自遍布於Fieldbus的多個智能設備的數據可以得到快速的分析和監控。對於來自傳感器陣列和生物微型陣列(bio-microarray)的數據而言也是如此。監控結果也可以用於過程優化和質量控制。此外，該方法可以與統計數據建模方法一起使用以增強數據分析。例如，它可以與PCA方法同時使用以加快和增強對得分數據的解釋。根據公開內容的特定方面，上述可視化技術可以集成在操作員界面中，所述操作員界面以其它方式，例如在處理之後通過如下所述的其它多元統計技術，顯示過程數據。例如，過程變量相對於它們的物理極限的可-見化可以與PCA得分圖結合起來使用以使能關於過程當前狀態的更準確決策。上述一元技術可以併入提供監控多元實時過程數據的方法的確定性多元數據分析工具(其示例將在下文中描述)中以這種方式，單個變量監控模型可以用於多元數據的行為的可視化。更概括地說，該方法的優點在於所有的過程變量都在單個監控變量內綑紮在一起。所公開的一元方法很好地適於在線和離線應用程式。如以上所提及的，當所有過程變量的操作極限都已知時，所公開的方法不需要訓練數據。與過程變量相關聯的操作極限用於建立單個變量監控模型。在某些情況下，對於操作極限未知的過程變量，可以使用訓練數據。模型可以在包括例如DeltaV的若干種軟體平臺上實現。現在參見圖6和7，本公開內容的另一方面致力於由主成分分析(PCA)和其它多元統計技術提供的功能。PCA和下述其它多元統計技術可以是過程控制系統的集成部件，例如分布式控制系統DeltaV和Ovation。這種集成支持工廠人員將PCA技術用於在線監控應用程式。如下所述，PCA和其它技術所支持的可視化和警報可以連同諸如以上結合圖4和5所描述的其它可視化方案集成到控制系統中。出於這些以及其它原因，工廠人員可以利用流線型或單個用戶界面，而不需要監控、維護或支持分立的軟體應用程式。如下所述，將PCA實現成過程控制系統的一部分也使得使用在線過程數據實現監控和診斷更加實用。圖6和7描繪過程控制系統內的用於實現以上所論述的基於PCA的技術的示例性PCA功能塊110、112。一般而言，每個PCA功能塊llO、112可以在訓練時段釆集數據，在訓練時段結束時建立PCA模型，而後將PCA模型應用於所有的未來數據。功能塊110、112的左手側是PCA的輸入，這些輸入為原始過程變量。功能塊的輸出為對應於最重要特徵值的得分。例如，功能塊110、112可以是通過也由德克薩斯州奧斯汀市的愛默生過程管理公司銷售的DeltaV，控制工作室(controlstudio)可獲得的定製功能塊，所述DeltaV頂控制工作室的界面114可以用於描繪功能塊輸入/輸出連接以及其它細節。在該示例中，可以提供多達20個過程變量作為PCA的輸入。當然，通常，可以將任意數目的數據用於PCA。PCA塊110、112的輸入是正常情況下在DCS中可用的過程變量。還存在可以用於進行主成分回歸(PCR)的過程因變量(YIN)的輸入，主成分回歸是一種可以用在這裡所描述的公開方法中的一種以上的統計技術。儘管所公開的示例示出單個變量，但是應當理解，通常可以存在多個因變量。PCA功能塊110、112可以包括若干種用於配置和應用PCA模型的操作模式。在示出的示例性實施例中，PCA功能塊110、112在兩種不同的模式下運行學習和監控(由學習(LEARN)功能塊輸入上的是/否(Tme/False)確定)。在學習模式期間，功能塊從每個輸入變量採集數據。例如，當用戶發出學習命令時，PCA塊110、112開始採集所有輸入變量的過程數據。過程數據被存儲在計算機存儲器中，並且數據採集無限期地持續下去，直到用戶發出監控命令為止。在已採集了足夠量的數據之後，用戶向PCA塊發出監控命令。在發出監控命令之後，PCA塊110、112施行PCA算法以基於所採集的數據建立PCA模型。模型的建立可以包括以下步驟自動縮放輸入數據(對於每個輸入變量，減去其均值，並除以其標準差)，根據縮放後的數據計算協方差矩陣，計算特徵值和特徵向量，確定重要特徵向量的數目以保留PCA負荷矩陣，並使用基於a的極限或PCA得分的f霍特林統計(例如95%或99%)計算統計極限。當該計算完成時，PCA塊110、112前進到監控模式，此時其基於輸入至塊的新過程數據計算得分。具體而言，新過程數據可以是實時生成的在線過程數據。如果得分中的任一個超出極限，則這可能指示異常情況，並且塊110、112上的警報參數被置位。該警報參數可以與過程控制系統或網絡的任意其它部分聯繫起來。可以提供或生成每個PCA結果視圖作為控制系統操作員界面的一部分。例如，界面可以用於在DeltaProcessHistoryView(過程歷史查看)中生成繪製隨時間變化的得分的PCA得分圖。可替代地或附加地，如上面和下面所示出和提出的，可以在兩維圖上繪製針對兩個PCA得分的數據。統計極限計算出也可以通過操作員界面提供的圓形或橢圓形結果。如果得分超出極限，則可能會觸發警報。在某些情況下，這裡描述的多元監控和診斷技術可以在致力於異常情況預防的系統的模塊(或其它元件或系統部件)中實現。類似於其它異常情況預防算法，該技術可以致力於在異常過程情況出現之前檢測這些異常過程情況。這些算法通常呈現"警惕性"並且對於若干種異常情況都持續準確。相應地，異常情況預防模塊可以是持續性過程，而非提供一次性或非實時的方案。這裡描述的多元監控和診斷技術也可以用在批處理中，因而功能塊110、112可以採集針對輸入變量的過程數據的不同集合，其中每個集合對應於過程的不同在線狀態。例如，當過程以各種能力操作時，用戶可以發出學習命令，從而使過程正常操作時PCA功能塊針對特定能力水平(例如特定在線狀態)採集針對輸入變量的過程數據。此後，用戶可以發出監控命令，使PCA塊llO、112施行PCA算法，以基於針對該特定在線狀態(例如能力水平)採集的數據來建立PCA模型。同樣，可以建立多個PCA模型，每個PCA模型對應於當過程正常操作時該過程的不同在線狀態。此後，當該過程在特定在線狀態下執行時(例如50%的能力)，PCA塊llO、112使用相應PCA模型前進到監控模式，在監控模式下PCA塊110、112基於輸入到該塊的新過程數據計算得分。相應地，用戶可以從多個多元統計模型中選擇，以選擇與該過程的在線狀態最相關的多元統計模型，以分析該過程的在線、實時操作，從而監控該過程、檢測異常情況等。在一個示例中，用戶可以選擇特定的訓練會話並決定建立針對過程的特定在線狀態定製的新模型。該公開內容的這個方面為在線(即實時)多元監控和診斷應用程式提出一種通用(開源)數據驅動方法。此外，該方法通常支持創建和操縱用於建立在線模型的數據，並對用於診斷、故障檢測等的模型參數進行比較。所公開的方法包括為過程監控和診斷定義集成平臺，這最終可以通過使用系統級或聯網架構來實現，例如由德克薩斯州奧斯汀市的愛默生過程管理公司銷售的？13!\￥66*架構。所提出的集成平臺基於多元方法，並且可以適應不同的計算算法，包括那些在下面描述的檢測技術中使用的計算算法。關於數據驅動平臺的開源特性，應當理解，所公開的方法和系統可以從不同的輸入域(例如FoundationFieldbus、HART、Modbus、OPC、無線等)接收數據。所接收的數據可以是從任意數目的不同的變送器、傳感器和致動器採集的在線過程數據，並且用於定義多元過程域。相同的數據被過程控制系統使用，並且可以存儲在歷史資料庫中。圖8中示出通過所公開的系統和模塊的數據流。一旦來自過程的數據進入所公開的模塊，該數據可以用於在線訓練、在線監控或在同一時段中用於在線訓練和在線監控。根據需要，兩個開關SW1和SW2以支持不同數據路徑的方式實現。如果需要訓練，可以累積數據，直到用戶/搡作員停止累積過程為止。該程序可以通過將SW置於在線訓練狀態來完成。任何累積的數據可以存儲在文件120中，並且然後用在模型構造器或發生器122中。每個生成的模型可以如所示的那樣被存儲，並且通過例如開關SW2使其可用於監控模式中所涉及的部件。當模型構造操作完成時，該模型與訓練數據一起被存儲，典型地，是作為.txt文件存儲在位於資料庫或存儲器(驅動器C:/)中的模型文件夾中。可以由該數據構造的模型包括但不限於主成分分析(PCA)、人工神經網絡(ANN)、模糊邏輯和貝葉斯決策樹。每種算法的工具可以由例如異常情況預防模塊採用下拉窗口的方式提供。這些模型中的每一個都可以用來建立預測，如下所述。相同的模型也可以用於在線監控。當模型處於在線監控模式時，異常情況預防模塊使用模型輸出(0/P)生成三種類型的輸出統計、歸一化過程變量(PV)和過程變量(PV)等級。如圖8所示，每個輸出(PV等級、歸一化PV&物理極限以及得分&統計極限)可以進一步用來生成警報狀態(警報診斷)、視圖(操作員圖形界面)和/或模型的驗證。統計輸出由作為多元數據點的低維表示的得分構成。低維空間是基於多元域中具有最大數據變化的方向獲得的。如以上已論述的，PCA建模是一種可以用於建立得分的技術，但是其它建模技術也可以產生得分。統計輸出還可以包含95%(99%)的置信極限或基於(7的極限。以上相對於已知和未知的過程變量極限描述了歸一化過程變量的概念。基於該概念，可以用條形圖(或其它兩維圖)呈現歸一化數據。這些圖也可以包含有助於警報識別的物理或過程極限。如下面結合本公開內容的另一方面所描述的，在單個用戶界面中結合統計極限和物理極限提供一種準確識別異常情況預防警報狀態的有用方式，並且同樣提供支持異常情況預防啟動的技術。過程變量等級可能有助於異常情況預防，因為過程變量等級基本上是針對過程變量的可變性給定該過程變量的等級。過程變量呈現的變化越大，其等級越高。這是一個有用的參數，因為它可以容易地使用在不同時刻監控同一過程情況所獲取的等級被交叉驗證。例如，如果所有的過程變量對於兩個以上監控模型均呈現出相同的等級，則監控模型中的置信度提高。為了獲取過程變量等級，可以使用下列計算其中PVjr一是第j個過程變量的等級，S是"x"自動縮放協方差矩陣，"是多元數據空間的維度，trS是S的主對角線元素之和，k,計算，標準差可以通過^-計算，其中n是樣本的個數，A,X2,…,;^是過程變量；c在採formulaseeoriginaldocumentpage42樣窗口內獲得的樣本。假設L和Si是在一個採樣窗口中計算出的均值和標準差，；2和S2是在下一採樣窗口中計算出的均值和標準差。那麼，如果l:-;2一3.j，則可以說該過程處於穩態。相反，如果|^-;2|>3.^則該過程沒有處於穩態。下一步陳述在該計算中使用的參數s應當由什麼構成。如果過程處於穩態，並且正確地選擇了採樣窗口，則我們應當發現s^^。在這種情況下，無論我們採用s《A還是s^^,都應當無關緊要。然而，可以使用會產生用於宣告穩態的更小極限的更魯棒算法(並且因此，我們可以更加確定當異常情況預防模塊開始運行時，過程確實處於穩態)來使用S,和S2的最小值或y=min(s,,)。在這種情況下，宣告穩態的準則是p,-;2卜3.mi4v^)。當然，也可以使倍數"3"成為用戶可配置的參數。然而，這使得異常情況預防系統的配置變複雜，特別是在存在很多過程變量時。計算過程變量的均值和標準差並確定穩態的功能以及這裡沒有記載的其它功能可以封裝到如上所述的統計過程監控(SPM)塊中。根據本公開內容的另一方面，一種穩態檢測技術包括使用由PCA模型(而非直接由過程變量)生成的得分來確定具有多個過程變量的過程是否處於穩態。圖22圖示出連接至PCA塊172的SPM塊170,用於確定具有多個過程變量(IN1，IN2,IN3,…)當前是否處於穩態。PCA塊172可以與上述功能塊相對應。圖22中所示的實施例使用PCA模型的第一得分實現穩態檢測。回想在PCA模型中，與最大特徵值數值對應並且根據第一負荷向量計算出的第一得分表示過程中的最大變化量。例如，在某些過程中，最大變化量可以與傳播給大多數其它過程變量的負荷改變相對應。在這種情況下，如果只有第一主成分符合穩態標準，則我們很可能可以說整個系統處於穩態。雖然第一成分可能是統計上最重要的成分，但可替換的實施例可以使用PCA模型的多個得分，如圖23所示。在這種情況下，PCA功能塊172被連接至多個SPM塊170,每個SPM塊170監控PCA模型的得分中的一個。在這種情況下，對於根據所選擇的方法(凱澤法則、變化百分比、並行分析等)被確定為重要的每個主成分，都會有一個SPM塊170。然後，邏輯模塊174可以用於進行整個系統的穩態確定。如果所有SPM塊170都指示穩態，則可以將整個系統宣告為穩態。如果塊170中的任意塊示出非穩定過程，則我們可以宣告整個系統未處於穩態。實現該技術的方法可以包括根據所有過程變量採集過程數據、創建過程的PCA模型、將第一PCA得分連接至統計過程監控(SPM)塊以及如果SPM塊宣告第一PCA得分處於穩態則宣告系統處於穩態。SPM塊計算輸入變量在連續的非交疊採樣窗口中的均值(L和L)和標準差(sl和s2)，並且如果p,-;2卜"，min0,，^)，其中n為任意實數，則宣告輸入變量處於穩態。在某些情況下，穩態可以依據fo-L^""來確定。可替換地，穩態可以依據一-L卜"，&來確定。在一個示例性實施例中，n=3。以上描述的技術和方法可以與連接至第二和更高PCA得分以及邏輯模塊的一個以上附加SPM塊一起實現，其中邏輯模塊將SPM塊中每一個的穩態檢測作為輸入，並在所有SPM塊指示穩態時生成指示整個系統處於穩態的輸出信號。附加地，如果SPM塊中的任意塊指示非穩定過程，則邏輯模塊可以宣告整個系統處於非穩定過程。可替換地或作為附加地，可以與SPM塊一起使用其它多元技術來檢測穩態。這樣的技術包括PLS、PCR、FDA、CVA等。雖然在圖22和圖23中示出為涉及多個分立的單元，但所公開的技術和方法也可以在單個集成功能塊(如Fieldbus功能塊)、現場設備接口模塊、控制系統、單獨的軟體應用程式等中實現。瞬時動態性的檢測圖24-37致力於與使用多元統計技術的瞬時動態性的檢測有關的本公開內容的另一方面。在過程操作中經常會遇到動態行為。例如，過程展示由諸如流速之類的輸入或負荷變量的改變導致的瞬時行為。這在火焰加熱器中相當普遍，原因在於火焰加熱器經常在原油的各種流速下運行。在進行故障或異常情況檢測時，重要的是區分正常操作狀況與瞬時數據。因為在瞬時區域中，過程不會以正常方式運轉，並且可能很容易得出錯誤的診斷(如，異常操作)。例如，在火焰加熱器中，當原油的流速增加時，原油的出口溫度超過正常水平，並且降低到正常水平需要時間。這是因為流速的改變快於被操縱的變量(燃料流速)的改變。換句話說，在一階動態系統中，最終溫度達到其新的穩態點需要的時間等於時間常數加任意滯後時間。因此，在檢測故障或異常情況時，區分動態瞬時區域與穩態或設置點、操作區域是有用的。根據本公開內容的另一方面，使用多元統計技術基於例如主成分分析(PCA)來檢測動態瞬時操作。結合火焰加熱器中的動態瞬時現象來描述所公開的技術，但所公開的技術還很適於結合其它過程控制環境來實施。該檢測方法也可以將基於PCA的技術與主成分回歸(PCR)集成以區分諸如火焰加熱器之類的過程中的異常情況與動態瞬時現象。在火焰加熱器管道中檢測焦化(或淤塞)的示例將被用於說明所提議的方法的魯棒性。在檢測算法中，對過程的瞬時行為進行識別以避免錯誤警報是重要的。瞬時模式期間的檢測可能導致錯誤的結果和錯誤的警報。還需注意的是，在這項工作中提出的算法可以容易地擴展到指出諸如蒸餾塔和熱交換器之類的其它過程或單元操作中的瞬時模式。轉到圖24,火焰加熱器是精煉廠和石化廠中的重要單元。它們用於將原油或重碳氫化合物進料的溫度升至某提升的溫度。以180全局指示的火焰加熱器包括一個以上管道182。該進料被均勻地分給加熱器通道182。每個管道182充當一熱交換器，流入管道182的進料在此處由燃燒的燃料加熱。燃料的流動通常被操縱為達到原油(進料流)的期望的目標最終溫度。火焰加熱器中的主要問題之一是焦化由於火焰加熱器中的溫度提升，原油裂化並形成被稱為焦炭的殘渣碳。焦炭隨時間沉積在管路的內表面，通常導致管路或火焰加熱器的性能低下。該過程被稱為淤塞。隨著時間的推移，火焰加熱器的性能越來越差，並且可能發生意外停機以清潔火焰加熱器。在某些實例中，某些管路可能會嚴重堵塞。高度期望在火焰加熱器管道內對焦炭的形成進行監控以調度單元清潔。火焰加熱器呈現多元數據結構，其非常適於利用這裡描述的有時被稱為MMDM(即多元監控和診斷模塊)工具的多元監控和診斷技術和工具進行分析。根據這裡描述的技術，由MMDM工具對表1中給出的過程變量(PV)進行監控和處理。這些過程變量也在圖24中示出。然而，值得注意的是，可以以任意期望的方式，通過如上所述的過程控制系統或網絡，並且根據諸如PlantWeb數字工廠架構之類的各種不同的架構，並利用例如愛默生FOUNDATIONFieldbusi殳備(即MicroMotioncoriolisflowmeters(4敬運動互才卜力充量i十)、柔斯芒特溫度設備等)，來供應過程變量數據。tableseeoriginaldocumentpage46表1、火焰加熱器的監控變量圖25呈現在由主成分tl和t2定義的空間中的訓練數據得分。針對具有被控制變量的單個設置點時的多種流速收集基本訓練數據。大約採集30,000個實時過程數據點。訓練數據用於建立MMDM工具的模型，並且由MMDM工具產生的散布圖之一可以與圖25所示的圖相對應。散布圖中的八個簇與訓練數據中八個不同的流速區域相對應。圖25的圖中示出的虛線190內部的區域與圖26和27中示出的橢圓相對應，圖26和27則表示99%的置信橢圓。也就是說，橢圓內的區域給出橢圓邊界內的任意得分都屬於火焰加熱器單元的正常操作狀況的概率為99%。轉到圖26和27,在本公開內容的本方面，管道的出口溫度(Tout)被用作因變量，而其它六個變量被當作自變量。首先，六個自變量被選擇用於監控。它們用於創建歸一化過程變量數據模型以及具有得分圖的PCA模型。過程變量數據提供用於模型建立的訓練數據。然後，該模型被用於為在線監控定義操作員用戶界面，如圖26中所描繪的。如上所述，該界面以歸一化和得分圖的方式顯示六個過程自變量，並顯示四個過程警報狀態指示符。一般而言，該界面可以如以上結合圖8所述的那樣生成，並且可以與結合圖9-21描述的示例性界面的任意一個或多個方面合併。對於過程因變量(Tout),我們使用訓練數據創建回歸型的PCR模型。這是由MMDM工具在模型建立會話期間完成的。然後，PCR模型可以通過推操作員界面窗口中的"PCR"鍵來訪問，並且出現圖27所描繪的顯示窗口。該顯示窗口示出了為得分成分Tl,T2,...，Tn計算的回歸係數。為了通過使用建立的PCA模型驗證瞬時行為的檢測，針對各種原油流速創建驗證數據集(4300個數據點)。圖28示出驗證數據的原油流速的七個不同區域。因此，在驗證數據中有六個不同的瞬時(動態)區域，並且PCR模型被用於根據驗證數據來預測這些區域。圖29示出預測Tout(Y)與實際Tout。圖29中所示的迭加的圖展示出PCR模型在預測穩態和瞬時區域中的因變量(Y)的成功。瞬時區域中的預測稍微滯後，這與預期相符。儘管如此，驗證數據中呈現的六個瞬時區域在圖29中可清楚地辨認。圖30-34描繪用於瞬時區域檢測的霍特林(T2)計算的使用以及操作界面的相應部分。特別地，圖30示出在瞬時區域開始的時刻的T2圖。很明顯，當原油的流速開始改變時，T2出現向上的尖峰。此外，圖30示出操作點位於得分圖t2-t3的橢圓的外面。圖31示出即使沒有自變量超出極限，PCA也檢測到動態(瞬時)區域。當動態瞬時現象發展時，T2駐留在可接受極限之外，並且得分圖位於橢圓的外面(圖32)。一旦過程停留在新的穩態區域(圖33)，T2響應就位於極限之下，並且得分圖位於橢圓區域的內部。可以看出，人們可以使用PCA得分圖和T2表示檢測過程變量中的瞬時現象，並且可以估計瞬時時間常數。圖34示出由T2針對整個^r證數據;險測到的全部六個瞬時區域。每個瞬時區域的寬度表示瞬時持續時間。圖35和36描繪在PCR分析中不使用被控制變量的方法的結果。這樣做時，描述了合併被控制變量的有用性以及被控制變量如何影響所提議的方法的檢測魯棒性。在這種工作中使用的焦化加熱器示例中，原油的最終溫度(TF)是被控制變量。在本示例中，希望將原油加熱到期望的設置點，即最終溫度。如前所述，使用相同訓練數據的六個自變量中的五個建立PCA模型。新模型通過使用與六變量分析中所使用的驗證數據相同的驗證數據被驗證。圖35示出新模型不能檢測過程的動態行為。T2也利用新模型針對驗證數據而獲得。圖36示出在六變量模型中獲得的尖峰不再存在。基於上述內容，在檢測瞬時或動態行為時，模型中包含被控制變量是有用的。這是被期待的，因為在被控制變量受到任意負荷或輸入變量改變的直接影響時期望採用。圖37致力於焦化檢測的流程。根據以上的討論，很明顯在瞬時階段期間，過程動態地運轉，並且預測的Y將不同於實際的Y。因此，在瞬時期間，不要進行任何焦化檢測是重要的。不進行焦化檢測的方式是利用T2的行為。例如，如果T2超出極限，則檢測算法禁用焦化檢測。如果T2回到可接受範圍內，則焦化檢測將啟動。圖37中圖示出該程序。所公開的檢測方法和技術可以應用於例如蒸餾塔、熱交換器、渦輪機等的其它過程和單元操作，並且也非常適合於化學、精煉、電力以及生命科學工業中的不同的過程應用。根據本公開內容的上述方面，已經針對過程操作中的瞬時行為的在線檢測實現了基於PCA的監控技術。PCR回歸技術也可以用於過程操作中的瞬時行為的在線檢測。PCA和PCR兩種技術的結合支持過程警告的特徵化，原因在於所公開的技術能夠區分異常情況預防型的警告和由過程瞬時行為導致的警告。通過使用諸如多元回歸、人工神經網絡以及貝葉斯決策樹等技術，可替換的設計也是可能的。示例性應用焦化加熱器中使用PCA和PCR的焦炭檢測轉到圖38-41,本公開內容的另一方面致力於使用PCA和PCR技術來檢測火焰加熱器管道中的焦化(或淤塞)。在以下描述的實施例中，PCA和PCR技術被用於採集和分析離線數據，然後監控在線過程以檢測焦化。所公開的方法和技術可以與控制器、現場設備和這裡描述的其它過程控制系統元件中的任意設備集成在一起。如下所述，所公開的焦化檢測方法通常包括三個步驟收集訓練數據，使用PCA和PCR技術建立模型，以及使用目標過程變量的實際值和預測值來檢測焦化故障。所收集的訓練數據通常是實時數據，其與故障無關，並且表示負荷變量的期望的操作範圍。例如，訓練數據可以包括在運行火焰加熱器時期望遇到的最小原油流速和最大原油流速。待建立的模型還可以受益於具有最小流速與最大流速之間的若干個流速。在某些情況下，收集覆蓋負荷變量的每個範圍的訓練數據，並且訓練數據還可以包括用於改變負荷變量的瞬時(即動態)數據。一般而言，被控制變量的採樣時間和設置點在整個訓練數據集中可以保持恆定。在數據具有上述特徵的情況下，可以以多種方式採集訓練數據。例如，可以在線採集數據，或者可以從過程歷史資料庫中提取數據。在任何情況下，所公開的方法的實踐不受收集訓練數據的方式的限制。使用多個過程變量來支持管道中的魯棒焦化檢測。在該示例性情況下，所公開的方法使用表1中給出並在圖24中示出的過程變量。當然，管道出口溫度(Tout)是被監控的過程因變量，因為其應當隨管路內焦炭的形成而減小。對於火焰加熱器，隨著焦炭(故障)開始在管路內部形成，管路內從熱端到冷端的總的熱傳遞降低。與正常操作狀況(無故障)相比，管道出口溫度(Tout)也應當降低。表l中的另外六個變量被當作自變量。火焰加熱器提供非常適於對利用上述多元監控和診斷模塊(MMDM)的分析進行解釋的多元數據結構。一旦選擇了六個用於監控的自變量，則所選擇的變量被用於創建歸一化過程變量數據模型和具有得分圖的PCA模型。所收集的過程變量數據提供用於模型建立的訓練數據。然後，所建立的模型被用於為在線監控生成操作員界面，如上所述。例如如圖26所示，六個過程自變量結合四個過程警報狀態指示符以歸一化和得分圖的方式被顯示。模型和操作員界面的細節已在以上給出。對於過程因變量(Tout)，訓練數據也可以用於創建回歸型的PCR模型。如上所述，由MMDM工具在實施模型建立流程期間自動完成PCR模型的生成。然後可以通過選擇操作員界面中的"PCR"鍵訪問PCR模型，這可能生成圖27所示的示例性顯示窗口。如上所述，該顯示窗口示出為得分成分T1，T2,...Tn計算的回歸係數。現在描述所公開的適用於焦炭檢測的火焰加熱器監控系統和方法的實施例。如果Tout(Y)的實際值持續低於預測的值fout(f),則可以指示焦炭形成。這意味著實際通道出口溫度持續低於預測的溫度。在這種情況下，不會生成錯誤的警報或警告。為此目的，可以使用Y的絕對值或均值。如以下的進一步說明，實際值Y與預測值f的偏離可以給出焦化嚴重性的優良指示。這是一個可以由工廠工程師和操作員使用的優良工具，以基於實際的單元性能來調度單元清潔或停機。推薦將Y/f的比值繪製為時間的函數，從而使工廠工程師或操作員可以持續監控單元的性能或檢測單元退化或焦化。可替換地，兩個值之間的差可以作為時間的函數被監控。基於Y與f的比值，工廠人員可以決定釆取什麼樣的行動。由於焦化是較慢的過程，因此工廠人員可能不選擇強制執行警報或警告。然而，容易基於閣值極限而激活警告或警報。例如，如果該比值降低到某極限")，則可以發出警告。例如，如果7S義則可以發出警告。VY，可以發出各種警告來指示焦化的嚴重性。例如，^指示低焦化，A指示中等焦化等。更一般地，所公開的焦炭檢測方法包括以下步驟獲取足夠的訓練數據，建立統計模型，以及使用該模型來監控單元性能。所公開的技術的訓練和驗證。焦化加熱器的訓練和驗證數據由從GSE系統商業上可獲得的高保真(hi-fidelity)仿真器SSPRO生成，並從SSPRO獲得。採樣速率為一秒。操縱燃料的流速以達到原油的期望的目標最終溫度。該仿真可以靈活地引入各種嚴重程度的焦化。該仿真被用於獲取訓練數據和仿真數據。七個過程變量被記錄，並被用在由MMDM工具提供的多元分析中。針對各種流速來運行訓練。原油的流速和入口溫度^皮允許具有不變的噪聲，從而模擬真實的工廠操作。約30000個實時過程數據點被採集。訓練數據被用於建立MMDM模型，由MMDM工具產生的散布圖在圖25中清楚的示出，該圖描繪了與訓練數據中的八種流動方式對應的八個簇。圖25還顯示了99%的置信橢圓。橢圓內部的區域給出橢圓邊界內的任意得分都屬於火焰加熱器單元的正常操作狀況的概率為99%。針對各種焦化水平採集若干實時仿真數據文件，以測試所提議的異常情況檢測的魯棒性。仿真數據點包含好的和故障的數據。為了將焦化引入到管道中，有意降低總的熱傳遞係數(U)。若干數據集收集如下。在集l中，係數U從1000降低到995，然後降低到990、980和950。在集2中，係數U從1000降低到500。在本示例性應用中，為該特定的情況建立的PCR回歸模型為Y=B0+B1*T1+B2*T2+B3*T3,其中B0=316.9227895，Bl=-0.215154485，B2=0.274120980,並且B3=-0.276083039。Tl，T2，T3是基於變量的貢獻在線確定的得分成分(驗證數據)。在使用該模型針對故障(如焦炭)檢測而監控新數據之前，利用新的驗證數據的集合來測試模型。該步驟的目的是確保模型的魯棒性。圖38示出PCR模型在預測Y(Tout)時的準確度。該模型具有高於99.9%的準確度，在數據分散於各種操作狀況中(圖25)的情況下，具有極好的準確度。如果操作狀況的範圍縮小，則準確度會更高。該模型還可以用於針對比訓練數據中使用的流速高12%的流速來預測Y(Tout)。換句話說，該模型可以用於針對訓練數據中所使用的流速範圍之外的流速來預測過程的行為。圖39示出該預測再次以非常高的準確度工作。但是可能不是非常推薦使用針對訓練範圍之外的數據的任何模型。上述模型被用於檢測驗證數據中的焦化。該模型能夠針對所有的仿真驗證數據來檢測焦化。圖40示出實際的Y低於預測的Y的程度。實際的Y與預測的Y的比值隨著焦化的增加(總的熱傳遞係數變低)而減小。預測的Y是正常情況下(無故障/無焦化)的Y值。根據實際的Y相對於預測的Y的行為，工廠人員能夠確定管道內部的焦化的嚴重性。使用數據的另一集合來驗證所提議的監控方法。該數據的集合包含在正常過程中引入具有高數值的突然增大的異常情況(焦化)時的良好數據。圖41示出實際的Y與預測的Y的比值是如何變化的。圖41中數據的第一部分展示出該模型在預測正常行為時的卓越性能。總之，上述技術(以及基本模型)致力於使用PCA和PCR對火焰加熱器管道中的焦化、淤塞和其它故障檢測。為了實現該目的，可以對原油的入口溫度、管道原油流速、原油總流速、管道出口溫度、最終溫度、燃料流速和燃料出口溫度進行監控，並且可以將管道出口溫度用作火焰加熱器的性能指示符。在某些情況下，針對模型的訓練數據的範圍內的操作狀況，使用PCA對該性能指示符進行建模，並使用PCR進行預測。但是，PCR也可用於針對訓練數據的範圍外的操作狀況對火焰加熱器的關鍵性能指示符進行預測。轉到圖42和43中提出的公開內容的方面，現在描述用於火焰加熱器中的焦化的在線多元監控和診斷的基於PCA參數的技術。該方法以建立多個主成分分析(PCA)模型並比較不同過程操作狀況的模型參數為基礎。除了的慢變的過程改變(例如，鍋爐中的煙垢累積，反應器、壓縮機、熱交換器、蒸餾塔和隔膜中的淤塞和其它劣化等)也是有效的。如上所迷，基於PCA的技術可以與分布式過程控制系統(DCS)集成在一起，以實現與在線監控和診斷的結合。所公開的技術還能夠創建和操縱用於建立在線模型並比較模型參數的數據。基於PCA的技術還可以應用到使用主成分回歸(PCR)分析確定火焰加熱器中的焦化水平時的挑戰所呈現出的特定細節。本公開內容的這一方面提供了在不使用基於回歸的方法的情況下檢測諸如焦化之類的慢變的過程改變的方法。相反，所公開的方法以在過程操作期間連續、重複或持續地建立PCA模型並將所建立的模型與正常過程操作狀況下建立的基線模型進行比較為基礎。所公開的技術在特定應用(例如異常情況預防應用)中相比其它使用回歸的方法可提供更魯棒的解決方案，原因在以下給出。一個主要原因是基於回歸的技術在每次從現場設備通信鏈路(例如，Fieldbus、Modbus、無線等)中讀取數據點時生成預測。結果，基於回歸的技術提供過程狀態的當前預測，然後通過邏輯對該預測進行處理或評估，以確定診斷狀態。這種處理經常會由於諸如設置點和穩態改變之類的動態過程改變以及數據串中的異常噪聲而產生錯誤的警告/警報。這些類型的警告對於操作員來說通常很麻煩，因此如果不能完全消除的話，也應最小化這種警告。作為比較，所公開的方法連續地或根據需要在過程操作的背景下創建預定維度的數據文件。然後，使用這些數據文件生成用於對過程性能進行評估的PCA模型更新。結果，由於所公開的方法不完全依賴於當前的過程數據值，因此可以更加魯棒。替代地，所公開的方法可以根據基於長期數據行為的過程性能診斷來生成警告報告，其中長期數據行為由例如數據文件的長度來確定。所公開的方法的進一步細節在以下描述。開始時，人們從數據文件開始以建立PCA。訓練數據可以表示在正常的過程操作狀況下採集的數據。如上所述，數據文件因此可以包含數據行(觀測值)和列，每列與分配的過程變量(PV)相對應。過程變量可以是原始數據，也可以是根據原始數據得到的統計特徵(例如，異常情況預防塊數據)。結果，數據文件包括n列和m行，且通常假定m>>n。使用這樣的分配，模型選定n個具有m個觀測值的過程變量，並且包含如上所述被自動伸縮的mxn的數據矩陣x。然後，實際模型可通過估計nxn協方差矩陣S的語成分來構建，其中，S=XrX/(m-l)，用於將S重寫為S二V,D,VT，其中formulaseeoriginaldocumentpage54,並且其中cx,V",…,n是按照從大到小排列的特徵值(方formulaseeoriginaldocumentpage54差)，並且V的列是相應的特徵向量。最大的特徵值及其對應的特徵向量對應於原始輸入空間中包含原始過程數據中最大變化量的方向。這被當作第一主成分。第二大特徵值及其對應的特徵向量對應於與第一主成分正交的、包含次最大變化量的方向。繼續本過程，直到創建了解釋所有原始過程數據的新的正交向量空間。在計算出特徵值和特徵向量之後，需要確定哪些是通常與過程中的重要變化相對應的重要主成分，哪些是通常與噪聲相對應的非重要主成分。存在若干種可以解決該問題的已知方法。無論選擇哪種方法，最終結果是確定會為PCA模型保留的重要主成分的數目a。然後，通過從V中提取前a列(特徵向量)來創建負荷矩陣Pe9Txa。原始觀測值在負荷矩陣所定義的子空間上的投影被稱作得分矩陣，並由T二X,P表示。T的列被稱作PCA模型的得分，被引作t，，t2,...、，並且nxa的矩陣P是PCA模型。訓練數據文件X。為了本公開內容的這一方面的目的，可通過選擇對需要分辨的過程行為有影響的過程自變量，並使這些過程自變量由X的前k列來表示，其中k0，來選擇訓練數據X。如果將要實現回歸技術，則使用X的前k個過程變量來預測後n-k個過程變量。但是，注意，當建立PCA模型時，X只具有k個過程自變量，而且n=k。這k個過程自變量被用於創建nxa的負荷矩陣p,該矩陣包含用於創建之後被用於對因變量進行預測的得分tl,t2，…ta的a個主成分向量(負荷向量)。在所公開的方法中，自變量和因變量結合起來用於創建訓練數據文件X。一旦PCA模型被指定，負荷矩陣P-[p,，p2,…，pJ就被定義，其中Pi^[Pi,i,…,Pi,k,Pi,k+"…，Pi,nr是負荷向量，並且i"，…,a。Pi的前Pi,p…,Pi，k成分是與X中的前k個自變量對應的負荷值。類似地，？^1,...^11成分是與X中後n-k個因變量對應的負荷值。結果，P定義了與原始過程變量直接相關的相互關聯的負荷值的空間。現在，X中n-k個因變量的每一個在該空間中具有由以下公式給定的負荷值度量其中j=k+l，...，n，並且a,是D中的第i個特徵值。負荷值度量Zj是具有以下性質的第j個過程因變量的模型結果。假設X和Y是來自相同過程操作並在不同時間採集的數據文件。此外，假設^和、是分別與相同的過程因變量的X和Y對應的模型結果。那麼，如果Zj《Vj,則由第j個過程變量描述的過程行為對於X和Y來說是相似的。作為對比，如果Zj#Vj，則由第j個過程變量描述的過程行為對於X和Y來說是不同的。這個性質對於過程診斷，特別是對於慢變的過程行為的診斷，是很有用的。原因在於負荷值度量Zj反映了操作員所指定的時間段內的過程行為，因此提供了比回歸方法所給出的最近更新更完整的診斷。火焰加熱器應用。前述技術可用於確定火焰加熱器中的焦化水平。如上所述，數據文件X由表1和圖24中定義的過程變量組成。Tout是唯一的因變量，而所有其它變量都是自變量。但是，在根據本公開內容這一方面的技術中，所有的變量都用來創建PCA模型，而不需要PCR。使用這樣的分配，在正常搡作狀況下(例如0%的焦化)創建基線模型，並針對Tout計算的負荷值度量Z。然後，針對火焰加熱器中不同的焦化百分比重複相同處理，圖42示出所獲得的結果。從圖42可以看出，Z隨焦化百分比的增加而單調下降，這暗示負荷空間由於過程變量貢獻隨焦化百分比變化所產生的變化而出現了結構性改變。注意該改變是協作產生的，並且通過當時對一個變量的監控不容易確定。基於上述內容，通過對Z設置不同的極限，該技術可用在診斷/故障檢測方法或系統中。由於每個模型都基於收集模型數據所使用的時間長度來表示Z的行為，因此使用該技術發出的警告或警報更加可靠。此外，在運行時，檢測方法可對操作者完全透明。這是因為該檢測方法可在監控控制臺的後臺運行，並且可被配置為僅在設置的極限被超過或被破壞時才會將異常情況告警給操作者。圖43中的流程圖示出該方法或系統如何根據一實施例被實施。注意，使用該方法，可避免錯誤的警報和警告，但是過程參數的性能會隨時間被嚴格地監控。利用本公開內容的這一方面，可以定義PCA模型參數，並將其應用於在線診斷，這在與焦化加熱器中的焦化以及多種過程裝置故障或異常情況結合時是有用的。可以利用PCA負荷和變化信息得出模型參數，並且可以針對過程因變量或過程自變量定義負荷值度量。在某些情況下，所公開的方法可用於觀察長期的焦化，而不是瞬間或最近的改變。例如，所公開的方法可用於在線長期協同診斷。可替換地或附加地，所公開的方法可以提供回歸分析的替代方法。所公開的方法可以與包括例如DeltaV和Ovation的多種控制系統平臺以及例如柔斯芒特3420FF界面模型的多種過程裝置和設備結合起來實施。可替代地，所公開的方法和系統可以實施為單獨的異常情況預防應用。在任意情況下，所公開的方法和系統可以被配置為生成警告，並且另外支持火焰加熱器中焦化水平的調節。本領域普通技術人員將認識到，可以以各種方式對以上描述的示例系統和方法進行〗務改。例如，可以省略塊或重新排列塊的順序，可以增加另外的塊等。例如，對於圖7,塊146可以在流程中的不同點處實施。類似地，塊148可以被實施為分立例程的一部分，因此其可能在圖7的流程的不同點處實際發生，這依賴於接收到合適的啟動分立例程的命令的時間。以上公開了涉及異常情況預防模塊和異常情況預防塊的上述示例，但應當理解所公開的系統、方法和技術的實踐並不限於這些上下文。相反，所公開的系統、方法和技術也非常適於與包括能夠選擇用於監控、數據採集等的具有不同組織結構、元件布置或分散零件、單元、組件或項的其它集合的任意診斷系統、應用程式、例程、技術或程序一起使用。指定在診斷中使用的過程參數的其它診斷系統、應用程式等也可以被建立或者可以從這裡描述的系統、方法和技術中獲益。然後，參數的這種單獨指定可以被用於對其所關聯的過程數據進行定位、監控和存儲。此外，所公開的系統、方法和技術不一定僅僅與過程控制系統的診斷方面一起使用，尤其是在這類方面還沒有被開發或還處於開發的早期階段時。相反，所公開的系統、方法和技術還適於與過程控制系統、加工廠或過程控制網絡等的任意元素或方面一起使用。這裡所描述的方法、過程、程序和技術可以^使用硬體、固件和軟體的任意組合來實現。因此，這裡所述的系統和技術可以在標準多用途處理器中實現，或根據需要使用專用設計硬體或固件來實現。當以軟體實現時，該軟體可以存儲在任意計算機可讀存儲器中，例如存儲在磁碟、光碟或其它存儲介質上，存儲在計算機、處理器、I/O設備、現場設備、接口設備等的RAM或ROM或快閃記憶體中。同樣地，該軟體可以通過任意已知的期望的發送方法，包括例如計算機可讀盤上或其它可傳輸計算存儲機構或通信介質，發送給用戶或過程控制系統。通信介質通常將計算機可讀指令、數據結構、程序模塊或其它數據具體體現為諸如載波或其它傳輸機制之類的調製數據信號。術語"調製數據信號"意指使其一個以上特徵以將信息編碼在信號中的方式被設置或改變的信號。以示例而非限制的方式，通信介質包括諸如有線網絡或直接連接的網絡之類的有線介質和諸如聲、射頻、紅外和其它無線介質之類的無線介質。因此，該軟體可以通過諸如電話線、網際網路等的通信通道發送給用戶或過程控制系統(這被視為與通過可傳輸存儲介質提供這類軟體相同或可互換)。權利要求1、一種監控加工廠中的多元過程數據的方法，其中所述多元過程數據包括多個過程變量，所述多個過程變量中的各過程變量都具有多個觀測值，該方法包括將各過程變量定義為包括觀測值成分集合的過程變量向量，其中所述觀測值成分集合包括與該過程變量的觀測值相對應的時變過程數據；計算作為多個過程變量向量變換的函數的多元變換，所述多個過程變量向量變換中的各過程變量向量變換與過程變量之一相對應，其中各過程變量向量變換是對過程變量進行一元化的一元變量的函數；以及基於所述多元變換表示所述過程的操作，其中所述過程的操作的表示針對過程變量中的各過程變量指派過程數據通過一元變量的多元投影。2、根據權利要求1所述的方法，進一步包括對所述多個過程變量中的各過程變量的觀測值集合進行轉置，其中將各過程變量定義為過程變量向量包括將各過程變量定義為包括被轉置的觀測值集合的過程變量向量。3、根據權利要求1所述的方法，進一步包括計算作為對過程變量進行一元化的一元變量的函數的各過程變量向量的變換。4、根據權利要求3所述的方法，其中計算各過程變量向量的變換包括計算作為對過程變量進行一元化的一元變量的函數並作為對過程變量向量唯一的位置參數的函數的各過程變量向量的變換。5、根據權利要求3所述的方法，其中計算各過程變量向量的變換包括計算作為對過程變量進行一元化的一元變量的函數並作為應用於所述觀測值成分集合內的各觀測值成分的縮放參數的函數的各過程變量向量的變換。6、根據權利要求1所述的方法，其中計算作為多個過程變量向量變換的函數的多元變換包括計算作為所述多個過程變量向量變換的乘積的多元變換。7、根據權利要求l所述的方法，其中基於所迷多元變換表示所述過程的操作包括基於應用於所述多元變換的縮放參數表示所述過程的操作。8、根據權利要求1所述的方法，其中所述觀測值成分集合內的各觀測值成分都包括向量維度。9、根據權利要求8所述的方法，進一步包括在一時間段內從所述加工廠內的過程採集過程數椐；以及確定作為觀測值的採樣率的函數並作為數據採集的時間段的函數的各向量維度。10、根據權利要求1所述的方法，其中所述一元變量包括^支指派為對過程變量進行綑紮的變量。11、根據權利要求1所述的方法，其中基於所述多元變換表示所述過程的操作包括生成作為一元變量的函數的多元變換的i見圖。12、根據權利要求11所述的方法，其中生成作為一元變量的函數的多元變換的視圖包括生成顯示相對於一元變量具有唯一位置的各過程變量的視圖，所述唯一位置由對過程變量向量唯一的位置參數確定。13、根據權利要求1所述的方法，其中各過程變量包括已知的過程變量控制極限，所迷方法進一步包括使用對各過程變量唯一的縮放參數將各過程變量向量變換歸一化到相同的過程變量控制極限，以生成過程變量的公共過程變量控制極限，其中基於所述多元變換表示所述過程的操作包括監控各過程變量與所述^^共過程變量極限的關係。14、根據權利要求1所述的方法，其中至少一個過程變量包括未知的過程變量控制極限，所述方法進一步包括針對該至少一個過程變量來採集數據集合，其中所採集的過程變量數據集合表示當所述過程正常操作時所述過程的正常操作，並且包括該至少一個多元過程變量的多個觀測值；在所述過程的正常操作下確定所述未知的過程變量控制極限；以及使用對各過程變量唯一的縮放參數將各過程變量向量變換歸一化到相同的過程變量控制極限，以生成過程變量的公共過程變量控制極限，其中基於所述多元變換表示所述過程的操作包括監控各過程變量與所確定的過程變量極限的關係。15、根據權利要求1所述的方法，進一步包括從所述加工廠內的過程採集包括所述過程的實時操作的測量值的過程數據。16、根據權利要求15所述的方法，其中從所述加工廠內的過程採集過程數據包括當所述加工廠內的過程在線時，從所述過程採集包括所述過程的實時操作的測量值的監控在線過程數據。17、對艮據權利要求15所述的方法，其中基於所述多元變換表示所述過程的操作包括生成作為一元變量的實時函數的多元變換的視圖。18、一種監控加工廠中的過程的系統，其中所述過程生成包括多個過程變量的多元過程數據，所述多個過程變量中的各過程變量具有多個觀測值，其中各過程變量被定義為包括觀測值成分集合的過程變量向量，其中所述觀測值成分集合具有與該過程變量的觀測值相對應的時變過程數椐，所述系統包括過程變量變換工具，適於計算作為多個過程變量向量變換的函數的多元變換，所述多個過程變量向量變換中的各過程變量向量變換與過程變量之一相對應，其中各過程變量向量變換是對過程變量進行一元化的一元變量的函數；以及監控工具，適於基於所述多元變換表示所述過程的操作，其中所述過程的操作的表示針對所述過程變量中的每一個指派過程數據通過一元變量的多元投影。19、根據權利要求18所述的系統，其中各過程變量被定義為包括所述多個過程變量中的各過程變量的被轉置的觀測值集合的過程變量向量。20、根據權利要求18所述的系統，其中所述過程變量變換工具適於計算作為對過程變量進行一元化的一元變量的函數的各過程變量向量的變換。21、根據權利要求20所述的系統，其中所述過程變量變換工具適於計算作為對過程變量進行一元化的一元變量的函數並作為對過程變量向量唯一的位置參數的函數的各過程變量向量的變換。22、根據權利要求20所述的系統，其中所述過程變量變換工具適於計算作為對過程變量進行一元化的一元變量的函數並作為應用於所述觀測值成分集合內的各觀測值成分的縮放參數的函數的各過程變量向量的變換。23、根據權利要求18所述的系統，其中所述過程變量變換工具適於計算作為所述多個過程變量向量變換的乘積的多元變換。24、根據權利要求18所述的系統，其中所述監控工具適於基於應用於所述多元變換的縮放參數來表示所述過程的操作。25、根據權利要求18所述的系統，其中所述觀測值成分集合內的各觀測值成分包括向量維度。26、根據權利要求25所述的系統，進一步包括數據採集工具，適於在一時間段內從所述加工廠內的過程採集過程數據，其中各向量維度被確定為觀測值的採樣率的函數和數據採集的時間段的函數。27、根據權利要求18所述的系統，其中所述一元變量包括被指派為對過程變量進4亍綑紮的變量。28、根據權利要求18所述的系統，其中所述監控工具適於生成作為一元變量的函數的多元變換的視圖。29、根據權利要求28所述的系統，其中所述監控工具適於生成顯示相對於一元變量具有唯一位置的各過程變量的視圖，所述唯一位置由對過程變量向量唯一的位置參數確定。30、根據權利要求18所述的系統，其中各過程變量包括已知的過程變量控制極限，所述系統進一步包括歸一化工具，適於使用對各過程變量唯一的縮放參數將各過程變量向量變換歸一化到相同的過程變量控制極限，以生成過程變量的公共過程變量控制極限，其中所述監控工具適於監控各過程變量與所述公共過程變量極限的關係。31、根據權利要求18所述的系統，其中至少一個過程變量包括未知的過程變量控制極限，所述方法進一步包括數據採集工具，適於針對該至少一個過程變量採集數據集合，其中所採集的過程變量數據集合表示當所述過程正常操作時所述過程的正常操作，並且包括該至少一個多元過程變量的多個觀測值；分析工具，適於在所述過程的正常操作下確定所述未知的過程變量控制極限；以及歸一化工具，適於使用對各過程變量唯一的縮放參數將各過程變量向量變換歸一化到相同的過程變量控制極限，以生成過程變量的^^共過程變量控制^L限，其中所述監控工具適於監控各過程變量與公共過程變量極限的關係。32、根據權利要求18所述的系統，進一步包括數據釆集工具，適於從所述加工廠內的過程採集包括所述過程的實時操作的測量值的過程數據。33、根據權利要求32所述的系統，所述數據採集工具適於在加工廠內的過程在線時，從所述過程採集包括所述過程的實時操作的測量值的監控在線過程數據。34、根據權利要求32所述的系統，其中所述監控工具適於生成作為一元變量的實時函數的多元變換的視圖。35、一種用於監控加工廠中的過程的系統，所述系統包括第一分析工具，適於基於對多元過程變量進行一元化的一元變量，針對多個多元過程變量中的每一個生成一元統計表示，所述多個多元過程變量中的每一個都具有多個3見測值；第二分析工具，適於基於所述多個多元過程變量的多個一元統計表示，生成所述過程的操作的一元統計表示；以及第三分析工具，適於基於作為一元變量的函數的所述過程的操作的一元統計表示，監控所述過程的操作。36、根據權利要求35所述的系統，進一步包括第四分析工具，適於將各過程變量定義為包括觀測值成分集合的過程變量向量，其中所述觀測值成分集合包括與所述多元過程變量的觀測值相對應的時變過程數據。37、根據權利要求35所述的系統，進一步包括第四分析工具，適於基於所述多個多元過程變量的多個一元統計表示的組合，將所述多個多元過程變量變換為所述多個多元過程變量的一元表示。38、根據權利要求37所述的系統，其中所述第二分析工具適於基於所述多個多元過程變量的一元表示，生成所述過程的操作的一元統計表示。39、根據權利要求35所述的系統，其中所述第三分析工具適於基於作為一元變量的函數的所述過程的操作的一元統計表示，監控所述過程的實時操作。40、根據權利要求35所述的系統，其中所述第三分析工具適於生成作為一元變量的函數的所述過程的操作的一元統計表示的視圖。41、根據權利要求40所述的系統，其中所述第三分析工具適於生成顯示相對於一元變量具有唯一位置的各過程變量的視圖。42、根據權利要求35所述的系統，其中各多元過程變量包括已知的過程變量控制極限，所述系統進一步包括第四分析工具，適於將多元過程變量的各一元統計表示歸一化到公共過程變量控制極限，其中所述第三分析工具適於監控所述過程的操作的一元統計表示所表示的各多元過程變量與所述公共過程變量控制極限的關係。43、根據權利要求35所述的系統，其中多元過程變量中的至少一個多元過程變量包括未知的過程變量控制極限，所述系統進一步包括第四分析工具，適於針對該至少一個多元過程變量來採集數據集合，其中所採集的多元過程變量數據集合表示當所述過程正常操作時所述過程的正常操作，並且包括該至少一個多元過程變量的多個觀測值；第五分析工具，適於在所述過程的正常操作下確定所述未知的過程變量控制衝及限；以及第六分析工具，適於將多元過程變量的各一元統計表示歸一化到公共過程變量控制極限，其中所述第三分析工具適於監控所述過程的操作的一元統計表示所表示的各多元過程變量與所述公共過程變量控制極限的關係。44、根據權利要求35所述的系統，其中多個多元過程變量中的各多元過程變量的一元統計表示由所述第一分析工具計算為p—ly—cx)+k:x::'其中y=—元變量，A=對各多元過程變量的過程變量向量唯一的位置參數，kj=縮放參數，Xij=過程變量向量的觀測值成分集合內的觀測值成分，i=l,...,n，其中n對應於多元過程變量的數目，並且j=l，...,m，其中m對應於各觀測值成分的、由採集觀測值的採樣率和採集觀測值的總時間確定的向量維度。45、根據權利要求44所述的系統，其中各多元過程變量的過程變量向量由第四分析工具計算為Xr[Xi，,，Xi，2，…,Xi，m]T，其中T包括轉置運算。46、根據權利要求35所述的系統，其中所述過程的操作的一元統計表示由所述第二分析工具計算為Mv(y)=Kp/P(y)其中Kp=縮放參數，P(y)=p,(y)*P2(y)*".p(y)y:—元變量，pn(y)=第n多元過程變量的一元統計表示，並且n=多元過程變量的數目。全文摘要監控加工廠中的多元過程數據的方法和系統，其中多元過程數據包括多個各自具有多個觀測值的過程變量，該方法包括將各過程變量定義為包括觀測值成分集合的過程變量向量，其中所述觀測值成分集合包括與過程變量的觀測值相對應的時變過程數據；計算作為多個各自對應於過程變量之一的過程變量向量的函數的多元變換，其中各過程變量向量變換是對過程變量進行一元化的一元變量的函數；以及基於所述多元變換來表示過程的操作，其中過程的操作的表示針對過程變量中的各過程變量指派所述過程數據通過一元變量的多元投影。文檔編號G05B23/02GK101542409SQ200780044022公開日2009年9月23日申請日期2007年9月28日優先權日2006年9月29日發明者尼古拉·薩馬爾季亞申請人:費舍-柔斯芒特系統股份有限公司