工程模型故障诊断

有效的基于模型的控制策略依赖于创建一个精确的过程模型。如果没有这个最基本的功能，流程将无法正常运行。因此，当出现错误时，确定它们是实际的操作问题还是错误的建模假设是很重要的。本文概述了创建基于模型的最优流程故障分析器的一般方法。它被称为最小证据法(method of minimal evidence)。memo是一种基于用传感器数据描述目标过程系统正常运行的工程模型评估的诊断策略。该方法使用最少的诊断证据来唯一区分无效的建模假设变量(例如，假设不存在特定流程故障情况的假设)和所有其他有效的建模假设变量。

此外，它还确保所生成的故障分析器始终能够胜任工作，并优化其诊断的诊断灵敏度和分辨率。用该方法创建的诊断知识库还有助于诊断许多多重故障情况，确定过程传感器的战略位置以促进故障分析，并确定大型加工厂故障分析仪的精确分布。在德克萨斯州维多利亚市由杜邦公司拥有和运营的己二酸工厂和纽约托纳旺达由FMC公司拥有和运营的过硫酸盐电解工厂中，该系统已被证明是合格的。

这些过硫酸盐工艺的有效运行需要对溶液化学成分进行极其严格的控制。因此，在所有不同的阳离子和阴离子物种之间保持紧密的强度和pH值窗口是至关重要的。这反过来又需要对这些变量进行高度准确和可靠的测量，以及验证这些准确性的方法。因此，自动化的基于模型的过程故障分析提供了一个有用的工具，可以保证这些测量中哪些是当前正确的，并立即标记出那些不正确的测量。这种自动检测和警报功能允许FMC更频繁地在全自动驾驶模式下操作其dcs。

虽然MOME可以使用国产系统进行设置，但它已经被转换为获得专利的模糊逻辑推理算法，现在在一个名为FALCONEER IV的程序中完全自动化。一旦该平台可用，FMC发现，将其原始手工编译的FMC ESP故障分析仪转换为自动生成诊断逻辑所需的格式，只需对描述该过程的现有30个主要模型和性能方程进行编码。为FMC LAP工艺创建、编码和分析30多个主要模型和5个性能方程需要大约两个人-周的工作，以获得一个功能齐全且经过验证的工艺故障分析仪。FMC已经独立地记录了这两个应用程序带来的一些好处。所有FALCONEER IV应用程序可以在所有可能的诊断分辨率水平上诊断所有单故障情况，以及所有非交互式和几乎所有可能的交互式多故障情况对。

MOME诊断策略

基于模型的推理是一种高度系统和强大的方法，用于推导有关异常过程行为原因的合理假设。开发合格的基于模型的故障分析器的第一步是导出一组尽可能多的正常流程运行的线性独立模型。它们应该准确地描述目标进程系统在无故障(即正常)操作期间的行为。这些模型包括工艺系统组件的正常运行特性、这些组件之间的功能关系、过程控制策略以及潜在的基本守恒、热力学和物理化学原理。派生这些模型所需的建模假设集定义了它们预测正常流程行为的领域。

然后，将使用实际工艺数据评估这些模型所产生的诊断证据与各种可能故障情况下模型行为的预期模式进行比较，即SV&PFA(传感器验证和主动故障分析)诊断规则，该诊断规则可以在故障分析器的预期范围内从逻辑上区分各种可能的工艺操作事件。用于这种鉴别的诊断证据的具体模式完全取决于实际采用的具体基于模型的诊断策略。简而言之，基于模型的故障分析器是确定其SV&PFA诊断规则中哪一个最接近当前观察到的过程行为的计算机程序。因此，他们对过程故障情况的理解完全取决于其正常运行的底层模型以及随后用于识别这些故障情况的SV&PFA诊断规则。

但是，我们使用的SV&PFA诊断规则是由我们的ome模糊逻辑算法编译器自动生成的，因此在逻辑上总是正确的。因此，由于这些诊断规则使用的诊断证据是直接从评估其底层流程模型中确定的，因此故障分析器的性能本质上完全受限于对这些模型中表示的正常流程行为的理解。

主要优势

在制定最优诊断规则时，最优诊断策略的主要优势来自于它对可能满足和违反的过程模型残差模式的选择，这些残差用于识别貌似合理的故障假设。只有那些被认为与每个潜在流程故障相关的模型才包含在相关的诊断规则中。因此，MOME识别了所有可能的假设变量偏差，这些偏差与最近采样的过程传感器数据生成的诊断证据的当前模式一致。因此，不同过程故障假设之间的完美解决并不总是可能的，或者只有在指定故障的较大量级(即，在足够大的量级足以违反所有受影响的相关模型残差)时才有可能。

这是及时故障检测和正确识别潜在故障之间的经典权衡。用较低的诊断分辨率换取较高的诊断灵敏度，允许故障分析器将当前可能发生的潜在流程故障缩小为对当前流程状态的合理数量的合理解释，然后流程操作员可以进一步检查这些解释，以确定实际存在的故障。这直接标记潜在的早期故障情况，而不是等到故障的量级严重到可以进行唯一分类。这就是为什么该方法被称为最小证据方法:只要线性无关集的模型残差中只有一个表明过程运行异常，就可以诊断出所有可能的故障情况。

逻辑推理

memo使用基于模型的推理来推断异常过程行为的原因。它用最少的诊断证据来唯一地诊断各种可能的故障情况。此外，由此产生的故障分析仪总是能够以最好的分辨率和最高的灵敏度对给定的故障级别进行有效的诊断。

这种方法的一个关键特征是选择诊断证据的各种模式。这种选择充分利用了可用诊断证据中包含的所有信息，特别是对违反模型残差中固有的线性假设变量偏差的故障量级的估计。在这种选择中所遵循的策略依赖于默认推理:除了一个错误假设(如果完全解决是可能的)之外，所有的错误假设都被包含在给定的诊断证据模式中的一些诊断证据所支持，并且系统地被包含在该模式中的其他一些证据所不可信。

因此，默认情况下，剩下的错误假设是对相关诊断证据的完整模式的唯一合理解释。以这种方式使用默认推理允许该诊断策略将每个故障诊断基于正确诊断所需的最少诊断证据。这直接允许正确诊断许多其他潜在的多重故障情况。

本文中描述的各种问题将在中进行更详细的讨论最优自动化过程故障分析， Richard J. Fickelscherer和Daniel L. Chester，©John Wiley & Sons, Inc, 2013。本材料经John Wiley & Sons, Inc.许可转载。

点击这里下载一个免费章节．

https://www.wiley.com/WileyCDA/

Richard J. Fickelscherer博士是Falconeer Technologies有限责任公司(Williamsville, ny .)的合伙人falconeertech@verizon.com．Daniel L. Chester博士目前担任特拉华大学计算机与信息科学系副主任。他也是Falconeer Technologies, LLC的联合创始人chester@cis.udel.edu．

关键概念:

• 有效的基于模型的过程控制策略依赖于拥有有效的过程模型。
• 采用这种分析策略，可以从更少的信息中获得更可靠的结果。
• 关于这项技术的更多信息可以在网上找到。

在线

https://falconeertech.com/

www.wiley.com

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。