ES2331576T3 - Dispositivo de diagnostico para un sistema de control de proceso. - Google Patents
Dispositivo de diagnostico para un sistema de control de proceso. Download PDFInfo
- Publication number
- ES2331576T3 ES2331576T3 ES05706510T ES05706510T ES2331576T3 ES 2331576 T3 ES2331576 T3 ES 2331576T3 ES 05706510 T ES05706510 T ES 05706510T ES 05706510 T ES05706510 T ES 05706510T ES 2331576 T3 ES2331576 T3 ES 2331576T3
- Authority
- ES
- Spain
- Prior art keywords
- statistical
- training
- distribution
- measurement
- values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Selective Calling Equipment (AREA)
Abstract
Un dispositivo de diagnóstico (10) que comprende - un medio de recepción (100) para recibir valores de la variable de proceso (x(t)) de una variable de proceso de un medio de proceso (2) de un proceso, - un medio de procesamiento de mediciones (300) para extraer y registrar datos estadísticos de medición a partir de dichos valores de la variable de proceso, que se miden durante una fase de medición (300), - un medio de procesamiento de formación (200) para extraer y registrar datos estadísticos de formación a partir de dichos valores de la variable de proceso que se miden durante una fase de formación (200), para calcular una distribución estadística empírica de formación (250; 251) con lo que la distribución (250; 251) es una distribución de una función de valores de la variable de proceso (x(t)) que se miden durante una fase de formación (200) y para calcular una función de distribución analítica de formación (270; 271) que se aproxima a la distribución estadística empírica de formación (250) y que comprende - un medio de comparación (400) para comparar los datos estadísticos de medición con datos estadísticos de formación registrados antes que los datos estadísticos de medición, caracterizado por que los datos estadísticos de medición comprenden una distribución estadística empírica de medición (350), que es una distribución de una función de dichos valores de la variable de proceso (x(t)), que se miden durante una fase de medición (300), y por que los datos estadísticos de formación comprenden la función de distribución analítica de formación (270) y por que el medio de comparación (400) proporciona una indicación de fallo en caso de que el nivel de confianza (1/Chi2) obtenido a partir de un ensayo estadístico (450) de la consistencia de la distribución estadística empírica de medición (350) con la función de distribución analítica de formación (250) esté por debajo de un valor umbral prescriptible (K'').
Description
Dispositivo de diagnóstico para un sistema de
control de proceso.
La invención se refiere al campo del diagnóstico
de dispositivos de proceso, tales como los que se usan en procesos
industriales o científicos, y en particular al campo del diagnóstico
de dispositivos de proceso usando una variable de proceso detectada
de dicho proceso. Se refiere a métodos y aparatos de acuerdo con la
cláusula de apertura de las reivindicaciones.
Se conoce un dispositivo de diagnóstico y método
de diagnóstico de este tipo por la publicación de patente US 6 601
005. El dispositivo detecta valores de variables de proceso tales
como, por ejemplo, valores de presión o de flujo, y los propios
procesos para extraer a partir de ellos señales de interferencias de
vibración que lleva un medio de proceso (por ejemplo, líquido, gas)
del proceso. Después se valúa dicha señal procesada relacionada con
la vibración, terminando la evaluación en una salida que indica que
algún dispositivo de control (por ejemplo, una bomba o válvula) del
proceso tiene un fallo. En el método descrito en el documento US 6
601 005 mencionado anteriormente se sugiere el uso de la
transformada wavelet (wavelet) o la transformada de Fourier o una
red neural o análisis estadístico, u otras técnicas de evaluación de
señales para obtener la señal procesada. Por lo que respecta a la
evaluación de la señal procesada, se sugiere comparar la señal o
señales procesadas con un valor límite seleccionable o una serie de
valores límite. Por ejemplo, si se ha usado una transformada
wavelet para obtener la señal procesada, se comprobará para cada
coeficiente wavelet calculado, si ha excedido un valor límite
correspondiente. Si al menos un coeficiente wavelet ha excedido su
valor límite correspondiente, se indicará un fallo (de algún
dispositivo o dispositivos de control con los que se relaciona el
coeficiente wavelet).
Además, en el documento US 6 601 005 mencionado
anteriormente se describe la eliminación de variaciones de proceso
conocidas que pueden deberse a ciertas actividades de proceso, a
partir de valores de variables de proceso. Esto se hace restando
datos modelados de datos (de valores de variables de proceso)
recogidos durante la operación. Es de esperar que después de la
resta sólo queden anomalías y éstas se evalúan. Si, por ejemplo,
las variaciones de proceso conocidas se deben a cambios en la
temperatura ambiental, que pueden producirse durante el día y que
influyen en los valores de la variable de proceso, pueden tomarse
varias series de datos a diferentes tiempos durante el día cuando
el proceso funciona sin fallos. Estas series de datos de operación
normal "plana" de base se emplean como series de datos
modelados de los que, por ejemplo, una red neural puede elegir el
apropiado, que después se resta de los datos recogidos durante la
operación para que queden únicamente señales anormales. Tanto los
modelos como los datos recogidos durante la operación son datos
transformados wavelet, de forma que los coeficientes wavelet
correspondientes se restan entre sí para retirar las variaciones
del proceso conocidas y producir valores a comparar con valores
límite prescriptibles.
La elección de los valores límite con los que se
compara la señal procesada es muy importante para la fiabilidad de
la salida del dispositivo de diagnóstico ("fallo"/"no
fallo"). Es deseable proporcionar bases fiables para la salida
de diagnóstico del dispositivo de diagnóstico.
Por lo tanto, un objetivo de la invención es
crear un dispositivo de diagnóstico y un método de diagnóstico que
proporcionen bases fiables para una salida de diagnóstico del
dispositivo de diagnóstico. También es un objetivo de la invención
crear otros dispositivos y sistemas que incorporen este dispositivo
de diagnóstico o método de
diagnóstico.
diagnóstico.
El problema se resuelve por medio de aparatos y
métodos con las características de las reivindicaciones
independientes.
De acuerdo con la invención, el dispositivo de
diagnóstico comprende
- un medio de recepción para recibir valores de
variable de proceso de una variable de proceso de un medio de
proceso de un proceso,
- un medio de procesamiento de mediciones para
extraer y registrar datos estadísticos de medición a partir de
dichos valores de variable de proceso, que se miden durante una fase
de medición,
- un medio de procesamiento de formación para
extraer y registrar datos estadísticos de formación a partir de
dichos valores de la variable de proceso, que se miden durante una
fase de formación, y
- un medio de comparación para comparar los
datos estadísticos de medición con datos estadísticos de formación
registrados antes que los datos estadísticos de medición.
Gracias a esto, es posible proporcionar bases
fiables para la salida de diagnóstico del dispositivo de
diagnóstico. En particular, es posible proporcionar una fiabilidad
prescriptible de la salida de diagnóstico del dispositivo de
diagnóstico y/o es posible proporcionar un nivel de confianza de la
salida (indicación de certeza de la salida "fallo"/"no
fallo").
El dispositivo de diagnóstico puede ser
cualquier dispositivo o combinación de dispositivos que puede
recibir valores de la variable de proceso y procesarlos de la forma
descrita. Puede ser un transmisor, un dispositivo de monitorización
del proceso o un sistema de monitorización del proceso, un
controlador o un sistema de control del proceso, un ordenador
personal o similar. El dispositivo de diagnóstico preferiblemente es
adecuado para usarse en un sistema de control de proceso. Puede
aplicarse en un sistema de control.
El dispositivo de diagnóstico puede estar
integrado en un transmisor, en un dispositivo de monitorización del
proceso, en un controlador o similar. El dispositivo de diagnóstico
puede ponerse en práctica, por ejemplo, en un medidor de flujo, un
transmisor de presión o un transmisor de presión diferencial.
En una realización preferida, el dispositivo de
diagnóstico comprende un medio de detección para medir la variable
de proceso y para generar los valores de la variable de proceso. Los
valores de la variable de proceso generados después pueden
transmitirse a los medios de recepción. Gracias a los medios de
detección, el dispositivo de diagnóstico puede tener
simultáneamente la función de un transmisor y/o un monitor del
proceso. El dispositivo de diagnóstico puede usarse como un
dispositivo de proceso autónomo.
El medio de recepción recibe valores de la
variable de proceso y puede ser, por ejemplo, una interfaz o un
puerto, realizados en el hardware y/o software. Las posibles
variables de proceso incluyen el flujo, la presión, la presión
diferencial, el nivel, la temperatura o similares. Los valores de la
variable de proceso son valores de una variable de proceso o
valores de una medida relacionada con la variable de proceso, por
ejemplo, puede haber alguna relación funcional (por ejemplo lineal)
entre los valores de la variable de proceso y los valores
respectivos de la variable de proceso en una unidad dada.
El medio de proceso típicamente es un fluido. En
particular, puede ser un gas o un líquido o una mezcla de éstos, o
una mezcla de éstos más componentes sólidos, por ejemplo, una
emulsión.
El medio de procesamiento de mediciones es un
medio (realizado en el hardware y/o en el software) para procesar
valores de la variable de proceso medidos (capturados) durante una
fase de medición, de tal forma que se generan datos estadísticos de
medición a partir de los valores de la variable de proceso. El
procesamiento puede incluir diversos tipos de cálculos, por ejemplo
cálculos aritméticos y transformaciones tales como la transformada
de Fourier o la transformada wavelet. Los datos estadísticos de
medición se registran (almacenan) para proporcionar una salida o
para procesarse adicionalmente.
Por "fase de medición" se entiende un
período de tiempo y/o un modo del dispositivo de diagnóstico en los
que el dispositivo de diagnóstico realiza su función "normal",
es decir realiza un diagnóstico. Éste es el estado de operación
normal del dispositivo de diagnóstico, en el que el dispositivo de
diagnóstico se usa normalmente. Durante la fase de medición, el
dispositivo de diagnóstico puede diagnosticar el proceso y, en
particular, detectar un fallo en el proceso, por ejemplo, un fallo
de un dispositivo de proceso o incluso un fallo de un transmisor u
otro dispositivo de proceso en el que está integrado el dispositivo
de diagnóstico.
Por "fase de formación" se entiende un
periodo de tiempo y/o un modo del dispositivo de diagnóstico en los
que el dispositivo de diagnóstico recibe valores de la variable de
proceso, que es de esperar que sean representativos de una
operación normal (típicamente sin fallos) del proceso. Va a recibir
información estadística sobre el proceso, que posteriormente puede
compararse con la información estadística sobre el proceso capturada
durante una fase de medición.
Los datos estadísticos de medición son la
información estadística derivada de los valores de la variable de
proceso que se capturan o se miden durante una fase de medición. Los
datos estadísticos de medición pueden ser un punto o un grupo de
puntos seleccionados a partir del grupo que comprende el valor medio
(por ejemplo la media aritmética), el error cuadrático medio, la
desviación típica, la varianza, o la distribución estadística.
También puede ser un valor o una serie de valores obtenidos a partir
de uno o más miembros de ese grupo. La distribución estadística
puede ser una distribución empírica o puede ser una distribución
analítica (teórica), típicamente una distribución ajustada. Una
distribución ajustada o curva ajustada preferiblemente significa el
mejor ajuste con respecto a algún criterio, por ejemplo, un ajuste
por mínimos cuadrados.
Los datos estadísticos de formación son
información estadística obtenida a partir de valores de la variable
de proceso que se capturan o se miden durante la fase de formación.
Los datos estadísticos de formación pueden ser un punto o un grupo
de puntos seleccionados del grupo que comprende el valor medio (por
ejemplo la media aritmética), el error cuadrático medio, la
desviación típica, la varianza o la distribución estadística.
También puede ser un valor o una serie de valores (por ejemplo,
valores límite) obtenidos a partir de uno o más miembros de ese
grupo. La distribución estadística puede ser una distribución
empírica o puede ser una distribución ajustada
(teórica).
(teórica).
El medio de procesamiento de formación es un
medio (realizado en el hardware y/o en el software) para procesar
valores de la variable de proceso medidos (capturados) durante una
fase de formación, de tal forma que se generen datos estadísticos
de formación a partir de los valores de la variable de proceso. El
procesamiento puede incluir diversos tipos de cálculos, por
ejemplo, aritméticos o transformaciones tales como la transformada
de Fourier o la transformada wavelet. Los datos estadísticos de
formación se registran (almacenan) para una salida o procesamiento
adicional.
El medio de comparación (realizado en el
hardware y/o en el software) compara los datos estadísticos de
medición con datos estadísticos de formación. A partir de la salida
de los medios de comparación puede deducirse que probablemente se
habrá producido algún fallo en el proceso. Debido a la comparación
de los datos estadísticos se obtiene una base sólida y fiable para
una salida de diagnóstico, ya que se ha evaluado un número
considerable de valores de la variable de proceso para generar los
datos estadísticos. Además, debido a la comparación de los datos
estadísticos es posible estimar o prescribir la probabilidad de la
exactitud de una salida de diagnóstico. Es decir, puede
proporcionarse una indicación de salida de fallo (o ausencia de
fallo) con una indicación de un nivel de confianza asociado con la
indicación de fallo (o ausencia de fallo), o se proporciona una
indicación de salida de fallo (o ausencia de fallo) sólo si la
indicación tiene al menos un nivel de confianza prescriptible
(indicación de grado de certeza). Por consiguiente, una salida de
diagnóstico de un dispositivo de diagnóstico tiene un valor añadido
considerable si se basa en la comparación de los datos estadísticos
de medición con los datos estadísticos de formación como se ha
puesto en práctica en el medio de comparación.
Los "medios" mencionados anteriormente
(medio de recepción, medio de procesamiento de mediciones, medio de
procesamiento de formación, medio de comparación y medio de
detección) también podrían denominarse "unidades". Estos
medios, en particular el medio de recepción, el medio de
procesamiento de mediciones, el medio de procesamiento de formación
y el medio de comparación, pueden ser parcial o totalmente
idénticos, en particular si se realizan en forma de software y/o
hardware.
En una realización preferida, el medio de
comparación tiene una salida de condición relacionada con una
condición del proceso, donde la condición del proceso es diferente
de una medida para la variable de proceso. Por consiguiente, una
salida de diagnóstico del dispositivo de diagnóstico preferiblemente
no es una magnitud que indique valores de la variable de proceso.
Por ejemplo, si la variable de proceso es la velocidad de flujo del
medio de proceso, la condición del proceso puede ser, por ejemplo,
una condición de una bomba, por ejemplo indicada por su velocidad
de bombeo, o una condición de otro dispositivo del proceso, en
particular un dispositivo de control del proceso.
En particular, si el dispositivo de diagnóstico
comprende un medio de detección, la salida de la condición puede
relacionarse con la condición del medio de detección.
Por consiguiente, en este caso la salida de
condición está relacionada con la condición del dispositivo de
diagnóstico de forma que el dispositivo de diagnóstico proporcione
una característica de autodiagnóstico.
En otra realización preferida, los datos
estadísticos de medición y los datos estadísticos de formación están
relacionados con interferencias que lleva el medio del proceso.
Estas interferencias pueden ser, por ejemplo, interferencias de
vibración. Las interferencias pueden proceder de un dispositivo de
proceso.
De acuerdo con la invención, el medio de
procesamiento de formación calcula una distribución estadística
empírica de formación. La distribución estadística empírica de
formación es una distribución relacionada con valores de la
variable de proceso medidos durante una fase de formación. En una
realización, puede ser una distribución de valores de la variable
de proceso o, más generalmente, de una función de valores de la
variable de proceso, por ejemplo, el cuadrado de los valores de la
variable de proceso o la suma de los cuadrados de los valores de la
variable de proceso. En otra realización, puede ser una distribución
de valores procedentes de una transformada de valores de la
variable de proceso.
En la última realización, preferiblemente el
medio de procesamiento de mediciones calcula una transformada de
valores de la variable de proceso que se miden durante una fase de
medición, en coeficientes X_{m}(k) de una serie de
funciones ortogonales, y el medio de procesamiento de formación
calcula una transformada (del mismo tipo) de valores de la variable
de proceso que se miden durante una fase de formación, en
coeficientes X_{t}(k) de la misma serie de funciones
ortogonales, y la distribución estadística empírica de formación es
una distribución de una función de los coeficientes
X_{t}(k). La distribución estadística empírica de
formación puede ser, por ejemplo, una distribución de los
coeficientes X_{t}(k) o de los coeficientes
X_{t}(k) al cuadrado; también son posibles otras
funciones, preferiblemente aritméticas. Preferiblemente, las
funciones ortogonales son funciones ortonormales.
La transformada puede ser preferiblemente una
del grupo de la transformada de Fourier y la transformada
wavelet.
De acuerdo con la invención, el medio de
procesamiento de formación calcula una función de distribución
analítica de formación que se aproxima a la distribución
estadística empírica de formación. Es decir, una función
prescriptible con uno, dos o más parámetros se ajusta a la
distribución estadística empírica de formación. De esta manera, se
recoge un máximo de información de alta precisión a partir de los
datos medidos y se reduce la influencia de desviaciones
estadísticas durante la fase de formación.
Se ha descubierto que la función de distribución
Gamma proporciona un ajuste particularmente preciso a distribuciones
estadísticas empíricas de formación típicas, al menos por lo que
respecta a las distribuciones estadísticas empíricas de formación
de valores derivados de coeficientes de Fourier.
En una realización preferida, los datos
estadísticos de medición comprenden un valor medio Mp de una función
de valores de la variable de proceso, que se miden durante una fase
de medición: por ejemplo, el valor medio Mp puede cogerse de los
propios valores de la variable de proceso o del cuadrado de los
valores de la variable de proceso. El medio de procesamiento de
formación calcula, como datos estadísticos de formación o como parte
de los mismos, un valor límite inferior L_{t,p} y un valor límite
superior U_{t,p} a partir de la función de distribución analítica
de formación. Y, preferiblemente, el medio de comparación
proporciona una indicación de fallo en caso de que el valor medio
Mp que sea menor que el valor límite inferior L_{t,p} o mayor que
el valor límite superior U_{t,p}. Esta realización tiene la
ventaja de que el valor límite inferior L_{t,p} y el valor límite
superior U_{t,p} pueden elegirse de tal forma que se consiga un
nivel de confianza prescriptible (mínimo) de la salida de
diagnóstico, ya que estos valores límite se obtienen a partir de una
distribución estadística. Además, la precisión con la que pueden
determinarse los valores límite que corresponden a un nivel de
confianza deseado (mínimo) es muy alta porque los valores límite
proceden de la función de distribución analítica de formación
(ajustada). Otra ventaja de esta realización es que el esfuerzo de
procesamiento necesario para obtener la salida de diagnóstico es
relativamente bajo con respecto a la calidad, en particular la
fiabilidad y solidez de la salida de diagnóstico.
Otra realización preferida funciona de forma
similar, pero con valores de la variable de proceso transformados,
y tiene ventajas correspondientes: en esta realización, los datos
estadísticos de medición comprenden un valor medio M_{c} de una
función de los coeficientes X_{m}(k) y el medio de
procesamiento de formación calcula, como datos estadísticos de
formación o como parte de los mismos, un valor límite inferior
L_{t,c} y un valor límite superior U_{t,c} a partir de la
función de distribución analítica de formación, y preferiblemente,
el medio de comparación proporciona una indicación de fallo en caso
de que el valor medio Mc sea menor que el valor límite inferior
L_{t,c} o mayor que el valor límite superior U_{t,c}. El valor
medio Mc puede hacer referencia, por ejemplo, a los coeficientes
X_{m}(k) directamente o a los coeficientes
X_{m}(k) al cuadrado u otra función, preferiblemente
aritmética, de los coeficientes X_{m}(k).
En lugar del valor medio, o además de este
valor, es posible usar la varianza o la desviación típica en las
realizaciones preferidas mencionadas anteriormente.
De acuerdo con la invención, los datos
estadísticos de medición comprenden una distribución estadística
empírica de mediciones que es una distribución de una función de
valores de la variable de proceso que se miden durante una fase de
medición, y los datos estadísticos de formación comprenden la
función de distribución analítica de formación. El medio de
comparación compara la distribución estadística empírica de medición
con la función de distribución analítica de formación. El medio de
comparación puede proporcionar una indicación de fallo dependiendo
del resultado de la comparación de la distribución estadística
empírica de medición con la función de distribución analítica de
formación. Preferiblemente, el medio de comparación proporciona una
indicación de fallo en caso de que el nivel de confianza derivado
de un ensayo estadístico de la consistencia de la distribución
estadística empírica de medición con la función de distribución
analítica de formación esté por debajo de un valor umbral
prescriptible. En esta realización, se calcula y se compara una
distribución de valores medidos actualmente, preferiblemente en un
ensayo estadístico, con una distribución analítica que se ha
ajustado a una distribución medida durante la fase de formación.
Por medio del valor umbral puede elegirse un nivel de confianza
deseado de la salida de diagnóstico.
En dicha realización es posible comparar la
distribución estadística empírica de medición con la distribución
estadística empírica de formación en lugar de con la función de
distribución analítica de formación.
De forma similar a esta realización, otra
aspecto de la invención tiene ventajas correspondientes, pero maneja
distribuciones estadísticas derivadas de valores de la variable de
proceso transformados: en esta realización, los datos estadísticos
de medición comprenden una distribución estadística empírica de
medición que es una distribución de una función de los coeficientes
X_{m}(k) (por ejemplo, una distribución de los propios
coeficientes X_{m}(k) o del cuadrado de los coeficientes
X_{m}(k) o ...), y los datos estadísticos de formación
comprenden la función de distribución analítica de formación. El
medio de comparación puede proporcionar una indicación de fallo
dependiendo del resultado de una comparación de la distribución
estadística empírica de medición con la función de distribución
analítica de formación. Preferiblemente, el medio de comparación
proporciona una indicación de fallo en caso de que el nivel de
confianza derivado de un ensayo estadístico de la consistencia de
la distribución estadística empírica de medición con la función de
distribución analítica de formación esté por debajo de un valor
umbral prescriptible. En esta realización, se calcula y se compara
una distribución de coeficientes derivados de valores medidos
actualmente, preferiblemente en un ensayo estadístico, con una
distribución analítica que se ha ajustado a una distribución
obtenida durante la fase de formación. Por medio del valor umbral
puede elegirse un nivel de confianza deseado de la salida de
diagnóstico.
En dicha realización es posible comparar la
distribución estadística empírica de medición con la distribución
estadística empírica de formación en lugar de con la función de
distribución analítica de formación.
Los ensayos estadísticos que se han considerado
particularmente útiles para la comparación de distribuciones en
estas realizaciones son ensayos de ajuste, en particular el ensayo
Chi^{2} y el ensayo de Kolmogorov-Smirnov.
\newpage
Otra realización comprende no sólo dispositivos
de diagnóstico del tipo mencionado anteriormente, sino también
transmisores, dispositivos de control de proceso, dispositivos de
monitorización de proceso y sistemas de control de proceso que
comprenden dicho dispositivo de diagnóstico:
Las ventajas de éstos corresponden a las
ventajas de los dispositivos de diagnóstico.
La invención también comprende métodos de
diagnóstico de acuerdo con las reivindicaciones 21 y 24 y, en
particular, comprende las etapas de:
- obtener valores de la variable de proceso que
proceden de la medición de una variable de proceso de un medio de
proceso de un proceso,
- extraer y registrar datos estadísticos de
medición a partir de dichos valores de la variable de proceso, que
se miden durante una fase de medición,
- extraer y registrar datos estadísticos de
formación a partir de dichos valores de la variable de proceso, que
se miden durante una fase de formación, y
- comparar los datos estadísticos de medición
con datos estadísticos de formación registrados antes que los datos
estadísticos de medición.
El método de diagnóstico preferiblemente es un
método realizado en un medio de control de proceso.
Pueden obtenerse otros métodos de diagnóstico de
acuerdo con la invención a partir de los dispositivos de
diagnóstico de acuerdo con la invención. Las ventajas de los métodos
corresponden a las ventajas de los dispositivos de diagnóstico.
Otra realización comprende además transmisores,
dispositivos de control de proceso, dispositivos de monitorización
de proceso y sistemas de control de proceso, que ponen en práctica
un dispositivo de diagnóstico de acuerdo con la invención.
A partir de las reivindicaciones dependientes y
las figuras surgen otras realizaciones preferidas y ventajas.
A continuación, la invención se ilustra con más
detalle por medio de realizaciones preferidas que se muestran en
los dibujos incluidos: las figuras muestran:
Fig. 1 una ilustración esquemática de un medio
de control de proceso que incluye un dispositivo de diagnóstico;
Fig. 2 esquemáticamente un dispositivo de
diagnóstico con un medio de detección, que incorpora un transmisor
de presión diferencial;
Fig. 3 un diagrama de bloques de un algoritmo
básico de un dispositivo de diagnóstico;
Fig. 4 un diagrama de bloques que incluye una
fase de formación de un dispositivo de diagnóstico;
Fig. 5 un diagrama de bloques que incluye una
fase de medición de un dispositivo de diagnóstico;
Fig. 6 un diagrama de bloques de etapas
realizadas en un medio de procesamiento de formación;
Fig. 7 un diagrama de bloques de etapas
realizadas en un medio de procesamiento de mediciones y un medio de
comparación;
Fig. 8 un diagrama de bloques de etapas
realizadas en un medio de procesamiento de mediciones;
Fig. 9 un diagrama de bloques de etapas
realizadas en un medio de procesamiento de formación, que incluye
una transformada de Fourier;
Fig. 10 un diagrama de bloques de etapas
realizadas en un medio de procesamiento de mediciones, que incluye
una transformada de Fourier;
Fig. 11 un diagrama de bloques de etapas
realizadas en un medio de procesamiento de mediciones, que incluye
una transformada de Fourier, usando una pluralidad de bandas de
frecuencia;
Fig. 12 una ilustración de datos que se toman
para crear valores "medios" móviles durante una fase de
medición, que incluye una transformada de Fourier.
Los símbolos de referencia usados en las figuras
y su significado se resumen en la lista de símbolos de referencia.
En general, las partes similares o con una función similar tienen
los mismos símbolos de referencia. Las realizaciones descritas se
entienden como ejemplos y no limitan a la invención.
La Fig. 1 ilustra esquemáticamente un entorno de
control de proceso 1 típico con un dispositivo de diagnóstico 10.
El dispositivo de diagnóstico 10 comprende un transmisor de presión
diferencial 20 que tiene dos líneas de impulso 21 a través de las
cuales se acopla a un medio de proceso 2 del entorno de control de
proceso 1. El transmisor de presión diferencial 20 también puede
considerarse un dispositivo de monitorización de proceso 20, que
monitoriza una presión diferencial en el medio de proceso 2. El
medio de proceso 2 puede ser, por ejemplo, un líquido tal como agua
o aceite, que está contenido en un tubo 3. En el entorno de control
de proceso 1 se proporcionan dispositivos de control de proceso
tales como una bomba 50 (que incluye un control de bomba 51) y una
válvula 60 (que incluye un control de válvula 61). Los dispositivos
de control de proceso 10, 20, 50 y 60 están conectados a un sistema
de control de proceso 5 que típicamente se basa en un ordenador. El
sistema de control de proceso 5 también puede considerarse un
dispositivo de control de proceso 5 que (por medio de la conexión
con el dispositivo de diagnóstico 10) incorpora (comprende) el
dispositivo de diagnóstico 10.
Por medio del flujo del medio de proceso 2
(indicado por flechas) y, además, por medio de los dispositivos de
control de proceso 50, 60, se generan interferencias en el medio de
proceso 2. Estas interferencias pueden detectarse por medio del
dispositivo de diagnóstico 10 en el detector de presión diferencial
20. Un cambio en las condiciones de proceso, por ejemplo, un mal
funcionamiento o un fallo de un dispositivo de proceso 20, 50, 60
puede reflejarse en la señal de presión diferencial detectada.
La Fig. 2 muestra esquemáticamente el transmisor
de presión diferencial, que es un ejemplo de un dispositivo de
diagnóstico 10 con un medio de detección 25. El medio de detección
25 comprende las dos líneas de impulso 21, que están rellenas con
medio del proceso 2, y un sistema de detección (elemento de
detección) 26. Para cada línea de impulso 21 se proporciona una
membrana de proceso 22 y un brazo de transmisión de presión 23. Los
brazos de transmisión de presión 23 (circuitos de aceite 23) están
rellenos con aceite 24 como medio de detección 24. Las membranas de
proceso 22 son una interfaz entre las líneas de impulso 21 (que
contienen medio de proceso 2) y los circuitos de aceite 23 (que
contienen medio de detección 24). A través del brazo de transmisión
de presión 23, las presiones del proceso (en las líneas de impulso
21) se transfieren al sistema de detección 26.
Entre otros, el sistema de detección 26 puede
basarse en uno o más de los siguientes principios que permiten
obtener una señal medible eléctricamente a partir de la presión
diferencial:
- Inducción (la presión diferencial modula la
inductancia de un circuito magnético)
- Piezorresistividad (la presión diferencial
modula un voltaje de salida de un elemento piezorresistivo).
- Capacitancia (la presión diferencial modula la
capacidad de un circuito eléctrico).
La señal obtenida de esta forma después se
digitaliza en un convertidor analógico-digital 27.
Entonces, un microprocesador 15 del dispositivo de diagnóstico 10
puede obtener información de diagnóstico a partir de la señal de
presión diferencial digitalizada.
Por una parte, el dispositivo de diagnóstico 10
puede diagnosticar la condición y fallos de diversos dispositivos
de proceso tales como 50 y 60. Por otra parte (además o
alternativamente), el dispositivo de diagnóstico 10 también puede
diagnosticar la condición y fallos del medio de detección 25. En
particular, pueden producirse los siguientes fallos y pueden
detectarse por el dispositivo de diagnóstico 10:
-1. Al menos uno de los circuitos de aceite 23
tiene una fuga.
-2. La interfaz entre los dos circuitos de
aceite 23 (normalmente otra membrana) está dañada, de forma que el
medio de detección 24 puede fluir entre los dos circuitos 23.
-3. Al menos una de las membranas de proceso 22
está rota, de forma que el medio del proceso 2 puede fluir al
interior de al menos uno de los brazos de transmisión de
presión.
-4. Al menos una de las líneas de impulso 21
está parcial o completamente obstruida.
\vskip1.000000\baselineskip
Son razones frecuentes para que haya una línea
de impulso obstruida (fallo 4):
- Está presente material sólido en el medio de
proceso 2 y bloquea la línea de impulso 21.
- Tiene lugar algún proceso sedimentario en la
línea de impulso 21 y progresivamente obstruye la línea de impulso
(por ejemplo cal).
- El medio de proceso presente en la línea de
impulso 21 se solidifica, típicamente debido a las bajas
temperaturas. (Esto puede ocurrir aunque el medio de proceso 2 en
el resto del proceso no se solidifique, porque el medio del proceso
2 en las líneas de impulso 21 está principalmente inmóvil, mientras
que el medio del proceso 2 en el proceso normalmente está fluyendo
y por lo tanto no está inmóvil).
Tiene una importancia considerable tener
información de diagnóstico sobre la condición del propio medio de
detección 25 (y el dispositivo de diagnóstico 10 o el transmisor
20). En particular, si la información de diagnóstico puede
distinguir entre (algunos de) los modos de fallo mencionados
anteriormente.
Durante el funcionamiento normal, cuando no está
presente ningún defecto (fallo) del dispositivo, es ventajoso que
un dispositivo de diagnóstico, que usa al menos dos líneas de
impulso (por ejemplo, para un dispositivo que usa una señal de
presión o presión diferencial derivada de estas al menos dos líneas
de impulso), mida la presión en dos puntos que están dispuestos
próximos entre sí. Es decir, es ventajoso que las localizaciones en
las que dichas al menos dos líneas de impulso están acopladas con el
resto del medio de proceso estén muy próximas. La ventaja es que
los valores absolutos medidos son pequeños y se anula la mayor parte
de las fluctuaciones en el fluido de proceso.
Cuando está presente un fallo, tal como un fallo
de tipo 1, 3 ó 4 (véase anteriormente), estando afectada sólo una
línea de impulso (o no hay ninguna línea de impulso), la presión en
un lado no puede detectarse de forma apropiada. La consiguiente
asimetría en el sistema de medición implica que ya no se anulan las
fluctuaciones de presión y por lo tanto están presentes en la señal
de presión diferencial. Esto implica que se produce una mayor señal
global, en particular estando presentes componentes de mayor
frecuencia, y por lo tanto puede diagnosticarse el defecto del
dispositivo. Si, por otra parte, se produce un fallo de tipo 2, o de
tipo 1, 3 ó 4 estando afectadas las dos líneas de impulso, la
intensidad de la señal medida se reduce fuertemente permitiendo de
esta manera detectar dicho fallo.
Por medio de un análisis adicional de los datos
de la variable de proceso y/o los datos estadísticos de medición
puede obtenerse una información más detallada que puede permitir
especificar más claramente el tipo de fallo que se produce.
En el diagrama de bloques de la Fig. 3 se esboza
un algoritmo básico preferido para el funcionamiento de un
dispositivo de diagnóstico 10 de acuerdo con la invención. En primer
lugar, el dispositivo de diagnóstico instalado, es decir,
principalmente el dispositivo de diagnóstico se acopla al proceso.
Después tiene lugar una fase de formación 200 en la que se generan
datos estadísticos de formación. Posteriormente, si las condiciones
nominales del proceso no cambian, se introduce una fase de medición
300. Si en cualquier momento se cambian las condiciones nominales
del proceso, por ejemplo, por la instalación de un nuevo dispositivo
de proceso, debe eliminarse otra fase de formación 200 antes de
introducir el modo de medición 300 de nuevo.
La Fig. 4 muestra un diagrama de bloques que
incluye una fase de formación 200 de un dispositivo de diagnóstico.
En un medio de recepción 100 se reciben valores de la variable del
proceso x(t), tales como valores de presión diferencial, por
ejemplo, haciendo referencia a la Fig. 2, a partir de un convertidor
A/D 27. En un medio de procesamiento de formación 200, se extraen
datos estadísticos de formación a partir de los valores de la
variable de proceso x(t) y se registran. Haciendo referencia
a la Fig. 2, el medio de procesamiento de formación 200 (como otros
medios implicados), puede realizarse a través del microprocesador
15.
La Fig. 5 muestra un diagrama de bloques que
incluye una fase de medición 300 de un dispositivo de diagnóstico.
En un (o en el) medio de recepción 100 se reciben valores de la
variable de proceso x(t), por ejemplo, haciendo referencia a
la Fig. 2, a partir del convertidor A/D 27. En un medio de
procesamiento de mediciones 300, se extraen datos estadísticos de
medición a partir de los valores de la variable de proceso
x(t) y se registran. Haciendo referencia a la Fig. 2, el
medio de procesamiento de mediciones 300 puede realizarse través del
microprocesador 15. En un medio de comparación 400, que también
puede realizarse a través del microprocesador 15, los datos
estadísticos de medición se comparan con los datos estadísticos de
formación. La comparación proporciona como resultado una salida de
diagnóstico 500 que, por ejemplo, indica un fallo (general) del
proceso o un fallo específico.
En el diagrama de bloques de la Fig. 6, se
representan esquemáticamente etapas realizadas en un medio de
procesamiento de formación 200 ilustrativo. Durante un periodo de
tiempo \deltat, se registran valores de la variable de proceso
x(t) (etapa 210). A partir de estos valores de la variable de
proceso, en la etapa 250, se calcula una distribución estadística
empírica de formación. En la etapa 270, se ajusta una función de
distribución analítica de formación a la distribución estadística
empírica de formación. Este ajuste opcional de una función de
distribución analítica de formación permite recibir datos muy
precisos en un tiempo minimizado \deltat.
Como se muestra en la etapa 290, a partir de la
función de distribución analítica de formación pueden obtenerse
valores límite L_{t,p}, U_{t,p} con alta precisión. La elección
de un nivel prescriptible K permite elegir estos valores límite
L_{t,p}, U_{t,p} de tal forma que tanto la probabilidad de la
existencia de un valor por debajo de L_{t,p} como la probabilidad
de la existencia de una valor por encima de U_{t,p}, tengan un
valor definido. Si los valores límite L_{t,p}, U_{t,p} se eligen
de tal forma que la probabilidad de la existencia de un valor por
debajo de L_{t,p} es igual a la probabilidad de la existencia de
un valor por encima de U_{t,p}, normalmente se elegirá un nivel K
prescriptible para encontrar el valor límite inferior L_{t,p}, y
se elegirá otro nivel prescriptible K (diferente) para encontrar el
valor límite superior U_{t,p} (no mostrado en la
Fig. 6).
Fig. 6).
Estos valores límite L_{t,p}, U_{t,p}
también pueden obtenerse a partir de la propia distribución
estadística empírica de formación (directamente sin ajuste). Pero
la precisión es peor y/o debe elegirse un período de tiempo
\deltat necesario para registrar los valores de la variable de
proceso x(t) más largo.
Si sólo se usa la función de distribución
analítica de formación o incluso sólo se usa la distribución
estadística empírica de formación como datos estadísticos de
formación durante las etapas adicionales en una fase de medición,
puede omitirse la etapa 290 o incluso también la etapa 270.
El diagrama de bloques de la Fig. 7 muestra
etapas que pueden realizarse en un medio de procesamiento de
mediciones 300 y un medio de comparación 400. En esta realización,
que puede usarse junto con la fase de formación representada en la
Fig. 6, en primer lugar se registran valores de la variable de
proceso x(t) durante una ventana de tiempo \deltat (etapa
310). La duración de \deltat en la fase de formación (compárese
con la Fig. 6, etapa 210) típicamente es del orden de 10 a 50 veces
mayor que el periodo \deltat durante una fase de medición. En la
etapa 390, se calcula el valor medio Mp de los valores de la
variable de proceso registrada. En el medio de comparación, etapa
420, se comparan los datos estadísticos de medición con los datos
estadísticos de formación: el valor medio Mp se compara con los dos
valores límite L_{t,p}, U_{t,p} obtenidos a partir de la fase
de formación (Fig. 6, etapa 290). Si Mp está dentro del intervalo
proporcionado por L_{t,p}, U_{t,p}, es de esperar que la
condición del proceso esté en orden. En caso contrario, la salida de
diagnóstico indicará un "fallo".
Ventajosamente, es posible calcular una media
móvil en la etapa 390. Esto significa que después del cálculo de un
valor medio Mp, el siguiente valor medio Mp se calcula a partir de
valores de la variable de proceso medidos en el intervalo de tiempo
\deltat, que solapa con el intervalo de tiempo \deltat, en el
que se midieron los valores de la variable de proceso que conducen
al primer valor medio Mp. Típicamente, se elige un solapamiento
grande, en particular tal que sólo se descarta el primer valor
x(t) y se añade un valor medido nuevamente x(t)
cuando se calcula el siguiente valor medio Mp. Trabajando con una
media móvil se tiene la ventaja de que se generan más datos y más
salidas de diagnóstico por tiempo, y los datos se suavizan, es
decir, se reduce el efecto que tienen los salientes individuales.
Como alternativa, no hay solapamiento entre los intervalos de
tiempo \deltat en los que se miden los valores de la variable de
proceso que conducen a valores medios consecutivos Mp.
En el diagrama de bloques de la Fig. 8 se
representa otra serie posible de etapas que pueden realizarse en un
medio de procesamiento de mediciones 300 y un medio de comparación
400. En este caso, se compara una distribución de valores de la
variable de proceso x(t) como datos estadísticos de medición
con una función de distribución estadística de formación obtenida
en la formación (Fig. 6, etapa 270) como datos estadísticos de
formación. En esta realización, que puede usarse junto con la fase
de formación representada en la Fig. 6 (donde puede excluirse la
etapa 290), en primer lugar se registran valores de la variable de
proceso x(t) durante una ventana de tiempo \deltat (etapa
310). A partir de los valores de x(t) se calcula una
distribución estadística de medición (etapa 250). En el medio de
comparación, la distribución estadística empírica de medición (como
datos estadísticos de medición) se compara con la función de
distribución estadística de formación (etapa 450). Esta comparación
se realiza en un ensayo estadístico, por ejemplo, en un ensayo
Chi^{2}. Como resultado del ensayo estadístico se obtiene un
nivel de confianza que indica la probabilidad de una coincidencia
entre las distribuciones comparadas. En el caso del ensayo
Chi^{2}, es un posible valor que indica el nivel de confianza
alguna función que aumenta inversamente con Chi^{2}, tal como, por
ejemplo, 1/Chi^{2}. En la etapa 480, el nivel de confianza
obtenido (indicado como 1/Chi^{2}) se compara con un valor umbral
prescriptible K'. Si el nivel de confianza está por debajo del
valor umbral K', la salida de diagnóstico indicará un "fallo".
En caso contrario es de esperar que la condición del proceso esté en
orden.
En esta realización de la Fig. 8, también es
posible usar la distribución estadística empírica de formación
obtenida en la etapa 250 (Fig. 6) como datos estadísticos de
formación. En este caso, la distribución estadística empírica de
medición y la distribución estadística empírica de formación se
someterían a un ensayo estadístico en la etapa 450.
De forma análoga al uso de una media móvil junto
con la Fig. 7, es posible en la realización de la Fig. 8 obtener
distribuciones estadísticas empíricas de medición consecutivas a
partir de valores de la variable de proceso medidos en los
intervalos de tiempo \deltat solapantes.
Junto con las Fig. 6-8, los
valores medios y las distribuciones se han descrito de manera que
son valores medios y distribuciones de los valores de la variable
de proceso x(t) directamente. Sin embargo, puede ser
ventajoso calcular los valores medios y las distribuciones a partir
de una función f(x(t)) de los valores de la variable
de proceso. Esta función f(x) puede ser f(x) = X^{2}
o la resta de una constante u otra función, preferiblemente
aritmética. Por supuesto, durante una fase de medición tiene que
aplicarse la misma función que durante una fase de formación.
Las Fig. 9-12 implican una
transformada de valores de la variable de proceso o una función de
éstos. En particular, en las figuras se ha elegido una transformada
de Fourier, en particular una FFT (transformada rápida de Fourier),
pero también son posibles otras transformadas, tales como
transformadas wavelet.
La Fig. 9 muestra un diagrama de bloques de
etapas que pueden realizarse en un medio de procesamiento de
formación que implica una FFT. En la etapa 210, se toman valores de
la variable de proceso x(t) durante un intervalo de tiempo
\deltat. En la etapa 220 se calcula una FFT a partir de los
valores de x(t), que produce un espectro de coeficientes
X_{t}(k) (el índice t indicará que estos coeficientes
derivan de valores tomados durante una fase de formación). La etapa
230 es opcional, pero muy ventajosa. En la etapa 230 se selecciona
un intervalo de la variable transformada (un intervalo \deltak de
frecuencias k en el caso de una transformada de Fourier). Esta
selección permite limitar el análisis adicional a únicamente las
frecuencias k que tienen un interés particular. En el caso de
muchas variables de proceso, por ejemplo, en el caso de presiones
diferenciales (compárense las Fig. 1-2), los
valores de la variable de proceso son bastante constantes,
únicamente con pequeñas fluctuaciones. Por consiguiente, una FFT de
dicha señal típicamente tiene un valor grande a frecuencias muy
bajas (a 0 Hz o frecuencias aproximadas a ésta), que no son de
interés y pueden excluirse eligiendo el intervalo \deltak de
acuerdo con esto.
Una posible forma ventajosa de encontrar
automáticamente un intervalo adecuado \deltak es, después de
excluir frecuencias muy bajas, calcular una fracción prescriptible
(por ejemplo 10%) del mayor coeficiente X_{t}(k) y
encontrar la menor frecuencia k_{L} y la mayor frecuencia k_{U},
que tienen un coeficiente (X_{t}(k_{L});
X_{t}(-k_{U})) al menos tan grande como esa fracción. Entonces,
el intervalo deseado \deltak varía de k_{L} a k_{U}.
En la etapa 251 se calcula una distribución
estadística empírica de formación a partir del espectro
X_{t}(k). Una posibilidad es sumar hasta todos los valores
X_{t}(k) o sus valores absolutos, posiblemente sólo dentro
del intervalo \deltak de interés, para obtener una potencia de
señal Sp, de la que se calcula la distribución estadística empírica
de formación. Por consiguiente, se obtiene un espectro
X_{t}(k) de resultados en un valor Sp. También es posible
realizar cálculos adicionales u otros cálculos con los coeficientes
X_{t}(k) de interés para obtener un valor de potencia de
señal Sp. Las siguientes fórmulas (en particular las ecuaciones (2)
y (3)) indican posibles cálculos:
Como se ha descrito anteriormente, x(t)
es un valor de la variable de proceso tomado a un tiempo t, k es una
frecuencia, X(k) denota un coeficiente del espectro y Sp es
un valor de potencia de la señal. Además, e indica la base del
logaritmo natural, j indica la raíz cuadrada de -1 y N es el número
de valores de la variable de proceso medidos dentro del intervalo
\deltat. P(k) es un valor intermedio para calcular la
potencia de señal. Sp(k_{1},k_{2}) es el valor de la
potencia de señal obtenido a partir un intervalo de frecuencias de
k_{1} a k_{2}. k_{1} y k_{2} corresponden a las frecuencias
límite inferior y superior k_{L} y k_{U} descritas
anteriormente. La ecuación (1) es la fórmula para una transformada
de Fourier discreta.
Más generalmente, puede elegirse un número
(\geq 2) de intervalos \deltak que comprenden frecuencias de
interés, de forma que la potencia de la señal Sp se obtenga a partir
de las frecuencias que están localizadas en uno de esos
intervalos.
En la etapa opcional 271, una función de
distribución analítica de formación se ajusta a la distribución
estadística empírica de formación obtenida de esta manera de la
etapa 251. Esto es análogo a lo que ocurre en la etapa 270 (Fig.
6). En la etapa opcional 291 pueden obtenerse valores límite
inferior y superior L_{t,c}, U_{t,c} con alta precisión a
partir de la función de distribución analítica de formación, de
forma análoga a la etapa 290 (Fig. 6). Opcionalmente, los valores
límite L_{t,c}, U_{t,c}, pueden obtenerse directamente a partir
de la distribución estadística empírica de formación (220 ó 230) sin
ajuste. Por consiguiente, como datos estadísticos de formación
pueden servir uno o más del grupo de distribución estadística
empírica de formación, función de distribución analítica de
formación y valores límite L_{t,c}, U_{t,c}. El valor medio de
la distribución estadística empírica de formación o de la función
de distribución analítica de formación y/o la varianza (o
desviación típica) de éstas también pueden contribuir a los datos
estadísticos de formación que, en una fase de medición, se comparan
con datos estadísticos de medición.
El diagrama de bloques de la Fig. 10 muestra
etapas que pueden realizarse en un medio de procesamiento de
mediciones 300 y un medio de comparación 400. En esta realización,
que puede usarse junto con la fase de formación representada en la
Fig. 9, en primer lugar se registran valores de la variable de
proceso x(t) durante una ventana de tiempo \deltat (etapa
310). Esta ventana de tiempo \deltat es tan grande como la ventana
de tiempo usada durante la fase de formación (Fig. 9, etapa 210).
Después, en la etapa 320 se calcula una transformada de Fourier a
partir de los valores de x(t), produciéndose un espectro de
coeficientes X_{m}(k) (el índice m indicará que estos
coeficientes se obtienen a partir de los valores tomados durante una
fase de medición). Entonces, en la etapa 330 el espectro
X_{m}(k) se reduce al intervalo \deltak (o intervalos),
conocidos a partir de la formación (Fig. 9, etapa 230), si se hace
así en la fase de formación.
En la etapa 391 se calculan valores de potencia
de señal de la manera en la que se calcularon durante la formación
(Fig. 9, etapa 251) y a partir de los valores Sp, se calcula un
valor medio Mc (de manera aproximadamente análoga a la etapa 390 en
la Fig. 7). En el medio de comparación 400, el valor medio Mc puede,
en la etapa 421, compararse con los valores límite obtenidos
durante la formación (Fig. 9, etapa 291). Si Mc está dentro del
intervalo proporcionado por L_{t,c}, U_{t,c}, es de esperar que
la condición del proceso esté en orden. En caso contrario, la
salida de diagnóstico indicará un "fallo".
Algunos medios de comparación 400 más avanzados
pueden recibir a partir del medio de procesamiento de mediciones
300 una distribución estadística empírica de medición (de la etapa
320 o mejor de la etapa 330) y compararla con la función de
distribución analítica de formación (obtenida en la etapa 271, Fig.
9) o con la propia distribución estadística empírica de formación
(obtenida en la etapa 220 o mejor 230 en la Fig. 9) (de forma
análoga la Fig. 8, etapa 450). Preferiblemente, esta comparación es
un ensayo estadístico, tal como el ensayo Chi^{2}. De acuerdo con
el resultado de la comparación, se diagnosticará un fallo o ausencia
de fallo (de forma análoga la Fig. 8, etapa 480).
Efectivamente, también es posible ajustar una
función de distribución analítica a una distribución obtenida a
partir de datos obtenidos durante una fase de medición y comparar
esta función analítica con una función de distribución analítica de
formación (o incluso la distribución estadística empírica de
formación). Esto se aplica a fases de formación y medición que
implican una transformada así como a las que no implican una
transformada.
En un medio de comparación 400 avanzado y
preferido (no ilustrado), preferiblemente en primer lugar se compara
un valor medio con cada valor límite encontrado durante la
formación y (después) se compara una distribución obtenida por
medición con una distribución obtenida por formación (o función de
distribución). Si cualquiera de estas comparaciones indica una
condición de fallo en el proceso, la salida de diagnóstico indica
"fallo". Este medio de comparación puede emplearse en caso de
distribuciones (o funciones de distribución) obtenidas con o sin
una transformada.
La Fig. 1 muestra un diagrama de bloques de
etapas que pueden realizarse en un medio de procesamiento de
mediciones avanzado, que incluye una transformada (de Fourier).
Después de las etapas 310 y 320 (compárese con la Fig. 10), se
eligen una pluralidad (en este caso tres) de bandas de frecuencia
\deltak_{1}, \deltak_{2}, \deltak_{3} en la etapa 330,
y dichas bandas después se analizan por separado. Desde luego, una
fase de formación correspondiente debe haber hecho la misma
separación de bandas de frecuencia. Para cada banda de frecuencias
\deltak_{1}, \deltak_{2}, \deltak_{3} se realiza un
procesamiento separado. A partir de una o más de las bandas puede
calcularse un valor medio y después compararse con valores límite
obtenidos a partir de la fase de formación. También es posible
obtener una distribución estadística empírica de medición de
valores de potencia espectral a partir de una o más de las bandas de
frecuencia, como se muestra en la Fig. 11, etapa 351 para las tres
bandas. Cada una de estas distribuciones estadísticas empíricas de
medición puede compararse, por ejemplo, con una distribución
obtenida a partir de la formación correspondiente (o función de
distribución ajustada). Puede obtenerse una salida que indica
"fallo" si cualquiera de las comparaciones de las bandas es
negativa o si un número prescriptible de ellas es negativo.
La división en bandas analizadas individualmente
puede extenderse incluso hasta tal profundidad que se analice por
separado el espectro entero (cada coeficiente obtenido a partir de
la transformada) o que se analicen por separado ciertas frecuencias
individuales.
La Fig. 12 es una ilustración de datos que se
toman para crear valores "medios" móviles durante una fase de
medición, que incluye una transformada de Fourier. De forma similar
a los comentarios proporcionados anteriormente en relación con la
Fig. 7 (y 8), es ventajoso usar valores móviles (el término
"medio" no siempre se aplica aquí correctamente) también junto
con los datos transformados. Como se muestra en la Fig. 12, a partir
de los datos tomados dentro de un intervalo de tiempo \deltat se
obtiene una serie de valores de variable de proceso y, por
consiguiente, un espectro X_{m}(k) que produce un valor de
potencia de señal Sp (o varios valores Sp analizados por separado).
A partir de un número n (típicamente de 50 a 200) de estos espectros
o valores de potencia de señal Sp, se obtiene una distribución
estadística empírica de medición. Por consiguiente, para una
distribución estadística empírica de medición tienen que adquirirse
datos durante un intervalo de tiempo de una longitud \deltaT =
nx\deltat. Para tener "valores móviles", el siguiente
intervalo \deltaT' solapará con el primer intervalo (\deltaT),
preferiblemente con un desplazamiento de 1\times\deltat. De
forma análoga, esto también se hace cuando se obtienen valores
medios en lugar de distribuciones estadísticas empíricas de
medición.
medición.
En los casos descritos anteriormente en los que
se calcula un valor medio, como alternativa o además es posible
calcular una varianza u otra magnitud estadística y continuar con
ésta en los medios de comparación.
Una ventaja de la comparación de datos
estadísticos de medición con datos estadísticos de formación es que
puede elegirse un nivel de confianza prescriptible para la salida de
diagnóstico y/o un nivel (K, K', 1/Chi^{2}...) en relación con el
nivel de confianza puede ser parte de la salida de diagnóstico y por
lo tanto indicar a un usuario lo fiable que es la indicación de
fallo o ausencia de fallo.
- 1
- entorno de control de proceso
- 2
- medio de proceso, fluido de proceso
- 3
- tubo
- 5
- sistema de control de proceso
- 10
- dispositivo de diagnóstico
- 15
- microprocesador
- 20
- transmisor de presión diferencial
- 21
- línea de impulso
- 22
- membrana de proceso
- 23
- brazo de transmisión de presión, circuito de aceite
- 24
- medio de detección, aceite
- 25
- medio de detección
- 26
- elemento de detección, sistema de detección
- 27
- convertidor A/D
- 50
- bomba
- 51
- control de bomba
- 60
- válvula
- 61
- control de válvula
- 100
- medio de recepción; recepción del valor de la variable de proceso
- 200
- medio de procesamiento de formación; fase de formación; modo de formación
- 210
- registro de valores de la variable de proceso
- 220
- transformada, transformada de Fourier, FFT
- 230
- cálculo de intervalo en espacio de transformada, cálculo de intervalo de frecuencias
- 250, 251
- cálculo de datos estadísticos de formación; cálculo de distribución estadística empírica de formación, distribución estadística empírica de formación
- 270, 271
- ajuste de función de distribución analítica de formación a distribución estadística empírica de formación; función de distribución analítica de formación
- 290, 291
- cálculo de datos estadísticos de formación; cálculo de valores límite
- 300
- medio de procesamiento de mediciones; fase de medición; modo de medición
- 310
- registro de valores de la variable de proceso
- 320
- transformada, transformada de Fourier, FFT
- 330
- cálculo de distribución estadística empírica de medición limitada a un intervalo (en espacio de transformada)
- 350, 351
- cálculo de datos estadísticos de medición; cálculo de distribución estadística empírica de medición; distribución estadística empírica de medición
- 390
- cálculo de datos estadísticos de medición; cálculo de valor medio Mp
- 391
- cálculo de datos estadísticos de medición; cálculo de valor medio Mc
- 400
- medio de comparación; comparación de datos estadísticos de medición con datos estadísticos de formación
- 420
- comparación de valor medio Mp con datos estadísticos de formación
- 421
- comparación de valor medio Mc con datos estadísticos de formación
- 450
- ensayo estadístico, ensayo de consistencia de distribución estadística empírica de medición con función de distribución analítica de formación
- 480
- comparación de nivel de confianza con nivel prescrito
- 500
- salida de diagnóstico, salida de condición, medio de salida, visualización
- \deltak,\deltak_{1},\deltak_{2},\deltak_{3}
- intervalo de espacio de transformada, intervalo de frecuencias
- \deltat
- duración de registro de una serie de valores de la variable de proceso, ventana de tiempo, duración
- K,K'
- nivel prescriptible
- k
- variable transformada, frecuencia
- k_{L},k_{U},k_{1},k_{2}
- valores límite en espacio de transformada, límites de frecuencia
- L_{t},_{p},L_{t},_{c}
- valor límite inferior
- Mc
- valor medio de coeficientes de transformada, valor medio de una función de coeficiente de transformada
- M_{p}
- valor medio de valores de la variable de proceso, valor medio de una función de valores de la variable de proceso
- Sp,Sp_{1},Sp_{2},Sp_{3}
- señal, función de valores de la variable de proceso transformada, potencia de señal
- t
- tiempo
- U_{t,p},U_{t,c}
- valor límite superior
- W
- distribución estadística, función de distribución
- X(k),X_{m}(k),X_{t}(k)
- transformada, transformada discreta, transformada de Fourier discreta, coeficiente
- x(t)
- valor de la variable de proceso (tomado a diversos tiempos).
Claims (12)
1. Un dispositivo de diagnóstico (10) que
comprende
- -
- un medio de recepción (100) para recibir valores de la variable de proceso (x(t)) de una variable de proceso de un medio de proceso (2) de un proceso,
- -
- un medio de procesamiento de mediciones (300) para extraer y registrar datos estadísticos de medición a partir de dichos valores de la variable de proceso, que se miden durante una fase de medición (300),
- -
- un medio de procesamiento de formación (200) para extraer y registrar datos estadísticos de formación a partir de dichos valores de la variable de proceso que se miden durante una fase de formación (200), para calcular una distribución estadística empírica de formación (250; 251) con lo que la distribución (250; 251) es una distribución de una función de valores de la variable de proceso (x(t)) que se miden durante una fase de formación (200) y para calcular una función de distribución analítica de formación (270; 271) que se aproxima a la distribución estadística empírica de formación (250) y que comprende
- -
- un medio de comparación (400) para comparar los datos estadísticos de medición con datos estadísticos de formación registrados antes que los datos estadísticos de medición,
caracterizado por que los datos
estadísticos de medición comprenden una distribución estadística
empírica de medición (350), que es una distribución de una función
de dichos valores de la variable de proceso (x(t)), que se
miden durante una fase de medición (300), y por que los datos
estadísticos de formación comprenden la función de distribución
analítica de formación (270) y por que el medio de comparación (400)
proporciona una indicación de fallo en caso de que el nivel de
confianza (1/Chi^{2}) obtenido a partir de un ensayo estadístico
(450) de la consistencia de la distribución estadística empírica de
medición (350) con la función de distribución analítica de
formación (250) esté por debajo de un valor umbral prescriptible
(K').
2. Un dispositivo de diagnóstico (10) que
comprende
- -
- un medio de recepción (100) para recibir valores de la variable de proceso (x(t)) de una variable de proceso de un medio de proceso (2) de un proceso,
- -
- un medio de procesamiento de mediciones (300) para extraer y registrar datos estadísticos de medición a partir de dichos valores de la variable de proceso que se miden durante una fase de medición (300) y para calcular una transformada de los valores de la variable de proceso (x(t)), que se miden durante una fase de medición (300), en coeficientes X_{m}(k) de una serie de funciones ortogonales, y que comprende
- -
- un medio de procesamiento de formación (200) para extraer y registrar datos estadísticos de formación a partir de dichos valores de la variable de proceso que se miden durante una fase de formación (200), para calcular una distribución estadística empírica de formación (250; 251), para calcular una transformada de valores de la variable de proceso (x(t)) que se miden durante una fase de medición (300) en coeficientes X_{m}(k) de una serie de funciones ortogonales, con lo que la distribución estadística empírica de formación (250) es una distribución de una función de los coeficientes X_{t}(k) y para calcular una función de distribución analítica de formación (270; 271) que se aproxima a la distribución estadística empírica de formación (250), y que comprende:
- -
- un medio de comparación (400) para comparar los datos estadísticos de medición con datos estadísticos de formación registrados antes que los datos estadísticos de medición,
caracterizado por que los datos
estadísticos de medición comprenden una distribución estadística
empírica de medición (351), que es una distribución de la función
de los coeficientes X_{m}(k), y por que los datos
estadísticos de formación comprenden la función de distribución
analítica de formación (271), y por que el medio de comparación
(400) proporciona una indicación de fallo en caso de que el nivel de
confianza (1/Chi^{2}) de un ensayo estadístico de la consistencia
de la distribución estadística empírica de medición (351) con la
función de distribución analítica de formación (271) esté por debajo
de un valor umbral prescriptible.
3. El dispositivo de diagnóstico (10) de acuerdo
con la reivindicación 1 ó 2, caracterizado por que comprende
un medio de detección (25) para medir la variable de proceso y para
generar los valores de la variable de proceso (x(t)).
4. El dispositivo de diagnóstico (10) de acuerdo
con una cualquiera de las reivindicaciones 1 a 3,
caracterizado por que el medio de comparación (400) tiene
una salida de condición (500) relacionada con una condición del
proceso, donde la condición del proceso es diferente de una medida
para la variable del proceso.
5. El dispositivo de diagnóstico (10) de acuerdo
con una de las reivindicaciones anteriores, caracterizado
por que la salida de condición (500) está relacionada con la
condición del medio de detección (25).
6. El dispositivo de diagnóstico (10) de acuerdo
con una de las reivindicaciones anteriores, caracterizado
por que los datos estadísticos de medición y los datos estadísticos
de formación se relacionan con interferencias en el medio de
proceso (2).
7. El dispositivo de diagnóstico (10) de acuerdo
con la reivindicación 6, caracterizado por que la
transformada es una del grupo de transformada de Fourier y
transformada wavelet.
8. El dispositivo de diagnóstico (10) de acuerdo
con la reivindicación 7, caracterizado por que la función de
distribución analítica de formación (270; 271) es una función de
distribución Gamma.
9. El dispositivo de diagnóstico (10) de acuerdo
con la reivindicación 1 ó 2, caracterizado por que el ensayo
estadístico es uno del grupo del ensayo Chi^{2} y del ensayo de
Kolmogorov-Smirnov.
10. Un sistema de control de proceso (1) que
comprende un dispositivo de diagnóstico (10) de acuerdo con una de
las reivindicaciones anteriores.
11. Un método de diagnóstico que comprende las
etapas de:
- -
- obtener valores de una variable de proceso (210; 310), que se obtienen por medición de una variable de proceso de un medio de proceso (2) de un proceso,
- -
- extraer y registrar datos estadísticos de medición a partir de dichos valores de variable de proceso (x(t)), que se miden durante una fase de medición (300),
- -
- extraer y registrar datos estadísticos de formación a partir de dichos valores de variable del proceso (x(t)), que se miden durante una fase de formación (200),
- -
- calcular una distribución estadística empírica de formación (250; 251) con lo que la distribución (250; 251) es una distribución de una función de valores de la variable de proceso (x(t)) que se miden durante una fase de formación (200),
- -
- calcular una función de distribución analítica de formación (270; 271) que se aproxima a la distribución estadística empírica de formación (250), y
- -
- comparar (400) los datos estadísticos de medición con datos estadísticos de formación registrados antes que los datos estadísticos de medición,
caracterizado por que las etapas de los
datos estadísticos de medición comprenden una distribución
estadística empírica de medición (350), que es una distribución de
una función de dichos valores de la variable de proceso
(x(t)) que se miden durante una fase de medición (300), los
datos estadísticos de formación comprenden la función de
distribución analítica de formación (270), y el medio de comparación
(400) proporciona una indicación de fallo en caso de que el nivel
de confianza (1/Chi^{2}) obtenido a partir de un ensayo
estadístico (450) de la consistencia de la distribución estadística
empírica de medición (350) con la función de distribución analítica
de formación (250) esté por debajo de un valor umbral prescriptible
(K').
12. Un método de diagnóstico que comprende las
etapas de
- -
- obtener valores de la variable de proceso (210; 310), que se obtienen por medición de una variable de proceso de un medio de proceso (2) de un proceso,
- -
- extraer y registrar datos estadísticos de medición a partir de dichos valores de la variable de proceso (x(t)), que se miden durante una fase de medición (300),
- -
- calcular una transformada de valores de la variable de proceso (x(t)) que se miden durante una fase de medición (300), en coeficientes X_{m}(k) de una serie de funciones ortogonales,
- -
- extraer y registrar datos estadísticos de formación a partir de dichos valores de variable del proceso (x(t)), que se miden durante una fase de formación (200),
- -
- calcular una distribución estadística empírica de formación (250; 251) calculando una transformada de valores de la variable de proceso (x(t)) que se miden durante una fase de medición (300), en coeficientes X_{m}(k) de una serie de funciones ortogonales, con lo que la distribución estadística empírica de formación (250) es una distribución de la función de los coeficientes X_{t}(k),
- -
- calcular una función de distribución analítica de formación (270; 271) que se aproxima a la distribución estadística empírica de formación (250), y
\newpage
- -
- comparar (400) los datos estadísticos de medición con datos estadísticos de formación registrados antes que los datos estadísticos de medición,
caracterizado por que las etapas de los
datos estadísticos de medición comprenden una distribución
estadística empírica de medición (351), que es una distribución de
la función de los coeficientes X_{m}(k), los datos
estadísticos de formación comprenden la función de distribución
analítica de formación (271), y el medio de comparación (400)
produce una indicación de fallo en caso de que el nivel de confianza
(1/Chi^{2}) de un ensayo estadístico de la consistencia de la
distribución estadística empírica de medición (351) con la función
de distribución analítica de formación (271) esté por debajo de un
valor umbral prescriptible.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CH2005/000084 WO2006086894A1 (en) | 2005-02-15 | 2005-02-15 | Diagnostic device for a process control system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2331576T3 true ES2331576T3 (es) | 2010-01-08 |
Family
ID=35044617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES05706510T Expired - Lifetime ES2331576T3 (es) | 2005-02-15 | 2005-02-15 | Dispositivo de diagnostico para un sistema de control de proceso. |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US7634382B2 (es) |
| EP (1) | EP1877877B1 (es) |
| CN (1) | CN100573381C (es) |
| AT (1) | ATE441140T1 (es) |
| DE (1) | DE602005016310D1 (es) |
| ES (1) | ES2331576T3 (es) |
| WO (1) | WO2006086894A1 (es) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7577543B2 (en) * | 2005-03-11 | 2009-08-18 | Honeywell International Inc. | Plugged impulse line detection |
| CN101208589A (zh) * | 2005-06-21 | 2008-06-25 | Abb研究有限公司 | 用于过程控制系统的诊断设备 |
| US8898036B2 (en) * | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
| US8285514B2 (en) * | 2008-03-21 | 2012-10-09 | Rochester Institute Of Technology | Sensor fault detection systems and methods thereof |
| US20090295559A1 (en) * | 2008-06-02 | 2009-12-03 | Gm Global Technology Operations, Inc. | Integrated hierarchical process for fault detection and isolation |
| FI125797B (fi) * | 2009-01-09 | 2016-02-29 | Metso Flow Control Oy | Menetelmä ja laitteisto venttiilin kunnonvalvontaan |
| EP2372962B1 (en) * | 2010-03-31 | 2017-08-16 | Alcatel Lucent | Method and system for reducing energy consumption in packet processing linecards |
| US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
| US9078629B2 (en) * | 2011-09-19 | 2015-07-14 | Hewlett-Packard Development Company, L.P. | Detecting regime change in streaming data |
| CN103064340B (zh) * | 2011-10-21 | 2014-12-03 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
| US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
| US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
| ES2541277T3 (es) | 2012-12-24 | 2015-07-17 | Air Products And Chemicals, Inc. | Aparato y métodos para monitorizar y controlar unidades de proceso cíclico en un entorno estable de planta |
| CN103353752B (zh) * | 2013-04-12 | 2015-10-28 | 北京航空航天大学 | 基于四级rbf神经网络的飞机环控系统控制组件故障诊断方法 |
| CN103753400B (zh) * | 2014-01-22 | 2015-12-30 | 杭州电子科技大学 | 一种用于数控磨床控制系统的故障预测和自恢复方法 |
| US10598562B2 (en) | 2014-11-21 | 2020-03-24 | Picarro Inc. | Gas detection systems and methods using measurement position uncertainty representations |
| CN104503435B (zh) * | 2014-12-03 | 2017-03-22 | 中国人民解放军国防科学技术大学 | 一种用于航天动力系统实时故障检测的综合决策方法 |
| US9836069B1 (en) | 2015-03-31 | 2017-12-05 | Google Inc. | Devices and methods for protecting unattended children in the home |
| US10386258B1 (en) * | 2015-04-30 | 2019-08-20 | Picarro Inc. | Systems and methods for detecting changes in emission rates of gas leaks in ensembles |
| US10367612B2 (en) * | 2015-09-30 | 2019-07-30 | Rosemount Inc. | Process variable transmitter with self-learning loop diagnostics |
| JP6444851B2 (ja) * | 2015-12-24 | 2018-12-26 | ファナック株式会社 | ノイズの発生原因を検出する学習機能を有する制御装置 |
| US20170261406A1 (en) * | 2016-03-10 | 2017-09-14 | Simmonds Precision Products, Inc. | Physical component fault diagnostics |
| US10948471B1 (en) | 2017-06-01 | 2021-03-16 | Picarro, Inc. | Leak detection event aggregation and ranking systems and methods |
| US10962437B1 (en) | 2017-06-27 | 2021-03-30 | Picarro, Inc. | Aggregate leak indicator display systems and methods |
| US10753965B2 (en) * | 2018-03-16 | 2020-08-25 | Music Tribe Brands Dk A/S | Spectral-dynamics of an audio signal |
| GB2576309A (en) | 2018-08-10 | 2020-02-19 | Green Running Ltd | Systems and methods for condition monitoring |
| WO2020217155A1 (en) * | 2019-04-25 | 2020-10-29 | Abb Schweiz Ag | Method and system for production accounting in process industries using artificial intelligence |
| EP3764179B1 (en) | 2019-07-08 | 2024-11-13 | ABB Schweiz AG | Assessing conditions of industrial equipment and processes |
| US11801758B2 (en) * | 2021-11-27 | 2023-10-31 | Xidong Tang | Method and apparatus for controlling distributed propulsion systems |
| DE102023114027A1 (de) * | 2023-05-26 | 2024-11-28 | Endress+Hauser SE+Co. KG | Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung |
| DE102023114025A1 (de) * | 2023-05-26 | 2024-11-28 | Endress+Hauser SE+Co. KG | Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung |
| WO2025087838A1 (en) * | 2023-10-27 | 2025-05-01 | Grundfos Holding A/S | Apparatus and method for detecting a fault condition of a pump for pumping a fluid |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6907383B2 (en) * | 1996-03-28 | 2005-06-14 | Rosemount Inc. | Flow diagnostic system |
| US6601005B1 (en) * | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
| US5987398A (en) * | 1998-04-30 | 1999-11-16 | Sony Corporation | Method and apparatus for statistical process control of machines and processes having non-constant mean of a response variable |
| AU3504000A (en) * | 1999-02-25 | 2000-09-14 | Rosemount Inc. | Flow measurement with diagnostics |
| JP2002372440A (ja) * | 2001-06-14 | 2002-12-26 | Ho Jinyama | 状態判定法並びに状態判定装置及び状態判定機能を備えた信号収録装置 |
-
2005
- 2005-02-15 CN CNB2005800483504A patent/CN100573381C/zh not_active Expired - Fee Related
- 2005-02-15 AT AT05706510T patent/ATE441140T1/de not_active IP Right Cessation
- 2005-02-15 WO PCT/CH2005/000084 patent/WO2006086894A1/en not_active Ceased
- 2005-02-15 EP EP05706510A patent/EP1877877B1/en not_active Expired - Lifetime
- 2005-02-15 DE DE602005016310T patent/DE602005016310D1/de not_active Expired - Lifetime
- 2005-02-15 ES ES05706510T patent/ES2331576T3/es not_active Expired - Lifetime
-
2007
- 2007-07-26 US US11/878,738 patent/US7634382B2/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| WO2006086894A1 (en) | 2006-08-24 |
| CN101124523A (zh) | 2008-02-13 |
| US7634382B2 (en) | 2009-12-15 |
| ATE441140T1 (de) | 2009-09-15 |
| EP1877877B1 (en) | 2009-08-26 |
| US20080033693A1 (en) | 2008-02-07 |
| EP1877877A1 (en) | 2008-01-16 |
| CN100573381C (zh) | 2009-12-23 |
| DE602005016310D1 (de) | 2009-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7634382B2 (en) | Diagnostic device for use in process control system | |
| KR100683511B1 (ko) | 진단하는 유량 측정 장치 | |
| JP4422412B2 (ja) | 流れ診断システム | |
| US10190935B2 (en) | Gas leak detection device and gas leak detection method | |
| US7729876B2 (en) | Diagnostic device for use in process control system | |
| EP3580623B1 (en) | Method for detection and isolation of faulty sensors | |
| US8448525B2 (en) | Differential pressure based flow measurement | |
| KR101758248B1 (ko) | 디지털 필터 기능의 수위계를 이용하여 오수펌프장, 배수지의 원격제어진단이 가능한 계측제어시스템 | |
| BRPI1002159A2 (pt) | sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos | |
| CN214843671U (zh) | 过程流体流系统 | |
| EA008545B1 (ru) | Способ и устройство хранения программы для цифровой производной давления | |
| WO2019074712A3 (en) | Performance based condition monitoring | |
| WO2016035526A1 (ja) | 液圧ポンプの故障診断装置 | |
| ES2934942T3 (es) | Red de gas y método para la detección de fugas en una red de gas bajo presión o bajo vacío | |
| US20210116323A1 (en) | Leakage inspection device, leakage inspection method, and storage medium | |
| JP6967502B2 (ja) | 漏水検知方法、漏水検知システム、及び、それに用いるセンサ端末 | |
| JP2017181395A (ja) | 差圧測定方法及び差圧測定システム | |
| JP3188812B2 (ja) | 設備診断システム | |
| JP4782734B2 (ja) | プラント用計測器校正支援装置及びプラント用計測器校正支援方法 | |
| Kargoll et al. | Bootstrap tests for model selection in robust vibration analysis of oscillating structures | |
| US12560507B1 (en) | Systems and methods for predicting pipeline leaks based on pressure data | |
| Zhang et al. | On-line validation of the measurement uncertainty of a sensor using wavelet transforms | |
| RU2011111485A (ru) | Способ измерения расхода двухфазной трехкомпонентной среды |