借助工程模型诊断故障
发布时间：2013-12-26 作者：Richard J. Fickelscherer
有效的模型控制策略的前提是创建正确的过程模型。如果不具备这种最为基本的能力，过程就无法正常运转。所以当故障发生时，明确这些故障是源自操作失误还是源自建模假设不当是非常重要的。本文介绍了一种建立最优模型过程故障分析的通用方法，这种方法被称作MOME（最少证据辨识法）。MOME是一种通过传感数据对目标过程系统的常规作业工程模型进行评估的方法。这种方法使用最小数量的诊断数据将无效建模变量（例如假设一种特定的故障状态不会出现）与其他所有。
而且，这种方法能够确保得到的故障分析器在所有的诊断过程中都能够发挥作用并维持最佳的诊断敏感性和诊断结果。这种方法得到的诊断结论同样适用于多故障状态，用于确定故障传感器的放置位置以实现故障分析，还能够确定在大型过程工厂中故障分析器的合理分配。在美国德克萨斯州DuPont公司的乙二酸工厂和纽约市位于Tonawanda的FMC公司的电解过硫酸工厂中，这种方法已经被证实能够奏效。
这些过硫酸盐工艺的有效运转需要对化学溶液进行十分严格的控制，对各种阳离子和阴离子的强度和pH值保持实时监控是十分关键的。这要求能够对这些变量进行十分精确和可靠的测量以及用来验证数据精确性的方法。因此，自动模型工艺过程故障分析提供了一种保证这些测量结果准确无误并立即发现失准数据的有效方法。这种自动检测和报警能力保证FMC公司的DCS能够更加频繁地以自动模式运行。
虽然可以使用自有系统实现MOME，但已经有专用的模糊逻辑推理算法可选了，而且现在已经完全集成在一个叫做FALCONEER IV的程序里面。这个平台准备就绪之后，FMC公司发现将原有的手动编译的FMC ESP故障分析器转换成自动生成诊断逻辑所必须的格式，仅仅需要将现有的30个主要模型以及用来描述工艺的性能方程式进行代码编写即可。对超过30个主要的模型和五个性能方程式进行创建、编码和分析需要花费一个工人两周的时间才能够实现所有功能和有效的过程故障分析。FMC已经通过这两个应用独立备案了一些MOME的优点。所有FALCONEER IV应用程序都能够以所有可能的诊断精度等级诊断所有单一故障状态，并针对所有的非交互式故障状态和多种交互式故障状态进行诊断。
MOME诊断策略
模型推理方法是一种对异常过程行为分析得到合理假定的高度系统化的方法。开发模型故障分析器组件的第一步就是尽可能多地得到正常过程作业独立线性模型。这些模型应该能够在非故障作业状态下（例如正常作业状态）精确地描述目标过程系统的行为。这些模型包括过程系统组件的正常作业特性、组件之间的功能性关系描述、过程控制策略以及基本的保护、热力学和生化原理。为了使这些模型能够预测常规过程行为，必须进行一系列的建模假设。
使用实际的过程数据对这些模型进行评估，然后将产生诊断证据与各种可能的故障状态的预行为模式进行比较，例如SV&PFA（传感器验证和主动故障分析）诊断规则，在故障分析器的能力范畴内，在各种可能的过程作业事件之间进行逻辑判定。用于判定的特殊诊断证据完全依赖于实际所采用的模型诊断策略。总的来说，模型故障分析器就是一种计算机程序，用来判断当前观察到的过程行为与哪一个SV&PFA诊断规则最为贴近。这些规则对于过程故障状态的理解完全取决于他们对正常作业模型的描述以及由此得到的用来识别故障状态的SV&PFA诊断规则。
然而，我们所使用的SV&PFA诊断规则是由MOME模糊逻辑算法编译器自动生成的，并且在逻辑上永远是正确的，由于那些诊断规则所使用的诊断证据直接来源于对过程模型的评价，所以故障分析器的性能必定根植于对这些模型所描述的正常过程行为的理解。
过程模型的建立基于从原料阶段到形成最终产品的过程中对实际状况的理解和定量分析。这包括化学反应、能量平衡、反应时间等信息。正如本文所论述的，如果在运行模型控制的过程中一直存在问题，必须确定这个问题是源自过程本身还是由于模型的某一个假设条件不正确。
主要优势
MOME诊断策略的主要优势在于能够开发最优的诊断规则，在判断过程模型残差是否符合要求的过程中，识别出那些可信的故障假设。只有那些模型与潜在的过程故障相符的时候，诊断规则才能够识别出过程故障。通过使用最近采样到的过程传感器数据生成当前诊断证据，MOME方法能够识别出所有与现有诊断证据不符的假设变量。通常并不是任何时候都能够在不同过程故障假设之间实现完美的识别度，或者只有当特定故障的幅度较大（例如故障幅度大到足以触发所有相关的模型残差判据）时才能够实现完美的识别度。
这是一种在及时检测到故障和正确检测到故障之间做的一种常见妥协。牺牲诊断精度换取更高的诊断敏感度，故障分析器能够将潜在过程故障可能降低到一个合理的范围内，过程操作人员随后可以对当前过程状态进行进一步核查以确定实际的故障。这样立即就可以发现潜在故障状态，而不是等到故障幅度升高到一定程度并能够触发特定判据时再做出响应。这就是为什么这种方法被称为最小证据方法的原因：只要所有表征异常过程状态的独立模型判据中哪怕只有一个判据被触发，也要对那些可信的故障状态进行诊断。
逻辑推理
MOME方法采用模型推理方法来分析异常过程行为的成因。它使用最少数量的诊断证据对各种可能的故障状态进行诊断，而且故障分析器总是能够以最佳的辨识度和最高的敏感度对给定幅度的故障进行合理的诊断。
这种方法的一个关键特性就是各种诊断证据的选择过程。这种选择会将诊断证据所提供的信息完全利用，特别是当线性假设变量与模型残差不符时故障幅度的预估值。选择的策略源自默认推理：总有一个故障假设（如果可以达到完美的辨识度）能够在给定的诊断证据模式中找到支持的诊断证据，而在同样的模式下这一假设也会被其他证据证明不符合实际。
在这样默认状态下，剩下的故障假设就是所有相关诊断证据的最合理的解释。以默认的推理模式使用这种方法，诊断策略就是基于每一个最小诊断证据得出诊断结果。这样一来，就能够保证很多其他的潜在多故障状态都能够被正确诊断出来。
了解更多关于模型控制的信息
模型控制是大型先进过程控制（APC）策略的主要方法之一。当常规控制无法最佳地操控过程时，工厂操作人员可以采用这种方法。例如，当过程运行不稳定时，很难在不超过限值的前提下逼近生产上限以实现最大产量。当曲线比较平稳时，就可以更加趋近界限值。
