利用小波分解对用于阀的可能故障指标进行识别的装置和方法

摘要

本发明提供了一种方法和装置，其用于识别故障阀的可能指标。该方法和装置将具有多个过程变量测量值的信号分解成多个分辨率等级。这些过程变量测量值与阀的操作相关。该方法和装置将分辨率等级组合成多个组。该方法和装置利用这些组来识别用于至少其中一些分辨率等级的一个或多个故障指标。所述一个或多个故障指标与该阀中的可能故障相关。

说明书

技术领域

本发明大体上涉及过程控制系统，具体涉及一种对用于阀的可能故障指标进行识别的装置和方法。

背景

工艺处理设备通常利用过程控制系统来管理。在其它的功能方面，这些控制系统常用于管理阀在工艺设备中的使用。阀通常控制该工艺装备中的材料流量。示例性的工艺设备包括制造设备、化工设备、原油精炼设备和矿石处理设备。在这些工艺设备中，阀可控制工艺设备中的水、油、盐酸或任何其它材料或附加材料的流量。

用于工艺设备的阀时常受到许多问题或故障的困扰。例如，阀可能受到阀滞后或阀粘滞的影响。当阀在某一方向上移动时，控制系统命令阀在相反方向上进行规定量的移动，而阀在相反方向上进行了小于规定量的移动，这时就发生了阀滞后。阀粘滞(stiction)是静摩擦的简称，其指的是对启动运动的阻力。在阀无法对试图调节阀开度的压力作出响应时，就会产生阀粘滞。阀无法作出响应，一直到增加附加压力时为止，这就导致阀开启或关闭超过预期位置。这些或其它故障常常会限制或阻止控制系统利用阀来精确地控制材料的流量。

概要

本发明提供了一种对用于阀的可能故障指标进行识别的装置和方法。

在一个方面，本发明提供了一种方法、装置和计算机程序，其将具有多个过程变量测量值的信号分解成多个分辨率等级。这些过程变量测量值与阀的操作相关。所述方法、装置和计算机程序将分辨率等级组合成多个组。所述方法、装置和计算机程序利用这些组来识别一个或多个用于至少一些分辨率等级的故障指标。所述一个或多个故障指标与阀中的可能故障相关。

具体来说，分解信号包括，执行小波分解，以便在各个分辨率等级下产生小波系数。组合分辨率等级包括，将小波系数组合成组。识别一个或多个故障指标包括，利用小波系数的组来执行奇异性检测。

本领域的技术人员从以下附图、描述和权利要求中将很容易地清楚其它的技术特征。

附图简介

为了更全面地了解本发明，现在将结合附图并参考以下详细描述，其中：

图1显示了根据本发明一个实施例的用于识别故障阀的一个示例系统；

图2显示了根据本发明一个实施例的用于识别故障阀的示例性变量；

图3A和3B显示了根据本发明一个实施例的故障阀的示例性指标；

图4显示了根据本发明一个实施例的故障阀的另外的示例性指标；

图5显示了根据本发明一个实施例的示例性粘滞图形；

图6A至6C显示了根据本发明一个实施例的指示阀是否有故障的示例性概率分级；

图7显示了一种根据本发明一个实施例的用于识别故障阀的示例性方法；和

图8显示了一种根据本发明一个实施例的用于识别故障阀指标的示例性方法。

详细描述

图1显示了根据本发明一个实施例的用于识别故障阀的一个示例系统100。图1中所示的系统100仅仅用于举例说明。在不脱离本发明的范围下，可以使用其它系统。

在所示的示例中，一种或多种材料流过管道102，并且通过阀104来控制通过管道102的材料流量。管道102代表能够有助于运输一种或多种材料的任何合适结构。例如，管道102可代表能够有助于运输油、水、盐酸或任何其它材料的钢管或塑料管。

阀104控制材料流过管道102的流率。例如，阀104可改变管道102的开度，越大的阀开度就允许越多的材料流过管道102。阀104包括能够对流过管道102的一种或多种材料的流量进行控制的任何结构。

在所示的示例中，系统100包括测量装置106、控制器108和阀调节器110。测量装置106监测一个或多个与流过管道102的材料相关的特性。例如，测量装置106可测量流过管道102的材料的流率。测量装置106能够监测流过管道102的材料的任何其它特性或补充特性。测量装置106还输出信号112给控制器108，其中，信号112包括用于对测量装置106所测量结果进行识别的测量值。流率或其它监测特性可称为过程变量，而提供给控制器108的信号112可称为过程变量(PV)信号。测量装置106包括能够对流过管道102的材料的至少一种特性进行测量的任何硬件、软件、固件或它们的组合。

控制器108控制阀104在系统100中的开启和关闭。在这个示例性的实施例中，控制器108利用测量装置106所提供的过程变量信号112和设定值(SP)114来控制阀104。设定值114对用于过程变量信号112的预期值进行识别。例如，控制器108可调节阀开度，使得流过管道102的流率保持在或接近于设定值114所指示的水平。利用过程变量信号112和设定值114，控制器108就可产生包含输出值的输出信号(OP)116。输出值指示阀104的开启程度。控制器108包括用于控制阀104操作的任何硬件、软件、固件或它们的组合。作为一具体示例，控制器108可包括一个或多个存储在至少一个存储器中并可由至少一个处理器执行的软件程序。下面将提供控制器108如何控制阀104的另外的细节。

阀调节器110使用输出信号116中的数据来调节阀开度，或者允许阀104保持在其当前位置。例如，在一些实施例中，信号116中的输出值可识别阀104所需的相对变化量。在这些实施例中，正值可指示阀104开启得更大些，负值可指示阀104将关闭得更多些，而零值可表示不需要变化。在其它实施例中，信号116中的输出值识别阀104的绝对位置。在这些实施例中，最小值如零可指示阀104将完全关闭，最大值可指示阀104将完全开启，而中间的数值指示阀104将部分地开启。阀调节器110包括能够开启和/或关闭阀104的任何结构。

如下面更详细所述，过程变量信号112和/或输出信号116用于识别阀104的可能故障。识别阀104可能故障的能力可在控制器108中、或者在控制器108外部的故障检测器118中实现。故障检测器118包括能够识别阀104中可能故障的任何硬件、软件、固件或其组合。作为一个具体示例，故障检测器118可包括一个或多个存储在至少一个存储器中、并可由至少一个处理器来执行的软件程序。以下的细节将描述控制器108如何处理信息和识别阀104中的可能故障。也可在故障检测器118中实现相同或相似的功能。

过程变量信号112和/或输出信号116可用于识别阀104中的一种类型或不同类型的故障。例如，控制器108可识别阀104何时受到阀滞后或阀粘滞的影响。当阀在一个方向上移动(开启或关闭)时，控制器108就命令阀在相反方向上进行规定量的移动，而阀108在相反方向上进行了小于该规定量的移动，这时就产生了阀滞后。当阀104无法对阀调节器110的压力作出响应直至附加压力作用于阀104上时为止，就会产生静摩擦或“粘滞”。在那时，阀104跃迁到比所预期的更大或更小的开度。这些故障就限制或阻止控制器108精确地控制阀104。

以下将详细描述如何使用系统100来检测阀104中是否存在粘滞。这仅仅用于举例说明。系统100可采用相同或相似的技术来识别阀104中的其它故障。例如，不论阀104是受到阀滞后或阀粘滞的影响，过程变量信号112和输出信号116的特性都可以是相同或相似的。因此，系统100也可用于识别阀104中的其它故障。

虽然图1显示了用于识别故障阀104的一个示例系统100，但是，也可对图1进行各种变化。例如，控制器108能够控制任意数量的阀104的操作。另外，阀104和阀调节器110可形成单个一体式的单元。

图2显示了根据本发明一个实施例的用于识别故障阀104的示例性变量。具体地说，图2显示了过程变量信号112以及相关输出信号116的时间序列。时间序列以每秒一个样本的采样率进行采集，并且对每一个变量都采集5000个数据样本。图2中所示过程变量信号112和输出信号116的时间序列仅用于举例说明。过程变量信号112和输出信号116可具有取决于系统100的任何合适数据，其中控制器108或故障检测器118在该系统100中工作。

如图2中所示，过程变量信号112在具有较高测量值的时限202和具有较低测量值的时限204之间摆动。这表示，信号112中的数据围绕着控制器108所使用的设定值114而摆动。另外，还如图2中所示，输出信号116中的数据通常在时限202期间减小，并且通常在时限204期间增大。这表示，输出信号116中的数据在高、低峰值之间恒定地徘徊。

如下所述，过程变量信号112和输出信号116用于识别可能或已有故障的阀104。例如，图2中所示过程变量信号112和输出信号116的特性可指示，阀104正在受到粘滞或其它故障的影响。

粘滞通常包括两个阶段，″粘滞″阶段和″滑移″阶段。当阀调节器110对阀104施加压力、且阀104粘滞或不移动(开启或关闭)时，就发生了粘滞阶段。这导致控制器108指示阀调节器110对阀104施加补充压力。当阀104最后滑动或移动、但阀调节器110所施加的补充压力导致阀104开启或关闭超过预期位置时，就发生了滑移阶段。

在图2中，多重线206指示阀104发生滑移时的时间。换句话说，线206表示此时阀104的开度变化超过预期。一般而言，围绕在线206周围的区域代表阀104的滑移阶段，而在两条线206之间的区域代表阀104的粘滞阶段。

粘滞的存在可解释过程变量信号112和输出信号116的表现特性。当在粘滞阶段时，过程变量信号112似乎保持居中在相对恒定的数值上，而输出信号116增大或减小。在这点上，例如，过程变量信号112表示通过管道102的材料的流率保持相对恒定。增大或减小的输出信号116则表明，控制器108正在命令阀调节器110对阀104施加越来越大的作用力。

当处于滑移阶段中时，过程变量信号112发生跃迁(从较低值跃迁到较高值，或反之)，并且输出信号116切换方向(从增大到减小，或反之)。例如，过程变量信号112的跃迁可表示，通过管道102的材料的流率已经发生了较大的变化量。这可能是由于施加了足以克服阀粘滞的作用力而造成的，但是，该作用力的量过大，并且造成阀104开启或关闭超过了预期位置。输出信号116的方向变化则表示，控制器108已经开始命令阀调节器110在另一方向上改变阀开度，以便以补偿比预期更大的流率变化。

作为一个具体示例，在时限202期间，当过程变量信号112较高时，这可能表示通过管道102的流率太高。控制器108试图减小阀开度以降低流率，但粘滞导致阀104仍保持在其当前的开度下。这就导致控制器108命令阀调节器110对阀104施加越来越大的作用力，这一情况通过输出信号116的下降来表示。最后，就对阀104施加了足够的作用力而使阀开度发生变化，但是，该过大的作用力导致阀开度减小至超出预期。这会导致其中过程变量信号112较低的随后时限204，而这又表明，通过管道102的流率现在太低了。这就导致控制器108指示阀调节器110增加阀开度。粘滞导致阀104仍保持在其当前的开度下，而这会导致控制器108指示阀调节器110对阀104施加越来越大的作用力。这通过输出信号116的升高来表示。

虽然图2显示了用于识别故障阀104的其中一个变量示例，但是，也可对图2进行各种变化。例如，任何合适的数据可形成过程变量信号112和输出信号116。另外，可以任何合适的采样率来对这些变量进行采样，并且可利用采样数据来揭示阀的粘滞。另外，其它的变量也可用于控制阀104和/或识别故障阀104。

图3A和3B显示了根据本发明一个实施例的故障阀104的示例性指标。具体地说，图3A和3B显示了一种用于识别过程变量信号112跃迁的示例性小波分解。图3A和3B中所示的指标仅仅用于举例说明。在不脱离本发明的范围下，可使用故障阀104的其它指标。

如图3A中所示，由控制器108来接收过程变量信号112。控制器108执行小波分解，以产生处于多个分辨率等级302a-302g下的小波系数，以及等级302h下的低频分量。各个分辨率等级302a-302g代表过程变量信号112的不同信息。具体地说，各个等级302a-302g代表过程变量信号112的变化。较高的等级(起始于等级302a)代表过程变量信号112中的高频变化，而低级的等级(起始于等级302g)代表过程变量信号112中的低频变化。

控制器108使用任何合适的技术来产生分辨率等级302a-302g中的冗余小波系数。在一些实施例中，控制器108利用离散型并矢小波变换(DDWT)来产生小波系数。虽然图3A显示，产生了在七个不同分辨率等级302a-302g下的小波系数，但是，控制器108可产生任意多个等级下的小波系数。

不同分辨率等级302a-302g中的小波系数是相关的。控制器108使用这些关系来识别过程变量信号112中的可能的跃迁。如图3B所示，控制器108将不同分辨率等级302a-302g下的小波系数组合成组304a-304e。在这个示例中，各个组304a-304e包括三个相邻的小波系数分辨率等级。在其它实施例中，控制器108可将任意数量的分辨率等级组合成任意数量的组。

利用组304a-304e，控制器108就可识别不同分辨率等级308a-308e下的可能过程变量跃迁306。各个跃迁306代表过程变量信号112发生较大变化或跃迁的可能位置。结果，各个跃迁306就代表可能发生的粘滞事件的滑移阶段。

控制器108使用任何合适的技术来识别分辨率等级308a-308e下的可能跃迁306。在一些实施例中，控制器108采用关于组304a-304e的奇异性检测来识别分辨率等级308a-308e下的跃迁306。

如图3B中所示，较高的分辨率等级(起始于等级308a)比更低分辨率等级(起始于等级308e)识别出更多的跃迁306。因为分辨率等级308a-308e识别出不同数量的过程变量跃迁306，所以，各个分辨率等级308a-308e就可表示在阀104中产生的不同粘滞量。

在这个示例中，在较高的分辨率等级(起始于等级308a)下，存在着许多因包含在示例信号112中的极高频噪声而引起的假跃迁306。在这种情况下，在最低分辨率等级308e下识别的跃迁306是最精确的。然而，最精确的分辨率等级并不总是最低的分辨率等级308e。这是因为不同的过程变量信号112可能具有不同的噪声、漂移和振动特性。阀104所承受的粘滞也可能是恒定的或间歇的。这些因素可能导致其中一个不同的分辨率等级308a-308e更精确地代表阀104中的粘滞图形。作为一个具体示例，其中一些较高分辨率等级可包括假的跃迁306，而一些较低分辨率等级可能由于平滑作用而丢失一些跃迁306。以下描述了一种用于选择最精确分辨率等级308a-308e的技术。

虽然图3A和3B显示了故障阀104指标的一个示例，但是，也可对图3A和3B进行各种变化。例如，可产生许多分辨率等级302a-302g下的小波系数。另外，任意数量的组304a-304e可包括任意数量的分辨率等级302a-302g。另外，可识别任意数量的分辨率等级308a-308e下的跃迁306。

图4显示了根据本发明一个实施例的故障阀104的其它示例性指标。具体地说，图4显示了如何识别控制器108所产生的输出信号116中的极限位置。图4中所示的示例指标仅仅用于举例说明。在不脱离本发明的范围下，可使用故障阀104的其它指标。

如图4中所示，输出信号116恒定地在高、低峰值之间徘徊。高、低峰值可被共同称为极限位置。输出信号116中的极限位置的存在可表明，发生了粘滞事件的滑移阶段。

控制器108可处理原始输出信号116或者该输出信号的经过滤后或″去噪后″的形式402。控制器108使用任何合适的技术来识别输出信号116中的极限位置。例如，如果其满足以下任一条件，那么控制器108将可将输出信号116中的某一特定位置归类为极限位置：

OP(position)≥max(OP(position±range))          (1)

                           或者

OP(position)≤min(OP(position±range))          (2)

其中OP(position)指输出信号116中的特定位置，而range则定义了在该特定位置周围的范围。在这些实施例中，如果该特定位置具有比落在该特定位置周围范围内的所有其它数值更大或更小的数值，那么该特定位置就代表极限位置。

控制器108可以使用任何合适的技术，来识别出用来指示极限位置的范围。在一些实施例中，控制器108可识别不同分辨率等级406a-406e下的极限位置404的定位位置。在这些实施例中，控制器108识别出用于各分辨率等级406a-406e的范围值。在具体实施例中，控制器108利用以下公式来识别用于分辨率等级406a-406e的范围值：

$>>>Range>k>>=>>TotalDataLength>>PVJumps>k>>>->->->>(>3>)>>>s>$

其中Range_k代表对应于第k个分辨率等级406a-406e的范围值，TotalDataLength代表输出信号116中样本的总数，而PVJumps_k代表在图3B中所示的第k个分辨率等级308a-308e下所检测到的过程变量跃迁306的总数。

极限位置404可在多个分辨率等级406a-406e下进行识别。如上所述，最精确的等级并不总是最低的分辨率等级406e。以下描述了一种用于选择最精确分辨率等级406a-406e的技术。

虽然图4显示了用于识别故障阀104的另一示例指标，但是，也可对图4进行各种变化。例如，在任意数量的分辨率等级下，可利用在这些分辨率等级下所检测到的相应PVJumps_k，来检测出极限位置404。另外，可利用原始输出信号116或经过滤的输出信号402，来检测极限位置404。

图5显示了根据本发明一个实施例的示例性粘滞图形。图5中所示的图形仅仅用于举例说明。在不脱离本发明的范围，也可产生并处理其它图形。

如上所述，可在一个或多个分辨率等级下，对过程变量信号112中的过程变量跃迁306和/或输出信号116中的极限位置404进行检测。利用跃迁306和/或极限位置404，控制器108就可识别用于各分辨率等级的粘滞图形。在一些实施例中，粘滞图形包括滑移阶段502和在前的粘滞阶段504。控制器108采用跃迁306和/或极限位置404作为基准点，以识别滑移阶段502和粘滞阶段504。滑移阶段502和在前的粘滞阶段504一起形成了粘滞图形506。

控制器108使用任何合适的技术来识别粘滞图形506。在一些实施例中，如图5中所示，控制器108可识别过程变量跃迁306以及在跃迁306周围的局部最小值及局部最大值。控制器108还以局部最大值减去局部最小值来计算出″过程变量变化″。控制器108还将滑移阶段502识别为在跃迁306周围的最小区域，其包括规定百分比如85％的过程变量变化。另外，控制器108将粘滞阶段504识别为在滑移阶段502之前的最大区域，其占据比过程变量变化规定百分比要小的百分比，例如20％。这就产生了一个粘滞图形506。

在其它实施例中，控制器108利用以下公式来识别粘滞图形506的平均长度：

$>>AverageLength>=>>TotalDataLength>NumberOPExtremes>>->->->>(>4>)>>>s>$

其中AverageLength代表粘滞图形506的平均长度，TotalDataLength代表输出信号116中样本的总数，而NumberOPExtremes代表输出信号116中的极限位置404的数量。对于各个极限位置404而言，控制器108将粘滞阶段504定义为在极限位置404之前的区域，其具有平均长度的规定部分，例如平均长度的75％。控制器108还将滑移阶段502定义为在极限位置404之后的区域，其具有平均长度的规定部分，例如平均长度的25％。这就产生了一个粘滞图形506。

当在多个分辨率等级下产生了过程变量跃迁306和输出信号极限位置404时，控制器108就可识别用于各个分辨率等级的粘滞图形506。另外，如下所述，粘滞图形506用于计算一个或多个指数，其用于识别出阀104受到粘滞或其它故障影响的概率。

虽然图5显示了粘滞图形506的一个示例，但是，也对图5可进行各种变化。例如，可以任何合适的方式来产生粘滞图形506。

图6A至6C显示了可用来指示根据本发明一个实施例的阀104是否有故障的示例性概率分级。图6A至6C中所示的概率分级仅仅用于举例说明。在不脱离本发明的范围下，也可使用其它概率分级。

如上所述，控制器108使用过程变量跃迁306、输出信号极限位置404或这两者来产生粘滞图形506。图6A显示了基于过程变量跃迁306来判断阀104有故障的概率图，图6B显示了基于控制器输出信号极限位置404来判断阀1 04有故障的概率图。图6C显示了利用过程变量跃迁306和输出信号极限位置404这两者来产生的概率分级。

控制器108使用粘滞图形506来计算一个或多个指数，其用于识别阀104受到粘滞或其它故障影响的概率。控制器108可产生任何合适的指数。以下是可计算的指数示例，但是，控制器108也可产生并使用任何其它的或另外的指数。

粘滞/滑移PV位移比代表粘滞阶段504中的PV位移绝对平均值除以滑移阶段502中的PV位移绝对平均值。当产生阀粘滞时，滑移阶段502中的PV位移通常较大，而粘滞阶段504中的PV位移通常较小。结果，粘滞/滑移PV位移比越小，就表示阀104受到故障影响的概率越高。

滑移/粘滞的持续时间比代表滑移阶段502的平均持续时间除以粘滞阶段504的平均持续时间。当发生阀粘滞时，粘滞阶段504通常比滑移阶段502持续更长时间。结果，粘滞/滑移的持续时间比越小，就表明阀104受到故障影响的概率越高。

粘滞/滑移PV/OP增益比代表″粘滞阶段增益″对″滑移阶段增益″的比值。粘滞阶段增益代表粘滞阶段504中PV位移的绝对平均值除以OP位移的绝对平均值。滑移阶段增益代表滑移阶段502中PV位移的绝对平均值除以OP位移的绝对平均值。当发生阀粘滞时，粘滞阶段504通常包括较小的PV位移以及较大且恒定的OP位移，因此粘滞阶段增益应较小。滑移阶段502通常包括较大的突然的PV位移，因此滑移阶段增益应较大。更小的PV/OP增益比代表出现阀故障的概率更高。

较大数量的粘滞特性值代表所识别的粘滞图形506的总数。在给定时间内的更大数量的粘滞特性通常表示出现阀故障的可能性更高。也可采用粘滞阶段504中OP位移的标准偏差。当阀粘滞发生时，粘滞阶段504中的OP位移可以是相对恒定的，因此较小的标准偏差就可表示阀104有故障的概率较高。

粘滞特性比代表整个粘滞图形506的持续时间除以采集数据的总持续时间。例如，控制器108可能无法确定所采集数据的特定部分是否代表粘滞图形506。作为一个具体示例，控制器108可以确定，粘滞图形506占总持续时间的70％，因此粘滞特性比为0.7。更大的粘滞特性比就表明阀有故障的概率更高。

过程增益的标准偏差可计算得出。在各个粘滞图形506中，过程增益代表滑移阶段502中的PV位移除以粘滞阶段504中的OP位移。当阀粘滞发生时，由提取的粘滞图形506所计算出的过程增益是相对恒定的。因此，所计算的过程增益的较小标准偏差就代表出现阀故障的可能性较高。

PV跃迁/OP极限位置比代表PV跃迁306的数量除以OP极限位置404的数量。随着PV跃迁/OP极限位置比接近数值1时，那么出现阀故障的可能性就增加。

PV跃迁和OP极限位置的一致性值表示所检测OP极限位置404与所检测PV跃迁306之间的平均时间差除以粘滞图形506的平均持续时间。出现阀故障的更大概率会对应于更小的一致性值。

这些指数可被进行不同的加权，并用于产生出现故障的总概率。例如，在识别粘滞时，粘滞/滑移PV位移比就比粘滞特性比更有用，因此就给予PV跃迁/OP极限位置比更高的加权权重。

在具体的实施例中，PV跃迁306和OP极限位置404在多个分辨率等级下进行识别。在这些实施例中，可在每一分辨率等级下产生一个或多个指数。例如，可利用如下公式，将故障概率计算成这些指数的函数：

P(k)＝F(Index(k))                           (5)

其中，P(k)代表与第k个分辨率等级相关的概率，Index(k)代表为第k个分辨率等级所产生的指数的值。这些指数的函数可代表任何较宽范围内的标准函数或专用函数。

在具体实施例中，可利用如下公式，将故障概率计算成指数的加权和：

P(k)＝(Index(k))^T*W+b                           (6)

其中Index(k)代表用于第k个分辨率等级的指数矩阵，(Index(k))^T代表转置矩阵，W代表用于指数的加权矩阵，而b代表偏项。为了保证概率具有位于0与1之间且包括0和1的值，可利用如下公式来确定该概率：

$>>P>>(>k>)>>=>>1>>(>1>+>>exp>>->>(>>>(>ln>dex>>(>k>)>>)>>T>>*>W>+>b>)>>>>)>>>->->->>(>7>)>>>s>$

根据用于确定概率的该公式，可以任何合适的方式来选择用于权重W的数值，例如凭经验来规定权重，或者执行回归运算来计算出权重。

为了使结果更精确，在概率计算中，可包括指数与概率的非线性关系。例如，如果在很长时间内只检测到一个粘滞图形506，那么，无论其它指数如何有利于产生更高的粘滞概率，概率都会比较低。这是由于图形未重复。这个示例或其它示例可作为概率与一个或多个指数之间的非线性关系而自由地结合进来。

利用其中一个或多个方程式(5)-(7)计算出来的概率用于选择最好的分辨率等级。最好的分辨率等级代表分辨率等级308a-308e和/或分辨率等级406a-406e中的其中一个分辨率等级，并且所选定的分辨率等级用于识别阀104有故障的总概率。

如上所述，控制器108采用任何合适的技术来识别粘滞图形506。一种技术涉及到利用过程变量跃迁306，而另一种技术涉及到利用输出信号的极限位置404。在具体实施例中，控制器108利用一种或两种技术来产生一组或多组粘滞图形506。当同时使用这两种技术来产生多组粘滞图形506时，可利用如下公式来计算出现故障的总概率：

Pr_PV＝Max(F_PV(index_PV(level)))                  (8)

Pr_OP＝Max(F_OP(index_OP(level)))                  (9)

Overall＝F(PR_PV，PR_OP).                          (10)

其中：

Pr_PV代表利用过程变量跃迁306所产生的粘滞图形506(例如那些利用段落[053]中所述的技术所产生的粘滞图形506)而计算出的粘滞的概率；

Pr_OP代表利用极限位置404所产生的粘滞图形506(例如那些利用段落[054]中所述的技术所产生的粘滞图形506)而计算出的粘滞的概率；

Index_PV代表利用过程变量跃迁306所产生的粘滞图形506而计算出的指数；

index_OP代表利用极限位置404所产生的粘滞图形506而计算出的指数；

level代表对过程变量跃迁306或OP极限位置408进行识别时的分辨率等级；

F_PV和F_OP代表上述用于由指数计算出概率的函数；Overall代表阀104出现故障的总概率。

在这个示例中，通过在具有较大概率值的分辨率等级下利用过程变量跃迁306和OP极限位置404，就可计算出两个阀粘滞概率。然后，计算出作为这两个粘滞概率之函数的阀故障总概率。

在具体实施例中，可利用以下条件来计算出总概率Overall(其中，|表示逻辑或，&表示逻辑与，y1代表Pr_PV，y2代表Pr_OP，而y代表Overall)：

   if(y1＞＝0.7|y2＞＝0.7)then

    y＝max(y1，y2)；

elseif(y1＞＝0.6&y2＞＝0.6)then

    y＝0.7；

elseif(y1＞＝0.6&y2＞0.2)then

    y＝max(y1，y2)；

elseif(y2＞＝0.6&y1＞0.2)then

    y＝max(y1，y2)；

elseif(y1＞＝0.5|y2＞＝0.5)then

    y＝min(0.6，((y1-0.2)/0.8+(y2-

          0.2)/0.8))；

elseif(y1＜＝0.2|y2＜＝0.2)then

    y＝0；

else

    y＝min(0.6，(min(0.5，max(0，(y1-

           0.2)/0.8))+min(0.5，max(0，(y2-

           0.2)/0.8))))；

end

这就代表一种用于识别阀故障总概率的可能技术。也可使用其它的技术。

在其它的实施例中，控制器108可使用过程变量跃迁306或输出信号极限位置404来产生每一分辨率等级下的单组粘滞图形506。在这些实施例中，利用方程式(8)或方程式(9)，就可计算出阀故障的总概率。

图6A显示，利用方程式(8)(结合方程式(7)和上述对指数的非线性处理)来计算出阀故障总概率。这个示例中所使用的PV信号112和OP信号116是从各种实际运行过程中采集的。采集了两千个以上的数据集，它们与一千个以上的阀104相关。大约500个数据集与故障阀104相关，并且大约1700个数据集与无故障阀104相关。这些数据集全部以每秒一个样本的采样率来进行采集，并且每一数据集都包含用于PV信号112和OP信号116的一个小时的数据。

在这个示例中，图6A被分成第一部分602和第二部分604。第一部分602识别计算出的阀104出现故障的概率，第二部分604识别所计算出的针对阀104没有故障的概率。

在图6A中，计算出的概率被分成三个分级606-610。分级606代表较低的故障概率，分级608代表中间的故障概率，而分级610代表较高的故障概率。如图6A所示，第一部分602中对于故障阀104的大部分概率都落在最高的分级610内，而几乎所有的概率都落在较高的两个分级608-610内。类似地，第二部分604中对于无故障阀104的许多概率都落在最低的分级606中，并且几乎所有的概率都落在较低的两个分级606-608内。

图6B显示了利用方程式(9)(结合方程式(7)和上述指数非线性处理)所计算出的阀故障的总概率。数据集与图6A中所用的数据集是相同的。

在这个示例中，图6B被分成第一部分652和第二部分654。第一部分652识别出针对受到故障影响的阀104而计算出的概率，第二部分654识别针对没有受到故障影响的阀104而计算出的概率。概率也分成三个分级656-660。分级656代表较低的故障概率，分级658代表中间的故障概率，而分级660代表较高的故障概率。

如图6B所示，第一部分652中用于故障阀104的大部分概率落在最高的分级660内，而几乎所有的概率都落在较高的这两个分级658-660内。类似地，第二部分654中用于无故障阀104的许多概率都落在最低的分级656中，并且几乎所有的概率都落在较低的两个分级656-658内。

如图6A和6B所示，对于许多阀104而言，仅利用过程变量跃迁308或仅利用输出信号极限位置404，控制器108就可正确地将故障概率归类到极限分级(用于故障阀104的最高分级以及用于无故障阀104的最低分级)中。另外，控制器108很少将发生粘滞的概率归类到错误的极限分级(用于故障阀104的最低分级以及用于无故障阀104的最高分级)中。

对于落入到中间分级的概率而言，就难以确定那些阀104是否出现故障。为了帮助减少落入到中间分级中的概率数量，控制器108使用过程变量跃迁308和输出信号的极限位置404这两者。另外，不同的粘滞图形提取技术可应用于过程变量跃迁308和OP信号极限位置404。通过这种方式，控制器108就可更精确地对有故障阀104和无故障阀104的粘滞概率进行归类。如图6C中所示，当利用这两个特性时，控制器108在大多数情况下都可对用于故障阀104的概率和用于无故障阀104的概率进行归类。另外，控制器108减少了落入到中间分级内的概率的数量。

各种分级606-610和656-660可以任何合适的方法来限定。例如，图6A和6B显示了较低分级606，656的范围在0和0.2之间，中间分级608，658的范围在0.2和0.7之间，而较高分级610，660的范围在0.7和1.0之间。这些分级可利用任何其它合适的标准来限定。

虽然图6A至6C显示了表示阀104是否出现故障的概率分级的一个示例，但是，也可对图6A至6C进行各种变化。例如，各种不同的概率和用于这些概率的分级仅仅用于举例说明，并且依赖于所监测的特定阀104。也可产生其它的概率和分级。作为一个具体示例，根据数据中噪声和漂移的含量，控制器108就能够更精确地将概率归类为高的或低的范围、而非中间的范围。

图7显示了根据本发明一个实施例的用于识别故障阀104的一种示例性方法700。为了易于解释和说明，方法700将结合图1所示的系统100进行描述。该方法700可被任何其它合适的系统采用。

在步骤702中，识别一个或多个与阀104操作相关的特性。例如，这可包括，控制器108接收并存储测量装置106所产生的过程变量信号112。这还可包括，控制器108存储控制器108之前所产生的输出信号116。

在步骤704中，对一个或多个所识别特性进行过滤或去噪。例如，这可包括，控制器108对过程变量信号112和/或输出信号116进行过滤。

在步骤706中，识别阀故障的可能指标。例如，这可包括，控制器108识别一个或多个分辨率等级下的一个或多个过程变量跃迁306。例如，这还可包括，控制器108识别一个或多个分辨率等级下的一个或多个输出信号极限位置404。

在步骤708中，识别与可能故障指标相关的图形。例如，这可包括，控制器108分析过程变量信号306和/或输出信号极限位置404。这还可包括，控制器108产生针对各个分辨率等级的一组或多组粘滞图形506。

在步骤710中，产生一个或多个指数。例如，这可包括，控制器108产生针对每一分辨率等级的一个或多个指数。在步骤712中，产生阀故障的总概率。例如，这可包括，控制器108利用步骤710中所产生的指数来识别最精确的分辨率等级。这还可包括，控制器108利用与该最精确分辨率等级相关的指数，来产生用于阀104的总故障概率。

在步骤714中，对总故障概率进行归类。例如，这可包括，控制器108确定总概率是否落入到高的、中间、或低的概率分级中。此时，控制器108或系统100可采取任何其它合适的动作。例如，当检测到高的总概率时，控制器108就可通知技术人员需要检修阀104。

虽然图7显示了用于识别故障阀104的一个示例方法700，但是，也可对图7进行各种变化。例如，在步骤704中，控制器108不必对这些特性进行去噪处理。另外，在步骤706和708之间，控制器108可以在各个分辨率等级下对PV信号112和OP信号116进行适应性的去噪处理。PV112和OP信号116的去噪形式可用于在每一分辨率等级下提取粘滞图形以及计算指数。作为一个具体示例，对于在不同分辨率等级下的粘滞图形提取和指数计算，可进行不同的去噪处理，例如，对较高的分辨率等级进行较少的去噪或过滤，而对于较低的分辨率等级进行较多的去噪或过滤。另外，控制器108可在步骤708和710之间执行粘滞图形校验，其中，可从指数计算中排除被识别为假的粘滞图形。

图8显示了根据本发明一个实施例的用于识别故障阀104的可能指标的一种示例性方法800。为了易于解释和说明，方法800结合图1的系统100进行描述。方法800可被任何其它合适的系统采用。

在步骤802中，将所监测的特性分解成多个分解等级或分辨率等级。例如，这可包括，控制器108执行小波分解，以便分解过程变量信号112，并产生多个在分辨率等级302a-302g下的小波系数。

在步骤804中，将分解或分辨率等级组合成多个组。例如，这可包括，控制器108将不同分辨率等级302a-302g中的小波系数组合成两个或多个组304a-304e。在具体的实施例中，组304a-304e重叠，其中，每一组都包含在三个相邻分辨率等级下的小波系数。

在步骤806中，使用分解或分辨率等级的组来识别阀故障的可能指标。例如，这可包括，控制器108利用组304a-304e来执行奇异性检测，以便识别在多个分辨率等级308a-308e下的过程变量跃迁306。

以下代表一种利用奇异性检测来识别PV跃迁306的技术。具体地说，以下介绍述了对离散型并矢小波变换的使用。也可使用其它的技术。控制器108将来自固定数目的相邻分辨率等级302的小波系数进行组合(在图3B的示例中，为三个组)。然后，控制器108利用小波系数的组来执行奇异性检测，以检测PV跃迁306。

作为一个具体示例，假定控制器108正在试图利用来自分辨率等级L，L-1和L-2的小波系数来识别PV跃迁306。如果满足以下全部三个条件，那么，控制器108就可识别分辨率等级L下的PV跃迁306：

条件1：W_PV(p，L)是局部最大点/最小点；

条件2：0.7＜W_PV(p，L)/W_PV(p，L-1)＜2；以及

条件3：0.6＜W_PV(p，L)/W_PV(p，L-2)＜4；

其中，W_PV(p，L)代表在分辨率等级L下的位置p处的小波系数。数据0.6、0.7、2和4可被任何合适的数值来取代。例如，根据阀104的一般特性，0.6和0.7可被任何小于1的数值来取代，而2和4可被任何大于1的数值来取代。在这个示例中，当满足以下任一条件时，数值W_PV(p，L)可代表局部最大值/最小点：

条件1a：W_PV(p，L)＜0且W_PV(p，L)＜W_PV(p-1，L)且W_PV(p，L)＞W_PV(p+1，L)；或

条件1b：W_PV(p，L)＜0且W_PV(p，L)＜W_PV(p-1，L)且W_PV(p，L)＜W_PV(p+1，L)。

这代表一种可用于在多个分辨率等级下识别PV跃迁306的技术。可对这种技术进行各种变化。例如，可将任何数量的分辨率等级组合在一起。另外，控制器108可从第一分辨率等级中计算出估计的噪声值，并使用这个噪声值来作为确定该值W_PV(p，L)是否是实际局部最大值/最小值时的附加条件。作为一个具体的示例，控制器108可确定该值W_PV(p，L)是否超过了噪声阀值。如果没有超过该噪声阀值，那么W_PV(p，L)就不是局部最大值/最小点的值。

虽然图8显示了用于识别阀104故障的可能指标的一种示例方法800，但是，也可对图8进行各种变化。例如，可采用任何其它合适的技术来识别故障阀104的可能指标。

对该专利文献全文所使用的某些词汇和短语的定义进行阐明是有利的。用语″包括″、″包含″及其派生词表示无限制性的包含。用语″或″是包含性的，包括“和/或”的涵义在内。短语″与…相关″和″与其相关″及其派生用语的意思是：包括、包括在其中、相互连接、包含、包含在其中、连接在或与之相连、接合在或与之相接合、与之相通、相互协作、交错、并置、邻近于、束缚在或受束缚、具有、具有其特征，等等涵义。用语″控制器″指的是任何可控制至少一种操作的装置、系统或其部件。控制器可以硬件、固件、软件或它们中至少两种的一些组合形式来实现。与任何特定控制器相关的功能可进行本地或远程的集中或分布。

虽然本发明已经描述了某些实施例和大致相关的方法，但是，对这些实施例和方法的变型和改型对于本领域中的技术人员而言是显而易见的。因此，对以上示例性实施例的描述并不限定或约束本发明。在不脱离所附权利要求所限定的本发明的精神和范围下，其它的变化、替换和改型也是可以的。