具体实施方式

本公开公开了用于检测与过程工厂中的GC装置关联的故障的方法和控制系统。该控制系统包括在操作上与GC装置耦合的至少一个数据库和至少一个服务器。至少一个服务器配置成执行用于检测GC装置中的故障的本发明的方法步骤。至少一个数据库可配置成存储GC装置的历史气体色谱图和实时气体色谱图中的至少一个。实时气体色谱图可以是由GC装置实时执行的气体色谱的输出。历史气体色谱图可包括一个或多个气体色谱图，所述一个或多个气体色谱图可以是由GC装置所执行的一个或多个先前气体色谱的输出。在实施例中，至少一个服务器可配置成与至少一个数据库进行通信，以接收实时气体色谱图和历史气体色谱图，并且检测故障。实时地，接收和分析实时气体色谱图，以检测实时气体色谱图中的至少一个症状。此外，基于与GC装置关联的至少一个症状和预定配置数据来确定与GC装置关联的一个或多个故障。指示所确定的一个或多个故障中的每个的发生概率的置信度得分也可由至少一个服务器来确定。通过所提出的发明，可取得GC装置中的故障的检测的精度。而且，本发明提出在GC装置中实时地执行故障的检测，从而避免因故障所引起的误差的传播。

过程工厂可以是包括多个设备的化工厂、炼油厂、天然气厂等。来自多个设备中的至少一个设备可与包括多个化合物的气体混合物一起操作。在实施例中，气体混合物可包括多个化合物中的每个的预定义浓度(又称作组成)。GC装置可与喷射气体混合物的至少一个设备耦合。GC装置可配置成从至少一个设备中提取气体混合物，以测量多个化合物中的每个的组成。图1图示工厂环境的框图，该工厂环境包括GC装置100以及与GC装置100关联的用于测量故障的控制系统。控制系统进一步包括至少一个服务器111和至少一个数据库110。GC装置100可包括过程线101、探头102、旁路过滤器103、GC烘箱（oven）104和GC控制器109连同多个入口和多个出口。GC装置100可配置成测量多个化合物的组成。GC烘箱104进一步包括样本阀105、分离柱106、检测器107和加热器系统108。可经由过程线101和探头102来提取来自过程工厂中的至少一个设备的气体混合物。在实施例中，旁路过滤器103可配置成过滤气体混合物中的污染物。在实施例中，旁路过滤器103可被放置在GC装置100的样本系统中。来自旁路过滤器103的污染物和残余气体混合物可作为气体混合物返回（return）经由GC装置100中的多个出口中的一个被喷出。此外，气体混合物在过滤时被注入到GC烘箱104。GC烘箱104中的样本阀105可配置成将所述气体混合物与运载气体相组合，并且将所述组合经过分离柱106传递。运载气体可经由GC装置中的多个入口中的一个来注入到样本阀105。运载气体用于在GC装置100中执行的气体色谱的流动相中。在实施例中，可通过容积式注入器(图中未示出)手动注入运载气体。运载气体可以是氦、氮、氩、氢、空气等中的一种。在实施例中，本领域已知的任何运载气体可用于本发明中。此外，进入分离柱106的气体混合物与分离柱106的涂敷壁进行交互。分离柱106内部的气体混合物的处理可称作由GC装置100所执行的气体色谱的固定相。在实施例中，分离柱可与加热器系统108关联，以供应热量。热量可促进气体混合物的挥发。

在实施例中，在固定相，分离柱106执行化学过程，从而引起气体混合物中的不同分子的洗脱。由此，可实现气体混合物中的多个化合物中的每个的分离。多个化合物的分离引起从分离柱106按照预定义序列在不同时间喷射多个化合物中的每个。在实施例中，可因分离柱106中的流动气体相与固定相之间的分区（partitioning）行为中的差而实现气体混合物的分离。在实施例中，多个化合物的分离可基于与固定相中的多个化合物中的每个关联的交互的不同强度。

所分离的气体混合物可被注入到GC烘箱104的检测器107中。检测器107可配置成测量气体混合物中的多个化合物中的每个的组成。GC烘箱104中的检测器107可以是热导检测器、火焰离子化检测器、放电离子化检测器、脉冲离子化检测器等中的一个。在实施例中，本领域已知的一个或多个检测器(所述一个或多个检测器可配置成测量多个化合物的组成)可被实现为本发明中的检测器。

检测器107的输出可被提供给GC控制器109，所述GC控制器109可配置成绘制多个化合物中的每个的组成与保持时间，以输出气体色谱图。气体色谱图200的示范表示在图2中图示。气体色谱图200可以是图表，该图表表示气体混合物中的多个化合物中的每个的组成的值。可相对于多个化合物的保持时间来绘制组成的值。多个化合物中的每个的保持时间可以是预定义序列中的对应化合物的保持的时长。如图2中所图示，图表中的多个峰中的每个对应于来自多个化合物中的化合物。在实施例中，峰的高度指示化合物的组成的值。

在本发明的实施例中，可通过在GC装置100中执行一个或多个先前气体色谱来得到历史气体色谱图。与一个或多个先前气体色谱中的每个关联的历史气体色谱图可与图2中所图示的气体色谱图200类似。历史气体色谱图可被存储在至少一个数据库110中。在实施例中，当执行一个或多个气体色谱时，GC装置100可配置成检测误差，并且基于该误差生成报警。对于气体混合物的评估可以不考虑这样的一个或多个气体色谱的结果。在本发明中，来自这样的一个或多个气体色谱的气体色谱图可作为历史气体色谱图来存储在至少一个数据库110中。

实时地，GC装置100可配置成如先前所述的那样执行实时气体色谱，并且生成用于所输入的气体混合物的实时气体色谱图。实时气体色谱图可与图2中所图示的气体色谱图200的那个类似。实时气体色谱图可被存储在至少一个数据库110中。本发明的至少一个服务器111可配置成与至少一个数据库110进行通信，以接收实时气体色谱图和历史气体色谱图。在实施例中，至少一个数据库110可包括第一数据库和第二数据库(图中未示出)。第一数据库可配置成存储历史气体色谱图，以及第二数据库可配置成存储实时气体色谱图。在实施例中，至少一个服务器可与第一数据库进行通信以接收实时气体色谱图，并且可与第二数据库进行通信以接收历史气体色谱图。

在实施例中，至少一个服务器111可包括处理器和存储器(图中未示出)，其用于检测GC装置100中的故障。存储器可在操作上与处理器耦合。存储器可包括模块和数据，其在执行时可使处理器执行故障的检测，如本发明中所公开的。在实施例中，至少一个数据库110可以是至少一个服务器111的组成部分。在实施例中，至少一个服务器111可与GC装置100直接通信，以接收实时气体色谱图和历史气体色谱图。在实施例中，至少一个服务器111可以是基于云的服务器，该基于云的服务器可经由为本领域的技术人员已知的任何通信网络来连接到GC装置100。在实施例中，至少一个服务器111可以是专用服务器，该专用服务器被嵌入GC装置100中。在实施例中，至少一个服务器111可配置成与多个GC装置进行通信，以检测多个GC装置中的每个中的故障。

在本发明中，实时地，至少一个服务器111可配置成接收实时气体色谱图，以检测用于实时气体色谱图的至少一个实时症状。可通过将实时气体色谱图和与实时气体色谱相关的预定配置数据进行比较来检测至少一个实时症状。在实施例中，预定配置数据可指示多个化合物中的每个的组成的精确值与保持时间。在实施例中，预定配置数据又可称作GC配置。在实施例中，可基于关于由GC装置100所执行的气体色谱的先验知识来生成预定配置数据。在实施例中，可基于与GC装置100相关的现有故障排除知识来生成预定配置数据。

在实施例中，用户(该用户可以是GC装置100的操作员、气体色谱图的分析员或者具有所述知识的任何人)可将预定配置数据输入到至少一个服务器111。在实施例中，预定配置数据可以是多个化合物的组成的数值。在实施例中，用户可向至少一个服务器111提供本领域已知的采取一个或多个形式的预定配置数据。在实施例中，至少一个服务器111可配置成将组成的数值转换成图形形式。在实施例中，用户可将预定配置数据的图形形式输入到至少一个服务器111。图3a示出采取图形形式的预定配置数据300a的示范表示。预定配置数据300a中的多个峰中的每个对应于来自多个化合物中的相应化合物。在实施例中，多个峰中的每个的高度指示相应化合物的组成的值，以及多个峰中的每个的宽度指示与预定义序列中的相应化合物关联的保持时间。

至少一个服务器111可配置成通过将实时气体色谱图与预定配置数据进行比较来检测至少一个症状。至少一个症状可以是气体色谱图中的异常或偏离或者变化。在实施例中，可使用为本领域的技术人员已知的一个或多个技术来检测至少一个症状。至少一个症状可归因于基准扰动、峰的形状和大小的不规则性、假峰的出现、分辨率的损失、量计算中的困难、宽溶剂前沿等中的至少一个。一个或多个假峰可能是预定配置数据中不存在的附加峰。在实施例中，一个或多个假峰又可称作幻影峰。在实施例中，在气体色谱图中出现峰的重叠时，可检测分辨率的损失。

在实施例中，为了检测至少一个症状，至少一个服务器111可配置成执行实时气体色谱图中的峰识别。可实现为本领域的技术人员已知的一个或多个技术，以用于检测多个峰。所述技术中的一个技术可包括：迭代地查找气体色谱的图表中的最高点；将高斯曲线拟合到最高点；查找来自拟合的残余以去除峰；并且重复进行该过程。其他技术可包括但不限于同时使用一阶导数中的零交叉和数据中的阈值化来查找全部峰，使用从稳态到瞬态的转变来查找峰，使用小波卷积来查找局部最大数和峰，使用模式匹配逻辑分类器来查找峰整形数据点。在实施例中，使用二次Savitsky-Golay移动窗口过滤器的自适应过滤器可用于检测多个峰。窗口可具有预定义标度。在实施例中，预定义标度可以是来自多个峰中的最大峰的宽度。此外，将多个峰与预定配置数据进行比较，以便从图表中的多个峰和一个或多个假峰中识别正常峰中的至少一个。这帮助识别图表中的正常行为。在实施例中，可实现匹配算法，以用于识别一个或多个假峰和正常峰中的至少一个。此外，确定与除了正常峰之外的峰关联的至少一个实时症状。在实施例中，确定除了正常峰之外的峰的中值和模式，以识别所述峰中的基准和转变点。这帮助异常峰的进一步过滤。对异常峰执行钟形曲线拟合，以提取异常峰中的变化或者峰特性。一个或多个技术可用于检测至少一个症状。技术可包括但不限于用来检查信号中的高阶导数的尖峰检测方法、在偏斜指数（skewing index）中使用与高斯曲线、峰度等的偏离来检测最不规则的峰、使用信号的频率响应以及沿基线的变化的噪声表征。

考虑可执行与图3a中所图示的预定配置数据300a关联的实时气体色谱。此外，考虑将如图3b中所图示的实时气体色谱图300b。为了检测至少一个症状，可将实时气体色谱图300b与预定配置数据300a进行比较。实时气体色谱图300b与预定配置数据300a之间的变化可被检测为至少一个症状。对于实时气体色谱图300b，峰301和峰302可被检测为至少一个症状。类似地，考虑将如图3c中所图示的实时气体色谱图300b。为了检测至少一个症状，可将实时气体色谱图300c与预定配置数据300a进行比较。实时气体色谱图300c与预定配置数据300a之间的变化可被检测为至少一个症状。对于实时气体色谱图300c，峰303可被检测为至少一个症状。

图4a和图4b示出指示相对于预定配置数据的实时气体色谱图中的变化的多个症状的示范表示。图4a示出可因基准扰动而被检测的症状。症状401.1可因实时色谱图中的值的尖峰形成而发生。症状401.2可因实时色谱图中的噪声的添加而发生。症状401.3可因实时色谱图中的值的蜿蜒（wandering）而发生。症状401.4可因实时色谱图中的值的漂移而发生。症状401.5可因实时色谱图中的值的偏移而发生。症状401.6可因实时色谱图中的值的滑移而发生。图4b示出可因峰中的不规则性而被检测的症状。症状401.7可因实时色谱图中的峰值的拖尾（tailing）而发生。症状401.8可因实时色谱图中的峰的伸舌（fronting）而发生。症状401.9可因实时色谱图中的峰的分裂而发生。症状401.10可因实时色谱图中的峰的减小而发生。症状401.11可因实时色谱图中的峰的舍入而发生。症状401.12可因实时色谱图中的峰的取反而发生。为本领域的技术人员已知的一个或多个其他偏离或异常可被至少一个服务器111推断为多个症状。

在检测至少一个症状时，至少一个服务器111配置成从与GC装置100关联的多个故障中确定一个或多个故障。

与GC装置100相关的多个故障可与分离柱106、样本、温度、检测器107、样本阀105、运载气体、隔膜、气体混合物流、注射器、GC控制器109、GC装置100的设置等中的至少一个关联。一个或多个故障可因一个或多个因素而引起。可使用至少一个实时症状和故障签名数据来确定一个或多个故障。在实施例中，至少一个服务器可配置成执行至少一个症状与故障签名数据的映射。可通过各种方法(例如一对一或者多对一或者多对多映射)执行映射。在优选实施例中，可使用机器学习规程来执行多对多映射。

此外，可使用机器学习模型来生成故障签名数据，该机器学习模型通过提供从至少一个数据库110所接收的历史气体色谱图和多个故障来训练。故障签名数据指示多个故障中的每个与关联于GC装置100的多个症状的关联。在实施例中，机器学习模型可以是神经网络、决策树、购物篮分析等中的一个。使用机器学习模型，多个症状中的每个被附加到引起故障。这可被表征为不同因果故障的签名。从机器学习模型来生成具有其数据签名的这类因果故障的列表。可实现为本领域的技术人员已知的一个或多个技术，以用于训练机器学习模型。

在实施例中，各种故障排除手册可用于GC装置100的气体色谱，以用于生成不同种类的问题与关联于问题的各种症状之间的关系。

在实施例中，可在查找表中量化所生成的故障签名数据。故障签名数据的示范表示可如下表1中所示：

表1

根据表1，与GC装置100相关的多个故障可以是分离柱106的污染、样本中的波动、温度中的波动、检测器107的污染和较少的气体混合物流。考虑查找表中针对故障和症状的值“1”指示所述故障与所述症状关联，而查找表中针对故障和症状的值“0”指示所述故障不是与所述症状关联。因此，当至少一个症状包括噪声、峰的大小的减小、峰的伸舌和拖尾、峰的重叠和保持时间的偏移时，可确定分离柱106的污染。当至少一个症状包括峰的大小的减小时，可确定样本中的波动。当至少一个症状包括峰的大小的减小、峰的伸舌和拖尾、峰的重叠和保持时间的偏移时，可检测温度中的波动。当至少一个症状包括噪声时，可检测检测器107的污染。当至少一个症状包括保持时间的偏移时，可确定较少的气体混合物流。此外，对一个或多个所确定故障中的每个来确定置信度得分。由本领域的技术人员要注意，虽然当前使用二进制值(0, 1)来描述表1，但是表1也可包括分数。

考虑由至少一个服务器111所检测的至少一个症状将是峰的大小的减小、峰的伸舌和拖尾、峰的重叠和保持时间的偏移。通过在查找表中将所检测的至少一个症状与多个故障进行映射，一个或多个故障可被确定为样本中的波动、温度中的波动和较少的气体混合物流。类似地，考虑由至少一个服务器111所检测的至少一个症状将是噪声和峰的重叠。通过在查找表中将所检测的至少一个症状与多个故障进行映射，一个或多个故障可被确定为分离柱106的污染、温度中的波动和检测器107的污染。当所检测的至少一个症状与故障关联时，所述故障可被确定为一个或多个故障的部分。

在实施例中，至少一个服务器111可配置成确定用于一个或多个所确定故障中的每个的置信度得分。在实施例中，置信度得分指示GC装置100中的对应故障的发生概率。在实施例中，可基于至少一个检测症状与所确定的一个或多个故障的关联来计算置信度得分。根据先前示例，考虑对于作为至少一个症状的噪声和峰的重叠，一个或多个故障被确定为分离柱106的污染、温度中的波动和检测器107的污染。确定与一个或多个故障(包括分离柱106的污染、温度中的波动和检测器107的污染)的每个关联的置信度得分。对于分离柱106的污染的置信度得分可以是20%，对于温度中的波动的置信度得分可以是30%，以及对于检测器107的污染的置信度得分可以是50%。可实现为本领域的技术人员已知的一个或多个技术，以用于确定置信度得分。在实施例中，基于一个或多个故障和置信度得分，能够对GC装置100发起手动校验或自动重新校准。

图5图示按照本公开的实施例的用于检测与过程工厂中的GC装置100关联的故障的流程图。

在框501处，至少一个服务器111可配置成从至少一个数据库110接收实时气体色谱图。可通过在GC装置100中执行用于气体混合物的实时气体色谱来得到实时气体色谱图。实时气体色谱图可以是表示气体混合物中的多个化合物中的每个的组成的值与关联于预定义序列中的对应化合物的保持时间的图表。

在框502处，至少一个服务器111可配置成检测用于实时气体色谱图的至少一个实时症状。可通过将该图表和与实时气体色谱相关的预定配置数据进行比较来检测至少一个实时症状。至少一个实时症状指示相对于预定配置数据的图表中的变化。

在框503处，至少一个服务器111可配置成从与GC装置100关联的多个故障中确定一个或多个故障。可使用从至少一个数据库110所接收的至少一个实时症状和故障签名数据来确定一个或多个故障。可使用机器学习模型来生成故障签名数据，该机器学习模型通过提供多个故障和历史气体色谱图来训练。

本发明的实施例提供正确性的系统评估以及GC装置100的结果中的置信度度。这实现帮助精确、一致和可靠的GC测量的及早校正动作。

本发明的实施例提供GC装置100的输出中的更强置信度。

本书面描述使用包括最佳模式的示例来公开本文主题，并且还使本领域的任何技术人员能够制作和使用本主题。本主题的可取得专利范围由权利要求书来限定，并且可包括本领域的技术人员想到的其他示例。如果这类其他示例具有与权利要求的文字语言完全相同的结构单元，或者如果它们包含具有与权利要求的文字语言的非实质差异的等效结构单元，则预计它们处于权利要求的范围之内。

参考数字

。