ХЕМОМЕТРИЧЕСКИЕ

МЕТОДЫ

Мониторинг
1
состояния
технологическ
их процессов
 Типовые особенности
химико-технологических
процессов
Химико-технологические процессы отличаются, по крайней
мере наличием одного из следующих факторов:
•потенциальной опасностью;
•плохой наблюдаемостью;
•большим количеством неконтролируемых возмущений;
•высоким уровнем неопределенностей (например, из-за
многоальтернативности характера их протекания);
•требованиями высокоточного соблюдения
регламентных
2 режимов;
•необходимостью использования сложной аналитической
аппаратуры для контроля качества готовой продукции.
 Типовые особенности
химико-технологических
процессов

Неопред Многоме
е- рность
ленности

Большие Технологический Потенциальн

возмущени процесс ая опасность
я

3
Плохая наб-
Нелинейность
людаемость
 Зачем нужна система
мониторинга ?

Срабатывание систем защиты сопровождается

аварийным сбросом реакционных масс, необратимым
подавлением реакции и других операций и т.п.
действиями, что выливается
в увеличение брака и существенные потери.
Ранняя диагностика определит:
нарушения на начальных стадиях их развития и
4
даст оператору время для принятия необходимых мер
по возврату процесса в регламентный режим, не
доводя до срабатывания систем защиты.
 Задачи, решаемые системой
мониторинга и диагностики

1. Мониторинг хода процесса в темпе обновления

текущей информации с датчиков.
2. Обнаружение на ранних стадиях возникающих
нарушений (нештатных ситуаций).
3. Локализация нарушения – определение места его
возникновения.
4. Идентификация нарушения - определение причин,
его вызвавших.
5
5. Своевременная выдача обслуживающему персоналу
рекомендаций, направленных на ликвидацию
нештатной ситуации .
 Место системы мониторинга и
диагностики в иерархии автомати-
зированных систем управления

Неопред Многоме
е- рность
ленности
Технологический
Большие процесс получения Отсутствие
возмущени наноматериалов матмоделе
я й
Из ние
а
м ер НелинейностьПлохая наб- ров
ен
ие людаемость ули
г
Мо Ре с ти
к
н ит о АСУ ТП г но
ри Д иа
нг
Вед а ита
про ение АСОД
це с За щ
са У
 ЗОНА ОТВЕТСТВЕННОСТИ
СИСТЕМЫ МОНИТОРИНГА И
ДИАГНОСТИКИ
РАБОЧИЙ ДИАПАЗОН СИСТЕМЫ

АВАРИЙНАЯ АВАРИЙНА
ЗАЩИТА ЭКСПЛУА- ЭКСПЛУА- Я ЗАЩИТА
ТАЦИОННАЯ РЕГЛАМЕНТНЫЙ ТАЦИОННАЯ
ЗОНА ДИАПАЗОН ЗОНА

АП ЭП ЭП АП
Qmin (s1=1) Q0 (s1=0) Q0 (s2=0) Qmax (s2=1) Q
При изменении диагностического параметра Q в рабочем диапазоне от
нижнего предельного значения рабочего диапазона Qmin до верхнего
Qmax формируется два показателя, изменяющихся в диапазоне: s =[0,1]
7 1, если Q  Qmin 1, если Q  Qmax
 
 Q  Qmin  Q  Q0
s1   , если Q [Qmin, Q0 ] s2   , если Q [Q0 , Qmax ]
Q0  Qmin Qmax  Q0
0, если Q  Q0 0, если Q  Q0
 
 ДИАГРАММА ОСНОВНЫХ
ФУНКЦИЙ И ИНФОРМАЦИОННЫХ
СВЯЗЕЙ СИСТЕМЫ
СУЖЕНИЕ ОБЛАСТИ ПОИСКА ПРИЧИНЫ НАРУШЕНИЯ

РАННЕЕ ОБНАРУЖЕНИЕ ОПРЕДЕЛЯЕТСЯ ПРОГНОЗ РАЗВИТИЯ

НЕШТАТНОЙ СИТУАЦИИ ПРИЧИНА, СИТУАЦИИ И ВРЕМЕНИ,
ПОМОГАЕТ ОПЕРАТОРУ ВЫЗВАВШАЯ ОСТАВШЕГОСЯ НА
ПРЕДОТВРАТИТЬ ЕЕ НЕШТАТНУЮ ЛИКВИДАЦИЮ
РАЗВИТИЕ. СИТУАЦИЮ НАРУШЕНИЯ

ЛОКАЛИЗАЦИЯ ПРИЧИНА

ПРОГНОЗ

ОБНАРУЖЕНИЕ ОПЕРАТОР
РЕКОМЕНДАЦИЯ

ПОКАЗАТЕЛИ ДАННЫЕ РЕКОМЕНДАЦИИ

8 ОПЕРАТОРУ ИЛИ
ВЫПОЛНЕНИЕ
ОБРАБОТКА ДАННЫХ МОНИТОРИНГА, ПРЯМЫХ ДЕЙСТВИЙ
ОПРЕДЕЛЕНИЕ ДИАГНОСТИЧЕСКИХ ПО УПРАВЛЕНИЮ
РСУ и ПАЗ
ПОКАЗАТЕЛЕЙ, ХАРАКТЕРИЗУЮЩИХ
НЕШТАТНЫЕ СИТУАЦИИ
НАЧАЛО
 ЧТО НЕОБХОДИМО
ДЛЯ РЕШЕНИЯ ЭТИХ
ЗАДАЧ?

Необходимо связать нарушения с их проявлениями

(симптомами).

Обычные математические модели с этой задачей справляются

плохо, т.к. описывают нормальное функционирование
процесса.

Связь нарушение-симптом описывается специальным видом

моделей –

9 диагностическими моделями
 КЛАССИФИКАЦИЯ
ДИАГНОСТИЧЕСКИХ МОДЕЛЕЙ
Диагностические
модели,
строятся на основе

Количественны Качественны
х соотношений х Использующие
соотношений данные с процесса

EKF Причинно- Абстрактны Качествен Количес

Наблюдател е иерархии ные твенные
и следствен
Феноменол ные связи Экспертные
Анализ
огические трендов системы
Структурны Нейронные
Графы е Статистически сети
Деревья Функцион е
отказов альные
10
PCA/PLS Статистические
обнаружители

V. Venkatasubramanian, R. Rengaswamy, K Yin, S.N. Kavuri, Computers and Chemical

Engineering 27 (2003) 293-311)
 ВОЗМОЖНОСТИ РАЗЛИЧНЫХ ДМ

Тип ДМ
Наблюдате Абстрактные Экспертные Нейронные
Графы Карты МГК
ли, EKF иерархии системы сети
Характеристика
Раннее обнаружение
Да ? ? Да Да Да Да
и диагноз
Локализация Да Нет Нет Да Да Да Да
Робастность Да Да Да Да Да Да Да
Идентификация
неучтенных ? Да Да Нет ? Да Да
нарушений
Адаптивность Нет Да Да Нет ? Нет Нет
Способность к
Нет Да Да Да Да Нет Нет
объяснению
Объемы вычислений Да ? ? Да Да Да Да
Определение
11
множественных Да Да Да Да Нет Нет Нет
нарушений
 ТИПЫ НАРУШЕНИЙ
(НЕШТАТНЫХ СИТУАЦИЙ)
По характеру возникновения выделяют нештатные
ситуации, вызванные:
нарушениями в ходе собственно контролируемого
процесса;
нарушениями (отказами) датчиков и измерительной
аппаратуры;
отказами регулирующей аппаратуры
12
По характеру проявления выделяют:
Внезапные (жесткие) нарушения;
Постепенно развивающиеся (мягкие) нарушения
 ЭТАПЫ И МЕТОДЫ ДИАГНОСТИКИ

ОБНАРУЖЕНИЕ g (t )  c ; t  1
ФАКТА НАРУШЕНИЯ

ЛОКАЛИЗАЦИЯ
ДЕКОМПОЗИЦИЯ ОБЪЕКТА
НАРУШЕНИЯ (ВЕРХНИЙ УРОВЕНЬ ДМ)

ОПРЕДЕЛЕНИЕ ИДЕНТИФИКАЦИЯ ПРИЧИНЫ

ПРИЧИНЫ (НИЖНИЙ УРОВЕНЬ ДМ)
НАРУШЕНИЯ
13

МГК МОДЕЛЬ
ЭКСПЕРТНАЯ МОДЕЛЬ
НЕЙРОННАЯ МОДЕЛЬ
 ТИПОВАЯ СТРУКТУРНАЯ СХЕМА
СИСТЕМЫ МОНИТОРИНГА И
ДИАГНОСТИКИ
Данные с датчиков переменных процесса Результаты лабораторных анализов

ДМ для
мониторинга База данных Основная ДМ

Мониторинг
Контроль статистик (проверка гипотез) - Обнаружение
нарушений

Интерпретатор Редактор
Алгоритм построения диагноза базы знаний

14
Подсистема архивации Интерфейс пользователя
Архивы нештатных ситуаций
Тренды режимных параметров

Оператор
 ЧТО ТАКОЕ МОНИТОРИНГ?
Мониторинг - процесс наблюдения и регистрации данных о каком
либо объекте на неразрывно примыкающих друг к другу
интервалах времени, в течение которых значения данных
существенно не изменяются
Далее рассматривается только непрерывный мониторинг,
производимый в реальном времени по выборкам текущих
значений переменных с контролируемого процесса
Мониторинг понимается в статистическом смысле:
достоверность его результатов трактуется с какой-то долей
вероятности. Фактически речь идет о проверке гипотезы
15
Н0 о нормальном состоянии объекта против
альтернативной гипотезы Н1 о наличии на объекте какой-
то нештатной ситуации (нарушения).
 ОШИБКИ ПРИ МОНИТОРИНГЕ

Ошибки 1-го рода. Отклонение нулевой гипотезы

Н0, когда она истинна, что приводит к ложным
тревогам. Вероятность этого события обычно
обозначается через .
Ошибки 2-го рода. Принятие нулевой гипотезы Н0,
когда она ложна, т.е. когда на процессе возникла
нештатная ситуация (нарушение) - пропуск
нарушения.
Вероятность пропуска  определяет вероятность
16
правильного обнаружения нарушения системой
мониторинга: Рпр=1-.
 ВИДЫ МОНИТОРИНГА
Мониторинг состояния технологического процесса
(SPC) направлен на применение статистических методов
для контроля параметров самого процесса и
сфокусирован на выявлении отклонений в его
протекании.

Мониторинг качества готового продукта (SQC)

контролирует вариации характеристик качества
конечного продукта. При этом предполагается, что плохое
17
качество продукта является следствием отклонений хода
процесса от регламента.
 СТАТИСТИЧЕСКИЙ КОНТРОЛЬ
ТЕХНОЛОГИЧЕСКИХ
ПРОЦЕССОВ (SPC)

X UCL
_
Х

LCL


50 51 52 53 54 55 56 57 Время (Номер выборки)

18

Walter Shewhart, 1930 Типовая карта Шьюхарта (1927)

 Виды контрольных карт

а) Контрольные карты для количественных данных

(прямых измерений переменных процесса – мониторинг
SPC):
•Карта средних арифметических и размахов: X-R карта
применяется в случае контроля по количественному
признаку, например, текущих параметров контролируемого
технологического процесса.
•Карта индивидуальных значений и скользящих размахов:

Х - R карта применяется в случае необходимости быстрого

обнаружения незамеченных факторов или в случае, когда за
один день или за неделю было произведено только одно
наблюдение.
•Карта медиан (Ме) и размахов (R )
 Виды контрольных карт

б) Контрольные карты для альтернативных данных

(мониторинг SQC):
Карта доли дефектной продукции: p-карта - применяется
в случае контроля по определению доли дефектных
изделий.
Карта числа дефектов: c-карта применяется в случае,
когда контроль качества осуществляется путём
определения суммарного числа дефектов в заранее
установленном постоянном объёме проверяемых изделий.
Карта числа дефектов на единицу продукции: u-карта -
применяется в случае контроля качества по числу
дефектов на единицу продукции (когда площадь, длина
или др. параметр образца продукции не постоянны).
 Виды контрольных карт

Альтернативные данные представляют собой

наблюдения, фиксирующие наличие или отсутствие
некоторых характеристик (или признаков) у каждого
элемента рассматриваемой выборки.
На основе этих данных производится подсчет числа
элементов, обладающих или не обладающих данным
признаком, или число таких событий в единице
продукции, группе или области.
Альтернативные данные в общем случае могут быть
получены быстро и дешево, для сбора их не требуется
специального обучения.
 
 Преимущества карт для
количественных данных
а) Большинство процессов и их продукция на выходе
имеют характеристики, которые могут быть измерены,
так что применимость таких карт потенциально широка;
б) измеренное значение содержит больше информации,
чем простое утверждение <да - нет>;
в) карты запускаются вместе с процессом и дают
независимую картину того, как он протекает;
г) хотя получение количественных данных дороже, чем
альтернативных, объемы выборок здесь почти всегда
гораздо меньше и при этом намного эффективнее. Это
позволяет часто снизить общую стоимость контроля и
уменьшить временной разрыв между производством
продукции и корректирующим воздействием.
 СТАТИСТИЧЕСКИЙ КОНТРОЛЬ
ТЕХНОЛОГИЧЕСКИХ
ПРОЦЕССОВ (SPC)

X UCL
_
Х

LCL


50 51 52 53 54 55 56 57 Время (Номер выборки)

23

Walter Shewhart, 1930 Типовая карта Шьюхарта (1927)

 Контрольные карты
; для
количественных данных

Предполагая, что переменные распределены по

нормальному закону, но значения средних и СКО заранее
неизвестны и определяются по выборочным данным,
получим для пороговых значений следующие простые
выражения:

где  и  - оценки среднего и СКО, k - коэффициент,

управляющий шириной коридора между порогами.
 ;
Контрольные карты
; для
количественных данных
При использовании карт Шухарта
предполагается, что изменчивость
процесса от выборки к выборке и среднее
процесса остаются постоянными, тогда размахи
R и средние Х отдельных выборок будут
меняться только случайным образом и редко
выходить за контрольные пороги.
Поэтому не допускаются очевидные тренды
или структуры данных, кроме возникающих
случайно с некоторой долей вероятности. При
анализе карты исключаются все выборки, на
которые повлияла неслучайная причина и
пересчитываются пороговые значения.
Выделяют точки вне границ, необычные
структуры точек или тренды.
 Контрольные карты для
количественных данных
По картам определяется еще одна
характеристика, отражающая качество
проведения процесса, его "возможности»,
определяемые индексом PCI:

где UTL и LTL - верхний и нижний пороги,  -

оценивают по средней изменчивости внутри
подгрупп и выражают как R / d2
При PCI<1 возможности процесса
неприемлемы, а при PCI=1, процесс находится
на грани требуемых возможностей. На практике
в качестве минимально приемлемого значения
берется PCI = 1,33,
 Карты кумулятивных сумм

ГОСТ Р 50779.45-2002
Карты кумулятивных (накопительных) сумм
или CUSUM-карты, предложенные Пейджем в
1954г. обычно используются для обнаружения
малых сдвигов в технологическом процессе.
Обладая эффектом подавления шума, они
могут обнаруживать сдвиги в (0,5-2,0) почти в
два раза быстрее, чем карты Шьюхарта с теми
же объемами выборок, но при наличии больших
сдвигов они работают значительно медленнее.
 Карты кумулятивных сумм

Если статистика Si превысит порог (не

будет закрыта маской), то принимается
решение о наличии нарушения. Выбор
начальной точки не влияет на последующий
Опорное
анализ значение 0 устанавливают в
данных.
зависимости от конкретной ситуации и от
типа данных, с которыми необходимо
работать.
При управлении процессом это может
 ПОЧЕМУ МНОГОМЕРНЫЙ
КОНТРОЛЬ?
1. Состояние процесса и качество продукта существенно
зависят от целого ряда параметров.
2. Одномерный контроль дает мало информации о
корреляционных связях между переменными, что
особенно важно при контроле сложных процессов.
3. Достоверность контроля при использовании одномерных
методов в многомерном случае резко уменьшается.

Методология
29 многомерного контроля технологических
процессов (MSPC) была впервые разработана Harold Hotelling
в 1947 г.
 ПОЧЕМУ МНОГОМЕРНЫЙ
КОНТРОЛЬ?

30

_____________
Albin S. The Power of Multivariate Statistical Process Control. Fortaleza: ICIEOM,2006
 ПОЧЕМУ МНОГОМЕРНЫЙ
КОНТРОЛЬ?
Предположим, что состояние процесса определяется двумя
независимыми переменными и установлен уровень
значимости  для ошибки 1-го рода равным =0,05.
Суммарная вероятность отсутствия ошибок 1-го рода будет:
(1-0,05)(1-0,05)=0,9 .
Т.е. общая вероятность ошибки 1-го рода будет 0,1 -
практически вдвое больше, чем при контроле одной
переменной и возрастает с ростом числа переменных.
При одновременном
31 контроле всего 9 переменных эта
вероятность возрастет до 0,4, т.е. по крайней мере, одна из
переменных будет сообщать о нарушении более чем в трети
выборок.
 ИДЕЯ МНОГОМЕРНОГО
МОНИТОРИНГА ТП (MSPC)

Идея большинства многомерных методов мониторинга

строится на использовании той или иной меры расстояния
от текущей до центральной точки процесса, определяемой
координатами вектора с номинальными значениями
переменных.
При этом устанавливается всего одно пороговое значение,
превышение которого будет означать наличие нарушения.
Нижний предел означает близость текущей точки процесса к
центральной и соответствует нормальному состоянию
32
процесса.
 ИДЕЯ МНОГОМЕРНОГО
МОНИТОРИНГА ТП (MSPC)
Предположим, что векторы выборок х1,х2,...,xn,
каждый из значений m переменных, подчиняются p-
мерному нормальному распределению с вектором
средних х и ковариационной матрицей S. Их оценки
максимального правдоподобия будут:
 

Тогда для расстояния Махаланобиса от средней

точки текущей выборки до точки с номинальными
значениями
33 параметров процесса 0 получим:
 
 МНОГОМЕРНЫЙ МОНИТОРИНГ С
ИСПОЛЬЗОВАНИЕМ
СТАТИСТИКИ ХОТЕЛЛИНГА
Статистика Хотеллинга:
T 2  nT 02  n ( x  μ 0 ) T S  1 ( x  μ 0 )   m2
где Т02 - расстояние Махаланобиса от средней точки
текущей выборки до точки с номинальными значениями
параметров процесса 0; n - объем выборки из векторов
данных хi размерности [px1].
Условие обнаружения нарушения (n<30):
34

где  - уровень значимости, F.- распределение Фишера с

p, n-p степенями свободы.
 МНОГОМЕРНЫЙ МОНИТОРИНГ
С ИСПОЛЬЗОВАНИЕМ
КОНТРОЛЬНЫХ КАРТ
Проблема при применении многомерных контрольных
карт состоит в сложности их построения при большой
размерности контролируемого процесса с
коррелированными переменными.

Существенное уменьшение размерности достигается

использованием проекционных методов, в частности,
метода главных компонент
и 35
проецированием исходных переменных на эти
главные компоненты (переходом в пространство
главных компонент).
 МНОГОМЕРНЫЙ МОНИТОРИНГ
С ИСПОЛЬЗОВАНИЕМ МЕТОДА
ГЛАВНЫХ КОМПОНЕНТ

Линейное преобразование, используемое в МГК, имеет

вид:
X=TPTчисла
Для определения +(Е) или РС q,Т=ХРучитываемых в МГК
модели, определяется доля CPV общей дисперсии исходных
где X [nxp],
данных, матрица данных
объясняемая первымииз nглавными
выборок измерений с
компонентами.
p переменными
Если эта доля каждая, нормированными
достигает CPV90% ик более, нулевомуто
среднему и что
считается, единичной дисперсии;
остальные P [pxp] - матрицa
РС образованы шумом:
нагрузок (матрица главныхq компонент, РС); Т [nxp] -
CPV  100( 
матрица36счетов (проекций), i при
1
i этом каждый элемент ti
)  90%
iпроизведением
p
матрицы Т является скалярным 
1 i
xi на
где р – число переменных,
соответствующую строку в P; λi –Е i-ый собственное
– матрица число
невязок
корреляционной матрицы S массива данных Х.
(остатков) МГК-модели.
 МНОГОМЕРНЫЙ МОНИТОРИНГ
С ИСПОЛЬЗОВАНИЕМ МЕТОДА
ГЛАВНЫХ КОМПОНЕНТ
МГК-модель процесса должна строиться при
нормальном (регламентном) состоянии процесса.
Новые измерения, поступающие с процесса,
сопоставляются с этой моделью нормального
состояния (“in-control”) процесса.
Для этого новый вектор измерений переменных xн
проецируется в подпространство главных компонент,
определенное матрицей Р, для получения вектора счетов
tн=P37 q xн и на остаточное подпространство, чтобы
T

получить вектор невязок eн=хн-хмод , где хмод=Рqtн,

а Pq - первые q колонок в матрице Р МГК-модели.
 ОБНАРУЖЕНИЕ НАРУШЕНИЯ
СТАТИСТИКОЙ Т2

При вычислении
Статистика статистикиопределяет
T2k фактически Хотеллинга в (*) требуется
расстояние
обращение корреляционной
по координате матрицы
k от данного вектора S. Эта массива
до центра матрица, как
правило,
данных,плохо обусловлена.
по которым строиласьПоэтому при которое
модель МГК, мониторинге
не с
МГК
должновместо выражения
превышать (*) используется
в норме пороговое значение Сстатистика,
2 Т:
q tk
включающая проекции2 ti исходного вектора х на главные
компоненты (РС), аT вместо 
 k 1ковариационной
2
sk
 CT матрицы S –
диагональная ковариационная
где s2k –дисперсия tk; матрица проекций вектора на
РС МГК-модели: 2 (n  1)qT 1 T
38 СTTk  t k (Tq F
Tq()q, (tnk q)
nq
где k индекс
F(q,(n-q)) РС.  
- распределение Фишера с q, (n-q) степенями
свободы
 ОБНАРУЖЕНИЕ НАРУШЕНИЯ
СТАТИСТИКОЙ Q
Если возникает новая ситуация, которой не было в
исходной модели МГК, ее вектор попадает в
подпространство
Условие обнаружения невязок и обнаруживается
нарушения статистикой с помощью
Q: Q-
статистики (стандартной ошибкой предсказания – SPE).
Q > CQ = gh,2
Статистика Q характеризует расстояние от рабочей точки
где g=b/2a
процесса - весовой параметр;
до гиперплоскости РС: h=2a2/b - число степеней
свободы; a и Tb - оцененные среднее и дисперсия
ˆ ) (x  xˆ )   j 1 ( x j  xˆ j ) 2
T p
Q  e e  ( x  x
статистики Q соответственно;  - уровень значимости.
T
где e  ( I  P q q ) x - невязки выборки х, j –
P
39
индекс переменной в выборке.
 ГЕОМЕТРИЧЕСКАЯ
ИНТЕРПРЕТАЦИЯ
ОПРЕДЕЛЯЮЩАЯ ОПРЕДЕЛЯЮЩАЯ
Q-СТАТИСТКА Т2 -СТАТИСТКА
ОБНАРУЖЕНИЕ ОБНАРУЖЕНИЕ
НАРУШЕНИЯ НАРУШЕНИЯ

Иллюстрация
40 к МГК-модели (Lp – пространство PC;
Lr – пространство невязок.
1000 t, мин 850
 ПОСЛЕДОВАТЕЛЬНОСТЬ
ПРОВЕДЕНИЯ МОНИТОРИНГА
Процедура мониторинга в случае применения МГК
будет иметь следующий вид:
1 шаг. Формирование начальной матрицы данных
3 шаг
Х0k (k=0) из (собственно мониторинг).
N строк (измерений) Получение
и р столбцов нового
(значений
вектора наблюдений
переменных) хk+1, егоусловиях
при нормальных центрирование
работынапроцесса.
значение
среднего, нормирование
Нормирование матрицына СКО.на нулевое среднее и
Вычисление
единичную дисперсию. статистик Q и Т 2
и сравнение их с
пороговыми значениями,
2 шаг. Формирование вычисленными
МГК-модели на шаге2.
вычислением
Повторение
нагрузок Рik и счетовпроцедуры шага числа
Тik и определение 3 до компонент
обнаружения
q,нарушения.
учитываемых
41 моделью (например, по доле дисперсии
исходных данных, объясняемых этими q компонентами,
учитываемыми в модели). Вычисление пороговых
значений СQ и СТ для статистик Q и Т2.
 Мониторинг нестационарного
технологического процесса с
использованием метода главных
компонент

Большинство химических процессов не стационарны,

их параметры дрейфуют во времени МГК-модель
необходимо периодически адаптировать. Для таких
процессов разработан "движущийся" МГК (moving
PCA).

Здесь формируется начальное временное окно из N

измерений данных процесса, не содержащих
нарушения, на основе этой информации строится МГК-
модель и вычисляются пороговые значения для
статистик T2 и Q. Затем формируется следующее окно и 42
т.д.
 МОНИТОРИНГА НЕДОСТАТОЧНО…

1. Мониторинг хода процесса в темпе

обновления текущей информации с
датчиков.
2. Обнаружение на ранних стадиях
возникающих нарушений (нештатных
ситуаций).
3. Локализация нарушения – определение
места его возникновения.
4. Идентификация нарушения -
43
определение причин, его вызвавших.
5. Своевременная выдача обслуживающему
персоналу рекомендаций, направленных
на ликвидацию нештатной ситуации .
 ИДЕНТИФИКАЦИЯ НАРУШЕНИЙ
ПО МГК-МОДЕЛИ

Источник нарушения тот, который вносит

наибольший вклад в статистику, его
обнаружившую ВКЛАДЫ В
СТАТИСТИКУ Q

нормальная
работа

наличие
нарушения
44 60
,% - относительный 40
вклад переменных в
20
Q-статистику
0 20 40 60 80 n
 ПРОДОЛЖЕНИЕ СЛЕДУЕТ

45