CN105793789B - 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统 - Google Patents

Abstract

本发明涉及用于过程单元中的全部过程区段的自动的计算机实现的监视和状态确定的方法和系统。在学习阶段的范围中作为良好状态计算或者训练基于神经网络的模型并且紧接着监视或者诊断过程区段并且显示设施部件的状态。

Description

用于过程单元中的全部过程区段的自动的监视和状态确定的 计算机实现的方法和系统

技术领域

本发明涉及用于过程单元中的全部过程区段的自动的计算机实现的监视和状态确定的方法和计算机实现的系统。

背景技术

在越来越异构的系统蓝图以及设施的不断上升的自动化程度的背景下，创新的辅助系统以及工厂资产管理（Plant Asset Management，PAM）解决方案对于操作者来说变得越来越重要。在此，仪器、设备和过程单元的自动化技术的监视和诊断适合担当关键角色。

现代的工厂资产管理的中心的目标设定在于通过现场设备和设施组件的状态监视（资产监视（Asset Monitoring））来提高设施可用性和设施利用。

在设备层面上在许多情况下已经存在资产状态信息。例如在许多企业中已经很大程度上设立了所谓的智能现场设备。同样，在更复杂的机器和仪器、比如泵或热交换器的层面上状况监视系统已经被提供并且是可用的[Mühlenkamp, S., Geipel-Kern, A.: PlantAsset Management: In der Diagnose mechanischer Assets schlummert ungenutztesPotenzial, PROCESS, (2011) Nr.3, 36-38]。但是这里对于应用者来说也强制性地需要状态信息的胜任任务的压缩。对于已经简单的仪器集群和全部的子设施的监视和诊断来说大量信息、如测量参量和调整参量按照标准已经可用于过程管理。不过，应用者经常不具有完整地利用信息的可能性。为了这里及早地获得关于缓慢的恶化过程的提示，自动化的压缩及其为了能够实时地评估资产健康与当前的企业状态的均衡适合担当关键角色[Ross,T,. Ochs, S., Frey, C.W.: Neue Software zur Überwachung "nicht intelligenter"Anlagenteile – Teil 1, Chemie Technik, (2011) Ausgabe 11, S. 18-20]。因为只有基于这种安全的认识，例如在前瞻性的维护以及生产和停工规划的意义上，预测以及最后合适的措施的导出才是可能的。可靠的资产状态信息因此形成多样的以及不同的、对于商业成功来说重要的公司决定的基础。

发明内容

因此存在开发用于监视过程技术上相关联的设施部件（过程单元）的系统和方法的任务，所述系统和方法能够在没有巨大的工程耗费以及建模耗费的情况下基于存在的用于企业的资产监视的现场仪表被利用，给应用者示出可靠的以及能够简单且快速操纵的监视工具，其中每个过程单元的资产状态信息自动地被压缩并且聚合地以简单的形式被示出。超出智能现场设备的层面的资产状态信息应当也由“非智能”设施部件以及由工艺企业的子设施提供。为此，所述任务在于提供一种技术软件解决方案，所述技术软件解决方案实现：自动地在该方法期间确定阈值设定以及因此良好状态及其偏差之间的区别。

在本申请的意义上是借助于传感器和/或诊断软件自我监视的智能现场设备。

过程技术上相关联的设施部件的监视通过计算机实现的用于监视包括一个或多个过程单元的过程技术上相关联的设施部件的方法被解决，所述方法包括下列步骤：

在步骤a）中施加M个要监视的过程参数及其测量范围极限。测量范围极限用于模型的参数化（参看[Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierterAutomatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation, at-Automatisierungstechnik 56 (2008) Nr.7, S. 374-380]）。输入通常通过用户接口进行。输入被存储在用于定义过程单元的模块中。

在步骤b）中由潜在的学习向量构成的学习数据阶段被导入到数据库模块中。学习数据阶段通常从过程控制系统的过程数据库中被导入。这些学习数据阶段由潜在的学习向量构成，所述学习向量分别通过来自步骤a）的M个过程参数的实际值、额定值和/或调整值以及时间戳t来定义。来自过程数据库的学习数据阶段的传输通过数据接口（OPC，SQL）进行；所导入的学习数据阶段被存储在数据库模块中。数据库模块此外与基于神经网络的模型模块连接。

在步骤c）中在数据库模块中从来自b）的学习数据阶段中选择N个学习向量。该选择典型地由用户通过用户接口进行。

在步骤d）中来自步骤c）的所选择的学习向量自动地被传输到模型模块中。利用这些学习向量全自动地借助于数据驱动的算法创建基于神经网络的模型。为此，每个学习向量迭代地被分配给具有到所述学习向量的最小距离的神经元，直至神经元形成自组织神经元图谱（为此参看 http://en.wikipedia.org/wiki/Self-organizing_map, Frey, C.W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagenmittels selbstorganisierender Karten und Watershed-Transformation, at-Automatisierungstechnik 56 (2008) Nr.7, S. 374-380）。被这样训练的模型反映要监视的设施部件的良好状态（参考）。

在步骤e）中自动地计算模型的下列特征（参看图7）：

●作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元（=具有最小距离的神经元）的相应的过程参数值的距离的偏差误差，

●对于N个学习向量中的每个学习向量，作为其M个过程参数的偏差误差的总和的总偏差误差，

作为结果得出余数。为此计算N个学习向量中的每个学习向量的所有M个过程参数的偏差误差，即在矩阵中以数字的方式计算MxN个偏差加上N个总偏差误差。

在步骤f）中将来自步骤e）的N个总偏差误差传输到用于分析偏差误差的模型中。在该模型中，N个总偏差误差的最小值和最大值自动地被计算。N个总偏差误差的最小值和最大值给定良好状态的概括性的简单的定义，借助所述良好状态可以保证设施的稍后的监视。此外有利的是，总偏差误差考虑：在必要时不仅仅一个过程参数单独地而是过程参数的组合描述过程单元的实际的良好状态。在一种优选的实施方式中此外针对总偏差误差自动地计算以及设定至少一个阈值。在该特别的实施方式中，所述方法包括用于自动设定阈值的下列另外的步骤：

●总偏差误差的所确定的值范围用作总偏差误差的直方图的基础。所述值范围被细分成10至100、优选地15至75、特别优选地50个等距的（值范围）段。

●学习向量的总偏差误差自动地被分类到所述段中。基础阈值（参看图2）利用下列步骤自动地被设定：基础阈值=第一段支点，对于所述段支点适用：最高的总偏差误差的≥5至15%、优选地≥15%处于从最大值出发的段之内（参看图2）。在此，另外的条件适用于基础阈值：基础阈值必须处于从最大值出发的所述段的最上面的7/10个段的范围中、即在划分成50个段的情况下处于第15至第50段的范围中并且在划分成100个段的情况下处于第30至第100个段的范围中。如果基础阈值应处于该范围之外，则最高的总偏差误差的≥5%而不是≥15%的百分比适用于基础阈值的自动的重新调整。

在步骤g）中为了监视过程单元将被在线监视的M个过程参数值（参看图7）在时间点t自动地传输到数据库模块中；这些过程参数值形成过程单元在时间上的监视向量。监视向量从数据库模块被转发到模型模块中。

在步骤h）中在模型模块中通过监视向量的过程参数值与神经元图谱的每个神经元的过程参数值的比较以及神经元的基于最小距离的选择来将来自步骤g）的每个监视向量自动地分配给来自步骤c）的神经元图谱（SOM）的所述监视向量的最佳匹配单元，

在步骤i）中自动地计算所述监视向量的每个过程参数值与被分配给所述监视向量的最佳匹配单元的过程参数值相比较的偏差误差并且计算所述监视向量的总偏差误差。该计算在用于分析偏差误差的模块中被执行。

在步骤j）中通过用户接口显示每个监视向量的与总偏差误差的所计算的最小值和最大值相比较的、优选地与基础阈值相比较的、特别优选地与乘以通常2-4、根据经验优选地3的正整数因子形式的容差范围的基础阈值相比较的总偏差误差。

为了清楚起见，如下定义说明书的重要的术语:

－ 过程单元是设施部件或者过程技术上相关联的过程区段，其可以利用本发明基于存在的传感器/致动器、即由过程专家选择的过程参数被监视。在根据本发明的解决方案中为了监视可以定义多个过程单元。

－ 学习数据阶段是如下阶段，所述阶段可以完整地或者逐段地被选择用于训练基于神经网络的模型并且由时间戳以及相应地维度（Mx1）的学习向量构成。

－ 监视阶段是如下阶段，在所述阶段中过程单元被监视并且由一些监视向量构成。

－ 在阶段（学习阶段或监视阶段）中在离散的时间点（＝时间戳）对过程参数进行了采样或进行采样。在1/min的采样率的情况下在监视之后在过程数据档案（＝过程数据库）中每分钟存在一个向量。

－ 学习向量或者监视向量通过在步骤a）中所输入的M个过程参数的值以及时间戳t来定义。在M个过程参数的情况下，学习向量或者监视向量具有维度（Mx1）、即M个参数值。过程参数的值通常是过程单元的被监视的实际值。在过程调节的情况下也可以将过程参数的额定值（也被称为主导参量）和/或调整值（也被称为调整参量）包括在内。用于定义学习向量的这些值的组合也是可能的。典型地，监视向量通过其在时间戳t时的M个实际值来定义。

－ 也被称为量化误差或Q误差的偏差误差描述模型与学习向量的适配度或者监视向量与模型的适配度。偏差误差是通过算法所计算的最佳匹配单元（BMU）和所呈现的学习向量或者监视向量之间的距离程度。针对维度（Mx1）的每个学习向量或者监视向量计算M个偏差误差。换言之，将每个学习向量的参数值与最佳匹配单元的参数值相比较并且计算这些参数之间的欧氏距离。

－ 也被称为总量化误差、总Q误差或者总误差的总偏差误差对应于向量的所有偏差误差的总和。

－ 具有总共N个时间戳和维度（Mx1）的学习向量的一个或多个学习数据阶段的余数由MxN个偏差误差的矩阵构成。余数能够被用作模型的质量特征。在本发明中也在余数矩阵中接纳N个总偏差误差。

－ BMU、最佳匹配单元或者最佳适合神经元：如果给神经网络呈现学习向量或者监视向量，则总是存在“获胜神经元”（例如最小欧氏距离），所述获胜神经元最佳地与所呈现的向量一致、即具有最小的偏差误差的神经元。该神经元称为最佳匹配单元或者BMU并且通过其M个过程参数值来定义。换言之，通过其M个参数定义的模型向量被计算。为了计算自组织神经元图谱的最佳匹配单元，参照现有技术、诸如 http://en.wikipedia.org/wiki/ Self-organizing_map 以及Frey 等人[Frey, C. W.: Prozessdiagnose und Monitoringfeldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Kartenund Watershed-Transformation, at-Automatisierungstechnik 56 (2008) Nr.7,S.374-380]。

如大多数的神经网络那样神经元图谱在两个阶段中工作：训练（=学习阶段）和分配（=映射/应用阶段）。训练借助于学习向量形成神经元图谱，其中映射是新向量、例如监视向量的自动的分配。这些阶段在图7上被示意性地示出。

所述方法通常可以在稍微更高效的商业上通用的计算机上并且通过被安装在该计算机上的软件被实施。对硬件不提出特别的要求。根据本发明的解决方案不需要巨大的工程耗费以及建模耗费并且可以基于存在的现场仪表被采用。

为了将包括软件在内的计算机连接到过程监视装置上，过程单元监视器通常具有OPC接口、ODBC接口和SQL接口。在OPC接口的情况下，来自步骤b）或者c）的历史数据通过OPC-HDA并且来自步骤g）的实时数据（=监视向量）通过OPC-DA从过程控制系统的数据库中获取（图5）。

通常附加地每个过程单元借助于内部OPC-DA服务器向外提供状态信息。

在步骤a）中定义通常的要监视的配套的设施部件（过程单元）或者子设施（过程区段）。这些设施部件或者过程区段通过其要监视的M个过程参数表征。设施部件的示例是蒸馏柱、热交换器-泵组合、干燥器、螺杆挤出机或者连同所连接的外围设备、如管道和仪表的锅炉。这里，过程专家规定为了监视所需要的传感器/致动器以及所属的测量范围。所述过程专家确定哪些过程参数（压力、温度、流量等等）被包括到监视中以及哪些不被包括到监视中。所观察的功能监视单元的所有实际值、额定值和/或调整值通常是相关的。软件支持配置，其方式是，过程参数可以简单地被选择以及取消选择。在一种特殊的实施方式中，所确定的过程参数附加地被声明为“强制性的”和/或“关键变量”。

强制性的过程参数是对于监视来说需要的过程参数。如果强制性的过程参数在监视中失效，则该监视通常自动被去激活并且过程单元状态“信号灯”从“红”、“黄”或者“绿”向“灰”转变。这种变化将过程单元中的传感器/致动器的失效通知用户。

关键变量是强制性的参数，所述参数此外不允许离开之前所定义的值范围。为此，每个学习数据阶段的最小值和/或最大值优选地向下以及向上被扩展可调整地高的百分比作为容差范围。模型典型地仅在之前所定义的以及所扩展的该值范围中被训练。如果监视向量离开被这样扩展的值范围，则过程单元的监视连同状态信号灯同样被去激活并且变为“灰”。在负载变量（馈送（Feed））的情况下这样可以阻止监视被应用于未被训练的过程状态。适用：关键变量自动地也是强制性的参数。反之情况不是如此。

在步骤b）中应用者导入潜在的学习数据阶段（获取数据）。这些学习数据阶段自动地被存储在内部数据库（=数据库模块）中用于随后的评定。

在步骤c）中过程专家可以将潜在的学习数据阶段可视化并且紧接着从中选择学习数据集或者参考数据集（所选择的学习数据阶段），在所述学习数据集或者参考数据集中设施根据要求被操纵到了良好状态。优选地，针对多个产品或者负载状态的学习数据集或者参考数据集被输入到模型中。为此在步骤a）中负载参数或者产品参数被包括在内，所述负载参数或者产品参数标记不同的设施状态（产品和/或负载状态）。该负载参数或者产品参数通常作为附加的“过程参数”被一起训练。换言之，不仅关于传感器/致动器的数据而且优选地关于产品和/或负载状态的数据可以被用作过程参数。由此减少用于模型创建和监视的耗费。

替代于由应用者导入以及通过用户接口来选择，过程专家可以执行步骤a）中的良好状态的详细的定义，所述定义然后实现学习数据阶段的自动的导入（步骤b）和/或选择（步骤c）。

在步骤d）中计算良好状态的基于神经网络的模型。基于神经网络的模型的训练通常根据Frey等人[Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierterAutomatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation, at-Automatisierungstechnik 56 (2008)Nr. 7, S.374-380]的学习规则进行，其内容通过参考在这里被引入。所基于的算法基于所谓的自组织图谱（SOM）并且数据驱动的模型创建利用来自要监视的设施部件或者要监视的子设施的过程信息（来自所连接的致动器/传感器）、诸如温度、流量、压力、电动机电流等。用于设施部件的监视的数学核心算法之前已经成功地在针对基于现场总线的自动化设施的诊断方案的范围中被采用了[Ross, T., Hedler, C., S., Frey, C. W: Neue Softwarewerkzeug zur Überwachung"nicht intelligenter" Anlagenteile und Teilanlagen In: AUTOMATION 2012 13.Branchen- treff der Mess-und Automatisierungstechnik. VDI-Berichte 2171.Baden-Baden, 2012, S.231-235, ISBN 978-3-18-092171-6]。

由于神经网络的应用，工具可以被设计，使得应用者可以亲手（可以说通过按钮按压）在一分钟之内产生监视模型并且可以紧接着立即将该监视模型用于监视。为此，过程专家选择所谓的学习数据集或者参考数据集形式的所需要的过程信息。该数据驱动的方案基本上区别于在以分析的方式基于模型的方法的情况下的处理方式。所述方法要求复杂的建模以及开发者方面的许多经验。如果过程例如因为执行了构造上的或者过程优化的措施而改变，则也必须相应地适配分析模型。后果是附加的建模耗费。而在这里所介绍的数据驱动的方案的情况下仅需要由应用者重新适配模型。基于神经网络的模型在改变输入的情况下通过训练是能够适配的。

总之，所训练的模型反映要监视的过程区段的良好状态（参考）。与模型的偏差灵活地以及在本发明的一种优选的实施方式中特别优选地以乘以通常2-4、根据经验优选地3的正整数因子形式的容差范围的方式自动地被转化成阈值、至少转化成基础阈值。

在计算基础阈值时段的数量基于经验值被设定并且通常为10至100、优选地15至75、特别优选地为50。值范围的分辨率必须足够高，以便可以精确地设定阈值。这在至少50个段的情况下被给定。但是用户在定义段的数量时应当注意：分辨率不变得太高、即保持适配于问题。否则可能得到很多未被占用的区段，这导致不必要地高的计算耗费。在将学习向量根据其总偏差误差分类到段中的情况下可能在罕见的情况下发生：多于85%的事件处于第1至第15个段中并且剩余的事件被分布到段16-50上。在该情况下，具有≥基础阈值的总偏差误差的学习数据向量的≥15%的百分比将被设定得太低。因此，具有≥基础阈值的总偏差误差的学习数据向量的百分比通常根据具有最高值的≥5%的事件被设定。特别优选地，将所计算的基础阈值乘以通常2-4、根据经验优选地3的正整数因子形式的容差范围。

可选地，偏差误差也可以被传输到用于分析偏差误差的模型中并且基础阈值可以针对每个过程参数被确定。于是，所述方法的另一输出是每个监视向量的所观察的参数与所观察的参数的被预先参数化的阈值（基础阈值乘以正整数因子）相比较的分配。

如果所述系统在较长的时间期间被用于监视过程单元，则能够应用的学习数据集的数量增加。必要时有利的是，重复神经网络的训练，以便在良好状态的模型中考虑新的学习集。模型更新应当理想地作为所经历的PAM策略的一部分被集成到企业日常中。由于工作步骤的简单操作以及小数量，耗费是合理的。而且，对于模型的更新，一般来说仅需要几分钟。

为了更好的可操作性，输出优选地以如图3上那样的信号灯系统的形式被示出。对于红色阈值来说，所确定的基础阈值通常按照标准与作为调整参数（值=3）的附加的正整数因子相乘，但是黄色阈值按照标准以能够调整的方式被设定为红色阈值的高度的75%。调整参数在设施部件或子设施的紧接着的监视过程中控制错误识别的敏感度（即所训练的模型的小的偏差已经导致红色信号灯还是只有所训练的模型的大的偏差才导致红色信号灯）并且可以可选地被改变。黄色阈值同样能够作为红色阈值的百分比份额可选地被改变。

根据信号灯方案（绿色=OK，黄色=注意，红色=错误）设定黄色阈值和红色阈值，所述黄色阈值和红色阈值在监视（实时）或者分析（离线）的情况下允许将设施部件或者子设施的健康状态（资产状态）通知应用者（参看图1）。

用于从所计算的基础阈值出发可视化过程单元状态的信号灯的放置可以优选地由用户通过用户接口被适配。在操作图像上典型地针对每个过程单元在所属的操作图像上可视化信号灯（OK，提高注意力，错误）。可能的偏差稍后可以以这种方式实时地由设施操作员记录。在“黄色”或“红色”的情况下为了细节分析的目的应通知过程专家。

为了偏离的过程参数的更好的概览，来自通常多个监视向量之一的过程参数偏差可以根据大小降序地（例如以前10名的形式）以被图形地分配的方式被示出（图6）。

附加地，针对每个过程参数，总偏差误差的其百分比份额可以被计算以及被图形地示出。

本申请的另外的主题是用于执行计算机实现的方法的计算机程序或者软件。

本发明的另外的主题是用于监视包括一个或多个过程单元的过程技术上相关联的设施部件的计算机系统，所述计算机系统包括下列模块：

a）用户接口，所述用户接口用于定义i）要监视的M个过程参数以及ii）输入一个或多个要监视的过程单元的M个过程参数的测量范围极限，

b）用于定义用于存储输入i）和ii）的过程单元的模块，所述模块与所述用户接口连接，

c）数据库模块，所述数据库模块用于通过数据接口导入以及存储学习数据阶段、学习向量以及监视向量，其中所述数据库模块与用于定义过程单元的模块以及与用户接口连接，

d）基于神经网络的模型模块，所述模型模块用于通过以下方式全自动地训练基于神经网络的模型，即自动地计算：

●最佳匹配单元以及最佳匹配单元的自组织神经元图谱，

●作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，

●对于N个学习向量中的每个学习向量，作为其M个过程参数的偏差误差的总和的总偏差误差，

以及用于将监视向量分配给自组织神经元图谱的最佳匹配单元之一并且计算：

●作为监视向量的每个过程参数值与被分配给所述监视向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，

●对于监视向量中的每个监视向量，作为其M个过程参数的偏差误差的总和的总偏差误差，

e）用于通过自动地确定所计算的总偏差误差的范围、将学习向量以及监视向量根据其总偏差误差在所确定的范围中分类来分析偏差误差的模块，其中用于分析偏差误差的模块与模型模块连接，并且

其中用于分析偏差误差的模块与用于示出监视向量在所计算的总偏差误差的范围中的分类的用户接口连接。

根据本发明的系统对于所有没有按照标准配备自我诊断的设施组件、比如锅炉、管道、热交换器或者蒸馏柱来说是特别有利的[Hotop, R., Ochs, S., Ross, T.: Überwachung von Anlagenteilen, atp edition, 06/2010]。遵循根据本发明的系统的基本意图，过程单元的过程参数不本身单独地、孤立地被观察。更确切地说，所述系统使所有参数集相互相关并且以这种方式检测要监视的功能单元的各个组件的表征的相互作用。在此，所述系统学习并且检查其依赖性并且从中导出例如在信号灯方案的意义上的概括的状态陈述，在所述信号灯方案中在良好状态（“绿色”）、显现的行动需求（“黄色”）和故障（“红色”）之间进行区分。

此外已表明：过程单元监视器也可以有益地被用于监视易受干扰的资产组合，对于所述资产组合来说原则上在市场上也已经存在单个监视解决方案。一方面为了覆盖至今未被检测的确定类型的设施问题，或者另一方面为了揭示恶化过程中的因果关联，例如当子设施之内的设施问题从资产到资产蔓延时。

另一方面，图1阐明：过程单元监视在正确理解的情况下已经包含传统的过程管理（性能监视）的一些元件。不过，不是在根据关键性能指示器以便找到更优的运行状态的过程管理的意义上。而是更确切地说在有针对性地监视确定的子过程以便导出关于减弱的资产性能的信息的意义上，所述减弱的资产性能不能直接归因于资产健康的损害。例如由于离开设施的最优运行方式。

附图说明

图1示出工厂资产管理（PAM）的示意图，其中过程单元监视与状况和性能监视被组合。

图2示出作为每个值范围段的事件频率的总偏差误差的直方图。

图3示出用于监视以及分析资产状态的阈值。

图4示出具有接口的根据本发明的系统的架构的示意图。

图5示出到设施蓝图中的系统集成的示意图。

图6示出根据大小所分配的参数偏差的图形图示（前10名图示，其中为了概览仅显示前3个参数）。

图7示出训练和分配阶段的示意图。

Claims (4)

1.用于监视包括一个或多个过程单元的过程技术上相关联的设施部件的计算机实现的方法，所述方法具有下列步骤：

在步骤a）中，要监视的M个过程参数及其测量范围极限在用户接口中被输入并且被转发到用于定义所述过程单元的模型，所述要监视的M个过程参数及其测量范围极限用于定义要监视的一个或多个过程单元的良好状态，

在步骤b）中，由学习向量构成的学习数据阶段被导入到数据库模块中，

在步骤c）中，在所述数据库模块中来自b）的学习数据阶段中的N个学习向量通过所述用户接口或者来自所述学习数据阶段的N个学习向量自动地根据来自步骤a）的测量范围极限被选择，

在步骤d）中，来自步骤c）的学习向量从所述数据库模块被传输到与所述数据库模块连接的模型模块中；在所述模型模块中通过如下方式产生基于神经网络的模型，即，将每个学习向量分配给具有至所述学习向量的最小距离的最佳匹配单元，其中所述最佳匹配单元通过其M个过程参数定义并且最佳匹配单元形成自组织神经元图谱，

在步骤e）中，自动地计算模型中的个偏差误差和N个总偏差误差：

●针对N个学习向量中的每个学习向量，作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，

●针对N个学习向量中的每个学习向量，作为所述每个学习向量的M个过程参数的偏差误差的总和的总偏差误差，

在步骤f）中，来自步骤e）的每个学习向量的总偏差误差被传输到用于分析所述偏差误差的模块中并且在那里自动地确定所计算的N个总偏差误差的最小值和最大值，并且使用以下步骤自动设置至少一个阈值：

-通过最小值和最大值确定的值范围被细分成10至100个等距的段，

-所述学习向量的总偏差误差被自动分类到所述段中，

-其中所述阈值是第一段支点，对于所述第一段支点来说，最高的总偏差误差的≥5至15%处于从最大值出发的段之内并且所述阈值处于从最大值出发的段的最上面的7/10个段的范围中，

在步骤g）中，为了监视所述过程单元，所述过程单元关于时间的监视向量被自动传输到所述数据库模块中，其中所述监视向量用其在时间戳t处在线监视的M个过程参数定义，随后将所述监视向量传输到所述模型模块中，

在步骤h）中，在所述模型模块中通过将所述监视向量的过程参数值与来自步骤c）的神经元图谱（SOM）的每个最佳匹配单元的过程参数值相比较以及基于最小距离进行选择，将来自步骤g）的每个监视向量自动分配给所述神经元图谱的最佳匹配单元之一，

在步骤i）中，进行所述监视向量的偏差误差和总偏差误差的计算，其中所述监视向量的偏差误差是所述监视向量的每个过程参数值和分配给该监视向量的最佳匹配单元的对应过程参数值之间的距离，并且监视向量的总偏差误差是其M个过程参数的偏差误差之和，

在步骤j）中，所述监视向量的总偏差误差被传输到用于分析所述偏差误差的模块中，与来自f）的所计算的N个总偏差误差的最小值和最大值相比较并且所述比较通过所述用户接口显示。

2.根据权利要求1所述的计算机实现的方法，其中将所计算的阈值乘以通常2-4的正整数因子形式的容差范围。

3.一种计算机可读介质，具有存储于其上的程序，所述程序在被执行时促使计算机执行根据权利要求1至2之一所述的方法。

4.用于执行根据权利要求1至2中任一项所述的计算机实现的方法的计算机系统，其中所述计算机系统包括下列模块：

a）用户接口，所述用户接口用于定义i）要监视的M个过程参数以及ii）输入一个或多个要监视的过程单元的M个过程参数的测量范围极限，

b）用于定义用于存储输入i）和ii）的过程单元的模块，所述模块与所述用户接口连接，

c）数据库模块，所述数据库模块用于通过数据接口导入以及存储学习数据阶段、学习向量以及监视向量，其中所述数据库模块与用于定义所述过程单元的模块以及与所述用户接口连接，

d）基于神经网络的模型模块，所述模型模块用于通过以下方式在自组织神经元图谱中全自动地训练基于神经网络的模型，即自动地计算：

●作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，

●对于N个学习向量中的每个学习向量，作为所述每个学习向量的M个过程参数的偏差误差的总和的总偏差误差，

以及用于将监视向量分配给所述自组织神经元图谱的最佳匹配单元之一并且计算：

●作为所述监视向量的每个过程参数值与被分配给所述监视向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，

●对于所述监视向量中的每个监视向量，作为所述每个监视向量的M个过程参数的偏差误差的总和的总偏差误差，

e）用于通过自动地确定所计算的总偏差误差的范围来分析所述偏差误差的模块，其中用于分析偏差误差的模块能够将所确定的范围划分成段，能够将所述学习向量以及监视向量根据其总偏差误差分类到所确定的范围的段中，其中用于分析所述偏差误差的模块与所述模型模块连接，并且

其中用于分析所述偏差误差的模块与用于示出所述监视向量在所计算的总偏差误差的范围中的分类的用户接口连接。