3. PV与SP长期跟踪偏差的趋势诊断

为什么流量回路的跟踪偏差要按“分布”看

流量控制回路（FIC）的 PV 与 SP 在稳态下不会完全重合：测量噪声、阀门死区、控制器积分作用都会让偏差 e = PV − SP 在零附近小幅抖动。真正需要诊断的是偏差的统计结构——均值是否系统性偏离零、方差是否异常放大、偏差落在某个区间内的持续时间是否过长。单看某一时刻的曲线形态容易误判，而把历史趋势切成时段、逐段计算均值/方差/超限持续时长，就能把“偶发波动”和“持续跟踪不良”区分开。

本例选取一个典型流量回路 FIC-1203（量程 0–200 t/h，采样周期 1 s，历史库按 5 s 归档），用 4 小时历史趋势做诊断。判定口径先约定清楚：

• 偏差 e = PV − SP，单位 t/h，正号表示 PV 高于 SP。
• 跟踪偏差超限阈值：|e| > 2.0 t/h（约为量程的 1%，可按工艺容忍度调整）。
• 持续超限：连续 ≥ 60 s 满足 |e| > 2.0 t/h，记为一次“超限事件”。
• 统计窗口：10 min 一段，共 24 段，逐段算均值、标准差、超限时长占比。

诊断流程与判读逻辑

核心思路是“先分段统计、再定位超限段、最后关联工况”。下图给出从历史趋势到结论的判读链路，其中工况标签（负荷段、切泵、下游阀切换）来自同一时段的操作记录与相关测点趋势，用于解释偏差段的成因。

用历史趋势算出偏差统计量

下面给出一段可直接运行的 Python 示例，用教学示例数据模拟 4 小时、5 s 归档的 PV/SP 序列（含负荷阶跃段与切泵扰动段），完成分段统计、超限事件提取与工况标签关联。示例数据由固定随机种子生成，结果可复现，属于教学示例而非现场实测。

import numpy as np
import pandas as pd

rng = np.random.default_rng(20240603)

# 1) 构造 4 h、5 s 归档的教学示例数据
fs = 1 / 5.0                      # 5 s 归档
n = int(4 * 3600 * fs)            # 2880 点
t = pd.date_range("2024-06-03 00:00:00", periods=n, freq="5s")

sp = np.full(n, 120.0)            # 基准 SP 120 t/h
pv = np.full(n, 120.0)

# 01:10-01:40 负荷上调：SP 阶跃 +8，PV 一阶滞后跟随（时间常数 90 s）
i1, i2 = int(70*60*fs), int(100*60*fs)
sp[i1:i2] += 8.0
pv[i1:i2] = 120.0 + 8.0 * (1 - np.exp(-np.arange(i2-i1) * 5 / 90.0))

# 01:50-02:20 切泵扰动：叠加 0.02 Hz 脉动 + 阀门死区造成的方波偏置
i3, i4 = int(110*60*fs), int(140*60*fs)
tt = np.arange(i4 - i3) * 5
pv[i3:i4] += 1.2 * np.sin(2*np.pi*0.02*tt) + 0.8 * np.sign(np.sin(2*np.pi*0.008*tt))

# 全程测量噪声
pv += rng.normal(0, 0.35, n)
sp += rng.normal(0, 0.05, n)

df = pd.DataFrame({"PV": pv, "SP": sp}, index=t)
df["e"] = df["PV"] - df["SP"]

# 2) 10 min 分段统计
TH = 2.0                          # 超限阈值 t/h
win = df.resample("10min")
stat = pd.DataFrame({
    "mu":    win["e"].mean(),
    "sigma": win["e"].std(),
    "over_ratio": win["e"].apply(lambda s: (s.abs() > TH).mean()),
})
stat["flag"] = np.where(stat["mu"].abs() > 1.0, "偏置",
                np.where(stat["sigma"] > 1.5, "波动", "正常"))

# 3) 提取持续超限事件（连续 >= 60 s）
mask = df["e"].abs() > TH
grp = (mask != mask.shift()).cumsum()
events = []
for _, seg in df[mask].groupby(grp[mask]):
    dur = (seg.index[-1] - seg.index[0]).total_seconds() + 5
    if dur >= 60:
        events.append({"start": seg.index[0], "end": seg.index[-1],
                       "dur_s": dur, "mean_e": seg["e"].mean()})

print(stat.round(2).to_string())
print(pd.DataFrame(events).to_string(index=False))

运行后重点看三列：mu 明显偏离 0 的窗口对应系统性偏置，sigma 抬升的窗口对应波动放大，over_ratio 高但 mu 接近 0 的窗口说明偏差在正负之间来回跳（多为振荡或死区）。示例数据下，01:10–01:40 段 mu 约为 +3～+5 t/h（PV 滞后于 SP 阶跃），01:50–02:20 段 sigma 明显高于基线，与图中橙色、红色窗口一致。

结果判读与关联工况

现场执行清单

• 确认回路量程与工程单位，偏差阈值按量程百分比设定（本例 1% 量程 = 2.0 t/h）。
• 导出 PV、SP、OP 三支趋势，时间跨度覆盖至少一个完整负荷周期。
• 按 10 min 分段计算 μ、σ、超限占比，标记偏置段与波动段。
• 提取持续 ≥ 60 s 的超限事件，记录起止时间与平均偏差。
• 用操作记录、相关测点趋势为每个异常段打工况标签，形成“时段—统计量—工况—结论”的对应关系。