在一个先进的控制系统中，性能测试是试运行的补充。它能够验证一个控制系统是否能如同一个整体一样地工作以达到其预定目标。寻找针对某一项目目标的系统性能指标及其检验评价方法与确定该目标本身一样重要。
“通常情况下，新的状态下新的系统的性能同老的状态下老的系统的性能往往没有可比性。生产及市场状况的变化会有利于其中某一方，也同时影响它们所能带来的经济效益。”
有效的统计测试计划能够为系统性能测试工作提供一个严格的检验机制，使用户和供应商在分担项目风险的同时分享收益，这对双方来说是公平和有益的。
为什么要测试性能？
事实上，实现基本的功能从来都不是问题——所有知名的供应商都会承诺，他们的信号转换器能够测量和传送信号，他们的DCS能够根据系统配置和控制程序实现通信和控制功能，他们的终端信号发生器能够响应控制信号。那么，除了好奇，究竟为什么要进行性能测试呢？
最明显也是最基本的原因是，性能调试是系统试运行的必要组成部分。另一个重要原因是，由此能建立起操作员对系统正常工作的信心。操作系统设备的重复劳动性质有可能导致操作员由于疲劳懈怠而引发的突发危险和混乱。通常在危险信号发生时，操作员会第一时间关闭他们所未能完全掌握的系统，并将其切换为手动操作，这样其实就无法完全发挥自动化控制系统的众多优势和功能。
企业的内部预算及会计也同样需要进行性能测试。在工程领域中，企业经常将各种工程资源集中起来，然后分配给某个或某些特定项目使用。通过测试可以标记部门之间的工程和经营成本的转让。
虽然通过讲解和示范可以基本满足上述原因，但是，越来越多的供应商都在合同中规定了进行正式的性能测试的要求。能否确实带来经济利益是衡量一个控制系统工程是否先进的主要标准，包括增加产量、提高产品质量，或提高生产效率。而合同往往也明确说明要根据系统实际性能来支付报酬。因此，必须在合同到期前对系统进行性能测试和验证。而这，并不是个简单的任务。
要测试那些东西？
随着数据采集和处理能力的不断强大，测试验证的标准也呈现出多样化趋势，因此，决定性能测试方案是一项艰巨的工作。通常需要用各种统计工具来从海量的数据中甄选出具有验证指标意义的资料。
有两个基本问题需要解决：
■是评估控制系统的技术表现还是评估它所能创造的经济效益？
■是测试系统的绝对性能还是它的相对性能？
实际上，控制系统性能测试与经济无关。过去十年来，测试方式已经从采集历史数据库中的数据并加以简单分析发展到被称为“状态监测”的专门学科。许多的供应商也都提供了监测系统工作状况和提升系统实时性能的相关软硬件和服务。
数据采集
以Expertune公司（www.expertune.com）开发的PlantTriage软件为例，该软件能够为其监控的每个控制闭环采集多达30项评估标准所必需的数据。评估标准包括从误差平方积分准则（ISE）这样熟悉的综合指标到统计阀程和阀速的诊断指标等一系列的标准。评估标准的进步使得人们可以将一套优秀的自控系统的性能表现通过量化而确实地显示出来。
过程能力指数是另一个量化系统性能的统计学概念。该指数反应的是样本变量的概率分布，由变量值相对于规范高低限值之间的标准差来度量。这些参数帮助定义了多项指标。系统性能越好，标准差越小，过程能力指数越高。只有不断提高指数，控制系统才能“更强”。
过程能力指数（Cp）的最简单形式表示为变量均值同规定高限（USL）和低限（LSL）差之比，如果用标准差衡量的话，可用以下公式表示：
该公式适用于设定范围在规范高、低限之间，且其平均值服从正态分布的变量。
“最小方差控制器”是量化控制系统性能的绝对参考之一。这一概念派生出理论上的最小闭环CV（coefficient of variation变异系数）差，并且只有利用完善的过程响应操纵和扰动变量的控制器才能达到该差值。实际生产中，这样的控制器并不存在，不过即使实际差值较理论值偏大，该理论仍具参考价值。
可以通过Harris Index指数来量化基于该差值的性能比。Harris Index指数定义如下：
C表示根据过程时延计算出的最小可能差值的理论值，σ2ACT表示控制器的实际差值。将计算出来的比值常化后，可得到一个0到1.0之间的分布指数：
随着控制性能的提高，控制器的实际差额逐渐接近最小理论值，该指数逐渐趋于0.0。通常在状态检测工具包中可以进行Harris Index指数的计算。
这一概念最大的局限性是，在评估系统性能的时候仅考虑了控制器测量系数的变化，而没有对会减小CV差的阀门动作量进行限制。在工厂中，控制回路和设备单元之间往往会相互影响或发生扰动，因此我们不希望看到大的MV（mean variation平均变化）差出现。在系统性能评估中这一考虑是非常重要的。系统的整体稳定性比单一控制回路的表现重要的多。
经济效益
如果只需要进行内部测试，那么测试控制系统的性能是不错的选择。因为控制性能的多项测试指标能够确实地衡量系统是否正常运行，并指导如何对其进行优化。
但是，控制系统性能测试并不能代替其他所有的性能测试——新的控制系统真的能为工厂创造经济效益吗？
与控制性能验证一样，验证经济效益的第一步是确定经济效益指标。关键绩效指标（KPIs）是常用指标之一。
任何团体，基于任何目的，来衡量其业绩的任何指标都可以用KPI表示。它既适用于验证经济效益又适用于测试控制性能。一个KPI必须是能具体化和量化的，同时，它必须被用来评估一个集体目标的实现。
KPI指标通常被用于长期绩效评估，因此它能反映一定范围内的运行状态。这一特征使之区别于动态性能测试（DPM），后者利用实时测试反映系统瞬时性能。
为了衡量控制系统的经济效益，KPI和DPM指标都会生成一个经济范畴的参数供我们参考。本系列之前的文章对此也有介绍。（见《CE》（英文版）2006年3月刊IP1页）
■更高的产值或产率；
■更低的原料进料比（即高收益）；和
■更低的单位能耗（即高效率）
这些经济方面的衡量标准是决定控制系统性能优良与否的最终标准。在系统操作中积累的丰富经验和教训，促成了系统性能的不断完善，但完善永远是相对而言的——只是一种相对于旧系统性能的完善。
目标：做的更好
要实施一个先进的控制工程项目，首先要进行的是项目研究和评估阶段，该阶段的目标是鉴定项目投入和评估潜在回报。然后接下来的是合同谈判阶段、设计施工阶段，以及安装调试阶段，这些工作之后，系统才能基本实现全部既定功能。然后还要经历培训和整合阶段，最后才是性能测试。
“如果一个先进控制工程合同包括性能测试环节，那么实际工程进度和成本估算必须包括实施性能测试所必需的时间和资源。”
项目周期因控制工程规模大小和复杂程度高低而有所不同，同时也会受生产和维护进程安排，以及用户和供应商的其他协议的影响。通常来说一个项目的周期短则数周，长则一年以上。
同时，为了达成更好的目标，会出现各种改动，从而影响预订的计划和系统性能。这些可变因素包括：
■影响系统性能和效益的过程设备、仪表和信号发生器；
■产品规范、市场需求，和市场价格；
■原料和燃料特性、利用率和成本价格；
■系统的上行或下行系统及其操作；
■周边（周期）状况。
通常情况下，新的状态下新的系统的性能同老的状态下老的系统的性能往往没有可比性。生产及市场状况的变化会有利于其中某一方，也同时影响它们所能带来的经济效益。
有效测试
唯一严格有效地证明新系统性能的途径是在现有生产和市场条件下对系统进行切换测试（on-off test）。这意味着系统最终配置必须能支持新旧两种控制方案。然后按照试验计划在新旧系统之间以一定周期和频率进行切换以获得足够的有效统计数据来比较二者的经济效益指标。
本系列之前的文章曾提到过如何通过生产率、产值和运营成本的变化来计算新控制系统带来的经济效益。在切换测试中，这些参数的变化通过被采集的数据的平均值来体现。通过比较新旧系统的参数就能衡量出系统性能的好坏。
为确保统计的有效性，必须回答以下两个问题：
■如何制定测试方案，以确保测试数据能精确反映新旧系统性能差异？
■如何衡量检验结果，以准确把握这种差异性确实代表了系统整体的长期的性能？
这些问题的出现，是因为从有限的数据集合计算出的统计参数值与系统长期运行生成的数据不可能完全等同。这是一个典型的统计分析问题。从有限的数据集合计算出平均值能代表所有可能样本平均数的有效估计吗？
答案是不确定的。我们能做的最好是采集足够数量的独立样本，例如，通过设置足够长的测试周期使误差控制在指定范围的指定出现概率中。
中心极限定理
中心极限定理，这一统计学基本定律，使上述方法成为可能。如果测试数据来源于大量不同的测试运行时段，那么所有运行时段内的样本就构成了所有可能样本的集合。如果每个时段足够长，那么计算出的样本平均值的分布就会从中心向周围逐渐分散，尽管单个独立的数据并不服从正态分布，但真实平均值（未知）却服从正态分布。
另外，此概率分布的标准差与每个测试运行时段内的样本数成反比，用公式表示如下：
从以上信息和正态分布的区域特性来看，通过计算所需样本数来估计系统平均性能是有可能的。
假设，一个控制系统为一个变量，该变量服从标准差是5个单位的概率分布。如果是正态分布的话，有95%的可能性，单个独立变量将在总体均值1.96个权值内。只有采集足够的数据才能有95%的可能性让系统平均性能落在其真值的0.5个单位内。那么可以得出如下公式：
如果独立样本的间隔是5分钟，32个小时内采集的测试数据的最小值可以满足这一估计水平的需要了。
获此信息后，就可以根据系统进程运行时一系列的开/关状态来制定测试
计划。每一个状态采集一次数据直到必需数据采集完毕。每次数据采集的时间应该足够短，以便每一测试计划可以看做服从系统状态的正态分布。但是，该时间也要有足够的长度，使系统有足够的时间响应扰动并在响应结束后恢复稳定。
每一次状态转换后必须有一定的时间以使系统重新找到稳定的数据采集点。否则，性能良好的系统将受到性能欠佳的系统的影响。
名为“状态转换性能惩罚”的特殊性能就反映了上述概念，在比较先进过程控制（APC）和基本调节控制（BRC）时起作用。
如果数据采集开始于状态转换边界，在APC将过程转向合适操作点的同时，原来的低数据读取速率会降低APC开状态的性能平均值，同样，在过程回到先前操作点时，目前的高读取率也会提高BRC运行状态的平均值。
为了设计出有效的统计测试方案，一些设计准则已经应运而生。
采用足够大的样本间隔，可以成功的读取实时过程变化，而不是重复读取相同的状态或是简单的扰动；这样可以确保样本间的相互独立性；
■设定最小状态时间=3×（最长扰动处理时间）；
■设定最大状态时间=最小时间+过程扰动最长间隔时间；
■设定转换时间=扰动最长处理时间和设点转换时间两者中较长者；
■设定单个状态的长度=最小和最大状态时间间隔内的随机变量；
■生成一个随机开关状态序列，以避免结果偏差。
当测试完成后，可统计每个系统运行的有效平均值。
第二个问题可以用同样的原则来处理。由于每个性能均值分布都服从正态分布，区间估计的统计方法可以检验这些正态分布的区间特性，并为不同的分布分别生成一个估计概率。
例如，假定以下的检测结果来自一个APC控制系统。
在这个例子中，我们将较好的控制能力和优化方案相结合，使控制变量的标准差从3降低到2，并将它的测试平均值从70个单位提高到80个单位。
虽然试验数据表明测试平均值提高了10个单位之多，但这种改进无法对所有的操作做出保证。但样本的数量足以保证了，在测试条件覆盖大量操作状态的前提下，实际均值差异至少9.76个单位的概率可以达到95%。
合理地运用该理论，供应商和用户就有理由相信，通过测试获得的性能表现能够有力的证明使用了先进的控制系统后当前系统的性能符合预期。
工程进度和预算
如果操作适当，性能测试本身是一个具有重大意义的进步。如果一个先进控制工程的项目合同包括性能测试环节，那么实际工程进度和成本估算必须包括实施性能测试所必需的时间和资源。否则，任何测试都不能完成，任何结果都不具任何意义。在合同谈判时，应该指出有效的统计对于测试成本的重要作用。
具备在新旧系统之间来回切换这一功能会增加系统最终配置的成本和复杂性。为了避免影响实际操作，切换的系统要做的尽可能的精简。而事实上这一点并不总能实现，特别是如果项目涉及重大硬件变更，比如从手动控制或模拟控制转为数字控制的时候。
正式的测试前往往需要一份测试计划，内容包括：进度表、每一个状态所需的测试持续时间和转换时间、以及每个阶段采集有效数据的要求。此外，它还应当明确操作员注意事项，帮助他们识别和说明可能影响数据采集的各种情况。这种状态切换和测试全过程需要对操作员进行整体培训。
