EP4363938A1 - Procédé de contrôle d'un système et produit programme d'ordinateur associé - Google Patents

Procédé de contrôle d'un système et produit programme d'ordinateur associé

Info

Publication number
EP4363938A1
EP4363938A1 EP22741493.5A EP22741493A EP4363938A1 EP 4363938 A1 EP4363938 A1 EP 4363938A1 EP 22741493 A EP22741493 A EP 22741493A EP 4363938 A1 EP4363938 A1 EP 4363938A1
Authority
EP
European Patent Office
Prior art keywords
rules
time series
period
abnormal
time period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22741493.5A
Other languages
German (de)
English (en)
Inventor
Amin DHAOU
Antoine BERTONCELLO
Sébastien GOURVÉNEC
Josselin GARNIER
Erwan Le Pennec
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre National de la Recherche Scientifique CNRS
Ecole Polytechnique
TotalEnergies Onetech SAS
Original Assignee
Centre National de la Recherche Scientifique CNRS
Ecole Polytechnique
TotalEnergies Onetech SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre National de la Recherche Scientifique CNRS, Ecole Polytechnique, TotalEnergies Onetech SAS filed Critical Centre National de la Recherche Scientifique CNRS
Publication of EP4363938A1 publication Critical patent/EP4363938A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Program control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0426—Programming the control sequence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
    • B01D3/42—Regulation; Control
    • B01D3/4211—Regulation; Control of columns
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Definitions

  • TITLE Process for controlling a system and associated computer program product
  • the present invention relates to a method for controlling a system.
  • the present invention also relates to an associated computer program product.
  • petroleum refining is a process of transforming crude oil into a finished product that can be used, for example, as gasoline, diesel or other products used in the petrochemical industry.
  • the distillation step is the first step in this process. It consists of purifying different substances of liquids from a mixture, for example, the different fractions of hydrocarbons contained in crude oil.
  • an abnormal event called clogging, takes place, which requires the slowing down or even stopping of the transformation process for a relatively long period of time. Indeed, many hours of maintenance are required to restore the normal state of the column.
  • a method for obtaining a model aimed at predicting the onset of engorgement is also known.
  • Such a model is based on a random forest type algorithm. Nevertheless, such a model also generates a significant number of false positives while failing to predict certain bottlenecks. This leads to loss of time, as well as economic losses.
  • the subject of the present description is a method for controlling a system, the method being implemented by computer and comprising: a. a preparatory phase comprising the following steps: i. obtaining time series, for at least one system of the same nature as the system to be controlled, each time series describing the temporal evolution of one or more predetermined parameters of the system considered between an initial instant and a final instant, the final instant being triggered by the occurrence of an abnormal event affecting the system considered, ii.
  • association rules for a set of time series, called training, the determination of association rules according to the characterization metrics obtained for each parameter, each association rule predicting the occurrence or not of an abnormal event by associating a relative datum to the characterization metric of at least one parameter on the occurrence or not of the abnormal event, v. the validation of the association rules obtained on at least one time series, called test, distinct from the training time series, b. an exploitation phase comprising the following steps: i. obtaining data relating to the evolution over time of the predetermined parameter or parameters of the system to be controlled, ii. the prediction of the occurrence or not of an abnormal event likely to affect the system according to the data obtained for the system to be controlled and the validated association rules.
  • the method comprises one or more of the following characteristics, taken in isolation or in all technically possible combinations:
  • a first sub-period and a second sub-period are defined, the second sub- period having the same duration as the first sub-period and being spaced from the first sub-period by a predetermined duration, the characterization metric being a rate of change, during the step of determining the characterization metric, it is calculated, for each normal and abnormal time period, a characteristic datum for each parameter considered over the duration on the one hand of the first sub-period and on the other hand of the second sub-period of the time period considered, the metric characterization of each normal and abnormal time period being obtained according to the characteristic data obtained for the first sub-period and the second sub-period of the time period considered;
  • the characterization metrics are classified into several classes according to the value obtained for each characterization metric, during the step of determining the association rules, the data relating to the characterization metric being the class to which the characterization metric belongs so that each association rule associates a class of a characterization metric of at least one parameter with the occurrence or not of an abnormal event;
  • the determined association rules are at most a predetermined number of rules selected from a set of rules established according to the characterization metrics of the parameters over the set of training time series, the selected rules being rules whose frequency of appearance in the time series considered is greater than an appearance threshold, preferably the rules selected being the rules having the highest confidence metric among the rules whose frequency of appearance in the time series considered is greater than an appearance threshold, the confidence metric evaluating the frequency of veracity of the rule on the time series considered, preferably the rules selected being the rules having the lowest independence rate among the rules whose frequency of appearance in the considered time series is greater than an appearance threshold and whose confidence metric ance is the highest, the independence rate quantifying the independence of the associations made by a rule, preferably the selected rules being the rules with the highest conviction metric among the rules whose frequency of appearance in the series time series considered is greater than an appearance threshold, whose confidence metric is the highest and whose independence rate is the lowest, the conviction metric quantifying the frequency of non-truthfulness of the rule on the time series considered; -
  • the rules of association include, on the one hand, rules predicting the occurrence of an abnormal event, and on the other hand rules predicting the absence of an abnormal event;
  • the preparation phase comprises the repetition of the steps of determining association rules and validation for different sets of training time series so that each time series was once a test time series and during the other repetitions a series training time;
  • the operating phase includes a step for generating an alert and/or initiating a system control action when an abnormal event is predicted;
  • the system to be checked is a distillation column and the abnormal event is clogging of the distillation column.
  • the present description also relates to a computer program product comprising program instructions recorded on a computer-readable medium, for the execution of a method as described above when the computer program is executed on a computer.
  • This description also relates to a readable information medium on which a computer program product as previously described is stored.
  • Figure 1 a schematic view of an example of a computer allowing the implementation of a system control method
  • FIG. 2 a flowchart of an example implementation of a system control method
  • Figure 3 is a schematic representation of an example of a time series including a normal time period and an abnormal time period, each of the normal time period and the abnormal time period including a first and a second sub-period.
  • Computer 10 is preferably a computer.
  • the computer 10 is an electronic computer capable of manipulating and/or transforming data represented as electronic or physical quantities in computer registers 10 and/or memories into other similar data corresponding to physical data in memories, registers or other types of display, transmission or storage devices.
  • the computer 10 interacts with the computer program product 12.
  • the computer 10 comprises a processor 14 comprising a data processing unit 16, memories 18 and an information carrier reader 20.
  • the computer 10 comprises a keyboard 22 and a display unit 24.
  • the computer program product 12 has an information carrier 26.
  • the information medium 26 is a medium readable by the computer 10, usually by the data processing unit 16.
  • the readable information medium 26 is a medium suitable for storing electronic instructions and capable of being coupled to a computer system bus.
  • the information medium 26 is a floppy disk or floppy disk (from the English name "floppy say"), an optical disk, a CD-ROM, a magneto-optical disk, a ROM memory, a memory RAM, EPROM memory, EEPROM memory, magnetic card or optical card.
  • the computer program 12 comprising program instructions.
  • the computer program 12 is loadable on the data processing unit 16 and is adapted to cause the implementation of a system control method, when the computer program 12 is implemented on the processing unit 16 of computer 10.
  • FIG. 2 schematically illustrates an example of implementation of a system control method
  • FIG. 3 is an example illustrating certain steps of the method. .
  • the control process aims to control a system, i.e. to initiate actions relating to the control of the system.
  • the system is a distillation column and the abnormal events that can interfere with the normal operation of the distillation column are column jams.
  • the control method is, for example, implemented by the computer 10 in interaction with the computer program 12, that is to say is implemented by computer.
  • the control method comprises a preparatory phase 90 and an exploitation phase 190.
  • the preparatory phase 90 makes it possible to obtain association rules predicting the occurrence or not of an abnormal event as a function of the temporal evolution of a or several parameters Xi , ... , X n of the system to be controlled.
  • the phase 190 allows the prediction of the occurrence or not of an abnormal event likely to affect the system to be controlled according to the rules of association and data relating to the temporal evolution of the predetermined parameter(s) Xi, X n of the system to be controlled.
  • Phase 190 is, for example, implemented in real time during operation of the system to be controlled.
  • the preparatory phase 90 includes a step 100 of obtaining time series for at least one system of the same nature as the system to be controlled.
  • time series are, for example, obtained by measurements made by sensors.
  • Each time series describes the time evolution of one or more predetermined Xi, ... , X n of the system considered between an initial instant t, and a final instant t f .
  • the final instant t f is triggered by the occurrence of an abnormal event affecting the system considered.
  • Each time series has a duration greater than a predetermined duration.
  • each time series is the result of a breakdown of a parent time series obtained for a system over a long time period (several days typically). The slicing is done so that the end of each time series coincides with the occurrence of an abnormal event.
  • the predetermined duration is, for example, greater than or equal to 20 hours.
  • the predetermined parameters X1 , ... , Xn are, for example, chosen from: different temperatures upstream or in the distillation column at different levels, different pressures of liquids upstream or in the distillation column at different levels, flow rates, the type of raw liquid entering the distillation column, the openings of various valves upstream or in the column, and chemical or quality parameters. All these parameters are measured at a given frequency (sometimes close to real time for some of them) at different points in the process not far from the distillation column.
  • a time series is illustrated by way of example in figure 3.
  • the preparatory phase 90 includes a step 110 of defining an abnormal time period T A and a normal time period T N for each time series.
  • the abnormal time period T A takes place immediately before the occurrence of the abnormal event.
  • the end of the abnormal time period T A coincides with the triggering of the abnormal event, and therefore the final instant t f of the time series considered.
  • the normal time period T N is an earlier period and of the same duration as the abnormal time period T A .
  • the normal time period T N is such that the time difference E between the normal time period T N and the abnormal time period T A is greater than or equal to a predetermined difference.
  • the time difference E is chosen so that the normal time period T N is very far from the abnormal time period T A .
  • the time difference E is greater than or equal to 5 hours, preferably greater than or equal to 10 hours.
  • the preparatory phase 90 includes a step 120 of determining, for each time series, a characterization metric for each parameter Xi, ..., X n of the series considered, on the one hand over the abnormal time period T A , and on the other hand over the normal time period T N .
  • Step 120 thus makes it possible to obtain data according to a case cross-over design, that is to say that the characterization metrics obtained for each time series are directly comparable because obtained on the same system during the same process. Indeed, the comparison of the characteristics of parameters between the normal time periods T N and the abnormal time periods T A makes it possible to estimate the regular changes which induce an abnormal event.
  • the characterization metric of a parameter Xi,..., X n is a quantity characterizing the parameter Xi,..., X n over the period considered.
  • the characterization metric is an average, a standard deviation, a residual or even a rate of change.
  • the average is the average value of the parameter Xi,..., X n considered over the duration of the normal or abnormal time period considered.
  • the standard deviation is the value of the standard deviation of the parameter Xi,..., X n considered over the duration of the normal or abnormal time period considered.
  • the residual is the error between, on the one hand, the prediction made by a prediction model of a value of the parameter Xi, ..., X n considered over the duration of the normal or abnormal time period considered, and d on the other hand, the effective value of the parameter over the period considered.
  • the prediction model is, for example, an autoregressive model, that is to say a model previously trained on part of the data of the time series considered (but not the data relating to the normal or abnormal time period considered).
  • the rate of change of a parameter Xi,..., X n is a quantity quantifying the changes (variations) of the parameter Xi,..., X n over the period considered.
  • An example of rate of change is described more specifically in the following.
  • the determining step 120 includes defining a first sub-period Ti and a second sub-period T 2 for each of the normal time period T N and the abnormal time period T A of each time series.
  • the second sub-period T 2 has the same duration d as the first sub-period T and is spaced from the first sub-period T by a predetermined duration D.
  • the duration d is, for example, greater than or equal to one hour and the predetermined duration D is, for example, greater than or equal to two hours.
  • the determination step 120 comprises the calculation, for each normal T N and abnormal T A time period, of a datum characteristic of each parameter X , ... , X n considered on the duration d, on the one hand, of the first sub-period Ti and, on the other hand, of the second sub-period T 2 of the time period considered.
  • four characteristic data are obtained for each parameter X , ...
  • X n of each time series namely: a characteristic data on the first sub-period T of the normal time period T N , a characteristic datum over the second sub-period T 2 of the normal time period T N , a characteristic datum over the first sub-period T of the abnormal time period T A and a characteristic datum over the second sub-period T 2 of the abnormal time period T A .
  • the characteristic datum considered is, for example, the mean, the standard deviation or else the residual of the parameter X , ... , X n considered over the duration d of the normal or abnormal time period considered.
  • the characteristic datum is the mean.
  • the rate of change of each normal TN and abnormal T A time period is then determined based on the data characteristics obtained for the first sub-period Ti and the second sub-period T 2 of the time period considered.
  • the rate of change is, for example, given by the following formula:
  • the preparatory phase 90 includes a step 130 of determining association rules according to the characterization metrics obtained for each parameter Xi, ..., X n of a set of time series, called training.
  • the set of training time series is such that at least one time series does not belong to the set so as to be usable as a test time series.
  • the association rules are, for example, determined from an algorithm of the “Association Rules Mining” type.
  • An example of an algorithm used is the Apriori algorithm.
  • Each association rule predicts the occurrence or not of an abnormal event by associating a datum relating to the characterization metric of at least one parameter Xi, ..., X n with the occurrence or not of the abnormal event.
  • the association rules preferably have the form of an implication, i.e. of the type a ® b with a a set of elements and b another element which does not belong to the set of elements.
  • a denotes a set of data relating to the characterization metric of one or more parameters Xi, ..., X n and b denotes an abnormal event or the absence of abnormal event.
  • the characterization metrics obtained are classified into several classes according to the value of the metric. This is particularly the case when the characterization metrics are quantities taking continuous values, as is the case for the mean, the standard deviation, the residual and the rate of change.
  • the classes quantify the magnitude of the change. For example, for rates of change whose value is between 0 and 1, the values obtained for each parameter Xi, ..., X n of each time period, are assigned to a class among at least two classes.
  • each parameter Xi, ..., X n considered is assigned three pieces of information for the abnormal time period T A , namely: a first piece of information relating to the veracity or otherwise of the fact that the rate of change of the parameter Xi, ...
  • X n over the abnormal time period TA is included in the low class
  • a second piece of information relating to the veracity or otherwise of the fact that the rate of change of the parameter Xi, ... , X n over the abnormal time period T A is included in the medium class
  • third information relating to the veracity or not of the fact that the rate of change of the parameter Xi, ... , X n over the abnormal time period T A is included in the upper class.
  • three items of information are also obtained for the parameter Xi, ..., X n over the normal time period TN.
  • the association rules then associate a class of a characterization metric (rate of change for example) of at least one parameter Xi, ... , X n with the occurrence or not of an abnormal event.
  • a rule is of the following form:
  • association rules predict the occurrence of an abnormal event.
  • other (non-zero) part of the association rules predicts the absence of an abnormal event.
  • the determined association rules include at most a predetermined number of rules, selected from a set of rules established according to the characterization metrics of the parameters Xi, ..., X n over the set of time series of coaching.
  • the predetermined number is, for example, equal to ten.
  • a set of rules is first established, for example by means of an Apriori algorithm.
  • the rules are, for example, of different types, and only the rules predicting the occurrence or absence of an abnormal event are retained. Then, at most a number of rules corresponding to the predetermined number are selected.
  • the rules selected are rules verifying first a first criterion, preferably also a second criterion, preferably also a third criterion and more preferably a fourth criterion.
  • the first criterion stipulates that the rules selected are rules whose frequency of appearance (“support”) in the time series considered is greater than an appearance threshold.
  • the frequency of appearance is, for example, calculated by a metric called support.
  • the support is, for example, defined as follows: )
  • supp(a ® b ) designates the support, that is to say the frequency of appearance of a in b for all the normal time periods when b designates the absence of abnormal event, and for the set of abnormal time periods when b designates the occurrence of an abnormal event, supp(a ® b ) is included in the broad sense between 0 and 1,
  • #(aub ) designates the number of elements of D which contain the set aub.
  • the second criterion stipulates that the rules selected are the rules having a metric, called confidence (in English “confidence range”), the highest among the rules whose frequency of appearance in the time series considered is greater than a threshold of appearance.
  • the confidence metric evaluates the frequency of veracity of the rule on the considered time series.
  • suppia denotes the frequency of occurrence of a in normal time periods when b denotes the absence of an abnormal event, and in abnormal time periods when b denotes the occurrence of an abnormal event, suppia ) is understood to mean wide between 0 and 1 .
  • the third criterion stipulates that the rules selected are the rules having the lowest rate of independence (in English “lift”) among the rules whose frequency of appearance in the time series considered is greater than an appearance threshold and whose confidence metric is the highest.
  • the independence rate quantifies the independence of the associations made by a rule.
  • liftia ® b designates the rate of independence, ie the support that would have been obtained if a and b were independent, liftia ® b ) is between 0 and infinity so that if the rate of independence is close to one, it means that a and b are independent, and if the independence rate is higher or close to zero, it means that a and b are associated, and
  • suppib designates the frequency of occurrence of b in normal time periods when b designates the absence of an abnormal event, and in abnormal time periods when b designates the occurrence of an abnormal event, suppib ) is understood as meaning wide between 0 and 1 .
  • the fourth criterion stipulates that the rules selected are the rules having a metric, called conviction (in English “conviction range”), the highest among the rules whose frequency of appearance in the time series considered is greater than a threshold of appearance, whose confidence metric is the highest and whose independence rate is the lowest.
  • the conviction metric quantifies the frequency of non-truthfulness of the rule on the considered time series.
  • the conviction metric is, for example, defined as follows:
  • the preparatory phase 90 includes a step 140 of validating the association rules obtained on at least one time series, called test, distinct from the training time series.
  • the method is, for example, reiterated from the step of determining the association rules.
  • a different predetermined threshold is for example fixed for the medium (metric).
  • a prediction is obtained for each of the association rules on the test time series.
  • Such a prediction is, for example, obtained as a function of the characterization metrics obtained for the parameters Xi, ..., X n of the test time series over each of the normal and abnormal time periods.
  • the final prediction is obtained by aggregating the predictions obtained for each of the association rules according to an aggregation criterion.
  • the aggregation criterion stipulates for example that the final prediction is the majority prediction obtained. In another example, the aggregation criterion states that the final prediction predicts the occurrence of an abnormal event when at least one rule predicts the occurrence of such an abnormal event.
  • the association rules are validated when the final prediction corresponds to the proven prediction of an abnormal event on the test time series.
  • the rules are, for example, validated when the rules are validated for each test series, or at least for a predetermined percentage of the test series (for example 80%).
  • the association rules comprise, on the one hand, rules predicting the occurrence of an abnormal event (first type of rules), and on the other hand rules predicting the absence of an abnormal event (second type of rules, or contrapositive)
  • first type of rules rules predicting the occurrence of an abnormal event
  • second type of rules or contrapositive
  • a final prediction is obtained on the one hand for the rules of the first type, and on the other hand for the rules of the second type.
  • the association rules are then for example validated when the final predictions obtained for each type of rule are confirmed.
  • the preparation phase includes repeating the steps of determining association rules and validating for different sets of training time series such that each time series was once a test time series. and during the other repetitions a training time series.
  • This approach makes it possible to carry out cross-validation, and thus to exploit all the time series for both training and testing.
  • the rules are, for example, validated when, after these repetitions, the rules are validated for each test series, or at least for a predetermined percentage of the test series (for example 80%).
  • the exploitation phase 190 is implemented once the association rules have been validated.
  • the operating phase is, for example, implemented in real time on a system so as to predict in advance the occurrence of an abnormal event likely to affect the system (bottlenecking in the case of a distillation column) .
  • the exploitation phase 190 comprises a step 200 of obtaining data relating to the temporal evolution of the predetermined parameter(s) Xi,...,X n of the system to be controlled.
  • the data is, for example, obtained by measurements carried out by sensors (for example temperature, pressure and flow sensor in the case of a distillation column).
  • the exploitation phase 190 includes a step 210 of predicting the occurrence or not of an abnormal event likely to affect the system according to the data obtained for the system to be controlled and the validated association rules.
  • the prediction is, for example, performed by analyzing the characterization metrics (chosen as a function of the characterization metrics considered for the association rules) of the considered parameters Xi, ..., X n of the system over the last time period for which measurements have been taken (advantageously the duration of the last time period is equal to the duration of the normal time period TN and abnormal time period TA of the training phase).
  • the previously validated association rules predict or not the occurrence of an abnormal event (the final prediction is for example obtained by aggregating the predictions of each rule according to the aggregation criterion).
  • the exploitation phase includes a step 220 for generating an alert and/or for initiating a system control action when an abnormal event is predicted.
  • the present method implements an original exploitation (in the form of a case cross-over design) of data relating to a system so as to extract association rules predicting the occurrence or not of an abnormal event.
  • the association rules thus make it possible to better understand the causes (combinations of values of parameters Xi, ..., X n ) leading to an abnormal event.
  • Such a method thus allows a better prediction of the occurrence of an abnormal event affecting a system.
  • a method makes it possible to reduce the false positives (erroneous prediction) and the false negatives (absence of prediction), and to better identify the parameters Xi, .. , X n or operating characteristics capable of triggering an abnormal event.
  • the present method is applicable to multiple applications, not only to the monitoring of the fouling of distillation columns but to other applications, such as the monitoring of the damage or deterioration of systems, or to perform prescriptive and predictive maintenance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stored Programmes (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

La présente invention concerne un procédé de contrôle d'un système, comprenant les étapes suivantes : i. l'obtention de séries temporelles décrivant l'évolution temporelle d'un paramètre d'un système entre un instant initial et un instant final, l'instant final étant déclenché par la survenue d'un événement anormal affectant le système, ii. pour chaque série temporelle, la définition d'une période temporelle anormale et d'une période temporelle normale, iii. pour chaque série temporelle, la détermination d'une métrique de caractérisation de chaque paramètre de la série considérée sur la période temporelle anormale et sur la période temporelle normale, iv. la détermination de règles d'association en fonction des métriques de caractérisation obtenues, v. la validation des règles d'association obtenues, et vi. la prédiction de la survenue ou non d'un événement anormal susceptible d'affecter un système à contrôler en fonction des règles d'association validées.

Description

TITRE : Procédé de contrôle d’un système et produit programme d’ordinateur associé
La présente invention concerne un procédé de contrôle d’un système. La présente invention concerne aussi un produit programme d’ordinateur associé.
En industrie, les infrastructures sont de plus en plus complexes, de sorte que des événements anormaux, tels que des pannes ou des détériorations, sont susceptibles de se produire de manière récurrente, sans qu’il soit aisé de les expliquer. Cela engendre un impact économique et environnemental important.
Par exemple, le raffinage du pétrole est un procédé de transformation du pétrole brut en un produit fini utilisable, par exemple, en tant qu’essence, diesel ou d’autres produits utilisés dans l’industrie pétrochimique. L’étape de distillation est la première étape de ce procédé. Elle consiste à purifier différentes substances de liquides d’un mélange, par exemple, les différentes fractions d’hydrocarbures contenues dans le pétrole brut. Toutefois, régulièrement, un événement anormal, appelé engorgement, a lieu, ce qui requiert le ralentissement, voire l’arrêt du procédé de transformation pendant une durée relativement longue. En effet, de nombreuses heures de maintenance sont requises pour retrouver l’état normal de la colonne.
Différentes méthodes basées sur des équations théoriques et/ou des analyses de pression et de température ont été développées afin de prédire les engorgements des colonnes de distillation utilisées dans les raffineries. Néanmoins, de telles méthodes conduisent soit à de nombreuses prédictions erronées (faux positifs), soit à un nombre important d’engorgements non prédits (faux négatifs), et sont donc insatisfaisantes.
Il est également connu une méthode d’obtention d’un modèle visant à prédire le début d’un engorgement. Un tel modèle se base sur un algorithme de type forêt aléatoire (en anglais « Random Forest »). Néanmoins, un tel modèle engendre également un nombre conséquent de faux positifs tout en omettant de prédire certains engorgements. Cela entraîne une perte de temps, ainsi que des pertes économiques.
Il existe donc un besoin pour un procédé permettant une meilleure prédiction de la survenue d’un événement anormal affectant un système.
A cet effet, la présente description a pour objet un procédé de contrôle d’un système, le procédé étant mis en œuvre par ordinateur et comprenant : a. une phase préparatoire comprenant les étapes suivantes : i. l’obtention de séries temporelles, pour au moins un système de même nature que le système à contrôler, chaque série temporelle décrivant l’évolution temporelle d’un ou plusieurs paramètres prédéterminés du système considéré entre un instant initial et un instant final, l’instant final étant déclenché par la survenue d’un événement anormal affectant le système considéré, ii. pour chaque série temporelle, la définition d’une période temporelle anormale et d’une période temporelle normale, la fin de la période temporelle anormale coïncidant avec la survenue de l’événement anormal, la période temporelle normale étant une période antérieure et de même durée que la période temporelle anormale et telle que l’écart temporel entre la période temporelle normale et la période temporelle anormale soit supérieur à un écart prédéterminé, iii. pour chaque série temporelle, la détermination d’une métrique de caractérisation de chaque paramètre de la série considérée, d’une part sur la période temporelle anormale, et d’autre part sur la période temporelle normale, iv. pour un ensemble de séries temporelles, dites d’entraînement, la détermination de règles d’association en fonction des métriques de caractérisation obtenues pour chaque paramètre, chaque règle d’association prédisant la survenue ou non d’un événement anormal en associant une donnée relative à la métrique de caractérisation d’au moins un paramètre à la survenue ou non de l’évènement anormal, v. la validation des règles d’association obtenues sur au moins une série temporelle, dite test, distincte des séries temporelles d’entraînement, b. une phase d’exploitation comprenant les étapes suivantes : i. l’obtention de données relatives à l’évolution temporelle du ou des paramètres prédéterminés du système à contrôler, ii. la prédiction de la survenue ou non d’un événement anormal susceptible d’affecter le système en fonction des données obtenues pour le système à contrôler et des règles d’association validées.
Suivant des modes de réalisation particuliers, le procédé comprend une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou suivant toutes les combinaisons techniquement possibles :
- pour chaque période temporelle normale et chaque période temporelle anormale, il est défini une première sous-période et une seconde sous-période, la seconde sous- période ayant la même durée que la première sous-période et étant espacée de la première sous-période d’une durée prédéterminée, la métrique de caractérisation étant un taux de changement, lors de l’étape de détermination de la métrique de caractérisation, il est calculé, pour chaque période temporelle normale et anormale, une donnée caractéristique pour chaque paramètre considéré sur la durée d’une part de la première sous-période et d’autre part de la seconde sous-période de la période temporelle considérée, la métrique de caractérisation de chaque période temporelle normale et anormale étant obtenue en fonction des données caractéristiques obtenues pour la première sous-période et la seconde sous-période de la période temporelle considérée ;
- lors de l’étape de détermination des règles d’association, les métriques de caractérisation sont classifiées en plusieurs classes en fonction de la valeur obtenue pour chaque métrique de caractérisation, lors de l’étape de détermination de règles d’association, la donnée relative à la métrique de caractérisation étant la classe à laquelle appartient la métrique de caractérisation de sorte que chaque règle d’association associe une classe d’une métrique de caractérisation d’au moins un paramètre à la survenue ou non d’un évènement anormal ;
- les règles d’association déterminées sont au plus un nombre prédéterminé de règles sélectionnées parmi un ensemble de règles établies en fonction des métriques de caractérisation des paramètres sur l’ensemble des séries temporelles d’entraînement, les règles sélectionnées étant des règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, de préférence les règles sélectionnées étant les règles ayant une métrique de confiance la plus élevée parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, la métrique de confiance évaluant la fréquence de véracité de la règle sur les séries temporelles considérées, de préférence les règles sélectionnées étant les règles ayant un taux d’indépendance le plus faible parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition et dont la métrique de confiance est la plus élevée, le taux d’indépendance quantifiant l’indépendance des associations effectuées par une règle, de préférence les règles sélectionnées étant les règles ayant une métrique de conviction la plus élevée parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, dont la métrique de confiance est la plus élevée et dont le taux d’indépendance est le plus faible, la métrique de conviction quantifiant la fréquence de non-véracité de la règle sur les séries temporelles considérées ; - lors de l’étape de validation, il est obtenue une prédiction pour chacune des règles d’association sur la série temporelle test considérée, la prédiction finale étant obtenue par agrégation des prédictions obtenues pour chacune des règles d’association selon un critère d’agrégation, les règles d’association étant validées lorsque la prédiction finale correspond à la prédiction avérée d’un événement anormal sur la série temporelle test ;
- les règles d’association comprennent, d’une part, des règles prédisant la survenue d’un évènement anormal, et d’autre part des règles prédisant l’absence d’un événement anormal ;
- la phase de préparation comprend la répétition des étapes de détermination de règles d’association et de validation pour différents ensembles de séries temporelles d’entraînement de sorte que chaque série temporelle ait été une fois une série temporelle test et durant les autres répétitions une série temporelle d’entraînement ;
- la phase d’exploitation comprend une étape de génération d’une alerte et/ou d’enclenchement d’une action de contrôle du système lorsqu’un événement anormal est prédit ;
- le système à contrôler est une colonne de distillation et l’événement anormal est un engorgement de la colonne de distillation.
La présente description se rapporte également à un produit programme d’ordinateur comprenant des instructions de programme enregistrées sur un support lisible par ordinateur, pour l’exécution d’un procédé tel que décrit précédemment lorsque le programme d’ordinateur est exécuté sur un ordinateur.
La présente description concerne aussi un support lisible d’informations sur lequel est mémorisé un produit programme d’ordinateur tel que précédemment décrit.
D’autres caractéristiques et avantages de l’invention apparaîtront à la lecture de la description qui suit de modes de réalisation de l’invention, donnés à titre d’exemple uniquement et en référence aux dessins qui sont :
La figure 1 , une vue schématique d’un exemple d’ordinateur permettant la mise en œuvre d’un procédé de contrôle d’un système,
La figure 2, un organigramme d’un exemple de mise en œuvre d’un procédé de contrôle d’un système, et
La figure 3, une représentation schématique d’un exemple d’une série temporelle comprenant une période temporelle normale et une période temporelle anormale, chacune de la période temporelle normale et de la période temporelle anormale comprenant une première et une seconde sous-période.
Un calculateur 10 et un produit programme d’ordinateur 12 sont illustrés par la figure 1. Le calculateur 10, est de préférence, un ordinateur.
Plus généralement, le calculateur 10 est un calculateur électronique propre à manipuler et/ou transformer des données représentées comme des quantités électroniques ou physiques dans des registres de calculateur 10 et/ou des mémoires en d’autres données similaires correspondant à des données physiques dans des mémoires, des registres ou d’autres types de dispositifs d’affichage, de transmission ou de mémorisation.
Le calculateur 10 est en interaction avec le produit programme d’ordinateur 12.
Comme illustré par la figure 1 , le calculateur 10 comporte un processeur 14 comprenant une unité de traitement de données 16, des mémoires 18 et un lecteur 20 de support d’informations. Dans l’exemple illustré par la figure 1, le calculateur 10 comprend un clavier 22 et une unité d’affichage 24.
Le produit programme d’ordinateur 12 comporte un support d’informations 26.
Le support d’information 26 est un support lisible par le calculateur 10, usuellement par l’unité de traitement de données 16. Le support lisible d’informations 26 est un médium adapté à mémoriser des instructions électroniques et capable d’être couplé à un bus d’un système informatique.
A titre d’exemple, le support d’informations 26 est une disquette ou disque souple (de la dénomination anglaise « Floppy dise »), un disque optique, un CD-ROM, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, une mémoire EPROM, une mémoire EEPROM, une carte magnétique ou une carte optique.
Sur le support d’informations 26 est mémorisé le programme d’ordinateur 12 comprenant des instructions de programme.
Le programme d’ordinateur 12 est chargeable sur l’unité de traitement de données 16 et est adapté pour entraîner la mise en œuvre d’un procédé de contrôle d’un système, lorsque le programme d’ordinateur 12 est mis en œuvre sur l’unité de traitement 16 du calculateur 10.
Le fonctionnement du calculateur 10 va maintenant être décrit en référence à la figure 2, qui illustre schématiquement un exemple de mise en œuvre d’un procédé de contrôle d’un système, et à la figure 3 qui est un exemple illustrant certaines étapes du procédé.
Le procédé de contrôle vise à contrôler un système c’est-à-dire à enclencher des actions relatives au contrôle du système. Dans un exemple, le système est une colonne de distillation et les événements anormaux susceptibles d’entraver le fonctionnement normal de la colonne de distillation sont des engorgements de la colonne.
Le procédé de contrôle est, par exemple, mis en œuvre par le calculateur 10 en interaction avec le programme d’ordinateur 12, c’est-à-dire est mis en œuvre par ordinateur. Le procédé de contrôle comprend une phase préparatoire 90 et une phase d’exploitation 190. La phase préparatoire 90 permet d’obtenir des règles d’association prédisant la survenue ou non d’un évènement anormal en fonction de l’évolution temporelle d’un ou de plusieurs paramètres Xi , ... , Xn du système à contrôler. La phase 190 permet la prédiction de la survenue ou non d’un événement anormal susceptible d’affecter le système à contrôler en fonction des règles d’association et de données relatives à l’évolution temporelle du ou des paramètres Xi, Xn prédéterminés du système à contrôler. La phase 190 est, par exemple, mise en œuvre en temps réel lors du fonctionnement du système à contrôler.
La phase préparatoire 90 comprend une étape 100 d’obtention de séries temporelles pour au moins un système de même nature que le système à contrôler. Par le terme « de même nature », il est entendu que le ou les systèmes sont des systèmes équivalents au système à contrôler. Les séries temporelles sont, par exemple, obtenues par des mesures effectuées par des capteurs.
Chaque série temporelle décrit l’évolution temporelle d’un ou plusieurs Xi, ... , Xn prédéterminés du système considéré entre un instant initial t, et un instant final tf. L’instant final tf est déclenché par la survenue d’un événement anormal affectant le système considéré. Chaque série temporelle a une durée supérieure à une durée prédéterminée.
Par exemple, chaque série temporelle est le résultat d’un découpage d’une série temporelle mère obtenue pour un système sur une longue période temporelle (plusieurs jours typiquement). Le découpage est effectué de sorte que la fin de chaque série temporelle coïncide avec la survenue d’un événement anormal.
Dans le cas d’une colonne de distillation, la durée prédéterminée est, par exemple, supérieure ou égale à 20 heures.
Dans le cas d'une unité de raffinage comme une colonne de distillation, les paramètres X1 , ... , Xn prédéterminés sont, par exemple, choisis parmi : différentes température en amont ou dans la colonne de distillation à différents niveaux, différentes pressions de liquides en amont ou dans la colonne de distillation à différents niveaux, des débits, le type de liquide brut en entrée de la colonne de distillation, les ouvertures de différentes vannes en amont ou dans la colonne, et des paramètres chimiques ou de qualité. Tous ces paramètres sont mesurés à une fréquence donnée (parfois proche du temps réel pour certains d'entre eux) à différents endroits du procédé peu éloignés de la colonne de distillation.
Une série temporelle est illustrée à titre d’exemple par la figure 3. En particulier, l’évolution temporelle de deux paramètres prédéterminés X1 et X2 est illustrée sur cette figure 3. La phase préparatoire 90 comprend une étape 110 de définition d’une période temporelle anormale TA et d’une période temporelle normale TN pour chaque série temporelle.
La période temporelle anormale TA se déroule immédiatement avant la survenue de l’événement anormal. Ainsi, la fin de la période temporelle anormale TA coïncide avec le déclenchement de l’événement anormal, et donc l’instant final tf de la série temporelle considérée.
La période temporelle normale TN est une période antérieure et de même durée que la période temporelle anormale TA. La période temporelle normale TN est telle que l’écart temporel E entre la période temporelle normale TN et la période temporelle anormale TA est supérieur ou égal à un écart prédéterminé. L’écart temporel E est choisi de sorte que la période temporelle normale TN soit très éloignée de la période temporelle anormale TA.
Par exemple, dans le cas d’une colonne de distillation, pour une série temporelle de durée supérieure ou égale à 20 heures, l’écart temporel E est supérieur ou égal à 5 heures, de préférence supérieur ou égal à 10 heures.
Un exemple de période temporelle anormale TA, de période temporelle normale TN et d’écart temporel E sont illustrés sur la figure 3.
La phase préparatoire 90 comprend une étape 120 de détermination, pour chaque série temporelle, d’une métrique de caractérisation de chaque paramètre Xi, ... , Xn de la série considérée, d’une part sur la période temporelle anormale TA, et d’autre part sur la période temporelle normale TN.
L’étape 120 permet, ainsi, d’obtenir des données selon une conception de croisement de cas (en anglais « case cross-over design »), c’est-à-dire que les métriques de caractérisation obtenues pour chaque série temporelle sont directement comparables car obtenues sur le même système au cours d’un même processus. En effet, la comparaison des caractéristiques de paramètres entre les périodes temporelles normales TN et les périodes temporelles anormales TA permet d’estimer les changements réguliers qui induisent un événement anormal.
La métrique de caractérisation d’un paramètre Xi, ... , Xn est une grandeur caractérisant le paramètre Xi, ... , Xn sur la période considérée. Par exemple, la métrique de caractérisation est une moyenne, un écart-type, un résidu ou encore un taux de changement.
La moyenne est la valeur moyenne du paramètre Xi, ... , Xn considéré sur la durée de la période temporelle normale ou anormale considérée.
L’écart type est la valeur de l’écart type du paramètre Xi, ... , Xn considéré sur la durée de la période temporelle normale ou anormale considérée. Le résidu est l’erreur entre, d’une part, la prédiction effectuée par un modèle de prédiction d’une valeur du paramètre Xi, ... , Xn considéré sur la durée de la période temporelle normale ou anormale considérée, et d’autre part, la valeur effective du paramètre sur la période considérée. Le modèle de prédiction est, par exemple, un modèle autorégressif, c’est-à-dire un modèle préalablement entraîné sur une partie des données de la série temporelle considérée (mais pas les données relatives à la période temporelle normale ou anormale considérée).
Le taux de changement d’un paramètre Xi, ... , Xn est une grandeur quantifiant les changements (variations) du paramètre Xi, ... , Xn sur la période considérée. Un exemple de taux de changement est décrit plus spécifiquement dans ce qui suit.
Dans un exemple de mise en œuvre, l’étape de détermination 120 comprend la définition d’une première sous-période Ti et d’une seconde sous-période T2 pour chacune de la période temporelle normale TN et de la période temporelle anormale TA de chaque série temporelle.
La seconde sous-période T2 a la même durée d que la première sous-période T et est espacée de la première sous-période T d’une durée D prédéterminée.
Dans le cas d’une colonne de distillation, la durée d est, par exemple, supérieure ou égale à une heure et la durée D prédéterminée est, par exemple, supérieure ou égale à deux heures.
Dans l’exemple de mise en œuvre, l’étape de détermination 120 comprend le calcul, pour chaque période temporelle normale TN et anormale TA, d’une donnée caractéristique de chaque paramètre X , ... , Xn considéré sur la durée d, d’une part, de la première sous- période Ti et, d’autre part, de la seconde sous-période T2 de la période temporelle considérée. En d’autres termes, à l’issue de ce calcul, il est obtenu quatre données caractéristiques pour chaque paramètre X , ... , Xn de chaque série temporelle, à savoir : une donnée caractéristique sur la première sous-période T de la période temporelle normale TN, une donnée caractéristique sur la seconde sous-période T2 de la période temporelle normale TN, une donnée caractéristique sur la première sous-période T de la période temporelle anormale TA et une donnée caractéristique sur la seconde sous- période T2 de la période temporelle anormale TA.
La donnée caractéristique considérée est, par exemple, la moyenne, l’écart-type ou encore le résidu du paramètre X , ... , Xn considéré sur la durée d de la période temporelle normale ou anormale considérée. De préférence, la donnée caractéristique est la moyenne.
Dans l’exemple de mise en œuvre, le taux de changement de chaque période temporelle normale TN et anormale TA est ensuite déterminé en fonction des données caractéristiques obtenues pour la première sous-période Ti et la seconde sous-période T2 de la période temporelle considérée.
Lorsque la donnée caractéristique considérée est la moyenne de chaque paramètre Xi, Xn considéré sur la durée d, d’une part, de la première sous-période Ti et, d’autre part, de la seconde sous-période T2 de la période temporelle considérée, le taux de changement est, par exemple, donné par la formule suivante :
Où :
• t désigne le taux de changement du paramètre X sur la période temporelle considérée, t est compris entre 0 et 1 ,
• xï désigne la moyenne du paramètre X sur la première sous-période Ti de la période temporelle considérée,
• ¾ désigne la moyenne du paramètre X sur la seconde sous-période T2 de la période temporelle considérée,
• max(¾,¾) désigne le maximum entre et , et
• min( ,3¾ désigne le minimum entre et x^.
La phase préparatoire 90 comprend une étape 130 de détermination de règles d’association en fonction des métriques de caractérisation obtenues pour chaque paramètre Xi, ... , Xn d’un ensemble de séries temporelles, dites d’entraînement. L’ensemble de séries temporelles d’entraînement est tel qu’au moins une série temporelle n’appartient pas à l’ensemble de sorte à être utilisable comme série temporelle de test.
Les règles d’association sont, par exemple, déterminées à partir d’un algorithme de type « Exploration de Règles d’Association » (en anglais « Association Rules Mining »). Un exemple d’algorithme utilisé est l’algorithme Apriori.
Chaque règle d’association prédit la survenue ou non d’un événement anormal en associant une donnée relative à la métrique de caractérisation d’au moins un paramètre Xi, ... , Xn à la survenue ou non de l’évènement anormal. Les règles d’association ont, de préférence, la forme d’une implication, c’est-à-dire du type a ® b avec a un ensemble d’éléments et b un autre élément qui n’appartient pas à l’ensemble d’éléments. En l’occurrence, dans le cas d’espèce, a désigne un ensemble de données relatives à la métrique de caractérisation d’un ou plusieurs paramètres Xi, ... , Xn et b désigne un événement anormal ou l’absence d’événement anormal.
Dans un exemple de mise en œuvre de l’étape de détermination 130, les métriques de caractérisation obtenues sont classifiées en plusieurs classes en fonction de la valeur de la métrique. Cela est notamment le cas lorsque les métriques de caractérisation sont des grandeurs prenant des valeurs continues, comme cela est le cas pour la moyenne, l’écart-type, le résidu et le taux de changement.
Par exemple, lorsque la métrique de caractérisation est un taux de changement, les classes quantifient l’ampleur du changement. Par exemple, pour des taux de changement dont la valeur est comprise entre 0 et 1 , les valeurs obtenues pour chaque paramètre Xi, ... , Xn de chaque période temporelle, sont affectées à une classe parmi au moins deux classes.
Dans un exemple spécifique, au moins trois classes sont définies, à savoir une classe « basse », une classe « medium » et une classe « haute ». La classe basse regroupe les taux de changement dont la valeur est comprise entre les quantiles 0 et 0,33. La classe médium regroupe les taux de changement dont la valeur est comprise entre les quantiles 0,33 et 0,66. La classe haute regroupe les taux de changement dont la valeur est comprise entre les quantiles 0,66 et 1 . Ainsi, pour chaque série temporelle d’entraînement, chaque paramètre Xi, ... , Xn considéré se voit affecter trois informations pour la période temporelle anormale TA, à savoir : une première information relative à la véracité ou non du fait que le taux de changement du paramètre Xi, ... , Xn sur la période temporelle anormale TA est compris dans la classe basse, une deuxième information relative à la véracité ou non du fait que le taux de changement du paramètre Xi, ... , Xn sur la période temporelle anormale TA est compris dans la classe médium, et une troisième information relative à la véracité ou non du fait que le taux de changement du paramètre Xi, ... , Xn sur la période temporelle anormale TA est compris dans la classe haute. De la même manière, trois informations sont aussi obtenues pour le paramètre Xi, ... , Xn sur la période temporelle normale TN.
Dans l’exemple de mise en œuvre, les règles d’association associent alors une classe d’une métrique de caractérisation (taux de changement par exemple) d’au moins un paramètre Xi, ... , Xn à la survenue ou non d’un événement anormal.
Par exemple, une règle est de la forme suivante :
Où :
• = vrai désigne un premier paramètre Xi dont la valeur du taux de changement est compris dans la classe basse,
• {0 33 066} = faux désigne un deuxième paramètre X2dont la valeur du taux de changement n’est pas compris dans la classe médium, et
• X = 1 désigne la survenue d’un événement anormal, l’absence d’événement anormal étant désigné par X = 0. La règle précédente se lit donc de la manière suivante : si le premier paramètre Xi a un taux de changement compris dans la classe basse et le deuxième paramètre X2 a un taux de changement qui n’est pas compris dans la classe médium, alors la règle prédit la survenue d’un événement anormal.
Dans l’exemple et la description précédente, au moins une partie des règles d’association prédisent la survenue d’un évènement anormal. Dans un mode avantageux de mise en œuvre, l’autre partie (non nulle) des règles d’association prédisent l’absence d’un événement anormal.
De préférence, les règles d’association déterminées comptent au plus un nombre prédéterminé de règles, sélectionnées parmi un ensemble de règles établies en fonction des métriques de caractérisation des paramètres Xi, ... , Xn sur l’ensemble des séries temporelles d’entraînement. Le nombre prédéterminé est, par exemple, égal à dix.
Ainsi, un ensemble de règles est d’abord établi, par exemple au moyen d’un algorithme Apriori. Les règles sont, par exemple, de différents types, et seules sont retenues les règles prédisant la survenue ou l’absence d’événement anormal. Puis, au plus un nombre de règles correspondant au nombre prédéterminé sont sélectionnées. Par exemple, les règles sélectionnées sont des règles vérifiant d’abord un premier critère, de préférence aussi un deuxième critère, de préférence aussi un troisième critère et de préférence encore un quatrième critère.
Le premier critère stipule que les règles sélectionnées sont des règles dont la fréquence d’apparition (en anglais « support ») dans les séries temporelles considérées est supérieure à un seuil d’apparition. La fréquence d’apparition est, par exemple, calculée par une métrique appelée support. Le support est, par exemple, défini de la manière suivante : )
Où :
• supp(a ® b ) désigne le support, c’est-à-dire la fréquence d’apparition de a dans b pour l’ensemble des périodes temporelles normales lorsque b désigne l’absence d’événement anormal, et pour l’ensemble des périodes temporelles anormales lorsque b désigne la survenue d’un événement anormal, supp(a ® b ) est compris au sens large entre 0 et 1 ,
• |D| désigne le nombre de périodes temporelles normales lorsque b désigne l’absence d’événement anormal, et de périodes temporelles anormales lorsque b désigne la survenue d’un événement anormal, et
• #(a u b ) désigne le nombre d’éléments de D qui contiennent l’ensemble a u b. Le deuxième critère stipule que les règles sélectionnées sont les règles ayant une métrique, appelée confiance (en anglais « confidence range »), la plus élevée parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition. La métrique de confiance évalue la fréquence de véracité de la règle sur les séries temporelles considérées. La métrique de confiance est, par exemple, définie de la manière suivante : supp(a®b ) confia ® b) = suppia ) (4)
Où :
• confia ® b ) désigne la métrique de confiance, c’est-à-dire le pourcentage de périodes temporelles normales (lorsque b désigne l’absence d’événement anormal) ou de périodes temporelles anormales (lorsque b désigne la survenue d’un événement anormal) contenant a qui contiennent aussi b, confia ® b ) est compris au sens large entre 0 et 1 , et
• suppia ) désigne la fréquence d’apparition de a dans les périodes temporelles normales lorsque b désigne l’absence d’événement anormal, et dans les périodes temporelles anormales lorsque b désigne la survenue d’un événement anormal, suppia ) est compris au sens large entre 0 et 1 .
Le troisième critère stipule que les règles sélectionnées sont les règles ayant un taux d’indépendance (en anglais « lift ») le plus faible parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition et dont la métrique de confiance est la plus élevée. Le taux d’indépendance quantifie l’indépendance des associations effectuées par une règle. Le taux d’indépendance est, par exemple, défini de la manière suivante : supp(a®b ) liftia ® b) = supp a).supp(b ) (5)
Où :
• liftia ® b ) désigne le taux d’indépendance, c’est à dire le support qui aurait été obtenu si a et b étaient indépendants, liftia ® b ) est compris entre 0 et l’infini de sorte que si le taux d’indépendance est proche de un, cela signifie que a et b sont indépendants, et si le taux d’indépendance est plus élevé ou proche de zéro, cela signifie que a et b sont associés, et
• suppib ) désigne la fréquence d’apparition de b dans les périodes temporelles normales lorsque b désigne l’absence d’événement anormal, et dans les périodes temporelles anormales lorsque b désigne la survenue d’un événement anormal, suppib ) est compris au sens large entre 0 et 1 . Le quatrième critère stipule que les règles sélectionnées sont les règles ayant une métrique, appelée conviction (en anglais « conviction range »), la plus élevée parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, dont la métrique de confiance est la plus élevée et dont le taux d’indépendance est le plus faible. La métrique de conviction quantifie la fréquence de non-véracité de la règle sur les séries temporelles considérées. La métrique de conviction est, par exemple, définie de la manière suivante :
1 -supp(b) conv(a ® b ) conf(a®b ) (6)
Où :
• convia ® b ) désigne la métrique de conviction, c’est-à-dire la fréquence que a survienne sans b, convia ® b) est compris entre zéro et l’infini, une haute valeur obtenue pour la métrique de conviction indique que l’association est pertinente.
La phase préparatoire 90 comprend une étape 140 de validation des règles d’association obtenues sur au moins une série temporelle, dite test, distincte des séries temporelles d’entraînement.
Si à l’issue de l’étape de validation 140, les règles ne sont pas validées alors le procédé est, par exemple, réitéré à partir de l’étape de détermination des règles d’association. Dans ce cas, un seuil prédéterminé différent est par exemple fixé pour le support (métrique).
Dans un exemple de mise en œuvre, lors de l’étape de validation, pour chaque série temporelle considérée, il est obtenu une prédiction pour chacune des règles d’association sur la série temporelle test. Une telle prédiction est, par exemple, obtenue en fonction des métriques de caractérisation obtenues pour les paramètres Xi, ... , Xn de la série temporelle test sur chacune des périodes temporelles normales et anormales.
La prédiction finale est obtenue par agrégation des prédictions obtenues pour chacune des règles d’association selon un critère d’agrégation. Le critère d’agrégation stipule par exemple que la prédiction finale est la prédiction majoritaire obtenue. Dans un autre exemple, le critère d’agrégation stipule que la prédiction finale prédit la survenue d’un événement anormal lorsqu’au moins une règle prédit la survenue d’un tel événement anormal. Les règles d’association sont validées lorsque la prédiction finale correspond à la prédiction avérée d’un événement anormal sur la série temporelle test.
Lorsque le test est réalisé sur plusieurs séries tests, les règles sont, par exemple, validées lorsque les règles sont validées pour chaque série test, ou au moins pour un pourcentage prédéterminé des séries test (par exemple 80%). Dans un exemple de mise en œuvre, lorsque les règles d’association comprennent, d’une part, des règles prédisant la survenue d’un évènement anormal (premier type de règles), et d’autre part des règles prédisant l’absence d’un événement anormal (deuxième type de règles, ou contraposée), il est obtenu une prédiction finale d’une part pour les règles du premier type, et d’autre part pour les règles du deuxième type. Les règles d’association sont alors par exemple validées lorsque les prédictions finales obtenues pour chaque type de règles sont avérées.
Dans un exemple de mise en œuvre, la phase de préparation comprend la répétition des étapes de détermination de règles d’association et de validation pour différents ensembles de séries temporelles d’entraînement de sorte que chaque série temporelle ait été une fois une série temporelle test et durant les autres répétitions une série temporelle d’entraînement. Cette approche permet de réaliser une validation croisée, et d’exploiter ainsi l’ensemble des séries temporelles à la fois pour l’entraînement et le test. Les règles sont, par exemple, validées lorsqu’à l’issue de ces répétitions, les règles sont validées pour chaque série test, ou au moins pour un pourcentage prédéterminé des séries tests (par exemple 80%).
La phase d’exploitation 190 est mise en œuvre une fois les règles d’association validées. La phase d’exploitation est, par exemple, mise en œuvre en temps réel sur un système de sorte à prédire en anticipé la survenue d’un événement anormal susceptible d’affecter le système (engorgement dans le cas d’une colonne de distillation).
La phase d’exploitation 190 comprend une étape 200 d’obtention de données relatives à l’évolution temporelle du ou des paramètres Xi, ... , Xn prédéterminés du système à contrôler. Les données sont, par exemple, obtenues par des mesures effectuées par des capteurs (par exemple capteur de température, de pression et de débit dans le cas d’une colonne de distillation).
La phase d’exploitation 190 comprend une étape 210 de prédiction de la survenue ou non d’un événement anormal susceptible d’affecter le système en fonction des données obtenues pour le système à contrôler et des règles d’association validées.
La prédiction est, par exemple, effectuée par analyse des métriques de caractérisation (choisies en fonction des métriques de caractérisation considérées pour les règles d’association) des paramètres Xi, ... , Xn considérés du système sur la dernière période temporelle pour laquelle des mesures ont été effectuées (avantageusement la durée de la dernière période temporelle est égale à la durée de la période temporelle normale TN et anormale TA de la phase d’entraînement). En fonction des métriques de caractérisation obtenues, les règles d’association préalablement validées prédisent ou non la survenue d’un événement anormal (la prédiction finale est par exemple obtenue par agrégation des prédictions de chaque règle selon le critère d’agrégation).
Optionnellement, la phase d’exploitation comprend une étape 220 de génération d’une alerte et/ou d’enclenchement d’une action de contrôle du système lorsqu’un événement anormal est prédit.
Ainsi, le présent procédé met en œuvre une exploitation originale (sous la forme d’un case cross-over design) de données relatives à un système de sorte à extraire des règles d’association prédisant la survenue ou non d’un événement anormal. Les règles d’association permettent ainsi de mieux comprendre les causes (combinaisons de valeurs de paramètres Xi, ..., Xn) menant à un événement anormal.
Un tel procédé permet, ainsi, une meilleure prédiction de la survenue d’un événement anormal affectant un système. En particulier, par rapport aux modèles de prédiction de l’état de la technique, un tel procédé permet de diminuer les faux positifs (prédiction erronée) et les faux négatifs (absence de prédiction), et de mieux identifier les paramètres Xi, ... , Xn ou caractéristiques de fonctionnement propres à déclencher un événement anormal.
Dans le cas des colonnes de distillation, un tel procédé permet de fournir une alerte précoce à un opérateur puisqu’un pré-engorgement est détecté et non un engorgement en tant que tel, ce qui lui permet de réagir avant que l’engorgement ne se produise et soit source de fuite ou à tout le moins de perte de rendement de la colonne de distillation et permet de réduire le temps d’arrêt de la colonne de distillation susceptible d’engorgement ainsi que la sécurité du processus de distillation associé.
L’homme du métier comprendra, en outre, que le présent procédé est applicable à de multiples applications, non seulement à la surveillance de l’engorgement des colonnes de distillation qu’à d’autres applications, telles que la surveillance de l’endommagement ou de la détérioration de systèmes, ou pour effectuer de la maintenance prescriptive et prédictive.

Claims

REVENDICATIONS
1. Procédé de contrôle d’un système, le procédé étant mis en œuvre par ordinateur et comprenant : a. une phase préparatoire comprenant les étapes suivantes : i. l’obtention de séries temporelles, pour au moins un système de même nature que le système à contrôler, chaque série temporelle décrivant l’évolution temporelle d’un ou plusieurs paramètres (Xi, Xn) prédéterminés du système considéré entre un instant initial (t,) et un instant final (tf), l’instant final (tf) étant déclenché par la survenue d’un événement anormal affectant le système considéré, ii. pour chaque série temporelle, la définition d’une période temporelle anormale (TA) et d’une période temporelle normale (TN), la fin de la période temporelle anormale (TA) coïncidant avec la survenue de l’événement anormal, la période temporelle normale (TN) étant une période antérieure et de même durée que la période temporelle anormale (TA) et telle que l’écart temporel (E) entre la période temporelle normale (TN) et la période temporelle anormale (TA) soit supérieur à un écart prédéterminé, iii. pour chaque série temporelle, la détermination d’une métrique de caractérisation de chaque paramètre (Xi, Xn) de la série considérée, d’une part sur la période temporelle anormale (TA), et d’autre part sur la période temporelle normale (TN), iv. pour un ensemble de séries temporelles, dites d’entraînement, la détermination de règles d’association en fonction des métriques de caractérisation obtenues pour chaque paramètre (Xi, ... , Xn), chaque règle d’association prédisant la survenue ou non d’un événement anormal en associant une donnée relative à la métrique de caractérisation d’au moins un paramètre (Xi, ... , Xn) à la survenue ou non de l’évènement anormal, v. la validation des règles d’association obtenues sur au moins une série temporelle, dite test, distincte des séries temporelles d’entraînement, b. une phase d’exploitation comprenant les étapes suivantes : i. l’obtention de données relatives à l’évolution temporelle du ou des paramètres (Xi, ..., Xn) prédéterminés du système à contrôler, ii. la prédiction de la survenue ou non d’un événement anormal susceptible d’affecter le système en fonction des données obtenues pour le système à contrôler et des règles d’association validées.
2. Procédé selon la revendication 1 , dans lequel pour chaque période temporelle normale (TN) et chaque période temporelle anormale (TA), il est défini une première sous- période (Ti) et une seconde sous-période (T2), la seconde sous-période (T2) ayant la même durée (d) que la première sous-période (Ti) et étant espacée de la première sous- période (Ti) d’une durée (D) prédéterminée, la métrique de caractérisation étant un taux de changement, lors de l’étape de détermination de la métrique de caractérisation, il est calculé, pour chaque période temporelle normale (TN) et anormale (TA), une donnée caractéristique pour chaque paramètre (Xi, , Xn) considéré sur la durée (d) d’une part de la première sous-période (Ti) et d’autre part de la seconde sous-période (T2) de la période temporelle considérée, la métrique de caractérisation de chaque période temporelle normale (TN) et anormale (TA) étant obtenue en fonction des données caractéristiques obtenues pour la première sous-période (Ti) et la seconde sous-période (T2) de la période temporelle considérée.
3. Procédé selon la revendication 1 ou 2, dans lequel lors de l’étape de détermination des règles d’association, les métriques de caractérisation sont classifiées en plusieurs classes en fonction de la valeur obtenue pour chaque métrique de caractérisation, lors de l’étape de détermination de règles d’association, la donnée relative à la métrique de caractérisation étant la classe à laquelle appartient la métrique de caractérisation de sorte que chaque règle d’association associe une classe d’une métrique de caractérisation d’au moins un paramètre (Xi, ... , Xn) à la survenue ou non d’un évènement anormal.
4. Procédé selon l’une quelconque des revendications 1 à 3, dans lequel les règles d’association déterminées sont au plus un nombre prédéterminé de règles sélectionnées parmi un ensemble de règles établies en fonction des métriques de caractérisation des paramètres (Xi, ... , Xn) sur l’ensemble des séries temporelles d’entraînement, les règles sélectionnées étant des règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, de préférence les règles sélectionnées étant les règles ayant une métrique de confiance la plus élevée parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, la métrique de confiance évaluant la fréquence de véracité de la règle sur les séries temporelles considérées, de préférence les règles sélectionnées étant les règles ayant un taux d’indépendance le plus faible parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition et dont la métrique de confiance est la plus élevée, le taux d’indépendance quantifiant l’indépendance des associations effectuées par une règle, de préférence les règles sélectionnées étant les règles ayant une métrique de conviction la plus élevée parmi les règles dont la fréquence d’apparition dans les séries temporelles considérées est supérieure à un seuil d’apparition, dont la métrique de confiance est la plus élevée et dont le taux d’indépendance est le plus faible, la métrique de conviction quantifiant la fréquence de non-véracité de la règle sur les séries temporelles considérées.
5. Procédé selon l’une quelconque des revendications 1 à 4, dans lequel lors de l’étape de validation, il est obtenue une prédiction pour chacune des règles d’association sur la série temporelle test considérée, la prédiction finale étant obtenue par agrégation des prédictions obtenues pour chacune des règles d’association selon un critère d’agrégation, les règles d’association étant validées lorsque la prédiction finale correspond à la prédiction avérée d’un événement anormal sur la série temporelle test.
6. Procédé selon l’une quelconque des revendications 1 à 5, dans lequel les règles d’association comprennent, d’une part, des règles prédisant la survenue d’un évènement anormal, et d’autre part des règles prédisant l’absence d’un événement anormal.
7. Procédé selon l’une quelconque des revendications 1 à 6, dans lequel la phase de préparation comprend la répétition des étapes de détermination de règles d’association et de validation pour différents ensembles de séries temporelles d’entraînement de sorte que chaque série temporelle ait été une fois une série temporelle test et durant les autres répétitions une série temporelle d’entraînement.
8. Procédé selon l’une quelconque des revendications 1 à 7, dans lequel la phase d’exploitation comprend une étape de génération d’une alerte et/ou d’enclenchement d’une action de contrôle du système lorsqu’un événement anormal est prédit.
9. Procédé selon l’une quelconque des revendications 1 à 8, dans lequel le système à contrôler est une colonne de distillation et l’événement anormal est un engorgement de la colonne de distillation.
10. Produit programme d’ordinateur comprenant des instructions de programme enregistrées sur un support lisible par ordinateur, pour l’exécution d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est exécuté sur un ordinateur.
EP22741493.5A 2021-07-01 2022-07-01 Procédé de contrôle d'un système et produit programme d'ordinateur associé Pending EP4363938A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2107171A FR3124868B1 (fr) 2021-07-01 2021-07-01 Procédé de contrôle d’un système et produit programme d’ordinateur associé
PCT/EP2022/068307 WO2023275371A1 (fr) 2021-07-01 2022-07-01 Procédé de contrôle d'un système et produit programme d'ordinateur associé

Publications (1)

Publication Number Publication Date
EP4363938A1 true EP4363938A1 (fr) 2024-05-08

Family

ID=77519309

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22741493.5A Pending EP4363938A1 (fr) 2021-07-01 2022-07-01 Procédé de contrôle d'un système et produit programme d'ordinateur associé

Country Status (4)

Country Link
US (1) US20240316477A1 (fr)
EP (1) EP4363938A1 (fr)
FR (1) FR3124868B1 (fr)
WO (1) WO2023275371A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3108415B1 (fr) * 2020-03-18 2022-04-01 Total Sa Procédé de prédiction d’engorgement(s) de colonne(s) de distillation d’une raffinerie, programme d’ordinateur et système de prédiction associé
CN116150233B (zh) * 2023-04-17 2023-08-15 国网江西省电力有限公司电力科学研究院 有源配电台区运行状态数据的最小映射处理方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010506269A (ja) * 2006-09-28 2010-02-25 フィッシャー−ローズマウント システムズ， インコーポレイテッド コーカ加熱器内の異常状況の防止
FR3066844B1 (fr) * 2017-05-23 2021-12-24 Monixo Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps

Also Published As

Publication number Publication date
FR3124868B1 (fr) 2023-09-08
FR3124868A1 (fr) 2023-01-06
US20240316477A1 (en) 2024-09-26
WO2023275371A1 (fr) 2023-01-05

Similar Documents

Publication Publication Date Title
EP3767467A1 (fr) Procédé et dispositif de détermination d'une valeur d'indice de performance de prédiction d anomalies dans une infrastructure informatique à partir de valeurs d'indicateurs de performance
EP3846087A1 (fr) Procede et systeme de selection d'un modele d'apprentissage au sein d'une pluralite de modeles d'apprentissage
WO2023275371A1 (fr) Procédé de contrôle d'un système et produit programme d'ordinateur associé
EP4121830B1 (fr) Procédé de prédiction d'engorgement(s) de colonne(s) de distillation d'une raffinerie, programme d'ordinateur et système de prédiction associé
EP3613003B1 (fr) Système et procédé pour gérer la détection de fraudes dans un système de transactions financières
EP3350660B1 (fr) Système et procédé d'aide à la decision pour la maintenance d'une machine avec apprentissage d'un modèle de décision supervisé par avis d'experts
EP3767558A1 (fr) Procede et dispositif de determination d'une duree estimee avant un incident technique dans une infrastructure informatique a partir de valeurs d'indicateurs de performance
EP3767468A1 (fr) Procédé et dispositif de détermination d'une valeur de risque d'incident technique dans une infrastructure informatique à partir de valeurs d'indicateurs de performance
US20090143873A1 (en) Batch process monitoring using local multivariate trajectories
WO2019129977A1 (fr) Detection d'anomalies par une approche combinant apprentissage supervise et non-supervise
FR2997451A1 (fr) Systeme de surveillance d'un ensemble de composants moteur
CN117237126B (zh) 一种保险平台及保险数据处理方法
EP3084692A1 (fr) Procede de maintenance d'un equipement
Amasaki et al. The effects of moving windows to software estimation: comparative study on linear regression and estimation by analogy
EP2700793A1 (fr) Procédé de correction d'une estimation en masse de suies dans un filtre à particules
EP1792278B1 (fr) Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique
EP1069486B1 (fr) Procédé de pilotage d'un processus dynamique complexe.
EP0697638B1 (fr) Procédé de détection des séquences complètes et des séquences d'échec dans un système de reconnaissance de situations
CN119599706B (zh) 一种营销方案的生成方法及装置
US20250165442A1 (en) Systems and methods for improved precision in detecting false-positive changepoints in time-series data
Xie et al. ARFBench: Benchmarking Time Series Question Answering Ability for Software Incident Response
FR3140958A1 (fr) Procédé de détection d’anomalie dans une série temporelle observée de valeurs d’une grandeur physique représentative des performances d’un système.
FR2948479A1 (fr) Procede pour le parametrage d'un calculateur utilisant des modeles bases sur la connaissance
WO2025021985A1 (fr) Procédé de détermination de l'état de vieillissement d'un lubrifiant
WO2024079408A1 (fr) Procédé de détection d'anomalie dans une série temporelle observée de valeurs d'une grandeur physique représentative des performances d'un système

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20231229

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20240530

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20250919