JP5205055B2 - オレフィン回収トレインへの異常事象検知技術の適用 - Google Patents
オレフィン回収トレインへの異常事象検知技術の適用 Download PDFInfo
- Publication number
- JP5205055B2 JP5205055B2 JP2007531350A JP2007531350A JP5205055B2 JP 5205055 B2 JP5205055 B2 JP 5205055B2 JP 2007531350 A JP2007531350 A JP 2007531350A JP 2007531350 A JP2007531350 A JP 2007531350A JP 5205055 B2 JP5205055 B2 JP 5205055B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- data
- measurements
- abnormal
- operator
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G11/00—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
- C10G11/14—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts
- C10G11/18—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils with preheated moving solid catalysts according to the "fluidised-bed" technique
- C10G11/187—Controlling or regulating
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31477—Display correlated data so as to represent the degree of correlation
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31478—Display all processes together or select only one
Description
1.充填ガス圧縮機
2.乾燥機、コールドボックス、およびメタン・ブースター
3.エチレンおよびプロピレン冷凍
4.脱メタン装置
5.脱エタン装置
6.アセチレン・コンバータ
7.C2スプリッタ
8.メタン化炉およびH2O乾燥機
9.脱プロパン装置
10.MAPDハイドロファイナ
11.C3リランおよびプロピレン精留装置
この表示は、オペレータに処理ユニットに影響を及ぼす異常事象がある確率を提示することを目的とする。
1.ORT全体の動作を主要な動作領域に分解することにより、数千もの個々の測定値および警報を少数の監視が容易な傾向に減らせる。
2.ORT全体の動作上の問題が、例示的な工場での11種の単一警報に集約される。
3.本PCAモデルは、例示的なORTにおける1300超のセンサーの予測を提供する。
4.これら1300超のセンサーの異常な偏差は、11種のPCAモデルの2乗誤差の和に基づいて11種の警報により集約される。
5.特殊原因動作から生じる事象が抑制されて偽陽性を除去する。これは明らかに、次元の縮退がほぼ2桁、即ち1300超のセンサーから11個のインジケータに減ることを示す。この大幅な次元の縮退の他に、単一センサー警報の高い偽陽性率がPCAモデリングにより解決される。
異常事象を検知する方法論を付録1に一般的に記述している。エチレン工場モデルを構築する工程は、例として成功したORTアプリケーションを用いて以下に述べる。
往々にして、異常事象の記録および解析が行なわれない。重大な損失を与えたものだけが追跡および解析される。
オペレータは毎日これらを取扱うため、異常事象も正常動作の一部と見なしがちである。
プロセス問題が急に生じる場合は常に、警報システムが異常事象検知アプリケーションと同程度に速く問題を識別する。オペレータが原因を診断するのを支援するために、事象のシーケンス(例:測定頻度の降順)が警報の順序よりも有用な。アプリケーションがオンラインである場合、この可能性を調査しなければならない。
事前アプリケーション設計
アプリケーション設計は二通りの判定を必要とする。即ち、アプリケーションがどの処理ユニットを対象とすべきか、およびどの測定値をモデルに含めるべきか、である。本例では、データの次元縮退を最大限に行なうべく、エチレン工場のいくつかの処理ユニットを組み込んだ一つのモデルを構築する。
・全てのコントローラPV、SPおよびこれらの装置の出力(全ての中間カスケード・コントローラを含む)を選択する
・プロセスを監視すべくコンソールのオペレータが用いる主要な測定値を選択する
・プロセスの性能を測定すべく担当技術者が用いる何らかの測定値を選択する
・供給速度、供給温度、または供給品質の変化の何らかの上流測定値を選択する
・重要と思われる測定のための予備の冗長な測定値を選択する
・非線形変換の計算に必要となる測定値を選択する
・撹乱(例:周囲温度)の何らかの外部測定値を選択する
・プロセスの専門家がプロセス状態の重要な尺度であると見なす他の何らかの測定値を選択する
このリストから既知の不規則な、または問題のある測定値は全て除外する。
モデル構築の戦略は、極めて粗いモデル(疑わしい訓練データ集合の結果)から出発し、次いでこのモデルを用いて高品質の訓練データを収集することである。このデータは次いでモデルを改良するために用いられ、次いでより高い品質の訓練データを収集し続けるために用いる。このプロセスは、モデルが満足すべきものになるまで繰り返される(付録1、「AED用のPCAモデル構築」節参照)。
正常動作の良いモデルを構築するには正常動作の訓練データ集合が必要である。このデータ集合は以下のようでなければならない。
・正常動作範囲にわたる
・正常動作データだけを含む
初期の粗いデータ解析
動作ログを用いて、履歴データを既知の異常動作があった期間および異常動作が識別されなかった期間に分類する。異常動作が識別されなかったデータは、事前訓練データ集合とある。
・「BAD PV」としての長い期間を多く含むもの
・EUHighまたはEULow値に固定された期間が長いもの
・殆ど変動性を示さない(セットポイントに緊密の制御されるもの除く)もの
・動作範囲に比べて極めて大きい変動性を連続的に示すもの
・データ集合内の他のどの測定値とも殆ど相互相関を示さないもの
・信号対ノイズ比が低いもの
構築担当者は、本モデルで用いられる変数同士に顕著な動的分離が存在する場合は常に、この技術の必要性を考慮しなければならない。これは特に、オペレータにより大きな刻みで変えられる可能性があるセットポイント等の独立変数に当てはまる。また、モデル化されている主処理ユニットの上流の測定を動的に調整することが必要な場合もある。
プロセス動作には継続的な動作点変化がある。これらは、オペレータが主要なセットポイントを変更した場合のように意図的であるか、或いは熱交換器の汚染や触媒非活性化等のプロセス変動による場合もある。これらの変化が異常事象として現われるのを防止すべく、これらの変化に影響を受けるそのようなプロセス測定値を、偏差変数に変換しなければならない(付録1、「AED用PCAモデル構築」節、サブセクションIV,F参照)。
特定の測定値が選択されて、訓練データ集合が生成されたならば、標準ツールを用いてPCAモデルを迅速に構築することができる。
バルブ流量整合性モニタは、測定された流量(バルブ全体にわたる圧力降下を補償済み)と流量のモデル推定値とを比較して導かれている。流量のモデル推定値は、バルブ曲線方程式(線形または放物線状と仮定)に係数をフィッティングさせることにより履歴データから得られる。最初のアプリケーションにおいて、27バルブ流量整合性モデルが構築された。この種のモデルは、主要プロセス操作点を監視すべく構築されたものである。従来は性能の信頼性が低かった制御ループについても、いくつかのモデルが構築された。
様々な規模の事象や撹乱が常にプロセス動作に影響を及ぼしている。ほとんどの場合、これらの事象や撹乱はプロセス制御システムにより処置される。しかし、プロセス制御システムがプロセス事象を適切に処置できない場合は常にオペレータがプロセス動作へ想定外の介入をする必要がある。発明者は、この状況を異常動作と定義し、その原因を異常事象と定義する。
・測定値入力を選択、解析、変換するためのPCAモデル基準および方法の設備範囲を確立するための基準
・主成分モデル、PCAの変動に基づく多変数統計モデルの開発
・付随する統計指標を再構成する簡単な工学関係に基づくモデルの構築
・例外計算および連続的なオンラインモデル更新を提供するオンラインデータの前処理
・ファジー・ペトリネットを用いた、モデル指標が正常か異常かの解釈
・ファジー・ペトリネットを用いた、多数のモデル出力の、プロセス領域の正常性/異常性を示す単一の連続的な概略傾向への組合せ
・操作および保守作業を反映させるため、モデルおよびファジー・ペトリネットとのオペレータの対話環境設計。
1.プロセスは静的、即ちその平均および分散は時間に対して不変である。
2.変数同士の相互相関は、正常プロセス動作にわたり線形である
3.プロセスノイズ確率変数は相互に独立している。
4.プロセス変数の共分散行列は縮退していない(即ち半正定値)。
5.データは、「適切に」スケーリングされる(標準的な統計手法は単位分散へのスケーリング)。
6.(未補償)プロセス・ダイナミクス(このための標準的な部分補償は当該モデルの遅延変数の包含すること)が存在しない。
7.全ての変数がある程度の相互相関を有する。
8.データは多変数正規分布を示す。
・温度1=温度2
・流量1=バルブ特性曲線1(バルブ1の位置)
・処理ユニット1への物質流量=処理ユニット1からの物質流量
・圧力1=圧力2=....=圧力n
・処理ユニット1への物質流量=処理ユニット1からの物質流量=...=処理ユニット2への物質流量
・流量計周辺のバイパス弁の開口
・上流の補償/下流の圧力変化
・領域測定値の再カリブレーション
・動作モードに基づくプロセス流の方向変換
I.概念的PCAモデル設計
全体的な設計目的は以下の通りである。
・コンソールのオペレータが自分の操作権限下にある全ての処理ユニットについてプロセス動作の連続的な状態(正常対異常)を把握できるようにする。
・オペレータが自身の操作権限内で急速(数分から数時間)に拡大しつつある異常事象の早期発見できるようにする。
・オペレータに対し、異常事象の根本原因を診断するために必要な主要プロセスの情報だけを提供する。
・プロセス装置を、対応するPCAモデルを有する設備グループに再分割する。
・プロセス動作期間を、異なるPCAモデルを必要とするプロセス動作モードに再分割する。
・設備グループ内のどの測定値を各PCAモデルへの入力として指定すべきかを識別する。
・設備グループ内のどの測定値が既知の事象または他の例外動作を抑制するフラグとして機能すべきかを識別する。
最初の意思決定は、単一PCAモデルで対応する設備のグループを形成することである。これに含まれる特定の処理ユニットは、プロセス統合/相互作用を理解している必要がある。多変数拘束コントローラの設計と同様に、PCAモデルの境界は、全ての重要なプロセス相互作用およびプロセスの変動や撹乱の主要な上流および下流における兆候を包含していなければならない。
プロセス動作モードは、プロセスの挙動が大幅に異なる特定の期間として定義される。これらの例として、異なる等級の製品(例:ポリマー生産)の生産、顕著なプロセス遷移(例:始動、停止、原料の交換)、激変した原料(例:オレフィン生産においてエタンに代えてナフサを分解)の処理、または異なる構成のプロセス設備(異なる組の処理ユニットが稼動)がある。
異常事象検知システムの構築に組織的な関心が持たれるのは、従来から経済的に重大な影響を及ぼすプロセス問題が存在しているためである。しかし、これらの重要な問題を分析して、当該問題に取り組む最適なアプローチを識別する必要がある。特に、構築担当者は、異常事象検知アプリケーションの構築を試みる前に以下の点を確認しなければならない。
1.問題を恒久的に解決することが可能か。往々にして、現場担当者が問題を調査して恒久的に解決する充分な時間が無かったために問題が存在する。当該問題に組織的な関心が向けられたならば恒久的な解決策が見つかる場合が多い。これが最善のアプローチである。
2.問題を直接測定することが可能か。問題を検知するためのより信頼性が高い方法は、当該プロセスにおける問題を直接測定できるセンサーを設置することである。これを用いて、プロセス制御アプリケーションを介して問題を防止することも可能である。これが次善のアプローチである。
3.異常動作に対するアプローチを測定する推論的測定法を構築することが可能か。推論的測定法は通常、部分最小二乗法、PLS、PCA異常事象モデルに極めて近いモデルを用いて構築される。推論的測定法を構築する他の一般的な代替案として、ニューラルネットワークおよび線形回帰モデルが含まれる。信頼性を以って問題状態へのアプローチを測定するために利用可能なデータ(例:デルタ圧力を用いるタワーフラッディング)が存在する場合、これを状態の存在を検知するためだけでなく、状態が生じるのを防止する制御アプリケーションの基礎ベースとしても用いることができる。これが三番目に良いアプローチである。
設備グループ内に何千ものプロセス測定値がある。予備設計では以下を行なう。
・全てのカスケード2次コントローラ測定値、および特にこれらのユニットへの最終2次出力(フィールド制御バルブへの信号)を選択する
・コンソールのオペレータがプロセスを監視するのに用いる主要な測定値(例:自身の操作系統に現われるもの)を選択する
・担当技術者がプロセスの性能を測定するために用いる何らかの測定値を選択する
・供給速度、供給温度、または供給品質の何らかの上流測定値を選択する
・プロセスの動作領域、特に圧力に影響を及ぼす下流状態の測定値を選択する
・重要な測定のために追加的な冗長測定値を選択する
・非線形変換の計算に必要となるかもしれない測定値を選択する
・撹乱(例:周囲温度)の何らかの外部測定値を選択する
・プロセス状態の重要な尺度であるとプロセスの専門家が考える他のあらゆる測定値を選択する
・測定値に誤りまたは問題がある性能の履歴が含まれていない
・測定値は満足すべき信号対ノイズ比を有する
・測定値はデータ集合内の他の測定値と相互相関を求められている
・測定値は正常動作期間の10%を超えて飽和していない
・測定値は、稀にしか変化しない固定セットポイントに密接には制御されていない(制御階層の最終一次側)
・測定値は、長期にわたる「不良値」動作、またはトランスミッタの限界まで飽和していない
・測定値は、極めて非線形であることが知られている値の範囲を超えない
・測定値は未加工測定値からの冗長計算ではない
・フィールド制御バルブへの信号は、時間の10%を超えて飽和していない
PCA異常検知モデル、信号対ノイズ比、および相互相関への潜在的入力に優先順位付けを行なうための2種の統計的な基準がある。
信号対ノイズ比は、入力信号における情報内容の尺度である。
1.未加工信号は、プロセスのものに等しい近似動的時定数を有する指数フィルタを用いてフィルタリングされる。連続的な精製および化学プロセスの場合、この時定数は通常、30分〜2時間の範囲にある。他の低域通過フィルタを用いてもよい。指数フィルタの場合の式は以下の通りである。
Yn=P*Yn−1+(1−P)*Xn 指標フィルタの式 式1
P=Exp(−Ts/Tf) フィルタ定数の計算 式2
ここで、
Yn 現在フィルタリングされる値
Yn−1 以前にフィルタリングされた値
Xn 現在の未加工値
P 指数フィルタ定数
Ts 測定値のサンプル時間
Tf フィルタ時定数
2.残留信号は、未加工信号からフィルタリングされた信号を減算することにより得られる。
Rn=Xn−Yn 式3
3.信号対ノイズ比は、フィルタリングされた信号の標準偏差を残留信号の標準偏差で除算した比である。
S/N=σY/σR 式4
相互相関は、入力データ組の情報冗長性の尺度である。任意の2つの信号間の相互相関は次式により計算される。
1.各入力組i、k間の共分散Sikを計算する。
CCik=Sik/(Sii*Skk)1/2 式6
精製および化学プロセスは往々にして厳しいか緩い拘束に遭遇して、結果的にモデル入力に対する飽和値および「不良値」が生じる。一般的な拘束は、計器トランスミッタの上下範囲、アナライザ範囲、最大および最小制御バルブ位置、およびプロセス制御アプリケーション出力限度である。入力は、モデル構築およびこれらのモデルのオンライン利用の両方において入力を事前処理する際に特別な扱いを要する飽和に関していくつかのカテゴリに分類することができる。
標準的なアナログ計器(例:4〜20ミリアンペアの電子トランスミッタ)において、不良値は以下の2種の別々の原因で生じる恐れがある。
・実際のプロセス状態がフィールドトランスミッタの範囲外にある
・フィールドとの接続が絶たれた
拘束変数とは、測定値がある限界にあって、当該測定値が実際のプロセス状態(値がトランスミッタ範囲の最大または最小限にデフォルト化されている場合とは逆。「不良値」節で記述)に一致する。このプロセス状況は、以下のいくつかの理由により生じる。
・プロセスの各部分は、特に優先的な状況、例えばフレアシステムへの圧力解放流がない限り、通常は不活性である。これらの優先的状況が有効である時間は、データフィルタを設定することにより訓練および検証データ集合から除外しなければならない。オンライン実装の場合、これらの優先事象は、選択されたモデル統計量を自動抑制するトリガ事象である
・プロセス制御システムは、プロセス動作制限、例えば製品仕様限界、に反してプロセスを駆動すべく設計されている。これらの拘束は通常、2種のカテゴリに分類される。即ち時々飽和するものと、通常は飽和しているものである。通常は飽和している入力はモデルから除外しなければならない。稀に(例えば全時間の10%未満)飽和するだけの入力はモデルに含まれてよいが、飽和していない場合には期間に基づいてスケーリングしなければならない。
プロセス制御アプリケーションは、プロセスデータの相互相関構造に極めて重大な影響を及ぼす。特に以下の通りである。
・被制御変数の変動が大幅に減少するため、プロセスに顕著なプロセス撹乱が出現したか、または、オペレータが主要なセットポイントを変えて意図的に動作点を動かした場合の短期間を除いて、被制御変数内の動きは基本的にノイズである。
・被制御変数における通常の変動は、制御システムにより被操作変数(最終的にはフィールド内の制御バルブへ送られた信号)へ転送される。
図6に、典型的な「カスケード」プロセス制御アプリケーションを示す。これは精製および化学プロセス用に極めて一般的な制御機構である。そのようなアプリケーションからの多くの潜在的なモデル入力が存在するが、当該モデルの候補である唯一のものは未加工プロセス測定値(本図の「PV」)およびフィールドバルブへの最終出力である。
図7に、精製および化学プロセス向けの極めて一般的な制御機構である典型的MVCCプロセス制御アプリケーションを示す。MVCCは動的数学モデルを用いて、被操作変数MV(通常は調整制御ループのバルブ位置またはセットポイント)の変化がどのように制御変数CV(プロセス状態を測定する従属温度、圧力、組成および流量)を変えるかを予測する。MVCCは、プロセス動作を動作限度まで押し上げようと試みる。これらの限度は、MV限度またはCV限度のいずれかであってよく、外部オプティマイザにより決定される。プロセス動作の限度の数は、コントローラが操作可能なMVの数から、制御されている物質収支の数を差し引いたものに等しい。従って、MVCCが12個のMV、30個のCV、および2個のレベルを有する場合、プロセスは10個の限度に向けて動作される。MVCCはまた、プロセスに対する測定された負荷変動の影響を予測して、これらの負荷変動(フィードフォワード変数FFとして知られる)を補償する。
プロセス制御システムデータベースは、PCAモデルへの候補入力の中で顕著な冗長性を有する可能性がある。冗長性の一種として「物理的冗長性」があり、これはプロセス設備内で互いに物理的に近接して配置された多数のセンサー(熱電対等)が存在する場合である。別の種類の冗長性として「計算的冗長性」があり、これは未加工センサーが新たな変数(例:圧力補償された温度、または容積測定流量測定値から計算されて質量流量)に数学的に組み合わされた場合である。
構築に要する努力の多くは、正常なプロセス動作の全てのモードを含むことがわかっている良好な訓練データ集合の生成にある。このデータ集合は以下を満たさなければならない。
・比較的小さい異常事象は、モデルパラメータに大きく影響する程度には充分な強さを以って訓練データ集合に現われない
・大部分の動作モードが発生して、データ内に現われているはずである。
1)データ圧縮
多くの履歴データベースはデータ圧縮を用いて、必要なデータ記憶容量を最小化する。不都合なことに、これを実行すればデータの相互相関構造を乱す恐れがある。プロジェクトの開始時点において、データベースのデータ圧縮を無効にしてデータのスポット値の履歴を取っておくべきである。可能な場合は常に非圧縮データを用いて最終的なモデルを構築しなければならない。平均化された値は、それらが利用できる唯一のデータであって、利用できる最短のデータ平均でない限り、用いるべきではない。
モデルが正常なプロセスパターンを適切に表わすために、訓練データ集合は、全ての正常動作モード、正常な動作変動、およびプロセスに生じる変化や正常な微小攪乱の例を含んでいなければならない。これは、長期間(例:9〜18ヶ月)にわたるプロセス動作のデータを用いることにより実現される。特に、精製および化学プロセスにおいて季節的(春夏秋冬)な動作の違いは極めて重要であり得る。
この期間に対する各種の操作ジャーナルもまた収集しなければならない。これを用いて、動作期間を異常とみなすが、または訓練データ集合から除外する必要がある何らかの特別なモードにおいて動作している。特に、重要な履歴的異常事象をこれらのログから選択してモデル用のテストケースとすることができる。
往々にして、セットポイントおよびコントローラ出力は、工場プロセスデータの履歴管理機能で履歴化されないことが多い。これらの値の履歴化は、プロジェクトの開始時点で直ちに開始しなければならない。
もはや適切に現在のプロセス動作を表わさない旧データは、訓練データ集合から削除しなければならない。大規模なプロセス変更の後で、訓練データおよびPCAモデルを最初から作り直すことが必要な場合がある。特定の種類の動作がもはや実行されていない場合、当該動作からの全てのデータを訓練データ集合から削除しなければならない。
構築担当者は、拠点のプロセス履歴管理機能を使用して数ヶ月分のプロセスデータ、好ましくは1分間隔のスポット値、を収集しなければならない。これが入手可能でない場合、なるべく平均化されておらず、且つ解像度が最も高いデータを使用すべきである。
品質測定値(アナライザおよび研究室サンプル)は他のプロセス測定値よりも極めて長いサンプリング周期を有し、数十分毎〜1日1回の範囲である。これらの測定値をモデルに含めるには、これらの品質測定値の連続的な推定値を生成する必要がある。図8に、連続的な品質推定値のオンライン計算を示す。これと同じモデル構造を構築して履歴データに適用しなければならない。この品質推定値は次いで、PCAモデルへの入力になる。
極めて明らかな異常を除いて、履歴データの品質を判定するのは困難である。異常動作データを含めることによりモデルが偏る恐れがある。大量の履歴データを用いる戦略は、訓練データ集合における異常な動作により生じるモデルのバイアスをある程度補償する。プロジェクトの開始に先立って履歴データから構築されたモデルは、品質に関しては疑いを持たなければならない。初期訓練データ集合は、プロジェクトが継続している間に生じるプロセス状況の高い品質注釈を含むデータ集合により代替されなければならない。
A.初期の粗いデータ解析
動作ログを用いて、プロセスの主要な性能指標を調べることにより、履歴データを、異常動作の存在が判明している期間と、識別された異常動作が存在しない期間に分ける。識別された異常動作が存在しないデータが訓練データ集合となる。
・「不良値」である期間が長いもの
・自身のトランスミッタの上限または下限に固定された期間が長いもの
・極めて僅かな変動性しか示さないもの(自身のセットポイントに密に制御されているものを除く)
・自身の動作範囲に関して極めて大きい変動性を連続的に示すもの
・データ集合内の他のどの測定値とも殆ど相互相関を示さないもの
・信号対ノイズ比が低いもの
X’=(X−Xavg)/σ 式7
以下を通じて、明らかな異常事象を除去する。
ノイズとは、プロセスに関して有用な情報を含んでいない測定信号の高周波内容を指す。ノイズは、オリフィス・プレートを横断する二相流またはレベルの撹乱等の特定のプロセス状況により生じ得る。ノイズは、電気インダクタンスにより生じ得る。しかし、恐らくはプロセス撹乱により生じた顕著なプロセス変動性は有用な情報にあって、フィルタリングで除去してはならない。
・ノイズの発生源を除去することにより信号を固定する(最良の対応策)
・フィルタリング技術を用いてノイズを除去/最小化する
・信号を当該モデルから除去する
Yn=P*Yn−1+(1−P)*Xn 指数フィルタの式 式8
P=Exp(−Ts/Tf) フィルタ定数の計算 式9
Ynは現在のフィルタリングされた値
Yn−1は以前にフィルタリングされた値
Xnは現在の未加工値
Pは指数フィルタ定数
TSは測定値のサンプル時間
Tfフィルタが時定数
変換された変数は、二つの異なる理由によりモデルに含まれなければならない。
・蒸留塔における還流対供給比
・高純度蒸留の組成のログ
・圧力補償された温度測定
・副流の生成
・バルブ位置への流れ(図2)
・指標的温度変化への反応率
図11に、プロセス・ダイナミクスが2個の測定値の現在値同士の相互相関をどのように乱すかを示す。遷移時間中、一方の値は常に変化しているが他方はそうでなく、従って遷移時間中は現在値同士の相互相関は存在しない。しかし、これら2個の測定値は、動的伝達関数を用いて主要な変数を変換することにより、時間同期に戻すことができる。データの時間同期化には通常、無駄時間動的モデル(式9にラプラス変換形式で示す)を有する第1オーダーで充分である。
Y’:時間同期化データ
T:時定数
Θ:無駄時間
S:ラプラス変換パラメータ
連続的な精製および化学プロセスは、ある動作点から別の動作点へ常に移動されている。これらは、オペレータまたは最適化プログラムが主要なセットポイントを変更した意図的なものであったてもよく、或いは、熱交換器の汚れや触媒の非活性化等の遅いプロセス変動により生じる場合がある。その結果、未加工データは静止していない。これらの動作点の変更は、静止データを生成するために除去する必要がある。さもなければ、これらの変更は異常事象として誤って現われる。
X’=X−Xfiltered 式10
X’:動作点変化を除去すべく変換された測定値
X:元の未加工測定値
Xfiltered:指標的にフィルタリングされた未加工測定値
特定の測定値が選択されて、訓練データ集合が構築されたならば、標準的なツールを用いてモデルは素早く構築することができる。
PCAモデルの性能は、入力のスケーリングに依存している。スケーリングへの従来型のアプローチは、訓練データ集合内で各々の入力を自身の標準偏差σで分割することである。
Xi’=Xi/σi 式11
冗長なデータ群の場合
Xi’=Xi/(σi*sqrt(N)) 式12
ここで、N=冗長なデータ群における入力の個数
PCAは実際のプロセス変数を主成分PCと呼ばれる一組の独立変数に変換する。これは、元の変数の線形結合である(式13)。
PCi=Ai,1*X1+Ai,2*X2+Ai,3*X3+... 式13
プロセスデータは、ガウス即ち正規分布を示さない。その結果、残留誤りの3標準偏差における異常事象を検知するトリガを設定する標準的な統計的方法を用いてはならない。その代わり、トリガ位置は、モデルを用いて経験に基づいて経験的に設定されなければならない。
初期モデルが生成されたならば、新たな訓練データ集合を生成することにより強化する必要がある。これはモデルを用いてプロセスを監視することにより行なわれる。モデルが潜在的に異常な状況を示す場合、技術者はプロセス状況を調べて分類しなければならない。技術者は以下の3種の異なる状況を見出す。即ち何らかの特殊なプロセス動作が生じている、実際に異常な状況が生じている、或いは、プロセスは正常であって異常は虚偽の通知である。
プロセス設備の物理的、化学的および機械的の設計、並びに多くの類似測定の挿入により、連続的な精製および化学プロセスからのデータにかなりの程度の冗長性をもたらす。この冗長性は、同一の測定が存在する場合は物理的冗長性と呼ばれ、物理的、化学的または機械的関係を用いてプロセス状態の独立であるが等価な推定を実行する場合は計算的冗長性と呼ばれる。このクラスのモデルを工学的冗長性モデルと呼ぶ。
これはモデルの最も簡単な形式であり、以下のような一般形式を有する。
F(yi)=G(xi)+フィルタリング済みバイアスi+オペレータ・バイアス+誤差i 式14
未加工バイアスi=F(yi)−{G(xi)+フィルタリング済みバイアスi+オペレータ・バイアス}=誤差i 式15
フィルタリング済みバイアスi=フィルタリング済みバイアスi−1+N*未加工バイアスi−1 式16
N−収束係数(例:.0001)
正常動作範囲:xmin<x<xmax
正常モデル偏差:−(最大誤差)<誤差<(最大誤差)
特に有益な工学的冗長性モデルは、流量対バルブ位置モデルである。図2にこのモデルをグラフ的に示す。このモデルの特定の形式は以下の通りである。
Flow:制御バルブを通る測定された流量
Delta_Pressurereference=測定された最も近い上流圧力−測定された最も近い下流圧力
Delta_Pressurereference:正常動作の間の平均デルタ圧力
a:履歴データにフィッティングされたモデルパラメータ
Cv:履歴データから経験的に決定されたバルブ特性曲線
VP:制御バルブへの信号(実際の制御バルブ位置でない)
このモデルの目的は以下の通りである。
・詰まりつつある/詰まった制御バルブの検知
・凍結/故障した流量測定の検知
・制御システムが流量の制御を喪失した箇所の制御バルブ動作の検知
連続的な精製および化学プロセスが受ける長い期間にわたる定常状態動作ため、制御バルブの動作全体にわたる充分なデータを得るには長い履歴記録(1〜2年)が必要である。図15に、定常動作が長期間にわたる流量、バルブ位置、およびデルタ圧力データの典型的な範囲を示す。最初の段階は、図に示すように、動作に何らかの重要な変動がある所で短い期間を切り離すことである。これは次いで、履歴内で様々な期間から取り出された正常動作の期間と混合されなければならない。
任意の2次元工学的冗長性モデルと同様に、二種の異常性の尺度、即ち「正常動作範囲」および「正常モデル偏差」がある。「正常モデル偏差」は、正規化された指標即ち誤差/最大誤差に基づいている。これは、4型ファジー識別器(図16)へ送られる。構築担当者は、正規化された指標を用いて、標準的な方法で正常(値ゼロ)から異常(値1)への遷移を検出することができる。
オペレータが好む流量/バルブモデルのグループ化の一般的な方法は、これらのモデルの全てを単一のファジー・ネットワークに入れて、傾向インジケータがオペレータに対し、それらの重要な流量コントローラの全てが機能していることを教える。その場合、ファジー・ネットワーク(図4)へのモデル表示は、各々の流量/バルブモデルに対して「正常動作範囲」および「正常モデル偏差」の表示を含んでいる。この傾向は、最悪モデル表示からの識別器の結果を含んでいよう。
次元が2より大きくなったならば、高次元工学的冗長性検査を扱うべく単一の「PCA状」モデルが構築される。
・圧力1=圧力2=....=圧力n
・処理ユニット1へ入る物質流量=処理ユニット1から出る物質流量=...処理ユニット2へ入る物質流量
F1(yi)=a1G1(xi)+フィルタリング済みバイアス1、i+オペレータ・バイアス1+誤差1、i
F2(yi)=anG2(xi)+フィルタリング済みバイアス2、i+オペレータ・バイアス2+誤差2、i
Fn(yi)=anGn(xi)+フィルタリング済みバイアスn、i+オペレータ・バイアスn+誤差n、i 式18
P=a1X1+a2X2+a3X3 式19
ここにa3=1
Xscale=Xnormal operating range/6σ 式20
(正常動作データの99.7%は平均から3σ以内に入る筈である)
Xmid=Xmid point of operating range 式21
(「平均」を正常動作範囲の中点として明示的に定義)
X’=(X−Xmid)/Xscale 式22
(平均とσが決定された際の標準的なPCAスケーリング)
Xi用のP’負荷は以下の通りである。
これはPを以下のように変換する
P’=b1*X1+b2*X2+・・・+bn*XN 式24
P’「標準偏差」=b1+b2+・・・+bn 式25
I.オペレータおよび既知の事象抑制
抑制論理は、以下の目的に必要とされる。
・測定可能な異常事象から虚偽の表示を除外する方法を提供する
・オペレータが調べた異常な表示を消去する方法を提供する
・保守のため一時的にモデルまたは測定値を無効にする方法を提供する
・不良動作するモデルを、それらが再調整されるまで使用不可にする方法を提供する
・不良動作する計器を永久に使用不可にする方法を提供する
Yn=P*Yn−1+(1−P)*Xn 指数フィルタの式 式26
P=Exp(−Ts/Tf) フィルタ定数の計算 式27
Zn=Xn−Yn タイミング信号の計算 式28
ここで、
Yn トリガ信号の現在のフィルタリング済み値
Yn−1 トリガ信号の以前のフィルタリング済み値
Xn トリガ信号の現在の値
Zn 図20に示すタイミング信号
P 指数フィルタ定数
Ts 測定値のサンプル時間
Tf フィルタ時定数
ei:入力iからの2乗和誤差の寄与分
PCAモデルは広範なプロセス設備範囲を用いて構築されているが、モデル指標を分離して、オペレータのプロセスに対する認識によりよく合致して、異常事象の兆候に対する感度を向上させるグループに分けることができる。
入力がいくつかのPCAモデルに現われることにより、モデルに影響を及ぼす全ての相互作用がモデルの範囲内で含まれるようになる。これにより、これらの入力が誤差の2乗和指標の主要な寄与分である場合、オペレータ向けに複数の表示を与えることがあり得る。
オペレータインタフェースの一次目的は以下の通りである。
・オペレータの権限下にある主要プロセス領域が正常である旨の表示を連続的に提供する
・背景にあるモデル情報への迅速な(マウス・クリック1、2回)ナビゲーションを提供する
・オペレータに対し、モデルを使用可能にする制御を提供する
図22は、オペレータが用いる一次インタフェースにおいてこれらの設計目的がでどのように表わされるかを示す。
Claims (30)
- エチレン処理システムの何らかの処理ユニット用の異常事象検知(AED)方法であって、
(a)前記処理ユニットからのオンライン測定値を、対応する処理ユニットの正常動作を表わす、主成分分析モデルを含むモデルの組と比較する工程であって、
前記エチレン処理システムは、2つ以上の設備グループおよび2つ以上のプロセス動作モードに分割されており、
前記設備グループの間の相互作用は最小であり、
前記主成分分析モデルは、前記設備グループおよび前記プロセス動作モードに対応する工程;
(b)前記各設備グループに関して履歴データを収集し、前記履歴データを、既知の異常動作を伴う期間についてのデータと、異常動作が確認されない期間についてのデータに分割する工程;
(c)既知の異常動作を伴う期間についての前記データを放棄し、異常動作が確認されない期間についての前記データを訓練データとして用いる工程;
(d)現在の動作が期待正常動作と異なるか否かを判定して、前記処理ユニット内に異常状態が存在することを示す工程;および
(e)前記異常状態の根本原因を判定する工程
を含み、
前記訓練データへの入力は、信号対ノイズ(S/N)比が4より大きく、
前記信号対ノイズ比は、下記工程:
(a)近似動的時定数が30分〜2時間の範囲にある指数フィルタを用いて、未加工信号をフィルタリングする工程であって、
前記指数フィルタは、下記式:
Y n =P*Y n−1 +(1−P)*X n (指標フィルタの式)
P=Exp(−T s /T f ) (フィルタ定数の計算)
(式中、
Y n 現在フィルタリングされる値
Y n−1 以前にフィルタリングされた値
X n 現在の未加工値
P 指数フィルタ定数
T s 測定値のサンプル時間
T f フィルタ時定数
である)
で表される工程;
(b)下記式:
R n =X n −Y n
により、未加工信号からフィルタリングされた信号を減算することにより、残留信号を得る工程;および
(c)下記式:
S/N=σ Y /σ R
により、フィルタリングされた信号の標準偏差を残留信号の標準偏差で除算することにより、信号対ノイズ比を決定する工程
を含む方法により計算されることを特徴とする方法。 - 前記訓練データへの入力は、下記の特性を有する測定値のみを含むことを特徴とする請求項1に記載の方法。
(1)測定値に誤りまたは問題がある性能の履歴が含まれていない
(2)測定値は満足すべき信号対ノイズ比を有する
(3)測定値はデータ集合内の他の測定値と相互相関を求められている
(4)測定値は正常動作期間の10%を超えて飽和していない
(5)測定値は、稀にしか変化しない固定セットポイントに密接には制御されていない(制御階層の最終一次側)
(6)測定値は、長期にわたる「不良値」動作、またはトランスミッタの限界まで飽和していない
(7)測定値は、極めて非線形であることが知られている値の範囲を超えない
(8)測定値は未加工測定値からの冗長計算ではない
(9)フィールド制御バルブへの信号は、時間の10%を超えて飽和していない - 前記モデルの組は、前記設備グループおよび前記プロセス動作モードに対応しており、1個の前記モデルは、前記各設備グループについてのものであり、前記各設備グループは、1個以上の前記プロセス動作モードを含み得ることを特徴とする請求項1に記載の方法。
- 前記モデルの組は、前記設備グループおよび前記プロセス動作モードに対応しており、1個の前記モデルは、前記各設備グループおよび前記各プロセス動作モードについてのものであることを特徴とする請求項1に記載の方法。
- 前記設備グループは、同一グループ内の全ての主要な物質とエネルギーの相互作用を含むことを特徴とする請求項4に記載の方法。
- 前記設備グループは、同一グループ内の高速再循環を含むことを特徴とする請求項6に記載の方法。
- 正常動作の前記モデルの組は、工学モデルを更に含むことを特徴とする請求項1に記載の方法。
- 前記エチレン処理システムは、動作区画に分割されていて、各々の区画に主成分分析モデルを有することを特徴とする請求項1に記載の方法。
- 11個の動作区画があることを特徴とする請求項9に記載の方法。
- 前記主成分分析モデルは、センサーで測定されるプロセス変数値を含むことを特徴とする請求項9に記載の方法。
- 異なる処理ユニットに対する前記主成分分析モデルは、同一センサーで測定されたいくつかのプロセス変数値を含むことを特徴とする請求項9に記載の方法。
- 前記エチレン処理システムの11個の動作区画は、充填ガス圧縮機、乾燥機、コールドボックス、およびメタン・ブースター、エチレンおよびプロピレン冷凍、脱メタン装置、脱エタン装置、アセチレン・コンバータ、C2スプリッタ、メタン化炉およびH2乾燥機、脱プロパン装置、MAPD水素化精製装置、プロピレンリランおよび分別装置を含むことを特徴とする請求項10に記載の方法。
- 前記工学モデルは、いくつかの制御バルブと流量計の間の整合性を判定する工程を更に含むことを特徴とする請求項8に記載の方法。
- 前記各モデルは、特殊原因による動作における偽陽性を除去すべくモデル計算を抑制する工程を更に含むことを特徴とする請求項4に記載の方法。
- (a)疑わしいデータに基づく粗いモデルから出発する、前記各モデルを決定する工程、
(b)前記粗いモデルを用いて高品質の訓練データを収集してモデルを改良する工程、および
(c)前記工程(b)を繰り返して更にモデルを改良する工程
を更に含むことを特徴とする請求項4に記載の方法。 - 前記訓練データは、前記処理ユニットのモデルの履歴データを含むことを特徴とする請求項16に記載の方法。
- 前記モデルは、変換された変数を含むことを特徴とする請求項17に記載の方法。
- 前記変換された変数は、蒸留塔における還流対供給速度、高純度蒸留における組成の対数、圧力補償された温度測定値、副流歩留まり、流量対バルブ位置および反応率対対数温度変化を含むことを特徴とする請求項18に記載の方法。
- 2個の変数の測定値の対は、1個の変数により、動的伝達関数を用いて時間同期化されることを特徴とする請求項18に記載の方法。
- プロセス動作における動作点の変化に影響を受けるプロセス測定値の変数は、偏差変数に換算されることを特徴とする請求項18に記載の方法。
- 前記モデルの入力値は、ノイズについて補正されることを特徴とする請求項18に記載の方法。
- 前記モデルの入力値は、変数のノイズが多い測定値のフィルタリングかまたは除去により補正されることを特徴とする請求項22に記載の方法。
- 変数の測定値は、スケーリングされることを特徴とする請求項18に記載の方法。
- 前記測定値は、当該変数の期待正常範囲にスケーリングされることを特徴とする請求項24に記載の方法。
- 主成分の個数は、主成分の係数同士の大きさがほぼ等しくなるように選択されていることを特徴とする請求項17に記載の方法。
- 主成分は、オンライン測定値により提供されるプロセス変数を含むことを特徴とする請求項4に記載の方法。
- 主成分は、動的フィルタを用いて前記変数の1個と時間同期化されたいくつかの測定値の対を含むことを特徴とする請求項27に記載の方法。
- プロセス動作の動作点変化に影響を受けるプロセス変数は、偏差変数に変換されることを特徴とする請求項27に記載の方法。
- 主成分の個数は、連続する成分により表わされる全体プロセス変動の大きさにより選択されることを特徴とする請求項9に記載の方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US60917904P | 2004-09-10 | 2004-09-10 | |
US60/609,179 | 2004-09-10 | ||
US11/212,434 US7424395B2 (en) | 2004-09-10 | 2005-08-26 | Application of abnormal event detection technology to olefins recovery trains |
US11/212,434 | 2005-08-26 | ||
PCT/US2005/032093 WO2006029290A2 (en) | 2004-09-10 | 2005-09-09 | Application of abnormal event detection technology to olefins recovery trains |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008512791A JP2008512791A (ja) | 2008-04-24 |
JP5205055B2 true JP5205055B2 (ja) | 2013-06-05 |
Family
ID=36037008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007531350A Expired - Fee Related JP5205055B2 (ja) | 2004-09-10 | 2005-09-09 | オレフィン回収トレインへの異常事象検知技術の適用 |
Country Status (6)
Country | Link |
---|---|
US (1) | US7424395B2 (ja) |
EP (1) | EP1810153A4 (ja) |
JP (1) | JP5205055B2 (ja) |
CA (1) | CA2579658C (ja) |
NO (1) | NO20071832L (ja) |
WO (1) | WO2006029290A2 (ja) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7444197B2 (en) | 2004-05-06 | 2008-10-28 | Smp Logic Systems Llc | Methods, systems, and software program for validation and monitoring of pharmaceutical manufacturing processes |
US7799273B2 (en) | 2004-05-06 | 2010-09-21 | Smp Logic Systems Llc | Manufacturing execution system for validation, quality and risk assessment and monitoring of pharmaceutical manufacturing processes |
US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
JP2008535123A (ja) * | 2005-04-04 | 2008-08-28 | 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 | 工業用プロセス制御システムにおける診断システムおよび方法 |
JP2009512097A (ja) * | 2005-10-18 | 2009-03-19 | ハネウェル・インターナショナル・インコーポレーテッド | 早期イベント検出のためのシステム、方法、およびコンピュータプログラム |
US7693807B2 (en) * | 2005-12-15 | 2010-04-06 | Microsoft Corporation | Mapping between anonymous modules in a network environment |
US7761172B2 (en) * | 2006-03-21 | 2010-07-20 | Exxonmobil Research And Engineering Company | Application of abnormal event detection (AED) technology to polymers |
US7720641B2 (en) * | 2006-04-21 | 2010-05-18 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to delayed coking unit |
US8285513B2 (en) * | 2007-02-27 | 2012-10-09 | Exxonmobil Research And Engineering Company | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes |
US7680553B2 (en) * | 2007-03-08 | 2010-03-16 | Smp Logic Systems Llc | Methods of interfacing nanomaterials for the monitoring and execution of pharmaceutical manufacturing processes |
BRPI0815489A2 (pt) * | 2007-08-14 | 2017-03-21 | Shell Int Research | sistemas em tempo quase real para o monitoramento em linha contínuo dos estados de operação em uma instalação de produção industrial e para o monitoramento em linha contínuo de uma instalação de produção industrial de operação contínua e predição das anormalidades iminentes dos processo, e, método para o monitoramento em tempo quase real da operação de uma instalação de produção industrial contínua ou em batelada |
US7958065B2 (en) * | 2008-03-18 | 2011-06-07 | International Business Machines Corporation | Resilient classifier for rule-based system |
US20100095232A1 (en) * | 2008-10-15 | 2010-04-15 | Daniel Measurement And Control, Inc. | Calculating and plotting statistical data |
US8862250B2 (en) | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
US9217565B2 (en) * | 2010-08-16 | 2015-12-22 | Emerson Process Management Power & Water Solutions, Inc. | Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater |
US20130060524A1 (en) * | 2010-12-01 | 2013-03-07 | Siemens Corporation | Machine Anomaly Detection and Diagnosis Incorporating Operational Data |
TWI648609B (zh) | 2013-06-07 | 2019-01-21 | 美商科學設計股份有限公司 | 程序監控系統及方法 |
JP5369246B1 (ja) * | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
US11486409B2 (en) | 2013-10-28 | 2022-11-01 | Wpt Llc | System and method for preventing total plant shutdown due to low temperature excursion |
US10274907B2 (en) | 2013-10-28 | 2019-04-30 | Wpt Llc | System and method for preventing total plant shutdown due to low temperature excursion |
WO2015116326A1 (en) * | 2014-01-30 | 2015-08-06 | Exxonmobil Research And Engineering Company | Real time optimization of batch processes |
US10719577B2 (en) | 2014-12-05 | 2020-07-21 | Nec Corporation | System analyzing device, system analyzing method and storage medium |
US10228685B2 (en) * | 2015-10-22 | 2019-03-12 | Globalfoundries Inc. | Use of multivariate models to control manufacturing operations |
KR102006436B1 (ko) * | 2015-10-30 | 2019-08-01 | 삼성에스디에스 주식회사 | 거짓 경보 결정 방법 |
US10317855B2 (en) * | 2016-05-31 | 2019-06-11 | Yokogawa Electric Corporation | Method for detection of diagnosing control valve stiction |
KR101863781B1 (ko) * | 2016-09-08 | 2018-06-01 | 두산중공업 주식회사 | 로터 진동 이상 감지 장치 및 방법 |
WO2018229621A1 (en) | 2017-06-14 | 2018-12-20 | Sabic Global Technologies B.V. | A hybrid machine learning approach towards olefins plant optimization |
DE102018125908A1 (de) * | 2018-10-18 | 2020-04-23 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren zur Bestimmung einer Prozessgrößer mit einem Klassifikator zur Auswahl eines Messverfahrens |
KR20210154832A (ko) * | 2020-05-13 | 2021-12-21 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 물리 모델 동정 시스템 |
CN113717022B (zh) * | 2020-05-20 | 2023-10-13 | 中国石油化工股份有限公司 | 碳三液相加氢反应器优化控制方法及系统 |
EP4206838A1 (en) * | 2021-12-29 | 2023-07-05 | Petkim Petrokimya Holding A.S. | Forecasting and anomaly detection method for low density polyethylene autoclave reactor |
CN115047839B (zh) * | 2022-08-17 | 2022-11-04 | 北京化工大学 | 一种甲醇制烯烃工业过程的故障监测方法和系统 |
CN115543729B (zh) * | 2022-09-08 | 2023-07-07 | 华能信息技术有限公司 | 一种数据采集方法及系统 |
CN116300774B (zh) * | 2023-05-23 | 2023-08-08 | 蓝星智云(山东)智能科技有限公司 | 基于主元分析与核密度估计的间歇过程可视化监控方法 |
Family Cites Families (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3175968A (en) | 1961-06-23 | 1965-03-30 | Phillips Petroleum Co | Automatic control and optimization of a fluidized catalytic cracker |
JP2672576B2 (ja) | 1988-06-16 | 1997-11-05 | 株式会社東芝 | プラント・機器の診断支援システム |
US5351247A (en) | 1988-12-30 | 1994-09-27 | Digital Equipment Corporation | Adaptive fault identification system |
JPH0660826B2 (ja) | 1989-02-07 | 1994-08-10 | 動力炉・核燃料開発事業団 | プラントの異常診断方法 |
JPH0692914B2 (ja) | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器/設備の状態診断システム |
JPH03154847A (ja) | 1989-11-13 | 1991-07-02 | Komatsu Ltd | 故障診断装置 |
US5465321A (en) | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
SE9304246L (sv) | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5457625A (en) | 1994-04-13 | 1995-10-10 | The M. W. Kellogg Company | Maximizing process production rates using permanent constraints |
US5817958A (en) * | 1994-05-20 | 1998-10-06 | Hitachi, Ltd. | Plant monitoring and diagnosing method and system, as well as plant equipped with the system |
US5539877A (en) | 1994-06-27 | 1996-07-23 | International Business Machine Corporation | Problem determination method for local area network systems |
US6907383B2 (en) | 1996-03-28 | 2005-06-14 | Rosemount Inc. | Flow diagnostic system |
US7085610B2 (en) | 1996-03-28 | 2006-08-01 | Fisher-Rosemount Systems, Inc. | Root cause diagnostics |
US5859964A (en) | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
JPH10143343A (ja) | 1996-11-07 | 1998-05-29 | Fuji Electric Co Ltd | 連想型プラント異常診断装置 |
US5949677A (en) | 1997-01-09 | 1999-09-07 | Honeywell Inc. | Control system utilizing fault detection |
US5950147A (en) | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6115656A (en) | 1997-06-17 | 2000-09-05 | Mcdonnell Douglas Corporation | Fault recording and reporting method |
WO2000005013A1 (en) | 1998-07-21 | 2000-02-03 | Dofasco Inc. | Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts |
US6505145B1 (en) | 1999-02-22 | 2003-01-07 | Northeast Equipment Inc. | Apparatus and method for monitoring and maintaining plant equipment |
US6368975B1 (en) | 1999-07-07 | 2002-04-09 | Applied Materials, Inc. | Method and apparatus for monitoring a process by employing principal component analysis |
US6466877B1 (en) | 1999-09-15 | 2002-10-15 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6522978B1 (en) | 1999-09-15 | 2003-02-18 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6809837B1 (en) | 1999-11-29 | 2004-10-26 | Xerox Corporation | On-line model prediction and calibration system for a dynamically varying color reproduction device |
WO2001055805A1 (de) | 2000-01-29 | 2001-08-02 | Abb Research Ltd. | System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen |
US7500143B2 (en) | 2000-05-05 | 2009-03-03 | Computer Associates Think, Inc. | Systems and methods for managing and analyzing faults in computer networks |
GB2362481B (en) | 2000-05-09 | 2004-12-01 | Rolls Royce Plc | Fault diagnosis |
US6917839B2 (en) | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US6609036B1 (en) * | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US6636842B1 (en) | 2000-07-15 | 2003-10-21 | Intevep, S.A. | System and method for controlling an industrial process utilizing process trajectories |
US6587737B2 (en) * | 2000-09-14 | 2003-07-01 | Sulzer Makert And Technology Ag | Method for the monitoring of a plant |
US6681344B1 (en) | 2000-09-14 | 2004-01-20 | Microsoft Corporation | System and method for automatically diagnosing a computer problem |
US6978210B1 (en) | 2000-10-26 | 2005-12-20 | Conocophillips Company | Method for automated management of hydrocarbon gathering systems |
US20020077792A1 (en) | 2000-10-27 | 2002-06-20 | Panacya, Inc. | Early warning in e-service management systems |
JP2002182736A (ja) * | 2000-12-12 | 2002-06-26 | Yamatake Sangyo Systems Co Ltd | 設備診断装置および設備診断プログラム記憶媒体 |
US6735541B2 (en) | 2001-02-16 | 2004-05-11 | Exxonmobil Research And Engineering Company | Process unit monitoring program |
US6965806B2 (en) | 2001-03-01 | 2005-11-15 | Fisher-Rosemount Systems Inc. | Automatic work order/parts order generation and tracking |
US6954713B2 (en) | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
US7389204B2 (en) | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
CA2438834C (en) | 2001-03-08 | 2012-05-15 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
JP3718765B2 (ja) * | 2001-07-30 | 2005-11-24 | 株式会社日立製作所 | プラント診断装置 |
US7457732B2 (en) | 2001-08-17 | 2008-11-25 | General Electric Company | System and method for measuring quality of baseline modeling techniques |
US6980938B2 (en) | 2002-01-10 | 2005-12-27 | Cutler Technology Corporation | Method for removal of PID dynamics from MPC models |
JP3746729B2 (ja) * | 2002-04-17 | 2006-02-15 | 東京瓦斯株式会社 | 機器の劣化を検出する方法 |
US7096074B2 (en) * | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
US6904386B2 (en) | 2002-10-07 | 2005-06-07 | Honeywell International Inc. | Control system and method for detecting plugging in differential pressure cells |
US7319040B2 (en) * | 2002-10-28 | 2008-01-15 | Ineos Usa Llc | Process control using on-line instrumentation and process models |
JP2004234302A (ja) * | 2003-01-30 | 2004-08-19 | Toshiba Corp | プロセス管理装置 |
US7096153B2 (en) | 2003-12-31 | 2006-08-22 | Honeywell International Inc. | Principal component analysis based fault classification |
US7447609B2 (en) | 2003-12-31 | 2008-11-04 | Honeywell International Inc. | Principal component analysis based fault classification |
US7079984B2 (en) | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7729789B2 (en) | 2004-05-04 | 2010-06-01 | Fisher-Rosemount Systems, Inc. | Process plant monitoring based on multivariate statistical analysis and on-line process simulation |
US7536274B2 (en) | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
US6973396B1 (en) | 2004-05-28 | 2005-12-06 | General Electric Company | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like |
CN1969239B (zh) | 2004-06-12 | 2011-08-03 | 费舍-柔斯芒特系统股份有限公司 | 用于检测与控制回路的过程增益相关的异常状况的系统和方法 |
US7567887B2 (en) | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US7181654B2 (en) | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
CN101305327A (zh) | 2005-10-14 | 2008-11-12 | 费舍-柔斯芒特系统股份有限公司 | 与多元统计分析一起用于过程中的故障检测和隔离及异常情况预防的统计特征 |
JP2009512097A (ja) | 2005-10-18 | 2009-03-19 | ハネウェル・インターナショナル・インコーポレーテッド | 早期イベント検出のためのシステム、方法、およびコンピュータプログラム |
US20070088448A1 (en) | 2005-10-19 | 2007-04-19 | Honeywell International Inc. | Predictive correlation model system |
US7243048B2 (en) | 2005-11-28 | 2007-07-10 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
-
2005
- 2005-08-26 US US11/212,434 patent/US7424395B2/en active Active
- 2005-09-09 EP EP05816090A patent/EP1810153A4/en not_active Withdrawn
- 2005-09-09 WO PCT/US2005/032093 patent/WO2006029290A2/en active Application Filing
- 2005-09-09 CA CA2579658A patent/CA2579658C/en active Active
- 2005-09-09 JP JP2007531350A patent/JP5205055B2/ja not_active Expired - Fee Related
-
2007
- 2007-04-10 NO NO20071832A patent/NO20071832L/no not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
NO20071832L (no) | 2007-06-11 |
CA2579658A1 (en) | 2006-03-16 |
WO2006029290A8 (en) | 2007-05-10 |
WO2006029290A3 (en) | 2006-12-14 |
US7424395B2 (en) | 2008-09-09 |
JP2008512791A (ja) | 2008-04-24 |
EP1810153A4 (en) | 2011-02-23 |
WO2006029290A2 (en) | 2006-03-16 |
US20060074599A1 (en) | 2006-04-06 |
CA2579658C (en) | 2016-01-12 |
EP1810153A2 (en) | 2007-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5205055B2 (ja) | オレフィン回収トレインへの異常事象検知技術の適用 | |
JP5190265B2 (ja) | 異常事象検知技術の水素化分解装置への適用 | |
JP5190264B2 (ja) | 流動接触分解ユニットへの異常事象検知技術の適用 | |
US7349746B2 (en) | System and method for abnormal event detection in the operation of continuous industrial processes | |
JP2009534746A (ja) | 異常事象検出技術のディレードコーキングユニットへの適用 | |
US7761172B2 (en) | Application of abnormal event detection (AED) technology to polymers | |
JP5303474B2 (ja) | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム | |
Zhao et al. | Online fault prognosis with relative deviation analysis and vector autoregressive modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080811 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110524 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110701 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110708 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120605 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120824 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120831 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121204 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130129 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130218 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160222 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |