KR20220156051A - 명칭 정유소 내의 증류탑(들)의 막힘을 예측하기 위한 방법, 컴퓨터 프로그램 및 연관된 예측 시스템 - Google Patents
명칭 정유소 내의 증류탑(들)의 막힘을 예측하기 위한 방법, 컴퓨터 프로그램 및 연관된 예측 시스템 Download PDFInfo
- Publication number
- KR20220156051A KR20220156051A KR1020227036215A KR20227036215A KR20220156051A KR 20220156051 A KR20220156051 A KR 20220156051A KR 1020227036215 A KR1020227036215 A KR 1020227036215A KR 20227036215 A KR20227036215 A KR 20227036215A KR 20220156051 A KR20220156051 A KR 20220156051A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- current
- distillation column
- flooding
- predicting
- Prior art date
Links
Images
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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
본 발명은 증류탑의 막힘을 머신 러닝을 사용하여 예측하기 위한 방법(38)으로서, - 이전에 수집된 데이터 및 센서들의 세트로부터 획득된 머신 러닝 모듈을 구성 및 훈련시키는 페이즈(40), 및 막힘을 예측하는 동작 페이즈(42)를 포함하고, 상기 동작 페이즈는, 버퍼가 채워질 때까지 현재 데이터 스트림을 수집하는 것(56), 미리 결정된 정화 및 분류를 통하여 데이터 버퍼로부터의 데이터를 전처리하는 것(64), 정화되고 분류된 데이터의 현재 세트 내의 데이터를 동기화하는 것(66), 적어도 상기 적어도 하나의 증류탑의 현재 성능을 나타내는 현재 변수 값을 결정하는 것(70), 변환된 데이터의 현재 세트를 미리 결정된 유도체를 계산함으로써 형성하는 것(72), 및 러닝 모듈을 변환된 데이터의 현재 세트에 적용하여 증류탑의 현재 상태를 예측하는 것(74)을 포함하는, 방법에 관한 것이다.
Description
본 발명은 정유소의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 방법에 관한 것이다.
또한, 본 발명은 컴퓨터에 의하여 실행될 때에 이러한 예측 방법을 구현하는 소프트웨어 명령을 포함하는 컴퓨터 프로그램에 관한 것이다.
더 나아가, 본 발명은 머신 러닝에 의해 구현되는, 정유소의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 시스템에 관한 것이다.
미국 특허 번호 2018/275690 A1 및 미국 특허 번호 2002/116079 A1 양자 모두는 정유소의 일반적 동작을 모니터링하는 것에 관한 것이다; 미국 특허 번호 2018/275690 A1은 특히, 동작 중의 차이 또는 불일치를 식별하기 위해서, 정유소 또는 정유소 유닛의 성능이 하나 이상의 프로세스 모델에 의해 예측된 성능과 비교되는 것을 개시한다.
미국 특허 번호 2008/082265 A1은 제품 정제 프로세스 중에 코킹 유닛의 코킹 가열 장치 내의 임의의 이상 상황을 방지하기 위하여 모니터링 및 진단을 가능하게 하기 위한 시스템 및 방법에 관한 것이다.
그러나, 문서 중 어느 것도 특히 정유소 증류탑(들)의 상태를 모니터링하는 것 및 특히 하나 이상의 증류탑 내의 범람을 예측하는 것에 특화된 해결책을 개시하지 않는다.
자료 "Development of neural Networks Models for a Crude Oil Distillation Column" Jurnal Teknologi, January 20, 2012 에 있는 Khairiyah 등의 연구는 증류탑의 동작을 최적화하기 위하여 인공 신경망 모델을 개발하는 것을 설명하지만, 범람을 예측하기 위한 특정 솔루션을 개시하지도 제안하지도 않는다.
본 발명은 정유소 내의 증류탑(들)의 상태를 모니터링하는 것 및 특히 증류탑 내의 범람을 예측하는 것에 관련된다.
증류는 혼합물로부터 상이한 액체 물질을 분리하거나 순화시키기 위해서 사용되는 프로세스이다. 증류탑 범람은 탑 내의 기체 유량이 미리 결정된 유량 임계를 초과할 때에 생기고, 결과적으로 액체가 더 이상 탑을 통해 흐를 수 없게 된다. 이러한 범람은 자주 일어나며, 평균적으로 예를 들어 대기 증류탑의 경우 평균적으로 매월 8회 내지 9회 발생하고, 과도한 기체 유량 및/또는 열 등의 다양한 원인에 기인한다.
종래에는, 이러한 범람 이벤트는 불행하게도 이들이 발생한 이후에, 미리 결정된 임계보다 큰 차동 압력의 변화 및 생산 성능의 감소, 및 분리시키는 품질의 감소를 통하여 검출된다. 범람된 이후에, 증류탑의 안정화는 느리게 일어나고, 예를 들어 대기 증류탑의 경우 약 8 시간이 걸리며, 이윤의 관점에서 손해가 된다.
이를 해결하기 위하여, 범람을 예상하고, 가능하다면 범람을 방지하기 위해서 이러한 범람을 예측하는 것이 필요하다. 예를 들어, 대기 증류탑 내의 범람을 방지하기 위하여, 이러한 이벤트의 발생을 적어도 20 분 먼저 예측할 필요가 있다.
예측기는 지금까지는 제 1 용량 예측기에 대한, 및/또는 제 2 예측기에 대한 온도 및 차분 압력 분석을 위하여, 자료 "Predict Entrainment Flooding on Sieve and valve trays" Chemical engineering progress 1990, Vol 86, Num 9, PP 63-691990, Vol 86, Num 9, PP 63-69 내의 H. Kister 등의 연구로부터 개발된 방정식과 같은 이론적인 방정식에 기반하여 종래의 방법을 사용해서 개발되어 왔다. 그러나, 이러한 제 1 및 제 2 예측기는 현재 매우 효율적이지 않다: 오류가 있는 긍정 예측(즉 동작이 정상이지만 범람을 예측하는 잘못된 예측)의 개수 또는 예측의 부재(즉 범람이 발생하지만 사전에 예측된 바 없는 경우)의 횟수가 높게 유지되고, 더욱이, 오류가 있는 잘못된 예측은 발생될 가능성이 없는 범람을 피하기 위해서 생산 속도에 있어서 고비용의 쓸모없는 속도저하가 생기게 하는 반면에, 검출되지 않은 범람이 발생되면 탑을 재안정화하기 위한 시간 동안에 탑의 동작을 완전히 멈추게 되는데, 이것도 역시 비용이 많이 든다.
본 발명의 목적은, 현재 예측기와 비교할 때 오류가 있는 예측(즉 잘못된 긍정 예측) 및 예측의 부재(즉 잘못된 부정 예측)의 합에 대응하는 예측 오차를 감소시키고, 범람을 일으킬 수 있는 동작 파라미터(들) 또는 특성(들)을 더 양호하게 식별할 수 있게 하는 방법 및 예측 시스템을 제안하는 것이다.
이러한 목적을 위해서, 본 발명의 기술 요지는 앞서 언급된 타입의 예측 방법, 즉 정유소의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 방법에 관련되는데, 이것은 머신 러닝에 의해서 구현되며, 방법은:
- 미리 결정된 이전 기간 동안에 사전에 그리고 적어도 정유소의 센서들의 세트로부터 수집된 데이터의 세트로부터 획득된, 범람을 예측하기 위한 머신 러닝 모델을 구성하고 훈련시키는 페이즈- 각각의 수집된 데이터는 센서 시간 데이터와 연관됨 -; 및
- 범람을 예측하는 동작 페이즈를 포함하고, 상기 동작 페이즈는:
- 정유소의 상기 센서들의 세트로부터, 미리 결정된 크기의 데이터 버퍼가 채워질 때까지 현재 데이터 흐름을 수집하는 단계 - 현재 데이터 흐름의 각각의 데이터는 상기 센서 시간 데이터와 더 연관됨 -,
- 청정하고 분류된 데이터의 현재 세트의 미리 결정된 청정화(cleansing) 및 분류 전달에 의하여 데이터 버퍼로부터의 데이터를 전처리하는 단계,
- 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름의 데이터와 연관된 센서 시간 데이터를 동기화하고, 청정하고 분류되며 동기화된 데이터의 현재 세트를 전달하는 단계,
- 상기 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 현재 변수의 적어도 하나의 값을 결정하고, 처리될 데이터의 현재 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가하는 단계, 및
- 처리될 데이터의 현재 세트의 미리 결정된 유도체(derivative)를 계산함으로써, 변환된 데이터의 현재 세트를 형성하는 단계, 및
- 상기 러닝 모델을 상기 변환된 데이터의 현재 세트에 적용함으로써 상기 적어도 하나의 증류탑의 현재 상태를 예측하는 단계 - 상기 현재 상태는 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응함 -
를 포함한다.
본 발명에 따른 예측 방법은 이제, 러닝 모델에 의해 처리되기 위한 관련된 데이터 세트를 실시간으로 구성하기 위하여, 더 이상 하나의 예측기에 기반하지 않고 본 발명에 특이한 순서에 따라서 실행되는 단계들의 시퀀스를 통하여 머신 러닝에 의해서 처리되는 다중-기준 접근법에 기반하여, 증류탑 내의 범람의 예측을 실시간으로 효율적으로 개선하기 위해서 적합한데, 러닝 모델은 사전에 구축되고 이전에 수집된 데이터 세트로부터 훈련된다.
특히, 데이터 동기화 단계 이후의 상기 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 현재 변수의 적어도 하나의 값을 결정 및 추가하는 단계가 시너지를 일으키며, 그리고 단계들의 이러한 특정 시퀀스에 따라서 사용됨으로써, 실시간으로 수집되는 데이터의 세트가 강화되게(enriched) 하고 러닝 모델에 의해 구현된 범람 예측을 정확하게 만든다.
본 발명에 따른 단계들의 특정 시퀀스에서의 동기화 단계의 위치가 특히 중요한데, 그 이유는 이것이 고려되는 증류탑 내에 구현되는 증류 프로세스의 후속하는 다이내믹스를 따르면서 원인 및 그 결과 사이의 임의의 지연을 없애는 것을 가능하게 하기 때문이다. 본 발명에 따른 단계들의 특정한 시퀀스 내에 동기화 단계를 이렇게 위치시키지 않으면, 원인을 나타내는 데이터가 그 결과에 정확하게 관련되지 않게 되고, 결과적으로 얻어지는 계산된 특성의 중요성과 관련성이 떨어지게 된다.
사실상, 발명자에 의한 평가에 따르면, 정유소의 적어도 하나의 증류탑 내의 범람을 예측하는 이러한 방법은, 전술된 현재의 첫 번째 및 두 번째 예측기와 비교할 때, 검출 효율 성능이 10 내지 50% 향상될 수 있게 한다. 따라서, 본 발명은 정유소의 적어도 하나의 증류탑 내의 범람의 위험을 사전에 그리고 특정하게 더 양호하게 진단하는 것을 가능하게 하는데, 이것은 앞서 언급된 미국 특허 번호 2018/275690 A1, 미국 특허 번호 2002/116079 A1, 미국 특허 번호 2008/082265 A1 및 자료: "Development of Neural Networks Models for a Crude Oil Distillation Column" Jurnal Teknologi January 20, 2012 내의 Khairiyah 등의 연구의 목적이 아니고, 이러한 문서 중 어느 것도 증류탑 내의 범람의 예측도, 그리고 정유소의 적어도 하나의 증류탑 내의 범람을 본 발명에 따라서 예측하는 프로세스의 특정한 순서 및 모든 단계를 구체적으로 개시하지 않는다.
본 발명의 다른 바람직한 양태에 따르면, 예측 방법은 독자적으로 또는 임의의 기술적으로 가능한 조합으로 취해지는 다음과 같은 특징 중 하나 이상을 포함한다:
상기 범람 예측 머신 러닝 모델의 구성 및 훈련하는 페이즈는,
- 청정하고 분류된 데이터의 사전 세트를 전달하는 미리 결정된 청정 및 분류에 의하여, 사전에 수집된 데이터의 세트를 전처리하는 단계,
- 청정하고 분류된 데이터의 예비 세트 중 수집된 데이터와 연관된 센서 시간 데이터를 동기화하여, 청정하고 분류되며 동기화된 데이터의 예비 세트를 전달하는 단계,
- 상기 청정하고 분류되며 동기화된 데이터의 예비 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 이전의 성능을 나타내는 변수의 적어도 하나의 값을 결정하고, 처리될 데이터의 예비 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 상기 청정하고 분류되며 동기화된 데이터의 예비 세트에 추가하는 단계,
- 처리될 데이터의 예비 세트의 미리 결정된 유도체를 계산 및 필터링함으로써 상기 러닝 모델에 회귀를 수행하여, 상기 적어도 하나의 증류탑의 정상 동작 및 상기 적어도 하나의 증류탑의 사전-범람 각각과 연관된, 상기 러닝 모델로부터 초래되는 두 가지 클래스를 형성하는 단계,
- 상기 러닝 모델으로부터 초래되는 상기 두 가지 클래스를 미리 결정된 샘플링 레이트에서 리샘플링하는 단계,
- 상기 리샘플링하는 단계로부터 얻어지는 모든 샘플을 사용하여 상기 러닝 모델을 결정, 훈련 및 인증하는 단계.
- 범람 예측의 머신 러닝 모델을 구성 및 훈련하는 페이즈 내에 구현된 및/또는 범람 예측의 동작 페이즈 내에 구현된 동기화는, 상기 센서들의 세트의 각각의 센서의 위치의 함수로서 결정된 시간 지연(들)을 적용하는 것을 포함한다.
- 상기 러닝 모델은, 미리 결정된 개수의 추정기, 및 모든 리프들이 샘플을 가지지 않을 때까지 또는 모든 리프들이 두 개 미만의 샘플을 포함할 때까지 랜덤 포레스트의 각각의 노드를 확장시키도록 구성된 최대 깊이(maximum depth)를 포함하는 랜덤 포레스트 모델(random forest model)이다.
적어도 하나의 현재 성능을 나타내는 현재 변수 및/또는 적어도 하나의 종래의 성능을 나타내는 변수는,
- 적어도 하나의 증류탑 내의 총유량(gross flow-rate)의 변동,
- 미리 결정된 역류 유량 세트포인트와 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집된 역류 유량 사이의 차이에 대응하는 범람 특성,
- 인출 트레이(draw tray)의 액체-기체비(liquid-vapor ratio) 대 역류비(reflux ratio)의 비율에 대응하는, 적어도 하나의 증류탑의 상부 재순환 표시자(upper recirculation indicator) - 상기 액체-기체비 및 역류비는 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집됨 -,
- 적어도 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집된 적어도 하나의 증류탑의 온도 및 압력 데이터로부터 결정된 위험 표시자,
- 미리 결정된 이론적 수학식 및 연관된 이진 표시자로부터 획득된 범람 표시자,
- 상기 적어도 하나의 증류탑의 위치에 대하여 별개의 위치에 위치된 상기 센서들의 세트 중 적어도 두 개의 센서로부터 획득된, 미리 결정된 온도 편차 및 비율들의 세트,
- 재료 균형,
- 엔탈피.
- 상기 예측하는 단계는 확률을 상기 이진 값과 연관시키고, 상기 방법은,
상기 적어도 하나의 증류탑의 현재 상태를 예측한 이후에, 상기 예측하는 단계 도중에 미리 결정된 확률 임계보다 큰 연관된 확률 값을 가지는 현재의 사전-범람의 존재를 나타내는 이진 값을 획득하는 경우, 경고를 생성하고 정유소 내에 위치된 적어도 한 명의 운영자에게 반환하는 단계를 더 포함한다.
- 예측 방법은, 범람 예측 머신 러닝 모델을 구성하고 훈련시키는 페이즈의 후속 반복을 위하여, 현재 데이터 흐름의 데이터를 이전에 수집된 데이터 세트 내에 저장하여, 상기 예측하는 동작 페이즈의 후속 반복을 위하여 상기 머신 러닝 모델을 업데이트하는 단계를 더 포함한다.
- 예측 방법은, 현재 데이터 흐름의 수집 도중에 구현되고 미리 결정된 압축비를 가지는 압축 단계 및 상기 압축비가 각각의 후속 수집 단계에서 유지된다고 검증하는 단계를 포함한다.
본 발명은 컴퓨터에 의하여 실행될 때, 전술된 바와 같이, 전자 컴퓨터 상의 애플리케이션의 실행을 모니터링하기 위한 방법을 구현하는 소프트웨어 명령을 포함하는 컴퓨터 프로그램에 관한 것이다.
또한, 본 발명은 머신 러닝에 의해 구현된, 정유소의 적어도 하나의 증류탑에 대한 예측 시스템으로서,
적어도 하나의 데이터베이스를 포함하고,
- 미리 결정된 이전 기간 동안에, 상기 데이터베이스 내에 저장된 사전에 수집된 데이터 세트로부터, 그리고 적어도 정유소의 센서들의 세트로부터 획득된, 범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 모듈 - 각각의 수집된 데이터는 센서 시간 데이터와 연관됨 -; 및
- 범람을 예측하기 위한 유닛을 더 포함하며,
상기 범람을 예측하기 위한 유닛은,
- 미리 결정된 크기의 데이터 버퍼 및 정유소의 상기 센서들의 세트로부터, 상기 미리 결정된 크기의 데이터 버퍼가 채워질 때까지 현재 데이터 흐름을 수집하도록 구성된 수집 모듈 - 현재 데이터 흐름의 각각의 데이터는 센서 시간 데이터와 더 연관됨 -,
- 청정하고 분류된 데이터의 현재 세트를 전달하는 미리 결정된 청정화(cleansing) 및 분류에 의하여, 상기 데이터 버퍼로부터의 데이터를 전처리하도록 구성된 전처리 모듈,
- 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름의 데이터와 연관된 센서 시간 데이터를 동기화하여 청정하고 분류되며 동기화된 데이터의 현재 세트를 전달하도록 구성된 동기화 모듈,
- 상기 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 변수의 적어도 하나의 현재 값을 결정하고, 처리될 데이터의 현재 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가하도록 구성된 결정 모듈,
- 처리될 데이터의 현재 세트의 미리 결정된 유도체(derivative)를 계산함으로써, 변환된 데이터의 현재 세트를 형성하도록 구성된 형성 모듈, 및
- 상기 훈련 모델을 상기 변환된 데이터의 현재 세트에 적용함으로써 상기 적어도 하나의 증류탑의 현재 상태를 예측하도록 구성된 예측 모듈- 상기 현재 상태는 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응함 -
을 포함하는, 범람 예측 시스템에 관한 것이다.
본 발명의 또 다른 양태에 따르면, 상기 예측 시스템은,
- 상기 수집 모듈은 상기 정유소 자체 내에 위치되고,
- 상기 범람 예측 유닛의 범람 예측 머신 러닝 모델의 예비적 구성 및 훈련을 위한 유닛, 데이터 버퍼, 전처리 모듈, 동기화 모듈, 결정 모듈, 형성 모듈 및 예측 모듈은 상기 정유소의 외부에 있고 클라우드 컴퓨팅으로 조직화되며,
상기 수집 모듈은 상기 데이터 버퍼를 직접적으로 로드하기에 더 적합하고,
상기 예측 시스템은, 상기 적어도 하나의 증류탑의 현재 상태의 예측을 나타내고 상기 정유소 내의 적어도 한 명의 운영자에게 상기 예측 시스템의 반환 수단을 통하여 반환될 수 있는 정보를 수신하기에 적합한 수신 모듈을 더 포함하도록 되어 있다.
본 발명의 특징과 장점들은, 오직 비한정적인 예로서만 제공되고 첨부된 도면을 참조하는 후속하는 설명을 정독할 때에 더욱 명백해질 것이다.
- [도 1] 도 1 은 본 발명에 따른 예측 시스템의 구성 요소의 개략도이다;
- [도 2] 도 2 는 본 발명에 따른 예측 방법의 흐름도이고, 이러한 방법은 도 1 에 도시되는 예측 시스템에 의해서 구현된다.
- [도 1] 도 1 은 본 발명에 따른 예측 시스템의 구성 요소의 개략도이다;
- [도 2] 도 2 는 본 발명에 따른 예측 방법의 흐름도이고, 이러한 방법은 도 1 에 도시되는 예측 시스템에 의해서 구현된다.
도 1 은 본 발명에 따른 예측 시스템(10)의 아키텍처의 일 예를 도시한다. 이러한 아키텍처에 따르면, 본 발명에 따른 예측 시스템(10)은 두 개의 별개의 부분에 걸쳐서, 즉 정유소(R) 자체 내에 그리고 원격으로, 예를 들어 클라우드 컴퓨팅(CL) 시스템 내에 분산된다.
더 정밀하게 말하면, 머신 러닝에 의해 구현된, 정유소(R)의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 시스템(10)은 클라우드 컴퓨팅으로 조직화된 적어도 하나의 데이터베이스(BD) 또는 데이터베이스의 세트(BD), 데이터베이스(BD) 내에 저장된 이전에 수집된 데이터 세트로부터 획득되는 범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 유닛(12), 및 범람을 예측하기 위한 유닛(14)을 포함한다.
범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 유닛(12)은 가장 흔하게는 정유소로부터 떨어진 곳에, 예를 들어 표시되지 않은 방식으로 정유소 운영자의 개인용 컴퓨터 내에 통합되어 있으며, 운영자는 적절한 경우 이동할 수 있고 정유소의 안팎으로 움직일 수 있으며, 이러한 유닛(12)은 반드시 클라우드 컴퓨팅 안에 직접 통합되는 것은 아니며, 예를 들어 클라우드 컴퓨팅과는 통신만 할 수도 있다.
도 1 에 도시된 바와 같이, 범람 예측 유닛(14)은 두 부분인 정유소(R) 자체 내의 부분(14A) 및 클라우드 컴퓨팅(CL)으로 조직화된 서버들의 세트에 걸쳐서 분산된 부분(14B)으로 이루어진다.
더 정밀하게 말하면, 데이터베이스(BD)는 이전에 수집되고 획득되며 정유소(R)(N은 1 이상의 정수임) 내에 분포된 센서들의 세트(C1 내지 CN), 특히 정유소(R)의 증류탑마다 대략 천 개의 센서를 이용하여 획득된 데이터의 세트를 저장함으로써 사전에 구축되었고, 센서들은 예를 들어 고려되는 증류탑의 벽과 접촉된 온도 센서, 및 고려되는 동일한 탑의 파이프를 통해 흐르는 유체와 접촉하는 압력 센서가 있다. 예를 들어, 센서(C1 내지 CN)는 고려되는 증류탑 내의 복수 개의 타입의 데이터, 즉 온도, 압력, 유량, 밸브 개구 등을 측정한다. 이러한 데이터는 데이터베이스 내에 수 년간 획득되었다.
특정 양태에 따르면, 범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 유닛(12)은 미리 결정된 이전 기간 동안에 사전에 수집되고 미리 결정된 샘플링 레이트로, 예를 들어 1분마다 샘플링된 데이터의 세트를 데이터베이스로부터 추출하기에 적합하다(즉, 동일한 데이터 타입의 각각의 데이터는 센서 시간 데이터와 연관되고, 이전의 데이터 및 다음 데이터로부터 1분만큼 이격됨).
이러한 구성 및 훈련 유닛(12)의 상세한 동작은 도 2 를 참조하여 후술될 것이다.
두 부분(14A 및 14B)으로 구성된 범람 예측 유닛은 더 정밀하게는, 정유소(R) 자체 내에 위치된 부분(14A), 및 센서들의 정유소 세트(C1 내지 CN)로부터 현재 데이터 흐름을 미리 결정된 크기의 데이터 버퍼(미도시)가 채워질 때까지 수집하기에 적합한 수집 모듈(16)을 포함하는데i, 현재 데이터 흐름 내의 각각의 데이터는 센서 시간 데이터와 더 연관된다.
첫 번째 변형예에 따르면, 데이터 버퍼는 정유소(R) 자체 내에서 채워지고, 그 후에 충진되게 되면, 정유소(R)의 송수신기 모듈(18)을 통하여 클라우드 컴퓨팅(CL)으로 조직화된 서버들의 세트의 수신기 모듈(미도시)로 전송된다.
대체예로서, 버퍼는 클라우드 컴퓨팅(CL)으로 조직화된 서버들 중 하나에 직접 위치되고, 수집 모듈(16)은 정유소(R)의 송수신기 모듈(18)을 통하여 버퍼를 실시간으로 채우도록 구성된다.
특정 양태에 따르면, 정유소(R)의 송수신기 모듈(18)은 본 발명에 따른 예측 시스템(10)에만 전용으로 사용된다. 이러한 경우에서, 본 발명에 따른 예측 시스템(10)은 이러한 전용 송수신기 모듈(18)을 포함하고, 변형예(미도시)에 따르면, 이러한 송수신기 모듈(18)은 더 나아가 범람 예측 유닛의 부분(14A) 내에 직접 통합된다.
특정 양태에 따르면, 이러한 수집 모듈은 더 나아가 데이터베이스(BD)를 사전에 채우기에 적합하다.
범람 예측 유닛은 더 나아가, 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B) 안에 있는, 데이터 버퍼의 데이터를 미리 결정된 청정화(cleansing) 및 분류에 의하여 전처리하기에 적합한 전처리 모듈(20)을 포함하는데, 이것은 청정하고 분류된 데이터의 현재 세트를 전달한다. 다르게 말하면, 전처리 모듈(20)은 데이터 버퍼에 연결된 입력을 가진다.
범람 예측 유닛은 더 나아가, 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B) 안에 있는, 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름의 데이터와 연관된 센서 시간 데이터를 동기화하도록 구성된 동기화 모듈(22)을 포함하는데, 이것은 청정하고 분류되며 동기화된 데이터의 공통 세트를 전달한다. 다르게 말하면, 동기화 모듈(22)은 전처리 모듈(20)의 출력에 연결된 입력을 가진다.
범람 예측 유닛은 더 나아가, 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B) 안에 있는, 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 변수의 적어도 하나의 현재 값을 결정하고, 처리될 데이터의 현재 세트를 형성하기 위하여, 상기 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가하도록 구성된 결정 모듈(24)을 포함한다. 다르게 말하면, 결정 모듈(24)은 동기화 모듈(22)의 출력에 연결된 입력을 가진다.
범람 예측 유닛은, 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B) 안에 있는, 변환된 데이터의 현재 세트를 처리될 데이터의 현재 세트의 미리 결정된 유도체(derivative)를 연산함으로써 형성하도록 구성된 형성 모듈(26)을 더 포함한다. 다르게 말하면, 형성 모듈(26)은 결정 모듈(24)의 출력에 연결된 입력을 가진다.
범람 예측 유닛은, 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B) 안에 있는, 적어도 하나의 증류탑의 현재 상태를 러닝 모델을 변환된 데이터의 현재 세트에 적용함으로써 예측하도록 구성되는 예측 모듈(28)을 더 포함하는데, 현재 상태는 현재의 사전-범람(pre-flooding)의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응한다. 다르게 말하면, 예측 모듈(28)은 형성 모듈(26)의 출력에 연결된 입력을 가진다.
선택적인 추가 사항으로서, 예측 모듈(28)은, 범람의 확률(즉 신뢰도 인덱스)을 연산하고, 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값을 획득하기 위해서 이것을 미리 결정된 확률 임계와 비교하기 위한 계산 툴(30), 및 현재의 사전-범람의 존재를 나타내고 미리 결정된 확률 임계보다 큰 연관된 확률 값을 가지는 이진 값을 예측 단계 도중에 획득하는 경우에 경고를 생성하기 위한 모듈(32)을 포함한다.
다른 선택적인 특정 양태에 따르면, 예측 시스템(10)은, 상기 적어도 하나의 증류탑의 현재 상태의 예측을 나타내고 예측 시스템(10)의 복귀 수단(E)을 통하여 정유소 내에 있는 적어도 한 명의 운영자에게 반환되기에 적합한 정보를 수신하기에 적합한, 수신 모듈, 예를 들어 도 1 에 예시된 송수신기 모듈(18)을 더 포함한다.
특히, 이러한 대표 정보는, 예를 들어 선택적인 경고 생성 모듈(32)에 의해 생성된 경고에 직접적으로 대응한다.
특정 양태에 따르면, 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B)은 더 나아가, 구성 및 훈련 유닛(12)에 의해서 구현되는 바와 같은 범람을 예측하기 위한 머신 러닝 모델의 구성 및 훈련 페이즈의 후속 반복을 위하여, 데이터베이스(BD)의 이전에 수집된 데이터 세트 내에 현재 데이터 흐름의 데이터를 저장하도록 구성되어, 상기 머신 러닝 모델을 상기 동작 예측 페이즈의 후속 반복을 위하여 업데이트한다.
도 1 에 도시되는 예에서, 범람 예측 유닛의 클라우드 컴퓨팅(CL) 내에 위치된 부분(14B)은, 예를 들어 CPU(중앙 처리 유닛)와 같은 프로세서(38)와 연관된 메모리(36)에 의해서 형성된 하나 이상의 정보 처리 유닛(34)을 포함한다.
도 1 에 도시되는 예에서, 전처리 모듈(20), 동기화 모듈(22), 결정 모듈(24), 형성 모듈(26), 예측 모듈(28) 및 선택적으로 계산 모듈(30) 및 생성 모듈(32)은 프로세서(38)에 의해서 실행가능한 소프트웨어의 형태로 각각 구현된다.
그러면, 정보 처리 유닛(34)의 메모리(36)는, 청정하고 분류된 데이터의 현재 세트를 전달하는 미리 결정된 청정 및 분류에 의하여 데이터 버퍼(정유소(R)의 송수신기 모듈(18)에 의해서 송신되거나, 변형예(미도시)에 따르면 버퍼는 메모리(36) 내에 직접적으로 저장됨)의 데이터를 전처리하도록 구성되는 전처리 소프트웨어를 저장하기에 적합하다. 정보 처리 유닛(34)의 메모리(36)는 더 나아가, 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름의 데이터와 연관된 센서 시간 데이터를 동기화하여 청정하고 분류되며 동기화된 데이터의 현재 세트를 전달하도록 구성된 동기화 모듈, 상기 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 변수의 적어도 하나의 현재 값을 결정하고, 처리될 데이터의 현재 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가하도록 구성된 결정 소프트웨어, 처리될 데이터의 현재 세트의 미리 결정된 유도체(derivative)를 계산함으로써, 변환된 데이터의 현재 세트를 형성하도록 구성된 형성 소프트웨어, 및 상기 러닝 모델을 상기 변환된 데이터의 현재 세트에 적용함으로써 상기 적어도 하나의 증류탑의 현재 상태를 예측하도록 구성된 예측 소프트웨어를 저장하기에 적합한데, 현재 상태는 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응한다. 선택적으로, 정보 처리 유닛의 메모리(36)는 더 나아가, 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값과 연관된 확률(즉, 신뢰도 인덱스)을 연산하기 위한 소프트웨어, 및 현재의 사전-범람의 존재를 나타내고 미리 결정된 확률 임계보다 큰 연관된 확률 값을 가지는 이진 값을 예측 단계 도중에 획득하는 경우에 경고를 생성하기 위한 소프트웨어를 포함한다.
그러면, 프로세서(38)는 전처리 소프트웨어, 동기화 소프트웨어, 결정 소프트웨어, 형성 소프트웨어, 예측 소프트웨어 및 선택적으로 계산 소프트웨어 및 경고 생성 소프트웨어를 시계열적으로 실행하기에 적합하다.
변형예(미도시)에서는, 전처리 모듈(20), 동기화 모듈(22), 결정 모듈(24), 형성 모듈(26), 예측 모듈(28) 및 선택적으로 계산 모듈(30) 및 생성 모듈(32)은 프로그래밍가능한 로직 컴포넌트, 예컨대 FPGA(필드 프로그램가능 게이트 어레이)의 형태로, 또는 전용 집적 회로, 예컨대 ASIC(주문형 집적회로)의 형태로 각각 구현된다.
예측 시스템(10)의 적어도 일부가 하나 이상의 소프트웨어 프로그램의 형태로, 즉 컴퓨터 프로그램의 형태로 구현되면, 이것은 더 나아가 컴퓨터-판독가능 매체(미도시) 내에 기록되기에 적합하다. 컴퓨터-판독가능 매체는, 예를 들어 전자 명령을 저장하기에 적합하고 컴퓨터 시스템의 버스에 커플링되는 매체이다. 일 예로서, 판독가능한 매체는 광학 디스크, 자기-광학 디스크, ROM 메모리, RAM 메모리, 임의의 타입의 비-휘발성 메모리(예를 들어 EPROM, EEPROM, FLASH, NVRAM), 자기 카드 또는 광학 카드이다. 그러면, 소프트웨어 명령을 포함하는 컴퓨터 프로그램이 판독가능한 매체에 저장된다.
이제, 예측 시스템(10)의 동작이 도 2 의 도움을 받아 설명될 것이고, 이것은 머신 러닝에 의해서 구현되는, 정유소의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 프로세스(38)의 흐름도를 도시한다.
이러한 방법(38)은 두 개의 별개의 페이즈(40 및 42)인, 미리 결정된 이전 기간 동안에 사전에 수집된 데이터의 세트로부터, 그리고 적어도 정유소의 센서들의 세트로부터 획득되는, 범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련의 페이즈 A(각각의 수집된 데이터는 범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 유닛(12)에 의해서 구현된 센서 시간 데이터와 연관됨), 및 범람 예측 유닛(14)에 의해서 실시간으로 구현되는 예측 범람의 동작 페이즈 B를 포함한다.
머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)는 반드시 이처럼 범람 예측 페이즈 B 이전에 구현되어야 하는데, 그 이유는 페이즈 A가 러닝 모델(M)을 실시간으로 구현된 범람 페이즈 내에 공급하기 때문이다.
더 정밀하게 말하면, 범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)는 본 발명에 특정한 순서에 따른 단계들의 시퀀스를 포함하고, 사전에 수집된, 그리고 특히 청정하고 분류된 데이터의 예비 세트를 전달하는 미리 결정된 청정 및 분류에 의해서 데이터베이스(BD) 내에 저장된 데이터의 세트의 첫 번째 전처리 단계(PREP-P-P; 44)를 포함한다.
특히, 이러한 사전처리는 특히 다음으로 이루어진다:
- 데이터가 이전에 수집되었던 데이터의 포맷, 예를 들어 엑셀 표(Excel tabular) 포맷을 판다스(pandas) 라이브러리를 사용하는 파이선(Python) 언어에 적합한 포맷에 따른 데이터 프레임으로 변환하는 것, 그 후에
- 이러한 변환된 형태에서, 이상치가 이중이거나 중복되거나 심지어 일정하기 때문에, 그리고 따라서 범람을 결정하기에 관련성이 없기 때문에 이상치를 식별한 후 삭제함으로써 수집된 값을 필터링하는 것(이것은 처리될 데이터의 개수를 30 내지 40%, 줄임), 그 후에
- 필터링으로부터 도달하는 데이터를 후속하는 하위단계들을 연속적으로 구현함으로써 청정화 및 분류하는 것:
숫자 값이 러닝 모델에 의해 기대되는 경우에 용어 NaN(숫자가 아님)으로 문자 스트링을 첫 번째 교체하는 것, 그 후에
- 첫 번째 교체로부터 얻어지는 데이터를 다음 다섯 개의 클래스로 분류하는 것, 즉:
- 비-동작 상태와 연관된 데이터의 클래스,
- 예를 들어 이와 같은 범람 이전의 60 분 동안에 수집된 모든 데이터를 그룹화하는 사전-범람 상태와 연관된 데이터의 클래스,
- 예를 들어 이와 같은 범람 이후 8 시간 동안에 수집되는 모든 데이터를 그룹화하는 사후-범람 상태와 연관된 데이터의 클래스,
- 이와 같은 범람 도중에 수집된 모든 데이터를 그룹화하는 범람 상태와 연관된 데이터의 클래스,
- 앞선 네 개의 클래스 중 어느 것에도 속하지 않고, 따라서 증류탑의 정상 동작을 나타내는 모든 잔여 데이터를 포함하는 클래스,
- 다섯 개의 클래스 각각에서, 순방향-채움을 이용하여 NaN 용어를 두 번째로 교체하는 것(누락된 숫자 값 NaN이 이전의 라인 내의 대응하는 값으로 채워짐), 및
- 제로 값만을 포함하는 증류탑을 리셋하는 것,
- 상기 청정되고 분류된 데이터 프레임을, 예를 들어 파이썬 오브젝트 구조체를 직렬화 및 직렬화-해제하기 위한 이진 프로토콜을 구현하기에 적합한 파이선의 피클(Pickle) 툴을 사용함으로써 수집된 데이터의 크기를 감소시키는 적절한 저장 포맷을 사용하여 저장하는 것.
더 정밀하게 말하면, 이와 같은 범람 상태는, 예를 들어 고려되는 증류탑이 동작하는 상태에 있다(셧-다운되지 않음)는 것을 나타내는 수집된 데이터의 존재 시에, 그리고 탑 응축기의 삼상 분리기의 제어된 유량 레벨의 측정된 값에 기반하여 검출된다. 범람 상태는, 예를 들어 다음의 조건들의 삼중쌍이 존재할 경우에 검출된다:
- 고려되는 증류탑이 동작 상태에 있다는 것(즉 유효 동작 상태임), 및
- 유량 레벨로부터 수집된 측정된 값과 유량 레벨의 세트포인트 값 사이의 차이가 10 보다 큰 것, 및
- 고려되는 증류탑의 유량 레벨 제어기의 출력 값이 70 개보다 큰 것.
세 가지 조건이 만족되면 범람이 검출되고, 유량 레벨의 측정된 값과 연관된 센서 시간 데이터가 다음의 분류를 위해서 사용된다:
- 동일한 센서 시간 데이터와 연관된 모든 수집된 데이터를 범람 상태와 연관된 데이터의 클래스 내에 그룹화하는 것,
- 유량 레벨의 측정된 값과 연관된 센서 시간 데이터보다, 예를 들어 최대 60 분만큼 앞서는 센서 시간 데이터와 연관된 모든 수집된 데이터를 사전-범람 상태와 연관된 데이터의 클래스 내에 함께 그룹화하는 것,
- 유량 레벨의 측정된 값과 연관된 센서 시간 데이터보다, 예를 들어 최대 8 시간 후행하는 센서 시간 데이터와 연관된 모든 수집된 데이터를 사후-범람 상태와 연관된 데이터의 클래스 내에 함께 그룹화하는 것.
특정한 실용적인 양태에 따르면, 분류는 전술된 다섯 개의 클래스, 즉 클래스 "동작 안함(out of operation)(즉 셧-다운)", "사전-범람", "범람", "사후-범람", "관련되지 않음(not relevant)" 중 하나를 나타내는 값을 클래스, 예를 들어 수집된 각각의 데이터의 FI라고 불리는 클래스를 나타내는 변수에 할당하는 것으로 이루어진다.
범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)는 청정하고 분류된 데이터의 예비 세트 중 수집된 데이터와 연관된 센서 시간 데이터의 두 번째 동기화 단계(SYNC; 46)를 포함하는데, 이것은 청정하고 분류되며 동기화된 데이터의 예비 세트를 전달한다.
특히, 범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40) 내에 구현된 동기화(46)는 상기 센서들의 세트(C1 내지 CN)의 각각의 센서의 위치의 함수로서 결정된 시간 지연(들)(TL)을 적용하는 것(47)을 포함한다.
더 정밀하게 말하면, 이러한 시간 지연은, 예를 들어 증류탑 내의 특정 위치에서의 원재료의 상태에서의 변화에 기인한 지연과 같은 변하는 상태에 대한 증류 프로세스의 응답에 존재하는 지연에 대응한다. 예를 들어, 센서 C1에 의해서 수집된 데이터에 적용될 시간 지연은 센서 C1과 증류탑 내의 범람 포인트의 위치 사이의 거리에 따라 달라지는데, 상기 위치는 알려져 있고 주어진 증류탑 및 애플리케이션에 대해서 일정하다. 이러한 시간 지연(들)은 고려되는 증류탑 내에서 구현되는 증류 프로세스의 지식으로부터 자동으로 결정되고, 자료 "Applications of information theory, genetic algorithms, and neural models to predict oil flow" CNSNS 14(2009) 2870-2885 에 있는 O. Ludwig 등의 연구에 기반한 상호 정보 접근에 의해서 확정된다.
특히, 이러한 동기화(46)는 자동적으로 결정된 시간 지연 값(TL)을 복원하는 것, 및 그 후에 해당 내용을 수집된 데이터와 연관된 센서 시간 데이터에 적용하는 것(47)으로 이루어진다.
청정하고 분류되며 동기화된 데이터의 이전의 세트로부터, 범람 예측 머신 러닝 모델(M)을 구성하고 훈련시키는 페이즈(40)는 상기 적어도 하나의 증류탑의 적어도 하나의 예비적 성능을 나타내는 변수의 적어도 하나의 값을 결정하고(DET-EF-P), 처리될 데이터의 예비 세트를 형성하기 위해서 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 예비 세트에 추가하는 세 번째 단계(48)를 포함한다.
더 정밀하게 말하면, 적어도 하나의 종래의 성능을 나타내는 변수는 적어도 다음을 포함하는 군에 속하는 타입이다:
- 적어도 하나의 증류탑 내의 총유량의 변동,
- 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정된 흐름 레벨의 값과 응축기 탑의 삼상 분리기의 제어된 흐름 레벨의 세트포인트 값 사이의 차이에 대응하는 범람 특성,
- 인출 트레이(draw tray)의 액체-기체비(liquid-vapor ratio) 대 역류비(reflux ratio)의 비율에 대응하는, 적어도 하나의 증류탑의 상부 재순환 표시자(upper recirculation indicator) - 상기 액체-기체비 및 역류비는 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집됨 -,
- 적어도 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집된 적어도 하나의 증류탑의 온도 및 압력 데이터로부터 결정된 위험 표시자,
- 미리 결정된 이론적 수학식으로부터 획득된 범람 표시자, 예를 들어 전술된 제 1 용량 예측기 및 연관된 이진 표시자,
- 상기 적어도 하나의 증류탑의 위치에 대하여 별개의 위치에 위치된 상기 센서들의 세트 중 적어도 두 개의 센서로부터 획득된, 미리 결정된 온도차 및 비율들의 세트,
- 재료 균형,
- 엔탈피.
다르게 말하면, 적어도 하나의 이전의 성능을 나타내는 이러한 변수 또는 바람직하게는 전술된 모든 변수는, 각각의 타입의 증류탑에 특이적이고, 각각의 센서 시간 데이터에 대하여 정유소 증류탑 내의 범람을 결정하는 산업 분야에서 관련되는 미리 결정된 맞춤형 엔지니어링 수학식을 사용하고, 고려되는 센서 시간 데이터와 연관된 시점에서 수집된 데이터로부터 연산된다. 따라서, 범람의 모델링을 용이화하기 위하여, 청정하고 분류되며 동기화된 데이터의 예비 세트의 각각의 클래스는 성능을 나타내는 변수에 의해서 강화된다.
본 발명에 따르면, 이러한 강화 단계는 특히 동기화 이후에 구현된다는 것에 주의해야 하는데, 그러면 앞서 언급된 변수 중 하나를 획득하기 위한 각각의 엔지니어링 수학식에서, 동기화 이후의 동일한 센서 시간 데이터를 가지는 수집된 데이터를 사용하는 것, 및 증류탑의 적어도 하나의 종래의 성능을 나타내는 강화(enrichment) 변수를 계산할 때의 편중(bias)을 피하는 것이 가능해진다.
범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)는, 처리될 데이터의 예비 세트의 미리 결정된 유도체를 계산 및 필터링함에 의한 러닝 모델(M)의 네 번째인 회귀 단계(REG; 50)를 더 포함하는데, 이것은 상기 적어도 하나의 증류탑의 정상 동작 및 상기 적어도 하나의 증류탑의 사전-범람 각각과 연관된, 상기 러닝 모델으로부터 얻어지는 두 가지 클래스를 형성한다.
더 정밀하게 말하면, 본 발명에 따른, 처리될 예비 데이터의 세트의 미리 결정된 유도체의 이러한 계산 및 필터링은, 처리될 데이터의 상기 예비 세트의 내부 서브세트에 적용되는(다르게 말하면, 상기 세트의 미리 결정된 내부 포인트에 적용됨) 이차식의 정밀한 중앙 차이(precise central differences), 및 내부 서브세트 밖에 위치된 처리될 데이터의 상기 예비 세트의 데이터에 대한 정밀한 일차 또는 이차 단방향 차이(unilateral differences)(역방향 또는 순방향)를 사용하여 계산되는 그래디언트를 결정하는 것으로 이루어짐으로써, 결과적으로 얻어지는 그레디언트가 처리되고 입력으로서 사용될 예비적 데이터 세트의 형상과 유사한 형상을 가지게 한다. 이러한 계산이 제 1 용량 예측기와 연관된 이진 표시자 또는 예를 들어 FI라고 불리는 클래스를 나타내는 변수에 적용되지 않는다는 것에 주의해야 한다.
다르게 말하면, 단계(50)에 따르면, 이전의 단계(48)에 이르기까지 획득되고 강화된 다섯 개의 클래스는, 별개의 이진 값, 즉 예를 들어 정상 동작과 연관된 클래스에 대해서는 FI=0, 및 사전-범람과 연관된 클래스에 대해서는 FI = 1과 각각 연관되는 두 개의 고유한 결과 클래스(FI)로 줄어든다.
범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)는 상기 러닝 모델(M)의 정상 동작(FI=0) 및 사전-범람(FI=1)과 각각 연관된 상기 두 개의 결과적인 클래스(FI)를 미리 결정된 샘플링 레이트에서 리샘플링(RS)하는 다섯 번째 단계(52)를 더 포함한다.
사실상, 이러한 두 개의 결과 클래스는 크기의 관점에서 균형을 이루지 않는데, 범람의 빈도가, 예를 들어 평균적으로 한 달에 여덟 번이기 때문에 정상 동작과 연관된 클래스의 크기는 사전-범람과 연관된 클래스의 크기보다 훨씬 크다. 이러한 목적을 위하여, 두 개의 결과 클래스들 사이의 복수 개의 샘플링 비율은, 예컨대 정상 동작과 연관된 클래스가 사전-범람과 연관된 클래스보다 열 배 많은 샘플을 가지는 경우에는 비율 10:1 을 가지고, 또는 비율 5:1, 비율 5:5 및 비율 5:10을 가지도록, 예를 들어 최선의 결과를 제공하기 위해서 단계(52) 도중에 테스트된다. 바람직하게는, 비율 5:5 또는 정상 동작과 연관된 클래스가 사전-범람과 연관된 클래스와 같은 수의 샘플을 가지는 경우가 리샘플링 단계(52) 도중에 본 발명에 따라서 사용된다.
범람을 예측하기 위한 머신 러닝 모델(M)의 구성하고 훈련시키는 페이즈(40)는 상기 러닝 모델(M)을 리샘플링 단계로부터 도달하는 모든 샘플을 사용하여 결정, 훈련 및 인증하는 여섯 번째 단계 T(54)를 더 포함한다.
특정 양태에 따르면, 단계(54) 도중에, 러닝 모델의 결정은, 특히, 리샘플링 단계로부터의 모든 샘플을 두 개의 별개의 서브세트로 분할함에 의한 교차-인증 접근법을 사용하여 수행되는데, 하나의 서브세트는 훈련에 전속되고 다른 서브세트는 러닝 모델(M)을 인정하는 것에 전속된다. 훈련에 전속되는 서브세트는 미리 결정된 개수의 별개의 교차-인증 서브세트들로 추가적으로 하위분할되고, 예를 들어 특히, 시간 지연에 의해서 후속하는 샘플 단계를 예측하기 위한 이전의 샘플 단계를 사용하는, 시간 데이터 시리즈에 대한 슬라이딩 윈도우 기법을 이용하여 처리된다.
사전에 수집된 데이터의 세트와 연관된 과거의 범람을 예측하기 위한 가장 효율적인 러닝 모델(M)의 결정이, 요구되고 미리 결정된 해석성(interpretability) 임계보다 큰 정도의 해석성을 가지는 미리 결정된 모델의 타입들의 목록 내에서 본 발명에 따라서 수집한다. 이러한 목록은, 예를 들어 다음 타입의 모델을 포함한다: 로지스틱스(logistic) 회귀, 결정 트리, 랜덤 포레스트, 인공 신경망 및 지원 벡터 머신 등.
이러한 목록 내의 각각의 모델의 성능은 모든 분류 임계에 대한 분류 모델의 성능을 나타내는 수신기 동작 특성(ROC) 곡선 아래의 AUC 면적을 사용하여 측정되고, 진실된 긍정판단(실제 범람)의 레이트를 거짓된 긍정판단(거짓 범람)의 레이트에 의존하여 표시한다.
예를 들어, 프랑스의 Donges 정유소에 있는, 예를 들어 대기 증류탑의 경우, 최선의 성능을 보여주는 러닝 모델(M)은 미리 결정된 개수의 추정기, 및 모든 리프들이 샘플을 가지지 않을(pure) 때까지 또는 모든 리프들이 두 개 미만의 샘플을 포함할 때까지 랜덤 포레스트의 각각의 노드를 확장시키도록 구성된 최대 깊이(maximum depth)를 포함하는 랜덤 포레스트 모델(random forest model)이다.
따라서, 앞서 언급된 모든 단계(44 내지 54)를 통하여, 머신 러닝 모델의 구성하고 훈련시키는 페이즈는, "사전-범람" 상황의 실시간 예측을 위해 사용하기 위한 가장 효율적인 러닝 모델(M)을 결정하고 훈련시키는 것을 가능하게 하는데, 더 이상 운영자가 범람 프로세스를 되돌리고 범람을 방지하기 위한 동작을 취할 수 있게 하지 않는 실제 범람 대신에, "사전-범람" 현상을 범람에 앞서서 약 60 분 먼저 예측하는 것은 본 발명에 고유한 것이다.
도 2 에서, 범람 예측 유닛(14)에 의해서 실시간으로 구현되는, 범람을 예측하는 동작 페이즈 B(42)는 이제 실시간으로 구현된 다음 단계들을 포함한다.
첫 번째 단계(56)에 따르면, 범람 예측 유닛(14)의 수집 모듈(16)은 미리 결정된 크기의 데이터 버퍼가 채워질 때까지 데이터 흐름(DC)을 수집(COLLECT_DC)하고, 현재 데이터 흐름의 각각의 데이터는 센서 시간 데이터와도 연관된다.
특히, 선택적인 상보적 양태에 따르면, 이러한 수집(COLLECT_DC)은 바람직하게는, 예를 들어 일 분당 하나의 데이터로 기록된 미리 결정된 압축비를 가지는 압축 단계(58)(COMP), 및 상기 압축비가 각각의 후속 수집 단계(56)에서 유지되는지 증명하는 단계(60; V)를 포함한다. 이러한 압축은 러닝 모델(M)의 후속하는 효율적인 훈련을 위해서 필요한 수집된 데이터의 품질을 유지하는 것을 가능하게 한다.
특히, 다른 선택적인 상보적 양태에 따르면, 수집(56) 이후에 현재 데이터 흐름(DC)의 데이터를, 범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)의 후속 반복을 위하여 데이터베이스(BD) 내의 이전에 수집된 데이터의 세트 내에 저장하는(S) 단계(62)가 후속되는데, 이것은 상기 머신 러닝 모델을 상기 예측하는 동작 페이즈(42)의 후속 반복을 위해서 업데이트한다. 범람을 예측하기 위한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40)는, 예를 들어 미리 결정된 개수의 실제 범람 이벤트가 일어난 이후에 업데이트를 위해서 재반복된다.
그러면 단계(64)에 따르면, 범람 예측 유닛(14)에 의해서 실시간으로 구현되는 범람을 예측하는 동작 페이즈 B(42)는, 데이터 버퍼로부터의 데이터를 미리 결정된 청정 및 분류에 의해서 전처리(PREP-P-C)하는 것을 포함하는데, 이것은 사전에 수집된 데이터를 사용한 머신 러닝 모델(M)의 구성하고 훈련시키는 페이즈(40) 동안에 구현된 것과 유사한 청정하고 분류된 데이터의 현재 세트를 전달한다.
사전에 수집된 데이터를 사용한 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40) 도중에 구현되는 바와 같은 동기화 단계(66; SYNC)도 전처리 단계(64)에 후속하는데, 이번에는 이러한 동기화를 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름과 연관된 데이터에 적용함으로써 진행되고, 이것은 청정하고 분류되며 동기화된 데이터의 현재 세트를 전달한다.
구성 및 훈련 페이즈(40) 동안에 수행된 것과 같은 방식으로, 이러한 동기화(66)는 센서들의 상기 세트(C1 내지 CN)의 각각의 센서의 위치의 함수로서 결정된 시간 지연(들)(TL)을 적용하는 것(68)을 포함한다.
그러면, 단계(70)에 따르면, 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 변수의 적어도 하나의 현재 값의 결정(DET-EF-C)이 구현되고, 처리될 데이터의 현재 세트를 형성하기 위해서, 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가된다.
단계(72)에 따르면, 변환된 데이터의 현재 세트의 형성이 처리될 데이터의 현재 세트의 미리 결정된 유도체를 계산함(DERIV)으로써 구현된다.
마지막으로, 단계(74)에 따르면, 상기 러닝 모델(M)을 변환된 데이터의 상기 현재 세트에 적용함으로써 상기 적어도 하나의 증류탑의 현재 상태를 예측하는 것이 구현되고, 상기 현재 상태는 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응한다.
특히, 선택적인 보충 양태에 따르면, 예측 단계(74)는 확률을 결정하고(PROB), 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값을 얻기 위해서 이것을 단계(76) 도중에 미리 결정된 확률 임계와 비교한다.
범람 예측 유닛(14)에 의해서 실시간으로 구현되는, 범람을 예측하는 동작 페이즈 B(42)는, 상기 적어도 하나의 증류탑의 현재 상태를 예측(74)한 이후에, 상기 예측하는 단계(74) 도중에 미리 결정된 확률 임계보다 큰 연관된 확률 값을 가지는 현재의 사전-범람의 존재를 나타내는 이진 값을 획득하는 경우, 경고를 생성하고(ALERT), 정유소(R) 내에 위치된 적어도 한 명의 운영자에게, 특히 스크린(E)을 통하여 반환하는 단계(78)를 더 포함한다.
실시간 처리를 위한 실용적 양태에 따르면, 버퍼 내의 수집된 가장 최근 데이터에 후행하는 데이터의 수집이 가능해지게 하기 위해서, 예측이 얻어지자마자 버퍼 내에 수집된 가장 오래 된 데이터가 삭제되고, 그리고 단계(64 내지 68)가 재반복되는 식으로 진행한다.
다르게 말하면, 범람 예측 유닛(14)에 의해 구현되는 바와 같은, 범람을 예측하는 동작(42) 페이즈 B 도중에, 현재 데이터 흐름의 데이터가 사전에 수집된 데이터가 있는 머신 러닝 모델(M)의 구성 및 훈련 페이즈(40) 도중에 수행된 것과 유사한 방식으로 처리됨으로써, 러닝 모델(M)이 청정하고 분류되며 동기화되고 풍부해진(enriched) 데이터에 대응하여 처리될 데이터의 현재 세트를 사용함으로써 효율성을 가지게 된다.
따라서 본 발명에 따라서 정유소의 적어도 하나의 증류탑의 범람을 예측하는 방법이 정유소의 증류탑 내의 범람 위험을 특히 실시간으로 그리고 사전에 분석하기 위해서 사용된다는 것이 이해될 것이다. 이러한 접근법을 사용하면, 이와 같은 범람 대신에 정유소의 상기 증류탑(들)의 사전-범람이 검출되기 때문에 정유소의 증류탑(들)을 위한 운영자에게 조기 경고를 전송하는 것이 가능해지고, 그러면 운영자가 범람이 발생하고 누설 또는 적어도 증류탑의 효율의 손실의 원인이 되기 이전에 대응할 수 있게 하고, 범람에 노출될 수 있는 증류탑의 고장시간을 감소시키고 연관된 증류 프로세스의 안전성을, 특히, 동작 중의 차이 또는 불일치를 식별하기 위해서 정유소 또는 정유소 유닛의 성능이 하나 이상의 프로세스 모델에 의해서 예측된 성능과 비교되는 미국 특허 번호 2018/275690 A1과 비교할 때 개선시키는 것이 가능해지게 되며, 본 발명은 정유소의 증류탑(들) 내의 이와 같은 범람에 대응하는 오동작의 존재보다 시간에 있어서 선행하는 해결책을 제안한다.
따라서, 본 발명에 따른 해결책은 성능의 손실을 피할 수 있게 하는데, 이것은 문서 미국 특허 번호 2018/275690 A1에 따르면 이러한 오동작의 원인의 정밀한 측위 및 정유소의 증류탑(들) 내의 범람의 국지적 검출이 없이, 그리고 심지어 정유소 증류탑(들) 내의 사전-범람이 없이 증류탑(들)의 전체 오동작을 검출하기 위해서 필요한 것이다.
Claims (11)
- 머신 러닝에 의해 구현된, 정유소의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 방법(38)으로서,
- 미리 결정된 이전 기간 동안에 사전에 그리고 적어도 정유소의 센서들의 세트로부터 수집된 데이터의 세트로부터 획득된, 범람을 예측하기 위한 머신 러닝 모델을 구성하고 훈련시키는 페이즈(40) - 각각의 수집된 데이터는 센서 시간 데이터와 연관됨 -; 및
- 범람을 예측하기 위한 동작 페이즈(42)를 포함하고, 상기 동작 페이즈는:
- 정유소의 상기 센서들의 세트로부터, 미리 결정된 크기의 데이터 버퍼가 채워질 때까지 현재 데이터 흐름을 수집하는 단계(56) - 현재 데이터 흐름의 각각의 데이터는 상기 센서 시간 데이터와 더 연관됨 -,
- 청정하고 분류된 데이터의 현재 세트의 미리 결정된 청정화(cleansing) 및 분류 전달에 의하여 데이터 버퍼로부터의 데이터를 전처리하는 단계(64),
- 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름의 데이터와 연관된 센서 시간 데이터를 동기화하고, 청정하고 분류되며 동기화된 데이터의 현재 세트를 전달하는 단계(66),
- 상기 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 변수의 적어도 하나의 현재 값을 결정하고, 처리될 데이터의 현재 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가하는 단계(70), 및
- 처리될 데이터의 현재 세트의 미리 결정된 유도체(derivative)를 계산함으로써, 변환된 데이터의 현재 세트를 형성하는 단계(72), 및
- 상기 러닝 모델을 상기 변환된 데이터의 현재 세트에 적용함으로써 상기 적어도 하나의 증류탑의 현재 상태를 예측하는 단계(74) - 상기 현재 상태는 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응함 -
를 포함하는, 예측 방법(38). - 제 1 항에 있어서,
상기 범람을 예측하기 위한 머신 러닝 모델을 구성 및 훈련하는 페이즈(40)는,
- 청정하고 분류된 데이터의 예비 세트를 전달하는 미리 결정된 청정 및 분류에 의하여, 사전에 수집된 데이터의 세트를 전처리하는 단계(44),
- 청정하고 분류된 데이터의 예비 세트 중 수집된 데이터와 연관된 센서 시간 데이터를 동기화하여, 청정하고 분류되며 동기화된 데이터의 예비 세트를 전달하는 단계(46),
- 상기 청정하고 분류되며 동기화된 데이터의 예비 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 예비적 성능을 나타내는 변수의 적어도 하나의 값을 결정하고, 처리될 데이터의 예비 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 상기 청정하고 분류되며 동기화된 데이터의 예비 세트에 추가하는 단계(48),
- 처리될 데이터의 예비 세트의 미리 결정된 유도체를 계산 및 필터링함으로써 상기 러닝 모델에 회귀를 수행하여, 상기 적어도 하나의 증류탑의 정상 동작 및 상기 적어도 하나의 증류탑의 사전-범람 각각과 연관된, 상기 러닝 모델로부터 초래되는 두 가지 클래스를 형성하는 단계(50),
- 상기 러닝 모델으로부터 초래되는 상기 두 가지 클래스를 미리 결정된 샘플링 레이트에서 리샘플링하는 단계(52),
- 상기 리샘플링하는 단계로부터 얻어지는 모든 샘플을 사용하여 상기 러닝 모델을 결정, 훈련 및 인증하는 단계(54)를 포함하는, 예측 방법(38). - 제 2 항에 있어서,
상기 범람을 예측하기 위한 머신 러닝 모델을 구성 및 훈련하는 페이즈 내에 구현된 및/또는 상기 범람을 예측하기 위한 동작 페이즈 내에 구현된 동기화(46, 66)는,
상기 센서들의 세트의 각각의 센서의 위치의 함수로서 결정된 시간 지연(들)을 적용하는 것(47, 68)을 포함하는, 예측 방법(38). - 앞선 청구항 중 어느 한 항에 있어서,
상기 러닝 모델은, 미리 결정된 개수의 추정기, 및 모든 리프들(leaves)이 샘플을 가지지 않을(pure) 때까지 또는 모든 리프들이 두 개 미만의 샘플을 포함할 때까지 랜덤 포레스트의 각각의 노드를 확장시키도록 구성된 최대 깊이(maximum depth)를 포함하는 랜덤 포레스트 모델(random forest model)인, 예측 방법(38). - 제 2 항 내지 제 4 항 중 어느 한 항에 있어서,
적어도 하나의 현재 성능을 나타내는 현재 변수 및/또는 적어도 하나의 종래의 성능을 나타내는 변수는,
- 적어도 하나의 증류탑 내의 총유량(gross flow-rate)의 변동,
- 미리 결정된 역류 유량 세트포인트와 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집된 역류 유량 사이의 차이에 대응하는 범람 특성,
- 인출 트레이(draw tray)의 액체-기체비(liquid-vapor ratio) 대 역류비(reflux ratio)의 비율에 대응하는, 적어도 하나의 증류탑의 상부 재순환 표시자(upper recirculation indicator) - 상기 액체-기체비 및 역류비는 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집됨 -,
- 적어도 동작 페이즈 또는 구성 페이즈와 연관된 데이터 수집 단계 도중에 측정되고 수집된 적어도 하나의 증류탑의 온도 및 압력 데이터로부터 결정된 위험 표시자,
- 미리 결정된 이론적 수학식 및 연관된 이진 표시자로부터 획득된 범람 표시자,
- 상기 적어도 하나의 증류탑의 위치에 대하여 별개의 위치에 위치된 상기 센서들의 세트 중 적어도 두 개의 센서로부터 획득된, 미리 결정된 온도차 및 비율들의 세트,
- 재료 균형,
- 엔탈피를 적어도 포함하는 군에 속하는 타입인, 예측 방법(38). - 앞선 청구항 중 어느 한 항에 있어서,
상기 예측하는 단계(74)는 확률을 상기 이진 값과 연관시키고,
상기 방법은,
상기 적어도 하나의 증류탑의 현재 상태를 예측한 이후에, 상기 예측하는 단계 도중에 미리 결정된 확률 임계보다 큰 연관된 확률 값을 가지는 현재의 사전-범람의 존재를 나타내는 이진 값을 획득하는 경우, 경고를 생성하고 정유소 내에 위치된 적어도 한 명의 운영자에게 반환하는 단계(78)를 더 포함하는, 예측 방법(38). - 앞선 청구항 중 어느 한 항에 있어서,
상기 방법은,
범람을 예측하기 위한 머신 러닝 모델의 구성하고 훈련시키는 페이즈의 후속 반복을 위하여, 현재 데이터 흐름의 데이터를 사전에 수집된 데이터의 세트 내에 저장하여, 상기 예측하는 동작 페이즈의 후속 반복을 위하여 상기 머신 러닝 모델을 업데이트하는 단계(62)를 더 포함하는, 예측 방법(38). - 앞선 청구항 중 어느 한 항에 있어서,
상기 방법은,
현재 데이터 흐름의 수집 도중에 구현되고 미리 결정된 압축비를 가지는 압축 단계(58) 및 상기 압축비가 각각의 후속 수집 단계에서 유지된다고 검증하는 단계를 포함하는, 예측 방법(38). - 컴퓨터에 의하여 실행될 때, 앞선 청구항 중 어느 한 항에 따른 예측 방법을 구현하는 소프트웨어 명령을 포함하는 컴퓨터 프로그램.
- 머신 러닝에 의해 구현된, 정유소의 적어도 하나의 증류탑 내의 범람을 예측하기 위한 시스템(10)으로서,
적어도 하나의 데이터베이스를 포함하고,
- 미리 결정된 이전 기간 동안에 사전에 수집되고 상기 데이터베이스 내에 저장된 데이터로부터, 그리고 적어도 정유소의 센서들의 세트로부터 획득된, 범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 모듈(12) - 각각의 수집된 데이터는 센서 시간 데이터와 연관됨 -; 및
- 범람 예측유닛(14A, 14B)을 더 포함하며,
상기 범람 예측 유닛은,
- 미리 결정된 크기의 데이터 버퍼 및 정유소의 상기 센서들의 세트로부터, 상기 미리 결정된 크기의 데이터 버퍼가 채워질 때까지 현재 데이터 흐름을 수집하도록 구성된 수집 모듈(16) - 현재 데이터 흐름의 각각의 데이터는 센서 시간 데이터와 더 연관됨 -,
- 청정하고 분류된 데이터의 현재 세트를 전달하는 미리 결정된 청정화 및 분류에 의하여, 상기 데이터 버퍼로부터의 데이터를 전처리하도록 구성된 전처리 모듈(20),
- 청정하고 분류된 데이터의 현재 세트 중 현재 수집된 데이터 흐름의 데이터와 연관된 센서 시간 데이터를 동기화하여 청정하고 분류되며 동기화된 데이터의 현재 세트를 전달하도록 구성된 동기화 모듈(22),
- 상기 청정하고 분류되며 동기화된 데이터의 현재 세트로부터, 상기 적어도 하나의 증류탑의 적어도 하나의 현재 성능을 나타내는 변수의 적어도 하나의 현재 값을 결정하고, 처리될 데이터의 현재 세트를 형성하기 위하여 상기 변수의 적어도 하나의 값을 청정하고 분류되며 동기화된 데이터의 현재 세트에 추가하도록 구성된 결정 모듈(24),
- 처리될 데이터의 현재 세트의 미리 결정된 유도체(derivative)를 계산함으로써, 변환된 데이터의 현재 세트를 형성하도록 구성된 형성 모듈(26), 및
- 상기 러닝 모델을 상기 변환된 데이터의 현재 세트에 적용함으로써 상기 적어도 하나의 증류탑의 현재 상태를 예측하도록 구성된 예측 모듈(28) - 상기 현재 상태는 현재의 사전-범람의 존재 또는 부재 중 어느 하나를 나타내는 이진 값에 대응함 -
을 포함하는, 범람 예측 시스템(10). - 제 10 항에 있어서,
- 상기 수집 모듈(16)은 상기 정유소 자체 내에 위치되고,
- 상기 범람 예측 유닛의 범람을 예측하기 위한 머신 러닝 모델의 예비적 구성 및 훈련을 위한 유닛(12), 데이터 버퍼, 전처리 모듈, 동기화 모듈, 결정 모듈, 형성 모듈 및 예측 모듈은 상기 정유소의 외부에 있고 클라우드 컴퓨팅으로 조직화되며,
상기 수집 모듈(16)은 상기 데이터 버퍼를 직접적으로 로드하기에 더 적합하고,
상기 예측 시스템은, 상기 적어도 하나의 증류탑의 현재 상태의 예측을 나타내고 상기 정유소 내의 적어도 한 명의 운영자에게 상기 예측 시스템의 반환 수단을 통하여 반환되기에 적합한 정보를 수신하도록 구성된 수신 모듈을 더 포함하는, 범람 예측 시스템(10).
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FRFR2002636 | 2020-03-18 | ||
| FR2002636A FR3108415B1 (fr) | 2020-03-18 | 2020-03-18 | Procédé de prédiction d’engorgement(s) de colonne(s) de distillation d’une raffinerie, programme d’ordinateur et système de prédiction associé |
| PCT/EP2021/056787 WO2021185889A1 (fr) | 2020-03-18 | 2021-03-17 | Procédé de prédiction d'engorgement(s) de colonne(s) de distillation d'une raffinerie, programme d'ordinateur et système de prédiction associé |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220156051A true KR20220156051A (ko) | 2022-11-24 |
Family
ID=70804779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227036215A KR20220156051A (ko) | 2020-03-18 | 2021-03-17 | 명칭 정유소 내의 증류탑(들)의 막힘을 예측하기 위한 방법, 컴퓨터 프로그램 및 연관된 예측 시스템 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US12055926B2 (ko) |
| EP (1) | EP4121830B1 (ko) |
| JP (1) | JP2023518537A (ko) |
| KR (1) | KR20220156051A (ko) |
| CN (1) | CN115427905A (ko) |
| CA (1) | CA3171103A1 (ko) |
| FR (1) | FR3108415B1 (ko) |
| WO (1) | WO2021185889A1 (ko) |
Families Citing this family (2)
| 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 |
| CN115511666B (zh) * | 2022-11-14 | 2023-04-07 | 成都秦川物联网科技股份有限公司 | 用于智慧燃气的门站滤芯更换预测方法和物联网系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6735541B2 (en) * | 2001-02-16 | 2004-05-11 | Exxonmobil Research And Engineering Company | Process unit monitoring program |
| TWI287621B (en) | 2006-09-15 | 2007-10-01 | Sin Etke Technology Co Ltd | Precision positioning system for vehicles |
| CN101529354A (zh) * | 2006-09-28 | 2009-09-09 | 费舍-柔斯芒特系统股份有限公司 | 焦化加热器中的异常情况预防 |
| CN106556549B (zh) * | 2016-10-28 | 2019-07-19 | 中国石油化工股份有限公司 | 一种炼油厂常压蒸馏塔塔顶结垢速率测试的方法和装置 |
| US10754359B2 (en) * | 2017-03-27 | 2020-08-25 | Uop Llc | Operating slide valves in petrochemical plants or refineries |
| CN109242197A (zh) * | 2018-09-26 | 2019-01-18 | 深圳埃克斯工业自动化有限公司 | 炼油厂原油精炼调度方法及装置 |
| 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 |
| US11531328B2 (en) * | 2020-04-17 | 2022-12-20 | Accenture Global Solutions Limited | Monitoring and controlling an operation of a distillation column |
| FR3124868B1 (fr) * | 2021-07-01 | 2023-09-08 | Totalenergies Se | Procédé de contrôle d’un système et produit programme d’ordinateur associé |
-
2020
- 2020-03-18 FR FR2002636A patent/FR3108415B1/fr active Active
-
2021
- 2021-03-17 EP EP21711893.4A patent/EP4121830B1/fr active Active
- 2021-03-17 US US17/910,869 patent/US12055926B2/en active Active
- 2021-03-17 WO PCT/EP2021/056787 patent/WO2021185889A1/fr active Application Filing
- 2021-03-17 CA CA3171103A patent/CA3171103A1/en active Pending
- 2021-03-17 CN CN202180022149.8A patent/CN115427905A/zh active Pending
- 2021-03-17 JP JP2022555907A patent/JP2023518537A/ja active Pending
- 2021-03-17 KR KR1020227036215A patent/KR20220156051A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| US12055926B2 (en) | 2024-08-06 |
| FR3108415A1 (fr) | 2021-09-24 |
| WO2021185889A1 (fr) | 2021-09-23 |
| CA3171103A1 (en) | 2021-09-23 |
| FR3108415B1 (fr) | 2022-04-01 |
| US20230119842A1 (en) | 2023-04-20 |
| EP4121830B1 (fr) | 2024-08-28 |
| CN115427905A (zh) | 2022-12-02 |
| EP4121830A1 (fr) | 2023-01-25 |
| JP2023518537A (ja) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
| KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| US8285513B2 (en) | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes | |
| JP6493389B2 (ja) | システム分析装置、分析モデル生成方法、システム分析方法およびシステム分析プログラム | |
| KR20220156051A (ko) | 명칭 정유소 내의 증류탑(들)의 막힘을 예측하기 위한 방법, 컴퓨터 프로그램 및 연관된 예측 시스템 | |
| KR102627062B1 (ko) | 비정상 장비 트레이스 검출 및 분류 | |
| CN108776831A (zh) | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 | |
| US20120330631A1 (en) | Method and System of Using Inferential Measurements for Abnormal Event Detection in Continuous Industrial Processes | |
| CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| JP7031743B2 (ja) | 異常検知装置 | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| GB2562465A (en) | Recording data from flow networks | |
| US20230221684A1 (en) | Explaining Machine Learning Output in Industrial Applications | |
| CN116610105A (zh) | 一种基于数据融合的轧机机械运行故障监测方法及系统 | |
| CN117171157A (zh) | 基于数据分析的清算数据采集清洗方法 | |
| CN108470699B (zh) | 一种半导体制造设备和工艺的智能控制系统 | |
| CN114139446A (zh) | 一种用于特殊精馏过程组分在线检测软测量方法 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN112801426A (zh) | 一种基于关联参数挖掘的工业过程故障融合预测方法 | |
| CN110597889A (zh) | 一种基于改进的Apriori算法的机床故障预测方法 | |
| CN113496332B (zh) | 工业互联网故障预测方法和系统 | |
| CN113849479A (zh) | 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法 | |
| CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 | |
| Ochoa-Estopier et al. | Prediction of flooding in distillation columns using machine learning | |
| KR20120074630A (ko) | 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 |