NO338660B1 - System og fremgangsmåte for detektering av unormale hendelser under drift av kontinuerlige industrielle prosesser - Google Patents
System og fremgangsmåte for detektering av unormale hendelser under drift av kontinuerlige industrielle prosesser Download PDFInfo
- Publication number
- NO338660B1 NO338660B1 NO20071830A NO20071830A NO338660B1 NO 338660 B1 NO338660 B1 NO 338660B1 NO 20071830 A NO20071830 A NO 20071830A NO 20071830 A NO20071830 A NO 20071830A NO 338660 B1 NO338660 B1 NO 338660B1
- Authority
- NO
- Norway
- Prior art keywords
- models
- model
- measurements
- abnormal
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 255
- 230000002159 abnormal effect Effects 0.000 title claims description 92
- 238000004519 manufacturing process Methods 0.000 title claims description 25
- 230000008569 process Effects 0.000 claims description 219
- 238000005259 measurement Methods 0.000 claims description 138
- 238000000513 principal component analysis Methods 0.000 claims description 85
- 238000012549 training Methods 0.000 claims description 35
- 238000001311 chemical methods and process Methods 0.000 claims description 21
- 238000011112 process operation Methods 0.000 claims description 21
- 238000007670 refining Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims 1
- 230000000903 blocking effect Effects 0.000 description 20
- 238000004886 process control Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 15
- 230000009466 transformation Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 229920006395 saturated elastomer Polymers 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000000844 transformation Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000003339 best practice Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 238000004821 distillation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004540 process dynamic Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001595 flow curve Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000005514 two-phase flow Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Organic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
Description
Bakgrunn for oppfinnelsen
[0001] Nærværende oppfinnelse gjelder i sin videste forstand hvordan man kan unngå at problemer med prosess og utstyr eskalerer til alvorlige ulykker. Dette oppnås ved for det første å forsyne operatøren med tidlig varsling om utvikling av et problem ved prosess eller utstyr før alarmsystemet blir aktivert, og ved så å forsyne operatøren med nøkkelinformasjon for å lokalisere og diagnostisere årsaken til problemet.
[0002] I petrokjemisk industri kan unormale operasjoner ha betydelige økonomiske følger (tapt produksjon, skade på utstyr), kan føre til miljøutslipp, samt i alvorligere tilfeller sette menneskeliv i fare. Et industrielt konsortium har anslått at unormale hendelser kan koste mellom 3 % og 8 % av produksjonskapasiteten, hvilket overstiger 10 milliarder USD for den petrokjemiske industrien i USA.
[0003] Unormale tilstander oppstår vanligvis pga. svikt i feltutstyr (slik som instrumentering, styreventiler og pumper) eller en eller annen slags prosessforstyrrelse som fører til at fabrikkoperasjoner avviker fra den normale driftstilstanden. Spesielt kan en uoppdaget feil ved viktig instrumentering eller andre innretninger som inngår i prosessreguleringssystemet føre til at styresystemet driver prosessen inn i en uønsket og farlig tilstand. Tidlig oppdagelse av disse feilene gjør at driftsteamet kan gripe inn før styresystemet eskalerer feilen til en mer alvorlig hendelse.
[0004] Den gjeldende kommersielle praksisen er å gjøre konsolloperatøren oppmerksom på et prosessproblem via prosessalarmer. Disse prosessalarmene blir definert ved å innstille sikre driftsområder for de viktigste prosessmålingene (temperaturer, trykk, strømmer, nivåer og sammensetninger). Operatøren får en alarm når det sikre driftsområdet for en måling overskrides. I gjeldende kommersiell praksis er innstillingen av disse alarmområdene en fin balanse mellom å gi operatøren tilstrekkelig tid til å respondere på prosessproblemet og å overvelde operatøren med en flom av alarmer. Ofte blir de sikre driftsområdene for viktige prosessmålinger sjenerøst innstilt for å redusere alarmer av mindre viktighet. Den negative følgen av disse vide driftsområdene er at unormale tilstander kan bli for langt fremskredet og operatøren får for liten tid til å korrigere den unormale hendelsen.
[0005] I det seneste tiåret har noen industrier, særlig innen stålstøping (USA patent 7), papirmasse og papir (USA patent 3) og halvlederkomponenttilvirking (USA patent 1) begynt å benytte multivariante statistiske modeller (hovedkomponentanalyse - principal components analysis, PCA, samt partielle minste kvadrater - partial least squares, PLS) for overvåking av komplekse industrielle prosesser. Den vanlige fremgangsmåten er først å identifisere et bestemt prosessproblem og dernest å bygge en PCA-modell som er spesielt konstruert for å innfange prosessproblemet. Denne modellen kjøres online for å generere statistiske indekser for driften. En melding blir gitt til prosessoperatøren, basert på overskridelse av viktige statistiske grenser (sum av kvadratprediksjonsfeil og Hotelling T-kvadrat) beregnet ut fra modellen. Operatørene blir så informert om en prioritetsliste over de originale innverdiene, som utgjør de viktigste bidragene til de statistiske indeksene.
[0006] For enhver industri vil karakteristikken av prosessdriften og de relaterte prosessdataene kreve modifikasjoner av fremgangsmåten for å utvikle multivariante statistikkmodeller og påfølgende bruk av disse et onlinesystem. Uten disse modifikasjonene kan det finnes et antall tekniske problemer som begrenser brukbarheten av å benytte modeller for online prosessovervåking. Disse tekniske problemene kan føre til at de statistiske indeksene har signifikante feil av Type I og Type II (falske positiver og tapte unormale hendelser).
Sammenfatning av oppfinnelsen
[0007] Hendelser og forstyrrelser av ulike størrelser vil hele tiden påvirke prosessoperasjoner. Som regel blir disse hendelser og forstyrrelser ivaretatt av prosessreguleringssystemet. Imidlertid kreves det at operatøren foretar uplanlagte inngrep i prosessdriften når prosessreguleringssystemet ikke klarer å håndtere prosesshendelsen. Vi definerer denne situasjonen som en unormal driftssituasjon, og årsaken som en unormal hendelse.
[0008] Det er utviklet en metodologi og system for å opprette og utplassere online modellsett som brukes til å detektere unormal drift og hjelpe operatøren med å isolere stedet for primærårsaken i en industriprosess, spesielt ved en kontinuerlig prosess. I en foretrukket utførelse er nærværende oppfinnelse anvendt på en kjemisk prosess eller raffineriprosess. Nærmere bestemt på en petrokjemisk prosess. I en foretrukket utførelse benytter modellene hovedkomponentanalyse (PCA). Disse modellsettene er sammensatt av både enkle modeller som representerer kjente tekniske sammenhenger og modeller for hovedkomponentanalyse (PCA) som representerer normale datamønstre som eksisterer innenfor historiske databaser. Resultatene fra disse mange modellberegningene blir kombinert til et lite antall oppsummerte tidstrender som tillater at prosessoperatøren lett kan overvåke hvorvidt prosessen går inn i unormal drift.
[0009] Figur 1 viser hvordan informasjon i onlinesystemet flyter gjennom de ulike transformasjonene, modellberegningene, fuzzy Petri-nettene og konsolideringene og kommer til en oppsummeringstrend som indikerer normaliteten/unormaliteten i prosessområdene. Hjertet i dette systemet er de ulike modellene som blir brukt til å overvåke normaliteten ved prosessoperasj onene.
[0010] PCA-modellene som blir beskrevet i nærværende oppfinnelse er tiltenkt å overvåke i vidt omfang kontinuerlige raffineringsprosesser og kjemiske prosesser og raskt å oppdage utstyrsproblemer og prosessproblemer som måtte være under utvikling. Hensikten er å sørge for full overvåking av alle operasjoner i prosessutstyr og prosess som ligger under ansvarsområdet til en bestemt konsolloperatørpost. Dette kan omfatte mange større driftsenheter i raffineri eller kjemisk prosessering (feks. destillasjonstårn, reaktorer, kompressorer, varmevekslerkjeder osv.) som har hundrevis til tusenvis av prosessmålinger. Overvåkingen er beregnet til å oppdage problemer som utvikler seg på en tidsskala av minutter til timer, i motsetning til gradvis ytelsesdegradering. Prosess-og utstyrsproblemer trenger ikke være spesifisert på forhånd. Dette i motsetning til bruken av PCA-modeller nevnt i litteraturen, som er strukturert for å detektere et bestemt, viktig prosessproblem og å dekke en langt mindre andel av prosessoperasj onene.
[0011] Får å nå dette målet omfatter fremgangsmåten for utvikling og utplassering av PCA-modell et antall nye utvidelser som kreves for at de kan brukes ved kontinuerlige raffinerings- og kjemiske prosesser, inkludert følgende:
• kriteria for opprettelse av utstyrsomfanget for PCA-modellene
• kriteria og fremgangsmåter for utvelgelse, analyse og transformering av måleverdier • utvikling av multivariante statistikkmodeller basert på en variant av hovedkomponentanalyse, PCA • utvikling av modeller basert på enkle tekniske sammenhenger som restrukturerer de tilhørende statistiske indekser • preprosessering av onlinedataene for å gi unntaksberegninger og kontinuerlig modelloppdatering online
• bruk av fuzzy Petri-nett til å tolke modellindekser som normale eller unormale
• bruk av fuzzy Petri-nett til å kombinere multiple modell-utverdier til en enkelt kontinuerlig sammendragsindikasjon på normalitet/unormalitet for et prosessområde • konstruksjon av operatørinngrep i modellene og fuzzy Petri-nett slik at de gjenspeiler operasjoner og vedlikeholdsaktiviteter
[0012] Disse utvidelsene er nødvendige for å håndtere karakteristika ved kontinuerlig drift av raffinerier og kjemiske fabrikker og tilhørende datakarakteristika, slik at PCA og enkle tekniske modeller kan brukes virkningsfullt. Disse utvidelsene medfører fordelen av å unngå mange av Type I- og Type II-feilene, og de gir hurtigere indikasjoner på unormale hendelser.
[0013] Dette avsnittet vil ikke gi en generell bakgrunn for PCA. For en slik henvises det til en standard lærebok, slik som E. Jackson: «A User's Guide to Principal Component Analysis» (2)
[0014] Klassisk PCA-teknikk gjør følgende statistiske antagelser som alle til en viss grad brytes av dataene som blir generert av normale kontinuerlige raffineringsoperasjoner og kjemiske prosessoperasj oner:
1. Prosessen er stasjonær - middelverdi og varians er konstant over tid.
2. Krysskorrelasjonen mellom variabler er lineær over området med normale prosessoperasj oner.
3. Tilfeldige variable fra prosesstøy er innbyrdes uavhengige.
4. Kovariansmatrisen for prosessvariablene er ikke degenerert (dvs. positiv semi-bestemt). 5. Dataene er skalert "passende" (standard statistisk fremgangsmåte er å skalere til enhetsvarians). 6. Det finnes ingen (ukompensert) prosessdynamikk (idet en standard partiell kompensasjon for dette er inkludering av etterhengsvariable i modellen).
7. Alle variabler har noen grad av krysskorrelasjon.
8. Dataene har en multivariant normalfordeling.
[0015] Følgelig blir det gjort ulike justeringer når det gjelder valg, analyse og transformering av inngangsverdier og den etterfølgende byggingen av PCA-modellen, for å evaluere og kompensere for graden av overskridelse.
[0016] Etter at disse PCA-modellene er utplassert online, krever modellberegningene spesifikk unntaksprosessering for å fjerne virkningen av kjente drifts- og vedlikeholdsaktiviteter, for å deaktivere feilaktige eller «bad acting» innverdier, for å tillate operatøren å observere og erkjenne forplantningen av en hendelse gjennom prosessen, og automatisk å gjenopprette beregningene når prosessen er tilbake til det normale.
[0017] Bruk av PCA-modeller er supplementert av enkle redundanskontroller som er basert på kjente tekniske sammenhenger som må være til stede under normal drift. Dette kan være så enkelt som kontroll av fysisk redundante målinger eller så komplekst som materialforhold og tekniske balanseforhold.
[0018] Den enkleste form for redundanskontroll er enkle 2x2-sjekker, f.eks.
• temperatur 1 = temperatur 2
• strøm 1 = ventilkarakteristikk-kurve 1 (stilling av ventil 1)
• materialflyt inn i prosessenhet 1 = materialflyt ut av prosessenhet 1
[0019] Disse blir vist for operatøren som enkle x-y-kurver, slik som ventilflytkurven på figur 2. Hver kurve har et areal med normal drift, vist på denne kurven som et grått område. Operasjoner utenfor dette området blir signalisert som unormale.
[0020] Multippel redundans kan også sjekkes via en enkelt multidimensjonal modell. Eksempler på multi dimensjonal redundans er:
• trykk 1 = trykk 2 = ....= trykk n
materialflyt inn i prosessenhet 1 = materialflyt ut av prosessenhet 1 = ... = materialflyt inn i prosessenhet 2
[0021] Multidimensjonale kontroller er representert av «PCA-lignende» modeller. På figur 3 er det tre uavhengige og redundante mål, XI, X2, og X3. Når X3 måtte blir endret med én, endrer XI seg med ai3, og X2 endrer seg med a23. Dette settet med sammenhenger er uttrykt som en PCA-modell med en enkelt hovedkomponent-retning P. Denne typen av modell blir presentert for operatøren på liknende måte som de brede PCA-modellene. Tilsvarende som med de todimensjonale redundanskontrollene viser det grå arealet området med normal drift. Hovedkomponentlastingene av P er direkte beregnet fra konstruksjonsligningene, ikke på den tradisjonelle måten med å bestemme P fra retningen med størst variabilitet.
[0022] Karakteristika ved prosessoperasj onen krever unntaksoperasjoner for å holde disse sammenhengene nøyaktige over det normale området for prosessoperasj oner og normale endringer i feltutstyr og vedlikeholdsaktiviteter.
[0023] Eksempler på unntaksoperasjoner er:
• åpning av shuntventiler rundt strømningsmålere
• kompensering for oppstrøms/nedstrøms trykkendringer
• rekalibrering av feltmålinger
• omdirigering av prosesstrømmer basert på driftsmoduser
[0024] PCA-modellene og de tekniske redundanskontrollene blir kombinert ved hjelp av fuzzy Petri-nett for å forsyne prosessoperatøren med en fortløpende sammendragsindikasjon på normaliteten hos prosessoperasj onene under hans kontroll (figur 4).
[0025] Multiple statistiske indekser blir dannet ut fra hver PCA-modell, slik at indeksene svarer til konfigurasjon og hierarki i prosessutstyret som prosessoperatøren behandler. Følsomheten av indeksen for den tradisjonelle summen av kvadrert prediksjonsfeil (Squared Prediction Error, SPE) blir forbedret ved å danne delsettindekser som bare inneholder tilskuddet til SPE-indeksen for de innverdiene som kommer fra utvalgte deler av det fulle prosessområdet som dekkes av PCA-modellen. Hver statistisk indeks fra PCA-modellene blir matet inn i et fuzzy Petri-nett for å konvertere indeksen til en null-til-en-skala, som fortløpende angir området fra normal drift (verdien null) til unormal drift (verdien én).
[0026] Hver redundanskontroll blir også konvertert til en kontinuerlig indikering av normal - unormal ved bruk av fuzzy-nett. Det brukes to ulike indekser til disse modellene for å angi unormalitet: avvik fra modellen og avvik utenfor driftsområdet (vist på figur 3). Disse avvikene er ekvivalente med indeksene for summen av kvadratet av feilen og Hotelling T-kvadrat for PCA-modellene. For kontroller med dimensjon større enn to er det mulig å identifisere hvilken innverdi som har et problem. På figur 3, fordi X3-X2-forholdet fortsatt er innenfor den normale konvolutten, gjelder problemet innverdi en XI. Hvert awiksmål blir konvertert av fuzzy Petri-nettet til en skala fra null til én som fortløpende vil angi området fra normal drift (verdien null) til unormal drift (verdien én).
[0027] For hvert prosessområde under operatørens ansvarsområde blir det aktuelle settet av normal - unormal-indikatorer kombinert i en enkelt normal - unormal-indikator. Dette gjøres ved hjelp av fuzzy Petri-logikk for å velge en verste tilfelle-indikering av unormal drift. På denne måten har operatøren et sammendrag på høyt nivå av alle kontrollene i prosessområdet. Dette avsnittet vil ikke gi en generell bakgrunn om fuzzy Petri-nett. Lesere henvises til Cardoso et al: Fuzzy Petri Nets: An Overview ( 1).
[0028] En oversikt over prosessen for å utvikle en unormal hendelses-applikasj on er vist på figur 5. Den grunnleggende utviklingsstrategien er iterativ, der utvikleren starter med en grov modell og deretter forbedrer denne modellens ytelse etter hvert, ut fra observasjon av hvor godt modellen representerer de virkelige prosessoperasj onene under normal drift så vel som under unormal drift. Modellene blir så omstrukturert og innkjørt på nytt på grunnlag av disse observasjonene.
Kort beskrivelse av tegningsfigurene
[0029] Figur 1 viser hvordan informasjonen i onlinesystemet flyter gjennom de ulike transformasjonene, modellberegningene, fuzzy Petri-nettene og konsolidering for å ende med en summarisk trend som indikerer normaliteten/unormaliteten i prosessområdene.
[0030] Figur 2 viser en kurve over ventilflyt for operatøren i form av en enkel x-y-kurve.
[0031] Figur 3 viser tredimensjonal redundans uttrykt som en PCA-modell.
[0032] Figur 4 viser en skjematisk skisse av et oppsett med fuzzy nettverk.
[0033] Figur 5 viser en skjematisk skisse av den samlede prosessen for utvikling av en unormal hendelses-applikasjon.
[0034] Figur 6 viser en skjematisk skisse av anatomien av en
prosessreguleringskaskade.
[0035] Figur 7 viser en skjematisk skisse av anatomien av en multivariabel tvangsregulator.
[0036] Figur 8 viser en skjematisk skisse av online følgeslutningsestimat av aktuell kvalitet.
[0037] Figur 9 viser KPI-analysen av historiske data.
[0038] Figur 10 viser et diagram av signal/støyforhold.
[0039] Figur 11 viser hvordan prosessdynamikken kan bryte korrelasjonen mellom de aktuelle verdiene av to målinger.
[0040] Figur 12 viser sannsynlighetsfordelingen av prosessdata.
[0041] Figur 13 viser en illustrasjon av press-statistikk.
[0042] Figur 14 viser den todimensjonale energibalansemodellen.
[0043] Figur 15 viser en typisk strekning med strømning, ventilstilling og delta trykkdata med den lange perioden med konstant drift.
[0044] Figur 16 viser en fuzzy diskriminator av type 4.
[0045] Figur 17 viser strømning mot ventil i et Pareto-diagram.
[0046] Figur 18 viser en skjematisk skisse av operatør-sperringslogikk.
[0047] Figur 19 viser en skjematisk skisse av hendelses-sperringslogikk.
[0048] Figur 20 viser innstilling av varigheten av hendelsessperring.
[0049] Figur 21 viser hendelsessperring og operatørsperring som deaktiverer forhåndsdefinerte sett av innverdi er i PCA-modellen.
[0050] Figur 22 viser hvordan konstruksjonsmål blir uttrykt i de primære grensesnittene som brukes av operatøren.
Detaljert beskrivelse av foretrukne utførelser
Utvikling av PCA-modeller for detektering av unormale hendelser
I. Konseptuell PCA-modell-konstruksjon
[0051] De overordnede konstruksjonsmål ene skal: • forsyne konsolloperatøren med en fortløpende status (normal mot unormal) når det gjelder prosessoperasj oner for alle prosessenheter under hans driftsansvarsområde • forsyne ham med en tidlig oppdagelse av en raskt utviklende (minutter til timer) unormal hendelse under hans driftsansvarsområde • forsyne ham kun med den nøkkelinformasjonen om prosessen som er nødvendig for å diagnostisere grunnårsaken til den unormale hendelsen
[0052] Egentlig rotårsaksdiagnose ligger utenfor omfanget av nærværende oppfinnelse. Konsolloperatøren forventes å diagnostisere prosessproblemet ut fra hans utdannelse og kjennskap til prosessen.
[0053] Bred kjennskap til prosessomfanget er viktig for en samlet overvåking av unormal drift. For at operatøren skal lære systemet og vedlikeholde sine kunnskaper, må han bruke systemet regelmessig. Fordi spesifikke unormale hendelser oppstår sjelden, vil overvåking av unormal drift i en liten del av prosessen sjeldent bli brukt av operatøren, hvilket trolig kan få operatøren til å neglisjere systemet når det omsider detekterer en unormal hendelse. Denne brede synsvinkelen står i motsetning til det publiserte målet for modellen, som er å konstruere modellen på grunnlag av detektering av et spesifikt prosessproblem av betydelig økonomisk interesse (se Kourti, 2004).
[0054] Det finnes tusenvis av prosessmålinger innen prosessenhetene under en enkelt konsoll operators ansvarsområde. Kontinuerlige raffineringsprosesser og kjemiske prosesser oppviser signifikant tidsdynamikk blant disse målingene, noe som bryter krysskorrelasj onen mellom dataene. Dette krever at prosessutstyret blir delt i separate PCA-modeller der kry sskorrelasj onen lar seg opprettholde.
[0055] Konseptuell modellkonstruksjon består av fire hovedavgjørelser:
• Oppdeling av prosessutstyret i utstyrsgrupper med tilhørende PCA-modeller
• Oppdeling av prosessens driftsperioder i prosess-driftsmoduser som krever ulike PCA-modeller • Identifisering av de målinger innenfor en utstyrsgruppe som bør kategoriseres som innverdi er til hver PCA-modell • Identifisering av de målinger innenfor en utstyrsgruppe som bør fungere som flagg for å undertrykke kjente hendelser eller andre unntaksoperasjoner
A. Prosessenhetsomfang
[0056] Første avgjørelse er å opprette grupper av utstyr som skal dekkes av en enkelt PCA-modell. Hvilke spesifikke prosessenheter som skal inkluderes, krever en forståelse av prosessintegrering/interaksjon. Tilsvarende til konstruksjon av en multivariabel tvangsregulator, bør grensene for PCA-modellen innbefatte alle signifikante prosess-interaksjoner og viktige indikasjoner på prosessendringer og forstyrrelser oppstrøms og nedstrøms.
[0057] Følgende regler brukes til å bestemme disse utstyrsgruppene:
[0058] Utstyrsgrupper blir definert ved å inkludere alle de større integrasjonene av materiale og energi og hurtige resirkuleringer i samme utstyrsgruppe (også kalt nøkkelfunksjonsavsnitt eller driftsavsnitt). Dersom prosessen bruker en multivariabel tvangsregulator, vil regulatormodellen eksplisitt identifisere interaksjonspunktene blant prosessenhetene. Ellers må interaksjonene identifiseres ved hjelp av en teknisk analyse av prosessen.
[0059] Prosessgrupper bør deles i et punkt der det er minimalt interaksjon mellom prosessutstyrsgruppene. Det mest opplagte delepunktet oppstår der den eneste interaksjonen kommer gjennom et enkelt rør som inneholder tilførselen til neste enhet nedstrøms. I dette tilfellet er temperatur, trykk, strømning og sammensetning av tilførselen de primære påvirkerne på den nedstrøms utstyrsgruppen, og trykket i den nærmeste nedstrømsenheten er den primære påvirkeren på den oppstrøms utstyrsgruppen. Disse primære påvirkningsmålingene bør inkluderes i PCA-modeller både i oppstrøms og nedstrøms utstyrsgruppe.
[0060] Inkluder virkningen av prosessreguleringsapplikasj onene mellom oppstrøms og nedstrøms utstyrsgrupper. Prosessreguleringsapplikasj onene gir ekstra påvirkningsbaner mellom oppstrøms og nedstrøms utstyrsgrupper. Både fremkoblings- og tilbakekoblingsbaner kan forekomme. Der slike baner finnes, må målingene som driver disse banene inkluderes i begge utstyrsgrupper. Analyse av prosessreguleringsapplikasj onene vil indikere de viktigste interaksjonene blant prosessenhetene.
[0061] Del opp utstyrsgrupper der det finnes tidsdynamikk av betydning (f.eks. lagertanker, lange rørledninger osv.). PCA-modellene behandler primært raske prosessendringer (feks. slike som oppstår i en periode på minutter til timer). Påvirkninger som tar flere timer, døgn eller til og med uker for å innvirke på prosessen, passer ikke for PCA-modeller. Der disse påvirkningene er viktige for de normale datamønstrene, må målinger av disse virkningene kompenseres dynamisk for å få virkningen tidsmessig synkronisert med de andre prosessmålingene (se diskusjonen om dynamisk kompensering).
B. Prosess-driftsmoduser
[0062] Prosess-driftsmoduser er definert som spesifikke tidsperioder der prosessen oppfører seg betydelig annerledes. Eksempler på slike er produksjon av ulike produktkvaliteter (feks. polymerproduksjon), signifikante prosessoverganger (feks. oppstart, driftsstans, skifte av råvarer), prosessering av dramatisk forskjellig råvarer (feks. krakking-nafta i stedet for etan i olefin-produksjon), eller ulike konfigurasjoner av prosessutstyret (det kjøres ulike sett av prosessenheter).
[0063] Der hvor disse signifikante driftsmodusene forekommer er det sannsynlig at det må utvikles separate PCA-modeller for hver hoveddriftsmodus. Jo færre modeller som trengs, dess bedre. Utvikleren bør anta at en bestemt PCA-modell kunne dekke likeartede driftsmoduser. Denne antagelsen må testes ved å kjøre nye data fra hver driftsmodus gjennom modellen for å se om den oppfører seg korrekt.
C. Historiske prosessproblemer
[0064] For at det skal finnes en organisasjonsmessig interesse i å utvikle et detekteringssystem for unormale hendelser bør det være et historisk prosessproblem av betydelig økonomisk betydning. Disse betydelige problemene må imidlertid analyseres for å finne den beste fremgangsmåten for å angripe disse problemene. Spesielt bør utvikleren utføre følgende undersøkelser før forsøk på å bygge en applikasjon for unormale hendelser: 1. Lar problemet seg rette permanent? Ofte eksisterer det et problem fordi plasspersonnellet ikke har hatt tilstrekkelig tid til å undersøke og løse problemet permanent. Når organisasjonen først har oppmerksomheten rettet mot problemet blir det ofte funnet en permanent løsning. Dette er den beste fremgangsmåten. 2. Kan problemet måles direkte? En mer pålitelig måte å oppdage et problem på er å installere sensorer som kan måle problemet direkte i prosessen. Denne kan også brukes til å unngå problemet ved hjelp av en prosessreguleringsapplikasj on. Dette er den nest beste fremgangsmåten. 3. Kan det utvikles en inferensiell måling som vil måle tilbøyeligheten til unormal drift? Inferensielle målinger blir vanligvis utviklet med bruk av modeller med partielle minste kvadrater, PLS, som er meget nære slektninger til unormale hendelsesmodeller, PCA. Andre vanlige alternativer for utvikling av inferensielle målinger inkluderer nervesystemlignende nett og lineære regresjonsmodeller. Dersom data foreligger som kan brukes til pålitelig måling av tilbøyeligheten til problemtilstanden (feks. tårnflømming ved hjelp av deltatrykk), kan dette så brukes til ikke bare å detektere når tilstanden foreligger, men også som grunnlag for en reguleringsapplikasjon for å hindre tilstanden i å oppstå. Dette er den tredje beste fremgangsmåten.
[0065] Både direkte målinger av problemtilstander og inferensielle målinger av disse tilstandene kan lett integreres i det samlede nettverket av modeller for unormalitets-detektering.
II. Valg av innverdi-data og driftsområde
[0066] Innen en utstyrsgruppe vil det være tusenvis av prosessmålinger. For preliminær konstruksjon: • Velg alle sekundære regulatormålinger i kaskade, og spesielt ultimate sekundære utsignaler (signaler til feltstyreventiler) på disse enhetene • Velg nøkkelmålinger som brukes av konsolloperatøren til å overvåke prosessen
(feks. slike som blir vist på hans driftsskjemaer)
• Velg eventuelle målinger som brukes av kontakt-teknikeren til å måle ytelsen av prosessen • Velg eventuell oppstrøms måling av matehastighet, matetemperatur eller matekvalitet • Velg målinger av nedstrømsbetingelser som påvirker prosessens driftsområde, spesielt trykk
• Velg ekstra redundante målinger til målinger som er viktige
• Velg målinger som kan bli påkrevd for å beregne ikke-lineære transformasjoner • Velg eventuell ekstern måling av en forstyrrelse (feks. omgivelsestemperatur) • Velg eventuelle andre målinger som prosessekspertene betrakter som viktige mål for prosesstil standen
[0067] Ut fra denne listen tas bare med målinger som har følgende karakteristika:
• Målingen har ikke en historie med uregelmessig eller feilbeheftet ytelse
• Målingen har et tilfredsstillende signal/støyforhold
• Målingen er krysskorrelert med andre målinger i datasettet
• Målingen er ikke i metning i mer enn 10 % av tiden under normal drift
• Målingen er ikke tett regulert til en fast innstilling som sjeldent endrer seg (den endelig primære i et reguleringshierarki) • Målingen har ikke lange strekk med «dårlig verdi»-ytelse eller metning mot sendergrenser
• Målingen dekker ikke en serie verdier som vites å være sterkt ikke-lineære
• Målingen er ikke en redundant beregning ut fra råmålingene
• Signalene til feltreguleringsventiler er ikke i metning mer enn 10 % av tiden
A. Evalueringer for valg av modell-innverdier
[0068] Det finnes to statistiske kriterier for å prioritere potensielle innverdi er til PCA unormal-detekteringsmodellen: signal/støyforhold og krysskorrelasjon.
1) Signal/støyforhold-test
Signal/støyforhold er et mål på informasjonsinnholdet i innsignalet.
Signal/støyforholdet blir beregnet som følger:
1. Det rå signalet blir filtrert ved hjelp av et eksponensialfilter med en omtrentlig dynamisk tidskonstant som er ekvivalent med prosessens tidskonstant. For kontinuerlige raffineringsprosesser og kjemiske prosesser er denne tidskonstanten vanligvis i området 30 minutter til 2 timer. Andre lavpasseringsfiltre kan også brukes. For eksponensialfilteret er ligningene:
der:
Yngjeldende filtrert verdi
Yn.i foregående filtrert verdi
Xngj eldende rå verdi
P eksponensialfilterkonstanten
Tsprøvetakingstiden for målingen
Tf filtertidskonstanten
2. Et restsignal blir dannet ved å subtrahere det filtrerte signalet fra råsignalet 3. Signal/støyforholdet (S/N) er lik standardavviket i det filtrerte signalet dividert med standardavviket i restsignalet
[0069] Det er å foretrekke at alle innverdier har et S/N som er større enn et forhåndsfastsatt minimum, slik som 4. De innverdiene som har S/N mindre enn dette minimum, trenger individuell undersøkelse for å bestemme hvorvidt de bør inkluderes i modellen
[0070] Datasettet som brukes til å beregne S/N bør ekskludere eventuelle lange perioder med stasjonær drift, siden dette vil føre til at estimert støyinnhold blir overveldende stort.
2) Kry sskorrelasj onstest
Kry sskorrelasj onen er et mål for informasjonsredundansen i inndatasettet. Kry sskorrelasj onen mellom to vilkårlige signaler blir beregnet slik:
1. Beregn kovariansen, Sik, mellom hvert innverdipar i og k
2. Beregn korrelasjonskoeffisienten for hvert par innverdier ut fra kovariansen:
[0072] Det er to omstendigheter som flagger at en innverdi ikke bør være inkludert i modellen. Første omstendighet oppstår når det ikke finnes noen signifikant korrelasjon mellom en bestemt innverdi og resten av innverdi-datasettet. For hver innverdi må det være minst én annen innverdi i datasettet med en signifikant korrelasjonskoeffisient, slik som 0,4.
[0073] Den andre omstendigheten oppstår når samme innverdiinformasjon (ved et uhell) er tatt med to ganger, ofte ved at en eller annen beregning har en annerledes identifikator. Eventuelle innverdipar som oppviser korrelasjonskoeffisient nær en (for eksempel over 0,95), trenger individuell undersøkelse for å bestemme hvorvidt begge innverdier skal inkluderes i modellen. Dersom innverdiene er fysisk uavhengige men logisk redundante (feks. to uavhengige termoelementer som innbyrdes uavhengig måler samme prosesstemperatur), bør begge disse innverdiene inkluderes i modellen.
[0074] Dersom to innverdier er transformasjoner av hverandre (feks. temperatur og trykkompensert temperatur), foretrekkes det å inkludere den målingen som operatøren er kjent med, med mindre det foreligger en betydelig forbedret kry sskorrelasj on mellom en av disse målingene og resten av datasettet. I såfall bør verdien med den høyeste kry sskorrelasj onen inkluderes.
3) Identifisering og behandling av mettede variabler
[0075] Raffineringsprosesser og kjemiske prosesser kjører ofte mot harde og myke begrensninger som fører til mettede verdier og «Bad Values» for modell-innverdier. Vanlige begrensninger er: høye og lave områder for måleverdigivere, analysatorområder, maksimums- og minimumsposisjoner for reguleringsventiler, samt grenser for utsignaler fra prosessreguleringsappliksjoner. Innverdier kan falle i flere kategorier når det gjelder metning, som krever spesialbehandling ved preprosessering av innverdiene, både for modellbygging og for online bruk av disse modellene.
[0076] For standard analoge instrumenter (feks. 4-20 mA elektroniske givere) kan «Bad Values» forekomme av to separate årsaker:
• De aktuelle prosessbetingelsene ligger utenfor området for feltgiveren
• Forbindelsen med feltet er brutt
[0077] Når en av disse betingelsene oppstår, kunne prosessreguleringssystemet bli konfigurert på grunnlag av individuell måling ved enten å tilordne en spesiell kode til verdien for vedkommende måling for å angi at denne målingen er en «Bad Value», eller ved å opprettholde den siste gode verdien fra målingen. Disse verdiene vil så forplante seg gjennom eventuelle beregninger som blir utført på prosessreguleringssystemet. Når valget «siste gode verdi» er innstilt, kan dette føre til feilaktige beregninger som er vanskelige å oppdage og utelukke. Typisk er det slik at når «Bad Value»-koden forplanter seg gjennom systemet, vil alle beregninger som er basert på den dårlige målingen også bli markert som dårlige.
[0078] Uansett valg av konfigurering i prosessreguleringssystemet bør de tidsperiodene som omfatter «Bad Values» ikke inkluderes i datasett for opplæring eller testing. Utvikleren trenger å identifisere hvilket av valgene som er innstilt i prosessreguleringssystemet, og deretter innstille datafiltre for å utelukke prøver som er «Bad Values». For implementering online må innverdier preprosesseres slik at «Bad Values» markeres som manglende verdier, uansett hvilket valg som velges for prosessreguleringssystemet.
[0079] De innverdiene som normalt er «Bad Value» for lengre tidsperioder bør utelukkes fra modellen.
Begrensede variabler
[0080] Begrensede variabler er de hvor målingen ligger på en eller annen grense, og der denne målingen svarer til en virkelig prosesstilstand (i motsetning til der hvor verdien er blitt standardisert til maksimums- eller minimumsgrensen for giverens område - omtalt i avsnittet «Bad Value»). Denne prosesstilstanden kan forekomme av flere årsaker: Deler av prosessen er normalt inaktive, unntatt under spesielle
overstyringsbetingelser, for eksempel trykkavlastningsstrømning til fakkelsystemet. Tidsperioder da disse overstyringsbetingelsene er aktive bør utelukkes fra datasettet for opplæring validering ved å sette opp datafiltre. For online iverksettelse er disse overstyringshendelsene utløsende hendelser for automatisk sperring av utvalgt modell statistikk
Prosessreguleirngssystemet er konstruert for å drive prosessen opp mot prosessens driftsgrenser, for eksempel produktspesifikasjonsgrenser. Disse begrensningene faller typisk i to kategorier: - slike som av og til er mettet, og slike som normalt er mettet. De innverdiene som normalt er mettet, bør utelukkes fra modellen. De innverdiene som bare av og til er mettet (for eksempel mindre enn 10 % av tiden) kan inkluderes i modellen, men de bør være skalert ut fra tidsperiodene da de ikke er mettet
B. Innverdier fra prosessreguleringsapplikasj oner
[0081] Prosessreguleringsapplikasj onene har en meget betydelig virkning på korrelasjonsstrukturen i prosessdataene. Spesielt: • Variasjonen i styrte variabler er betydelig redusert, slik at bevegelse i styrte variabler i hovedsak er støy, unntatt i de korte tidsintervallene da prosessen er utsatt for en betydelig prosessforstyrrelse eller når med hensikt har flyttet driftspunktet ved å endre nøkkelinnstillinger. • Den normale variasjonen i de styrte variablene blir overført av reguleringssystemet til de manipulerte variablene (til slutt de signalene som blir sendt til reguleringsventilene i felten).
[0082] Normal drift av raffineringsprosesser og kjemiske prosesser blir vanligvis styrt av to ulike typer reguleringsstrukturer: de klassiske reguleringskaskadene (vist på figur 6) og de mer moderne begrensningsregulatorene, MVCC (vist på figur 7).
1) Valg av modell-innverdier fra kaskadestrukturer
[0083] Figur 6 viser en typisk "kaskade"-prosessreguleringsapplikasjon, som er en svært vanlig reguleringsstruktur for raffineringsprosesser og kjemiske prosesser. Selv om det finnes mange potensielle modell-innverdier fra en slik applikasjon, er råprosessmålinger («PV-er» på denne figuren) og det endelige utsignalet til feltventilen de eneste som er kandidater for modellen.
[0084] Selv om det er en svært viktig måling, er PV for den endelige primæren av kaskadereguleirngsstrukturen en dårlig kandidat for inkludering i modellen. Denne målingen har vanligvis svært begrenset bevegelse fordi målet for reguleringsstrukturen er å holde denne målingen på det innstilte punktet. Det kan forekomme bevegelse i PV i den endelige primæren dersom innstillingspunktet endres, men dette er vanligvis sjelden. Datamønstrene fra tidvise bevegelser i primært innstillingspunkt vil vanligvis ikke ha tilstrekkelig kraft i opplæringsdatasettet til at modellen kan karakterisere datamønsteret.
[0085] På grunn av denne vanskeligheten med å karakterisere datamønsteret som følger av endringer i innstillingspunktet for den endelige primæren, er det sannsynlig, når operatøren utfører denne bevegelsen av innstillingspunktet, at det fører til en signifikant økning i indeksen «summert kvadrert prediksjonsfeil» (sum of squared prediction error, SPE) for modellen. Følgelig er enhver endring i innstillingspunktet for den endelige primæren en kandidat som utløser for en «kjent hendelse-sperring». Nå operatøren endrer et ultimat primært innstillingspunkt, vil logikken for «kjent hendelse-sperring» automatisk fjerne virkningen av dette fra SPE-beregningen.
[0086] Dersom utvikleren skulle inkludere PV for den ultimate primæren i modellen, bør denne målingen skaleres på grunnlag av de korte tidsintervallene da operatøren har endret innstillingspunktet og inntil prosessen har beveget seg nær verdien for det nye innstillingspunktet (for eksempel innenfor 95 % av det nye innstillingspunktet, slik at om innstillingspunktet er endret fra 10 til 11, idet PV når 10,95).
[0087] Det kan også forekomme målinger som er svært sterkt korrelerte (for eksempel korrelasjonskoeffisient større enn 0,95) med PV for den ultimate primæren, for eksempel redundante termoelementer plassert nær en temperaturmåling brukt som en PV for en ultimat primær. Disse redundante målingene bør behandles på identisk måte som velges for PV av den ultimate primæren.
[0088] Kaskadestrukturer kan ha innstillingspunktgrenser på hver sekundær, og kan ha grenser for signalet til feltregleringsventilen. Det er viktig å kontrollere status for disse potensielt begrensede operasjonene for å se om målingen som er knyttet til et innstillingspunkt er blitt behandlet på en begrensende måte eller om signalet til feltventilen er blitt begrenset. Data under disse begrensede operasjonene bør ikke brukes.
2) Valg/beregning av modell-innverdier fra multivariable tvangsregulatorer, MVCC-er
[0089] Figur 7 viser en typisk MVCC prosessreguleringsapplikasj on som er en meget vanlig reguleringsstruktur for raffineringsprosesser og kjemiske prosesser. En MVCC bruker en dynamisk matematisk modell til å prediktere hvordan endringer i manipulerte variabler, MV-er, (vanligvis ventil stillinger eller innstillingspunkter i reguleringssløyfer) vil endre reguleringsvariabler, CV-er (de avhengige temperaturene, trykkene, sammensetningene og strømningene som måler prosesstilstanden). En MVCC søker å skyve prosessdriften mot driftsgrensene. Disse grensene kan være enten MV-grenser eller CV-grenser og blir bestemt av en ekstern optimalisator. Antallet grenser som prosessen opererer mot vil være lik antallet MV-er som regulatoren er tillatt å behandle, minus antallet av materialbalanser som reguleres. Slik av dersom en MVCC har 12 MV-er, 30 CV-er og 2 nivåer, vil prosessen bli kjørt mot 10 grenser. En MVCC vil også prediktere virkningen av målte lastforstyrrelser på prosessen og kompensere for disse lastforstyrrelsene (som kalles fremkoblingsvariable (feedforward variables, FF).
[0090] Hvorvidt en rå MV eller CV er en god kandidat til å bli inkludert i PCA-modellen avhenger av den prosentdelen av tiden som MV eller CV blir holdt opp mot sin driftsgrense av MVCC-en. Som beskrevet i avsnittet Begrensede variabler er rå variable som er begrenset mer enn 10 % av tiden, dårlige kandidater for å inkluderes i PCA-modellen. Normalt ubegrensede variabler bør håndteres i henhold til avsnittet om begrensede variabler.
[0091] Dersom en ubegrenset MV er et innstillingspunkt for en reguleringssløyfe, bør innstillingspunktet ikke inkluderes men i stedet bør målingen av denne reguleringssløyfen inkluderes. Signalet til feltventilen fra denne reguleringssløyfe bør også inkluderes.
[0092] Dersom en ubegrenset MV er et signal til en feltventilposisjon, bør denne inkluderes i modellen.
C. Redundante målinger
[0093] Prosessreguleirngssystemets databaser kan ha en betydelig redundans blant kandidater av innverdier inn til PCA-modellen. Én type av redundans er «fysisk redundans», der det finnes multiple sensorer (slik som termoelementer) plassert i nærheten av hverandre i prosessutstyret. Den andre typen redundans er «beregningsmessig redundans», der råsensorer kombineres matematisk i nye variabler (feks. trykkompenserte temperaturer eller massestrømmer beregnet fra volumetriske strømningsmålinger).
[0094] Som en generell regel bør verken råmålingen eller en innverdi som er beregnet fra denne målingen ikke inkluderes i modellen. Den generelle preferansen er å inkludere den versjonen av målingen som prosessoperatøren er best kjent med. Unntaket fra denne regelen er når de rå innverdiene må transformeres matematisk for å forbedre korrelasjonsstrukturen for dataene til modellen. I dette tilfellet bør den transformerte variabelen inkluderes i modellen, men ikke råmålingen.
[0095] Fysisk redundans er svært viktig for å skaffe kryssvalideringsinformasjon i modellen. Som en generell regel bør råmålinger som er fysisk redundante inkluderes i modellen. Når det finnes et stort antall fysisk redundante målinger, må disse målingene skaleres spesielt slik at de hindres i å overvelde valget av hovedkomponenter (se avsnittet om variabel skalering). Et vanlig prosesseksempel kommer fra det store antallet termoelementer som er plassert i reaktorer for å oppdage om reaktoren kommer ut av kontroll.
[0096] Ved søking i en meget stor database kan utvikleren identifisere de redundante målingene ved å utføre en kry sskorrelasj onsberegning blant alle innverdi-kandidater. De måleverdiparene som har meget høy kry sskorrelasj on (for eksempel over 0,95) bør undersøkes individuelt for å klassifisere hvert par som enten fysisk redundant eller beregningsmessig redundant.
III. Historisk datasamling
[0097] En betydelig innsats under utviklingen ligger i å opprette et godt opplæringsdatasett som vites å inneholde alle modi av normale prosessoperasj oner. Dette datasettet bør:
[0098] Dekke normalt driftsområde: Datasett som dekker små deler av driftsområdet består for det meste av støy. Området for dataene, sammenlignet med området for dataene under stasjonær drift, er en god indikasjon på kvaliteten av informasjonen i datasettet.
[0099] Inkludere alle normale driftsmoduser ( inkludert sesongmessige variasjoner). Hver driftsmodus kan ha forskjellige korrelasjonsstrukturer. Med mindre de mønstrene som karakteriserer driftsmodusen blir innfanget av modellen, vil disse umodellerte driftsmodusene vises som unormale operasjoner.
[00100] Kun inkludere normale driftsdata: Dersom sterkt unormale driftsdata blir inkludert i opplæringsdataene, vil modellen feilaktig modellere disse unormale operasjonene som normal drift. Følgen er at når modellen senere blir sammenlignet med en unormal operasjon, vil den kanskje ikke oppdage unormalitetsoperasjonene.
[00101] Historikk bør være så liksom mulig dataene som brukes i onlinesystemet: Onlinesystemet vil gi punktverdier med en frekvens som er høy nok til å detektere den unormale hendelsen. For kontinuerlige raffineringsoperasjoner og kjemiske operasjoner vil denne prøvetakingsfrekvensen være om lag hvert minutt. Innen begrensningene for datahistorikeren skulle opplæringsdataene være så ekvivalente med ett-minutts punktverdier som mulig.
[00102] Strategien for datainnsamling er å starte med en lang driftshistorikk (vanligvis i området 9 måneder til 18 måneder), og deretter forsøke å fjerne de tidsintervallene som har åpenbare eller dokumenterte unormale hendelser. Ved å bruke et slikt langt tidsintervall: • vil mindre, unormale hendelser ikke vise seg med tilstrekklig styrke i opplæringsdatasettet til å ha noen betydelig innflytelse på modellparametrene
• skulle de fleste driftsmoduser ha forekommet og være representert i dataene.
A. Historiske datasamlingsforhold
1) Datakomprimering
[00103] Mange historiske databaser bruker datakomprimering for å minimere lagringsbehovene for dataene. Dessverre kan denne praksisen avbryte korrelasjonsstrukturen for dataene. I begynnelsen av prosjektet bør datakomprimering av databasen kobles ut og punktverdiene for dataene historifiseres. Sluttmodeller bør så vidt mulig bygges ved hjelp av ukomprimerte data. Gjennomsnittsverdier bør ikke brukes, med mindre de er de eneste tilgjengelige dataene, og da med det kortest tilgjengelige datagjennomsnittet.
2) Lengde på datahistorikk
[00104] For at modellen skal representere de normale prosessmønstre på korrekt måte, må opplæringsdatasettene ha eksempler på alle de normale driftsmodusene, normale driftsendringer og endringer og normale mindre forstyrrelser som prosessen gjennomgår. Dette oppnås ved å bruke data fra et langt intervall med prosessoperasj oner
(f.eks. 9-18 måneder). Spesielt kan forskjellen mellom sesongmessige operasjoner (vår, sommer, høst og vinter) være betydelige når det gjelder raffineringsprosesser og kjemiske prosesser.
[00105] Noen ganger er disse lange strekkene med data ennå ikke tilgjengelige (feks. etter vedlikehold eller annen betydelig omlegging av prosessutstyr). I disse tilfellene ville modellen starte med et kort initielt sett opplæringsdata (feks. 6 uker), hvorpå opplæringssettet blir utvidet etter hvert som videre data blir samlet og modellen oppdateres månedlig inntil modellene er stabilisert (dvs. modellkoeffisientene endrer seg ikke ved tilføyelse av nye data)
3) Supplerende historiske data
[00106] De forskjellige driftsjournaler for denne tidsperioden bør også innsamles. Disse vil bli brukt til å avsette driftsintervaller som unormale, eller som kjører i en eller annen spesialmodus som må utelukkes fra opplæringsdatasettet. Spesielt kan viktige historiske unormale hendelser velges ut fra disse loggene for å tjene som prøvetilfeller for
modellene.
4) Mangel på spesifikk målehistorikk
[00107] Ofte er ikke innstillingspunkter og regulatorutsignaler registrert av historikeren for fabrikkens prosessdata. Historikkføring av disse verdiene bør begynne umiddelbart ved starten av prosjektet.
5) Driftsmoduser
[00108] Gamle data som ikke lenger representerer aktuelle prosessoperasj oner bør fjernes fra opplæringsdatasettet. Etter en større prosessmodifisering kan opplæringsdata og PCA-modell trenge å bli gjenoppbygd fra begynnelsen. Dersom en bestemt type operasjon ikke lenger blir utført, bør alle data fra denne operasjonen fjernes fra opplæringsdatasettet.
[00109] Driftslogger bør brukes til å angj når prosessen ble kjørt under andre driftsmoduser. Disse ulike modusene kan kreve separate modeller. Der hvor modellen er tenkt å dekke flere driftsmoduser bør antallet prøver i opplæringsdatasettet fra hver driftsmodus være omlag ekvivalente.
6) Prøvetakingsfrekvens
[00110] Utvikleren bør samle flere måneder med prosessdata ved hjelp av stedets prosesshistoriker, og fortrinnsvis få ettminutts punktverdier. Dersom dette ikke er tilgjengelig, bør en bruke dataene med høyest oppløsning og med minst grad av middelverdiforming.
7) Sjeldent prøvetatte målinger
[00111] Kvalitetsmålinger (analysatorer og laboratorieprøver) har en meget lavere prøvetakingsfrekvens enn andre prosessmålinger, som strekker seg fra hvert titalls minutter til daglig. For å inkludere disse målingene i modellen er det nødvendig å konstruere et kontinuerlig estimat av disse kvalitetsmålinger. Figur 8 viser online-beregningen av et kontinuerlig kvalitetsestimat. Denne samme modell strukturen bør opprettes og brukes til de historiske dataene. Dette kvalitetsestimatet blir så innverdien til PCA-modellen.
8) Modellutløst datamerknad
[00112] Bortsett fra svært åpenbare unormaliteter er det vanskelig å bestemme kvaliteten av historiske data. Inkludering av unormale driftsdata kan skjevstille modellen. Strategien med å bruke store mengder historiske data vil i noen grad kompensere modell skjevhet som skyldes unormal drift i opplæringsdatasettet. Modellen bygd fra historiske data som stammer fra før prosjektstart, må betraktes med mistenksomhet når det gjelder kvalitet. Det opprinnelige opplæringsdatasettet bør erstattes med et datasett som inneholder høykvalitetsmerknader om prosessbetingelsene som forekommer under prosjektets levetid.
[00113] Strategien for modellutvikling er å starte med en første «grovmodell» (følgen av et tvilsomt opplæringsdatasett) og så bruke modellen til å utløse innsamling av et høykvalitets opplæringsdatasett. Når modellen brukes til å overvåke prosessen, vil merknader og data bli innhentet om normal drift, spesielle operasjoner og unormale operasjoner. Når som helst modellen melder om en unormal operasjon eller en unormal hendelse blir oversett av modellen, blir årsaken til og varigheten av hendelsen notert. På denne måten kan tilbakemelding om modellens evne til å overvåke prosessoperasj onen bli innlemmet i opplæringsdataene. Disse dataene blir så brukt til å forbedre modellen, som igjen blir brukt til å fortsette å samle opplæringsdata med bedre kvalitet. Denne prosessen blir gjentatt inntil modellen er tilfredsstillende.
IV. Data- og prosessanalyse
A. Initiell grovdataanalyse
[00114] Ved å bruke driftslogger og undersøke viktige ytelsesindikatorer for prosessen blir de historiske dataene inndelt i perioder med kjente unormale operasjoner og perioder uten noen kjente unormale operasjoner. Dataene uten noen kjente unormale operasjoner vil være opplæringsdatasettet.
[00115] Nå trenger hver enkelt måling å undersøkes i løpet av sin historie for å se om den er en kandidat for opplæringsdatasettet. Målinger som bør utelukkes er:
• Målinger med mange lange tidsintervaller som «Bad Value»
• Målinger med mange lange tidsintervaller fast på høy eller lav grense for vedkommende giver • Målinger som viser liten variabilitet (unntatt slike som er stramt regulert til sine innstillingspunkter) • Målinger som kontinuerlig viser meget stor variabilitet relativt til vedkommende driftsområde • Målinger som viser liten eller ingen korrelasjon med noen andre målinger i datasettet
• Målinger med dårlig signal/støyforhold
[00116] Under undersøkelsen av dataene bør de tidsintervallene, der målinger i korte øyeblikk viser «Bad Value» eller kortvarig er låst til giverens høye eller lave grense, også ekskluderes.
[00117] Når disse ekskluderingene er utført, kan den første grove PCA-modellen bygges. Siden dette kommer til å bli en meget grov modell, er det nøyaktige antallet av hovedkomponenter ikke viktig. Dette vil typisk være om lag 5 % av antallet målinger inkludert i modellen. Antallet PC-er (hovedkomponenter - Principal Components) bør til slutt svare til antall frihetsgrader i prosessen, men dette er imidlertid som regel ikke kjent fordi det omfatter alle de ulike kildene for prosessforstyrrelser. Det finnes flere standardmetoder for å bestemme hvor mange hovedkomponenter som skal inkluderes. Videre bør en på dette trinnet bruke den statistiske fremgangsmåten for variabelskalering: skaler alle variabler til enhetsvarians.
[00118] Opplæringsdatasettet må nå kjøres gjennom denne foreløpige modellen for å identifisere tidsintervaller der dataene ikke svarer til modellen. Disse tidsintervallene må undersøkes for å se om en unormal hendelse forekom i løpet av denne tiden. Dersom en bedømmer at dette var tilfellet, bør disse tidsintervallene også markeres som tider der kjente unormale hendelser forekommer. Disse tidsintervallene bør ekskluderes fra opplæringsdatasettet, og modellen gjenoppbygges med de modifiserte dataene.
B. Fjerning av utliggere og perioder med unormale operasjoner
[00119] Eliminering av åpenbare unormale hendelser vil bli gjort ved hjelp av følgende:
[00120] Fjern dokumenterte hendelser. Det er svært sjeldent en har en fullstendig registrering av den unormale hendelseshistorikken på et sted. Signifikante driftsproblemer bør imidlertid dokumenteres i driftslogger slik som operatørlogger, operatørendringsjournaler, alarmjournaler og instrumentvedlikeholdsregistreringer. Disse gir bare en delvis registrering av den unormale hendelseshistorikken.
[00121] Fjern tidsintervaller der hovedytelsesindikatorer (key performance indikators, KPI) er unormale. Slike målinger som matehastighet, produkthastighet, produktkvalitet er vanlige hovedytelsesindikatorer. Hver prosessoperasj on kan ha KPI-er i tillegg som er spesifikke for vedkommende enhet. Omhyggelig undersøkelse av dette begrensede settet med målinger vil vanligvis gi en klar indikasjon på perioder med unormale operasjoner. Figur 9 viser et histogram av en KPI. Siden driftsmålet for denne KPI er å maksimere den, er de driftsperiodene der denne KPI er lav, trolig unormale operasjoner. Prosesskvaliteter er ofte de letteste KPI-er å analysere, fordi optimal operasjon er mot en spesifikasjonsgrense og de er mindre følsomme for variasjoner i normal matehastighet.
C. Kompensering for støy
[00122] Med støy mener vi høyfrekvensinnholdet i målesignalet som ikke inneholder nyttig informasjon om prosessen. Støy kan være forårsaket av spesifikke prosessbetingelser slik som tofase-strømning over en måleskive eller turbulens i nivået. Støy kan skyldes elektrisk induktans. Signifikant prosessvariabilitet, kanskje forårsaket av prosessforstyrrelser, er imidlertid nyttig informasjon og må ikke filtreres ut.
[00123} To primære støytyper påtreffes i raffineringsmålinger og kjemiske prosessmålinger: målespisser og eksponensielt korrelert kontinuerlig støy. Med målespisser hopper signalet i en urimelig stor grad for et lite antall prøver, før det faller tilbake til en verdi nær den foregående verdien. Støyspisser blir fjernet ved hjelp av et tradisjonelt spissawisningsfilter, slik som «Union»-filteret.
[00124] Mengden av støy i signalet kan kvantifiseres av et mål som kalles signal/støyforhold (se figur 10). Dette er definert som forholdet mellom mengden av signalvariabilitet på grunn av prosessvariasjon og mengden av signalvariabilitet på grunn av høyfrekvent støy. En verdi lavere enn fire er en typisk verdi for å indikere at signalet har betydelig støy og kan skade modellens virkningsgrad.
[00125] Når utvikleren måtte treffe på et signal med signifikant støy, må han velge ett av tre. I preferanserekkefølge er disse:
• Rette signalet ved å fjerne støykilden (det beste svaret)
• Fj erne/minimerestøyen ved hj elp av filtreringsteknikker
• Utelukke signalet fra modellen
[00126] Typisk for signaler med signal/støyforhold mellom 2 og 4 vil den eksponensielt korrelerte støyen kunne fjernes med et tradisjonelt lavpassfilter, slik som et eksponensialfilter. Ligningene for eksponensialfilteret er:
Y<n>er gjeldende filtrert verdi
Yn_<1>er foregående filtrert verdi
Xner gjeldende råverdi
P er eksponensialfilterkonstanten
Tser prøvetakingstidspunktet for målingen
Tf er filterets tidskonstant
[00127] Signaler med svært dårlig signal/støyforhold (for eksempel mindre enn 2) lar seg ikke forbedre tilstrekkelig ved filtreringsteknikk til at de kan inkluderes direkte i modellen. Dersom innverdien blir regnet som viktig, bør skalering av variabelen innstilles slik at den de-sensitiviserer modellen ved å øke størrelsen av skaleringsfaktoren betraktelig (typisk med en faktor i området 2-10).
D. Transformerte variabler
[00128] Transformerte variabler bør inkluderes i modellen av to ulike årsaker.
[00129] For det første, på grunnlag av en teknisk analyse av det aktuelle utstyret og prosesskjemien, bør kjente ikke-lineariteter i prosessen bli transformert og inkludert i modellen. Siden en av antakelsene for PCA er at variablene i modellen er lineært korrelerte, vil signifikante ikke-lineariteter ved prosess eller utstyr bryte ned denne korrelasjonsstrukturen og dukke opp som et avvik fra modellen. Dette vil påvirke det brukbare området for modellen.
[00130] Eksempler på velkjente ikke-lineære transformasjoner er:
• Tilbakestrøm/tilførsel-forhold i destillasjonskolonner
• Logg om sammensetning i høyrenhetsdestillasjon
• Trykkompensert temperaturmåling
• Biproduktutbytte
• Strømning mot ventil stilling (figur 2)
• Reaksjonshastighet mot eksponensiell temperaturendring
[00131] For det andre bør dataene fra prosessproblemene som har forekommet historisk også undersøkes for å forstå hvordan disse problemene dukker opp i prosessmålingene. For eksempel er forholdet mellom deltatrykk og matehastighet i tårnet relativt lineært inntil flømmepunktet nås, da deltatrykk vil øke eksponensielt. Siden tårnflømming registreres ved avbruddet i denne lineære korrelasjonen, bør både deltatrykk og matehastighet bli inkludert. Som et annet eksempel kan katalysatorstrømningsproblemer ofte vise seg i deltatrykkene i overføringslinjen. Så i stedet for å inkludere de absolutte trykkmålingene i modellen bør deltatrykkene beregnes og inkluderes.
E. Dynamiske transformasjoner
[00132] Figur 11 viser hvordan prosessdynamikken kan avbryte korrelasjonen mellom de aktuelle verdiene fra to målinger. I overgangstiden endrer én verdi seg hele tiden, mens den andre ikke gjør det, så det er ingen korrelasjon mellom de aktuelle verdiene i løpet av overgangen. Disse to målingene kan imidlertid bringes tilbake til synkronisering ved å transformere den ledende variabelen ved hjelp av en dynamisk overføringsfunksjon. Vanligvis er en dynamisk modell av første ordens med dødtid (vist i ligning 9 i Laplacetransform-format) tilstrekkelig til å synkronisere dataene.
Y - rådata
Y - tidssynkroniserte data
T - tidskonstant
© - dødtid
S - Laplacetransform-parameter
[00133] Denne teknikken trengs bare når det foreligger en signifikant dynamisk separasjon mellom variable som er brukt i modellen. Vanligvis krever bare 1-2 % av variablene denne behandlingen. Dette vil være tilfellet for de uavhengige variablene slik som innstillingspunkter som ofte endres i store trinn av operatøren, og for de målingene som ligger betydelig oppstrøms for de hovedprosessenhetene som modelleres.
F. Fjerning av gjennomsnittlig driftspunkt
[00134] Kontinuerlige raffineringsprosesser og kjemiske prosesser blir stadig flyttet fra ett driftspunkt til et annet. Dette kan være med hensikt, der operatøren eller et optimaliseringsprogram gjør endringer på et viktig innstillingspunkt, eller det kan skyldes langsomme prosessendringer slik som en varmeveksler som går tett eller deaktivering av katalysator. Følgen er at rådataene ikke er stasjonære. Disse endringene i driftspunkter må fjernes for å danne et stasjonær tilstand datasett. I motsatt fall vil disse endringene feilaktig vises som unormale hendelser.
[00135] Prosessmålingene transformeres til awiksvariabler: avvik fra et bevegelig gjennomsnittlig driftspunkt. Denne transformasjonen for å fjerne det gjennomsnittlig driftspunktet er påkrevd ved opprettelse av PCA-modeller for detektering av unormale hendelser. Dette gjøres ved å subtrahere den eksponensialfiltrerte verdien (se ligningene 8 og 9 om eksponensialfilterligninger) for en måling fra dens råverdi og bruke denne differansen i modellen.
X' - måling transformert for å fjerne driftspunktendringer
X - opprinnelig råmåling
Xfiinert _ eksponensialfiltrert råmåling
[00136] Tidskonstanten for eksponensialfilteret bør være av om lag samme størrelse som hovedtidskonstanten for prosessen. Ofte vil en tidskonstant på om lag 40 minutter være tilstrekkelig. Konsekvensen av denne transformasjonen er at innverdiene til PCA-modellen er et mål på den nylige endringen i prosessen fra det bevegelige gjennomsnittlig driftspunktet.
[00137] For at en nøyaktig skal kunne utføre denne transformasjonen, bør dataene samles med den prøvetakingsfrekvensen som passer til online-systemet, ofte hvert minutt eller oftere. Dette vil føre til innsamling av 525 600 prøver for hver målingstaking for å dekke ett år med driftsdata. Når denne transformasjonen er beregnet, blir datasettet prøvetatt på nytt for å komme ned på et mer håndterbart antall prøver, typisk i området 30 000 til 50 000 prøver.
V. Modelldannelse
[00138] Så snart de spesifikke målingene er valgt ut og opplæringsdatasettet er bygd opp, kan modellen raskt bygges ved hjelp av standard verktøy.
A. Skalering av modellinnverdier
[00139] Ytelsen av PCA-modeller er avhengig av skaleringen av innverdiene. Den tradisjonelle fremgangsmåten for skalering er å dividere hver innverdi med sitt standardavvik, CT, innenfor opplæringsdatasettet.
[00140] For innverdisett som inneholder et stort antall nesten identiske målinger (slik som multiple temperaturmålinger av faste katalysator-reaktorsjikt) blir denne fremgangsmåten modifisert ved ytterligere å dividere målingen med kvadratroten av antallet nesten identiske målinger.
For redundante datagrupper
der N = antallet innverdier i redundant datagruppe
[00141] Disse tradisjonelle fremgangsmåtene kan være upassende for målinger fra kontinuerlige raffineringsprosesser og kjemiske prosesser. Fordi prosessen vanligvis er velregulert i bestemte driftspunkter er data fordelingen en kombinasjon av data fra stasjonære operasjoner og data fra «forstyrrede» operasjoner og operasjoner med endring av driftspunkt. Disse data vil ha overmåte små standardavvik fra de fremherskende dataene for stasjonær drift. Den resulterende PCA-modellen vil være overveldende følsom for små til moderate avvik i prosessmålingene.
[00142] For kontinuerlige raffineringsprosesser og kjemiske prosesser bør skaleringen være basert på graden av variabilitet som forekommer under normale prosessforstyrrelser eller under endring av driftspunktet, og ikke på graden av variabilitet som forekommer under kontinuerlig stasjonær drift. For normalt ubegrensede variabler finnes det to ulike måter å bestemme skaleringsfaktoren på.
[00143] Den første går ut på å identifisere tidsintervaller der prosessen ikke ble kjørt ved stasjonær tilstand men heller ikke var utsatt for noen signifikant unormal hendelse. Et begrenset antall målinger virker som nøkkelindikatorer på stasjonær drift. Disse er typisk prosessens nøkkelytelsesindikatorer og inkluderer vanligvis prosess-matehastigheten, produksjonshastigheten for produktet samt produktkvaliteten. Disse nøkkelverdiene brukes til å segmentere operasjonene i perioder med normal stasjonær drift, normalt forstyrret drift og unormal drift. Standardavviket fra tidsintervallene med normalt forstyrret drift gir en god skaleringsfaktor for de fleste av målingene.
[00144] En alternativ angrepsmåte til å beregne skaleringen eksplisitt, basert på forstyrret drift, er å bruke hele opplæringsdatasettet som følger. Skaleringsfaktoren kan finnes tilnærmet ved å se på datafordelingen utenfor 3 standardavvik fra middelverdien. For eksempel bør 99,7 % av dataene ligge innenfor 3 standardavvik fra middel og 99,99 % av dataene ligge innenfor 4 standardavvik fra middel. Spennet i dataverdier mellom 99,7 % og 99,99 % fra middel kan tjene som en tilnærming for standardavviket i de «forstyrrede» dataene i datasettet. Se figur 12.
[00145] Endelig, dersom en måling ofte blir begrenset (se forklaringen om mettede variable), bør bare de tidsintervallene der variabelen er ubegrenset benyttes for beregning av standardavviket som brukes til skaleringsfaktor.
B. Valg av antallet hovedkomponenter
[00146] PCA transformerer de aktuelle prosessvariablene til et sett uavhengige variabler kalt hovedkomponenter (Principal Components, PC), som er lineære kombinasjoner av de opprinnelige variablene (ligning 13).
[00147] Prosessen vil ha et antall frihetsgrader som representerer de spesifikke uavhengige hendelsene som virker inn på prosessen. Disse ulike virkningene vil vise seg i prosessdataene som prosessvariasjon. Prosessvariasjon kan skyldes bevisste endringer, slik som endringer i matehastighet, eller ufrivillige forstyrrelser, slik som endringer i omgivelsestemperatur.
[00148] Hver hovedkomponent modellerer en del av prosessvariabiliteten som skyldes disse ulike, uavhengige påvirkninger på prosessen. Hovedkomponentene ekstraheres i retning av synkende variasjon i datasettet, med hver påfølgende hovedkomponent som modellerer mindre og mindre av prosessvariabiliteten. Signifikante hovedkomponenter representerer en signifikant kilde for prosessvariasjon, for eksempel representerer den første hovedkomponenten vanligvis virkningen av endringer i matehastighet, siden dette vanligvis er kilden til de største prosessendringene. På et eller annet punkt må utvikleren bestemme når prosessvariasjonen som er modellert av hovedkomponentene, ikke lenger representerer en uavhengig kilde for prosessvariasjon.
[00149] Den tekniske tilnærmingen for utvelgelse av det korrekte antall hovedkomponenter er å stoppe når gruppene av variable, som er hovedbidragsyterne til hovedkomponentene, ikke lenger har noen teknisk begrunnelse. Den primære årsaken til prosessvariasjonen, som modelleres av en PC gjenkjennes ved å se på koeffisientene Ai n til de opprinnelige variablene (som kalles belastninger). De koeffisientene som har relativt stor størrelse, er hovedbidragsyterne til en bestemt PC. En person med god forståelse av prosessen skulle være i stand til å se på gruppen av variable som er hovedbidragsytere til en PC og tilordne et navn (feks. matehastighetseffekt) til denne PC-en. Etter hvert som flere og flere PC-er ekstraheres fra dataene blir koeffisientene mer like i størrelse. På dette tidspunktet er variasjonen som blir modellert av en bestemt PC hovedsakelig støy.
[00150] Den tradisjonelle statistiske metoden for å bestemme når PC-en bare modellerer støy er å identifisere når prosessvariasjonen som modelleres med hver ny PC blir konstant. Dette måles av PRESS-statistikken, som plotter mengden av variasjon modellert av hver suksessiv PC (figur 13). Dessverre er denne testen ofte tvetydig for PCA-modeller som er utviklet på raffineringsprosesser og kjemiske prosesser.
VI. Testing og avstemning av modell
[00151] Prosessdata vil ikke ha en gauss- eller normalfordeling. Følgelig bør den standard statistiske metoden med å innstille uløseren for detektering av en unormal hendelse på 3 standardavvik av feilresten ikke brukes. I stedet må utløserpunktet settes empirisk på grunnlag av erfaring med bruken av modellen.
[00152] Initielt bør utløsernivået settes slik at unormale hendelser vil signaleres med en hastighet som er akseptabel for den lokale teknikeren, typisk 5 eller 6 ganger daglig. Dette kan bestemmes ved å se på SPEx-statistikken for opplæringsdatasettet (dette kalles også Q-statistikk eller DMODx-statistikk). Dette nivået settes slik at reelle unormale hendelser ikke vil gå tapt, men falske alarmer vil ikke overvelde den lokale teknikeren.
A. Forsterking av modellen
[00153] Så snart den initielle modellen er opprettet, må den forsterkes ved å opprette et nytt opplæringsdatasett. Dette gjøres ved å bruke modellen til å overvåke prosessen. Så snart modellen indikerer en potensiell unormal situasjon, må teknikeren undersøke og klassifisere prosessituasjonen. Teknikeren vil finne tre forskjellige situasjoner, enten forekommer en eller annen spesiell prosessoperasj on, en virkelig unormal situasjon forekommer, eller prosessen er normal og det er en falsk indikasjon.
[00154] Det nye opplæringsdatasettet settes sammen av data fra spesielle operasjoner og fra normal drift. De samme analysene som ble utført for å danne den initielle modellen må utføres på dataene, og modellen må omberegnes. Med denne nye modellen vil uløsernivået fortsatt bli satt empirisk, men nå, med bedre kommenterte data, kan dette utløserpunktet avstemmes slik at det bare gir en indikasjon når en virkelig unormal hendelse har forekommet.
ENKLE TEKNISKE MODELLER FOR DETEKTERING AV UNORMALE HENDELSER
[00155] Den fysiske, kjemiske og mekaniske konstruksjonen av prosessutstyret samt innsettingen av multiple lignende målinger utgjør en betydelig mengde redundans i dataene fra kontinuerlige raffineringsprosesser og kjemiske prosesser. Denne redundansen kalles fysisk redundans når identiske målinger er til stede, og beregningsmessig redundans når de fysiske, kjemiske eller mekaniske sammenhengene brukes til å utføre uavhengige men ekvivalente estimater av en prosessbetingelse. Denne modellklassen kalles en teknisk redundansmodell.
I. Todimensjonale tekniske redundansmodeller
[00156] Dette er den enkleste modellformen, og den har den generiske formen:
N - konvergensfaktor (feks. 0,0001 )
Normalt driftsområde: xmin < x < xmaks
Normalt modellawik: -(maksfeil) < feil < (maksfeil)
[00157] Uttrykket «operatørforspenning» oppdateres hver gang operatøren fastslår at det har vært en eller annen felthendelse (feks. åpning av en shuntstrøm) som krever at modellen må forflyttes. På operatørens kommando blir operatørforspenningsuttrykket oppdatert slik at ligning 14 er nøyaktig oppfylt (feil; = 0).
[00158] Uttrykket «filtrert forspenning» oppdateres kontinuerlig for å ivareta vedvarende umålte prosessendringer som forspenner den tekniske redundansmodellen. Konvergensfaktoren «N» er satt slik at den eliminerer eventuell vedvarende endring etter et brukerspesifisert tidsintervall, vanligvis på en tidsskala av dager.
[00159] «Normalt driftsområde» og «normalt modellawik» fastsettes ut fra de historiske data for den tekniske redundansmodellen. I de fleste tilfeller er maksfeil-verdien en enkelt verdi, men den kan eventuelt også være en vektor med verdier som avhenger av plassering på x-aksen.
[00160] Enhver todimensjonal ligning kan representeres på denne måten. Materialbalanser, energibalanser, estimerte analysatoravlesninger mot virkelige analysatoravlesninger, kompressorkurver osv. Figur 14 viser en todimensjonal energibalanse.
[00161] Som et aktuelt tilfelle blir strøm mot ventilstilling-modellen forklart mer detaljert.
A. Strøm mot ventilstilling-modellen
[00162] En spesielt verdifull teknisk redundansmodell er strøm mot ventilstilling-modellen. Denne modellen er vist grafisk på figur 2. Den spesielle formen av denne modellen er:
der:
Strøm: målt strøm gjennom en regulatorventil
Delta trykk = nærmeste målte oppstrømstrykk - nærmeste målte nedstrømstrykk
Delta_trykkreferanse: gjennomsnittlig Delta trykk under normal drift
a: modellparameter tilpasset historiske data
Cv: ventilkarakteristisk kurve bestemt empirisk fra historiske data
VP: signal til regulatorventilen (ikke den aktuelle regulatorventilstillingen)
Hensiktene med denne modellen er å:
Detektere trege/fastlåste regulatorventiler
Detektere fryste/mislykte strømmålinger
Detektere regulatorventilvirkning der reguleringssystemet mister styringen av strømmen.
[00163] Dette spesielle arrangementet av ligningen for strøm mot ventil er valgt av hensyn til menneskelige faktorer: x-y-kurven av ligningen i denne formen er den som lettest forstås av operatørene. Det er viktig for alle disse modellene at de blir innrettet på den måten som mest sannsynlig er lett å forstå av operatørene.
B. Utvikling av strøm mot ventilstilling-modellen
[00164] På grunn av de lange periodene med stasjonær drift som forekommer ved kontinuerlige raffineringsprosesser og kjemiske prosesser, kan det være påkrevd med en lang historisk registrering (1 til 2 år) for å oppnå tilstrekkelig data til å dekke driften av reguleringsventilen. Figur 15 viser en typisk strekning med data for strømning, ventil stilling og deltatrykk med de lange periodene med konstant drift. Første trinn er å isolere de korte tidsperiodene da det forekommer noen signifikant variasjon i driften, som vist. Dette bør så bli blandet med perioder med normal drift, tatt fra forskjellige perioder i historien.
[00165] Ofte er enten oppstrømstrykk (ofte et pumpeutløp) eller nedstrøms trykk ikke tilgjengelig. I de tilfellene blir den manglende målingen til en fast modellparameter i modellen. Dersom begge trykk mangler, er det umulig å inkludere trykkeffekten i modellen.
[00166] Den karakteristiske kurven for ventilen kan være enten tilpasset en lineær ventilkurve, en kvadratisk ventilkurve eller en stykkevis lineær funksjon. Den stykkevis lineære funksjonen er den mest fleksible og vil passe for hvilken som helst form av ventilkarakteri stikk.
[00167] Den teoretiske verdien for «a» er 1/2 dersom målingene tas direkte over ventilen. Det er sjelden målingene plasseres der, «a» blir en empirisk fastsatt parameter for å ta hensyn til den aktuelle plasseringen av trykkmålingene.
[00168] Det vil ofte være svært få tidsintervaller med variasjoner i delta trykk. Støyen i delta trykk under de normale driftsperiodene kan forvirre
modelltilpasningsprogrammet. For å unngå dette blir modellen utviklet i to faser, først der et lite datasett som bare inneholder perioder med delta trykk-variasjon blir brukt til å tilpasse modellen. Derpå blir de trykkavhengige parametrene («a» og kanskje de manglende oppstrøms- eller nedstrøms-trykkene) fiksert til de verdiene som er bestemt, og modellen blir utviklet på nytt med det større datasettet.
C. Fuzzy nett-prosessering av strøm mot unormalitetsindikasjoner for ventil
[00169] Som med hvilken som helst todimensjonal teknisk redundansmodell er det to mål på unormalitet, det «normale driftsområdet» og det «normale modellawiket». Det «normale modellawiket» er basert på en normalisert indeks: feil/maks feil. Dette blir matet inn i en fuzzy-diskriminator av type 4 (figur 16). Utvikleren kan velge overgangen fra normal (verdien null) til unormal (verdien 1) på en standard måte ved å bruke den normaliserte indeksen.
[00170] Indeksen for «normalt driftsområde» er ventil stillingens avstand fra det normale området. Den representerer typisk driftsområde for ventilen der en endring i ventil stilling vil føre til liten eller ingen endring i strømmen gjennom ventilen. Igjen kan utvikleren bruke fuzzy-diskriminatoren av type 4 til å dekke både øvre og nedre ende av det normale driftsområdet og overgangen fra normal til unormal drift.
D. Gruppering av multiple strøm/ventil-modeller
[00171] En vanlig måte å gruppere strøm/ventil-modeller på, som er favorisert av operatørene er å legge alle disse modellene inn i ett enkelt fuzzy-nettverk slik at trendindikatoren vil fortelle dem at alle deres kritisk strøm-kontrollere virker. I dette tilfellet vil modell-indikasjonene inn i det fuzzy nettverket (figur 4) inneholde indikasjonene for det «normale driftsområdet» og det «normale modellawiket» for hver av strøm/ventil-modellene. Trenden vil inneholde diskriminatorresultatene fra den verste modellindikasjonen.
[00172] Når en felles utstyrstype grupperes sammen, er en annen måte å se på denne gruppen, som operatørene gjerne bruker, å bruke et Pareto-diagram av strøm/ventiler (figur 17). I dette diagrammet blir de 10 mest unormale ventilene dynamisk arrangert fra den mest unormale til venstre til den minst unormale til høyre. Hver Pareto-søyle har også en referanserute som angir variasjonsgraden for modellens unormalitetsindikasjon som ligger innenfor det normale. Diagrammet på figur 17 viser at «Ventil 10» er betydelig utenfor den normale ruten, men at alle de andre oppfører seg normalt. Operatøren vil dernest undersøke en kurve for «Ventil 10» tilsvarende figur 2 for å diagnostisere problemet med strømreguleringssløyfen.
II. Multidimensjonale teknisk redundansmodeller
[00173] Så snart dimensjonaliteten overstiger 2, blir en enkelt «PCA-lignende» modell utviklet for å håndtere en teknisk redundanskontroll av høy dimensjon. Eksempler på multi dimensjonal redundans er:
materialstrøm inn i prosessenhet 1 = materialstrøm ut av prosessenhet 1 = ... = materialstrøm inn i prosessenhet 2
[00174] På grunn av målekalibreringsfeil vil disse ligningene hver kreve koeffisienter for å kompensere. Følgelig er det settet av modeller som først må utvikles:
[00175] Disse modellene er utviklet på identisk måte som de todimensjonale tekniske redundansmodellene ble utviklet på.
[00176] Dette settet med multidimensjonale kontroller blir nå konvertert til «PCA-lignened» modeller. Denne konverteringen er basert på interpretering av en hovedkomponent i en PCA-modell som en modell for en uavhengig virkning på prosessen der hovedkomponentkoeffisientene (belastninger) representerer den proporsjonale endringen i målingene som følge av denne uavhengige virkningen. På figur 3 er det tre uavhengige og redundante mål XI, X2 og X3. Når X3 endrer seg med én, endrer XI seg med ai og X2 endrer seg med a2. Dette settet med sammenhenger er uttrykt som en enkelt hovedkomponentmodell P, med koeffisienter i uskalerte tekniske enheter som:
[00177] Denne tekniske enhetsversjonen av modellen lar seg konvertere til et standard PCA-modellformat som følger:
[00178] Ved å trekke analogier til statistiske begreper kan konverteringsfaktorene for hver dimensjon X baseres på det normale driftsområdet. Ved for eksempel å bruke 3a omkring middelverdien for å definere det normale driftsområdet, blir de skalerte variablene definert som:
(99,7 % av normale driftsdata skulle falle innenfor 3a av middelverdien)
(som eksplisitt definerer «middel» som midtpunktet for det normale driftsområdet)
(standard PCA-skalering når først middel og a er bestemt)
Da er P'-belastningene for X;:
(kravet om at belastningsvektoren er normalisert)
Dette transformerer P til
[00179] Med denne konverteringen kan den multidimensjonale tekniske redundansmodellen nå behandles ved å bruke standard PCA-struktur til beregning, unntaksbehandling, operatørdisplay og interaksjon.
UTPLASSERING AV PCA-MODELLER OG ENKLE TEKNISKE MODELLER FOR DETEKTERING AV UNORMALE HENDELSER
I. Sperring av operatør og kjente hendelser
[00180] Det kreves sperringslogikk for følgende: • Skaffe en måte for å eliminere falske indikasjoner fra målbare uvanlige hendelser • Skaffe en måte for å klarere unormale indikasjoner som operatøren har undersøkt • Skaffe en måte for midlertidig utkobling av modeller eller målinger for vedlikehold • Skaffe en måte for utkobling av feilvirkende modeller inntil disse kan omjusteres
• Skaffe en måte for permanent utkobling av feilvirkende instrumenter.
[00181] Det finnes to typer av sperring: sperring som blir trigget automatisk av en ekstern, målbar hendelse, og sperring som er igangsatt av operatøren. Logikken bak disse to typene av sperring er vist på figurene 18 og 19. Selv om disse diagrammene viser sperring som forekommer på en fuzzy-fisert modellindeks, kan sperring forekomme på en bestemt måling, på en bestemt modellindeks, på en hel modell, eller på en kombinasjon av modeller innenfor prosessområdet.
[00182] For operatørigangsatt sperring finnes to tidmålere som fastsetter når sperringen er over. Én tidmåler verifiserer at den undertrykte informasjonen er gått tilbake til og forblir i normaltilstanden. Typiske verdier for denne tidmåleren er fra 15 - 30 minutter. Den andre tidmåleren vil reaktivere kontrollen av unormal hendelse, uansett om den er gått tilbake til normaltilstanden. Typiske verdier for denne tidmåleren er enten ekvivalent med varigheten av operatørens arbeidsskift (8 til 12 timer) eller en meget lang tid for semipermanent sperring.
[00183] For hendelsesbasert sperring kreves det en målbar utløser. Denne kan bestå i en endring i operatørinnstillingspunkt, en plutselig endring i måling eller et digitalt signal. Dette signalet konverteres til et tidmålersignal, vist på figur 20. Dette tidmålersignalet blir dannet ut fra utløsersignalet ved hjelp av følgende ligninger:
der:
Yngjeldende filtrerte verdi av utløsersignalet
Yn.iforegående filtrerte verdi av utløsersignalet
Xngjeldende verdi av utløsersignalet
Zn tidmålersignalet vist på figur 20
P eksponensialfilterkonstanten
Tsprøvetakingstiden for målingen
Tf filterets tidskonstant
[00184] Så lenge tidmålersignalet overstiger en terskelverdi (vist som 0,05 på figur 20), forblir hendelsen sperret. Utvikleren innstiller varigheten av sperringen ved å endre tidskonstanten Tf for filteret. Selv om en også kunne bruke en enklere tidmåler for denne funksjonen, vil dette tidmålersignalet ta hensyn til utløsersignaler av forskjellige størrelser og danne lengre sperringr for store endringer og kortere sperringr for mindre endringer.
[00185] Figur 21 viser hendelsessperringen og operatørsperringen som kobler ut forhåndsdefinerte sett med innverdier i PCA-modellen. Settet med innverdier som skal sperres automatisk blir bestemt ut fra virkemåten for online-modellen. Når PCA-modellen gir en indikasjon på at operatøren ikke ønsker å se, kan denne indikasjonen spores til et lite antall individuelle bidrag til feilkvadratsum-indeksen. For å undertrykke disse individuelle bidragene blir beregning av denne indeksen modifisert som følger:
w; vektbidrag for innverdi i (normalt lik 1)
e; vektbidrag til sum av feilkvadrat fra innverdi i
[00186] Når en utløserhendelse oppstår, blir vektbidragene satt lik null hver av de innverdiene som skal sperres. Når disse innverdiene skal reaktiveres, blir vektbidraget gradvis ført tilbake til en verdi lik 1.
II. Dekomponering av PCA-modell
[00187] Selv om PCA-modellen er bygd med bruk av et bredt utstyrsomfang, kan modellindeksene utskilles i grupperinger som passer bedre til hvordan operatøren ser prosessen og kan forbedre følsomheten av indeksen til en unormal hendelse.
[00188] Igjen med henvisning til ligning 29 kan vi opprette flere grupperinger for feilkvadratsum (Sum of Error Square):
[00189] Vanligvis er disse grupperingene basert omkring mindre del-enheter av utstyr (feks. fraksjoneringskoker-delen av et tårn), eller er delgrupperinger som er relevante for funksjonen av utstyret (feks. produktkvalitet).
[00190] Siden hver bidragsyter e; hele tiden adderer til summen av feilkvadrat basert på prosesstøy, øker størrelsen av indeksen lineært med antallet innverdier som bidrar til indeksen. Med færre bidragsytere til beregningen av feilkvadratsummen blir signal/støyforholdet for indeksen forbedret og gjør indeksen mer svarfølsom for unormale hendelser.
[00191] På tilsvarende måte kan hver hovedkomponent deles inn for å passe til utstyrsgrupperingene, og en indeks analog til Hotelling T<2->indeksen kan blir opprettet for hver delgruppe.
[00192] Tersklene for disse indeksene beregnes ved å kjøre testdataene gjennom modellene og innstille følsomheten av tersklene basert på hvordan de oppfører seg med testdataene.
[00193] Disse nye indeksene tolkes for operatøren på den samme måten som en normal PCA-modell blir håndtert. Pareto-diagrammer basert på originalinnverdiene blir vist når det gjelder de største bidragsyterne til feilkvadratsum-indeksen, og de største bidragsyterne til den største P i T<2->beregningen.
III. Overlappende PCA-modeller
[00194] Innverdier vil fremkomme i flere PCA-modeller, slik at alle samhandlingene som påvirker modellen blir inneholdt i modellen. Dette kan gi multiple indikasjoner til operatøren når disse innverdiene er hovedbidragsyterne til feilkvadratsum-indeksen.
[00195] For å unngå dette problemet blir hvilken som helst innverdi som fremkommer i multiple PCA-modeller tilordnet en av disse PCA-modellene som dens primære modell, bidragsvekten i ligning 29 for den primære PCA-modellen vil forbli lik 1, mens den for de ikke-primære PCA-modellene blir satt lik null.
IV. Operatørinngrep og grensesnittkonstruksjon
[00196] De primære målene med operatørgrensesnittet er å: Sørge for en kontinuerlig indikasjon på normaliteten av hovedprosessområdene
under operatørens ansvarsområde • Sørge for hurtig (1 eller 2 museklikk) navigering til den underliggende modellinformasj onen • Sørge for at operatøren får styring over hvilke modeller som er aktivert. Figur 22 viser hvordan disse konstruksjonsmålene er uttrykt i de primære grensesnittene som operatøren bruker.
[00197] Den endelige utverdien fra et fuzzy Petri-nett er også en normalitetstrend, som det er vist på figur 4. Denne trenden representerer modellindeksen som indikerer den største sannsynligheten for unormalitet som definert i fuzzy-diskrimineringsfunksjonen. Antallet trender vist i sammendraget er fleksibelt og avgjort ved diskusjon med operatørene. På denne trenden finnes to referanselinjer for operatøren til å hjelpe med å signalere når de skal handle, en gul linje typisk satt til en verdi på 0,6 og en rød linje typisk satt til en verdi på 0,9. Disse linjene gir veiledning for operatøren om når han forventes å handle. Når trenden krysser den gule linjen vil det grønne triangelet på figur 4 bli gult, og når trenden krysser den røde linjen, blir det grønne triangelet rødt. Triangelet har også den funksjonen at det vil føre operatøren til det displayet som er knyttet til den modellen som gir den mest unormale indikasjonen.
[00198] Dersom modellen er en PCA-modell eller den er en del av en utstyrsgruppe (feks. alle reguleringsventiler), vil valg av det grønne triangelet opprette et Pareto-diagram. For en PCA-modell blant dusinet av største bidragsytere til modellindeksen vil dette indikere den mest unormale (på venstre side) til den minst unormale (på høyre side). Vanligvis vil de viktigste indikatorene for unormal hendelse være blant de første 2 eller 3 målingene. Pareto-diagrammet inkluderer en rød ramme omkring hver søyle for å gi operatøren en referanse for hvor uvanlig målingen kan være før den blir betraktet som en indikasjon på unormalitet.
[00199] For PCA-modeller er operatører forsynt med en trend-Pareto, som svarer til ordenen i søylediagram-Pareto-en. Med trend-Pareto-en har hver kurve to trender, selve målingen (i cyan) og et estimat fra PCA-modellen for hva denne målingen skulle ha vært dersom alt var normalt (i lysebrunt).
[00200] For ventil-/strømningsmodeller vil detaljen under Pareto-en være den todimensjonale kurven for strøm mot ventilstillingmodell. Fra denne kurven kan operatøren tilføye operatørforspenning til modellen.
[00201] Dersom det ikke foreligger utstyrsgruppering, vil valg av det grønne triangelet bringe operatøren direkte til den verste todimensjonale modellen under sammendragstrenden.
[00202] Operatørsperring blir utført på Pareto-diagramnivå ved å velge på/av-knappen under hver søyle.
Bibliografi
I. USA- patentdokumenter
1) 5,859,964 1/12/99 Wang, et al, "System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes" 2) 5,949,678 9/7/99 Wold, et al, "Method for Monitoring Multivariable Processes" 3) 6 522 978 2/18/02 Chen, et al, "Paper web breakage prediction using principal components analysis and classification and regression trees" 4) 6,368,975 4/9/02 Balasubramhanya, et al, "Method and apparatus for monitoring a process by employing principal component analysis" 5) 6,466,877 10/15/02 Chen, et al, "Paper web breakage prediction using principal components analysis and classification and regression trees" 6) 6,521,080 2/18/03 Balasubramhanya, et al, "Method and apparatus for monitoring a process by employing principal component analysis" 7) 6,564,119 5/13/03 Vaculik, et al, "Multivariate Statistical Model Based System for Monitoring the Operation of a Continuous Caster and Detecting the Onset of Impending Breakouts" 8) 6,636,842 10/21/03 Zambrano, et al, "System and method for controlling an industrial process utilizing process trajectories"
II. Litteratur
1. Cardoso, J. et al "Fuzzy Petri Nets . An Overview", 13th Word Congress of BF AC, Vol. I: Identification U, Discrete Event Systems, San Francisco, CA, USA, June 30 - July 5, 1996, pp. 443-448. 2. Jackson, E. " A User's Guide to Principal Component Analysis ", John Wiley & Sons, 1991 3. Kourti, T. "Process Analysis and Abnormal Situation Detection: From Theory to Practice", IEEE Control Systems Magazine, Oet. 2002, pp. 10 - 25 4. Ku, W. "Disturbance Detection and Isolation for Statistical Process Control in Chemical Processes", PhD Thesis, Lehigh University, August 17,1994 5. Martens, H., & Naes, T., "Multivariate Calibration", John Wiley & Sons, 1989 6. Piovoso, M.J., et al. "Process Data Chemometrics", IEEE Trans on Instrumentation and Measurement, Vol. 41, No. 2, April 1992, pp. 262 - 268
Claims (48)
1. System for detektering av unormale hendelser i en industriell prosess,karakterisert vedat det omfatter et sett modeller innbefattende en hovedkomponent analysemodell til å detektere unormale virkninger i nevnte prosess, idet nevnte prosess er delt opp i utstyrsgrupper med minimal interaksjon mellom gruppene og prosessdriftsmoduser med prosessmålinger som innførte verdier til nevnte modeller, hvor separate hovedkomponent analysemodeller tilsvarer en utstyrsgruppe og prosess-operasjonsmoduser og hvor hver hovedkomponent analysemodell er en lineær kombinasjon av prosessmålinger.
2. System i henhold til krav 1,
karakterisert vedat nevnte utstyrsgrupper inkluderer alle større mate-rial- og energiinteraksjoner i samme gruppe.
3. System i henhold til krav 1,
karakterisert vedat nevnte utstyrsgrupper inkluderer hurtige resirkuleringer i samme gruppe.
4. System i henhold til krav 1,
karakterisert vedat nevnte utstyrsgrupper inkluderer fremkoblings- og tilbakekoblingsbaner mellom oppstrøms og nedstrøms utstyrsgrupper.
5. System i henhold til krav 1,
karakterisert vedat driftsmodusene er bestemte tidsintervaller hvor prosessene oppfører seg betydelig annerledes.
6. System i henhold til krav 1,
karakterisert vedat innførte verdier til systemet er målinger som måler ytelsen og/eller den fysiske tilstanden til prosessens system.
7. System i henhold til krav 6,
karakterisert vedat de nevnte innførte verdiene har et signal-til-støy-forhold over en forhåndsbestemt verdi.
8. System ifølge krav 6,
karakterisert vedat nevnte innførte målinger tilfredsstiller en kryss-korrelasjons-test.
9. System ifølge krav 6,
karakterisert vedat de innførte verdier bestemmer den fysiske tilstand av systemet.
10. System ifølge krav 9,
karakterisert vedat signal-til-støy-forholdet er større enn 4.
11. System i henhold til krav 9,
karakterisert vedat nevnte innførte verdier til systemet inkluderer temperaturer og/eller trykk og/eller strømninger.
12. System ifølge krav 10,
karakterisert vedat det ytterligere omfatter et operator-grensesnitt.
13. System i henhold til krav 11,
karakterisert vedat nevnte ut-verdier fra nevnte fuzzy Petri-nett er en normalitets-tendens.
14. System ifølge krav 1,
karakterisert vedat modell ut-verdier blir kombinert ved å bruke fuzzy Petri-nett.
15. System ifølge krav 1,
karakterisert vedat nevnte innføre verdier til nevnte hovedkomponent analysemodell er skalerte.
16. System i henhold til krav 15,
karakterisert vedat nevnte operatørgrensesnitt inkluderer Pareto-diagrammer.
17. System i henhold til krav 15,
karakterisert vedat nevnte operatørgrensesnitt inkluderer en indikasjon på den modellen som gir den mest unormale indikasjonen.
18. System i henhold til krav 15,
karakterisert vedat nevnte operatørgrensesnitt inkluderer en kontinuerlig indikasjon på normaliteten hos hovedprosessområder.
19. System i henhold til krav 15,
karakterisert vedat fuzzy-nettet inkluderer en normalitetstrend som indikerer den største sannsynligheten av unormalitet.
20. System i henhold til krav 18,
karakterisert vedat nevnte tekniske modeller er overflødighets-kontroller basert på kjente tekniske forhold.
21. System ifølge krav 1,
karakterisert vedat det ytterligere omfatter tekniske modeller.
22. System i henhold til krav 21,
karakterisert vedat nevnte overflødighetskontroller er 2x2-kontroller.
23. System i henhold til krav 21,
karakterisert vedat nevnte overflødighetskontroller er multiple redundanskontroller.
24. System ifølge krav 1,
karakterisert vedat det ytterligere omfatter indirekte målinger.
25. System i henhold til krav 1,
karakterisert vedat nevnte sett modeller er blitt omstrukturert på grunnlag av prosessoperasjoner.
26. System i henhold til krav 1,
karakterisert vedat nevnte industrielle prosess er en kjemisk prosess.
27. System i henhold til krav 1,
karakterisert vedat nevnte industrielle prosess er en petrokjemisk prosess.
28. System i henhold til krav 1,
karakterisert vedat nevnte industrielle prosess er en raffineringspro-sess.
29. Fremgangsmåte for utvikling av en detektor for unormal hendelse for en industriell prosess,
karakterisert vedat fremgangsmåten omfatter: a) oppdeling av prosessen i utstyrsgrupper med minimal interaksjon mellom gruppene og/eller driftsmoduser som har spesifikke tidsperioder hvor pro-sessoppførselen er vesentlig forskjellig, b) fastsettelse av innføringsverdi-variabler og deres driftsområde for nevnte utstyr og/eller driftsmoduser, c) fastsettelse av historiske data for nevnte innføringsverdi-variabler, d) fastsettelse av et historisk dataopplæringssett som ikke har noen unormal drift, e) opprettelse av et sett modeller innbefattende hovedkomponentanalysemodeller inkludert i settet, én for hver av nevnte utstyrsgrupper og/eller driftsmoduser ved hjelp av nevnte historiske dataopplæringssett, hvor hver hovedkomponent er en lineær kombinasjon av prosessmålinger.
30. Fremgangsmåte i henhold til krav 29,
karakterisert vedat den i tillegg omfatter opprettelse av tekniske modeller basert på kjente tekniske sammenhenger og som kombineres med settet av modeller for nevnte utstyrsgrupper og/eller driftsmoduser.
31. Fremgangsmåte i henhold til krav 29,
karakterisert vedat nevnte modeller er rekalibrerte med et nytt historisk dataopplæringssett.
32. Fremgangsmåte i henhold til krav 31,
karakterisert vedat den i tillegg omfatter trinnet med å kombinere utgående verdier fra modellene ved hjelp av fuzzy Petri-nett.
33. Fremgangsmåte i henhold til krav 29,
karakterisert vedat den i tillegg omfatter trinnet med å vise utgående verdier fra settet med modeller som en normalitetstendens.
34. Fremgangsmåte i henhold til krav 29,
karakterisert vedat den i tillegg omfatter trinnet med å bruke fuzzy Petri-nett til å tolke utverdier fra nevnte sett med modeller som normale eller unormale.
35. Fremgangsmåte i henhold til krav 29,
karakterisert vedat den i tillegg omfatter trinnet med, ved hjelp av fuzzy Petri-nett, å kombinere modell-utgående verdier til et enkelt kontinuerlig sammendrag av normalitet og unormalitet.
36. Fremgangsmåte i henhold til krav 29,
karakterisert vedat den i tillegg omfatter trinnet med å supplere hovedkomponentanalyse-modellene med kjente tekniske sammenhenger.
37. Fremgangsmåte i henhold til krav 36,
karakterisert vedat nevnte kjente tekniske sammenheng er 2x2 redundanskontroller.
38. Fremgangsmåte i henhold til krav 36,
karakterisert vedat nevnte kjente tekniske sammenhenger er multidimensjonale redundanskontroller.
39. Fremgangsmåte i henhold til krav 36,
karakterisert vedat den i tillegg omfatter trinnet med, ved hjelp av fuzzy Petri-nett, å kombinere settet av hovedkomponent analysemodeller med kjente tekniske sammenhenger.
40. Fremgangsmåte i henhold til krav 29,
karakterisert vedat nevnte industrielle prosess er en kjemisk prosess.
41. Fremgangsmåte i henhold til krav 29,
karakterisert vedat nevnte industrielle prosess er en petrokjemisk prosess.
42. Fremgangsmåte i henhold til krav 29,
karakterisert vedat nevnte industrielle prosess er en raffineringspro-sess.
43. Fremgangsmåte for bestemmelse av en unormal hendelse for en industriell prosess,
karakterisert vedat den omfatter å sammenligne online-målinger fra nevnte industrielle prosess med målinger for normal drift ved å bruke et sett av modeller innbefattende hovedkomponentanalysemodeller hvor nevnte prosess har blitt delt opp i utstyrsgrupper med minimal interaksjon mellom grupper og/eller operasjonsmodeller og/eller tekniske modeller hvor en hovedkomponent analysemodell tilsvarer hver utstyrsgruppe og hver hovedkomponent er en lineær kombinasjon av prosessmålinger.
44. Fremgangsmåte i henhold til krav 43,
karakterisert vedat utgående verdi fra settet av modeller blir kombinert ved hjelp av fuzzy Petri-nett til å gi et kontinuerlig sammendrag av normaliteten ved prosessen.
45. Fremgangsmåte i henhold til krav 44,
karakterisert vedat den i tillegg omfatter trinnet med å opprette et Pareto-diagram for en utstyrsgruppe, en driftsmodus eller en teknisk modell.
46. Fremgangsmåte i henhold til krav 43,
karakterisert vedat nevnte industrielle prosess er en kjemisk prosess.
47. Fremgangsmåte i henhold til krav 43,
karakterisert vedat nevnte industrielle prosess er en petrokjemisk prosess.
48. Fremgangsmåte i henhold til krav 43,
karakterisert vedat nevnte industrielle prosess er en raffineringspro-sess.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US60917204P | 2004-09-10 | 2004-09-10 | |
US11/212,189 US7349746B2 (en) | 2004-09-10 | 2005-08-26 | System and method for abnormal event detection in the operation of continuous industrial processes |
PCT/US2005/032094 WO2006031635A2 (en) | 2004-09-10 | 2005-09-09 | System and method for abnormal event detection in the operation of continuous industrial processes |
Publications (2)
Publication Number | Publication Date |
---|---|
NO20071830L NO20071830L (no) | 2007-05-09 |
NO338660B1 true NO338660B1 (no) | 2016-09-26 |
Family
ID=36035171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NO20071830A NO338660B1 (no) | 2004-09-10 | 2007-04-10 | System og fremgangsmåte for detektering av unormale hendelser under drift av kontinuerlige industrielle prosesser |
Country Status (6)
Country | Link |
---|---|
US (1) | US7349746B2 (no) |
EP (1) | EP1789856A4 (no) |
JP (1) | JP5364265B2 (no) |
CA (1) | CA2578612C (no) |
NO (1) | NO338660B1 (no) |
WO (1) | WO2006031635A2 (no) |
Families Citing this family (102)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US7647177B2 (en) * | 2005-03-31 | 2010-01-12 | Deere & Company | System and method for determining a position of a vehicle |
US7720598B2 (en) * | 2005-03-31 | 2010-05-18 | Deere & Company | System and method for determining a position of a vehicle with compensation for noise or measurement error |
US7653483B2 (en) * | 2005-03-31 | 2010-01-26 | Deere & Company | System and method for determining a position of a vehicle |
CN101542509A (zh) * | 2005-10-18 | 2009-09-23 | 霍尼韦尔国际公司 | 用于早期事件检测的系统、方法和计算机程序 |
KR100679721B1 (ko) * | 2005-11-01 | 2007-02-06 | (주)아이세미콘 | 반도체 공정장비의 변동 감지방법 |
JP2007250748A (ja) * | 2006-03-15 | 2007-09-27 | Omron Corp | プロセス異常分析装置および方法並びにプログラム |
JP6034546B2 (ja) * | 2006-03-16 | 2016-11-30 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | 軽減システムの改善された操作方法及び装置 |
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 |
US20070265801A1 (en) * | 2006-05-05 | 2007-11-15 | Honeywell International Inc. | Multivariate monitoring of operating procedures |
US20080010531A1 (en) * | 2006-06-12 | 2008-01-10 | Mks Instruments, Inc. | Classifying faults associated with a manufacturing process |
US8489360B2 (en) | 2006-09-29 | 2013-07-16 | Fisher-Rosemount Systems, Inc. | Multivariate monitoring and diagnostics of process variable data |
US7421351B2 (en) * | 2006-12-21 | 2008-09-02 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
US7496472B2 (en) * | 2007-01-25 | 2009-02-24 | Johnson Controls Technology Company | Method and system for assessing performance of control systems |
US8112305B2 (en) * | 2007-01-30 | 2012-02-07 | International Business Machines Corporation | Systems and methods for distribution-transition estimation of key performance indicator |
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 |
US20080242947A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Configuring software for effective health monitoring or the like |
US20090118593A1 (en) * | 2007-11-07 | 2009-05-07 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Determining a demographic characteristic based on computational user-health testing of a user interaction with advertiser-specified content |
US20090005653A1 (en) * | 2007-03-30 | 2009-01-01 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090024050A1 (en) * | 2007-03-30 | 2009-01-22 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20080243005A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20090132275A1 (en) * | 2007-11-19 | 2009-05-21 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Determining a demographic characteristic of a user based on computational user-health testing |
US20080287821A1 (en) * | 2007-03-30 | 2008-11-20 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20080242952A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liablity Corporation Of The State Of Delaware | Effective response protocols for health monitoring or the like |
US20090018407A1 (en) * | 2007-03-30 | 2009-01-15 | Searete Llc, A Limited Corporation Of The State Of Delaware | Computational user-health testing |
US20080319276A1 (en) * | 2007-03-30 | 2008-12-25 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
US20080242948A1 (en) * | 2007-03-30 | 2008-10-02 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Effective low-profile health monitoring or the like |
US20090119154A1 (en) * | 2007-11-07 | 2009-05-07 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Determining a demographic characteristic based on computational user-health testing of a user interaction with advertiser-specified content |
US20090005654A1 (en) * | 2007-03-30 | 2009-01-01 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational user-health testing |
WO2008137544A1 (en) | 2007-05-02 | 2008-11-13 | Mks Instruments, Inc. | Automated model building and model updating |
DE102007027276A1 (de) * | 2007-06-11 | 2008-12-18 | Endress + Hauser Gmbh + Co. Kg | Feldgerät mit einer Vorrichtung zur Durchführung von Diagnoseverfahren |
KR20100042293A (ko) * | 2007-08-14 | 2010-04-23 | 셀 인터나쵸나아레 레사아치 마아츠샤피 비이부이 | 화학 플랜트 또는 정제소를 연속해서 온라인 모니터하는 시스템 및 방법 |
GB0717991D0 (en) * | 2007-09-15 | 2007-10-24 | Curvaceous Software Ltd | Multi-variable operations |
US7930136B2 (en) * | 2007-10-02 | 2011-04-19 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications |
US8924877B2 (en) | 2007-10-29 | 2014-12-30 | Honeywell International Inc. | Apparatus and method for displaying changes in statistical parameters in a process control system |
US8949671B2 (en) * | 2008-01-30 | 2015-02-03 | International Business Machines Corporation | Fault detection, diagnosis, and prevention for complex computing systems |
US7958065B2 (en) * | 2008-03-18 | 2011-06-07 | International Business Machines Corporation | Resilient classifier for rule-based system |
US8494798B2 (en) * | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US8407170B2 (en) * | 2008-11-25 | 2013-03-26 | Lockheed Martin Corporation | Root-cause analysis system and associated methods |
US9069345B2 (en) * | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
US8594977B2 (en) * | 2009-06-04 | 2013-11-26 | Honeywell International Inc. | Method and system for identifying systemic failures and root causes of incidents |
US9323234B2 (en) * | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
US8041540B2 (en) * | 2009-12-09 | 2011-10-18 | General Electric Company | System, device, and method for acoustic and visual monitoring of a wind turbine |
US8645769B2 (en) * | 2010-01-08 | 2014-02-04 | Nec Corporation | Operation management apparatus, operation management method, and program storage medium |
WO2011119509A1 (en) * | 2010-03-20 | 2011-09-29 | Emsense Corporation | Spatially constrained biosensory measurements to decode physiological states and user responses induced by marketing media |
US8862250B2 (en) | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
US20120059682A1 (en) * | 2010-09-03 | 2012-03-08 | Honeywell International Inc. | Continuous improvement for a procedure management system to reduce the incidence of human procedure execution failures |
US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US8839036B2 (en) | 2010-12-30 | 2014-09-16 | Schneider Electric It Corporation | System and method for root cause analysis |
US10558544B2 (en) | 2011-02-14 | 2020-02-11 | International Business Machines Corporation | Multiple modeling paradigm for predictive analytics |
KR101803971B1 (ko) * | 2011-03-30 | 2017-12-01 | 서울대학교산학협력단 | 변동 계수의 통계적 분석에 의한 화학 공정의 이상 원인 분석 방법 |
JP5855841B2 (ja) * | 2011-04-01 | 2016-02-09 | 株式会社日立国際電気 | 管理装置 |
US8949668B2 (en) * | 2011-05-23 | 2015-02-03 | The Boeing Company | Methods and systems for use in identifying abnormal behavior in a control system including independent comparisons to user policies and an event correlation model |
US8762301B1 (en) | 2011-10-12 | 2014-06-24 | Metso Automation Usa Inc. | Automated determination of root cause |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
JP5868784B2 (ja) * | 2012-05-31 | 2016-02-24 | 横河電機株式会社 | プロセス監視システム及び方法 |
US9471411B2 (en) | 2013-01-23 | 2016-10-18 | International Business Machines Corporation | Monitoring and capturing early diagnostic data |
US9414244B2 (en) | 2013-07-22 | 2016-08-09 | Motorola Solutions, Inc. | Apparatus and method for determining context-aware and adaptive thresholds in a communications system |
US9379951B2 (en) | 2014-01-10 | 2016-06-28 | Instep Software, Llc | Method and apparatus for detection of anomalies in integrated parameter systems |
WO2015116326A1 (en) * | 2014-01-30 | 2015-08-06 | Exxonmobil Research And Engineering Company | Real time optimization of batch processes |
CN104536439B (zh) * | 2015-01-20 | 2017-03-01 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 |
CN104699077B (zh) * | 2015-02-12 | 2017-06-06 | 浙江大学 | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 |
US10769322B2 (en) * | 2015-02-19 | 2020-09-08 | Mitsubishi Electric Corporation | Procedure extraction system |
CN105045253B (zh) * | 2015-05-27 | 2018-04-03 | 广东蓄能发电有限公司 | 电气设备异常运行工况快速甄别方法 |
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
US9697070B2 (en) | 2015-08-31 | 2017-07-04 | Microsoft Technology Licensing, Llc | Predicting service issues by detecting anomalies in event signal |
US10394897B2 (en) | 2015-09-11 | 2019-08-27 | International Business Machines Corporation | Visualization of serial processes |
KR102670325B1 (ko) * | 2015-09-18 | 2024-06-07 | 삼성전자주식회사 | 장비 관련 편차의 근본 원인 분석을 위한 방법 및 시스템 |
US10228685B2 (en) * | 2015-10-22 | 2019-03-12 | Globalfoundries Inc. | Use of multivariate models to control manufacturing operations |
US10955810B2 (en) * | 2015-11-13 | 2021-03-23 | International Business Machines Corporation | Monitoring communications flow in an industrial system to detect and mitigate hazardous conditions |
US9928625B2 (en) | 2015-11-19 | 2018-03-27 | International Business Machines Corporation | Visualizing temporal aspects of serial processes |
CN109643085B (zh) * | 2016-08-23 | 2022-05-10 | 埃森哲环球解决方案有限公司 | 实时工业设备生产预测和操作优化 |
EP3287960B1 (en) * | 2016-08-25 | 2024-05-15 | ABB Schweiz AG | Computer system and method to process alarm signals |
US10997135B2 (en) | 2016-09-16 | 2021-05-04 | Oracle International Corporation | Method and system for performing context-aware prognoses for health analysis of monitored systems |
US20180087790A1 (en) * | 2016-09-28 | 2018-03-29 | Johnson Controls Technology Company | Systems and methods for automatically creating and using adaptive pca models to control building equipment |
US10495334B2 (en) | 2016-09-28 | 2019-12-03 | Johnson Controls Techology Company | Systems and methods for steady state detection |
US10860005B2 (en) * | 2016-10-31 | 2020-12-08 | Kokusai Electric Corporation | Substrate processing apparatus and non-transitory computer-readable recording medium |
US10606253B2 (en) * | 2017-02-08 | 2020-03-31 | United Microelectronics Corp. | Method of monitoring processing system for processing substrate |
EP3367261A1 (de) | 2017-02-28 | 2018-08-29 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zum klassifizieren von information und klassifizierungsprozessor |
WO2018231542A1 (en) * | 2017-06-12 | 2018-12-20 | Honeywell International Inc. | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance |
CN109901544A (zh) | 2017-12-07 | 2019-06-18 | 开利公司 | 制冷系统、用于其的故障诊断系统、故障诊断方法及控制器与存储介质 |
US11348018B2 (en) * | 2017-12-19 | 2022-05-31 | Aspen Technology, Inc. | Computer system and method for building and deploying models predicting plant asset failure |
US11120350B2 (en) * | 2018-03-21 | 2021-09-14 | Jiangnan University | Multilevel pattern monitoring method for industry processes |
CN108737406B (zh) * | 2018-05-10 | 2020-08-04 | 北京邮电大学 | 一种异常流量数据的检测方法及系统 |
KR102502198B1 (ko) * | 2018-08-10 | 2023-02-21 | 가부시키가이샤 후지킨 | 동작 해석 시스템 |
WO2020064030A1 (en) * | 2018-09-30 | 2020-04-02 | 4Dot Mechatronic Systems S.R.O. | Diagnostic system of forming machines |
RU2724075C1 (ru) | 2018-12-28 | 2020-06-19 | Акционерное общество "Лаборатория Касперского" | Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками |
US11156991B2 (en) | 2019-06-24 | 2021-10-26 | Nanotronics Imaging, Inc. | Predictive process control for a manufacturing process |
WO2020261300A2 (en) * | 2019-06-27 | 2020-12-30 | Tata Consultancy Services Limited | Method and system for performance optimization of flue gas desulphurization (fgd) unit |
US11415438B2 (en) | 2019-07-17 | 2022-08-16 | ExxonMobil Technology and Engineering Company | Intelligent system for identifying sensor drift |
WO2021059303A2 (en) * | 2019-09-27 | 2021-04-01 | Tata Consultancy Services Limited | Method and system for industrial data mining |
US11063965B1 (en) * | 2019-12-19 | 2021-07-13 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
US11100221B2 (en) * | 2019-10-08 | 2021-08-24 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
US20210176319A1 (en) * | 2019-12-06 | 2021-06-10 | Zurn Industries, Llc | Water management system and user interface |
US11086988B1 (en) * | 2020-02-28 | 2021-08-10 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
CN111665761B (zh) * | 2020-06-23 | 2023-05-26 | 上海一旻成锋电子科技有限公司 | 工业控制系统及控制方法 |
US11188064B1 (en) * | 2021-05-04 | 2021-11-30 | Ixden Ltd. | Process flow abnormality detection system and method |
CN113539383B (zh) * | 2021-06-02 | 2022-10-04 | 中南大学 | 基于动态多目标优化和模糊多属性决策的除铜过程控制方法 |
CN117076260B (zh) * | 2023-10-17 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
Citations (2)
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 |
EP0428135A2 (en) * | 1989-11-13 | 1991-05-22 | Komatsu Ltd. | Fault diagnosing apparatus and method |
Family Cites Families (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US225466A (en) * | 1880-03-16 | Machine-gun | ||
US22776A (en) | 1859-02-01 | Cak-coupling | ||
US2776A (en) * | 1842-09-17 | Window-blind hinge and fastening | ||
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 |
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 |
JP3189929B2 (ja) * | 1994-03-07 | 2001-07-16 | 横河電機株式会社 | 状態予測装置 |
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 |
DE69921602T2 (de) | 1998-07-21 | 2005-12-01 | Dofasco Inc., Hamilton | Auf einem multivariablen statistischen modell basierendes system zur darstellung des betriebs einer stranggiessanlage und detektion bevorstehender durchbrüche |
JP2000155700A (ja) * | 1999-01-01 | 2000-06-06 | Hitachi Ltd | 品質情報収集診断システムおよびその方法 |
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 |
US6522978B1 (en) | 1999-09-15 | 2003-02-18 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6542852B2 (en) * | 1999-09-15 | 2003-04-01 | General Electric Company | System and method for paper web time-to-break prediction |
US6466877B1 (en) | 1999-09-15 | 2002-10-15 | 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 |
EP1250632B1 (de) * | 2000-01-29 | 2005-01-19 | 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 |
US6636842B1 (en) | 2000-07-15 | 2003-10-21 | Intevep, S.A. | System and method for controlling an industrial process utilizing process trajectories |
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 |
DE60232711D1 (de) | 2001-03-01 | 2009-08-06 | Fisher Rosemount Systems Inc | Bezugsmarkierungtechnik zur schätzung und benutzung von abbau-niveaux in einer prozessanlage |
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 |
WO2002073475A1 (en) | 2001-03-08 | 2002-09-19 | California Institute Of Technology | Exception analysis for multimissions |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | 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 |
CA2414167A1 (en) * | 2002-12-12 | 2004-06-12 | Dofasco Inc. | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
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 |
WO2007047375A1 (en) | 2005-10-14 | 2007-04-26 | Fisher-Rosemount Systems, Inc. | Statistical signatures used with multivariate statistical analysis for fault detection and isolation and abnormal condition prevention in a process |
CN101542509A (zh) | 2005-10-18 | 2009-09-23 | 霍尼韦尔国际公司 | 用于早期事件检测的系统、方法和计算机程序 |
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 US11/212,189 patent/US7349746B2/en active Active
- 2005-09-09 EP EP05795250A patent/EP1789856A4/en not_active Ceased
- 2005-09-09 CA CA2578612A patent/CA2578612C/en active Active
- 2005-09-09 WO PCT/US2005/032094 patent/WO2006031635A2/en active Application Filing
- 2005-09-09 JP JP2007531351A patent/JP5364265B2/ja not_active Expired - Fee Related
-
2007
- 2007-04-10 NO NO20071830A patent/NO338660B1/no not_active IP Right Cessation
Patent Citations (2)
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 |
EP0428135A2 (en) * | 1989-11-13 | 1991-05-22 | Komatsu Ltd. | Fault diagnosing apparatus and method |
Also Published As
Publication number | Publication date |
---|---|
EP1789856A2 (en) | 2007-05-30 |
JP5364265B2 (ja) | 2013-12-11 |
NO20071830L (no) | 2007-05-09 |
CA2578612C (en) | 2014-08-26 |
WO2006031635A3 (en) | 2006-12-14 |
WO2006031635A2 (en) | 2006-03-23 |
CA2578612A1 (en) | 2006-03-23 |
US7349746B2 (en) | 2008-03-25 |
US20060058898A1 (en) | 2006-03-16 |
EP1789856A4 (en) | 2008-10-29 |
JP2008512792A (ja) | 2008-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
NO338660B1 (no) | System og fremgangsmåte for detektering av unormale hendelser under drift av kontinuerlige industrielle prosesser | |
JP5190265B2 (ja) | 異常事象検知技術の水素化分解装置への適用 | |
US7761172B2 (en) | Application of abnormal event detection (AED) technology to polymers | |
CA2649863C (en) | Application of abnormal event detection technology to delayed coking unit | |
CA2579658C (en) | Application of abnormal event detection technology to olefins recovery trains | |
Joe Qin | Statistical process monitoring: basics and beyond | |
US8027804B2 (en) | Statistical processing methods used in abnormal situation detection | |
US7827006B2 (en) | Heat exchanger fouling detection | |
JP2010506331A (ja) | 製造プラントにおける不良検知方法およびシステム | |
EP2062106A2 (en) | On-line monitoring and diagnostics of a process using multivariate statistical analysis | |
WO2008042739A2 (en) | On-line monitoring and diagnostics of a process using multivariate statistical analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM1K | Lapsed by not paying the annual fees |