Índice de sanidad vegetal como herramienta de detección de anomalías en procesos de refinería de petróleo.

Jun 06, 2023

Scientific Reports volumen 12, número de artículo: 14477 (2022) Citar este artículo

3312 Accesos

1 altmétrica

Detalles de métricas

La detección temprana de cambios anormales significativos es muy deseable para los procesos de refinería de petróleo, que consisten en operaciones unitarias sofisticadas que manejan inventarios peligrosos e inflamables y operan a altas temperaturas y presiones. La monitorización estrecha y la detección de anomalías son vitales para evitar accidentes y pérdidas importantes y permitir la intervención antes de que se produzca una falla. En este trabajo se propone una nueva herramienta de análisis de big data llamada Plant Health Index (PHI). PHI es un software de detección de anomalías estadísticas que entrena su modelo utilizando el funcionamiento normal de la planta en línea y luego utiliza análisis estadísticos para detectar anomalías. Para detectar anomalías se emplea un método combinado de análisis multivariado de residuos y modelos no paramétricos del proceso. La metodología proporciona una representación estructurada de las variables de la planta para facilitar la detección de problemas junto con la detección de cambios en la operación del sistema. El sistema PHI ha sido probado en unidades de hidrotratamiento en una refinería, que consta de reactores catalíticos y separadores. La implementación actual etiquetó 170 variables de proceso y demostró ser efectiva para capturar las condiciones operativas normales de la planta. Cuando se puso en línea, PHI pudo detectar anomalías que son difíciles de detectar utilizando el sistema de control y antes de ser detectadas por el sistema de alarma.

Las refinerías de petróleo se encuentran entre las estructuras dinámicas más complicadas y requieren una operación fluida, eficaz y segura para producir continuamente productos de alta calidad a costos competitivos. Se necesitan sistemas de vigilancia extremadamente sofisticados, con identificación temprana de fallos de funcionamiento y comportamientos anómalos de la planta. Los algoritmos de aprendizaje automático se pueden utilizar de forma eficaz para descubrir anomalías basadas en datos históricos y en línea, lo que puede conducir a la supervisión del estado del sistema. Al estudiar conjuntos de datos del mundo real, un requisito común es saber qué ejemplos se destacan por ser diferentes de todos los demás. Las anomalías son este tipo de eventos, y el propósito de la detección de valores atípicos o de anomalías es encontrarlos todos utilizando datos operativos en línea1.

El sector petrolero se ha convertido en una industria altamente regulada con la seguridad operativa como objetivos principales. Casi todos los equipos instalados en las refinerías modernas cuentan con sensores que monitorean su actividad y actuadores controlados remotamente para operar sobre ellos con el fin de gestionar el perfil operativo, evitar eventos no deseados y evitar fallas catastróficas. La integridad física de las plantas de petróleo y gas está estrictamente protegida a través de múltiples capas de sistemas de control y alarma que reaccionan ante circunstancias inusuales. La detección de anomalías es importante porque las anomalías en los datos pueden generar información procesable significativa en una variedad de campos de aplicación1. La capacidad de actuar sobre el entorno para responder, prevenir o remediar adecuadamente las situaciones asociadas con dicha información única le da al tomador de decisiones la capacidad de identificarla correctamente2.

Otra consideración importante en las industrias de procesos, como las refinerías de petróleo, es el manejo de grandes cantidades de materiales peligrosos e inflamables, que fluyen a altas velocidades (toneladas por hora), altas temperaturas (cientos de grados Celsius) y energía (en megavatios)3. . Cada segundo hay miles de personas y millones de dólares en juego, ya que un pequeño fallo o error puede causar daños importantes a toda la planta y a sus trabajadores, así como pérdidas de ingresos. Como resultado, la principal preocupación de la gestión de una planta industrial es garantizar la seguridad continua, la eficiencia del proceso, la durabilidad a largo plazo y el tiempo de inactividad programado (frente a no programado). Los sistemas de control distribuido (DCS) y los sistemas de control de supervisión y adquisición de datos (SCADA) se utilizan comúnmente para el monitoreo y control continuo de equipos y operaciones unitarias, como bombas, compresores, separadores, calderas, intercambiadores de calor y reactores catalíticos. Las variables que generalmente se miden y transmiten como señales son la temperatura, el caudal, el nivel, la presión y la vibración. Con cientos o miles de sensores de monitoreo utilizados en toda la planta de proceso, realizar un seguimiento de si funcionan correctamente o no requiere mucho tiempo y mano de obra costosa4.

Las tecnologías informáticas avanzadas y la disponibilidad de medios de almacenamiento más baratos permitieron a las industrias de procesos acumular una enorme cantidad de datos con marcas de tiempo que se almacenan como registros de todas las mediciones de los últimos meses o años. Los "historiadores" de procesos disponibles en los sistemas DCS proporcionan herramientas estadísticas y de visualización útiles para procesar y comparar tendencias operativas anteriores. Sin embargo, las capacidades predictivas de dichas herramientas son muy limitadas y los operadores y técnicos, que suelen estar sobrecargados de trabajo, confían en su intuición y experiencia, especialmente cuando se trata de encontrar patrones útiles en datos masivos y deducir desviaciones y anomalías futuras esperadas que puedan resultar en daños y pérdidas imprevistos. Como resultado, los modelos efectivos para monitorear e identificar anormalidades o anomalías basados ​​en varios sensores y datos históricos conectados a las operaciones de la planta son cada vez más importantes y están bajo demanda. En este caso, los enfoques de minería de datos y aprendizaje automático pueden resultar eficaces para resolver los desafíos que enfrentan las industrias del petróleo y el gas.

Este artículo intenta explorar la utilización del análisis de Big Data en el contexto de los procesos de mantenimiento de refinerías de petróleo. El mantenimiento de los equipos y sensores de la planta es crucial para el funcionamiento normal de la planta. El objetivo de los sistemas de soporte de mantenimiento es identificar la degradación de equipos o componentes y rectificarlos o reemplazarlos para mantener sus funciones originales. Las estrategias de mantenimiento se pueden clasificar en mantenimiento reactivo o proactivo (ver Fig. 1). Las estrategias convencionales de mantenimiento suelen basarse en procesos reactivos o correctivos, según los cuales se reemplazan los equipos o si y sólo si se han dañado o sufren una degradación severa de su rendimiento. Esta estrategia de "correr hasta fallar", conocida como mantenimiento de averías, sigue siendo ampliamente apropiada para equipos cuya falla no afectará las operaciones y se puede volver a poner en servicio rápida y fácilmente o cuyo tiempo y modos de falla no exhiben un patrón estadístico significativo. Sin embargo, las consecuencias de algunos fracasos pueden ser de gran alcance y costosas. Estos fallos pueden provocar graves dificultades operativas o incluso parar la planta provocando graves pérdidas económicas. En tales circunstancias, son necesarias estrategias de mantenimiento proactivo (ver Fig. 1) para evitar fallas graves. Una estrategia proactiva comúnmente utilizada es el mantenimiento preventivo que se basa en el análisis del historial de fallas del equipo y, en consecuencia, se planifica y lleva a cabo un programa de mantenimiento para reparar el equipo antes de que falle. Sin embargo, en algunos casos, el mantenimiento preventivo puede resultar costoso o incluso un desperdicio. Se desarrolló una nueva estrategia de mantenimiento para reducir los gastos de mantenimiento. En esta estrategia, las condiciones del equipo se monitorean periódicamente hasta que el equipo comienza a producir evidencia de fallas o deterioro del rendimiento. Para evitar fallas en los equipos se realiza un mantenimiento “justo a tiempo”, conocido como mantenimiento predictivo o mantenimiento basado en condiciones (CBM).

Estrategias de mantenimiento.

El mantenimiento basado en condiciones (CBM) puede reducir los gastos al reducir las actividades de mantenimiento innecesarias y que requieren mucho tiempo y reducir los errores humanos. Una de las metodologías esenciales en CBM es predecir un estado normal anticipado en comparación con una observación medida. Si la diferencia entre el estado esperado y el estado observado aumenta, se puede sospechar una anomalía en el sistema. Hay dos tipos de modelos que se utilizan para predecir estados normales en el marco de CBM. Para el primer tipo, el modelo se deriva de principios físicos básicos, mientras que para el segundo, el modelo se infiere de observaciones históricas5. Esta investigación se centró en este último tipo de modelo, que a veces se considera un modelo empírico basado en análisis estadístico. Los modelos empíricos son más prácticos por las siguientes razones6:

Aplicabilidad libre de contexto: esto indica que sin ningún conocimiento detallado del sistema, el núcleo de un modelo empírico se puede emplear fácilmente en cualquier forma de modelado de sistemas.

Flexibilidad de configuración: esto indica que se puede monitorear e identificar de manera flexible el límite del sistema.

Adaptabilidad de la personalización: esto indica que el modelado de envejecimiento es relativamente fácil de personalizar una referencia o un rendimiento de referencia.

Si bien se han empleado varios modelos a escala piloto que utilizan modelos empíricos en los lugares de trabajo de las instalaciones nucleares, estos modelos no deben valorarse como modelos físicos convencionales en cuanto a precisión. Como resultado de la inspección realizada para reconocer el cuello de botella en esfuerzos anteriores7, hemos identificado la necesidad de:

Una nueva estrategia de agrupación de parámetros, como un modelo empírico, puede adoptar el conocimiento físico de un sistema hasta cierto punto.

Predecir el estado sanitario de las plantas utilizando firmas estadísticas para anomalías del proceso.

Esta investigación propone e implementa un marco mejorado que incluye la estrategia sugerida y proporciona un sistema de software con una interfaz gráfica de usuario que ilustra las funciones de la estrategia. Las soluciones de índice de salud vegetal (PHI) han demostrado su eficacia en la predicción del rendimiento operativo (salud) de plantas nucleares, eléctricas y de desalinización. Tras la implementación y evaluación de PHI en estas plantas, el objetivo es demostrar la aplicabilidad de PHI en otras industrias de procesos. En el presente trabajo, se investiga la aplicabilidad de la PHI en la operación de refinerías. Por tanto, los objetivos principales son:

Evaluar la aplicabilidad de la PHI en operaciones de refinería seleccionadas.

Evaluar PHI en el análisis del comportamiento de la planta y evaluar la confiabilidad de sus predicciones.

El trabajo de investigación también pretende dar respuesta a las siguientes interrogantes:

¿Cuáles son las características de los datos específicamente para los procesos de refinería?

¿Qué ahorro de costos aporta PHI al proceso seleccionado?

¿Cómo identificar y optimizar el estado de salud del proceso seleccionado utilizando técnicas de análisis de big data y minería de datos?

Mientras se opera una planta, si los resultados son buenos y no hay advertencias, no significa que la planta esté sana. Simplemente significa que los resultados actuales son decentes, mientras que es posible que se estén desarrollando problemas no reconocidos en la planta. Por tanto, podrían existir potenciales problemas o anomalías en la salud de la planta. Sin embargo, dado que no se conoce el estado o la salud de la planta, siempre existe la posibilidad de riesgo de falla/disparo sin alertas tempranas.

Según la Ley de Heinrich (ver Fig. 2), por cada accidente grave en el lugar de trabajo, hay 29 accidentes menores y 300 cuasi accidentes8. Debido a que la mayoría de los accidentes tienen las mismas causas fundamentales, abordar los cuasiaccidentes más comunes puede prevenir accidentes menores y mayores9,10. Por lo tanto, ¿qué pasaría si monitoreáramos no sólo los 29 accidentes menores sino los 300 incidentes? De hecho, el concepto principal del enfoque del Índice de Sanidad Vegetal (PHI) propuesto en este estudio es monitorear el funcionamiento de una planta química, derivar síntomas y predecir la ocurrencia de todos los incidentes.

Ley Heinrich (Modelo 300-29-1).

Sabiendo que las fallas, ya sean menores o catastróficas, están precedidas por síntomas que indican deterioro en el equipo o en las condiciones del proceso (ver Fig. 3), la pregunta es: ¿Cómo se puede detectar una falla con suficiente antelación para dar tiempo a planificar y programar el trabajo sin pánico? o reactividad?

Trayectoria de falla del equipo.

El objetivo específico es adaptar el software PHI propuesto a la operación de refinería. Se espera que el sistema PHI implementado evalúe un índice de salud que refleje el desempeño operativo de la sección de refinería seleccionada. Cuando se muestra, el valor numérico del índice podría ser fácilmente interpretado por personal técnico y no técnico para una mejor comprensión del estado de la planta. Los problemas tecnológicos que se espera resolver mediante la implementación de PHI como herramienta de análisis de big data incluyen:

Política de mantenimiento preventivo y predictivo para la operación de refinerías.

Reducir el tiempo de inactividad y reducir el tiempo no operativo e inactivo en la operación de la refinería.

Operaciones logísticas más efectivas de repuestos y actualizaciones del back office de una refinería.

Generar beneficios en costos al implementar la solución en refinerías.

La metodología que se seguirá para alcanzar los objetivos especificados consta de los siguientes pasos:

Diseño e instalación de la solución Plant Health Index en un proceso de refinería seleccionado.

Analizar el rendimiento de producción y predicción de PHI.

Introducir nuevos algoritmos para adaptar la PHI a anomalías específicas de big data de refinerías.

Evaluar la aplicación práctica del algoritmo para la operación de refinería.

Involucrar a operadores experimentados en el análisis y comentarios sobre el desempeño diagnóstico de la PHI.

Evaluar la contribución del sistema como solución predictiva de diagnóstico de big data de refinería.

La optimización de los procesos industriales ha recibido mucha atención en las últimas décadas. Debido a esto, han surgido varios campos de estudio en los dominios de seguimiento de actividades y detección y aislamiento de fallas (IED). Las técnicas basadas en modelos, basadas en datos e híbridas son los tres tipos de metodologías existentes. Las técnicas basadas en modelos que utilizan modelos de primer principio requieren un alto nivel de información a priori sobre los sistemas que se estudian. Como resultado, aplicarlos a estructuras grandes puede resultar difícil, especialmente si partes de estas estructuras no están claras. Las técnicas basadas en datos clasifican el funcionamiento de un sistema basándose en una estimación accesible de las actividades. En la mayoría de los casos, debería ser necesario un conjunto de capacitación para describir el funcionamiento convencional del sistema, de modo que los defectos puedan reconocerse como desviaciones de las características nominales del proceso aprendidas. Con frecuencia se requieren datos adicionales que indiquen el comportamiento característico del proceso mientras es vulnerable a fallas para el aislamiento de fallas utilizando técnicas basadas en datos. Se necesitan ejemplos de referencia auténticos para comparar el desempeño de diversos enfoques de IED. Desde la primera publicación de Downs y Vogel en 199311, el método Tennessee Eastman (TEP) se ha utilizado ampliamente para este propósito. Proporciona un escenario de referencia que puede utilizarse para analizar la mayoría de los problemas que pueden causar los procesos continuos. Reinartz et al.12 contribuyeron con un gran conjunto de datos de referencia, que incluye simulaciones repetidas de datos de procesos normales y defectuosos, así como observaciones complementarias y diferentes niveles de significancia para todas las interrupciones del proceso.

En los últimos años, el monitoreo de operación multimodo ha atraído mucho interés en el ámbito académico y comercial. En general, para supervisar una operación se utilizan todos los factores que pueden ser monitoreados. Por otro lado, factores insignificantes pueden reducir la eficacia de la supervisión debido al sobreajuste y aumentar significativamente la sobrecarga informática en línea. Es necesario elegir los parámetros correctos a monitorear que estén fuertemente vinculados a estos problemas para rastrear los problemas que pueden comprometer la seguridad, la confiabilidad y la calidad del producto. Wu et al.13 realizaron un estudio para explorar los efectos de la monitorización de procesos multimodo con selección de parámetros. Para seleccionar variables, se proporciona un enfoque basado en KLD (divergencia de Kullback-Leibler), con el objetivo de seleccionar las variables más útiles relacionadas con los defectos en cuestión. La selección de variables ayuda al desarrollo de un modelo de alto rendimiento con un bajo riesgo de sobreajuste, además de mejorar la interpretación para un diagnóstico preciso del problema. Además, propusieron y presentaron un nuevo índice de detección denominado probabilidad de probabilidad de registro negativo de ventana móvil (MWNLLP) para el monitoreo en línea. Emplearon tanto un ejemplo numérico como el TEP (proceso Tennessee Eastman) para demostrar la utilidad del método sugerido13.

Las plantas de producción tecnológicamente avanzadas requieren herramientas de monitoreo de procesos que no sólo sean altamente inteligentes, sino también más confiables y seguras. En las últimas décadas se han logrado avances sustanciales en los enfoques de monitoreo de actividades basados ​​en datos, con una gran variedad de parámetros monitoreados y guardados, y la mayoría de ellos se han implementado con éxito para monitorear diversos procesos. El trabajo realizado por Cheng et al.14 empleó una unidad recurrente cerrada (GRU) para formular el autocodificador recurrente variacional (VRAE), ya que su rendimiento es comparable al de LSTM (memoria larga a corto plazo), pero es computacionalmente más eficiente. Además, introdujeron una métrica de seguimiento, la puntuación variacional negativa (NVS, por sus siglas en inglés) para la identificación de problemas en la industria de procesos. Mientras que todos los enfoques anteriores se basan en el error de reconstrucción para detectar anomalías, la NVS sugerida considera tanto el error de reconstrucción como las similitudes entre la distribución probabilística anterior y posterior. Evaluaron la efectividad del modelo propuesto en la detección de fallas utilizando enfoques estadísticos estándar y basados ​​en inteligencia artificial tanto en simulación no lineal simple como en el punto de referencia TEP14.

Radcliffe y Reklaitis15 informaron sobre un método de control y seguimiento de la calidad para sistemas de producción farmacéutica. En un estudio relacionado, se utilizó una técnica bayesiana jerárquica para construir modelos híbridos que relacionan la información de captura de imágenes en línea con los resultados21. Los factores explicativos que surgen directamente de los datos de la imagen reciben una forma funcional mediante la física conocida, mientras que los efectos desconocidos que surgen de la interacción de las circunstancias del proceso, las cualidades de la tinta y las características de las partículas se representan de manera jerárquica. Fue factible aplicar completamente los recursos incluidos en la información histórica, que comprende muchas interpretaciones de conjuntos de datos intercambiables estratificados en varios niveles, simulando las interacciones de estas consecuencias desconocidas en un análisis de regresión jerárquica16.

La mayoría de los sistemas tienen un diseño propio o condiciones optimizadas en términos de seguridad y eficiencia. Sin embargo, es probable que las condiciones fuera de diseño perjudiquen la estabilidad operativa. Por ejemplo, si un parámetro de seguridad comienza a desviarse de una condición de diseño y se acerca a los límites del proceso, significa que la posibilidad de falla es cada vez mayor. Del mismo modo, si un parámetro de rendimiento se desvía más de una condición de diseño, la eficiencia de una planta disminuirá17. Por lo tanto, la desviación de una condición de diseño puede ser una buena referencia para definir el estado de salud del sistema.

La incertidumbre del proceso es otra métrica para definir el estado de salud de un sistema. Muestra si el comportamiento de un componente del proceso es el esperado o no. Como se muestra en la Fig. 4, si la incertidumbre del proceso es estrecha, el componente está cerca del comportamiento esperado, mientras que rangos más amplios indican mal funcionamiento en el componente o en el sistema. La incertidumbre del proceso se caracteriza así por la salud o enfermedad del proceso, que está relacionada con los límites de las condiciones operativas del proceso. Al monitorear la incertidumbre del proceso, es posible detectar comportamientos anormales incluso si el sistema está operando con márgenes suficientes para procesar los límites. Esta característica, conocida como capacidad de detección temprana, puede ayudar a los operadores a lidiar con procedimientos anormales antes de fallas y eventualmente respaldar el mantenimiento basado en condiciones8.

Definición de incertidumbre del proceso.

El índice de salud propuesto cuantifica el estado de salud general de una planta de proceso agregando indicadores individuales calculados para cada componente en función de un árbol de éxito funcional, etiquetado con su peso de importancia. El índice de salud de un componente se puede obtener combinando el estado de salud, que representa las desviaciones de las condiciones de diseño, y la incertidumbre del proceso, relacionada con las desviaciones de las estimaciones del modelo18. La Figura 5 ilustra el concepto de índice de salud.

El Índice de Salud representa las desviaciones de la medición real del diseño y las condiciones nominales.

Como se muestra en la Fig. 6, el margen del proceso se define como la diferencia entre una alarma/disparo y una condición operativa, mientras que la incertidumbre (o salubridad) del proceso se define como el residuo entre una condición normal anticipada y una condición operativa. El concepto principal detrás del cálculo del índice de salud es proporcionar una alerta temprana al observar la incertidumbre anormal del proceso antes que las del margen del proceso.

Margen del proceso e incertidumbre del proceso. Sanidad vegetal: (a) menos incierta pero menos margen, y (b) más margen pero más incierta.

El procedimiento utilizado para calcular el índice de salud general se muestra en la Fig. 7. Los datos históricos se utilizan para desarrollar el modelo predictivo empírico, que se utiliza para estimar los valores deseados \(x_{est}\) (ver Fig. 6), mientras que los datos del proceso en línea (x) se utilizan para calcular los residuos necesarios para determinar los diferentes componentes de los índices.

Procedimiento utilizado en el cálculo del índice fitosanitario 19.

Los puntos de ajuste \(\left( {x_{set} } \right)\) se definen como los puntos de ajuste de disparo o alarma para parámetros relacionados con la seguridad. Estos puntos de ajuste generalmente se establecen como puntos de ajuste de diseño, pero se pueden modificar a otros valores adecuados. De hecho, para la implementación actual, los puntos de ajuste se seleccionaron en función de los límites históricos. Además, los puntos de ajuste relacionados con los parámetros de rendimiento se establecen como límites permisibles derivados de consideraciones económicas. Otra referencia de seguimiento importante son las condiciones nominales (μ), que normalmente se definen como las condiciones de diseño de los componentes del proceso.

Los límites superior e inferior del índice de salud se establecen de la siguiente manera; cuando las condiciones de operación actuales (x) se acercan a las condiciones nominales (μ), el índice de salud debe ser 1.0, mientras que cuando las condiciones de operación se acercan a los puntos de ajuste \(\left( {x_{set} } \right)\), la salud El índice debe ser 0,0. Así, µ y \(x_{set}\), son los dos límites que definen las mejores y peores condiciones de sanidad vegetal, y la distribución del índice de salud entre los dos límites \(\left( {HI_{margin} } \right) \) Puede ser definido como:

El componente de incertidumbre del proceso del índice de salud \(\left( {HI_{uncertain} } \right)\), definido por la ecuación. (2), representa el residual entre la condición actual y la condición estimada \(\left( {x_{est} } \right)\). Su valor es 1,0 si las condiciones de operación actuales son las mismas que las estimadas por el modelo, lo que significa que el residual es mínimo (→ 0,0). Por otro lado, si las condiciones operativas reales están lejos de la estimación del modelo, el residual es muy grande (→ ∞) y el valor del índice se acerca a 0,0.

El índice de salud general \(\left( {HI_{Overall} } \right)\) para un componente determinado se puede representar como una combinación de los índices de salud de margen e incertidumbre:

mientras que \(HI_{Overall}\) representa el índice de salud de un componente individual (índice infantil), el índice de salud a nivel de sistema (o índice de grupo) se puede obtener mediante una combinación condicional de los índices evaluados para componentes individuales. El sistema en estudio se divide en N subsistemas (grupos), que se consideran “padres”, y cada subsistema consta de M componentes. Por lo tanto, el índice \(HI_{Overall}\) dado por la ecuación. (3) se denominará \(HI_{i,j}\), que se refiere al jésimo componente del iésimo grupo.

El método de combinación se basa en el algoritmo minmax, que maximiza la ganancia mínima. Los pasos seguidos para determinar los índices de salud a nivel de grupo y sistema se resumen a continuación:

Se definió un factor de compensación inicial \(\left( {CompFactor} \right)\) en el rango de 0,1 a 1,2. Este factor sirve para compensar la variabilidad en tamaños de muestra muy pequeños.

Para cada grupo (principal), encuentre los dos índices máximos superiores (HImax,1 y HImax,2) y los dos valores mínimos más bajos de los índices (HImin,1 y HImin,2) para todos los componentes del grupo.

Calcule el valor promedio como:

Calcule un nuevo Factor de Compensación:

Calcule el promedio de los valores del índice de todos los componentes de un grupo determinado:

donde i indica el grupo (padre) y j indica el componente (secundario).

Calcule el índice promedio usando el nuevo Factor de Compensación:

Establezca el valor del índice para el padre i como:

El valor general del índice de salud se puede personalizar según las preferencias de las partes interesadas. Por ejemplo, la PHI puede considerar la seguridad o el desempeño por separado o combinados en un índice. Además, el cálculo del índice de salud, los factores de ponderación de cada término y la combinación de índices de salud a nivel del sistema se pueden cambiar dependiendo de las situaciones de planta y operación.

Esta sección se centra en el desarrollo de una técnica de agrupación y el marco para monitorear el estado de salud de una planta química. Cada módulo de monitoreo calcula el índice de salud y lo integra al índice de salud general para presentar el estado de salud de la planta18. Esta metodología se aplicará a la sección seleccionada de la refinería.

Las actividades de investigación llevadas a cabo en este estudio se centraron en estrategias de aprendizaje estadístico para respaldar el mantenimiento basado en la condición (CBM). El sistema propuesto está compuesto por un modo de entrenamiento y un modo de ejecución. Primero, se desarrolla un modelo empírico utilizando los datos recopilados de las condiciones laborales normales en el modo de entrenamiento. Por el contrario, el modo de ejecución implica decidir sobre una banda de anomalía inspeccionando los datos operativos de entrada y estudiando su desviación de la salida del modelado del modo de entrenamiento.

Se puede prever que el Índice de Salud se desarrolle siguiendo los siguientes pasos:

Paso I: Monitoreo de la condición de diseño.

El primer índice de salud se caracteriza por la desviación entre una condición de diseño y una condición real de las variables del proceso (HImargin, Ec. (1)). Así, los índices de salud se cuantifican tanto para variables relacionadas con la seguridad como para la eficiencia.

Paso II: Monitoreo de la incertidumbre del proceso.

La incertidumbre del proceso se basa en los resultados del modelo empírico. El residual se asigna por la diferencia entre el valor esperado que estima un modelo y un valor real (HIuncertain, Eq. (2)). A partir de este residual se obtiene un índice de salud.

Paso III: Índice de Salud General.

El índice de salud general de un componente (HIOverall, ecuación (3)) está representado por la combinación de un índice de salud junto con la condición de diseño y el tamaño residual.

Paso VI: Software de Monitoreo de Índices de Salud.

El sistema de soporte de operación se desarrolla utilizando la tecnología de reconocimiento de patrones de proceso propuesta en esta investigación. El sistema está diseñado para proporcionar una interfaz gráfica de usuario que consta de la pantalla principal, la pantalla del árbol de éxito, la pantalla de tendencias, la pantalla de asesoramiento, el entrenador y el tiempo de ejecución. Utilizando la visualización del árbol de éxito, los operadores deberían poder configurar el árbol y el peso de cada nodo. La visualización de tendencias está diseñada para incluir valores reales y estimaciones de modelos de variables de proceso. Se proporciona una pantalla de asesoramiento para ayudar a los operadores a diagnosticar las fallas detectadas. Finalmente, los operadores pueden decidir métodos de muestreo, opciones de agrupación y métodos de optimización del kernel en el entrenador y el módulo de tiempo de ejecución.

Se siguieron los siguientes pasos prácticos para implementar el sistema de Índice de Salud Vegetal (PHI) para la unidad de Hidrotratamiento de Refinería seleccionada:

Identificar un subsistema adecuado para la implementación del sistema.

Instale la solución PHI para el subsistema seleccionado.

Proporcionar rango de configuración del sistema.

Definir y proporcionar la interfaz conectada al sistema, que es un estándar de la industria, como OPC.

Recuperar datos históricos de un mínimo de 6 meses.

Asignar ingenieros para evaluar el rendimiento del sistema.

Analizar el resultado de la solución.

Consiga que expertos del sitio comenten sobre las ventajas de las soluciones.

Evaluar la aplicación práctica del algoritmo para el proceso seleccionado.

Evaluar el aporte del sistema como solución de diagnóstico predictivo.

El enfoque descrito anteriormente está representado en el diagrama de flujo que se muestra en la Fig. 8.

Enfoque de implementación de PHI.

PHI ha sido diseñado para capturar y evaluar el estado de los equipos durante su ciclo de vida. Por lo tanto, puede utilizarse en el mantenimiento basado en la condición basado en datos y ayuda a predecir fallas y mal funcionamiento20.

La adquisición de datos se refiere a la recopilación de datos históricos durante un período prolongado para entrenar un modelo predictivo en condiciones operativas normales. Es preferible que los datos recopilados contengan varios modos operativos y también puedan incluir condiciones anormales y variaciones operativas que resulten de, por ejemplo, envejecimiento del equipo, incrustaciones y desactivación del catalizador.

Los conjuntos de datos de entrenamiento se recopilan en tiempo real directamente desde los sensores asociados con los componentes de la planta. Los conjuntos de datos capturan los tres modos operativos; es decir, modo de inicio, modo de funcionamiento normal y modo de apagado. Estos modos se pueden subdividir en modos más detallados en algunas circunstancias.

Aunque los parámetros poseen una fuerte correlación, el desfase temporal que aparece entre ellos puede llevar a la imposibilidad de extraer la relación. La explicación del retraso en los parámetros con relaciones físicas es que se necesita tiempo para alcanzar un estado estable una vez que ocurren ciertos cambios y migran de una porción a otra. Sin embargo, si los parámetros tienen una fuerte asociación, si cambian con el tiempo, el coeficiente de correlación puede ser modesto, lo que resulta en errores durante el procedimiento de agrupación. Empleamos una ventana dinámica para el muestreo que examina el retraso temporal entre los parámetros para ayudar en la agrupación efectiva de variables con un vínculo fuerte.

El desfase temporal se abordó mediante correlación cruzada. Para una duración de retraso de \(t_{d}\), la ecuación. (9) define el coeficiente de correlación cruzada entre dos parámetros \(A\) (\(a_{0}\), \(a_{1} , \ldots , a_{M}\)) y \(B\) (\(b_{0}\), \(b_{1} , \ldots , b_{M}\))21. Los promedios de \(A\) y \(B\) son \(\mu_{A}\) y \(\mu_{A}\), respectivamente.

La agrupación de parámetros tiene como objetivo eliminar elementos que no proporcionan datos significativos y limitar la cantidad de parámetros necesarios para observar adecuadamente un componente. El coeficiente de correlación empleado como referencia para este procedimiento de agrupación se calcula para cada par de variables utilizando la ecuación. (10), y si excede un umbral específico, la variable se incluye en el conjunto de entrenamiento; en caso contrario, se descarta21.

donde \(\rho_{AB}\) es el coeficiente de correlación entre \(A\) y \(B\), y \(\sigma_{A}\) y \(\sigma_{B}\) son sus estándares desviaciones.

Hay tres formas posibles de agrupar los parámetros: agrupación relacional (las etiquetas con los mismos patrones se agrupan), agrupación manual (cada grupo posee todas las etiquetas) y agrupación basada en el árbol del éxito. El valor de corte de los coeficientes de correlación se conoce como sensibilidad de grupo. La agrupación será más precisa si la sensibilidad del grupo es mayor. Cuando los datos se comprimen durante la agrupación, se emplea la función Resolución de grupo (Reducir). Si una etiqueta tiene 1000 muestras y la relación de compresión es 100, las muestras se comprimirán a 100 y la información faltante se completará con el Tamaño de cuadrícula. La principal importancia de la compresión incluye la reducción del almacenamiento de datos, el tiempo de transferencia de datos y el ancho de banda de comunicación. Los conjuntos de datos de series temporales frecuentemente crecen hasta terabytes y más. Es necesario comprimir los conjuntos de datos recopilados para lograr el modelo más eficaz y al mismo tiempo preservar los recursos disponibles.

El preprocesamiento de los datos recopilados es indispensable para garantizar la precisión de los modelos empíricos desarrollados, que son sensibles al ruido y a los valores atípicos. La selección de la frecuencia de muestreo también es crucial, principalmente porque en los procesos de refinería de petróleo la frecuencia de muestreo (frecuencia de medición) es mucho más rápida que la dinámica del proceso. En la implementación actual, se utilizó un filtrado de frecuencia de paso bajo con análisis de Fourier para eliminar valores atípicos, se seleccionó una frecuencia de muestreo de 10 minutos y la tasa de compresión (resolución de grupo o reducción) se estableció en 1000. Además, se aplicó un filtro de Kalman para garantizar una robustez. Distribución del ruido de los datos recopilados5. Otro paso importante de preprocesamiento es la agrupación. En primer lugar, se agrupa la información útil de las variables. Ayuda a eliminar variables redundantes que no tienen información útil. También reduce la cantidad de variables necesarias para monitorear la planta adecuadamente. Finalmente, la información disponible debe comprimirse adecuadamente mediante la transformación de conjuntos de datos de alta dimensión en características de baja dimensión con una pérdida mínima de separabilidad de clases21. El máximo de etiquetas por grupo está limitado a 51 en esta simulación y en la mayoría de los casos se utiliza la agrupación basada en árboles de éxito. El valor mínimo del coeficiente de correlación, \(\rho\) se fijó en 0,20 y la sensibilidad del grupo se fijó en 0,90. Cuanto mayor sea la sensibilidad del grupo, más precisa será la agrupación.

La regresión kernel es un método no paramétrico bien conocido para estimar la expectativa condicional de una variable aleatoria22,23,24,25. El objetivo es descubrir una relación no lineal de las dos variables aleatorias. Cuando se trata de datos que tienen una distribución sesgada, la regresión del núcleo es una buena opción. Este modelo determina el valor del parámetro estimando la observación ejemplar y el promedio ponderado de los datos históricos. La función Kernel se considera ponderaciones en la regresión del kernel. Es una función real simétrica, continua y limitada que se integra a 1. La función kernel no puede tener un valor negativo. El estimador Nardaraya-Watson dado por la ecuación. (11) es la forma más concisa de expresar la regresión kernel estimando \(y\) con respecto a la entrada \(x\)21,23,24.

La selección del núcleo apropiado para la situación está limitada por preocupaciones prácticas y teóricas. Los núcleos informados son Epanechnikov, Gaussiano, Cuártico (bipeso), Tricubo (tripeso), Uniforme, Triangular, Coseno, Logística y Sigmoide 25. En la implementación actual de PHI, se proporcionan tres tipos de regresión del núcleo: Uniforme, Triangular y Gaussianos, que se definen como:

Núcleo uniforme (ventana rectangular): \(K\left( x \right) = \frac{1}{2}; donde \left| x \right| \le 1\)

Núcleo triangular (ventana triangular): \(K\left( x \right) = 1 - \left| x \right|; donde \left| x \right| \le 1\)

Núcleo gaussiano: \(K\left( x \right) = \frac{1}{{\sqrt {2\pi } }}e^{{ - \frac{{x^{2} }}{2}} }\)

El valor predeterminado es el núcleo gaussiano, que demostró ser el núcleo más eficaz para la implementación actual.

PHI monitorea las señales de la planta, deriva valores reales de variables operativas, compara los valores reales con los valores esperados predichos utilizando modelos empíricos y cuantifica las desviaciones entre los valores reales y esperados. Antes de posicionarlo para monitorear el funcionamiento de la planta, primero se debe capacitar a PHI para predecir las condiciones operativas normales de un proceso. El desarrollo del modelo predictivo empírico se basa en una técnica de aprendizaje estadístico que consta de un "modo de ejecución" y un "modo de entrenamiento". Los métodos y algoritmos utilizados en ambos modos del sistema PHI se muestran en la Fig. 9.

Algoritmos del PHI 26.

En el modo de entrenamiento, se utilizan métodos estadísticos para entrenar el modelo utilizando datos operativos anteriores. El sistema identifica posibles anomalías en la operación para el modo de ejecución inspeccionando las discrepancias entre los valores predichos por el modelo empírico y las mediciones reales en línea. Por ejemplo, si una condición operativa actual se acerca a la condición normal, el índice de salud es del 100%. Por el contrario, si una condición operativa se acerca al punto de ajuste de alarma, el índice de salud será del 0%. Por otro lado, y en términos de incertidumbre del proceso, el índice de salud se caracteriza por las desviaciones residuales; el índice de salud es 100% si una condición operativa actual es la misma que la estimación del modelo (es decir, el residual es 0,0), y es 0% si las condiciones operativas están lo suficientemente alejadas de la estimación del modelo (es decir, el residual es infinito). El índice general de la planta es una combinación de los dos índices de salud anteriores. Los detalles del método se presentan en 21 y 26 y se presentan como un marco de aprendizaje estadístico mejorado que se describe a continuación.

El marco de PHI se muestra en la Fig. 10. La secuencia de acciones en el modo de entrenamiento es la siguiente:

Adquisición de datos históricos a largo plazo.

Preprocesamiento de datos como filtrado, compresión de señales y agrupación.

Desarrollo del modelo estadístico.

Evaluación del Índice de Salud.

Por otro lado, la secuencia de acciones en el modo de ejecución es la siguiente:

Adquisición de datos en tiempo real.

Cálculo del valor esperado del modelo.

Cálculo de residuos.

La decisión de la incertidumbre del proceso.

Cálculo de PHI.

En la fase de ejecución, el primer paso es recopilar datos en tiempo real de las señales de los sensores y comparar esta información con las estimaciones del modelo. A partir de la comparación se evalúan los residuos entre las estimaciones del modelo y las mediciones en tiempo real. Estos residuos se utilizan para predecir las anomalías de la planta. Supongamos que los valores en línea son [11 12 13 9 15] y el modelo estima [11 12 13 14 15], entonces los residuos estimados serán [0 0 0 5 0]. Estos valores se utilizan para evaluar la incertidumbre del proceso (salud) aplicando la ecuación. (2). Por otro lado, los márgenes del proceso se refieren a las diferencias entre alarmas/disparos y las condiciones operativas, las cuales se evalúan utilizando la Ec. (1). Se genera una alerta temprana cuando se observa una incertidumbre anormal en el proceso antes que un margen del proceso. Los márgenes del proceso y las incertidumbres del proceso se combinan en índices de salud general utilizando la ecuación. (3).

El sistema PHI ha sido desarrollado utilizando MATLAB. Se ha utilizado un enfoque modular para que se puedan introducir modificaciones fácilmente y se puedan agregar, integrar y probar nuevos algoritmos como módulos independientes. Se consideró que este enfoque era bastante apropiado para fines de investigación y desarrollo. Además, el sistema PHI se entrega como archivos ejecutables de MATLAB.

Las principales características y funcionalidades de PHI son (1) detectar la incertidumbre del proceso, en términos de un índice de salud, para señales individuales así como para una planta completa, (2) advertir anomalías en los índices de salud y (3) interfaces de usuario personalizadas. e historiadores. Además, dado que el PHI trata por separado los índices de salud relacionados con la seguridad y los relacionados con el desempeño, los usuarios pueden tomar decisiones adecuadas en términos de su situación.

El sistema PHI es una arquitectura basada en cliente-servidor, como se muestra en la Fig. 11. El lado del servidor está dividido en los módulos principales necesarios para construir la funcionalidad PHI y PRISM, una base de datos de tecnología BNF (Breakthrough and Fusion) en tiempo real. Los clientes se dividen en cliente estándar y cliente basado en web. La Figura 12 muestra la pantalla principal del cliente PHI. Todas estas funciones unen la información del lado del servidor con los usuarios.

Arquitectura del servidor del sistema PHI 26.

Ejemplo de visualización del PHI que indica (a) el índice general de salud vegetal y los índices de salud de las secciones (b) de reacción y (c) de extracción.

Los resultados de la PHI se pueden monitorear a través de la computadora cliente, la cual tiene las siguientes características principales:

Visualización del índice: la visualización predeterminada muestra el índice en porcentaje de los grupos superiores, incluida la tendencia. También se puede ver y acceder al índice de otros subsistemas.

Visualización del árbol de éxito: la visualización del árbol de éxito tiene una visualización jerárquica y una visualización por grupos.

Visualización de tendencias: visualización de tendencias que muestra la tendencia del valor real esperado.

Pantalla de alarmas: una pantalla de alarma basada en cuadrícula que muestra la última alarma en la pantalla superior.

Informes: se pueden generar informes sobre el estado de salud y las alarmas periódicas.

Administrador de configuración: un administrador de configuración, que se invoca al comienzo de la aplicación del Cliente PHI. El administrador de configuración verifica el puerto y la dirección IP del servidor; Si no puede conectarse, la ventana del administrador de configuración aparecerá al inicio.

La sección de proceso seleccionada para la implementación del sistema PHI es una Unidad de Hidrotratamiento, la cual consta de una sección de reacción que tiene dos reactores catalíticos en serie y una sección de stripper.

La arquitectura del sistema PHI se describe en la Fig. 13. Las especificaciones del sistema se pueden resumir de la siguiente manera:

Arquitectura de implementación del sistema PHI.

Interfaz:

Directo o a través de Comunicaciones de Plataforma Abierta (OPC)

Servidor/Cliente:

Basado en MS Windows

Implementación:

En cuanto a flotas, plantas y componentes

Duración típica de la implementación:

3 ~ 4 Semanas /Unidad

Comunicación de datos:

Solo lectura

Redundancia/alta disponibilidad:

Disponible

Historiador:

Incorporado

La representación jerárquica de la planta en estudio en términos de grupos y etiquetas se conoce como árbol de éxito, como se muestra en la Fig. 14. Los grupos se forman con el sistema principal y los subsistemas a observar. Es posible realizar modificaciones, eliminaciones y adiciones a los grupos. No hay restricción en el recuento de grupos, pero la cantidad de componentes (secundarios) que puede acomodar cada grupo está restringida a 10 subgrupos o etiquetas. El árbol de éxito inicializa los pesos de grupos y etiquetas. Recibe datos sobre grupos y etiquetas de una base de datos, adquiere información de índice de etiquetas de una imagen PHI y genera un índice de grupo de forma regular. La unidad de hidrotratamiento de la refinería se dividió en dos subsistemas principales: reactor y stripper. Además, se definieron seis subsistemas para el sistema reactor y cuatro para el sistema stripper. El número total de componentes (etiquetas) que se asociaron a la unidad de hidrotratamiento es 170. Se recopilaron registros de datos de doce meses para todas las etiquetas.

Árbol de éxito de la unidad de Hidrotratamiento.

PHI ha sido instalado, operado y probado en la unidad de hidrotratamiento de la refinería seleccionada. Además de indicar la salud de la planta, PHI proporcionó una solución conveniente para monitorear y detectar fallas operativas. Los operadores, ingenieros de procesos, supervisores, así como líderes de equipo y gerentes encontraron en el sistema una herramienta flexible y sin estrés para detectar fallas y evitar alarmas. Además, proporcionó un entorno para mejorar las prácticas operativas diarias y comprender las causas fundamentales de las fallas detectadas. Estos beneficios se observaron al discutir los estudios de casos con operadores e ingenieros de procesos. A partir de su experiencia en la operación del proceso, sus aportes fueron vitales para explicar los síntomas y desviaciones detectadas.

Para los líderes y gerentes de equipo, PHI les permitió verificar el bienestar operativo de un vistazo. Indicaron que el sistema les daría una alerta temprana y tiempo suficiente para un diagnóstico adecuado y decisiones precisas. En caso de que se observe una disminución en el índice general, PHI les permitirá identificar la causa raíz y comunicarse con el departamento adecuado para intervenir y devolver el índice a su valor normal.

El principal desafío que se enfrenta al implementar la PHI es convencer a los operadores para que la verifiquen y exploren sus funcionalidades. Para superar este desafío, se recomendó que los supervisores y líderes de equipo revisaran el sistema de PHI durante 15 a 30 minutos cada mañana. Luego se estableció comunicación a diferentes niveles para encontrar soluciones a las anomalías observadas e introducir acciones correctivas.

Otro beneficio observado es la detección de una serie de señales defectuosas. Algunas de estas señales no fueron significativas para la operación del proceso seleccionado, mientras que varias otras señales fueron críticas para la operación y fueron atendidas y corregidas en consecuencia.

Otros beneficios que se han obtenido son los siguientes:

Una manera cómoda y sencilla de monitorear las condiciones operativas, específicamente para operadores principales, ingenieros de procesos y gerentes.

Reducir el tiempo necesario para identificar el problema durante una anomalía operativa o mal funcionamiento.

Mayor confiabilidad y una experiencia de aprendizaje positiva para los operadores.

Interfaz gráfica de usuario amigable que puede utilizar tanto el personal técnico como el no técnico.

Capacidad para navegar a través del modelo jerárquico del sistema (árbol de éxito) para rastrear la ubicación exacta del problema potencial.

Presentación sencilla y cómoda de etiquetas de plantas relacionadas.

Capacidad para rastrear y visualizar datos históricos, así como mostrar y comparar etiquetas seleccionadas.

Una manera conveniente de monitorear señales importantes seleccionadas.

Las señales defectuosas se pueden detectar fácilmente.

Flexibilidad para mostrar y comparar valores reales y esperados.

Indica claramente que un mal funcionamiento importante de cualquier parte de la planta siempre va precedido de pequeños malestares en forma de espiga días antes.

Buena confianza con el modelo estadístico PHI, lo que hace innecesario agregar conocimientos físicos al modelo.

El desempeño de PHI en el monitoreo de la unidad de hidrotratamiento seleccionada se estudió analizando las mediciones y datos en línea durante un período de cinco meses. El índice cayó muchas veces a valores muy bajos pero, en general, el subíndice del reactor fue más bajo que el subíndice del separador, lo que indica que la sección del reactor está causando la mayoría de los problemas en la unidad de hidrotratamiento. La indicación de ocurrencias de mal funcionamiento se toma más en serio cuando los gráficos de tiempo de las etiquetas toman formas curvas que abarcan duraciones más largas que los cambios de picos cortos.

Se han seleccionado dos estudios de caso con fines de demostración y se presentarán y discutirán en esta sección. Para cada estudio de caso, primero se identificarán los síntomas y luego se deducirán las causas principales de la anomalía definida. A continuación se extraen conclusiones del análisis de los síntomas y de las desviaciones de las condiciones nominales. Además, se presentan instantáneas de las pantallas de PHI para ilustrar el procedimiento práctico seguido para identificar y analizar anomalías.

Síntomas: Para este estudio de caso, PHI indicó una desviación en una etiqueta relacionada con la temperatura del vapor. En este caso, la temperatura del vapor se redujo a 113 °F por debajo del valor normal esperado. En la Fig. 15 se muestra una captura de pantalla que muestra los valores reales y esperados. La desviación duró casi dos días.

Caso 1. Descenso de la temperatura del vapor. Comparación de las tendencias reales y esperadas.

Como se muestra en la Fig. 16, las condiciones anormales causadas por la temperatura del vapor dieron como resultado una caída del índice general de salud vegetal al 53,7%. Además, el valor del índice individual para la etiqueta de temperatura del vapor cayó al 26,6%.

Caso 1. La caída en la temperatura del vapor provocó la caída en el índice de salud de la sección de reacción y resultó en una caída del PHI al 53,7 %.

Causa: Normalmente, el vapor de escape del compresor de reciclaje está a 150 psi y, en comparación con el vapor del cabezal de la refinería (IP), la temperatura es alta. Por lo tanto, para reducir esta alta temperatura a la temperatura del cabezal de la refinería, se suministra un cabezal dessuperador con un sistema de inyección de agua de alimentación de caldera. Un análisis más detallado dio como resultado la identificación de un controlador de temperatura local que no funcionó correctamente durante este tiempo. Este controlador no logró reducir la temperatura del cabezal, provocó una discrepancia en el modelo y provocó una caída del índice general de salud de la planta.

Conclusión del caso: PHI detectó con éxito este mal funcionamiento y provocó la caída del índice de salud. Los operadores de la unidad apreciaron la capacidad de PHI para detectar la anomalía. Consideraron el caso como un hallazgo importante porque el mal funcionamiento del controlador local provocó golpes de ariete en el colector de servicios públicos. Manifestaron que el actual Sistema de Control Distribuido (DCS) no tiene la facilidad para monitorear este efecto. Este es un hallazgo importante de PHI y proporciona buena evidencia de que monitorear el índice de salud permite a los operadores tomar acciones tempranas para prevenir daños o incluso alarmas.

Síntomas: Para este estudio de caso, PHI indicó una desviación en una etiqueta relacionada con el nivel de líquido en la parte inferior del vaporizador. En esta desviación, el nivel de líquido en el fondo del vaporizador aumentó hasta un 94,5% en comparación con el valor normal esperado del 2,7%. En la Fig. 17 se muestra una captura de pantalla que muestra los valores reales y esperados. La desviación duró dos horas. Como se muestra en la Fig. 18, esta condición anormal causada por el aumento en el nivel del líquido resultó en una caída del índice general de salud vegetal al 18,6%. Además, el valor del índice individual para esta etiqueta se redujo hasta el 0,0%.

Caso 2. Aumento brusco del nivel de líquido del fondo del vaporizador.

Caso 2. El aumento repentino en el nivel del líquido resultó en una caída del PHI general, así como de los índices de salud relacionados con las secciones de reacción y decapado.

Causa: Durante este período, la unidad estuvo en condiciones de arranque. Cuando la materia prima es pesada, tiende a acumular líquido en el tambor. Sin embargo, en funcionamiento normal, no se espera acumulación de líquido en esas condiciones de funcionamiento. Los datos muestran que durante el arranque, las temperaturas del reactor aumentaron gradualmente; por lo tanto, el líquido acumulado en el tambor y el nivel subieron.

Conclusión del Caso: El presente Sistema de Control Distribuido (DCS) cuenta con un sistema de alarma adecuado para observar este caso. Sin embargo, una alarma PHI sería un apoyo adicional para evitar la condición de emergencia debido a una acumulación anormal de nivel, lo que provocaría una fuga en la brida superior del reactor si no se atiende.

Al inicio, se toman muchas acciones para que la planta alcance un estado estable. En la mayoría de los casos, los operadores estarían ocupados monitoreando las etiquetas clave y llevándolas a los valores deseados. Aunque PHI recibió capacitación sobre el funcionamiento normal o los datos de estado estable, logró identificar la anomalía analizada en este estudio de caso. Dado este hecho, el desempeño de PHI puede mejorarse aún más para monitorear los procedimientos de inicio y cierre. En este caso, el índice de salud brindará un mejor apoyo a los operadores en situaciones operativas más difíciles.

Con base en el estudio de caso discutido anteriormente, se iniciará un estudio de investigación y desarrollo para investigar la viabilidad de incorporar las operaciones de arranque y parada de las unidades de proceso. Se llevará a cabo un estudio piloto en el que se capacitará a PHI sobre datos históricos relacionados con el inicio y el cierre. La principal dificultad es que esta tarea requiere conocimientos intensivos relacionados con el proceso; por lo tanto, los operadores e ingenieros de procesos deberían participar en el estudio.

En este trabajo de investigación se ha implementado y probado una nueva tecnología que utiliza análisis de big data para detectar anomalías en la operación del proceso. Específicamente, se ha investigado la aplicabilidad del Índice de Sanidad Vegetal (PHI) para identificar anomalías en las operaciones de refinería. PHI se aplicó en una unidad de hidrotratamiento. El sistema realiza un monitoreo en línea y compara los datos de la planta en línea con las condiciones normales de operación, estimadas mediante un modelo empírico no paramétrico. El modelo fue desarrollado y probado.

El principal beneficio, que han obtenido el equipo de investigación y los operadores de la refinería de petróleo, es la capacidad de utilizar análisis de big data para monitorear y diagnosticar el rendimiento de la unidad con solo observar el valor del índice en la pantalla. Se supervisó fácilmente un sistema considerablemente complejo y también se analizaron sistemáticamente las causas fundamentales. Una razón alentadora para usar PHI es su capacidad para detectar anomalías y proporcionar advertencias tempranas antes de ser detectadas por el Sistema de control distribuido (DCS). Los estudios de caso demostraron que los operadores podrían ser alertados sobre posibles problemas días antes de que ocurrieran.

Para obtener el máximo beneficio, los operadores de la unidad recomendaron incorporar etiquetas adicionales para un mejor seguimiento del proceso. Por ejemplo, las etiquetas adicionales pueden incluir aquellas relacionadas con equipos rotativos, como compresores, para detectar anomalías en la presión y vibración e incluirlas en la evaluación del índice de salud.

Para versiones anteriores de PHI, la evaluación del índice de salud se basó en rangos de diseño de los parámetros. La aplicación de PHI al proceso de refinería verificó que los rangos históricos, en lugar de los rangos de diseño, son más prácticos y proporcionan mejores predicciones. Los rangos de diseño suelen ser amplios y dan como resultado menos sensibilidad y precisión. Acercarse a los límites del rango operativo histórico nominal se considera una indicación temprana de mal funcionamiento, mientras que alcanzar los límites del rango de diseño es en sí mismo un estado de falla.

En conclusión, el enfoque de análisis de big data propuesto ha resultado útil para explorar posibles fallos antes de que ocurran. Esta es una buena demostración del empleo de análisis de datos en la industria de las refinerías de petróleo y la construcción de una estrategia exitosa de big data.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

Martí, L., Sanchez-Pi, N., Molina, JM & García, ACB Detección de anomalías basada en datos de sensores en aplicaciones de la industria petrolera. Sensores. 15(2), 2774–2797 (2015).

ADS del artículo Google Scholar

Saybani, MR, Wah, TY, Amini, A., Aghabozorgi, SR & Yazdi, S. Detección de anomalías y predicción de fallas de sensores en una refinería utilizando técnicas de minería de datos y lógica difusa. Ciencia. Res. Ensayos 6, 264 (2011).

Google Académico

Khodabakhsh, A. & I Ari̇, M Bakír, AO Ercan. Análisis de datos de sensores multivariados para refinerías de petróleo e identificación multimodo del comportamiento del sistema en tiempo real. Acceso IEEE 6, 64389–64405. https://doi.org/10.1109/ACCESS.2018.2877097 (2018).

Artículo de Google Scholar

Reiten, H. & Kleiven, TJ Detección de anomalías no supervisadas en la transmisión de datos en la industria petrolera utilizando redes neuronales profundas. Ciencia. Rep. 2, 7789 (2019).

Google Académico

Sohn, H. & Czarnecki, JA Monitoreo de la salud estructural mediante control estadístico de procesos. J. Estructura. Ing. ASCE 126, 1356-1363 (2020).

Artículo de Google Scholar

Fantoni, PF Experiencias y aplicaciones de PEANO para monitoreo en línea en centrales eléctricas. Prog. Núcleo. Energía 46, 206–225 (2005).

Artículo de Google Scholar

Heo, G. Monitoreo de condiciones mediante modelos empíricos: revisión técnica y perspectivas de aplicaciones nucleares. Núcleo. Ing. Tecnología. 40(1), 49–68 (2008).

Artículo de Google Scholar

Heinrich, HW Prevención de accidentes industriales: un enfoque científico (McGraw-Hill, 1931).

Google Académico

Citado en Hollnagel, E. Entornos industriales complejos más seguros: un enfoque de factores humanos (CRC Press, 2009).

Reservar Google Académico

Lu, Y., Wang, T. & Liu, T. Análisis de riesgo basado en redes bayesianas de accidentes por explosión de plantas químicas. En t. J. Medio Ambiente. Res. Salud Pública 17, 5364. https://doi.org/10.3390/ijerph17155364 (2020).

Artículo PubMed Central Google Scholar

Gui, F., Xuecai, X., Qingsong, J., Wenqing, T. y Ying, G. Análisis de accidentes y prevención de explosiones de carbón y gas: comprensión de los errores humanos en los accidentes. Proceso de seguridad. Reinar. Proteger. 134, 1–23. https://doi.org/10.1016/j.psep.2019.11.026 (2020).

Artículo CAS Google Scholar

Downs, JJ & Vogel, EF Un problema de control de procesos industriales en toda la planta. Computadora. Química. Ing. 17(3), 245–255 (1993).

Artículo CAS Google Scholar

Christopher, R., Murat, K. & Ole, R. Un conjunto de datos de simulación extendido de Tennessee Eastman para sistemas de detección de fallas y soporte de decisiones. Computadora. Química. Ing. 149, 107281 (2021).

Artículo de Google Scholar

Dehao, W., Donghua, Z., Jingxin, Z. y Maoyin, C. Monitoreo de procesos multimodo basado en la selección de variables dependientes de fallas y probabilidad de registro negativo de ventana móvil. Computadora. Química. Ing. 136, 106787 (2020).

Artículo de Google Scholar

Feifan, CQ, Peter, H. & Jinsong, Z. Un enfoque novedoso de monitoreo de procesos basado en un codificador automático recurrente variacional. Computadora. Química. Ing. 129, 106515 (2019).

Artículo de Google Scholar

Andrew, JR & Gintaras, Modelado jerárquico bayesiano de realidad virtual para monitoreo de procesos en línea y control de calidad, con aplicación a datos de imágenes en tiempo real. Computadora. Química. Ing. 154, 107446 (2021).

Artículo de Google Scholar

Icten, E., Nagy, ZK y Reklaitis, GV Control de procesos de un sistema de fabricación de aditivos gota a gota para productos farmacéuticos que utiliza un modelo sustituto basado en la expansión del caos polinomial. Computadora. Química. Ing. 83, 221–231 (2015).

Artículo CAS Google Scholar

Foros, J. & Istad, M. Índice de salud, riesgo y estimación de vida útil restante de transformadores de potencia. Traducción IEEE. Entrega de energía. 35(6), 2612–2620. https://doi.org/10.1109/TPWRD.2020.2972976 (2020).

Artículo de Google Scholar

Sang, HA y Gyunyoung, H. Diseño de modelos empíricos mejorados para predecir paradas de plantas, en IYNC 2010, Ciudad del Cabo, Sudáfrica, 12 a 18 de julio de 2010, págs.

Real, A. & Seo, B. Uso de una solución de software de análisis predictivo para identificar fallas de equipos por adelantado: Universidad de Texas en Austin, en el 15º Simposio internacional sobre calefacción y refrigeración urbanas del 4 al 7 de septiembre (2016), Seúl, República de Corea (Corea del Sur).

Singh, A. & Swanson, AG Desarrollo de un índice de riesgo y salud vegetal para transformadores de energía de distribución en Sudáfrica. SAIEE África Res. J. 109(3), 159–170. https://doi.org/10.23919/SAIEE.2018.8532192 (2018).

Artículo de Google Scholar

An, SH, Heo, G. & Chang, SH Detección de anomalías en procesos utilizando un marco de aprendizaje estadístico mejorado. Sistema experto. Aplica. 38, 1356-1363. https://doi.org/10.1016/j.eswa.2010.07.031 (2011).

Artículo de Google Scholar

Contreras-Valdés, A., Amezquita-Sanchez, JP, Granados-Lieberman, D. & Valtierra-Rodríguez, M. Técnicas de minería de datos predictivos para el diagnóstico de fallas de equipos eléctricos: una revisión. Aplica. Ciencia. 10(3), 950. https://doi.org/10.3390/app10030950 (2020).

Artículo de Google Scholar

Takeda, H., Farsiu, S. & Milanfar, P. Regresión del kernel para procesamiento y reconstrucción de imágenes. Traducción IEEE. Proceso de imagen. 16(2), 349–366. https://doi.org/10.1109/TIP.2006.888330 (2007).

Artículo ADS MathSciNet PubMed Google Scholar

Chu, CK & Marron, JS Elección de un estimador de regresión Kernel. Estadística. Ciencia. https://doi.org/10.1214/ss/1177011586 (1991).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Yi-Hsuan, L. & von Davier, A. Comparación de kernels alternativos para el método de prueba de kernel que equipara: kernels gaussianos, logísticos y uniformes. Res. ETS. Representante Ser. https://doi.org/10.1002/j.2333-8504.2008.tb02098.x (2008).

Artículo de Google Scholar

Heo, G., An, SH, Seo, HJ y Kim, C. Desarrollo de un monitor de índice de salud vegetal. Trans. Central coreana. Soc. 2, 5568 (2010).

Google Académico

Jin, X., Guo, Y., Sarkar, S., Asok Ray, A. y Edwards, RM Detección de anomalías en centrales nucleares mediante filtrado dinámico simbólico. Traducción IEEE. Núcleo. Ciencia. 58(1), 277–288 (2011).

Artículo ADS CAS Google Scholar

Draper, NR y Smith, H. Análisis de regresión aplicada 335 (Wiley, 1998).

Reservar Google Académico

Hines, JW, Revisión técnica de técnicas de monitoreo en línea para la evaluación del desempeño, Comisión Reguladora Nuclear de EE. UU. (2006). NURG/CR-6895.

Nadaraya, EA Sobre la estimación de la regresión. Teoría probable. Aplicación 3, 141-142 (1964).

Artículo de Google Scholar

Descargar referencias

Los miembros del equipo de investigación de KU agradecen el apoyo técnico y financiero brindado por el departamento de I+T de KNPC (CB/R&T/1350/CNSL). También se agradece el apoyo del Sector de Investigación de KU por facilitar la ejecución de este trabajo a través del proyecto de colaboración de investigación externa (XP01/13).

Universidad de Kuwait, Ciudad de Kuwait, Kuwait

Fawaz S. Al-Anzi, Haitham MS Lababidi y Ghanima Al-Sarrah

Colegio Australiano de Kuwait, Ciudad de Kuwait, Kuwait

Suad A. Al-Radwan

Tecnología BNF, Daejeon, Corea del Sur

A Joon Seo

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Prof. F.Al-A. es el investigador principal de este proyecto de investigación.Prof. HL y el Dr. S.Al-R. son co-investigadores. Dr. G.Al-S. es asistente de investigación. El Sr. HJS es director ejecutivo de BNF Technology y proveedor de software.

Correspondencia a Fawaz S. Al-Anzi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Al-Anzi, FS, Lababidi, HMS, Al-Sarrah, G. et al. Índice de sanidad vegetal como herramienta de detección de anomalías en procesos de refinería de petróleo. Representante científico 12, 14477 (2022). https://doi.org/10.1038/s41598-022-18824-2

Descargar cita

Recibido: 23 de junio de 2021

Aceptado: 19 de agosto de 2022

Publicado: 25 de agosto de 2022

DOI: https://doi.org/10.1038/s41598-022-18824-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.