Индекс здоровья растений как инструмент обнаружения аномалий в процессах нефтепереработки

Aug 29, 2023

Том 12 научных докладов, номер статьи: 14477 (2022 г.) Цитировать эту статью

3268 Доступов

1 Альтметрика

Подробности о метриках

Раннее обнаружение значительных аномальных изменений крайне желательно для процессов нефтепереработки, которые состоят из сложных операций, связанных с опасными и легковоспламеняющимися материалами и работающих при высоких температурах и давлениях. Тщательный мониторинг и обнаружение аномалий жизненно важны для предотвращения крупных аварий и потерь и позволяют вмешаться до возникновения сбоя. В этой работе предлагается новый инструмент анализа больших данных под названием Индекс здоровья растений (PHI). PHI — это программное обеспечение для статистического обнаружения аномалий, которое обучает свою модель на основе нормальной работы предприятия в режиме онлайн, а затем использует статистический анализ для обнаружения аномалий. Для обнаружения аномалий используется комбинированный метод многомерного анализа невязок и непараметрических моделей процесса. Методология обеспечивает структурированное представление переменных установки, чтобы облегчить обнаружение проблем, а также обнаружение изменений в работе системы. Система PHI была протестирована на установке гидроочистки нефтеперерабатывающего завода, состоящей из каталитических реакторов и сепараторов. Текущая реализация пометила 170 переменных процесса и доказала свою эффективность при регистрации нормальных условий эксплуатации предприятия. При подключении к сети PHI смогла обнаружить аномалии, которые трудно обнаружить с помощью системы управления и до того, как они будут обнаружены системой сигнализации.

Нефтеперерабатывающие заводы относятся к числу сложнейших динамических структур, требующих бесперебойной, эффективной и безопасной работы для непрерывного производства продукции высокого качества по конкурентоспособным ценам. Необходимы чрезвычайно сложные системы наблюдения, позволяющие заблаговременно выявлять неисправности электростанций и аномальное поведение. Алгоритмы машинного обучения можно эффективно использовать для обнаружения аномалий на основе онлайн- и исторических данных, что может привести к мониторингу работоспособности системы. При изучении наборов реальных данных общим требованием является знание того, какие примеры отличаются от всех остальных. Аномалии — это такие типы событий, и цель обнаружения выбросов или обнаружения аномалий состоит в том, чтобы найти их все, используя оперативные онлайн-данные1.

Нефтяной сектор превратился в строго регулируемую отрасль, основной целью которой является эксплуатационная безопасность и защищенность. Практически все установленное оборудование на современных нефтеперерабатывающих заводах имеет датчики, контролирующие его работу, и исполнительные устройства с дистанционным управлением, которые управляют ими с целью управления рабочим профилем, предотвращения нежелательных событий и катастрофических отказов. Физическая целостность нефтегазовых заводов строго защищена многоуровневыми системами контроля и сигнализации, которые реагируют на необычные обстоятельства. Обнаружение аномалий важно, поскольку аномалии в данных могут привести к получению важной информации для принятия мер в ряде областей применения1. Способность действовать в среде для надлежащего реагирования, предотвращения или исправления ситуаций, связанных с такой уникальной информацией, дает лицу, принимающему решения, возможность правильно ее идентифицировать2.

Еще одним важным моментом в перерабатывающих отраслях, таких как нефтеперерабатывающие заводы, является обработка больших объемов опасных и легковоспламеняющихся материалов, которые движутся с высокой скоростью (тонны в час), высокими температурами (сотни градусов Цельсия) и мощностью (в мегаваттах)3. . Каждую секунду на кону стоят тысячи сотрудников и миллионы долларов, поскольку один-единственный небольшой недостаток или ошибка может нанести существенный вред всему заводу и его работникам, а также потерю доходов. В результате первоочередной задачей руководства промышленного предприятия является обеспечение постоянной безопасности, эффективности процессов, долгосрочной долговечности и плановых (а не внеплановых) простоев. Распределенные системы управления (РСУ) и системы диспетчерского управления и сбора данных (SCADA) обычно используются для непрерывного мониторинга и контроля работы оборудования и агрегатов, таких как насосы, компрессоры, сепараторы, котлы, теплообменники и каталитические реакторы. Переменными, которые обычно измеряются и передаются в виде сигналов, являются температура, расход, уровень, давление и вибрация. Поскольку на технологическом предприятии используются сотни или тысячи датчиков мониторинга, отслеживание того, работают ли они должным образом или нет, требует очень много времени и затрат труда4.