Pflanzengesundheitsindex als Anomalieerkennungsinstrument für Ölraffinerieprozesse

Jun 06, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 14477 (2022) Diesen Artikel zitieren

3312 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die frühzeitige Erkennung signifikanter abnormaler Veränderungen ist für Ölraffinerieprozesse äußerst wünschenswert, die aus hochentwickelten Einheitsabläufen bestehen, die gefährliche und brennbare Bestände verarbeiten und bei hohen Temperaturen und hohem Druck arbeiten. Eine genaue Überwachung und Anomalieerkennung sind von entscheidender Bedeutung, um schwere Unfälle und Verluste zu vermeiden und ein Eingreifen zu ermöglichen, bevor Fehler auftreten. In dieser Arbeit wird ein neues Big-Data-Analysetool namens Plant Health Index (PHI) vorgeschlagen. PHI ist eine Software zur statistischen Anomalieerkennung, die ihr Modell mithilfe des normalen Online-Anlagenbetriebs trainiert und dann statistische Analysen zur Erkennung von Anomalien verwendet. Zur Erkennung der Anomalien wird eine kombinierte Methode aus multivariater Analyse von Residuen und nichtparametrischen Modellen des Prozesses eingesetzt. Die Methodik bietet eine strukturierte Darstellung der Anlagenvariablen, um die Erkennung von Problemen sowie die Erkennung von Betriebsänderungen des Systems zu erleichtern. Das PHI-System wurde an Hydrotreating-Einheiten in einer Raffinerie getestet, die aus katalytischen Reaktoren und Separatoren bestehen. Die aktuelle Implementierung markierte 170 Prozessvariablen und erwies sich bei der Erfassung der normalen Betriebsbedingungen der Anlage als effektiv. Bei der Online-Schaltung war PHI in der Lage, Anomalien zu erkennen, die mit dem Steuerungssystem schwer zu erkennen waren, bevor sie vom Alarmsystem erkannt wurden.

Ölraffinerien gehören zu den komplexesten dynamischen Strukturen und erfordern einen reibungslosen, effektiven und sicheren Betrieb, um kontinuierlich qualitativ hochwertige Produkte zu wettbewerbsfähigen Kosten zu produzieren. Es sind äußerst ausgefeilte Überwachungssysteme erforderlich, mit denen Anlagenstörungen und anormales Verhalten frühzeitig erkannt werden können. Algorithmen für maschinelles Lernen können effektiv zur Erkennung von Anomalien auf der Grundlage von Online- und historischen Daten eingesetzt werden, was zu einer Überwachung des Systemzustands führen kann. Bei der Untersuchung realer Datensätze ist es eine häufige Anforderung zu wissen, welche Beispiele sich von allen anderen unterscheiden. Anomalien sind diese Art von Ereignissen, und der Zweck der Ausreißererkennung oder Anomalieerkennung besteht darin, sie alle mithilfe von Online-Betriebsdaten zu finden1.

Der Erdölsektor hat sich zu einer stark regulierten Branche entwickelt, deren Hauptziele die Betriebssicherheit sind. Fast alle installierten Geräte in modernen Raffinerien verfügen über Sensoren, die ihre Aktivität überwachen, und über ferngesteuerte Aktoren, die auf sie einwirken, um das Betriebsprofil zu verwalten, unerwünschte Ereignisse zu vermeiden und katastrophale Ausfälle zu vermeiden. Die physische Integrität von Öl- und Gasanlagen wird durch vielschichtige Kontroll- und Alarmsysteme, die auf ungewöhnliche Umstände reagieren, streng geschützt. Die Erkennung von Anomalien ist wichtig, da Anomalien in Daten in einer Reihe von Anwendungsbereichen zu wichtigen verwertbaren Informationen führen können1. Die Fähigkeit, auf die Umgebung zu reagieren, um auf Situationen, die mit solchen einzigartigen Informationen einhergehen, angemessen zu reagieren, sie zu verhindern oder zu beheben, gibt dem Entscheidungsträger die Möglichkeit, sie richtig zu identifizieren2.

Ein weiterer wichtiger Gesichtspunkt in der Prozessindustrie wie Ölraffinerien ist der Umgang mit großen Mengen gefährlicher und brennbarer Materialien, die mit hoher Geschwindigkeit (Tonnen pro Stunde), hoher Temperatur (Hunderte Grad Celsius) und hoher Leistung (in Megawatt) fließen3 . Tausende von Mitarbeitern und Millionen von Dollar stehen jede Sekunde auf dem Spiel, da ein einziger kleiner Fehler oder Fehler erhebliche Schäden für das gesamte Werk und seine Mitarbeiter sowie Einkommensverluste verursachen kann. Daher besteht das oberste Anliegen des Industrieanlagenmanagements darin, kontinuierliche Sicherheit, Prozesseffizienz, langfristige Haltbarkeit und geplante (im Vergleich zu ungeplanten) Ausfallzeiten sicherzustellen. Verteilte Steuerungssysteme (DCS) und Überwachungssteuerungs- und Datenerfassungssysteme (SCADA) werden üblicherweise zur kontinuierlichen Überwachung und Steuerung von Geräten und Einheitenbetrieben wie Pumpen, Kompressoren, Separatoren, Kesseln, Wärmetauschern und katalytischen Reaktoren verwendet. Zu den Größen, die im Allgemeinen gemessen und als Signale übertragen werden, gehören Temperatur, Durchfluss, Füllstand, Druck und Vibration. Da in der gesamten Prozessanlage Hunderte oder Tausende von Überwachungssensoren eingesetzt werden, ist es sehr zeitaufwändig und arbeitsintensiv, den Überblick darüber zu behalten, ob sie ordnungsgemäß funktionieren oder nicht4.

Fortschrittliche Computertechnologien und die Verfügbarkeit billigerer Speichermedien ermöglichten es der Prozessindustrie, große Mengen zeitgestempelter Daten zu sammeln, die als Aufzeichnungen aller Messungen der letzten Monate oder Jahre gespeichert werden. In den DCS-Systemen verfügbare „Prozesshistoriker“ bieten nützliche Statistik- und Visualisierungstools für die Verarbeitung und den Vergleich früherer Betriebstrends. Allerdings sind die Vorhersagefähigkeiten solcher Tools sehr begrenzt und Bediener und Techniker, die normalerweise überlastet sind, verlassen sich auf ihre Intuition und Erfahrung, insbesondere wenn es darum geht, nützliche Muster in den riesigen Datenmengen zu finden und erwartete zukünftige Abweichungen und Anomalien abzuleiten, die daraus resultieren können unvorhergesehene Schäden und Verluste. Daher werden effektive Modelle zur Überwachung und Identifizierung von Anomalien oder Anomalien auf der Grundlage verschiedener Sensoren und historischer Daten im Zusammenhang mit dem Anlagenbetrieb immer wichtiger und gefragter. Hier können sich Data-Mining- und maschinelle Lernansätze als wirksam bei der Lösung der Herausforderungen erweisen, mit denen die Öl- und Gasindustrie konfrontiert ist.

In diesem Artikel wird versucht, die Nutzung von Big-Data-Analysen im Zusammenhang mit Wartungsprozessen in Ölraffinerien zu untersuchen. Die Wartung der Anlagenausrüstung und Sensoren ist für den normalen Anlagenbetrieb von entscheidender Bedeutung. Das Ziel von Wartungsunterstützungssystemen besteht darin, Verschlechterungen an Geräten oder Komponenten zu erkennen und diese zu beheben oder zu ersetzen, um die ursprünglichen Funktionen aufrechtzuerhalten. Wartungsstrategien können in reaktive oder proaktive Wartung eingeteilt werden (siehe Abb. 1). Herkömmliche Wartungsstrategien basieren in der Regel auf reaktiven oder korrigierenden Maßnahmen, bei denen Geräte nur dann ersetzt werden, wenn sie beschädigt sind oder einen starken Leistungsabfall erlitten haben. Diese „Run-to-Failure“-Strategie, bekannt als Pannenwartung, wird immer noch allgemein für Geräte angewendet, deren Ausfall keine Auswirkungen auf den Betrieb hat und schnell und einfach wieder in Betrieb genommen werden kann oder deren Ausfallzeitpunkt und -modi kein signifikantes statistisches Muster aufweisen. Allerdings können die Folgen mancher Ausfälle weitreichend und kostspielig sein. Diese Ausfälle können zu ernsthaften Betriebsschwierigkeiten oder sogar zur Stilllegung der Anlage führen, was zu erheblichen wirtschaftlichen Verlusten führt. Unter solchen Umständen sind proaktive Wartungsstrategien (siehe Abb. 1) erforderlich, um schwerwiegende Ausfälle zu vermeiden. Eine häufig verwendete proaktive Strategie ist die vorbeugende Wartung, die auf der Analyse der Geräteausfallhistorie basiert. Folglich wird ein Wartungsprogramm geplant und durchgeführt, um Geräte vor Ausfällen zu reparieren. In manchen Fällen kann die vorbeugende Wartung jedoch kostspielig oder sogar verschwenderisch sein. Um den Wartungsaufwand zu reduzieren, wurde eine neue Wartungsstrategie entwickelt. Bei dieser Strategie werden die Gerätezustände regelmäßig überwacht, bis die Geräte Anzeichen für einen sich entwickelnden Ausfall oder eine sich verschlechternde Leistung zeigen. Um Ausfälle von Anlagen zu verhindern, wird eine „Just-in-Time“-Wartung durchgeführt, die als vorausschauende Wartung oder zustandsbasierte Wartung (CBM) bezeichnet wird.

Wartungsstrategien.

Durch zustandsbasierte Wartung (Condition Based Maintenance, CBM) können die Kosten gesenkt werden, indem unnötige und zeitaufwändige Wartungsaktivitäten reduziert und menschliche Fehler reduziert werden. Eine der wesentlichen Methoden im CBM besteht darin, einen erwarteten Normalzustand im Vergleich zu einer gemessenen Beobachtung vorherzusagen. Wenn die Differenz zwischen dem erwarteten Zustand und dem beobachteten Zustand zunimmt, kann man eine Anomalie im System vermuten. Es gibt zwei Arten von Modellen, die zur Vorhersage normaler Zustände im Rahmen von CBM verwendet werden. Das Modell wird für den ersten Typ aus grundlegenden physikalischen Prinzipien abgeleitet, während das Modell für den zweiten Typ aus historischen Beobachtungen abgeleitet wird5. Diese Forschung konzentrierte sich auf den letztgenannten Modelltyp, der manchmal als empirisches Modell auf der Grundlage statistischer Analysen angesehen wird. Empirische Modelle sind aus folgenden Gründen praktischer6:

Kontextfreie Anwendbarkeit: Dies weist darauf hin, dass der Kern eines empirischen Modells ohne detaillierte Systemkenntnisse problemlos in jeder Form der Systemmodellierung eingesetzt werden kann.

Konfigurationsflexibilität: Dies bedeutet, dass die Systemgrenzen flexibel überwacht und identifiziert werden können.

Anpassbarkeit bei der Anpassung: Dies weist darauf hin, dass die Alterungsmodellierung relativ einfach ist, um eine Referenz- oder Basisleistung anzupassen.

Während auf den Baustellen kerntechnischer Anlagen verschiedene Modelle im Pilotmaßstab eingesetzt wurden, die empirische Modelle nutzen, sollten diese Modelle hinsichtlich der Genauigkeit nicht als höher bewertet werden als herkömmliche physikalische Modelle. Als Ergebnis der Inspektion, die durchgeführt wurde, um den Engpass bei früheren Bemühungen7 zu erkennen, haben wir die Notwendigkeit festgestellt:

Eine neuartige Strategie zur Parametergruppierung wie ein empirisches Modell kann bis zu einem gewissen Grad physikalisches Wissen über ein System übernehmen

Vorhersage des Anlagengesundheitszustands mithilfe statistischer Signaturen für Prozessanomalien.

Diese Forschung schlägt ein erweitertes Framework vor und implementiert es, einschließlich der vorgeschlagenen Strategie und der Bereitstellung eines Softwaresystems mit einer grafischen Benutzeroberfläche, die die Funktionen der Strategie veranschaulicht. Plant Health Index (PHI)-Lösungen haben sich bei der Vorhersage der Betriebsleistung (Gesundheit) von Kern-, Energie- und Entsalzungsanlagen bewährt. Nach der Implementierung und Bewertung von PHI in diesen Anlagen besteht das Ziel darin, die Anwendbarkeit von PHI in anderen Prozessindustrien nachzuweisen. In der aktuellen Arbeit wird die Anwendbarkeit von PHI im Raffineriebetrieb untersucht. Daher sind die Hauptziele:

Bewerten Sie die Anwendbarkeit von PHI in ausgewählten Raffineriebetrieben.

Bewerten Sie PHI bei der Analyse des Anlagenverhaltens und bewerten Sie die Zuverlässigkeit seiner Vorhersagen.

Ziel der Forschungsarbeit ist außerdem die Beantwortung folgender Fragestellungen:

Was sind Datenmerkmale speziell für die Raffinerieprozesse?

Welche Kosteneinsparungen bringt PHI für den gewählten Prozess?

Wie kann der Gesundheitszustand des ausgewählten Prozesses mithilfe von Big-Data-Analyse- und Data-Mining-Techniken ermittelt und optimiert werden?

Wenn beim Betrieb einer Anlage die Ergebnisse gut sind und keine Warnungen vorliegen, bedeutet das nicht, dass die Anlage in Ordnung ist. Es bedeutet lediglich, dass die aktuellen Ergebnisse in Ordnung sind, während sich in der Anlage möglicherweise unerkannte Probleme entwickeln. Daher kann es zu Problemen oder Anomalien bei der Gesundheit der Pflanze kommen. Da jedoch keine Kenntnisse über den Zustand oder die Gesundheit der Anlage vorliegen, besteht ohne frühzeitige Warnung immer die Möglichkeit eines Ausfalls/einer Störung.

Nach dem Heinrichschen Gesetz (siehe Abb. 2) kommen auf jeden schweren Arbeitsunfall 29 leichte Unfälle und 300 Beinaheunfälle8. Da die meisten Unfälle dieselben Ursachen haben, kann die Bekämpfung häufiger auftretender Beinaheunfälle kleinere und schwere Unfälle verhindern9,10. Was wäre also, wenn wir nicht nur 29 kleinere Unfälle, sondern alle 300 Vorfälle überwachen würden? Tatsächlich besteht das Hauptkonzept des in dieser Studie vorgeschlagenen Plant Health Index (PHI)-Ansatzes darin, den Betrieb einer Chemieanlage zu überwachen, Symptome abzuleiten und das Auftreten aller Vorfälle vorherzusagen.

Heinrich Law (Modell 300-29-1).

Da wir wissen, dass Fehlern, ob geringfügig oder katastrophal, Symptome vorausgehen, die auf eine Verschlechterung der Anlagen- oder Prozessbedingungen hinweisen (siehe Abb. 3), stellt sich die Frage: Wie kann ein Fehler früh genug erkannt werden, um Zeit für die Planung und Planung von Arbeiten ohne Panik zu haben? oder Reaktivität?

Verlauf des Geräteausfalls.

Das konkrete Ziel besteht darin, die vorgeschlagene PHI-Software an den Raffineriebetrieb anzupassen. Es wird erwartet, dass das implementierte PHI-System einen Gesundheitsindex auswertet, der die Betriebsleistung des ausgewählten Raffinerieabschnitts widerspiegelt. Bei der Anzeige kann der numerische Wert des Index von technischem und nichttechnischem Personal leicht interpretiert werden, um den Status der Anlage besser zu verstehen. Zu den technologischen Problemen, die durch die Implementierung von PHI als Big-Data-Analysetool gelöst werden sollen, gehören:

Vorbeugende und vorausschauende Wartungsrichtlinie für den Raffineriebetrieb.

Reduzierung von Ausfallzeiten und Reduzierung von Stillstands- und Leerlaufzeiten im Raffineriebetrieb.

Effektivere Logistikabläufe für Ersatzteile und Upgrades des Backoffice einer Raffinerie.

Kostenvorteile durch Implementierung der Lösung in Raffinerien.

Die Methodik, die zur Erreichung der festgelegten Ziele angewendet wird, besteht aus den folgenden Schritten:

Entwurf und Installation der Plant Health Index-Lösung in einem ausgewählten Raffinerieprozess.

Analyse der Ausgabe- und Vorhersageleistung von PHI.

Einführung neuer Algorithmen zur Anpassung von PHI an spezifische Big-Data-Anomalien in Raffinerien.

Bewerten Sie die praktische Anwendung des Algorithmus für den Raffineriebetrieb.

Beziehen Sie erfahrene Bediener in die Analyse und Kommentierung der diagnostischen Leistung von PHI ein.

Bewerten Sie den Beitrag des Systems als prädiktive Big-Data-Diagnoselösung für Raffinerien.

Die Optimierung industrieller Prozesse hat in den letzten Jahrzehnten große Aufmerksamkeit erhalten. Aus diesem Grund sind mehrere Studienbereiche in den Bereichen Aktivitätsverfolgung und Fehlererkennung und -isolierung (FDI) entstanden. Modellbasierte, datengesteuerte und hybride Techniken sind die drei Arten vorhandener Methoden. Modellbasierte Techniken, die First-Principle-Modelle verwenden, erfordern ein hohes Maß an A-priori-Informationen über die untersuchten Systeme. Daher kann es schwierig sein, sie auf große Strukturen anzuwenden, insbesondere wenn Teile dieser Strukturen unklar sind. Datengesteuerte Techniken klassifizieren den Betrieb eines Systems auf der Grundlage einer zugänglichen Schätzung der Aktivitäten. In den meisten Fällen sollte ein Trainingssatz erforderlich sein, um die herkömmliche Funktionsweise des Systems zu beschreiben, damit Fehler als Abweichungen von den erlernten nominellen Prozesseigenschaften erkannt werden können. Für die Fehlerisolierung mithilfe datengesteuerter Techniken sind häufig zusätzliche Daten erforderlich, die das charakteristische Verhalten des Prozesses während der Fehleranfälligkeit anzeigen. Um die Leistung verschiedener FDI-Ansätze vergleichen zu können, sind authentische Benchmark-Beispiele erforderlich. Seit der ersten Veröffentlichung von Downs und Vogel im Jahr 199311 wird die Tennessee-Eastman-Methode (TEP) zu diesem Zweck häufig eingesetzt. Es stellt ein Benchmark-Szenario dar, das verwendet werden kann, um die meisten Probleme zu untersuchen, die kontinuierliche Prozesse verursachen können. Reinartz et al.12 steuerten einen großen Referenzdatensatz bei, der wiederholte Simulationen normaler und fehlerhafter Prozessdaten sowie ergänzende Beobachtungen und unterschiedliche Signifikanzniveaus für alle Prozessstörungen umfasst.

In den letzten Jahren hat die Multimode-Betriebsüberwachung großes Interesse in Wissenschaft und Wirtschaft geweckt. Im Allgemeinen werden alle Faktoren, die überwacht werden können, zur Überwachung eines Vorgangs herangezogen. Unbedeutende Faktoren hingegen können die Wirksamkeit der Überwachung aufgrund einer Überanpassung verringern und den Online-Computing-Aufwand erheblich erhöhen. Es ist notwendig, die richtigen zu überwachenden Parameter auszuwählen, die in engem Zusammenhang mit diesen Problemen stehen, um die Probleme zu verfolgen, die die Sicherheit, Zuverlässigkeit und Produktqualität beeinträchtigen können. Wu et al.13 führten eine Studie durch, um die Auswirkungen der Multimode-Prozessüberwachung mit Parameterauswahl zu untersuchen. Für die Auswahl der Variablen wird ein auf KLD (Kullback-Leibler-Divergenz) basierender Ansatz angegeben, mit dem Ziel, die nützlichsten Variablen für die betreffenden Defekte auszuwählen. Die Variablenauswahl hilft bei der Entwicklung eines Hochleistungsmodells mit geringem Risiko einer Überanpassung und verbessert die Interpretation für eine genaue Problemdiagnose. Darüber hinaus schlugen sie einen neuen Erkennungsindex namens Moving Window-Negative Log Likelihood Probability (MWNLLP) für die Online-Überwachung vor und präsentierten ihn. Sie verwendeten sowohl ein numerisches Beispiel als auch den TEP (Tennessee Eastman-Prozess), um die Nützlichkeit der vorgeschlagenen Methode zu demonstrieren13.

Technologisch fortschrittliche Produktionsanlagen erfordern nicht nur hochintelligente, sondern auch äußerst zuverlässige und sichere Prozessüberwachungstools. In den letzten Jahrzehnten wurden erhebliche Fortschritte bei datengesteuerten Aktivitätsüberwachungsansätzen erzielt, bei denen eine Vielzahl von Parametern überwacht und gespeichert werden. Die meisten davon wurden erfolgreich zur Überwachung verschiedener Prozesse eingesetzt. Die von Cheng et al.14 durchgeführte Arbeit verwendete die Gated Recurrent Unit (GRU) zur Formulierung des Variational Recurrent Autoencoder (VRAE), da ihre Leistung mit der von LSTM (Long Short-Term Memory) vergleichbar ist, aber rechnerisch effizienter ist. Darüber hinaus führten sie eine Überwachungsmetrik ein, den Negative Variational Score (NVS), zur Problemerkennung in der Prozessindustrie. Während alle vorherigen Ansätze auf Rekonstruktionsfehlern basieren, um Anomalien zu erkennen, berücksichtigt das vorgeschlagene NVS sowohl Rekonstruktionsfehler als auch Ähnlichkeiten zwischen der früheren und hinteren Wahrscheinlichkeitsverteilung. Sie bewerteten die Wirksamkeit des vorgeschlagenen Modells bei der Erkennung der Fehler mithilfe standardmäßiger statistischer und auf künstlicher Intelligenz basierender Ansätze sowohl anhand einfacher nichtlinearer Simulationen als auch des Benchmark-TEP14.

Radcliffe und Reklaitis15 berichteten über eine Qualitätskontroll- und Überwachungsmethode für pharmazeutische Produktionssysteme. In einer verwandten Studie wurde eine hierarchische Bayes'sche Technik verwendet, um Hybridmodelle zu erstellen, die Inline-Bilderfassungsinformationen mit Ausgaben in Beziehung setzen21. Erklärende Faktoren, die sich direkt aus den Bilddaten ergeben, erhalten durch bekannte Physik eine funktionale Form, während unbekannte Effekte, die sich aus dem Zusammenspiel von Prozessumständen, Tintenqualitäten und Partikeleigenschaften ergeben, hierarchisch dargestellt werden. Durch die Simulation der Wechselwirkungen dieser unbekannten Konsequenzen in einer hierarchischen Regressionsanalyse16 war es möglich, die in den historischen Informationen enthaltenen Ressourcen, die aus vielen Verständnissen austauschbarer Datensätze bestehen, die über verschiedene Ebenen geschichtet sind, vollständig zu nutzen.

Die meisten Systeme verfügen über ein eigenes Design oder optimierte Bedingungen hinsichtlich Sicherheit und Effizienz. Abweichungen vom Design können jedoch die Betriebsstabilität beeinträchtigen. Wenn beispielsweise ein Sicherheitsparameter beginnt, von einer Entwurfsbedingung abzuweichen und sich den Prozessgrenzen zu nähern, bedeutet dies, dass die Wahrscheinlichkeit eines Ausfalls steigt. Wenn ein Leistungsparameter stärker von der Auslegungsbedingung abweicht, sinkt auch die Effizienz einer Anlage17. Daher kann die Abweichung von einer Entwurfsbedingung eine gute Referenz für die Definition des Gesundheitszustands des Systems sein.

Die Prozessunsicherheit ist eine weitere Messgröße zur Definition des Gesundheitszustands eines Systems. Es zeigt, ob das Verhalten einer Prozesskomponente wie erwartet ist oder nicht. Wie in Abb. 4 dargestellt, liegt bei einer geringen Prozessunsicherheit die Komponente nahe am erwarteten Verhalten, wohingegen größere Bereiche auf Fehlfunktionen der Komponente oder des Systems hinweisen. Prozessunsicherheit wird somit durch die Gesundheit oder Krankheit des Prozesses charakterisiert, die mit den Grenzen der Betriebsbedingungen des Prozesses zusammenhängt. Durch die Überwachung der Prozessunsicherheit ist es möglich, abnormales Verhalten zu erkennen, selbst wenn das System mit ausreichend Spielraum für die Prozessgrenzen arbeitet. Diese Funktion, die als Früherkennungsfunktion bezeichnet wird, kann Betreibern dabei helfen, abnormale Vorgänge vor Ausfällen zu bewältigen und schließlich eine zustandsbasierte Wartung zu unterstützen8.

Definition von Prozessunsicherheit.

Der vorgeschlagene Gesundheitsindex quantifiziert den Gesamtgesundheitszustand einer Prozessanlage, indem er einzelne Indikatoren aggregiert, die für jede Komponente auf der Grundlage eines funktionalen Erfolgsbaums berechnet und mit ihrer Wichtigkeit gekennzeichnet sind. Der Gesundheitsindex einer Komponente kann durch Kombination des Gesundheitszustands, der Abweichungen von den Entwurfsbedingungen darstellt, und der Prozessunsicherheit, die sich auf Abweichungen von Modellschätzungen bezieht, ermittelt werden18. Abbildung 5 veranschaulicht das Konzept des Gesundheitsindex.

Der Gesundheitsindex berücksichtigt Abweichungen der tatsächlichen Messung von den Design- und Nominalbedingungen.

Wie in Abb. 6 dargestellt, ist die Prozessmarge als die Differenz zwischen einem Alarm/einer Auslösung und einem Betriebszustand definiert, während die Prozessunsicherheit (oder -gesundheit) als Rest zwischen einem erwarteten Normalzustand und einem Betriebszustand definiert ist. Das Hauptkonzept hinter der Berechnung des Gesundheitsindex besteht darin, eine Frühwarnung bereitzustellen, indem anormale Prozessunsicherheiten früher als die der Prozessmarge beobachtet werden.

Prozessmarge und Prozessunsicherheit. Pflanzengesundheit: (a) weniger unsicher, aber weniger Spielraum, und (b) mehr Spielraum, aber unsicherer.

Das zur Berechnung des Gesamtgesundheitsindex verwendete Verfahren ist in Abb. 7 dargestellt. Bei der Entwicklung des empirischen Vorhersagemodells werden historische Daten verwendet, mit denen die gewünschten Werte \(x_{est}\) geschätzt werden (siehe Abb. 6). während Online-Prozessdaten (x) zur Berechnung der Residuen verwendet werden, die zur Bestimmung der verschiedenen Komponenten der Indizes erforderlich sind.

Verfahren zur Berechnung des Pflanzengesundheitsindex 19.

Die Sollwerte \(\left( {x_{set} } \right)\) werden als Auslöse- oder Alarm-Sollwerte für sicherheitsrelevante Parameter definiert. Diese Sollwerte werden normalerweise als Entwurfssollwerte festgelegt, können aber auf andere geeignete Werte geändert werden. Tatsächlich wurden die Sollwerte für die aktuelle Implementierung auf der Grundlage der historischen Grenzwerte ausgewählt. Darüber hinaus werden aus wirtschaftlichen Überlegungen abgeleitete, auf Leistungsparameter bezogene Sollwerte als zulässige Grenzen festgelegt. Eine weitere wichtige Überwachungsreferenz sind die Nennbedingungen (µ), die normalerweise als Auslegungsbedingungen von Prozesskomponenten definiert werden.

Die Ober- und Untergrenzen des Gesundheitsindex werden wie folgt festgelegt; Wenn sich die aktuellen Betriebsbedingungen (x) den Nennbedingungen (µ) nähern, sollte der Gesundheitsindex 1,0 betragen, während sich die Betriebsbedingungen den Sollwerten \(\left( {x_{set} } \right)\) nähern, der Gesundheitsindex Der Index sollte 0,0 sein. Somit sind µ und \(x_{set}\) die beiden Grenzen, die die besten und schlechtesten Pflanzengesundheitsbedingungen definieren, und die Gesundheitsindexverteilung zwischen den beiden Grenzen \(\left( {HI_{margin} } \right) \) kann definiert werden als:

Die Prozessunsicherheitskomponente des Gesundheitsindex \(\left( {HI_{uncertain} } \right)\), definiert durch Gl. (2) stellt das Residuum zwischen dem aktuellen Zustand und dem geschätzten Zustand \(\left( {x_{est} } \right)\) dar. Sein Wert beträgt 1,0, wenn die aktuellen Betriebsbedingungen mit den Modellschätzungen übereinstimmen, was bedeutet, dass der Rest minimal ist (→ 0,0). Wenn andererseits der tatsächliche Betriebszustand weit von der Modellschätzung entfernt ist, ist das Residuum sehr groß (→ ∞) und der Wert des Index nähert sich 0,0.

Der Gesamtgesundheitsindex \(\left( {HI_{Overall} } \right)\) für eine bestimmte Komponente kann als Kombination der Margen- und Unsicherheitsgesundheitsindizes dargestellt werden:

Während \(HI_{Overall}\) den Gesundheitsindex einer einzelnen Komponente (untergeordneter Index) darstellt, kann der Gesundheitsindex auf Systemebene (oder Gruppenindex) durch bedingte Kombination der für einzelne Komponenten ausgewerteten Indizes erhalten werden. Das untersuchte System ist in N Subsysteme (Gruppen) unterteilt, die als „Eltern“ betrachtet werden, und jedes Subsystem besteht aus M Komponenten. Daher ist der durch Gl. gegebene \(HI_{Overall}\)-Index. (3) wird als \(HI_{i,j}\) bezeichnet, was sich auf die j-te Komponente der i-ten Gruppe bezieht.

Die Kombinationsmethode basiert auf dem Minmax-Algorithmus, der die minimale Verstärkung maximiert. Die Schritte zur Bestimmung der Gesundheitsindizes auf Gruppen- und Systemebene werden wie folgt zusammengefasst:

Definiert einen anfänglichen Kompensationsfaktor \(\left( {CompFactor} \right)\) im Bereich von 0,1 bis 1,2. Dieser Faktor soll die Variabilität bei sehr kleinen Stichprobengrößen ausgleichen.

Ermitteln Sie für jede Gruppe (übergeordnete Gruppe) die oberen beiden maximalen Indizes (HImax,1 und HImax,2) und die niedrigsten beiden minimalen Werte der Indizes (HImin,1 und HImin,2) für alle Komponenten der Gruppe.

Berechnen Sie den Durchschnittswert wie folgt:

Berechnen Sie einen neuen Kompensationsfaktor:

Berechnen Sie den Durchschnitt der Indexwerte aller Komponenten einer bestimmten Gruppe:

wobei i die Gruppe (übergeordnetes Element) und j die Komponente (untergeordnetes Element) angibt.

Berechnen Sie den Durchschnittsindex mithilfe des neuen Kompensationsfaktors:

Legen Sie den Wert des Index für das übergeordnete i wie folgt fest:

Der Gesamtwert des Gesundheitsindex kann basierend auf den Präferenzen der Stakeholder angepasst werden. Beispielsweise kann das PHI Sicherheit oder Leistung einzeln oder kombiniert in einem Index berücksichtigen. Darüber hinaus können die Berechnung des Gesundheitsindex, die Gewichtungsfaktoren jedes Begriffs und die Kombination von Gesundheitsindizes auf Systemebene je nach Anlagen- und Betriebssituation geändert werden.

Dieser Abschnitt konzentriert sich auf die Entwicklung einer Gruppierungstechnik und des Rahmenwerks zur Überwachung des Gesundheitszustands einer Chemieanlage. Jedes Überwachungsmodul berechnet den Gesundheitsindex und integriert ihn in den Gesamtgesundheitsindex, um den Gesundheitszustand der Pflanze darzustellen18. Diese Methodik wird auf den ausgewählten Abschnitt der Raffinerie angewendet.

Die in dieser Studie durchgeführten Forschungsaktivitäten konzentrierten sich auf statistische Lernstrategien zur Unterstützung der zustandsbasierten Instandhaltung (Condition Based Maintenance, CBM). Das vorgeschlagene System besteht aus einem Trainingsmodus und einem Ausführungsmodus. Zunächst wird ein empirisches Modell unter Verwendung der unter normalen Arbeitsbedingungen im Trainingsmodus gesammelten Daten entwickelt. Im Gegensatz dazu umfasst der Ausführungsmodus die Entscheidung über ein Anomalieband, indem die eingegebenen Betriebsdaten überprüft und deren Abweichung von der Modellierungsausgabe des Trainingsmodus untersucht wird.

Man kann sich vorstellen, dass der Gesundheitsindex in den folgenden Schritten entwickelt wird:

Schritt I: Zustandsüberwachung entwerfen.

Der erste Gesundheitsindex ist durch die Abweichung zwischen einem Entwurfszustand und einem tatsächlichen Zustand von Prozessvariablen gekennzeichnet (HImargin, Gleichung (1)). Somit werden Gesundheitsindizes sowohl für sicherheits- als auch für effizienzbezogene Variablen quantifiziert.

Schritt II: Überwachung der Prozessunsicherheit.

Die Prozessunsicherheit basiert auf den Ergebnissen des empirischen Modells. Das Residuum wird durch die Differenz zwischen dem erwarteten Wert, den ein Modell schätzt, und einem tatsächlichen Wert zugewiesen (HIuncertain, Gleichung (2)). Basierend auf diesem Residuum wird ein Gesundheitsindex ermittelt.

Schritt III: Gesamtgesundheitsindex.

Der Gesamtgesundheitsindex einer Komponente (HIOverall, Gleichung (3)) wird durch die Kombination eines Gesundheitsindex zusammen mit dem Designzustand und der Restgröße dargestellt.

Schritt VI: Software zur Überwachung des Gesundheitsindex.

Das betriebsunterstützende System wird unter Verwendung der in dieser Forschung vorgeschlagenen Prozessmustererkennungstechnologie entwickelt. Das System ist so konzipiert, dass es eine grafische Benutzeroberfläche bereitstellt, die aus Hauptanzeige, Erfolgsbaumanzeige, Trendanzeige, Beratungsanzeige, Trainer und Laufzeit besteht. Mithilfe der Erfolgsbaumanzeige sollten die Bediener in der Lage sein, den Baum und die Gewichtung jedes Knotens zu konfigurieren. Die Trendanzeige soll tatsächliche Werte und Modellschätzungen von Prozessvariablen umfassen. Zur Unterstützung des Bedieners bei der Diagnose der erkannten Fehler steht eine Beratungsanzeige zur Verfügung. Schließlich können Bediener im Trainer- und Laufzeitmodul über Stichprobenmethoden, Gruppierungsoptionen und Kernel-Optimierungsmethoden entscheiden.

Bei der Einführung des Plant Health Index (PHI)-Systems für die ausgewählte Raffinerie-Hydrotreating-Einheit wurden die folgenden praktischen Schritte befolgt:

Identifizieren Sie ein geeignetes Subsystem für die Systemimplementierung.

Installieren Sie die PHI-Lösung für das ausgewählte Subsystem.

Geben Sie den Systemkonfigurationsbereich an.

Definieren und stellen Sie die mit dem System verbundene Schnittstelle bereit, bei der es sich um einen Industriestandard wie OPC handelt.

Rufen Sie historische Daten für mindestens 6 Monate ab.

Beauftragen Sie Ingenieure mit der Bewertung der Systemleistung.

Analysieren Sie die Ausgabe der Lösung.

Beauftragen Sie Standortexperten mit Kommentaren zu den Vorteilen der Lösungen.

Bewerten Sie die praktische Anwendung des Algorithmus für den ausgewählten Prozess.

Bewerten Sie den Beitrag des Systems als prädiktive Diagnoselösung.

Der oben skizzierte Ansatz ist im Flussdiagramm in Abb. 8 dargestellt.

PHI-Bereitstellungsansatz.

PHI wurde entwickelt, um den Zustand von Geräten während ihres Lebenszyklus zu erfassen und zu bewerten. Somit kann es in der datengesteuerten zustandsbasierten Wartung eingesetzt werden und hilft bei der Vorhersage von Ausfällen und Fehlfunktionen20.

Unter Datenerfassung versteht man die Sammlung historischer Daten über einen langen Zeitraum zum Trainieren eines Vorhersagemodells unter normalen Betriebsbedingungen. Vorzugsweise umfassen die gesammelten Daten verschiedene Betriebsmodi und können auch abnormale Bedingungen und Betriebsschwankungen umfassen, die beispielsweise aus der Alterung der Ausrüstung, Verschmutzung und Katalysatordeaktivierung resultieren.

Die Trainingsdatensätze werden in Echtzeit direkt von den Sensoren der Anlagenkomponenten erfasst. Die Datensätze erfassen die drei Betriebsmodi; dh Startmodus, normaler Betriebsmodus und Abschaltmodus. Diese Modi können unter bestimmten Umständen in detailliertere Modi unterteilt werden.

Obwohl die Parameter eine starke Korrelation aufweisen, kann die zwischen ihnen auftretende Zeitverzögerung dazu führen, dass die Beziehung nicht extrahiert werden kann. Die Erklärung für die Zeitverzögerung bei Parametern mit physikalischen Beziehungen liegt darin, dass es Zeit braucht, um einen stationären Zustand zu erreichen, sobald bestimmte Änderungen auftreten und von einem Teil zum anderen übergehen. Wenn die Parameter jedoch einen starken Zusammenhang aufweisen und sich im Laufe der Zeit ändern, kann der Korrelationskoeffizient gering sein, was zu Fehlern während des Gruppierungsverfahrens führt. Wir verwendeten ein dynamisches Fenster für die Stichprobenerhebung, das die zeitliche Verzögerung zwischen Parametern untersucht, um die effektive Gruppierung von Variablen mit einem starken Zusammenhang zu unterstützen.

Die Zeitverzögerung wurde mithilfe der Kreuzkorrelation behoben. Für eine Verzögerungsdauer von \(t_{d}\) gilt Gl. (9) definiert den Koeffizienten für die Kreuzkorrelation zwischen zwei Parametern \(A\) (\(a_{0}\), \(a_{1} , \ldots , a_{M}\)) und \(B\) (\(b_{0}\), \(b_{1}, \ldots, b_{M}\))21. Die Mittelwerte von \(A\) und \(B\) sind \(\mu_{A}\) bzw. \(\mu_{A}\).

Das Ziel der Gruppierung von Parametern besteht darin, Elemente zu entfernen, die keine aussagekräftigen Daten liefern, und die Anzahl der Parameter zu begrenzen, die zur angemessenen Beobachtung einer Komponente erforderlich sind. Der als Referenz für dieses Gruppierungsverfahren verwendete Korrelationskoeffizient wird für jedes Variablenpaar mithilfe von Gl. berechnet. (10) und wenn sie einen bestimmten Schwellenwert überschreitet, wird die Variable in den Trainingssatz aufgenommen; andernfalls wird es verworfen21.

wobei \(\rho_{AB}\) der Korrelationskoeffizient zwischen \(A\) und \(B\) ist und \(\sigma_{A}\) und \(\sigma_{B}\) ihr Standard sind Abweichungen.

Es gibt drei Möglichkeiten, die Parameter zu gruppieren: relationale Gruppierung (Tags mit denselben Mustern werden zusammen gruppiert), manuelle Gruppierung (jede Gruppe besitzt alle Tags) und erfolgsbaumbasierte Gruppierung. Der Grenzwert der Korrelationskoeffizienten wird als Gruppensensitivität bezeichnet. Die Gruppierung wird präziser, je größer die Gruppensensitivität ist. Wenn Daten während der Gruppierung komprimiert werden, wird die Funktion „Gruppenauflösung (Verkleinern)“ verwendet. Wenn ein Tag 1000 Samples hat und das Komprimierungsverhältnis 100 beträgt, werden die Samples auf 100 komprimiert und die fehlenden Informationen werden durch die Rastergröße aufgefüllt. Zu den wesentlichen Vorteilen der Komprimierung gehören die Reduzierung der Datenspeicherung, der Datenübertragungszeit und der Kommunikationsbandbreite. Zeitreihendatensätze erreichen häufig eine Größe von Terabyte und mehr. Es ist notwendig, die gesammelten Datensätze zu komprimieren, um das effektivste Modell zu erhalten und gleichzeitig die verfügbaren Ressourcen zu schonen.

Die Vorverarbeitung der gesammelten Daten ist unerlässlich, um die Genauigkeit der entwickelten empirischen Modelle sicherzustellen, die empfindlich auf Rauschen und Ausreißer reagieren. Auch die Wahl der Abtastrate ist entscheidend, vor allem weil bei Ölraffinerieprozessen die Abtastrate (Messfrequenz) viel schneller ist als die Prozessdynamik. In der aktuellen Implementierung wurde Tiefpass-Frequenzfilterung mit Fourier-Analyse verwendet, um Ausreißer zu eliminieren, eine Abtastrate von 10 Minuten wurde ausgewählt und die Komprimierungsrate (Gruppenauflösung oder Schrumpfung) wurde auf 1000 eingestellt. Darüber hinaus wurde ein Kalman-Filter angewendet, um Robustheit zu gewährleisten Rauschverteilung der gesammelten Daten5. Ein weiterer wichtiger Vorverarbeitungsschritt ist die Gruppierung. Zunächst werden die nützlichen Informationen der Variablen gruppiert. Es hilft, redundante Variablen zu entfernen, die keine nützlichen Informationen enthalten. Es reduziert auch die Anzahl der Variablen, die für eine ordnungsgemäße Überwachung der Anlage erforderlich sind. Schließlich müssen die verfügbaren Informationen durch die Umwandlung hochdimensionaler Datensätze in niedrigdimensionale Merkmale mit minimalem Verlust der Klassentrennbarkeit21 entsprechend komprimiert werden. Die maximale Anzahl an Tags pro Gruppe ist in dieser Simulation auf 51 begrenzt und in den meisten Fällen wird eine auf Erfolgsbäumen basierende Gruppierung verwendet. Der Mindestwert des Korrelationskoeffizienten \(\rho\) wurde auf 0,20 und die Gruppensensitivität auf 0,90 festgelegt. Je höher die Gruppenempfindlichkeit, desto genauer ist die Gruppierung.

Die Kernel-Regression ist eine bekannte nichtparametrische Methode zur Schätzung des bedingten Erwartungswerts einer Zufallsvariablen22,23,24,25. Ziel ist es, einen nichtlinearen Zusammenhang der beiden Zufallsvariablen zu entdecken. Wenn Sie mit Daten arbeiten, die eine schiefe Verteilung aufweisen, ist die Kernel-Regression eine gute Wahl. Dieses Modell bestimmt den Wert des Parameters durch Schätzung der beispielhaften Beobachtung und des gewichteten Durchschnitts historischer Daten. Die Kernel-Funktion wird bei der Kernel-Regression als Gewichtung berücksichtigt. Es handelt sich um eine symmetrische, kontinuierliche und begrenzte reelle Funktion, die zu 1 integriert. Die Kernelfunktion darf keinen negativen Wert haben. Der Nardaraya-Watson-Schätzer nach Gl. (11) ist die prägnanteste Art, die Kernel-Regression auszudrücken, die \(y\) in Bezug auf die Eingabe \(x\)21,23,24 schätzt.

Die Auswahl des geeigneten Kernels für die jeweilige Situation wird durch praktische und theoretische Bedenken eingeschränkt. Die gemeldeten Kernel sind Epanechnikov, Gaussian, Quartic (Biweight), Tricube (Triweight), Uniform, Triangular, Cosine, Logistics und Sigmoid 25. In der aktuellen Implementierung von PHI werden drei Arten der Kernel-Regression bereitgestellt: Uniform, Triangular und Gaußsche, die definiert sind als:

Einheitlicher Kernel (rechteckiges Fenster): \(K\left( x \right) = \frac{1}{2}; wobei \left| x \right| \le 1\)

Dreieckiger Kern (dreieckiges Fenster): \(K\left( x \right) = 1 - \left| x \right|; wobei \left| x \right| \le 1\)

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

Der Standardwert ist der Gaußsche Kernel, der sich für die aktuelle Implementierung als der effektivste Kernel erwiesen hat.

PHI überwacht Anlagensignale, leitet Ist-Werte von Betriebsvariablen ab, vergleicht Ist-Werte mit anhand empirischer Modelle vorhergesagten Erwartungswerten und quantifiziert Abweichungen zwischen Ist- und Erwartungswerten. Bevor es zur Überwachung des Anlagenbetriebs eingesetzt wird, sollte PHI zunächst darauf trainiert werden, die normalen Betriebsbedingungen eines Prozesses vorherzusagen. Die Entwicklung des empirischen Vorhersagemodells basiert auf einer statistischen Lerntechnik, die aus einem „Ausführungsmodus“ und einem „Trainingsmodus“ besteht. Die in beiden Modi des PHI-Systems verwendeten Methoden und Algorithmen sind in Abb. 9 dargestellt.

Algorithmen des PHI 26.

Im Trainingsmodus werden statistische Methoden verwendet, um das Modell anhand vergangener Betriebsdaten zu trainieren. Das System identifiziert mögliche Betriebsanomalien für den Ausführungsmodus, indem es die Abweichungen zwischen den vom empirischen Modell vorhergesagten Werten und den tatsächlichen Online-Messungen untersucht. Nähert sich beispielsweise ein aktueller Betriebszustand dem Normalzustand, beträgt der Gesundheitsindex 100 %. Wenn sich dagegen ein Betriebszustand dem Alarmsollwert nähert, beträgt der Gesundheitsindex 0 %. Andererseits ist der Gesundheitsindex im Hinblick auf die Prozessunsicherheit durch die Restabweichungen gekennzeichnet; Der Gesundheitsindex beträgt 100 %, wenn eine aktuelle Betriebsbedingung mit der Modellschätzung übereinstimmt (d. h. das Residuum ist 0,0), und beträgt 0 %, wenn die Betriebsbedingungen weit genug von der Modellschätzung entfernt sind (d. h. das Residuum ist unendlich). Der Gesamtpflanzenindex ist eine Kombination der beiden oben genannten Gesundheitsindizes. Details der Methode werden in 21 und 26 vorgestellt und als verbesserter statistischer Lernrahmen dargestellt, der unten beschrieben wird.

Der Rahmen von PHI ist in Abb. 10 dargestellt. Die Abfolge der Aktionen im Trainingsmodus ist wie folgt:

Langfristige Erfassung historischer Daten.

Datenvorverarbeitung wie Filterung, Signalkomprimierung und Gruppierung.

Entwicklung des statistischen Modells.

Auswertung des Gesundheitsindex.

Andererseits ist die Reihenfolge der Aktionen im Ausführungsmodus wie folgt:

Erfassung von Echtzeitdaten.

Berechnung des Erwartungswerts aus dem Modell.

Berechnung der Residuen.

Die Entscheidung der Prozessunsicherheit.

Berechnung des PHI.

In der Ausführungsphase besteht der erste Schritt darin, Echtzeitdaten aus den Sensorsignalen zu sammeln und diese Informationen mit den Modellschätzungen zu vergleichen. Basierend auf dem Vergleich werden die Residuen zwischen den Modellschätzungen und den Echtzeitmessungen bewertet. Diese Residuen werden verwendet, um die Anomalien in der Anlage vorherzusagen. Angenommen, die Online-Werte sind [11 12 13 9 15] und die Modellschätzungen [11 12 13 14 15], dann sind die geschätzten Residuen [0 0 0 5 0]. Diese Werte werden zur Bewertung der Prozessunsicherheit (Gesundheit) unter Anwendung von Gl. (2). Andererseits beziehen sich Prozessmargen auf die Unterschiede zwischen Alarmen/Auslösungen und den Betriebsbedingungen, die mithilfe von Gl. ausgewertet werden. (1). Eine Frühwarnung wird generiert, wenn eine abnormale Prozessunsicherheit früher als eine Prozessmarge beobachtet wird. Die Prozessmargen und Prozessunsicherheiten werden unter Verwendung von Gl. in Gesamtgesundheitsindizes kombiniert. (3).

Das PHI-System wurde mit MATLAB entwickelt. Es wurde ein modularer Ansatz verwendet, sodass Änderungen einfach eingeführt und neue Algorithmen als unabhängige Module hinzugefügt, integriert und getestet werden können. Dieser Ansatz wurde für Forschungs- und Entwicklungszwecke als durchaus geeignet befunden. Darüber hinaus wird das PHI-System als ausführbare MATLAB-Dateien geliefert.

Die Hauptmerkmale und Funktionalitäten von PHI sind (1) die Erkennung der Prozessunsicherheit in Form eines Gesundheitsindex für einzelne Signale sowie für eine gesamte Anlage, (2) Warnanomalien in Gesundheitsindizes und (3) kundenspezifische Benutzeroberflächen und Historiker. Da das PHI darüber hinaus sicherheitsbezogene und leistungsbezogene Gesundheitsindikatoren getrennt behandelt, können Benutzer eine angemessene Entscheidungsfindung im Hinblick auf ihre Situation treffen.

Das PHI-System ist eine Client-Server-basierte Architektur, wie in Abb. 11 dargestellt. Die Serverseite ist in die Kernmodule unterteilt, die zum Aufbau der PHI-Funktionalität erforderlich sind, und PRISM, eine Echtzeit-BNF-Technologiedatenbank (Breakthrough and Fusion). Die Clients unterteilen sich in den Standard-Client und den webbasierten Client. Abbildung 12 zeigt die Hauptanzeige des PHI-Clients. Alle diese Funktionen überbrücken die Informationen der Serverseite mit den Benutzern.

Serverarchitektur des PHI-Systems 26.

Beispielanzeige des PHI mit Angabe des (a) Gesamtpflanzengesundheitsindex und der Gesundheitsindizes der (b) Reaktions- und (c) Stripper-Abschnitte.

Die Ergebnisse des PHI können über den Client-Computer überwacht werden, der über die folgenden Hauptfunktionen verfügt:

Indexanzeige: Die Standardanzeige zeigt den Index in Prozent der obersten Gruppen inklusive Trend. Der Index anderer Subsysteme kann ebenfalls angezeigt und abgerufen werden.

Erfolgsbaumdarstellung: Die Erfolgsbaumdarstellung verfügt über eine hierarchische Darstellung und eine gruppenweise Darstellung.

Trendanzeige: Eine Trendanzeige, die den tatsächlich erwarteten Werttrend anzeigt.

Alarmanzeige: Eine rasterbasierte Alarmanzeige, die den neuesten Alarm auf dem oberen Display anzeigt.

Berichte: Es können Berichte über den Gesundheitszustand und regelmäßige Alarme erstellt werden.

Konfigurationsmanager: Ein Konfigurationsmanager, der zu Beginn der PHI-Clientanwendung aufgerufen wird. Der Konfigurationsmanager prüft den Port und die IP-Adresse des Servers; Wenn keine Verbindung hergestellt werden kann, wird beim Start das Fenster des Konfigurationsmanagers angezeigt.

Der für die Implementierung des PHI-Systems ausgewählte Prozessabschnitt ist eine Hydrotreating-Einheit, die aus einem Reaktionsabschnitt mit zwei in Reihe geschalteten katalytischen Reaktoren und einem Stripperabschnitt besteht.

Die PHI-Systemarchitektur ist in Abb. 13 beschrieben. Die Systemspezifikationen können wie folgt zusammengefasst werden:

Implementierungsarchitektur des PHI-Systems.

Schnittstelle:

Direkt oder über Open Platform Communications (OPC)

Server/Client:

Basierend auf MS Windows

Implementierung:

Flotten-, anlagen- und komponentenbezogen

Typische Implementierungsdauer:

3 ~ 4 Wochen/Einheit

Datenkommunikation:

Schreibgeschützt

Redundanz/Hochverfügbarkeit:

Verfügbar

Historiker:

Eingebaut

Die hierarchische Darstellung der untersuchten Anlage in Form von Gruppen und Tags wird als Erfolgsbaum bezeichnet, wie in Abb. 14 dargestellt. Die Gruppen werden mit dem Hauptsystem und den zu beobachtenden Subsystemen gebildet. Änderungen, Löschungen und Ergänzungen der Gruppen sind möglich. Es gibt keine Beschränkung hinsichtlich der Anzahl der Gruppen, aber die Anzahl der Komponenten (untergeordneten Elemente), die von jeder Gruppe aufgenommen werden können, ist auf 10 Untergruppen oder Tags beschränkt. Der Erfolgsbaum initialisiert die Gewichtungen von Gruppen und Tags. Es empfängt Daten über Gruppen und Tags aus einer Datenbank, erfasst Tag-Indexinformationen aus einem PHI-Bild und generiert regelmäßig einen Gruppenindex. Die Hydrotreating-Einheit der Raffinerie war in zwei Hauptsubsysteme unterteilt: Reaktor und Stripper. Darüber hinaus wurden sechs Subsysteme für das Reaktorsystem und vier für das Strippersystem definiert. Die Gesamtzahl der mit der Hydrotreating-Einheit verbundenen Komponenten (Tags) beträgt 170. Für alle Tags wurden zwölf Monate lang Datensätze gesammelt.

Erfolgsbaum für die Hydrotreating-Einheit.

PHI wurde in der ausgewählten Raffinerie-Hydrotreating-Einheit installiert, betrieben und getestet. PHI zeigte nicht nur den Zustand der Anlage an, sondern lieferte auch eine praktische Lösung zur Überwachung und Erkennung von Betriebsstörungen. Bediener, Prozessingenieure, Vorgesetzte sowie Teamleiter und Manager empfanden das System als stressfreies und flexibles Werkzeug zur Fehlererkennung und Vermeidung von Alarmen. Darüber hinaus bot es eine Umgebung zur Verbesserung der täglichen Betriebsabläufe und zum Verständnis der Grundursachen erkannter Fehler. Diese Vorteile wurden bei der Diskussion der Fallstudien mit Betreibern und Verfahrenstechnikern beobachtet. Aufgrund ihrer Erfahrung in der Durchführung des Prozesses waren ihre Beiträge von entscheidender Bedeutung für die Erklärung der Symptome und festgestellten Abweichungen.

Teamleitern und Managern ermöglichte PHI, den betrieblichen Zustand auf einen Blick zu überprüfen. Sie gaben an, dass das System ihnen eine Frühwarnung und genügend Zeit für eine ordnungsgemäße Diagnose und präzise Entscheidungen geben würde. Falls ein Rückgang des Gesamtindex beobachtet wird, ermöglicht PHI die Identifizierung der Grundursache und die Kontaktaufnahme mit der zuständigen Abteilung, um einzugreifen und den Index wieder auf seinen Normalwert zu bringen.

Die größte Herausforderung bei der Implementierung von PHI besteht darin, die Betreiber davon zu überzeugen, es zu überprüfen und seine Funktionalitäten zu erkunden. Um diese Herausforderung zu meistern, wurde den Vorgesetzten und Teamleitern empfohlen, das PHI-System jeden Morgen 15 bis 30 Minuten lang zu überprüfen. Anschließend wurde auf verschiedenen Ebenen eine Kommunikation aufgebaut, um Lösungen für beobachtete Anomalien zu finden und Korrekturmaßnahmen einzuleiten.

Ein weiterer beobachteter Vorteil ist die Erkennung einer Reihe fehlerhafter Signale. Einige dieser Signale waren für den Betrieb des ausgewählten Prozesses nicht von Bedeutung, während mehrere andere Signale für den Betrieb kritisch waren und entsprechend überwacht und korrigiert wurden.

Weitere realisierte Vorteile sind folgende:

Bequeme und einfache Möglichkeit zur Überwachung der Betriebsbedingungen, insbesondere für Chefbediener, Prozessingenieure und Manager.

Verkürzung der Zeit, die zur Identifizierung des Problems bei Betriebsstörungen oder Fehlfunktionen benötigt wird.

Erhöhte Zuverlässigkeit und ein positives Lernerlebnis für die Bediener.

Freundliche grafische Benutzeroberfläche, die sowohl technisches als auch nichttechnisches Personal nutzen kann.

Möglichkeit, durch das hierarchische Modell des Systems (Erfolgsbaum) zu navigieren, um den genauen Ort des potenziellen Problems zu ermitteln.

Einfache und komfortable Darstellung verwandter Pflanzen-Tags.

Möglichkeit, historische Daten zu verfolgen und zu visualisieren sowie ausgewählte Tags anzuzeigen und zu vergleichen.

Eine praktische Möglichkeit, ausgewählte wichtige Signale zu überwachen.

Fehlerhafte Signale können leicht erkannt werden.

Flexibilität bei der Anzeige und dem Vergleich von tatsächlichen und erwarteten Werten.

Zeigt deutlich, dass einer schwerwiegenden Fehlfunktion eines Teils der Anlage immer eine kleine, spitzenförmige Störung Tage zuvor vorausgeht.

Gutes Vertrauen in das PHI-Statistikmodell, wodurch das Hinzufügen physikalischer Kenntnisse zum Modell nicht erforderlich ist.

Die Leistung von PHI bei der Überwachung der ausgewählten Hydrotreating-Einheit wurde durch die Analyse der Online-Messungen und Daten über einen Zeitraum von fünf Monaten untersucht. Der Index fiel viele Male auf sehr niedrige Werte, aber im Allgemeinen war der Reaktor-Subindex niedriger als der Stripper-Subindex, was darauf hindeutet, dass der Reaktorabschnitt die meisten Probleme in der Hydrotreating-Einheit verursacht. Hinweise auf Fehlfunktionen werden ernster genommen, wenn die Zeitdiagramme der Tags gekrümmte Formen annehmen, die sich über längere Zeiträume erstrecken als kurze Spitzenänderungen.

Zu Demonstrationszwecken wurden zwei Fallstudien ausgewählt, die in diesem Abschnitt vorgestellt und diskutiert werden. Für jede Fallstudie werden zunächst die Symptome identifiziert und anschließend die Hauptursachen für die definierte Anomalie abgeleitet. Aus der Analyse der Symptome und Abweichungen vom Sollzustand werden dann Schlussfolgerungen abgeleitet. Darüber hinaus werden Schnappschüsse von PHI-Screenings präsentiert, um die praktische Vorgehensweise bei der Identifizierung und Analyse von Anomalien zu veranschaulichen.

Symptome: Für diese Fallstudie wies PHI auf eine Abweichung in einem Tag im Zusammenhang mit der Dampftemperatur hin. In diesem Fall wurde die Dampftemperatur auf 113 °F unter dem normalen erwarteten Wert gesenkt. Ein Screenshot der tatsächlichen und erwarteten Werte ist in Abb. 15 dargestellt. Die Abweichung hielt fast zwei Tage an.

Fall 1. Abfall der Dampftemperatur. Vergleich der tatsächlichen und erwarteten Trends.

Wie in Abb. 16 dargestellt, führten die durch die Dampftemperatur verursachten abnormalen Bedingungen zu einem Rückgang des gesamten Pflanzengesundheitsindex auf 53,7 %. Darüber hinaus sank der individuelle Indexwert für das Dampftemperatur-Tag auf 26,6 %.

Fall 1: Ein Rückgang der Dampftemperatur führte zu einem Rückgang des Gesundheitsindex des Reaktionsabschnitts und führte zu einem Rückgang des PHI auf 53,7 %.

Ursache: Normalerweise hat der Abgasdampf des Recycle-Kompressors einen Druck von 150 psi und im Vergleich zum Raffinerie-Sammeldampf (IP) ist die Temperatur hoch. Um diese hohe Temperatur auf die Temperatur des Raffineriesammlers abzusenken, wird daher ein De-Super-Sammler mit einem Kesselspeisewasser-Einspritzsystem geliefert. Weitere Analysen ergaben, dass ein lokaler Temperaturregler in diesem Zeitraum eine Fehlfunktion aufwies. Dieser Controller konnte die Kopftemperatur nicht senken, verursachte eine Nichtübereinstimmung der Modelle und führte zu einem Rückgang des Gesamtzustandsindex der Anlage.

Fazit des Falles: Diese Fehlfunktion wurde von PHI erfolgreich erkannt und führte zu einem Rückgang des Gesundheitsindex. Die Betreiber der Anlage schätzten die Fähigkeit von PHI, die Anomalie zu erkennen. Sie betrachteten den Fall als wichtige Erkenntnis, da eine Fehlfunktion der lokalen Steuerung zu Wasserschlägen am Hauptverteiler des Versorgungsnetzes führte. Sie erklärten, dass das derzeitige Distributed Control System (DCS) nicht über die Möglichkeit verfüge, diesen Effekt zu überwachen. Dies ist eine wichtige Feststellung des PHI und ein guter Beweis dafür, dass die Überwachung des Gesundheitsindex es den Betreibern ermöglicht, frühzeitig Maßnahmen zu ergreifen, um Schäden oder sogar Alarme zu verhindern.

Symptome: Für diese Fallstudie wies PHI auf eine Abweichung bei einem Etikett hin, das sich auf den Flüssigkeitsstand am Boden des Verdampfers bezieht. Bei dieser Abweichung stieg der Flüssigkeitsstand am Boden des Verdampfers auf bis zu 94,5 % im Vergleich zum normalen erwarteten Wert von 2,7 %. Ein Screenshot der tatsächlichen und erwarteten Werte ist in Abb. 17 dargestellt. Die Abweichung dauerte zwei Stunden. Wie in Abb. 18 dargestellt, führte dieser abnormale Zustand, der durch den Anstieg des Flüssigkeitsspiegels verursacht wurde, zu einem Rückgang des gesamten Pflanzengesundheitsindex auf 18,6 %. Darüber hinaus wurde der individuelle Indexwert für dieses Tag auf bis zu 0,0 % gesenkt.

Fall 2. Plötzlicher Anstieg des Flüssigkeitsspiegels am Boden des Verdampfers.

Fall 2: Ein plötzlicher Anstieg des Flüssigkeitsspiegels führte zu einem Rückgang des Gesamt-PHI sowie der Gesundheitsindizes im Zusammenhang mit den Reaktions- und Stripperabschnitten.

Ursache: Während dieser Zeit befand sich das Gerät im Startzustand. Wenn das Ausgangsmaterial schwer ist, sammelt es sich leicht in der Trommel an. Im Normalbetrieb ist jedoch unter diesen Betriebsbedingungen keine Flüssigkeitsansammlung zu erwarten. Die Daten zeigen, dass die Reaktortemperaturen während des Startvorgangs allmählich anstiegen; Daher sammelte sich die Flüssigkeit in der Trommel und der Füllstand stieg an.

Fazit des Falles: Das derzeitige Distributed Control System (DCS) verfügt über ein angemessenes Alarmsystem, um diesen Fall zu beobachten. Ein PHI-Alarm wäre jedoch eine zusätzliche Unterstützung, um den Notfallzustand aufgrund eines abnormalen Füllstandaufbaus zu vermeiden, der bei Nichtbeachtung zu Undichtigkeiten am oberen Flansch des Reaktors führen würde.

Beim Start werden zahlreiche Maßnahmen ergriffen, um die Anlage in einen stabilen Zustand zu versetzen. In den meisten Fällen wären die Bediener damit beschäftigt, Schlüssel-Tags zu überwachen und sie auf die gewünschten Werte zu bringen. Obwohl PHI anhand der Normalbetriebs- oder Steady-State-Daten geschult wurde, gelang es ihm, die in dieser Fallstudie besprochene Anomalie zu identifizieren. Angesichts dieser Tatsache kann die Leistung von PHI weiter verbessert werden, um die Start- und Abschaltvorgänge zu überwachen. In diesem Fall bietet der Gesundheitsindex den Betreibern eine bessere Unterstützung in schwierigeren Einsatzsituationen.

Basierend auf der oben diskutierten Fallstudie wird eine Forschungs- und Entwicklungsstudie eingeleitet, um die Machbarkeit der Einbeziehung der An- und Abschaltvorgänge von Prozesseinheiten zu untersuchen. Es wird eine Pilotstudie durchgeführt, in der PHI anhand historischer Daten im Zusammenhang mit dem An- und Abschalten geschult wird. Die Hauptschwierigkeit besteht darin, dass diese Aufgabe intensive prozessbezogene Kenntnisse erfordert; Daher sollten Bediener und Verfahrenstechniker in die Studie einbezogen werden.

In dieser Forschungsarbeit wurde eine neue Technologie implementiert und getestet, die Big-Data-Analysen zur Erkennung von Anomalien im Prozessbetrieb nutzt. Insbesondere wurde die Anwendbarkeit des Plant Health Index (PHI) bei der Identifizierung von Anomalien im Raffineriebetrieb untersucht. PHI wurde auf einer Hydrotreating-Einheit angewendet. Das System führt eine Online-Überwachung durch und vergleicht Online-Anlagendaten mit normalen Betriebsbedingungen, die mithilfe eines nichtparametrischen empirischen Modells geschätzt werden. Das Modell wurde entwickelt und getestet.

Der Hauptvorteil, den das Forschungsteam und die Bediener der Ölraffinerie erkannt haben, ist die Möglichkeit, mithilfe von Big-Data-Analysen die Leistung der Einheit zu überwachen und zu diagnostizieren, indem einfach der Indexwert auf dem Bildschirm beobachtet wird. Ein äußerst komplexes System konnte problemlos überwacht werden, und auch die Grundursachen wurden systematisch angegangen. Ein ermutigender Grund für den Einsatz von PHI ist seine Fähigkeit, Anomalien zu erkennen und Frühwarnungen bereitzustellen, bevor sie vom Distributed Control System (DCS) erkannt werden. Die Fallstudien zeigten, dass Betreiber möglicherweise bereits Tage vor ihrem Auftreten auf mögliche Störungen aufmerksam gemacht werden.

Um den größtmöglichen Nutzen zu erzielen, empfahlen die Anlagenbetreiber die Integration zusätzlicher Tags zur besseren Überwachung des Prozesses. Zu den zusätzlichen Tags können beispielsweise solche gehören, die sich auf rotierende Geräte wie Kompressoren beziehen, um Druck- und Vibrationsanomalien zu erkennen und sie in die Bewertung des Gesundheitsindex einzubeziehen.

Bei früheren PHI-Versionen basierte die Bewertung des Gesundheitsindex auf den Designbereichen der Parameter. Die Anwendung von PHI auf den Raffinerieprozess bestätigte, dass historische Bereiche anstelle von Designbereichen praktischer sind und bessere Vorhersagen liefern. Die Designbereiche sind in der Regel groß und führen zu einer geringeren Empfindlichkeit und Präzision. Die Annäherung an die Grenzen des historischen Nennbetriebsbereichs gilt als frühes Anzeichen einer Fehlfunktion, während das Erreichen der Grenzen des Auslegungsbereichs an sich schon einen Fehlerzustand darstellt.

Zusammenfassend lässt sich sagen, dass der vorgeschlagene Ansatz zur Big-Data-Analyse hilfreich war, um mögliche Fehler zu untersuchen, bevor sie auftreten. Dies ist eine gute Demonstration des Einsatzes von Datenanalysen in der Ölraffinerieindustrie und des Aufbaus einer erfolgreichen Big-Data-Strategie.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Martí, L., Sanchez-Pi, N., Molina, JM & Garcia, ACB Anomalieerkennung basierend auf Sensordaten in Anwendungen in der Erdölindustrie. Sensoren. 15(2), 2774–2797 (2015).

Artikel ADS Google Scholar

Saybani, MR, Wah, TY, Amini, A., Aghabozorgi, SR & Yazdi, S. Anomalieerkennung und Vorhersage von Sensorfehlern in einer Raffinerie mithilfe von Data-Mining-Techniken und Fuzzy-Logik. Wissenschaft. Res. Aufsätze 6, 264 (2011).

Google Scholar

Khodabakhsh, A. & I Ari̇, M Bakír, AO Ercan,. Multivariate Sensordatenanalyse für Ölraffinerien und multimodale Identifizierung des Systemverhaltens in Echtzeit. IEEE Access 6, 64389–64405. https://doi.org/10.1109/ACCESS.2018.2877097 (2018).

Artikel Google Scholar

Reiten, H. & Kleiven, TJ Unüberwachte Anomalieerkennung anhand von Streaming-Daten in der Erdölindustrie mithilfe tiefer neuronaler Netze. Wissenschaft. Rep. 2, 7789 (2019).

Google Scholar

Sohn, H. & Czarnecki, JA Strukturelle Gesundheitsüberwachung mittels statistischer Prozesskontrolle. J. Struktur. Ing. ASCE 126, 1356–1363 (2020).

Artikel Google Scholar

Fantoni, PF Erfahrungen und Anwendungen von PEANO zur Online-Überwachung in Kraftwerken. Prog. Nukl. Energie 46, 206–225 (2005).

Artikel Google Scholar

Heo, G. Zustandsüberwachung mithilfe empirischer Modelle: Technische Überprüfung und Aussichten für nukleare Anwendungen. Nukl. Ing. Technol. 40(1), 49–68 (2008).

Artikel Google Scholar

Heinrich, HW Arbeitsunfallverhütung: Ein wissenschaftlicher Ansatz (McGraw-Hill, 1931).

Google Scholar

Zitiert in Hollnagel, E. Safer Complex Industrial Environments: A Human Factors Approach (CRC Press, 2009).

Buchen Sie Google Scholar

Lu, Y., Wang, T. & Liu, T. Bayesianische netzwerkbasierte Risikoanalyse von Explosionsunfällen in Chemieanlagen. Int. J. Umgebung. Res. Public Health 17, 5364. https://doi.org/10.3390/ijerph17155364 (2020).

Artikel PubMed Central Google Scholar

Gui, F., Xuecai, X., Qingsong, J., Wenqing, T. & Ying, G. Unfallanalyse und Prävention von Kohle- und Gasausbrüchen: Menschliche Fehler bei Unfällen verstehen. Prozesssicher. Umgebung. Schützen. 134, 1–23. https://doi.org/10.1016/j.psep.2019.11.026 (2020).

Artikel CAS Google Scholar

Downs, JJ & Vogel, EF Ein anlagenweites Problem der industriellen Prozesssteuerung. Berechnen. Chem. Ing. 17(3), 245–255 (1993).

Artikel CAS Google Scholar

Christopher, R., Murat, K. & Ole, R. Ein erweiterter Tennessee Eastman-Simulationsdatensatz für Fehlererkennungs- und Entscheidungsunterstützungssysteme. Berechnen. Chem. Ing. 149, 107281 (2021).

Artikel Google Scholar

Dehao, W., Donghua, Z., Jingxin, Z. & Maoyin, C. Multimode-Prozessüberwachung basierend auf fehlerabhängiger Variablenauswahl und Gleitfenster-negativer Log-Likelihood-Wahrscheinlichkeit. Berechnen. Chem. Ing. 136, 106787 (2020).

Artikel Google Scholar

Feifan, CQ, Peter, H. & Jinsong, Z. Ein neuartiger Prozessüberwachungsansatz basierend auf einem variierenden wiederkehrenden Autoencoder. Berechnen. Chem. Ing. 129, 106515 (2019).

Artikel Google Scholar

Andrew, JR & Gintaras, VR Bayesianische hierarchische Modellierung für Online-Prozessüberwachung und Qualitätskontrolle, mit Anwendung auf Echtzeit-Bilddaten. Berechnen. Chem. Ing. 154, 107446 (2021).

Artikel Google Scholar

Icten, E., Nagy, ZK & Reklaitis, GV Prozesssteuerung eines tropfenweisen additiven Fertigungssystems für Pharmazeutika unter Verwendung eines auf Polynom-Chaos-Erweiterung basierenden Ersatzmodells. Berechnen. Chem. Ing. 83, 221–231 (2015).

Artikel CAS Google Scholar

Foros, J. & Istad, M. Gesundheitsindex, Risiko und verbleibende Lebensdauerschätzung von Leistungstransformatoren. IEEE Trans. Stromversorgung 35(6), 2612–2620. https://doi.org/10.1109/TPWRD.2020.2972976 (2020).

Artikel Google Scholar

Sang, HA, & Gyunyoung, H. Design of Improved Empirical Modeling for Predicting Plant Shutdowns, in IYNC 2010, Kapstadt, Südafrika, 12.–18. Juli 2010, S. 141.1–141.8.

Real, A. & Seo, B. Verwendung einer prädiktiven Analysesoftwarelösung zur frühzeitigen Identifizierung von Geräteausfällen: Die University of Texas in Austin, beim 15. Internationalen Symposium für Fernwärme und -kühlung vom 4. bis 7. September (2016), Seoul, Republik Korea (Südkorea).

Singh, A. & Swanson, AG Entwicklung eines Pflanzengesundheits- und Risikoindex für Verteilungsnetztransformatoren in Südafrika. SAIEE Africa Res. J. 109(3), 159–170. https://doi.org/10.23919/SAIEE.2018.8532192 (2018).

Artikel Google Scholar

An, SH, Heo, G. & Chang, SH Erkennung von Prozessanomalien mithilfe eines verbesserten statistischen Lernrahmens. Expertensystem. Appl. 38, 1356–1363. https://doi.org/10.1016/j.eswa.2010.07.031 (2011).

Artikel Google Scholar

Contreras-Valdes, A., Amezquita-Sanchez, JP, Granados-Lieberman, D. & Valtierra-Rodriguez, M. Prädiktive Data-Mining-Techniken zur Fehlerdiagnose elektrischer Geräte: Ein Überblick. Appl. Wissenschaft. 10(3), 950. https://doi.org/10.3390/app10030950 (2020).

Artikel Google Scholar

Takeda, H., Farsiu, S. & Milanfar, P. Kernel-Regression für Bildverarbeitung und -rekonstruktion. IEEE Trans. Bildprozess. 16(2), 349–366. https://doi.org/10.1109/TIP.2006.888330 (2007).

Artikel ADS MathSciNet PubMed Google Scholar

Chu, CK & Marron, JS Auswahl eines Kernel-Regressionsschätzers. Stat. Wissenschaft. https://doi.org/10.1214/ss/1177011586 (1991).

Artikel MathSciNet MATH Google Scholar

Yi-Hsuan, L. & von Davier, A. Vergleich alternativer Kernel für die Kernel-Methode der Testgleichstellung: Gaußsche, logistische und einheitliche Kernel. ETS Res. Rep. Ser. https://doi.org/10.1002/j.2333-8504.2008.tb02098.x (2008).

Artikel Google Scholar

Heo, G., An, SH, Seo, HJ & Kim, C. Entwicklung eines Pflanzengesundheitsindexmonitors. Trans. Koreanische Nukl. Soc. 2, 5568 (2010).

Google Scholar

Jin, X., Guo, Y., Sarkar, S., Asok Ray, A. & Edwards, RM Anomalieerkennung in Kernkraftwerken durch symbolische dynamische Filterung. IEEE Trans. Nukl. Wissenschaft. 58(1), 277–288 (2011).

Artikel ADS CAS Google Scholar

Draper, NR & Smith, H. Applied Regression Analysis 335 (Wiley, 1998).

Buchen Sie Google Scholar

Hines, JW, Technische Überprüfung von Online-Überwachungstechniken zur Leistungsbewertung, US Nuclear Regulatory Commission. (2006). NÜREG/CR-6895.

Nadaraya, EA Zur Schätzung der Regression. Theorie wahrscheinlich. Appl 3, 141–142 (1964).

Artikel Google Scholar

Referenzen herunterladen

Mitglieder des KU-Forschungsteams sind dankbar für die technische und finanzielle Unterstützung durch die F&T-Abteilung am KNPC (CB/R&T/1350/CNSL). Wir danken auch für die Unterstützung des KU-Forschungssektors für die Erleichterung der Durchführung dieser Arbeit durch ein externes Forschungskooperationsprojekt (XP01/13).

Kuwait-Universität, Kuwait-Stadt, Kuwait

Fawaz S. Al-Anzi, Haitham MS Lababidi und Ghanima Al-Sharrah

Australian College of Kuwait, Kuwait-Stadt, Kuwait

Suad A. Al-Radwan

BNF Technology, Daejeon, Südkorea

An Joon Seo

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Prof. F.Al-A. ist der Hauptforscher dieses Forschungsprojekts.Prof. HL und Dr. S.Al-R. sind Co-Ermittler. Dr. G.Al-S. ist wissenschaftlicher Mitarbeiter. Herr HJS ist CEO von BNF Technology und Softwareanbieter.

Korrespondenz mit Fawaz S. Al-Anzi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Al-Anzi, FS, Lababidi, HMS, Al-Sharrah, G. et al. Pflanzengesundheitsindex als Anomalieerkennungsinstrument für Ölraffinerieprozesse. Sci Rep 12, 14477 (2022). https://doi.org/10.1038/s41598-022-18824-2

Zitat herunterladen

Eingegangen: 23. Juni 2021

Angenommen: 19. August 2022

Veröffentlicht: 25. August 2022

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.