Машинное обучение преобразило различные отрасли, в том числе нефтеперерабатывающий сектор, благодаря возможности анализа данных и операционных улучшений. В этой статье мы исследуем значение компрессоров в работе нефтеперерабатывающих заводов и то, как можно использовать модели обнаружения аномалий для предотвращения таких сбоев в режиме реального времени с помощью определенных шагов.

Компрессоры играют ключевую роль в работе нефтеперерабатывающих заводов, где они отвечают за поддержание оптимального давления во всей системе. Эти жизненно важные элементы оборудования используются для сжатия газов, обеспечивая эффективную транспортировку нефти и газа в пределах нефтеперерабатывающего завода. Компрессоры используются на различных стадиях процесса нефтепереработки, особенно при каталитическом крекинге и гидрообработке, где поддерживается высокое давление и объем обрабатываемого технологического газа. Однако их выход из строя может привести к серьезным последствиям, таким как перебои в производстве, угрозы безопасности, экологические риски и значительные финансовые потери.

Модели обнаружения аномалий стали мощным решением для выявления и прогнозирования нарушений в работе компрессора путем непрерывного анализа данных в реальном времени, получаемых с серверов. Эти модели могут эффективно отслеживать состояние компрессора и обнаруживать аномалии в зависимости от условий эксплуатации.

В модели аномалий мы устанавливаем базовый уровень нормального рабочего поведения компрессора либо путем анализа исторических данных, либо путем определения пороговых значений на основе опыта эксплуатации. Сравнивая показания датчика в режиме реального времени с установленными пороговыми значениями, модель может быстро идентифицировать и отметить любые отклонения в работе компрессора. Это раннее обнаружение обеспечивает своевременное вмешательство, предупреждая инженеров панели, которые могут принять превентивные меры до того, как ситуация перерастет в отказ оборудования.

Этапы разработки модели обнаружения аномалий:

  • Сбор данных. Первым шагом в разработке модели обнаружения аномалий является сбор исторических данных, связанных с работой компрессора. Эти данные могут иметь различные рабочие параметры, такие как температура, давление, показания вибрации и т. д. Исходя из моего личного опыта, данные датчика вибрации можно использовать в большинстве случаев, поскольку они учитывают все основные изменения процесса и механические неисправности, такие как перекос вала. Данные, используемые для определения порога, могут представлять собой среднечасовые данные показаний датчика за последние несколько дней, которые могут варьироваться в зависимости от случая. Вы можете собирать данные, подключив таблицу Excel с микропроцессором к архиватору процессов, такому как Aspen IP21, и обновлять и сохранять таблицу через каждый фиксированный интервал времени с помощью кода VBA.

  • Предварительная обработка данных. После сбора данных их необходимо предварительно обработать, чтобы удалить выбросы, обработать отсутствующие значения и нормализовать данные. Это можно сделать с помощью различных методов, таких как расчет межквартильного диапазона. Этот шаг подготавливает данные для определения верхнего и нижнего порога для данных вашего датчика вибрации.
  • Выполнение PCA. Компрессор может иметь несколько датчиков вибрации (радиальных и осевых), и наблюдение за всеми тегами и графиками — непростая задача, поэтому мы можем использовать PCA для определения наиболее важного тега на основе исторических данных. разница между тегами. В нашем случае у нас есть четыре датчика, которые можно свести к одному датчику, идентифицируемому с помощью PCA.
  • Определение порогового значения. После определения наиболее важного тега мы определяем пороговое значение либо на основе опыта эксплуатации, либо путем определения предела 3*стандартного отклонения от среднего значения исторических данных для идентифицированного тега. .
  • Выполнение анализа. После того, как пороговые значения определены, возьмите входные данные в режиме реального времени с сервера и сравните значение с установленными пороговыми значениями. данные можно классифицировать как обычные. Входные данные в режиме реального времени должны браться из архива процессов или серверов на листе Excel с поддержкой микропроцессоров и снова использовать тот же код VBA для обновления и сохранения листа через каждый фиксированный интервал времени.

  • Отображение результата. После того, как мы разделим данные на две части, мы можем приступить к построению результатов с нормальными данными и выявленными аномалиями с закодированными цветами. Кроме того, нанесите на график определенные верхний и нижний пороговые пределы для лучшей визуализации.

Совет. Создайте бесконечный цикл для непрерывного считывания входных данных с первого листа и данных датчика в реальном времени со второго листа. Инициализируйте пустой фрейм данных перед циклом и добавляйте входные данные датчика в реальном времени с каждой итерацией. Определите аномалии во фрейме данных, используя вышеупомянутые шаги.

Эта модель идентифицирует наиболее важный тег из нескольких предоставленных входных тегов и отображает результаты, выделяя аномалии.

Примечание. Это простая статистическая модель для обнаружения аномалий. Вы можете использовать более продвинутые модели машинного обучения без учителя, такие как кластеризация, для определения аномальных данных. Результат разработанной мной модели приведен ниже для справки. Эта модель может быть воспроизведена для любого технологического оборудования, измерительных преобразователей и т.д.

Вы можете использовать следующие коды VBA в модулях листа для автоматического обновления и сохранения Excel через фиксированный интервал времени:

Убедитесь, что лента разработчика активирована в Excel, если нет, выполните следующие действия:

  • Открыть параметры Нажмите на вкладку «Файл» в верхнем левом углу окна Excel. Это откроет меню «Файл».
  • Доступ к параметрам Excel В меню «Файл» нажмите «Параметры». Откроется окно параметров Excel.
  • Показать вкладку «Разработчик» В окне «Параметры Excel» нажмите «Настроить ленту» слева.
  • Проверьте параметр разработчика. С правой стороны вы увидите список вкладок в разделе «Настроить ленту». Найдите в списке флажок «Разработчик» и убедитесь, что он установлен. Если он уже отмечен, вкладка «Разработчик» уже активирована, и вы можете пропустить оставшиеся шаги.
  • Нажмите «ОК». Установив флажок «Разработчик», нажмите кнопку «ОК» в правом нижнем углу окна «Параметры Excel».
  • Доступ к вкладке «Разработчик» Теперь вы должны увидеть вкладку «Разработчик» на ленте Excel в верхней части окна приложения.