System og fremgangsmate for detektering av unormale hendelser under drift av kontinuerlige industrielle prosesser

摘要

Tusenvis av prosess- og utstyrsmålinger blir samlet av de moderne digitale prosessreguleringssystemene som tas i bruk i raffinerier og kjemiske fabrikker. Flere år med slike data blir lagret som historikk i databaser for analysering og rapportering. Disse databasene kan utforskes for datamønstre som forekommer under normal drift, og disse mønstrene brukes til å bestemme hvorvidt prosessen oppfører seg unormalt. Disse normaldriftsmønstrene blir representert av et sett modeller. Disse modellene inkluderer enkle tekniske ligninger som uttrykker kjente sammenhenger som skulle gjelde under normal drift, og multivariate statistikkmodeller basert på en art hovedkomponentanalyse. Problemer med prosess og utstyr lar seg oppdage ved å sammenligne data samlet minutt for minutt med prediksjoner fra disse normaldriftsmodellene. Avviket mellom ventet mønster i driftsdataene og det virkelige datamønsteret blir tolket av fuzzy Petri-nett for å fastslå normaliteten av driften. Dette blir så brukt til å bistå operatøren med å lokalisere og diagnostisere årsaken til problemet.