Остановка нефтегазовых заводов — это миллионы долларов убытков. К сожалению, остановка обычно неизбежна, поскольку существует большое количество технологического оборудования и инструментов, которые могут выйти из строя без предупреждения. Инженеры по эксплуатации и техническому обслуживанию должны оставаться до поздней ночи, чтобы найти основную причину отказа оборудования и как можно скорее вернуть его в строй. В этом посте приводим 2 решения для поиска основных причин незапланированных остановок на нефтегазоперерабатывающем заводе.




Иногда процесс тайм-аута занимает от нескольких дней до недель, прежде чем удастся выявить и устранить истинные первопричины. Ускорение этого процесса всего на несколько часов — уже значительно снизит убытки. Чтобы проиллюстрировать презентацию о том, как инженеры решают проблему, давайте посмотрим на синтетические данные всего с 20 датчиков ниже. На этом графике есть два датчика, которые сильно связаны статистически, и, допустим, один из них — настоящая, основная причина событий отключения.


Синтетические данные для моделирования показаний датчиков завода

К сожалению, глядя на график, трудно определить, какие два из датчиков связаны, не так ли? Поскольку на небольшом нефтегазовом заводе имеется от 1000 до 3000 датчиков, это одна из по-настоящему проблемных точек для инженеров по эксплуатации и техническому обслуживанию (включая меня) при выявлении таких датчиков и основных причин. Помните, что можно сэкономить миллионы долларов, если мы сможем быстрее найти такие отношения.


Два статистически связанных датчика из 20 других обычных датчиков

Я поделюсь с вами двумя методиками, которые мы попробовали и нашли приемлемый уровень успеха, чтобы выявить взаимосвязь между этими двумя соответствующими датчиками среди других. Но прежде позвольте мне объяснить, почему это важно для инженеров и операторов.

Во-первых, для любого события отключения на современном нефтегазовом заводе верно, что в диспетчерской установлена сложная система управления, которая может показать «метку первой блокировки». Эта «первая метка» датчика, запускающего событие отключения (например, высокий-высокий сигнал тревоги давления на выходе компрессора, низкий-низкий уровень тревоги в критическом сепараторе).

Важность


Этот первый датчик блокировки очень важен для инженеров по эксплуатации и техническому обслуживанию для начала изучения потенциальных первопричин, вызывающих остановку завода. В большинстве случаев инженеры и операторы могут решить проблему остановки завода, просто взглянув на эту первую метку блокировки. Однако во многих случаях это мало что нам даст, поскольку переработка нефти и газа настолько сложна, что появление этой первой метки блокировки — последнее, что произойдёт, тогда как мы хотим знать, что произошло до её срабатывания.

Первое решение: иерархическая кластеризация


Как только мы изучим первый датчик блокировки и количество времени до события отключения, мы можем использовать полученные сведения для выполнения метода кластеризации, чтобы определить, какие датчики ведут себя так же, как первые датчики бло��ировки. Мы считаем, что метод иерархической кластеризации и создание дендрограмм — это полезный подход к визуализации, который может дать информацию пользователю, не имеющему отношения к науке о данных. Пример показан на рисунке ниже.


Кластеризация дендрограммы методом иерархической кластеризации

Этот метод не только полезен при поиске основной причины незапланированного отключения, но и может применяться при поиске любых связанных с ним датчиков, которые ведут себя иначе, чем в нормальном состоянии. Например, допустим, что датчик TI2335 показывает неизвестное повышение температуры всасывающего газоочистителя, и мы хотим выяснить, какова основная причина аномального повышения. Мы можем использовать этот метод, чтобы найти соответствующие датчики, которые нужно посмотреть. Вместо того чтобы искать среди 1000-3000 датчиков, инженеры могут сосредоточиться только на датчиках, которые расположены близко к аномальным датчикам или первым датчикам блокировки. Тогда время устранения неполадок может значительно сократиться. К сожалению, этот метод применим далеко не во всех случаях. Поэтому мы попробовали некоторые другие методы.

Второе решение: тест на причинность Грейнджера



Сэр Клайв Грейнджер

Тест на причинность Грейнджера — это статистический тест гипотезы для определения того, полезен ли один набор данных временных рядов для прогнозирования другого ряда. Он был опубликован сэром Клайвом Грейнджером в 1969 году, а в 2003 году он получил за свою работу Нобелевскую премию.

Когда экономист собирает статистические данные и превращает их в переменные, возникает одна общая проблема. Он не может определить, какая переменная независима, а какая является зависимой. Другими словами, мы не знаем, какой фактор вызывает другой фактор.
Пример нагляднее: когда экономисты пытаются найти связь между валовым внутренним производством (ВВП) и фондовым индексом. Во время процветания экономики ВВП и фондовый индекс также растут. Когда экономика страны в упадке, ВВП и фондовый индекс также снизятся. Однако одно вызывает другое. Некоторые утверждают, что ВВП должен быть независимой переменной, поскольку он отражает реальное внутреннее производство и потребление. Напротив, другие считают, что, чем выше фондовый индекс, тем больше инвесторы будут вкладывать в экономику страны, так как это надёжность, на которую инвесторы всегда обращают внимание. Эта проблема приводит к совершенно иной финансовой стратегии страны — вкладывать деньги в развитие экономики на местах или в развитие фондового рынка.


Тест на причинно-следственные связи Грейнжера

Сэр Грейнджер смог придумать статистический способ проверить, влияет ли одна переменная на другую, какое-то влияние — это одно направление или два направления, поэтому он получил за это Нобелевскую премию. Когда возникает такая проблема, кто-то может использовать этот тест для проверки других странных проблем; например для выяснения, что было раньше: курица или яйцо, в работе Турмана и Фишера (1988).

Хотя наша проблема не такая причудливая, как описанные выше, когда я пытался воспользоваться тестом на причинную связь Грейнжера в нашей проблеме. То есть с помощью этого теста можно отсеять некоторые не связанные друг с другом датчики и ранжировать связанные датчики, используя полученное р-значение. Для группы параметров процесса результат вполне удовлетворителен.



Далее для создания полезного GUI взаимодействия с пользователями, не обладающими навыками программирования, мы воспользовались библиотекой Gradio и создали красивую графику на этапе прототипирования.


Заключение


Таким образом, из того, что я пробовал до сих пор, иерархическая кластеризация хорошо работает с газоперерабатывающей частью, тогда как тест на причинно-следственные связи Грейнджера хорошо работает с жидкостной обрабатывающей частью. Одна из причин этого заключается в том, что в жидкостном процессе, по природе несжимаемой жидкости, обычно требуется время, прежде чем датчики успеют отреагировать на изменение процесса. В газовой фазе это не так.

Вот так методы Data Science применяются для решения реальных нефтегазовых проблем. Если у вас есть желание научиться этому и применить DS к проекту, над которым сейчас работаете — то мы ждем вас.

image



Другие профессии и курсы
ПРОФЕССИИ



КУРСЫ