Como usar a ciência de dados para reiniciar uma fábrica após uma interrupção não planejada

O fechamento de fábricas de óleo e gás é milhões de dólares em perdas. Infelizmente, um desligamento geralmente é inevitável, pois há um grande número de equipamentos e ferramentas de processo que podem falhar sem aviso. Os engenheiros de operação e manutenção devem ficar até tarde da noite para encontrar a causa raiz da falha do equipamento e colocá-lo de volta em operação o mais rápido possível. Nesta postagem, fornecemos 2 soluções para encontrar as causas raiz de paradas não planejadas em uma refinaria de petróleo e gás.

---

Às vezes, o processo de tempo limite leva de dias a semanas antes que as verdadeiras causas sejam identificadas e tratadas. Acelerar esse processo em apenas algumas horas já reduzirá significativamente as perdas. Para ilustrar uma apresentação sobre como os engenheiros estão resolvendo um problema, vamos dar uma olhada nos dados sintéticos de apenas 20 sensores abaixo. Existem dois sensores neste gráfico que são estatisticamente fortes e, digamos, um deles é a verdadeira causa raiz dos eventos de viagem.





Dados sintéticos para simular leituras de sensores de plantas



Infelizmente, olhando o gráfico, é difícil determinar quais dos dois sensores estão conectados, certo? Uma vez que uma pequena planta de óleo e gás tem de 1.000 a 3.000 sensores, este é um dos verdadeiros gargalos para engenheiros de O&M (eu inclusive) na identificação de tais sensores e causas raízes. Lembre-se de que milhões de dólares podem ser economizados se encontrarmos esses relacionamentos mais rapidamente.





Dois sensores estatisticamente relacionados entre 20 outros sensores comuns



, compartilharei com vocês duas técnicas que tentamos e encontramos um nível de sucesso aceitável para revelar a relação entre esses dois sensores correspondentes entre outros. Mas, primeiro, deixe-me explicar por que isso é importante para engenheiros e operadores.



Em primeiro lugar, para qualquer evento de interrupção em uma planta moderna de óleo e gás, é verdade que a sala de controle possui um sistema de controle sofisticado que pode mostrar a marca do "primeiro bloqueio". Este é o “primeiro rótulo” do sensor que dispara o evento de desarme (por exemplo, alarme de pressão de saída do compressor alta-alta, alarme baixo-baixo no separador crítico).

Importância

Este primeiro sensor de bloqueio é muito importante para que os engenheiros de operação e manutenção comecem a investigar as possíveis causas do desligamento da planta. Na maioria dos casos, os engenheiros e operadores podem resolver o problema de desligamento da planta simplesmente olhando para esta primeira marca de bloqueio. No entanto, em muitos casos, isso não nos ajudará muito, já que o processamento de óleo e gás é tão complexo que o aparecimento dessa primeira marca de bloqueio é a última coisa a acontecer, ao passo que queremos saber o que aconteceu antes de ser acionado.

Primeira solução: clustering hierárquico

Depois de examinar o primeiro sensor de bloqueio e a quantidade de tempo antes do evento de desligamento, podemos usar essas informações para realizar um método de agrupamento para determinar quais sensores se comportam da mesma maneira que os primeiros sensores de bloqueio. Acreditamos que o agrupamento hierárquico e a geração de dendrogramas são uma abordagem de visualização útil que pode fornecer informações a um usuário que não é da ciência de dados. Um exemplo é mostrado na figura abaixo.





Agrupamento de dendrogramas por método de agrupamento hierárquico



Este método não é apenas útil para localizar a causa raiz de uma interrupção não planejada, mas também pode ser aplicado para localizar quaisquer sensores associados que estão se comportando de maneira diferente do que normalmente fariam. Por exemplo, suponha que o sensor TI2335 esteja mostrando um aumento desconhecido na temperatura no purificador de sucção e queremos descobrir qual é a causa raiz do aumento anormal. Podemos usar este método para encontrar os sensores apropriados para olhar. Em vez de procurar entre 1000-3000 sensores, os engenheiros podem se concentrar apenas nos sensores que estão próximos de sensores anormais ou nos primeiros sensores de bloqueio. Então, o tempo de solução de problemas pode ser reduzido significativamente. Infelizmente, esse método não é aplicável em todos os casos. Então, tentamos alguns outros métodos.

Segunda solução: teste de causalidade de Granger

Sir Clive Granger



O Teste de Causalidade de Granger é um teste de hipótese estatística para determinar se um conjunto de dados de série temporal é útil para prever outra série. Foi publicado por Sir Clive Granger em 1969 e recebeu o Prêmio Nobel por seu trabalho em 2003.



Quando um economista coleta estatísticas e as transforma em variáveis, surge um problema comum. Ele não pode determinar qual variável é independente e qual é dependente. Em outras palavras, não sabemos qual fator está causando o outro fator.

Um exemplo é mais claro: quando os economistas estão tentando encontrar uma relação entre a produção interna bruta (PIB) e o índice de ações. Quando a economia está florescendo, o PIB e o índice da bolsa também aumentam. Quando a economia de um país está em declínio, o PIB e o índice de ações também diminuirão. No entanto, uma coisa causa outra. Alguns argumentam que o PIB deveria ser a variável independente porque reflete a produção e o consumo domésticos reais. Ao contrário, outros acreditam que quanto mais alto o índice da bolsa, mais os investidores investem na economia do país, pois é nessa confiabilidade que os investidores sempre prestam atenção. Esse problema leva a uma estratégia financeira completamente diferente para o país - investir no desenvolvimento econômico local ou no desenvolvimento do mercado de ações.





Teste de causa e efeito de



Granger Sir Granger conseguiu descobrir uma forma estatística de testar se uma variável afeta a outra, seja em uma ou duas direções, então ele ganhou o Prêmio Nobel por isso. Quando esse problema ocorre, alguém pode usar este teste para verificar outros problemas estranhos; por exemplo, para descobrir o que veio antes: a galinha ou o ovo, em Thurman e Fischer (1988).



Embora nosso problema não seja tão bizarro quanto os descritos acima, quando tentei usar o teste causal de Granger em nosso problema. Ou seja, usando este teste, você pode eliminar alguns sensores não relacionados e classificar os sensores relacionados usando o valor p obtido. Para um grupo de parâmetros de processo, o resultado é bastante satisfatório.







Em seguida, para criar uma GUI útil para interação com usuários que não têm habilidades de programação, usamos a biblioteca Gradio e criamos belos gráficos na fase de prototipagem.

Conclusão

Então, pelo que tentei até agora, o agrupamento hierárquico funciona bem com a parte de processamento de gás, enquanto o teste causal de Granger funciona bem com a parte de processamento de líquido. Uma razão para isso é que em um processo líquido, pela natureza de um líquido incompressível, geralmente leva tempo para os sensores responderem a uma mudança de processo. Este não é o caso na fase gasosa.



É assim que os métodos de Data Science são aplicados para resolver problemas reais de petróleo e gás. Se você deseja aprender isso e aplicar o DS ao projeto em que está trabalhando atualmente, estamos esperando por você.

• Treinamento para a profissão de ciência de dados
• Treinamento de analista de dados