Cómo utilizar la ciencia de datos para reiniciar una fábrica después de una interrupción no planificada

El cierre de plantas de petróleo y gas tiene pérdidas de millones de dólares. Desafortunadamente, una parada suele ser inevitable ya que hay una gran cantidad de equipos y herramientas de proceso que pueden fallar sin previo aviso. Los ingenieros de operaciones y mantenimiento deben quedarse hasta tarde en la noche para encontrar la causa raíz de la falla del equipo y volver a ponerlo en funcionamiento lo antes posible. En esta publicación, proporcionamos 2 soluciones para encontrar las causas fundamentales de los cierres no planificados en una refinería de petróleo y gas.

---

A veces, el proceso de tiempo de espera lleva de días a semanas antes de que se puedan identificar y abordar las verdaderas causas raíz. Acelerar este proceso en unas pocas horas ya reducirá significativamente las pérdidas. Para ilustrar una presentación sobre cómo los ingenieros están resolviendo un problema, echemos un vistazo a los datos sintéticos de solo 20 sensores a continuación. Hay dos sensores en este gráfico que son estadísticamente fuertes y digamos que uno de ellos es la causa raíz real de los eventos de disparo.





Datos sintéticos para simular lecturas de sensores de plantas



Desafortunadamente, mirando el gráfico, es difícil determinar cuáles dos de los sensores están conectados, ¿verdad? Dado que una pequeña planta de petróleo y gas tiene entre 1,000 y 3,000 sensores, este es uno de los verdaderos cuellos de botella para los ingenieros de O&M (incluido yo mismo) para identificar dichos sensores y las causas raíz. Recuerde, se pueden ahorrar millones de dólares si podemos encontrar estas relaciones más rápido.





Dos sensores relacionados estadísticamente de otros 20 sensores comunes



. Compartiré con ustedes dos técnicas que hemos probado y encontrado un nivel aceptable de éxito para revelar la relación entre estos dos sensores coincidentes, entre otros. Pero primero, permítanme explicarles por qué esto es importante para ingenieros y operadores.



Primero, para cualquier evento de interrupción en una planta moderna de petróleo y gas, es cierto que la sala de control tiene un sistema de control sofisticado que puede mostrar la marca de "primer bloqueo". Esta es la "primera etiqueta" del sensor que activa el evento de disparo (por ejemplo, alarma de presión de salida del compresor alta-alta, alarma baja-baja en el separador crítico).

Importancia

Este primer sensor de bloqueo es muy importante para que los ingenieros de O&M comiencen a investigar las posibles causas raíz de las paradas de la planta. En la mayoría de los casos, los ingenieros y operadores pueden resolver el problema de cierre de la planta simplemente mirando esta primera marca de bloqueo. Sin embargo, en muchos casos, esto no nos servirá de mucho, ya que el procesamiento de petróleo y gas es tan complejo que la aparición de esta primera marca de bloqueo es lo último que ocurre, mientras que queremos saber qué sucedió antes de que se disparara.

Primera solución: agrupación jerárquica

Una vez que examinamos el primer sensor de bloqueo y la cantidad de tiempo antes del evento de apagado, podemos usar esta información para realizar un método de agrupamiento para determinar qué sensores se comportan de la misma manera que los primeros sensores de bloqueo. Creemos que el agrupamiento jerárquico y la generación de dendrogramas es un enfoque de visualización útil que puede proporcionar información a un usuario que no se dedica a la ciencia de datos. En la figura siguiente se muestra un ejemplo.





Agrupación de dendrogramas por método de agrupación jerárquica



Este método no solo es útil para encontrar la causa raíz de una interrupción no planificada, sino que también se puede aplicar para encontrar sensores asociados que se comporten de manera diferente a como lo harían normalmente. Por ejemplo, supongamos que el sensor TI2335 muestra un aumento de temperatura desconocido en el lavador de succión y queremos averiguar cuál es la causa principal del aumento anormal. Podemos usar este método para encontrar los sensores apropiados para mirar. En lugar de buscar entre 1000-3000 sensores, los ingenieros solo pueden enfocarse en sensores que están cerca de sensores anormales o los primeros sensores de bloqueo. Entonces, el tiempo de resolución de problemas se puede reducir significativamente. Desafortunadamente, este método no es aplicable en todos los casos. Así que probamos otros métodos.

Segunda solución: prueba de causalidad de Granger

Sir Clive Granger



La prueba de causalidad de Granger es una prueba de hipótesis estadística para determinar si un conjunto de datos de una serie temporal es útil para predecir otra serie. Fue publicado por Sir Clive Granger en 1969 y recibió el Premio Nobel en 2003 por su trabajo.



Cuando un economista recopila estadísticas y las convierte en variables, surge un problema común. No puede determinar qué variable es independiente y cuál es dependiente. En otras palabras, no sabemos qué factor está causando el otro factor.

Un ejemplo es más claro: cuando los economistas intentan encontrar una relación entre la producción interna bruta (PIB) y el índice bursátil. Cuando la economía está floreciendo, el PIB y el índice bursátil también aumentan. Cuando la economía de un país está en declive, el PIB y el índice bursátil también disminuirán. Sin embargo, una cosa causa otra. Algunos argumentan que el PIB debería ser la variable independiente porque refleja la producción y el consumo internos reales. Por el contrario, otros creen que cuanto mayor sea el índice bursátil, más inversionistas invertirán en la economía del país, ya que esta es la confiabilidad a la que los inversionistas siempre prestan atención. Este problema conduce a una estrategia financiera completamente diferente del país: invertir en el desarrollo de la economía local o en el desarrollo del mercado de valores.





Prueba de Causa-Efecto de



Granger Sir Granger pudo encontrar una forma estadística de probar si una variable afecta a otra, ya sea en una dirección o en dos, por lo que ganó el Premio Nobel por eso. Cuando ocurre tal problema, alguien puede usar esta prueba para buscar otros problemas extraños; por ejemplo, para saber qué vino antes: la gallina o el huevo, en Thurman y Fischer (1988).



Aunque nuestro problema no es tan extraño como los descritos anteriormente, cuando intenté usar la prueba causal de Granger en nuestro problema. Es decir, con esta prueba, puede eliminar algunos sensores no relacionados y clasificar los sensores relacionados utilizando el valor p obtenido. Para un grupo de parámetros de proceso, el resultado es bastante satisfactorio.







A continuación, para crear una GUI útil para la interacción con usuarios que no tienen habilidades de programación, usamos la biblioteca Gradio y creamos hermosos gráficos en la etapa de creación de prototipos.

Conclusión

Entonces, por lo que he probado hasta ahora, la agrupación jerárquica funciona bien con la parte de procesamiento de gas, mientras que la prueba causal de Granger funciona bien con la parte de procesamiento de líquidos. Una razón de esto es que en un proceso líquido, por la naturaleza de un líquido incompresible, los sensores generalmente necesitan tiempo para responder a un cambio de proceso. Este no es el caso de la fase gaseosa.



Así es como se aplican los métodos de ciencia de datos para resolver problemas de petróleo y gas del mundo real. Si desea aprender esto y aplicar DS al proyecto en el que está trabajando actualmente, lo estamos esperando.

• Formación profesional en ciencia de datos
• Formación de analista de datos