L'indice phytosanitaire comme outil de détection des anomalies dans les procédés de raffinage du pétrole

Aug 29, 2023

Rapports scientifiques volume 12, Numéro d'article : 14477 (2022) Citer cet article

3268 Accès

1 Altmétrique

Détails des métriques

La détection précoce de changements anormaux significatifs est hautement souhaitable pour les processus de raffinage de pétrole, qui consistent en des opérations unitaires sophistiquées manipulant des stocks dangereux et inflammables et fonctionnant à haute température et pression. Une surveillance étroite et la détection des anomalies sont essentielles pour éviter les accidents et les pertes majeurs et permettre une intervention avant l'apparition d'une panne. Un nouvel outil d’analyse de mégadonnées appelé Plant Health Index (PHI) est proposé dans ce travail. PHI est un logiciel de détection d'anomalies statistiques qui entraîne son modèle en utilisant le fonctionnement normal de l'usine en ligne, puis utilise des analyses statistiques pour détecter les anomalies. Pour détecter les anomalies, une méthode combinée d'analyse multivariée des résidus et de modèles non paramétriques du processus est utilisée. La méthodologie fournit une représentation structurée des variables de l'usine pour faciliter la détection des problèmes ainsi que la détection des changements de fonctionnement du système. Le système PHI a été testé sur des unités d'hydrotraitement d'une raffinerie, constituées de réacteurs catalytiques et de séparateurs. La mise en œuvre actuelle a marqué 170 variables de processus et s'est avérée efficace pour capturer les conditions opérationnelles normales de l'usine. Lors de sa mise en ligne, PHI a pu détecter des anomalies difficiles à détecter par le système de contrôle et avant d'être détectées par le système d'alarme.

Les raffineries de pétrole font partie des structures dynamiques les plus complexes, nécessitant un fonctionnement fluide, efficace et sûr pour produire en permanence des produits de haute qualité à des coûts compétitifs. Des systèmes de surveillance extrêmement sophistiqués sont nécessaires, avec une identification précoce des dysfonctionnements et des comportements anormaux des centrales. Les algorithmes d'apprentissage automatique peuvent être utilisés efficacement pour découvrir des anomalies basées sur des données en ligne et historiques, ce qui peut conduire à une surveillance de l'état du système. Lors de l’étude d’ensembles de données du monde réel, il est courant de savoir quels exemples se démarquent de tous les autres. Les anomalies sont ce type d'événements, et le but de la détection des valeurs aberrantes ou des anomalies est de toutes les trouver à l'aide de données opérationnelles en ligne1.

Le secteur pétrolier est devenu une industrie hautement réglementée dont les principaux objectifs sont la sûreté et la sécurité opérationnelles. Presque tous les équipements installés dans les raffineries modernes disposent de capteurs qui surveillent leur activité et d'actionneurs télécommandés pour agir sur eux afin de gérer le profil opérationnel, d'éviter les événements indésirables et d'éviter les pannes catastrophiques. L'intégrité physique des usines pétrolières et gazières est strictement protégée par plusieurs niveaux de systèmes de contrôle et d'alarme qui réagissent aux circonstances inhabituelles. La détection des anomalies est importante car les anomalies dans les données peuvent conduire à des informations exploitables importantes dans une gamme de domaines d'application1. La capacité d'agir sur l'environnement pour répondre, prévenir ou remédier de manière appropriée aux situations associées à de telles informations uniques donne au décideur la capacité de les identifier correctement2.

Une autre considération importante dans les industries de transformation, telles que les raffineries de pétrole, est la manipulation de grandes quantités de matières dangereuses et inflammables, qui s'écoulent à des débits élevés (tonnes par heure), à ​​des températures élevées (centaines de degrés Celsius) et à une puissance (en mégawatts)3. . Des milliers de personnes et des millions de dollars sont en jeu chaque seconde, car un seul petit défaut ou erreur peut causer des dommages importants à l'ensemble de l'usine et à ses employés, ainsi que des pertes de revenus. En conséquence, la principale préoccupation de la direction des installations industrielles est d’assurer une sécurité continue, l’efficacité des processus, la durabilité à long terme et les temps d’arrêt programmés (ou imprévus). Les systèmes de contrôle distribués (DCS) et les systèmes de contrôle de supervision et d'acquisition de données (SCADA) sont couramment utilisés pour la surveillance et le contrôle continus des opérations des équipements et des unités, tels que les pompes, les compresseurs, les séparateurs, les chaudières, les échangeurs de chaleur et les réacteurs catalytiques. Les variables généralement mesurées et transmises sous forme de signaux sont la température, le débit, le niveau, la pression et les vibrations. Avec des centaines ou des milliers de capteurs de surveillance utilisés dans toute l’usine de traitement, savoir s’ils fonctionnent correctement ou non prend beaucoup de temps et coûte cher en main d’œuvre4.