Índice fitossanitário como ferramenta de detecção de anomalias em processos de refinaria de petróleo

Jun 06, 2023

Scientific Reports volume 12, Artigo número: 14477 (2022) Citar este artigo

3312 Acessos

1 Altmétrico

Detalhes das métricas

A detecção precoce de alterações anormais significativas é altamente desejável para processos de refinaria de petróleo, que consistem em operações unitárias sofisticadas que lidam com estoques perigosos e inflamáveis ​​e operam em altas temperaturas e pressões. O monitoramento próximo e a detecção de anomalias são vitais para evitar acidentes e perdas graves e permitir a intervenção antes da ocorrência de falhas. Uma nova ferramenta de análise de big data chamada Plant Health Index (PHI) é proposta neste trabalho. PHI é um software estatístico de detecção de anomalias que treina seu modelo usando a operação normal da planta on-line e, em seguida, usa análises estatísticas para detectar anomalias. Para detecção das anomalias é empregado um método combinado de análise multivariada de resíduos e modelos não paramétricos do processo. A metodologia fornece uma representação estruturada das variáveis ​​da planta para facilitar a detecção de problemas juntamente com a detecção de alterações na operação do sistema. O sistema PHI foi testado em unidades de hidrotratamento em uma refinaria, que consiste em reatores catalíticos e separadores. A implementação atual marcou 170 variáveis ​​de processo e se mostrou eficaz na captura das condições operacionais normais da planta. Quando colocado online, o PHI foi capaz de detectar anomalias difíceis de detectar pelo sistema de controle e antes de serem detectadas pelo sistema de alarme.

As refinarias de petróleo estão entre as estruturas dinâmicas mais complicadas, exigindo uma operação suave, eficaz e segura para produzir continuamente produtos de alta qualidade a custos competitivos. São necessários sistemas de vigilância extremamente sofisticados, com identificação precoce de mau funcionamento e comportamento anômalo da planta. Algoritmos de aprendizado de máquina podem ser usados ​​com eficácia para descobrir anomalias com base em dados online e históricos, o que pode levar ao monitoramento da integridade do sistema. Ao estudar conjuntos de dados do mundo real, saber quais exemplos se destacam como diferentes de todos os outros é um requisito comum. Anomalias são esses tipos de eventos, e o objetivo da detecção de valores discrepantes ou de anomalias é encontrar todos eles usando dados operacionais on-line1.

O sector petrolífero progrediu para uma indústria altamente regulamentada, tendo a segurança operacional como objectivos centrais. Quase todos os equipamentos instalados nas refinarias modernas possuem sensores que monitoram sua atividade e atuadores controlados remotamente para operar sobre eles, a fim de gerenciar o perfil operacional, evitar eventos indesejados e evitar falhas catastróficas. A integridade física das plantas de petróleo e gás é rigorosamente protegida através de múltiplas camadas de sistemas de controle e alarme que reagem a circunstâncias incomuns. A detecção de anomalias é importante porque anomalias nos dados podem levar a informações acionáveis ​​significativas em diversos campos de aplicação1. A capacidade de executar no ambiente para responder, prevenir ou remediar adequadamente as situações associadas a essas informações únicas dá ao tomador de decisão a capacidade de identificá-las corretamente2.

Outra consideração importante nas indústrias de processo, como as refinarias de petróleo, é o manuseio de grandes quantidades de materiais perigosos e inflamáveis, que fluem a altas taxas (toneladas por hora), altas temperaturas (centenas de graus Celsius) e potência (em megawatts)3. . Milhares de funcionários e milhões de dólares estão em jogo a cada segundo, pois uma única pequena falha ou erro pode causar danos significativos a toda a fábrica e aos seus trabalhadores, bem como perdas de rendimento. Como resultado, a maior preocupação da gestão da planta industrial é garantir a segurança contínua, a eficiência do processo, a durabilidade a longo prazo e o tempo de inatividade programado (vs. não programado). Sistemas de controle distribuído (DCS) e sistemas de controle de supervisão e aquisição de dados (SCADA) são comumente usados ​​para monitoramento e controle contínuo de equipamentos e operações unitárias, como bombas, compressores, separadores, caldeiras, trocadores de calor e reatores catalíticos. As variáveis ​​​​geralmente medidas e transmitidas como sinais são temperatura, vazão, nível, pressão e vibração. Com centenas ou milhares de sensores de monitoramento usados ​​em toda a planta de processo, controlar se eles estão funcionando corretamente ou não consome muito tempo e é caro em termos de mão de obra4.