Comment utiliser la science des données pour redémarrer une usine après une panne imprévue

La fermeture des usines pétrolières et gazières représente des millions de dollars de pertes. Malheureusement, un arrêt est généralement inévitable car il existe un grand nombre d'équipements et d'outils de traitement qui peuvent tomber en panne sans avertissement. Les ingénieurs d'exploitation et de maintenance doivent rester tard dans la nuit pour trouver la cause première de la panne de l'équipement et le remettre en ligne dès que possible. Dans cet article, nous proposons 2 solutions pour trouver les causes profondes des arrêts imprévus dans une raffinerie de pétrole et de gaz.

---

Parfois, le processus de temporisation prend des jours à des semaines avant que les véritables causes profondes puissent être identifiées et traitées. Accélérer ce processus de quelques heures seulement réduira déjà considérablement les pertes. Pour illustrer une présentation sur la façon dont les ingénieurs résolvent un problème, examinons ci-dessous les données synthétiques de seulement 20 capteurs. Il y a deux capteurs dans ce graphique qui sont statistiquement forts, et disons que l'un d'eux est la véritable cause des événements de déclenchement.





Données synthétiques pour simuler les lectures des capteurs d'usine



Malheureusement, en regardant le graphique, il est difficile de déterminer quels deux capteurs sont connectés, n'est-ce pas? Puisqu'une petite usine pétrolière et gazière compte 1 000 à 3 000 capteurs, il s'agit de l'un des véritables goulots d'étranglement des ingénieurs O&M (moi y compris) pour identifier ces capteurs et leurs causes profondes. N'oubliez pas que des millions de dollars peuvent être économisés si nous pouvons trouver ces relations plus rapidement.





Deux capteurs statistiquement liés sur 20 autres capteurs communs,



je vais partager avec vous deux techniques que nous avons essayées et trouvé un niveau de succès acceptable pour révéler la relation entre ces deux capteurs correspondants entre autres. Mais d'abord, laissez-moi vous expliquer pourquoi c'est important pour les ingénieurs et les opérateurs.



Premièrement, pour tout événement de panne dans une usine pétrolière et gazière moderne, il est vrai que la salle de contrôle dispose d'un système de contrôle sophistiqué qui peut afficher la marque «premier verrouillage». Il s'agit de la «première étiquette» du capteur qui déclenche l'événement de déclenchement (par exemple, alarme de pression de sortie du compresseur haute-haute, alarme basse-basse au séparateur critique).

Importance

Ce premier capteur de blocage est très important pour que les ingénieurs d'exploitation et de maintenance commencent à enquêter sur les causes profondes potentielles des arrêts d'usine. Dans la plupart des cas, les ingénieurs et les opérateurs peuvent résoudre le problème d'arrêt de l'usine simplement en regardant cette première marque de verrouillage. Cependant, dans de nombreux cas, cela ne nous fera pas grand-chose, car le traitement du pétrole et du gaz est si complexe que l'apparition de cette première marque de blocage est la dernière chose à se produire, alors que nous voulons savoir ce qui s'est passé avant son déclenchement.

Première solution: le clustering hiérarchique

Une fois que nous avons examiné le premier capteur de blocage et le temps écoulé avant l'événement d'arrêt, nous pouvons utiliser ces informations pour effectuer une méthode de regroupement afin de déterminer quels capteurs se comportent de la même manière que les premiers capteurs de blocage. Nous pensons que le regroupement hiérarchique et la génération de dendrogrammes sont une approche de visualisation utile qui peut fournir des informations à un utilisateur non scientifique des données. Un exemple est illustré dans la figure ci-dessous.





Clustering de dendrogrammes par méthode de clustering hiérarchique



Cette méthode est non seulement utile pour trouver la cause première d'une panne imprévue, mais elle peut également être utilisée pour trouver les capteurs associés qui se comportent différemment de ce qu'ils feraient normalement. Par exemple, supposons que le capteur TI2335 montre une augmentation inconnue de la température dans l'épurateur d'aspiration et que nous voulons découvrir quelle est la cause fondamentale de l'augmentation anormale. Nous pouvons utiliser cette méthode pour trouver les capteurs appropriés à regarder. Au lieu de chercher parmi 1000 à 3000 capteurs, les ingénieurs ne peuvent se concentrer que sur des capteurs proches de capteurs anormaux ou des premiers capteurs bloquants. Ensuite, le temps de dépannage peut être considérablement réduit. Malheureusement, cette méthode n'est pas applicable dans tous les cas. Nous avons donc essayé d'autres méthodes.

Deuxième solution: test de causalité de Granger

Sir Clive Granger



Le test de causalité de Granger est un test d'hypothèse statistique pour déterminer si un ensemble de données de séries chronologiques est utile pour prédire une autre série. Il a été publié par Sir Clive Granger en 1969 et a reçu le prix Nobel en 2003 pour son travail.



Lorsqu'un économiste recueille des statistiques et les transforme en variables, un problème commun se pose. Il ne peut pas déterminer quelle variable est indépendante et laquelle est dépendante. En d'autres termes, nous ne savons pas quel facteur est à l'origine de l'autre facteur.

Un exemple est plus clair: lorsque les économistes tentent de trouver une relation entre la production intérieure brute (PIB) et l'indice boursier. Lorsque l'économie est florissante, le PIB et l'indice boursier augmentent également. Lorsque l'économie d'un pays est en déclin, le PIB et l'indice boursier diminuent également. Cependant, une chose en provoque une autre. Certains soutiennent que le PIB devrait être la variable indépendante car il reflète la production et la consommation intérieures réelles. Au contraire, d'autres pensent que plus l'indice boursier est élevé, plus les investisseurs investiront dans l'économie du pays, car c'est la fiabilité à laquelle les investisseurs prêtent toujours attention. Ce problème conduit à une stratégie financière complètement différente pour le pays - investir dans le développement économique local ou dans le développement de la bourse.





Test de cause à effet de



Granger Sir Granger a pu trouver un moyen statistique de tester si une variable en affecte une autre, que ce soit dans une ou deux directions, il a donc remporté le prix Nobel pour cela. Lorsqu'un tel problème survient, quelqu'un peut utiliser ce test pour rechercher d'autres problèmes étranges; par exemple, pour savoir ce qui précède: la poule ou l'œuf, dans Thurman et Fischer (1988).



Bien que notre problème ne soit pas aussi bizarre que ceux décrits ci-dessus, lorsque j'ai essayé d'utiliser le test causal de Granger dans notre problème. Autrement dit, en utilisant ce test, vous pouvez éliminer certains capteurs qui ne sont pas liés les uns aux autres et classer les capteurs associés en utilisant la valeur p obtenue. Pour un groupe de paramètres de processus, le résultat est tout à fait satisfaisant.







Ensuite, pour créer une interface graphique utile pour l'interaction avec des utilisateurs qui n'ont pas de compétences en programmation, nous avons utilisé la bibliothèque Gradio et créé de superbes graphismes au stade du prototypage.

Conclusion

Donc, d'après ce que j'ai essayé jusqu'à présent, le regroupement hiérarchique fonctionne bien avec la partie traitement du gaz, tandis que le test causal de Granger fonctionne bien avec la partie traitement liquide. Une des raisons à cela est que dans un processus liquide, de par la nature d'un liquide incompressible, il faut généralement du temps aux capteurs pour répondre à un changement de processus. Ce n'est pas le cas en phase gazeuse.



C'est ainsi que les méthodes de la science des données sont appliquées pour résoudre des problèmes pétroliers et gaziers réels. Si vous souhaitez apprendre cela et appliquer DS au projet sur lequel vous travaillez actuellement, nous vous attendons.

• Formation aux métiers de la Data Science
• Formation d'analyste de données