JP2008512801A - 異常事象検知技術の水素化分解装置への適用 - Google Patents
異常事象検知技術の水素化分解装置への適用 Download PDFInfo
- Publication number
- JP2008512801A JP2008512801A JP2007531432A JP2007531432A JP2008512801A JP 2008512801 A JP2008512801 A JP 2008512801A JP 2007531432 A JP2007531432 A JP 2007531432A JP 2007531432 A JP2007531432 A JP 2007531432A JP 2008512801 A JP2008512801 A JP 2008512801A
- Authority
- JP
- Japan
- Prior art keywords
- model
- data
- operator
- measurements
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G47/00—Cracking of hydrocarbon oils, in the presence of hydrogen or hydrogen- generating compounds, to obtain lower boiling fractions
- C10G47/36—Controlling or regulating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
【選択図】図1
Description
1.第1段および第2段リアクター(R1およびR2)、
2.第3段リアクター(R3)、
3.分留セクション(スタビライザーおよびスプリッター)、
である。
1.基本的な制御バルブにおける流量の測定値およびバルブ位置、
2.高圧および低圧の水素回収装置における冗長液位センサー、
3.分留純度分析器および工学モデル、
4.製品品質の実験室データおよび工学モデル、
である。本発明は、また、センサーが使用されていない場合、オペレータがそのセンサーをモデルから選択的に除去することを可能にし、かつ、特定の要因運転に関する偽陽性(false positive)を除去するためのモデル計算の抑制をも提供する。
表示装置は、オペレータに、プロセス装置に影響を及ぼす異常事象が存在する確率の監視範囲を提示することを目標とする。
1.全HDCの運転を、オペレータ監視用のいくつか(例えば15)のモニターに分解すること、
2.全HDCの異常運転を、いくつか(例えば15)のモニターによってオペレータ通報すること、
3.PCAモデルが、HDCにおける多数の(300より多い)センサーの予測を提供すること、
4.これら多数のセンサーの異常な偏差が、PCAモデルの誤差の2乗和から導かれる警報によって総括されること、
5.特定の要因運転から生じる事象は偽陽性を除去するために抑制され、単一のセンサーアラームの高い偽陽性率はPCAモデルによって解決されること、
を含んでいる。
このアプリケーションは、HDCにおける異常運転を検知するために、PCAモデルおよび工学モデルの両者(並びに発見的方法)を用いる。これらのモデルの全般的な構築手法は、付録1において一般的に記述される。水素化分解用のモデルの構築を以下に述べる。
HDCアプリケーションのための工学モデルの要件は、HDCからのヒストリカルなプロセスデータに関するエンジニアリング評価の実施と、操作卓のオペレータおよび機器の専門家からの聴き取り調査とによって決定された。エンジニアリング評価は、HDC運転に対する最悪のケースの経過想定の評価をも含んでいた。この方法は次のような一般的な結論を生み出した。即ち、
・リアクターのクエンチシステムが、HDCの安全かつ確実な運転に重要な影響を有する、
・リアクターの反応床における安定かつ不安定な持続する温度および圧力振動の両者の発生を検知することが必要である、
・原料品質(例えば原料中のコーカーナフサの百分率)の変化は、水素消費量とリアクターの温度プロフィルに影響する重要な上流側外乱である、
・計装および基本制御システムのための焦点領域は、
・クエンチおよび水素流量測定の完全性と、
・HP/LPセパレータの運転と、
・製品品質分析器と、
・コンプレッサーの監視(望ましいが、これは高周波数診断システムによって更によく達成される)と、である、
という結論である。
・流量/バルブ位置整合性モニター、
・クエンチ必要量の推定値、
・製品品質分析器の推測的推定、
・スタビライザーのガソリン引き抜き中のnC4、
・スタビライザーオーバヘッド中のiC5、
・90%点(T90)ケロシン引き抜き、
・ケロシン製品品質の実験室測定値の推測的推定、
・ケロシン引火点(Kero flash point)温度、
・ケロシン凝固点(Kero freeze point)温度、
・HP/LPセパレータモニター、
・冗長液位測定のクロスチェック比較、
・液位測定レンジのチェック、
・液位測定循環検知、
・凝固液位測定検知、
・リアクター安定性モニター、
・クエンチ流量循環検知、
・反応床温度循環検知、
・全クエンチ流量循環検知、
・リアクターオフガス循環検知、
である。
PCAは、実際のプロセス変数を、当初の変数の線形結合である、主成分(Principal Component:PC)と呼称される1組の独立の変数に変換する。PCAモデルの構造は式1に示される。根底となるプロセスは、プロセスに影響する特定の独立的効果を表す多数の自由度を有することが観察されてきた。これらの異なる独立的効果は、プロセスデータにおいて、プロセスの変化として目立っている。プロセスの変化は、例えば原料供給量の変化のように意図的な変化によることもできるし、或いは外気温度変動のように意図的でない外乱の場合もある。
PCi=ΣAi,1*X1+Ai,2*X2+Ai,3*X3+・・・式1
初期アプリケーションの設計は2つの重要な決定を含んでいる。即ち、PCAモデル構築のために例示のHDC装置をどのように分割するかということと、工学モデルの要件の決定とである。PCAモデル構築のためのプラントの適正な分割に失敗すると、データの要件と、プラントの正常運転を十分に表現する能力とに重大な影響が及ぶ可能性がある。例示のHDC運転を3つのPCAモデル(R1およびR2リアクターをまとめたもの、R3リアクターおよび分留)に分割する根拠については前記に議論した。
・主要な処理装置の境界と交差する流れのすべての制御器のPV値、SP値および出力を選択する(例えば、クエンチ流量制御器、スタビライザーボトム流量、...)。
・装置を配置するため、またはプロセスを監視するために用いられる内部流れ(例えば塔のポンプ周り、還流流れ、...)の制御器のPV値、SP値および出力を組み込む。
・プロセスの運転を監視するために連絡技師が使用する付加的な測定値を組み込む。
・プロセスの専門家がプロセスの運転監視に必須と見做す付加的な測定値を組み込む。
・可能な場合には、次の項目を組み込む。即ち、
・原料供給量、原料温度、或いは原料品質変化の指示器の任意の上流側測定値、
・重要な計器設備の任意の冗長測定値、
・測定される外乱(例えば外気温度)の任意の外部測定値、である。
・非線形変換を実行するために必要になることがある付加的な測定値を選択する。
確実でないことが判明し、或いは不安定な挙動を示すあらゆる測定値もリストから除去された。この選定手法を適用すると、概して、PCAモデル構築用としてプラントの全測定値の約60%を除去する結果になる。追加的な測定値の低減は、一旦初期PCAモデルを得てから、反復手順によって達成することができる。
PCAモデルの構築は反復手順である。AED用のPCAモデル構築に利用した手法によって、当初、上記に規定したすべての候補測定値を用いて非常に粗雑なモデルが作り出された。初期トレーニング用の集合は100,000+のデータポイントを含むので、当初からすべてのアウトライアーを取り除くことは難しい。この初期モデルを用いて、後続の手順によって追加のアウトライアーを除去するために、トレーニングデータを評価した。
・長期間経過調査担当者がそのデータを「悪しきPV(BAD PV)」として分類していた。
・高EU値または低EU値のいずれかに過大な時間を占める。
・通常でない低変動性を示す(設定点に厳しく制御される測定値を除く)。
・その運転範囲に関する過度のノイズと高い変動性。
低いSN比を示す測定値、または他の関連測定値との相関度が低い測定値は、工学的判定を用いて省いた。
・蒸留塔における還流対原料比、
・リアクター反応床の温度差および圧力差、
・高純度蒸留塔における組成の対数、
・圧力補償された温度測定値、
・急激な温度変化に対する反応速度、
である。
特定の測定値が選択され、トレーニングデータの集合の構築が完了すると、標準的なツールを用いてモデルを速やかに構築することができる。暗黙の仮定として、モデルの係数を得るに先立って、各測定値を単位分散にスケーリングすることが想定されている。標準的ツールの多くは変数を自動的にスケーリングする。
目的は、トレーニングデータを最小個数の係数で適切に表現するPCAモデルを同定することにある。文献においては、トレーニングデータを(必要以上の主成分またはセンサーを用いて)「過剰適合させる(overfitting)」と、AEDのようなオンライン・システムへの応用には適さないモデルが生成され得ることが証明されてきた。適切な個数の主成分を有するモデルを作り出すために反復手順を用いた。反復手順は、連続する主成分によってモデル化される変化量(標準的な統計ソフトウェアパッケージによって計算したもの)と、モデルの残差とを考慮する。
AEDをプロセス装置に問題なく配備するには、正確なモデルと、よく設計されたユーザインターフェースと、適正な始動点との組合せが必要である。
AEDの内部における工学モデルの実行手順はかなり簡単である。装置内部における特定の既知のタイプの挙動(例えば、リアクターの反応床の温度および圧力の振動の継続、LP/HPセパレータ運転)を同定するモデルに対しては、通報の始動点を、操作卓のオペレータの入力と組み合わせた履歴データの分析から決定した。コンピュータモデル(例えば、流量/バルブ位置モデル、推測分析器比較)に対しては、通報の始動点を、当初、モデル残差の標準偏差から導出した。最初の数ヶ月の運転の間、既知のAEDの指示を、始動点が妥当であり、必要に応じて修正されることを確認するために、オペレータと共に検証した。
プロセスデータにおける変化は、通常、正規分布またはガウス分布を有していない。その結果、異常事象検知に対する始動点を残差の変動性から引き出すことはできない。始動点に対する初期値をトレーニングデータの集合に対するSPEx統計(Q統計またはDMODx統計とも呼ばれる)から得るために、AEDに対するいくつかの経験則が構築されてきた。このガイドラインは、操作卓のオペレータが偽のアラームよって翻弄されることなく真の異常事象に対して警報されるであろうという合理的な信頼を提供するために構築された。更なる詳細については、付録1の「異常事象検知のためのPCAモデルの構築」の章の第VI項を参照されたい。
プロセスの運転をもはや的確に表現しない古いデータは、トレーニングデータの集合から削除するべきである。また、特殊なタイプの運転がもはや行われていないのであれば、その運転のデータはすべて削除するべきである。プロセスに大きな修正が行われた後には、トレーニングデータおよびAEDモデルを初めから再構築する必要がある場合がある。
様々な規模の事象や撹乱が常にプロセス動作に影響を及ぼしている。ほとんどの場合、これらの事象や撹乱はプロセス制御システムにより処置される。しかし、プロセス制御システムがプロセス事象を適切に処置できない場合は常にオペレータがプロセス動作へ想定外の介入をする必要がある。発明者は、この状況を異常動作と定義し、その原因を異常事象と定義する。
・測定値入力を選択、解析、変換するためのPCAモデル基準および方法の設備範囲を確立するための基準
・主成分モデル、PCAの変動に基づく多変数統計モデルの開発
・付随する統計指標を再構成する簡単な工学関係に基づくモデルの構築
・例外計算および連続的なオンラインモデル更新を提供するオンラインデータの前処理
・ファジー・ペトリネットを用いた、モデル指標が正常か異常かの解釈
・ファジー・ペトリネットを用いた、多数のモデル出力の、プロセス領域の正常性/異常性を示す単一の連続的な概略傾向への組合せ
・操作および保守作業を反映させるため、モデルおよびファジー・ペトリネットとのオペレータの対話環境設計。
1.プロセスは静的、即ちその平均および分散は時間に対して不変である。
2.変数同士の相互相関は、正常プロセス動作にわたり線形である
3.プロセスノイズ確率変数は相互に独立している。
4.プロセス変数の共分散行列は縮退していない(即ち半正定値)。
5.データは、「適切に」スケーリングされる(標準的な統計手法は単位分散へのスケーリング)。
6.(未補償)プロセス・ダイナミクス(このための標準的な部分補償は当該モデルの遅延変数の包含すること)が存在しない。
7.全ての変数がある程度の相互相関を有する。
8.データは多変数正規分布を示す。
・温度1=温度2
・流量1=バルブ特性曲線1(バルブ1の位置)
・処理ユニット1への物質流量=処理ユニット1からの物質流量
・圧力1=圧力2=....=圧力n
・処理ユニット1への物質流量=処理ユニット1からの物質流量=...=処理ユニット2への物質流量
・流量計周辺のバイパス弁の開口
・上流の補償/下流の圧力変化
・領域測定値の再カリブレーション
・動作モードに基づくプロセス流の方向変換
I.概念的PCAモデル設計
全体的な設計目的は以下の通りである。
・コンソールのオペレータが自分の操作権限下にある全ての処理ユニットについてプロセス動作の連続的な状態(正常対異常)を把握できるようにする。
・オペレータが自身の操作権限内で急速(数分から数時間)に拡大しつつある異常事象の早期発見できるようにする。
・オペレータに対し、異常事象の根本原因を診断するために必要な主要プロセスの情報だけを提供する。
・プロセス装置を、対応するPCAモデルを有する設備グループに再分割する。
・プロセス動作期間を、異なるPCAモデルを必要とするプロセス動作モードに再分割する。
・設備グループ内のどの測定値を各PCAモデルへの入力として指定すべきかを識別する。
・設備グループ内のどの測定値が既知の事象または他の例外動作を抑制するフラグとして機能すべきかを識別する。
最初の意思決定は、単一PCAモデルで対応する設備のグループを形成することである。これに含まれる特定の処理ユニットは、プロセス統合/相互作用を理解している必要がある。多変数拘束コントローラの設計と同様に、PCAモデルの境界は、全ての重要なプロセス相互作用およびプロセスの変動や撹乱の主要な上流および下流における兆候を包含していなければならない。
プロセス動作モードは、プロセスの挙動が大幅に異なる特定の期間として定義される。これらの例として、異なる等級の製品(例:ポリマー生産)の生産、顕著なプロセス遷移(例:始動、停止、原料の交換)、激変した原料(例:オレフィン生産においてエタンに代えてナフサを分解)の処理、または異なる構成のプロセス設備(異なる組の処理ユニットが稼動)がある。
異常事象検知システムの構築に組織的な関心が持たれるのは、従来から経済的に重大な影響を及ぼすプロセス問題が存在しているためである。しかし、これらの重要な問題を分析して、当該問題に取り組む最適なアプローチを識別する必要がある。特に、構築担当者は、異常事象検知アプリケーションの構築を試みる前に以下の点を確認しなければならない。
1.問題を恒久的に解決することが可能か。往々にして、現場担当者が問題を調査して恒久的に解決する充分な時間が無かったために問題が存在する。当該問題に組織的な関心が向けられたならば恒久的な解決策が見つかる場合が多い。これが最善のアプローチである。
2.問題を直接測定することが可能か。問題を検知するためのより信頼性が高い方法は、当該プロセスにおける問題を直接測定できるセンサーを設置することである。これを用いて、プロセス制御アプリケーションを介して問題を防止することも可能である。これが次善のアプローチである。
3.異常動作に対するアプローチを測定する推論的測定法を構築することが可能か。推論的測定法は通常、部分最小二乗法、PLS、PCA異常事象モデルに極めて近いモデルを用いて構築される。推論的測定法を構築する他の一般的な代替案として、ニューラルネットワークおよび線形回帰モデルが含まれる。信頼性を以って問題状態へのアプローチを測定するために利用可能なデータ(例:デルタ圧力を用いるタワーフラッディング)が存在する場合、これを状態の存在を検知するためだけでなく、状態が生じるのを防止する制御アプリケーションの基礎ベースとしても用いることができる。これが三番目に良いアプローチである。
設備グループ内に何千ものプロセス測定値がある。予備設計では以下を行なう。
・全てのカスケード2次コントローラ測定値、および特にこれらのユニットへの最終2次出力(フィールド制御バルブへの信号)を選択する
・コンソールのオペレータがプロセスを監視するのに用いる主要な測定値(例:自身の操作系統に現われるもの)を選択する
・担当技術者がプロセスの性能を測定するために用いる何らかの測定値を選択する
・供給速度、供給温度、または供給品質の何らかの上流測定値を選択する
・プロセスの動作領域、特に圧力に影響を及ぼす下流状態の測定値を選択する
・重要な測定のために追加的な冗長測定値を選択する
・非線形変換の計算に必要となるかもしれない測定値を選択する
・撹乱(例:周囲温度)の何らかの外部測定値を選択する
・プロセス状態の重要な尺度であるとプロセスの専門家が考える他のあらゆる測定値を選択する
・測定値に誤りまたは問題がある性能の履歴が含まれていない
・測定値は満足すべき信号対ノイズ比を有する
・測定値はデータ集合内の他の測定値と相互相関を求められている
・測定値は正常動作期間の10%を超えて飽和していない
・測定値は、稀にしか変化しない固定セットポイントに密接には制御されていない(制御階層の最終一次側)
・測定値は、長期にわたる「不良値」動作、またはトランスミッタの限界まで飽和していない
・測定値は、極めて非線形であることが知られている値の範囲を超えない
・測定値は未加工測定値からの冗長計算ではない
・フィールド制御バルブへの信号は、時間の10%を超えて飽和していない
PCA異常検知モデル、信号対ノイズ比、および相互相関への潜在的入力に優先順位付けを行なうための2種の統計的な基準がある。
信号対ノイズ比は、入力信号における情報内容の尺度である。
1.未加工信号は、プロセスのものに等しい近似動的時定数を有する指数フィルタを用いてフィルタリングされる。連続的な精製および化学プロセスの場合、この時定数は通常、30分〜2時間の範囲にある。他の低域通過フィルタを用いてもよい。指数フィルタの場合の式は以下の通りである。
Yn=P*Yn−1+(1−P)*Xn 指標フィルタの式 式1
P=Exp(−Ts/Tf) フィルタ定数の計算 式2
ここで、
Yn 現在フィルタリングされる値
Yn−1 以前にフィルタリングされた値
Xn 現在の未加工値
P 指数フィルタ定数
Ts 測定値のサンプル時間
Tf フィルタ時定数
2.残留信号は、未加工信号からフィルタリングされた信号を減算することにより得られる。
Rn=Xn−Yn 式3
3.信号対ノイズ比は、フィルタリングされた信号の標準偏差を残留信号の標準偏差で除算した比である。
S/N=σY/σR 式4
相互相関は、入力データ組の情報冗長性の尺度である。任意の2つの信号間の相互相関は次式により計算される。
1.各入力組i、k間の共分散Sikを計算する。
CCik=Sik/(Sii*Skk)1/2 式6
精製および化学プロセスは往々にして厳しいか緩い拘束に遭遇して、結果的にモデル入力に対する飽和値および「不良値」が生じる。一般的な拘束は、計器トランスミッタの上下範囲、アナライザ範囲、最大および最小制御バルブ位置、およびプロセス制御アプリケーション出力限度である。入力は、モデル構築およびこれらのモデルのオンライン利用の両方において入力を事前処理する際に特別な扱いを要する飽和に関していくつかのカテゴリに分類することができる。
標準的なアナログ計器(例:4〜20ミリアンペアの電子トランスミッタ)において、不良値は以下の2種の別々の原因で生じる恐れがある。
・実際のプロセス状態がフィールドトランスミッタの範囲外にある
・フィールドとの接続が絶たれた
拘束変数とは、測定値がある限界にあって、当該測定値が実際のプロセス状態(値がトランスミッタ範囲の最大または最小限にデフォルト化されている場合とは逆。「不良値」節で記述)に一致する。このプロセス状況は、以下のいくつかの理由により生じる。
・プロセスの各部分は、特に優先的な状況、例えばフレアシステムへの圧力解放流がない限り、通常は不活性である。これらの優先的状況が有効である時間は、データフィルタを設定することにより訓練および検証データ集合から除外しなければならない。オンライン実装の場合、これらの優先事象は、選択されたモデル統計量を自動抑制するトリガ事象である
・プロセス制御システムは、プロセス動作制限、例えば製品仕様限界、に反してプロセスを駆動すべく設計されている。これらの拘束は通常、2種のカテゴリに分類される。即ち時々飽和するものと、通常は飽和しているものである。通常は飽和している入力はモデルから除外しなければならない。稀に(例えば全時間の10%未満)飽和するだけの入力はモデルに含まれてよいが、飽和していない場合には期間に基づいてスケーリングしなければならない。
プロセス制御アプリケーションは、プロセスデータの相互相関構造に極めて重大な影響を及ぼす。特に以下の通りである。
・被制御変数の変動が大幅に減少するため、プロセスに顕著なプロセス撹乱が出現したか、または、オペレータが主要なセットポイントを変えて意図的に動作点を動かした場合の短期間を除いて、被制御変数内の動きは基本的にノイズである。
・被制御変数における通常の変動は、制御システムにより***作変数(最終的にはフィールド内の制御バルブへ送られた信号)へ転送される。
図6に、典型的な「カスケード」プロセス制御アプリケーションを示す。これは精製および化学プロセス用に極めて一般的な制御機構である。そのようなアプリケーションからの多くの潜在的なモデル入力が存在するが、当該モデルの候補である唯一のものは未加工プロセス測定値(本図の「PV」)およびフィールドバルブへの最終出力である。
図7に、精製および化学プロセス向けの極めて一般的な制御機構である典型的MVCCプロセス制御アプリケーションを示す。MVCCは動的数学モデルを用いて、***作変数MV(通常は調整制御ループのバルブ位置またはセットポイント)の変化がどのように制御変数CV(プロセス状態を測定する従属温度、圧力、組成および流量)を変えるかを予測する。MVCCは、プロセス動作を動作限度まで押し上げようと試みる。これらの限度は、MV限度またはCV限度のいずれかであってよく、外部オプティマイザにより決定される。プロセス動作の限度の数は、コントローラが操作可能なMVの数から、制御されている物質収支の数を差し引いたものに等しい。従って、MVCCが12個のMV、30個のCV、および2個のレベルを有する場合、プロセスは10個の限度に向けて動作される。MVCCはまた、プロセスに対する測定された負荷変動の影響を予測して、これらの負荷変動(フィードフォワード変数FFとして知られる)を補償する。
プロセス制御システムデータベースは、PCAモデルへの候補入力の中で顕著な冗長性を有する可能性がある。冗長性の一種として「物理的冗長性」があり、これはプロセス設備内で互いに物理的に近接して配置された多数のセンサー(熱電対等)が存在する場合である。別の種類の冗長性として「計算的冗長性」があり、これは未加工センサーが新たな変数(例:圧力補償された温度、または容積測定流量測定値から計算されて質量流量)に数学的に組み合わされた場合である。
構築に要する努力の多くは、正常なプロセス動作の全てのモードを含むことがわかっている良好な訓練データ集合の生成にある。このデータ集合は以下を満たさなければならない。
・比較的小さい異常事象は、モデルパラメータに大きく影響する程度には充分な強さを以って訓練データ集合に現われない
・大部分の動作モードが発生して、データ内に現われているはずである。
1)データ圧縮
多くの履歴データベースはデータ圧縮を用いて、必要なデータ記憶容量を最小化する。不都合なことに、これを実行すればデータの相互相関構造を乱す恐れがある。プロジェクトの開始時点において、データベースのデータ圧縮を無効にしてデータのスポット値の履歴を取っておくべきである。可能な場合は常に非圧縮データを用いて最終的なモデルを構築しなければならない。平均化された値は、それらが利用できる唯一のデータであって、利用できる最短のデータ平均でない限り、用いるべきではない。
モデルが正常なプロセスパターンを適切に表わすために、訓練データ集合は、全ての正常動作モード、正常な動作変動、およびプロセスに生じる変化や正常な微小攪乱の例を含んでいなければならない。これは、長期間(例:9〜18ヶ月)にわたるプロセス動作のデータを用いることにより実現される。特に、精製および化学プロセスにおいて季節的(春夏秋冬)な動作の違いは極めて重要であり得る。
この期間に対する各種の操作ジャーナルもまた収集しなければならない。これを用いて、動作期間を異常とみなすが、または訓練データ集合から除外する必要がある何らかの特別なモードにおいて動作している。特に、重要な履歴的異常事象をこれらのログから選択してモデル用のテストケースとすることができる。
往々にして、セットポイントおよびコントローラ出力は、工場プロセスデータの履歴管理機能で履歴化されないことが多い。これらの値の履歴化は、プロジェクトの開始時点で直ちに開始しなければならない。
もはや適切に現在のプロセス動作を表わさない旧データは、訓練データ集合から削除しなければならない。大規模なプロセス変更の後で、訓練データおよびPCAモデルを最初から作り直すことが必要な場合がある。特定の種類の動作がもはや実行されていない場合、当該動作からの全てのデータを訓練データ集合から削除しなければならない。
構築担当者は、拠点のプロセス履歴管理機能を使用して数ヶ月分のプロセスデータ、好ましくは1分間隔のスポット値、を収集しなければならない。これが入手可能でない場合、なるべく平均化されておらず、且つ解像度が最も高いデータを使用すべきである。
品質測定値(アナライザおよび研究室サンプル)は他のプロセス測定値よりも極めて長いサンプリング周期を有し、数十分毎〜1日1回の範囲である。これらの測定値をモデルに含めるには、これらの品質測定値の連続的な推定値を生成する必要がある。図8に、連続的な品質推定値のオンライン計算を示す。これと同じモデル構造を構築して履歴データに適用しなければならない。この品質推定値は次いで、PCAモデルへの入力になる。
極めて明らかな異常を除いて、履歴データの品質を判定するのは困難である。異常動作データを含めることによりモデルが偏る恐れがある。大量の履歴データを用いる戦略は、訓練データ集合における異常な動作により生じるモデルのバイアスをある程度補償する。プロジェクトの開始に先立って履歴データから構築されたモデルは、品質に関しては疑いを持たなければならない。初期訓練データ集合は、プロジェクトが継続している間に生じるプロセス状況の高い品質注釈を含むデータ集合により代替されなければならない。
A.初期の粗いデータ解析
動作ログを用いて、プロセスの主要な性能指標を調べることにより、履歴データを、異常動作の存在が判明している期間と、識別された異常動作が存在しない期間に分ける。識別された異常動作が存在しないデータが訓練データ集合となる。
・「不良値」である期間が長いもの
・自身のトランスミッタの上限または下限に固定された期間が長いもの
・極めて僅かな変動性しか示さないもの(自身のセットポイントに密に制御されているものを除く)
・自身の動作範囲に関して極めて大きい変動性を連続的に示すもの
・データ集合内の他のどの測定値とも殆ど相互相関を示さないもの
・信号対ノイズ比が低いもの
X’=(X−Xavg)/σ 式7
以下を通じて、明らかな異常事象を除去する。
ノイズとは、プロセスに関して有用な情報を含んでいない測定信号の高周波内容を指す。ノイズは、オリフィス・プレートを横断する二相流またはレベルの撹乱等の特定のプロセス状況により生じ得る。ノイズは、電気インダクタンスにより生じ得る。しかし、恐らくはプロセス撹乱により生じた顕著なプロセス変動性は有用な情報にあって、フィルタリングで除去してはならない。
・ノイズの発生源を除去することにより信号を固定する(最良の対応策)
・フィルタリング技術を用いてノイズを除去/最小化する
・信号を当該モデルから除去する
Yn=P*Yn−1+(1−P)*Xn 指数フィルタの式 式8
P=Exp(−Ts/Tf) フィルタ定数の計算 式9
Ynは現在のフィルタリングされた値
Yn−1は以前にフィルタリングされた値
Xnは現在の未加工値
Pは指数フィルタ定数
TSは測定値のサンプル時間
Tfフィルタが時定数
変換された変数は、二つの異なる理由によりモデルに含まれなければならない。
・蒸留塔における還流対供給比
・高純度蒸留の組成のログ
・圧力補償された温度測定
・副流の生成
・バルブ位置への流れ(図2)
・指標的温度変化への反応率
図11に、プロセス・ダイナミクスが2個の測定値の現在値同士の相互相関をどのように乱すかを示す。遷移時間中、一方の値は常に変化しているが他方はそうでなく、従って遷移時間中は現在値同士の相互相関は存在しない。しかし、これら2個の測定値は、動的伝達関数を用いて主要な変数を変換することにより、時間同期に戻すことができる。データの時間同期化には通常、無駄時間動的モデル(式9にラプラス変換形式で示す)を有する第1オーダーで充分である。
Y’:時間同期化データ
T:時定数
Θ:無駄時間
S:ラプラス変換パラメータ
連続的な精製および化学プロセスは、ある動作点から別の動作点へ常に移動されている。これらは、オペレータまたは最適化プログラムが主要なセットポイントを変更した意図的なものであったてもよく、或いは、熱交換器の汚れや触媒の非活性化等の遅いプロセス変動により生じる場合がある。その結果、未加工データは静止していない。これらの動作点の変更は、静止データを生成するために除去する必要がある。さもなければ、これらの変更は異常事象として誤って現われる。
X’=X−Xfiltered 式10
X’:動作点変化を除去すべく変換された測定値
X:元の未加工測定値
Xfiltered:指標的にフィルタリングされた未加工測定値
特定の測定値が選択されて、訓練データ集合が構築されたならば、標準的なツールを用いてモデルは素早く構築することができる。
PCAモデルの性能は、入力のスケーリングに依存している。スケーリングへの従来型のアプローチは、訓練データ集合内で各々の入力を自身の標準偏差σで分割することである。
Xi’=Xi/σi 式11
冗長なデータ群の場合
Xi’=Xi/(σi*sqrt(N)) 式12
ここで、N=冗長なデータ群における入力の個数
PCAは実際のプロセス変数を主成分PCと呼ばれる一組の独立変数に変換する。これは、元の変数の線形結合である(式13)。
PCi=Ai,1*X1+Ai,2*X2+Ai,3*X3+... 式13
プロセスデータは、ガウス即ち正規分布を示さない。その結果、残留誤りの3標準偏差における異常事象を検知するトリガを設定する標準的な統計的方法を用いてはならない。その代わり、トリガ位置は、モデルを用いて経験に基づいて経験的に設定されなければならない。
初期モデルが生成されたならば、新たな訓練データ集合を生成することにより強化する必要がある。これはモデルを用いてプロセスを監視することにより行なわれる。モデルが潜在的に異常な状況を示す場合、技術者はプロセス状況を調べて分類しなければならない。技術者は以下の3種の異なる状況を見出す。即ち何らかの特殊なプロセス動作が生じている、実際に異常な状況が生じている、或いは、プロセスは正常であって異常は虚偽の通知である。
プロセス設備の物理的、化学的および機械的の設計、並びに多くの類似測定の挿入により、連続的な精製および化学プロセスからのデータにかなりの程度の冗長性をもたらす。この冗長性は、同一の測定が存在する場合は物理的冗長性と呼ばれ、物理的、化学的または機械的関係を用いてプロセス状態の独立であるが等価な推定を実行する場合は計算的冗長性と呼ばれる。このクラスのモデルを工学的冗長性モデルと呼ぶ。
これはモデルの最も簡単な形式であり、以下のような一般形式を有する。
F(yi)=G(xi)+フィルタリング済みバイアスi+オペレータ・バイアス+誤差i 式14
未加工バイアスi=F(yi)−{G(xi)+フィルタリング済みバイアスi+オペレータ・バイアス}=誤差i 式15
フィルタリング済みバイアスi=フィルタリング済みバイアスi−1+N*未加工バイアスi−1 式16
N−収束係数(例:.0001)
正常動作範囲:xmin<x<xmax
正常モデル偏差:−(最大誤差)<誤差<(最大誤差)
特に有益な工学的冗長性モデルは、流量対バルブ位置モデルである。図2にこのモデルをグラフ的に示す。このモデルの特定の形式は以下の通りである。
Flow:制御バルブを通る測定された流量
Delta_Pressurereference=測定された最も近い上流圧力−測定された最も近い下流圧力
Delta_Pressurereference:正常動作の間の平均デルタ圧力
a:履歴データにフィッティングされたモデルパラメータ
Cv:履歴データから経験的に決定されたバルブ特性曲線
VP:制御バルブへの信号(実際の制御バルブ位置でない)
このモデルの目的は以下の通りである。
・詰まりつつある/詰まった制御バルブの検知
・凍結/故障した流量測定の検知
・制御システムが流量の制御を喪失した箇所の制御バルブ動作の検知
連続的な精製および化学プロセスが受ける長い期間にわたる定常状態動作ため、制御バルブの動作全体にわたる充分なデータを得るには長い履歴記録(1〜2年)が必要である。図15に、定常動作が長期間にわたる流量、バルブ位置、およびデルタ圧力データの典型的な範囲を示す。最初の段階は、図に示すように、動作に何らかの重要な変動がある所で短い期間を切り離すことである。これは次いで、履歴内で様々な期間から取り出された正常動作の期間と混合されなければならない。
任意の2次元工学的冗長性モデルと同様に、二種の異常性の尺度、即ち「正常動作範囲」および「正常モデル偏差」がある。「正常モデル偏差」は、正規化された指標即ち誤差/最大誤差に基づいている。これは、4型ファジー識別器(図16)へ送られる。構築担当者は、正規化された指標を用いて、標準的な方法で正常(値ゼロ)から異常(値1)への遷移を検出することができる。
オペレータが好む流量/バルブモデルのグループ化の一般的な方法は、これらのモデルの全てを単一のファジー・ネットワークに入れて、傾向インジケータがオペレータに対し、それらの重要な流量コントローラの全てが機能していることを教える。その場合、ファジー・ネットワーク(図4)へのモデル表示は、各々の流量/バルブモデルに対して「正常動作範囲」および「正常モデル偏差」の表示を含んでいる。この傾向は、最悪モデル表示からの識別器の結果を含んでいよう。
次元が2より大きくなったならば、高次元工学的冗長性検査を扱うべく単一の「PCA状」モデルが構築される。
・圧力1=圧力2=....=圧力n
・処理ユニット1へ入る物質流量=処理ユニット1から出る物質流量=...処理ユニット2へ入る物質流量
F1(yi)=a1G1(xi)+フィルタリング済みバイアス1、i+オペレータ・バイアス1+誤差1、i
F2(yi)=anG2(xi)+フィルタリング済みバイアス2、i+オペレータ・バイアス2+誤差2、i
Fn(yi)=anGn(xi)+フィルタリング済みバイアスn、i+オペレータ・バイアスn+誤差n、i 式18
P=a1X1+a2X2+a3X3 式19
ここにa3=1
Xscale=Xnormal operating range/6σ 式20
(正常動作データの99.7%は平均から3σ以内に入る筈である)
Xmid=Xmid point of operating range 式21
(「平均」を正常動作範囲の中点として明示的に定義)
X’=(X−Xmid)/Xscale 式22
(平均とσが決定された際の標準的なPCAスケーリング)
Xi用のP’負荷は以下の通りである。
これはPを以下のように変換する
P’=b1*X1+b2*X2+・・・+bn*XN 式24
P’「標準偏差」=b1+b2+・・・+bn 式25
I.オペレータおよび既知の事象抑制
抑制論理は、以下の目的に必要とされる。
・測定可能な異常事象から虚偽の表示を除外する方法を提供する
・オペレータが調べた異常な表示を消去する方法を提供する
・保守のため一時的にモデルまたは測定値を無効にする方法を提供する
・不良動作するモデルを、それらが再調整されるまで使用不可にする方法を提供する
・不良動作する計器を永久に使用不可にする方法を提供する
Yn=P*Yn−1+(1−P)*Xn 指数フィルタの式 式26
P=Exp(−Ts/Tf) フィルタ定数の計算 式27
Zn=Xn−Yn タイミング信号の計算 式28
ここで、
Yn トリガ信号の現在のフィルタリング済み値
Yn−1 トリガ信号の以前のフィルタリング済み値
Xn トリガ信号の現在の値
Zn 図20に示すタイミング信号
P 指数フィルタ定数
Ts 測定値のサンプル時間
Tf フィルタ時定数
ei:入力iからの2乗和誤差の寄与分
PCAモデルは広範なプロセス設備範囲を用いて構築されているが、モデル指標を分離して、オペレータのプロセスに対する認識によりよく合致して、異常事象の兆候に対する感度を向上させるグループに分けることができる。
入力がいくつかのPCAモデルに現われることにより、モデルに影響を及ぼす全ての相互作用がモデルの範囲内で含まれるようになる。これにより、これらの入力が誤差の2乗和指標の主要な寄与分である場合、オペレータ向けに複数の表示を与えることがあり得る。
オペレータインターフェースの一次目的は以下の通りである。
・オペレータの権限下にある主要プロセス領域が正常である旨の表示を連続的に提供する
・背景にあるモデル情報への迅速な(マウス・クリック1、2回)ナビゲーションを提供する
・オペレータに対し、モデルを使用可能にする制御を提供する
図22は、オペレータが用いる一次インターフェースにおいてこれらの設計目的がでどのように表わされるかを示す。
Claims (39)
- 製油所の水素化分解装置のいくつかのプロセス装置のための異常事象検知(AED)方法であって、
(a)前記プロセス装置からのオンラインの測定値を、当該プロセス装置の正常運転に対する1組のモデルと比較する工程;
(b)プロセス装置における異常状態の存在を示すために、現在の運転が予期される正常運転と異なっているか否かを決定する工程;
(c)HDCプロセス装置における異常状態の根本原因を決定するように、プロセスのオペレータを支援する工程;および
(d)前記装置を正常運転に戻すための補正行動を実行する工程
を含むことを特徴とする方法。 - 前記モデルの組は、機器群および運転モードに対応し、1つのモデルは、1つ以上の運転モードを含み得る各群に対応することを特徴とする請求項1に記載の方法。
- 前記モデルの組は、機器群およびプロセスの運転モードに対応し、1つのモデルは、各群および各モードに対応することを特徴とする請求項1に記載の方法。
- 前記機器群は、同一群内におけるすべての主要な材料およびエネルギーの相互作用を含むことを特徴とする請求項2に記載の方法。
- 前記機器群は、同一群内におけるクイックリサイクルを含むことを特徴とする請求項4に記載の方法。
- 前記正常運転のモデルの組は、主成分モデルを含むことを特徴とする請求項5に記載の方法。
- 前記正常運転のモデルの組は、工学モデルを含むことを特徴とする請求項6に記載の方法。
- 各プロセス装置に対する前記正常運転のモデルの組は、主成分モデルまたは工学モデルのいずれかであることを特徴とする請求項1に記載の方法。
- 水素化分解プロセス装置は、各セクションに対する主成分モデルを有する機能セクションに分割されていることを特徴とする請求項8に記載の方法。
- 3つの機能セクションが存在することを特徴とする請求項9に記載の方法。
- 前記主成分は、オンライン測定によって提供されるプロセス変数を含むことを特徴とする請求項4に記載の方法。
- 前記水素化分解プロセス装置の前記3つの機能セクションは、第1段水素化処理リアクター(R1)、第2段水素化分解リアクター(R2)、第3段水素化分解リアクター(R3)、第1段および第2段LP/HPセパレータ、スタビライザー塔、スプリッター塔並びに往復動コンプレッサーを含むことを特徴とする請求項10に記載の方法。
- 選択された制御バルブと流量計の間の整合性、プロセス分析器と第2次測定との間の整合性並びにリアクターの反応床における温度および圧力の振動の発生を決定するための付加的なモデルを更に含むことを特徴とする請求項6に記載の方法。
- 前記モデルは、オペレータに誘起される通報および偽陽性を除去するための抑制モデル計算を更に含むことを特徴とする請求項4に記載の方法。
- (a)前記モデルの導出は、問題のあるデータに基づく初期モデルを得ることから出発し、
(b)前記初期モデルを用いて、前記データを改良しかつ前記モデルを改善し、
(c)前記モデルを改善するための工程を反復して繰り返す
ことを特徴とする請求項2に記載の方法。 - 前記トレーニングデータの集合は、モデル構築のためのプロセス装置の履歴データを含むことを特徴とする請求項9に記載の方法。
- 前記モデルは、変換された変数を含むことを特徴とする請求項9に記載の方法。
- 前記変換された変数は、蒸留塔における全生成物流量に対する還流量、蒸留塔における組成およびオーバヘッド圧力の対数、圧力補償された温度測定値、バルブ位置に対する流量並びに反応床の温度差および圧力差を含むことを特徴とする請求項9に記載の方法。
- いくつかの測定値対は、動的フィルタを用いた前記変数の1つに時間同期されることを特徴とする請求項9に記載の方法。
- プロセス運転における運転点の変更によって影響される前記プロセス測定値の変数を、偏差変数に変換することを特徴とする請求項9に記載の方法。
- 変数の測定値を、モデル同定の前にスケーリングすることを特徴とする請求項9に記載の方法。
- 前記測定値を、その変数の予期される正常範囲によってスケーリングすることを特徴とする請求項19に記載の方法。
- 前記主成分の数を、連続する成分によって表現される全プロセスの変化の大きさによって選択することを特徴とする請求項9に記載の方法。
- 製油所の水素化分解プロセス装置のいくつかのための異常事象検知(AED)システムであって、
(a)前記プロセス装置の運転を記述するプロセス装置用の1組のモデル;
(b)前記プロセス装置における異常状態の存在を示すために、現在の運転が予期される正常運転と異なっているか否かを示す表示装置;および
(c)HDCプロセス装置における異常状態の根本原因を示す表示装置
を含むことを特徴とするシステム。 - 各プロセス装置に対する前記モデルは、主成分モデルまたは工学モデルのいずれかであることを特徴とする請求項24に記載のシステム。
- 前記水素化分解装置は、各セクションに対する主成分モデルを有する3つの運転セクションに分割されることを特徴とする請求項24に記載のシステム。
- 前記主成分は、オンライン測定によって提供されるプロセス変数を含むことを特徴とする請求項26に記載のシステム。
- 前記水素化分解プロセス装置の前記3つの運転セクションは、第1段水素化処理リアクター(R1)、第2段水素化分解リアクター(R2)、第3段水素化分解リアクター(R3)、第1段および第2段LP/HPセパレータ、スタビライザー塔、スプリッター塔並びに往復動コンプレッサーを含むことを特徴とする請求項26に記載のシステム。
- 付加的なモデルは、選択された制御バルブと流量計の間の整合性、プロセス分析器と第2次測定の間の整合性並びにリアクターの反応床における温度および圧力の振動の発生を決定することを特徴とする請求項28に記載のシステム。
- 前記モデルは、オペレータに誘起される通報および偽陽性を除去するための抑制モデル計算を更に含むことを特徴とする請求項26に記載のシステム。
- (a)前記モデルの導出は、問題のあるデータに基づく初期モデルを得ることから出発し、
(b)前記初期モデルを用いて、前記データを改良しかつ前記モデルを改善し、
(c)前記モデルを改善するための工程を反復して繰り返す
ことを特徴とする請求項25に記載のシステム。 - 前記トレーニングデータの集合は、モデル構築のためのプロセス装置の履歴データを含むことを特徴とする請求項31に記載のシステム。
- 前記モデルは、変換された変数を含むことを特徴とする請求項32に記載のシステム。
- 前記変換された変数は、蒸留塔における全生成物流量に対する還流量、蒸留塔における組成およびオーバヘッド圧力の対数、圧力補償された温度測定値、バルブ位置に対する流量並びに反応床の温度差および圧力差を含むことを特徴とする請求項33に記載のシステム。
- いくつかの測定値対は、動的フィルタを用いた前記変数の1つに時間同期されることを特徴とする請求項32に記載のシステム。
- プロセス運転における運転点の変更によって影響される前記プロセス測定値の変数は、偏差変数に変換されることを特徴とする請求項32に記載のシステム。
- 変数の測定値は、モデル同定の前にスケーリングされることを特徴とする請求項32に記載のシステム。
- 前記測定値は、その変数の予期される正常範囲によってスケーリングされることを特徴とする請求項37に記載のシステム。
- 前記主成分の数は、連続する成分によって表現される全プロセスの変化の大きさによって選択されることを特徴とする請求項32に記載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US60916104P | 2004-09-10 | 2004-09-10 | |
US60/609,161 | 2004-09-10 | ||
US11/212,211 | 2005-08-26 | ||
US11/212,211 US20060074598A1 (en) | 2004-09-10 | 2005-08-26 | Application of abnormal event detection technology to hydrocracking units |
PCT/US2005/032447 WO2006031750A2 (en) | 2004-09-10 | 2005-09-09 | Application of abnormal event detection technology to hydrocracking units |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008512801A true JP2008512801A (ja) | 2008-04-24 |
JP5190265B2 JP5190265B2 (ja) | 2013-04-24 |
Family
ID=36060618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007531432A Expired - Fee Related JP5190265B2 (ja) | 2004-09-10 | 2005-09-09 | 異常事象検知技術の水素化分解装置への適用 |
Country Status (6)
Country | Link |
---|---|
US (2) | US20060074598A1 (ja) |
EP (1) | EP1810162A4 (ja) |
JP (1) | JP5190265B2 (ja) |
CA (1) | CA2578614C (ja) |
NO (1) | NO20071831L (ja) |
WO (1) | WO2006031750A2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010506259A (ja) * | 2006-09-28 | 2010-02-25 | フィッシャー−ローズマウント システムズ, インコーポレイテッド | 水素添加分解装置内の異常動作を検出するための方法およびシステム |
US11029218B2 (en) | 2015-02-17 | 2021-06-08 | Fujitsu Limited | Determination device, determination method, and non-transitory computer-readable recording medium |
WO2022025145A1 (ja) * | 2020-07-31 | 2022-02-03 | 三菱重工業株式会社 | 推定装置、推定方法、及びプログラム |
Families Citing this family (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1535143A4 (en) | 2002-06-19 | 2010-05-05 | Brooks Automation Inc | AUTOMATED MATERIAL HANDLING SYSTEM FOR SEMICONDUCTOR MANUFACTURING BASED ON A COMBINATION OF VERTICAL CAROUSELS AND OVERHEAD HOISTS |
KR101323337B1 (ko) | 2002-10-11 | 2013-10-30 | 무라타 기카이 가부시키가이샤 | 자동 재료 핸들링 시스템 |
US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
EP1946254B1 (en) * | 2005-10-18 | 2012-02-22 | Honeywell International Inc. | System, method, and computer program for early event detection |
US8719327B2 (en) * | 2005-10-25 | 2014-05-06 | Fisher-Rosemount Systems, Inc. | Wireless communication of process measurements |
WO2007087729A1 (en) * | 2006-02-03 | 2007-08-09 | Recherche 2000 Inc. | Intelligent monitoring system and method for building predictive models and detecting anomalies |
US20160246905A1 (en) | 2006-02-14 | 2016-08-25 | Power Analytics Corporation | Method For Predicting Arc Flash Energy And PPE Category Within A Real-Time Monitoring System |
US9092593B2 (en) | 2007-09-25 | 2015-07-28 | Power Analytics Corporation | Systems and methods for intuitive modeling of complex networks in a digital environment |
US20170046458A1 (en) | 2006-02-14 | 2017-02-16 | Power Analytics Corporation | Systems and methods for real-time dc microgrid power analytics for mission-critical power systems |
US9557723B2 (en) | 2006-07-19 | 2017-01-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
WO2007106430A2 (en) * | 2006-03-10 | 2007-09-20 | Edsa Micro Corporation | Systems and methods for real- time protective device evaluation in an electrical power distribution system |
US7761172B2 (en) * | 2006-03-21 | 2010-07-20 | Exxonmobil Research And Engineering Company | Application of abnormal event detection (AED) technology to polymers |
US7818264B2 (en) * | 2006-06-19 | 2010-10-19 | Visa U.S.A. Inc. | Track data encryption |
JP2007280135A (ja) * | 2006-04-07 | 2007-10-25 | Fuji Xerox Co Ltd | 故障診断システム及び故障診断方法 |
US7693608B2 (en) * | 2006-04-12 | 2010-04-06 | Edsa Micro Corporation | Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment |
US7720641B2 (en) * | 2006-04-21 | 2010-05-18 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to delayed coking unit |
JP4582062B2 (ja) * | 2006-07-07 | 2010-11-17 | 富士ゼロックス株式会社 | 画像形成装置、故障診断システム、故障診断方法、及び故障診断プログラム |
US8606544B2 (en) * | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7912676B2 (en) * | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
WO2008014341A1 (en) * | 2006-07-25 | 2008-01-31 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7657399B2 (en) * | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8145358B2 (en) * | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
JP2010506269A (ja) * | 2006-09-28 | 2010-02-25 | フィッシャー−ローズマウント システムズ, インコーポレイテッド | コーカ加熱器内の異常状況の防止 |
EP2392982B1 (en) * | 2006-09-28 | 2015-03-25 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
EP1914638A1 (en) * | 2006-10-18 | 2008-04-23 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
US8706451B1 (en) * | 2006-12-15 | 2014-04-22 | Oracle America, Inc | Method and apparatus for generating a model for an electronic prognostics system |
US8032340B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US8032341B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US7827006B2 (en) * | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US8285513B2 (en) | 2007-02-27 | 2012-10-09 | Exxonmobil Research And Engineering Company | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes |
US20120330631A1 (en) * | 2007-02-27 | 2012-12-27 | Exxonmobil Research And Engineering Company | Method and System of Using Inferential Measurements for Abnormal Event Detection in Continuous Industrial Processes |
KR100928205B1 (ko) * | 2007-06-05 | 2009-11-25 | 삼성전자주식회사 | 반도체 제조설비 관리시스템 및 그의 통계적 공정 관리방법 |
CN101842756A (zh) * | 2007-08-14 | 2010-09-22 | 国际壳牌研究有限公司 | 用于化工厂或精炼厂的连续、在线监视的***与方法 |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
WO2009034000A1 (en) * | 2007-09-11 | 2009-03-19 | Abb Ab | A system and a computer implemented method for automatically displaying process information in an industrial control system |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
EP2223260A2 (en) * | 2007-11-07 | 2010-09-01 | EDSA Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
EP2223048A4 (en) * | 2007-12-11 | 2014-12-03 | Vestas Wind Sys As | SYSTEM AND METHOD FOR DETECTING EFFICIENCY |
GB2456567B (en) * | 2008-01-18 | 2010-05-05 | Oxford Biosignals Ltd | Novelty detection |
AT507019B1 (de) * | 2008-07-04 | 2011-03-15 | Siemens Vai Metals Tech Gmbh | Verfahren zur überwachung einer industrieanlage |
US20110082597A1 (en) | 2009-10-01 | 2011-04-07 | Edsa Micro Corporation | Microgrid model based automated real time simulation for market based electric power system optimization |
US8862250B2 (en) | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
US8478629B2 (en) * | 2010-07-14 | 2013-07-02 | International Business Machines Corporation | System and method for collaborative management of enterprise risk |
US9130825B2 (en) * | 2011-12-27 | 2015-09-08 | Tektronix, Inc. | Confidence intervals for key performance indicators in communication networks |
US9298176B2 (en) | 2012-01-17 | 2016-03-29 | Fisher-Rosemount Systems, Inc. | Compensating for setpoint changes in a non-periodically updated controller |
US11199824B2 (en) | 2012-01-17 | 2021-12-14 | Fisher-Rosemount Systems, Inc. | Reducing controller updates in a control loop |
US10423127B2 (en) | 2012-01-17 | 2019-09-24 | Fisher-Rosemount Systems, Inc. | Velocity based control in a non-periodically updated controller |
US10175661B2 (en) | 2013-02-05 | 2019-01-08 | Yokogawa Corporation Of America | System, method and apparatus for determining properties of product or process streams |
US20140262949A1 (en) * | 2013-03-18 | 2014-09-18 | Allan G. Kem | Method for automated temperature control of reactor system |
US9333497B2 (en) | 2013-03-29 | 2016-05-10 | Exxonmobil Research And Engineering Company | Mitigation of plugging in hydroprocessing reactors |
EP3029160B1 (en) * | 2013-07-29 | 2018-04-25 | JFE Steel Corporation | Abnormality detection method and blast-furnace operation method |
WO2015041918A1 (en) * | 2013-09-20 | 2015-03-26 | Shell Oil Company | Method of detecting flow status in an olefin heater tube |
EP2853972A3 (en) * | 2013-09-30 | 2015-12-30 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
WO2015116326A1 (en) * | 2014-01-30 | 2015-08-06 | Exxonmobil Research And Engineering Company | Real time optimization of batch processes |
US10235481B2 (en) | 2014-02-05 | 2019-03-19 | Yokogawa Corporation Of America | System and method for online measurement of vapor pressure in hydrocarbon process streams |
RU2551793C1 (ru) * | 2014-07-29 | 2015-05-27 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "ВОЕННАЯ АКАДЕМИЯ СВЯЗИ имени Маршала Советского Союза С.М. Буденного" Министерства обороны Российской Федерации | Устройство для прогнозирования случайных событий |
SG11201700796RA (en) * | 2014-08-04 | 2017-02-27 | Tlv Co Ltd | Equipment monitoring system, equipment monitoring program, and equipment monitoring method |
WO2016035338A1 (ja) * | 2014-09-03 | 2016-03-10 | 日本電気株式会社 | 監視装置及びその監視方法、監視システム、並びにコンピュータ・プログラムが格納された記録媒体 |
CN104635724B (zh) * | 2014-12-25 | 2017-02-22 | 重庆科技学院 | 基于动态核独立分量分析的天然气净化过程异常检测方法 |
US10228685B2 (en) * | 2015-10-22 | 2019-03-12 | Globalfoundries Inc. | Use of multivariate models to control manufacturing operations |
EP3639100A4 (en) * | 2017-06-12 | 2021-01-27 | Honeywell International Inc. | DEVICE AND METHOD FOR AUTOMATED IDENTIFICATION AND DIAGNOSIS OF VIOLATION OF RESTRICTIONS |
US10346228B2 (en) * | 2017-07-12 | 2019-07-09 | Siemens Aktiengesellschaft | Method and system for deviation detection in sensor datasets |
US11256244B2 (en) | 2018-02-05 | 2022-02-22 | Inventus Holdings, Llc | Adaptive alarm and dispatch system using incremental regressive model development |
CN108492000B (zh) * | 2018-02-11 | 2021-07-02 | 浙江大学 | 面向百万千瓦超超临界机组非平稳特性的故障诊断方法 |
EP3608742B1 (en) * | 2018-08-07 | 2021-10-06 | ABB Schweiz AG | Apparatus for alarm information determination |
US10929776B2 (en) * | 2018-11-09 | 2021-02-23 | Oracle International Corporation | Thermally-compensated prognostic-surveillance technique for critical assets in outdoor environments |
US11415438B2 (en) | 2019-07-17 | 2022-08-16 | ExxonMobil Technology and Engineering Company | Intelligent system for identifying sensor drift |
US20210390423A1 (en) * | 2020-06-12 | 2021-12-16 | Cisco Technology, Inc. | Deep fusion reasoning engine for time series analysis |
KR20220147932A (ko) * | 2021-04-28 | 2022-11-04 | 에스케이가스 주식회사 | 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법 |
CN115357693B (zh) * | 2022-07-12 | 2023-06-06 | 浙江中控技术股份有限公司 | 基于加氢裂化装置知识图谱的智能问答***的构建方法 |
CN116595883B (zh) * | 2023-05-24 | 2024-03-01 | 上海交通大学 | 数值反应堆实时在线***状态修正方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002182736A (ja) * | 2000-12-12 | 2002-06-26 | Yamatake Sangyo Systems Co Ltd | 設備診断装置および設備診断プログラム記憶媒体 |
JP2002521201A (ja) * | 1998-07-21 | 2002-07-16 | ドファスコ インコーポレイテッド | 連続鋳造機の動作を監視して切迫したブレークアウトの発生を検出する多変量(multivariate)統計的モデルベースのシステム |
JP2003044123A (ja) * | 2001-07-30 | 2003-02-14 | Hitachi Ltd | プラント診断装置 |
JP2003315211A (ja) * | 2002-04-17 | 2003-11-06 | Tokyo Gas Co Ltd | 機器の劣化を検出する方法 |
JP2004234302A (ja) * | 2003-01-30 | 2004-08-19 | Toshiba Corp | プロセス管理装置 |
JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
Family Cites Families (68)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3175968A (en) | 1961-06-23 | 1965-03-30 | Phillips Petroleum Co | Automatic control and optimization of a fluidized catalytic cracker |
US4549934A (en) | 1984-04-25 | 1985-10-29 | Conoco, Inc. | Flash zone draw tray for coker fractionator |
DE3609348A1 (de) | 1986-03-20 | 1987-09-24 | Ruetgerswerke Ag | Verfahren zur kontinuierlichen verkokung von pechen und verwendung des gewonnenen kokses |
JP2672576B2 (ja) | 1988-06-16 | 1997-11-05 | 株式会社東芝 | プラント・機器の診断支援システム |
US5351247A (en) | 1988-12-30 | 1994-09-27 | Digital Equipment Corporation | Adaptive fault identification system |
JPH0660826B2 (ja) | 1989-02-07 | 1994-08-10 | 動力炉・核燃料開発事業団 | プラントの異常診断方法 |
JPH0692914B2 (ja) | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器/設備の状態診断システム |
JPH03154847A (ja) | 1989-11-13 | 1991-07-02 | Komatsu Ltd | 故障診断装置 |
US5465321A (en) | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
JP3147586B2 (ja) | 1993-05-21 | 2001-03-19 | 株式会社日立製作所 | プラントの監視診断方法 |
SE9304246L (sv) | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5457625A (en) | 1994-04-13 | 1995-10-10 | The M. W. Kellogg Company | Maximizing process production rates using permanent constraints |
US5817958A (en) | 1994-05-20 | 1998-10-06 | Hitachi, Ltd. | Plant monitoring and diagnosing method and system, as well as plant equipped with the system |
US5539877A (en) | 1994-06-27 | 1996-07-23 | International Business Machine Corporation | Problem determination method for local area network systems |
US6907383B2 (en) | 1996-03-28 | 2005-06-14 | Rosemount Inc. | Flow diagnostic system |
US7085610B2 (en) | 1996-03-28 | 2006-08-01 | Fisher-Rosemount Systems, Inc. | Root cause diagnostics |
DE19623291A1 (de) | 1996-06-11 | 1997-12-18 | Basf Ag | Verfahren zur Herstellung von schwefelarmen aliphatischen Verbindungen |
US5859964A (en) | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
JPH10143343A (ja) | 1996-11-07 | 1998-05-29 | Fuji Electric Co Ltd | 連想型プラント異常診断装置 |
US5949677A (en) | 1997-01-09 | 1999-09-07 | Honeywell Inc. | Control system utilizing fault detection |
US5950147A (en) | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6115656A (en) | 1997-06-17 | 2000-09-05 | Mcdonnell Douglas Corporation | Fault recording and reporting method |
NO312303B1 (no) | 1999-02-11 | 2002-04-22 | Thermtech As | Fremgangsmate for katalytisk oppgradering og hydrogenering av hydrokarboner |
US6505145B1 (en) * | 1999-02-22 | 2003-01-07 | Northeast Equipment Inc. | Apparatus and method for monitoring and maintaining plant equipment |
US6368975B1 (en) | 1999-07-07 | 2002-04-09 | Applied Materials, Inc. | Method and apparatus for monitoring a process by employing principal component analysis |
US6466877B1 (en) | 1999-09-15 | 2002-10-15 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6522978B1 (en) | 1999-09-15 | 2003-02-18 | General Electric Company | Paper web breakage prediction using principal components analysis and classification and regression trees |
US6809837B1 (en) * | 1999-11-29 | 2004-10-26 | Xerox Corporation | On-line model prediction and calibration system for a dynamically varying color reproduction device |
KR100347542B1 (ko) * | 1999-12-22 | 2002-08-07 | 주식회사 하이닉스반도체 | 반도체 소자의 전하저장전극 형성 방법 |
US6133132A (en) * | 2000-01-20 | 2000-10-17 | Advanced Micro Devices, Inc. | Method for controlling transistor spacer width |
AU2000227998A1 (en) * | 2000-01-29 | 2001-08-07 | Abb Research Ltd | System and method for determining the overall equipment effectiveness of production plants, failure events and failure causes |
CA2402280C (en) | 2000-03-10 | 2008-12-02 | Cyrano Sciences, Inc. | Control for an industrial process using one or more multidimensional variables |
US7500143B2 (en) | 2000-05-05 | 2009-03-03 | Computer Associates Think, Inc. | Systems and methods for managing and analyzing faults in computer networks |
GB2362481B (en) | 2000-05-09 | 2004-12-01 | Rolls Royce Plc | Fault diagnosis |
US6917839B2 (en) | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US6636842B1 (en) | 2000-07-15 | 2003-10-21 | Intevep, S.A. | System and method for controlling an industrial process utilizing process trajectories |
US6681344B1 (en) | 2000-09-14 | 2004-01-20 | Microsoft Corporation | System and method for automatically diagnosing a computer problem |
US6978210B1 (en) * | 2000-10-26 | 2005-12-20 | Conocophillips Company | Method for automated management of hydrocarbon gathering systems |
US20020077792A1 (en) | 2000-10-27 | 2002-06-20 | Panacya, Inc. | Early warning in e-service management systems |
US6735541B2 (en) * | 2001-02-16 | 2004-05-11 | Exxonmobil Research And Engineering Company | Process unit monitoring program |
CN100524130C (zh) * | 2001-03-01 | 2009-08-05 | 费舍-柔斯芒特***股份有限公司 | 自动工作命令/部件命令生成和跟踪 |
US6954713B2 (en) | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
US7389204B2 (en) | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
EP1379980A4 (en) | 2001-03-08 | 2006-10-18 | California Inst Of Techn | EXCEPTIONAL ANALYSIS FOR MULTIMISSIONS |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US7457732B2 (en) | 2001-08-17 | 2008-11-25 | General Electric Company | System and method for measuring quality of baseline modeling techniques |
US6980938B2 (en) | 2002-01-10 | 2005-12-27 | Cutler Technology Corporation | Method for removal of PID dynamics from MPC models |
US7096074B2 (en) | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
US6897071B2 (en) * | 2002-08-13 | 2005-05-24 | Saudi Arabian Oil Company | Topological near infrared analysis modeling of petroleum refinery products |
US6904386B2 (en) | 2002-10-07 | 2005-06-07 | Honeywell International Inc. | Control system and method for detecting plugging in differential pressure cells |
US7150048B2 (en) | 2002-12-18 | 2006-12-19 | Buckman Robert F | Method and apparatus for body impact protection |
US6952657B2 (en) * | 2003-09-10 | 2005-10-04 | Peak Sensor Systems Llc | Industrial process fault detection using principal component analysis |
DE10347440A1 (de) * | 2003-10-13 | 2005-05-04 | Bayer Cropscience Ag | Synergistische insektizide Mischungen |
US7096153B2 (en) | 2003-12-31 | 2006-08-22 | Honeywell International Inc. | Principal component analysis based fault classification |
US7447609B2 (en) | 2003-12-31 | 2008-11-04 | Honeywell International Inc. | Principal component analysis based fault classification |
US7079984B2 (en) | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7729789B2 (en) | 2004-05-04 | 2010-06-01 | Fisher-Rosemount Systems, Inc. | Process plant monitoring based on multivariate statistical analysis and on-line process simulation |
US6973396B1 (en) | 2004-05-28 | 2005-12-06 | General Electric Company | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like |
US7536274B2 (en) | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
CA2567139A1 (en) | 2004-06-12 | 2005-12-29 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a process gain of a control loop |
US7424395B2 (en) | 2004-09-10 | 2008-09-09 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to olefins recovery trains |
US7567887B2 (en) | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US7349746B2 (en) | 2004-09-10 | 2008-03-25 | Exxonmobil Research And Engineering Company | System and method for abnormal event detection in the operation of continuous industrial processes |
US7181654B2 (en) | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
WO2007047375A1 (en) | 2005-10-14 | 2007-04-26 | Fisher-Rosemount Systems, Inc. | Statistical signatures used with multivariate statistical analysis for fault detection and isolation and abnormal condition prevention in a process |
EP1946254B1 (en) | 2005-10-18 | 2012-02-22 | Honeywell International Inc. | System, method, and computer program for early event detection |
US20070088448A1 (en) | 2005-10-19 | 2007-04-19 | Honeywell International Inc. | Predictive correlation model system |
US7243048B2 (en) | 2005-11-28 | 2007-07-10 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
-
2005
- 2005-08-26 US US11/212,211 patent/US20060074598A1/en not_active Abandoned
- 2005-09-09 EP EP05795114A patent/EP1810162A4/en not_active Withdrawn
- 2005-09-09 WO PCT/US2005/032447 patent/WO2006031750A2/en active Application Filing
- 2005-09-09 JP JP2007531432A patent/JP5190265B2/ja not_active Expired - Fee Related
- 2005-09-09 CA CA2578614A patent/CA2578614C/en active Active
-
2007
- 2007-02-23 US US11/710,654 patent/US8005645B2/en active Active
- 2007-04-10 NO NO20071831A patent/NO20071831L/no not_active Application Discontinuation
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002521201A (ja) * | 1998-07-21 | 2002-07-16 | ドファスコ インコーポレイテッド | 連続鋳造機の動作を監視して切迫したブレークアウトの発生を検出する多変量(multivariate)統計的モデルベースのシステム |
JP2002182736A (ja) * | 2000-12-12 | 2002-06-26 | Yamatake Sangyo Systems Co Ltd | 設備診断装置および設備診断プログラム記憶媒体 |
JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
JP2003044123A (ja) * | 2001-07-30 | 2003-02-14 | Hitachi Ltd | プラント診断装置 |
JP2003315211A (ja) * | 2002-04-17 | 2003-11-06 | Tokyo Gas Co Ltd | 機器の劣化を検出する方法 |
JP2004234302A (ja) * | 2003-01-30 | 2004-08-19 | Toshiba Corp | プロセス管理装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010506259A (ja) * | 2006-09-28 | 2010-02-25 | フィッシャー−ローズマウント システムズ, インコーポレイテッド | 水素添加分解装置内の異常動作を検出するための方法およびシステム |
US11029218B2 (en) | 2015-02-17 | 2021-06-08 | Fujitsu Limited | Determination device, determination method, and non-transitory computer-readable recording medium |
WO2022025145A1 (ja) * | 2020-07-31 | 2022-02-03 | 三菱重工業株式会社 | 推定装置、推定方法、及びプログラム |
JP7519836B2 (ja) | 2020-07-31 | 2024-07-22 | 三菱重工サーマルシステムズ株式会社 | 推定装置、推定方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20070233428A1 (en) | 2007-10-04 |
US20060074598A1 (en) | 2006-04-06 |
EP1810162A4 (en) | 2008-12-31 |
US8005645B2 (en) | 2011-08-23 |
WO2006031750A3 (en) | 2006-06-22 |
NO20071831L (no) | 2007-06-11 |
CA2578614A1 (en) | 2006-03-23 |
EP1810162A2 (en) | 2007-07-25 |
WO2006031750A2 (en) | 2006-03-23 |
JP5190265B2 (ja) | 2013-04-24 |
CA2578614C (en) | 2014-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5190265B2 (ja) | 異常事象検知技術の水素化分解装置への適用 | |
JP5190264B2 (ja) | 流動接触分解ユニットへの異常事象検知技術の適用 | |
JP5205055B2 (ja) | オレフィン回収トレインへの異常事象検知技術の適用 | |
JP5364265B2 (ja) | 連続工業プロセスの運転における異常事象検出のための装置および方法 | |
JP2009534746A (ja) | 異常事象検出技術のディレードコーキングユニットへの適用 | |
US7761172B2 (en) | Application of abnormal event detection (AED) technology to polymers | |
Al-Ghazzawi | Industrial Process and Control Monitoring Using Multivariate Statistics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080811 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110524 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110707 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110714 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120605 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120824 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120831 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121204 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130128 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160201 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |