SYSTEM AND METHOD FOR ABNORMAL EVENT DETECTION IN THE OPERATION OF CONTINUOUS INDUSTRIAL PROCESSES

Several years of gathered data are historized in databases for analysis and reporting. These databases can be mined for the data patterns that occur during normal operation and those patterns used to determine when the process is behaving abnormally. These normal operating patterns are represented by sets of models. These models include simple engineering equations, which express known relationships that should be true during normal operations and multivariate statistical models based on a variation of principle component analysis. Equipment and process problems can be detected by comparing the data gathered on a minute by minute basis to predictions from these models of normal operation. The deviation between the expected pattern in the process operating data and the actual data pattern are interpreted by fuzzy Petri nets to determine the normality of the process operations. This is then used to help the operator localize and diagnose the root cause of the problem. Des milliers de mesures relatives à des processus et des équipements sont collectés par des systèmes de commande de processus numérique modernes, déployés dans des raffineries et des usines chimiques. Plusieurs années de ces données sont organisées sous forme d'historiques dans des bases de données à des fins d'analyse et d'établissement de rapports. On peut explorer ces bases de données à la recherche de schémas de données qui apparaissent pendant le fonctionnement normal et utiliser ces schémas pour déterminer les cas de comportement anormal de processus. Ces schémas de fonctionnement normal sont représentés par des ensembles de modèles. Les modèles comprennent des équations techniques simples exprimant des relations connues qui correspondent aux cas de fonctionnement normal et des modèles statistiques multivariés, basés sur une variation d'analyse de composants de principe. Les problèmes concernant les équipements ou les processus peuvent être détectés par la comparaison des données collectées minute par minute aux prévisions provenant de ces modèles de fonctionnement normal. La déviation des schémas attendus des données de fonctionnement de processus par rapport au modèle de données réel est interprétée au moyen de réseaux flous de Pétri, ce qui permet de déterminer le caractère normal des opérations de processus; le résultat peut s'utiliser ensuite pour aider l'opérateur à localiser et à diagnostiquer la cause profonde du problème.