L'impianto è naturalmente supervisionato da un sistema di controllo di processo il quale ha fra i vari inputs i dati provenienti dagli analizzatori in linea. Durante il funzionamento dell'impianto, dopo diverse ore di lavoro, spesso gli analizzatori in linea tendono a diventare instabili (in funzione ovviamente della natura del processo e della composizione del fluido trattato nell'impianto) fornendo così dei risultati non attendibili; questo comportamento è dovuto a diversi fattori, fra cui: perdità di linearità, perdita di calibrazione, blocchi parziali del flusso del fluido di processo, sporcizie presenti nel fluido di processo ecc. ecc.
Questa situazione rende praticamente "cieco" il sistema di controllo di processo il quale non è più in grado di mantenere il processo stesso "in-control".
L'unica cosa da fare è quindi interrompere il processo in modo da procedere con la necessaria manutenzione degli analizzatori in linea.
Questo modus operandi porta inevitabilmente ad una perdita di tempo, ad una minore qualità del prodotto ed in ultima analisi ad una perdita economica non trascurabile.
Commenti
Per cercare di minimizzare gli effetti negativi di questa problematica, una prassi comune degli ingegneri di processo consiste nel confrontare i risultati degli analizzatori in linea con analisi eseguite in laboratorio su campioni del fluido di processo campionati nel medesimo istante. E' chiaro che tale raffronto non può essere eseguito con una frequenza elevata, in pratica, nelle migliori situazioni, vengono analizzati 4/5 campioni durante l'intera durata del processo che possiamo considerare mediamente di 3 giorni.
Tramite queste informazioni, l'ingegnere di processo esperto può "azzardare" una sorta di previsione in merito al comportamento degli analizzatori in linea.
Appare chiaro che questa pratica non permette di evitare lo stop impianto ma, almento in qualche caso fortuito, permette di anticipare alcuni comportamenti palesemente di deriva degli analizzatori in linea.
A rendere ancor più impraticabile questo modus operandi è il costo aggiuntivo che grava sul processo dovuto al coinvolgimento del laboratorio analitico (oltre al costo delle pure analisi di confronto, si pensi ad esempio anche alle necessarie analisi in modo da "allineare" le risposte degli analizzatori in linea con la strumentazione e le metodologie in laboratorio le quali sono ovviamente differenti).
Soluzione
La nostra soluzione consta principalmente di due componenti software che implementano degli algoritmi da noi sviluppati ad-hoc e basati principalmente sulle tecniche di dinamica non-lineare, teoria del caos, signal processing e machine learning.
Il primo componente (Soft-Sensor) è in grado di predire con uno scarto di diverse ore di anticipo il ferificarsi di un comportamento anomalo sugli analizzatori in linea distinguendo tale cambiamento dai cambiamenti dovuti alla naturale evoluzione del processo.
Il secondo compontente software è in grado, tramite l'utilizzo di algoritmi di machine learning e di data-forecasting, di imparare il comportamento degli analizzatori in linea in condizioni di buon funzionamento e quindi di "simulare" la presenza di questi analizzatori in termini di output verso il sistema di controllo di processo nel caso gli analizzatori dovessero essere esclusi dal loop di controllo per manutenzione.
Questi due componenti insieme, permettono di raggiungere i seguenti obiettivi:
nessuno stop-impianto (il secondo componente è in grado di simulare la presenza degli analizzatori)
nessun bisogno di cross-validazione dei risultati analitici da parte del laboratorio
comportamenti anomali nuovi dovuti agli analizzatori in linea o ad altre cause possono essere riconosciuti e classificati (machine learning)
è possibile quindi pianificare un'efficace manutenzione preventiva dei componenti dell'impianto
Lo schema concettuale di questa architettura è rappresentato nella seguente animazione:
Animazione 1 - flusso dei dati del processo
(premi i bottoni play per osservare il processo nelle diverse situazioni)
I nostri risultati
Vediamo un esempio reale dell'output di un analizzatore in linea (in questo case study è un analizzatore di zolfo):
Fig.1 - output dell'analizzatore di zolfo
Il grafico rappresenta la percentuale dei due composti solforati del processo Claus nel tempo, l'unità temporale è il giorno.
Possiamo osservare che dopo c.ca 1.75 gg di funzionamento, la risposta dell'analizzatore diventa inizialmente instabile e quindi assolutamente inutilizzabile (zona grigia del grafico).
In condizioni normali questo evento viene rilevato solamente quando si manifesta e quindi troppo tardi. Lo stop impianto diventa quindi inevitabile.
Qui sotto è rappresentato il risultato dei calcoli del nostro Soft Sensor mostrato, per semplicità di visualizzazione, per la serie temporale corrispondente al composto H2S:
Animazione 2 - SoftSensor in azione
(premi play per visualizzare l'andamento temporale del Soft Sensor )
Come si può vedere, il Soft Sensor è in grado di rilevare l'anomalia del comportamento dell'analizzatore c.ca 5 ore prima che la stessa si manifesti palesemente!
Il Soft Sensor rappresenta quindi il trigger che permette di attivare automaticamente in tempo reale il secondo componente nella sua funzione di "data forecasting", alimentando così il loop di controllo con dati simulati dell'analizzatore oramai inattendibile.
In questo modo si può evitare lo stop impianto.
Gli analizzatori in linea possono quindi essere esclusi dall'impianto per procedere alla loro manutenzione senza bloccare il processo.
Il sistema è inoltre in grado di "riconoscere e classificare" il tipo di transizione seguita dal sistema durante il cambiamento del suo comportamento verso la situazione anomala.
In questo modo gli ingegneri di processo hanno a disposizione un tool efficace che gli permette di classificare le varie cause di failures e di ricercare quindi connessioni fra queste cause e le componenti dell'impianto o la conduzione dello stesso.
Conclusioni
Fortunatamente non ci sono conclusioni, i risultati estremamente positivi che abbiamo ottenuto ci hanno portato ad estendere il campo applicativo di queste tecniche per cui questo è un lavoro in costante evoluzione!
Nell'applicazione di quest'approccio ad altre tipologie di impianti (colonne di distillazione, processi di blending ... ) abbiamo sviluppato altri algoritmi incrementando così il nostro know-how applicativo.
Prossimamente pubblicheremo altri documenti relativi realtivi a:
