Cara Menggunakan Ilmu Data untuk Mem-boot Ulang Pabrik Setelah Pemadaman Tak Terencana

Penghentian pabrik minyak dan gas menghasilkan kerugian jutaan dolar. Sayangnya, pematian biasanya tidak dapat dihindari, karena ada banyak peralatan dan perkakas proses yang dapat gagal tanpa peringatan. Teknisi operasi dan pemeliharaan harus bekerja hingga larut malam untuk menemukan akar penyebab kegagalan peralatan dan segera menghubungkannya kembali. Dalam postingan kali ini, kami memberikan 2 solusi untuk menemukan akar permasalahan dari unplanned shutdown di kilang minyak dan gas.

---

Terkadang proses batas waktu membutuhkan waktu berhari-hari hingga berminggu-minggu sebelum akar masalah yang sebenarnya dapat diidentifikasi dan diatasi. Mempercepat proses ini hanya dalam beberapa jam akan mengurangi kerugian secara signifikan. Untuk mengilustrasikan presentasi tentang bagaimana insinyur memecahkan masalah, mari kita lihat data sintetis dari hanya 20 sensor di bawah ini. Ada dua sensor dalam grafik ini yang secara statistik kuat, dan misalkan salah satunya adalah akar penyebab sebenarnya dari peristiwa perjalanan.





Data sintetik untuk simulasi pembacaan sensor tanaman



Sayangnya, melihat grafik, sulit untuk menentukan dua sensor mana yang berhubungan, bukan? Karena pabrik minyak dan gas kecil memiliki 1.000 hingga 3.000 sensor, ini adalah salah satu hambatan nyata bagi teknisi O&M (termasuk saya) saat mengidentifikasi sensor dan akar penyebab tersebut. Ingat, jutaan dolar dapat dihemat jika kita dapat menemukan hubungan ini lebih cepat.





Dua sensor yang terkait secara statistik dari 20 sensor umum lainnya,



saya akan membagikan kepada Anda dua teknik yang telah kami coba dan menemukan tingkat keberhasilan yang dapat diterima untuk mengungkapkan hubungan antara dua sensor yang cocok ini antara lain. Namun pertama-tama, izinkan saya menjelaskan mengapa ini penting bagi insinyur dan operator.



Pertama, untuk setiap peristiwa pemadaman di pabrik minyak dan gas modern, memang benar bahwa ruang kendali memiliki sistem kendali canggih yang dapat menampilkan tanda "penguncian pertama". Ini adalah "label pertama" dari sensor yang memicu peristiwa trip (misalnya alarm tekanan keluaran kompresor tinggi-tinggi, alarm rendah-rendah pada pemisah kritis).

Pentingnya

Sensor penguncian pertama ini sangat penting bagi teknisi O&M untuk mulai menyelidiki akar penyebab potensial dari penghentian pabrik. Dalam kebanyakan kasus, insinyur dan operator dapat menyelesaikan masalah penghentian pabrik hanya dengan melihat tanda penguncian pertama ini. Namun, dalam banyak kasus, hal ini tidak banyak membantu kami, karena pemrosesan minyak dan gas sangat rumit sehingga munculnya tanda penyumbatan pertama ini adalah hal terakhir yang terjadi, padahal kami ingin tahu apa yang terjadi sebelum dipicu.

Solusi pertama: pengelompokan hierarki

Setelah kami memeriksa sensor penyumbatan pertama dan jumlah waktu sebelum peristiwa penghentian, kami dapat menggunakan informasi ini untuk melakukan metode pengelompokan guna menentukan sensor mana yang berperilaku dengan cara yang sama seperti sensor penyumbatan pertama. Kami percaya bahwa pengelompokan hierarki dan pembuatan dendrogram adalah pendekatan visualisasi berguna yang dapat memberikan informasi kepada pengguna non-data science. Contohnya ditunjukkan pada gambar di bawah ini.





Dendrogram clustering dengan metode hierarchical clustering



Metode ini tidak hanya berguna untuk menemukan akar penyebab pemadaman yang tidak direncanakan, tetapi juga dapat digunakan untuk menemukan sensor terkait yang berperilaku berbeda dari biasanya. Misalnya, sensor TI2335 menunjukkan kenaikan suhu yang tidak diketahui di scrubber isap dan kita ingin mencari tahu apa akar penyebab kenaikan abnormal tersebut. Kita dapat menggunakan metode ini untuk menemukan sensor yang sesuai untuk dilihat. Alih-alih mencari di antara 1000-3000 sensor, para insinyur hanya dapat fokus pada sensor yang dekat dengan sensor abnormal atau sensor pemblokiran pertama. Kemudian waktu pemecahan masalah dapat dikurangi secara signifikan. Sayangnya, metode ini tidak dapat diterapkan di semua kasus. Jadi kami mencoba beberapa metode lain.

Solusi kedua: Uji kausalitas Granger

Sir Clive Granger



The Granger Causality Test adalah uji hipotesis statistik untuk menentukan apakah satu kumpulan data deret waktu berguna untuk memprediksi deret lain. Itu diterbitkan oleh Sir Clive Granger pada 1969 dan menerima Hadiah Nobel pada 2003 untuk karyanya.



Ketika seorang ekonom mengumpulkan statistik dan mengubahnya menjadi variabel, satu masalah umum muncul. Ia tidak dapat menentukan variabel mana yang independen dan mana yang dependen. Dengan kata lain, kita tidak mengetahui faktor mana yang menyebabkan faktor lainnya.

Contohnya lebih jelas: ketika para ekonom mencoba menemukan hubungan antara produksi domestik bruto (PDB) dan indeks saham. Ketika ekonomi berkembang, PDB dan indeks saham juga naik. Ketika perekonomian suatu negara sedang menurun, PDB dan indeks saham juga akan turun. Namun, satu hal menyebabkan hal lain. Beberapa orang berpendapat bahwa PDB harus menjadi variabel independen karena mencerminkan produksi dan konsumsi domestik riil. Sebaliknya, ada yang berpendapat bahwa semakin tinggi indeks saham, semakin banyak investor yang akan berinvestasi dalam perekonomian negara, karena inilah keandalan yang selalu diperhatikan investor. Masalah ini mengarah pada strategi keuangan negara yang sama sekali berbeda - untuk berinvestasi dalam pengembangan ekonomi lokal atau dalam pengembangan pasar saham.





Tes Sebab-Akibat



Granger Sir Granger dapat menemukan cara statistik untuk menguji apakah satu variabel mempengaruhi yang lain, apakah itu satu arah atau dua, jadi dia memenangkan Hadiah Nobel untuk itu. Ketika masalah seperti ini terjadi, seseorang dapat menggunakan tes ini untuk memeriksa masalah aneh lainnya; Misalnya, untuk mengetahui mana yang datang sebelumnya: ayam atau telur, dalam Thurman dan Fischer (1988).



Meskipun masalah kami tidak seaneh yang dijelaskan di atas, ketika saya mencoba menggunakan tes kausal Granger dalam masalah kami. Artinya, dengan menggunakan tes ini, Anda dapat menyingkirkan beberapa sensor yang tidak terkait satu sama lain dan memberi peringkat sensor terkait menggunakan nilai-p yang diperoleh. Untuk sekelompok parameter proses, hasilnya cukup memuaskan.







Selanjutnya, untuk membuat GUI yang berguna untuk interaksi dengan pengguna yang tidak memiliki keterampilan pemrograman, kami menggunakan pustaka Gradio dan membuat grafik yang indah pada tahap pembuatan prototipe.

Kesimpulan

Jadi, dari apa yang saya coba sejauh ini, pengelompokan hierarki bekerja dengan baik dengan bagian pemrosesan gas, sedangkan uji kausal Granger bekerja dengan baik dengan bagian pemrosesan cairan. Salah satu alasannya adalah bahwa dalam proses cair, karena sifatnya cairan yang tidak dapat dimampatkan, biasanya diperlukan waktu bagi sensor untuk merespons perubahan proses. Ini tidak terjadi pada fase gas.



Ini adalah bagaimana metode Ilmu Data diterapkan untuk memecahkan masalah minyak dan gas dunia nyata. Jika Anda memiliki keinginan untuk mempelajari ini dan menerapkan DS ke proyek yang sedang Anda kerjakan, maka kami menunggu Anda.

• Pelatihan profesi Ilmu Data
• Pelatihan Analis Data