Alberto Servida e Paolo Moretti - D.C.C.I. - Università di Genova servida@unige.it. La Scienza e la Tecnica Rendono Sicuro il Lavoro

Transcript

1 Applicazioni delle reti neurali per il controllo delle prestazioni ambientali e l identificazione tempestiva dei malfunzionamenti negli impianti di processo Alberto Servida e Paolo Moretti - D.C.C.I. - Università di Genova servida@unige.it La Scienza e la Tecnica Rendono Sicuro il Lavoro Ottobre 2009 A. Servida e P. Moretti, Università di Genova La Business Intelligence per il controllo delle prestazioni ambientali e l identificazione tempestiva dei malfunzionamenti Alberto Servida e Paolo Moretti - D.C.C.I. - Università di Genova servida@unige.it La Scienza e la Tecnica Rendono Sicuro il Lavoro Ottobre 2009 A. Servida e P. Moretti, Università di Genova 1

2 Agenda Obiettivi. Ruolo delle tecnologie dell automazione industriale per la misura delle prestazioni ambientali e di Plant Safety. Illustrazione di alcunio casi industriali. Conclusioni. Obiettivi Ci si propone di discutere e ribadire alcuni concetti chiave che dimostrano come: l automazione industriale giochi un ruolo rilevante nel migliorare la sicurezza di processo e l impatto ambientale; i sistemi di monitoraggio intelligente svolgano un ruolo fondamentale per una più sicura gestione degli impianti produttivi. Migliorando la governabilità di un processo se ne migliorano la sicurezza e le prestazioni ambientali. 2

3 Generalità Alla sicurezza di processo, specialmente nell industria chimica di processo, è sempre stata assegnata una particolare attenzione. Negli ultimi anni si è riscontrato una crescente attenzione alle problematiche di sicurezza (safety). Tra le principali motivazioni: crescente sensibilizzazione dell opinione pubblica verso le problematiche ambientali e ai potenziali rischi degli impianti produttivi; l occorrenza di incidenti di particolare rilevanza (Flixborough, 1974, Seveso, 1976, Bhopal, 1984); normative sempre più stringenti e vincolanti; la crescente complessità degli impianti produttivi. Strategie di Gestione del Rischio di Processo: Classificazione Le misure adottate per ridurre il rischio sono classificabili in: intrinseche (scegliendo materiali e condizioni operative non pericolose si evitano i potenziali pericoli); passive (si interviene sul processo e sula tecnologia per ridurre la frequenza di accadimento e/o l entità delle conseguenze); attive (si identificano potenziali deviazioni del processo e si interviene con azioni correttive - largo uso di controllori, safety interlocks ed emergency shutdown systems); procedurali (si definiscono procedure di emergenza di intervento che possono contribuire a prevenire e/o ridurre le conseguenze di un incidente). 3

4 Multiple Safety Layers L approccio alla sicurezza di processo sfrutta un sistema di livelli di sicurezza (multiple safety layers) che costituiscono le difese necessarie per la protezione dall occorrenza di incidenti pericolosi. Ogni layer (livello) è costituito da un insieme di apparecchiature/componenti e/o azioni umane. La freccia indica l ordine di attivazione dei layer di sicurezza nel caso di occorrenza di un incidente. da Seborg, Ruolo del Sistema di Controllo di Processo di Base I sistemi di controllo possono essere classificati in due grandi categorie: quelli che svolgono funzioni di controllo di processo di base (regolazione e asservimento) (BCPS). quelli che sono adottati per ragioni di sicurezza. I primi sono utilizzati a supporto delle produzione. L obiettivo primario è la gestione operativa efficiente del processo non la sicurezza. Il livello di affidabilità richiesto ai sistemi di controllo di processo aumenta con l aumentare del livello di automazione che tende a diminuire la richiesta di supervisione degli operatori. Una migliore governabilità del processo riduce la probabilità che si verifichino condizioni di esercizio anomale. In questi sistemi il miglioramento della sicurezza è un prodotto secondario (by-product). 4

5 Tipica Struttura di un BCPS In ultima analisi, i BCPS sono sistemi di controllo distribuiti, costituiti dalla strumentazione pneumatica/elettronica e da moduli programmabili (basati su microprocessori) o configurabili. Il sistema di controllo di supervisione e di acquisizione dati (Supervisory Control and Data Acquisition, SCADA) può essere considerato un componente integrante dei BCPS. Le funzioni di sicurezza mostrate al secondo livello non sono le SIS!!!! da Seborg, Anelli di Controllo Il componenete ultimo di un sistema di controllo è un anello di controllo in retroazione (feedback) che consente la regolazione di grandezze fisiche quali temperatura, pressione, portate volumetriche/ponderali e livelli. set-point comparatore + errore regolatore variabile manipolata processo disturbo variabile controllata trasmettitore Il sistema, sulla base di misure di alcune variabili di processo, decide l azione correttiva di intervento (comparazione) e invia un segnale all attuatore (valvola) per modificare una o più variabili di processo (variabili manipolate). In condizioni di normale funzionamento, il BCPS fornisce un controllo soddisfacente (sia in regolazione sia in asservimento - inseguimento del set-point-). 5

6 Anelli di Controllo (cont ) I componenti critici di un anello di regolazione sono: a) i componenti del sistema di misura (elemento sensibile di misura, trsduttore e amplificatore), b) il regolatore; c) l attuatore; d) il software di calcolo. da Seborg, Monitoraggio di Processo Abbiamo visto che sia i BCPS che i SIS richiedono il monitoraggio (misura) di parametri di processo che consentano di fornire informazioni sull assetto dello stesso. L accesso ai dati di impianto è di particolare rilevanza per evidenziare: eventuali cause di malfunzionamenti (di sensori e/o di unità), occorrenza di situazioni di rischio/pericolo, condizioni di lavoro fuori specifica (outliers); le variabili di processo più critiche/importanti nell influenzare gli indici di qualità, di prestazione e variazioni di assetto. L identificazione tempestiva (precoce) di eventuali variazioni delle prestazioni o dell assetto del processo richiede l adozione di un sistema di monitoraggio in linea dell impianto. 6

7 Perché Monitorare? Per scopi di monitoraggio delle prestazioni: identificare deviazioni dal comportamento normale (capire se qualcosa sta andando male); rilevare anomalie di funzionamento (anticipando azioni correttive); identificare le possibili cause delle deviazioni rilevate. Per scopi di controllo di qualità (anche monitoraggio ambientale): misurare (stimare) in tempo reale gli indici di qualità del prodotto (composizione, conversione, visdcosità, numero di cetano, ); misurare (stimare) in tempo reale le emissioni (ovvero misurare le prestazioni ambientali). Controllo Statistico di Processo (SPC) Nei sistemi multivariati spesso non tutte le variabili di processo sono necessarie per descrivere la varianza complessiva: alcune di esse possono essere fortemente correlate (ridondanti). Gli strumenti del SPC consentono di analizzare i dati storici di processo e di prodotto: per estrarre le informazioni sulla qualità del prodotto o dell intero processo (prestazioni o assetto); rilevare anomalie (incipienti) di funzionamento (faults); diagnosticare le cause delle anomalie. Con la SPC riusciamo a distillare conoscenza dai dati storici. I dati storici di marcia costituiscono un importante asset di conoscenza sul processo. 7

8 Analisi dei Componenti Principali PCA Trasformazione nello spazio delle nuove coordinate X 3 k n p 3 X = t i p T i + t j p T j p i=1 j=k+1 2 T = TP k + Ek = ) ) X k + E k X k : rappresenta unõapprossimazione di X basata p 1 sulle prime k variabili latenti (o PC) X 2 E è associata alla quantità di informazione persa (riducendo la dimensione dello spazio da n a k). X 1 X i : variabili originali; n: numero di variabili; P kt : matrice dei loading (autovettori) (k x m; m: numero di misure o osservazioni) t i : t-scores, rappresenta la i-ma colonna della matrice T delle misure nello spazio dei PC (variabili latenti) (m x n) Analisi dei Componenti Principali PCA (cont ) 8

9 Analisi dei Componenti Principali PCA (cont ) Hotelling T 2 (ipotesi: dati sono distribuiti normalmente) k 2 t 2 T k = i 2 i=1s i + n t 2 i 2 j=k+1s i T 2 misura la distanza pesata di ciascuna osservazione dalla media attesa (distanza di Mahalanobis). X 3 p 3 p 2 nuova osservazione Q I limiti di confidenza (UCL: Upper Control Limit) di T 2 possono essere determinati a partire dalla statistica F (Fisher). p 1 T 2 Se T k2 > UCL allora la variabilità delle misure non è giustificata da cause comuni. X 2 X 1 Si attiva un allarme Analisi dei Componenti Principali PCA (cont ) Residuo Q (SPE: Squared Prediction Error): n Q = SPE = ( x new,i - x ö new-k,j ) 2 i = 1 Q misura la variabilità non catturata dal modello (variabilità esterna al modello). X 3 p 3 p 2 nuova osservazione Q Per il calcolo del limite di confidenza si utilizza la statistica Q. p 1 T 2 Si deve osservare che Q rappresenta una sorta di distanza normale dal piano del modello (semplificato) PCA. X 2 X 1 9

10 Monitoraggio Prestazioni: Carte di controllo Multivariate Si costruiscono due carte di controllo basate sul monitoraggio sia di T 2 si di Q. Se la nuova osservazione esce dai limiti di fiducia (tipicamente al 95% o al 99.9%) è un indice dell occorrenza una anomalia (fault) campione n 8 UCL (interv. confidenza 99%) Le cause che hanno determinato l anomalia possono essere studiate analizzando altre carte di controllo. Monitoraggio Prestazioni: Controllo di Qualità Non è sempre possibile disporre di apparecchiature analitiche (dispositivi hardware-based) in linea per vari motivi tra i quali: costi di investimento e di manutenzione improponibili; tempi di ritardo nella misura; mancanza di apparecchiature adeguate. Esiste l esigenza di avere strumenti inferenziali (dispositivi sotware-based) capaci di stimare le variabili di processo o gli indici di qualità/prestazione sulla base di misure secondarie di più facile acquisizione. Sensori software (software sensor o soft sensor) 10

11 Cosa Sono i Sensori Software Inizialmente, per sensori software (analizzatori virtuali), SS, si intendevano modelli neurali capaci di stimare indici di qualità (proprietà) altrimenti misurabili solo fuori linea (in laboratorio). Oggigiorno, con sensore software si intende un qualsiasi estimatore indipendentemente dalla natura del modello utilizzato. Il componente base di un sensore software è quindi il modello del processo. Esiste l esigenza di formulare un modello di processo facilmente utilizzabile in linea. Quale Approccio Modellistico Adottare? Lo sviluppo di un modello di processo (semplificato o non) può essere realizzato seguendo due approcci distinti: Modelli strutturati: ovvero sono versioni semplificate dei modelli a principi primi. VAN: generalmente, consentono una buona generalizzazione, nel senso di predizione in estrapolazione; SVA: la complessità ne può prevenire un reale utilizzo in linea (la soluzione numerica in run time). Modelli non strutturati: sono modelli formulati impiegando una modellizzazione a scatola nera (modeli parametrici, regressivi, ecc.) VAN: sono semplici e particolarmente adatti a un impiego in linea; SVA: la semplicità viene pagata in termini di limitata generalizzazione nel senso che è necessario utilizzare cautela nell estenderli a condizioni operative molto differenti da quelle utilizzate per la loro calibrazione. Un altro problema è la disponibilità di dati storici. 11

12 Sensori Software: Esempio di Applicazione La figura illustra una possibile applicazione di un sensore software neurale (il processo è descritto tramite un modello neurale). Il sensore riceve gli stessi ingressi che entrano nel processo e stima (predice) in linea (in tempo reale) le variabili di processo desiderate. Tra i benefici: si evitano i problemi dovuti al ritardo con cui la misura di laboratorio viene rilevata; la possibilità di avere in parallelo una stima della misura di laboratorio consente di ideare strategie di convalida delle misure di campo; il sensore software costituisce anche un sistema di misura di backup affidabile che entra in funzione in caso di fuori servizio dell analizzatore analitico. Possibili Usi di un Soft Sensor per il Monitoraggio e il Controllo Usato in parallelo a un sensore consente: la rilevazione di malfunzionamenti/guasti (diagnostica intelligente); la ridondanza e il backup; la condivisione del sensore (hardware-based) con altri processi. Può sostituire un sensore: backup durante i periodi di fuori linea (calibrazione/manutenzione e/o malfunzionamento); implementazione di sistemi di monitoraggio in continuo delle emissioni (CEMS, Continuous Emission Monitoring Systems); evita i tempi di ritardo; sviluppo di sistemi di early warning (reazioni fuggitive); sviluppo di strategie di controllo inferenziale. 12

13 Esempio di Sistema di Identificazione Precoce: Early Warning Fire Detection System (EWFD) JiJi et. al EWDF System I ricercatori hanno sviluppato un sistema di early warning per la rilevazione precoce di incendi su navi. Il sistema di monitoraggio è costituito da un network di multisensori dislocati su due ponti di una nave (ex USS Shadwell): il multisensore è costituito da 4 sensori: rilevatore fotoelettrico, rilevatore a ionizzaizone, sensore per CO e sensore per CO 2 ; 10 locali monitorati con 14 sistemi multisensori; tempo di acquisizione 2s. 13

14 EWDF System: Dislocazione dei Multisensori EWDF System: Modello PCA Il modello PCA per il monitoraggio è stato calibrato utilizzando 21 test (baseline tests) ottenuti su una finestra termporale di 4 giorni. Per evitare il rumore sulle misure di CO (noise pikes) ogni misura (test) è relativa a una finestra temporale di 60 s (cioè 30 campioni temporali). Il sistema di monitoraggio si basa sull utilizzo delle due carte di controllo: Hotelling T 2 e Q. Il sistema è stato convalidato simulando 15 tipologie di incendio. 14

15 EWDF System: Le 15 Tipologie di Incendio EWDF System: Risultati 15

16 EWDF System: Test 4 Incendio con fiamma di biancheria da letto (materasso, lenzuola e giornali), accensione con accendino a butano (la differenza di 2 s non è statisticamente significativa). Tempo di innesco 423 s. EWDF System: Test 8 Incendio senza fiamma simulato tramite una candela elettrica inserita in una pila di biancheria mista. Tempo di innesco 313 s. 16

17 Esempio di Sistema di Monitoraggio delle Prestazioni Ambientali: Sistema di Monitoraggio Continuo Basato su Reti Neurali (Parametric Emisssion Monitoring System, PEMS) Risultati di una ricerca finanziata da ISPESL PEMS: Centrale Termoelettrica di San Nazzaro Fuel gas Steam injection for NOx 15 bar Air Steam 15 bar, 320 C TG5 G Fuel oil Due unità turbogas e due caldaie a recupero (HRSG: heat recovery steam generators). Fuel gas HSRG F300 Chimney 120m Water feed. 140 C I dati utilizzati si riferivano a 12 mesi di marcia. Air Fuel gas TG6 Steam injection for NOx 15 bar G Steam 15 bar, 320 C Stima del contenuto di Nox, CO2, O2 e Sox. Fuel oil Fuel gas HSRG F400 17

18 PEMS: Identificazione Assetti di funzionamento Identificati tre assetti di funzionamento (a) -6-8 (b) PC1-8 PC1 PEMS: Predizioni per un Sensore a tre Uscite Dati di calibrazione. Struttura sensore: (20, 5, 3). APE = 0.98% APE = 4.42% Predicted O percent. volum. fract. 2 Predicted NO concentration (mg/nm 3 ) APE = 2.27% Predicted SO conc. (mg/nm 3 2 ) 18

19 PEMS: Predizioni per un Sensore a tre Uscite Dati di previsione. Finestra temporale: gennaio-febbraio APE = 0.82% APE = 8.96% Predicted O 2 percent. volum. fract. Predicted NO concentration (mg/nm 3 ) APE = 3.91% Predicted SO 2 concentration (mg/nm 3 ) PEMS: Predizioni per un Sensore a tre Uscite Il disaccordo corrisponde a situazioni di funzionamento anomale. predict. exper. predict. exper Pattern Pattern predict. exper Pattern 19

20 PEMS: Predizioni per un Sensore a tre Uscite Proiezione nel piano PC1-PC PC1-12 PEMS: Predizioni per un Sensore a tre Uscite Risultati finali Operating window O 2 APE NO APE SO 2 APE March 26 th Ğ September 30 th, 2002 October 1 st Ğ November 30 th, 2002 December 1 st, 2002 Ğ January 12, 2003 January 13 th Ğ February 28 th, APE: average percentage error 20