You are on page 1of 49

21-06-2017

SCAN
ANALISIS AVANZADO DE DATOS
Autores
Felipe Kripper
fkripper@contac.cl

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico

SEMINARIO XXXXXXXXXXXXXXXXXXXXXXXXXXXXX

1
21-06-2017

AGENDA
• Introducción
• Metodología
• Herramientas
– SCAN Offline
– SCAN ONLINE
• Casos de Usos
– Patrones de Operación
– Sensores Virtuales
– Auditoria de procesos (Lazos)
• Conclusiones

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 2

2
21-06-2017

Introducción

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 3

3
21-06-2017

Metodología

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 4

4
21-06-2017

Metodología
Availability of Comparative Data
(useful for classifier training)
Much data
Both methods
from many Data-driven
techniques are appropriate and
similar
may reinforce
situations appropriate
mutually

Unreliable Physics-based
Few health modeling is
Data assessments appropriate

Low High
Reliability Reliability
Reliability of Physics-based model
(typically tied to system simplicity)

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 5

5
21-06-2017

Metodología
Fenomeno-logía

Desarrollo Modelos Desarrollo Modelos


PI OffLine OnLine Información

Información

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 6

6
21-06-2017

Herramientas
SCAN, herramienta para el análisis de datos permite mejorar la calidad del
proceso mediante:

– Detección temprana de Fallas e identificación de la raíz del problema.

– Información en línea de los factores más influyentes en la calidad de su


producto.

– Monitoreo en línea de variables de calidad y lazos de control.

– Generación de estimadores (sensores virtuales) para variables de difícil


medición, en aplicaciones de calidad, carga de equipos, condiciones
ambientales, etc.

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 7

7
21-06-2017

Herramientas – ScanOffline

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 8

8
21-06-2017

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 9

9
21-06-2017

Herramientas – ScanOnline
El programa consta de diferentes módulos :

1. Motor de cálculo a través de PI-ACE + PI-AF (MDB).


• Permite aprovechar todas la ventajas de Pi-ACE.
• Gatillar cálculos por tiempo o eventos.
• Estructuras MDB únicas para cada Test.
2. Interfaz Usuario (Add-In Excel) para creación y edición de
Test Online.
• Cargar modelos creados con la herramienta Scan-
Offline.
• Aprovechar ventajas de PI-DataLink.
• Formato conocido de datos.
3. Interfaz gráfica (ProcessBook)

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 10

10
21-06-2017

OSI PARTNER SOLUTION

11
21-06-2017

Casos de Usos

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 12

12
21-06-2017

Patrón de Operación
• Plantas son SISTEMAS:
– Gran cantidad de variables  Complejidad en el Análisis
– Alta interdependencia entre variables del proceso que resulta de:
• Interconexiones “físicas” entre distintos equipos
• Acción de los sistemas y lazos de control instalados
• Aplicación de políticas / prácticas de operación

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 13

13
21-06-2017

Patrón de Operación
• El desempeño de un SISTEMA puede ser influenciado (perturbado) por:

– Variaciones en las características de la materia prima


– Variaciones en la condiciones medioambientales
– Variaciones en las condiciones de trabajo de los equipos
(por ejemplo, desgaste)
– Variaciones en los parámetros de ajuste de la operación
– Inadecuada implementación de sistemas de control
– Etcétera ...

• El correcto análisis de la operación de un proceso se basa en dos


conceptos importantes:

– La adecuada REPRESENTACIÓN de las relaciones estructurales


– La adecuada CARACTERIZACIÓN de dicha relaciones (PATRONES)

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 14

14
21-06-2017

Patrón de Operación
• Dado que en todo proceso existen ...
– Interconexiones entre equipos
– Sistemas de Control instalados
– Prácticas operacionales
– Tipos específicos de materia prima
– Etcétera

• ...entonces es esperable que la planta posea REGÍMENES de operación.

• Es decir las variables de proceso no debieran seguir una trayectoria caótica en el tiempo.

• Un PATRÓN es una caracterización de un régimen de operación, como quiera que este se defina:
– Régimen de puesta en marcha
– Régimen con calidad aceptable para Papel XX
– Régimen de producción óptima con mineral XX

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 15

15
21-06-2017

Patrón de Operación
• Ejemplos de Patrones:

– Límites de Operación Hi / Lo para variables de proceso


– SQC (Caracterización de media y desviación estándar de señales)

• Incluso en plantas multiproducto puede existir más de un patrón aceptable!

• ¿Para que sirve la definición de un PATRÓN?


– Para detectar desviaciones de la operación respecto a un desempeño deseado / esperado (idealmente:
detectar anticipadamente la ocurrencia de situaciones que pudiesen afectar gravemente al proceso)

– Para detectar pertenencia a una condición determinada y en función de ésta ajustar parámetros de la
operación

– Para inferir, sensar o estimar variables no medidas o “virtuales”, que estén asociadas a la existencia de algún
“patrón”. Por ejemplo, la dureza del mineral que se procesa, el estado de desgaste en un bomba, etc.

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 16

16
21-06-2017

Patrón de Operación Normal (Molino Sag)

• La construcción de los modelos fue realizada a través de las siguientes


etapas:
Selección de estructura Construcción de Definición de
de los modelos modelos preliminares y conjuntos de
(variables a utilizar en catastro de datos a entrenamiento y
cada modelo). través de modelo validación para los
preliminar. modelos finales

Unificación de modelos Interpretación de Definición del umbral a


en un índice de riesgo posibles anomalías a utilizar para el
global. través de un indicador estadístico de Hotelling
de riesgo. de cada modelo

17
21-06-2017

Patrón de Operación Normal (Molino Sag)


– Se utiliza la herramienta VFA (Análisis de Vectores
Fundamentales) para obtener los patrones de
Ejemplo:
operación normal con lo que se obtienen los
siguientes índices para cada submodelo: Estado de Salud
Molino SAG

Moli Variables Descans


Hotelling modelo y por variables Eléctricas
no os

Error cuadrático medio (SPE)


V. E.
Rotor- Accionami Presiones Temperaturas
Índice combinado “Z” (SPE y SAG Harnero Estator
Hotelling)
ento

18
21-06-2017

Patrón de Operación
Visualización General
Caso Molino SAG Alarma Estado
proceso Actual
global

Índices por
Modelo

19

19
21-06-2017

Patrón de Operación
Visualización Detalle
Caso Molino SAG Patrón de
pertenencia Valor
Variables

Índice por
variable

20
21-06-2017

Patrón de Operación
Visualización detalle patrón de pertenencia
Score plot submodelo
Establece pertenencia a un patrón de
operación normal con confiabilidad del
95% (si está dentro de la elipse verde) y
del 99% (si está dentro de la elipse roja)

Cada modelo incluye un conjunto de


variables correspondiente a cada
proceso

Se asume un estado de riesgo al alejarse


del centro de la elipse

21

21
21-06-2017

Sensores Virtuales

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 22

22
21-06-2017

Motivación

• Existen muchos procesos industriales de alta complejidad en donde la medición de indicadores


claves resulta de difícil obtención (poca disponibilidad temporal, o altos costos asociados) debido a
que muchas veces son resultados de ensayos de laboratorio. Dado esto, las acciones de control que
se toman están basadas en mediciones con un importante retardo comparado con la dinámica del
proceso, por lo que al final, los indicadores están siempre fuera del valor deseado formando
sinusoidales con peaks pronunciados entorno a dicho valor.

Valor

Valor nominal indicador

Valor indicador laboratorio

Tiempo

23
21-06-2017

Motivación

• Es por ello que la implementación de sensores virtuales resulta en una herramienta útil para diagnosticar
el estado de un proceso, puesto que estima los indicadores claves con una mayor disponibilidad y un
costo más reducido, complementando las mediciones hechas en laboratorio como las que se obtienen de
sensores online. De esta manera se tiene una medición en intervalos de tiempo que no se tenían, con el
objetivo de tomar acciones de control anticipadas y a su vez menos agresivas para el proceso. Con ello el
indicador clave estará oscilando más cerca del valor nominal y con menos peaks.

• Disponibilidad total
Valor indicador • Complementa valores de
+ Sensor Virtual
laboratorio y sensor
Acción de control Planta
Online
• Filtra ruido
Valor nominal - • Útil para diagnosticar y
tomar acciones de control
adecuadas

24
21-06-2017

Sensor Virtual P80:


Proceso

Molino SAG
Nido de Hidrociclones

Obtención de P80:
Percentil 80 de la distribución
de tamaños de partículas.
Valor nominal 220 micrones

Cajón de alimentación

Molino Bolas

25
21-06-2017

Sensor Virtual P80:


Mediciones P80 sensor:
• 1’ muestreo
• Ruidoso
• No siempre disponible

P80 laboratorio:
• 2h muestreo en promedio
• Valor exacto
• Costoso y demoroso
de obtener

Señales en bruto de P80 Sensor y P80 laboratorio

26
21-06-2017

Sensor Virtual P80: Estructura

Evaluación de modelos con parámetros actuales

Modelos
Datos de entrada • Fenomenológico
Salida en tiempo real
actuales • Redes
Neuronales

Ventana móvil de Optimizador:


datos de entrada Entrenamiento de
históricos parámetros

Ventana móvil de
datos de salida
históricos

Entrenamiento dinámico de parámetros

27
21-06-2017

Modelo Fenomenológico: Descripción

• El estimador tiene la siguiente forma:

Donde:
 Es el valor nominal de P80.
 Es la cantidad de variables a utilizar.
 Es la variable de entrada i-ésima escogida evaluada en un tiempo k.
 Es una constante fenomenológica asociada a la variable i-ésima.
 Es un parámetro constante de diseño el cual debe optimizarse y está
asociado a la variable i-ésima

28
21-06-2017

Modelo Fenomenológico: Descripción

Variables Valores
nominales
CEE Molino = división(Potencia SAG, Peso Alimentación SAG) 24.000/3.170
% sólidos O/F molino bolas 38
% sólido alimentación nido ciclones 74
Carga Circulante 300
Presión nido Ciclones 12
Potencia Molino Bolas 16.000

29
21-06-2017

Modelo Redes Neuronales: Integración con TensorBoard

30
21-06-2017

Sensor Virtual P80: Resultados en línea

P80 sensor

P80 sensor
virtual

P80
Laboratorio

interpola robusto ante ruido

31
21-06-2017

Sensor Virtual P80: Resultados en línea

P80 sensor
virtual

P80
Laboratorio

32
21-06-2017

Sensor Virtual P80: Resultados


• Se comprueba efectividad de modelo de Redes Neuronales con un random datatest del 10% de
datos históricos disponibles.
• Modelo de Redes Neuronales es capaz de realizar un seguimiento más efectivo que P80 sensor sobre
P80 laboratorio.
• De esta manera, poniendo en línea el sensor virtual a tiempo real (muestreo cada 1’), se podrán tomar
decisiones de control más anticipadas y por tanto más eficientes sin incurrir en mayor gasto energético.

P80 Lab (azul) v/s P80 Sensor(rojo) P80 Lab(azul) v/s P80 Sensor Virtual (rojo)
RMSE = 1.0866 RMSE = 0.6723

33
21-06-2017

Implementación Online

Configura qué
modelos se ejecutan y
con qué periodicidad

Cliente ACE AF
Parámetros para configuración
de modelos

Ejecución de módulos en
framework de C#

Obtención de
variables en Se guardan
tiempo real tags de
Modelos en salida
PI Python con
Sensor Virtual

34
21-06-2017

Auditoria de procesos (Lazos)

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 35

35
21-06-2017

Lazos e instrumentos
Tipo de Índices

• Se realizan cálculos específicos para cada


lazo o instrumento para evaluar su
desempeño Molienda y
Flotación
– Magnitud oscilaciones (error acumulado)
– Variación a corto y largo plazo de las variables Lazos de control
Instrumentos Lazos de control (válvula como
– Promedios de variables actuador)
– Variabilidad en mediciones

36

36
21-06-2017

Índices de Lazos

KPI Umbral desempeño medio Umbral desempeño malo

Miao (SP,PV) 0.4 (literatura) 0.6 (literatura)


Aumento Var 0.4 (empíricamente) 0.6 (empíricamente)
Out of range 0.5 (empíricamente) 0.8 (empíricamente)
Variability (PV, CO) 0.57 (empíricamente) 0.74 (empíricamente)
IAE 0.05 (empíricamente) 0.1 (empíricamente)
Out of limit 0.1 (empíricamente) 0.2 (empíricamente)

37

37
21-06-2017

Filtrado de datos
• Para el cálculo de los indicadores se aplicaron los siguientes filtros:

Filtrado de datos no numéricos

Filtrado Mínimos/Máximo para eliminar outliers

Lazos en Manual

38

38
21-06-2017

Definición Umbrales

Primer • Umbrales estándares


definidos por la
criterio: literatura

Segundo • Análisis estadístico


criterio: de los datos

39

39
21-06-2017

Definición Umbrales
Análisis estadítico de los datos

Se realiza cada cálculo para cada lazo por cada ventana de tiempo en el largo de un mes.

Para cada lazo se calcula el valor donde el 80% y el 95% tiene un valor menor a este y luego se hace el promedio de estos valores para todos los lazos.

Este promedio será el umbral para las advertencias (80%) y para las alarmas (95%),

Finalmente se ocupa Esto se repite para


el promedio de estos cada uno de los lazos
valores80%
parade
el los
umbral
cálculos para ver si tienen
correspondiente
están bajo este valores similares.
valor en el primer
lazo.

40

40
21-06-2017

Definición Umbrales

KPI Umbral desempeño medio Umbral desempeño malo

Miao (SP,PV) 0.4 (literatura) 0.6 (literatura)


Aumento Var 0.4 (empíricamente) 0.6 (empíricamente)
Out of range 0.5 (empíricamente) 0.8 (empíricamente)
Variability (PV, CO) 0.57 (empíricamente) 0.74 (empíricamente)
IAE 0.05 (empíricamente) 0.1 (empíricamente)
Out of limit 0.1 (empíricamente) 0.2 (empíricamente)

41

41
21-06-2017

Diagnósticos Lazos de Control


Mal desempeño del
Variability (PV) lazo en automático IAE

Oscilaciones Perturbaciones
Miao (PV) indeseadas aleatorias

Causas externas Causas internas

Lazo en Problemas
Variaciones cascada con Problema de
la referencia en el
problemas sintonización
actuador

Miao (SP) Miao (PV) Todas las


De lazos Variability
demás
asociados (CO)
causas son
descartadas

42

42
21-06-2017

Lazos e Instrumentos
Visualización General

Al pararse sobre un
estado
se despliega el detalle
del instrumento o lazo
junto con el diagnóstico

43

43
21-06-2017

Lazos e Instrumentos
Visualización General Se muestra el
detalle y los
diagnósticos de
los componentes
en riesgo alto

44

44
21-06-2017

Lazos e Instrumentos
Visualización Detalle
Monitoreo
último mes

Detalle
monitoreo
último mes

Detalle lazo o
instrumento y
diagnóstico actual

45

45
21-06-2017

Lazos e Instrumentos
Visualización Avanzada

Porcentaje Porcentaje de
de cada encendido/apagado o
estado automático/manual
durante durante último mes
último mes

46

46
21-06-2017

Lazos y Válvulas

47
21-06-2017

Modúlo Calculo Lazos y Válvulas

48
21-06-2017

Conclusiones

Uso correcto de información Productos con visualización


Ahorro en recursos,
más conocimiento de la simple para monitorear
minimización de riesgos y
planta conlleva una procesos, predecir fallas,
energía al entregar
optimización de los procesos estimar variables y optimizar
soluciones integrales
en general recursos

ANTOFAGASTA, Junio 2017, Gestión Operaciones y Activos Encuentro Regional Acercamiento Tecnológico 49

49