Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica
- Autores
- Picabea, Julia Valentina
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- tesis doctoral
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- Horowitz, Gabriel Ignacio
Maestri, Mauricio Leonardo - Descripción
- El avance tecnológico ha resultado en un nivel de instrumentación cada vez mayor en los distintos procesos industriales. La proliferación de datos disponibles en dichos procesos, junto con los avances en las capacidades no solo de obtenerlos, sino también de transmitirlos, procesarlos y almacenarlos, hace necesario un continuo desarrollo de herramientas de detección de fallas basadas en datos para obtener información relevante en tiempo real y anticiparse a eventuales problemas. La detección temprana de fallas en la industria petroquímica es de suma importancia, ya que un problema no detectado a tiempo puede resultar en productos que no cumplan con los requerimientos necesarios e incluso conducir a accidentes. Este trabajo presenta un estudio de métodos de detección y diagnóstico de fallas aplicados a la industria petroquímica. El objetivo es desarrollar nuevas herramientas que tengan en cuenta las características de la industria y se centren en problemas que no están completamente abordados con las herramientas actuales. Con este objetivo, se desarrollaron tres métodos desde enfoques diferentes: Un modelo híbrido (primeros principios - red neuronal) que, mediante dichas técnicas, permite aprovechar los beneficios individuales de cada una de ellas y mitigar sus deficiencias. Un método basado en la comparación de atractores que facilita la clasificación de estados fluidodinámicos, aplicado al monitoreo del régimen de operación de sistemas multifásicos. Un método basado en un mapa autoorganizado que genera una visualización de las condiciones de operación, permitiendo detectar cuando el sistema está operando adecuadamente y cuando se aleja de la zona de operación normal. El modelo híbrido fue evaluado usando datos reales de una columna de destilación industrial, incluyendo períodos de tiempo en los que se reportaron fallas que el método fue capaz de identificar con éxito. Los otros métodos propuestos se evaluaron con datos provenientes de equipos de escala piloto. Estos datos fueron complementados con otros obtenidos mediante simulaciones de fluidodinámica computacional de dichos equipos multifásicos. Todos los conjuntos de datos son representativos de los equipos de escala industrial y de escala piloto presentes en una variedad de procesos de las industrias del petróleo, química, y petroquímica, por lo tanto, los resultados obtenidos podrían extenderse a distintos procesos de dichas industrias.
Technological advances have led to an ever-increasing level of instrumentation in several industrial processes. The abundance of available data in these processes, along with the capacity of transmission, processing and storage, makes it necessary for a continuous development of fault detection tools based on data, in order to obtain relevant information in real time and prevent potential problems. Early fault detection in the petrochemical industry is of vital importance. A problem not detected in time may evolve, resulting in products that do not meet required specifications and can even lead to accidents. This work presents a study of fault detection and diagnosis techniques applied to the petrochemical industry. The aim is to develop new tools that take into account the characteristics of the industry and focus on problems that are not fully addressed with today’s tools. With this in mind, three methods using different approaches were developed: A hybrid model (first principles-neural network) that, through the combination of these techniques, takes advantage of their individual benefits while mitigating their shortcomings. A method based on comparison of attractors that allows the classification of different fluid dynamic states, applied to the monitoring of the operation regimes in multi-phase systems. A method based on a self-organizing map that generates a visualization of the different operating conditions, allowing detection when the system deviates from the normal operation zone. The hybrid model was tested using real data from an industrial distillation co- lumn, including periods with reported faults. The method successfully identified all the faults. The other two methods were tested with data from pilot plant equipment. These were complemented with data obtained by computational fluid-dynamic simu- lations. All datasets used are representative of both industrial-scale and pilot-scale equipment present in a variety of processes in the oil, chemical and petrochemical industries. Therefore, the results obtained could be extended to different processes in these industries.
Fil: Picabea, Julia Valentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. - Materia
-
DETECCION DE FALLAS
DIAGNOSTICO DE FALLAS
APRENDIZAJE AUTOMATICO
MODELO HIBRIDO
MAPAS AUTOORGANIZADOS
TEST DE DIKS
FAULT DETECTION
FAULT DIAGNOSIS
MACHINE LEARNING
HYBRID MODEL
SELF-ORGANIZING MAPS
DIKS' TEST - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar
- Repositorio
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- tesis:tesis_n7684_Picabea
Ver los metadatos del registro completo
id |
BDUBAFCEN_66c9de05539ac9292642ca62a6064a10 |
---|---|
oai_identifier_str |
tesis:tesis_n7684_Picabea |
network_acronym_str |
BDUBAFCEN |
repository_id_str |
1896 |
network_name_str |
Biblioteca Digital (UBA-FCEN) |
spelling |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímicaIntelligent fault diagnosis monitoring aimed at the petrochemical industryPicabea, Julia ValentinaDETECCION DE FALLASDIAGNOSTICO DE FALLASAPRENDIZAJE AUTOMATICOMODELO HIBRIDOMAPAS AUTOORGANIZADOSTEST DE DIKSFAULT DETECTIONFAULT DIAGNOSISMACHINE LEARNINGHYBRID MODELSELF-ORGANIZING MAPSDIKS' TESTEl avance tecnológico ha resultado en un nivel de instrumentación cada vez mayor en los distintos procesos industriales. La proliferación de datos disponibles en dichos procesos, junto con los avances en las capacidades no solo de obtenerlos, sino también de transmitirlos, procesarlos y almacenarlos, hace necesario un continuo desarrollo de herramientas de detección de fallas basadas en datos para obtener información relevante en tiempo real y anticiparse a eventuales problemas. La detección temprana de fallas en la industria petroquímica es de suma importancia, ya que un problema no detectado a tiempo puede resultar en productos que no cumplan con los requerimientos necesarios e incluso conducir a accidentes. Este trabajo presenta un estudio de métodos de detección y diagnóstico de fallas aplicados a la industria petroquímica. El objetivo es desarrollar nuevas herramientas que tengan en cuenta las características de la industria y se centren en problemas que no están completamente abordados con las herramientas actuales. Con este objetivo, se desarrollaron tres métodos desde enfoques diferentes: Un modelo híbrido (primeros principios - red neuronal) que, mediante dichas técnicas, permite aprovechar los beneficios individuales de cada una de ellas y mitigar sus deficiencias. Un método basado en la comparación de atractores que facilita la clasificación de estados fluidodinámicos, aplicado al monitoreo del régimen de operación de sistemas multifásicos. Un método basado en un mapa autoorganizado que genera una visualización de las condiciones de operación, permitiendo detectar cuando el sistema está operando adecuadamente y cuando se aleja de la zona de operación normal. El modelo híbrido fue evaluado usando datos reales de una columna de destilación industrial, incluyendo períodos de tiempo en los que se reportaron fallas que el método fue capaz de identificar con éxito. Los otros métodos propuestos se evaluaron con datos provenientes de equipos de escala piloto. Estos datos fueron complementados con otros obtenidos mediante simulaciones de fluidodinámica computacional de dichos equipos multifásicos. Todos los conjuntos de datos son representativos de los equipos de escala industrial y de escala piloto presentes en una variedad de procesos de las industrias del petróleo, química, y petroquímica, por lo tanto, los resultados obtenidos podrían extenderse a distintos procesos de dichas industrias.Technological advances have led to an ever-increasing level of instrumentation in several industrial processes. The abundance of available data in these processes, along with the capacity of transmission, processing and storage, makes it necessary for a continuous development of fault detection tools based on data, in order to obtain relevant information in real time and prevent potential problems. Early fault detection in the petrochemical industry is of vital importance. A problem not detected in time may evolve, resulting in products that do not meet required specifications and can even lead to accidents. This work presents a study of fault detection and diagnosis techniques applied to the petrochemical industry. The aim is to develop new tools that take into account the characteristics of the industry and focus on problems that are not fully addressed with today’s tools. With this in mind, three methods using different approaches were developed: A hybrid model (first principles-neural network) that, through the combination of these techniques, takes advantage of their individual benefits while mitigating their shortcomings. A method based on comparison of attractors that allows the classification of different fluid dynamic states, applied to the monitoring of the operation regimes in multi-phase systems. A method based on a self-organizing map that generates a visualization of the different operating conditions, allowing detection when the system deviates from the normal operation zone. The hybrid model was tested using real data from an industrial distillation co- lumn, including periods with reported faults. The method successfully identified all the faults. The other two methods were tested with data from pilot plant equipment. These were complemented with data obtained by computational fluid-dynamic simu- lations. All datasets used are representative of both industrial-scale and pilot-scale equipment present in a variety of processes in the oil, chemical and petrochemical industries. Therefore, the results obtained could be extended to different processes in these industries.Fil: Picabea, Julia Valentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesHorowitz, Gabriel IgnacioMaestri, Mauricio Leonardo2024-12-05info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/20.500.12110/tesis_n7684_Picabeaspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:41:48Ztesis:tesis_n7684_PicabeaInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:41:50.085Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse |
dc.title.none.fl_str_mv |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica Intelligent fault diagnosis monitoring aimed at the petrochemical industry |
title |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica |
spellingShingle |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica Picabea, Julia Valentina DETECCION DE FALLAS DIAGNOSTICO DE FALLAS APRENDIZAJE AUTOMATICO MODELO HIBRIDO MAPAS AUTOORGANIZADOS TEST DE DIKS FAULT DETECTION FAULT DIAGNOSIS MACHINE LEARNING HYBRID MODEL SELF-ORGANIZING MAPS DIKS' TEST |
title_short |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica |
title_full |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica |
title_fullStr |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica |
title_full_unstemmed |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica |
title_sort |
Monitoreo inteligente orientado al diagnóstico de fallas en la industria petroquímica |
dc.creator.none.fl_str_mv |
Picabea, Julia Valentina |
author |
Picabea, Julia Valentina |
author_facet |
Picabea, Julia Valentina |
author_role |
author |
dc.contributor.none.fl_str_mv |
Horowitz, Gabriel Ignacio Maestri, Mauricio Leonardo |
dc.subject.none.fl_str_mv |
DETECCION DE FALLAS DIAGNOSTICO DE FALLAS APRENDIZAJE AUTOMATICO MODELO HIBRIDO MAPAS AUTOORGANIZADOS TEST DE DIKS FAULT DETECTION FAULT DIAGNOSIS MACHINE LEARNING HYBRID MODEL SELF-ORGANIZING MAPS DIKS' TEST |
topic |
DETECCION DE FALLAS DIAGNOSTICO DE FALLAS APRENDIZAJE AUTOMATICO MODELO HIBRIDO MAPAS AUTOORGANIZADOS TEST DE DIKS FAULT DETECTION FAULT DIAGNOSIS MACHINE LEARNING HYBRID MODEL SELF-ORGANIZING MAPS DIKS' TEST |
dc.description.none.fl_txt_mv |
El avance tecnológico ha resultado en un nivel de instrumentación cada vez mayor en los distintos procesos industriales. La proliferación de datos disponibles en dichos procesos, junto con los avances en las capacidades no solo de obtenerlos, sino también de transmitirlos, procesarlos y almacenarlos, hace necesario un continuo desarrollo de herramientas de detección de fallas basadas en datos para obtener información relevante en tiempo real y anticiparse a eventuales problemas. La detección temprana de fallas en la industria petroquímica es de suma importancia, ya que un problema no detectado a tiempo puede resultar en productos que no cumplan con los requerimientos necesarios e incluso conducir a accidentes. Este trabajo presenta un estudio de métodos de detección y diagnóstico de fallas aplicados a la industria petroquímica. El objetivo es desarrollar nuevas herramientas que tengan en cuenta las características de la industria y se centren en problemas que no están completamente abordados con las herramientas actuales. Con este objetivo, se desarrollaron tres métodos desde enfoques diferentes: Un modelo híbrido (primeros principios - red neuronal) que, mediante dichas técnicas, permite aprovechar los beneficios individuales de cada una de ellas y mitigar sus deficiencias. Un método basado en la comparación de atractores que facilita la clasificación de estados fluidodinámicos, aplicado al monitoreo del régimen de operación de sistemas multifásicos. Un método basado en un mapa autoorganizado que genera una visualización de las condiciones de operación, permitiendo detectar cuando el sistema está operando adecuadamente y cuando se aleja de la zona de operación normal. El modelo híbrido fue evaluado usando datos reales de una columna de destilación industrial, incluyendo períodos de tiempo en los que se reportaron fallas que el método fue capaz de identificar con éxito. Los otros métodos propuestos se evaluaron con datos provenientes de equipos de escala piloto. Estos datos fueron complementados con otros obtenidos mediante simulaciones de fluidodinámica computacional de dichos equipos multifásicos. Todos los conjuntos de datos son representativos de los equipos de escala industrial y de escala piloto presentes en una variedad de procesos de las industrias del petróleo, química, y petroquímica, por lo tanto, los resultados obtenidos podrían extenderse a distintos procesos de dichas industrias. Technological advances have led to an ever-increasing level of instrumentation in several industrial processes. The abundance of available data in these processes, along with the capacity of transmission, processing and storage, makes it necessary for a continuous development of fault detection tools based on data, in order to obtain relevant information in real time and prevent potential problems. Early fault detection in the petrochemical industry is of vital importance. A problem not detected in time may evolve, resulting in products that do not meet required specifications and can even lead to accidents. This work presents a study of fault detection and diagnosis techniques applied to the petrochemical industry. The aim is to develop new tools that take into account the characteristics of the industry and focus on problems that are not fully addressed with today’s tools. With this in mind, three methods using different approaches were developed: A hybrid model (first principles-neural network) that, through the combination of these techniques, takes advantage of their individual benefits while mitigating their shortcomings. A method based on comparison of attractors that allows the classification of different fluid dynamic states, applied to the monitoring of the operation regimes in multi-phase systems. A method based on a self-organizing map that generates a visualization of the different operating conditions, allowing detection when the system deviates from the normal operation zone. The hybrid model was tested using real data from an industrial distillation co- lumn, including periods with reported faults. The method successfully identified all the faults. The other two methods were tested with data from pilot plant equipment. These were complemented with data obtained by computational fluid-dynamic simu- lations. All datasets used are representative of both industrial-scale and pilot-scale equipment present in a variety of processes in the oil, chemical and petrochemical industries. Therefore, the results obtained could be extended to different processes in these industries. Fil: Picabea, Julia Valentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. |
description |
El avance tecnológico ha resultado en un nivel de instrumentación cada vez mayor en los distintos procesos industriales. La proliferación de datos disponibles en dichos procesos, junto con los avances en las capacidades no solo de obtenerlos, sino también de transmitirlos, procesarlos y almacenarlos, hace necesario un continuo desarrollo de herramientas de detección de fallas basadas en datos para obtener información relevante en tiempo real y anticiparse a eventuales problemas. La detección temprana de fallas en la industria petroquímica es de suma importancia, ya que un problema no detectado a tiempo puede resultar en productos que no cumplan con los requerimientos necesarios e incluso conducir a accidentes. Este trabajo presenta un estudio de métodos de detección y diagnóstico de fallas aplicados a la industria petroquímica. El objetivo es desarrollar nuevas herramientas que tengan en cuenta las características de la industria y se centren en problemas que no están completamente abordados con las herramientas actuales. Con este objetivo, se desarrollaron tres métodos desde enfoques diferentes: Un modelo híbrido (primeros principios - red neuronal) que, mediante dichas técnicas, permite aprovechar los beneficios individuales de cada una de ellas y mitigar sus deficiencias. Un método basado en la comparación de atractores que facilita la clasificación de estados fluidodinámicos, aplicado al monitoreo del régimen de operación de sistemas multifásicos. Un método basado en un mapa autoorganizado que genera una visualización de las condiciones de operación, permitiendo detectar cuando el sistema está operando adecuadamente y cuando se aleja de la zona de operación normal. El modelo híbrido fue evaluado usando datos reales de una columna de destilación industrial, incluyendo períodos de tiempo en los que se reportaron fallas que el método fue capaz de identificar con éxito. Los otros métodos propuestos se evaluaron con datos provenientes de equipos de escala piloto. Estos datos fueron complementados con otros obtenidos mediante simulaciones de fluidodinámica computacional de dichos equipos multifásicos. Todos los conjuntos de datos son representativos de los equipos de escala industrial y de escala piloto presentes en una variedad de procesos de las industrias del petróleo, química, y petroquímica, por lo tanto, los resultados obtenidos podrían extenderse a distintos procesos de dichas industrias. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-12-05 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/doctoralThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_db06 info:ar-repo/semantics/tesisDoctoral |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
https://hdl.handle.net/20.500.12110/tesis_n7684_Picabea |
url |
https://hdl.handle.net/20.500.12110/tesis_n7684_Picabea |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital (UBA-FCEN) instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales instacron:UBA-FCEN |
reponame_str |
Biblioteca Digital (UBA-FCEN) |
collection |
Biblioteca Digital (UBA-FCEN) |
instname_str |
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
instacron_str |
UBA-FCEN |
institution |
UBA-FCEN |
repository.name.fl_str_mv |
Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
repository.mail.fl_str_mv |
ana@bl.fcen.uba.ar |
_version_ |
1844618713524862976 |
score |
13.070432 |