Soteica Visual MESA

Alvarez Thomas 796, 3 C
1427 Buenos Aires, Argentina
Tel.: +54 11 4555 5703
Fax: +54 11 4551 0751
e-mail: carlos@soteica.com.ar
Agenda de la Presentación
Sistemas Inteligentes
en la Industria de Procesos
Experiencia, Actualidad y Perspectivas
Carlos A. Ruiz
Soteica SRL
Gerente de Control Avanzado y Optimización
•
•
•
•
•
Presentación de Soteica
Sistemas Inteligentes: Una visión “industrial”
Disponibilidad de Datos: requisito imprescindible
La Industria de Procesos Argentina
Los tres actores: Industria, Academia y Empresas
Tecnológicas
• ¿ Cómo se desarrolla un proyecto industrial ?
• Control Predictivo Basado en Modelos
• Analizadores Virtuales Basados en Redes Neuronales
• Sistema Experto para la optimización de consumos de vapor y
servicios
Argentine Symposium on Artifcial Intelligence
• Conclusiones y Perpectivas
ASAI 2001
Buenos Aires, Septiembre 2001
2
Soteica
Soteica
3
Soteica
• Misión: Ayudar a la Industria de Procesos a
implementar exitosamente tecnologías
avanzadas:
• Sistemas de Información Industriales
• Control Avanzado y Optimización
• Simulación y Modelado
• Sistemas Inteligentes en Tiempo Real
• Balance de Masa y Reconciliación de Datos
• Planificación y Scheduling
• Software ad-hoc
4
Soteica
• Desde 1985, Empresa
de Consultoría de
Ingeniería y Sistemas
• Integradores de
Sistemas para
Procesos Industriales
• Oficinas en México,
Caracas, Sao Paulo y
Buenos Aires
Por éxito entendemos lograr un
beneficio económico
mantenido en el tiempo
en base a:
Transferencia Tecnológica
Implementación Adecuada
Soporte Técnico
5
6
1
Algunos de Nuestros Clientes
Nuestros Partners
ANCAP
7
8
El Valor de los Datos
Disponibilidad de Datos:
Requisito
Imprescindible
“La gente de esta era tiene un falso sentido de
superioridad debido a la gran cantidad de
datos que tienen disponibles.
Sin embargo, la distinción no debe ir a
aquellos que tienen meramente el acceso a los
datos, sino a aquellos que manejan su uso
ventajoso...”
Johann Wolfgang von Goethe, 1768
Poeta, dramaturgo, científico, ministro de
estado,... Autor del Fausto y muchas otras
obras (1749-1832)
9
Datos Información
Conocimiento (Ejemplos)
10
Diferencias de Problemática
• Bases de Datos Relacionales:
• Bases de Datos Relacionales (BDR):
• Datos: Transacciones de tarjetas de crédito
• Información: Reportes estadísticos, Balances ...
• Conocimiento: Patrones de consumo para
publicidad y ofertas personalizadas
• Sistema Industriales de Información:
• Datos: Variables de proceso
• Información: Balances, Rendimientos ...
• Conocimiento: Relaciones entre variables,
Predicción de rendimientos, Optimización ...
11
• Volumen de datos muy grande
• Escasa o nula relación temporal entre ellos
• Poca o nula autocorrelación
• Sistema Industriales de Información:
• Volumen de datos enorme (Suponiendo una
Refinería colectando 100.000 puntos (tags) una
vez por minuto, se almacenan anualmente
52.560.000.000 valores en la base de datos)
• Importante relación temporal entre ellos
12
• Gran autocorrelación
2
Cómo Extraer Valor de los
Datos?
• Aplicando técnicas y procedimientos que
expongan la información y cristalicen el
conocimiento:
• Data Mining / Knowledge Discovery in
Databases (KDD): proceso de identificar
automáticamente relaciones y patrones entre
variables de grandes bases de datos.
• Sistemas Inteligentes para aprovechar los
patrones y relaciones identificados.
Sistemas Inteligentes:
Distintas Visiones
13
14
Sistemas Inteligentes: La
visión industrial
Sistemas Inteligentes: La
visión industrial
• Para la Industria de Procesos, la definición de
Sistemas Inteligentes es laxa y muy genérica.
• El rótulo es aplicado a todo procedimiento,
presentado en forma de software, que:
• La definición de “Sistema Inteligente” es,
por tanto, fáctica y no metodológica.
• La Industria de Procesos no discrimina si un
“Sistema Inteligente” pertenece
rigurosamente a la disciplina científica
“Inteligencia Artificial”.
• Automatiza la toma de decisiones
• Controla eficientemente un proceso complejo
• Predice adecuadamente valores de proceso o
propiedades de productos
• Alerta o previene acerca de situaciones riesgosas
• En última instancia, optimiza el proceso o el
15
negocio
16
Sistemas Inteligentes: Una
definición industrial
Sistemas Inteligentes: Una
definición industrial
• Aplica a ellos, sin embargo, una de las
clásicas definiciones de Inteligencia:
• La finalidad primordial de la Empresa es
obtener beneficios económicos.
• En consecuencia, para la Empresa
Industrial, el comportamiento más
inteligente que pueda concebirse es el
aplicar mecanismos de retroalimentación,
procesando adecuadamente la información
disponible, para aumentar las ganancias de
la Empresa.
• El control de procesos, por tanto, encuadra
18
dentro de los “sistemas inteligentes”.
• Que todo comportamiento inteligente es una
consecuencia de ciertos mecanismos de
retroalimentación
• Y que, tal vez, la inteligencia no es sino el
resultado de adquirir información y
procesarla adecuadamente con una cierta
finalidad (Norbert Wiener, Cybernetics, 1948).
17
3
Sistemas Inteligentes: Una
visión académica
Sistemas Inteligentes: Una
visión académica
• Una importante referencia sobre el tema es el libro
de Stephanopoulos y Han (editores), “Intelligent
Systems in Process Engineering”, Academic Press,
1996.
• Diseño de Procesos y Productos
• Paradigmas para el modelado de reacciones químicas y
sistemas de procesamiento
• Diseño automatizado de procesos
• Razonamiento simbólico y cuantitativo (diseño de
caminos de reacción respetando restricciones)
• Razonamiento inductivo y deductivo (análisis de riesgos)
• Búsqueda en el espacio de soluciones discretas (diseño
de moléculas con propiedades físicas deseadas)
19
• Procesamiento:
• Razonamiento no-monotónico (Síntesis de
procedimientos operativos para plantas químicas)
• Aprendizaje inductivo y analógico (Mejoras operativas
data-driven)
• Aprendizaje empírico a través de redes neuronales
• Razonamiento temporal (modelado, análisis y
reconocimiento de patrones de tendencias temporales
en procesos)
• Inteligencia en cálculos numéricos (algoritmos de
scheduling para operaciones batch)
20
La Industria de Procesos
Argentina
• El lugar común de hace unos años:
• “La Industria Nacional está protegida, por eso
es ineficiente, anticuada y poco propensa a la
innovación...”
La Industria de
Procesos Argentina
• La dura realidad actual:
• La Industria Nacional que ha sobrevivido a la
apertura total, o se ha convertido en “transnacional”, lo ha logrado porque es (o está
intentando) volverse eficiente, actualizada e
innovadora.
21
22
Industria
Los tres actores:
- Industria
- Academia
- Empresas de Tecnología
23
• Espera que le den “soluciones probadas” (siempre
quiere la lista de referencias y poder ir a visitar sitios
donde ya estén instaladas).
• Un amigo, Jefe de Planta de una Refinería, me decía
hace unos años: “Lo que me contás que podríamos
hacer es bárbaro, pero bajo la vista y veo mis
zapatos llenos de barro...”
• El proceso de aceptación de las tecnologías involucra
el estudio del costo / beneficio de la mismas, pero no
existen metodologías “estándar” para la predicción
de beneficios.
24
4
Academia
Empresas de Tecnología
• Existen Centros de excelente nivel teórico
• Con buen dominio de herramientas generales para el
desarrollo de Sistemas Inteligentes.
• Pero reacios a abandonar la “zona de confort”
académica para anunciar la “buena nueva” a los
industriales.
• Se ignora (o desprecia) el pensamiento industrial que
se orienta por afán de lucro.
• Si por ventura se logra interesar a una Industria con
un proyecto, no se respetan plazos a cumplir ni
criterios de aceptación a lograr.
25
• Gran mayoría de empresas extranjeras con
vendedores que viajan directamente de las
matrices o sólo con oficinas de venta, sin
capacidad de realizar proyectos locales.
• Vendedores de “espejitos de colores” que
prometen “el Oro y el Moro” y venden costosos
proyectos con metas no cumplidas.
• Logran “vacunar” a los clientes industriales (esto
es, crearles inmunidad y aversión a las nuevas
tecnologías).
26
“Un Mundo Ideal” (desde mi
perspectiva):
• Industrias que se apoyan en Empresas de
Tecnología locales para realizar los proyectos y
mantenerlos productivos en el tiempo.
• Centros Académicos que proveen soporte, tanto a
las Industrias como a las Empresas de Tecnología,
para el desarrollo y aplicación de técnicas de IA.
• Universidades que producen profesionales aptos
para implementar Sistemas Inteligentes trabajando
en la Industria o en las Empresas de Tecnología.
¿ Cómo se Desarrolla un
Proyecto Industrial ?
27
28
Aplicaciones Industriales
• Mencionaremos tres tipos de aplicaciones básicas y
describiremos cómo se llevan a cabo los proyectos
industriales:
• Control
• Control Predictivo Basado en Modelos
• Inferencias
Control Predictivo
Basado en Modelos
(MBPC)
• Redes Neuronales
• Sistemas de Soporte de Decisión
• Sistema Experto
29
30
5
Principios del Control
Predictivo Basado en Modelos
Principios del Control
Predictivo Basado en Modelos
Niveles Jerárquicos del Control : Dónde se ubica el MBPC?
0 : rápido / muchos
1 : lento /
menos
/ V proceso
FRC
PID
MBPC
/ f(proceso)
2 : Off line /
pocos / f(proceso)
Optimización
3 : Off line /
pocos
Planificación
de Producción
/ f(proceso)
Modelo
Fijar una Trayectoria
Deseada
Tener en Cuenta las
Restricciones para la
Solución
Tecnologías: SISO: PCR, MIMO: HIECON
31
32
Ejemplo: Modelo de una
Columna Fraccionadora
Modelo:
Variables Controladas (CVs)
Variables Manip. y FeedF. (MVs y FFs)
Primeros Principios
(Modelo físico o de
conocimiento, complejo, no
lineal, estático por lo general)
Black box
(Modelo de representación de
entrada/salida, sólo reflejan el
comportamiento del sistema,
simple)
El conocimiento hace que el control
sea más fácil
33
Ejemplo: Modelo de una
Columna Fraccionadora
34
MBPC: Cuándo?
Aplicado a procesos SISO cuando :
largos tiempos muertos
y/o integrativos
y/o respuestas “extrañas”
y/o perturbaciones medidas
(PCR)
Aplicado a procesos MIMO cuando:
Mismos
Casos
+
Multivariables con
estrategias complejas
(IDCOM-HIECON)
35
36
6
Planta
Aplicación de MBPC (PCR)
en la Refinería Plaza
Huincul de REPSOL YPF
Variable Controlada :
LT304
Variable Manipulada :
FIC304_SP-FIC311_SP
Variable Manipulada Real :
FIC304_SP
Ensayos (Step
(Step Test)
Test) para la
Identificación del Modelo
38
Identificación del Sistema
Empleando PCR
Los datos del Test se
colectaron de la base
de datos en tiempo
real PI (PI-Excel
DataLink)
Período de muestreo
de 10 segundos, sin
banda muerta de
compresión
Parámetros internos
del Modelo
Steps en la MV
Respuesta de la CV
39
Sensitividad
Paramétrica
Estructura del Modelo : Integrativo
de 1er Orden con Demora
Muy difícil de controlar
manualmente o con un PID
Respuesta del Modelo (Amarilla) & Datos del
40
Nivel (Rosa) bajo la misma perturbación (Blanca)
Operadores de Planta & PCR
Implementación
Reacción de los Operadores muy Positiva :
- Algoritmo implementado en el lenguaje HLBL, corriendo
en el Foxboro IA System Control Processor
(no se necesita computadora de control de procesos)
•
•
•
•
El control manual era muy dificultoso
Buen comportamiento en lazo cerrado
Entrenamiento de operadores fácil y rápido
Lazo PCR fácil de poner on y off
Transferencia de Conocimiento :
- Algoritmo implementado en una forma genérica
- 2.5 días de entrenamiento sobre :
• Modelado
• Identificación
• Tecnología MBPC & Enfoque usando PCR
- Biblioteca de Algoritmos PCR (códigos fuente en C)
proporcionadas al personal de REPSOL YPF
Puede ser re-utilizado para otras aplicaciones
- Evaluación y Monitoreo de la performance del lazo:
* Implementado sobre el PI (ProcessBook)
* Guardando las variables internas del controlador
Propósito : Autonomía del Cliente para futuros proyectos PCR
41
42
7
Display Operativo
Display de Ingeniería
Clickear en el
LT304 para
desplegar el
overlay del
controlador
PCR
43
Performance (antes y después
del PCR, PIPI-Excel DataLink)
DataLink)
45
44
Resumiendo las
características del MBPC
• El Control Predictivo es aplicable fácilmente a lazos
SISO pero los proyectos son más complejos en casos
MIMO.
• Podría Correr a nivel del procesador del DCS (SISO) o
como aplicación adicional interfaseada al mismo
(MIMO).
• La transferencia de conocimiento y entrenamiento de
operadores clave para el éxito del proyecto.
• Tecnología aplicable a un amplio rango de problemas
de control industriales, dondel el PID no es suficiente.
• Datos para el modelado y seguimiento de
performance: Sistema de Información Industrial. 46
Inferencias Basadas en
Redes Neuronales
Inferencias Basadas en
Redes Neuronales
(Analizadores Virtuales)
47
• El modelado mediante redes neuronales
ha demostrado ser una herramienta
valiosa para:
• Obtener en forma rápida y precisa mediciones
de calidad de productos en línea
• Ofrecer una alternativa de bajo costo a los
analizadores de proceso reales o modelos
matemáticos rigurosos.
48
8
Inferencias Basadas en
Redes Neuronales
Analizadores Virtuales
• Sintetizando:
• Las redes neuronales son poderosas
herramientas de correlación
• Tienen la ventaja de no necesitar suponer un
modelo a-priori
• Pero necesitan un buen conjunto de datos
para el entrenamiento y la validación
• Se conoce como Analizadores Virtuales
a los modelos matemáticos que permiten
inferir en línea, a partir de los datos
operativos de las plantas (por ej., caudal
de carga, temperatura de platos,
cromatografías de productos,etc.) algunos
parámetros de calidad que se miden
espaciadamente en laboratorio.
• También son conocidos como Cálculos
Inferenciales.
49
Metodología de un Proyecto
de Analizadores Virtuales
50
Por ejemplo, en la Industria
de Refinación de Petróleo
• Recolección de Datos de Entrenamiento y
Validación
• Preparación de los Datos
• Entrenamiento de la Red Neuronal
• Validación de las Predicciones
• Puesta en Línea
• Mantenimiento del Analizador Virtual
51
52
Aplicaciones Típicas:
• Boiling Points
• Calidad de Productos
• Residuos de Fondo
• Flash Points
• Intermediarios
• Freeze Points
• Viscosidad
• Octano, Cetano, RVP
• Validación de
• Cloud Point
Sensores
• Cut Points
• Weathering Point
• End Points
• Predicción
• Gas de cola H2S (Forecasting) de
Planta de Azufre
• PEMs (Predicted Emissions Demanda
Monitoring) para Calderas y • Potencia de Molinos
53
Hornos
• ...
Ejemplo:
Analizador Virtual de
Weathering Point
GasCon del FCC II
(REPSOL YPF RLC)
54
9
Weathering Point Productos
del GasCon de FCC II (RLC)
Cómo se puede estimar el
Weathering Point ?
• El WP es función directa (pero no sencilla) de las
composiciones de las corrientes
• Es una medida que indica el grado de dificultad
que tiene el gas licuado para evaporarse dentro de
una garrafa
• Para estimar el WP a partir de la composición
habría dos opciones:
• Columna Depropanizadora
• Se toman 3 muestras diarias de
propano y butano
• Los operadores determinan
el WP de ambas corrientes:
parámetro de calidad
• Se informa en planillas
• Existen cromatógrafos de cima y fondo
en la columna (datos disponibles en el
sistema de información de plantas PI)
• Modelo Basado en 1ros Principios (por ej., simulador
HYSYS) pero
• Es una evolución ni isotérmica, ni adiabática, ni politrópica!
• Regresión Empírica (por ej., con Redes Neuronales)
• Aprenden a predecir dentro del error del ensayo
55
56
Limpieza de los Datos de
Entrenamiento
Datos de Entrenamiento
• Mayo-Junio ‘99
• Datos operativos de la base de datos en tiempo
real PI muestreados cada 10 minutos (mediante
la aplicación PI-Excel Datalink)
• WP determinado en planta por los operadores y
reportado en una planilla Excel
• Metodología de informe de WP: consignar
hora exacta de toma de muestra de propano
y butano (Muy importante !)
• Software: NeurOn-Line Studio, Gensym
57
Corp., Cambridge, USA
Entrenamiento del Modelo
58
Modelo: WP Predicho vs. Real
59
60
10
Sensor Virtual de WP y
Ensayos en Planta (1 semana)
Sensor Virtual de WP y
Ensayos en Planta (1 día)
61
62
Cómo Implementar un
Analizador Virtual?
2) Preprocesar
y Limpiar Datos
3) Modelar
(Entrenar)
Optimización del
Sistema de
Generación de
Vapor
4) Analizar el Modelo
5) Optimizar el Modelo y/o
Construir las Predicciones
1) Extraer
e Importar
Datos
6) Aplicar las
Redes Neuronales
(On-Line Software)
Interfaseadas al
Sistema de Información
Server del PI
Server de Analizadores Virtuales
Datos
7) Mantener el
Modelo
Mayores
Beneficios
63 !!!
Software Visual Mesa
Integra las capacidades de los softwares Mesa y
G2 en un solo paquete de gerenciamiento del
sistema de vapor
• Mesa - Mesa Co., Houston, Texas
•
•
•
•
Modela el sistema de vapor rigurosamente
Termodinámica y modelos de equipos no lineales
Optimización SQP
90 Compañías, 200 Sitios, Varias compañías de Ingeniría
• G2 - Genysm Inc., Cambridge, Mass.
• Shell para el Desarrollo de Sistemas Exdpertos con una
interfase del usuario simple y configurable
• Conexión con datos en tiempo real
• Connectividad con otras aplicaciones
65
64
Software Visual Mesa
• Monitorea continuamente el sistema
completo de Vapor, Agua de Calderas y
Condensado, alertando sobre los
problemas,
• Optimiza el sistema de vapor y
electricidad
• Evalúa casos “What If”
• Auditoría y Contabilidad. Valida los
datos y ayuda a resolver los problemas
de auditoría y contabilidad.
66
11
Usuarios
Sites:
4
1
1
3
1
2
1
3
1
Company:
Chevron
BP
Marathon-Ashland
Equilon
Air Liquide
Phillips
Rohm-Haas
Refining Co. 1
Texaco Pembroke
Comments:
3 Refineries, 1 Chemical
1 Refinery
1 Refinery
3 Refineries
ASU/Cogen
2 Ref/Chemical
1 Chemical
1 Ref, 2 Ref/Chem-closed loop
1 Refinery
Monitoreo
17 Total Sites
67
Monitoreo:
Monitoreo: Navegación “Click on
Anything”
68
Monitoreo:
Monitoreo: Click on a Plant
69
70
Monitoreo:
Monitoreo: Click on a Piece of
Equipment
Monitoreo:
Monitoreo: Click on a Line
71
72
12
Monitoreo:
Monitoreo: Alligator
Monitoreo:
Monitoreo: Reports
73
74
Monitoreo:
Monitoreo: Equipment Performance
“ What If ”
75
“What If”
76
“What If”: Current Results
77
78
13
“What If”: Delta Case
Choose This
Optimización
79
Optimización
80
Optimización
Qué optimiza el Visual MESA?
Cómo optimiza Visual MESA?
Actuadores
de las Bombas
Turbogeneradores
Producción de Vapor
Turbinas de Gas
Open
Loop (Advisory)
Closed Loop
81
82
Proyecto Visual MESA
Fases de Un Proyecto Típico
Relevamiento
de la topología de los
sistemas de vapor y fuel gas
Construcción del modelo (en G2)
Validación del modelo
Generación de casos base
Interfase con el Sistema de Control
Comisionado
Proyecto
83
84
14
Conclusiones
• El valor de los Sistemas Inteligentes está dado por
el beneficio económico que pueda obtener la
Industria a partir de los mismos.
• Nuestra experiencia en numerosas aplicaciones de
proyectos tecnológicos demuestra que la Industria
puede aceptar de buen grado los Sistemas
Inteligentes industriales
• Si a la Industria se le demuestra o explica cómo los
mismos pueden lograr dichos beneficios.
Sistemas Inteligentes
en la Industria de
Procesos
Conclusiones y
Perspectivas
85
86
Perspectivas
• El campo en de aplicación en la Industria de
Procesos Argentina es potencialmente muy amplio.
• Universidades e investigadores deberían esforzarse
en abrir puentes hacia la Industria y las Empresas
Tecnológicas.
• Industria y Empresas deberían ayudar a los
investigadores a abordar los problemas industriales
en “modo proyecto”.
• Los proyectos deben ser propuestos con una
estimación de los beneficios a obtenerse y posterior
verificación de los mismos.
87
15