Edgealarm: Edge assisted real-time and intelligent alarm management system for oil refinery
Edgealarm: Petrol rafinerisi için sınır bilişim destekli gerçek zamanlı ve akıllı alarm yönetim sistemi
- Tez No: 648903
- Danışmanlar: PROF. DR. ÖZNUR ÖZKASAP, PROF. DR. ATTİLA GÜRSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Sınır bilişim, verilerin kaynağına daha yakın bir şekilde işlenmesini sağladığı için birçok sektörde veri işleme sürecini değiştirmektedir. Farklı endüstriler için çeşitli uç hesaplama mimarileri mevcut olsa da, bildiğimiz kadarıyla, petrol rafinerileri ve özellikle alarm yönetim sistemleri için uç hesaplamanın kapsamlı ve pratik kullanımı mevcut değildir. Alarm yönetim sistemi, çeşitli işlemleri güvenli bir şekilde yürütmek için her endüstrinin ayrılmaz bir parçasıdır. Etkisiz bir alarm sistemi, operatörün iş yükünü artırabilir ve bu da felaket olaylarına yol açabilir. Alarm seli, anlık alarmlar ve rahatsız edici alarmlar gibi faktörler operatörün üretkenliğini engeller ve dolayısıyla iş yükünü artırır. Bu tez çalışmasında, bir petrol rafinerisinin mevcut altyapısını değiştirmeden, EdgeAlarm adlı uç hesaplama modeline dayanan verimli bir gerçek zamanlı alarm yönetim sistemi öneriyoruz. Önerilen EdgeAlarm sistemi üç modülden oluşur: Depolama Azaltma (SR) modülü, Operatör İş Yükü Azaltma (OWR) modülü ve Yapay Zeka asistanı (AI) modülü. SR modülü, uçtaki anlık alarmları filtrelemekten sorumludur ve yalnızca yararlı alarmları bulut birimine (Historian sunucusu) gönderir. OWR modülünde, operatör iş yükünü azaltmak için gerçek ve rahatsız edici alarmları sınıflandıran iki yeni teknik öneriyoruz. AI modulü, operatöre gerçek zamanlı olarak yardımcı olmak için gelecekteki alarmları tahmin etmek için bir Tekrarlayan Sinir Ağından (RNN) oluşur. Önerilen EdgeAlarm sistemini Tüpraş petrol rafinerisi tesisi alarm yönetim sisteminin 13 aylık alarm veri setini kullanarak değerlendirdik. Bulgularımız, SR modülünün Historian sunucusunun depolama kullanımında yaklaşık %10 oranında azalma sağladığını göstermektedir. OWR modülü, doğru ve rahatsız edici alarmları bularak operatörün iş yükünü yaklaşık %50 oranında azaltmaktadır. AI modülü ise, operatörün yaklaşan alarmların çoğunu RNN yardımıyla uçta gerçek zamanlı olarak alarm kaynağı başına %55 doğrulukla tahmin ederek herhangi bir anormal durumdan önceden kaçınmasına veya buna hazırlanmasına yardımcı olmaktadır.
Özet (Çeviri)
Edge computing is changing the course of data processing in many industries as it enables the processing of data closer to its origin. Although various edge computing architectures exist for different industries, to the best of our knowledge, there is no extensive and practical utilization of edge computing for oil refineries and specifically for alarm management systems. Alarm management system is an integral part of every industry to carry out various operations safely. An ineffective alarm system can increase the operator workload, which can lead to catastrophic events. The factors such as alarm flooding, momentary alarms, and nuisance alarms impede the operator productivity and hence increase his/her workload. In this thesis, we propose an efficient real-time alarm management system based on the edge computing paradigm, namely EdgeAlarm, without altering the existing infrastructure of an oil refinery. The proposed EdgeAlarm system consists of three modules: Storage Reduction (SR) module, Operator Workload Reduction (OWR) module, and an Artificial Intelligence assistant (AI) module. The SR module is responsible for filtering the momentary alarms at the edge and only sends useful alarms to the cloud (Historian server). In the OWR module, we propose two novel techniques to reduce the operator workload by classifying the true and nuisance alarms. The AI module consists of a Recurrent Neural Network (RNN) to predict the future alarms to assist the operator in real-time. We evaluated the proposed EdgeAlarm system on the 13 months alarm dataset of an alarm management system of T¨upra¸s oil refinery plant. Our findings indicate that the SR module achieves a reduction in the storage utilization of the Historian server by approximately 10%. The OWR module reduces the operator workload approximately by 50% by finding the true and nuisance alarms. Finally, the AI module assists the operator to avoid or prepare for any abnormal situation in advance by predicting the majority of the upcoming alarms with the help of RNN with an accuracy of 55% per alarm source at the edge in real-time and some alarm sources are predicted with more than 90% accuracy.