Operator decision aid design via multi-dimensional time-series event prediction: A hydrocracking unit application
Çok boyutlu zaman serisi olay tahminlemesi ile operatör karardestek sistemi tasarımı: Bir hidrokraking ünitesi uygulaması
- Tez No: 728826
- Danışmanlar: DR. ÖĞR. ÜYESİ BARIŞ AKGÜN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
İstenmeyen rafineri olayları daha düşük kaliteli ürüne, süreç kesintilerine veya ekipman arızalarına yol açar. Operatörler, rafineri süreçlerini izler ve gerektiğinde bu tür durumları önlemek veya etkilerini azaltmak için müdahale ederler. Rafineri süreçleri için gerekli donanımlar büyük ve karmaşıktır. Genellikle dikkat edilmesi gereken birçok sensör vardır ve bu da izleme işini zorlaştırır. Bu çalışmada, izleme yükünü azaltmayı amaçlayan operatör karar destek sistemleri geliştirmek için veriye dayalı bir metodoloji önermekteyiz. Karar desteği, belirli bir zaman çerçevesi içinde istenmeyen bir olayın meydana geleceğini operatöre bildirmek için yumuşak alarmlar verir. Olay tanımı sürece özel (ör. 15 dakika içinde 5 dereceden fazla sıcaklık artışı) veya genel (ör. 15 dakika içinde anormal sensör ölçümü) olabilir. Buradaki fikir, geçmiş verilerden eğitilmiş yapay öğrenme modelleri kullanarak bu olayları tahmin etmektir. Belirli bir ekipman birimi için sensör verileri, çok boyutlu bir zaman serisi olarak ele alınır. Olaylar, ya zaman serisi regresyonu ve tahminlere olay mantığının uygulanması ya da belirli bir zaman diliminde bir olayın olup olmayacağının sınıflandırılması yoluyla tahmin edilir. Bu olaylar genellikle nadirdir ve bu da onları tahmin etmeyi zorlaştırır. Bu, tüm olayları yakalamak (doğru tahmin edilen olayların toplam olay sayısına oranı) ile sadece doğru olayları yakalamak (doğru tahmin edilen olayların bütün gerçekleşen olaylara oranı) arasında, yani hatırlama/hassasiyet ve kesinlik arasında, ödünleşmeye neden olur. Karar destek sistemi tüm olayları yakalar, ancak daha fazlasını yanlış tahmin ederse, operatörün güveni azalacaktır. Bu nedenle, makul hatırlama değerlerini tutturarak kesinlik değerlerini arttırmaya odaklanıyoruz. Bu yüzden, sonuçlar F 0.1 puanını kullanarak ve ikincil olarak en az 0,5 kesinlik ve 0,1 hatırlama elde edilmesine bakılarak değerlendirilmektedir. Önerilen yaklaşım, gerçek bir rafinerinin dört yatağında birden fazla yapay öğrenme modeli ile değerlendirilmiştir. İlk değerlendirme olay tanımlarını doğrudan uygulayarak tahminlemek üzerinedir. Sonuçlar, her yatak için yüksek F 0.1 puanları elde eden en az bir yöntem bulunduğunu ve böylece karar destek sistemi oluşturmanın uygulanabilir olduğunu göstermektedir. Ancak yapay öğrenme modelleri arasında belirgin bir kazanan yoktur ve farklı yataklar için farklı performanslar elde edilmektedir. Ayrı ayrı sensörler yerine yataklar için olayları tahmin etmek önemli bir kazanım sağlamamıştır. Ayrıca, operatörlerin daha fazla esnekliğe sahip olması adına hatırlama ve kesinlik ödünleşimini ayarlamak için uyarlanabilir bir eşikleme yöntemi önerilmektedir. Bu, tahmin hatalarının güncel standart sapmasına dayanmaktadır. Değerlendirmeler, ödünleşimin mümkün olduğunu ve hatırlama değerlerini azaltsa da F 0.1 performansını önemli ölçüde artırmak için kullanılabileceğini göstermektedir. Son değerlendirme için, doğrudan sıcaklık tahmini yerine sıcaklık farkı tahmini denenmiştir. Yöntemlerin alt-kümesine uygulanan bu fikir, performans arttırmıştır ve daha üzerine gidilebilir olduğunu göstermiştir.
Özet (Çeviri)
Refinery upsets lead to lower quality product, process shutdowns or equipment failure. Human operators monitor refinery processes and intervene if needed to prevent such upsets or reduce their effects. The equipment required for these processes are large and complex. There are usually many sensors to pay attention to, making the monitoring job difficult. In this work, we propose a data-driven methodology to develop operator decision aids that aim to decrease the monitoring burden. The decision aid raises soft-alarms to notify the operator that an undesirable event will happen within a certain time-frame. The event definition can be process specific (e.g. more than 5 degrees temperature rise within 15 minutes) or generic (e.g. the sensor measurement will be anomalous within 15 minutes). The idea is to predict these events using machine-learning models trained from historical data. The sensory information for a given equipment unit is treated as a multi-dimensional time-series. The events are predicted either by time-series regression and applying the event logic on the forecasts or by classification of whether there will be an event or not in a given time-frame. These events are usually rare which makes them hard to predict. This results in the trade-off between capturing all the events (ratio of correctly predicted events over total number of events) versus capturing the true events (correctly predicted events to all the positive predictions) or the trade-off be-tween recall/sensitivity and precision. If the decision aid captures all the events but mispredicts many more, the trust of the operator will be eroded. Thus, we concentrate on getting good event prediction precision values while still keeping reasonable recalls. We evaluate our approach with multiple machine learning models on the four beds of a real refinery hydrocracker unit. Our first evaluation is applying the event definitions directly. Our results show that there is at least one method that can achieve around 0.5 or higher F0.1 for each bed, implying that building a decision aid is viable. However, there isn't a clear winner among the machine-learning methods and performance changes between different beds. Predicting events for beds, instead of sensors, did not yield significant gains. Tuning the precision-recall trade-off to the end of improving the decision aid performance, we suggest an adaptive thresholding method using the running standard deviation of the prediction errors. The evaluations show that the adaptive approach can increase the performance significantly. For the last evaluation, we directly predict the change of temperature values within the target time horizon in our regression methodology. We show that there are performance gains for a subset of our data utilizing this perspective of time series prediction.
Benzer Tezler
- Ulaştırma altyapı projelerinin finansmanı
Başlık çevirisi yok
ŞEBNEM DOĞRU
Yüksek Lisans
Türkçe
1997
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNGÖR EREN
- Uzman sistem teknolojisi ve çizelgeleme uygulaması
The technology of expert system and applications of scheduling
TARIK ÇAKAR
Yüksek Lisans
Türkçe
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiY.DOÇ.DR. ORHAN KURUÜZÜM
- Mekansal analiz teknikleri ile çok kriterli karar verme yaklaşımı kullanılarak raylı sistem güzergah analizi
Rail system route analysis using multi criteria decision making with spatial analysis techniques
BERNA ÇALIŞKAN
Doktora
Türkçe
2023
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- Dönel simetrik elemanların modüler tasarımı CAM-CNC integrasyonu ve simülasyonu
Modular design, CAM-CNC integration and simulation of rotational parts
HAKAN MESTÇİ
- Tanker terminal bağlama operasyonlarının modellenmesi
Modelling terminal mooring operations of tankers
ALİ CEM KUZU
Doktora
Türkçe
2018
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZCAN ARSLAN