[논문]머신러닝 기법을 활용한 LDPE 공정의 이상 감지

이창송; 이규황; 이호경

doi:10.9713/kcer.2020.58.2.224

머신러닝 기법을 활용한 LDPE 공정의 이상 감지
Fault Detection in LDPE Process using Machine Learning Techniques 원문보기

Korean chemical engineering research = 화학공학, v.58 no.2, 2020년, pp.224 - 229

이창송 (LG화학 기술연구원) , 이규황 (LG화학 기술연구원) , 이호경 (LG화학 기술연구원)

초록
AI-Helper

머신러닝 기법을 활용하여 LDPE (Low Density Polyethylene) 공정의 이상을 사전 감지하고, 설비의 수명을 예측할 수 있는 기술을 소개한다. 안전성과 생산성 극대화를 위해, 화학 공정의 예상치 못한 이상을 사전에 감지하고 예방하는 것은 매우 중요하다. LDPE 공정은 3,000 kg/㎠g 이상까지 승압되는 고압 공정이기 때문에, ESD (Emergency Shutdown)가 발생하면 예상치 못한 부동이 발생하고, 그에 따른 보수 기간 증가로 인한 생산성 손실이 발생한다. 고압 공정의 주요 변수들의 운전 데이터를 수집하고, 비지도학습 머신러닝 기술을 활용하여, ESD의 사전 감지 모형을 개발하였다. 4회의 ESD를 2.4일 전에 감지하는 결과를 얻을 수 있었다. 더불어, 물리적으로 의미 있는 핵심 변수들을 활용하면, 고압 설비의 수명을 예측할 수 있음을 확인할 수 있었다.

Abstract ▼ AI-Helper

We propose a machine learning-based method for proactively detecting faults in LDPE processes and predicting equipment lifespan. It is important to detect and prevent unexpected faults in chemical processes in order to maximize safety and productivity. Since LDPE process is a high-pressure process up to 3,000 kg/㎠g or more, once ESD occurs, it can result in productivity loss due to increased maintenance periods. By collecting key variables operation data of the process and using unsupervised machine leaning methods, we developed a fault detection model which detected 4 ESDs 2.4 days prior to the occurrence. In addition, it was confirmed that the life expectancy of a hyper compressor can be predicted by using the physically significant key variables.

주제어

표/그림 (9)

그림 Fig. 1. (a) One normal mode, (b) Multiple normal mode.
그림 Fig. 2. Concept of fault diagnosis modeling.
그림 Fig. 3. Fault detection monitoring using principal component analysis.
그림 Fig. 4. Fault detection results using key principal components.
그림 Fig. 5. T² monitoring results.
표 Table 1. List of process variables
그림 Fig. 6. Comparison of before and after improvement: (a) before, (b) after.
그림 Fig. 7. Monitoring compressor life index developed with leak gas flow variables.
표 Table 2. Optimal combination of variables to maximize fault detection performance

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 LDPE 공장의 2차 압축기의 ESD(비계획 정지) 사전 감지 및 수명 예측 내용을 소개하였다.
두 개로 나뉘어진 에틸렌 스트림은 압축되어 1차 반응기와 2차 반응기로 분리, 공급되어 폴리에틸렌을 생산하게 된다. 본 논문에서는 고압 공정인 고압 압축기에 국한하여 이상 감지 모형 개발및수명 예측방법에대해소개한다. 고압압축기의경우, 설비 정비를 위하여 의도적으로 공장을 Shutdown하는 계획 정지(Process Shutdown, PSD)를 주기적으로 진행하나, 공정의 갑작스런 이상 발생으로 인하여 자동으로 Shutdown 되는 비계획 정지(Emergency Shutdown, ESD)가 간혹 발생하여, 예상하지 못한 공장 정지로 인한 생산량 저하, 부품 수급 차질 등의 문제가 일어난다.
고압압축기의경우, 설비 정비를 위하여 의도적으로 공장을 Shutdown하는 계획 정지(Process Shutdown, PSD)를 주기적으로 진행하나, 공정의 갑작스런 이상 발생으로 인하여 자동으로 Shutdown 되는 비계획 정지(Emergency Shutdown, ESD)가 간혹 발생하여, 예상하지 못한 공장 정지로 인한 생산량 저하, 부품 수급 차질 등의 문제가 일어난다. 이에 ESD의 사전 감지가 가능한지 분석을 진행하였다.
하지만 이러한 방법은 공정에 대한 해석적 모델을 구축해야 하므로 쉽지 않다. 최근에는 이를 대체하면서 비교적 간단한 데이터 기반 방법론이 각광 받고 있으며, 본 논문에서는 이 데이터 기반 방법론을 적용한 연구 결과를 소개하도록 하겠다. 이러한 방법들은 공정의 정상 상태 데이터를 이용하여 정상 상태의 고유 패턴을 설정한다.

가설 설정

LDPE 공장에서발생한 ESD의경우, 발생한시점의기록은있으나, ESD가 발생하면 바로 공정 부동으로 이어지기 때문에, 가동 중의 운전 데이터로는 정상과 이상을 구분할 수 없다. 이러한 점 때문에 임의로, ESD 발생 5일 전을 이상 의심 기간으로 가정하고, ESD 1~4로 labeling 하였다. 우리는 비지도학습 방법으로 clustering만 할 것이므로, labeling은 편의상 한 것으로 큰 의미가 있는 것은 아니다.

제안 방법

1단 변수들을 제외한 채, 각 변수 군들의 조합을 바꿔가며, 감지 성능 개선 여부를 확인하였다. 최적의 조합은 Table 2와 같이 확인되었다.
성능 개선의 지표를 세분화하였다. Alarm 지속 기간이 얼마나 유지되어야 비정상으로 볼 것인가는 매우 논란이 될 수 있는 문제이므로, alarm 지속 10분부터 60분까지 6단계로 세분화하여, 이상이 사전 감지되는 시점을 계산하였다. Fig.
LDPE 공장의 고압 압축기(Hyper Compressor)에서 발생한 4회의 ESD를 대상으로 비지도학습 머신러닝 기법을 활용한 검출이 가능한지 분석을 진행하였다. 데이터는 1분 간격의 1년 분량을 활용하였으며, 525,600개의 관측치를 대상으로 하였다.
공장에서 신규 설치하여 운영 중이던, 실린더 별 leak gas 변수 8개를 추가하였고, 크게 A-Side와 B-Side로 대칭 운전되는 고압 압축기의 양측 온도 차(ΔT) 8개를 계산하여 반영하였다.
5와 같이 확인하여 보았다. 모델의 검증은 2가지의 방식으로 진행하였는데, 첫번째는 이상을 구분하는지, 그리고 ESD가 발생하기 얼마 전에 구분되는지의 여부이다. 두번째는 정상 데이터의 false alarming 여부이다.
LDPE의 고압 압축기는 1차 압축기와 2차 압축기로 구분되는데, 압력수준이 낮고 ESD와 위치적으로무관한 1차 압축기 변수들은 모두 제외하였다. 변수 군은 크게 보면, 온도(흡입 온도, 단 별 최대 온도, 베어링 온도 등), 압력(흡입, Stage 간, 방출 압력 등)이 대부분이며, 다방 공정(Polytropic Process)의 열역학적 이론을 기반으로, 압축기 효율과 같은 가공 변수를 추가적으로 개발하여 반영하였다. 온도 및 압력과 같은 공장에서 직접 측정하고 있는 Raw Data 뿐만 아니라, 이러한 물리, 화학적인 feature들을 해당분야에 대한지식을 기초로 하여 반영할 때, 보다 좋은 결과를 얻을 수 있는 것으로 알려져 있으며[9], 이는 그 분야에 대한 specific한 domain knowledge가 있어야만 가능한 것이라 할 수 있겠다.
8일 전에 감지되었다. 성능 개선을 위해 Leak gas flow 및 대칭으로 위치하는 실린더의 좌우 온도차 등의 신규 변수를 추가하여, 71개로 변수를 확대하였으며, 변수 군들의 조합을 변경하면서, 사전 감지 성능 개선이 극대화되는 최적의 조합을 탐색하였다. 크게 영향이 없을 것으로 예상되는 1단의 변수들을 모두 제외하고, ESD 별로 다른 조합으로 T² 을 개발한 결과, 감지되지 않았던 특정 ESD의 감지가 가능해졌으며, 사전 감지 성능도 평균 2.
성능 개선의 지표를 세분화하였다. Alarm 지속 기간이 얼마나 유지되어야 비정상으로 볼 것인가는 매우 논란이 될 수 있는 문제이므로, alarm 지속 10분부터 60분까지 6단계로 세분화하여, 이상이 사전 감지되는 시점을 계산하였다.
앞서 언급한 55개의 변수들을 사용하여 PCA를 진행하였으며, 4개의 비계획 정지 직전의 데이터들이 정상 데이터들과 구분되는지 확인해보았다. 모두 6개의 차원으로 92%를 설명하는 PCA 모형이 만들어졌으며, Fig.
3에서 설명하고 있다. 주성분 분석 그래프를 이용하여 핵심적인 주성분(Principal Components)을 모니터링한다. 비정상 event가 발생하면, 신뢰 구간을 벗어난다.
주성분 분석의 결과에 기반하여 다변량 관리 지표인 Hotelling의 T2 지표를 개발하였으며, ESD 사전 감지가 가능한지 Fig. 5와 같이 확인하여 보았다.

대상 데이터

LDPE 공장의 고압 압축기(Hyper Compressor)에서 발생한 4회의 ESD를 대상으로 비지도학습 머신러닝 기법을 활용한 검출이 가능한지 분석을 진행하였다. 데이터는 1분 간격의 1년 분량을 활용하였으며, 525,600개의 관측치를 대상으로 하였다.

이론/모형

이에 고압 압축기의 주요 인자들을 수집하여, ESD의 사전 감지가 가능한지 비지도학습의 주성분 분석법 및 Hotelling의 T2 지표를 활용하여 분석을 진행하였다.

성능/효과

2개의 운전 모드, 4개의 ESD에 대해, 비지도학습 방법을 적용하여, 사전 감지 성능을 확인한 결과, 4회 중 3회의 ESD 감지가 가능하였으며, 감지가 된 경우에는 평균적으로 1.8일 전에 감지되는 것으로 판단하였다.
Leak gas flow 변수들 만으로 T2 을 개발한 결과, 이 T2 값이 PSD 및 ESD 직후 지속적으로 증가하고, PSD나 ESD가 발생 후 정비를 하게 되면, 다시 감소하는 것을 확인할 수 있었다.
6의 왼쪽은 기존의 감지 성능 결과이고, 오른쪽은 개선된감지 성능이다. 가장 특징적인 것은 ESD 3이 감지 된다는 것이고, 두 번째는 평균 1.8일 전 감지되던 성능이 평균적으로 2.4일 전으로 개선되었다는 것이다.
앞서 언급한 55개의 변수들을 사용하여 PCA를 진행하였으며, 4개의 비계획 정지 직전의 데이터들이 정상 데이터들과 구분되는지 확인해보았다. 모두 6개의 차원으로 92%를 설명하는 PCA 모형이 만들어졌으며, Fig. 4의 3차원 그래프처럼 3개의 핵심 특징을 사용할 경우, 상당한 양의 이상 데이터(그래프의 붉은 점선 원 영역의 dot 들)를 99% 신뢰구간을 기준으로 정상 데이터와 구분할 수 있었다.
분석 결과 특이한 점은 PSD 및 ESD 발생 시점까지 T² 값이 대체로 증가하다가, PSD, 혹은 ESD 발생으로 인한 정비 후에 값이 하락하고, 다시 지속적으로 증가한다는 것이다. Leak flow는 변수 간 상관 관계가 존재하며, 이러한 물리적인 상관성에 기인한 변수 간의 공선성 특성이 다변량 지표화 되었을 때, 물리적 의미를 잘 종합해서 보여주는 것으로 이해 된다.
상태가 좋지 않은 설비의 확인은 개별 실린더의 leak gas 단변량 monitoring으로 가능할 것으로 예상된다. 분석 결과를 통해, LDPE와 같은 고압 공정의 경우, 고압 압축기의 leak gas flow 변수에 기반한 다변량 지표의 적절한 활용으로 실린더 부품의 수명을 예측할 수 있음을 알 수 있다.
첫번째 방식의 검증 결과, ESD 1은 1.8일 전, ESD 2는 2.5일 전, ESD 4는 1.2일 전부터 99% 신뢰 구간을 벗어나기 시작한다. 하지만, ESD 3은 T² 지표로는 감지되지 않았다.
최초 55개의 인자들을 활용하여 모형화 하였으며, 그 결과, 4회의 ESD 중 3회가 평균 1.8일 전에 감지되었다. 성능 개선을 위해 Leak gas flow 및 대칭으로 위치하는 실린더의 좌우 온도차 등의 신규 변수를 추가하여, 71개로 변수를 확대하였으며, 변수 군들의 조합을 변경하면서, 사전 감지 성능 개선이 극대화되는 최적의 조합을 탐색하였다.
크게 영향이 없을 것으로 예상되는 1단의 변수들을 모두 제외하고, ESD 별로 다른 조합으로 T2 을 개발한 결과, 감지되지 않았던 특정 ESD의 감지가 가능해졌으며, 사전 감지 성능도 평균 2.4 일 전으로 개선되었다.

후속연구

Leak flow는 변수 간 상관 관계가 존재하며, 이러한 물리적인 상관성에 기인한 변수 간의 공선성 특성이 다변량 지표화 되었을 때, 물리적 의미를 잘 종합해서 보여주는 것으로 이해 된다. 상태가 좋지 않은 설비의 확인은 개별 실린더의 leak gas 단변량 monitoring으로 가능할 것으로 예상된다. 분석 결과를 통해, LDPE와 같은 고압 공정의 경우, 고압 압축기의 leak gas flow 변수에 기반한 다변량 지표의 적절한 활용으로 실린더 부품의 수명을 예측할 수 있음을 알 수 있다.
값이 PSD 및 ESD 직후 지속적으로 증가하고, PSD나 ESD가 발생 후 정비를 하게 되면, 다시 감소하는 것을 확인할 수 있었다. 이 지표를 적절히 활용하면, 고압 압축기 설비의 수명 지표로 활용할 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	일반적으로 LDPE는 어떻게 분류되어 생산이 되는가?	LDPE는 homo-polymer, copolymer 및 첨가제 포함 제품을 비롯하여 광범위한 용도와 가공에 적용된다. 일반적으로, 필름용, 압출코팅용, injection molding용, cable & wire용, blow molding용으로 구분되어 생산된다.
	화학공장에서 말하는 '이상'이란 무엇인가?	화학공장에서 보다 안전성이 우수한 공정을 갖추기 위해서는 이상의 원인을 조기에 감지하고 원인을 해결하여, 생산과 품질에 영향이 없도록 유지하는 능력을 갖추는 것이 필요하다. 여기서 말하는 이상은 물리적 고장, 교란, 작업자의 오류 등의 이유로 말미암아, 공정이 정상 상태를 벗어나는 경우를 의미한다. 예상치 못한 센서 및 제어기의 고장(malfunction), 오염(fouling), 막힘(blockage), 누출 (leaking), 원료의 변화, 유틸리티의 변화 등이 이에 해당한다.
	화학 공정의 이상을 감지 및 진단하는 방법은 무엇인가?	화학 공정 내에는 많은 순환 흐름과 제어 루프가 존재하기 때문에 이상을 감지하는 것은 쉽지 않다. 화학 공정의 이상을 감지 및 진단하는 방법은 공정 지식을 얻는 방법에 따라 모델 기반과 데이터 기반 방법으로 나누어지며, 각각 지식의 형태에 따라 정량적, 정성적 방법으로 나눌 수 있다[1-3]. 모델 기반 방법론은 공정을 에너지, 물질 수지식 등을 비롯한 물리, 화학적인 이론에 기반하여 모델링 한 후, 실제 데이터와 예측 결과를 비교하여 이상의 원인을 진단하는 방법이다.

참고문헌 (9)

Venkatasubramanian, V., Rengaswamy, R., Yin, K. and Kavuri, S. N., "A Review of Process Fault Detection and Diagnosis: Part I: Quantitative Model-based Methods," Comput. Chem. Eng., 27, 293-311(2003).

상세보기
Venkatasubramanian, V., Rengaswamy, R. and Kavuri, S. N., "A Review of Process Fault Detection and Diagnosis: Part II: Qualitative Models and Search Strategies," Comput. Chem. Eng., 27, 313-326(2003).

상세보기
Venkatasubramanian, V., Rengaswamy, R., Kavuri, S. N. and Yin, K., "A Review of Process Fault Detection and Diagnosis: Part III: Process History Based Methods," Comput. Chem. Eng., 27, 327-346(2003).

상세보기
Li, H., Wang, H. and Fan, W., "Multimode Process Fault Detection Based on Local Density Ratio-weighted Support Vector Data Description," Ind. Eng. Chem. Res., 56, 2475-2491(2017).

상세보기
Gajjar, S. and Palazoglu, A., "A Data-driven Multidimensional Visualization Technique for Process Fault Detection and Diagnosis," Chemometrics and Intelligent Laboratory Systems, 154, 122-136 (2016).

상세보기
Zhang, Z. and Zhao, J., "A Deep Belief Network Based Fault Diagnosis Model for Complex Chemical Processes," Comput. Chem. Eng., 107, 395-407(2017).

상세보기
Liu, K., Fei, Z., Yue, B., Liang, J. and Lin, H., "Adaptive Sparse Principal Component Analysis for Enhanced Process Monitoring and Fault Isolation," Chemometrics and Intelligent Laboratory Systems, 146, 426-436(2015).

상세보기
Adedigba, S. A., Khan, F. and Yang, M., "Dynamic Failure Analysis of Process Systems Using Principal Component Analysis and Bayesian Network," Ind. Eng. Chem. Res., 56, 2094-2106(2017).

상세보기
He, Q. P. and Wang, J., "Statistical Process Monitoring as a Big Data Analytics Tool for Smart Manufacturing," Journal of Process Control, 67, 35-43(2018).

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증