タイムアウトプロセスは、真の根本原因を特定して対処できるようになるまでに数日から数週間かかる場合があります。このプロセスをわずか数時間スピードアップすることで、すでに大幅に損失を減らすことができます。エンジニアが問題をどのように解決しているかについてのプレゼンテーションを説明するために、以下の20個のセンサーからの合成データを見てみましょう。このグラフには、統計的に非常に関連性の高い2つのセンサーがあり、そのうちの1つがトリップイベントの本当の根本原因であるとしましょう。
植物センサーの読み取り値をシミュレートするための合成データ
残念ながら、グラフを見ると、どちらのセンサーが接続されているかを判断するのは難しいですよね？小さな石油ガスプラントには1,000から3,000のセンサーがあるため、これはO＆Mエンジニア（私自身を含む）がそのようなセンサーと根本原因を特定する上での本当のボトルネックの1つです。これらの関係をより早く見つけることができれば、数百万ドルを節約できることを忘れないでください。
他の20の一般的なセンサーのうちの2つの統計的に関連するセンサー
私たちが試し、許容可能なレベルの成功を見つけて、これら2つの一致するセンサー間の関係を明らかにする2つの手法を紹介します。しかし、最初に、これがエンジニアとオペレーターにとって重要である理由を説明しましょう。
まず、現代の石油およびガスプラントでの停止イベントの場合、制御室には「最初のロックアウト」マークを表示できる高度な制御システムがあることは事実です。これは、トリップイベントをトリガーするセンサーの「最初のラベル」です（たとえば、高-高コンプレッサー出口圧力アラーム、クリティカルセパレーターでの低-低アラーム）。
重要性
この最初のロックアウトセンサーは、O＆Mエンジニアがプラントシャットダウンの潜在的な根本原因の調査を開始するために非常に重要です。ほとんどの場合、エンジニアとオペレーターは、この最初のロックアウトマークを確認するだけで、プラントのシャットダウンの問題を解決できます。ただし、多くの場合、これはあまり効果がありません。石油とガスの処理が非常に複雑で、この最初の閉塞マークの出現が最後に発生するのに対し、トリガーされる前に何が起こったのかを知りたいからです。
最初の解決策：階層型クラスタリング
最初の閉塞センサーとシャットダウンイベントまでの時間を調べたら、この情報を使用してクラスタリング方法を実行し、最初の閉塞センサーと同じように動作するセンサーを判別できます。階層的クラスタリングと樹状図の生成は、データサイエンス以外のユーザーに情報を提供できる便利な視覚化アプローチであると考えています。次の図に例を示します。
階層的クラスタリング手法による樹状図クラスタリング
この方法は、計画外の停止の根本原因を見つけるのに役立つだけでなく、通常とは異なる動作をしている関連するセンサーを見つけるためにも使用できます。たとえば、TI2335センサーが吸引スクラバーの温度の未知の上昇を示しており、異常な上昇の根本的な原因を調べたいとします。この方法を使用して、調べる適切なセンサーを見つけることができます。エンジニアは、1000〜3000個のセンサーを調べる代わりに、異常なセンサーまたは最初のブロッキングセンサーに近いセンサーにのみ焦点を合わせることができます。そうすれば、トラブルシューティング時間を大幅に短縮できます。残念ながら、この方法はすべての場合に適用できるわけではありません。そこで、他の方法をいくつか試しました。
2番目の解決策：グレンジャー因果関係テスト
Sir Clive Granger Granger
Causality Testは、ある時系列データセットが別の系列の予測に役立つかどうかを判断するための統計的仮説テストです。1969年にサー・クライヴ・グレンジャーによって出版され、2003年に彼の作品でノーベル賞を受賞しました。
エコノミストが統計を収集して変数に変換すると、1つの一般的な問題が発生します。彼は、どの変数が独立していて、どれが依存しているかを判断できません。言い換えれば、どの要因が他の要因を引き起こしているのかわかりません。
例はより明確です：エコノミストが国内総生産（GDP）と株価指数の間の関係を見つけようとしているとき。経済が繁栄しているとき、GDPと株価指数も上昇します。国の経済が衰退しているとき、GDPと株価指数も低下します。ただし、あることが別の原因になります。 GDPは実際の国内生産と消費を反映しているため、独立変数であるべきだと主張する人もいます。それどころか、株式指数が高ければ高いほど、投資家が常に期待している信頼性であるため、より多くの投資家が国の経済に投資するだろうと考える人もいます。この問題は、国のまったく異なる財政戦略につながります-地元の経済発展または株式市場の発展に投資することです。
グレンジャーの因果関係テストグレンジャー卿は、ある変数が別の変数に影響を与えるかどうか、それが一方向か二方向かをテストする統計的方法を考え出すことができたので、そのためにノーベル賞を受賞しました。このような問題が発生した場合、誰かがこのテストを使用して他の奇妙な問題をチェックできます。たとえば、Thurman and Fischer（1988）で、どちらが前に来たかを調べるために：鶏肉または卵子。
私たちの問題は上記の問題ほど奇妙ではありませんが、私が問題でグレンジャー因果テストを使用しようとしたとき。つまり、このテストを使用すると、いくつかの無関係なセンサーを取り除き、取得したp値を使用して関連するセンサーをランク付けできます。プロセスパラメータのグループの場合、結果は非常に満足のいくものです。
次に、プログラミングのスキルがないユーザーと対話するための便利なGUIを作成するために、Gradioライブラリを使用 して、プロトタイピングの段階で美しいグラフィックを作成しました。
結論
したがって、これまでに試したことから、階層型クラスタリングはガス処理部分でうまく機能しますが、グレンジャー因果テストは液体処理部分でうまく機能します。この理由の1つは、液体プロセスでは、非圧縮性の液体の性質上、通常、センサーがプロセスの変更に反応するのに時間がかかるためです。これは気相では当てはまりません。
これは、データサイエンスの手法を適用して実際の石油とガスの問題を解決する方法です。これを学び、現在取り組んでいるプロジェクトにDSを適用したい場合は、私たちがお待ちしています。
