aalto1 untyped-item.component.html
Monitoring trickle-bed catalytic reactor using operating data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Kemian tekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
CHEM3044
Degree programme
Language
en
Pages
68
Series
Abstract
Statistical methods have been widely used in analyzing and monitoring complicated chemical processes. These methods are often referred to as statistical process control (SPC). However, chemical processes are typically multivariate in nature. Multivariate statistical process control (MSPC) methods were developed to specifically deal with the higher dimensional process data. Multivariate methods that researchers have previously used for chemical processes are principal component analysis (PCA) and partial least squares (PLS).
This thesis studies the use of multilevel simultaneous component analysis (MLSCA) to be used as an anomaly detection method for a trickle bed reactor that is used to dearomatize hydrocarbons. The main goal of this thesis is to demonstrate how MLSCA could be used to monitor and detect anomalies from chemical reactors purely based on the changes occurring in the temperature profiles. This is achieved by setting up the data to represent the cross section of the reactor instead of analyzing the time series during one catalyst life cycle.
This thesis present two MLSCA-based models that offers better visualization of the reactors operating conditions, which could be used for anomaly detection and identification. The first experiment uses temperature differences from each level against the feed temperature and the second experiment uses temperature differences that are calculated between each level instead of using raw temperature values. The anomaly detection is performed by using classical scatter plots on the model scores and by fitting Hotelling’s T2 and Q statistics on the data produced by the MLSCA model.
Tilastolliset menetelmät ovat olleet laajalti käytössä kemianteollisuudessa monimutkaisten prosessien analysointiin, seurantaan ja hallintaan liittyvissä tehtävissä. Näitä menetelmiä kuvataan yleisesti termillä tilastollinen prosessinohjaus. Kemianteollisuuden prosessit ovat luonnostaan moniulotteisia. Moniulotteisia prosesseja varten on erikseen kehitetty monimuuttujaisia tilastollisia prosessienohjauksen menetelmiä, jotka perustuvat suurien datamäärien analysointiin, sekä muuttujien välisten vuorovaikutusten huomioonottamiseen. PCA (pääkomponenttianalyysi, Principal Component Analysis) ja PLS (Projection to Latent Structures) ovat esimerkkejä monimuuttujaisista tilastollisia prosessinohjauksen mentelmistä, joita on käytetty hyödyksi kemiallisten prosessien analysoinnissa.
Tässä työssä tutkitaan kuinka MLSCA-analyysiä voidaan käyttää tunnistamaan poikkeamia kiinteäpetisestä triklekerrosreaktorista, jota käytetään aromaattisten yhdisteiden poistamiseen hiilivedyistä. Poikkeamia pyritään tunnistamaan analysoimalla pelkästään reaktorin lämpötilaprofiileja. Tämä saadaan aikaan järjestämällä lämpötiladata kuvaamaan reaktorin poikkileikkausta sen sijaan, että mallilla analysoitaisiin lämpötilojen aikasarjoja.
Työ sisältää kaksi koetta, joiden tarkoituksena on sekä parantaa reaktorin kunnon visualisointia että tutkia mallin poikkeamantunnistuksen hyvyyttä. Pelkkien lämpötila-arvojen sijaan, kokeissa käytetään lämpötilaeroja. Ensimmäisessä kokeessa käytetään lämpötilaeroja, jotka on laskettu reaktorin tasoista syötön lämpötilaa vasten. Toisessa kokeessa lämpötilaerot on laskettu reaktorin tasojen välistä. Poikkeamantunnistuksessa käytetään klassisia pistearvojen perusteella tehtyjä pistekaavioita sekä laskemalla mallille Hotellingin T2- ja Q-statistiikka arvot sekä näiden luottamusraja-arvot.