“Control Estadístico Multivariable mediante Análisis de

UNIVERSIDAD DE MAGALLANES
FACULTAD DE INGENIERIA
DEPARTAMENTO DE QUIMICA
“Control Estadístico Multivariable mediante
Análisis de Componentes Principales (PCA),
aplicado al área de destilación Planta I Methanex
Chile Limited”
CHRISTIAN GONZÁLEZ CARRASCO
2005
UNIVERSIDAD DE MAGALLANES
FACULTAD DE INGENIERIA
DEPARTAMENTO DE QUIMICA
“Control Estadístico Multivariable mediante
Análisis de Componentes Principales (PCA),
aplicado al área de destilación Planta I Methanex
Chile Limited”
“Trabajo de titulación presentado en
conformidad a los requisitos para
obtener el título de Ingeniero Civil
Químico”
CHRISTIAN GONZÁLEZ CARRASCO
2005
Agradecimientos
Quiero agradecer la colaboración prestada por Methanex Chile Limited y Contratistas
para el desarrollo de esta memoria de título, en especial a Alejandro Sánchez, Julio
Medeiros, Javier Márquez y a los Ingenieros de Procesos.
A mis profesores por haberme dado las herramientas necesarias para afrontar nuevos
desafíos.
A mis amigos Federico y Claudio por darme fuerzas cuando las necesité.
Esta memoria está dedicada a mis padres quienes se esforzaron para darme lo mejor y
a Daniela por toda la comprensión y el apoyo incondicional prestado.
Índice General
INDICE DE TABLAS ___________________________________________________ ii
INDICE DE FIGURAS __________________________________________________ iii
RESUMEN ___________________________________________________________ vi
I.
INTRODUCCIÓN __________________________________________________ 2
I.1.
Objetivos _____________________________________________________ 2
I.2.
Alcance ______________________________________________________ 2
I.3.
Calidad, Monitoreo y Control de Procesos____________________________ 3
II.
Control Estadístico Multivariable de Procesos___________________________ 7
II.1.
Introducción ___________________________________________________ 7
II.2.
Estadísticas Multivariables________________________________________ 9
II.2.1.
Análisis de Componentes Principales (PCA) ______________________ 9
II.2.2.
Proyección a Estructuras Latentes (PLS) ________________________ 12
II.2.3.
Gráficas Multivariables ______________________________________ 13
II.2.3.1. Error Cuadrático de Predicción (SPE) __________________________ 14
II.2.3.2. Hotelling _________________________________________________ 15
II.2.3.3. Loading Plot ______________________________________________ 16
II.2.3.4. Score Plot ________________________________________________ 18
III.
MODELO MSPC DESTILACIÓN____________________________________ 21
III.1.
Metodología Utilizada para Creación de Modelos _____________________ 22
III.1.1.
Pre-procesamiento de datos__________________________________ 22
III.1.1.1. Selección de Variables ______________________________________ 22
III.1.1.2. Selección de Intervalo de Muestreo ____________________________ 24
III.1.1.3. Preparación de Datos _______________________________________ 25
III.1.1.3.1. Filtro No Data ___________________________________________ 25
III.1.1.3.2. Filtro Max/Min ___________________________________________ 26
III.1.1.3.3. Filtro Wavelet ___________________________________________ 26
III.2.
Modelo MSPC Destilación _______________________________________ 28
III.3.
Validación del Modelo __________________________________________ 29
III.3.1.
Validación en Operación Normal ______________________________ 29
III.3.1.1. Resultados Validación Operación Normal _______________________ 29
III.3.1.1.1. Score Plot ______________________________________________ 29
III.3.1.1.2. Hotelling ________________________ ¡Error! Marcador no definido.
III.3.1.1.3. SPE ___________________________________________________ 40
III.3.2.
IV.
Análisis de la Validación _____________________________________ 44
Análisis y Resultados de Modelación ________________________________ 46
IV.1. Análisis del Modelo ____________________________________________ 46
IV.1.1.
Loading Plot ______________________________________________ 46
IV.1.2.
Componentes Principales y Score Plot__________________________ 48
IV.2. Análisis mediante MSPC ________________________________________ 51
V.
IV.2.1.
Análisis de Situaciones Anómalas _____________________________ 51
IV.2.2.
Análisis de Relación Eficiencia vs Indicadores Gráficos _____________ 59
IV.2.3.
Análisis de Comportamiento del Modelo con Variaciones de Carga____ 64
Conclusiones y Recomendaciones ____________________________________ 68
V.1.
Conclusiones _________________________________________________ 68
V.2.
Recomendaciones _____________________________________________ 69
VI.
BIBLIOGRAFIA _________________________________________________ 70
ANEXO A “Variables Modelo MSPC Destilación”_____________________________ 72
ANEXO B “PI Data Link”________________________________________________ 74
ANEXO C “Descripción del Proceso” ______________________________________ 77
Anexo D “SCAN Offline”________________________________________________ 79
ii
INDICE DE TABLAS
Tabla III.1 “Intervalos de tiempos considerados como Operación Normal” _________ 29
Tabla IV.1 “Pesos de las variables que componen el Modelo MSPC PCA Destilación
Planta I” ____________________________________________________________ 50
Tabla A.1 “Lista de variables iniciales utilizadas en el modelo MSPC de Destilación” _ 73
iii
INDICE DE FIGURAS
Figura I.1 “Gráfica de Control Univariable”.......................................................................5
Figura II.1 “Representación Grafica de dos Componentes Principales de un conjunto
definido por tres únicas variables”..................................................................................11
Figura II.2 “Notación Matricial de Componentes Principales”.........................................11
Figura II.3 “Representación Gráfica de método PLS”.....................................................12
Figura II.4 “Representación Significado SPE” ................................................................14
Figura II.5 “Representación Significado Hotelling” .........................................................15
Figura II.6 “Loading Plot Correlación Positiva” ...............................................................16
Figura II.7 “Loading Plot Correlación Neagativa”............................................................17
Figura II.8 “Loading Plot Sin Correlación” ......................................................................17
Figura II.9 “Loading Plot Variables más importantes”.....................................................18
Figura II.10 “Score Plot y distancia estadística” .............................................................18
Figura III.1 “Temperatura Tope Columna Topping” ........................................................24
Figura III.2 “Filtro No Data”.............................................................................................26
Figura III.3”Filtro Wavelet” ..............................................................................................27
Figura III.4 “Porcentaje de Variabilidad Explicada Acumulada por los Componentes
principales” .....................................................................................................................28
Figura III.5 “Score Plot Grupo 1” ....................................................................................30
Figura III.6 “Score Plot Grupo 2” ....................................................................................30
Figura III.7 “Score Plot Grupo 3” ....................................................................................31
Figura III.8 “Score Plot Grupo 4” ....................................................................................31
Figura III.9 “Score Plot Grupo 5” ....................................................................................32
Figura III.10 “Score Plot Grupo 6” ..................................................................................32
Figura III.11 “Score Plot Grupo 7” ..................................................................................33
Figura III.12 “Score Plot Grupo 8” ..................................................................................33
Figura III.13 “Score Plot Grupo 9” ..................................................................................34
Figura III.14 “Score Plot Grupo 10” ................................................................................34
Figura III.15 “Score Plot Grupo 11” ................................................................................35
Figura III.16 “Score Plot Grupo 12” ................................................................................35
Figura III.17 “Hotelling Grupo 1” .....................................................................................36
Figura III.18 “Hotelling Grupo 2” .....................................................................................36
Figura III.19 “Hotelling Grupo 3” .....................................................................................36
Figura III.20 “Hotelling Grupo 4” .....................................................................................37
iv
Figura III.21 “Hotelling Grupo 5” .....................................................................................37
Figura III.22 “Hoteling Grupo 6”......................................................................................37
Figura III.23 “Hotelling Grupo 7” .....................................................................................38
Figura III.24 “Hotelling Grupo 8” .....................................................................................38
Figura III.25 “Hotelling Grupo 9” .....................................................................................38
Figura III.26 “Hotelling Grupo 10” ...................................................................................39
Figura III.27 “Hotelling Grupo 11” ...................................................................................39
Figura III.28 “Hotelling Grupo 12” ...................................................................................39
Figura III.29 “SPE Grupo 1”............................................................................................40
Figura III.30 “SPE Grupo 2”............................................................................................40
Figura III.31 “SPE Grupo 3”............................................................................................40
Figura III.32 “SPE Grupo 4”............................................................................................41
Figura III.33 “SPE Grupo 5”............................................................................................41
Figura III.34 “SPE Grupo 6”............................................................................................41
Figura III.35 “SPE Grupo 7”............................................................................................42
Figura III.36 “SPE Grupo 8”............................................................................................42
Figura III.37 “SPE Grupo 9”............................................................................................42
Figura III.38 “SPE Grupo 10”..........................................................................................43
Figura III.39 “SPE Grupo 11”..........................................................................................43
Figura III.40 “SPE Grupo 12”..........................................................................................43
Figura IV.1 “Loading Plot Modelo MSPC Destilación” ....................................................46
Figura IV.2 “Explicación Score Plot Componentes Principales 1 y 2 Modelo Destilación
Planta I”..........................................................................................................................48
Tabla IV.1 “Pesos de las variables que componen el Modelo MSPC PCA Destilación
Planta I”..........................................................................................................................50
Figura IV.3 “Score Plot Dewax 12 de Enero 2005”.........................................................52
Figura IV.4 “Hotelling Dewax 12 de Enero 2005” ...........................................................52
Figura IV.5 “Score Plot Dewax 12 de Febrero 2005”......................................................53
Figura IV.6 “Hotelling Dewax 12 de Febrero 2005” ........................................................54
Figura IV.7 “Score Plot Mayo 2005” ...............................................................................55
Figura IV.8 “Índice Hotelling” ..........................................................................................56
Figura IV.9 “Hotelling por Varibles para Reflujo de Topping (FIC138)” ..........................56
Figura IV.10 “SPE 20 de Abril al 30 de Abril” .................................................................57
Figura IV.11 “Hotelling 20 de Abril al 30 de Abril”...........................................................57
Figura IV.12 “SPE por variables para TIC243” ...............................................................58
v
Figura IV.13 “Gráfica TIC 243 y 248 entre el 20 de Abril y el 30 de Abril”......................58
Figura IV.14 “Eficiencia Destilación 12 de Abril al 19 de Abril”.......................................59
Figura IV.15 “Hotelling Destilación 12 de Abril al 19 de Abril” ........................................59
Figura IV.16 “Hotelling 19 de Marzo al 23 de Marzo 2005” ............................................60
Figura IV.17 “Eficiencia Destilación 19 de Marzo al 23 de Marzo 2005” ........................60
Figura IV.18 “Índice Hotelling 24 al 31 de Marzo 2005” .................................................60
Figura IV.19 “Eficiencia Destilación 24 al 31 de Marzo 2005” ........................................61
Figura IV.20 “Índice Hotelling 1 al 7 de Abril 2005” ........................................................61
Figura IV.21 “Eficiencia Destilación 1 al 7 de Abril 2005”...............................................62
Figura IV.22 “Índice Hotelling 8 al 12 de Abril 2005” ......................................................62
Figura IV.23 “Eficiencia Destilación 8 al 12 de Abril 2005”.............................................63
Figura IV.24 “Subida de Carga a Destilación 3 de Julio 23.35hrs al 4 de Julio 15.50 hrs”
.......................................................................................................................................64
Figura IV.25 “Índice Hotelling al subir Carga”.................................................................65
Figura IV.26 “Score Plot al Subir Carga” ........................................................................65
Figura IV.27 “Disminución de carga 25 de Abril 2005” ...................................................66
vi
RESUMEN
El objetivo principal de esta memoria de título fue aplicar el Control
Estadístico Multivariable al área de destilación de la Planta I de Methanex Chile Limited.
Los objetivos específicos fueron: proveer una guía estructurada para la
construcción, análisis e interpretación de modelos de control estadísticos multivariables
e investigar la aplicabilidad del Control Estadístico Multivariable en monitoreo de
procesos, detección de fallas y optimización del proceso.
Se generó un modelo multivariable de 8 Componentes Principales para el
periodo Febrero-Junio 2004 de 27 variables de Operación.
Mediante Gráficas Multivariables (Score Plot, Hotelling y SPE) se monitoreó
el área de destilación en Operación Normal y Operación Subnormal.
En Operación Normal el modelo mostró un 98,79% de aciertos, lo cual
significa, que de haber estado implementado en línea el modelo sólo hubiera arrojado
un 1,21% de falsas alarmas.
En Operación Subnormal se monitoreó Aumentos y Disminuciones de Carga,
Dewax y Fallas instrumentales, encontrándose comportamientos de las gráficas
multivariables que pueden ser considerados como patrones en caso de ocurrencia en el
futuro.
Se buscó una relación entre la Eficiencia de destilación y las gráficas
multivariables, encontrándose cierta relación con el Hotelling, al disminuir el Hotelling la
eficiencia de destilación aumenta, sin embargo la relación no se cumplió en el cien por
ciento de los casos, por lo cual se sugiere utilizar el Hotelling junto con un cálculo en
línea de la eficiencia para un mejor monitoreo.
Se sugiere implementar lo antes posible el modelo MSPC en forma online
para mejorar el monitoreo del área de destilación.
vii
CAPITULO I
INTRODUCCIÓN
2
I.
INTRODUCCIÓN
I.1.
Objetivos
El objetivo general de la presente memoria de título es aplicar Control
Estadístico Multivariable de Procesos (MSPC) al área de destilación de Methanex Chile
Limited.
Los objetivos específicos son: proveer una guía estructurada para la
construcción, análisis e interpretación de modelos de control estadísticos multivariables
e investigar la aplicabilidad del Control Estadístico Multivariable en el monitoreo de
procesos, detección de fallas y optimización del proceso.
I.2.
Alcance
El enfoque de esta memoria es teórico-práctico y tiene como finalidad realizar
un estudio de las utilidades del Control Estadístico Multivariable de Procesos (MSPC)
en el monitoreo, detección de fallas y optimización en el área de Destilación Planta I de
Methanex Chile Limited. El MSPC no es un control automático de procesos, sino una
herramienta de ayuda al control de procesos.
3
I.3.
Calidad, Monitoreo y Control de Procesos
El concepto de calidad ha estado presente en la industria de manufactura desde 1700.
En el presente, no sólo la industria de manufactura se preocupa de la calidad del
servicio y el producto, sino también las empresas de servicios consideran éstos como
los factores principales de la satisfacción del cliente.
Para ser competitivos en el mercado, las organizaciones deben mejorar o por lo menos
mantener la calidad de sus productos y/o servicios.
Para mantener la calidad del producto, la industria de procesos posee un amplio
número de variables operando bajo control automático. Los controladores estándares
(PID, controladores predictivos, en cascada, etc.) son diseñados para mantener las
operaciones de manera satisfactoria. Aunque estos controladores pueden compensar la
mayoría de las variaciones ocurridas en el proceso, existen cambios en el proceso que
no pueden manejar, estos cambios son llamados fallas (faults).
Algunos tipos de faults que ocurren en la industria incluyen, cambios en los parámetros
de procesos, como envenenamiento de catalizador o ensuciamiento (fouling) en
intercambiadores de calor, problemas de actuadores, problemas de sensores entre
otros.
Para asegurar que las operaciones satisfacen las especificaciones de calidad, los faults
deben ser detectados, diagnosticados y removidos. Estas tareas se asocian con el
monitoreo de procesos.
Con este objetivo las empresas están monitoreando su proceso productivo, además se
debe tener presente que para cumplir con estándares internacionales como
ISO9001:2000 se hace necesario monitorear los procesos, como lo señala la norma en
su número 7.5.1 letra d) y e) “La organización debe planificar y llevar a cabo la
producción y la prestación del servicio bajo condiciones controladas. Las condiciones
controladas deben incluir, cuando sea aplicable: d) la disponibilidad y uso de
dispositivos de seguimiento y medición; e) la implementación del seguimiento y de la
medición”
4
La finalidad del monitoreo de procesos es asegurar que las operaciones sucedan según
lo planeado, mediante el reconocimiento de las anomalías en el proceso. La información
no sólo mantiene mejor informados al personal del estado del proceso sino que también
ayuda a tomar las acciones necesarias par remover comportamientos anormales del
proceso y aumentar la confiabilidad del sistema. Después de identificar la fuente de la
anomalía, el ingeniero de procesos es el encargado de corregir la condición.
Una de las formas de monitoreo es el Control Estadístico Multivariable de Procesos
(MSPC), sin confundir esto con el control de procesos estándar.
En la actualidad existe el control estadístico univariable, también conocido como control
estadístico tradicional, en los cuales se monitorea una variable a la vez a través de
graficas de control, y el control estadístico de procesos multivariable.
Cuando un proceso envuelve más de una variable, existen dos formas de gráficas de
control que pueden ser seleccionadas, una gráfica de control multivariable o un set de
gráficas univariables.
Un control multivariable es más sensitivo y económico que un set de gráficas de control
univariable.
En la actualidad Methanex Chile Limited tiene incorporado un set de gráficas
estadísticas univariables de control, enfocadas a la calidad del producto, como la que se
muestra en la Figura I.1, lo cual hace difícil poder monitorear de una manera simple
todas las plantas, se debe considerar que en la parte de proceso solamente, existen
más de 200 variables relevantes por planta que deben monitorearse diariamente lo cual
conlleva un gasto enorme de recurso humano y por consiguiente recurso económico,
por lo anterior se está comenzando a implementar el control estadístico multivariable de
procesos.
Como causa de esto, se hace necesario obtener un mayor conocimiento de esta
herramienta y sus potenciales utilidades, lo cual es el objetivo de esta memoria de titulo.
5
Figura I.1 “Gráfica de Control Univariable”
6
CAPITULO II
CONTROL ESTADÍSTICO MULTIVARIABLE DE PROCESOS
7
II.
Control Estadístico Multivariable de Procesos
II.1.
Introducción
El progresivo aumento de la complejidad de los procesos productivos así como la
necesidad de mantener la confiabilidad de los sistemas ha permitido obtener volúmenes
cada vez más grandes de información disponible.
Sin embargo esta información es difícil de monitorear totalmente en forma diaria, por lo
cual se hace necesario la incorporación de herramientas o técnicas que permitan
realizar esta tarea de una forma más fácil.
Una de las herramientas disponibles es la utilización de herramientas matemáticas y
estadísticas que se han agrupado en la disciplina denominada Quimiometría.
Dentro de estas herramientas se encuentra el Control Estadístico Multivariable de
Procesos (MSPC).
El objetivo del Control Estadístico Multivariable de Procesos (MSPC), es manejar gran
cantidad de información, ya sea reduciendo el número de variables a monitorear
mediante el Análisis de Componentes Principales (PCA) o prediciendo valores de
variables o indicadores utilizando gran cantidad de información, lo cual se logra con
Proyección a Estructuras Latentes (PLS).
Mediante estas herramientas es posible detectar la existencia de operaciones
anormales en el proceso e identificar la fuente de anomalía, identificar fallas
instrumentales, detectar variables que producen variación de los valores deseados en
indicadores claves de producción (KPI), como también poder analizar fallas ocurridas en
el proceso.
Luego de identificar la fuente de anomalía o variabilidad, el ingeniero de proceso debe
tomar las medidas correspondientes para corregir la condición, lo cual disminuye la
variabilidad de la calidad del producto y aumenta la eficacia operacional de la industria.
Entender los tipos de variación existentes en el proceso es de vital importancia.
8
Existen dos tipos de causas generales de variación:
Causas comunes, las cuales son propias del proceso y que no pueden ser
alteradas sin realizar cambios al proceso.
Causas asignables, alteraciones inusuales u otras perturbaciones en el proceso
que pueden y deben ser removidas
Uno de los propósitos de las gráficas de control, la principal herramienta del control
estadístico de procesos, es distinguir entre estos dos tipos de variaciones, para de esta
manera, prevenir una sobre reacción o una reacción débil ante variaciones.
La distinción entre causas comunes y causas asignables depende del contexto. Una
causa que es común hoy puede ser una causa asignable mañana1, el tipo de variación
puede cambiar al cambiar el escenario de muestreo.
Mediante el uso de herramientas multivariables es posible mantener la producción de
una forma más estable, con una menor variabilidad, y a la vez, poder optimizar los
procesos productivos.
En este capitulo se presenta la base teórica de las herramientas multivariables de
control estadístico de procesos.
1
Woodall, “Controversies and Contradictions in Statistical Process Control”, 2000
9
II.2.
Estadísticas Multivariables
II.2.1.
Análisis de Componentes Principales (PCA)
El análisis de componentes principales (PCA) puede encuadrarse dentro del conjunto
de técnicas multivariables conocidas como métodos factoriales. Es una de las bases
del análisis multivariable.
La utilidad principal del análisis de componentes principales (PCA) reside, en que
permite estudiar un fenómeno multidimensional, cuando algunas o muchas de las
variables comprendidas en el estudio están correlacionadas entre si, en mayor o menor
grado.
El PCA sintetiza un gran conjunto de datos, crea estructuras de interdependencia entre
variables cuantitativas para crear unas nuevas variables que son función lineal de las
originales y de las que podemos hacer una representación gráfica. El objetivo del
análisis de componentes principales será el reducir la dimensión de un conjunto de p
variables a un conjunto m de menor número de variables para mejorar la interpretación
de los datos.
Las nuevas variables, las componentes principales, determinan lo esencial de las
variables originales, son una combinación lineal de ellas que además tienen unas
propiedades interesantes:
1. son ortogonales (cada componente representa una dirección del espacio de las
variables originales)
2. la primera componente es la que más varianza contiene y la j-ésima tiene más
varianza que la j+1 ésima...
El Análisis de Componentes Principales tiene como objetivo el hallar combinaciones
lineales de variables representativas de cierto fenómeno multidimensional, con la
propiedad de que exhiban varianza máxima y que a la vez no estén correlacionadas
entre si.
La varianza de la componente es una expresión de la cantidad de información que lleva
incorporada. Es decir cuanto mayor sea su varianza, mayor será la cantidad de
información incorporada en dicha componente. Por ésta razón las sucesivas
combinaciones o variantes o componentes se ordenan en forma descendente de
10
acuerdo a la proporción de la varianza total presente en el problema, que cada una de
ellas explica.
La primer componente es por lo tanto, la combinación de máxima varianza; la segunda
es otra combinación de variables originarias que obedece a la restricción de ser
ortogonal a la primera y de máxima varianza, la tercer componente es aún otra
combinación de máxima varianza, con la propiedad de ser ortogonal a las dos primeras
y así sucesivamente
Por sus propiedades ortogonales, las sucesivas componentes después de la primera se
pueden interpretar como las combinaciones lineales de las variables originarias que
mayor varianza residual explican, después que el efecto de las precedentes ha sido ya
removido y así sucesivamente hasta que el total de varianza ha sido explicado.
Es posible que unas pocas componentes logren explicar una alta proporción de la
varianza total; en este caso, que ocurre cuando las variables están correlacionadas en
mayor grado, las componentes pueden sintéticamente sustituir a las múltiples variables
originarias. Ello permitiría resumir en unas pocas componentes gran parte de la
información original.
Desde este punto de vista, el método de componentes principales es considerado como
un método de reducción, ya que puede reducir la dimensión del número de variables
que inicialmente se han considerado en el análisis.
Explicándolo en forma matemática, se tiene una Matriz XIxJ (i filas por j columnas) la
cual representa las i muestras de las j variables consideradas. El método de Análisis de
Componentes Principales permite representar la variabilidad presente en X en unos
pocos factores (Componentes Principales) que son combinaciones lineales de las
variables originales.
11
Variable 1
PC1
PC2
Variable 2
Variable 3
Figura II.1 “Representación Grafica de dos Componentes Principales de un conjunto definido por
tres únicas variables”
El análisis de Componentes Principales proporciona una aproximación a la matriz X
como producto de dos matrices: la matriz de scores, T y la matriz de loadings, P, que
capturan la estructura de los datos de X. Los scores capturan la estructura de las filas o
lo que es lo mismo, las relaciones entre las muestras y los loadings retienen la relación
existente entre las variables.
X = TPT + E
(Ecuación II.1)
Donde E representa el error.
J
X
I
A
T
=
I
J
P
A
J
T
E
+
I
Figura II.2 “Notación Matricial de Componentes Principales”
En las referencias 4, 5 y 6 se puede ver en mayor detalle las bases matemáticas del
Análisis de Componentes Principales.
12
II.2.2.
Proyección a Estructuras Latentes (PLS)
Este es uno de los métodos estadísticos multivariables usados para encontrar
relaciones entre dos matrices (X e Y), una de causas(X) y la otra de respuestas (Y).
PLS extrae factores de variabilidad que, al igual que PCA, son funciones de las
variables originales. Pero PLS extrae factores tanto de X como de Y.
Las matrices X e Y se modelan de la siguiente manera:
X=TP’+E
(Ecuación II.2)
Y=UQ’+F
(Ecuación II.3)
T y U corresponden a las matrices de scores
P y Q corresponden a las matrices de loadings
La relación entre X e Y es una regresión lineal entre U y T
(Ecuación II.4)
U=bT
Figura II.3 “Representación Gráfica de método PLS”
El primer set de loadings p1 y q1 se obtienen maximizando la covarianza entre X e Y.
La proyección de los datos X e Y en p1 y q1 entregan el primer set de scores t1 y u1
respectivamente
El proceso se repite para X’ e Y’ sucesivamente
13
II.2.3.
Gráficas Multivariables
Los gráficos de control univariables no aprovechan la potencialidad de los sistemas de
adquisición de información del proceso (como PI de Osisoft) puesto que no sirven para
monitorear al mismo tiempo múltiples variables.
Los gráficos de control multivariable proporcionan información adicional y son capaces
de detectar situaciones fuera de control donde los gráficos univariables no pueden
hacerlo.
A continuación se detallan cuatro tipos de gráficas multivariables, las cuales son
utilizadas para el control multivariable mediante PCA.
14
II.2.3.1. Error Cuadrático de Predicción (SPE o Q)
El SPE o Q mide la falta de ajuste de la nueva muestra al modelo PCA desarrollado, se
calcula mediante la ecuación siguiente:
SPEi = ei eiT = xi ( I - Pk PkT) xiT
(Ecuación II.5)
Donde ei es la fila i de la matriz de los residuos (E) del modelo PCA (X = TPT + E), I es
la matriz de identidad, Pk la matriz de los k vectores de loadings incluidos en el modelo
PCA y xi es el vector fila de la matriz X para la muestra i.
Variable Nº3
PC1
Q
Variable Nº2
PC2
Variable Nº1
Figura II.4 “Representación Significado SPE”
Considerando un modelo PCA con dos Componentes Principales el SPE medirá la
distancia desde el punto hasta el plano de las Componentes Principales, como lo
muestra la Figura II.4.
El índice SPE permite determinar cuando los datos proyectados sobre el modelo PCA
no están siendo representados por éste.
El SPE sirve para detectar fallas instrumentales, cambios en modos de operación en
controladores (de automático a manual), como también cambios en el performance de
equipos, como por ejemplo ensuciamiento en Intercambiadores de Calor.
15
Los cambios de modos de operación de controladores se pueden determinar mediante
SPE dado que el modelo PCA capta la relación entre las variables, por lo cual al
cambiar el modo de operación de controladores de manual a automático o viceversa la
relación entre variables también cambiará.
El SPE también aumenta cuando intervienen factores externos que no están siendo
medidos en la modelación PCA, por lo cual cambios en el ensuciamiento de
Intercambiadores podría ser detectado.
II.2.3.2. Hotelling
Fue Propuesto originariamente por Hotelling y mide la variación de cada muestra dentro
del modelo PCA. Se calcula como la suma de los cuadrados de los scores según la
ecuación siguiente:
Ti2 = xi Pk λ-1 PkT xiT
(Ecuación II.6)
Donde xi es el vector fila de la matriz X para la muestra i, Pk es la matriz de loadings y λ
es una matriz diagonal que contiene los valores propios asociados a los vectores
propios incluidos en el modelo PCA.
Variable Nº3
PC1
Variable Nº2
PC2
Variable Nº1
Figura II.5 “Representación Significado Hotelling”
16
En la Figura II.5 se puede ver una representación del significado del Hotelling, teniendo
graficadas las componentes Principales 1 y 2 (PC1 y PC2, considerando que sólo
existen 2), se proyectan sobre ellas datos nuevos y la distancia desde el punto a la
intersección entre las componentes principales es el valor del hotelling.
El gráfico Hotelling monitorea la distancia de una nueva medida al valor de referencia
en el espacio de los factores PCA. Permite detectar si la variación incluida en los
componentes principales considerados es más grande que la que le correspondería si
sólo influyeran variaciones aleatorias. La interpretación de este gráfico es la misma que
cualquier gráfico univariable, las muestras fuera de control poseen un valor de hotelling
superior al límite, y aparecen más allá de la línea de control.
Mediante el índice Hotelling se pueden detectar salidas de patrón del patrón de
operación normal de variables.
II.2.3.3. Loading Plot
El Loading Plot es un gráfico que muestra los Loadings considerados en la modelación
PCA, este tipo de gráficos permite investigar la relación entre las variables que
componen el modelo, viendo si existen correlaciones positivas, negativas y además ver
cuales son las variables que más influyen en los valores de cada Componente Principal.
P C2
V2
Correlación positiva
V5, V6
V5
Correlación positiva
V4, V7
V7 V4
V3
V6
V1
Figura II.6 “Loading Plot Correlación Positiva”
P C1
17
En los Loading Plot, cuando dos variables se encuentran cercanas significa que existe
una correlación positiva entre ellas, como la muestra la Figura II.6, en este caso V5 y V6
están correlacionadas positivamente, al igual que V4 y V7
P C2
V2
Correlación negativa
V4, V5
V6
V4
V1
P C1
Correlación negativa
V3, V6
V5
V3
Figura II.7 “Loading Plot Correlación Negativa”
Si dos variables se encuentran en lados opuestos con respecto al origen, como se
puede apreciar en la Figura II.7 entre V4 y V5 como también entre V3 y V6, quiere decir
que entre estas variables existe una correlación negativa
P C2
V2
No existe
Correlación
V6
V4
No existe
Correlación
V1
P C1
V5
V3
Figura II.8 “Loading Plot Sin Correlación”
Cuando dos variables se encuentran en cuadrantes opuestos horizontal o verticalmente,
como el caso que se muestra en la Figura II.8 entre V5 y V6 o entre V1 y V4 quiere
decir que entre estas variables no existe correlación.
18
Mediante el gráfico de Loadings Plot se puede ver también cuales son las variables más
influyentes, mientras más alejadas se encuentren del centro mayor será su influencia en
los Componentes Principales y mientras más cercanos al centro estén los loadings
menos influencia provocarán, en la Figura II.9 se puede apreciar que la V2 es altamente
influyente en la Componente Principal 2 (PC2) de manera positiva, de igual manera V7
es la más influyente en la Componente Principal 1 (PC1) positivamente y en la
Componente Principal 2 (PC2) de forma negativa.
P C2
V2
V5
V6
V3
V4
P C1
V1
V7
Figura II.9 “Loading Plot Variables más importantes”
II.2.3.4. Score Plot
Los Gráficos Score Plot proyectan los datos del proceso en los componentes
principales.
VF2
(t41,t42)
(t61,t62)
(t31,t32)
(t51,t52)
(t11,t12)
(t21,t22)
Distancia estadí
estadística
Figura II.10 “Score Plot y distancia estadística”
VF1
19
En la Figura II.10 se puede apreciar una gráfica Score Plot donde la matriz de variables
X está representada por el siguiente conjunto de ecuaciones:
X(1) = t11 PC_1T + t12 PC_2 T + ... t1aPC_a T + E
(Ecuación II.7)
X(2) = t21 PC_1 T + t22 PC_2 T + ... t2aPC_a T + E
(Ecuación II.8)
X(3) = t31 PC_1 T + t32 PC_2 T + ... t3aPC_a T + E
(Ecuación II.9)
X(k)= tk1 PC_1
T
+ tk2 PC_2
T
T
+ ... tkaPC_a + E.
(Ecuación II.10)
X(i) = Matriz de variables en el tiempo i
Mediante el análisis de los modelos PCA se pueden caracterizar los movimientos en el
Score Plot, llegando a atribuir hechos que estén sucediendo en planta con solo ver
hacia que lado se van desplazando los scores.
En conjunto las tres gráficas multivariables constituyen una robusta herramienta en el
monitoreo de procesos, dado que mediante éstas se puede detectar problemas en el
proceso, fallas de sensores, disminución de performance de equipos2 y se puede
monitorear de manera más fácil el proceso productivo.
2
Márquez Javier, memoria de titulo, 2003
CAPITULO III
MODELO MSPC DESTILACIÓN
21
III.
MODELO MSPC DESTILACIÓN
Existen tres tipos de modelos que se pueden generar para un área en particular:
modelo de operación normal, modelos de operación anormal y modelo de operación
óptima. El modelo que se generará dependerá de la utilización que se le quiera dar,
como también de que existan datos históricos para generarlos.
A continuación se detalla la utilización de cada modelo y los tipos de datos necesarios
para generarlos.
Modelo de Operación Normal: los datos necesarios para la generación de este
tipo de modelos son datos en que el área en estudio se haya encontrado dentro
de parámetros normales de operación. La aplicación de este tipo de modelos es
monitorear que la operación se encuentra bajo condiciones normales de
operación, cualquier operación anormal será detectada como falla y se podrá
saber cuales son las variables más influyentes.
Modelo de Operación Anormal: los modelos de operación anormal permiten
saber cuando se encuentra la operación en situaciones anormales, para poder
generar este tipo de modelos se requiere que existan suficientes datos de
operación anormal en el área en estudio.
Modelo de Operación Óptima: un modelo de operación óptima considera datos
en que el área se ha encontrado en mejores condiciones operativas, por ejemplo
altos niveles de eficiencias. En este tipo de modelos se puede analizar cuales
son las causas de que la operación se desvíe del óptimo.
En esta memoria se generó un modelo de operación óptima
En este capitulo se detalla la metodología general utilizada para la creación de los
modelos, el modelo MSPC de destilación y la validación del modelo.
22
III.1.
Metodología Utilizada para Creación de Modelos
En la realización de modelos multivariables, ya sean PCA o PLS se debe realizar un
pre-procesamiento de datos.
III.1.1.
Pre-procesamiento de datos
Para realizar un modelo mediante MSPC PCA que realmente funcione, y sea
representativo de la operación, pudiendo identificar las causas asignables como fallas y
las causas comunes no provoquen una interpretación errónea de los resultados
obtenidos, se deben llevar a cabo ciertas etapas antes de generar el modelo.
Las etapas son selección de variables, en la cual se deben seguir ciertas reglas,
selección del intervalo de muestreo y preparación de datos, a continuación se detallan
estas etapas:
III.1.1.1. Selección de Variables
La selección de variables a utilizar es importante dado que ellas serán las que
modelarán el proceso.
En el área de destilación de Planta 1, existen diferentes tipos de datos que se podrían
utilizar:
Datos de DCS: la mayoría de estos datos, los cuales se toman directamente
desde el sistema de control distribuido de la Planta (DCS), son datos de tipo
continuo y leídos cada 1 minuto aproximadamente por el sistema PI, también
existen datos de tipo diario, como lo son valores acumulados o bien valores
promedio.
Datos de Laboratorio: son datos que se obtienen luego de realizar análisis en
laboratorio, éstos, si bien son ingresados manualmente, igualmente están en el
sistema PI, no son de tipo continuo y la periocidad de éstos depende del
parámetro que se analice, algunos análisis de laboratorio del área son: %de agua
en la alimentación a destilación, TMA, Ace/Ald y Etanol en el producto.
23
Datos de Cálculos: son datos obtenidos de cálculos, la mayoría de los cuales son
de tipo diario, entre estos están por ejemplo, la eficiencia del área de destilación
y también Índices Claves de Producción(KPI) como lo es el Yield de cada planta
que mide la cantidad de Producto generado por Gas Alimentado
Para que los datos puedan ser utilizados en la generación de un modelo MSPC
deben cumplir ciertos requisitos:
Deben representar el instante en que se está tomando la muestra, es decir,
para poder considerar datos de Laboratorio por ejemplo se debería tomar los
datos del área sólo cuando se realiza el muestreo, además se deberían
muestrear todos al mismo tiempo, en otras palabras, los datos utilizados
deben ser una fotografía del área en el momento en que se están tomando.
No deben ser datos escalones por ejemplo la apertura de una válvula On-Off
no se puede considerar, porque sus únicos dos valores serán 0 y 100, lo
anterior es porque entorpece el análisis multivariable al crear Clusters de
datos.
La selección de datos para el modelo MSPC PCA del área de destilación Planta 1, se
llevó a cabo en conjunto con el ingeniero de procesos encargado de la planta, todos las
variables de proceso seleccionadas cumplen con las condiciones anteriormente
señaladas, en el anexo A se puede ver una descripción de éstas y sus respectivos tags
PI, las variables consideradas en el modelo fueron un total de 29 inicialmente,
considerando en el área de destilación la torre topping (E201), la refinning 1(E202EA) y
2(E202EB), en el anexo C se puede observar un diagrama del área y una descripción
del proceso.
Antes de avanzar se chequeo el estado de las variables, durante la operación actual,
como consecuencia de esto se quitó una variable de las que iban a ser consideradas en
el modelo, por estar fuera de operación el sensor, la Temperatura de Tope de la
Columna Topping (TIC-239) como se puede apreciar en la Figura III.1, la cual dejo de
funcionar el 15 de enero.
24
Figura III.1 “Temperatura Tope Columna Topping”
III.1.1.2. Selección de Intervalo de Muestreo
Luego de seleccionar las variables que se utilizarán en la construcción del modelo se
debe seleccionar el intervalo de muestreo.
En la selección del intervalo de muestreo se debe considerar:
El intervalo de muestreo debe ser representativo del tipo de operación que se
desee modelar, en el caso de operación normal, se debe tomar la mayor
cantidad de información de la operación en estas condiciones, no incluyendo
datos que se alejen de la operación normal; en el caso de modelo de operación
óptima se deben tomar datos en condiciones óptimas de operación.
La cantidad de información recolectada para cada modelo que se desee realizar
debe representar lo mejor posible la operación, en caso contrario no se
obtendrán buenos resultados al utilizar los modelos.
25
Para un modelo de operación normal, en caso de tomar información del proceso que no
represente la mayor parte de la operación, el MSPC puede indicar que se encuentra
fuera de operación normal cuando en la realidad se está dentro, o en caso de haber
incluido datos de operación anormal dentro del modelo, lo más probable es que al
repetirse la operación anormal el MSPC lo reconocerá como operación normal, teniendo
en cuenta lo anterior la selección del intervalo de muestreo es de vital importancia para
el MSPC.
En el caso del Modelo MSPC Destilación Planta 1 de Operación Óptima el intervalo de
tiempo considerado fue desde el 15 de Febrero del 2004 al 15 de mayo del 2004, 3
meses, con datos cada 5 minutos, teniendo un total de 25933 set de datos. El criterio
para la selección de este intervalo fue un porcentaje de carga a la planta entre 98 y
102% y una eficiencia del área de destilación entre 98.5 y 99.5%.
III.1.1.3. Preparación de Datos
Una vez seleccionado(s) el(los) intervalo(s) de muestreo, se debe recolectar la
información, para esto se utiliza la herramienta del Software PI de Osisoft denominada
PI Data Link, la cual es un AddIn de Microsoft Excel, en el Anexo B se describe está
aplicación, con ella se pueden tomar valores de las variables del proceso y llevarlas a
una planilla Excel, en donde se pueden realizar los modelos MSPC.
Luego de tener los datos seleccionados en la planilla Excel se debe realizar una
preparación de éstos antes de realizar los modelos MSPC, la cual consiste en Filtrar los
datos recolectados mediante distintos tipos de Filtros.
Los Filtros que son necesarios aplicar son: Filtro No Data y Filtro Wavelest, los cuales
se detallan a continuación.
III.1.1.3.1.
Filtro No Data
El filtro No Data consiste en eliminar las filas de datos que contengan
datos malos, ya sea por problemas en los sensores o durante la
calibración de sensores.
26
Para realizar este filtrado se utilizó el Filtro No Data del programa Scan
Offline, puesto que es muy difícil hacerlo manualmente por la cantidad de
datos involucrados, en el Anexo D se nombran las herramientas de que
dispone este programa.
Figura III.2 “Filtro No Data”
III.1.1.3.2.
Filtro Max/Min
Consiste en definir valores máximos y mínimos para cada variable en la
operación que se desea modelar, de esta manera se corrigen datos
erróneos producto de problemas de sensor.
Para realizar el filtrado de una manera más rápida se programó una macro
en VBA.
III.1.1.3.3.
Filtro Wavelet
El objetivo de utilizar este filtro es para disminuir la cantidad de datos
recolectados sin perder información de manera de hacer más fácil el
manejo de los datos a través de la planilla de cálculo (Microsoft Excel)
27
para la confección de los modelos MSPC, otro objetivo es eliminar Outliers
por problemas en los sensores.
Figura III.3”Filtro Wavelet”
En la Figura III.3 se puede apreciar la aplicación de un filtro wavelet a una
variable, en el se puede ver que los outliers son eliminados, además en el
caso de la figura los datos se redujeron a 1/3 de los que eran
originalmente.
En el modelo MSPC destilación Planta 1 de Operación Óptima, luego de aplicar los
Filtros señalados anteriormente se eliminaron: un total de 66 Filas mediante NO DATA,
además se eliminaron los datos Outlier con el Filtro Max/Min, no se aplicó el Filtro
Wavelets dado que en este caso el número de set de datos era manejable sin mayor
problema mediante Excel, no siendo necesario.
28
III.2.
Modelo MSPC Destilación
Luego del pre-procesamiento de datos, se procedió a generar un modelo MSPC PCA,
para lo cual se utilizó el programa Scan.
Se seleccionaron un total de 8 Componentes Principales, los cuales explican el 81% de
la variabilidad total.
Figura III.4 “Porcentaje de Variabilidad Explicada Acumulada por los Componentes principales”
En la Figura III.4, se puede observar que con tan sólo monitorear 4 componentes
principales, se estaría cubriendo el 60% de la variabilidad total, se debe señalar que
dentro de la variación considerada de las variables también se encuentra el ruido de la
señal, la cual es explicada por las últimas componentes.
29
III.3.
Validación del Modelo
III.3.1.
Validación en Operación Normal
Para la validación del modelo se procedió a tomar un periodo de tiempo de operación
normal y se proyectó en el modelo.
El periodo considerado correspondió entre el 1 de Enero del 2005 y el 31 de Mayo del
2005, sólo considerando periodos operación normal, con una carga a destilación entre
un 98% y 102% y sin eventos fuera de lo normal (como por ejemplo dewax de equipos.)
Los periodos de tiempo considerados se pueden ver en la Tabla 1.
Grupo
1
2
3
4
5
6
7
8
9
10
11
12
Fecha Inicio
01 Enero 00:00 hrs.
04 Enero 01:10 hrs.
16 Enero 16:50 hrs.
01 Febrero 00:00 hrs.
01 Marzo 00:00 hrs.
02 Marzo 23:40 hrs.
10 Marzo 04:10 hrs.
23 Marzo 19:50 hrs.
01 Abril 00:00 hrs.
26 Abril 05:35 hrs.
01 Mayo 00:00 hrs.
10 Mayo 17:40 hrs.
Fecha Termino
03 Enero 16:30 hrs.
11 Enero 22:05 hrs.
31 Enero 23:55 hrs.
03 Febrero 15:00 hrs.
02 Marzo 12:00 hrs.
09 Marzo 23:10 hrs.
19 Marzo 09:50 hrs.
31 Marzo 23:55 hrs.
22 Abril 22:35 hrs.
30 Abril 23:55 hrs.
07 Mayo 19:20 hrs.
27 Mayo 06:30 hrs.
Tabla III.1 “Intervalos de tiempos considerados como Operación Normal”
III.3.1.1. Resultados Validación Operación Normal
A continuación se presentan las gráficas de Score Plot, Hotelling y SPE obtenidas de la
proyección de las variables en Operación Normal sobre el modelo estadístico
multivariable.
III.3.1.1.1.
Score Plot
A continuación desde la Figuras III.5 a la III.16 se pueden observar los Scores Plots de
las 2 primeras componentes principales (2 componentes principales explican el 42% de
la variabilidad total) para cada intervalo de tiempo considerado como Operación Normal.
30
Figura III.5 “Score Plot Grupo 1”
15 ptos. fuera de la elipse roja, 775 ptos. totales, 2,1% del total fuera de la elipse, 97,9%
de aciertos.
Figura III.6 “Score Plot Grupo 2”
13 ptos. fuera de la elipse roja, 2267 ptos. totales, 0,57% fuera de la elipse, 99,43% de
aciertos.
31
Figura III.7 “Score Plot Grupo 3”
15 ptos. fuera de elipse roja, 4406 ptos. totales, 0,34% de puntos fuera de elipse,
99,66% de aciertos.
Figura III.8 “Score Plot Grupo 4”
0 ptos. fuera de elipse roja, 757 ptos. totales, 0% de puntos fuera de elipse, 100% de
aciertos.
32
Figura III.9 “Score Plot Grupo 5”
16 ptos. fuera de elipse roja, 433 ptos. totales, 3,7% de puntos fuera de elipse, 96,3%
de aciertos.
Figura III.10 “Score Plot Grupo 6”
13 ptos. fuera de elipse roja, 2011 ptos. totales, 0,65% de puntos fuera de elipse,
99,35% de aciertos.
33
Figura III.11 “Score Plot Grupo 7”
16 ptos. fuera de elipse roja, 2673 ptos. totales, 0,6% de puntos fuera de elipse, 99,4%
de aciertos.
Figura III.12 “Score Plot Grupo 8”
18 ptos. fuera de elipse roja, 2354 ptos. totales, 0,76% de puntos fuera de elipse,
99,24% de aciertos.
34
Figura III.13 “Score Plot Grupo 9”
98 ptos. fuera de elipse roja, 6320 ptos. totales, 1,55% de puntos fuera de elipse,
98,45% de aciertos.
Figura III.14 “Score Plot Grupo 10”
2 ptos. fuera de elipse roja, 1373 ptos. totales, 0,15% de puntos fuera de elipse, 99,85%
de aciertos.
35
Figura III.15 “Score Plot Grupo 11”
53 ptos. fuera de elipse roja, 1960 ptos. totales, 2,7% de puntos fuera de elipse, 97,3%
de aciertos.
Figura III.16 “Score Plot Grupo 12”
70 ptos. fuera de elipse roja, 4016 ptos. totales, 1,74% de puntos fuera de elipse,
98,26% de aciertos.
36
III.3.1.1.2.
Hotelling
El Hotelling para los distintos intervalos de tiempo considerados, se presenta en las
Figuras III.17 a la III.28.
Figura III.17 “Hotelling Grupo 1”
Figura III.18 “Hotelling Grupo 2”
Figura III.19 “Hotelling Grupo 3”
37
Figura III.20 “Hotelling Grupo 4”
Figura III.21 “Hotelling Grupo 5”
Figura III.22 “Hotelling Grupo 6”
38
Figura III.23 “Hotelling Grupo 7”
Figura III.24 “Hotelling Grupo 8”
Figura III.25 “Hotelling Grupo 9”
39
Figura III.26 “Hotelling Grupo 10”
Figura III.27 “Hotelling Grupo 11”
Figura III.28 “Hotelling Grupo 12”
40
III.3.1.1.3.
SPE
El SPE para los distintos intervalos de tiempo considerados, se presenta en las Figuras
III.29 a la III.40.
Figura III.29 “SPE Grupo 1”
Figura III.30 “SPE Grupo 2”
Figura III.31 “SPE Grupo 3”
41
Figura III.32 “SPE Grupo 4”
Figura III.33 “SPE Grupo 5”
Figura III.34 “SPE Grupo 6”
42
Figura III.35 “SPE Grupo 7”
Figura III.36 “SPE Grupo 8”
Figura III.37 “SPE Grupo 9”
43
Figura III.38 “SPE Grupo 10”
Figura III.39 “SPE Grupo 11”
Figura III.40 “SPE Grupo 12”
44
III.3.2.
Análisis de la Validación
En el Score Plot 29345 fueron el total de puntos analizados en la validación de
operación normal, de éstos, existieron 329 puntos fuera de la elipse roja, 1,21% de
datos fuera de los límites, existiendo un 98,79% de aciertos del modelo en operación
normal.
Considerando lo anterior, se puede decir que en operación normal existe un 1,21% de
falsas alarmas que se hubiesen obtenido de haber tenido el modelo operando online, lo
cual es bajo considerando que existen estudios que sitúan el porcentaje normal de
aciertos de los modelos MSPC en valores cercanos a 90%.
En el Hotelling se pudo observar que el índice se encontró en la mayoría de los datos
en valores menores a 1,8, lo cual podría llegar a ser un límite superior para este índice.
En el SPE desde la Figura 40 a la 48 el índice se encontró entre valores de 50 y 160,
tendiendo a un valor de 100, luego en el Grupo 10 se ve un aumento entre valores de
140 y 260, la causa de esto reside en un aumento del SPE de una variable en
particular, la cual fue la Temperatura de salida del condensador primario de la Topping
(TIC243), esto será analizado en el próximo capítulo, en el punto IV.2.1.
CAPITULO IV
ANÁLISIS Y RESULTADOS DE MODELACIÓN
46
IV.
Análisis y Resultados de Modelación
IV.1.
Análisis del Modelo
El modelo MSPC de Destilación comprende 8 componentes principales, las cuales
explican el 81% de la variabilidad total.
En las próximas dos secciones (IV.1.1 y IV.1.2), se explica el comportamiento del
loading plot y score plot de las dos primeras componentes principales.
IV.1.1.
Loading Plot
El Loading Plot del Modelo MSPC del área de Destilación para las dos primeras
componentes principales, se muestra a continuación en la Figura 52.
Figura IV.1 “Loading Plot Modelo MSPC Destilación”
Existen grupos de variables fuertemente correlacionadas, los cuales se nombran a
continuación:
Grupo 1:
PDI170 y PDI253
Grupo 2:
FIC130, FIC210, FIC 148 y FIC 134
Grupo 3:
PIC231, TR269, TR257 y TIC273
Grupo 4:
TIC248 y FIC 138
Grupo 5:
TR271 y PR221
47
En el Grupo 1 se ven correlacionados positivamente los diferenciales de presión de las
columnas 202EA y 202 EB.
En el Grupo 2 existe una correlación positiva entre el flujo de crudo (FIC130), el flujo de
la columna Topping a la 202EA (FIC134), el producto (FIC148), lo cual es lógico, sin
embargo también está en este grupo el flujo de vapor al 203C (FIC210).
En el Grupo 3 están la presión de tope de la 202EA, la temperatura de salida del
condensador de la 202EA (207C), temperatura de tope 202EB y temperatura en el
tercer plato de la 202EA.
En el Grupo 4 están la temperatura de salida del 206C y el Reflujo de la Topping.
En el Grupo 5 están la temperatura y Presión de fondo de la 202EB.
Se puede observar que las correlaciones encontradas tienen sentido, lo cual indica que
las dos primeras componentes principales del modelo lograron captar las relaciones
reales del área.
48
IV.1.2.
Componentes Principales y Score Plot
Componente Principal 1 y Componente Principal 2.
Los dos primeros componentes principales explican un 42% de la variabilidad total del
área, por lo cual son los más importantes y los que entregan más información de ésta.
Mediante el monitoreo de la gráfica Score Plot de las componentes principales 1 y 2 se
pueden observar las desviaciones existentes en el área.
A continuación, en la Figura IV.2, se asocian los cuadrantes del Score Plot de los
componentes 1 y 2 con las variables del modelo.
Aumento de Carga
Aumento TI231, TIC243
Disminución TIC273, PIC231,
Aumento TDR263, AR125,
TIC255
1
2
Aumento TIC273, PIC231,
TR269, TR257
3
4
Disminución de Carga
Aumento TR237, FR139
Figura IV.2 “Explicación Score Plot Componentes Principales 1 y 2 Modelo Destilación Planta I”
Un movimiento de los puntos hacia (1) representa un aumento de carga o bien un
aumento en la Temperatura de salda del Condensador primario de la Topping (TIC243),
también un movimiento hacia (1) puede representar un aumento de la temperatura de
entrada a Destilación (TIC231), que es lo que sucede al realizarse un Dewax.
49
Un movimiento de los puntos hacia (2) representa un aumento de la Temperatura de
salida del condensador de la Refining 2 (TIC273), un aumento de la Presión de tope de
la Refining 2 (PIC231), un aumento de la temperatura del plato 3 de la Refining 2
(TR269), y/o un aumento de la temperatura de tope de la Refining 2 (TR257)
Un movimiento de los puntos hacia (3) representa un aumento en la diferencia de
Temperatura entre los Platos 90 y 92 de la 202EB (TDR263), en el pH del fondo de la
Topping (AR125), en la temperatura del plato 78 de la 202EB (TIC255) y una
disminución en las variables de (2).
Un movimiento de las variables hacia (4) representa un aumento de la temperatura de
fondo de la Topping (TR237), un aumento de la purga de la Topping (FR139) o una
disminución de carga.
Uno de los movimientos más observados a diario en el Score Plot de las componentes
1 y 2 es entre los cuadrantes (2) y (3) de la Figura 2. El movimiento en dirección a (1) se
ve cuando hay subidas de carga o existe Dewax.
Los movimientos que no son bien descritos en los Scores como el FIC138 (Reflujo de la
Torre Topping) si se pueden ver sin problemas en el índice Hotelling.
Los pesos (importancia) de las variables en el modelo MSPC PCA se detallan en la
Tabla IV.1
50
Tabla IV.1 “Pesos de las variables que componen el Modelo MSPC PCA Destilación Planta I”
Variable
1FIC140.PV.NUL_D
1PI197.PV.NUL_D
1TDIC256.PV.NUL_D
1TR269.PV.NUL_D
1TIC255.PV.NUL_D
1TR257.PV.NUL_D
1FR139.PV.NUL_D
1FIC210.PV.NUL_D
1FIC130.PV.NUL_D
1PIC231.PV.NUL_D
1PR221.PV.NUL_D
1TIC273.PV.NUL_D
1TR271.PV.NUL_D
1TR237.PV.NUL_D
1PDI170.PV.NUL_D
1AR125.PV.NUL_D
1PDI171.PV.NUL_D
1TI231.PV.NUL_D
1TIC248.PV.NUL_D
1PDI253.PV.NUL_D
1FIC138.PV.NUL_D
1TIC243.PV.NUL_D
1TDR263.PV.NUL_D
1FIC134.PV.NUL_D
1FIC148.PV.NUL_D
1FIC147.PV.NUL_D
Peso
3,902946651
3,727695682
3,604078558
3,598905782
3,576632285
3,572049445
3,566646869
3,463767671
3,421622102
3,380558664
3,296150948
3,288940992
3,268833896
3,231952582
3,172439683
3,168935159
3,151946076
3,119311548
3,111922749
2,87226495
2,802160173
2,750716111
2,750342235
2,299218882
2,276381617
0,457566423
%
4,828349
4,611545
4,458618
4,452219
4,424664
4,418994
4,412311
4,285039
4,2329
4,182101
4,07768
4,06876
4,043885
3,998259
3,924636
3,9203
3,899283
3,858911
3,84977
3,553289
3,466562
3,40292
3,402458
2,844371
2,816119
0,566057
51
IV.2.
Análisis mediante MSPC
IV.2.1.
Análisis de Situaciones Anómalas
Algunas situaciones observadas a menudo en esta área son:
•
Comportamiento fuera de condición normal al realizarse dewax.
•
Errores en Sensores.
Análisis del Comportamiento del Score Plot y Hotelling cuando se realiza un
Dewax.
Los últimos Dewax realizados fueron el 12 Enero, 12 de Febrero y el 19 de Marzo.
En ellos existieron fluctuaciones en algunas variables lo cual se puede ver reflejada en
los Score Plot y Hotelling, lo que puede servir como guía para chequear las condiciones
del área, tanto operacionales como el estado de los sensores, luego de realizar un
Dewax.
A continuación se presentan los Score Plot y Hotelling para los Dewax del 12 de Enero
y del 12 de Febrero.
12 Enero 2005
A continuación en la Figura IV.3 se puede ver el Score Plot:
52
1
3
2
Figura IV.3 “Score Plot Dewax 12 de Enero 2005”
El desplazamiento en el Score Plot va desde el estado inicial (1) hacia el lado izquierdo
saliéndose de las condiciones normales de operación del área (2) provocado por el
aumento en la temperatura de entrada a destilación, TI231, y luego un retorno a las
condiciones normales en (3), en este caso se puede observar un desplazamiento de la
operación antes y después del Dewax desde 1 a 3.
En la Figura IV.4 se puede ver el Hotelling.
2
4
1
3
Figura IV.4 “Hotelling Dewax 12 de Enero 2005”
53
Los Puntos (1), (2) y (3) corresponden a los mismos observados en el Score Plot,
mientras que el punto (4) corresponde a un aumento del Reflujo de la torre topping
controlado luego.
12 Febrero 2005
A continuación en la Figura IV.5 se puede ver el Score Plot:
2
1
Figura IV.5 “Score Plot Dewax 12 de Febrero 2005”
Se puede observar nuevamente un desplazamiento desde (1) a (2) de igual forma que
lo observado en el Dewax del 12 de Enero, sin embargo en esta oportunidad no se
vuelve a las condiciones normales de operación, dado que luego del Dewax la carga al
área disminuye hasta un 81%.
54
2
1
Figura IV.6 “Hotelling Dewax 12 de Febrero 2005”
Los Puntos (1), (2) corresponden a los mismos observados en el Score Plot de la Figura
IV.5.
En el Score Plot del 19 de Marzo se pudo observar el mismo comportamiento analizado
anteriormente, en general se produce un movimiento del Score Plot hacia la izquierda,
saliéndose de los límites de operación normal.
En el Hotelling se puede ver un aumento producido por fluctuaciones en algunas
variables, como por ejemplo, el Reflujo de la Torre Topping.
55
Análisis de los indicadores SPE, Hotelling y/o Score Plot al sacarse de
funcionamiento el TIC273, al haber problemas en el FIC138 y en el TIC 243.
Fallas en los sensores son detectadas rápidamente mediante el Score Plot o el
Hotelling, a continuación se muestran dos casos suscitados en el área, como son:
problemas en el sensor de Reflujo de la Torre topping y cuando se sacó de
funcionamiento el TIC273.
En la Figura IV.7 se puede observar el Score Plot para el mes de Mayo.
1
Figura IV.7 “Score Plot Mayo 2005”
En (1) se puede observar que los puntos están totalmente fuera de la operación normal,
esto se produjo cuando se sacó de servicio el TIC273 para calibración.
A continuación se muestran las gráficas de Hotelling y Hotelling por variables para el
periodo cuando se produjo una falla en el sensor de Flujo de Reflujo de la Torre
Topping.
En la Figura IV.8 se muestra el Hotelling.
56
Figura IV.8 “Índice Hotelling”
En la Figura IV.9 se muestra el Hotelling por variables para el FIC138.
Figura IV.9 “Hotelling por Variables para Reflujo de Topping (FIC138)”
Al ver las Figuras IV.8 y IV.9 en la misma escala se puede ver que la mayoría de las
perturbaciones vistas en el Hotelling son producidas por el Reflujo de la Topping.
En la Figura IV.10 se muestra el SPE para el periodo comprendido entre el 20 de Abril y
el 30 de Abril.
57
Figura IV.10 “SPE 20 de Abril al 30 de Abril”
Se puede ver un aumento en el SPE desde valores cercanos a 100 a valores cercanos
a 200, sin embargo al ver el Hotelling para este periodo, no se observa un cambio
permanente, como se puede ver en la Figura IV.11.
Figura IV.11 “Hotelling 20 de Abril al 30 de Abril”
Al ver el SPE por variables, Figura IV.12, se puede ver que el aumento del SPE es
producido por un aumento del SPE de una sola variable, esta es la Temperatura de
Salida del condensador Primario de la Torre Topping,
58
Figura IV.12 “SPE por variables para TIC243”
Lo anteriormente visto significa que existe un cambio en las relaciones entre las
variables del modelo, y específicamente el TIC243.
Al graficar el TIC243 y TIC248, variables que siempre han estado correlacionadas, se
puede ver un cambio en la relación, como se muestra en la Figura IV.13.
TIC243 y TIC 248
60
75
58
1TIC243.PV.NUL_D
70
1TIC248.PV.NUL_D
56
65
54
52
60
50
55
48
46
50
44
45
42
40
5400
40
5900
6400
6900
7400
7900
8400
Figura IV.13 “Gráfica TIC 243 y 248 entre el 20 de Abril y el 30 de Abril”
La causa más probable del cambio en el SPE es una descalibración o ensuciamiento
del sensor de temperatura a la salida del condensador primario de la Topping.
59
IV.2.2.
Análisis de Relación Eficiencia vs. Indicadores Gráficos
Para analizar la existencia de alguna relación entre el Hotelling y la Eficiencia de
Destilación se consideró el periodo comprendido desde el 19 de Marzo al 19 de Abril.
A continuación en las Figuras IV.14 y IV.15 se pueden ver los gráficos de Eficiencia y
Hotelling para el periodo comprendido entre el 12 de Abril y el 19 de Abril.
Figura IV.14 “Eficiencia Destilación 12 de Abril al 19 de Abril”
Figura IV.15 “Hotelling Destilación 12 de Abril al 19 de Abril”
En la Figura IV.16 se muestra la eficiencia del área y el Hotelling para el periodo cuando
se vieron problemas en el Reflujo de la Torre Topping.
60
Figura IV.16 “Hotelling 19 de Marzo al 23 de Marzo 2005”
Eficiencia Destilación 19 de Marzo al 23 de Marzo
98
97,8
97,6
% Eficiencia
97,4
97,2
97
96,8
96,6
96,4
18-3-05 0:00
18-3-05
12:00
19-3-05 0:00
19-3-05
12:00
20-3-05 0:00
20-3-05
12:00
21-3-05 0:00
21-3-05
12:00
22-3-05 0:00
22-3-05
12:00
23-3-05 0:00
Fecha
Figura IV.17 “Eficiencia Destilación 19 de Marzo al 23 de Marzo 2005”
Figura IV.18 “Índice Hotelling 24 al 31 de Marzo 2005”
61
Eficiencia Destilación
98,5
% Eficiencia
98
97,5
97
96,5
96
24/03/2005 0:00
25/03/2005 0:00
26/03/2005 0:00
27/03/2005 0:00
28/03/2005 0:00
29/03/2005 0:00
30/03/2005 0:00
31/03/2005 0:00
Fecha
Figura IV.19 “Eficiencia Destilación 24 al 31 de Marzo 2005”
En las Figuras IV.18 y IV.19 se marca con una línea roja cuando se produce un cambio
en el SPE.
Figura IV.20 “Índice Hotelling 1 al 7 de Abril 2005”
62
Eficiencia Destilación
97,3
97,2
97,1
97
% Eficiencia
96,9
96,8
96,7
96,6
96,5
96,4
96,3
96,2
01/04/2005 0:00
02/04/2005 0:00
03/04/2005 0:00
04/04/2005 0:00
05/04/2005 0:00
06/04/2005 0:00
07/04/2005 0:00
Fecha
Figura IV.21 “Eficiencia Destilación 1 al 7 de Abril 2005”
Entre el 1 y el 7 de Abril el SPE permaneció prácticamente constante.
Figura IV.22 “Índice Hotelling 8 al 12 de Abril 2005”
08/04/2005 0:00
63
Eficiencia Destilación
101,5
101
100,5
100
% Eficiencia
99,5
99
98,5
98
97,5
97
96,5
96
08/04/2005
0:00
08/04/2005
12:00
09/04/2005
0:00
09/04/2005
12:00
10/04/2005
0:00
10/04/2005
12:00
11/04/2005
0:00
11/04/2005
12:00
12/04/2005
0:00
12/04/2005
12:00
13/04/2005
0:00
Fecha
Figura IV.23 “Eficiencia Destilación 8 al 12 de Abril 2005”
Al comparar la eficiencia de destilación, con el índice Hotelling, desde el 19 de Marzo al
19 de Abril, se puede observar que existe relación entre ambos, al aumentar la
eficiencia el índice Hotelling disminuye y al disminuir la eficiencia el índice Hotelling
aumenta. Lo anteriormente mencionado es valido siempre y cuando el SPE se
mantenga en valores relativamente constantes.
Lo anteriormente expuesto se ve en la mayoría de los días, sólo existen 4 días que no
guardan relación entre el Índice Hotelling y la Eficiencia de Destilación, es decir existe
un 86,6% de veces en el mes estudiado en que si existe relación, la cual no implica que
al tener el mismo índice Hotelling para dos días no consecutivos, se vaya a tener la
misma Eficiencia, lo que importa es el cambio que se produce en el Hotelling.
64
IV.2.3.
Análisis de Comportamiento del Modelo con Variaciones de Carga
Se presenta el comportamiento del modelo MSPC PCA de Destilación Planta I frente a
subidas y bajadas de carga.
Se consideró la subida de carga al área de destilación desde 118,5 m3/h (74% de
carga) a 161 m3/h (100,6% de carga) producida el 3 de Julio del 2005 a las 23.35 hrs.
hasta el 4 de Julio del 2005 a las 15.50 hrs.
En la Figura IV.24 se puede ver una gráfica del FIC130 (Flujo de alimentación a la torre
topping), los datos fueron tomados cada 5 minutos.
Figura IV.24 “Subida de Carga a Destilación 3 de Julio 23.35hrs al 4 de Julio 15.50 hrs.”
65
Figura IV.25 “Índice Hotelling al subir Carga”
Al aumentar la carga al área, el Hotelling comienza a disminuir, sin embargo, luego de
1.5 horas de haber llegado a 100% de carga al área, el hotelling continua alto, dado que
no se ha logrado estabilizar el área.
Figura IV.26 “Score Plot al Subir Carga”
Se pude ver que después de subir carga al área, los puntos del score plot mostrados en
la Figura IV.26, comienzan a acercarse a la “elipse de control”. Con líneas Rojas se
señala el movimiento observado en los Scores.
66
Para el caso de la disminución de carga, se consideró la bajada de carga al área de
destilación desde 100% de carga a 85% de carga y luego a 75% de carga producida el
25 de Abril del 2005.
100%
2
1
3
4
5
6
85%
75%
Figura IV.27 “Disminución de carga 25 de Abril 2005”
En 1 se comienza a bajar carga, se puede observar un movimiento en los scores
marcados por (2) y (3) hasta que la carga se estabiliza por un tiempo en 85% de carga
(4), luego de esto, se puede ver un movimiento similar al observado en (2) y (3)
señalado como (5), este también corresponde a una nueva disminución en la carga
hasta llegar a 75% de carga indicado con el número (6).
Se puede observar que los scores se mueven en la dirección señalada por la flecha
amarilla al disminuir la carga.
CAPITULO V
CONCLUSIONES Y RESULTADOS
68
V.
Conclusiones y Recomendaciones
V.1.
Conclusiones
De acuerdo al análisis realizado en el área de Destilación de la Planta I de Methanex
Chile Limited, mediante Métodos Estadísticos Multivariables, se obtuvieron las
siguientes conclusiones:
•
Mediante la aplicación del modelo multivariable es posible monitorear las
condiciones de operación.
•
Para un monitoreo completo del área sólo se hace necesario monitorear Tres
Gráficos Multivariables, como lo son el Score Plot, Hotelling y SPE, reduciendo el
número de variables a monitorear de 27 a 3 gráficas.
•
Fallas instrumentales como lo son caídas de sensores, son fácilmente
reconocidas por medio del Score Plot, creándose un cluster notoriamente
separado de la operación normal, y SPE, en el cual se puede ver un aumento.
•
Problemas de sensores como lo son descalibraciones son reconocidas mediante
el índice SPE, provocándose un aumento en el índice y pudiéndose reconocer la
variable afectada por el SPE por variables.
•
La implementación online del modelo permitiría aumentar la confiabilidad de la
información proveniente de terreno, al saber el estado de los sensores.
•
Los cambios de carga al área son reconocidos mediante desplazamientos de los
puntos dentro del Score Plot.
•
Mediante un buen conocimiento de las Características del Modelo Multivariable
se puede llegar a asociar los cuadrantes del Score Plot con movimientos de las
variables, obteniéndose cuantiosa información de un solo gráfico.
69
•
Mediante la Aplicación Online del modelo multivariable y una oportuna acción al
encontrar problemas, se podrá mantener el área dentro de los límites normales
de operación, detectando rápidamente fallas suscitadas en el área, ya sean
instrumentales o de procesos.
•
Dado que se encontró una relación entre el Hotelling y la Eficiencia del área de
destilación, es posible corregir operaciones con baja eficiencia, detectando las
variables con mayor incidencia en el índice Hotelling y realizando la corrección
de éstas, sin embargo, se recomienda utilizar en conjunto un cálculo en línea de
la eficiencia, dado que la relación no se cumplió en el cien por ciento de los datos
analizados.
•
Una subida de carga es reconocida por el modelo, acercándose progresivamente
los puntos del score plot dentro de los límites de control y disminuyendo el índice
hotelling hasta valores normales, pudiéndose reconocer en caso de ser
necesario, las variables que se deben ajustar, utilizando el hotelling por variables.
V.2.
Recomendaciones
A partir del análisis y las conclusiones de esta memoria de titulo, se desprenden las
siguientes recomendaciones para la implementación del modelo.
•
Implementar lo antes posible el modelo multivariable de manera online.
•
Permitir una retroalimentación continua del modelo, de manera de lograr un
mejor conocimiento de éste y un mejoramiento continuo.
•
Capacitar a los usuarios del sistema de manera teórica y práctica, estableciendo
pasos a seguir cuando se encuentren situaciones subnormales.
•
Implementar un cálculo de la eficiencia de destilación en línea, para monitorear
en conjunto con el modelo MSPC.
70
VI.
BIBLIOGRAFIA
1. Siripen Larpkiattaworn, A Neural Network Approach For Multi-Attribute Process
Control With Comparison Of Two Current Techniques And Guidelines For
Practical Use, Tesis Doctoral, University of Pittsburgh, 2003
2. Nong Ye, Qiang Chen, Syed Masum Emran, Sean Vilbert, Hotelling’s T2
Multivariate
Profiling
for
Anomaly
Detection,
Department
of
Industrial
Engineering, Department of Computer Science and Engineering, Arizona State
University, Tempe, Arizona, USA, Proceedings of the 2000 IEEE, Workshop on
Information Assurance and Security, United States Military Academy, West Point,
NY, 6-7 Junio 2000
3. Gregory A. Cherry, S. Joe Qiny, Multiblock Principal Component Analysis Based
on a Combined Index for Semiconductor Fault Detection and Identification,
Department of Chemical Engineering, University of Texas at Austin, Austin, TX
USA, Texas-Wisconsin Modeling and Control Consortium, 9 Febrero, 2004
4. Javier Márquez, Control Estadístico Multivariable de Procesos, Memoria de titulo
Ingeniería Civil Química, Universidad de Magallanes, Punta Arenas, Chile, 2003
5. Santiago Macho Aparicio, Metodologías Analíticas Basadas en Espectroscopia
de Infrarrojo y Calibración Multivariante. Aplicación a la Industria Petroquímica,
Tesis Doctoral, Universitat Rovira i Virgili, Departament de Química Analítica i
Química Orgànica, Terragona, España, 2002
6. Multi-and Megavariate Data Análisis, Capitulo 3, Pags 43-70
7. Kuang-Han Chen, Multivariate Statistical Process Control and Signature Analysis
Using Eigenfactor Detection Methods, Duane S. Boning and Roy E. Welsch
71
8. B. M. Wise, N. L. Ricker, Recent Advances In Multivariate Statistical Process
Control: Improving Robustness And Sensitivity, Center for Process Analytical
Chemistry and Department of Chemical Engineering, University of Washington,
Seattle, Washington, USA, Wise-IFAC 91
9. WILLIAM H.WOODALL, Controversies and Contradictions in Statistical Process
Control, Journal of Quality Technology, Vol.32, No.4, Octubre 2000
10. Dale E. Seborg, Fred Loquasto III, Model Predictive Controller Monitoring Based
on Pattern and Principal Component Analysis, Department of Chemical
Engineering, University of California, Santa Barbara, USA, Diciembre 2003.
72
ANEXO A “Variables Modelo MSPC Destilación”
73
A.
Variables Modelo MSPC Área Destilación
A continuación se detallan las variables consideradas inicialmente en el modelo MSPC
de Destilación Planta 1 Methanex Chile Limited.
TAG
FIC-130
FIC-138
Tabla A.1 “Lista de variables iniciales utilizadas en el modelo MSPC de Destilación”
UNIDAD
(m3/h)
(m3/h)
DESCRIPCION
Flujo de alimentación a destilación
Flujo de reflujo en la Topping
FIC-140
TIC-243
TIC-248
FR-139
(m3/h)
(°C)
(°C)
(kg/h)
Flujo de agua a tope de torre de Topping
T° de salida del 205 CA/CB
T° de salida del 206-C
Purga de torre de Topping
PI-197
PDI-171
TR-237
FIC-148
FIC-147
TDIC-256
FIC-210
TIC-273
(kg/cm2)
(kg/cm2)
(°C)
(m3/h)
(m3/h)
(°C)
(t/h)
(°C)
Presión en tope de la torre 201-E
Diferencial de presión en la Topping
T° del fondo de la torre
Flujo de Metanol producto
Flujo de reflujo en 202-EA
Diferencial de T° entre platos 68 y 82 de 202-EB
Vapor de baja al 203-C
Control de T° a la salida de 207-C (OVHD
CONDENSER 202EA)
PIC-231
TIC-255
AR-125
TI-231
FIC-134
TR-257
TR-271
PDI-170
PR-221
PDI-253
TR-269
TDR-263
(kg/cm2)
(°C)
Presión en tope de la Torre 202-EA(refining 2)
Control de T° del plato 78 de 202-EB
pH fondo 201-E ( topping)
Temperatura salida topping feed preheater
Feed 202eb
Tope 202eb
Fondo 202-eb
Delta de Presión 202eb
Presión fondo e202eb
Delta de Presión 202ea
Temp. plato 3, 202ea
Diferencia de Temperatura entre los Platos 90 y 92 de
la Refining 202EB
°C
M3/h
°C
°C
kg/cm2
Kg/cm2
Kg/cm2
°C
ºC
74
ANEXO B “PI Data Link”
75
B.
Generalidades PIDataLink
PI-DataLink es un paquete de software que permite a programas del tipo hojas de
cálculo, corriendo en ambiente Windows, recuperar información desde la base de datos
de un sistema PI. Es un AddIn.
Las opciones del menú del PIDataLink son las siguientes:
• Current value -- recupera el valor actual de un tag.
• Archive value -- recupera un valor único desde el archivo de PI (puede ser
interpolado).
• Exact time value -- recupera un valor único desde el archivo de PI para un
timestamp especificado.
• Calculated value -- recupera un valor único calculado (total, mínimo, máximo, rango,
desviación estándar o promedio).
• Tag Attributes -- recupera un atributo de un tag.
• Sampled data -- recupera datos desde le archivo a intervalos regulares.
• Compressed data (number) -- un especificado número de puntos.
• Compressed data (times) -- obtiene desde el archivo PI los datos almacenados en
un rango de tiempo.
• Timed data -- recupera datos para un conjunto de timestamps (pueden ser
interpolados).
• Calculated data -- calcula totales, mínimos, máximos, rangos, desviación estándar o
promedios para un conjunto de tags.
• Filtered sampled data (number) -- recupera un número especificado de datos a
intervalos regulares que cumplen con una condición de filtro.
• Filtered compressed data (number) -- recupera un número especificado de datos
desde el archivo de PI que satisfacen una condición de filtro.
• Filtered compressed data (time) -- recupera datos desde el archivo de PI en un
rango de tiempo que satisfacen una condición de filtro.
• Expression calculation -- obtiene datos desde expresiones calculadas.
76
• Connections -- administra las conexiones con los servidores PI.
• Tag Search -- busca tags de la base de datos.
• Settings -- muestra y permite modificar las opciones predeterminadas de PIDataLink.
• About -- muestra información acerca de la versión de PI-DataLink.
• Help -- ayuda de PI-DataLink
77
ANEXO C “Descripción del Proceso”
78
C.
Descripción del Área de destilación
El metanol crudo, en forma líquida, es filtrado para retirarle parafinas y otras ceras que
se producen en los reactores, luego es sometida a una drástica baja de presión, con el
fin de remover los gases disueltos que aún puedan quedar en el líquido base.
El metanol crudo es enviado directamente a la sección de purificación desde el punto
donde fue descomprimido. La purificación del metanol se lleva a cabo en dos columnas
de destilación.
La primera (201-E), columna “topping”, elimina los
subproductos
livianos tales como éteres, quetonas, aldehídos y gases disueltos no condensables
(hidrógeno, metano, CO y CO2, nitrógeno); estos gases salen por la parte superior y se
purgan del sistema para su uso posterior como parte de los gases combustibles de la
planta. La columna tiene varios puntos de alimentación, es de recirculación total y
posee en el fondo dos rehervidores, uno que se usa gas de proceso y otro que emplea
vapor baja presión como agentes calóricos.
La segunda columna (202-EA/EB) es conceptualmente de una pieza, pero por razones
técnicas y propias de su ubicación en Punta Arenas, se decidió hacerlas en dos
secciones o fases: una fase de limpieza o “stripping” (201-EB) y otra fase de “refinación”
(202-E/A).
El proceso es relativamente simple y separa la mezcla alimentada en dos partes: una
descarga líquida que es eliminada por el fondo de la columna 202-EB, y los vapores de
tope que luego son condensados y enfriados para obtener el producto final del proceso,
metanol grado AA. La columna posee además una corriente lateral que permite purgar
los alcoholes pesados (fusel-oil), los que son enviados a los quemadores de túnel del
horno reformador.
79
Anexo D “SCAN Offline”
80
D.1
Generalidades
Scan es un software que permite la creación de modelos MSPC PCA y PLS y a la vez
provee herramientas para el análisis y procesamientos de datos.
El software fue creado por Contac Ingenieros y trabaja además con un programa
graficador llamado ChartFX
Modelos multivariables han sido aplicados a numerosas industrias, principalmente del
área de la minería, obteniéndose resultados alentadores.
D.2
Herramientas
Las principales herramientas estadísticas que posee el programa son:
•
Filtrado de Datos: Search no Data, Mean Value, Delays and non linear
transformation, max-min boundaries, wavelet filtering, selection of variables and
time intervals
.
•
Trends and basic Statistics.
•
Build Model: VFA(PCA), PLS, Adaptive PLS
•
Test Model:
o
VFA (PCA): Score Plot, Loading Plot, SPE, Hotelling, Hotelling Index by
Variable, SPE by Variable, Comulative %, VFs vs time, Score Plot with
labels.
o PLS: Score Plot, Loading Plot, DMODX, Adaptive DMODX, DMODY,
Adaptive DMODY, Prediction of new Observation, Adaptive Prediction of
new Observation, Variable Contribution to Prediction, Adaptive Variable
Contribution to Prediction, Prediction v/s Real Output, Score Plot with
Labels, Regression coefficients, DMODX by Variable
81
Calificación Final
Nombre: Christian Alejandro González Carrasco
1. Calificación Memoria con Ponderación de 60%
1.1. Aspecto
x 0.2 =
1.2. Contenido
x 0.5 =
1.3. Calificación Profesor Guía
x 0.3 =
Nota Memoria =
2. Calificación del Examen de Grado con Ponderación de 40%
2.1. Expresión Oral y Exposición
x 0.2 =
2.2. Grado de Conocimiento Básico Demostrado
x 0.4 =
2.3. Grado de Conocimientos Específicos Demostrados
x 0.4 =
Nota Examen =
Nota Memoria
x 0.6 =
Nota Examen
x 0.4 =
Nota Final
=
Nombre del Miembro de la Comisión:
__________________________
Firma
Punta Arenas, …. de ……..2005