Dynamic Process Monitoring using Modified Independent Component Analysis

Abstract

화학공정 및 다양한 공정의 이상진단을 위해 개발된 동적 공정 이상진단 방법과 관련이 있다. 공정 이상진단을 위해서는 적절한 통계적 분석방법이 필요하다. 분석방법을 선택하기 위해서는 데이터 관측치의 분포도나 변수들간의 관계를 고려해야 한다. 또한 공정의 특성 상 시간에 따른 데이터의 영향도 살펴야 한다. 본 연구에서는 데이터의 Negentropy 특성을 고려하고, 데이터의 시간 의존성을 함께 고려하는 모델을 개발했다. Modified Independent Component (MICA)방법으로부터 발전시켜, 새 방법을 개발하였다. 기존의 MICA 방법은 국소 최적화(local optimum) 결과를 얻는 Negentropy 함수를 사용하였으나, new dynamic model 방법은 전역 최적화(global optimum) 값을 찾는 함수로 바꾸었다. 또한 차원을 축소하는 기준과 time lag의 기준을 확립하였다. 모델검증을 위해서는 2개의 시뮬레이션 데이터 Tennessee Eastman Process (TEP), Wastewater Treatment Plant (WWTP)와 실제 공정데이터로 LG화학 대산 공장의 Ethylene Vinyl Acetate (EVA) 데이터가 사용됐다. 분석결과의 비교를 위해 Principal Component Analysis (PCA), Dynamic PCA, Modified Independent Component Analysis(MICA)의 방법을 함께 사용하여 분석을 진행했다. 공정 모니터링을 위해서는 T^2와 Squared Prediction Error (SPE 또는 Q statistic)을 사용하여 진행했다. 통계적 분석방법의 검증을 위해서 TEP 데이터가 주로 사용된다. 적용결과, 새로 개발한 모델을 통해서는 시간의존성뿐만 아니라 데이터의 non-gaussian분포 특징을 고려할 수 있음을 알 수 있었다. 따라서 PCA, Dynamic PCA, MICA 방법을 적용한 경우보다 많은 이상을 진단하는 결과를 얻었다. WWTP 데이터는 날씨가 맑은 경우, 비 내리는 경우, 바람이 많이 부는 경우로 총 3가지로 나뉘어져 있다. 이 데이터의 특징은 날씨가 흐려서, 데이터가 안정상태(steady state)에 있지 않고 측정된 데이터가 많이 흔들린다. 정상상태임에도 데이터의 변동(disturbance)이 있어, 이상상태를 진단하기 어려운 데이터이다. 이에 다른 방법들과 달리 새로운 dynamic방법을 사용한 결과, 데이터의 변동에 상관없이, 이상데이터 만을 효과적으로 찾는 것을 알 수 있다. EVA 공정의 반응기(autoclave reactor)에서 발생한 이상을 진단하였다. 측정된 데이터의 이상을 미리 예측할 수 있는지 살펴 보았다. 실제 공정데이터이기 때문에, 이상이 발생하지 않은 관측치들을 정상데이터로 하여, 정상모델을 만든 뒤 분석을 진행하였다. 분석결과 새로 개발한 방법을 사용한 경우에 보다 더 빨리 이상을 진단할 수 있었다. 분석결과, 개발된 방법은 데이터가 정규분포를 띄지 않는 경우 적합한 것으로 보인다. 또한, 시간에 따른 데이터의 변화를 살피기에 적합한 것을 알 수 있다. 이 방법의 개발로, 공정의 운영의 안정성과 경제적인 측면에서 긍정적인 영향을 줄 것으로 기대된다.

For the Operating and Maintenance (O&M) of a plant, Statistical Process Monitoring (SPM) methods are applied to the fault detection of chemical plants and other processes. In this research, a new dynamic model is developed from Modified Independent Component Analysis (MICA). It considers data’s non-Gaussian distribution and time dependency character. The existing MICA model can’t find global optimum, so the new model solves it. Contrast to other dynamic model, the new model has criteria for time lag and dimension reduction. For a verification of model, 2 simulation data and 1 real data are used. After a dynamic model is applied to data, it compares with Principal Component Analysis (PCA), Dynamic PCA and MICA. As a result, the new model detects more faults than other methods. Also it predicts faults faster than the others.