화학 공정을 계속적으로 감시함으로써 공정의 이상이 장치의 고장 또는 폭발에 이르지 않도록 조기에 이상을 감시하는 기술은 공장 조업의 안정성과 생산성의 측면에서 볼 때 매우 중요하다 최근, DCS와 같은 공정 정보 시스템이 널리 보급됨에 따라서 방대한 양의 데이터들을 해석해서 실시간으로 공정을 감시하고 진단할 수 있는 기반이 마련되었다. 본 연구에서는 계층적 분해 기법과 PCA에 기반을 둔 공장 규모의 실시간 감시 기법을 제안한다. 대형 공정을 효율적으로 모니터링 하기 위하여 전체 공정은 몇 개의 군으로 나뉘며 또한 이 군은 다시 몇 개의 하위 군으로 세분하게 된다. 이렇게 전체 공정을 분해하여 계층적인 공정 모델을 구성함으로써, 전체 공정의 조업 상황을 감시할 수 있을 뿐만 아니라 이상이 발생했을 시에는 하위 계층의 조업 상황을 고려하여 보다 자세한 이상 원인을 진단할 수 있다. 또한 각 세부 단위 공정들에 대한 조업 정보를 포함하고 있는 하위 모델들과 전체 조업 전반에 관한 정보를 지닌 전체 모델을 통하여 공정 이상을 조기에 감시함으로써 이상이 전파를 방지할 수 있다. 이러한 실시간 감시 및 진단 기법을 구현학 Idnl하여 기존의 SPC와 다변량 통계 기법의 하나인 PCA를 적용하였으며, 제안한 방법의 감시 및 진단 성능을 평가하기 위하여 41개의 측정 변수를 가진 Tennessee Eastman 공정에 대하여 전산 모사를 수행하였다. 세 가지 경우에 대하여 적용한 결과들은 이상의 신속한 감지와 믿을만한 원인 진단 능력을 보여 주었다.
Continual monitoring of abnormal operating conditions i a key issue in maintaining high product quality and safe operation, since the undetected process abnormality may lead to the undesirable operations, finally producing low quality products, or breakdown of equipment. The statistical projection method recently highlighted has the advantage of easily building reference model with the historical measurement data in the statistically in-control state and not requiring any detailed mathematical model or knowledge-base of process. As the complexity of process increases, however, we have more measurement variables and recycle streams. This situation may not only result in the frequent occurrence of process Perturbation, but make it difficult to pinpoint trouble-making causes or at most assignable source unit due to the confusing candidates. Consequently, an ad hoc skill to monitor and diagnose in plat-wide scale is needed. In this paper, we propose a hierarchical plant-wide monitoring methodology based on hierarchical decomposition and principal component analysis for handling the complexity and interactions among process units. This have the effect of preventing special events in a specific sub-block from propagating to other sub-blocks or at least delaying the transfer of undesired state, and so make it possible to quickly detect and diagnose the process malfunctions. To prove the performance of the proposed methodology, we simulate the Tennessee Eastman benchmark process which is operated continuously with 41 measurement variables of five major units. Simulation results have shown that the proposed methodology offers a fast and reliable monitoring and diagnosis for a large scale chemical plant.
