화학공정에서 의도되지 않게 발생하는 이상은 큰 사고를 유발할 수 있다. 이러한 문제를 해결하기 위해, 신속하게 이상의 원인을 감지하고 판별하는 이상 진단 모델이 필요하다. 하지만, 이상 진단을 연구하는 대부분 연구의 경우, 상 용프로그램에서 공정 시뮬레이션을 이용하여 이상 데이터를 생성하고 이를 이용하여 연구한 방법론을 적용하고 있다. 이는 실제 공정상에서 이상을 포함하는 실제 데이터를 얻는 데 많은 제약이 있음을 의미한다. 본 연구에서는 실제 폴 리스티렌 반응기에서 얻은 이상 데이터와 정상 데이터를 분석하여 적절한 이상 진단 모델을 설계하고자 하였다. 먼저, 정상 데이터를 분석하여 세 가지의 조업 모드가 존재함을 확인하였으며, 모드 판별을 위한 모델을 SVM (Support Vector Machine)을 이용하여 만들었다. 각 조업 모드 별로 PCA (Principal Component Analysis)를 이용하여 이상 진단 모델 을 만들었으며, 실제 이상 데이터를 이용하여 계산한 결과 신속하게 이상을 진단할 수 있음을 확인하였다. 본 연구에 서 제안한 모델을 통해, 실제 사고가 발생하는 경우 신속한 대처가 가능하며, 이는 잠재적인 손실의 감소에 기여할 수 있음을 의미한다.

In chemical processes, unintended faults can make serious accidents. To tackle them, proper fault diagnosis models should be designed to identify the root cause of faults. To design a fault diagnosis model, a process and its data should be analyzed. However, most previous researches in the field of fault diagnosis just handle the data set of benchmark processes simulated on commercial programs. It indicates that it is really hard to get fresh data sets on real processes. In this study, real faulty conditions of an industrial polystyrene process are tested. In this process, a runaway reaction occurred and this caused a large loss since operators were late aware of the occurrence of this accident. To design a proper fault diagnosis model, we analyzed this process and a real accident data set. At first, a mode classification model based on support vector machine (SVM) was trained and principal component analysis (PCA) model for each mode was constructed under normal operation conditions. The results show that a proposed model can quickly diagnose the occurrence of a fault and they indicate that this model is able to reduce the potential loss.

Fault diagnosis Principal component analysis Support vector machine

Lee KO, Lee CJ, J. Korean Soc. Saf., 34, 59 (2019)
Park JY, Lee CJ, J. Korean Soc. Saf., 29, 73 (2014)
Venkatasubramanian V, Rengaswamy R, Yin K, Kavuri SN, Com. Chem. Eng., 27, 293 (2003)
Venkatasubramanian V, Rengaswamy R, Yin K, Kavuri SN, Com. Chem. Eng., 27, 311 (2003)
Venkatasubramanian V, Rengaswamy R, Yin K, Kavuri SN, Com. Chem. Eng., 27, 327 (2003)
Lee CJ, Lee G, Lee JM, Chem. Eng. Res. Des., 91, 530 (2013)
Lee CJ, Ko JW, Lee G, Korean Chem. Eng. Res., 46, 383 (2008)
Vapnik VN, The nature of statistical learning theory, Springer Verlag, New York, U.S.A., 17-68(1995).
Almeida GM, Park SW, Kim SC, Lee CJ, Korean J. Chem. Eng., 37, 588 (2020)
Wold S, Esbensen K, Geladi P, Chemometrics Intell. Lab. Syst., 2, 37 (1987)
Hotelling H, Multivariate Quality Control—Illustrated by the Air Testing of Sample Bombsights, in Techniques of Statistical Analysis, Eisenhart C, Hastay M.W. and Wallis W.A., (eds) McGraw- Hill, New York, 111-184(1947).
Pyun H, Lee CJ, Lee WB, J. Korean Inst. Gas, 23, 32 (2019)