정유공장의 공정 분석기에 대한 소프트 센서 모델 연구

Abstract

정유공장에서는 고부가 제품 생산량 증대, 환경 규제에 대한 준수와 안전한 작업 환경을 유지하기 위해 다양한 공정 분석기를 사용하고 있다. 공정 분석기는 분석 대상의 물성, 성분 함량 등을 측정하고 있으며, 측정된 값을 참조하여 제품 생산에 필요한 기준값을 유지하기 위해 공정 변수들을 조절하고 있다. 일반적으로 공정 분석기는 화재, 폭발 등의 대형 사고로 이어지는 경우가 드물어 이중화 구성을 하지 않는다. 그 결과, 설비 이상 발생 시 공정 분석기의 측정값을 모니터링할 수 없어 생산 손실, 환경 규제 미 준수 사례가 간헐적으로 발생하고 있는 실정이다. 본 연구에서는 온도, 압력, 유량 등의 공정 변수 데이터를 기반으로 머신러닝 알고리즘을 활용하여 공정 분석기에 대한 소프트 센서 모델을 구현하였다. 공정 분석기 별 소프트 센서 모델의 성능은 R2, RMSE, MAE 등의 평가지표로 검증하였으며, 분석기 별로 우수한 성능을 발휘한 알고리즘도 확인하였다. 이번 연구로 머신러닝 알고리즘 기반의 소프트 센서 모델은 공정 분석기와의 이중화 구성을 통해 현장에서 활용할 수 있는 수준임을 확인하였다.

A variety of process analyzers are used in refineries to increase the production of high value-added products, comply with environmental regulations, and maintain a safe working environment. The process analyzer measures the physical properties and ingredients of the analysis target. It controls process variables to keep the measured values within the standard required for product production. In general, process analyzers rarely lead to large-scale accidents such as fires and explosions, so they are not in a redundant configuration. Therefore, as it is impossible to monitor the process analyzers measuring values in the event of an abnormality, the loss of production and non-compliance with environmental regulations intermittently occur. This study attempted to develop a soft sensor model for process analyzers using machine learning algorithms based on process variables data, including temperature, pressure and flow rate. It examined the soft sensor model performance with R2, RMSE, and MAE. It also found the best-fit algorithm for each process analyzer. The results clearly indicated that the machine learning-based soft sensor model can be used in fields through a redundant configuration with process analyzers.