머신 러닝을 통한 최적화 결과를 공정 운영에 적용: Process safety engineer의 역할

앞선 글에서 머신러닝을 통해 얻은 최적화 결과를 공정 operation에 적용하는데 필요한 요건과 현실적인 제약 등을 설명했다. 그러나 이 변화는 거부할 수 없는 방향성이며 긴 시간이 지난 이후라도 언젠가는 실현될 것이다. 

https://vegabondsheyla.tistory.com/31

머신 러닝을 통한 최적화 결과를 실제로 공정 운영에 적용할 수 있는가?

 

머신러닝을 통해 직접 공정 operation을 운영할 때 process safety 측면에서의 취약점과 그 때 process safety engineer의 역할은 무엇인가? 

 

Process safety 측면에서 취약점 -Company E 사례 

반응기 3개가 있다고 가정함 (2+1). 이 반응기 3개가 모두 운전될 경우 각 반응기는 70%의 Capacity로 운전됩니다. (70%* 3= 210). 그런데 이 반응기는 매달 Cleaning이 필요하고, 그 때 다른 두 반응기는 100%의 Capacity로 운전되어 생산량의 손실을 최소화 합니다.

3개의 반응기들이 feed 중 불순물로 인해 반응 온도가 떨어지고 있었고, 이 때문에 온도를 자동으로 계속 높이고 있었습니다. 그런데 그 과정에서 반응기 하나에 문제가 발생하여 가동 중지하게 된다. 이 때 최적화 tool은 남은 두 반응기의 capacity를 자동으로 100%까지 올리게 되고 (operator의 판단, 조치가 없음), 이는 너무 빠른 온도 상승으로 남은 두 반응기 모두 shutdown 되었습니다. 실제 startup시에는 충분한 시간을 가지고 승온하나 shutdown시에는 여의치 않아 설비에 stress가 가해짐.

 

** Shutdown시 발생하는 LEAK사고의 주된 원인은 갑작스런 조건 변화의 stress로 인한 leak사고임. 이는 정기보수 shutdown에서는 덜할 것임. 반면에 정기보수 startup시는 주된 initiating event는 human error이며, 비상 shutdown시 발생한 stress에 의한 leak가 startup하는 과정에 발생할 수 있음.  

Necessity_of_PHA_of_Non-Normal_Modes_of_Operation-R0.pdf

1.11MB

 

Shutdown 할 때마다 모든 설비는 stress를 받음 (thermal 등) 대부분의 hydrocarbon leakage 사고들은 긴급 shutdown될 때 많이 발생합니다.  Shutdown은 hazardous event의 escalation을 예방하기 위한 장치이다. 따라서 원치 않는 shutdown이 많이 일어나게 될 수록 설비는 더 빨리 늙게 되므로, 그래서 공장은 단지 수익성 뿐만 아니라 Leak사고, 설비의 노후화** 등을 최소화하기 위해 shutdown을 최소화하는 것이 맞음. 특히, 하기의 시스템은 더욱 그러하다. 

• 고온/고압의 시스템 
• 수소관련된 equipment는 HTHA 우려 https://www.hse.gov.uk/safetybulletins/high-temperature-hydrogen-attack.htm

** 보통 thermal stress가 이유인 경우가 많음. 갑작스러운 온도변화로 metal이 늘어났다 줄어들었다 하면서 life를 소모할 수 있음. 죠. 비교적 신규 설비는 stress에 저항력이 있지만, 오랜 세월 운전하면서 erosion, corrosion등에 어느 정도 노출된 설비들은 그러한 급격한 thermal stress에 취약해서 파손될 우려가 있음. 

 

Shutdown을 최대한 예방하는 방안은 무엇이 있을까?

(1) SIF에 의한 shudown에 전적으로 의존하지 않는 protection layer를 구성해야 함. 

LOPA 시행할 때, SIF의 level을 올리는 것이 능사가 아님. 이것에 크게 의존하는 것은 바람직 하지 않음. 

다양한 preventive protection layer를 구성해야 함. 

 

(2) Instrument의 error로 인해 발생할 수 있는 shutdown 예방 

SIL level이 높은 SIF 고려 (2oo3, 2oo2). 그러나 보완점이 필요하다. 

• SIL 3이상의 reliability level은 지속적으로 유지하기 어려움 .
• 유지할 수 있다고 해도 SIL 3이상의 SIF는 reliability를 유지하기 위해 많은 resource가 소요됨. 이를 제대로 하지 않았을 경우 사고 발생확률을 낮추기 어려움. 

 

[사고 사례]  YNCC 열교환기 leak test 중 파열 

Design pressure 보다 낮은 Pressure test 했는데도 floating head 이탈하여 작업자 사망. 

노후화로 인한 강도 취약으로 판단됨. 

열교환기_파열사고_예방_OPL_전파.pdf

0.59MB

 

 

역할: Process safety engineer가 기여할 수 있는 부분 

(1) HFE 적용 

AI가 human intervention 을 대신함. 그러므로 human intervention의 역할을 머신러닝의 최적화 tool에 적용시켜야 함. Human factor (예) 작업자의 숙련도, 작업환경의 영향, human intervention의 효율성/정확성 등을 머신러닝 software에 적용해야 함. 그래야 AI의 판단력 및 의사결정 능력이 제고됨. 이를 통해 머신러닝 결과를 공정 operation에 적용하는데 신뢰도를 높일 수 있음.

Human factor analysis &  HFE 분야에 대한 더 깊은 연구와 이를 적용하는 설계 practice들의 발전이 필요함. 

 

(2) 위험요소 발굴 - 위험성평가 

자동 operation에 취약한 시스템 등 선별 - 위험시나리오 발굴을 통해 시스템 혹은 시나리오 도출.

다양한 protection later 적용 등. 시스템 노후에 덜 영향을 주는 방향으로 안전조치 적용함. 

 

(3) 선택적 적용 혹은 제한 

머신러닝의 목적은 운전조건 변화에 따른 신속한 대응을 통해 생산량/quality 최적화를 달성하는 것임. 

위에서 언급한 사례에 대해 load up, temperature/pressure 상승 속도 제한. 일부 operator 개입 등.