Condition Monitoring of Heat Exchangers in Gas Processing
Abstract
Olje- og gassindustrien har de siste årene vært gjennom store forandringer, med et økende klimafokus og en dramatisk kollaps i oljeprisene. Dette har ført til at reduksjon av både klimaavtrykk og kostnader er blant de største fokusområdene i industrien i dag. I Equinor er forbedring av ytelsesovervåkning av prosessutstyr blant tiltakene for å effektivisere driften. Med bakgrunn i dette undersøkte denne masteroppgaven metoder for ytelsesovervåkning av varmevekslere.
Gjennom en litteraturstudie ble det dannet en oversikt over grunnleggende teori om varmeoverføring og varmevekslere, samt metodikk for ytelsesovervåkning av varmevekslere. Interessante tilnærminger fra både industri og forskning ble funnet i studien, presentert og forklart. Seks metoder med forskjellige tilnærminger, utviklet gjennom arbeidet med oppgaven og funnet i litteratur, ble testet med historiske data fra varmevekslere i drift. Målet var å analysere hvilke metoder som hadde potensial i driftsscenarioer, og kunne bli anbefalt til videre, mer omfattende studier. Metodenes styrker, svakheter og anvendbarhet ble brukt som vurderingskriterier i diskusjonene.
Utfordringer ble møtt underveis i testene, og dette påvirket resultatene. Utfordringene var som regel knyttet til problemer med målinger eller mangel på instrumentering i varmevekslersystemer. Omfattende instrumentering er ofte et krav for ytelsesovervåkning, og det varierende instrumenteringsnivået i industrien ble skildret med systemeksempler fra plattformer i drift. Hvordan dette påvirker standardisering av overvåkningsmetoder har blitt diskutert, og demonstrert av utfordringene møtt i testene. Det anbefales å tilpasse og standardisere instrumenteringspraksisen mot overvåkningsformål for å unngå slike utfordringer.
Resultatene viste at metodene med veiledede maskinlærings-algoritmer var mest lovende og hadde høyest potensial. Algoritmene er fleksible og kan tilpasses tilgjengelig data i hvert system, og ble derfor ikke påvirket av utfordringene i like stor grad som de andre metodene testet. Anbefalinger for videre metodestudier har blitt gitt, med praktiske og økonomiske konsekvenser foreslått som supplerende vurderingskriterier. The oil and gas industry has experienced major changes during the last years, with an increasing environmental awareness and a dramatic collapse in oil prices. Consequently, some of the main focus areas in the industry today are reduction of both emissions and costs. In Equinor, a part of the work to ensure more efficient operation is improving monitoring of process equipment performance. Through this thesis, methods for condition monitoring of heat exchangers were analysed.
A literature study was conducted to establish an overview of heat transfer and heat exchanger theory, and heat exchanger condition monitoring methodology. Interesting approaches from both industry applications and laboratory research were discovered in the study, presented and described. Six methods, with approaches from literature and approaches developed during this thesis work, were tested with historical data from heat exchangers in operation. The objective was to evaluate which methods that were suitable for operational situations, and could be recommended for further, more comprehensive research. Method strengths, weaknesses and applicability in industry were selected as evaluation criteria during discussions.
Complications were encountered during tests, affecting the results. These problems were mostly associated with measurement issues, or lack of instrumentation in heat exchanger systems. Proper instrumentation is often a requirement for condition monitoring methods, and how instrumentation levels vary in industry was illustrated with system examples from facilities in operation. How this affects development of standardised monitoring methods was also discussed, and demonstrated through the complications experienced during tests. It was recommended to adapt and standardise instrumentation practice for monitoring purposes, to avoid such problems.
In the tests, machine learning methods appeared most promising and showed highest potential, especially with supervised learning algorithms. Since the algorithms are flexible, the complications had less impact on these methods than the others. Recommendations for further studies were outlined, with practical and economical aspects suggested as additional evaluation criteria.