Dynamic Causality Analysis Approaches for Improved Industrial Systems Operational Performance

Divers systèmes de surveillance, de contrôle et de maintenance ont été développés pour optimiser les performances des processus industriels. Ces systèmes sont utilisés pour surveiller le comportement des processus, prédire les événements futurs et, par conséquent, prescrire des actions pour une prise de décision optimisée. Cependant, la plupart de ces systèmes s'appuient fortement sur des modèles mathématiques basés sur la compréhension physique, et à mesure que les industries sont devenues plus complexes, avec des échelles plus grandes et des interactions complexes entre les composants, le développement et la mise à jour de ces modèles sont devenus de plus en plus difficiles. Dans ce contexte, l’analyse de causalité basée sur les données est apparue comme une approche de modélisation précieuse pour comprendre et analyser des processus industriels complexes. En analysant les relations de cause-à-effet et en intégrant l'aspect temporel, les modèles causals basés sur les données peuvent découvrir les causes primaires de phénomènes complexes et capturer le comportement dynamique de systèmes au cours du temps. Néanmoins, mener une analyse de causalité fiable dans les industries de transformation est un défi en raison de la non-linéarité et de la nature dynamique du fonctionnement de ces processus, où la dépendance à la seule expertise du domaine devient insuffisante. Par conséquent, il existe un besoin urgent de développer une approche efficace d’analyse de causalité dynamique, automatisée, capable de gérer la non-linéarité et englobant les informations séquentielles et temporelles dans les systèmes complexes. En réponse à ces besoins, cette thèse présente trois nouvelles approches basées sur une analyse de causalité dynamique pour surveiller et optimiser efficacement le fonctionnement de processus industriels complexes en se concentrant sur l'amélioration de l'efficacité énergétique. La première approche vise la surveillance efficace des opérations en utilisant le cadre d'exploration de processus (PM) pour construire directement des modèles causals dynamiques précis à partir de données d'observation de bas niveau. Les deux autres approches améliorent l’approche initiale d'analyse de causalité, où le modèle construit est exploité à l'aide d'apprentissage par renforcement (RL) et d'autres techniques d'intelligence artificielle (IA) diversifiées pour une prise de décision améliorée dans le contexte du contrôle de supervision et de la maintenance prescriptive, respectivement. Les trois approches développées dans cette recherche doctorale ont été validées à l'aide d'études de cas réelles portant sur des procédés énergivores au Canada afin d'évaluer leur efficacité et leur applicabilité pratique dans l'industrie. Ces études de cas impliquent des équipements complexes,notamment des chaudières de récupération de liqueur noire, des systèmes de récupération de chaleur et des concentrateurs. Cette recherche doctorale conclut que les approches proposées ont une contribution significative à l'amélioration de l'efficacité énergétique d'équipements aussi complexes grâce à la surveillance et à la supervision précises de leur fonctionnement. Il souligne l’importance de tirer parti de l’intégration de la PM en tant que technique émergente basée sur les données avec l’IA, pour aider les experts du domaine à interpréter des phénomènes physiques complexes et à améliorer la prise de décision dans les problèmes d’ingénierie industrielle.

Abstract

Various monitoring, control, and maintenance systems have been developed to optimize the performance of industrial processes. These systems are used to monitor process behavior, predict future events, and accordingly, prescribe actions for optimized decision-making. Most of these systems heavily rely on mathematical models based on the physical understanding. However, as industries have become more complex, with larger scales and intricate interactions between components, developing and updating these models has become increasingly difficult. In this context, causality analysis has emerged as a valuable modeling approach for understanding and analyzing complex industrial processes. By analyzing cause-effect relationships and incorporating the temporal aspect, causal models can uncover the root causes of complex phenomena and capture the dynamic behavior of time-varying systems. Nevertheless, conducting accurate causality analysis in process industries is challenging due to the nonlinearity and dynamic nature of these processes’ operation, where depending on domain expertise alone becomes insufficient. Therefore, there is a pressing need to develop an efficient dynamic causality analysis approach that is automated, capable of dealing with non-linearity, and encompasses the sequential and temporal information in complex systems. In response to these needs, this thesis presents three novel approaches that are based on dynamic causality analysis to effectively monitor and optimize the operation of complex industrial processes focusing on enhancing energy-efficiency. The first approach targets the effective monitoring of operation by integrating the process mining (PM) framework and artificial intelligence (AI) to directly construct accurate dynamic causal models from low-level observational data. The subsequent two approaches expand upon this initial causality analysis approach, where the constructed model is exploited using reinforcement learning (RL) and other diversified artificial AI techniques for enhanced decision-making in the context of supervisory control and prescriptive maintenance. The three approaches developed in this doctoral research have been validated using challenging case studies in Canadian energy-intensive processes to assess their effectiveness and their practical applicability in the industry. These case studies involve complex equipment, including black liquor recovery boilers, heat recovery systems, and concentrators.