CN101573668A - 生物燃料生产过程中的蒸馏和脱水子过程的综合模型预测控制 - Google Patents
生物燃料生产过程中的蒸馏和脱水子过程的综合模型预测控制 Download PDFInfo
- Publication number
- CN101573668A CN101573668A CN200780048692.5A CN200780048692A CN101573668A CN 101573668 A CN101573668 A CN 101573668A CN 200780048692 A CN200780048692 A CN 200780048692A CN 101573668 A CN101573668 A CN 101573668A
- Authority
- CN
- China
- Prior art keywords
- target
- distillation
- bio
- fuel
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L1/00—Liquid carbonaceous fuels
- C10L1/02—Liquid carbonaceous fuels essentially based on components consisting of carbon, hydrogen, and oxygen only
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L1/00—Liquid carbonaceous fuels
- C10L1/04—Liquid carbonaceous fuels essentially based on blends of hydrocarbons
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
- Feedback Control In General (AREA)
- Solid Fuels And Fuel-Associated Substances (AREA)
Abstract
用于生物燃料生产过程中的生物燃料蒸馏过程和生物燃料脱水过程的综合管理的系统和方法,包括与动态多变量预测模型连接的基于动态多变量模型的控制器。该模型可执行如下:接收包括生物燃料组成的蒸馏和脱水过程信息;接收来自蒸馏和脱水过程的生物燃料生产输出的目标,例如目标产品组成、生产率和/或进料速率;以及产生根据目标的模型输出,所述模型输出包括涉及蒸馏和脱水过程的多个操控变量的目标值。所述控制器可操作为:通过调节多个操控变量至根据生物燃料生产目标的由模型确定的目标值来动态控制生物燃料生产过程。
Description
背景技术
技术领域
本发明一般性涉及生物燃料及其副产品的生产过程的模型预测控制领域。更具体地,本发明涉及生物燃料生产过程中的蒸馏和脱水子过程的综合模型预测控制的系统和方法。
现有技术说明
生物燃料的历史
生物燃料是指任何来源于生物质的燃料,即来源于新近的活生物体或者它们的副产品。从大约1876-1908年开始,生物燃料就被用于汽车中。奥托循环(1876)是第一个设计为使用乙醇和汽油的内燃机。亨利福特的T模型(1908)设计为使用生物燃料、汽油或这两种燃料的任意组合。然而,乙醇的高政府税妨碍了生物燃料的使用,于是几十年来汽油成为汽车的主要燃料选择。
20世纪70年代的能源危机恢复了对矿物燃料替代物的研究。1978年的能源税法案(H.R.5263)规定对混合生物燃料(最少10%的生物燃料)的汽车燃料每加仑免收4美分的联邦税,并且对生物质-生物燃料转化设备给予10%的能源投资税优惠(除了已获得的10%的投资税优惠之外)以鼓励工厂建设。然而,到1985年,163家存在的商业化生物燃料工厂中仅有45%的在运营。这样高的工厂倒闭率部分是商业判断差和工程设计低效的结果。1988年,在科罗拉多州的丹佛市(该市命令冬季使用氧化燃料),生物燃料被用作氧化燃料。氧化燃料是被注入氧以减少燃烧燃料期间产生的一氧化碳排放和NOx排放的燃料。20世纪90年代的清洁空气法(Clean Air Act),促使作为污染控制添加剂的生物燃料的使用额外增长。
美国国会通过了1990年的清洁空气法修正案,该修正案命令在高污染地区使用含有增氧剂的“新配方汽油”。1992年开始,根据清洁空气法修正案,在汽油中加入了更高浓度的甲基叔丁基醚(MTBE)。许多地区空气质量的改善得益于添加MTBE的汽油的使用。然而到2000年,发现MTBE(一种已知的致癌剂)主要通过地下汽油储罐的泄露,已经污染了地下水系统。2004年加利福尼亚州和纽约州禁止了MTBE,通常用乙醇替换它。不久之后其它几个州也开始替换。2005年能源议案要求逐步停止使用MTBE并且不对石油公司提供法律保护。因此,石油公司开始用乙醇(生物燃料的一个例子)替换MTBE,因此刺激了生物燃料工业的成长。
自从2001年以来,原油价格的稳步升高已经使汽油价格升高到生物燃料生产成本的收支平衡点以上。这使得一直在寻求使农产品和服务的需求多样化途径的中西部农业地区非常受益。对于玉米富产地区,依赖补助金收益的生物燃料工厂现在转变成经济上可行的投资。
生物燃料生产工厂
图1示出示例性高水平设计的生物燃料生产工厂或者生物燃料生产过程,其中示出生物质是怎样通过几个阶段的处理生产出生物燃料和一种或多种副产品的。首先,将生物质供给到碾磨和蒸煮过程(例如,碾磨和蒸煮单元104),在其中加水102(可能为循环水RW1和RW2),使生物质分解以增加表面积/体积比。表面积的增加允许水与生物质表面充分相互作用,以获得可发酵的糖水溶液。蒸煮这种混合物(生物质和水的浆料)以促进溶液中的生物质和水之间接触量的增加,以及提高碳水化合物生物质与非碳水化合物生物质的分离。然后,将碾磨和蒸煮单元104的输出物(即发酵物料或浆汁)运送到发酵过程,其中一个或多个发酵单元106运行为使通过碾磨和蒸煮过程产生的生物质/水浆汁发酵。
如图1所示,发酵过程可要求加水102以控制发酵单元(此处也称作发酵罐)的原料稠度。在发酵单元106中,生物质通过酵母和酶转化成生物燃料和诸如二氧化碳、水和不可发酵的生物质(固体)等副产品。
将来自发酵单元106的输出物送到蒸馏过程(例如,一个或多个蒸馏单元108),以使生物燃料与水、二氧化碳和不可发酵固体分离。如果生物燃料已经脱水至水分含量低于5体积%,则可以通过称作分子筛的处理单元或类似处理单元(包括例如破坏水/乙醇共沸混合物的环己烷的附加蒸馏)来处理生物燃料。然后处理最后的生物燃料以确保改变其性质并且不用于人们的消费。
蒸馏单元108使生物燃料与水分离。如图1所示,水102以蒸汽的形式加热和分离,并且冷凝水被再循环(RW1)回到碾磨和蒸煮单元104。酒糟(stillage)(不可发酵的固体和酵母残渣)是蒸馏单元最多的输出物,其被送到酒糟处理过程以便进一步开发来自生物燃料生产过程的副产品。
酒糟处理单元110从块状固体中分离出额外的水并且把这些水(RW2)再循环回到碾磨和蒸煮单元104。有多种酒糟处理选择:酒糟可经最少的处理而售卖,或者经由一个或多个离心机单元从固体产物中分离水分来进行进一步处理。可以将不可发酵的固体从离心机运送到干燥机以便进一步除去水分。可以把一部分酒糟液(离心滤液)循环回到发酵单元106;然而,通常大部分液流被送到蒸发器单元,在这里分离出更多的液体以形成液流,当把固体酒糟送至干燥处理(例如,使用干燥单元或蒸发器)以将固体酒糟干燥至特定的含水量时,可使液流浓缩成浆料。然后,将浆料送至浆料储槽。可以采取多种选择来处理/使用储备浆料:可以将浆料喷射到干燥机中以达到指定的颜色或含水量;可以把浆料添加到部分干燥的酒糟产品中,或者可以将浆料作为单独的液体产品售卖。蒸发器单元可以具有被再循环回到前端(RW2)(例如碾磨和蒸煮单元104)的水副产物流。
注意到能源中心112供给能源至不同的处理单元,如碾磨和蒸煮单元104、蒸馏单元108和分子筛单元以及酒糟处理单元。能源中心112可以建立热氧化器单元和热回收蒸汽发生器,用以破坏挥发性有机化合物(VOC)且提供蒸汽给蒸发器、蒸馏单元108、蒸煮系统单元(如在104中)以及脱水单元。通常能源中心112是生物燃料工厂中的最大热源。
在现有技术的生物燃料工厂中,采用控制系统(利用诸如温度、压力、液位和/或流量控制方案等传统的控制方案)控制诸如温度或者产品品质等特性,所述控制系统可以包括比例积分微分(PID)、级联、前馈和/或限制条件控制方案等。
系统可以是开放的或闭合的。开环系统是响应输入的系统,但是由于输出方式的原因该系统不可以修正。图2示出一般的开环过程/系统202,其中过程/系统202接收过程输入并且产生过程输出,同时没有反馈从输出回到输入。开环系统仅由输入和系统或过程的固有特性所限定。在生物燃料生产过程中,该系统可以包括整个生物处理工厂、生物处理工厂的一个过程段如碾磨和蒸煮单元、或对过程变量如蒸煮单元温度的控制器。
在闭环系统中,调节输入以补偿输出的改变,其中例如这些改变可以是与期望或目标测量的偏差。闭环系统检测改变并提供反馈信号给过程输入。图3示出一般的闭环过程/系统,其中过程/系统202接收过程输入并产生过程输出,但是其中至少一部分输出作为反馈被供回输入。如果过程单元需要被调节以满足诸如产品品质、能源成本或过程单元容量等限制条件,则生物燃料系统中的过程单元可以是闭环系统。
现代工厂应用传统的以及先进的控制来调节复杂过程以实现特定的控制目的。传统的PID控制器和诸如比例控制、前馈控制和过程模型等其它控制系统可以用于控制生物燃料生产过程(PID是控制算法或设备,所述PID使用三种基本反馈控制模式以便对控制目标的偏差起作用:比例作用控制(P)、积分作用(I)和微分(D)变化率作用)。DCS(分布式控制系统)具有许多设置的传统控制方案,以在局部控制水平上控制过程单元变量。
多数生物燃料生产设备碾磨或者浸泡玉米、其它谷物或者其它生物质(如甘蔗),然后将碾磨后的碳水化合物基料与多种来源和品质的水混合。
操作的挑战是对发酵单元提供稳定品质和浓度的进料。然而由于进料量、流量、碾磨速率、浸泡效率或者生物质(如谷物)品质的变化性,使得发酵输出物急剧地变化,并且由于这种大的变化性使得过程在亚优化状态下运行。生物燃料的发酵末期浓度可变化±10%或更多。
当前,工厂设备提供一些信息给设备操作员以使他们能够增加或者减少加入发酵罐的可发酵糖和淀粉物料的浓度。设备操作员监控发酵物料中的目标物料品质和固体百分比并且操作设备以达到目标固体百分比,使得每批发酵物以粗略近似于目标固体百分比开始,并且每次发酵过程运行特定的时间周期以尝试获得具有近似于设计目标百分比的生物燃料的输出。此外,当提供足够的水/液体与谷物或其它生物质固体混合以在目标时间周期(即在15小时内装满180,000加仑的容器,使得装填速率为每分钟600加仑)内装满发酵罐时,循环流量通常控制为使罐中的存量液位保持在安全运行极限以内。
此外,不同水源的液位趋于增加或者减少,操作员或液位控制器可以调节流量以恢复目标液位。通常,通过流量、液位或者碾磨速率控制器(如调节液位控制器)来控制这些应用。在流体控制系统中(如监控酶流量/谷浆料流量的比率)使用某些比例控制器的应用。
对于设备操作员来说,有两个附加的计算参数也很重要。第一个参数是再循环(也称作逆流)百分率,所述再循环百分率是再循环的稀酒糟(分离出家畜饲料固体的来自离心机的发酵液输出)的分率。手动控制再循环百分率以保持粗制的稀酒糟存量以及在逆流分率范围之内运行。控制逆流分率很重要,因为发酵液包含剩余的酵母营养物和来自之前发酵产生的酵母废料。对于发酵生产率来说,过少或过多的逆流都会产生问题。
第二个参数是发酵量,所述发酵量是装料、排料和发酵的发酵容器以及关键辅助设备的总存量。如果总存量水平保持在可以接受的稳定的范围内,则对于全部批量物料顺序运行的发酵容器而言,可以将前设备段(即碾磨/蒸煮以及发酵过程)控制为匹配后设备段(即蒸馏和酒糟处理)。如果总批量物料体积是恒定的,则对于多个平行的间歇发酵容器而言,使装料量与排料量平衡。
如果要以最优方式操作工艺过程,则生物燃料生产设备会需要响应变化和变动的限制条件而进行大量的调节,例如在实时基础上。由于这种复杂性,人工操作员不能有效地优化生物燃料生产过程。因此,通常操作员以低效操作方式操作设备。
因此,对于生物燃料生产来说,需要改进的系统和方法。
发明内容
提出了一种用于管理生物燃料生产过程中的蒸馏和脱水过程的系统和方法的多个实施方案。在一个实施方案中,该系统可以包括基于动态多变量预测模型的控制器,该控制器与存储有生物燃料生产过程中的完整蒸馏和脱水子过程的动态多变量预测模型的存储器相连接。
在一些实施方案中,控制器包括链接脱水和蒸馏子过程之间的全部过程相互作用的动态控制模型。通过这些模型关系,系统可以管理控制目标并且有效地操控每个子过程以响应其它条件改变。控制器可以管理控制目标的这种方式对两个子过程是普遍适用的。通常,根据控制器的目标函数可以响应且控制蒸馏/脱水限制条件的任何改变。
基于动态多变量预测模型的控制器可以执行为:接收来自生物燃料生产过程的过程信息;接收蒸馏和脱水子过程的目标,所述目标指定至少一个限定蒸馏和脱水过程的生物燃料输出产品品质的可测量属性;以及执行综合动态多变量预测模型,以产生根据指定目标的模型输出,所述模型输出包括涉及蒸馏和脱水子过程的多个操控变量的目标值。在一些实施方案中,目标值可以包括或者可以是一个或多个在时间范围内(如在预测时间范围或控制时间范围内)的值的轨迹。
基于动态多变量预测模型的控制器可以操作为:通过向可以调节操控变量以获得在预定时间范围的目标值的分布式过程控制系统传送多个操控变量的目标值,从而动态地控制生物燃料生产过程。然后,分布式过程控制系统可以将操控变量和控制变量的新值传送至基于动态多变量预测模型的控制器,并且这一过程可以适当重复以实现对于生物燃料生产过程的期望控制。
在一个实施方案中,所述方法可以包括提供生物燃料生产过程中的蒸馏和脱水过程的综合动态多变量预测模型;接收蒸馏和脱水过程的目标,所述目标指定蒸馏和脱水过程的生物燃料输出的目标生产,所述目标可以包括以下各项中的一个或多个:蒸馏和脱水过程的生物燃料输出的目标组成、蒸馏和脱水过程的生物燃料输出的生产率(如一个或多个蒸馏和脱水单元的生产率)、或蒸馏和脱水过程的目标进料速率(即一个或多个蒸馏和脱水单元的输入进料速率);接收来自生物燃料生产过程的过程信息;根据目标、使用接收到的过程信息作为输入来执行综合动态多变量预测模型,以产生根据所述目标的模型输出,所述模型输出包括涉及蒸馏和脱水过程的多个操控变量的目标值;以及根据多个操控变量的目标值控制生物燃料生产过程以根据所述目标控制生物燃料组成。
在一些实施方案中,综合动态多变量预测模型可以包括以下各项中的一个或多个:线性模型、非线性模型、基础模型、经验模型、神经网络、支持向量机、统计模型、基于规则的模型或拟合模型。例如,在一些使用混合方法的实施方案中,综合动态多变量预测模型可以包括基础模型(如基于化学和/或物理公式的模型)加上以下各项中的一个或多个:线性经验模型、非线性经验模型、神经网络、支持向量机、统计模型、基于规则的模型或其它经验拟合模型。
在一些实施方案中,综合动态多变量预测模型的执行可以包括:例如通过优化器(如非线性优化器)以迭代方式执行所述模型;根据目标改变操控变量值(这些操控变量值是模型输入的子集)以及评价所得的模型输出,以确定在确定的时间范围内满足所述目标的操控变量的目标值。
在一些实施方案中,所述方法还可以包括:接收指定一个或多个限制条件的限制条件信息;以及根据目标、使用接收到的过程信息和一个或多个限制条件作为输入来执行综合动态多变量预测模型,以产生根据所述目标并且满足一个或多个限制条件的模型输出。
在一些实施方案中,综合动态多变量预测模型可以指定生物燃料生产过程的生物燃料输出组成和设备限制条件之间的关系,所述基于动态多变量预测模型的控制器可以接收一个或多个设备限制条件作为输入,并且可以计算操控变量的目标值以使目标生物燃料输出组成接近并保持满足一个或多个设备限制条件。
在一些实施方案中,可以通过人工操作员和/或程序来指定蒸馏和脱水过程的目标。
附图说明
结合附图考虑以下优选实施方案的详细描述,可以对本发明有更好的理解,在附图中:
图1示出根据现有技术的生物燃料加工厂的一个示例;
图2示出根据现有技术的开环过程系统;
图3示出根据现有技术的闭环过程系统;
图4示出根据一个实施方案的生物燃料加工厂的设备段的示例性高标准工艺流程图;
图5是示出根据一个实施方案的利用模型预测控制来管理生物燃料生产过程中的子过程的方法的高标准流程图;
图6是根据一个实施方案的用于实施生物燃料生产过程中的子过程(如蒸馏/脱水)的模型预测控制的系统的简化视图;
图7A是根据一个实施方案的利用模型预测控制来管理生物燃料生产过程中的子过程的系统的高标准框图;
图7B是根据一个实施方案的利用模型预测控制来管理生物燃料生产过程中的蒸馏和脱水子过程的系统的高标准框图;以及
图8是根据一个实施方案的利用模型预测控制来管理生物燃料生产过程中的蒸馏和脱水子过程的方法的高标准流程图。
虽然本发明具有多种的变型和替代形式,但是通过附图以示例方式示出的是特定的实施方案,这些实施方案将在本文中详细描述。然而应该理解此处的附图和详细描述不意味着限制本发明为已公开的特定形式,而正相反,旨在覆盖在后附的权利要求所限定的本发明的精神和范围内的全部变型方案、等同方案以及替代方案。
具体实施方式
合并引用
以下参考文件通过引用完整地全文并入本文:
2006年10月31日提交的美国临时申请序号60/863,759,标题为“生物燃料生产过程的模型预测控制”,发明人为Michael E.Tray,Maina A.Macharia,Celso Axelrud和James Bartee。
定义-生物燃料生产过程
生物燃料-来源于生物质的任何一种燃料(或多种燃料),即来源于新近的活生物体或其副产品的燃料。
生物燃料生产过程-被辅助处理单元所围绕的发酵过程,用以产生生物燃料、其它用于燃料的发酵醇以及大量的食品级或化学级的醇。
生物燃料生产-在生产过程结束之前或者结束时,生物燃料生产的计量。可以包括诸如浓度(如重量%、体积%或者重量/体积%)、体积(如发酵器内的当前生物燃料的加仑数)或者质量(如发酵器内的当前生物燃料的千克数)的测量。
间歇工艺-包括开始和结束的阶段性不连续的工艺步骤,其与在正常工作日或工作周内连续不间断的连续工艺形成对比。通常,连续工艺由相当稳定的目标或者操作来表示,但是在整个间歇工艺中至少一些参数发生改变。例如,生物燃料生产(如发酵)在间歇工艺初始时以低浓度开始,无论在结束时有或没有表示分解率高于生产率的下降,生物燃料的浓度在整个间歇工艺期间都保持增长。类似地,酵母细胞浓度以很低的水平开始,尽管酵母细胞浓度在间歇工艺期间通常具有滞后(相对恒定的浓度)、指数增长、稳定增长以及下降阶段,但是通常在整个间歇工艺期间保持增长。
浆料-发酵物料浆状物,包括将被发酵的两相(液体和固体)。
固含量或者固体%-在发酵物料中固体的分率或百分率。
碾磨和蒸煮过程-对发酵物料进行预发酵的连续过程,通常包括对谷物或甘蔗的碾磨、蒸煮、与水混合与化学处理,灭菌蒸煮和增加固体物料内的水浓度以及其它的预发酵过程。
生物质浓度-由以下各项中的一个或多个所限定的发酵物料的成分属性:浆料固含量、液化固含量、浆料密度、液化密度、碳水化合物的浆料%或分率、以及可发酵糖的浆料%或分率。
液体存量信息-包括水流量、循环液流量、蒸发器冷凝物循环流量、稀酒糟或离心液循环流量、补充水的流量、处理过的补充水的流量、浆料流量、浆汁流量、以及用于容纳这些液流存量的各种储槽或中间容器(如甲烷转化器物料罐、浆料罐、液化罐、馏分罐、谷物仓储量或者其它生物质的储量等)的各种液位和重量。
液化-用于高淀粉含量的谷物,通过加入酶或其它生物试剂来液化淀粉以减少碳水化合物的链长度和粘度。
热氧化器/热回收蒸汽发生器(HRSG)-用于破坏挥发性有机化合物(VOC)的工艺设备,用以减少酒糟干燥器或蒸发系统中的空气并清除臭气。热回收蒸汽发生器用于重新获得破坏VOC所需的热量,并且通常是生物燃料生产过程的能源中心。
干蒸馏渣(DDG)-发酵后的固体残渣,包括可干燥并作为生产副产品(通常作为动物饲料)放出的未分解谷物残渣、其它固体残渣(酶、盐)以及酵母(或者其它细胞残渣)。在此,DDG也可以用于包括仅部分干燥用于本地消耗(例如不具备长期生物稳定性)的WDG(湿蒸馏渣)和DDGS/WDGS(含有可溶物的干蒸馏渣和含有可溶物的湿蒸馏渣)。可溶物包括可溶于水中并因此存在于酒糟浓缩物中的残渣固体。可溶物可以部分浓缩(通常采取蒸发),并且加入DDG或WDG中以增加产率及控制副产品存量。
酶-在发酵过程中添加用以控制特定反应的高选择性生物基催化剂。现今最普遍使用的酶包括迅速将淀粉分解成糊精的α淀粉酶、将糊精分解成葡萄糖的葡糖淀粉酶、以及将谷物蛋白质分解成可消化蛋白质以支持细胞生长的蛋白酶。采取下述相同的方法,可以管理淀粉基发酵、特异性用于纤维质转化成生物燃料的酶或其它的影响酵母、生长或营养有效性的酶(见下文)的建模和控制。
酵母-生物燃料生产生物体。酵母目前是乙醇生产中最广泛使用的生物体,但是可以全部替换为包括基因工程大肠埃希氏菌的其它生物燃料生产生物体,这是因为本发明所描述的技术可以不专指酵母并且可以适用于在发酵过程中用以生产生物燃料的许多生物体。
酒糟/未过滤的酒糟-从一次蒸馏单元底部取出的不可发酵的固体和水液。
稀酒糟-从酒糟不可发酵固体中分离的液体。
浆料-除去大部分水分的浓缩稀酒糟。浆料中的固体%通常在20-45%的固体范围内,但是可以出现所述范围以外的百分比含量。
共沸混合物-两种化合物的特殊混合物,其在平衡状态下,汽相和液相恰好具有同样的组成。因此很难把这两种成分分开以获得更好的纯度。需用特殊的分离过程来破坏共沸混合物。所述过程包括共沸蒸馏(添加第三种化合物以破坏共沸混合物)、萃取蒸馏(使用溶剂来分离这两种化合物)或者分子筛技术(在分子筛床上优先捕获一种成分的分子,同时另一种成分穿过分子筛床)。
挥发性有机化合物(VOC)-当处于大气压力和环境温度范围时,趋于气化的有机化合物。
生产能力-生产能力是在最佳工作条件下(没有异常限制条件),过程、子过程或者单元所达到的最大生产率。通常,在当前资本投资内,生产能力是恒定的。对于新的单元来说,生产能力是供应商指定的能力。对于已建立的单元来说,生产能力是由已证实的历史生产率来确定的。
模型-输入/输出表示,所述输入/输出表示示出在各种模型输入的变化之间的关系,以及模型输入怎样影响每个模型输出。
动态预测模型-系统或者过程的输入/输出表示,其不仅反映当输入改变时输出改变多少,而且还反映基于一个或多个输入变量的改变,输出将改变的速度和基于时间的曲线。动态多变量预测模型是表示或者编码多个参数之间关系的动态预测模型,并且该模型可用于接收多个输入并产生多个输出。
模型预测控制(或MPC)-在预定的时间间隔内(如1分钟、30分钟、2小时或者100小时等),使用多变量动态处理模型以使控制器目标(目标控制器输出和限制条件)与调节控制器(现有的单输入/单输出控制器,如比例流量、温度、液位、速率或者压力控制器)相关。
目标函数-解码目标,所述目标设置用于过程、子过程或者单元的全部操作的目标或多个目标。目标函数提供过程、子过程或单元争取实现的一个或多个一致的数值量度,并且在该数值量度内可以测量过程、子过程或单元的性能,例如出于商业目的。
控制变量-(也称作受控变量)所述变量是控制器/优化器试图引入的特定值,如目标值、最大值等。可以通过限制条件限制每个控制变量的允许值范围。
积分变量-积分控制变量是不稳定的,但通常作为时间函数利用稳定一阶导数积分的变量。最常用的积分变量是储槽液位,其中只要输入和输出不平衡,液位就会增加或者减少。因此当平衡时,输入和输出流的变化将随时间而积分而引起储槽溢出或者排空。控制器必须使用这些积分计算以确定输入或输出流量的调节时间和速度。
操控变量-过程或单元的管理对其具有权限和控制(如通过利用在线控制器调节过程)并且通过控制器/优化器改变或操控以实现控制变量的目标或目的的那些变量。在某些可控制或者固定的限制条件内可以操作操控变量。管理是过程控制的可选项。
干扰变量-除了目标变量和调节控制器之外,表示过程的外部影响的变量,所述外部影响在控制器范围之外且因此作用于目标变量,但独立于所述的控制器。在前馈干扰抑制中使用干扰变量。干扰变量也是测量或非测量的变量,对于这些变量,过程或单元的管理不具有直接权限或控制。例如温度、湿度、上游流量或品质都可以称作测量的干扰变量。
设定点(目标)-也写作“设定的点”;是用于操控变量或者目标受控变量的目标信号或目标值。
限制条件-限制条件表示对于特定的操控变量或者影响生产单元可实现的生产率的条件的限制。限制条件具有两种类型:可控制的与外部的,定义如下。限制条件可以包括,但不限于:安全限制条件、设备限制条件、设备可用性限制条件、人员限制条件、商业执行限制条件、控制限制条件、供应链限制条件、以及环境许可和法律限制条件。安全限制条件确保设备和人员的安全。诸如控制阀的最大开启位置、最大储槽容量等的设备限制条件可以限制单元的物理物料通过量。设备可用性限制条件可以包括,但不限于:由维护计划和维护调度引起的或者由未预期的设备停机引起的预备状态,由供应链和生产调度系统设置的已授权的生产标准。人员限制条件是指对于人员配备与支持职能、商业规则、和由合同和政策施加的限制条件的有效性的限制。商业执行限制条件是执行有关的业务以及合同任务与责任所需的时间而施加的限制。控制限制条件是对于操控变量的极值位置和变化率的限制。供应链限制条件是对于原料、能源和生产供给的有效性的限制。环境许可和法律限制条件是对于大气排放、废水、废料处理系统和/或对单元性能施加的环境限制条件(如施加的河流水位以及当前天气等限制)的限制。
可控制的限制条件-过程或单元的管理对其具有权限和无条件控制的对于过程或单元性能所施加的限制条件。例如,蒸馏塔中的分离可以受到蒸馏塔板污垢的影响。塔板污垢随进料怎样被处理以及单元通常怎样进行离线清除而变化。管理自行判断单元维护的时间。可控制的限制条件改变单元的生产能力。
外部限制条件-过程、子过程或单元管理对其不具有权限或无条件控制的对于过程、子过程或单元的性能施加的限制。这些外部的限制条件有两种类型:由工厂或者供应链中的其它实体或过程控制的外部限制条件,这些限制条件是由物理的、安全的、环境的或者法律的限制条件施加的;以及不由设备或供应链中的任何一个控制的外部限制条件。
系统-系统可以由系统或者过程的输入和特征来定义。在生物燃料生产中,系统可以定义为:全部生物燃料生产过程;生物燃料生产过程的子过程如碾磨和蒸煮过程;或者对于子过程中的变量如蒸煮温度的控制。
开环系统-响应输入的系统,但由于输出的方式(见图2),该系统不可以修正。例如在一个生物燃料系统中,如果往复泵不具有压力控制系统,往复泵将独立于上游和下游的压力、以浆料的固定容量工作及运动。
闭环系统-可以调节系统的输入以补偿输出的改变。所述改变可以偏离于系统目标、对系统或相同变量的限制条件的影响、或输出变量的测量。闭合系统可以用于感测变化并反馈信号给过程输入。在生物燃料系统中,由于闭环系统可以被调节以满足诸如生产(产品)品质、能源成本、过程单元生产能力等限制条件,因此闭环系统可以占主导地位。
控制系统-通过其将操控变量驱动到设定点的可调节液位的机械装置。
响应-操控变量的当前位置的测量。响应是操控变量对设定点的移动的反馈,以响应控制系统的动作以致力于达到设定点。
目标分布图-变量值的预期分布图或预期轨迹,即控制变量或操控变量的预期变化曲线。
控制时间范围-在计划移动或者改变操控变量期间,从现今延伸到未来的时间周期。在该时间范围以外,假定MV在控制时间范围中的最后或最近的值处保持恒定。
预测时间范围-在过程或系统响应被监控且与期望行为相比较期间,从现今延伸到未来的时间周期。
生物燃料生产过程
图4示出根据一个实施方案的生物燃料生产过程的子过程的示例性高级工艺流程图。应该注意,所示具体的要素和过程仅是示例性的,并不意味着本发明的实施方案限于任何特定的要素或过程的集合。如图4所示,碾磨/蒸煮过程402可以:接收水、生物质、能源(电能和/或热能)、循环水和/或循环的稀酒糟;碾磨生物质;蒸煮混合物;以及输出生物质浆料(称作发酵物料)到发酵过程404。发酵过程404可以:接收生物质浆料、水、酵母、酶以及循环的稀酒糟;发酵混合物;以及输出发酵产物到蒸馏过程406。蒸馏过程406可以:接收发酵产物、从在一个到三个分步过程(如一次蒸馏407、二次蒸馏409、和/或分子筛(干燥器)411)的发酵产物中除去水和酒糟(液体和固体酒糟)、将从发酵产物中移出的水再循环到碾磨/蒸煮过程402、输出液体和固体酒糟到酒糟过程412、和输出生物燃料产品。酒糟过程412可以:接收液体和固体酒糟、加工液体和固体酒糟(使用一个或者多个离心干燥机413、其它干燥机417和/或蒸发器415)以生产和输出各种酒糟产品,和将稀酒糟液再循环到发酵过程404和碾磨/蒸煮过程402。能源中心418可以提供电能和热能(蒸汽)到图4中所示的各个子过程。
以上描述的一个或多个过程可以由使用动态多变量预测模型的模型预测控制(MPC)来管理和控制,所述模型可以引入作为基于动态预测模型的控制器中的过程模型。以下描述的是生物燃料生产过程的子过程的模型预测控制,首先对于一般子过程,然后是对于蒸馏和脱水子过程的综合控制的详细描述。
应用于生物燃料生产过程的子过程的MPC
以下描述的是将模型预测控制(MPC)应用于生物燃料生产过程的系统和方法的各种实施方案。在该生物燃料生产的方法中,动态多变量预测模型可以引入作为基于动态预测模型的控制器中的过程模型。该MPC系统可以基于动态预测模型和包括例如近期的工作条件或状态值的近期过程历史来设计或预测的生产过程中将发生的事(如在不久的将来)。该设计或预测可以基于接收到的当前过程信息、指定目标和/或系统或方法的限制条件而更新或偏置。控制算法可以用于递归地或迭代地估算出针对模型输入的最佳的当前及未来的控制调节,以获得期望的输出路径。对于动态模型输出所设置的目标可以与在预测的未来时间范围内怎样进行输出相比较,并且可以估算最有效的可控模型输入调节以最好地达成控制器目标。
应该注意到由本文所述方法的实施方案生产的生物燃料可以是由生物质产生的任何生物燃料,并且所考虑的生物质类型可以是任意期望类型,包括但不限于谷物(如玉米、小麦、黑麦、稻米等)、蔬菜(如马铃薯、豆等)、茎藤(如甘蔗、高粱等)以及其它新近的活生物体和/或它们的副产品。
图5是用于管理根据一个实施方案的使用模型预测控制(MPC)管理生物燃料生产过程的子过程的计算机实施方法的高级流程图。如本文所用,术语“生物燃料”指由生物燃料生产过程输出的一种或多种生物燃料产品。应该注意,图5所示方法的实施方案可以用于期望的生物燃料生产过程的任何子过程(如碾磨/蒸煮、发酵、蒸馏和/或酒糟过程)以及这些子过程的组合。在不同的实施方案中,某些示出的方法要素可以采取与示出的顺序不同的顺序同时执行或者省略。增加的方法要素也可以根据需要来执行。如图所示,该方法可以操作如下。
在502中,可以提供生物燃料生产过程的子过程的动态多变量预测模型(也称为动态预测模型)。换言之,可以提供的模型是指定或表达与子过程相关的属性或变量之间的关系,包括子过程的输入和产生的子过程输出之间的关系。注意,模型变量也可以包括涉及或影响子过程操作的其它子过程的状况或属性。
模型可以是任意类型。例如模型可以是线性的或者非线性的,虽然对于多数复杂过程而言,可以优选非线性模型。所考虑的其它模型类型包括基础模型或解析模型(即基于实用物理的模型)、经验模型(如神经网络或支持向量机)、基于规则的模型、统计模型、标准MPC模型(即由数据的函数拟合产生的拟合模型)或者使用以上模型的任意组合的混合模型。
在504中,可以接收子过程的目标。该目标可以指定子过程的期望的输出、结果、行为或状态,例如期望的生产率、品质、效率、产品外观、性能或成本等。在优选的实施方案中,目标可以指定至少一个限定子过程(或者全部生产过程)的产品品质的目标可测量属性。注意,目标可以是特定值,如发酵物料的特定固体百分比、发酵桶的特定温度等,或者可以是特定的极值,即属性的最大值或最小值,例如最小化成本、最大化生产率等。
应该注意,本文使用的术语“最大值”、“最小值”以及“最优值”可以分别指“基本最大值”、“基本最小值”以及“基本最优值”,其中“基本”指在理论上的极值、最优值或目标值的某些可接受的公差范围以内的值。例如在一个实施方案中,“基本”可以指在理论值的10%以内的值。在另一个实施方案中,“基本”可以指在理论值的5%以内的值。在又一个实施方案中,“基本”可以指在理论值的2%以内的值。在再一个实施方案中,“基本”可以指在理论值的1%以内的值。换句话说,在所有的实际情况(非理论情况)中,存在有最终和中间的控制要素的物理限制、对于稳态控制的可接受的时间频率的动态限制、或者基于当前了解的化学和物理关系的基本限制。在这些限制以内,控制系统通常将试图达到最优工作,即在尽可能接近目标值或限制条件(最大或者最小)处工作。
此外,在一些实施方案中,目标可以包括多个分量,即实际可以包括多个目标或子目标。在一些实施方案中,目标可以包括多个变量,如变量的比率。另外,在一些实施方案中,可以存在全局目标(如最大化生产率或利润),以及在某些情况下可与全局目标不一致和/或彼此不一致的多个子目标。
在506中,可以接收生物燃料生产过程的子过程的过程信息。换句话说,可以接收涉及子过程的信息,例如来自子过程(或者来自影响该子过程的生物燃料生产过程的其它部分)、和/或来自其它来源,如实验室、推断特性模型(即不易测量的模型变量)、外部系统或者任何其他期望的来源。该信息通常包括用于监测子过程中状况的一个或多个传感器的数据(如温度、压力、流量、设备设置值等),但是可以根据需要包括涉及子过程的任何其它信息(如子过程可能受到的限制条件、生物燃料过程的环境条件、经济或者市场数据等)。
在508中,可以根据子过程的目标、使用接收到的过程信息作为输入来执行模型,以产生根据子过程目标的模型输出,所述模型输出包括涉及子过程的一个或多个操控变量的目标值。换句话说,可以用接收到的过程信息作为输入来执行模型,并且可以确定子过程的一个或多个可控属性的目标值以试图满足子过程(所述子过程可以是整个生物燃料生产过程的全局目标)的特定目标。例如在目标是最大化子过程输出的实施方案中,模型可以确定可操作为使输出最大化的各种目标值(如子过程原料输入流量、温度、压力等)。作为另一个示例,在目标是最小化子过程废料的实施方案中,模型可以确定可操作为在可能损害总输出的情况下使子过程废料最小化的目标值。在又一个示例中,目标可以是最大化整个生产过程的利润,其中最大化输出和最小化废料可以是两个可能相互竞争的子目标(如包括在所述目标中)。
在一些实施方案中,508中的模型的执行可以包括以迭代方式执行该模型(例如经由优化器(如非线性优化器))、变化操控变量的值(这些值是模型输入的子集)以及评估产生的模型输出和目标函数,以确定满足符合一个或多个限制条件的目标(如优化符合限制条件的子过程)的操控变量值,由此确定操控变量的目标值。
在510中,根据子过程的对应的目标值和目标,可以控制生物燃料生产过程的子过程。换句话说,根据由预测模型输出的目标值,与动态多变量预测模型连接的控制器可以自动控制子过程的各种(可控制的)方面或变量,以试图完成指定的目标。
可以重复图5的方法,如以特定的频率或者响应特定的事件,使得可以在一个生产过程期间或者在一系列生产过程期间监测和控制过程。在一些实施方案中,在生产过程期间,可以将周期或频率进行编程或改变(例如生产过程的初始部分可以具有较长的重复周期(较短的频率),而生产过程的关键部分可以具有较短的重复周期(较高的频率))。
在一些实施方案中,实施本文公开的控制技术的系统可包括具有一个或多个处理器的计算机系统,并且可以包括或连接至少一个存储介质(计算机系统可以包括多个存储介质),其中存储介质存储根据本发明实施方案的程序指令。在不同的实施方案中,本文讨论的控制器可以在通信连接到生物燃料设备的单独的计算机系统上实现,或者可以分布在两个或多个计算机系统上,例如可以位于多于一个位置处。在该实施方案中,包括控制器的多个计算机系统可以通过总线或通信网络连接。
图6示出用于生物燃料生产工厂614的自动化控制系统的简化视图。如图所示,该系统可以包括与受控的生物燃料工厂614相互作用的一个或多个计算机系统612。计算机系统612可以表示执行根据本发明的各个实施方案的软件程序的任意不同类型的计算机系统或计算机系统网络。如图所示,计算机系统存储(和执行)用于管理子过程(如在生物燃料工厂614中的蒸馏/脱水过程)的软件。软件程序可以实施子过程的建模、预测、优化和/或控制的各个方面。因此,自动化控制系统可以实施对于生物燃料工厂或过程中的子过程的预测模型控制。该系统还可以提供利用优化解算器(即优化器)的制定最优决策以及执行这些决策(如控制工厂)的环境。
在计算机系统612中可以包括实施工厂614(特别是子过程,如蒸馏/脱水过程)的建模、预测、优化和/或控制的一个或多个软件程序。因此,该系统可以提供用于按程序恢复涉及工厂子过程的过程信息616并且产生动作618(如控制动作)的调度过程的环境,以控制子过程以及可能的生物燃料工厂或过程的其它过程和方面。
一个或多个计算机系统612优选包括存储介质,在存储介质上存储有根据本发明的计算机程序。术语“存储介质”意味着包括不同类型的存储器或存储设备,这些存储器或存储设备包括安装媒介(如CD-ROM或软盘);计算机系统存储器或随机存取存储器,如DRAM、SRAM、EDO RAM、Rambus RAM等;或非易失性存储器,如磁介质(如硬盘驱动器)或者光存储设备。存储介质可以包括其它类型的存储器或者它们的组合。此外,存储介质可以位于其中执行程序的第一计算机中,或者可以位于通过网络与第一计算机连接的第二不同的计算机中。在后一种情况下,第二计算机提供程序指令给第一计算机执行。
此外,计算机系统612可以具有不同的形式,包括个人计算机系统、主机计算机系统、工作站、网络设备、因特网设备或者其它设备等。总之,术语“计算机系统”可以广义地定义为包括具有执行存储介质中指令的处理器(或者多个处理器)的任何设备(或者设备集)。
存储介质(其可以包括多个存储介质)优选存储一个或多个用于实施模型预测控制及优化的不同方面的软件程序。该软件程序优选使用基于组件的技术和/或面向目标的技术来实现。例如软件程序可以根据需要使用ActiveX控制、C++目标、Java目标、微软基础类(MFC)或者其它技术或方法来实现。执行存储介质中的代码和数据的CPU(如主CPU)包括用于创造和执行根据下述方法或流程图的软件程序的装置。在一些实施方案中,一个或多个计算机系统可以实现如上所述的一个或多个控制器。
图7A示出用于管理生物燃料生产过程的子过程的示例性系统,该系统可以实施图5中方法的实施方案。该系统可以包括:1)存储在存储器600中的动态多变量预测模型602(如生物燃料生产过程中的子过程的预测控制模型);和2)与存储器600连接的基于动态预测模型的控制器604。
如以上关于图5的详细描述,控制器604可以操作为:接收子过程的目标;接收来自生物燃料生产过程的涉及子过程的过程信息(可能包括来自实验室和/或推断特性模型的信息);根据子过程目标、使用接收到的相应过程信息作为输入来执行模型,以产生根据子过程目标的模型输出,所述模型输出包括涉及子过程的一个或多个变量的目标值。此外,根据关于图5的上述详细描述,基于动态预测模型的控制器604可以根据子过程的对应的目标值和目标来控制生物燃料生产过程的子过程。在一个实施方案中,控制器604可以输出目标值至生物燃料生产工厂的分布式控制系统(图7A中未示出)。在一些实施方案中,目标值可以包括或者可以是在时间范围(在预测或控制时间范围内)的一个或多个值轨迹。过程信息可以包括子过程和其它相互关联的子过程的多个过程变量的测量值、一个或多个限制条件的信息和/或关于涉及子过程的一个或多个干扰变量的信息。过程信息可以从用于生物燃料工厂的分布式控制系统接收、可以由操作员输入或者可以通过程序提供。例如除了从实际过程中读取(通过传感器)的值之外,过程信息还可以包括实验室结果和推断特性模型的输出(如仿真在线分析器(VOA))等其它的信息来源。
在一些实施方案中,存储器600可以是控制器604的一部分。在其它实施方案中,存储器600可以与控制器604分离并且通过总线或通信网络连接。在一个实施方案中,存储器600可以包括多于一个的存储器,其中模型602的不同部分存储在两个或更多个存储器中(例如经由存储区域网络)或者其它分布式系统中。
以下描述根据图5的方法以及图6与图7A的系统的生物燃料生产过程的子过程的模型预测控制的更具体实施方案。然而,注意已描述的特定子过程的实施方案仅是示例性的,并且这样的模型预测控制可以根据需要应用于生物燃料生产过程的已描述的子过程的其它实施方案。
对于生物燃料生产过程中的蒸馏与脱水子过程的综合MPC控制
首先介绍蒸馏和脱水子过程的综述(本文也称为蒸馏和脱水过程、蒸馏和脱水子过程或者蒸馏/脱水过程),然后描述作为应用于蒸馏和下游脱水过程或者其部分过程的模型预测控制。
蒸馏和脱水子过程
如上所述及图4所示,蒸馏单元可以包括一次蒸馏塔407和二次蒸馏塔409,用于接收发酵过程的输出(生物燃料、酒糟和水的混合物)以及可以从水和酒糟中分离出生物燃料。可以从一次蒸馏单元取出酒糟并且送往酒糟处理单元413。可以从能源中心418提供能源给蒸馏单元,并且能源可以主要由一个或多个一次蒸馏塔407使用。通常能源可以通过热交换器(图4中未示出)以蒸汽流的形式被送往一次蒸馏塔,但是在一些实施方案中,蒸汽流可以被直接送入一次蒸馏单元407。能源也可以从其它过程液流再循环到蒸馏单元,或者可以根据需要或期望通过其它热源提供能源。来自一次蒸馏塔的塔顶闪蒸汽可以被送到一个或多个二次蒸馏塔409(也称作精馏汽提柱)。在二次蒸馏塔409中,可以通过热交换器使用蒸汽和/或从诸如蒸煮过程402和/或使用能源恢复流的酒糟过程412等的其它过程回收热量而提供能源。来自一次蒸馏塔的塔顶蒸汽可以是高纯度的生物燃料(如乙醇/水的混合物),所述高纯度的生物燃料可以在接近其共沸点处蒸馏,但通常这种生物燃料低于燃料技术规格的要求。二次蒸馏塔的底部产物流可以主要是冷凝水。该冷凝水可以被再循环回到碾磨/蒸煮过程402。
来自一次蒸馏单元407和二次蒸馏单元409的顶部蒸汽可以被输送到存量储槽(图4中未示出),其可以用作调节储槽以调节蒸馏单元和一个或多个脱水单元之间的物料流动速率。脱水单元可以是分子筛单元411或者其它的下游脱水过程单元(如萃取蒸馏)。分子筛可以包括或由使用已知为变压吸附(PSA)的脱水过程进行气相操作的能源效率过程单元组成。如果生物燃料是乙醇,则其可以液相或气相脱水。在一些实施方案中,分子筛床411可以吸收生物燃料蒸汽中的水,使得所产生的生物燃料产品可以仅具有符合生物燃料技术规格的痕量水。当分子筛床411被水饱和时,使其下线,并用相同的再生床替换,然后再将其置回线上。下线的床可以在放出水分且使床可以干燥的条件下再生,并且备用于将来的上线使用。可以调节PSA再生时间以影响分子筛床411的效率和容量。然后可以将生物燃料产品送到产品库存储槽(图4中未示出)进行最终的贮存和/或做另外的处理。
下面描述使用模型预测控制的不同的系统和方法,以提高根据指定目标的生物燃料蒸馏和脱水子过程的产率、生产能力和/或能源效率。可以设定这些目标并且连续地控制过程的不同部分以提供生产过程的实时控制。控制动作可以受设备和外部限制条件的支配或者限制。
图7B和图8涉及生物燃料生产过程中的蒸馏和脱水子过程(如图4中的蒸馏过程406)的模型预测控制。更具体地,图7B是用于蒸馏和脱水子过程的综合管理系统的一个实施方案的高级方框图,该蒸馏和脱水子过程的综合管理系统使用模型预测控制以管理生物燃料生产过程中的蒸馏和脱水子过程的生物燃料产品品质以及其它目标。图8是使用模型预测控制的蒸馏和脱水子过程综合管理系统的方法的一个实施方案的高级流程图,其中蒸馏和脱水子过程提供生物燃料生产过程的生物燃料和酒糟的输出。
使用模型预测控制技术可以管理或者控制以上描述的蒸馏和脱水过程的任何操作和受控变量。以下描述用于以上操作的不同的示例性的系统和方法,但是应该注意,所讨论的具体的操作和变量是示例性的,并且还可以根据需要使用模型预测控制来管理蒸馏和脱水过程的任何其它方面。
图7B-用于蒸馏和脱水子过程的MPC控制的系统
如图7B所示,在一个实施方案中,生物燃料生产过程的生物燃料蒸馏和脱水过程的综合管理系统可以包括:存储在存储器700中的蒸馏和脱水过程的综合动态多变量预测模型702,以及与存储器700连接的基于动态预测模型的控制器704(也称为基于动态多变量预测模型的控制器)。在一个实施方案中,控制器704可以是或者包括具有一个或多个处理器的计算机系统。在一个实施方案中,控制器704可以分布在位于生物燃料设备的多于一处的两个或更多个计算机系统中,并且在该实施方案中,包括控制器704的多个计算机系统可以通过总线或者通信网络连接。在一些实施方案中,存储器700可以是控制器704的一部分。在其它实施方案中,控制器700可以与控制器分离并且通过总线或者通信网络连接。在一个实施方案中,存储器700可以包括多于一个存储器,其中模型702的不同部分存储在两个或更多个存储器中。在一些实施方案中,可以对蒸馏过程和脱水过程中的每个过程提供单独的模型,并且控制器704可以单独地控制蒸馏过程和脱水过程。在又一个其它的实施方案中,第一控制器可以控制蒸馏过程,第二控制器可以控制脱水过程。
基于动态多变量预测模型的控制器704可以执行为:接收来自生物燃料生产过程的涉及蒸馏和下游脱水过程的过程信息(可能包括来自实验室和/或推断特性模型的信息);接收蒸馏和脱水过程的特定目标,例如限定蒸馏和脱水过程产品品质的至少一个目标可测量属性;以及执行综合动态多变量预测模型,以产生根据特定目标的模型输出,所述模型输出包括涉及蒸馏和脱水过程的一个或多个操控变量目标值(可能是轨迹,如在时间范围内)。控制器704可以操作为根据目标值和特定目标来控制蒸馏和脱水过程。在一些实施方案中,蒸馏和脱水过程的综合动态多变量预测模型可以包括蒸馏过程的动态多变量预测模型、脱水过程的动态多变量预测模型以及作为蒸馏和脱水过程之一或两者的函数的变量模型。在一些实施方案中,综合动态多变量预测模型702可以包括针对蒸馏和脱水过程的不同部分或对蒸馏和脱水过程的不同部分建模的多个子模型。在一个实施方案中,控制器704可以输出目标值到生物燃料生产工厂的分布式控制系统(图7B中未示出)。过程信息可以包括子过程和其它相互关联的子过程的多个过程变量的测量值、一个或多个限制条件的信息和/或关于一个或多个涉及子过程的干扰变量的信息。过程信息可以从生物燃料工厂的分布式控制系统接收、通过操作员输入或者通过程序提供。例如除了从实际过程读取(通过传感器)的值之外,过程信息还可以包括实验室结果和来自推断特性模型(如仿真在线分析器(VOA))的输出等其它的信息来源。
在一个实施方案中,可以在蒸馏和脱水过程的动态多变量预测模型702中表示提供能量给一次407和二次409蒸馏塔的过程。在该实施方案中,基于动态预测模型的控制器704也可以是对于供给一次407和二次409蒸馏塔的热能可执行测量和调节。
尽管以上的实施方案涉及以综合的方式管理蒸馏和脱水,但是在一些实施方案中,蒸馏和脱水可以基本上分开管理,即模型预测控制技术可以单独应用于每个过程。例如在本发明的一个实施方案中,用于管理生物燃料生产过程中的生物燃料蒸馏过程的系统可以包括:蒸馏过程的动态多变量预测模型和与动态多变量预测模型连接的基于动态预测模型的控制器。动态多变量预测模型可以执行为:接收来自生物燃料生产过程的蒸馏过程信息;接收蒸馏过程的特定目标;以及产生根据特定目标的模型输出,所述模型输出包括蒸馏过程的特定变量目标值的集合。控制器可以操作为根据目标值和特定目标来控制蒸馏过程。因此,MPC技术可以单独应用于生物燃料生产过程中的蒸馏过程。
类似地,关于脱水过程(在蒸馏过程的下游),在本发明的另一个实施方案中,用于管理生物燃料生产过程中的生物燃料脱水过程的系统可以包括:下游脱水过程的动态多变量预测模型和与动态多变量预测模型连接的基于动态预测模型的控制器。动态多变量预测模型可以执行为:接收来自生物燃料生产过程的下游脱水过程信息;接收脱水过程的特定的目标;和产生根据特定目标的模型输出,所述模型输出包括脱水过程的特定变量目标值的集合。控制器可以操作为根据目标值和特定目标来控制脱水过程。因此,MPC技术可以单独地应用于生物燃料生产过程中的脱水过程。
如上所述,综合动态多变量预测模型702可以引入作为基于动态预测模型的控制器704中的过程模型,并且可以执行为提供操控变量的目标值。在一个实施方案中,优化器706可以存储在存储器700(在图7B中作为可选要素示出)中。在该实施方案中,控制器704使用优化器706以迭代方式执行综合动态多变量预测模型来产生或者确定对于或在特定时间范围内的根据目标的目标值的最优集合。在该具体情况中,可通过估算最好的(即最优的或者接近最优的)对操控变量值的当前和未来的调节来计算目标值的最优集合,例如在特定的时间周期(即控制或预测时间范围)内。
模型预测控制(MPC)可有助于这种设计的未来事件的最佳情况(即最优的或者接近最优的)的实现,并且也可以实现多变量平衡,使得例如可以控制一系列储槽(如发酵输出存储槽)的液位以甚至在具有由于间歇(如发酵)和连续(如蒸馏)操作而导致的短暂不平衡的过程(和/或其它的如经济、规章等的)限制条件内实现最优的或者接近最优的结果。MPC方案可以具有相关的加权因子以便平衡竞争目标之间的协调。例如,在安全或者适合的操作范围内(如储槽液位不是几乎排空或者几乎溢出)可以允许储槽的液位相对自由地变动。然而,如果储槽液位的预计估计为其可能为几乎排空或者接近溢出,那么可以使用不同的限制权重来避免超过安全或者适合的操作状态。
图8-用于蒸馏和脱水子过程的MPC控制的方法
下面介绍用于生物燃料生产过程的生物燃料蒸馏和脱水子过程的综合管理方法的实施方案。在如图8示出的实施方案中,该方法可以包括:提供用于蒸馏和脱水过程800(本文也称为蒸馏/脱水子过程)的综合控制的动态多变量预测模型;接收用于蒸馏/脱水子过程805的特定目标;接收来自生物燃料生产过程810的蒸馏/脱水子过程信息;根据目标、使用接收到的蒸馏/脱水子过程信息作为输入来执行动态多变量预测模型,以产生根据目标815的模型输出,所述模型输出包括涉及蒸馏/脱水子过程的多个操控变量的目标值;以及根据用于实现根据特定目标820的生物燃料组成的多个操控变量目标值来控制生物燃料生产过程,包括涉及生物燃料生产过程中发酵物料的水和/或生物质流量。
下面更详细地讨论上述方法的不同实施方案。图8是根据一个实施方案的使用模型预测控制(MPC)来管理生物燃料生产过程的子过程的计算机实施方法的高级流程图。在不同的实施方案中,可以采取不同于示出的顺序同时实施或者可以省略某些示出的方法要素。也可以根据需要实施另外的方法要素。在一些实施方案中,使用对于蒸馏和脱水过程二者的综合模型。在其它的实施方案中,对每个过程使用单独的模型。如图8中所详述的,可以如下操作该方法。
提供模型
在图8的800中,可以提供生物燃料生产过程的蒸馏/脱水子过程的综合动态多变量预测模型。换句话说,可以提供的模型是指定或表示涉及生物燃料组成(蒸馏/脱水子过程的输出)的蒸馏/脱水子过程的属性、输入和/或其它变量之间的关系。注意,模型变量也可以包括与该子过程有关或者影响该子过程的其它子过程的方面或属性。
模型可以是任意类型的。例如,模型可以是线性的或者非线性的,尽管对于许多复杂过程来说,可以优选非线性的模型。其它所考虑的模型类型包括基础的或解析的模型(即基于实用物理的模型,也称作第一原理模型)、经验模型(如神经网络或支持向量机),基于规则的模型、统计模型、标准MPC模型(即通过由数据的函数拟合产生的拟合模型)或者使用以上模型的任意组合的混合模型。例如在一些其中使用混合方法的实施方案中,综合动态多变量预测模型可以包括基础模型(如基于化学和/或物理方程的模型)加上以下各项中的一个或多个:线性经验模型、非线性经验模型、神经网络、支持向量机、统计模型、基于规则的模型或其它的经验拟合模型。
如模型预测控制领域的普通技术人员所熟知的,动态多变量预测模型可以包括过程数学关系的集合,包括稳态关系(例如,一次蒸馏塔物料流=一次蒸馏塔+二次蒸馏塔(侧面汽提塔)底部流);并且还包括在输出中所要实现的每个参数变化的时间滞后关系(例如,在一次蒸馏塔中物料流增加一加仑可以立即引起一次蒸馏塔柱底部流的变化,但对发生全局影响以及底部流达到新的稳态需要32分钟。一次蒸馏塔中物料流增加一加仑,则在二次塔中可在5分钟的延迟时间之后引起变化,60分钟的延迟时间之后在塔顶产品流和底部流中可以达到新的稳态)。可能是多种动态关系,并且变量之间的每种关系可以表征或者记录一个变量可以怎样影响其它变量,还有这些影响发生地有多快或者在其它位置将有多快观察到影响。
可以从基于以下可得数据的关系组合中创造模型,例如容器容积和基本动态与增益关系、充分可利用的和动态的设备历史过程数据、以及不能从前两个步骤确定的对变量的补充设备测试等。可以将模型定制为工厂布局和设计、临界量、工厂限制条件和测量、以及可用于管理变量的控制器。此外在一些实施方案中,可以在模型中包括或者表示诸如经济或者规章因素等的外部因素。在优选的实施方案中,动态多变量预测模型可以是多变量预测控制模型。
动态模型的重要特征是可以确定由于一个或多个操控变量的改变而引起控制变量改变的时间。换句话说,该模型可以确定蒸馏/脱水子过程的一个或多个属性相对于操控变量改变的时间响应(如时间滞后)。例如,一旦控制器调节泵速,则在观察到储槽被充满的影响以前,可能存在某些时间依赖性响应。对于每个独立的控制器来说,该时间依赖性响应可以是唯一的(即由于控制传动装置和流量传感器以及泵位置之间的系统变量(如管道系统长度、储槽容积等)的不同,流量可以改变)。
通过动态模型的计算,可以管理蒸馏物料储槽液位和对于蒸馏单元的单独进料,但是可能存在不可测量的其它的过程干扰。例如,考虑液位开始升高到超出装满要求的平衡的情况,例如由于人为设备改变(如包括排空和/或充满一个或多个特定储槽的调度设备清洁)-动态模型可以觉察到不平衡状况,从而可以逐渐实施纠正行动来避免严重或危急的结果。对于许多具有顺序进行间歇和连续设备操作的储槽而言,这可能是一个问题。在每个间歇动作之后,可以使用特定的储槽来提供存储容积以便于平衡和避免连续的失控操作。因为间歇容器排空迅速,因此使特定的储槽液位保持自动液位控制比较困难。因此当前容器和原料平衡信息(流量和液位)的实时接收可以提供关于当前设备状况的更新,并且动态模型的执行能够使所要做出的预测实现,以避免容器的排空/溢出和紧急的大流量运动来纠正不平衡。
在一个实施方案中,综合动态多变量预测模型可以包括推断模型(也称为特性近似器或仿真在线分析器(VOA))。推断模型是基于计算机的模型,该模型从其它测量特性(如过程流或过程单元的温度、流量、压力、浓度、液位等)的一个或多个输入来计算推断的品质特性。例如在一个实施方案中,推断模型可以计算来自一系列特性的一个或多个特性的实时特性,该系列特性包括:在底部产品流中的一次蒸馏塔生物燃料浓度、在从塔顶产品流中的二次蒸馏塔生物燃料浓度、在底部产品流中的二次蒸馏塔生物燃料浓度、分子筛单元滤出的产品流和/或萃取蒸馏得到的产品流品质等。在一个实施方案中,综合动态多变量预测模型可以细分成不同的部分,并且存储在多个存储器中。存储器可以位于生物燃料设备的不同位置处。控制器可以利用通信系统与存储器通信。
接收指定的目标
在图8的805中,可以接收蒸馏/脱水子过程的特定目标,该目标指定蒸馏和脱水过程的生物燃料输出的目标生产。
蒸馏/脱水子过程的特定目标可以包括期望的蒸馏/脱水子过程的行为、属性或结果(如限定生物燃料输出的产品的至少一个目标可测量或可建模的属性)。例如在一些实施方案中,指定目标生产可以包括指定以下各项中的一个或多个:蒸馏和脱水过程的生物燃料输出的目标组成、蒸馏和脱水过程的生物燃料输出的生产率(如一个或多个蒸馏和脱水单元的生产率)或者蒸馏和脱水过程的目标进料速率(即一个或多个蒸馏和脱水单元的输入进料速率)。
在一个实施方案中,指定的目标可以包括以下各项中的一个或多个:一个或多个操作员指定的目标、一个或多个预测模型指定的目标、一个或多个可编程的目标、蒸馏单元的目标进料速率、一个或多个成本目标、一个或多个产品品质目标、一个或多个设备维护目标、一个或多个设备修理目标、一个或多个设备替换目标、一个或多个经济目标、生物燃料生产过程的目标生产率、一个或多个响应紧急事件的目标、针对产品存量信息的一个或多个动态变化、针对产品品质信息的一个或多个动态变化和/或针对一个或多个生物燃料生产过程限制条件的一个或多个动态变化等。
在一些实施方案中,可以通过人工操作员和/或程序来指定蒸馏/脱水子过程的目标,并且在一些实施方案中,所述目标可以包括一个或多个子目标。子目标可以包括以下各项中的一个或多个:对于一次蒸馏单元的组合进料速率、对于每个一次蒸馏单元的单独进料速率、一次蒸馏单元的热负荷、不可发酵固体输出的流量、一次蒸馏单元(也称为塔)的不可发酵固体输出中的生物燃料损失率、一次蒸馏单元输出的蒸馏基础乙醇浓度、离开二次蒸馏塔的生物燃料流的含水量、从二次蒸馏单元输出的冷凝水中的生物燃料损失率、一种或多种输出生物燃料产品中的含水量、一种或多种输出生物燃料产品的流量和存量、和/或一种或多种输出生物燃料产品的纯度规格。
在一些实施方案中,指定的目标可以包括目标函数。目标函数可以指定与一个或多个子目标中的每一个相对应的目标值或目标关系的集合。
在一些实施方案中,也可以接收指定一个或多个限制条件的限制条件信息。例如在一些实施方案中,所述目标可以包括指定一个或多个限制条件的限制条件信息,即对于涉及蒸馏/脱水子过程的不同方面、变量或条件的限制,但是在其它实施方案中,限制条件信息可以与指定的目标分离和区分。在一个实施方案中,限制条件信息可以包括动态限制条件信息。在一个实施方案中,一个或多个限制条件可以包括以下各项中的一个或多个:设备限制条件、能力限制条件、温度限制条件、压力限制条件、能量限制条件、市场限制条件、经济限制条件、规章限制条件和/或操作员施加的限制条件等。例如,在一个实施方案中,对二次蒸馏塔操作的限制条件可以涉及对蒸馏塔的任意不同部分(如侧面提汽塔的顶部、侧面提汽塔的底部泵、回流泵和/或塔顶部的产品泵)的泵送限制。在目标是最大化或保持生物燃料生产率或在特定目标生产率下的产品品质的情况中,该目标可以驱动泵到其最大或最小极限,然后该目标可由于设备/泵的限制而妥协。
作为另一示例,对二次蒸馏塔操作的限制条件可以涉及如在(或者经过)蒸馏塔的任意不同部分之间(例如,顶部到中部、中部到底部和/或顶部到底部)测得的压力差所测得的塔分离问题。例如,当高柱部分压降意味着液相或汽相的柱液阻现象(以及设备流量限制)时,柱进料速率不可以最大化但可以被限制在工作压降合适或安全的范围内操作。
在一个实施方案中,一个或多个限制条件也可以包括设备限制条件,设备限制条件包括以下各项中的一个或多个:限制发酵过程输出物料速率的发酵设备能力限制;限制蒸馏物料容量的设备限制;对于蒸馏单元中的一个或多个泵的操作限制;泵的工作状况(上线或下线);储槽容量;限制蒸馏单元进料速率的储槽储量水平限制;限制一次蒸馏单元输出流量的缓冲储槽液位或泵送限制;限制二次蒸馏单元(其影响储槽压力的限制)进料速率的缓冲储槽液位或泵送限制;储槽的操作状况;限制来自蒸馏单元、离线蒸馏设备的酒糟输出流量的酒糟储槽液位限制;在蒸馏或脱水系统内的泵速、阀位置或其它控制器输出限制;对于阀压力的操作限制;对于阀温度的操作限制;设备电流限制;对于管道压力的操作限制;表示在蒸馏段或管道段内的液相或汽相中的柱液阻现象的压降限制;柱压力或压力控制能力限制;限制水分萃取和/或加工能力流量的蒸馏和/脱水设备的限制;限制单元进料速率和/或生物燃料提纯的蒸馏和/或脱水设备的操作压力的限制;影响对一次蒸馏单元、二次蒸馏单元和/或脱水单元的热量输入的热容量限制;和/或由于吸收限制导致的脱水单元的效率等。因此,在本发明的一些实施方案中,动态多变量预测模型可以指定蒸馏进料速率和设备限制条件之间的关系,其中限制条件信息可以包括生物燃料生产过程的一个或多个设备限制条件。
在一个实施方案中,动态多变量预测模型可以包括表示一个或多个限制条件、包括任意子目标的目标、和多个操控变量之间关系的多变量预测模型。
接收过程信息
在图8的810中,可以从生物燃料生产过程接收蒸馏/脱水子过程信息。过程信息可以包括一个或多个控制变量和一个或多个涉及蒸馏/脱水子过程的操控变量和一个或多个可以影响蒸馏/脱水子过程的其它过程变量的测量,以及来自推断模型、实验室结果等的信息。测得的变量可以包括以下各项中的任意一个:蒸馏单元进料速率;蒸馏物料温度;对一次蒸馏单元的热量输入;对二次蒸馏单元的热量输入;对脱水单元的热量输入;不可发酵固体的输出流量;酒糟(其为一次蒸馏塔底部的产品)中的生物燃料损失;离开二次蒸馏塔的生物燃料流的含水量;二次蒸馏塔的底部产品流的生物燃料损失;蒸馏单元的柱回流;泵速、阀位置或在蒸馏或脱水系统内的其它控制器输出;在蒸馏段或管道段内的压降;柱压力;一次蒸馏单元输出的蒸馏基础生物燃料浓度;来自一个或多个一次蒸馏单元的生物燃料产品组成;来自一个或多个二次蒸馏单元的生物燃料产品组成;来自一个或多个脱水单元的生物燃料产品组成;蒸馏/脱水单元的过程加热限制;蒸馏/脱水过程单元的压力限制;脱水单元中汽化物料的压降限制;脱水物料系统的限制;一种或多种输出生物燃料产品的含水量;一种或多种输出生物燃料产品的纯度规格;和/或一种或多种输出生物燃料产品的存量等。过程信息可以与来自分布式控制系统的控制器通信。
在一些实施方案中,蒸馏/脱水子过程信息可以包括以下各项中的一个或多个:一个或多个生物燃料蒸汽缓冲储槽的流体液位、工作状态和容量限制;一次蒸馏单元的进料速率;一种或多种输出生物燃料产品的流量;一种或多种输出生物燃料产品的含水量;一种或多种输出生物燃料产品的纯度规格;不可发酵固体输出的流量;蒸馏物料温度;一次蒸馏单元的热量输入;二次蒸馏单元的热量输入;脱水单元的热量输入;来自一个或多个一次蒸馏单元的生物燃料输出组成;来自一个或多个二次蒸馏单元的生物燃料输出组成;来自一个或多个脱水单元的生物燃料输出组成;不可发酵固体的输出流量;不可发酵固体的输出中的生物燃料损失率;二次蒸馏单元的水流输出中的生物燃料损失率;一次蒸馏单元输出的蒸馏基础乙醇浓度;和/或一种或多种生物燃料产品的存量等。
执行模型
在图8的815中,可以根据目标、使用接收到的蒸馏/脱水子过程信息作为输入来执行动态多变量预测模型,以产生根据目标的模型输出,所述模型输出包括涉及蒸馏/脱水子过程的多个操控变量的目标值。
在一些实施方案中,指定的目标可以包括目标函数。目标函数可以指定与一个或多个子目标中的每一个相对应的目标值集合。执行综合动态多变量预测模型还可以包括以迭代方式执行综合动态多变量预测模型的优化器以求解目标函数,其中求解目标函数产生根据目标的多个操控变量的目标值。
如上所述,在一个实施方案中,可以例如单独地或者作为目标的一部分而接收限制条件信息。在该实施方案中,可以根据目标、使用接收到的蒸馏/脱水子过程信息和一个或多个限制条件作为输入来执行动态多变量预测模型,以产生根据目标及满足一个或多个限制条件的模型输出。
又如上所述,在一个实施方案中,限制条件信息可以是设备限制条件。在该实施方案中,执行动态多变量预测模型可以包括使用接收到的蒸馏/脱水子过程信息和接收到的涉及一个或多个设备限制条件的信息作为输入来执行动态多变量预测模型,以产生根据目标及满足一个或多个设备限制条件的模型输出。
如上所述,在一些实施方案中,模型的执行可以包括以迭代方式执行该模型(例如,经由优化器,如非线性优化器)、改变操控变量值(例如,一次蒸馏单元的进料速率、蒸馏物料温度、一次蒸馏单元的热量输入、二次蒸馏单元的热量输入、脱水单元的热量输入等)以及评价所得模型输出和目标函数,以确定最优地满足符合一个或多个限制条件的目标的操控变量值,由此确定操控变量的目标值。
控制过程
在图8的820中,可以根据多个操控变量的目标值而控制生物燃料生产过程,以实现根据指定目标(如满足指定的限制条件)的生物燃料组成。
在一个实施方案中,控制生物燃料生产过程可以包括控制蒸馏物料的流量,其可以包括操作与动态模型连接的蒸馏物料流量控制器和/或操作与生物燃料生产率目标连接的蒸馏物料流量控制器。例如,可以调节蒸馏物料流量以管理针对工厂目标生产率的通过量,和/或可以将动态模型蒸馏物料限制在可以达到可接受的生物燃料品质的物料之内。
在一个实施方案中,控制生物燃料生产过程可以包括控制一次蒸馏塔热平衡,其可以包括或者使用以下各项中的一个或多个:一次蒸馏塔热负荷的直接测量、诸如一次蒸馏塔中的ΔT(温度变化量)的温度的代理测量、操作员或计算机输入的热负荷控制目标、蒸馏进料速率调节的计算机计算、和/或加热速率或加热量调节的计算机计算。
在一个实施方案中,控制生物燃料生产过程可以包括酒糟中生物燃料损失的模型预测控制,其可以包括或者使用以下各项中的一个或多个:通过经由仪器的测量或者通过推断模型的酒糟中生物燃料损失的测量、操作员或计算机输入的酒糟中生物燃料浓度的控制目标、蒸馏进料速率的计算机计算及调节、和/或加热速率或者加热量的计算机计算和调节。
在一个实施方案中,控制生物燃料生产过程可以包括来自二次蒸馏塔的生物燃料含水量的模型预测控制,其可以包括或者使用以下各项中的一个或多个:通过仪器(如密度计)或推断模型的生物燃料水分损失的测量、操作员或计算机输入的离开二次蒸馏塔的生物燃料的水分测量控制目标、蒸馏进料速率的计算机计算和调节、一次蒸馏塔中的加热速率或加热量的计算机计算和调节、二次蒸馏塔回流的计算机计算和调节、和/或二次蒸馏塔加热(速率或加热量)的计算机计算和调节。
在一个实施方案中,控制生物燃料生产过程可以包括对于二次蒸馏塔底部产品流的生物燃料损失的模型预测控制,其可以包括或者使用以下各项中的一个或多个:通过仪器、实验室采样或推断模型测得的二次蒸馏塔底部中生物燃料损失的测量、操作员或计算机输入的“二次蒸馏塔中生物燃料损失”的控制目标、蒸馏进料速率的计算机计算和调节、一次蒸馏塔加热速率或加热量的计算机计算和调节、二次蒸馏塔回流流量的计算机计算和调节、和/或二次蒸馏塔加热速率或加热量的计算机计算和调节。
在一个实施方案中,控制生物燃料生产过程可以包括生物燃料存量的模型预测控制,其可以包括或者使用以下各项中的一个或多个:一种或多种生物燃料产品存量的测量、操作员或计算机输入的对于一种或多种生物燃料产品存量的控制目标、蒸馏进料速率的计算机计算和调节、精馏塔柱回流流量的计算机计算和调节、分子筛进料速率的计算机计算和调节、离心机进料速率的计算机计算和调节、蒸发器单元的加热速率或热负荷的计算机计算和调节、和/或蒸发器浆料抽吸速率的计算机计算和调节(例如,对于从酒糟过程回收热的实施方案而言,蒸发器操作与蒸馏和/或下游脱水操作内的能量消耗成为一体(例如,蒸发器废蒸汽用于驱动柱重沸器,或者分子筛产品冷凝器用于使柱重沸或者提供能量给酒糟蒸发器))。
在一个实施方案中,控制生物燃料生产过程可以包括生物燃料水分品质的模型预测控制,其可以包括或者利用以下各项中的一个或多个:生物燃料水分品质浓度的测量、操作员或计算机输入的生物燃料水分品质控制目标、分子筛蒸馏器压力的计算机计算和调节、分子筛压力的计算机计算和调节、分子筛进料速率的计算机计算和调节、分子筛物料品质的计算机计算和调节、和/或对分子筛PSA定时的计算机计算和调节。
如以上的图5,在优选的实施方案中,可以重复图8的方法,如以指定的频率或者响应指定的事件,使得可以在整个生产过程中或者在一系列生产过程中监测和控制过程。在一些实施方案中,在生产过程期间,可以对周期或者频率进行编程或改变(如生产过程的初始部分可以具有更长的重复周期(较低频率),以及生产过程的关键部分可以具有更短的重复周期(较高频率))。在一些实施方案中,可以至少部分地基于事件(如响应指定的条件)来重复所述方法。
另外的实施方案
在一个实施方案中,计算机可寻址的存储介质(其可以包括多个存储介质)存储用于生物燃料生产过程中的蒸馏过程和脱水过程的综合动态多变量预测模型的程序指令。程序指令可以是可执行的以实施:接收指定至少一个可测量属性的目标,所述可测量属性限定来自蒸馏和脱水过程的生物燃料输出的产品品质;接收来自生物燃料生产过程的蒸馏和脱水过程信息;以及根据目标、使用蒸馏和脱水过程信息作为输入来执行动态多变量预测模型,以产生根据目标的模型输出,所述模型输出包括涉及蒸馏和脱水过程的多个操控变量的目标值。
在该实施方案中,程序指令还可以执行为:根据多个操控变量的目标值和指定目标来控制蒸馏/脱水子过程。一般来说,存储介质可以存储实施任意上述方法的实施方案的程序指令。
因此,可以使用以上的模型预测控制系统和方法的不同实施方案,以管理生物燃料生产过程中的蒸馏/脱水子过程。
尽管已经很详细地描述了以上实施方案,但可以存在其他的型式。只要充分地理解以上的公开内容,许多变化和改进对于本领域普通技术人员而言是显而易见的。以下权利要求意图包含全部这些变化和改进。注意,本文使用的段落标题仅用于组织目的,并不意味着限制此处提供的描述或与此相关的权利要求。
Claims (25)
1.一种用于生物燃料生产过程中的生物燃料蒸馏过程和生物燃料脱水过程的综合管理的计算机实施方法,包括:
提供所述生物燃料生产过程中的蒸馏和脱水过程的综合动态多变量预测模型;
接收所述蒸馏和脱水过程的目标,所述目标指定所述蒸馏和脱水过程的生物燃料输出的目标生产;
接收来自所述生物燃料生产过程的过程信息,所述过程信息包括所述蒸馏和脱水过程的信息;
根据所述目标、使用所述过程信息作为输入来执行所述综合动态多变量预测模型,以产生根据所述目标的模型输出,所述模型输出包括涉及所述蒸馏和脱水过程的多个操控变量的目标值;以及
根据所述多个操作变量的目标值来控制所述生物燃料生产过程,以根据所述目标控制生物燃料生产。
2.根据权利要求1所述的方法,其中所述的执行所述综合动态多变量预测模型还包括:以迭代方式执行所述综合动态多变量预测模型的优化器,以根据指定时间范围的所述目标产生基本最优化的所述目标值的集合。
3.根据权利要求1所述的方法,其中所述的指定目标生产包括指定以下各项中的一个或多个:
所述蒸馏和脱水过程的生物燃料输出的目标组成;
所述蒸馏和脱水过程的生物燃料输出的目标生产率;或
所述蒸馏和脱水过程的目标进料速率。
4.根据权利要求1所述的方法,其中所述动态多变量预测模型包括基础模型和以下各项中的一个或多个:
线性的经验模型;
非线性的经验模型;
神经网络;
支持向量机;
统计模型;
基于规则的模型;或
经验拟合模型。
5.根据权利要求1所述的方法,
其中所述目标包括一个或多个子目标;
其中所述目标包括目标函数;
其中所述目标函数确定与所述一个或多个子目标中的每一个相对应的目标值集合;以及
其中所述的执行所述综合动态多变量预测模型还包括:以迭代方式执行所述综合动态多变量预测模型的优化器以求解所述目标函数,其中求解所述目标函数产生根据指定时间范围内所述目标的用于所述多个操控变量的目标值。
6.根据权利要求5所述的方法,其中每个所述目标值是选自值类型集合的一个值类型,所述的值类型集合包括:最小值、最大值、大于指定的值、小于指定的值和等于指定的值,并且其中所述目标函数包括两个或多个值类型的组合。
7.根据权利要求1所述的方法,还包括:
接收指定一个或多个限制条件的限制条件信息,其中所述的执行所述综合动态多变量预测模型包括:根据所述目标、使用所述接收到的过程信息以及所述一个或多个限制条件作为输入来执行所述综合动态多变量预测模型,以产生根据所述目标并满足所述一个或多个限制条件的模型输出。
8.根据权利要求7所述的方法,其中所述一个或多个限制条件包括以下各项中的一个或多个:工艺限制条件、设备限制条件、规章限制条件或经济限制条件。
9.根据权利要求7所述的方法,其中所述动态多变量预测模型引入所述一个或多个限制条件、所述目标、以及所述多个操作变量之间的关系。
10.根据权利要求1所述的方法,其中所述的控制所述生物燃料生产过程包括:通过基于生物燃料生产率目标而操控蒸馏进料流控制器来控制蒸馏进料流量。
11.根据权利要求1所述的方法,其中控制所述生物燃料生产过程包括利用以下各项中的一个或多个来控制一个或多个一次蒸馏塔内的热平衡:一个或多个一次蒸馏塔的热负荷的直接测量、诸如测量所述一个或多个一次蒸馏塔内位置之间的温度差的代理温度测量、操作员或计算机输入的热负荷控制目标、所述蒸馏进料速率的调节的计算机计算、或加热速率或加热量的调节的计算机计算。
12.根据权利要求1所述的方法,其中控制所述生物燃料生产过程包括利用以下各项中的一个或多个来控制酒糟中生物燃料的损失:通过仪器测量或者通过推断模型对酒糟中的生物燃料损失的测量、操作员或计算机输入的针对酒糟中生物燃料浓度的控制目标、蒸馏进料速率的计算机计算和调节、或一次蒸馏塔的加热速率或加热量的计算机计算和调节。
13.根据权利要求1所述的方法,其中控制所述生物燃料生产过程包括利用以下各项中的一个或多个来控制一个或多个二次蒸馏塔的输出中生物燃料的水分含量:生物燃料水分损失的仪器测量、通过推断模型对生物燃料水分含量损失的测量、操作员或计算机输入的针对所述一个或多个二次蒸馏塔的输出的生物燃料水分含量的控制目标、所述蒸馏进料速率的计算机计算和调节、一个或多个一次蒸馏塔中的加热速率或加热量的计算机计算和调节、二次蒸馏塔回流的计算机计算和调节、或二次蒸馏塔的加热速率或加热量的计算机计算和调节。
14.根据权利要求1所述的方法,其中控制所述生物燃料生产过程包括利用以下各项中的一个或多个来控制一个或多个二次蒸馏塔的底部产品流的生物燃料损失:通过仪器测量、实验室采样测量或由推断模型计算的所述底部产品流中生物燃料损失的测量;操作员或计算机输入的针对所述底部产品流中生物燃料损失的控制目标、蒸馏进料速率的计算机计算和调节、一次蒸馏塔的加热速率或加热量的计算机计算和调节、二次蒸馏塔回流流量的计算机计算和调节、或二次蒸馏塔的加热速率或加热量的计算机计算和调节。
15.根据权利要求1所述的方法,其中控制所述生物燃料生产过程包括利用以下各项中的一个或多个来控制生物燃料存量:一个或多个生物燃料产品存量的测量、操作员或计算机输入的针对一个或多个生物燃料产品存量的控制目标、蒸馏进料速率的计算机计算和调节、精馏塔回流流量的计算机计算和调节、或分子筛进料速率的计算机计算和调节。
16.根据权利要求1所述的方法,其中控制所述生物燃料生产过程包括利用以下各项中的一个或多个来控制所述生物燃料的水分品质:所述生物燃料水分品质浓度的测量、操作员或计算机输入的生物燃料水分品质的控制目标、分子筛蒸馏器压力的计算机计算和调节、分子筛压力的计算机计算和调节、分子筛进料速率的计算机计算和调节、分子筛进料品质的计算机计算和调节、或分子筛变压吸附(PSA)定时的计算机计算和调节。
17.一种用于管理生物燃料生产过程中生物燃料蒸馏和脱水过程的计算机实施的方法,包括:
a)提供所述生物燃料生产过程中的所述蒸馏和脱水过程的动态多变量预测模型;
b)接收所述蒸馏和脱水过程的目标,所述目标指定至少一个限定所述蒸馏和脱水过程的输出产品品质的目标可测量属性;
c)接收来自所述生物燃料生产过程的过程信息;
d)根据所述目标、使用接收到的过程信息作为输入来执行所述动态多变量预测模型,以产生根据所述目标的模型输出,所述模型输出包括涉及所述蒸馏和脱水过程的多个操作变量的目标值;以及
e)根据所述目标,根据所述多个操作变量的目标值来控制所述生物燃料生产过程。
18.根据权利要求17所述的方法,还包括:
利用更新的过程信息和目标,以指定频率重复步骤b)至e),其中所述频率是:
可编程的;和/或
操作员指定的。
19.根据权利要求18所述的方法,其中通过工艺、设备、规章和/或经济限制条件方面的改变来确定所述频率。
20.根据权利要求17所述的方法,其中所述的执行所述动态多变量预测模型包括优化器,所述优化器以迭代方式执行所述动态多变量预测模型,以根据所述目标产生用于指定时间范围的基本最优化的目标值集合。
21.一种用于管理生物燃料生产过程中的蒸馏过程和/或脱水过程的系统,包括:
基于动态预测模型的控制器,所述控制器包括一个或多个处理器;和
与所述一个或多个处理器连接的至少一个存储介质;
其中所述至少一个存储介质存储程序指令,所述程序指令实施所述蒸馏和脱水过程的动态多变量预测模型;
其中所述一个或多个处理器能够运行如下:
接收来自所述生物燃料生产过程的过程信息;
接收指定至少一个可测量属性的所述蒸馏和脱水过程的目标,所述可测量属性限定来自所述蒸馏和脱水过程的生物燃料输出的产品品质;和
执行所述动态多变量预测模型,以产生根据所述目标的模型输出,所述模型输出包括涉及所述蒸馏和脱水过程的一个或多个操控变量的目标值;以及
其中所述控制器能够运行为:根据所述目标值和所指定的目标来控制所述蒸馏和脱水过程。
22.根据权利要求21所述的系统,还包括:存储在一个或多个所述至少一个存储介质中的优化器程序,其中所述一个或多个处理器还能够运行为:利用所述优化器的程序以迭代方式执行所述动态多变量预测模型,以根据所述目标产生用于指定时间范围的基本最优化的目标值集合。
23.一种计算机可寻址的存储介质,所述存储介质存储用于生物燃料生产过程中的蒸馏和脱水过程的动态模型预测控制的程序指令,其中所述程序指令可执行为实施以下步骤:
接收指定至少一个可测量属性的目标,所述可测量属性限定来自所述蒸馏和脱水过程的生物燃料输出的产品品质;
接收来自所述生物燃料生产过程的过程信息;以及
根据所述目标,使用所述过程信息作为输入来执行所述动态多变量预测模型,以产生根据所述目标的模型输出,所述模型输出包括涉及所述蒸馏和脱水过程的多个操控变量的目标值;
其中所述多个操控变量的所述目标值可用于控制所述生物燃料生产过程中的所述蒸馏和脱水过程。
24.根据权利要求23所述的存储介质,其中所述程序指令还可执行为:根据所述目标值和所述目标来控制所述蒸馏和脱水过程。
25.根据权利要求23所述的存储介质,其中所述程序指令实现优化器,其中所述优化器可执行为:以迭代方式实施所述的执行所述动态多变量预测模型,以根据所述目标产生用于指定时间范围的基本最优化的目标值集合。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US86375906P | 2006-10-31 | 2006-10-31 | |
US60/863,759 | 2006-10-31 | ||
US11/757,557 US8634940B2 (en) | 2006-10-31 | 2007-06-04 | Model predictive control of a fermentation feed in biofuel production |
US11/757,557 | 2007-06-04 | ||
US11/862,391 | 2007-09-27 | ||
US11/862,391 US8521310B2 (en) | 2006-10-31 | 2007-09-27 | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process |
PCT/US2007/083178 WO2008055209A2 (en) | 2006-10-31 | 2007-10-31 | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101573668A true CN101573668A (zh) | 2009-11-04 |
CN101573668B CN101573668B (zh) | 2012-07-04 |
Family
ID=39233032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007800486925A Expired - Fee Related CN101573668B (zh) | 2006-10-31 | 2007-10-31 | 生物燃料生产过程中的蒸馏和脱水子过程的综合模型预测控制 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP2084587B1 (zh) |
CN (1) | CN101573668B (zh) |
AT (1) | ATE523818T1 (zh) |
WO (1) | WO2008055209A2 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103045445A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 风味物质在线量质摘酒工艺 |
CN103045446A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 酒精度在线量质摘酒工艺 |
CN103045448A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 气相温度、压力与酒精度变化在线量质摘酒工艺 |
CN103045449A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 气相温度与酒精度变化在线量质摘酒工艺 |
CN113867152A (zh) * | 2021-10-19 | 2021-12-31 | 金陵科技学院 | 用于单水合斯诺普利粉雾剂连续冻干过程建模及控制方法 |
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN117744831A (zh) * | 2023-12-22 | 2024-03-22 | 湖南时代阳光药业股份有限公司 | 一种基于机器学习的智能化油蒸馏优化方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010006624A1 (de) * | 2008-07-12 | 2010-01-21 | Rag Aktiengesellschaft | Verahren zur überwachung und automatisierten steuerung von teilprozessen im untertägigen steinkohlenbergbau |
US8620705B2 (en) * | 2010-09-21 | 2013-12-31 | Exxonmobil Research And Engineering Company | Method of connecting different layers of optimization |
-
2007
- 2007-10-31 WO PCT/US2007/083178 patent/WO2008055209A2/en active Application Filing
- 2007-10-31 CN CN2007800486925A patent/CN101573668B/zh not_active Expired - Fee Related
- 2007-10-31 AT AT07863712T patent/ATE523818T1/de not_active IP Right Cessation
- 2007-10-31 EP EP07863712A patent/EP2084587B1/en not_active Not-in-force
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103045445A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 风味物质在线量质摘酒工艺 |
CN103045446A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 酒精度在线量质摘酒工艺 |
CN103045448A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 气相温度、压力与酒精度变化在线量质摘酒工艺 |
CN103045449A (zh) * | 2012-12-25 | 2013-04-17 | 宜宾金喜来酒业有限公司 | 气相温度与酒精度变化在线量质摘酒工艺 |
CN103045445B (zh) * | 2012-12-25 | 2014-07-02 | 宜宾金喜来酒业有限公司 | 风味物质在线量质摘酒工艺 |
CN103045446B (zh) * | 2012-12-25 | 2014-07-02 | 宜宾金喜来酒业有限公司 | 酒精度在线量质摘酒工艺 |
CN103045448B (zh) * | 2012-12-25 | 2014-08-20 | 宜宾金喜来酒业有限公司 | 气相温度、压力与酒精度变化在线量质摘酒工艺 |
CN103045449B (zh) * | 2012-12-25 | 2014-09-03 | 宜宾金喜来酒业有限公司 | 气相温度与酒精度变化在线量质摘酒工艺 |
CN113867152A (zh) * | 2021-10-19 | 2021-12-31 | 金陵科技学院 | 用于单水合斯诺普利粉雾剂连续冻干过程建模及控制方法 |
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN117744831A (zh) * | 2023-12-22 | 2024-03-22 | 湖南时代阳光药业股份有限公司 | 一种基于机器学习的智能化油蒸馏优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
ATE523818T1 (de) | 2011-09-15 |
EP2084587B1 (en) | 2011-09-07 |
CN101573668B (zh) | 2012-07-04 |
WO2008055209A2 (en) | 2008-05-08 |
EP2084587A2 (en) | 2009-08-05 |
WO2008055209A3 (en) | 2008-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8521310B2 (en) | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process | |
US8634940B2 (en) | Model predictive control of a fermentation feed in biofuel production | |
CN101573668B (zh) | 生物燃料生产过程中的蒸馏和脱水子过程的综合模型预测控制 | |
US8571689B2 (en) | Model predictive control of fermentation in biofuel production | |
US20080103747A1 (en) | Model predictive control of a stillage sub-process in a biofuel production process | |
US7831318B2 (en) | Model predictive control of fermentation temperature in biofuel production | |
US7933849B2 (en) | Integrated model predictive control of batch and continuous processes in a biofuel production process | |
CN101689045B (zh) | 生物燃料发酵过程的非线性模型预测控制 | |
CN101539776B (zh) | 计算机实现的方法 | |
US8103385B2 (en) | Optimizing product drying through parallel lines of centrifuges and dryer process units | |
US9098093B2 (en) | Model predictive control of biofuel denaturant blending | |
Sanchez et al. | Parametric analysis of total costs and energy efficiency of 2G enzymatic ethanol production | |
US20120003623A1 (en) | Nonlinear model predictive control of a batch reaction system | |
US20100082166A1 (en) | Cook flash temperature optimization | |
CN101539777B (zh) | 在生物燃料生产过程中确定总碾磨流量的系统和方法 | |
Haelssig et al. | Technical and economic considerations for various recovery schemes in ethanol production by fermentation | |
Abdi et al. | Economic comparison of a continuous ABE fermentation with and without the integration of an in situ vacuum separation unit | |
Dale et al. | Economic and technical analysis of ethanol dry milling: Model description | |
Bain | World biofuels assessment; worldwide biomass potential: technology characterizations (milestone report) | |
Ebrahimian et al. | Bioprocess Design and Technoeconomic Analysis of 2, 3-Butanediol Production in Wood-Based Biorefineries | |
Deo | Process synthesis in manufacture of ethanol from cellulose | |
Bretterklieber | Process Investigation with Focus on the Energy Optimization Potential for Mekanissa Alcohol Factory | |
Baron | Optimization of Small Scale Ethanol Production | |
Lin | Engineering economic analysis of the quick-germ/quick-fiber modified dry grind ethanol fractionation process | |
Mei | THE HENRY EDWIN SEVER GRADUATE SCHOOL DEPARTMENT OF CHEMICAL ENGINEERING |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20141031 |
|
EXPY | Termination of patent right or utility model |