CN105229627B - 用于确定产品流或处理流的属性的系统、方法和设备 - Google Patents

用于确定产品流或处理流的属性的系统、方法和设备 Download PDF

Info

Publication number
CN105229627B
CN105229627B CN201480017536.2A CN201480017536A CN105229627B CN 105229627 B CN105229627 B CN 105229627B CN 201480017536 A CN201480017536 A CN 201480017536A CN 105229627 B CN105229627 B CN 105229627B
Authority
CN
China
Prior art keywords
model
dependant variables
attribute
analyzer
processing
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.)
Active
Application number
CN201480017536.2A
Other languages
English (en)
Other versions
CN105229627A (zh
Inventor
W·马库斯·特吕格斯塔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Corp of America
Original Assignee
Yokogawa Corp of America
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yokogawa Corp of America filed Critical Yokogawa Corp of America
Publication of CN105229627A publication Critical patent/CN105229627A/zh
Application granted granted Critical
Publication of CN105229627B publication Critical patent/CN105229627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

提供了用于确定具体为烃处理流的处理流的属性的系统、方法和设备。这些系统、方法和设备频繁地、例如基本上实时地确定处理流的属性的测量结果。这些系统、方法和设备提供使得能够甚至在影响处理操作的处理条件和其他参数改变时也准确地测量处理流的这样的属性的特征。更具体地，公开了分析器，其具有：测量装置，被配置为检测处理流的一个或多个独立变量；模型，被配置为根据一个或多个独立变量来确定一个或多个分析器测量结果；以及过程，用于使用对应的主要测结果来调整模型。

Description

用于确定产品流或处理流的属性的系统、方法和设备
相关申请
本申请要求2014年2月5日提交的题为“System,Method and Apparatus forDetermining Properties of Product or Process Streams”的第14/173301号美国正式专利申请(其要求2013年2月5日提交的题为“System,Method and Apparatus forDetermining Properties of Product or Process Streams”的第61/760,879号美国临时专利申请的权利)的优先权，其内容出于所有目的而通过引用全部合并于此。
技术领域
本发明一般涉及估计烃流的属性的系统、方法和设备。具体地，本发明的系统、方法和设备涉及高频率和高精确度地测量烃流的属性。
背景技术
例如通过使用实验室测量结果或在线分析器、根据分析方法的可得性来杠杆化处理工厂的操作。这些类型的结果对工厂操作是有价值的，因为它们通常被认为是可靠的。例如，对于烃和/或提炼操作，主要的分析测试方法为属性已根据工业标准测试方法(诸如ASTM国际开发和公布的方法)确定的产品的密闭输送提供了关键基础。
不管这些主要测试方法的重要性如何，它们确实也有某些不足。例如，实验室测量结果通常可能每天仅可得一次或几次。此外，在获得离散样本与报告来自对该离散样本执行的测试的结果之间会经过几个小时，从而严重地限制了基于这些结果对处理进行控制的可能性。另外，样本稳定性、样本污染、代表性采样的问题以及与测试过程的执行相关联的不确定性可能导致返回错误的样本值。
改进测试数据的可得性、完整性和可再现性在许多情况下都已促进测量的在线运用。然而，根据正执行的测量和分析的类型，在线分析器的循环时间可能为约十分钟以上，在一些情况下，达到和超过一小时，这在一些情况下可能对于最大化处理效率或产品质量的目的而言仍然是不足的。
加工产业传统上通过制定能够预测某些处理流的属性的辅助测量技术来对时间延迟问题和主要测量的可靠性作出响应。这样的辅助技术通常已包括使用一些形式的模型，例如，能够使用处理输入来预测某些关注的属性的多元统计模型，其中，关注的属性可以被称为“从属变量”，并且处理输入可以被称为“独立变量”。
这些基于模型的方法中的重要类别是“推理分析器”，也称为“软传感器”，因为它们通常驻存于软件中。软传感器吸引人的原因至少有两个。首先，因为它们通常依赖于可能已可利用的测量结果(诸如，温度、压力和流速)，因此它们不需要在处理单元中多次安装附加传感器。其次，随着分布式控制系统的出现，软传感器通常依赖的输入测量结果基本上是可实时利用的，从而具有一秒乃至更小的离散采样率。这些优点至少通过以比处理控制系统通常需要的间隔大的间隔提供属性预测来解决了与主要测量相关联的时间延迟的缺陷。另外，这些优点避免了物理地获得样本的需求，从而消除了代表性采样和样本完整性的问题。
尽管这些模型的逼真度可能在范围从几小时到甚至也许几天的有限时间段内非常好，但是传统的推理分析器往往鲁棒性不足，因为总的来说，用作模型的输入的独立变量通常既间接地又不完整地与处理流的化学性质有关。在关于处理的传感器读数是处理条件和处理中的材料两者的函数的程度上，这些模型是化学性质的间接表达；在这些模型中所使用的独立变量的数量少于系统中的自由度的范围内，这些模型是不完整的，这涉及处理系统和通过其正处理的材料这两者。然而，当稳定状态条件或准稳定状态条件占优势并且许多处理变量和流变量在名义上恒定时，例如，当处理系统的原料质量和操作基本上不变时，可能发生例外。在这样的时候，独立变量可以在数学意义上“确定”流化学性质，并且推理分析器的属性预测可能极其可靠。然而，基本问题是模型一般是相关的，并且由于相关性不一定表示原因，因此推理模型可能很大程度上是凭经验的，其中第一原理仅具有遥远的影响。实际上，文献大量地将也许最常用的建模方法称为“黑盒方法”。总之，推理分析器的属性预测易于达到从主要原因(最终由样本化学性质确定的流属性)中去除影响(预测值)的程度。
因此，共同的实践是使用定期的实验室测量结果来更新来自推理分析器的输出以应对各种变量。该策略可以改进对于如下的推理预测的质量：(i)可能原料质量的完全范围；(ii)处理系统的条件的改变，例如，污垢；以及(iii)读数是独立变量的传感器的响应的改变，例如由简单偏移或者用新传感器替代有故障的传感器而产生的改变。然而，该方法伴随着对优化连续处理的性能的可能性存在限制的问题，优化连续处理的性能可以包括最大化吞吐量、紧密地遵循产品质量目标、最小化能量使用、延长催化剂使用寿命等。对于改进的模型自适应过程的需求在本领域中仍然存在，尤其是适应由例如原料的成分和属性的改变而导致的操作条件的变化；不在模型的范围内的其他处理单元改变；处理测量中的传感器故障和/或差异；用于更新模型的实验室分析结果和/或来自分析仪器的测量结果的可得频率；以及分析器可靠性。
甚至模型准确性的小偏差也会显著地影响与在炼油厂和石油化工厂中发现的那些处理单元类似的大型处理的产品的经济性。在本领域中仍存在对于改进的测量(尤其是频繁地(优选基本上实时在线地)测量)烃流的属性的方法的需求。此外，在本领域中仍存在对于改进的以高准确度测量烃流的属性的方法的需求。
发明内容
本发明的一方面包括用于确定处理流的属性的系统。该系统包括硬分析器，该硬分析器被配置为测量与处理流的样本相关联的一个或多个从属变量，其中，从属变量也是样本的属性。推理分析器包括处理的各方面的模型，并且被配置为采集与处理流相关联的一个或多个独立处理变量并使用独立处理变量来生成一个或多个推断的从属变量。比较模块生成硬分析器测量的从属变量与推理分析器推断的从属变量的比较。该系统使用该比较来调整模型的一个或多个方面以及/或者调整一个或多个推断的从属变量以及/或者控制处理流。
本发明的另一方面包括用于使用上述系统来确定处理流的属性的方法。
在审阅以下结合附图进行的描述时，本发明的这些实施例以及本发明的其他方面和实施例将变得显而易见。然而，本发明具体地由所附权利要求指明。
附图说明
在这样大体地描述了本发明的情况下，现在将参照附图，并且在附图中：
图1A是本发明的实施例的功能框图；
图1B是通过应用可以与本发明的实施例一起使用的属性模型进行模型开发和属性预测的步骤的流程图；
图2是示出根据本发明的实施例的、使用基于模型的软分析器来预测属性并且结合硬分析器来更新模型的步骤的流程图；以及
图3是示出根据本发明的实施例的确定处理流的属性的步骤的流程图。
具体实施方式
下文中，将参照附图更全面地描述本发明的一些实施例，其中，示出了本发明的部分但不是全部实施例。实际上，本发明的各个实施例可以以许多不同的形式实现并且不应该解释为限于本文中所阐述的实施例；确切地，提供这些实施例是为了本公开会满足适用的法律要求。
如在说明书和所附权利要求书中使用的那样，单数形式“一个”(“a”和“an”)以及“该”(“the”)包括复数对象，除非上下文明确表明其他含义。例如，对“分析器”的引用包括多个这样的分析器。在另一示例中，对“分析”的引用包括多次这样的分析。
虽然本文中采用了特定术语，但是它们是仅以通用且描述性意义来使用的而不是出于限制的目的。本文中使用的所有术语(包括技术术语和科学术语)具有与本发明所属的领域的普通技术人员通常理解的含义相同的含义，除非术语以另外的方式定义。将进一步理解，术语(诸如通用词典中定义的术语)应该被解释为具有本发明所属的领域的普通技术人员通常理解的含义。将进一步理解的是，术语(诸如通用词典中定义的术语)应该被解释为具有与其在相关领域和本公开的上下文中的含义一致的含义。将不会以理想化的或过于正式的意义解释这样的通用术语，除非本文中的公开明确以另外的方式这样定义。
如本文中所使用的，术语“硬分析器”是指能够基本上直接感测和测量与处理流和/或处理流的样本相关联的特定属性的值的分析器，包括基于在线或离线实验室的装置。这些测量属性被称为“从属变量”。从属变量的示例可以包括样本中的成分的浓度以及包括“热属性”(诸如闪点和蒸馏属性)或冷属性(诸如云点、冰点、冷滤点和柴油的流点)的样本的特性。这些分析器的示例分别包括可从德国汉堡的Bartec Benke GmbH得到的FPA-4、DPA-4、CPA-4、FPR-4、CFPP-4.2和PPA-4，而Yokogawa电气公司的GC8000online GC可以用于执行模拟蒸馏(simdist)分析。术语“主要测量结果”、“测量结果”、“属性值”和“从属变量”是指硬分析器的输出。这些测量结果或从属变量可以是单次分析的结果或者多次分析的平均值。如本文中使用的，术语“推理分析器”和“软传感器”是指基于计算机实现的模型的分析器，其依赖于与DCS(分布式控制系统)相关联的传感器采集的各种独立变量，以推断处理流体的各个从属变量的值。这些推断的特性也称为“预测的从属变量”、“推断的”或“基于模型的”测量结果、“关注属性”，或者简称为“预测”。在本发明的实施例中可以使用的“推理分析器”的示例包括来自日本东京的Yokogawa电气公司的ExaRQE Robust QualityEstimatorTM。
如本文中所使用的，“处理流”或“处理流体”是与处理相关联的任意流或流体。在非限制性示例中，处理流包括处理工厂内的处理的任意中间处理流。如本文中所使用的，“产品流”或“产品流体”是作为来自制造处理内的操作单元的输出并且可以是对另一操作单元的进料或者可以基本上变为处理工厂制造的产品的基础的处理流。然而，作为处理流的更多限制的情况的“产品流”可以仍包括可以经受其他处理单元的进一步修改或者在例如容器(tank)或混合器(blender)内混合以例如提供成品的期望属性的处理流。本发明的方法和系统旨在与所有处理流和可以是处理流的更多限制的类别的所有产品流有关。在某些实施例中，本发明的方法和系统可以应用于成品本身。
术语“计算机”和“终端用户装置”意指包括工作站、个人计算机、个人数字助理(PDA)、无线电话或者包括处理器、在其上可以设置计算机可读程序代码(包括指令和/或数据)的计算机可读介质和用户接口的任意其他适合的计算装置。术语“实时”是指几乎与外部事件发生同时地(在数毫秒或微秒内)对外部事件进行感测和作出响应，或者足够快地使得装置能够跟上外部处理。在处理控制的上下文中，“实时”数据的频率关于相对(不是绝对)而定义的。因而，对于显著改变会在约几分钟的时间帧内发生的处理，每隔半分钟可得到的新分析结果从处理控制的角度是实时。当显著的处理变化在比10-15分钟长的时间帧内发生时，5分钟的测量时间间隔就是这样的。出于优化提炼厂CDU(原油蒸馏单元)的操作的目的，每隔1-2分钟的分析结果是实时的。
术语“DCS”和“分布式控制系统”是指计算机实现的处理控制系统，诸如可从日本东京的Yokogawa电气公司购得的Centum VPTM。
处理流(诸如化学和石化处理、烃处理和提炼操作中的连续处理流)的属性的信息的基本上实时可得性可能比最大化吞吐量、控制产品质量以及/或者确保处理工厂的操作合乎环境要求且安全要重要很多倍。
发明人设想了用于确定处理流的属性的系统和方法。在本发明的实施例中，处理流可以是烃处理流。在本发明的某些实施例中，本发明的系统和方法可以用于确定产品流的一个或多个属性。根据本发明的某些实施例，这些系统和方法频繁地且高准确度地提供测量结果。
发明人设想了将统计模型和一次或多次统计分析与用于确定处理流的一个或多个属性的处理模型和处理操作结合的新颖且独特的方法和系统。本发明的某些实施例旨在确定烃处理流的一个或多个属性。本发明其他实施例旨在确定烃产品流的一个或多个属性。本发明的还有其他实施例旨在确定烃产品流的一个或多个属性。本发明的还有其他实施例旨在确定烃成品的一个或多个属性。
具体地，发明人设想了用于通过将一个或多个分析器或分析方法与特别适合于这样的一个或多个分析器的用于推理分析的处理模型结合来组合两种处理操作和控制的方法的系统和方法。另外，由于在本发明的某些实施例中可以特别地基于正使用的一个或多个分析器的类型来选择处理模型，因此可以基于来自一个或多个分析器的不太频繁的且离散的测量结果来修改或调节推理预测。因而，本发明的系统和方法以如下准确度提供实时结果预测，该准确度接近测量循环时间代表比实时充分长的时间帧的一个或多个分析器提供的分析测量结果的准确度。
在本发明的实施例中，至少一个硬分析器提供主要测量结果。在本发明的特定实施例中，至少一个在线硬分析器(诸如GC)提供主要测量结果。在不意在进行限制的情况下，本发明的系统和方法提供了与关联的化学、石化和/或提炼处理的优化相关联的益处。例如，在线分析器提供的主要测量结果(从属变量)的数量支持用于修改或调节(即，调整)推理分析器提供的预测的从属变量的方法。根据本发明的某些实施例，相对于传统方法，通过相对频繁的采集和使用相对多的变量来修改或调节模型，修改或调节过程在统计上得到了改进。
另外，相对于更加传统的技术，使用本发明的系统或方法的过程对模型进行修改或调节改进了对应用于估计值的偏差或比例因子的调整。对于例如由一个或多个在线分析器提供的更多数量的变量的更频繁反馈由于在一段时间内可得的主要测试结果的数量更大而增强了模型的校正的统计确定性。
另外，可以使用例如统计技术来对在线分析器返回的多个测量值进行比较，以确定是否应该丢弃任意数量的值。即，如果值落入统计定义范围之外，则可以丢弃该值，从而防止执行对模型的不正确修改或调节。
在本发明的实施例中，对硬分析器值和相关联的推断值执行统计分析或统计诊断过程，以确定硬分析器测量结果和推断测量结果中的任一个或多个的有效性或无效性。在本发明的一些实施例中，当确定硬分析器测量结果无效时，则将不使用硬分析器测量结果来更新对于推断测量结果的模型。在本发明的某些实施例中，模型修改或调节过程可以被配置为等待返回有效分析器测量结果或者使用一个或多个先前的有效分析器测量结果来进行模型修改或调节。
对于推断测量结果，认为评价推断测量结果的有效性是对这样的推断测量结果的验证会是更适当的。在正常状况下，根据本发明的实施例，可以执行模型修改或调节以提高推断模型的准确性。
在本发明的某些实施例中，可以保持一个有效硬分析器测量结果乃至一系列有效硬分析器测量结果以随后在模型修改或调节中使用。在本发明的某些实施例中，使用一个或多个先前的有效硬分析器测量结果来进行模型修改和/或调节的过程将考虑这样的有效硬分析器测量结果的时期以及/或者处理的操作是否与在修改或调节模型中的使用这样的值相兼容，以提供改进的推断测量结果。
在本发明的实施例中，对于推断测量结果的验证过程可以包括本文中进一步描述的使用(一个或多个)最近的推断测量结果的过程。进一步遵循该实施例，可能已在如下时段内收集多个推断测量结果数据点：最多约2分钟、最多约5分钟、最多约10分钟、最多约12分钟、最多约15分钟、最多约20分钟、最多约24分钟、最多约30分钟、最多约40分钟、最多约45分钟、最多约60分钟、最多约90分钟、最多约120分钟、最多约150分钟、最多约3小时、最多约4小时、最多约5小时、最多约6小时、最多约7小时、最多约8小时、最多约10小时、最多约12小时、最多约18小时、最多约1天、最多约2天或者最多约1周。
甚至进一步遵循收集多个推断测量结果数据点的实施例，可以按基本上固定的离散间隔收集这样的数据点。在本发明的某些实施例中，用于收集用在验证过程中的推断测量结果数据点的基本上固定的离散间隔可以是约1秒、约2秒、约5秒、约6秒、约10秒、约12秒、约15秒、约20秒、约24秒、约30秒、约40秒、约45秒、约1分钟、约90秒、约2分钟、约150秒、约3分钟、约4分钟、约5分钟、约6分钟、约10分钟、约12分钟、约15分钟、约20分钟、约24分钟、约30分钟、约45分钟、约1小时或约2小时。
在本发明的某些实施例中，可以对用于计算推断测量结果的独立变量中的任一个或多个进行评价以确定推断测量结果的有效性。例如，替代最近的推断测量结果或者本文中进一步描述的多个推断测量结果数据点或者除了最近的推断测量结果或者本文中进一步描述的多个推断测量结果数据点外，可以使用对这些独立变量的评价。类似地，在确定推断测量结果的有效性时，可以使用这些独立变量中的任一个的最近值或者可以使用这些独立变量中的任一个的多个测量结果数据点。遵循本发明的涉及这些一个或多个独立变量中的任一个的多个测量结果数据的实施例，可以在与本文中针对推断测量结果进一步描述的时段和固定离散时间间隔的范围类似的时段和基本上固定的离散时间间隔内收集这样的多个测量结果数据点。
在本发明的实施例中，对于硬分析器测量结果的验证过程可以包括本文中进一步描述的使用(一个或多个)最近的硬分析器测量结果的过程。进一步遵循该实施例，可能已在如下时段内收集多个推断测量结果数据点：最多约5分钟、最多约10分钟、最多约12分钟、最多约15分钟、最多约20分钟、最多约24分钟、最多约30分钟、最多约40分钟、最多约45分钟、最多约60分钟、最多约90分钟、最多约120分钟、最多约150分钟、最多约3小时、最多约4小时、最多约5小时、最多约6小时、最多约7小时、最多约8小时、最多约10小时、最多约12小时、最多约18小时、最多约1天、最多约2天或者最多约1周。
在本发明的实施例中，可以按如下频率得到主要测量结果：约每周、约每天、约每12小时轮班、约每8小时轮班、约每4小时、约每2小时、约每1小时、约每45分钟、约每30分钟、约每20分钟、约每10分钟、约每6分钟、约每5分钟、约每4分钟、约每3分钟、约每2分钟、约每1分钟、约每30秒、约每15秒、约每10秒、约每5秒或约每1秒。
在本发明的实施例中，可以按如下频率得到主要测量结果：最多约每周、最多约每天、最多约每12小时轮班、最多约每8小时轮班、最多约每4小时、最多约每2小时、最多约每1小时、最多约每30分钟、最多约每20分钟、最多约每10分钟、最多约每6分钟、最多约每5分钟以及最多约每1分钟。
甚至进一步遵循收集多个硬分析器测量结果数据点的实施例，可以以基本上固定的离散间隔收集这样的数据点。在本发明的某些实施例中，用于收集用在验证过程中的推断测量结果数据点的基本上固定的离散间隔可以是约2秒、约5秒、约6秒、约10秒、约12秒、约15秒、约20秒、约24秒、约30秒、约40秒、约45秒、约1分钟、约90秒、约2分钟、约150秒、约3分钟、约4分钟、约5分钟、约6分钟、约10分钟、约12分钟、约15分钟、约20分钟、约24分钟、约30分钟、约45分钟、约1小时、约2小时、约4小时、约5小时、约6小时、约8小时、约12小时、约18小时、约1天或约2天。
在本发明的一个实施例中，使用硬分析器测量结果的最近值来执行推断测量结果的验证，并且该验证包括将推断测量结果与硬分析器测量结果进行比较，而不进行修改或调节。在本发明的实施例中，验证过程包括对推断测量结果与硬分析器测量结果的“接近度”的简单评价。在本发明的某些实施例中，验证过程包括确定这些值之间的统计偏差以及该偏差在这些变量之间发生的偏差的预期范围内是否是符合统计的。
在本发明的另一实施例中，可以在验证过程中使用推断测量结果和分析测量结果中的任一个或两者的样本数据的总体。在本发明的某些实施例中，在对于推断测量结果与硬分析器测量结果的验证过程中可以使用代表总体的统计值(例如，不限地为中值、均值、标准偏差和/或方差)。
在本发明的其他实施例中，对推断测量结果以及甚至对硬分析器测量结果的验证过程包括多元过程。进一步遵循本发明的这些实施例，根据本文中提供的过程，基本上独立于这些变量中的每一个的性能来各自检查并验证推断测量结果和硬分析器测量结果。
在示例性实施例中，仅仅出于例示来提供而不是进行限制的任何意图，使用独立处理变量来开发用于预测材料的百分之20的沸点温度的推断模型，包括来自处理的两个温度变量T1和T2、根据处理测量的两个压力变量P1和P2以及例如通过传感器根据处理测量并供给至DCS 320(图1A)的流速F。因此，T1、T2、P1、P2和F是供给至用于推断模型预测的推断分析器312(图1A)的独立变量并且被认为是用于推断模型的多变量空间。这些变量可以变为对于推断测量结果的多元统计验证过程的一部分。例如，推断分析器可以使用这些变量来生成各种推断的从属变量，然后，可以将推断的从属变量与硬分析器310(图1A)生成的测量结果(从属变量)进行比较。可以在确定推断测量结果的有效性时使用如本文中进一步描述的可以基于在一段时间内的单个样本或一系列样本的这些测量结果。在本发明的更具体实施例中，验证过程分析DCS 320供给的独立变量的值，以考虑是否已针对该样本空间开发了推断分析器312使用的模型。如果尚未针对该空间开发该模型，则对于推断测量结果的验证过程可以指示例如这些测量结果或系列测量结果的推断值不是有效的。
应该注意，硬分析器测量结果可以包括适于分析的多元数据阵列。在非限制性示例中，利用气相色谱分析的SimDist分析提供了本身是多变量数据阵列的气相色谱图。如本文中进一步提供的那样，可以在确定硬分析器测量结果时进一步分析这样的信息。在本发明的其他实施例中，硬分析器可以产生多于一个的硬分析器测量结果。进一步遵循这些实施例，可以将硬分析器测量结果本身认为是用于确定这些多于一个的硬分析器测量结果中的任一个的有效性的多元数据阵列。
在本发明的某些实施例中，统计处理控制过程用于监视一个或多个硬分析器测量结果和一个或多个推断测量结果中的任一个或全部的运行变化，并且确定这些值中的某些值是否应该被识别为无效。
在本发明的某些其他实施例中，其他统计过程可以用于确定一个或多个硬分析器测量结果和一个或多个推断测量结果中的任一个或全部的有效性。例如，统计分析可以用于建立每个测量结果的期望值，并且基于度量数据的实际可变性与典型可变性的比较，与期望均值测试的偏差可以用于确定测量结果是否有效。实际上，在本领域已知的任意统计过程都可以用于确定测量结果值中的任一个乃至全部的有效性。
在本发明的其他实施例中，可以使用例如卡方测试统计来使用适合度测试过程，以确定是应该接受还是拒绝推断测量结果。硬分析器测量结果可以类似地经受测试过程以确定是应该接受还是拒绝某一值。
在本发明的实施例中，当确定推断测量结果和/或硬分析器测量结果中的任一个或两者无效时，生成一个/多个消息和/或一个/多信号。例如，可以将一个或多个消息发送至操作员和/或DCS 320以对处理10进行实时控制。在本发明的某些实施例中，在确定其他例程的状态和有效性时，可以将一个或多个信号结合到其他例程中。在本发明的某些实施例中，一个或多个信号可以由控制过程用来确定是否应该对硬分析器测量结果和/或推断测量结果继续进行控制。
传统上，当可以更频繁的间隔从推断分析器得到可比较的测量结果时，本领域尚未运用来自硬分析器的测量结果。当这样的间隔大约为小于30分钟时，本领域尚未认识到当可得到可比较推断测量结果时对来自硬分析器的主要测量结果的使用进行运用的益处。
在本发明的某些实施例中，硬分析器生成的测量结果可以是除了惯常地得到的主要测量结果外或者替代惯常地得到的主要测量结果而使用的特殊样本测量结果。在本发明的其他实施例中，可以按间断的采样间隔得到硬分析器生成的测量结果。遵循这些实施例，本发明的某些方法和系统可以将离散化技术应用于处理间断采样的测量结果。在本发明的某些实施例中，使用简单的插值来对间断采样间隔进行离散化。在本发明的某些其他实施例中，一阶模型可以用于对间断采样间隔进行离散化。在本发明的另外的某些其他实施例中，二阶模型可以用于对间断采样间隔进行离散化。在本发明的另外的某些其他实施例中，高阶模型可以用于对间断采样间隔进行离散化。
在实施例中，本发明的系统或方法可以使用对发现无效或不可获得的某些独立变量进行替换的技术。出于许多原因，主要测量结果可能是不可获得的。在非限制性示例中，由于用于提供测量结果的硬分析器和/或仪器或器具例如没有正确地起作用(例如完全没有起作用)或者没有提供服务，因此主要测量结果可能是不可获得的。本文中描述用于在间断采样间隔内离散化测量结果的方法中的任一方法可以用于以某一采样间隔对无效或不可获得的某些主要测量结果进行替换。例如，简单插值、一阶模型、二阶模型或更高阶模型中的任一个可以用于以某一采样间隔对无效或不可获得的某些主要测量结果进行替换。
在本发明的实施例中，可以使用用于调整偏差的过程、用于调整比率乘法器的过程以及用于模型修改或调节的统计过程中的任一个或多个来调节用于确定推断测量结果的模型。在本发明的实施例中，模型修改或调节过程可以作用于一个或多个模型参数。在本发明的另一实施例中，模型修改或调节过程可以作用于一个或多个预测值。在本发明又一实施例中，模型修改或调节过程可以作用于一个或多个模型参数和一个或多个预测值的任意组合。
在本发明的某些实施例中，统计验证技术用于确定主要测量结果和推断测量结果的有效性。在本发明的某些其他实施例中，其他验证技术可以用于确定主要测量结果和/或推断测量结果的有效性。在某些非限制示例中，简单的上限和下限检验可以用于确定主要测量结果和/或推断测量结果的有效性。在另一非限制性示例中，在推断估计过程中使用的主要测量结果或任一个或多个独立测量结果的状态可以用于确定主要测量结果和/或推断测量结果的有效性。在示例性实施例中，智能发送器提供在推断估计过程中所使用的主要测量结果中的任一个和/或独立测量结果中的任一个的状态。
本发明的实施例旨在确定烃流的ASTM属性。这样的ASTM属性的非限制性示例包括例如闪点、初始沸点、百分之十(10)沸点、百分之二十(20)沸点、百分之五十(50)沸点、百分之七十(70)沸点、百分之九十(90)沸点和最终沸点。
本发明的其他实施例旨在确定色谱分析器通常提供的属性。这样的色谱属性的非限制性示例包括任何通常测量的蒸馏属性。在本发明的某些实施例中，根据本发明的系统和方法确定的色谱值包括处理流中的某些复合物的浓度。根据本发明的某些实施例，这样的复合物可以包括石蜡、异链烷烃、烯烃、环烷和/或芳烃。当提供了该示例性实施例的所有复合物的浓度时，该分析统称为“PIONA”。当提供了除了异链烷烃外的本示例性实施例的所有复合物的浓度时，该分析统称为“PONA”。
在某些实施例中，本发明可以针对使用其他主要测试方法的推断分析器，诸如，例如可以包括流点和云点的冷属性。在其他实施例中，本发明可以针对使用其他主要测试方法的推断分析器，诸如，例如例如在给乙烯裂解器的石脑油原料中的硫百分比、初始沸点和最终沸点、闪点、总芳烃(或石蜡、异链烷烃、烯烃和/或环烃)。实际上，本发明的推断分析器可以应用于任意主要测试方法，无论这样的方法是已知还是后来发现的。
在本发明的某些实施例中，可以使用包括温度、压力或流速中的任一个或多个的独立变量来进行从属变量的推断预测。本发明的某些实施例涉及提供可以包括密度、粘度、折射率、导电率、pH和其任意组合中的任一个或任意多个的从属变量的推断预测。实际上，无论是现在开发还是稍后开发，可以测量的任意变量都可以用作用于确定推断预测的独立变量。
本发明的方法和系统可以应用于任意类型的处理，包括但不限于提炼处理、烃处理和化学处理。在某些实施例中，本发明的方法和系统可以应用于连续处理。在某些其他实施例中，本发明的方法和系统可以应用于分批处理。在某些其他实施例中，本发明的方法和系统可以应用于半分批处理。在某些其他实施例中，本发明的方法和系统可以应用于连续处理、分批处理和半分批处理的任意组合。
本发明的一方面提供了如下系统和方法：其中，硬分析器可以测量独立变量，诸如在推断模型中使用的(一个或多个)压力、(一个或多个)温度和(一个或多个)流速中的任一个或多个组合，从而推断模型生成处理流体/样本的成分的(一个或多个)预测。遵循本发明的该方面，根据本发明的实施例，可以使用本文中所描述的本发明的方法和系统的任意或所有过程。
根据本发明的某些实施例，类似于本文中进一步描述的对于推断测量结果和硬分析器测量结果的验证技术中的任一种，可以提供对独立变量和样本的成分两者的验证。根据本发明的一些实施例，类似于本文中进一步描述的对于推断测量结果和硬分析器测量结果的验证技术中的任一种，可以提供对预测的验证。此外，在本发明的某些实施例中，模型提供了实验室测量结果的推断测量结果、建模测量结果、参考测量结果和辅助测量结果。在本发明的其他实施例中，可以基于例如其他比较测量结果来使用如本文中进一步描述的本发明的过程来修改或调节该模型。
本发明的实施例包括具有硬分析器的系统，该硬分析器被配置为生成处理样本的一个或多个对应的从属变量。该系统还包括推断分析器，该推断分析器被配置为连同模型一起采集并使用一个或多个独立变量，以生成与硬分析器生成的从属变量相对应的一个或多个推断从属变量。该系统还被配置为生成测量的从属变量与推断的从属变量的比较，并且使用该比较来修改模型的一个或多个参数。在本发明的某些实施例中，可以根据本文中所提供的过程来执行对对应的测量结果的离散化。
现在转向图1A，示出并描述了本发明的示例性实施例。如所示，增强型处理控制系统300被配置用于借助于一个或多个硬分析器来增强推断分析器的操作和性能。系统300包括执行对处理流10的样本的在线采集和/或分析的硬分析器310。因而，如上文所述，硬分析器测量一个或多个从属变量。该样本因而是在物理和时间方面受限制的处理流的代表，即，其是处理流的与处理中的特定点和时间相对应的物理子集。系统300还包括推断分析器312，该推断分析器312被配置为使用模型例如从DCS(分布式控制系统)320接收各种独立处理变量，并且使用这些处理变量来预测处理的各种属性(推断的从属变量)的值。DCS 320被配置为从处理10采集各种独立处理变量，以用在处理10的控制和操作中。CQM(认知品质管理器)316将硬分析器310生成的从属变量与推断分析器312生成的推断的从属变量进行比较，并且使用该比较来更新推断分析器312使用的模型以及/或者调整推断的从属变量的值，然后，将这些值发送至处理优化器314。因而，CQM是处理器启用模块，其被配置为使用该比较来对从推断分析器312接收到的属性预测进行验证，然后提供用于调整这些预测和/或更新推断模型的选项。过程优化器314可以从CQM 316接收对于一个或多个流和流属性的预测，然后将经验证的调整后的预测转换为处理指示，诸如调整处理控制输入，其被发送至DCS 320以对处理10进行控制。应该认识到，处理优化器314可以从除了CQM 316外的源接收输入，例如，其还可以对从DCS 320直接接收到的独立处理变量进行接收和操作。在本发明的实施例中可以使用的处理优化器的示例通常包括APC(先进处理控制)，其也可以包括诸如可以从日本东京的Yokogawa电气公司购得的ExasmocTM多变量优化控制的MPC(模型预测控制)系统。可以例如基于(a)第一原理的应用、(b)严格遵循经验的“黑盒”方法(例如，基于统计算法或神经网络算法)或(c)第一原理与经验方法的组合来以任何传统方式生成该模型，并且该模型是推断模型。以下针对图1B示出并描述适于用在其实施例中的模型生成的代表示例。
系统300中所使用的独立变量(包括独立处理变量和独立样本变量两者)的示例可以包括但不限于催化剂或试剂的温度、压力、添加或消耗率、进入(来自)处理或处理的点的热能的流量、输入(输出)、光度测定或光谱测定装置在特定波长或频率下测量的折射率、导电率、粘度、不透明度、pH、密度、强度响应等。
可选地，例如，为了利于推断分析器312和/或CQM 316的操作，可以通过根据在x轴上排列的种类(源/起源或类型)描绘独立处理变量的值(y值)来组织独立处理变量，以形成属性谱(也称为样本谱)322，其中在给定的属性谱中描绘的独立变量在时间上彼此相关，例如，它们基本上同时被采集。然后可以使用该样本谱322来更新或生成属性模型，使得该模型基于样本谱322的总体及其对应的属性值(从属变量)。
可选地，可以将样本谱322直接提供至CQM 316，如在323所示，以使得CQM能够在“未处理“或未变更的状态接收属性谱322。而且，尽管可以使用直接通道323，但是应该认识到，还可以通过推断分析器312(例如，隧道通过分析器312)将谱322在其未变更状态下提供至CQM 316。
还可以使用已知样本谱的特定总体作为用于推断模型的校准样本集。因而，推断分析器312被配置为可选地预测与所述处理相关联的单个流或多个流的多个属性，该预测基于一个或多个属性谱322。
处理优化器314用来监视/控制/优化处理10的示例性方法可以包括以下方法中的一种或多种：(a)用于确定样本谱322是否属于作为校准样本集的样本谱的相同总体的多元方法；(b)用于根据起因对任意谱异常值(spectral outlier)进行分类的多元方法；(c)在样本谱322中替换假的谱异常值；(d)通过与基线进行比较来确定异常值条件是否由于特定传感器；(e)通过以模型值替换来校正异常值条件；(f)将推断的从属变量与从属变量进行比较；(g)其中，该比较(f)可选地包括基于平均化、回归、阻尼函数或向量的算法，以提供推断的从属变量与从属变量之间的数学关系，然后，将该数学关系应用于随后的推断预测以产生经校正的推断值；(h)估计推断分析器预测的值与硬分析器测量出的这些值之间的滞后时间；(i)调整来自推断分析器的预测；(j)使用统计分析来评价对应的推断值与测量值之间的差；(k)通过添加最近的数据以及消除较旧的数据来更新模型；(l)通过添加谱异常值和/或预测异常值的样本数据来更新模型；(m)可选地采集已被识别为真谱异常值或属性异常值的样本，并且使用其属性值来调整推断分析器的输出；以及(n)基于时间表和/或基于由包括谱异常值和/或预测异常值的频率和严重性的因子确定的需求、处理操作或配置的改变来执行模型更新。如下将更详细地描述示例性方法(a)-(n)中的每一种。
方法(a)可以包括基于可以通过多元方法获得的一个或多个度量来确定推断分析器312提供的属性预测的有效性，例如，基于校准样本集对多元模型(诸如，PLS、PCR或主成分分析(PCA)模型)的样本谱的应用，其方法和度量是化学计量分析领域的技术人员已知的，能够识别样本谱是否属于校准样本集中的样本谱的相同总体，并且包括但不限于作为样本与校准样本集的空间关系的表达的马哈拉诺比斯距离或者谱残差，该谱残差是多元模型解释样本谱中的所有独立变量有多好的度量。
方法(b)可以包括进一步应用多元模型以根据起因(例如，样本谱322中的独立变量是否异常(例如，因为作为独立处理变量的源的传感器出故障))，或者替选地，样本谱322是否表示与校准样本集中的处理条件、样本化学性质或其组合明显不同的处理条件、样本化学性质或其组合)来对任意谱异常值进行分类，这些异常值分别被称为假谱异常值和真谱异常值。
方法(c)可以包括通过多元建模方法(化学计量学)领域的技术人员已知的方法(例如，基于主成分分析(PCA)的方法)来推断并在假谱异常值的样本谱322中替换有故障的独立变量的值，以准许推断分析器对从属变量(样本属性)的可靠预测。
方法(d)可以包括：确定异常值条件是否是因为与当记录了校准样本集中的属性谱时的对于独立处理变量的响应函数相比，作为相同独立处理变量的源的传感器的响应函数已改变，其中，改变可能是由于老化、污垢、校准漂移或者响应函数与用于生成校准样本集中的属性谱的传感器的响应函数不相同的另一传感器替换出故障的传感器，以及其中，可以通过本领域技术任意已知的数学函数(例如涉及斜率和/或偏移的简单线性方程式、或者二阶方程式、基于PCA的多变量函数等)来表征该改变。
方法(e)可以包括：通过基于借助于上述的多元建模方法推断的值以及作为异常值样本谱中的独立处理变量的传感器的响应确定数学函数，校正改变的传感器读数。
方法(f)可以包括通过将通过向样本谱应用属性模型所预测的属性值与硬分析器310测量的关于对应样本的属性值进行比较，来评价推断分析器的性能，其中，该比较是统计分析领域的技术人员已知的适当统计方法的应用，例如，基于一个预测值与对应的测量值之间的差或者基于以相对短的时间间隔获得的预测和/或测量值的平均值之间的差的计算的统计方法。应注意，与硬分析器进行的测量的频率相比，推断分析器进行的属性预测的频率相对高，例如，分别为6min-1至60min-1与1hr-1至20hr-1。
方法(g)可以包括可选地通过将推断分析器312预测的值(推断的从属变量)的总体与硬分析器310测量的对应值(从属变量)的总体相关联来执行比较，其中，这两个总体对应于在范围从硬分析器的测量周期时间的时间帧至约几小时或几天的时间帧内进行预测和测量，并且其中，该关联是通过对每个总体执行本领域技术人员已知的适当计算(诸如，基于平均化、回归、阻尼函数或基于向量的算法的计算)，以及其中，该计算得到推断值和测量值的单独结果，推断值的结果与测量值的结果数学相关联，例如，关联为偏移(bias)、一阶线性方程式或二阶数学多项式等，其数学关系接着应用于随后的推断预测，并且其应用产生校正后的推断值。
方法(h)可以包括通过多元统计方法中的本领域技术任意已知的方法来动态地估计推断分析器预测的值与硬分析器测量的值之间的滞后时间，例如通过相对于预测值的总体的时间使测量值的总体的时间反复地提前来最小化预测值与测量值的曲线图的变化。例如，在柴油从CDU馏出(rundown)的情况下，独立变量P/T/流的改变基本上实时描述了在正测量这些属性的处理中的各点处发生的改变，而柴油馏出流(例如，从属变量T20和T90的值)的这些改变的表现可能滞后相对较长时段(范围从大约15分钟到30分钟)。T20和T90分别是样本中的各成分的20％和90％蒸馏出样本的温度。因此，时间协调是确保硬分析器测量的属性值与在执行上述的任何计算之前的对应属性谱正确配对所需的，以借助于硬分析器的测量结果来增强推断分析器的操作和性能。已知滞后的幅度可根据与处理的操作相关的多个因素而变化，再次参考CDU操作的示例，这些因素可以包括进料质量的改变、进料速率、馏出流的牵引速率以及CDU的温度曲线。因此，由于滞后时间动态地变化，因此用于动态地估计滞后时间的方法可以是有益的。
方法(i)可以包括：通过应用增强法(g)中的数学关系来调整来自推断分析器的预测。
方法(j)可以包括：评价成对的对应推断值与测量值之间差或者来自上述的基于总体的比较的结果之间的差，以确定预测值或预测值的总体是否有效，其中，该评价是应用在统计分析领域内的技术人员已知的适当的统计技术(例如，统计质量控制(SQC)方法)，其中，有效的预测是与测量值或测量值的总体的偏差在预定容限内的预测，例如，预测是在统计控制中，并且其中，不在统计控制中的预测是预测异常值，其也是属性异常值，而在一些情况下，可以是浓度异常值。
方法(k)可以包括通过添加相对新近的并因此代表当前条件的数据以及还通过消除可能不太代表所述条件的较旧数据来更新推断分析器312使用的模型，其中，该模型和/或数据包括独立变量和/或硬分析器310生成的测量结果。
方法(l)可以包括：通过创建如下模型并将其下载到推断分析器来更新推断模型，该模型的创建基于通过添加真的谱异常值和/或预测异常值的新样本数据来更新的数据集，并且执行模型更新以通过扩展以模型创建中所使用的所述数据集代表的处理条件和/或化学性质的范围来增大在推断分析器中进行的预测的动态范围和/或鲁棒性。
方法(m)可以包括：可选地在采样气缸中采集已被识别为真谱异常值或属性异常值的处理样本，其中，该采集由通过适当手段接口至处理流的采样系统来实现，例如，样本快速循环，其使来自处理流的材料连续地循环，并且采集的样本接着被传递至本地实验室以确定关注的属性值，然后将关注的属性值用于在未从硬分析器310得到期望属性值的情况下调整推断分析器的输出。
方法(n)可以包括：基于时间表来执行模型更新，例如，约每10天一次，或约每30天一次，或约每60天一次，或约每90天一次，或者基于需求，该需求是考虑到包括但不限于如下的因素来确定的：真谱异常值和/或预测异常值的频率和严重性(幅度)、以导致属性谱实质性改变的方式对处理操作或配置的改变、或者自从先前模型更新的异常值样本的累积数量，其中可以根据本领域技术人员已知的参数(诸如，马哈拉诺比斯距离或谱残差)来计量真谱异常值的幅度。
应该认识到，方法(h)-(l)一般涉及增强推断分析器312的操作和性能，而方法(a)-(g)一般涉及这些增强的数学基础。
在本发明的具体实施例中，硬分析器310是在线气相色谱仪(例如，日本东京的Yokogawa电气公司制造的GC8000),其被适当地配置为根据ASTM D2887(“Standard TestMethod for Boiling Range Distribution of Petroleum Fractions By GasChromatography”)执行对单一CDU馏出流(例如，柴油)的模拟蒸馏(simdist)分析。在另一实施例中，气相色谱仪是超快气相色谱仪(快速GC)，例如能够根据ASTM D7798(“StandardTest Method for Boiling Range Distribution of Petroleum Distillates withFinal Boiling Points up to 538℃”by Ultra Fast Gas Chromatography(UF GC))在循环时间为每次分析约3分钟到6分钟的情况下执行CDU馏出流的simdist分析的Calidus微型GC(猎鹰分析，路易斯堡，WV)，其中，所述simdist分析获得诸如T20和T90的馏出物量温度的值，以及其中,(i)超快GC对多个CDU馏出流(例如，石脑油、煤油/燃料、柴油、轻柴油、重柴油等)中的每一个执行simdist分析；(ii)作为单一色谱分析的结果或者作为来自直接连接地执行的重复分析的结果的平均值而获得对于每个流的simdist值；(iii)在流的蒸馏属性的推断预测的上述增强中使用这些值；(iv)顺序地获得对于每个馏出流的simdist值；以及(v)增强的推断预测用于处理控制以及CQM引擎在其的更新之间的优化。例如，如果将对于四个CDU馏出流中的每一个的simdist属性确定为快速GC对三个分析的平均，并且每次分析的总循环时间为5分钟，则对于增强对四个流中的每一个的推断预测，每4×3×5＝60分钟可得到硬分析器结果。在具体实施例中，GC可以被配置为实现传统的ASTM D7798simdist分析和/或在ASTM D7798之后的UF GC分析。在本发明的其他实施例中，分析器可以是傅里叶变换红外(FTIR)分析器、傅里叶变换近红外(FTNIR)分析器、核磁共振(NMR)分析器、Raman分析器或其组合。另外，硬分析器310可以是被配置为实现ASTM D86(“Standard TestMethod for Distillation of Petroleum Products at Atmospheric Pressure”)的蒸馏分析器。然而，图1A的说明性实施例并不意在进行限制，并且从属变量40可以包括分析器检测到的任何形式的测量结果。例如，从属变量可以包括具有代表测量值、数字值、谱和其任意组合的特定电压的电信号。
在特定实施例中，气相色谱仪被配置为确定属性，例如，具体地，借助于单体烃分析(DHA)，或者一般地，通过使用本领域技术人员已知的方法来获得和评价烃流的色谱；其中，这些属性包括汽油的属性(例如，辛烷、总芳香烃百分比、苯百分比、石蜡百分比、蒸馏属性、里德蒸汽压力(RVP)等)或者柴油的属性(例如，十六烷值、蒸馏属性、多核芳香烃、多环芳香烃以及诸如云点、流点、冷滤点的属性)、或者石脑油的属性(例如，PIONA属性和蒸馏属性)；硬分析器可选地是能够通过除了气相色谱法外的手段来测量属性(包括但不限于上述的汽油、柴油或石脑油的属性)的一种或多种在线分析器技术，其中，可以将根据已建立的、标准化的测试方法(诸如由ASTM国际公布的测试方法)的技术的应用当作主要测试方法；以及将样本限定为异常值可选地基于色谱图的化学计量评估，其中，该评估是多元分析，例如，基于PLS、PRC、PCA等的多元分析。
应该理解，多个属性预测可以借助于对应的多个模型(每个属性一个模型)来完成；或者，单一模型可以能够预测多个属性(一个模型、许多属性)。另外，应该认识到，对馏出物量温度T2O和T90(即，样本中的成分的20％和90％蒸馏出该样本的温度)的参考是非限制性的。实质上，可以使用任何其他馏出物量温度，例如，T50、T85、T95和T98。另外，馏出物量温度是样本的蒸馏属性的一种表达，另一种是针对某些温度所确定的馏出物量，例如在诸如200℃或300℃的某一特定温度下蒸馏的样本的百分比，其有时被称为汽油的E200和E300。因而，应该理解，对馏出物量温度的参考(一般或具体地例如为T20和T90)是非限制性的，但意在作为推断分析器可以预测或者通过气相色谱仪可以测量的蒸馏属性的示例。类似地，术语“模拟蒸馏(simdist)”不仅适用于馏出物量温度的确定，而且简明地表示了用于通过气相色谱法来确定烃样本的蒸馏属性的方法。应该注意，对蒸馏属性的参考是非限制性的，并且本发明可以有益地应用于增强其他属性的推断预测，其他属性可以包括所谓的冷属性，诸如柴油的流点、云点和冷滤点。
现在转向图1B，多元数学模型将响应矩阵与期望属性值相关联，其中通常根据由该工业承认的组织或官方定义的主要测试方法在实验室中确定期望属性值。多元统计建模技术(常用算法包括偏最小二乘法(PLS)和主成分回归(PCR))提取分布在整个频谱上的信息以与主要测试方法结果相关联。向测量出的样本谱应用所得到的校准模型得到了对于如所示的那些属性的推断值。
图2是示出根据本发明的实施例的使用基于模型的软传感器或基于模型的硬传感器来预测属性的步骤的流程图。硬分析器310测量从处理10得到的离散样本20，以得到从属变量160。另外，与DCS 320相关联的传感器在指定的时间t从处理10采集独立变量30。使用独立变量30，用于“软传感器”的推断模型80计算预测值(推断的从属变量)180，其是处理10的一个或多个推断测量结果。在190，将从属变量160的值与推断的从属变量180的值进行比较。比较的结果可以是经调整的推断预测和/或对模型的调整，其接着在194被发送以更新模型180以及/或者在196控制(例如，经由DCS 320)处理10。在替选的实施例中，比较结果可以直接是更新后的推断模型80’，其可以在194被发送以替换模型80。
在本发明的某些实施例中，分析器可以包括根据本文进一步讨论的过程的用于验证一个或多个目标变量的过程。本发明的实施例还针对验证一个或多个分析器测量结果的过程。
在本发明的实施例中，可以基于例如来自主要测量的反馈来更新一个或多个处理模型。在本发明的某些实施例中，使用实验室数据来自动更新(一个或多个)处理模型。在本发明的某些其他实施例中，使用一个或多个在线分析器提供的测量结果来自动更新(一个或多个)处理模型。在本发明的另外的某些其他实施例中，使用实验室数据与一个或多个在线分析器提供的测量结果的任意组合来自动更新(一个或多个)处理模型。
在本发明的实施例中，可以使用单因素相关分析和多元回归分析中的任一个或任意组合来更新处理模型或者与推断测量结果的估计相关联的校正偏差或比率。根据本发明的某些实施例，可以识别控制特定推断测量结果的计算的主要因素，并且可以对这一个或多个变量中的任一个执行单一因素相关分析。在本发明的某些其他实施例中，在独立变量与推断测量结果之间建立量化模型，并且可以使用多元回归分析来更新该模型。在本发明的其他实施例中，可以执行单一因素相关分析和多变量回归分析的组合以修改和/或调节用于确定一个或多个推断测量结果的模型。
图3是示出根据本发明的实施例的确定处理流的属性的步骤的流程图。用于确定处理流200的属性的方法包括：210，使用模型来计算对于属性的推断测量结果；220，接收属性的分析器测量结果；230，评价推断测量结果的有效性；240，评价分析器测量结果的有效性；以及250，调整模型和/或调整推断测量结果。
在某些实施例中，确定处理流的属性的方法可以包括：当推断测量结果无效并且分析器测量结果无效时，使用一个或多个先前的有效分析器测量结果来调整模型。另外，遵循该实施例，确定处理流的属性的方法可以包括：基于一个或多个先前的有效分析器测量结果的年龄以及与在测量一个或多个先前的有效分析器测量结果时的处理的状态相比的处理的当前状态，确定是否使用一个或多个先前的有效分析器测量结果来调整模型。此外，在本文中所示和所描述的各个实施例中的任一个中，当确定推断预测和分析器测量结果两者都是有效的时，可以使用分析器测量结果来调节(调整)推断预测。
各个实施例也可以使用例如本文中进一步描述的过程中的任一个来离散化分析器测量结果。
例如，如果一个或多个先前的有效分析器测量结果的年纪太老，则可丢弃一个或多个先前的有效分析器测量结果中的任一个，并且不将其用来修改或调节该模型。根据另一示例，如果当前处理的状态不同于在测量一个或多个先前的有效分析器测量结果时处理的状态，则可以同样地丢弃一个或多个先前的有效分析器测量结果中的任一个。
示例
表1使用处理操作和控制的离线测量结果来分析本发明的系统和方法相对于多种传统技术的有效性。标准预测误差是与百分之20(T20)和百分之90(T90)恢复的蒸馏温度相关联的不确定程度的度量。例如，通常在实验室中通过标准ASTM D-86的方法或者通过simdist方法(例如，ASTM D-2887或D-7798的方法)来测量蒸馏温度，而后者还可以使用例如气相色谱仪来在线实现。
如表1中所示，仅仅测量频率增加导致标准预测误差的减小以及处理操作的改进。因而，在处理操作的改进的回报率证明在线分析器的安装和支撑有理的情况下，在线分析器提供的频率通常相比实验室分析是有利的。不管分析器测量的频率如何，始终通过使用适合于正在执行的分析的类型将该分析器与推断分析器集成来改善标准预测误差。
假设柴油的价值比相邻的石脑油馏分每桶多＄6以及比相邻的汽油馏分每桶多＄3来估计经济效益。因而，会促使精炼者在仍旧维持关于T20和T90蒸馏温度的规范的同时最大化柴油的产量。
在初步考虑表1中所呈现的经济效益时，第六种方法相对于方法3和方法4提供的效益可能似乎不是引人注目。实际上，少量经济效益可能无法抵消安装和运营在线分析器的成本。假定表1中的性能比较应用于在标称稳定状态条件下的CDU操作，例如，当原油进料的成分相对稳定时，该结果实际上用来说明软传感器在这样的条件下非常有效。然而，显著的利润改善可以通过最小化因原油切换(即，在具有不同属性的原油给料之间的改变)导致的对原油蒸馏单元操作的分解的持续时间和严重度来实现。用于减少与原油切换相关联的分解的传统策略包括：在给料改变期间暂时缩减或降低原料进给率，并且逐渐地，将该比率增加回至目标率。通过方法6具有高频率和高保真度这两者的属性预测的可利用性得到了估计的每年约＄1280000吞吐量损失的减少(按照每天100000桶原油蒸馏能力)。与传统技术相比，本发明的集成分析器系统和方法(特别是使用在线分析器来杠杆化地增强推断预测)允许在短到足以减轻原油切换在它们引起的其持续时间和分解方面的影响的时间量上使在线分析器适应CDU的操作并因此适应提炼厂的操作，并且在直接的示例中，使得能够最大化柴油产量。
通过在前述的描述和相关联附图中呈现的教导的益处，将使本发明所属的本领域的技术人员想到本文中阐述的本发明的许多变型和其他实施例。例如，应该认识到，本文中所示出和描述的“模型”不仅包括基于多元统计方法(例如，PCA(主成分分析)、PLS(偏最小二乘法)和MLR(多重线性回归)的模型，而且包括RBF(径向基函数)、神经网络、基于第一原理的模型和其组合以及可以在将来开发的基本上任意模型类型。类似地，虽然针对本文中的实施例示出和描述了各种示例性分析器技术，但是应该认识到，在不背离本发明的范围的情况下，可以使用其他技术，诸如基于TDL(可调谐二极管激光器)、QCL(量子级联激光器)和CRD(腔衰荡)光谱学的技术及其组合以及未来开发的任何分析器技术。因此，应理解，本发明不限于所公开的具体实施例，并且变型和其他实施例意在包括在所附权利要求的范围内。此外，虽然在前的描述和相关联的附图在元件和/或功能的某些示例性组合的上下文中描述了示例性实施例，但是应该认识到，在不背离所附权利要求的范围的情况下，可以由替选实施例提供元件和/或功能的不同组合。在这点上，例如，也预期在所附权利要求中的部分权利要求中阐明的、与以上明确描述元件和/或功能的组合不同的元件和/或功能的组合。虽然本文中采用了具体术语，但是它们仅以通用和描述的意义使用而不是出于限制的目的。

Claims (50)

1.一种用于确定流体处理流的属性的系统，所述系统包括：
硬分析器，被配置为生成与所述流体处理流的样本相关联的一个或多个从属变量，其中，所述从属变量是与所述样本的成分对应的属性，并且其中，独立处理变量包括压力、温度和流速，而所述从属变量不包括压力、温度和流速；
推断分析器，包括所述流体处理流的各方面的模型，所述推断分析器被配置为采集与所述流体处理流相关联的多个独立处理变量，并且使用所述独立处理变量来生成一个或多个推断从属变量，其中，所述独立处理变量是控制系统使用的处理控制输入以控制所述处理并且不是所述从属变量；
比较模块，被配置为生成所述从属变量与所述推断从属变量的比较；以及
所述系统被配置为使用所述比较来调整所述模型。
2.根据权利要求1所述的系统，其中，所述系统被配置为通过调整所述推断从属变量的值来控制所述流体处理流。
3.根据权利要求1所述的系统，还包括认知品质管理器(CQM)，其被配置为使用所述比较来调整所述模型。
4.根据权利要求1所述的系统，还包括处理优化器,其被配置为使用所述比较来控制所述流体处理流。
5.根据权利要求4所述的系统，还包括可操作地与所述处理优化器协作的处理控制系统，所述处理控制系统被配置为响应于对来自所述处理优化器的指令的接收来调整所述流体处理流的一个或多个参数。
6.根据权利要求1所述的系统，其中，所述推断分析器被配置为在离散间隔内采集所述多个独立处理变量。
7.根据权利要求6所述的系统，其中，所述离散间隔最多为240分钟。
8.根据权利要求7所述的系统，其中，所述离散间隔最多为180分钟。
9.根据权利要求8所述的系统，其中，所述离散间隔最多为120分钟。
10.根据权利要求9所述的系统，其中，所述离散间隔最多为90分钟。
11.根据权利要求10所述的系统，其中，所述离散间隔最多为60分钟。
12.根据权利要求1所述的系统，其中，所述模型包括统计模型和统计多元模型中的至少一个。
13.根据权利要求1所述的系统，其中，所述独立处理变量、所述从属变量和所述推断从属变量中的至少一种被离散化。
14.根据权利要求1所述的系统，其中，所述独立处理变量包括以下各项中的一个或多个：催化剂或试剂的温度、压力、添加率或消耗率、光度测量或光谱测定装置在特定波长或频率下测量的流速、对所述处理的热能输入或输出、折射率、导电率、粘度、不透明度、pH、密度、强度响应、以及其组合。
15.根据权利要求1所述的系统，还进一步被配置为将所述独立处理变量聚集成属性谱。
16.根据权利要求15所述的系统，其中，所述系统被配置为使用所述属性谱来更新所述模型。
17.根据权利要求1所述的系统，其中，所述比较包括对所述独立处理变量、所述从属变量和所述推断从属变量中的至少一种的验证。
18.根据权利要求17所述的系统，被配置为一旦验证了所述从属变量，就调整所述模型和/或控制所述流体处理流。
19.根据权利要求18所述的系统，被配置为基于所验证的从属变量的年龄以及与在测量所验证的从属变量时所述处理的状态相比的所述处理的当前状态中的至少一个来确定是否使用所验证的从属变量来调整所述模型。
20.根据权利要求17所述的系统，其中，所述比较模块被配置为使用统计多元过程来生成所述比较。
21.根据权利要求4所述的系统，其中，所述处理优化器被配置为使用选自以下各项组成的组来控制所述流体处理流：
(a)确定样本谱是否属于包括校准样本集的样本谱的总体的多元方法；
(b)根据起因对任意谱异常值进行分类的多元方法；
(c)替换异常值样本谱内的任意假的独立变量；
(d)通过将传感器输出与基准进行比较来确定任意异常值状况是否是由于特定传感器引起；
(e)通过用模型值替代假的独立变量来校正所述异常值状况；
(f)使用平均化、回归、阻尼函数或基于向量的算法来提供所述推断从属变量与所述从属变量之间的数学关系，然后将该数学关系应用于随后的推断预测以产生校正后的推断值；
(g)估计所述从属变量相对于所述推断从属变量的滞后时间；
(h)向所述从属变量和所述推断从属变量应用统计分析；
(i)通过向在创建所述模型中所使用的数据集添加新近数据以及从该数据集中除去旧数据来更新所述模型；
(j)通过将谱异常值和/或预测异常值的样本数据添加到在创建所述模型中所使用的数据集来更新所述模型；
(k)采集已被识别为谱异常值或属性异常值的样本，并且使用所述样本来调整所述推断分析器的输出；
(l)基于时间表来进行模型更新；
(m)基于由包括频率、谱异常值和/或预测异常值的严重度、以及/或者处理操作或配置的改变的因素确定的需求来进行模型更新；
(n)应用适合度测试过程；以及
其组合。
22.根据权利要求1所述的系统，其中，所述硬分析器包括气相色谱仪，所述气相色谱仪被配置为通过采集并评价所述流体处理流的样本的色谱图来生成所述从属变量。
23.根据权利要求1所述的系统，其中，所述硬分析器是以下各项中的至少一个：气相色谱仪(GC)、快速GC、超快GC、傅里叶变换红外(FTIR)分析器、傅里叶变换近红外(FTNIR)分析器、核磁共振(NMR)分析器、Raman分析器、闪点分析器、蒸馏属性分析器、云点分析器、冰点分析器、冷滤点分析器、流点分析器和其组合。
24.根据权利要求1所述的系统，其中，所述从属变量包括以下各项中的一个或多个：辛烷、总芳香烃百分比、苯百分比、石蜡百分比、蒸馏属性、里德蒸汽压力(RVP)、十六烷值、蒸馏属性、多核芳香烃、多环芳香烃、云点、流点、冷滤点、PIONA、PONA、蒸馏属性和其组合。
25.根据权利要求1所述的系统，其中，所述推断分析器被配置为实质上实时地生成所述一个或多个推断从属变量，并且所述硬分析器是以比生成推断从属变量的频率低的频率生成从属变量的在线分析器，并且其中，所述比较用于实质上实时地调整所述模型和/或控制所述流体处理流。
26.一种用于确定流体处理流的属性的方法，所述方法包括：
利用硬分析器来生成与所述流体处理流的样本相关联的一个或多个从属变量，其中，所述从属变量是与所述样本的成分对应的属性，并且其中，独立处理变量包括压力、温度和流速，而所述从属变量不包括压力、温度和流速；
利用包括所述流体处理流的各方面的模型的推断分析器来采集与所述流体处理流相关联的一个或多个独立处理变量、并且使用所述独立处理变量来生成一个或多个推断从属变量，其中，所述独立处理变量是控制系统使用的处理控制输入以控制所述处理并且不是所述从属变量；
利用比较模块来生成所述从属变量与所述推断从属变量的比较；以及
使用所述比较来调整所述模型。
27.根据权利要求26所述的方法，其中，所述使用所述比较还包括：通过调整所述推断从属变量的值来控制所述流体处理流。
28.根据权利要求26所述的方法，还包括使用认知品质管理器(CQM)来调整所述模型。
29.根据权利要求26所述的方法，还包括：使用处理优化器来控制所述流体处理流。
30.根据权利要求29所述的方法，还包括：使用可操作地与所述处理优化器协作的处理控制系统来响应于对来自所述处理优化器的指令的接收来调整所述流体处理流的一个或多个参数。
31.根据权利要求26所述的方法，还包括：使用所述推断分析器来在离散间隔内采集所述一个或多个独立处理变量。
32.根据权利要求31所述的方法，其中，所述离散间隔最多为240分钟。
33.根据权利要求32所述的方法，其中，所述离散间隔最多为180分钟。
34.根据权利要求33所述的方法，其中，所述离散间隔最多为120分钟。
35.根据权利要求34所述的方法，其中，所述离散间隔最多为90分钟。
36.根据权利要求35所述的方法，其中，所述离散间隔最多为60分钟。
37.根据权利要求26所述的方法，其中，还包括：所述推断分析器使用形式为统计模型和统计多元模型中的至少一个的模型。
38.根据权利要求26所述的方法，还包括：离散化所述独立处理变量、所述从属变量和所述推断从属变量中的至少一种。
39.根据权利要求26所述的方法，其中，所述独立处理变量包括以下各项中的一个或多个：催化剂或试剂的温度、压力、添加率或消耗率、光度测量或光谱测定装置在特定波长或频率下测量的流速、对所述处理的热能输入或输出、折射率、导电率、粘度、不透明度、pH、密度、强度响应、以及其组合。
40.根据权利要求26所述的方法，还包括：将所述独立处理变量聚集成属性谱。
41.根据权利要求40所述的方法，还包括：使用所述属性谱来更新所述模型。
42.根据权利要求26所述的方法，其中，所述生成比较包括：验证所述独立处理变量、所述从属变量和所述推断从属变量中的至少一种。
43.根据权利要求42所述的方法，包括：一旦验证了所述从属变量，就调整所述模型和/或控制所述流体处理流。
44.根据权利要求43所述的方法，包括：基于所验证的从属变量的年龄以及与在测量所验证的从属变量时所述处理的状态相比的所述处理的当前状态中的至少一个来确定是否使用所验证的从属变量来调整所述模型。
45.根据权利要求42所述的方法，包括：使用统计多元过程来生成所述比较。
46.根据权利要求29所述的方法，包括：利用所述处理优化器使用选自以下各项组成的组来控制所述流体处理流：
(a)确定样本谱是否属于包括校准样本集的样本谱的总体的多元方法；
(b)根据起因对任意谱异常值进行分类的多元方法；
(c)替换样本谱内的任意假的独立变量；
(d)通过将传感器输出与基准进行比较来确定任意异常值状况是否是由于特定传感器引起；
(e)通过用模型值替代来校正所述异常值状况；
(f)使用平均化、回归、阻尼函数或基于向量的算法来提供所述推断从属变量与所述从属变量之间的数学关系，然后将该数学关系应用于随后的推断预测以产生校正后的推断值；
(g)估计所述从属变量相对于所述推断从属变量的滞后时间；
(h)向所述从属变量和所述推断从属变量应用统计分析；
(i)通过向在创建所述模型中所使用的数据集添加新近数据以及从该数据集中除去旧数据来更新所述模型；
(j)通过将谱异常值和/或预测异常值的样本数据添加到在创建所述模型中所使用的数据集来更新所述模型；
(k)采集已被识别为谱异常值或属性异常值的样本，并且使用所述样本来调整所述推断分析器的输出；
(l)基于时间表来进行模型更新；
(m)基于由包括频率、谱异常值和/或预测异常值的严重度、以及/或者处理操作或配置的改变的因素确定的需求来进行模型更新；
(n)应用适合度测试过程；以及
其组合。
47.根据权利要求26所述的方法，其中，所述硬分析器包括气相色谱仪，所述气相色谱仪被配置为通过采集并评价所述流体处理流的样本的色谱图来生成所述从属变量。
48.根据权利要求26所述的方法，其中，所述硬分析器是以下各项中的至少一个：气相色谱仪(GC)、快速GC、超快GC、傅里叶变换红外(FTIR)分析器、傅里叶变换近红外(FTNIR)分析器、核磁共振(NMR)分析器、Raman分析器、闪点分析器、蒸馏属性分析器、云点分析器、冰点分析器、冷滤点分析器、流点分析器、和其组合。
49.根据权利要求26所述的方法，其中，所述从属变量包括以下各项中的一个或多个：辛烷、总芳香烃百分比、苯百分比、石蜡百分比、蒸馏属性、里德蒸汽压力(RVP)、十六烷值、蒸馏属性、多核芳香烃、多环芳香烃、云点、流点、冷滤点、PIONA、PONA、蒸馏属性和其组合。
50.根据权利要求26所述的方法，其中，所述采集和使用是实质上实时地使用在线硬分析器来实现的，并且所述比较用于实质上实时地调整所述模型和/或控制所述流体处理流。
CN201480017536.2A 2013-02-05 2014-02-05 用于确定产品流或处理流的属性的系统、方法和设备 Active CN105229627B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361760879P 2013-02-05 2013-02-05
US61/760,879 2013-02-05
PCT/US2014/014857 WO2014123993A1 (en) 2013-02-05 2014-02-05 System, method and apparatus for determining properties of product or process streams

Publications (2)

Publication Number Publication Date
CN105229627A CN105229627A (zh) 2016-01-06
CN105229627B true CN105229627B (zh) 2019-06-21

Family

ID=51300105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480017536.2A Active CN105229627B (zh) 2013-02-05 2014-02-05 用于确定产品流或处理流的属性的系统、方法和设备

Country Status (5)

Country Link
US (1) US10175661B2 (zh)
EP (1) EP2954427A4 (zh)
JP (1) JP2016507113A (zh)
CN (1) CN105229627B (zh)
WO (1) WO2014123993A1 (zh)

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235481B2 (en) 2014-02-05 2019-03-19 Yokogawa Corporation Of America System and method for online measurement of vapor pressure in hydrocarbon process streams
US10180680B2 (en) * 2015-03-30 2019-01-15 Uop Llc Tuning system and method for improving operation of a chemical plant with a furnace
US9864823B2 (en) 2015-03-30 2018-01-09 Uop Llc Cleansing system for a feed composition based on environmental factors
US10095200B2 (en) 2015-03-30 2018-10-09 Uop Llc System and method for improving performance of a chemical plant with a furnace
US20170097330A1 (en) * 2015-10-05 2017-04-06 Honeywell International Inc. Hybrid analyzer for fluid processing processes
US10983982B2 (en) * 2016-03-02 2021-04-20 Accenture Global Solutions Limited Method and system for approving a submission of information
EP3463606B1 (en) * 2016-06-07 2024-04-24 Yokogawa Corporation of America System and method for online measurement of vapor pressure in hydrocarbon process streams
US10222787B2 (en) 2016-09-16 2019-03-05 Uop Llc Interactive petrochemical plant diagnostic system and method for chemical process model analysis
US10570733B2 (en) * 2016-12-05 2020-02-25 Baker Hughes, A Ge Company, Llc Synthetic chromatogram from physical properties
AU2017400688B2 (en) 2017-02-22 2022-07-28 Halliburton Energy Services, Inc. Slurry design process
US10678272B2 (en) 2017-03-27 2020-06-09 Uop Llc Early prediction and detection of slide valve sticking in petrochemical plants or refineries
US10754359B2 (en) 2017-03-27 2020-08-25 Uop Llc Operating slide valves in petrochemical plants or refineries
US10670353B2 (en) 2017-03-28 2020-06-02 Uop Llc Detecting and correcting cross-leakage in heat exchangers in a petrochemical plant or refinery
US11396002B2 (en) * 2017-03-28 2022-07-26 Uop Llc Detecting and correcting problems in liquid lifting in heat exchangers
US10752845B2 (en) 2017-03-28 2020-08-25 Uop Llc Using molecular weight and invariant mapping to determine performance of rotating equipment in a petrochemical plant or refinery
US10794401B2 (en) 2017-03-28 2020-10-06 Uop Llc Reactor loop fouling monitor for rotating equipment in a petrochemical plant or refinery
US11130111B2 (en) * 2017-03-28 2021-09-28 Uop Llc Air-cooled heat exchangers
US10663238B2 (en) 2017-03-28 2020-05-26 Uop Llc Detecting and correcting maldistribution in heat exchangers in a petrochemical plant or refinery
US10752844B2 (en) 2017-03-28 2020-08-25 Uop Llc Rotating equipment in a petrochemical plant or refinery
US10962302B2 (en) 2017-03-28 2021-03-30 Uop Llc Heat exchangers in a petrochemical plant or refinery
US10844290B2 (en) 2017-03-28 2020-11-24 Uop Llc Rotating equipment in a petrochemical plant or refinery
US10670027B2 (en) 2017-03-28 2020-06-02 Uop Llc Determining quality of gas for rotating equipment in a petrochemical plant or refinery
US10816947B2 (en) 2017-03-28 2020-10-27 Uop Llc Early surge detection of rotating equipment in a petrochemical plant or refinery
US11037376B2 (en) 2017-03-28 2021-06-15 Uop Llc Sensor location for rotating equipment in a petrochemical plant or refinery
US10794644B2 (en) 2017-03-28 2020-10-06 Uop Llc Detecting and correcting thermal stresses in heat exchangers in a petrochemical plant or refinery
US10695711B2 (en) 2017-04-28 2020-06-30 Uop Llc Remote monitoring of adsorber process units
JP6928119B2 (ja) * 2017-06-02 2021-09-01 アスペン テクノロジー インコーポレイテッド 予測推論モデルをオンラインで構築し配備するコンピュータシステム及び方法
US10913905B2 (en) 2017-06-19 2021-02-09 Uop Llc Catalyst cycle length prediction using eigen analysis
US11365886B2 (en) 2017-06-19 2022-06-21 Uop Llc Remote monitoring of fired heaters
US10739798B2 (en) 2017-06-20 2020-08-11 Uop Llc Incipient temperature excursion mitigation and control
US11130692B2 (en) 2017-06-28 2021-09-28 Uop Llc Process and apparatus for dosing nutrients to a bioreactor
US10994240B2 (en) 2017-09-18 2021-05-04 Uop Llc Remote monitoring of pressure swing adsorption units
US11194317B2 (en) 2017-10-02 2021-12-07 Uop Llc Remote monitoring of chloride treaters using a process simulator based chloride distribution estimate
US11676061B2 (en) 2017-10-05 2023-06-13 Honeywell International Inc. Harnessing machine learning and data analytics for a real time predictive model for a FCC pre-treatment unit
US11105787B2 (en) 2017-10-20 2021-08-31 Honeywell International Inc. System and method to optimize crude oil distillation or other processing by inline analysis of crude oil properties
CN111542850B (zh) * 2017-11-14 2023-06-13 艾姆奈特有限公司 使用概率预测对下水道进行基于agent控制的系统和方法
US10901403B2 (en) 2018-02-20 2021-01-26 Uop Llc Developing linear process models using reactor kinetic equations
US10734098B2 (en) 2018-03-30 2020-08-04 Uop Llc Catalytic dehydrogenation catalyst health index
US10739763B2 (en) * 2018-11-13 2020-08-11 Rockwell Automation Technologies, Inc. Industrial control system with predictive machine learning module
US10953377B2 (en) 2018-12-10 2021-03-23 Uop Llc Delta temperature control of catalytic dehydrogenation process reactors
CN109633059B (zh) * 2018-12-14 2020-02-21 浙江省检验检疫科学技术研究院 基于顶空气质联用的易燃液体混合溶液闪点的预测方法
US20200327476A1 (en) * 2019-04-10 2020-10-15 Exxonmobil Research And Engineering Company Dynamic quality control in petrochemical, chemical, and pharmaceutical manufacturing processes
CN110210000A (zh) * 2019-04-18 2019-09-06 贵州大学 基于多元非线性回归的工业过程能效识别与诊断方法
KR20200137103A (ko) 2019-05-29 2020-12-09 삼성전자주식회사 생체 정보 추정 모델 갱신 장치 및 방법
WO2021019551A1 (en) * 2019-07-26 2021-02-04 Tata Consultancy Services Limited System and method for real-time self-optimization of manufacturing operations
CN111523779B (zh) * 2020-04-13 2024-05-31 湖州同润汇海科技有限公司 一种在线确定常减压直馏柴油馏程曲线的方法
CN111592907B (zh) * 2020-05-18 2021-11-09 南京富岛信息工程有限公司 一种常压塔顶油干点在线分析检测方法
JP7363840B2 (ja) * 2021-03-10 2023-10-18 横河電機株式会社 解析装置、解析方法およびプログラム
JP2022173863A (ja) * 2021-05-10 2022-11-22 株式会社東芝 モジュラー型時系列データ予測装置、モジュラー型時系列データ予測方法、および、プログラム
US20230368590A1 (en) * 2022-05-13 2023-11-16 Regents Of The University Of Minnesota System and method for controlling a compression ignition engine

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1180788A (zh) * 1996-07-01 1998-05-06 卡明斯发动机公司 准确地控制燃油喷射流量的装置和方法
CN1547606A (zh) * 2001-08-08 2004-11-17 ���ʿ����о����޹�˾ 制备硫含量低于0.05wt%的烃产品的方法
CN101542408A (zh) * 2006-09-29 2009-09-23 费舍-柔斯芒特系统股份有限公司 过程控制系统中的瞬时区域的多元检测
CN102124484A (zh) * 2008-04-07 2011-07-13 霍尼韦尔国际公司 用于使用模型预测控制的离散供应链控制和最优化的系统和方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4886590A (en) 1987-11-02 1989-12-12 Man-Gill Chemical Company Chemical process control system
US5260865A (en) 1991-04-01 1993-11-09 Beauford Martin H Nonlinear model based distillation control
US5402333A (en) 1992-06-15 1995-03-28 E. I. Du Pont De Nemours & Co., Inc. System and method for improving model product property estimates
JPH1082883A (ja) 1996-09-06 1998-03-31 Hitachi Ltd プラント診断装置
BR9803848A (pt) 1998-10-08 2000-10-31 Opp Petroquimica S A Sistema para inferência em linha de propriedades fìsicas e quìmicas, sistema para inferência em linha de variáveis de processo, e, sistema de controle em linha
SE515570C2 (sv) 1999-10-05 2001-09-03 Abb Ab Ett datorbaserat förfarande och system för reglering av en industriell process
AU2001238078A1 (en) 2000-02-11 2001-08-20 Stone And Webster Process Technology, Inc. Heat and material balance method of process control for petrochemical plants andoil refineries
US7157046B2 (en) * 2001-02-16 2007-01-02 Steris Inc. High capacity flash vapor generation systems
WO2004038174A2 (en) * 2002-10-24 2004-05-06 Shell Internationale Research Maatschappij B.V. Staged and/or patterned heating during in situ thermal processing of a hydrocarbon containing formation
US7246023B2 (en) 2004-01-26 2007-07-17 Ranko, Llc Flexible process optimizer
US20060074598A1 (en) 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US7584024B2 (en) * 2005-02-08 2009-09-01 Pegasus Technologies, Inc. Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques
US7292899B2 (en) 2005-08-15 2007-11-06 Praxair Technology, Inc. Model predictive control having application to distillation
US8645079B2 (en) 2005-09-01 2014-02-04 Kuwait University Method for measuring the properties of petroleum fuels by distillation
US8036760B2 (en) 2005-10-04 2011-10-11 Fisher-Rosemount Systems, Inc. Method and apparatus for intelligent control and monitoring in a process control system
US7496414B2 (en) 2006-09-13 2009-02-24 Rockwell Automation Technologies, Inc. Dynamic controller utilizing a hybrid model
US9764314B2 (en) * 2006-11-07 2017-09-19 Saudi Arabian Oil Company Control of fluid catalytic cracking process for minimizing additive usage in the desulfurization of petroleum feedstocks
US20090093892A1 (en) * 2007-10-05 2009-04-09 Fisher-Rosemount Systems, Inc. Automatic determination of the order of a polynomial regression model applied to abnormal situation prevention in a process plant
US8055479B2 (en) * 2007-10-10 2011-11-08 Fisher-Rosemount Systems, Inc. Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process
US9069345B2 (en) * 2009-01-23 2015-06-30 Mks Instruments, Inc. Controlling a manufacturing process with a multivariate model
US9085975B2 (en) * 2009-03-06 2015-07-21 Schlumberger Technology Corporation Method of treating a subterranean formation and forming treatment fluids using chemo-mathematical models and process control
US8165817B2 (en) 2009-03-09 2012-04-24 Schlumberger Technology Corporation Method for integrating reservoir charge modeling and downhole fluid analysis
US9110462B2 (en) * 2010-05-04 2015-08-18 Frito-Lay North America, Inc. Batch control using bang-bang control
JP2011253275A (ja) 2010-06-01 2011-12-15 Yokogawa Electric Corp プラントシミュレータ
JP5696385B2 (ja) * 2010-07-13 2015-04-08 横河電機株式会社 液化天然ガスの熱量算出システムおよび液化天然ガスの熱量算出方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1180788A (zh) * 1996-07-01 1998-05-06 卡明斯发动机公司 准确地控制燃油喷射流量的装置和方法
CN1547606A (zh) * 2001-08-08 2004-11-17 ���ʿ����о����޹�˾ 制备硫含量低于0.05wt%的烃产品的方法
CN101542408A (zh) * 2006-09-29 2009-09-23 费舍-柔斯芒特系统股份有限公司 过程控制系统中的瞬时区域的多元检测
CN102124484A (zh) * 2008-04-07 2011-07-13 霍尼韦尔国际公司 用于使用模型预测控制的离散供应链控制和最优化的系统和方法

Also Published As

Publication number Publication date
EP2954427A4 (en) 2017-05-31
JP2016507113A (ja) 2016-03-07
EP2954427A1 (en) 2015-12-16
WO2014123993A1 (en) 2014-08-14
US10175661B2 (en) 2019-01-08
US20140309756A1 (en) 2014-10-16
CN105229627A (zh) 2016-01-06

Similar Documents

Publication Publication Date Title
CN105229627B (zh) 用于确定产品流或处理流的属性的系统、方法和设备
EP3289420B1 (en) Computer system and method for causality analysis using hybrid first-principles and inferential model
Fortuna et al. Soft sensors for product quality monitoring in debutanizer distillation columns
US10235481B2 (en) System and method for online measurement of vapor pressure in hydrocarbon process streams
Zheng et al. Probabilistic learning of partial least squares regression model: Theory and industrial applications
JP2016507113A5 (ja) 製品またはプロセス流の特性を判定するためのシステムおよび方法
US20170248569A1 (en) Method for optimising a mixture of components by means of spectral analysis
Rogina et al. Soft sensor for continuous product quality estimation (in crude distillation unit)
Yuan et al. A spatial-temporal LWPLS for adaptive soft sensor modeling and its application for an industrial hydrocracking process
He et al. Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy
He et al. A novel adaptive algorithm with near-infrared spectroscopy and its application in online gasoline blending processes
RU2280270C2 (ru) Способ оперативной калибровки
Laref et al. A comparison between SVM and PLS for E-nose based gas concentration monitoring
WO2006126978A1 (en) Topological near infrared analysis modeling of petroleum refinery products
Steurtewagen et al. Machine learning refinery sensor data to predict catalyst saturation levels
Li et al. Improvement of NIR prediction ability by dual model optimization in fusion of NSIA and SA methods
Long et al. Modified hybrid strategy integrating online adjustable oil property characterization and data-driven robust optimization under uncertainty: Application in gasoline blending
Da Silva et al. Determination of naphtha composition by near infrared spectroscopy and multivariate regression to control steam cracker processes
NASSER et al. Online composition prediction of a debutanizer column using artificial neural network
Ujević et al. Soft sensors for splitter product property estimation in CDU
WO2017062416A1 (en) Hybrid analyzer for fluid processing processes
CA3026377C (en) System and method for online measurement of vapor pressure in hydrocarbon process streams
Al-Jlibawi et al. The efficiency of soft sensors modelling in advanced control systems in oil refinery through the application of hybrid intelligent data mining techniques
Jiang et al. Optimal product quality control in a hydrocracking fractionator with process simulation approaches
Abonyi et al. Data-driven development and maintenance of soft-sensors

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant