CN107430398B - 用于调谐工艺模型的系统和方法 - Google Patents
用于调谐工艺模型的系统和方法 Download PDFInfo
- Publication number
- CN107430398B CN107430398B CN201680021310.9A CN201680021310A CN107430398B CN 107430398 B CN107430398 B CN 107430398B CN 201680021310 A CN201680021310 A CN 201680021310A CN 107430398 B CN107430398 B CN 107430398B
- Authority
- CN
- China
- Prior art keywords
- plant
- chemical plant
- data
- unit
- performance
- 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
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/41—Servomotor, servo controller till figures
- G05B2219/41077—Self tuning, test run, detect, compute optimal backlash, deformation compensation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
一种用于改进工厂的运营的调谐系统。服务器经由通信网络耦合到所述调谐系统以便与所述工厂通信。计算机系统具有基于Web的平台以便通过所述网络接收和发送与所述工厂的运营相关的工厂数据。显示设备交互地显示所述工厂数据。协调单元被配置为对照来自仿真引擎的基于一组预定参考或设定点的绩效工艺模型结果来协调来自所述工厂的实际测量数据。所述协调单元针对所述实际测量数据和使用一组预定阈值的所述绩效工艺模型结果来执行试探分析。
Description
交叉引用
本申请要求根据35U.S.C§119(e)于2015年3月30日提交的美国临时申请第62/140,029号的优先权,其全部内容通过引用并入本文。
技术领域
本发明涉及一种用于调谐诸如化工厂或炼油厂之类的工厂的工艺模型的方法和系统,并且更具体地说,涉及一种用于使用阈值分析改进此类工程的运营绩效的方法。
背景技术
在如今的环境下,运营炼油厂和石化厂的公司通常面临着严峻的挑战。这些挑战可以包括不断被侵蚀的财务毛利、日益复杂的技术、工人经验水平的降低、以及不断改变的环境法规。
此外,由于原料和产品价格越来越不稳定,经营者经常发现做出能够优化其财务毛利的经营决策越发困难。可以预见在未来这种不稳定的趋势将持续,但是,对于那些能够快速识别和响应市场机会(当它们出现时)的公司,这代表了经济潜力。
来自资本市场的压力通常迫使运营公司不断增大现存资产的回报。作为响应,催化剂、吸附剂、设备、以及控制系统供应商开发了更复杂的能够增加资产绩效的系统。这些高级系统的维护和运营通常需要提高的技能水平,考虑到如今技术人员的时间压力和有限资源,难以形成、维护和传授这些技能水平。这意味着这些日益复杂的系统不能一直发挥最大潜力。另外,当现存资产运营接近或者超过其设计极限时,会出现可靠性问题和运营风险。
工厂运营者一般用以下几种策略中的一种或几种应对上述挑战,例如,减小可用性风险、建立价值链以及持续经济优化。减小可用性风险一般强调实现充分的工厂运营(与最大化经济绩效相对)。建立价值链一般强调提高原料和产品结构与资产能力和市场需求的匹配。持续经济优化一般采用工具、系统和模型来不断监视和弥补工厂绩效中的经济和运营差距。
炼油厂运营方通常遇到多个级别的差距(或绩效亏损):
1)事件或“失去机会”差距
大多数炼油厂运营方能够充分跟踪其炼油厂中的计划外事件的成本/价值:计划外停机、设备可用性问题等。与这些差距关联的价值通常很大,但持续时间通常很短。运营良好的炼油厂能够通过有效的工艺和机械可靠性程序将这些事件保持在最低水平。
2)回推差距(Backcasting Gap)
一些炼油厂专注于回推(历史)差距(其中运营方将每月炼油厂生产计划与实际实现的运营相比较),并且进行分析以了解和解决任何差距的原因。这通常按月完成。如果炼油厂运营方解决了偏离炼油厂生产工艺计划的根本原因,则他们通常能够发现实质性的经济改善。
但是,当根本原因被嵌入较差工艺绩效时,它们通常难以识别。这种历史回推分析还可能成本高昂,因为它使问题未被识别和未被解决,直到月末。仅作为一个例子,来自30,000BPD重整单元的辛烷桶产量的1%借额能够在一个月内价值为530,000美元(基于0.60美元/辛烷桶估价)。这种差距的早期识别和问题的解决能够避免重大利润损失。当基于各种工厂工艺模型优化特定工艺时,保持持续和一致的期望绩效水平以便确保一致和可行的结果是重要的。
因此,需要一种改进的调谐系统,以使运营方通过利用经济优化策略来应对这些挑战,该经济优化策略采用工具、系统和模型以监视和弥补工厂绩效中的经济和运营差距。
发明内容
本发明的一个总体目标是提高化工厂和炼油厂的运营效率。本发明的一个更具体的目标是克服上述问题中的一者或多者。通过一种改进工厂的运营的方法能够至少部分地实现本发明的一个总体目标。该方法包括从所述工厂获得工厂运营信息。
本发明进一步包括一种用于改进工厂的运营的方法,该方法包括:从所述工厂获得工厂运营信息;以及使用所述工厂运营信息生成工厂工艺模型。本发明还进一步包括一种用于改进工厂的运营的方法。该方法包括:通过因特网接收工厂运营信息,以及使用所述工厂运营信息自动生成工厂工艺模型。
本发明确保仿真引擎被系统地调谐以便针对工厂优化提供良好基础。基于关联的参考点定义和协调关键匹配参数,并且累积地评估所有参数的差异以便确定仿真与实际工厂运营的适合度。如下面更详细描述的,基于仿真的适合度来定义和确定阈值,以便评估对仿真引擎的额外调谐的需要。
本发明利用经配置的工艺模型对个体工艺单元、操作模块或完整处理系统的性能进行监视、预测和优化。对预测和实际绩效的例行和频繁分析允许早期识别运营差异,可以对所述运营差异采取动作以优化财务影响。
本发明利用来自以下任一设备的工艺测量:压力传感器、差动压力传感器、孔板、文氏管、其它流量传感器、温度传感器、电容传感器、重量传感器、气相色谱仪、湿度传感器、以及本领域公知的在炼油和石化行业中常见的其他传感器。另外,本发明利用来自气相色谱仪、液体色谱仪、蒸馏法测量、辛烷测量的工艺实验室测量、以及炼油和气化行业常见的其他实验室测量。
所述工艺测量用于监视以下任一工艺设备的性能:泵、压缩机、换热器、加热炉、控制阀、分馏塔、反应釜以及炼油和石化行业中常见的其他工艺设备。
本发明的方法优选地使用基于Web的计算机系统来实现。在此平台内执行工作过程的益处包括:由于增加的通过运营识别和捕获经济机会的能力而导致提高的工厂经济绩效、持续弥补绩效差距的能力、增加的利用人员专业技术的能力、以及改进的企业调整。本发明是一种新颖和创新的方法,其结合其他参数使用高级计算技术来改变诸如炼油和石化设施之类的工厂的运营方式。
本发明利用工厂处的数据采集系统来捕获数据,数据被自动发送到远程位置,在远程位置处数据被检查以便例如消除误差和偏差并用于计算和报告性能结果。工厂和/或工厂的个体工艺单元的性能被与通过一个或多个工艺模型预测的性能相比较以识别任何运营差异或差距。
可以生成诸如每日报告之类的显示与预测绩效相比的实际绩效的报告并例如经由因特网将其传送给工厂运营方和/或工厂或第三方工艺工程师。所识别的绩效差距允许运营方和/或工程师识别并解决差距的原因。本发明的方法进一步使用工艺模型和工厂运营信息来运行优化例程,所述优化例程针对例如原料、产品以及价格的给定值收敛于最佳工厂运营。
本发明的方法向工厂运营方和/或工程师提供常规建议,其使能推荐调整设定点或参考点,从而允许工厂一直运行在最优条件下或在接近最优条件下运行。本发明的方法向运营方提供用于改进或修改工厂的未来运营的备选方案。本发明的方法对工艺模型进行常规维护和调谐以正确地表示工厂的真实潜在绩效。本发明的一个实施例的方法包含按照运营方的特定经济准则配置的经济优化例程,所述经济优化例程用于识别最佳运营点、评估替代操作并进行原料评估。
本发明提供一种帮助精炼厂弥补实际和可达到的经济绩效之间的差距的可重复方法。本发明的方法利用工艺开发历史、建模和流表征、以及工厂自动化经验来解决确保数据安全性以及大量数据的高效聚合、调谐及移动的关键问题。基于Web的平台是优选的使能者(enabler),以便通过在虚拟的基础上连接专业技术人员和工厂工艺操作员工来达到并保持最大工艺性能。
增强的工作流利用经配置的工艺模型对个体工艺单元、操作模块或完整过程系统的绩效进行监视、预测和优化。对预测和实际性能的例行和频繁分析允许早期识别运营差异,可以对所述运营差异采取动作以优化财务影响。
如本文中使用的,对“例程”的引用可以被理解为指用于执行特定任务的一系列计算机程序或指令。本文中对“工厂”的引用可以被理解为指各种化学或石化制造或精炼设施中的任一种。本文中对工厂“运营方”的引用可以被理解为指和/或包括(但不限于):工厂规划者、管理者、工程师、技术人员、以及其他关注、监管和/或运行工厂处的日常操作的人员。
在一个实施例中,提供一种用于改进工厂的运营的调谐系统。服务器经由通信网络耦合到所述调谐系统以便与所述工厂通信。计算机系统具有基于Web的平台以便通过所述网络接收和发送与所述工厂的运营相关的工厂数据。显示设备交互地显示所述工厂数据。协调单元被配置为对照来自仿真引擎的基于一组预定参考或设定点的绩效工艺模型结果来协调来自所述工厂的实际测量数据。所述协调单元针对所述实际测量数据和使用一组预定阈值的所述绩效工艺模型结果来执行试探分析。
在另一个实施例中,提供一种用于改进工厂的运营的调谐方法,并且所述方法包括:提供经由通信网络耦合到调谐系统以便与所述工厂通信的服务器;提供具有基于Web的平台以便通过所述网络接收和发送与所述工厂的运营相关的工厂数据的计算机系统;提供用于交互地显示所述工厂数据的显示设备,所述显示设备被配置为以图形或文本方式接收所述工厂数据;通过所述网络从所述工厂获取所述工厂数据;基于所述工厂数据生成工厂工艺模型,以便基于所述工厂数据估计期望的工厂绩效;基于所述工厂工艺模型监视所述工厂的运营情况;对照来自仿真引擎的基于一组预定参考或设定点的绩效工艺模型结果来协调来自所述工厂的实际测量数据;创建用于基于所述工厂数据来确定所述工厂工艺模型的可信度的评分模型;以及基于所述评分模型来调谐所述工厂工艺模型以便表示所述工厂的潜在绩效。
从以下结合附图的详细说明,本发明的上述以及其它方面和特征对本领域的技术人员将变得显而易见。
附图说明
图1示出了本调谐系统在云计算基础设施中的示意性使用;
图2是根据本公开的一个实施例的重点示出功能单元的本调谐系统的功能框图;以及
图3示出了根据本调谐系统的一个实施例的示意性调谐方法。
具体实施方式
现在参考图1,提供一种使用本公开的一个实施例的示意性调谐系统(总体标示为10),所述调谐系统用于改进诸如化工厂或精炼厂之类的一个或多个工厂(例如,工厂A…工厂N)或它们的一部分的运营。本调谐系统10使用从至少一个工厂12a-12n获得的工厂运营信息。
如本文使用的,术语“系统”、“单元”或“模块”可以指以下项、是以下项的一部分、或者包括以下项:专用集成电路(ASIC)、电子电路、执行一个或多个软件或固件程序的计算机处理器(共享的、专用的或者组)和/或存储器(共享的、专用的或组)、逻辑组合电路、和/或用于提供所描述功能的其它适合的组件。因此,虽然本公开包括单元的特定示例和布置,但是由于其它修改将对本领域的技术人员变得显而易见,本系统的范围并不应限于如此的示例和布置。
调谐系统10可以位于服务器或计算设备14中(包括例如数据库和视频服务器)或优选地使用安全的云计算基础设施经由通信网络16耦合到服务器或计算设备14(包括例如数据库和视频服务器),并且被编程为执行不同功能单元的任务并显示相关数据。构想了可以使用其它适合的网络,例如因特网、无线网络(例如,Wi-Fi)、公司内联网、局域网(LAN)或广域网(WAN)等,它们使用拨号连接、电缆调制解调器、高速ISDN线、以及本领域公知的其它类型的通信方法。所有相关信息能被存储到数据库中以便由调谐系统10或计算设备14(例如,作为数据存储设备和/或承载计算机程序的机器可读数据存储介质)检索。
此外,本调谐系统10可以是部分或完全自动化的。在本发明的一个优选实施例中,调谐系统10由远离工厂12a-12n和/或工厂规划中心的计算机系统(例如第三方计算机系统)执行。本调谐系统10优选地包括通过因特网获得或接收和发送信息的基于Web的平台18。具体地说,调谐系统10经由通信网络16接收来自工厂12a-12n中的至少一个工厂的信号和参数并在运营方或用户可访问的交互式显示设备20上显示(优选地实时显示)相关绩效信息。
使用基于Web的系统来实现本发明的方法提供了许多益处,诸如由于工厂运营方的增加的识别和捕获经济机会的能力而导致提高的工厂经济绩效、持续弥补工厂绩效差距的能力、增加的利用人员专业技术的能力、以及改进培训和开发。本发明的方法允许对工艺绩效自动化的日常评估,从而增大绩效审查的频率,减少工厂运营人员所需的时间和工作。
基于Web的平台18允许所有用户使用相同的信息工作,因此创建用于共享最佳实践或排除故障的协作环境。本发明的方法由于完整配置的模型而提供更加精确的预测和优化结果,它们例如能够包括催化剂产量表示(catalytic yield representation)、约束、以及自由度等。工厂规划和运营模型的例行自动化评估允许及时调整工厂模型以便降低或消除工厂模型与实际工厂绩效之间的差距。使用基于Web的平台18实现本发明的方法还允许监视和更新多个站点,从而更好地允许设施规划者提出务实的最优目标。
现在参考图2,优选地,本调谐系统10包括协调单元22,其被配置为对照来自仿真引擎的基于一组参考或设定点的绩效工艺模型结果来协调来自相应工厂12a-12n的实际测量数据。在一个优选实施例中,针对实际测量数据和使用一组预定阈值的绩效工艺模型结果来执行试探分析。还构想了能够使用统计分析和其它适合的分析技术来适合于不同的应用。
仅作为一个例子,从相应工厂12a-12n接收运营工厂参数或工厂数据,例如温度、压力水平、原料成分、分馏塔产品成分等。这些工厂参数表示在预定时段内来自工厂12a-12n中的选定设备的实际测量数据。执行这些工厂运营参数与来自仿真引擎的基于预定阈值的绩效工艺模型结果的比较。
调谐系统10中还包括接口模块24,接口模块24用于在调谐系统10、一个或多个内部或外部数据库26、以及网络16之间提供接口。接口模块24经由网络16接收来自例如工厂传感器的数据、以及来自其它相关系统设备、服务和应用的数据。其它设备、服务和应用可包括但不限于与相应工厂12a-12n相关的一个或多个软件或硬件组件等。接口模块24还接收信号和/或参数,所述信号和/或参数被传送到相应单元和模块,例如调谐系统10及其关联的计算模块或单元。
优选地,提供预测单元28以便基于工厂运营参数的比较来预测仿真引擎的当前工艺模型的可信度。构想了预测单元28基于使用偏最小二乘(PLS)分析、正交PLS(OPLS)分析、以及本领域公知的其它适合的分析技术的比较来生成或计算工艺模型的可信度得分。
例如,创建用于基于工厂运营参数来确定当前工艺模型的可信度的评分模型。此外,优选地,基于工厂运营参数与对应预定阈值之间的差异量对可信度得分进行加权。使用加权后的可信度得分更新评分模型,并且基于评分模型调整或调谐当前工艺模型。
更具体地说,选择至少一个工厂参数或所述工厂参数的子集作为关键匹配参数,并且在预定时段内累积地评估选定工厂参数与对应绩效模型结果之间的差异以便确定仿真对相关实际工厂运营的适合度。当差异大于预定阈值时,执行额外的工艺模型调谐。例如,当差异的误差容限(error margin)大于预定百分比(%)值时,相应地进一步评估和调谐当前工艺模型。
提供优化单元30以便基于绩效或工厂工艺模型的可信度得分来优化至少一个工厂12a-12n的炼油或石化工艺的至少一部分。炼油和石化领域中的运营方难以在工厂12a-12n的整个复合体的级别优化经济情况,因为存在多种参数和测量,它们可能无法针对工艺仿真和优化提供一致的基础。
在运营中,优化单元30例如每100毫秒,每秒,每十秒,每分钟,每两分钟等重复地接收来自客户站点或工厂12a-12n的实际测量数据。为了进行数据清理,优化单元30分析数据的完整性并纠正总误差。然后,针对测量问题(例如,用于建立仿真稳态的精确性问题)和整体质量平衡闭合(mass balance closure)纠正所述数据,以便产生一组重复的协调后的工厂数据。
纠正后的数据被用作到仿真过程的输入,在所述仿真过程中,工艺模型被调谐以确保所述仿真过程与协调后的工厂数据相匹配。协调后的工厂数据的输出被输入到调谐后的流程图中并且然后被生成为预测数据。作为工艺设计单元,每个流程图可以是虚拟工艺模型对象的集合。作为协调后的数据与预测数据之间的差异的增量值被验证以确保针对仿真过程运行建立可行的优化例(optimization case)。
因此,调谐后的仿真引擎被用作以一组协调后的数据作为输入来运行的优化例的基础。来自该步骤的输出是一组新的数据,即优化后的数据。协调后的数据与优化后的数据之间的差异提供了有关应如何改变运营以达到更好的经济最优的指示。在此配置中,优化单元30提供一种用于使目标函数最小化,从而使工厂12a-12n的盈利能力最大化的可由用户配置的方法。
在一个优选实施例中,优化单元30将目标函数定义为在各种约束下,在特定工艺期间的运营总成本的用户定义的计算,所述计算包括消耗的材料、产生的产品、以及利用的公共设施。例如,可以通过内部组件的溢流极限来确定最大分馏塔容量,并且可以基于炉内的管的表面温度来确定炉的最大容量。构想了其它适当的目标函数以适合不同的应用。
本调谐系统10中还包括分析单元32,分析单元32被配置为确定炼油或石化工厂的运营状态以便确保工厂12a-12n的稳健和盈利运营。分析单元32基于以下至少一者确定运营状态:动力学模型、参数模型、分析工具、以及相关知识和最佳实践标准。
在一个优选实施例中,分析单元32接收来自工厂12a-12n中的至少一个工厂的历史或当前绩效数据以主动预测要执行的未来动作。为了主动预测特定工艺的各种极限并保持在可接受的极限范围内,分析单元32基于实际的当前和/或历史运营参数(例如来自蒸汽流量、加热器、温度设定点,压力信号等)确定最终产品的目标运营参数。
例如,在使用动力学模型或其它详细计算中,分析单元32基于现有极限和/或运营条件建立运营参数的界限或阈值。示意性现有极限可以包括机械压力、温度极限、液压极限、以及各种组件的工作寿命。构想了其它适当的极限和条件以适合不同的应用。
在使用基于例如特定的专门技术(know-how)的知识和最佳实践标准中,分析单元32建立与特定工艺相关的运营参数之间的关系。例如,石脑油重整反应釜入口温度的界限可以取决于再生器容量和氢-烃比,氢-烃比本身取决于再循环压缩机容量。
现在参考图3,示出了根据本发明的一个实施例的改进工厂(诸如图1和2的工厂12a-12n)的运营的示意性方法的简化流程图。虽然主要根据图1和图2的实施例描述以下步骤,但是应理解,在不改变本发明的原理的情况下,可以修改并按不同次序或顺序执行本方法中的步骤。
本方法在步骤100开始。在步骤102,由位于工厂12a-12n中或远离工厂12a-12n的计算机系统启动调谐系统10。本方法理想地由计算机系统自动执行;但是本发明并非旨在被限于此。如所期望的,一个或多个步骤能够包括手动操作或来自传感器或其它相关系统的数据输入。
在步骤104中,调谐系统10通过网络16获得来自工厂12a-12n的工厂运营信息或工厂数据。工厂运营信息优选地包括工厂运营参数、工厂工艺条件数据、工厂实验室数据和/或有关工厂约束的信息。构想了工厂数据包括以下至少一者:工厂运营参数、工厂实验室数据、工厂约束、以及工厂工艺条件数据。如本文中使用的,“工厂实验室数据”指从正在运营的处理工厂获取的流体的周期性实验分析结果。如本文中使用的,“工厂工艺数据”指由处理工厂中的传感器测量的数据。
在步骤106中,使用工厂运营信息生成工厂工艺模型。工厂工艺模型基于工厂运营信息(即,工厂12a-12n如何运营)来估计或预测期望的工厂绩效。工厂工艺模型结果能够用于监视工厂12a-12n的运营情况并用于判定是否出现任何干扰或不良测量。优选地由在各种工厂约束下建模以确定理想的工厂工艺模型的重复过程来生成工厂工艺模型。
在步骤108中,利用工艺仿真单元对工厂12a-12n的运营进行建模。由于对整个单元进行仿真的工作繁重且难以在合理的时间量内求解,所以每个工厂12a-12n可以被划分成包括相关单元操作的更小的虚拟子部分。美国专利公开2010/0262900(现在为美国专利9,053,260,其全部内容通过引用并入本文)中披露了示意性工艺仿真单元10,如设计套件。构想了工艺仿真单元10可以安装在优化单元30中。在共同受让的美国专利申请xx/xxx,xxx和xx/xxx,xxx(代理人案号H0049323-01-8500和H0049324-01-8500,均于2016年3月29日提交,其全部内容通过引用并入本文)中披露了其它示意性相关系统。
例如,在一个实施例中,分馏塔及其相关设备(如它的冷凝器、接收器、再沸器、进料换热器和泵)将构成一个子部分。来自该单元的所有可用工厂数据(包括温度、压力、流量和实验数据)被作为测量变量包括在仿真中。将多组工厂数据与工艺模型和模型拟合参数相比较并且计算生成最小误差的测量偏移。
在步骤110中,变化大于预定阈值的拟合参数或偏移以及大于预定误差范围的测量可以触发进一步的动作。例如,偏移或拟合参数的较大变化可以表明模型调谐不充分。该组数据的整体数据质量然后可以被标记为有问题。
在步骤112中,当变化、差异或误差范围大于预定值时,控制返回步骤104。否则,控制继续到步骤114。可以从拟合算法消除具有较大误差的个体测量并发出用于检查和校正测量的警报消息或警告信号。
在步骤114中,调谐系统10监视工厂工艺模型并将其与实际工厂绩效相比较以确保工厂工艺模型的精确性。通常,为了使工艺模型有效,它们必须精确地反映商业工艺的实际运营能力。这通过将模型校准到协调后的数据来实现。调整关键运营变量(例如分馏点和塔板效率)以最小化测量与预测绩效之间的差异。在本发明的一个实施例中,根据工厂工艺模型与实际工厂绩效之间的预定差异,更新工厂工艺模型,并且在本方法的下一循环期间使用更新后的工厂工艺模型。更新后的工厂工艺模型还理想地用于优化工厂工艺。
在步骤116中,使用工厂工艺模型精确地预测变化的原料和运营策略的影响。因此,根据本发明的方法使用协调后的数据对工厂工艺模型进行定期更新或调谐使得精炼厂能够评估工艺能力的变化。这种经校准的严格模型使得炼油厂运营工程师和规划人员能够识别工艺性能问题,以使得这些问题在对运营经济情况产生严重影响之前能够被解决。
例如,诸如产量、产品特性、以及焦炭生产率之类的计算可以是作为随时间变化的趋势被检查时的工艺问题的关键指标。定期观察这些趋势可以指示绩效的异常下降或错误运营。构想了如果观察到石脑油重整单元中C5+烃产量的快速下降,则这可以指示正在增大的焦炭产生率,这然后可以被追溯到反应釜回路中不正确的水-氯化物平衡或不正确的铂重整原料预处理。还构想了工厂工艺模型还可以支持改进研究,这些改进研究考虑了短期运营变化和长期改造修改两者以针对单元产生改进的经济性。
在步骤118中,创建用于基于工厂运营参数来确定当前工艺模型的可信度的评分模型。具体地说,基于使用偏最小二乘(PLS)分析、正交PLS(OPLS)分析、以及本领域公知的其它适合的分析技术的工厂运营参数之间的比较,生成工艺模型的可信度得分。如上所述,使用来自仿真引擎的基于预定阈值的绩效工艺模型结果来执行工厂运营参数的比较。
在运营期间,输出接口被设计为将工厂调谐所关注的运营经济绩效(例如,每吨产品的生产成本)与工厂的主要运营变量(例如,到换热器的蒸汽流量或塔成分控制器上的设定点)直接相关。这通过借助一系列更详细的屏幕将经济绩效与工厂运营相关来实现,每个屏幕被设计为允许用户快速查看哪些变量正在导致偏离目标经济绩效。
本发明的方法的一个益处是其长期可持续性。通常,提高工厂盈利能力的项目在适度持续时间内实现合理的收益,但这些提高随着时间的推移而衰退。这种衰退通常是由于可用内部技术人员的时间和专业技术不足所致。使用本发明的方法进行的基于Web的优化帮助运营方弥补现有绩效差距,并且以能够长期维持的方式更好地利用其人员的专业技术。
一些工厂运营方已尝试使用本地安装的工艺模型来解决炼油厂的优化需求。虽然市场上存在数个这种工艺模型产品,但是随着时间的推移这些工具失去了价值,因为没有足够的方法来保持它们被调谐(例如,建模催化剂失活、临时设备限制等),并且这些工具被配置为考虑到工厂流程方案和设备修改。在此配置中,随着时间的推移,为了获得这些模型所进行的投资没有交付预期价值。此外,与执行模型维护功能关联的成本可能相对较大,并且专业技术难以维护或替代。支持Web的平台通过远程托管和维护模型来专门解决这些缺点。
除了技术益处之外,本调谐系统10的基于Web的方法的实现提供了解决客户的管理挑战的切实益处。此类服务有助于改进技术人员的培训和发展、业务流程的自动化和卓越运营的发展。简化了新工程师和操作员的培训,因为存在有关个体工艺单元的中央知识库。此外,工程师能够更容易地在数个工艺单元之间轮换以便为他们提供更广泛的经验。通过高度可重复的远程执行监视过程以及专业人员与熟练的技术服务人员的交互,能够在确保传递知识的一致性的情况下实现这种轮换。
在步骤120中,基于评分模型调谐当前工艺模型以正确表示工厂的真实潜在绩效。工艺模型被进一步调谐以确保仿真过程与协调后的工厂数据相匹配。调谐后的仿真引擎被用作以一组协调后的数据作为输入来运行的优化例的基础。来自该步骤的输出是优化后的数据。因此,工厂12a-12n的未来运营被优化,并且产量被最大化。
通过向各种利益相关者(例如规划者、管理者、工程师和技术人员)提供用于查看结果的通用平台,使业务优化工作过程更可预测。例如,调谐系统10用于提供在各个位置处的工艺单元的简化和稳健外观,从而允许向具有最高原料处理机会或最需要维护和升级的工艺单元快速分配资源。
通过利用清晰地建立工厂工艺与经济绩效之间的关联的通用基础设施,实现进一步的益处。由于所有工艺、分析和经济数据都用于提供通过工艺模型链接的报告,所有运营方能够通过一组通用信息有效沟通和做出决策,从而推动整个组织专注于持续的经济绩效最大化。所述方法在步骤122结束。
虽然本文已经描述了本调谐系统的特定实施例,但是本领域的技术人员将理解,在不脱离本发明的更广泛方面的情况下并且如下面权利要求中阐述的那样,可以对本发明做出改变和修改。
具体实施例
尽管以下结合具体实施例进行描述,但是将理解,此描述旨在例示而非限制上述描述和所附权利要求的范围。
本发明的第一实施例是一种用于改进工厂运营的系统,所述调谐系统包括:服务器,其经由通信网络耦合到所述调谐系统以便与所述工厂通信;计算机系统,其具有基于Web的平台以便通过所述网络接收和发送与所述工厂的运营相关的工厂数据;显示设备,其用于交互地显示所述工厂数据;以及协调单元,其被配置为对照来自仿真引擎的基于一组预定参考或设定点的绩效工艺模型结果来协调来自所述工厂的实际测量数据,其中所述协调单元针对所述实际测量数据和使用一组预定阈值的所述绩效工艺模型结果来执行试探分析。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中所述协调单元经由所述计算机系统接收来自所述工厂的所述工厂数据,并且所接收的工厂数据表示在预定时段内来自所述工厂中的设备的所述实际测量数据。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,进一步包括接口模块,其被配置为在所述调谐系统、存储所述工厂数据的数据库、以及所述网络之间提供接口。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,进一步包括预测单元,其被配置为基于所述工厂数据的比较来预测所述仿真引擎的当前工艺模型的可信度。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中所述预测单元基于使用分析技术的所述工厂数据的比较来计算对应工艺模型的可信度得分。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中所述预测单元创建用于基于至少一个工厂运营参数来确定所述对应工艺模型的可信度的评分模型。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中基于所述工厂数据与对应预定阈值之间的差异量对所述可信度得分加权。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中使用加权后的可信度得分更新所述评分模型,并且基于所述评分模型调整或调谐所述当前工艺模型。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中所述预测单元在预定时段期间累积地计算选定工厂参数与对应绩效模型结果之间的差异,以便确定与所述工厂的运营相关的仿真的适合度。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,进一步包括优化单元,其被配置为基于工厂工艺模型的可信度得分来优化所述工厂的至少一部分。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中所述优化单元将目标函数定义为在至少一个约束下,在特定工艺期间的运营总成本的用户定义的计算,所述计算包括消耗的材料、产生的产品、以及利用的公共设施。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,进一步包括分析单元,其被配置为基于以下至少一者确定所述工厂的运营状态:动力学模型、参数模型、分析工具、以及相关知识和最佳实践标准。本发明的一个实施例是本段落中的在先实施例直到本段落中的第一实施例中的一个实施例、任一实施例或全部实施例,其中所述分析单元基于实际当前运营参数和历史运营参数中的至少一者确定所述工厂的最终产品的目标运营参数。
本发明的第二实施例是一种改进工厂运营的方法,所述调谐方法包括:提供经由通信网络耦合到调谐系统以便与所述工厂通信的服务器;提供具有基于Web的平台以便通过所述网络接收和发送与所述工厂的运营相关的工厂数据的计算机系统;提供用于交互地显示所述工厂数据的显示设备,所述显示设备被配置为以图形或文本方式接收所述工厂数据;通过所述网络从所述工厂获得所述工厂数据;基于所述工厂数据生成工厂工艺模型,以便基于所述工厂数据估计期望的工厂绩效;基于所述工厂工艺模型监视所述工厂的运营情况;对照来自仿真引擎的基于一组预定参考或设定点的绩效工艺模型结果来协调来自所述工厂的实际测量数据;创建用于基于所述工厂数据来确定所述工厂工艺模型的可信度的评分模型;以及基于所述评分模型来调谐所述工厂工艺模型以便表示所述工厂的潜在绩效。本发明的一个实施例是本段落中的在先实施例直到本段落中的第二实施例中的一个实施例、任一实施例或全部实施例,进一步包括针对所述实际测量数据和使用一组预定阈值的所述绩效工艺模型结果来执行试探分析。本发明的一个实施例是本段落中的在先实施例直到本段落中的第二实施例中的一个实施例、任一实施例或全部实施例,进一步包括基于预定阈值或范围检测所述工厂工艺模型的调谐中的误差。本发明的一个实施例是本段落中的在先实施例直到本段落中的第二实施例中的一个实施例、任一实施例或全部实施例,进一步包括监视所述工厂工艺模型并将其与实际工厂绩效相比较以确保所述工厂工艺模型的精确性。本发明的一个实施例是本段落中的在先实施例直到本段落中的第二实施例中的一个实施例、任一实施例或全部实施例,进一步包括基于所述工厂工艺模型的调谐来预测所述工厂的运营策略的影响。本发明的一个实施例是本段落中的在先实施例直到本段落中的第二实施例中的一个实施例、任一实施例或全部实施例,进一步包括基于使用分析技术的所述工厂数据的比较来计算所述工厂工艺模型的可信度得分。本发明的一个实施例是本段落中的在先实施例直到本段落中的第二实施例中的一个实施例、任一实施例或全部实施例,进一步包括基于调谐后的工厂工艺模型来生成所述仿真引擎的一组协调后的工厂数据。
在不进一步阐述的情况下,相信使用前述描述,本领域的技术人员能够在不脱离本发明的精神和范围的情况下最大程度地利用本发明并容易地确定本发明的基本特征,对本发明做出各种改变和修改,并使其适应各种用途和条件。因此,前述优选的具体实施例被理解为仅仅是说明性的,而不是以任何方式限制本公开的其余部分,并且旨在覆盖包括在所附权利要求的范围内的各种修改和等同布置。
在上文中,所有温度的单位为摄氏度,所有部分和百分比按重量计算,除非另有说明。
Claims (9)
1.一种用于改进化工厂[12a-12n]的运营的调谐系统[10],所述调谐系统[10]包括:
炉,所述炉包括在所述炉内的管;
被设置用于测量所述管的表面温度的传感器;
分馏塔;
与所述分馏塔相关联的再沸器;
与所述分馏塔相关联的接收器;
与所述分馏塔相关联的进料换热器;
服务器[14],其经由通信网络[16]耦合到所述调谐系统[10]以便与所述工厂[12a-12n]通信;
计算机系统[18],其具有基于Web的平台以便通过网络[16]接收和发送与所述工厂[12a-12n]的运营相关的工厂数据;
接口模块,包括:
一个或多个处理器,其被设置为从所述传感器接收信号;
存储可执行指令的存储器,所述可执行指令在由所述接口模块的所述一个或多个处理器执行时使所述接口模块:
从所述传感器接收所测量的所述管的表面温度;以及
将所测量的表面温度数据提供给数据库,所述数据库被配置为存储所测量的表面温度数据;
优化单元,包括:
所述优化单元的一个或多个处理器;
存储可执行指令的存储器,所述可执行指令在由所述优化单元的所述一个或多个处理器执行时使所述优化单元:
经由所述接口模块接收所测量的表面温度数据;
识别所测量的表面温度数据中的差距;
针对整体质量平衡闭合校正所测量的表面温度数据;
协调单元[22],其被配置为对照来自仿真引擎的基于一组预定参考或设定点的绩效工艺模型结果来协调来自所述工厂[12a-12n]的实际测量数据,所述协调单元包括:
所述协调单元的一个或多个处理器;
存储可执行指令的存储器,所述可执行指令在由所述协调单元的所述一个或多个处理器执行时使所述协调单元:
生成经协调的表面温度数据;
其中所述优化单元的所述存储器进一步存储可执行指令,所述可执行指令在由所述优化单元的所述一个或多个处理器执行时进一步使所述优化单元:
使用所测量的表面温度数据来进行数据清理;
基于经协调的表面温度数据确定所述化工厂的工艺模型的模型拟合参数;
调节所述化工厂的分馏点或所述化工厂的塔板效率以最小化所述化工厂的所测量的绩效与所述化工厂的预测绩效之间的差异;
优化所述化工厂的所述工艺模型的使用模型拟合参数的所述工艺模型;
基于在所述炉内的所述管的所测量的表面温度数据确定所述炉的最大容量;以及
分析单元,包括:
所述分析单元的一个或多个处理器;
存储可执行指令的存储器,所述可执行指令在由所述分析单元的所述一个或多个处理器执行时使所述分析单元:
接收所述化工厂的历史绩效数据;
建立与所述化工厂的工艺相关联的运行参数之间的关系;
分析所述化工厂的历史绩效数据作为随时间变化的趋势,以识别所述化工厂的工艺的工艺问题的关键指标;
基于所述化工厂的所述历史绩效数据确定所述化工厂的最终产品的目标运营参数;以及
基于所述化工厂的所述最终产品的所述目标运营参数来预测所述化工厂的工艺的极限;以及
输出接口,包括:
显示设备;
所述输出接口用于:
向所述化工厂的运营方交互显示,生成将所述化工厂的绩效与所述化工厂的运营变量相关的一个或多个详细屏幕;
生成和传送示出与所述化工厂的预测绩效相比的所述化工厂的实际绩效的报告;
向所述化工厂的运营方提供用于改进或修改所述化工厂的未来运营的备选方案,所述备选方案包括运营变化和改造修改以生成所述化工厂改进绩效;以及
向所述化工厂的运营方建议所述化工厂的所述最终产品的所述目标运营参数;
其中所述协调单元[22]针对所测量的表面温度数据和使用一组预定阈值的工艺模型结果来执行试探分析。
2.根据权利要求1所述的调谐系统,其中所述接口模块[24]在所述调谐系统[10]、所述数据库[26]、以及所述网络[16]之间提供接口。
3.根据权利要求1-2中任一项所述的调谐系统,进一步包括预测单元[28],其被配置为基于所述工厂数据的比较来预测所述仿真引擎的当前工艺模型的可信度。
4.根据权利要求3所述的调谐系统,其中所述预测单元[28]基于使用分析技术的所述工厂数据的比较来计算对应工艺模型的可信度得分,以及
其中所述预测单元[28]创建用于基于至少一个工厂运营参数来确定所述对应工艺模型的可信度的评分模型。
5.根据权利要求4所述的调谐系统,其中基于所述工厂数据与对应预定阈值之间的差异量对所述可信度得分加权,以及
其中使用加权后的可信度得分更新所述评分模型,并且基于所述评分模型调整或调谐所述当前工艺模型。
6.根据权利要求3所述的调谐系统,其中所述预测单元[28]在预定时段期间累积地计算选定工厂参数与对应绩效模型结果之间的差异,以便确定与所述工厂[12a-12n]的运营相关的仿真的适合度。
7.根据权利要求1-2中任一项所述的调谐系统,其中所述优化单元[30]被配置为基于所述工艺模型的可信度得分来优化所述化工厂[12a-12n]的至少一部分,以及
其中所述优化单元[30]将目标函数定义为在至少一个约束下,在特定工艺期间的运营总成本的用户定义的计算,所述计算包括消耗的材料、产生的产品、以及利用的公共设施。
8.根据权利要求1-2中任一项所述的调谐系统,其中所述分析单元[32]被配置为基于以下至少一者确定所述化工厂[12a-12n]的运营状态:动力学模型、参数模型、以及分析工具。
9.根据权利要求8所述的调谐系统,其中所述分析单元[32]基于实际当前运营参数和历史运营参数中的至少一者确定所述工厂[12a-12n]的最终产品的目标运营参数。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562140029P | 2015-03-30 | 2015-03-30 | |
US62/140,029 | 2015-03-30 | ||
US15/084,237 | 2016-03-29 | ||
US15/084,237 US10180680B2 (en) | 2015-03-30 | 2016-03-29 | Tuning system and method for improving operation of a chemical plant with a furnace |
PCT/US2016/024887 WO2016160913A1 (en) | 2015-03-30 | 2016-03-30 | System and method for tuning process models |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107430398A CN107430398A (zh) | 2017-12-01 |
CN107430398B true CN107430398B (zh) | 2020-12-15 |
Family
ID=57005325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680021310.9A Active CN107430398B (zh) | 2015-03-30 | 2016-03-30 | 用于调谐工艺模型的系统和方法 |
Country Status (10)
Country | Link |
---|---|
US (1) | US10180680B2 (zh) |
EP (1) | EP3278279A4 (zh) |
JP (1) | JP6598872B2 (zh) |
KR (1) | KR102069958B1 (zh) |
CN (1) | CN107430398B (zh) |
MY (1) | MY172633A (zh) |
RU (1) | RU2686820C2 (zh) |
SA (1) | SA517390058B1 (zh) |
SG (1) | SG11201707824SA (zh) |
WO (1) | WO2016160913A1 (zh) |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9864823B2 (en) | 2015-03-30 | 2018-01-09 | Uop Llc | Cleansing system for a feed composition based on environmental factors |
WO2019028020A1 (en) * | 2017-07-31 | 2019-02-07 | Uop Llc | IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT |
US10095200B2 (en) | 2015-03-30 | 2018-10-09 | Uop Llc | System and method for improving performance of a chemical plant with a furnace |
US10545487B2 (en) | 2016-09-16 | 2020-01-28 | Uop Llc | Interactive diagnostic system and method for managing process model analysis |
JP6732676B2 (ja) * | 2017-02-10 | 2020-07-29 | 三菱日立パワーシステムズ株式会社 | シミュレーション結果の評価装置及び方法 |
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 |
US10670027B2 (en) | 2017-03-28 | 2020-06-02 | Uop Llc | Determining quality of gas for rotating equipment in a petrochemical plant or refinery |
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 |
US10794644B2 (en) | 2017-03-28 | 2020-10-06 | Uop Llc | Detecting and correcting thermal stresses in heat exchangers 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 |
US11130111B2 (en) | 2017-03-28 | 2021-09-28 | Uop Llc | Air-cooled heat exchangers |
US10962302B2 (en) | 2017-03-28 | 2021-03-30 | Uop Llc | Heat exchangers 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 |
US11396002B2 (en) | 2017-03-28 | 2022-07-26 | Uop Llc | Detecting and correcting problems in liquid lifting in heat exchangers |
US10752844B2 (en) | 2017-03-28 | 2020-08-25 | Uop Llc | Rotating equipment in a petrochemical plant or refinery |
US10663238B2 (en) | 2017-03-28 | 2020-05-26 | Uop Llc | Detecting and correcting maldistribution in 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 |
US11037376B2 (en) | 2017-03-28 | 2021-06-15 | Uop Llc | Sensor location for rotating equipment in a petrochemical plant or refinery |
US10695711B2 (en) | 2017-04-28 | 2020-06-30 | Uop Llc | Remote monitoring of adsorber process units |
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 |
US10901403B2 (en) | 2018-02-20 | 2021-01-26 | Uop Llc | Developing linear process models using reactor kinetic equations |
CN108446861B (zh) * | 2018-03-28 | 2022-02-15 | 南方电网科学研究院有限责任公司 | 基于有向图排序的电力调度系统多源数据质量评价方法 |
US10734098B2 (en) | 2018-03-30 | 2020-08-04 | Uop Llc | Catalytic dehydrogenation catalyst health index |
EA035009B1 (ru) * | 2018-04-27 | 2020-04-16 | Общество С Ограниченной Ответственностью "Кловер Групп" | Способ и система для диагностирования промышленного объекта |
RU186040U1 (ru) * | 2018-09-04 | 2018-12-26 | Михаил Сергеевич Литовченко | Электронное устройство для автоматизации управления предприятием |
US11163297B2 (en) | 2018-09-11 | 2021-11-02 | International Business Machines Corporation | Identifying equipment operating control settings using historical information |
EP3623879A1 (en) * | 2018-09-14 | 2020-03-18 | Siemens Aktiengesellschaft | System, apparatus and method for optimizing operation of an industrial plant |
US11934159B2 (en) | 2018-10-30 | 2024-03-19 | Aspentech Corporation | Apparatus and methods for non-invasive closed loop step testing with controllable optimization relaxation |
US10953377B2 (en) | 2018-12-10 | 2021-03-23 | Uop Llc | Delta temperature control of catalytic dehydrogenation process reactors |
US11741377B2 (en) * | 2019-01-09 | 2023-08-29 | International Business Machines Corporation | Target system optimization with domain knowledge |
EP3966641A1 (en) | 2019-05-09 | 2022-03-16 | Aspen Technology, Inc. | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
US11782401B2 (en) | 2019-08-02 | 2023-10-10 | Aspentech Corporation | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration |
JP7318460B2 (ja) * | 2019-09-30 | 2023-08-01 | 横河電機株式会社 | システム、方法、および、プログラム |
JP7302414B2 (ja) * | 2019-09-30 | 2023-07-04 | 横河電機株式会社 | システム、方法、および、プログラム |
WO2021076760A1 (en) | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
US20210255609A1 (en) * | 2020-02-14 | 2021-08-19 | Exxonmobil Research And Engineering Company | Systems and methods for monitoring and predicting a risk state of an industrial process |
KR102179350B1 (ko) * | 2020-02-17 | 2020-11-16 | 주식회사 케이씨씨 | 고객 도장 작업 데이터 원격 수집 및 시뮬레이션 분석을 통한 라인 최적화 피드백 시스템 |
CN111598306B (zh) * | 2020-04-22 | 2023-07-18 | 汉谷云智(武汉)科技有限公司 | 一种炼油厂生产计划优化方法及装置 |
CN111624908B (zh) * | 2020-05-18 | 2024-01-23 | 武汉理工大学 | 一种基于物联网技术的智能冷藏车车载数据采集终端系统 |
US11774924B2 (en) | 2020-12-03 | 2023-10-03 | Aspentech Corporation | Method and system for process schedule reconciliation using algebraic model optimization |
US20220180295A1 (en) * | 2020-12-03 | 2022-06-09 | Aspen Technology, Inc. | Method and System for Process Schedule Reconciliation Using Machine Learning and Algebraic Model Optimization |
US11630446B2 (en) | 2021-02-16 | 2023-04-18 | Aspentech Corporation | Reluctant first principles models |
JP7171880B1 (ja) | 2021-12-10 | 2022-11-15 | 株式会社日立パワーソリューションズ | 異常予兆診断装置およびプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1494670A (zh) * | 2001-03-01 | 2004-05-05 | 费舍-柔斯芒特系统股份有限公司 | 过程控制工厂数据的远程分析 |
US6760716B1 (en) * | 2000-06-08 | 2004-07-06 | Fisher-Rosemount Systems, Inc. | Adaptive predictive model in a process control system |
CN102375937A (zh) * | 2011-10-20 | 2012-03-14 | 王钰 | 一种定量评估仿真模型可信度的方法 |
WO2014123993A1 (en) * | 2013-02-05 | 2014-08-14 | Yokogawa Corporation Of America | System, method and apparatus for determining properties of product or process streams |
CN104091226A (zh) * | 2014-06-17 | 2014-10-08 | 电子科技大学 | 一种面向运营商oss域的信息模型质量评价方法 |
CN104154531A (zh) * | 2014-07-28 | 2014-11-19 | 广州市恒力安全检测技术有限公司 | 一种循环流化床机组能效优化方法及系统 |
CN104412265A (zh) * | 2012-04-27 | 2015-03-11 | 奎克西公司 | 更新用于促进应用搜索的搜索索引 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SA05260056B1 (ar) * | 1991-03-08 | 2008-03-26 | شيفرون فيليبس كيميكال كمبني ال بي | جهاز لمعالجة الهيدروكربون hydrocarbon |
CA2184832A1 (en) * | 1994-03-17 | 1995-09-21 | Johannes H.A. Krist | System for real time optimization and profit depiction |
US5666297A (en) | 1994-05-13 | 1997-09-09 | Aspen Technology, Inc. | Plant simulation and optimization software apparatus and method using dual execution models |
GB9903830D0 (en) * | 1999-02-19 | 1999-04-14 | Salamander Limited | Process-systems integration method |
JP3970483B2 (ja) * | 1999-08-30 | 2007-09-05 | 株式会社東芝 | 設備運用状態の監視装置 |
JP2001106703A (ja) * | 1999-10-06 | 2001-04-17 | Mitsubishi Rayon Co Ltd | 品質予測反応制御システム |
DE60113073T2 (de) * | 2000-03-10 | 2006-08-31 | Smiths Detection Inc., Pasadena | Steuerung für einen industriellen prozes mit einer oder mehreren multidimensionalen variablen |
US7647407B2 (en) | 2000-09-15 | 2010-01-12 | Invensys Systems, Inc. | Method and system for administering a concurrent user licensing agreement on a manufacturing/process control information portal server |
CA2356470A1 (en) * | 2000-09-15 | 2002-03-15 | General Electric Company | Method and system for optimizing mill operation |
US20050027721A1 (en) * | 2002-04-03 | 2005-02-03 | Javier Saenz | System and method for distributed data warehousing |
US7067333B1 (en) * | 2002-06-28 | 2006-06-27 | Advanced Micro Devices, Inc. | Method and apparatus for implementing competing control models |
GB0216858D0 (en) | 2002-07-19 | 2002-08-28 | Bae Systems Plc | Fault diagnosis system |
DE10393080T5 (de) | 2002-10-08 | 2005-09-29 | Invensys Systems, Inc., Foxboro | Serviceportal |
US7475073B2 (en) * | 2004-01-27 | 2009-01-06 | International Business Machines Corporation | Technique for improving staff queries in a workflow management system |
WO2005124491A1 (en) * | 2004-06-12 | 2005-12-29 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a process gain of a control loop |
RU44840U1 (ru) * | 2004-12-07 | 2005-03-27 | Общество с ограниченной ответственностью "Наука, технология, информатика, контроль" (ООО "Наука") | Автоматизированная система управления предприятия |
US20070059838A1 (en) * | 2005-09-13 | 2007-03-15 | Pavilion Technologies, Inc. | Dynamic constrained optimization of chemical manufacturing |
US7447611B2 (en) | 2006-05-09 | 2008-11-04 | Hsb Solomon Associates, Llc | Power generation performance analysis system and method |
US20080084027A1 (en) * | 2006-10-10 | 2008-04-10 | United Technologies Corporation | Project board game process |
RU63087U1 (ru) * | 2006-10-26 | 2007-05-10 | Государственное образовательное учреждение высшего профессионального образования "Самарская государственная академия путей сообщения" (СамГАПС) | Автоматизированная система мониторинга на предприятии |
US20100125347A1 (en) * | 2008-11-19 | 2010-05-20 | Harris Corporation | Model-based system calibration for control systems |
US9053260B2 (en) | 2009-04-13 | 2015-06-09 | Honeywell International Inc. | Utilizing spreadsheet user interfaces with flowsheets of a CPI simulation system |
JP2013109711A (ja) * | 2011-11-24 | 2013-06-06 | Yokogawa Electric Corp | プラントモデル生成装置およびプラント運転支援システム |
US20130253898A1 (en) * | 2012-03-23 | 2013-09-26 | Power Analytics Corporation | Systems and methods for model-driven demand response |
JP6247746B2 (ja) * | 2013-05-08 | 2017-12-13 | ヴィジレント コーポレイションVigilent Corporation | 環境に管理されるシステムにおける影響の学習 |
US20150184549A1 (en) * | 2013-12-31 | 2015-07-02 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2016
- 2016-03-29 US US15/084,237 patent/US10180680B2/en active Active
- 2016-03-30 KR KR1020177028107A patent/KR102069958B1/ko active IP Right Grant
- 2016-03-30 CN CN201680021310.9A patent/CN107430398B/zh active Active
- 2016-03-30 WO PCT/US2016/024887 patent/WO2016160913A1/en active Application Filing
- 2016-03-30 RU RU2017133511A patent/RU2686820C2/ru active
- 2016-03-30 EP EP16774057.0A patent/EP3278279A4/en not_active Withdrawn
- 2016-03-30 SG SG11201707824SA patent/SG11201707824SA/en unknown
- 2016-03-30 MY MYPI2017703599A patent/MY172633A/en unknown
- 2016-03-30 JP JP2017551046A patent/JP6598872B2/ja active Active
-
2017
- 2017-09-29 SA SA517390058A patent/SA517390058B1/ar unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6760716B1 (en) * | 2000-06-08 | 2004-07-06 | Fisher-Rosemount Systems, Inc. | Adaptive predictive model in a process control system |
CN1494670A (zh) * | 2001-03-01 | 2004-05-05 | 费舍-柔斯芒特系统股份有限公司 | 过程控制工厂数据的远程分析 |
CN102375937A (zh) * | 2011-10-20 | 2012-03-14 | 王钰 | 一种定量评估仿真模型可信度的方法 |
CN104412265A (zh) * | 2012-04-27 | 2015-03-11 | 奎克西公司 | 更新用于促进应用搜索的搜索索引 |
WO2014123993A1 (en) * | 2013-02-05 | 2014-08-14 | Yokogawa Corporation Of America | System, method and apparatus for determining properties of product or process streams |
CN104091226A (zh) * | 2014-06-17 | 2014-10-08 | 电子科技大学 | 一种面向运营商oss域的信息模型质量评价方法 |
CN104154531A (zh) * | 2014-07-28 | 2014-11-19 | 广州市恒力安全检测技术有限公司 | 一种循环流化床机组能效优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
RU2017133511A3 (zh) | 2019-03-27 |
RU2017133511A (ru) | 2019-03-27 |
CN107430398A (zh) | 2017-12-01 |
JP6598872B2 (ja) | 2019-10-30 |
SG11201707824SA (en) | 2017-10-30 |
KR102069958B1 (ko) | 2020-01-23 |
RU2686820C2 (ru) | 2019-04-30 |
EP3278279A1 (en) | 2018-02-07 |
US10180680B2 (en) | 2019-01-15 |
SA517390058B1 (ar) | 2021-04-10 |
EP3278279A4 (en) | 2018-11-21 |
KR20170126988A (ko) | 2017-11-20 |
MY172633A (en) | 2019-12-06 |
JP2018511883A (ja) | 2018-04-26 |
WO2016160913A1 (en) | 2016-10-06 |
US20160291584A1 (en) | 2016-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107430398B (zh) | 用于调谐工艺模型的系统和方法 | |
US10839115B2 (en) | Cleansing system for a feed composition based on environmental factors | |
CN107430706B (zh) | 高级数据清理系统和方法 | |
US20180046155A1 (en) | Identifying and implementing refinery or petrochemical plant process performance improvements | |
KR102169561B1 (ko) | 데이터 클린징 시스템 및 공급물 조성을 추론하기 위한 방법 | |
US10545487B2 (en) | Interactive diagnostic system and method for managing process model analysis | |
US20160260041A1 (en) | System and method for managing web-based refinery performance optimization using secure cloud computing | |
US20170315543A1 (en) | Evaluating petrochemical plant errors to determine equipment changes for optimized operations | |
JP4160399B2 (ja) | プロセスプラント内の指標の作成と表示 | |
WO2019028020A1 (en) | IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT | |
WO2019005541A1 (en) | ERROR ASSESSMENT OF A PETROCHEMICAL PLANT TO DETERMINE EQUIPMENT CHANGES FOR OPTIMIZED OPERATIONS | |
WO2019023210A1 (en) | CLEANING SYSTEM FOR CHARGE COMPOSITION BASED ON ENVIRONMENTAL FACTORS | |
EP4147105A1 (en) | Real-time plant diagnostic system and method for plant process control and analysis | |
Calder et al. | Delivering improved refinery availability and utilisation by means of model based operations support tools |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |