CN109562304B - 在线测量烃过程流中蒸汽压的系统和方法 - Google Patents
在线测量烃过程流中蒸汽压的系统和方法 Download PDFInfo
- Publication number
- CN109562304B CN109562304B CN201780047589.2A CN201780047589A CN109562304B CN 109562304 B CN109562304 B CN 109562304B CN 201780047589 A CN201780047589 A CN 201780047589A CN 109562304 B CN109562304 B CN 109562304B
- Authority
- CN
- China
- Prior art keywords
- rvp
- model
- sample
- outputs
- vapor pressure
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D11/00—Solvent extraction
- B01D11/02—Solvent extraction of solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N7/00—Analysing materials by measuring the pressure or volume of a gas or vapour
- G01N7/14—Analysing materials by measuring the pressure or volume of a gas or vapour by allowing the material to emit a gas or vapour, e.g. water vapour, and measuring a pressure or volume difference
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
- G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
- G01N2030/884—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample organic compounds
- G01N2030/8854—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample organic compounds involving hydrocarbons
-
- 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
Abstract
一种用于确定过程流的蒸汽压的系统和方法,该系统包括:硬分析仪,其被配置成测量与过程流的样品相关联的一个或更多个因变量,其中,因变量也是样品的属性,诸如蒸汽压;传感器系统,其包括被配置成捕获与过程流相关联的一个或更多个过程自变量的一个或更多个传感器;聚合模块,其用于收集和存储来自硬分析仪的输出和来自传感器系统的响应;以及建模模块,其能够根据蒸汽压模型生成蒸汽压模型。该系统然后将模型应用于过程流的传感器响应以生成蒸汽压值。
Description
相关申请
本申请要求于2016年6月7日提交的名称为“高精度、高频率在线测量诸如汽油之类的烃成品和诸如凝析物和原油之类的上游石油产品中RVP的系统和方法”的美国临时专利申请序列号62/346,914的权益,本申请是2014年2月5日提交的名称为“确定产品或过程流的属性的系统、方法和装置”的美国专利申请序列号14/173,301(该申请要求2013年2月5日提交的名称为“用于确定产品或过程流的属性的系统、方法和装置”的美国临时专利申请序列号61/760,879的权益)的部分继续申请,上述申请的全部内容通过引用整体并入本文用于所有目的。
技术领域
本发明总体涉及烃流属性的估算系统、方法和装置。特别地,本发明的系统、方法和装置涉及烃流属性的高频率和高精度测量。
背景技术
通过可用的分析方法,例如,通过使用实验室测量或在线分析仪,使制炼厂的操作得到了充分利用。这种类型的结果通常被认为较为可靠,因此在工厂操作中受到重视。例如,对于烃和/或精炼操作,主要试验方法(PTM)为密闭输送已根据行业标准试验方法(诸如ASTM国际制定和发布的方法)确定属性的产品,提供了重要基础。
尽管这些PTM很重要,但也确实存在一些不足之处。例如,实验室测量通常每天只能进行一次或几次。此外,在获得离散样品和上报对其进行的试验的结果之间,可能要经过几个小时,这严重限制了基于这些结果对过程进行控制的可能性。另外,样品稳定性、样品污染、典型取样问题以及与执行试验程序相关的不确定性都可能导致返回错误的样品值。
改进试验数据的可用性、完整性和可再现性在许多情况下促进了对测量的在线部署。然而,根据所进行的测量和分析的类型,在线分析仪的循环时间可能为十分钟或更长时间,而且在某些情况下,可能长达一小时以上,而这在某些情况下,仍然可能不足以达到使过程效率或产品质量最大化的目的。
制炼工业在传统上通过建立能够预测某些过程流的属性的二次测量技术,来响应时间延迟问题和主要测量的可靠性。这些二次技术通常包括使用某种形式的模型,例如,能够使用过程输入预测某些感兴趣属性的多变量统计模型,其中,感兴趣属性可以称为“因变量”而过程输入可以称为“自变量”。
这些基于模型的方法中的重要的一类是“推断分析仪”,也称为“软传感器”,因为它们通常位于软件中。软传感器至少有两方面优势。首先,软传感器通常依赖可能已经获得的测量值,诸如温度,压力和流速,因此很多时候不需要在处理单元中安装额外的传感器。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值基本上可实时获得,离散采样率为一秒或甚至更小。通过以大于过程控制系统通常所需的间隔提供属性预测,这些优点至少克服了与主要测量相关的时间延迟的缺点。另外,它们避免了实际获取样品的需要,消除了典型取样和样品完整性的问题。
这些模型虽然在几小时甚至几天的有限时间段内可能具有非常好的的保真度,但传统推断分析仪往往不够稳健,因为总体而言,作为模型输入的自变量通常与过程流的化学特性间接且不完全相关。它们在某种程度上是对化学特性的间接表达,即传感器的过程读数是过程条件和过程中物料的函数;它们在某种范围内是不完整的,因为模型中使用的自变量的数量少于系统中的自由度,这与过程系统和通过其处理的物料有关。但是当稳态或准稳态条件占优势并且许多过程和流变量在名义上恒定时,例如,当进料质量和过程系统的运行基本上不变时,可能会出现例外情况。在这种时候,自变量在数学意义上可以“决定”流化学特性,并且推断分析仪的属性预测可能是极为可靠的。然而,一个基本问题是模型通常具有相关性,而且因为相关性并不一定表示原因,所以推断模型可能在很大程度上是经验式的,而第一原理只有远场影响。实际上,文献大量引用的建模方法可能是最常见的“黑箱法”。总之,通过推断分析仪进行的属性预测在某种程度上是不稳定的,这是因为清除了主要原因(最终由样品化学特性决定的流属性)的结果(预测值)。
前述一般性讨论发现了特定的相关性,其中,PTM通过测量烃样品蒸汽压的“硬”分析仪得到实现;传感器是基于分子光谱技术的光谱仪;软(推断)分析仪是应用于光谱仪测量的样品光谱的模型。常规实践是定期更新模型以克服其由各种变量引起的不准确性,这些变量包括但不限于(i)可能的进料组成和属性的范围变化;(ii)合并到被监测产物中的进料流的比例变化;以及(iii)产物属性规格的变化。然而,模型更新是在事后进行,通常在蒸汽压预测显示不准确时完成。结果必然是,在任何给定时刻,推断预测可能具有非常不确定的有效性,并且实际上可能缺乏所需的准确性。
即使对烃流蒸汽压的了解存在微小不准确性,也会显著影响大规模过程(类似于在炼油厂和其他烃加工操作中存在的那些过程单元)的生产经济性。因此,尽管上述操作条件的变化可能会破坏当前硬、软方法的可靠性,但是本领域仍然需要改进方法来以高精度(优选地基本上实时在线)获得并验证蒸汽压测量值。
发明内容
本发明的一个方面包括用于确定过程流的蒸汽压的系统。该系统包括硬分析仪,该硬分析仪被配置成以时间增量t1,t2,…tn生成流体过程流的样品的蒸汽压值。一个或更多个传感器以该时间增量为流体过程流的样品以自变量的形式生成一个或更多个输出。联接到硬分析仪和一个或更多个传感器的认知质量管理器(CQM)包括聚合模块,该聚合模块捕获和聚合一个或更多个输出和由硬分析仪生成的值,以形成聚合响应。CQM使用聚合响应生成将一个或更多个输出关联到硬分析仪生成的值的模型。CQM还将模型应用于一个或更多个输出,以便在时间增量之间的时间tx生成流体过程流的样品的蒸汽压预测值。
本发明的另一个方面包括使用前述系统确定过程流的蒸汽压的方法。
结合附图查看以下描述后,本发明的这些实施例以及本发明的其他方面和其他实施例将变得显而易见。然而,本发明具体在所附的权利要求书中指明。
附图说明
已经概括性地对本发明进行了描述,下文将参考附图具体说明本发明,其中,
图1是本发明的实施例的功能框图,包括使用基于模型的软分析仪预测属性和结合硬分析仪更新模型的步骤;以及
图2是示出了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。
具体实施方式
现在将在下文中参考附图更全面地描述本发明的一些实施例,附图中示出了本发明的一些但非全部实施例。实际上,本发明的各种实施例能够以许多不同的形式实施,并且不应被解释为限于本文阐述的实施例;相反,提供这些实施例,使得使本公开将满足适用的法律要求。
如说明书和所附权利要求书中所使用的,除非上下文另有明确说明,否则单数形式的“一”、“一个”和“该”包括复数指示物。例如,对“分析仪”的引用包括多个这种分析仪。在另一个示例中,对“分析”的引用包括多个这种分析。
尽管本文采用了特定术语,但这些术语仅用于一般性和描述性意义,而不是用于限制性目的。除非另外对术语进行定义,否则本文所使用的所有术语(包括技术术语和科学术语)的含义与本发明所属领域的普通技术人员通常理解的含义相同。将进一步理解的是,诸如在常用词典中定义的那些术语应被解释为具有本发明所属领域的普通技术人员通常理解的含义。将进一步理解的是,诸如在常用词典中定义的那些术语应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。除非对本文公开的内容明确地进行另外定义,否则这些常用术语将不会以理想化或过于正式的含义来解释。
如本文所使用的,术语“硬分析仪”是指分析仪,包括基于实验室的在线或离线设备,其能够基本上直接感测和测量与过程流和/或过程流的样品相关联的特定属性的值。这些测量的属性被称为“因变量”。因变量的示例可以包括样品中组分的浓度和样品的特性,该特性包括“热属性”,诸如闪点和蒸馏属性,或冷属性,诸如浊点、凝固点、冷滤点和柴油凝点。这些分析仪的示例分别包括FPA-4、DPA-4、CPA-4、FRP-4、CFPP-4.2以及可从BartecBenke有限责任公司(德国汉堡)购得的PPA-4,而横河电机株式会社(日本东京)的GC8000在线GC可以用来进行模拟蒸馏(simdist)分析。术语“主要测量值”、“测量值”、“属性值”和“因变量”是指硬分析仪的输出。这些测量值或因变量可以是单次分析的结果或是多次分析的平均值。如本文所使用的,术语“推断分析仪”和“软传感器”是指计算机实现的模型,该模型对由一个或更多个传感器捕获的各种自变量进行运算,以推断出与那些否则可能由硬分析仪测量的对应的过程流体的各种属性的值。自变量的示例包括过程压力、温度和DCS(分布式控制系统)的流量输入,以及使用光谱仪记录的过程样品的光谱中的强度响应。这些推断的属性也称为“预测因变量”、“推断”或“基于模型”的测量值、“感兴趣属性”,或简称为“预测”。可以在本发明的实施例中使用的“推断分析仪”的示例包括借助于来自InfoMetrix公司(华盛顿西雅图)的多变量建模程序开发的属性模型。
如本文所使用的,“过程流”或“过程流体”是与过程相关的任何流或流体。在非限制性示例中,过程流包括制炼厂内的过程的任何中间过程流。如本文所使用的,“产物流”或“产物流体”是来自生产过程内的操作单元的输出的过程流,并且可以是到另一个操作单元的进料或者可以基本上变成由制炼厂生产的产品的基础。然而,“产物流”作为过程流的更具限制性的实例,仍然可以包含可以由其他处理单元进一步修改或者在罐或混合器内混合的过程流,例如,以便提供所需的成品的属性。本发明的方法和系统目的在于涉及所有过程流和所有产物流,该产物流可以是过程流的更具限制性的一类。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“终端用户设备”旨在包含工作站、个人计算机、个人数字助理(PDA)、无线电话或任何其他合适的计算设备,该计算设备包括处理器、可在其上处置计算机可读程序代码(包括指令和/或数据)的计算机可读介质以及用户界面。术语“实时”是指几乎同时(例如,在几毫秒或几微秒内)在外部事件发生时对其进行感测和响应,或者快到足以使设备能够跟上外部过程。在过程控制的上下文中,“实时”数据的频率是以相对而非绝对的方式定义的。因此,对于在大约几分钟的时间范围内可能发生显著变化的过程,从过程控制的角度来看,每隔半分钟可获得的新分析结果是实时的。因此,在超过10-15分钟的时间范围内发生显著过程变化时,测量时间间隔为5分钟。为实现精炼厂汽油调和操作的操作优化,每隔30-60秒的分析结果是实时的。
术语“DCS”和“分布式控制系统”是指计算机实现的过程控制系统,诸如可从横河电机株式会社商购的Centum VPTM。
基本上实时获得过程流(诸如化工和石化加工、烃加工和精炼操作中的连续过程流)的属性信息,可能在很多时候对于使生产量最大化、控制产品质量和/或确保制炼厂的操作对环境无害且安全而言,非常重要。
发明人构思了用于确定过程流的属性的系统和方法。在本发明的实施例中,过程流可以是烃过程流。在本发明的某些实施例中,本发明的系统和方法可以用来确定产物流的属性。根据本发明的某些实施例,这些系统和方法经常以高精度提供测量值。
下文描述的示例性实施例可以用于利用硬分析仪和软分析仪的优点并同时克服其弱点的目的,其中硬分析仪是通过基本手段测量样品的某些属性j的值P(j)的设备,而软分析仪采用数学模型或算法来推断相同属性的值P'(j)。硬分析仪提供主要或第一原理结果,而来自软分析仪的那些结果可以被描述为次要、推断或预测结果。更具体地,软分析仪的预测值P'(j)基于由一个或更多个传感器测量的响应,该响应是样品的特征但不是属性j。模型然后用于将该响应转换成值P'(j)。由于响应是有效地独立于感兴趣属性j的一个或更多个传感器输出,因此它们是“自变量”,在下文中将其互换地称为“多个传感器响应”或“传感器响应”而没有任何关于自变量或传感器数量的暗示。在本发明的具体实施例中,认知质量管理器(CQM)集成了如图1所示的二者,以便为烃混合物的蒸汽压提供基本上实时的属性测量,由此硬分析仪的优点直接减轻了软分析仪的弱点,反之亦然。
硬分析仪的主要优点在于其获得的物料的值P(j)作为来自物理机械机构或设备的第一原理信号。尽管可以通过应用可能涉及针对某些标准的校准的一些基本数学函数来调节输出,但是由硬分析仪生成的信号的关键特性包括其与属性j成比例并且基本上对属性j具有选择性,而且还对被分析材料的其他属性基本上不敏感。重要的是,硬分析仪在许多情况下是ASTM委员会D02(石油产品和润滑剂)的工作主题,ASTM委员会D02制定、统计表征并发布标准试验方法(ASTM方法),这些方法被称为主要试验方法(PTM),并且使用其进行的测量被称为主要试验方法结果(PTMR)。由于相应的ASTM方法中定义了PTM的校准以及其PTMR的再现性和可重复性,因此根据该方法执行的测量通常是与密闭输送相关的物料认证的基础。
作为示例,硬分析仪的局限性可能包括(a)相对于实现过程控制和优化将是最佳的频率,分析周期时间长;(b)硬分析仪测量结果发布存在相应延迟,这可能需要与实际过程时间表进行协调;(c)当分析的连续样品不同时,分析仪传感器或系统内发生滞后现象;(d)由于前述长分析周期时间,并且还因为分析仪会对在时间和物理上离散的样品产生单变量响应,通过统计手段提高测量精度的可能性有限;(d)在分析条件下与样品行为有关的复杂性和由此产生的维护,包括但不限于样品对分析仪装置的污染或堵塞;(e)实施多个特定类型的硬分析仪以监测多个流的成本;(f)与应用单个硬分析仪监测多个流有关的复杂性,包括但不限于流之间的切换,从过程取样口到分析仪的流传输延迟,对其他流进行测量的同时对一个流的结果报告出现的延迟,以及当流属性不同时在分析仪传感器或系统内发生的滞后。
软分析仪的优点主要涉及三个因素:即时性、典型性和多样性。即时性涉及预测的速度和频率,与被监测过程中发生变化的速率以及大多数硬分析仪的分析周期时间相比,其预测的速度和频率较高。典型性和多样性是即时性的结果,前者涉及在短时间范围内获得多个结果的可能性,而后者是软分析仪可以被配置为同时或快速连续监测多个属性和/或多个流的特性。典型性的一个重要好处是可以通过统计手段提高精度,其中包括对样品流的连续结果应用平均或阻尼函数。此外,在一些实施例中可以用来创建推断模型的多变量回归技术,已经证明可以非常有效地过滤与图2描绘的模型开发中使用的数据库中的PTMR和传感器响应相关联的不精确,过滤有助于通过统计手段将PTMR和响应相关联,使得模型预测中的不确定性可能比参考方法(Trygstad等人,ISA 2015)的不确定性低大约80%以上。
软分析仪的一个主要缺点是它实际上并不测量感兴趣属性。相反,它通过将一些数学函数f(即模型)应用于传感器响应来预测属性,该传感器响应并非感兴趣属性,而是可通信地联接到过程或过程流的一个或更多个传感器的输出。如下面将更详细讨论的,在一些实施例中,软分析仪应用感兴趣属性的值与作为传感器响应的自变量之间的相关性。因此,
P'(j)=f(传感器响应) 式(1)
其中,P'(j)表示值P(j)被预测,并且f表示应用于传感器响应以获得P'(j)的函数,该函数是通过诸如图2所描绘的程序(即预测供应链)创建和应用的模型。传感器响应可以被视为包括一个或更多个并非由硬分析仪测量的PTMR的变量P(j),该变量因此有时称为自变量。假定分析是将模型应用于传感器响应,如本文所使用的,软分析仪包括模型和处理器,处理器配置成使用模型以将传感器响应与感兴趣属性相关联。软分析仪不应与传感器响应本身混淆,传感器响应用作软分析仪的输入。应用术语“软分析仪”(有时称为软传感器)是因为无论是用软件还是固件实现,分析仪模型都是借助计算机程序以数字方式创建和应用的。但术语“软”也是比喻用法,因为软分析仪的预测并不牢固,在某种意义上它们一般缺乏硬分析仪的稳健性,因为传感器响应在极限情况下不会说明属于给定属性的所有化学特性。其中,本文使用的术语“稳健”和“稳健性”是指这样的质量,其中尽管存在过程变化和所监测的流的化学特性的伴随变化,但在一定的定义的初始时间范围内实现的预测精度随时间基本保持不变。
PTM和软分析仪在两个重要方面有所不同:前者依赖于直接测量感兴趣属性的物理设备,而后者包括应用于来自一个或更多个传感器的自变量的数学函数;二者的输出分别是第一原理测量值和属于推断预测的预测。此外,ASTM方法涵盖的PTM广泛用于密闭输送的产品质量认证,但由于上文列举的原因,可能并不总是易于在线实施过程监测。相比之下,对软分析仪普遍缺乏ASTM制裁并不阻止其在过程监测中的应用。因为它们可以在这些应用中取代硬分析仪,所以可以恰当地称为替代传感器。
用于测量石油流和产物的蒸汽压的硬分析仪和软分析仪可能表现出上文列举的所有缺点。通常,硬分析仪是可商购的设备,其根据诸如ASTM方法之类的标准方法对蒸汽压进行无人值守的自动在线测定。实际上,硬分析仪是传统实验室分析仪的自动化版本,专为以无人值守的方式重复执行ASTM方法而设计。软分析仪借助推断光谱测定法对蒸汽压实施预测,软分析仪包括在适当的处理器具上运行的多变量模型,该模型应用于通过某些特定分子光谱技术(诸如近红外(NIR)、中红外(FTIR)、拉曼和核磁共振(NMR)技术)测量的样品光谱。多变量建模方法与分子光谱技术的结合在许多行业中是众所周知的,并且已经在精炼工业中实践了几十年,用于预测包括汽油和柴油在内的烃混合物的属性。适用于制作多变量属性模型的软件包通常被称为化学计量学,使用广泛,由光谱仪供应商和第三方提供,是遍布全球的化学计量程序示例。因此,
P'(蒸汽压)=f(样品光谱) 式(2)
这表示数学函数f,其是应用于样品光谱以获得蒸汽压的预测值P'(蒸汽压)的模型。但是,本发明人已经认识到,与传统观点相反,通过常规分子光谱技术获得的复杂液体烃混合物的光谱,通常不是样品化学组成的唯一表达。其他地方(Trygstad和Horgen,ISA2014)详述了原因,原因在于光谱学没有确定化学组成:化学组成的变化不一定会在样品光谱中产生相应的、唯一变化。在数学方面,原因在于样品成分(其是感兴趣属性的大小的原因所在)的自由度要比相应的样品光谱的自由度更多。从化学方面来理解,混合物中烃分子的显著多样性是通过组合相对少量的被称为官能团的构建单元来实现的,就像可以仅使用字母表的前五个字母组合的几十个单词一样。继续类比,诸如红外(IR)、近红外(NIR)、拉曼和核磁共振(NMR)光谱等技术对字母或相邻字母组的响应进行记录,但在极限情况下不能挑选出含有不同数量的使用a-e拼写的所有单词的混合物中的每个整个单词。这种限制作为持续增加的分子量(字长)的函数起作用。更有问题的是,并且正如其他地方(Trygstad等人,ISA 2015)更充分地讨论的那样,产生有意义的蒸汽压变化的组分浓度变化可能无法产生复杂石油混合物(诸如汽油、原油等)的相应的可测量光谱变化等。
问题不在于该化合物具有最高蒸汽压,而是对RVP的影响最大,没有单纯地表现出光谱响应。相反,伴随RVP变化的光谱变化可能会在混合物中所有化合物的聚集响应中丢失,这意味着它们可能低于分子光谱技术的检测限。也不存在无法创建多变量相关性的问题。实际上,由于石油精炼等烃加工操作受到限制并且在物理和经济上高度集成,因此产品质量和成分之间存在相关性,使得即使对于没有光谱学基础的属性,诸如蒸馏屈服温度或百万分之一的元素硫,也不可避免地可以获得多变量光谱模型。但是这种相关是间接的,不是根植于第一原理,而是根植于通常完全不可辨识或未知的基本条件,因此正如准则所说相关性并不意味着因果关系。软分析仪的一个众所周知的问题通常在于,它在推断光谱测定法中特别令人震惊,通常无法实现具有其旨在替代的PTM的测量可靠性的预测。因此,替代光谱学得到的蒸汽压(此处称为RVP)预测缺乏对影响不断变化的过程条件的不断变化的化学成分的预测稳健性,因此普遍的要求是那些经常使用它的人必须投入大量的持续工作来更新、调整或修改属性模型。这种工作通常被称为重建模型或重新校准,倾向于在许多应用中恢复模型的预测质量,但模型重建周期具有两个固有的不确定性:任何给定时刻的预测的可靠性;以及确定该可靠性何时降低到需要重建模型的程度。通常,后者只能通过结果与PTM定期分析产生的结果进行统计比较来确定。
因此,本领域需要一种分析蒸汽压的方法,该方法克服了上文针对硬分析仪和软分析仪所列举的缺点,同时还提供对应于其各自优点的特性。因此,如图1所示,本发明的具体实施例通过CQM 316'实现这一点,CQM 316'通过技术融合分别整合硬分析仪310'和软分析仪312',以提供基本上实时的高精度在线测量,其中感兴趣属性是烃(HC)过程流的蒸汽压;过程10是用于获得、处理、运输或修改HC过程流12的任何操作;硬分析仪310'经由过程流接口22可通信地联接到过程流,并且在具体实施例中,分析仪310'包括配备压力传感器24的内部样品池,以便允许对来自过程的样品的蒸汽所施加的压力P(蒸汽压)进行第一原理测量。软分析仪312'包括模型319,当应用于从可通信地联接到例如接口22处的来自过程的样品的一个或更多个传感器342中获得的传感器响应340时,模型319推断过程流的样品的蒸汽压值P'(蒸汽压)。该一个或更多个传感器不包括通过PTM测量P(蒸汽压)的传感器。如下文更详细讨论的,传感器342可以包括光谱仪341和属性传感器343中的任何一个或更多个,属性传感器343可以包括一个或更多个单变量属性传感器和/或气相色谱仪(GC)。应当注意,过程流接口22包括任何数量的接口,传感器和/或硬分析仪可以通过该接口可通信地联接到过程流,这些接口包括传统的样品池、流动路径、样品容器和/或一个或更多个插入过程流中获得原位读数的直接插件。此外,尽管主要关于基本上连续的流动过程流12示出和描述,但应该认识到,本发明的实施例可以在停止流动模式下操作而不脱离本发明的范围。
在本文中使用的术语蒸汽压与其常规定义一致,非常一般地指由混合物中的组分施加在HC混合物的样品的表面上方的压力。更具体地,如本文所使用的,蒸汽压是当蒸汽和液体包含在密闭容器中、处于相同温度并且限定并固定汽液比时,气相烃与产生其的液体HC混合物处于热力学平衡状态时所施加的压力。
如本文所使用的,术语过程流(12)是指,作为非限制性示例,包含在过程中或流过过程的液体HC混合物,其选自由以下构成的组:混合汽油;用来生产混合汽油的多种混合组分中的任何一种;精炼厂内一个操作单元的输出,该输出也称为单元成品或产品;精炼厂任何操作单元的进料;挥发性石油产品;从井口到炼油厂原油蒸馏装置(CDU)的供应链中任何一点的原油;可以是未加工、部分加工、完全加工或混合的石油流,包括原油、凝析物、馏出物、天然气液(NGL)、页岩油等;和/或其组合或混合物。
如本文所使用的,术语过程(10)是指,作为非限制性示例,具有选自由以下构成的组的一个或更多个目的的操作:接收和处理而基本上不改变从井、管道、铁路车辆、固定油箱、卡车或船舶获得的HC混合物;在其之间输送HC混合物;通过设计用于基于沸点分离组分的蒸馏塔改变HC混合物的物理属性,特别是其蒸馏曲线,其中HC混合物是过程进料,分离的组分是产物;通过改变混合物中一些或所有组分的化学结构来更改HC混合物的化学和/或物理属性,其中HC混合物是过程进料并且改性的混合物是产物;以及合并多种作为过程原料流的HC混合物,以获得一种或更多种产物流,其聚集的物理和/或化学特性和聚集值介于进料流的那些聚集体之间;和/或其组合或混合物。过程可以包括多个过程,并且当目的是修改一个或更多个过程流时,产物流的聚合值通常大于进料流的聚合值。出于各种原因,控制蒸汽压通常很重要,这些原因包括,作为非限制性示例,对用于隔离蒸汽压的容器和用于输送蒸汽压的管道的压力限制;最终用途应用(诸如发动机燃料)要求;和环境法规。因为给定的HC混合物的蒸汽压最大程度地取决于其最低分子量组分的浓度,所以将许多过程设计成用于改变或控制其浓度,这种改变或控制通常取决于准确且基本上实时的进料和/或产物流压力相关信息的可用性。
如本文所使用的,术语硬分析仪(或RVP分析仪)310'是指例如经由过程流接口22(诸如流动池)可通信地联接到过程,并且被配置成捕获过程流的样品,并且然后根据标准方法测量蒸汽压并发布结果的设备,其中,该标准方法包括控制接收到样品池中的液体样品的相对体积、池中液体上方的顶部空间、样品的液相和汽相温度,以及借助压力传感器24读取池中汽相施加的压力。当该方法是ASTM D323“石油产品蒸汽压标准试验方法(雷德法)”时,蒸汽压被称为雷德蒸汽压(RVP)。蒸汽压可以通过其他相关的ASTM试验方法(诸如D4057、D4953、D5188、D5199、D6377、D6378、D6897等)测量,也可以通过ASTM国际或其他国际机构和组织公布的其他标准方法测量。在下文中,除非另有说明,否则为方便起见将蒸汽压称为RVP,但是应当理解,通过雷德法测量蒸汽压通常代表任何数量的蒸汽压测量方法,并且下文描述的本发明实施例一般适用于测量液体HC混合物蒸汽压的所有第一原理方法。商用硬分析仪(RVP分析仪)310'的一个示例是Eravap Online(奥地利维也纳Eralytics有限责任公司)。
如本文所使用的,术语软分析仪(312')包括在合适的处理器上运行的数学模型319,该模型配置成基本上实时预测过程流的RVP值P'(RVP)并应用于通过一个或多个可通信地联接到过程流的传感器生成的传感器响应,其中传感器通过不同于上文针对硬分析仪描述的方式获得读数。无论使用何种建模算法,该模型都不一定根据与传感器响应的第一原理关系来解释RVP值,这种关系可能是硬性或直接相关。相反,术语“模型”的应用主要是因为RVP模型解释了用于创建其数据集的方差,这意味着该模型说明了相对于传感器响应变化的RVP变化。这种说明在HC混合物的化学特性和混合物的产生过程中具有潜在的基础,但由于该基础可能是模糊、不牢固、间接的,或者根据第一原理通常无法理解或不可解释的,所得到的模型有时可以称为黑箱模型。因此,软分析仪基于将传感器响应与RVP相关联的数学函数,尽管该关系可能由于上述由决定RVP的基础化学特性的传感器响应的不确定性,而仅仅是间接且不完全地因果关系。如此,软分析仪是一种推断分析仪,其数学函数可以被视为是软的(例如,非硬相关)或间接的,决定感兴趣属性的化学特性的表达分别是直接但模糊的或者间接且模糊的(Trygstad等人,ISA 2016)。如图所示,本发明的实施例包括过程优化器314',其配置成例如经由数字控制系统(DCS)320',使用预测的蒸汽压P'(RVP)实时控制过程10,包括流体过程流12。
如本文所使用的,模型319接收并转换成预测的RVP值P’(RVP)的术语传感器响应(340),是指例如,在过程流接口22处,通过本领域技术人员已知的可能取决于传感器的具体类型的适当手段,可通信地联接到过程流的一个或更多个传感器342的输出。在具体实施例中,传感器342包括光谱仪341,并且过程流接口是样品流动池,该光谱仪配置成应用选自由以下构成的组的分子光谱技术:吸收中红外或近红外电磁辐射并包括(作为非限制性示例)FTIR、FTNIR、AOTF-NIR、扫描色散NIR、二极管阵列NIR、MEMS-NIR(IR/NIR)、拉曼效应散射(拉曼)、和核磁共振(NMR)。过程FTIR光谱仪的一个示例可从(加利福尼亚州阿普兰Applied Instrument Technologies公司)商购获得。可商购的各种NIR光谱仪技术的示例包括QuasIR 2000FTNIR(新罕布什尔州纳舒厄Galaxy Scientific公司),PIONIR(AppliedInstrument Technologies公司),和Verax VPA(德克萨斯州奥斯汀JP3Measurement有限责任公司)。过程拉曼光谱仪的示例包括HyperFlux P.R.O.Plus(安大略多伦多TornadoSpectral Systems公司)和PI-200(犹他州盐湖城Process Instruments公司)。MOD-800MRA(英国伦敦Modcon Systems有限公司)是过程NMR光谱仪的一个示例。传感器342还可以包括一个或更多个属性传感器343,诸如下文更详细描述的GC或单变量传感器343。
如上所述,传感器响应340可以包括由光谱仪341生成的样品光谱322',并通过过程流接口22获得,该过程流接口22可以是光学设备或适于促进光谱仪和样品之间接触的设备集合,其中该设备可以包括(i)插入流动的样品流中的探针,或(ii)池,其也是流通池,其中过程流的样品可以流过其中以实现与所使用的电磁辐射的接触来进行光谱法。在一个具体实施例中,该池是光学联接到拉曼光谱仪、NIR光谱仪或FTIR光谱仪的光学池,其在由位于池出口之后的样品截止阀(未示出)实现的停止流动模式下,在池中获得离散样品的光谱322'。在另一个具体实施例中,光谱仪获取在连续流动模式下获得的样品的光谱,在这种情况下,所得光谱对应于体积等于r x t的离散样品,其中r=[通过池的样品流速],t=[获取样品光谱所需的时间],并且记录的光谱是对应于开始获取光谱之后的时间t/2的平均光谱。样品温度的变化可能导致光谱特征的细微改变,这些改变可能不容易和由样品组成改变引起的改变进行区分,甚至可能模糊。在极限情况下,这种与温度相关的光谱扰动可能有损建模算法的保真度。因此,在传感器响应是来自包括样品光谱322'的一个或更多个传感器342的输出的情况下,具体实施例在停止流动模式或连续流动模式下,在适合的应用温度下控制光学流动池22的温度以及流过其中的样品的温度,其中温度低于约30℃、低于约35℃、低于约40℃、低于约50℃、低于约60℃、低于约80℃或低于约100℃,并且温度控制容差小于约±0.5℃、小于约±1.0℃或小于约±2.0℃。
如上所讨论的,光谱仪341输出的传感器响应340是样品光谱322'。样品光谱包括在定义的频率范围内的强度值,并且表示混合物中所有化合物中包含的各种官能团的聚合表达,其中强度定义了位置与官能团的特性和聚集浓度相关的峰。不言自明的是,HC混合物的属性是由样品混合物中组分的性质和浓度决定的。这对于RVP 310'来说显然如此,并且对于样品光谱322'同样如此,可以说这也是混合物的属性。为应用于样品光谱而开发的软分析仪模型319的输出是P'(蒸汽压),如式(2)所定义的。
在另一个具体实施例中,给定样品的传感器响应340包括用光谱仪341测量的样品光谱322'和一个或更多个属性值,这些属性选自由(但不限于)以下各项构成的组:由相应的属性传感器343(诸如可通信地与过程流联接的单变量属性传感器)测量的密度、粘度、折射率和温度。用于测量密度、粘度和折射率的代表性单变量传感器分别是RotaMASS科里奥利质量流量和密度计(德国韦尔Rota Yokogawa两合公司)、MIVI过程粘度计(法国维莱芒德Sofraser)、PR-23-RP过程折射仪(芬兰万塔K-Patents)。应该认识到,在各种实施例中,传感器响应340可以包括可以是或可以不是单变量响应的响应,例如,基于超声波、介电谱和气相色谱的响应。在其他具体实施例中,传感器响应340是来自一个或更多个上述属性传感器342的输出,不包括来自光谱仪341的样品光谱322'。而且,如本文所使用的,术语“单变量传感器”旨在包括传统的密度、粘度和折射率传感器等,其通常具有积分温度校正。
在下文中,传感器响应340通常表示来自一个或多个传感器342的输出,该输出可以包括来自光谱仪341的样品光谱322';来自一个或多个属性传感器343(包括捕获密度、粘度、折射率和温度的单变量传感器)的输出,和/或来自气相色谱仪的色谱图。因此,RVP的预测值可以表示为P'(RVP)=f(传感器响应)=f(样品光谱,m(1),m(2),m(3),...,m(n),C(HC))
式(3)
其中,函数f是推断分析仪,其是在传感器响应中的一个或更多个要素上运行的模型;其中,m(1),m(2),m(3),...,m(n)是来自一个或更多个其他传感器的输出;其中,C(HC)是HC混合物的气相色谱图的强度-时间输出。关于传感器响应是多个元素的实施例,本文中任何内容都不应被视为关于元素以数学方式配置、布置、分组或表示的形式的任何暗示,或者关于其是否被传感器发布使用或者首先以某种方式通过本领域技术人员已知的方法进行修改或处理的任何暗示。在具体实施例中,传感器响应340是样品光谱322'与来自一个或多个其他属性传感器343的输出的串联。
CQM功能。CQM对上述硬分析仪和软分析仪的整合涉及与图中所示活动相对应的三个活动/功能:数据库获取、模型开发和RVP测量。数据库318获取是指以下过程和机制,即(i)同步对来自硬分析仪310'的值P(RVP)在40'的收集和聚集响应以及对一组过程样品的传感器响应340的收集,以及(ii)对其进行归档。模型开发是通过将样品的P(RVP)(硬分析仪)响应40'与数据库中的相应传感器响应340相关联来创建属性模型319。RVP测量是通过将通过模型开发创建的属性模型319应用于所谓的未知过程样品的传感器响应340,而基本上实时生成值P’(RVP)。现在参考附图对这些进行详细描述。
数据库获取。数据库318的获取在时间t(0)开始,此时RVP分析仪310'向CQM 316'发送其已获得样品并已开始调节样品用于分析的信号,或者另选地,CQM 310'向RVP分析仪310'发送信号,RVP分析仪响应于此而获得样品并开始调节样品用于分析。在具体实施例中,CQM 316'在时间t(0)向光谱仪341发送信号,以获取过程流接口22中的样品的样品光谱322'。RVP分析仪310'获得并分析具有对应于固定测量循环时间t(RVP)的频率的样品,该测量循环时间的值通常介于约4分钟至10分钟之间。光谱采集所需的时间t(光谱)是通过考虑本领域技术人员已知的因素而设定的,但在大多数过程光谱仪的情况下通常介于约0.2分钟至2.0分钟之间,但对于PI-200几乎可以为约4分钟至约10分钟。除了后者之外,t(RVP)/t(光谱)的比率约为2/20,约5/16的比率代表约5-8分钟的典型t(RVP)值,以及约30-60秒的典型t(光谱)值。在光谱仪341完成对样品光谱的采集和RVP分析仪310'完成RVP测量之后,CQM接收二者并一起存档在数据库318中,其值为t(0),这是光谱仪和RVP分析仪获得样品的时间。
样品数据库318的完整性取决于在过程流的相同实体样品上,或在与过程流基本相同的实体子样品上,获取的每个样品所归档的所有数据。因此,用来生成传感器响应340的一个或更多个传感器342应该可通信地联接到过程流的样品,该样品在时间上和空间上接近由RVP分析仪310'获取和分析的样品。上文已经讨论了通过RVP分析仪和光谱仪同步采样的策略。但是,本领域技术人员将认识到以下可能性,即,如果样品组成在时间尺度t(光谱)的变化是无关紧要的,那么获取作为或包括样品光谱322'的传感器响应340可能不需要与RVP分析仪310'获得样品精确同步。在这种情况下,传感器响应340可以简单地使用最紧密地对应于RVP分析仪310'获得样品的时间的样品光谱。与来自其他单变量传感器的一个或多个读数同步并不重要,因为它们基本上是实时可用的,可选择的测量间隔低至约1s至10s,可用间隔也可以更长。
固定间隔的数据库获取。在具体实施例中,RVP分析仪310'获得、调节并分析样品的RVP,其总循环时间为t(RVP),同时CQM 316’以间隔t(i)获得结果并将其存档至数据库318中,其中间隔t(i)是t(RVP)的固定整数倍“n”。因此,t(i)具有最小值t(RVP),而其他值可以等于2×t(RVP)、3×t(RVP)、4×t(RVP)等。在商用RVP分析仪中,其循环时间为约4分钟至约10分钟不等,t(i)的值可以小于约15分钟、小于约20分钟、小于约30分钟、小于约45分钟、小于约60分钟、小于约2小时、小于约4小时、小于约8小时、小于约12小时以及小于约24小时。CQM 316'配置成获取对应于RVP分析仪310'获得样品的时间t(0)+t(i)的下一传感器响应340。然后,CQM 316'接收测量的RVP值,并在时间t(0)+t(i)将其与传感器响应340一起存档在数据库318中。数据库318的开发继续进行,由RVP分析仪310'和光谱仪341在由t(i)的值确定的时间获取样品,随后由CQM 316'接收对应的传感器响应340、RVP值(RVP响应)40'和采样时间,并存档在318中。应当理解,刚刚描述的数据库开发策略是作为非限制性示例提供的,并且可以设计其他场景以使用固定间隔数据填充相关数据库。例如,CQM 316'可以配置成引导RVP分析仪310'、光谱仪341和/或气相色谱仪以定期获得样品数据,而来自单变量传感器的对应值基本上是瞬时可用的。
可变间隔的样品数据采集。为开发具有最大可能稳健性的属性模型319,数据库中表示的样品应该覆盖一系列属性值和样品组成,其中这些样品(i)对应于将应用该模型的那些样品,以及(ii)具有足够的多样性,使得应用多变量建模方法可产生统计上稳健的相关性。因此,数据库开发的目的不仅仅是收集大量样品的数据,这会在t(i)相对较小时发生。考虑到当与t(RVP)相比,过程变化的时间尺度相对较长时,流组成或RVP值在连续样品之间显著变化的可能性较低。因此,如果使用连续样品开发数据库,会产生许多冗余样品。
因此,在其他具体实施例中,CQM 316'基于时间以外的标准选择将对其存档数据的样品。这样做取决于RVP分析仪310'和光谱仪341连续运行,并且分别以t(RVP)和t(光谱)的总循环时间进行测量,而不是通过同步二者获得样品。当可以从RVP分析仪和光谱仪获得输出时,CQM接收输出,然后确定何时命令每个获得样品,该确定是基于能够检测选自由以下构成的组的一个或更多个具有统计学意义的事件的方法:(a)在某个确定的时间范围内在连续测量中的RVP值40'发生显著变化;(b)RVP值40'接近当前数据库318所覆盖的范围的极限或超出范围;(c)在某个确定的时间范围内获取的连续样品中的传感器响应340发生显著变化;(d)传感器响应340与当前数据库318中的样品的传感器响应相比是异常值;(e)在某个时间范围内过程条件发生显著变化,该变化根据过程参数(包括但不限于压力,温度和流量)的变化进行评估;(f)与当前数据库中的样品相对应的过程条件相比,特定时刻的过程条件代表异常值。本领域技术人员还将认识到,通过组合聚合响应42的RVP值40'及其传感器响应340能够可选地为给定样品定义聚合响应42,并且能够由此定义其他两个具有统计学意义的事件;(g)在某个确定的时间范围内获取的连续样品中聚合响应42发生显著变化;(h)聚合响应42与当前数据库318中的样品的聚合响应42相比是异常值。具有统计学意义的事件(a)-(h)可以使用本领域技术人员已知的方法完成检测,其中(a)和(b)通常可以通过应用单变量统计方法来检测,这些单变量统计方法包括但不限于那些用于统计质量控制(SQC)的方式;事件(c)-(h)可以通过模式识别方法或多变量统计方法完成检测,多变量统计方法包括但不限于主成分分析(PCA)、分层聚类分析(HCA)、拓扑分析等。
固定间隔和可变间隔的样品数据采集。可能需要将CQM配置成以固定和可变的间隔获取样品的数据。例如,一个过程可能在约1小时到12小时之间的长时间范围内非常稳定,因此“可变间隔的样品数据采集”标准可能不会选择样品。因此,在本发明的另一个实施例中,将CQM配置成如上所述以可变间隔采集样品数据,并且还在少于约1小时、少于约2小时、少于约4小时、少于约8小时、或少于约12小时的某个预定时间间隔t(i)内,根据需要获取样品数据。在又一个具体实施例中,在选择某个样品以纳入数据库中之后,还存档第二个后续样品的数据,其中第二个样品是间隔t(i)=t(RVP)后紧随的样品。当t(i)等于或大于2×t(RVP)时,该方法也可以和固定式方法结合。如已经确定的那样,第二个样品的RVP值和传感器响应可能与紧接在其之前的样品的RVP值和传感器响应基本相同,从而有效地生成第一数据集和冗余的第二数据集。这提供了本领域技术人员容易认识到的两个好处。第一,连续样品的近似特性允许使用重复性的定义统计标准,这反过来允许对样品进行验证或当不满足这些标准时允许其进行拒绝。对于由硬分析仪测量的RVP和在模型开发和正在进行的RVP测量的背景下预测的RVP值,相同的统计可提供对重复性的有用估计。第二,冗余样品集可以用来验证PCA模型,该PCA模型使用第一样品集开发并随后由CQM使用,以便选择可变间隔样品来纳入数据库中。
关于图2中描绘的预测供应链,软分析仪进行属性预测的保真度隐含地取决于样品数据库的质量,而样品数据库反过来取决于填充的过程样品的化学特征和属性的范围,以及相应的PTMR和传感器响应的质量。RVP的这种依赖性可能特别严重,其中混合物中较轻化合物的浓度变化对RVP变化影响最大,而这种变化在传感器响应340中没有明显表现,这在样品光谱(即来自光谱仪341的光谱)中较为典型。因此,本发明的控制数据库获取的实施例代表了用于最大限度地提高数据质量以及P(RVP)值40'和传感器响应340之间的空间和时间关系的完整性的非显而易见的新颖手段。
初始模型开发。当数据库318获取产生了在RVP值40'和样品化学特性上的多样性代表过程流的样品集时,该样品集用于初始模型开发以创建模型319,该模型在应用于为新样品测量的传感器响应340时,输出RVP的预测值P'(RVP)。用于创建这种模型319的手段和方法是本领域技术人员已知的,其中例如,借助采用PCA和诸如PLS之类回归算法的分层聚类分析(HCA),作为非限制性示例,该模型是相互关系、简单线性回归模型(LRM)、多线性回归(MLR)、经典最小二乘(CLS)模型、反向最小二乘(ILS)模型、多变量统计模型、偏最小二乘(PLS)模型、主成分回归(PCR)模型、拓扑模型、神经网络、数学算法或其组合。
在具体实施例中,借助偏最小二乘(PLS)算法生成并应用模型319,该算法将填充的校准样品中已知的RVP值40'与对应于每个校准样品的传感器响应340相关联。在另一个具体实施例中,模型319是为了覆盖数据库中的样品子集而创建的多个模型,以便生成比将从覆盖整个数据库的单个模型获得的P'(RVP)更准确的预测。并且在又一个实施例中,模型319采用拓扑算法,该算法通过即时过程预测所谓的未知样品的值P’(RVP),该即时过程包括(i)选择传感器响应340与未知样品的传感器响应最相关数据库318样品;以及(ii)使用相同的方法生成定制模型319';和(iii)将定制模型319'应用于未知样品以生成P’(RVP)的值。
RVP测量。如上所述通过初始模型开发生成的模型319准备好由CQM316'实现以用于RVP的实时测量。在各种实施例中,实现程序基本上直接涉及在数据库开发中使用的程序,因此将不再详细描述。
传感器响应获取。CQM配置成接收传感器响应340,该响应是与模型开发中使用的一个或更多个传感器342相同的输出,并且以与数据库318开发中使用的方式基本相同的方式获得。当基于多个传感器(根据定义排除了用于测量RVP的硬分析仪310')的输出时,这些传感器的读数可以适当地同步,并且传感器响应以与模型开发相同的方式配置。
RVP预测:软分析仪。然后,CQM 316'将属性模型319应用于传感器响应340,以根据式(3)获得R'(RVP)的初始预测。在传感器响应340包括来自包括光谱仪341的多个传感器342的输出的实施例中,预测频率由基本上是实时的t(光谱)的值确定。当传感器响应340包括例如使用单变量传感器获得的来自由密度、粘度、折射率和温度构成的组的一个或更多个测量值时,预测频率仍然更高。
RVP测量:硬分析仪。软分析仪312'一直发出值R’(RVP),硬分析仪310'在由t(RVP)确定的频率下测量值P(RVP)。
RVP测量:CQM。鉴于本申请内容,本领域技术人员将认识到,CQM316'对属性模型319的应用可以以与传统软分析仪相同的方式执行。但是本发明的一个创造性方面是CQM执行三个功能,以实现上述硬分析仪和软分析仪的集成来生成RVP的输出,该输出代表二者的优点并减轻了二者的弱点,并且可以适当地被视为测量值而不仅仅是预测。
1.验证。有利地是,相对于通过诸如推论光谱测定法之类的传统方法所做的预测,通过根据本文描述的实施例创建的初始模型的RVP预测的准确性和稳健性可以得到改进,这种改进部分归因于在空间和时间上紧密接近模型开发中使用的样品的P(RVP)值40'和传感器响应340。然而,由于所解释的原因,这些预测的保真度最终会下降。使用软分析仪解决RVP预测局限性的初始步骤是基本上实时的持续预测验证,以确认预测保真度保持在可接受的水平或者差强人意。
在具体实施例中,验证采用适用于量化数据对的一致性水平的常见单变量SQC技术。例如,P(RVP)40'或P’(RVP)340的连续值的比较为检测因过程、采样或测量中的不规则性引起的瞬态异常值,提供了统计框架。类似地,将SQC技术应用于数据对[P(RVP),P’(RVP)]可以揭示个别RVP预测P’(RVP)的准确性,或者更重要的是,揭示P'(RVP)与P(RVP)的短期和长期偏差。短期偏差,即在相对较短的时间后消失的P’(RVP)相对于P(RVP)的短时偏移,可以表明瞬态样品化学特性没有被模型很好地表示,因此在示例数据库中也是如此。相比之下,持续存在的长期偏差不是瞬态偏移而是统计偏差,并且可以表明与用于模型开发的数据库中的样品相比,过程流的化学性质已经发生了系统性地变化。
在传感器响应340的至少一个元素是样品光谱322'的具体实施例中,给定样品的传感器响应340或聚合响应42可以使用上文讨论的技术,分别针对数据库中样品的传感器响应340或聚合响应42进行验证。这种方法是前述实施例中描述的更简单的SQC方法的多变量类似法物,并且尽管在某些情况下它可能对过程变化有着更大的敏感性,但是单变量方法和多变量方法可能是互补的,每个方法具有可能根据背景发生变化的诊断值。
2.自动模型更新。CQM 316'接收的用于软分析仪312'进行的P’(RVP)常规预测的数据通常不会被存档。但是在具体实施例中,将CQM 316'配置成对基于验证活动或管理初始数据库开发的标准被确定为异常的新样品的数据进行存档,然后可以随后将这些新样品用于模型更新。在具体实施例中,存档有助于数据库318扩展,由此将未在当前样品数据库中表示的样品添加到其中。在另一个具体实施例中,存档为数据库提升,在时间上将提升理解为最新的样品取代最旧的样品,以确保数据库相对于主要过程条件的是当前性。在数据库扩展中,潜在假设是初始模型开发中使用的样品没有完全覆盖可能在过程中表示的RVP值或样品组成的全部范围。相比之下,数据库提升的根本原因在于,过程以及由此产生的过程流可以以影响传感器响应340和P(RVP)40'之间的关系的方式,在相对长的时间范围内发生变化。因此,在数据库扩展中,会添加新样品的数据并保留现有样品的数据,同时数据库提升涉及使用新样品替换最旧的样品,新样品被认为与当前过程和过程流具有更大的相关性。在另一个具体实施例中,数据库更新是数据库提升,其中样品位移是以样品寿命和数据库中样品的聚合响应之间的多变量关系为标准,目标旨在确保样品相关性和样品当前性,同时最大限度地减少数据库中样品之间的冗余。数据库318的更新可以简单通过使用本领域技术人员公知的各种传统方法中的任何一种写入新数据和删除旧数据来进行。
在具体实施例中,数据库318更新是模型319更新的前提条件。在初始模型开发之后,根据本发明的教导,本领域技术人员可以直接实现适用的建模参数以供CQM 316'自动执行。因此,本发明的具体实施例将自动化数据库开发与自动模型开发相结合,以赋予CQM316'动态、持续更新RVP模型319的能力。
3.提高RVP测量的准确性。本发明的预测验证和自动模型更新功能代表将硬分析仪和软分析仪技术相融合,以克服限制并利用二者与RVP测量相关的好处。作为简要回顾,自动在线应用PTM(通过硬分析仪)的好处在于,PTM执行的是RVP的实际的第一原理测量,而传统方法的两个主要限制是相对较长的分析周期时间和结果滞后。推断技术(通过软分析仪)通过提供基本上实时的预测来克服这些限制,但是传统方法还存在以下缺点:(i)在不断变化的过程条件下缺乏持续的预测稳健性,传统方法改变了流组成和RVP之间的关系;(ii)在任何给定时刻产生关于给定预测的有效性不确定性;以及(iii)要求定期更新模型以随时间保持可接受的预测准确性。CQM 316'的第三个功能建立在预测验证和自动模型更新的基础上,以便提供远远超过许多应用中的传统PTM的RVP测量准确性。
首先要注意前一句中的断言,即CQM进行测量而不仅仅是预测RVP。事实上,在各种实施例中,CQM结合自动模型更新提供连续验证意味着在任何给定时刻,CQM输出的P’(RVP)值的准确性是相等的并且经过了P(RVP)硬测量的严格认证。这不仅提供了对在等于t(RVP)的时间间隔产生的P’(RVP)值的验证,还提供了在连续P(RVP)测量之间的时间t(x)(例如,以小于t(RVP)的间隔)进行的P’(RVP)的干预预测。另外,P’(RVP)的值表现出仅t(光谱)的时间滞后,而硬分析仪对值P(RVP)的报告使实际过程滞后了等于t(RVP)的时间间隔。如上所讨论的,在许多应用中t(光谱)远远小于t(RVP)。此外,在具体实施例中,验证可以包括将P(RVP)的连续值与P’(RVP)进行比较,以检测并去除瞬态异常值,从而产生流体过程流的增强推断RVP值(P"(RVP))。
在具体实施例中,测量准确性的显著额外提高源自上述对由回归技术生成的模型的数据库值中的不精确性的过滤。特别地,已经显示基于PLS的模型能够以比PTM中的不准确性小20%不确定性,预测属性值(Trygstad等人,ISA 2015)。ASTM D323将基于实验室的RVP分析仪的可再现性定义为±0.15磅/平方英寸(psi)。其在线同等分析仪被设计为自动采样和分析过程流,但通常共享相同的核心技术。尽管测量可再现性在表面上是相同的,但是精炼机的共同经历是在混合操作中,它们不能实现所谓的ASTM可再现性。相反,由于上文详述的原因,在线RVP测量的实际不确定性可能稍大。
虽然刚刚描述的三重好处是显著且巨大的,但是由软分析仪312'生成的P(RVP)40'和P’(RVP)之间的差异可以通过在短期内简单、方便且有效的方法来协调,尽管其缺乏提供长期稳健性所需的严谨性。例如,在某些实施例中,可以将由硬分析仪310'在某个确定时间范围内测量的P(RVP)的值与P’(RVP)的对应值进行比较,以确定并应用偏差校正。在具体实施例中,固定时间范围小于约8小时、小于约16小时、小于约24小时、小于约48小时、小于约72小时以及小于约96小时。如果时间范围是固定的,但随着时间的推移,对P(RVP)和P’(RVP)进行连续新确定,那么将偏差应用于连续的P’(RVP)值可能会产生相对于P(RVP)名义上准确的结果。但是,如果在更长的时间范围内,这种偏差的迹象不可变并且其绝对值在名义上是恒定的或在增加,这种情况则表明模型中存在系统误差,这将通过上文所述的CQM的一个或更多个验证功能得到证实。本发明人已经发现,持续预测的可靠性最终取决于模型更新而不仅仅是结果偏差。
RVP剩余。证明调合批次汽油的RVP未超过某些规定的规格限制,通常涉及测试单个实验室样品,该样品是在调合过程中获得的多个样品的复合物。由于复合样品在事后进行测试,因此它不会提供可用来在调合期间连续实时控制RVP的信息。这种控制取决于以下因素:(i)输入到调合控制系统的RVP值的在线测量存在不确定性,以及(ii)调合控制系统控制用于生产成品汽油产品的调合组分的流速。RVP规格限制与调合物的实际RVP之间的差异通常被称为RVP剩余,因为出于汽油调合领域的技术人员所熟知的原因,生产更高RVP汽油的成本低于更低RVP汽油。实际上,精炼厂根据RVP的不超过规格的限值与调合产品的实际RVP之间的差值按比例提供利润。
RVP剩余减少。考虑到仅RVP测量值的不确定性,在汽油调合期间RVP的调合设定值或目标值可以通过非限制性示例的方式表示为,
[RVP设定值]=[产品的最大RVP限值]-[2x U(RVP)] 式(4)
并且如上文所定义,
RVP剩余=[产品的最大RVP限值]-[RVP设定值] 式(5)
=2x U(RVP)
其中U(RVP)是在95%置信水平(CL)下RVP测量值的不确定性。例如,如果U(RVP)=±0.25psi,则RVP剩余=0.5。将RVP测量值不确定性降低80%至U(RVP)=±0.05,可将RVP剩余减少0.5psi-2x(0.05psi)=0.4psi,而新RVP设定值现在比[产品最大RVP限值]低0.1psi。对于原油处理能力等于美国中值约125,000桶/天(bpd)的精炼厂,作为非限制性示例,该RVP剩余减少的值可以根据式(6)计算。
0.4x 0.45x 125,000x 365x$1.00=每年820万美元 式(6)
其中,$1.00表示RVP桶的价值,并且北美每桶原油的平均汽油产量为0.45。将压力单位psi转换为kPa的因子是0.145038。因此,
0.145038x kPa=psi和psi/0.145038=kPa 式(7)
在实际汽油调合操作中,RVP的控制是许多额外不确定性的函数,包括但不限于混合模型的保真度,调合组分的属性情况,以及测量和控制影响RVP的其他属性的能力。这些不确定性以非加成的方式组合在一起。然而,RVP测量值的不确定性通常会影响调合操作,并且对RVP的控制具有主导性影响。因此,由式(6)给出的RVP剩余的减少代表了通过本发明获得的RVP测量值准确性提高的好处,总值与给定精炼厂的原油加工能力成比例地缩放。因此,处理60,000bpd原油的精炼厂的典型年利润将提升约390万美元,而250,000bpd的精炼厂的利润将提升1640万美元。
尽管在汽油调合操作中具有显著的潜在投资回报,但是为了减少RVP剩余的唯一目的,精炼商可能无法证明购买和安装本发明的实施例是合理的。但是,如果精炼厂还试图利用推断光谱测定法来测量其他电机燃料属性,诸如汽油中的辛烷值,则可能会找到所需的理由。因此,当已经安装了在线RVP硬分析仪并且例如通过在线FTIR、NIR、拉曼或NMR光谱仪,使用通过分子光谱测定技术测量的汽油光谱利用推断光谱测定法进行辛烷值分析时,可以实现本发明的显著价值。另选地,如果仅已安装光谱仪或仅安装RVP分析仪用于在线汽油监测,则可以获取另一个并实施CQM以将二者整合用于根据本发明的增强的RVP测量值。对于既没有在线光谱仪也没有在线RVP分析仪的精炼商,可以基于单独减少RVP剩余证明购买二者的合理性,同时从应用推断光谱测定法测量诸如辛烷值之类的其他属性中获得额外的好处。在具体实施例中,本发明包括在线RVP分析仪,在线HyperFlux P.R.O.Plus拉曼光谱仪,以及根据上文描述的实施例配置的CQM,以实现汽油调合操作中的数据库获取、持续数据库更新和实时RVP测量。在又一个具体实施例中,光谱仪是FTNIR光谱仪,而其他具体实施例采用FTIR或NMR光谱仪。
备选实施例
上文描述的实施例可以被称为实施例F,只要其如式(3)所描绘地进行P’(RVP)预测,其中数学函数f应用于传感器响应,该传感器响应包括从由样品光谱和来自一个或多个其他传感器的输出构成的组中选择的一个或多个元素,并且其中f表示模型将传感器响应与P(RVP)相关联。因此,作为所谓的未知过程样品中的RVP预测的基础的传感器响应340,包括与用于根据结合模型开发描述的实施例创建模型的传感器响应340基本相同的元素。另外,如上所讨论的,传感器响应340的元素是自变量,其对应于并非根据某种标准方法由硬分析仪310'测量的P(RVP)40'的属性。
在备选实施例中,硬分析仪配置成通过非标准方法P(非标准)获得蒸汽压,并且软分析仪包括将传感器响应340与RVP值40'相关联的模型,该RVP值40'对应于那些将通过标准方法测量的值P(标准)。测量蒸汽压的非标准方法是其中一个或更多个方法参数偏离标准方法(诸如ASTM D323)中定义的方法,并且数据库开发包括获取和存储样品值P(非标准)和一个或多个从密度、粘度、折射率和温度构成的组选择的属性值。因此,在这些实施例中,
P'(标准)=g(传感器响应)
=g(P(非标准),m(1),m(2),m(3),...,m(n)) 式(8)
方便起见,一般由式(8)描述的实施例应被称为实施例G。在具体实施例G中,非标准参数是用于分析的设定值温度和/或测量池中的蒸汽-液体体积。
在另一个具体实施例G中,模型开发基于样品值P(非标准)与对应的传感器响应340的关联,其包括值P(标准),所有这些都是通过示例性但是非限制性的两个程序之一获取的。在第一个程序中,校准样品的聚合响应是在实验室中借助以下仪器获取:(i)硬分析仪310',其是配置成测量P(非标准)的仪器,和(ii)属性传感器342,其包括配置成测量P(非标准)的相同或不同的仪器,以及可选地配置成测量其他样品响应的一个或更多个实验室仪器。在第二个程序中,校准样品的聚合响应包括(i)如上文针对数据库开发所描述的在线收集的样品的P(非标准)值;以及(ii)一个或更多个属性传感器的响应值,包括在与获得P(非标准)值同步的时间自动在线捕获的过程样品的实验室测量值P(标准),其中此类捕获方法是本领域技术人员已知的方法。在任一具体实施例G中获取的数据用于创建数学函数g,该数学函数g是对传感器响应进行运算的模型,其预测如上文所定义的P’(标准),其中测量频率由用于测量P(非标准)的硬分析仪的分析周期时间决定。
在又一个具体实施例中,实施例G有利地用于在升高的非标准温度下测量高链烷烃凝析物和原油中的RVP,以减轻或消除在标准温度下运行的RVP硬分析仪中发生的结垢,该结垢是过程样品中链烷烃沉积所致。
在本发明的又一个备选实施例中,将硬分析仪配置成测量P(标准)或P(非标准)的值40';传感器响应340包括来自在线气相色谱仪(GC)的值,该在线气相色谱仪配置成量化HC过程流中的轻质烃(LH)组分的浓度,LH组分在确定RVP中处于优势地位;软分析仪包括模型319,该模型允许从包括上述组分浓度的传感器响应计算P’(RVP);并且HC过程流是原油、轻质原油、凝析物、馏出物、天然气液(NGL)、页岩油等。适用于这些实施例的过程GC的实例是横河电机株式会社的GC8000。因此,在这些实施例中,
P'(RVP)=h(传感器响应)
=h(C(LH),m(1),m(2),m(3),...,m(n)) 式(9)
其中C(LH)是由气相色谱仪测定的LH组分1,2,3,...,n的浓度阵列[c(1),c(2),c(3),...,c(n)];LH组分1,2,3,...,n是甲烷、乙烷、丙烷等,其在确定RVP中处于优势地位;作为非限制性示例,浓度阵列可以是通过本领域技术人员已知的手段生成的模拟蒸馏曲线;并且软传感器h是应用于传感器响应的模型。方便起见,一般由式(9)描述的实施例应被称为实施例H。在具体实施例H中,数据库获取是收集P(RVP)和传感器响应来填充适用于支持模型开发的样品,该收集通过任一或两个示例性但非限制性的程序完成。一个程序涉及借助以下仪器在实验室中获取一组校准样品的数据库值:(i)配置成测量P(RVP)的仪器;(ii)测量C(LH)的GC;和(iii)测量m(1),m(2),m(3),...,m(n)的仪器,这些一起是从由密度、粘度、折射率和温度构成的组中选择的一个或更多个传感器输出。在另一个程序中,C(LH)和一个或多个值m(1),m(2),m(3),...,m(n)如上文所描述地在线收集用于数据库开发,同时在与通过测量C(LH)的硬分析仪获得过程样品同步的时间在线自动捕获的过程样品的实验室测量值P(RVP),此类捕获方法是本领域技术人员已知的方法。由此获得了覆盖代表该过程的一系列流组合的数据库,实施例H的模型开发采用一种或更多种方法,该方法包括(i)通过应用多变量建模技术将传感器响应与P(RVP)相关联;(ii)通过应用第一原理将C(LH)关联到在诸如温度和压力之类的规定条件下的对应的LH组分的已知蒸汽压;(iii)将LH组分的那些已知蒸汽压的变化与HC混合物平衡组成的变化相关联,后者通过用于获得C(LH)的GC分析或通过与密度和/或粘度的相关性来确定或近似。
在另一个具体实施例H中,GC是快速GC,其配置成基本上分析具有2个至约10个碳原子的混合物中的轻质HC化合物,以允许根据碳数进行定量,并且还在足以量化作为温度和/或碳数的函数的蒸馏收率的水平下分析混合物中的较重HC化合物。分析是以小于约3分钟,小于约4分钟,以及小于约5分钟的循环时间进行。快速GC的一个示例是Falcon分析系统和技术有限责任公司(西弗吉尼亚州刘易斯堡)的Calidus。基于以这种方式获得的定量样品信息和相应的RVP值,本领域技术人员可以应用第一原理和经验相关性的组合来创建模型,以预测作为轻质烃的浓度的函数的RVP以及HC混合物中较重化合物的分布。
应当注意的是,实施例G和H的各方面提供了实施例F的一些但不一定是全部的好处。例如,它们通过在硬过程分析仪上实施的PTM克服了RVP测量值的一些限制,包括由当HC混合物含有大量可能在RVP分析仪中产生蜡状沉积物的链烷烃时可能发生的测量装置结垢所需的维护。此外,当传感器响应包括来自提供粘度、密度和折射率读数的传感器的读数(这些读数在时间尺度上对于硬RVP测量和过程变化基本上是瞬时的)时,存在利用这些读数生成基本上实时的P’(RVP)预测的可能。多变量方法还提供了验证预测的可能,从而为其可操作性提供了一定程度的保证。然而,实施例F中提供的RVP模型的持续自动更新的可能性在实施例G和H的一些应用中是不可用的。但是由于在实施例G和H的应用中的传感器响应与P(RVP)基本相关,因此减轻或大大消除了对这种能力的需要。因此,在一些实施例G中,传感器响应的元素是P(非标准),而在实施例H中C(LH)是传感器响应的元素。因此,模型可以被视为比实施例F中的那些“更坚固”或“更坚硬”,其中RVP视情况或非常间接地与传感器响应相关联,并且模型因此非常软。换句话说,实施例G和H中的模型更加稳健,因为RVP基本上由传感器响应决定,而实施例F中的模型并非如此,因为传感器响应不决定RVP。正如其他地方所讨论的那样,从硬到间接模型的连续统一体表现出模型稳健性的降低和模型更新需求的增加(Trygstad等人,ISA 2016)。
实施例F和H的具体实施方式提供了通过配置硬分析仪借助本领域技术人员已知的流复用从每个接收样品,来监测多个过程流的可能性。通常情况下,应用单个传统的硬RVP分析仪来测量多个流是不切实际的,这是由于先前讨论的对组成和RVP显著不同的样品的后续测量可能存在滞后。由于财务原因,安装多个RVP分析仪以监测多个流的备选方案可能是不切实际的,但这样做并不能克服上文详述的硬分析仪的固有限制。相比之下,对RVP进行的基于光谱的推断监测可以通过流复用或光复用的常用做法直接实现,但由于缺乏预测稳健性,这样做的价值有限。但CQM提供了减轻刚刚针对硬分析仪和软分析仪所描述的流复用的限制的可能性。在实施例F的具体实施例中,CQM进行预测,而硬分析仪对第一流进行的连续测量之间的一致性稳定处于表示统计等效的范围内。因此是合格的,可以将由硬分析仪测量的值添加到数据库,以用于第一流的聚合响应。然后,采样系统向硬分析仪提供第二流的样品,并且重复该过程直到分析每个流。在另一个具体实施例中,实施例H的气相色谱仪和可选的其他传感器依次对多个流中的每一个进行取样,并应用模型h以生成RVP预测。
受益于前文描述和相关附图中呈现的教导,本发明所属领域的技术人员会想到本文所阐述的本发明的许多修改和其他实施例。例如,应该认识到,本文示出和描述的“模型”不仅包括基于多变量统计方法的模型,例如,PCA(主成分分析),PLS(偏最小二乘)和MLR(多元线性回归),也包括RBF(径向基函数),神经网络,基于第一原理的模型及其组合,以及可能在未来开发的基本上任何类型的模型。类似地,尽管已经关于本文的各种实施例示出和描述了各种示例性分析仪技术,但应该认识到其他技术(诸如基于TDL(可调谐二极管激光器)、QCL(量子级联激光器)和CRD(光腔衰荡)光谱法技术及其组合),以及任何未来开发的分析仪技术,都可以在不脱离本发明的范围的情况下使用。因此,应该理解,本发明不限于所公开的具体实施例,并且修改和其他实施例都将落入所附权利要求的范围内。而且,尽管前文描述和相关附图在元素和/或功能的某些示例性组合的上下文中对示例性实施例进行了描述,但是应当理解,可以在不脱离所附权利要求的范围情况下,通过备选实施例提供元素和/或功能的不同组合。在这方面,例如,与以上明确所述不同的元素和/或功能的组合预期也可能在一些所附权利要求中阐述。尽管本文采用了特定术语,但这些术语仅用于一般性和描述性意义,而不是用于限制性目的。
Claims (54)
1.一种用于实时确定烃流体过程流的蒸汽压的系统,所述系统包括:
液体流动路径,其被配置成将所述流体过程流输送到至少一个过程流接口;
硬分析仪,其可通信地联接到所述过程流接口,所述硬分析仪被配置成以时间增量t1、t2、...tn生成所述流体过程流的样品的蒸汽压值;
一个或更多个传感器,其可通信地联接到所述过程流接口,所述一个或更多个传感器被配置成以所述时间增量为所述流体过程流的样品生成自变量形式的一个或更多个输出;
认知质量管理器CQM,其可通信地联接到所述硬分析仪和所述一个或更多个传感器,所述CQM包括聚合模块,所述聚合模块被配置成捕获和聚合所述一个或更多个输出和由所述硬分析仪生成的所述值,以形成聚合响应;
所述CQM被配置成使用所述聚合响应生成将所述一个或更多个输出关联到所述硬分析仪生成的所述值的模型;
所述CQM被配置成将所述模型应用于所述一个或更多个输出,以便在所述时间增量之间的一个或更多个时间tx生成所述流体过程流的样品的蒸汽压预测值。
2.如权利要求1所述的系统,其中,所述CQM被配置成根据所述值和所述一个或更多个输出实时更新所述模型。
3.如权利要求1所述的系统,其中,所述硬分析仪根据主要试验方法PTM生成所述蒸汽压值。
4.如权利要求3所述的系统,其中,雷德蒸汽压RVP的预测值由下式(3)表示:
P'(RVP)=f(传感器响应)=f(样品光谱,m(1),m(2),m(3),...,m(n), C(HC)) 式(3)
其中,函数f是所述模型;其中,样品光谱是光谱仪的输出;其中,m(1),m(2),m(3),...,m(n)是来自所述一个或更多个传感器的输出;其中,C(HC)是所述样品的气相色谱图的强度-时间输出。
5.如权利要求3所述的系统,其中,所述PTM是雷德法,并且由所述PTM生成的所述值是RVP、P(RVP),其中,所述P(RVP)是由所述硬分析仪确定的实际压力P。
6.如权利要求1所述的系统,其中,所述硬分析仪根据非标准试验方法生成所述蒸汽压值。
7.如权利要求6所述的系统,其中,所述非标准方法是如下方法:其中,一个或更多个参数偏离在主要试验方法PTM中定义的那些参数,并且所述蒸汽压预测值由下式(8)表示:
P'(标准)=g(传感器响应)
=g(P(非标准),m(1),m(2),m(3),...,m(n)) 式(8)
其中,函数g是所述模型;并且其中,m(1),m(2),m(3),...,m(n)是来自所述一个或更多个传感器的输出。
8.如权利要求1所述的系统,其中,所述一个或更多个传感器包括光谱仪。
9.如权利要求1所述的系统,其中,所述一个或更多个传感器选自由光谱仪、密度传感器、粘度传感器、折射率传感器和温度传感器构成的组。
10.如权利要求9所述的系统,其中,所述光谱仪选自由近红外(NIR)光谱仪、傅里叶变换红外(FTIR)光谱仪、拉曼光谱仪和核磁共振(NMR) 光谱仪构成的组。
11.如权利要求1所述的系统,其中,所述CQM被配置成接收所述聚合响应并将其存档在样品数据库中。
12.如权利要求11所述的系统,其中,所述数据库用于所述模型的开发。
13.如权利要求12所述的系统,其中,所述模型是数学模型、算法和/或多变量统计模型。
14.如权利要求1所述的系统,其中,
所述聚合模块被进一步配置成使用P(RVP)和所述一个或更多个输出以形成经验证的响应;
所述CQM包括由所述经验证的响应填充的数据库,以及被配置成使用所述数据库生成所述模型的模型引擎;并且
所述模型被配置成在所述一个或更多个时间tx生成所述流体过程流的样品的RVP的预测值P'(RVP)。
15.如权利要求14所述的系统,其中,所述CQM被进一步配置成生成P(RVP)的连续值与对应的P'(RVP)的值的比较,并使用所述比较检测和去除瞬态异常值,以生成所述流体过程流的增强推断RVP值P”(RVP)。
16.如权利要求15所述的系统,进一步包括过程优化器,其被配置成使用P'(RVP)和/或P”(RVP)对所述流体过程流进行实时控制。
17.如权利要求16所述的系统,进一步包括与所述过程优化器可操作地接合的过程控制系统,所述过程控制系统被配置成响应于从所述过程优化器接收到的指令,调整所述流体过程流的一个或更多个参数。
18.如权利要求1所述的系统,其中,所述自变量包括温度、折射率、粘度、密度、通过光度测定设备或光谱测定设备以特定波长或频率测量的强度响应、来自气相色谱仪的色谱图和/或其组合中的一个或更多个。
19.如权利要求1所述的系统,其中,所述系统被配置成使用所述一个或更多个输出和/或值来更新所述模型。
20.如权利要求15所述的系统,其中,所述比较包括验证所述一个或更多个输出中的至少一个。
21.如权利要求20所述的系统,所述系统其配置成一旦验证所述一个或更多个输出,则调整所述模型和/或控制所述流体过程流。
22.如权利要求21所述的系统,所述系统其配置成基于经验证的所述一个或更多个输出的寿命和与所述过程在测量所述一个或更多个输出时的状态相比的所述过程的当前状态中的至少一个,确定是否使用经验证的所述一个或更多个输出来调整所述模型。
23.如权利要求20所述的系统,其中,所述系统被配置成使用统计多变量程序来生成所述比较。
24.如权利要求1所述的系统,其中,所述一个或更多个传感器包括气相色谱仪,所述气相色谱仪被配置成通过捕获和评估所述流体过程流的样品的色谱图来生成所述一个或更多个输出。
25.如权利要求24所述的系统,其中,雷德蒸汽压RVP的预测值由下式(9)表示:
P'(RVP)=h(传感器响应)
=h(C(LH),m(1),m(2),m(3),...,m(n)) 式(9)
其中,函数h是所述模型;其中,m(1),m(2),m(3),...,m(n)是来自所述一个或更多个传感器的输出;其中,C(LH)是由所述气相色谱仪测定的所述样品的组分1,2,3,...,n的浓度阵列[c(1),c(2),c(3),...,c(n)]。
26.如权利要求15所述的系统,其中,所述CQM被配置成基本上实时生成所述预测值P'(RVP)和/或P"(RVP),并且所述硬分析仪是以低于生成所述预测值P'(RVP)和/或P"(RVP)的频率生成所述值P(RVP)的在线分析仪,并且其中,所述比较用来调整所述模型和/或基本上实时控制所述流体过程流。
27.如权利要求1所述的系统,所述系统被配置成实时确定多个烃流体过程流的蒸汽压,所述系统包括多个所述液体流动路径和多个所述过程流接口。
28.一种用于实时确定烃流体过程流的蒸汽压的方法,所述方法包括:
将所述流体过程流通过液体流动路径输送到至少一个过程流接口;
将硬分析仪可通信地联接到所述过程流接口,所述硬分析仪被配置成以时间增量t1、t2、...tn生成所述流体过程流的样品的蒸汽压值;
将一个或更多个传感器可通信地联接到所述过程流接口,所述一个或更多个传感器被配置成以所述时间增量为所述流体过程流的样品生成自变量形式的一个或更多个输出;
将认知质量管理器CQM可通信地联接到所述硬分析仪和所述一个或更多个传感器,所述CQM包括聚合模块,所述聚合模块被配置成捕获和聚合所述一个或更多个输出和由所述硬分析仪生成的所述值,以形成聚合响应;
通过所述CQM,使用所述聚合响应以生成将所述一个或更多个输出关联到所述硬分析仪生成的所述值的模型;
通过所述CQM,将所述模型应用于所述一个或更多个输出,以便在所述时间增量之间的一个或更多个时间tx生成所述流体过程流的样品的蒸汽压预测值。
29.如权利要求28所述的方法,进一步包括,通过所述CQM,根据所述值和所述一个或更多个输出实时更新所述模型。
30.如权利要求28所述的方法,其中,所述硬分析仪根据主要试验方法PTM生成所述蒸汽压值。
31.如权利要求30所述的方法,其中,雷德蒸汽压RVP的预测值由下式(3)表示:
P'(RVP)=f(传感器响应)=f(样品光谱,m(1),m(2),m(3),...,m(n),C(HC)) 式(3)
其中,函数f是所述模型;其中,样品光谱是光谱仪的输出;其中,m(1),m(2),m(3),...,m(n)是来自所述一个或更多个传感器的输出;其中,C(HC)是所述样品的气相色谱图的强度-时间输出。
32.如权利要求30所述的方法,其中,所述PTM是雷德法,并且由所述PTM生成的所述值是RVP、P(RVP),其中,所述P(RVP)是由所述硬分析仪确定的实际压力P。
33.如权利要求28所述的方法,其中,所述硬分析仪根据非标准试验方法生成所述蒸汽压值。
34.如权利要求33所述的方法,其中,所述非标准方法是如下方法:其中,一个或更多个参数偏离在主要试验方法PTM中定义的那些参数,并且所述蒸汽压预测值由下式(8)表示:
P'(标准)=g(传感器响应)
=g(P(非标准),m(1),m(2),m(3),...,m(n)) 式(8)
其中,函数g是所述模型;并且其中,m(1),m(2),m(3),...,m(n)是来自所述一个或更多个传感器的输出。
35.如权利要求28所述的方法,其中,所述一个或更多个传感器包括光谱仪。
36.如权利要求28所述的方法,其中,所述一个或更多个传感器选自由光谱仪、密度传感器、粘度传感器、折射率传感器和温度传感器构成的组。
37.如权利要求36所述的方法,其中,所述光谱仪选自由近红外(NIR)光谱仪、傅里叶变换红外(FTIR)光谱仪、拉曼光谱仪和核磁共振(NMR)光谱仪构成的组。
38.如权利要求28所述的方法,进一步包括,通过所述CQM,接收所述聚合响应并将其存档在样品数据库中。
39.如权利要求38所述的方法,其中,所述数据库用于所述模型的开发。
40.如权利要求39所述的方法,其中,所述模型是数学模型、算法和/或多变量统计模型。
41.如权利要求28所述的方法,进一步包括:
通过所述聚合模块,使用P(RVP)和所述一个或更多个输出以形成经验证的响应;
通过所述CQM,根据所述经验证的响应填充数据库,以及通过模型引擎,使用所述数据库生成所述模型;以及
通过所述模型,在所述一个或更多个时间tx生成所述流体过程流的样品的RVP的预测值P'(RVP)。
42.如权利要求41所述的方法,进一步包括使用所述CQM生成P(RVP)的连续值与对应的P'(RVP)的值的比较,并使用所述比较检测和去除瞬态异常值,以生成所述流体过程流的增强推断RVP值P”(RVP)。
43.如权利要求42所述的方法,进一步包括使用过程优化器以使用P'(RVP)和/或P”(RVP)对所述流体过程流进行实时控制。
44.如权利要求43所述的方法,进一步包括可操作地将过程控制系统与所述过程优化器接合,以便响应于从所述过程优化器接收到的指令,调整所述流体过程流的一个或更多个参数。
45.如权利要求28所述的方法,其中,所述自变量包括温度、折射率、粘度、密度、通过光度测定设备或光谱测定设备以特定波长或频率测量的强度响应、来自气相色谱仪的色谱图和/或其组合中的一个或更多个。
46.如权利要求28所述的方法,进一步包括使用所述一个或更多个输出和/或值以更新所述模型。
47.如权利要求42所述的方法,其中,所述比较包括验证所述一个或更多个输出中的至少一个。
48.如权利要求47所述的方法,进一步包括一旦验证所述一个或更多个输出,则调整所述模型和/或控制所述流体过程流。
49.如权利要求48所述的方法,进一步包括基于经验证的所述一个或更多个输出的寿命和与所述过程在测量所述一个或更多个输出时的状态相比的所述过程的当前状态中的至少一个,确定是否使用经验证的所述一个或更多个输出来调整所述模型。
50.如权利要求47所述的方法,进一步包括使用统计多变量程序生成所述比较。
51.如权利要求28所述的方法,其中,所述一个或更多个传感器包括气相色谱仪,所述气相色谱仪被配置成通过捕获和评估所述流体过程流的样品的色谱图来生成所述一个或更多个输出。
52.如权利要求51所述的方法,其中,RVP的预测值由下式(9)表示:
P'(RVP)=h(传感器响应)
=h(C(LH),m(1),m(2),m(3),...,m(n)) 式(9)
其中,函数h是所述模型;其中,m(1),m(2),m(3),...,m(n)是来自所述一个或更多个传感器的输出;其中,C(LH)是由所述气相色谱仪测定的所述样品的组分1,2,3,...,n的浓度阵列[c(1),c(2),c(3),...,c(n)]。
53.如权利要求42所述的方法,进一步包括通过所述CQM基本上实时生成所述预测值P'(RVP)和/或P"(RVP),并且所述硬分析仪是以低于生成所述预测值P'(RVP)和/或P"(RVP)的频率生成所述值P(RVP)的在线分析仪,并且其中,所述比较用来调整所述模型和/或基本上实时控制所述流体过程流。
54.如权利要求28所述的方法,进一步包括根据多个所述液体流动路径和多个所述过程流接口,实时确定多个烃流体过程流的蒸汽压。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662346914P | 2016-06-07 | 2016-06-07 | |
US62/346,914 | 2016-06-07 | ||
PCT/US2017/036414 WO2017214311A1 (en) | 2016-06-07 | 2017-06-07 | System and method for online measurement of vapor pressure in hydrocarbon process streams |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109562304A CN109562304A (zh) | 2019-04-02 |
CN109562304B true CN109562304B (zh) | 2021-12-21 |
Family
ID=60578944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780047589.2A Active CN109562304B (zh) | 2016-06-07 | 2017-06-07 | 在线测量烃过程流中蒸汽压的系统和方法 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP3463606B1 (zh) |
JP (1) | JP6752298B2 (zh) |
CN (1) | CN109562304B (zh) |
CA (1) | CA3026377C (zh) |
WO (1) | WO2017214311A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021113954A1 (en) * | 2019-12-13 | 2021-06-17 | Validere Technologies Inc. | System, method and apparatus for predicting physical properties by indirect measurement |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140309756A1 (en) * | 2013-02-05 | 2014-10-16 | Yokogawa Corporation Of America | System, Method and Apparatus for Determining Properties of Product or Process Streams |
US20150211971A1 (en) * | 2014-01-29 | 2015-07-30 | Jp3 Measurement, Llc | System and method for determining vapor pressure of produced hydrocarbon streams via spectroscopy |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1130201A (en) * | 1979-07-10 | 1982-08-24 | Esso Resources Canada Limited | Method for continuously producing viscous hydrocarbons by gravity drainage while injecting heated fluids |
US5322626A (en) * | 1990-03-02 | 1994-06-21 | Hewlett-Packard Company | Decoupled flow and pressure setpoints in an extraction instrument using compressible fluids |
US5572030A (en) * | 1994-04-22 | 1996-11-05 | Intevep, S.A. | Method for determining parameter of hydrocarbon |
US5699269A (en) * | 1995-06-23 | 1997-12-16 | Exxon Research And Engineering Company | Method for predicting chemical or physical properties of crude oils |
US9658178B2 (en) * | 2012-09-28 | 2017-05-23 | General Electric Company | Sensor systems for measuring an interface level in a multi-phase fluid composition |
JP5239686B2 (ja) * | 2008-09-25 | 2013-07-17 | 横河電機株式会社 | プロセス推定システムおよびプロセス推定方法 |
US9091160B2 (en) * | 2011-06-23 | 2015-07-28 | Michael Renick | Flowback separation system |
-
2017
- 2017-06-07 EP EP17810962.5A patent/EP3463606B1/en active Active
- 2017-06-07 JP JP2018564310A patent/JP6752298B2/ja active Active
- 2017-06-07 CN CN201780047589.2A patent/CN109562304B/zh active Active
- 2017-06-07 CA CA3026377A patent/CA3026377C/en active Active
- 2017-06-07 WO PCT/US2017/036414 patent/WO2017214311A1/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140309756A1 (en) * | 2013-02-05 | 2014-10-16 | Yokogawa Corporation Of America | System, Method and Apparatus for Determining Properties of Product or Process Streams |
US20150211971A1 (en) * | 2014-01-29 | 2015-07-30 | Jp3 Measurement, Llc | System and method for determining vapor pressure of produced hydrocarbon streams via spectroscopy |
Non-Patent Citations (2)
Title |
---|
Development of Soft Sensors for Debutanizer Product Quality Estimation and Control;Ivica Jerbić等;《Proceedings of European Congress of Chemical Engineering (ECCE-6)》;20070930;第1-9页 * |
Ivica Jerbić等.Development of Soft Sensors for Debutanizer Product Quality Estimation and Control.《Proceedings of European Congress of Chemical Engineering (ECCE-6)》.2007,第1-9页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109562304A (zh) | 2019-04-02 |
EP3463606A4 (en) | 2020-01-08 |
CA3026377C (en) | 2021-01-05 |
EP3463606A1 (en) | 2019-04-10 |
WO2017214311A1 (en) | 2017-12-14 |
JP6752298B2 (ja) | 2020-09-09 |
JP2019527399A (ja) | 2019-09-26 |
EP3463606B1 (en) | 2024-04-24 |
CA3026377A1 (en) | 2017-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10235481B2 (en) | System and method for online measurement of vapor pressure in hydrocarbon process streams | |
US10175661B2 (en) | System, method and apparatus for determining properties of product or process streams | |
US6662116B2 (en) | Method for analyzing an unknown material as a blend of known materials calculated so as to match certain analytical data and predicting properties of the unknown based on the calculated blend | |
US6897071B2 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
US8332162B2 (en) | Apparatus and method for measuring the properties of petroleum fractions and pure hydrocarbon liquids by light refraction | |
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 | |
RU2498274C2 (ru) | Система и способ анализа процесса алкилирования | |
CA2951973A1 (en) | Method of optimizing a mixture of components by means of spectral analysis | |
US7904251B2 (en) | Method for modification of a synthetically generated assay using measured whole crude properties | |
Nespeca et al. | Rapid and simultaneous prediction of eight diesel quality parameters through ATR-FTIR analysis | |
WO2006126978A1 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
CA2931790C (en) | Method and system for analysing a blend of two or more hydrocarbon feed streams | |
CN109562304B (zh) | 在线测量烃过程流中蒸汽压的系统和方法 | |
US20170097330A1 (en) | Hybrid analyzer for fluid processing processes | |
US11402323B2 (en) | Systems and processes for performance property determination using optical spectral data | |
Baird | Predicting Fuel Properties from Infrared Spectra | |
Gourvénec et al. | 38 NIR Spectroscopy Applied to the Oil and Gas Industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |