CN114127729A - 预测结焦和结垢进展以改进化学生产装置中的生产计划 - Google Patents

预测结焦和结垢进展以改进化学生产装置中的生产计划 Download PDF

Info

Publication number
CN114127729A
CN114127729A CN202080052194.3A CN202080052194A CN114127729A CN 114127729 A CN114127729 A CN 114127729A CN 202080052194 A CN202080052194 A CN 202080052194A CN 114127729 A CN114127729 A CN 114127729A
Authority
CN
China
Prior art keywords
prediction
operating parameter
key performance
future
performance indicator
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.)
Pending
Application number
CN202080052194.3A
Other languages
English (en)
Inventor
S·索尔
D·凯克
E·詹妮
A·巴丁斯基
M·A·A·哈卡拉
B·布兰克尔斯
H·德温内
B·C·巴克
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.)
BASF SE
Original Assignee
BASF SE
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 BASF SE filed Critical BASF SE
Publication of CN114127729A publication Critical patent/CN114127729A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C10G9/34—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils by direct contact with inert preheated fluids, e.g. with molten metals or salts
    • C10G9/36—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils by direct contact with inert preheated fluids, e.g. with molten metals or salts with heated gases or vapours
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C10G9/06—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils by pressure distillation
    • C10G9/08—Apparatus therefor
    • C10G9/12—Removing incrustation
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C10G9/14—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils in pipes or coils with or without auxiliary means, e.g. digesters, soaking drums, expansion means
    • C10G9/16—Preventing or removing incrustation
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C10G9/14—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils in pipes or coils with or without auxiliary means, e.g. digesters, soaking drums, expansion means
    • C10G9/18—Apparatus
    • C10G9/20—Tube furnaces
    • C10G9/206—Tube furnaces controlling or regulating the tube furnaces
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/22—Yield analysis or yield optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Business, Economics & Management (AREA)
  • Thermal Sciences (AREA)
  • Organic Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

为了预测化学生产装置如蒸汽裂化器的设备和/或加工单元的健康状态的未来演变，提供了一种计算机实施的方法，其基于当前的关键性能指标、当前的工艺条件以及预测时域内的工艺条件来建立未来关键性能指标的数据驱动模型。

Description

预测结焦和结垢进展以改进化学生产装置中的生产计划
技术领域
本发明涉及一种用于预测化学生产装置的设备中的退化进展的计算机实施的方法和装置。
发明背景
化学生产装置可能遭受结焦或其他结垢过程。该化学生产装置的一个实例是蒸汽裂化器。蒸汽裂化器使用蒸汽在约850℃的温度下“裂化”原油、产品如石脑油或液化石油气(LPG)。这产生烯烃如乙烯、丙烯和C4产物以及芳族化合物如苯、甲苯、二甲苯等。它们是基于化石燃料的基础化学产物。在蒸汽裂化器的操作期间，一些设备或加工单元可能遭受焦炭残余物的积聚。例如，在操作期间，蒸汽裂化器的炉中的裂化盘管的内壁遭受焦炭层的形成。在直接位于炉下游的输送管线换热器中也出现相同的问题。由于这降低了两种设备类型的性能，因此必须通过烧尽或机械方式定期除去焦炭。如果焦炭没有在合适的时间除去，则可能由降低的效率或资产故障引起计划外的生产损失。类似的结焦，或更一般地，结垢过程也降低了其他化学装置中的工艺设备的效率。
该化学生产装置的另一个实例是脱氢反应器，如以下出版物中所述：R.Kelling，G.Kolios，C.Tellaeche，U.Wegerle，V.M.Zahn，A.Seidel-Morgenstern：“Development ofa control concept for catalyst regeneration by coke combustion”，ChemicalEngineering Science，第83卷，2012，第138-148页。其他实例可参见Jens R.Rostrup-Nielsen：“Industrial relevance of coking”，Catalysis Today，第37卷，第3期，1997，第225-232页。
作为另一个实例，用于流化床反应器的苯胺催化剂在操作过程中也遭受焦炭的形成。这可能导致苯胺产量的减少、散热不足、床高度的降低和最终导致流化的崩溃。因此，焦炭必须通过氧化周期性地除去，这导致运行炉期结束。
发明概述
可能需要提供一种系统，以在预测时域(prediction horizon)内提供对化学生产装置的设备和/或加工单元的预期健康状态演变的合理预测。
本发明的目的通过独立权利要求的主题来实现，其中在从属权利要求中并入了另外的实施方案。应指出的是，本发明的以下描述的方面也适用于计算机实施的方法和装置。
本发明的第一方面提供了一种预测化学生产装置的设备中的退化进展的计算机实施的方法，包括：
a)获得(110)所述设备的至少一个操作参数的未来值，
其中所述至少一个操作参数对设备的退化有影响，且
其中所述至少一个操作参数在预测时域内是已知的和/或可控制的，使得所述至少一个操作参数的未来值能够在所述预测时域内被确定；
b)使用(120)预测模型基于包括所述至少一个操作参数的未来值的输入数据集来估计预测时域内的至少一个关键性能指标的未来值，
其中基于包括至少一个工艺变量和所述至少一个操作参数的历史数据的样本集，对预测模型进行参数化或训练，其中所述至少一个工艺变量用于确定所述至少一个关键性能指标；和
c)基于所述至少一个关键性能指标的未来值预测(130)设备在预测时域内的退化进展。
换言之，使用数据驱动的预测模型来预测化学生产装置的设备如蒸汽裂化器的退化。特别地，在给定场景(即预测时域内的一个或多个给定操作参数，例如装置负载和裂化温度)的假设下，预测退化关键性能指标的未来演变。基于该信息，可以实施必要的动作以防止由于工艺设备的退化或故障而导致的计划外的生产损失。例如，蒸汽裂化器的不同炉之间的停工期的计划和调整可以例如通过避免两个或更多个炉的并行停工期来改进。在该上下文中通常用于预测模型的数据由装置中的传感器在接近生产工艺处创建。
利用所述一个或多个操作参数的未来值，其可以用于模拟“假设”场景，例如工艺条件的变化，诸如在预测时域内减少的进料负载、进料组成和反应器温度。应指出的是，所提出的预测模型不从过去和/或当前操作状态推断未来操作状态，而是需要用户输入未来操作参数，以便考虑装置的未来变化的操作条件，例如来自连接装置的变化的要求和/或对生产性能的优化。未来操作参数值的使用可以考虑装置操作的未来变化。关键性能指标是系统上的负载的函数。通过使用未来操作参数的值，可以包括例如系统上的未来负载以用于预测。允许未来操作参数的值基于装置中的规划而变化可以提供额外的自由度，这可以提高预测模型的质量并且可以使预测更鲁棒。
例如，预测模型可以用作苯胺生产的生产计划工具。苯胺装置中的操作通常在炉期期间进行调整，以考虑来自连接装置的变化的要求和/或优化催化剂和生产性能。因此，明确地设置这些操作参数并在模型中考虑变化的未来操作参数可能是有益的。
在下文中，在设备的当前操作期间获得的所述至少一个关键性能指标的值也可以称为所述至少一个关键性能指标的当前值。在设备的过去操作期间获得的所述至少一个关键性能指标的值也可以称为所述至少一个关键性能指标的过去值。类似地，在设备的当前操作期间获得的所述至少一个操作参数的值可以被称为所述至少一个操作参数的当前值。在设备的过去操作期间获得的所述至少一个操作参数的值可以称为所述至少一个操作参数的过去值。这也适用于下文所述的其他参数。
下文将详细描述两个示例性实例。下文将描述这两个示例性实例的简要概述。
在第一个实例中，在操作期间，蒸汽裂化器的炉中的裂化盘管的内壁遭受焦炭层的形成。在直接位于炉下游的输送管线换热器(TLE)中也出现相同的问题。由于这降低了两种设备类型的性能，因此必须通过烧尽或机械方式定期除去焦炭。
为了安排该维护程序，提前至少1-2周知道何时达到某个临界盘管壁温度(CWT)或临界TLE出口温度是非常有利的。这样，例如通过避免两个或更多个炉的并行停工期，可以改进蒸汽裂化器的不同炉之间的停工期的计划和调整。
裂化盘管中的结焦的关键性能指标(KPI)可以是盘管壁温度(CWT)；对于TLE，可以是它们的出口温度。
对于两个KPI，可以根据历史生产数据开发预测模型。其可以用量化的置信区间预测在即将到来的4周内裂化盘管和TLE中的结焦进程。此外，利用所述至少一个操作参数的未来值，其可以用于模拟“假设”场景，即工艺条件的变化，例如减少的进料负载、进料类型或裂化温度。
利用蒸汽裂化器的预测模型，在下一次维护事件之前炉/TLE的剩余使用寿命(RUL)的量化中，可以降低数个炉并行关闭的风险。此外，由于可以模拟替代的生产场景，例如在不久的未来降低的进料负载、进料类型或裂化温度，可以允许工艺管理员主动地延迟清洁程序，例如使其与其他维护任务同步。
在第二实例中，用于流化床反应器的苯胺催化剂在操作期间也遭受焦炭的形成。这导致催化剂失活，并因此降低苯胺转化率，这又导致较短的炉期、更频繁的催化剂再生，并因此损失产量。第二个效果是床高度的降低，在一些情况下伴随着流化质量的降低，并因此降低了传热。因此，必须通过结束运行炉期的氧化而周期性地除去焦炭。
同样在这种情况下，提前1-2周预测反应器性能和炉期结束可能是非常有利的。这对于其他相关装置的生产计划是有用的，而且对于优化性能和催化剂寿命也是有用的。
此处，KPI是结焦(通过床上的压降)、床高度、床和换热器管之间的传热系数和苯胺转化率。
对于所有KPI，可以使用一个反应器的历史数据来开发预测模型。还可以针对世界范围内更多的反应器开发相同类型的预测模型。与蒸汽裂化器的情况相同，该模型可以直到所述的炉期结束用量化的置信区间预测苯胺催化剂的结焦进展和床高度、传热系数和苯胺转化率的演变。其还可以模拟“假设”情况，例如工艺条件的变化，例如降低的进料负载、进料组成和反应器温度。
苯胺反应器的预测模型可具有以下益处中的至少一个：
a)使用压降、床高度、传热系数和苯胺转化率的预测，可以延长催化剂寿命。这可导致较低的催化剂消耗。
b)模拟替代生产场景如进料负载、进料组成和反应器温度的可能性允许苯胺生产的优化和更好的生产计划以及与连接装置的协调。
通过苯胺流化床反应器的预测模型，工艺管理可监测不久的未来的结焦的估计进展以及床高度、传热系数和苯胺转化率的演变。所有KPI用于预测炉期长度，因此允许安排催化剂的再生，并因此允许更好的计划。此外，催化剂寿命可以通过使焦炭积累最小化而延长。这可通过优化工艺条件来实现，其中可以模拟未来的不同工艺条件。
尽管存在各种各样受影响的设备和化学生产装置，以及作为它们基础的完全不同的物理或化学退化过程，但是这些设备的退化可共有以下特征中的一些：
1.所考虑的化学生产装置的设备可具有一个或多个关键性能指标，其能够量化退化的进展。
2.在比典型生产时间尺度更长的时间尺度上，例如，对于不连续工艺的分批时间或对于连续工艺的设定点变化之间的典型时间，关键性能指标或多或少地单调漂移到更高或更低的值，指示不可逆退化现象的发生。然而，在较短的时间尺度上，关键性能指标可能表现出不是由退化过程本身驱动的波动，而是由变化的工艺条件或背景变量如环境温度的驱动的波动。
3.关键性能指标在维护事件之后大致返回到它们的基准，所述维护事件例如为结垢的换热器的清洁、失活催化剂的更换或再生等。
4.退化由工艺设备的蠕变、不可避免的磨损和/或撕裂驱动。
换言之，关键性能指标的演变在很大程度上由工艺条件决定，而不是由不受控制的外部因素决定，这允许给定该时间范围内的规划工艺条件的情况下，在特定时间范围内预测退化关键性能指标的演变。
该关键性能指标可以从包括以下各项的参数中选择：包含在一组测量的工艺数据中的参数，例如如下所述的输送管线换热器的出口温度，和/或表示包含在一组测量的工艺数据中的一个或多个参数的函数的导出参数。例如，尽管催化剂活性不是直接在工艺变量中测量的，但它本身表明该工艺的产率和/或转化率降低。
如本文所用，术语“当前”是指最近的测量，因为某些设备的测量可能不是实时进行的。
如本文所用，术语“未来”是指预测时域内的某个时间点。如下文将解释的那样，设备退化的有用预测时域通常在几小时到几个月之间。所用的预测时域由两个因素决定。首先，预测必须足够精确以用作决策的基础。为了实现精度，未来生产计划的输入数据必须是可用的，这是未来仅有限数量的天或星期时的情况。此外，预测模型本身可能由于底层预测模型结构或不良定义的参数而缺乏精度，这是用于模型识别的历史数据集的噪声和有限性质的结果。其次，预测时域必须足够长以解决相关的操作问题，例如采取维护动作、做出计划决策。
例如，在以下设备中的至少一个中预测退化的进展：由于焦炭层的形成和/或聚合而遭受结焦或其他结垢过程的换热器；其中由于焦炭层的形成和/或聚合而导致的结焦或其他结垢过程阻碍了质量流的管道；由于焦炭层的形成、聚合和/或源自上游单元操作的固体材料的沉积而遭受结焦或其他结垢过程的固定床反应器；由于焦炭层的形成、聚合和/或源自上游单元操作的固体材料的沉积而遭受结焦或其他结垢过程的流化床反应器；和由于聚合和/或源自上游单元操作的固体材料的沉积而效率降低的过滤器。
通常，上述和下述方法和装置可应用于遭受结焦或其他结垢过程的任何设备部件。例如，由于焦炭层的形成或聚合，或者由于微生物或无机沉积物，换热器可能遭受结焦或其他结垢过程。关于换热器的结焦/结垢现象的详细讨论，参考以下出版物：Cai H，Krzywicki A，Oballa MC，Coke formation in Steam crackers for ethyleneproduction；Chemical Engineering and Processing：Process Intensication 2002，41(3)：199-214和Müller-Steinhagen H.，Heat exchanger fouling：Mitigation andcleaning techniques.IChemE，2000。作为另一个实例，由于焦炭层的形成和聚合，通过管道的质量流可能被结焦或其他结垢过程所阻碍。作为另一个实例，固定床反应器和流化床反应器的性能可能由于焦炭层的形成、聚合和/或源自上游单元操作的固体材料的沉积而遭受结焦或其他结垢过程。作为另一个实例，由于聚合和/或来自上游单元操作的固体材料的沉积，过滤器的效率可能降低。
例如，化学生产装置包括以下中的至少一个：脱氢反应器、蒸汽裂化器或流化床反应器。
通常，上述和下述方法和装置可用于任何具有设备部件的化学生产装置，所述化学生产装置可能遭受结焦或其他结垢过程。该化学生产装置的一个实例是蒸汽裂化器。该化学生产装置的另一个实例是脱氢反应器或流化床反应器。
在一个实例中，步骤b)进一步包括基于在当前操作之前的预定义时段内的设备的过去操作期间测量的所述至少一个工艺变量来确定所述至少一个关键性能指标的过去值。步骤c)进一步包括获得设备在过去操作期间的所述至少一个操作参数的过去值。在步骤d)中，输入数据集进一步包括所述至少一个关键性能指标的过去值和所述至少一个操作参数的过去值。
过去值也可以称为滞后值。因此，通过使用滞后变量来引入随时间的反馈，预测模型更鲁棒。相反，没有滞后变量的模型表示专门响应当前事件的系统。用于滞后值/滞后窗口的预定义时间窗口可以由模型开发者例如根据设备的类型来选择。例如，预定义时间段可以是设备的两个维护动作之间的典型时间段的5％、10％或15％。
根据本发明的实施方案，所述计算机实施的方法进一步包括获得在设备的当前和/或过去操作期间获得的设备的至少一个操作参数的值。输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值。
换言之，在给定场景的假设下，即一个或多个给定操作参数，例如装置负载和预测时域内的裂化温度，可基于当前和/或过去操作参数来预测退化关键性能指标的未来演变。因此，关键性能指标的预测可以更精确。
根据本发明的实施方案，所述计算机实施的方法进一步包括获得在设备的当前和/或过去操作期间测量的至少一个工艺变量，以及基于在设备的当前和/或过去操作期间获得的所述至少一个工艺变量来确定至少一个关键性能指标的值。输入数据集进一步包括在设备的当前和/或过去操作期间获得的所述至少一个关键性能指标的值。
换言之，基于反映设备的当前和/或过去健康状态的当前和/或过去关键性能指标来预测退化关键性能指标的未来演变。因此，对退化关键性能指标的未来演变的预测更精确。
根据本发明的实施方案，所述计算机实施的方法进一步包括在另一预测时域内重复执行步骤a)至c)。
该预测时域可以称为第一预测时域，而该另一预测时域也可以称为第二预测时域。
使用具有滞后变量的迭代方法通常可以在不久的未来(在苯胺的情况下，1-2周)产生更好的预测。这是由于模型使用不断更新的初始值的事实。在更遥远的未来(在苯胺的情况下，>4周)，没有滞后变量的较简单的模型倾向于具有更好的精度。在更远的未来，较差的性能来自于由于模型的迭代特性而导致的预测误差的累加。
根据本发明的实施方案，所述另一个预测时域与该预测时域部分重叠。或者，所述另一个预测时域与该预测时域分离。
换言之，第二预测时域，即，另一个预测时域，可以在第一预测时域之后开始。或者，这两个预测时域可部分重叠。
根据本发明的实施方案，基于表示所述至少一个工艺变量的函数的至少一个变换的工艺变量来确定所述至少一个关键性能指标的值。
例如，该变换可以是在两个或多个管道中进料速率的简单求和，所述两个或多个管道都在相同的输送管线换热器(TLE)中流动。另一种方法是对原始数据使用能量/质量平衡或非线性变换以增加数据的信息内容。
例如，如果输入数据集和/或样本集中的所述至少一个操作参数的一个或多个值违反操作范围的预定义集合，则消除所述至少一个操作参数的所述一个或多个值。
换言之，当所述至少一个操作参数的所述一个或多个值违反操作范围的预定义集合时，通过过滤或消除输入数据集和/或样本集中的所述至少一个操作参数的一个或多个值来校正预测模型。以此方式，在训练阶段和/或在使用预测模型来估计所述至少一个关键性能指标的未来值的阶段，过滤掉不合理的观察值。不合理观察值的一些实例在本公开内容的章节A(TLE)中提供。
根据本发明的实施方案，预测模型包括多元线性回归模型，任选地具有正则化。
正则化可以用于引入附加信息以便解决不适定问题或防止过度拟合。
根据本发明的实施方案，历史数据包括至少10个清洁周期，优选至少30个清洁周期的所述至少一个工艺变量和所述至少一个操作参数的历史值。
如本文所用，术语“周期”可以指两个连续的清洁程序之间的时间段，对于蒸汽裂化器，该时间段可以是2-3个月。对于苯胺，术语“周期”也可以称为炉期。
根据本发明的实施方案，该设备包括蒸汽裂化炉、蒸汽裂化器的输送管线换热器和苯胺催化剂中的至少一种。
蒸汽裂化炉和输送管线换热器也可称为关键部件，因为它们的健康状态对蒸汽裂化器的整体效率具有较大的影响。特别地，在操作期间，蒸汽裂化器的炉中的裂化盘管的内壁遭受焦炭层的形成。在直接位于炉下游的输送管线换热器中也出现相同的问题。由于这降低了两种设备类型的性能，因此必须通过烧尽或机械方式定期除去焦炭。用于流化床反应器的苯胺催化剂在操作期间遭受焦炭的形成。这可能导致苯胺产量的减少、散热不足、床高度的降低和最终导致流化的崩溃。因此，焦炭必须通过结束炉期的氧化而周期性地除去。
在一个实例中，蒸汽裂化炉中的结焦的所述至少一个关键性能指标包括蒸汽裂化炉中的裂化盘管的管金属温度。输送管线换热器中的结焦的所述至少一个关键性能指标包括输送管线换热器的出口温度。
在一个实例中，用于确定蒸汽裂化器炉的所述至少一个关键性能指标的所述至少一个工艺变量包括蒸汽裂化器炉中的裂化盘管的管金属温度。用于确定输送管线换热器的所述至少一个关键性能指标的所述至少一个工艺变量包括输送管线换热器的出口温度。
在一个实例中，所述至少一个操作参数的当前值包括当前石脑油进料负载和/或当前裂化温度。
在一个实例中，所述至少一个操作参数的未来值包括以下中的至少一个：在预测时域内的未来石脑油进料负载、在预测时域内的未来裂化温度和在预测时域内累积并通过在预测时域内将通过输送管线换热器的不同石脑油组分的量的各组分的重量分数加权的进料负载。石脑油组分包括正链烷烃、异链烷烃、环烷烃、芳族化合物和烯烃中的至少一种。
在一个实例中，所述输送管线换热器的所述至少一个操作参数的当前值和未来值进一步包括以下中的至少一个：当前液化石油气进料负载、未来液化石油气进料负载，以及在预测时域内累积并且通过在预测时域内将通过输送管线换热器的一定量的不同液化石油气组分中的每种组分的重量分数加权的进料负载。液化石油气组分包含丙烷、正丁烷、异丁烷、异丁烯、1-丁烷、反式2-丁烯、顺式2-丁烯和戊烷中的至少一种。
本发明的另一方面提供了一种用于预测化学生产装置的设备中的退化进展的装置，包括：
a)输入单元(210)，其被配置用于接收：
-所述设备的至少一个操作参数的未来值，
其中所述至少一个操作参数对设备的退化有影响，且
其中所述至少一个操作参数在预测时域内是已知的和/或可控制的；b)处理单元(220)，其被配置用于：
-基于包括所述至少一个操作参数的未来值的输入数据集，使用预测模型来估计预测时域内的所述至少一个关键性能指标的未来值，
其中基于包括所述至少一个工艺变量和所述至少一个操作参数的历史数据的样本集，对所述预测模型进行参数化或训练，其中所述至少一个工艺变量用于确定所述至少一个关键性能指标；和
-基于所述至少一个关键性能指标的未来值来预测所述设备在预测时域内的退化进展；和
c)输出单元(230)，其被配置用于输出所述设备中的预测的退化进展。
根据本发明的实施方案，输入单元被配置用于在设备的当前和/或过去操作期间获得设备的至少一个操作参数的值。输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值。
根据本发明的实施方案，输入单元被配置用于获得在设备的当前和/或过去操作期间测量的至少一个工艺变量。处理单元被配置用于基于在设备的当前和/或过去操作期间获得的所述至少一个工艺变量来确定至少一个关键性能指标的值。输入数据集进一步包括在设备的当前和/或过去操作期间获得的所述至少一个关键性能指标的值。
根据本发明的实施方案，处理单元被配置用于在另一预测时域内重复地执行所述估计。
根据本发明的实施方案，所述另一个预测时域与该预测时域部分重叠。或者，所述另一个预测时域与该预测时域分离。
根据本发明的实施方案，处理单元被配置为如果输入数据集和/或样本集中的所述至少一个操作参数的所述一个或多个值违反预定义的操作范围集，则消除所述至少一个操作参数的所述一个或多个值。
根据本发明的实施方案，预测模型包括多元线性回归模型，任选地具有正则化。
本发明的另一方面提供了一种用于指导装置的计算机程序单元，当由处理单元执行时，所述计算机程序单元适于执行所述方法。
本发明的另一方面提供了一种存储有程序单元的计算机可读介质。
附图简介
本发明的这些和其他方面将从下文描述中通过示例方式描述的实施方案并参考附图而变得明显并得到进一步阐述，其中：
图1示出了用于预测化学生产装置的设备中的退化进展的计算机实施的方法的流程图。
图2A示出了TLE A的测量的出口温度和相应14天预测。
图2B示出了TLE A和TLE B的不同预测时域的模型的预测误差。
图3示出了TLE B的14天预测结果。
图4A和4B示出了预测模型的原理。
图5A和5B示出了扩展预测时域的实例。
图6示意性地示出了用于预测化学生产装置的设备中的退化进展的装置。
应指出的是，附图纯粹是示意性的，不是按比例绘制的。在附图中，与已经描述的要素相对应的要素可具有相同的附图标记。实例、实施方案或任选特征，无论是否被指示为非限制性的，都不应理解为限制所要求保护的本发明。
实施方案的详细描述
预测退化进展的方法
图1示出了说明用于预测化学生产装置如蒸汽裂化器的设备中的退化进展的计算机实施的方法100的流程图。
在步骤110，即步骤a)中，获得设备的至少一个操作参数的未来值。所述至少一个操作参数对设备的退化有影响。所述至少一个操作参数在预测时域内是已知的和/或可控的，使得所述至少一个操作参数的未来值可以在预测时域内确定。
操作参数的实例是石脑油进料负载和裂化温度。所述至少一个操作参数对设备的退化进展有影响。换言之，仅选择与确定设备的退化相关的操作参数。所述至少一个操作参数在预测时域内是已知的和/或可控的，使得所述至少一个操作参数的未来值可以在预测时域内被计划或预期。
设备退化的有用预测时域通常在数小时到数个月之间。所用的预测时域由两个因素确定。首先，预测必须足够精确以用作决策的基础。为了实现精度，未来生产计划的输入数据必须是可用的，其仅可用于有限的预测时域。
此外，预测模型本身可能由于底层预测模型结构或由于定义不佳的模型参数而缺乏精度，这可能是用于模型识别的历史数据集的噪声和有限性质的结果。其次，预测时域必须足够长以解决相关的操作问题，例如采取维护动作、做出计划决策。
任选地，在设备的当前和/或过去操作期间，例如通过一个或多个传感器测量至少一个工艺变量。工艺变量的实例可包括但不限于温度、压力、流量、水平和组成。对于设备，可以选择适当的传感器，其提供关于所考虑的设备的健康状态的信息。可以基于经验和工艺理解来选择传感器。
设备可以是关键部件之一，因为关键部件的健康状态对化学生产装置如蒸汽裂化器或脱氢反应器的维护活动具有更强的影响。关于关键部件的选择的这种信息的来源可能是不良行为人分析或操作的一般体验。设备的实例包括但不限于由于焦炭层的形成和/或聚合而遭受结焦或其他结垢过程的换热器；其中由于焦炭层的形成和/或聚合而导致的结焦或其他结垢过程阻碍了质量流的管道；由于焦炭层的形成、聚合和/或源自上游单元操作的固体材料的沉积而遭受结焦或其他结垢过程的固定床反应器；由于焦炭层的形成、聚合和/或源自上游单元操作的固体材料的沉积而遭受结焦或其他结垢过程的流化床反应器；和由于聚合和/或源自上游单元操作的固体材料的沉积而导致效率降低的过滤器。
任选地，基于在设备的当前操作期间获得的所述至少一个工艺变量来确定至少一个关键性能指标的当前值。任选地，可以基于在当前操作之前的预定义时段内的设备的过去操作期间由一个或多个传感器测量的所述至少一个工艺变量来确定所述至少一个关键性能指标的过去值。换言之，除了所述至少一个关键性能指标的当前值以外，还确定所述至少一个关键性能指标的过去值，即滞后值。当前操作之前的预定义时间段可以由模型开发者设置。例如，预定义时间段可以是设备的两个维护动作之间的时间段的10％。
关键性能指标可包括一个或多个测量的工艺变量，其表示原始测量值。任选地，基于表示所述至少一个工艺变量的函数的至少一个变换的工艺变量来确定所述至少一个关键性能指标的当前值和/或过去值。换言之，原始测量值在数学上被组合成新的变量，例如压力补偿的温度，或者由体积流量测量值计算的质量流量。新变量，即变换的工艺变量，可以被创建为包括工艺操作员最熟悉的测量的版本，或者为了改进预测模型的数据的相关结构。关键性能指标可以由用户(例如工艺操作员)或由统计模型定义，例如测量到相关工艺变量的多变量空间中的设备的“健康”状态(即没有退化的状态)的距离的异常分数，例如从主分量分析(PCA)导出的Hotelling T2分数或DModX距离。
任选地，获取设备在当前操作期间的至少一个操作参数的当前值。任选地，可以获得设备在过去操作期间的所述至少一个操作参数的过去值，即滞后值。
在步骤120，即步骤b)中，使用预测模型来估计所述至少一个关键性能指标在预测时域内的未来值。预测模型的输入包括输入数据集，该输入数据集包括所述至少一个操作参数的未来值。
任选地，输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值。
任选地，输入数据集进一步包括在设备的当前和/或过去操作期间获得的所述至少一个关键性能指标的值，因为它提供关于设备在当前和/或过去操作期间的健康状态的信息。包括所述至少一个关键性能指标的当前和/或过去值作为输入可以提高预测精度。
基于包括所述至少一个工艺变量和所述至少一个操作参数的历史数据的样本集，对预测模型进行参数化或训练。由于样本集的大小影响预测模型的性能，因此历史数据优选包括至少10个清洁周期，优选至少30个清洁周期的所述至少一个工艺变量和所述至少一个操作参数的历史值。例如，预测模型可使用80％的历史清洁周期来校准模型，且使用20％的历史清洁周期来验证模型的拟合优度或预测精度。定期重新校准模型以解决模型未捕获的工艺变化也是重要的。
任选地，当所述至少一个操作参数的所述一个或多个值违反预定义的操作范围集时，通过过滤或消除输入数据集和/或样本集中的所述至少一个操作参数的所述一个或多个值来校正预测模型。以此方式，在训练阶段和/或在使用预测模型来估计所述至少一个关键性能指标的未来值的阶段，过滤掉不合理的观察值。
预测模型的一个实例是多元线性回归(MLR)模型，其通过将线性方程拟合到观测数据来对两个或更多个解释变量和响应变量之间的关系进行建模，所述解释变量即任选地所述至少一个关键性能指标的当前值、所述至少一个操作参数的当前值和所述至少一个操作参数的未来值，所述响应变量即所述至少一个关键性能指标的未来值。
在步骤130，即步骤c)中，基于所述至少一个关键性能指标的未来值来预测设备在预测时域内的退化进展。
应当理解，上述操作可以以任何合适的顺序执行，例如连续地、同时地或其组合，在适用的情况下，根据例如输入/输出关系，特定顺序是必要的。
预测模型的实例
为了表明预测模型也适用于预测前几天和前几周的设备健康状态，提供了三个设备实例，包括蒸汽裂化炉、蒸汽裂化器的输送管线换热器(也称为TLE)和用于流化床反应器中的苯胺催化剂。
A.TLE
由于TLE易于结焦，其冷却能力随时间而降低，这可能导致出口处的气体温度升高。对于新清洁的TLE，该温度为约380℃。在1-3个月内升高到470-480℃，这是设备清洁(通过烧尽或通过机械方式)的阈值。就前述章节而言，出口温度是监控退化进展的关键性能指标。为了安排清洁任务，明显非常有利的是提前至少1-2周知道何时将达到临界出口温度。
预测TLE结焦的另一个益处是可以模拟备选场景，例如在不久的未来降低进料负载或裂化温度，从而允许工艺管理员主动延迟清洁程序，例如将清洁程序与其他维护任务同步。由于这些原因，出口温度的可靠预测是巨大的益处。
A1.TLE A
TLE A的预测目标是出口温度，即关键性能指标的未来值。为了清楚起见，这意味着我们通过预测模型估计未来固定时移(预测时域)时的出口温度值。
模型的输入量可以通过以下方式选择：首先，例如由本领域专家选择已知的或认为影响结焦的所有量。然后，将这些量特征中的一些组合，选择预测模型的适当数学形式，并且校准模型历史数据。还优选避免模型记住历史数据中不相关的特征，因此不能产生精确预测的新数据(“过度拟合问题”)。
结果，选择以下特征作为模型的输入：
a.在当前时间t现在(做出预测的当天)测量的量：
-当前石脑油进料负载[t/h]，在连接到TLE A的所有裂化盘管上取平均值；
-当前裂化温度(在盘管长度的90％处)，以[℃]计；和
-当前TLE出口温度；
b.在预测时域内可以可靠地预测的量，因为它们(至少原则上)在未来是已知的或者甚至通过以下操作来控制：
-做出预测的当天t未来的石脑油进料负载，以[t/h]计；
-t未来时的裂化温度，以[℃]计；
-在预测时域期间通过TLE的不同石脑油组分的量，以[t]计。为了清楚起见，这定义为在预测时域内累积的并且通过进料中的组分的重量分数加权的进料负载，并且对于第i个组分由mi表示：
Figure BDA0003477241290000161
代替考虑所有29种测量组分，我们包括被合计成以下组分类别的重量分数：
·正链烷烃；
·异链烷烃；
·环烷烃；
·芳族化合物；和
·烯烃。
作为特征工程化的附加步骤，可以将所有上述模型的输入量扩展到更高的多项式阶，例如，扩展到所有输入中的二阶因子分解模型。下一步是使用多元线性回归，根据历史数据确定这些输入量和目标关键性能指标(未来的出口温度)之间的关系。为此，使用1小时的采样率收集最近48个清洁周期(～10年)的所有量的历史值。应用几个标准来滤除系统的“差”观察值，即，不应用于回归的数据点：
-TLE在时间t现在或t未来除焦的观察值，
-在时间t现在或t未来具有“异常”低或非常高的进料负载的观察值，
-在时间t现在或t未来具有“异常”裂化温度值的观察值，
-不测量输入变量或输出中的一个下的观察值。
接下来，将数据集分成验证集(8个清洁周期)和训练集(40个周期)。仅使用训练集，进行多元线性回归。
使用MLR的最小二乘拟合程序的鲁棒化方法来减轻离群值对模型精度的有害影响。
模型的预测误差(对于1-σ置信度)通过预测的模型估计值与其在预测时域内的值之间的均方根偏差(RMSE)来量化。验证集和训练集的RMSE具有相似的量级，表明模型不会遭受过度拟合。图2A中示出了示例性历史部分的测得出口温度和相应的14天预测。特别地，将出口温度的真实值10与2010年10月与2010年11月之间以及2011年2月与2011年4月之间的训练数据12的相应14天预测值进行比较。将出口温度的真实值10与在2010年10月和2011年2月之间对验证数据14的相应14天预测值进行比较。为了清楚起见，如果进料负载和进料组成在预测时域内已经被精确预测，则曲线12和曲线14是给定天的预测值，其在该时间之前的14天计算。
预测值和实际值之间的一致性非常好。瞬时变化(由进料负载的突然变化引起)以及由结焦引起的总体增加趋势被捕获。图2B中示出了模型对于不同预测时域的预测误差。如所预期的那样，不确定性随着未来预测的时间越长而增加。然而，该模型对长达一个月的时域产生可接受的预测(误差低于10℃)。
A2.TLE B
与TLE A非常相似，建立了TLE B出口温度的预测模型。然而，与TLE A所在的炉A相反，TLE B所在的炉B不是专用于处理石脑油的，而是也可以用LPG或二者的混合物(“共裂化”)供料。这导致周期长度(即，两个清洁程序之间的时间间隔)的更大变化。因此，装置人员对于炉B的结焦具有比炉A弱得多的“肠感(gut feeling)”，这增加了可靠预测模型的益处。
此外，模拟切换原料(例如石脑油至液化石油气)对退化进展的影响的可能性是TLE B预测模型的额外益处。
作为TLE B预测模型的输入，我们从与TLE A相同的量开始，并加入以下：
-当前的LPG进料负载，以[t/h]计；
-t未来时的LPG进料负载[t/h]；和
-不同LPG组分的量，其包括：
·丙烷；
·正丁烷；
·异丁烷；
·异丁烯：
·1-丁烯；
·反式-2-丁烯；
·顺式-2-丁烯；和
·戊烷(总)。
除了有效裂化温度值的较大范围以外，用于滤除不合理观察值的标准类似于TLEA。模型构建过程的所有其他步骤如TLE A所述。
14天预测的结果在图3中示出。特别地，将出口温度的真实值10与在2008年7月和2008年9月之间以及在2008年12月和2009年2月之间的训练数据12的相应14天预测值进行比较。将出口温度的真实值10与在2008年9月和2008年12月之间的验证数据14的相应14天预测值进行比较。预测模型描述了训练和验证数据的历史数据，直到～8℃的可接受误差。TLE B的预测误差对于所有时域都稍大于TLE A的预测误差，这反映了装置人员的预期，因为共裂化操作使得结焦更难以预测。
因此，开发的出口温度的预测模型—出口温度是退化的中心关键性能指标—很好地描述了可用的10年历史数据。对于高达两周的预测，其允许以+/-7℃的精度(在1-σ置信水平下)进行预测，其与出口温度正常变化的温度窗口相比是小的。此外，该模型可以模拟在即将到来的日子中的进料负载、裂化温度和进料组成对出口温度的进展具有什么影响，从而使得操作能够将下一个清洁程序定时到方便的日期。
B.蒸汽裂化炉
对于蒸汽裂化炉，使用与TLE类似的方法。蒸汽裂化炉中结焦的关键性能指标包括蒸汽裂化炉中裂化盘管的管金属温度。为了确定关键性能指标，蒸汽裂化炉中的裂化盘管的管金属温度是待测量的工艺变量。为了预测关键性能指标的未来值，即裂化盘管的管金属温度，使用上文章节A中描述的方法基于例如过去10年的历史生产数据开发预测模型。预测模型可以以量化的置信区间预测裂化盘管在将来的4周或更多周内的结焦进展。此外，其用于模拟“假设”场景，即工艺条件的变化，即操作参数的变化，例如降低的进料负载、进料类型或裂化温度。
操作参数、有效范围、导出特征、回归方法等与上文针对TLE描述的那些相同。
C.苯胺催化剂
在苯胺催化剂的情况下，焦炭的积累也导致催化剂的性能退化，并随之导致苯胺的产量降低。焦炭的积聚和导致的催化剂颗粒质量的增加导致流化床反应器的床上的压降增加。催化剂颗粒质量的变化以及尺寸的变化进一步引起床高度和催化剂颗粒与反应器内部的换热器之间的传热系数(也缩写为k值)的变化。此外，由于催化剂的失活，结焦也降低了苯胺转化率。就前文章节而言，床上的压降是监测退化过程的关键性能指标。然而，传热系数、床高度和苯胺转化率是确定炉期结束和催化剂再生开始的关键性能指标。炉期的结束通常由换热器水平下方的床高度下降、传热系数的降低和/或苯胺转化率低于某一水平来限定。这些情况中的每一种最终导致炉期/周期的结束。炉期的结束通常在2-5周之间达到。为了安排催化剂的再生，明显非常有利的是知道关键性能参数在至少接下来的1-2周内的演变，并且由此知道炉期/周期的大致结束。
如在前述实例中，预测的另一益处是模拟替代场景的可能性，例如增加的进料负载、进料组成或反应器温度，这允许工艺管理员调整催化剂的再生并因此关闭与其他连接的装置。
为了达到更好的预测结果，某些预处理步骤被应用于模型的目标和输入参数。模型的目标参数是关键性能指标，明确地是床上的压降、床高度和传热系数以及单独的苯胺转化率。对于所有目标参数，应用范围从简单移动平均到双指数平滑算法的平滑算法。与TLE的实例类似地选择模型的输入参数。首先，例如由专家选择已知或认为影响结焦的所有量、传热系数、床高度和转化率。此外，忽略不相关的输入，因为这仅降低模型精度。此外，为了更好的模型精度，目标的远离群值以及输入参数被移除。然后选择预测模型的适当数学形式。这包括确定模型的一次迭代所考虑的过去值和未来值的数量。此外，选择正则化算法和参数以避免训练数据的过度精确预测和模型的不充分概括，也称为过度拟合。
选择以下特征作为模型的可能输入：
a.在过去和现在测量的并且在未来要通过操作定义的操作参数：
·MNB到反应器的流速，
·反应器温度，
·循环气体的流速，
·废气的氢浓度；
b.过去和现在计算的工艺变量，以及可由未来操作参数获得的工艺变量：
·催化剂的年龄，以从首次使用催化剂开始每吨催化剂生产的MNB的吨数计，
·运行炉期期间以每吨催化剂生产的MNB的吨数计的炉期长度，
·当前或先前炉期的平均结焦速率，
c.初始目标变量：
·初始床高度，
·初始传热系数，
·初始压降。
取决于反应器的操作以及因此目标变量的预测对相应输入的依赖性，可以为每个反应器选择输入参数的不同选择。此外，目标变量(床上的压降、传热系数和床高度)的过去和当前值也用作模型的输入。
对于模型的训练、超参数调整和验证，使用嵌套交叉验证的方法。取决于反应器的年龄，不同数量的炉期可用于训练从几年到超过10年的未决模型。此处，五个折叠用于嵌套交叉验证的内折叠和外折叠。模型的预测误差(对于1-σ置信度)通过预测的模型估计值与其在预测时域的值之间的均方根偏差(RMSE)来量化。此处，使用了外部重新采样上的测试集上的RMSE的平均值，因为它们给出了模型的一般化误差的估计。此处，误差也随着预测时域的增加而增加。训练和测试集之间的小差异表明模型不会遭受过度拟合。
在长期中，我们假设误差随时间的演变类似于随机游走的演变，而对于短期，误差由模型和真实数据之间的固有差异支配。因此，我们提出以下模型：
Figure BDA0003477241290000211
其中常数偏移量“a”表示短期误差，而sqrt(t)依赖性表示随机游走的长期演变。
所提出的方法的原理
现在参考图4A和4B，其示出了所提出的方法的原理。所提出的预测模型基于未来操作参数来预测关键性能指标。
线2000反映预测的第一次迭代的开始，其可以是当前时间。过去的方向由箭头2500表示，而未来的方向由箭头2600表示。图4A中描绘的值是关键性能指标，包括示为空心圆2100和实心圆2200的过去值。实心圆还反映了在预测模型中使用的过去值。在非限制性实例中，这些关键性能指标可以是上述实例中描述的一个或多个关键性能指标，例如压降床(焦炭含量)、传热系数、床高度和苯胺催化剂的转化率以及TLE的出口温度。
用于选择并入模型中的过去值的时间跨度被描绘为2300。预测时域被描绘为2400。预测的KPI值显示为2700。在一些实例中，可能仅存在一次预测迭代。在一些情况下，可能有利的是扩展预测时域。这可以通过在第一预测时域期间或结束时重复执行预测来完成。
图4B示出了相应的操作值和工艺变量。在图4B中，沿着时间轴绘制了操作值和工艺变量3000、3100、3200。在预测模型中未考虑的过去的操作值和工艺变量被描绘为3000。在预测中考虑的过去的操作值和工艺变量被描绘为3100，并且在预测中考虑的未来的操作值和工艺变量被描绘为3200，并且位于预测时域2400内。这些操作值和工艺变量的实例在上文“预测模型的实例”章节中描述。
在一些实例中，仅未来操作参数可以用于预测。
在一些实例中，仅未来工艺变量可以用作预测模型的输入。
下一个预测周期开始于4000，其标记了图4A中的第一预测时域2400的结束。
在一些实例中，可能仅存在一次预测迭代。
在一些实例中，可能有利的是扩展预测时域。这可以通过在第一预测时域结束时重复执行预测来完成。图5A和5B示出了一个实例。或者(未示出)，这可以通过在第一预测时域期间重复执行来完成，即，第一和第二次迭代可以彼此重叠。
使用具有滞后变量的迭代方法通常可以在不久的未来(在苯胺的情况下，1-2周)产生更好的预测。这是由于模型使用不断更新的初始值的事实。在更遥远的未来(在苯胺的情况下，>4周)，没有滞后变量的更简单的模型可能倾向于具有更好的精度。在更远的未来，较差的性能来自于由于模型的迭代特性而导致的预测误差的累加。
转到图5A，示出了关键参数指标的预测的第二次迭代。该预测周期开始于4000，其标记了图4A中的第一预测时域2400的结束。虚线4000在图4和6中同样标记相同的时间。此处，用于选择并入模型中的过去值的时间跨度被描绘为4300。此处，预测时域被描绘为4400。该迭代的预测KPI值被描绘为4700空十字。散列三角形表示第二次迭代的未来操作值和工艺变量。完全预测现在覆盖了从点虚线2000到虚线6000的时间跨度。此外，迭代可以类似于移动窗口方法。此处，窗口移动到第一预测时间跨度的末期。
预测时域可以根据问题的需要进行调整。例如，预测时域可以是未来的几天或几周。例如，为了安排催化剂的再生，明显非常有利的是知道关键性能参数在至少接下来的1-2周内的演变，并且由此知道炉期/周期的大致结束。例如，炉期/周期的结束通常在2-5周之间达到。
时间窗口2300，即用于选择并入模型中的过去值的时间跨度，也可以根据问题的需要进行调整。例如，时间窗口可以是设备的两个维护动作之间的时间段的10％、20％、30％、40％或50％。
预测模型可以是多元线性回归模型。在一些实例中，预测模型可为具有正则化的多重线性回归模型。正则化是引入附加信息以便解决不适定的问题或防止过度拟合的方法。一种正则化的方式是向损失函数添加约束：
正则化损失＝损失函数+约束
存在多种不同形式的约束可以用于正则化。实例包括但不限于，Ridge回归、Lasso和弹性网。
用于预测退化进展的装置
图6示意性地示出了用于预测化学生产装置如蒸汽裂化器的设备中的退化进展的装置200。装置200包括输入单元210、处理单元220和输出单元230。
输入单元210被配置用于接收设备的至少一个操作参数的未来值。所述至少一个操作参数对设备的退化有影响，并且所述至少一个操作参数在预测时域内是已知的和/或可控制的，使得所述至少一个操作参数的未来值可以在预测时域内确定。
任选地，输入单元210还被配置用于接收在设备的当前或过去操作期间获得的所述至少一个操作参数的值。
任选地，输入单元210被配置用于接收在设备的当前和/或过去操作期间测量的至少一个工艺变量。
因此，在一个实例中，输入单元210可以被实现为以太网接口、USB(TM)接口、无线接口如WiFi(TM)或蓝牙(TM)或使得能够在输入外设和处理单元220之间进行数据传输的任何相当的数据传输接口。
处理单元220还被配置用于使用预测模型，例如多重线性回归模型，以基于输入数据集来估计预测时域内的所述至少一个关键性能指标的未来值。输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值以及所述至少一个操作参数的未来值。基于包括所述至少一个工艺变量和所述至少一个操作参数的历史数据的样本集，对预测模型进行参数化或训练。处理单元220还被配置用于基于所述至少一个关键性能指标的未来值来预测设备在预测时域内的退化进展。
任选地，输入单元210被配置用于在设备的当前和/或过去操作期间获得设备的至少一个操作参数的值。输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值。
任选地，处理单元220被配置用于基于所述至少一个工艺变量来确定所述至少一个关键性能指标的值。输入数据集还包括在设备的当前和/或过去操作期间获得的所述至少一个关键性能指标的值。
任选地，处理单元被配置用于在另一预测时域内重复地执行所述估计。所述另一预测时域(也称为第二预测时域)与该预测时域(也称为第一预测时域)部分重叠。或者，这两个预测时域可以彼此分离。这在上文并且特别地关于图5A和5B中所示的实施方案进行了解释。
因此，处理单元220可以执行计算机程序指令以执行各种处理和方法。处理单元220可以指执行一个或多个软件或固件程序的专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或组)和/或存储器(共享的、专用的或组)、组合逻辑电路和/或提供所述功能的其他合适的部件，或者是其一部分，或者包括这些部件。此外，该处理单元220可以连接到易失性或非易失性存储器、显示接口、通信接口等，如本领域技术人员所知的那样。
输出单元230被配置用于输出预测的设备中的退化进展。
因此，在一个实例中，输出单元230可实现为以太网接口、USB(TM)接口、诸如WiFi(TM)或蓝牙(TM)的无线接口或实现输出外围设备与处理单元230之间的数据传送的任何相当的数据传送接口。
本发明的该示例性实施例覆盖了从一开始就使用本发明的计算机程序和通过更新将现有程序变成使用本发明程序的计算机程序。
此外，计算机程序单元可能能够提供所有必要的步骤来完成如上所述的方法的示例性实施方案的程序。
根据本发明的另一示例性实施方案，提供了一种计算机可读介质，例如CD-ROM，其中所述计算机可读介质具有存储在其上的计算机程序单元，所述计算机程序单元由前述章节描述。
计算机程序可以存储和/或分布在适当的介质上，例如与其他硬件一起提供或作为其他硬件的一部分提供的光存储介质或固态介质，但是也可以以其他形式分布，例如经由因特网或其他有线或无线电信系统。
然而，计算机程序也可以通过类似万维网的网络来呈现，并且可以从该网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施方案，提供了一种用于使计算机程序单元可用于下载的介质，该计算机程序单元被设置为执行根据本发明的先前描述的实施方案之一的方法。
必须指出的是，本发明的实施方案是参考不同的主题来描述的。特别地，一些实施方案是参考方法类型权利要求来描述的，而其他实施方案是参考设备类型权利要求来描述的。然而，本领域技术人员将从上下文描述中了解到，除非另外指出，除了属于一种类型的主题的特征的任何组合之外，与不同主题相关的特征之间的任何组合也被认为是与本申请一起公开的。然而，所有特征可以被组合，从而提供超过特征的简单求和的协同效果。
尽管在附图和前文描述中详细地示意和描述了本发明，然而该示意和描述被认为是示意性的或示例性的，而非限制性的。本发明并不限于所公开的实施方案。本领域技术人员在实施所要求保护的发明时，通过研究附图、公开内容和从属权利要求，可以理解和实现所公开的实施方案的其他变型。
在权利要求中，措辞“包括”不排除其他要素或步骤，并且不定冠词“一个”或“一种”不排除多个(种)。单个处理器或其他单元可以实现权利要求中所述的若干项的功能。在相互不同的从属权利要求中引用某些措施的事实并不表示这些措施的组合不能被有利地使用。权利要求中的任何附图标记不应被解释为限制范围。

Claims (15)

1.一种预测化学生产装置的设备中的退化进展的计算机实施的方法(100)，包括：
a)获得(110)所述设备的至少一个操作参数的未来值，
其中所述至少一个操作参数对设备的退化有影响，并且
其中所述至少一个操作参数在预测时域内是已知的和/或可控制的，使得所述至少一个操作参数的未来值能够在预测时域内被确定；
b)使用(120)预测模型基于包括所述至少一个操作参数的未来值的输入数据集来估计预测时域内的所述至少一个关键性能指标的未来值，其中基于包括至少一个工艺变量和所述至少一个操作参数的历史数据的样本集，对预测模型进行参数化或训练，其中所述至少一个工艺变量用于确定所述至少一个关键性能指标；和
c)基于所述至少一个关键性能指标的未来值来预测(130)设备在预测时域内的退化进展。
2.根据权利要求1所述的计算机实施的方法，进一步包括：
-在设备的当前和/或过去操作期间获得设备的至少一个操作参数的值；
其中输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值。
3.根据权利要求1或2所述的计算机实施的方法，进一步包括：
-获得在设备的当前和/或过去操作期间测量的至少一个工艺变量；
-基于在设备的当前和/或过去操作期间获得的所述至少一个工艺变量，确定至少一个关键性能指标的值；
其中输入数据集进一步包括在设备的当前和/或过去操作期间获得的所述至少一个关键性能指标的值。
4.根据前述权利要求中任一项所述的计算机实施的方法，进一步包括：
-在另一预测时域内重复执行步骤a)至c)。
5.根据权利要求4所述的计算机实施的方法，
其中所述另一预测时域与所述预测时域部分重叠；或
其中所述另一预测时域与所述预测时域分离。
6.根据前述权利要求中任一项所述的计算机实施的方法，其中所述预测模型包括任选地具有正则化的多重线性回归模型。
7.根据前述权利要求中任一项所述的计算机实施的方法，其中所述设备包括以下中的至少一个：
-蒸汽裂化炉；
-蒸汽裂化器的输送管线换热器；和
-苯胺催化剂。
8.一种用于预测化学生产装置的设备中的退化进展的装置(200)，包括：
a)输入单元(210)，其被配置用于接收所述设备的至少一个操作参数的未来值，
其中所述至少一个操作参数对设备的退化有影响，并且
其中所述至少一个操作参数在预测时域内是已知的和/或可控制的；
b)处理单元(220)，其被配置用于：
-基于包括所述至少一个操作参数的未来值的输入数据集，使用预测模型来估计预测时域内的所述至少一个关键性能指标的未来值，
其中基于包括所述至少一个工艺变量和所述至少一个操作参数的历史数据的样本集，对预测模型进行参数化或训练，其中所述至少一个工艺变量用于确定所述至少一个关键性能指标；和
-基于所述至少一个关键性能指标的未来值来预测所述设备在预测时域内的退化进展；和
c)输出单元(230)，其被配置用于输出预测的设备中的退化进展。
9.根据权利要求8所述的装置，
其中输入单元被配置用于在设备的当前和/或过去操作期间获得设备的至少一个操作参数的值；并且
其中输入数据集包括在设备的当前和/或过去操作期间获得的所述至少一个操作参数的值。
10.根据权利要求8或9所述的装置，
其中输入单元被配置用于获得在设备的当前和/或过去操作期间测量的至少一个工艺变量；
其中处理单元被配置用于基于在设备的当前和/或过去操作期间获得的所述至少一个工艺变量来确定至少一个关键性能指标的值；并且
其中输入数据集进一步包括在设备的当前和/或过去操作期间获得的所述至少一个关键性能指标的值。
11.根据权利要求8-10中任一项所述的装置，其中处理单元被配置用于在另一预测时域内重复地执行估计。
12.根据权利要求11所述的设备，
其中所述另一预测时域与所述预测时域部分重叠；或
其中所述另一预测时域与所述预测时域分离。
13.根据权利要求9-12中任一项所述的设备，
其中所述预测模型包括任选地具有正则化的多重线性回归模型。
14.一种用于控制根据权利要求8-13中任一项所述的装置的计算机程序单元，所述计算机程序单元在由处理单元执行时适于执行根据权利要求1-7中任一项所述的方法步骤。
15.一种存储有根据权利要求14所述的程序单元的计算机可读介质。
CN202080052194.3A 2019-07-25 2020-07-27 预测结焦和结垢进展以改进化学生产装置中的生产计划 Pending CN114127729A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19188437.8 2019-07-25
EP19188437 2019-07-25
EP19197875.8 2019-09-17
EP19197875 2019-09-17
PCT/EP2020/071140 WO2021014025A1 (en) 2019-07-25 2020-07-27 Forecasting the progress of coking and fouling for improved production planning in chemical production plants

Publications (1)

Publication Number Publication Date
CN114127729A true CN114127729A (zh) 2022-03-01

Family

ID=71728747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080052194.3A Pending CN114127729A (zh) 2019-07-25 2020-07-27 预测结焦和结垢进展以改进化学生产装置中的生产计划

Country Status (7)

Country Link
US (1) US20220243133A1 (zh)
EP (1) EP4004150A1 (zh)
JP (1) JP2022542885A (zh)
KR (1) KR20220042349A (zh)
CN (1) CN114127729A (zh)
CA (1) CA3146696A1 (zh)
WO (1) WO2021014025A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11740617B2 (en) * 2020-01-30 2023-08-29 ExxonMobil Technology and Engineering Company Methods and systems for performing transient processes
EP4098720A1 (en) * 2021-06-01 2022-12-07 Linde GmbH A method of determining a carburisation model of a coil of a steam cracking furnace

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207949B (zh) * 2013-04-10 2016-09-07 华东理工大学 乙烯裂解炉tle出口温度和运行周期预测方法
EP3149113B1 (en) * 2014-05-28 2019-09-18 SABIC Global Technologies B.V. Ethylene furnace process
CN104711009B (zh) * 2015-02-26 2017-03-15 中国石油集团东北炼化工程有限公司葫芦岛设计院 一种快速预测焦化炉管内停留时间的方法
CN105423770B (zh) * 2015-11-12 2017-07-28 中国石油化工股份有限公司青岛安全工程研究院 一种炼化装置加热炉炉管清焦时间的预测方法

Also Published As

Publication number Publication date
US20220243133A1 (en) 2022-08-04
WO2021014025A1 (en) 2021-01-28
EP4004150A1 (en) 2022-06-01
JP2022542885A (ja) 2022-10-07
CA3146696A1 (en) 2021-01-28
KR20220042349A (ko) 2022-04-05

Similar Documents

Publication Publication Date Title
US10913905B2 (en) Catalyst cycle length prediction using eigen analysis
EP3924785B1 (en) Determining operating conditions in chemical production plants
Smaïli et al. Mitigation of fouling in refinery heat exchanger networks by optimal management of cleaning
CN107430398B (zh) 用于调谐工艺模型的系统和方法
Bhutani et al. First-principles, data-based, and hybrid modeling and optimization of an industrial hydrocracking unit
EP3289420B1 (en) Computer system and method for causality analysis using hybrid first-principles and inferential model
US20180046155A1 (en) Identifying and implementing refinery or petrochemical plant process performance improvements
CN114127729A (zh) 预测结焦和结垢进展以改进化学生产装置中的生产计划
US11993751B2 (en) Predictive control systems and methods with fluid catalytic cracking volume gain optimization
US11886154B2 (en) Systems and methods for optimizing refinery coker process
Bogojeski et al. Forecasting industrial aging processes with machine learning methods
Ishiyama et al. Platform for techno-economic analysis of fouling mitigation options in refinery preheat trains
Sadighi et al. Optimizing an industrial scale naphtha catalytic reforming plant using a hybrid artificial neural network and genetic algorithm technique
Chen et al. Real-time refinery optimization with reduced-order fluidized catalytic cracker model and surrogate-based trust region filter method
Almeida Nt et al. Dynamic optimization of a FCC converter unit: numerical analysis
Huang et al. Enhancing transient event trigger real-time optimization for fluid catalytic cracking unit operation with varying feedstock
CN112752965A (zh) 基于剩余耐磨衬里厚度估计旋风除尘器寿命
Li et al. Receding Horizon Optimization of Ethylene Cracking Operation and Scheduling under Supply Chain Fluctuations
Macías‐Hernández et al. Applications of evolving intelligent systems to oil and gas industry
WO2019028020A1 (en) IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT
Ramachandran et al. Data analysis, modeling and control performance enhancement of an industrial fluid catalytic cracking unit
US20230143324A1 (en) System And Method for Determining Cleaning Schedules For Heat Exchangers And Fired Heaters Based On Engineering First Principles And Statistical Modelling
US20220083716A1 (en) System and method for identification and forecasting fouling of heat exchangers in a refinery
JP7399631B2 (ja) 水需要予測システム、および、その方法
Almeida et al. Solving dynamic optimization infeasibility problems

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