JP7273202B2 - 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム - Google Patents
排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム Download PDFInfo
- Publication number
- JP7273202B2 JP7273202B2 JP2021577833A JP2021577833A JP7273202B2 JP 7273202 B2 JP7273202 B2 JP 7273202B2 JP 2021577833 A JP2021577833 A JP 2021577833A JP 2021577833 A JP2021577833 A JP 2021577833A JP 7273202 B2 JP7273202 B2 JP 7273202B2
- Authority
- JP
- Japan
- Prior art keywords
- fgd
- hardware processors
- model
- fgd process
- input data
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Treating Waste Gases (AREA)
Description
本出願は、2019年6月27日に出願したインド仮特許出願第201921025745号からの優先権を主張する、2020年4月11日に出願した国際出願第PCT/IN20/50346号からの優先権を主張する。
レートされる。FGDプロセスの動作のシミュレーションは、選択された予測モデルによって複数のFGDプロセスパラメータを予測することを含む。次のステップにおいて、予測された複数のFGDプロセスパラメータから、複数の最適な動作設定点が推定される。さらに、推定された複数の最適な動作設定点に基づいて、FGDプロセスにおける少なくとも1つの性能喪失(performance lapse)が決定され、次いで、決定された少なくとも1つの性能喪失に応答して、FGDプロセスを最適化するために少なくとも1つの推奨が生成される。
101 メモリ
102 ハードウェアプロセッサ
103 通信インターフェース
216 FGD自動化システム
218 FGDデータソース
202 FGDプロセス
220 サーバ
222 リアルタイムプロセス最適化モジュール
224 オフラインシミュレーションモジュール
226 モデルリポジトリ
228 知識データベース
230 静的および動的データベース
Claims (12)
- 排煙脱硫(FGD)プロセスの最適化のためのプロセッサ実装方法であって、
1つまたは複数のハードウェアプロセッサを介して、入力データとして、監視されているFGDプラントから複数のプラントデータを収集するステップと、
前記入力データを前処理するステップであって、前記1つまたは複数のハードウェアプロセッサを介して前記入力データから1つまたは複数の不要な構成要素を削除するステップを含む、ステップと、
前記1つまたは複数のハードウェアプロセッサを介して、前記前処理された入力データに対して次元削減を実行するステップであって、
特徴選択を実行するステップであって、前記特徴選択が、前記前処理された入力データから、前記FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定するステップを含み、前記複数のKPIが、煙突入口二酸化硫黄(SO 2 )濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である、ステップと、
特徴抽出を実行することによって前記複数の特徴を抽出するステップであって、前記特徴抽出が、前記入力データを入力パターンの異なる特性を有する前記複数の特徴に変換するステップを含む、ステップと
を含む、ステップと、
前記1つまたは複数のハードウェアプロセッサを介して、KPIごとに、前記抽出された複数の特徴に基づいて複数の予測モデルを生成するステップと、
前記1つまたは複数のハードウェアプロセッサを介して、前記入力データを処理するための予測モデルとして、前記複数の予測モデルのうちの1つを選択するステップであって、前記複数の予測モデルから前記予測モデルを選択するステップが、
前記複数の予測モデルの様々な性能指標の値を計算するステップと、
所与のテストデータセットについて、前記複数の予測モデルの各々の合成モデルスコアを推定するステップと、
前記複数の予測モデルの各々の前記推定された合成モデルスコアを、他の予測モデルの各々の推定された合成モデルスコアと比較するステップと、
前記入力データを処理するための前記予測モデルとして、前記複数の予測モデルの中で前記合成モデルスコアの最も高い値を有する予測モデルを選択するステップと
を含む、ステップと、
前記1つまたは複数のハードウェアプロセッサを介して、1つまたは複数のソフトセンサを使用して生成された情報を使用して、前記選択された予測モデルの1つまたは複数の未測定パラメータを補償するステップと、
前記1つまたは複数のハードウェアプロセッサを介して前記FGDプロセスの前記最適化を実行するステップであって、
前記選択された予測モデルを使用して前記FGDプロセスの動作をシミュレートするステップであって、前記選択された予測モデルによって複数のFGDプロセスパラメータを予測するステップを含む、ステップと、
前記予測された複数のFGDプロセスパラメータから複数の最適な動作設定点を推定するステップと、
前記推定された複数の最適な動作設定点に基づいて、前記FGDプロセスにおける少なくとも1つの性能喪失を決定するステップと、
前記決定された少なくとも1つの性能喪失に応答して、前記FGDプロセスを最適化するための少なくとも1つの推奨を生成するステップと
を含む、ステップと
を含む、プロセッサ実装方法。 - 前記選択された予測モデルが、前記FGDプロセスの動作をシミュレートしながら複数のFGDプロセスパラメータを生成する、請求項1に記載のプロセッサ実装方法。
- 前記選択された予測モデルの性能が検証され、前記方法が、
前記選択された予測モデルについて、前記複数のFGDプロセスパラメータの予測における誤差を推定するステップと、
前記複数のFGDプロセスパラメータの予測における前記推定された誤差に基づいて、前記選択された予測モデルのヘルススコアを計算するステップと、
前記計算されたヘルススコアをヘルススコアのしきい値と比較するステップと、
前記計算されたヘルススコアが前記しきい値ヘルススコアを超えた場合、前記選択された予測モデルを修正するステップと
を含む、請求項1に記載のプロセッサ実装方法。 - 前記予測モデルのうちの1つまたは複数を使用して機器監視が実行され、
前記1つまたは複数のハードウェアプロセッサを介して、少なくとも1つの機器の少なくとも1つの予測モデルからのデータに基づいて、前記FGDプロセス内の前記少なくとも1つの機器を動作不良について監視するステップと、
前記1つまたは複数のハードウェアプロセッサを介して、前記動作不良の少なくとも1つのインスタンスが検出された場合、アラームを生成するステップと、
前記1つまたは複数のハードウェアプロセッサを介して、前記機器の前記検出された動作不良の少なくとも1つの原因を決定するために根本原因分析を実行するステップと、
前記1つまたは複数のハードウェアプロセッサを介して、前記機器の残存耐用年数(RUL)を推定するステップと
を含む、請求項1に記載の方法。 - 排煙脱硫(FGD)プロセスの最適化のためのシステムであって、
1つまたは複数のハードウェアプロセッサと、
通信インターフェースと、
複数の命令を記憶するメモリとを備え、前記複数の命令が、実行されると、前記1つまたは複数のハードウェアプロセッサに、
入力データとして、監視されているFGDプロセスから複数のプラントデータを収集することと、
前記入力データから1つまたは複数の不要な構成要素を削除することによって、前記入力データを前処理することと、
前処理された入力データに対して次元削減を実行することであって、
特徴選択を実行することであって、前記特徴選択が、前記前処理された入力データから、前記FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定することを含み、前記複数のKPIが、煙突入口二酸化硫黄(SO 2 )濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である、特徴選択を実行すること、および
特徴抽出を実行することによって前記複数の特徴を抽出することであって、前記特徴抽出が、前記入力データを入力パターンの異なる特性を有する前記複数の特徴に変換することを含む、前記複数の特徴を抽出すること
を含む、次元削減を実行することと、
KPIごとに、前記抽出された複数の特徴に基づいて複数の予測モデルを生成することと、
前記入力データを処理するための予測モデルとして、前記複数の予測モデルのうちの1つを選択することであって、
所与のテストデータセットについて、前記複数の予測モデルの各々の性能値を推定し、
前記複数の予測モデルの各々の前記推定された性能値を、他の予測モデルの各々の推定された合成モデルスコアと比較し、
前記入力データを処理するための前記予測モデルとして、前記複数の予測モデルの中で前記合成モデルスコアの最も高い値を有する予測モデルを選択する
ことによって、前記複数の予測モデルから前記予測モデルを選択することと、
1つまたは複数のソフトセンサを使用して生成された情報を使用して、前記選択された予測モデルの1つまたは複数の未測定パラメータを補償することと、
前記FGDプロセスの前記最適化を実行することであって、
前記選択された予測モデルを使用して前記FGDプロセスの動作をシミュレートすることであって、前記選択された予測モデルによって複数のFGDプロセスパラメータを予測することを含む、シミュレートすること、
前記予測された複数のFGDプロセスパラメータから複数の最適な動作設定点を推定すること、
前記推定された複数の最適な動作設定点に基づいて、前記FGDプロセスにおける少なくとも1つの性能喪失を決定すること、および
前記決定された少なくとも1つの性能喪失に応答して、前記FGDプロセスを最適化するための少なくとも1つの推奨を生成すること
を含む、前記最適化を実行することと
を実行させる、システム。 - 前記システムが、前記選択された予測モデルを使用して前記FGDプロセスの前記動作をシミュレートしながら複数のFGDプロセスパラメータを生成する、請求項5に記載のシステム。
- 前記システムが、
前記選択された予測モデルについて、前記複数のFGDプロセスパラメータの予測における誤差を推定し、
前記複数のFGDプロセスパラメータの予測における前記推定された誤差に基づいて、前記選択された予測モデルのヘルススコアを計算し、
前記計算されたヘルススコアをしきい値ヘルススコアと比較し、
前記計算されたヘルススコアが前記しきい値ヘルススコアを超えた場合、前記選択された予測モデルを修正する
ことによって、前記選択された予測モデルの性能を検証する、請求項5に記載のシステム。 - 前記システムが、
前記1つまたは複数のハードウェアプロセッサを介して、少なくとも1つの機器の少なくとも1つの予測モデルにおけるデータに基づいて、前記FGDプロセス内の前記少なくとも1つの機器を動作不良について監視し、
前記1つまたは複数のハードウェアプロセッサを介して、前記動作不良の少なくとも1つのインスタンスが検出された場合、アラームを生成し、
前記1つまたは複数のハードウェアプロセッサを介して、前記機器の前記検出された動作不良の少なくとも1つの原因を決定するために根本原因分析を実行し、
前記1つまたは複数のハードウェアプロセッサを介して、前記機器の残存耐用年数(RUL)を推定する
ことによって、前記予測モデルのうちの1つまたは複数を使用して機器監視を実行する、請求項5に記載のシステム。 - 排煙脱硫(FGD)プロセスの最適化のための非一時的コンピュータ可読媒体であって、前記非一時的コンピュータ可読媒体が、
1つまたは複数のハードウェアプロセッサを介して、入力データとして、監視されているFGDプラントから複数のプラントデータを収集することと、
前記入力データを前処理することであって、前記1つまたは複数のハードウェアプロセッサを介して前記入力データから1つまたは複数の不要な構成要素を削除することを含む、前処理することと、
前記1つまたは複数のハードウェアプロセッサを介して、前記前処理された入力データに対して次元削減を実行することであって、
特徴選択を実行することであって、前記特徴選択が、前記前処理された入力データから、前記FGDプロセスの複数の重要業績評価指数(KPI)の各々に影響を与える複数の特徴を特定することを含み、前記複数のKPIが、煙突入口二酸化硫黄(SO 2 )濃度、吸収塔レベル、吸収塔pH、ブースターアップファン電力消費、塔内の石灰石スラリー濃度、および石膏転換である、特徴選択を実行すること、および
特徴抽出を実行することによって前記複数の特徴を抽出すること
を含む、次元削減を実行することと、
前記1つまたは複数のハードウェアプロセッサを介して、KPIごとに、前記抽出された複数の特徴に基づいて複数の予測モデルを生成することと、
前記1つまたは複数のハードウェアプロセッサを介して、前記入力データを処理するための予測モデルとして、前記複数の予測モデルのうちの1つを選択することであって、前記複数の予測モデルから前記予測モデルを選択することが、
前記複数の予測モデルの様々な性能指標の値を計算することと、
所与のテストデータセットについて、前記複数の予測モデルの各々の合成モデルスコアを推定することと、
前記複数の予測モデルの各々の前記推定された合成モデルスコアを、他の予測モデルの各々の推定された合成モデルスコアと比較することと、
前記入力データを処理するための前記予測モデルとして、前記複数の予測モデルの中で前記合成モデルスコアの最も高い値を有する予測モデルを選択することと
を含む、前記複数の予測モデルのうちの1つを選択することと、
前記1つまたは複数のハードウェアプロセッサを介して、1つまたは複数のソフトセンサを使用して生成された情報を使用して、前記選択された予測モデルの1つまたは複数の未測定パラメータを補償することと、
前記1つまたは複数のハードウェアプロセッサを介して前記FGDプロセスの前記最適化を実行することであって、
前記選択された予測モデルを使用して前記FGDプロセスの動作をシミュレートすることであって、前記選択された予測モデルによって複数のFGDプロセスパラメータを予測する動作を含む、シミュレートすること、
前記予測された複数のFGDプロセスパラメータから複数の最適な動作設定点を推定すること、
前記推定された複数の最適な動作設定点に基づいて、前記FGDプロセスにおける少なくとも1つの性能喪失を決定すること、および
前記決定された少なくとも1つの性能喪失に応答して、前記FGDプロセスを最適化するための少なくとも1つの推奨を生成すること
を含む、前記最適化を実行することと
によって、前記FGDプロセスの最適化を実行する、非一時的コンピュータ可読媒体。 - 前記選択された予測モデルが、前記FGDプロセスの動作をシミュレートしながら複数のFGDプロセスパラメータを生成する、請求項9に記載の非一時的コンピュータ可読媒体。
- 前記選択された予測モデルの性能が検証され、
前記選択された予測モデルについて、前記複数のFGDプロセスパラメータの予測における誤差を推定することと、
前記複数のFGDプロセスパラメータの予測における前記推定された誤差に基づいて、前記選択された予測モデルのヘルススコアを計算することと、
前記計算されたヘルススコアをヘルススコアのしきい値と比較することと、
前記計算されたヘルススコアが前記しきい値ヘルススコアを超えた場合、前記選択された予測モデルを修正することと
を含む、請求項9に記載の非一時的コンピュータ可読媒体。 - 前記予測モデルのうちの1つまたは複数を使用して機器監視が実行され、
前記1つまたは複数のハードウェアプロセッサを介して、少なくとも1つの機器の少なくとも1つの予測モデルからのデータに基づいて、前記FGDプロセス内の前記少なくとも1つの機器を動作不良について監視することと、
前記1つまたは複数のハードウェアプロセッサを介して、前記動作不良の少なくとも1つのインスタンスが検出された場合、アラームを生成することと、
前記1つまたは複数のハードウェアプロセッサを介して、前記機器の前記検出された動作不良の少なくとも1つの原因を決定するために根本原因分析を実行することと、
前記1つまたは複数のハードウェアプロセッサを介して、前記機器の残存耐用年数(RUL)を推定することと
を含む、請求項9に記載の非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201921025745 | 2019-06-27 | ||
IN201921025745 | 2019-06-27 | ||
PCT/IN2020/050558 WO2020261300A2 (en) | 2019-06-27 | 2020-06-27 | Method and system for performance optimization of flue gas desulphurization (fgd) unit |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022538882A JP2022538882A (ja) | 2022-09-06 |
JP7273202B2 true JP7273202B2 (ja) | 2023-05-12 |
Family
ID=74060068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021577833A Active JP7273202B2 (ja) | 2019-06-27 | 2020-06-27 | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220246248A1 (ja) |
EP (1) | EP3991001B1 (ja) |
JP (1) | JP7273202B2 (ja) |
WO (1) | WO2020261300A2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114632624B (zh) * | 2021-12-06 | 2024-04-26 | 国电环境保护研究院有限公司 | 一种电除尘运行优化系统及优化方法 |
JP2023173706A (ja) * | 2022-05-26 | 2023-12-07 | 三菱重工業株式会社 | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 |
CN117970987B (zh) * | 2024-04-01 | 2024-06-11 | 新疆凯龙清洁能源股份有限公司 | 湿法脱硫智能化控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060121616A1 (en) | 2004-09-24 | 2006-06-08 | Neuco, Inc. | Method and system for increasing efficiency of FGD operation in fossil fuel boilers |
JP2008512792A (ja) | 2004-09-10 | 2008-04-24 | エクソンモービル リサーチ アンド エンジニアリング カンパニー | 連続工業プロセスの運転における異常事象検出のための装置および方法 |
JP2008521069A (ja) | 2004-08-27 | 2008-06-19 | アルストム テクノロジー リミテッド | 最適化された大気汚染制御 |
JP2010537282A (ja) | 2007-08-14 | 2010-12-02 | シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー | 化学プラントや精製所の連続オンラインモニタリング用のシステムおよび方法 |
US20140331752A1 (en) | 2013-05-08 | 2014-11-13 | Cummins Ip, Inc. | Exhaust aftertreatment system diagnostic and conditioning |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5864773A (en) * | 1995-11-03 | 1999-01-26 | Texas Instruments Incorporated | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment |
US7523384B2 (en) * | 2002-06-28 | 2009-04-21 | Umetrics Ab | Method and device for monitoring and fault detection in industrial processes |
US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
US10287988B2 (en) * | 2015-03-27 | 2019-05-14 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
-
2020
- 2020-06-27 US US17/597,133 patent/US20220246248A1/en active Pending
- 2020-06-27 JP JP2021577833A patent/JP7273202B2/ja active Active
- 2020-06-27 EP EP20832536.5A patent/EP3991001B1/en active Active
- 2020-06-27 WO PCT/IN2020/050558 patent/WO2020261300A2/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008521069A (ja) | 2004-08-27 | 2008-06-19 | アルストム テクノロジー リミテッド | 最適化された大気汚染制御 |
JP2008512792A (ja) | 2004-09-10 | 2008-04-24 | エクソンモービル リサーチ アンド エンジニアリング カンパニー | 連続工業プロセスの運転における異常事象検出のための装置および方法 |
US20060121616A1 (en) | 2004-09-24 | 2006-06-08 | Neuco, Inc. | Method and system for increasing efficiency of FGD operation in fossil fuel boilers |
JP2010537282A (ja) | 2007-08-14 | 2010-12-02 | シエル・インターナシヨナル・リサーチ・マートスハツペイ・ベー・ヴエー | 化学プラントや精製所の連続オンラインモニタリング用のシステムおよび方法 |
US20140331752A1 (en) | 2013-05-08 | 2014-11-13 | Cummins Ip, Inc. | Exhaust aftertreatment system diagnostic and conditioning |
Also Published As
Publication number | Publication date |
---|---|
JP2022538882A (ja) | 2022-09-06 |
WO2020261300A2 (en) | 2020-12-30 |
EP3991001A4 (en) | 2023-07-05 |
EP3991001A2 (en) | 2022-05-04 |
US20220246248A1 (en) | 2022-08-04 |
WO2020261300A3 (en) | 2021-02-18 |
EP3991001B1 (en) | 2024-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7273202B2 (ja) | 排煙脱硫(fgd)ユニットの性能最適化のための方法およびシステム | |
US8577822B2 (en) | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors | |
Xi et al. | A comprehensive evaluation of air pollution prediction improvement by a machine learning method | |
Jiang et al. | Just‐in‐time reorganized PCA integrated with SVDD for chemical process monitoring | |
Chen et al. | Cognitive fault diagnosis in tennessee eastman process using learning in the model space | |
JP6232066B2 (ja) | プラント制御最適化システム | |
Nikula et al. | Data-driven framework for boiler performance monitoring | |
JP2018152052A (ja) | 信頼性監視のためのシステムおよび方法 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
Dias et al. | Predictive analytics in the petrochemical industry: Research Octane Number (RON) forecasting and analysis in an industrial catalytic reforming unit | |
Gao et al. | Systematic rationalization approach for multivariate correlated alarms based on interpretive structural modeling and Likert scale | |
Ruschel et al. | Performance analysis and time prediction in manufacturing systems | |
JP7314323B2 (ja) | コンバインド・サイクル・ガス・タービン運転の最適化のための方法及びシステム | |
CN115034129A (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
Rezazadeh | Environmental pollution prediction of NOx by predictive modelling and process analysis in natural gas turbine power plants | |
Hosseinpour et al. | Machine learning in absorption-based post-combustion carbon capture systems: A state-of-the-art review | |
Zhou et al. | Application of neuro-fuzzy modeling technique for operational problem solving in a CO2 capture process system | |
Tejeda-Iglesias et al. | Optimization and modeling of an industrial-scale sulfuric acid plant under uncertainty | |
Jiang et al. | Understanding wind turbine interactions using spatiotemporal pattern network | |
Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
Chongwatpol et al. | Applying analytics in the energy industry: A case study of heat rate and opacity prediction in a coal-fired power plant | |
EP4033321B1 (en) | System and method for performance and health monitoring to optimize operation of a pulverizer mill | |
JP2023081485A (ja) | 状態量予測装置、及び、状態量予測方法 | |
Kabugo et al. | Process Monitoring Platform based on Industry 4.0 tools: a waste-to-energy plant case study | |
Kandasamy et al. | Survey on chaos RNN–A root cause analysis and anomaly detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230301 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230403 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230427 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7273202 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |