JPH0463102A - 蒸留条件予測方法及び蒸留法 - Google Patents

蒸留条件予測方法及び蒸留法

Info

Publication number
JPH0463102A
JPH0463102A JP17496590A JP17496590A JPH0463102A JP H0463102 A JPH0463102 A JP H0463102A JP 17496590 A JP17496590 A JP 17496590A JP 17496590 A JP17496590 A JP 17496590A JP H0463102 A JPH0463102 A JP H0463102A
Authority
JP
Japan
Prior art keywords
distillation
heating furnace
temperature
predicting
crude oil
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
JP17496590A
Other languages
English (en)
Inventor
Tetsuji Tani
谷 哲次
Makoto Sakota
迫田 誠
Shunsaku Dobashi
土橋 俊作
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.)
Idemitsu Kosan Co Ltd
Original Assignee
Idemitsu Kosan Co Ltd
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 Idemitsu Kosan Co Ltd filed Critical Idemitsu Kosan Co Ltd
Priority to JP17496590A priority Critical patent/JPH0463102A/ja
Publication of JPH0463102A publication Critical patent/JPH0463102A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 [産業上の利用分野] 本発明は、学習アルゴリズムID3を使用し過去のデー
タから経験則を自動生成して、化学物質の蒸留条件を予
測する方法に関する。
[従来の技術] 原油の蒸留(常圧蒸留)、減圧蒸留あるいはボリフデン
等石油化学品の蒸留においては、被蒸留物か変わると、
蒸留条件の目標値等を変える必要かあった。この場合、
従来は、オペレータか帳票等に記録しである過去のデー
タにもとづき、勘によって目標値等を設定していた。こ
のため、データ検索に多大の時間を要し、しかも運転ノ
ウノ\つを共有てきずオペレータの経験、知識等に大き
く依存なければならないという問題かあった。
そこて、近年、化学物質の蒸留条件をエキスパートシス
テムを利用して予測することが一部において提案されて
いる。
[発明か解決しようとする課題] 従来、エキスパートシステムを構築する場合。
−船釣には、ナレッジエンジニアと呼ばれるシステム開
発者か、現場専門家とのインタビューにより現場専門家
のノウハウをプログラムにてきる形に整理する。しかし
、この作業にはナレッジエンジニアの経験及び専門的能
力か必要であり、し力)も両者にかなりの負荷かかかる
という問題かある。
また、従来のエキスパートシステムてはシステム運用後
の知識の追加、修正にもインタビューによる知識獲得を
必要としていた。
本発明は、上記の問題点にかんがみてなされたものて、
学習アルゴリズムID3を利用することにより、エキス
パートシステムを構築する際の知識獲得の負荷を軽減し
、かつ運用後の追加、修正インタビューを不要として、
データ検索の時間短縮と運転ノウハウの共有化を可能と
した蒸留条件の予測方法と、この予測方法を利用した蒸
留法の提供を目的とする。
なお、学習アルゴリズムID3を利用したシステムは、
近年いくつかの分野て利用されているか、これらは多く
の場合離散値を対象として3つ、化学プラントの制御に
適用することか困難てあった。これに対し本発明は、連
続値を対象とすることによって、各種化学プラントへの
適用を可能ならしめている。
また、ID3等のルールベースによるシステムにおいて
は、出力結果の連続性か保証されない。
これに対し本発明は、入力条件を変化させるとプロダク
ションルールによって変化する出力の近傍の平均的な値
を採用することにより、出力結果の連続性の保証を図れ
る。
[課題を解決するための手段] 上記目的を達成するため第一発明の蒸留条件予測方法の
発明は、化学物質を蒸留する際の条件を予測する方法に
おいて、運転データ及び数値化した被蒸留物の特徴から
学習アルゴリズムID3にもとづいて落留物(いずれか
の留分)の性状、例えば最重質留分の粘度を算出し、こ
の算出結果より蒸留条件を予測する方法としである。
そして、より具体的には、所望の原油構成の原油を規定
量蒸留する際の加熱炉出口温度を予測する方法において
、運転データ及び数値化した原油の特徴から学習アルゴ
リズムID3にもとづいて、特定留分の性状1例えば残
さ油粘度のランク別けを行なうとともに、そのランクの
特定留分の性状の予測を、各ランクごとに条件を変えて
複数回行ない、かつこの複数回の予測結果から得た特定
留分の性状の平均値と上記運転データにもとづいて重回
帰分析により加熱炉出口温度を予測する方法としてあり
、さらに必要に応して予測した加熱炉出口温度と、運転
データからシュミレーションモデルにもとづいて各留分
の流出量を算出するようにしである。
第二発明の蒸留方法は、第一発明て予測した加熱炉出口
温度を、初期温度として設定し、この設定温度と実測温
度の差を算出し、算出した偏差にもとづいて加熱炉の温
度制御を行なう方法としである。
なお、特定留分の性状は、残さ油の粘度以外に、ナフサ
留分の終点灯油留分の95z留出温度、軽油留分の90
z留出温度、i動点、硫黄分、重油留分の粘度、硫黄分
、及び各留分の炭化水素のタイプ別含有量等を含み、こ
れらのうちの1または2以上に着目して行なうことがで
きる。
[実施例] 以下、本発明を、常圧蒸留装置に3ける原料加熱炉の温
度設定予測に実施する場合について説明する。
第1図は、本発明を実施する装置のブロック構成図を示
す、同図において、1は運転データテーブルてあり、過
去の各種運転データ(例えば、■各原油の重質度の分類
と、■各原油の残さ油粘度と、■ナフサの得率等)を記
憶しである。2は演算処理部てあり、上記運転データを
入力しかつ人工知能の学習アルゴリズムID3を利用し
て、原油の特徴計算、残さ油粘度の予測、加熱炉出口温
度の予測、各留分の流出量予測などを行なう。
ここて、学習アルゴリズムID3とは、1979年にQ
uinlanによって発表された帰納的学習方法の−っ
てあり、 ■対象データの形式は、各事例ごとに属性と結果を持ち
、結果は離散型である、 ■このとき、属性を判断材料にして結果を正確に分類す
る決定木を自動的に生成する、 ■決定木を自動的に生成する際、分岐の決定は情報量(
エントロピー)を使用する。
ことを特徴としている。
3は温度設定器てあり、上記演算処理部2て予測された
加熱炉出口温度を入力し、この入力を初期設定温度とす
る。4は比較器であり、温度設定器3の設定温度と温度
計5て実測した加熱炉出口温度の偏差を求める。6は操
作部てあり、比較器4からの偏差に応して原料加熱炉の
温度制御を行なう、7はポンプ選択部て、上記演算処理
部2て予測された各留分の流出量に応して使用するポン
プの種類を選択する。
次に、第2図のフローチャートを参照しつつ本発明方法
の手順を説明する。
(1)前提条件の入力(201) 前提条件として、■原油の構成比率と、■原油の処理量
と、■ナフサの終点(温点の最高温度)のデータを入力
する。これらのデータは、原油在庫の状況、各留分の需
要量等によって定めるデータである。
(2)原油の特徴計算(202) 数種の原油から構成されてなる原油の特徴を数値化する
。ここて、原油の特徴としては、■原油の概略構成比率
、■残さ油の粘性指数、■ナフサの量■その他か挙げら
れる。
■原油の概略構成比率は、処理する原油か重いものかあ
るいは軽いものかを見る指数てあり、使用予定の構成原
油を超軽質、軽質、軽中質9重中質9重質に大別し、そ
の容量比率て表わす、つまり原油のI!略構成比率は、
次のように表わす。
超軽質=  at! 軽質 = aI 軽中質= aユ2 重中質=a4! 重質 = ad なお、各原油がどの属性に属するかは経験則による。
このように、対象となる原油を大別することにより、今
まで処理したことのない原油に対しても類推適用てきる
ようにしである。
■残さ油の粘性指数は、処理する原油の粘性に高くなる
要素があるか、あるいは低くなる要素があるかを示す指
数である。この残さ油の粘性指数は、原油標準データに
おける残さ油の粘度を油種構成により単純に加重平均し
て求める。すなわち、原油概略構成比率と原油標準デー
タにおける残さ粘度の積を加算することによって求める
■ナフサの量は、塔頂系のハートネック(冷却器の冷却
能力)により加熱炉出口温度を上昇てきない割合、すな
わち加熱炉出口温度の上昇を妨げる割合を示す指数であ
る。
このナフサ量は、原油の概略構成比率と、ナフサの沸点
の終点と、原油処理量と、原油標準データにおけるナフ
サの得率(%)を積算することにより求める。
■その他 その他の原油の特徴としては、灯油、軽油等の得率(%
)が挙げられる。
(3)残さ油の粘度予測(203) 情報量による帰納的学習法(学習アルゴリズムID3)
によって残さ油の粘度を予測する。
残さ油の粘度を予測する際、すぐに粘度を求めずに、ま
ず粘度か高くなるか、低くなるかあるいは中位かを求め
、その後に粘度を求めるようにした。さらに、入力条件
を変化させるとif〜thenルールによるアウトプッ
トは変化するか、その変化する近傍の平均的な値を採用
した。
ステップI このステップては、上記のようにして数値化した原油の
特徴及び残さ油の粘度の実績にもとづいて、残さ油粘度
を低、中、高の三つのランクに別ける。
[以下、余白] [以下、 余白] ステップ■ このステップては、各粘度のランクごとに、上記のよう
にして数値化した原油の特徴及び残さ油の粘度の実績に
もとづいて、残さ油粘度の分類別けを行なう。
例えば、ViS高にあっては、 [以下、余白] ここて、 V i s :残さ粘度 RCVil:残さ油の粘性指数 FRN  V:す7すの量 CHG   :M油処理量 SL:超軽質原油比率 LT:軽質原油比率 LM:軽質原油比率 HM:重質原油比率 Hv:重質原油比率 この決定木を用いて粘度を決定するわけであるか、その
計算方法は、原油の概略構成比率を変化させて算出し、
それらの平均値を採用した。これにより、if〜the
nルールの結果の不連続性を防ぐことがてきる。
(4)加熱炉出口温度の測定(204)加熱炉出口温度
の予測は、残さ油粘度の平均値及び運転データ(残さ油
量、ナフサ量等)からの重回帰分析により求めた。その
基本的な型は次のようになっている。
1F原油処理量か高ければTHEN この加熱炉出口温度の予測も、与えられた原油処理量と
、処理量を上下に変化させた場合の各ケース(処理量か
変化するのて、重回帰の因子の一部の値も変化する)に
ついて算出し、それらの平均値を採用した。これにより
、if〜thenルールの結果の不連続性を防ぐことが
できる。
(5)各留分の流出量予測(205) 加熱炉出口温度及び運転データ(原油の構成比率、原油
の処理量、各留分のカット目標9M拍標準データ)から
、シュミレーションモデルによって各留分の流出量を算
出する。
このようにして、蒸留条件としての加熱炉出口温度と各
留分の流出量の予測かなされる。
また、上述のようにして予測した加熱炉出口温度を利用
して蒸留を行なう場合は、次のようにして行なう。
(6)初期温度の設定(206) まず、予測した加熱炉出口温度を、温度設定器に初期温
度として設定する。
(7)偏差の算出(207) 比較器において、加熱炉出口温度の設定値と実測値の偏
差を求める。
(8)操作(208) 上記偏差にもとづいて、加熱炉の出口温度を制御すべく
、燃料供給バルブの調整を行なう。
なお、上記説明は、本発明を原油の蒸留(常圧蒸留)に
適用した場合について行なったか、上記以外の蒸留、例
えばポリブテン等の石油化学品の蒸留に適用することも
可能である。
[発明の効果] 以上のように第一発明の蒸留条件予測方法によれば、デ
ータ検索の時間短縮を図れるとともに、運転ノウハウの
共有化を図ることができる。
また、第二発明の蒸留法によれば、加熱炉出口温度の制
御を適正かつ容易に行なうことができる。
【図面の簡単な説明】
第1図は本発明を実施する装このフロック構成図を示し
、第2図は実施例方法を説明するためのフローチャート
図を示す。 にN転データテーブル  2.@算部

Claims (6)

    【特許請求の範囲】
  1. (1)化学物質を蒸留する際の条件を予測する方法にお
    いて、運転データ及び数値化した被蒸留物の特徴から学
    習アルゴリズムID3にもとづいて蒸留物の性状を算出
    し、この算出結果より蒸留条件を予測することを特徴と
    した蒸留条件予測方法。
  2. (2)蒸留物の性状が最重質留分の粘度であることを特
    徴とする請求項1の蒸留条件予測方法。
  3. (3)原油を蒸留する際の加熱炉出口温度を予測する方
    法において、 運転データ及び数値化した原油の特徴から学習アルゴリ
    ズムID3にもとづいて、 特定留分の性状のランク別けを行なうとともに、そのラ
    ンクの特定留分の性状の予測を、各ランクごとに条件を
    変えて複数回行ない、 かつこの複数回の予測結果から得た特定留分の性状の平
    均値と上記運転データにもとづいて重回帰分析により加
    熱炉出口温度を予測する ことを特徴とした蒸留条件予測方法。
  4. (4)特定留分の性状が残さ油の粘度であることを特徴
    とした請求項3の蒸留条件予測方法。
  5. (5)請求項3または4記載の方法で予測した加熱炉出
    口温度と、運転データからシュミレーションモデルにも
    とづいて各留分の流出量を算出することを特徴とした蒸
    留条件予測方法。
  6. (6)請求項3または4記載の方法で予測した加熱炉出
    口温度を、初期温度として設定し、この設定温度と実測
    温度の差を算出し、算出した偏差にもとづいて加熱炉の
    温度制御を行なうことを特徴とした蒸留法。
JP17496590A 1990-07-02 1990-07-02 蒸留条件予測方法及び蒸留法 Pending JPH0463102A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP17496590A JPH0463102A (ja) 1990-07-02 1990-07-02 蒸留条件予測方法及び蒸留法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP17496590A JPH0463102A (ja) 1990-07-02 1990-07-02 蒸留条件予測方法及び蒸留法

Publications (1)

Publication Number Publication Date
JPH0463102A true JPH0463102A (ja) 1992-02-28

Family

ID=15987835

Family Applications (1)

Application Number Title Priority Date Filing Date
JP17496590A Pending JPH0463102A (ja) 1990-07-02 1990-07-02 蒸留条件予測方法及び蒸留法

Country Status (1)

Country Link
JP (1) JPH0463102A (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006187737A (ja) * 2005-01-07 2006-07-20 Petroleum Energy Center 原料切替時における各種装置の運転目標値設定方法
JP2010083931A (ja) * 2008-09-30 2010-04-15 Japan Oil Gas & Metals National Corp 運転解析装置
WO2020059109A1 (ja) * 2018-09-21 2020-03-26 千代田化工建設株式会社 運転方法、支援装置、学習装置、及び製油所運転条件設定支援システム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006187737A (ja) * 2005-01-07 2006-07-20 Petroleum Energy Center 原料切替時における各種装置の運転目標値設定方法
JP2010083931A (ja) * 2008-09-30 2010-04-15 Japan Oil Gas & Metals National Corp 運転解析装置
WO2020059109A1 (ja) * 2018-09-21 2020-03-26 千代田化工建設株式会社 運転方法、支援装置、学習装置、及び製油所運転条件設定支援システム
TWI724461B (zh) * 2018-09-21 2021-04-11 日商千代田化工建設股份有限公司 運轉方法、支援裝置、學習裝置以及製油廠運轉條件設定支援系統
KR20210060558A (ko) * 2018-09-21 2021-05-26 치요다가코겐세츠가부시키가이샤 운전 방법, 지원 장치, 학습 장치, 및 제유소 운전 조건 설정 지원 시스템
JPWO2020059109A1 (ja) * 2018-09-21 2021-09-02 千代田化工建設株式会社 運転方法、支援装置、学習装置、及び製油所運転条件設定支援システム

Similar Documents

Publication Publication Date Title
JP5460319B2 (ja) ほぼリアルタイムでのストリームの組成および特性の予測
US5268835A (en) Process controller for controlling a process to a target state
JPH1074188A (ja) データ学習装置およびプラント制御装置
JPS62249203A (ja) プロセス制御方法及び装置
CN112987666A (zh) 电厂机组运行优化调控方法及系统
Zulueta et al. A discrete time variable index for supporting dynamic multi-criteria decision making
Tani et al. Neuro-fuzzy hybrid control system of tank level in petroleum plant
Al Jlibawi et al. Optimization of distribution control system in oil refinery by applying hybrid machine learning techniques
Forbes Model structure and adjustable parameter selection for operations optimization
JPH0463102A (ja) 蒸留条件予測方法及び蒸留法
CN112348259A (zh) 电力设备采购价格预测方法
JP2002119956A (ja) 濁度予測システム、濁度制御システムおよび濁度管理システム
CN115097737B (zh) 一种可重入制造系统的多层级调控方法
Altissimi et al. Optimal operation of a separation plant using artificial neural networks
JP2003268428A (ja) 鋼材の製品品質制御装置
Dalman et al. Interactive goal programming algorithm with Taylor series and interval type 2 fuzzy numbers
Macioł et al. The use of Fuzzy rule-based systems in the design process of the metallic products on example of microstructure evolution prediction
Muravyova et al. Electrical heating reactor control system using neural network and the fuzzy controller
JP3229413B2 (ja) プロセス制御システムおよびその運転条件作成方法
Xue et al. Crude oil distillation optimization using surrogate-aided constrained evolutionary optimization
Melikov et al. Logical-Linguistic Model for Reactor Cleaning from Impurities
Last et al. Optimizing a batch manufacturing process through interpretable data mining models
US20220266166A1 (en) System and method for dynamic optimization of a crude distillation unit
Laughery Jr et al. Human performance and strategy in a two-variable optimization task
Chang Model-based fuzzy control of power system static/dynamic security using the pattern recognition approach