KR102069958B1 - 공정 모델을 튜닝하기 위한 시스템과 방법 - Google Patents

공정 모델을 튜닝하기 위한 시스템과 방법 Download PDF

Info

Publication number
KR102069958B1
KR102069958B1 KR1020177028107A KR20177028107A KR102069958B1 KR 102069958 B1 KR102069958 B1 KR 102069958B1 KR 1020177028107 A KR1020177028107 A KR 1020177028107A KR 20177028107 A KR20177028107 A KR 20177028107A KR 102069958 B1 KR102069958 B1 KR 102069958B1
Authority
KR
South Korea
Prior art keywords
factory
plant
process model
data
performance
Prior art date
Application number
KR1020177028107A
Other languages
English (en)
Other versions
KR20170126988A (ko
Inventor
이란 지 호른
크리스토프 로마티어
폴 코왈치크
작 알제인
Original Assignee
유오피 엘엘씨
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 유오피 엘엘씨 filed Critical 유오피 엘엘씨
Publication of KR20170126988A publication Critical patent/KR20170126988A/ko
Application granted granted Critical
Publication of KR102069958B1 publication Critical patent/KR102069958B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41077—Self tuning, test run, detect, compute optimal backlash, deformation compensation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y02P90/18—
    • Y02P90/26—

Abstract

공장의 운영을 개선하기 위한 튜닝 시스템이 제공된다. 서버가 통신 네트워크를 통해 공장과 통신하기 위해 튜닝 시스템에 결합된다. 컴퓨터 시스템이 통신 네트워크를 통해서 공장의 운영에 관련된 공장 데이터를 수신하고 전송하기 위해 웹-기반 플랫폼을 갖는다. 디스플레이 디바이스는 공장 데이터를 쌍방향으로 디스플레이한다. 중재 유닛이, 미리 결정된 참조 또는 설정 지점의 세트를 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 비교하여 공장으로부터의 실제 측정 데이터를 중재하기 위해 구성된다. 중재 유닛은, 미리 결정된 문턱값의 세트를 사용하여 실제 측정 데이터와 성과 공정 모델에 대한 경험적 분석을 실행한다.

Description

공정 모델을 튜닝하기 위한 시스템과 방법
본 출원은, 35 U.S.C.ξ119(e) 하에서 2015년 3월 30일에 출원된 미국 가출원 일련번호 제62/140,029호를 우선권으로 주장하며, 이 출원의 내용은 본 명세서에서 그 전체가 참조로서 인용된다.
본 발명은, 화학 공장이나 정제소와 같은 공장의 공정 모델을 튜닝하기 위한 방법과 시스템에 관한 것이며, 더욱 구체적으로는 문턱값 분석을 사용하여 그러한 공장의 운영 성과를 개선하기 위한 방법에 관한 것이다.
정제소와 석유화학 공장을 운영하는 회사는 오늘날의 환경에서 통상적으로 어려운 도전에 직면하고 있다. 이들 도전은 잠식되어 가고 있는 재정 마진, 더욱 복잡한 기술, 노동력 경험 레벨의 감소, 및 계속 변화하는 환경 규제를 포함할 수 있다.
더 나아가, 공급 및 제품 가격은 더욱 불안정하게 됨에 따라, 운영자들은, 그들의 재정 마진을 최적화할 수 있는 운영 결정을 하는 것이 더욱 어려움을 종종 알고 있다. 이러한 불안정성은 예상 가능한 미래에 완화될 가능성이 없을 수 있지만; 시장 기회가 발생함에 따라 이러한 기회를 빠르게 식별하고 그에 반응할 수 있는 이들 회사에 경제적 가능성을 제시해줄 수 있다.
자본 시장으로부터의 압박은 일반적으로 운영 회사가 기존 자산에 관한 상환을 계속해서 증가시키도록 강제한다. 반응으로, 촉매, 흡수제, 장비, 및 제어 시스템 공급사는, 자산 성과를 증가시킬 수 있는 더욱 복잡한 시스템을 개발한다. 이들 개선된 시스템의 유지보수 및 운영에는, 오늘날의 기술 인력의 제한된 자원과 시간 압박 하에서, 개발, 유지보수 및 전달하기 어려울 수 있는 증가한 숙련도를 일반적으로 필요로 한다. 이것이 의미하는 점은, 이들 점점 복잡한 시스템이 그 최고의 가능성으로 항상 운영되지는 않는다는 점이다. 게다가, 기존의 자산이 그 설계 제한에 가깝게 및 그를 초과하여 운영될 때, 신뢰성 염려와 운영 위험은 증가할 수 있다.
공장 운영자는, 예컨대 이용 가능성 위험 감소, 가치 체인(value chain) 작동 및 연속적인 경제적 최적화와 같은 여러 전략 중 하나 이상으로 앞선 도전에 통상적으로 반응한다. 이용 가능성 위험 감소는 경제적 성과를 최대화하는 것과 반대로 충분한 공장 운영을 달성하는 것을 일반적으로 강조한다. 가치 체인 작동은 공급 및 제품 믹스와 자산 능력과 시장 수요의 매칭을 개선하는 것을 통상적으로 강조한다. 연속적인 경제적 최적화는 종종 툴, 시스템 및 모델을 사용하여 공장 성과에서의 경제적 및 운영 갭을 연속적으로 모니터링하고 중개한다.
정제소 운영자가 통상 경험하는 복수 레벨의 갭(또는 성과 결손)이 있다:
1) 이벤트 또는 "손실된 기회" 갭
대부분의 정제소 운영자는 자신들의 정제소에서 계획되지 않은 이벤트: 계획되지 않은 정전, 장비 이용 가능성 문제 등의 가격/값을 충분히 추적할 수 있다. 이들 갭과 관련된 값은 일반적으로 크지만, 지속기간은 보통 짧다. 잘 운영되는 정제소는 이들 이벤트를 효과적인 공정 및 기계적 신뢰성 프로그램을 통해 최소로 유지할 수 있다.
2) 백캐스팅 갭(Backcasting Gap)
일부 정제소는, 운영자가 월별 정제 생산 계획을 실제 달성한 운영과 비교하며 분석을 진행하여 임의의 갭(들)에 대한 원인(들)을 이해하고 해결하는 백캐스팅(이력) 갭에 집중한다. 이것은 통상적으로 월별로 진행된다. 정제소 운영자는, 이들이 정제소 생산 공정 계획으로부터의 이탈의 근본 원인을 해결한다면, 종종 실질적인 경제적 개선을 밝힐 수 있다.
그러나 근본 원인이 열악한 공정 성과에 내재되어 있을 때, 이들 원인은 종종 식별하기 어렵다. 이러한 이력 백캐스팅 분석은, 그 달의 끝까지 문제가 식별되지 않고 해결되지 않게 남겨둔다는 점에서 또한 비용이 많이 들 수 있다. 단지 예로서, 30,000 BPD 리포밍 유닛으로부터의 옥탄-배럴 생산의 1% 부채는 (0.60달러/oct-bbl 감정을 기반으로 하여) 한 달에 걸쳐서 530,000달러의 가치가 있을 수 있다. 이러한 갭의 조기 식별과 문제의 해결은 상당한 이익 손실을 피할 수 있다. 일관되고 실행 가능한 결과를 보장하기 위해 여러 고장 공정 모델을 기반으로 특정 공정을 최적화할 때 원하는 성과의 연속적이고 일관된 레벨을 유지하는 것이 중요하다.
따라서 툴, 시스템 및 모델을 사용하여 공장 성과에서의 경제적 및 운영 갭을 모니터링하고 중개하는 경제적 최적화 전략을 활용함으로써 운영자가 이들 도전에 반응하는 개선된 튜닝 시스템을 필요로 한다.
본 발명의 일반 목적은 화학 공장 및 정제소의 운영 효율을 개선하는 것이다. 본 발명의 더 특정한 목적은 앞서 기재한 문제 중 하나 이상을 극복하는 것이다. 본 발명의 일반 목적은, 공장의 운영을 개선하기 위한 방법을 통해, 적어도 부분적으로 얻을 수 있다. 이 방법은 공장으로부터 공장 운영 정보를 획득하는 단계를 포함한다.
본 발명은, 공장으로부터 공장 운영 정보를 획득하는 단계와, 공장 운영 정보를 사용하여 공장 공정 모델을 생성하는 단계를 포함하는, 공장 운영을 개선하는 방법을 더 포함한다. 본 발명은 공장의 운영을 개선하기 위한 방법을 더 포함한다. 이 방법은 인터넷을 거쳐 공장 운영 정보를 수신하는 단계와, 공장 운영 정보를 사용하여 공장 공정 모델을 자동으로 생성하는 단계를 포함한다.
본 발명은, 공장의 운영을 개선하기 위한 방법으로서, 공장으로부터 공장 운영 정보를 획득하는 단계와 공장 운영 정보를 사용하여 공장 공정 모델을 생성하는 단계를 포함하는 공장 운영 개선 방법을 더 포함한다. 본 발명은 공장의 운영을 개선하기 위한 방법을 더 포함한다. 이 방법은, 인터넷에 걸쳐 공장 운영 정보를 수신하는 단계와, 공장 운영 정보를 사용하여 공장 공정 모델을 자동으로 생성하는 단계를 포함한다.
본 발명은, 시뮬레이션 엔진이 공장 최적화에 대한 굳건한 기초를 제공하도록 체계적으로 튜닝됨을 보장한다. 핵심 매칭 파라미터는 관련 참조 지점을 기반으로 규정되고 중재되며, 모든 파라미터의 차이는 누적 평가되어 실제 공장 운영과 비교한 시뮬레이션의 적합성을 결정한다. 이하에서 더 상세하게 기재된 바와 같이, 문턱값이 규정되고 결정되어 시뮬레이션의 적합성을 기반으로 시뮬레이션 엔진의 추가 튜닝에 대한 필요를 평가한다.
본 발명은 구성된 공정 모델을 활용하여 개별 공정 유닛, 운영 블록 및/또는 전체 처리 시스템의 성과를 모니터링하고, 예측하며 최적화한다. 예측된 성과 대 실제 성과의 루틴하고 빈번한 분석으로 인해, 재정적 충격을 최적화하기 위해 작용할 수 있는 운영 불일치의 조기 식별을 가능케 한다.
본 발명은, 종래 기술에서 알려져 있는 바와 같이, 다음의 디바이스: 압력 센서, 차동 압력 센서, 구멍 판, 벤투리(venturi), 기타 흐름 센서, 온도 센서, 커패시턴스 센서, 가중 센서, 가스 크로마토그래프, 습도 센서 및 정제 및 석유 화학 업계에서 공통적으로 발견되는 기타 센서 중 어느 하나로부터의 공정 측정치를 활용한다. 또한, 본 발명은 가스 크로마토그래프, 액체 크로마토그래프, 증류 측정치, 옥탄 측정치, 및 정제 및 석유 화학 업계에서 공통적으로 발견되는 기타 연구실 측정치로부터의 공정 연구실 측정치를 활용한다.
공정 측정치는 다음의 공정 장비: 펌프, 압축기, 열 교환기, 가열 히터, 제어 밸브, 분류 컬럼, 반응기 및 정제 및 석유 화학 업계에서 공통적으로 발견되는 기타 공정 장비 중 어느 하나의 성과를 모니터링하는데 사용된다.
본 발명의 본 방법은 바람직하게는 웹-기반 컴퓨터 시스템을 사용하여 구현된다. 본 플랫폼 내에서 작업 공정을 수행하는 이점은, 경제적 기회를 식별하고 포착하는 운영의 증가한 성능, 성과 갭을 중개하는 지속되는 성능, 인력의 전문지식을 이용하는 증가한 성능, 및 개선된 기업 튜닝으로 인한 개선된 공장 경제적 성과를 포함한다. 본 발명은, 정제소 및 석유 화학 설비와 같은 공장이 운영되는 방식을 변화시키기 위해 다른 파라미터와 조합하여 진보한 컴퓨팅 기술을 사용하는 새롭고 혁신적인 방식이다.
본 발명은, 원거리의 장소에 자동으로 전송되는 데이터를 포착하기 위해 공장에서의 데이터 수집 시스템을 사용하며, 이 장소에서, 데이터는 검토하여 예컨대 에러와 바이어스를 제거하고, 성과 결과를 계산하고 보고하는데 사용한다. 공장 및/또는 공장의 개별 공정 유닛의 성과는 하나 이상의 공정 모델에 의해 예측되는 성과와 비교하여 임의의 운영 차이, 즉 갭을 식별한다.
예측된 성과와 비교하여 실제 성과를 보여주는, 일일 보고와 같은 보고가 생성되어 공장 운영자 및/또는 예컨대 인터넷을 통해서와 같이 공장 또는 제3자 공정 엔지니어에게 전달된다. 식별된 성과 갭으로 인해 운영자 및/또는 엔지니어는 갭의 원인을 식별하여 해결할 수 있다. 본 발명의 방법은 또한 공정 모델 및 공장 운영 정보를 사용하여, 예컨대 공급, 제품 및 가격의 소정의 값에 대한 최적 공장 운영에 관해 다루는 최적화 루틴을 실행한다.
본 발명의 방법은, 공장이 최적 조건에서 또는 그에 가까이에서 연속적으로 실행되게 하는 세트포인트 또는 참조 지점을 추천안이 조정할 수 있게 하는 정상적인 충고를 공장 운영자 및/또는 엔지니어에게 제공한다. 본 발명의 방법은, 공장의 미래의 운영을 개선하거나 변경하기 위해 운영자 대안을 제공한다. 본 발명의 방법은, 공장의 진정한 가능 성과를 정확히 나타내기 위해 공정 모델을 정상적으로 유지보수 및 튜닝한다. 본 발명의 일 실시예의 방법은, 최적의 운영 지점을 식별하고, 대안적인 운영을 평가하며 평가를 공급하는데 사용되는 운영자의 특정 경제적 기준마다 구성되는 경제적 최적화 루틴을 포함한다.
본 발명은, 실제 경제적 성과와 달성 가능한 경제적 성과 사이의 갭을 정제사가 중개하는 것을 도와줄 반복 가능한 방법을 제공한다. 본 발명의 방법은 공정 개발 이력, 모델링 및 스트림 특징, 및 공장 자동화 경험을 활용하여, 막대한 양의 데이터의 효율적인 모집, 튜닝 및 이동뿐만 아니라 데이터 보안을 보장하는 중요한 문제를 해결한다. 웹-기반 최적화는, 가상을 기반으로, 기술적 전문지식과 공장 공정 운영 스태프를 연결함으로써 최대 공정 성과를 달성하며 지속시키는 바람직한 조력자이다.
향상된 작동 흐름이 개별 공정 유닛, 운영 블록 또는 전체 처리 시스템의 성과를 모니터링하고, 예측하며 최적화하기 위해 구성된 공정 모델을 활용한다. 예측된 성과 대 실제 성과의 루틴하고 빈번한 분석으로 인해, 재정적 충격을 최적화하기 위해 작용할 수 있는 운영 불일치의 조기 식별을 가능케 한다.
본 명세서에서 사용한 바와 같이, "루틴"에 대한 참조는 특정 작업을 실행하기 위한 컴퓨터 프로그램 또는 명령의 시퀀스를 지칭하는 것으로 이해되어야 한다. 본 명세서에서 "공장"에 대한 참조는 여러 타입의 화학 및 석유화학 제조 또는 정제 설비 중 임의의 타입을 지칭하는 것으로 이해되어야 한다. 본 명세서에서 공장 "운영자"에 대한 참조는, 제한 없이, 공장 계획자, 관리자, 엔지니어, 기술자, 및 공장에서 매일의 운영을 감독 및/또는 실행하는데 관여하는 기타의 사람을 지칭 및/또는 포함하는 것으로 이해되어야 한다.
일 실시예에서, 튜닝 시스템이 공장의 운영을 개선하기 위해 제공된다. 서버가 통신 네트워크를 통해 공장과 통신하기 위해 튜닝 시스템에 결합된다. 컴퓨터 시스템이 통신 네트워크를 통해서 공장의 운영에 관련된 공장 데이터를 수신하고 전송하기 위해 웹-기반 플랫폼을 갖는다. 디스플레이 디바이스는 공장 데이터를 쌍방향으로 디스플레이한다. 중재 유닛이, 미리 결정된 참조 또는 설정 지점의 세트를 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 비교하여 공장으로부터의 실제 측정 데이터를 중재하기 위해 구성된다. 중재 유닛은, 미리 결정된 문턱값의 세트를 사용하여 실제 측정 데이터와 성과 공정 모델 결과에 대한 경험적 분석을 실행한다.
다른 실시예에서, 튜닝 방법이 공장의 운영을 개선하기 위해 제공되며, 통신 네트워크를 통해 공장과 통신하기 위해 튜닝 시스템에 결합되는 서버를 제공하는 단계; 통신 네트워크를 통해서 공장의 운영에 관련된 공장 데이터를 수신하고 전송하기 위해 웹-기반 플랫폼을 갖는 컴퓨터 시스템을 제공하는 단계; 공장 데이터를 쌍방향으로 디스플레이하기 위해 디스플레이 디바이스를 제공하는 단계로서, 디스플레이 디바이스는 공장 데이터를 그래픽적으로 또는 문자적으로 수신하기 위해 구성되는, 디스플레이 디바이스 제공 단계; 네트워크를 통해 공장으로부터 공장 데이터를 획득하는 단계; 공장 데이터를 기반으로 예상되는 공장 성과를 추정하기 위해 공장 데이터를 기반으로 공장 공정 모델을 생성하는 단계; 공장 공정 모델을 기반으로 하여 공장의 건전성(health)을 모니터링하는 단계; 미리 결정된 참조 또는 설정 지점의 세트를 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 비교하여 공장으로부터의 실제 측정 데이터를 중재하는 단계; 공장 데이터를 기반으로 공장 공정 모델의 신뢰도를 결정하기 위해 스코어링 모델을 만드는 단계; 및 공장의 가능한 성과를 나타내기 위해 스코어링 모델을 기반으로 공장 공정 모델을 튜닝하는 단계를 포함한다.
본 발명의 전술한 및 기타 양상과 특성은, 수반하는 도면과 연계하여 고려하면, 다음의 상세한 설명으로부터 당업자에게 자명하게 될 것이다.
도 1은 클라우드 컴퓨팅 하부구조에서의 본 튜닝 시스템의 예시적인 사용을 예시한다.
도 2는, 본 발명의 실시예에 따른 기능 유닛의 특성을 나타내는 본 튜닝 시스템의 기능 블록도이다.
도 3은, 본 튜닝 시스템의 실시예에 따른 예시적인 튜닝 방법을 예시한다.
이제 도 1을 참조하면, 일반적으로 10으로 지정되는 예시적인 튜닝 시스템은, 본 발명의 실시예를 사용하여, 화학 공장 또는 정제소나 그 일부분과 같은 하나 이상의 공장(예컨대, 공장 A...공장 N)(12a - 12n)의 운영을 개선하기 위해 제공된다. 본 튜닝 시스템(10)은 적어도 하나의 공장(12a - 12n)으로부터 획득한 공장 운영 정보를 사용한다.
본 명세서에서 사용한 바와 같이, 용어, "시스템", "유닛" 또는 "모듈"은, 주문형 집적회로(ASIC), 전자 회로, 컴퓨터 프로세서(공유, 전용 또는 그룹) 및/또는 메모리(공유, 전용 또는 그룹)를 지칭할 수 있고, 그 일부일 수 있거나 그를 포함할 수 있으며, 그러한 메모리는, 하나 이상의 소프트웨어 또는 펌웨어 프로그램, 조합 로직 회로 및/또는 기재한 기능을 제공하는 기타 적절한 소자를 수행한다. 그에 따라, 본 발명은 유닛의 특정한 예와 배치를 포함하지만, 본 시스템의 범위는 그렇게 제한되지 않아야 하며, 이는 다른 변경이 당업자에게 자명할 것이기 때문이다.
튜닝 시스템(10)은 서버 또는 컴퓨팅 디바이스(14)(예컨대 데이터베이스 및 비디오 서버를 포함함)에 상주할 수 있거나 그에 결합될 수 있으며, 바람직하게는 안전한 클라우드 컴퓨팅 하부구조를 사용하여 통신 네트워크(16)를 통해 상이한 기능 유닛에 대한 작업을 실행하며 관련 데이터를 디스플레이하도록 프로그램된다. 인터넷, 무선 네트워크(예컨대, Wi-Fi), 기업 인트라넷, 근거리 네트워크(LAN) 또는 광대역 네트워크(WAN) 등과 같은 기타 적절한 네트워크가, 다이얼-인 연결, 케이블 모뎀, 고속 ISDN 회선 및 종래 기술에서 알려져 있는 다른 타입의 통신 방법을 사용하여, 사용될 수 있음을 생각해 볼 수 있다. 모든 관련 정보는 (예컨대, 컴퓨터 프로그램을 지니고 있는 데이터 저장 디바이스 및/또는 기계로 판독 가능한 데이터 저장 매체로서) 튜닝 시스템(10) 또는 컴퓨팅 디바이스(14)에 의해 검색하기 위해 데이터베이스에 저장될 수 있다.
또한, 본 튜닝 시스템(10)은 부분적으로 또는 완전히 자동화될 수 있다. 본 발명의 하나의 바람직한 실시예에서, 튜닝 시스템(10)은 공장(12a - 12n) 및/또는 공장 계획 센터로부터 원거리에 있는 3자 컴퓨터 시스템과 같은 컴퓨터 시스템에 의해 실행된다. 본 튜닝 시스템(10)은, 인터넷을 거쳐 정보를 획득하거나 수신하며 전송하는 웹-기반 플랫폼(18)을 바람직하게는 포함한다. 구체적으로, 튜닝 시스템(10)은, 통신 네트워크(16)를 통해 공장(12a - 12n) 중 적어도 하나로부터 신호와 파라미터를 수신하며, 바람직하게는 실시간으로, 관련된 성과 정보를 운영자나 사용자가 접근할 수 있는 쌍방향 디스플레이 디바이스(20) 상에 관련 성과 정보를 디스플레이한다.
본 발명의 방법을 구현하기 위한 웹-기반 시스템을 사용하면, 경제적 기회를 식별하고 포착하는 공장 운영자의 증가한 성능, 공장 성과 갭을 중개하는 지속되는 성능, 및 인력의 전문지식을 이용하여 훈련 및 개발을 개선하는 증가된 성능으로 인한 개선된 공장 경제적 성과와 같은 많은 장점을 제공한다. 본 발명의 방법은 공정 성과의 자동화된 매일 평가를 허용하여, 공장 운영 스태프가 필요로 하는 시간과 노력을 적게 들여 성과 리뷰의 빈도를 증가시킨다.
웹-기판의 플랫폼(18)으로 인해, 모든 사용자는 동일한 정보로 작업할 수 있어서, 최상의 실무를 공유하기 위한 또는 고장 수리를 위한 협력 환경을 만든다. 본 발명의 방법은 완전히 구성된 모델로 인해 더욱 정확한 예측과 최적화 결과를 제공하며, 이러한 모델은 예컨대 촉매 수율 표시, 제약, 자유도 등을 포함할 수 있다. 공장 계획 및 운영 모델의 루틴하고 자동화된 평가는 시의적절한 공장 모델 튜닝을 허용하여, 공장 모델과 실제 공장 성과 사이에 갭을 감소시키거나 제거한다. 웹-기반의 플랫폼(18)을 사용하여 본 발명의 방법을 구현하면, 또한 복수의 개소를 모니터링할 수 있으며 업데이트할 수 있어서, 설비 계획자가 실제적인 최적의 타겟을 더 잘 제안하게 할 수 있다.
이제 도 2를 참조하면, 본 튜닝 시스템(10)은, 참조 또는 설정 지점의 세트를 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 비교하여 각각의 공장(12a - 12n)으로부터의 실제 측정 데이터를 중재하기 위해 구성되는 중재 유닛(22)을 포함하는 것이 바람직하다. 바람직한 실시예에서, 경험적 분석이, 미리 결정된 문턱값을 사용하여 실제 측정 데이터와 성과 공정 모델 결과에 대해 실행된다. 통계적 분석과 기타 적절한 분석 기술이 상이한 응용에 적합하도록 사용될 수 있음을 또한 생각해 볼 수 있다.
단지 예로서, 온도, 압력 레벨, 공급 조성, 분류 컬럼 제품 조성 등과 같은 운영 공장 파라미터 또는 공장 데이터가 각각의 공장(12a - 12n)으로부터 수신된다. 이들 공장 파라미터는 미리 결정된 시간 간격 동안 공장(12a - 12n)에서의 선택된 장비 종류로부터의 실제 측정 데이터를 나타낸다. 이들 공장 운영 파라미터의 비교는 미리 결정된 문턱값을 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과로 실행된다.
튜닝 시스템(10)에는 튜닝 엔진(10), 하나 이상의 내부 또는 외부 데이터베이스(26) 및 네트워크(16) 사이의 인터페이스를 제공하기 위한 인터페이스 모듈(24)이 또한 포함된다. 인터페이스 모듈(24)은, 예컨대 네트워크(16)를 통한 공장 센서, 및 기타 관련 시스템 디바이스, 서비스, 및 응용으로부터 데이터를 수신한다. 기타 디바이스, 서비스 및 응용은 각각의 공장(12a - 12n)에 관련되는 하나 이상의 소프트웨어 또는 하드웨어 소자 등을 포함할 수 있지만, 이들로 제한되지 않는다. 인터페이스 모듈(24)은, 튜닝 시스템(10)과 같은 각각의 유닛 및 모듈과, 그 관련된 컴퓨팅 모듈 또는 유닛에 통신되는 신호 및/또는 파라미터를 또한 수신한다.
예측 유닛(28)이 공장 운영 파라미터의 비교를 기반으로 시뮬레이션 엔진의 현재의 공정 모델의 신뢰성을 예측하기 위해 제공됨이 바람직하다. 예측 유닛(28)은, 부분 최소 제곱(PLS) 분석, 직교 PLS(OPLS) 분석, 및 종래 기술에서 알려져 있는 기타 적절한 분석 기술을 사용한 비교를 기반으로 공정 모델의 신뢰성 점수를 생성하거나 계산함을 생각해 볼 수 있다.
예컨대, 스코어링 모델이 공장 운영 파라미터를 기반으로 현재의 공정 모델의 신뢰도를 결정하기 위해 만든다. 또한, 신뢰성 점수는 공장 운영 파라미터와 대응하는 미리 결정된 문턱값 사이의 차이량을 기반으로 가중됨이 바람직하다. 스코어링 모델은 가중된 신뢰성 점수로 업데이트되며, 현재의 공정 모델은 스코어링 모델을 기반으로 조정되거나 튜닝된다.
더욱 구체적으로, 적어도 하나의 공장 파라미터 또는 공장 파라미터의 서브세트가 핵심 매칭 파라미터로서 선택되며, 선택된 공장 파라미터와 대응하는 성과 모델 결과 사이의 차이가 미리 결정된 시간 간격 동안 누적 평가되어 관련된 실제 공장 운영에 대한 시뮬레이션의 적합성을 결정한다. 이러한 차이가 미리 결정된 문턱값보다 클 때, 공정 모델의 추가 튜닝이 실행된다. 예컨대, 이러한 차이의 에러 마진이 미리 결정된 백분율(%) 값보다 클 때, 현재의 공정 모델은 더 평가하여 적절히 튜닝된다.
최적화 유닛(30)이, 성과 또는 공장 공정 모델의 신뢰성 점수를 기반으로 적어도 하나의 공장(12a - 12n)의 정제 또는 석유화학 공정의 적어도 일부분을 최적화하기 위해 제공된다. 정제 및 석유화학 분야의 운영자가 공장(12a - 12n)의 전체 복잡도 레벨에서 경제적 상태(the economics)를 최적화하는 것은 어려우며, 이는 공정 시뮬레이션 및 최적화에 대한 화합 기초(cohesive basis)를 제공하지 않을 수 있는 여러 파라미터와 측정치가 있기 때문이다.
운영 시, 최적화 유닛(30)은, 예컨대 매 100ms 마다, 매초 마다, 매 10초 마다, 매 분 마다, 매 2분 마다 등과 같은 반복적인 방식으로 고객 개소 또는 공장(12a - 12n)으로부터 실제 측정 데이터를 수신한다. 데이터 정화를 위해, 이 데이터는 최적화 유닛(30)에 의해 완벽성이 분석되며 총 에러가 정정된다. 그 후, 데이터는 측정 문제(예컨대, 시뮬레이션 정상 상태를 구축하기 위한 정확도 문제)와 전체 물질 밸런스 클로져가 정정되어 중재된 공장 데이터의 복제 세트를 생성한다.
정정된 데이터는 시뮬레이션 공정에 대한 입력으로서 사용되며, 여기서 공정 모델은, 시뮬레이션 공정이 중재된 공장 데이터와 매칭됨을 보장하도록 튜닝된다. 중재된 공장 데이터의 출력은 튜닝된 플로우시트에 입력되며, 그 후 예측된 데이터로서 생성된다. 각각의 플로우시트는 공정 설계의 단위로서 가상 공정 모델 오브젝트의 집합일 수 있다. 중재된 데이터와 예측된 데이터 사이의 차이인 델타 값이, 실행 가능한 최적화 케이스가 시뮬레이션 공정 실행을 위해 구축됨을 보장하도록 인증된다.
결국, 튜닝된 시뮬레이션 엔진은 최적화 케이스에 대한 기초로서 사용되며, 이러한 케이스는 입력으로서 중재된 데이터의 세트로 실행된다. 이 단계로부터의 출력은 새로운 데이터 세트, 즉 최적화된 데이터이다. 중재된 데이터와 최적화된 데이터 사이의 차이가, 운영이 더 큰 경제적 최적화에 도달하도록 어떻게 변화되어야 하는지에 대한 지시를 제공한다. 이 구성에서, 최적화 유닛(30)은 목적 함수를 최소화하여, 공장(12a - 12n)의 수익성을 최대화하기 위한 사용자-구성 가능한 방법(user-configurable method)을 제공한다.
바람직한 실시예에서, 최적화 유닛(30)은, 여러 제약을 따라서, 소비된 소재, 생산된 제품, 및 활용된 유틸리티를 포함하는 특정한 공정 동안 운영의 총 비용의 사용자-규정된 계산으로서 목적 함수를 규정한다. 예컨대, 최대 분류 컬럼 용량이 내부 소자의 플러딩 제한(flooding limit)에 의해 결정될 수 있으며, 노(furnace)의 최대 용량은 노 내의 튜브의 표면 온도를 기반으로 결정할 수 있다. 기타 적절한 목적 함수는 상이한 응용에 적합하게 되도록 생각해 볼 수 있다.
본 튜닝 시스템(10)에는 정제소 또는 석유화학 공장의 운영 상태를 결정하여 공장(12a - 12n)의 강력하고 수익성이 좋은 운영을 보장하기 위해 구성되는 분석 유닛(32)이 또한 포함된다. 분석 유닛(32)은 동력학적 모델, 파라미터 모델, 분석 툴, 및 관련 지식과 최상의 실무 표준 중 적어도 하나를 기반으로 운영 상태를 결정한다.
바람직한 실시예에서, 분석 유닛(32)은 공장(12a - 12n) 중 적어도 하나로부터 이력 또는 현재의 성과 데이터를 수신하여 실행될 미래의 동작을 사전에 예측한다. 특정 공정의 여러 제한치를 사전에 예측하고 허용 가능한 제한치 범위 내에 머무르기 위해서, 분석 유닛(32)은, 예컨대 증기 흐름, 히터, 온도 설정 지점, 압력 신호 등으로부터와 같은 실제 현재 및/또는 이력 운영 파라미터를 기반으로 최종 제품의 타겟 운영 파라미터를 결정한다.
예컨대, 동력학적 모델 또는 기타 상세한 계산을 사용할 때, 분석 유닛(32)은, 기존의 제한치 및/또는 운영 조건을 기반으로 운영 파라미터의 경계나 문턱값을 구축한다. 예시적인 기존의 제한치는 기계적 압력, 온도 제한치, 수압 제한치, 및 여러 소자의 운영 수명을 포함할 수 있다. 기타 적절한 제한치와 조건은 상이한 응용에 적합하도록 고려할 수 있다.
예컨대 특정 노하우를 기반으로, 지식 및 최상의 실무 표준을 사용할 때, 분석 유닛(32)은 특정 공정에 관련된 운영 파라미터 사이의 관계를 구축한다. 예컨대, 휘발유 리포밍 반응기 입구 온도에 관한 경계는 재생기 용량 및 수소 대 탄화수소 비율에 의존할 수 있으며 이러한 비율 그 자체는 재사용 압축기 용량에 의존한다.
이제 도 3을 참조하면, 간략화한 흐름도가, 본 발명의 일 실시예에 따라 도 1 및 도 2의 공장(12a - 12n)과 같은 공장의 운영을 개선하는 예시적인 방법을 위해 예시되어 있다. 다음의 단계는 도 1 및 도 2의 실시예에 관해 주로 기재될지라도, 이 방법 내의 단계들은 본 발명의 원리를 수정하지 않는 한 상이한 순서나 시퀀스로 변경 및 수행될 수 있음을 이해해야 한다.
이 방법은 단계(100)에서 시작한다. 단계(102)에서, 튜닝 시스템(10)은, 공장(12a - 12n) 내부에 있거나 그로부터 원거리에 있는 컴퓨터 시스템에 의해 개시된다. 이 방법은 컴퓨터 시스템에 의해 원하기는 자동으로 실행되지만; 본 발명은 그렇게 제한되고자 하지는 않는다. 하나 이상의 단계는 원하는 바에 따라 센서 및 기타 관련 시스템으로부터의 데이터 입력 또는 수동 운영을 포함한다.
단계(104)에서, 튜닝 시스템(10)은, 네트워크(16)에 걸쳐서 공장(12a - 12n)으로부터 공장 운영 정보 또는 공장 데이터를 획득한다. 공장 운영 정보는 공장 운영 파라미터, 공장 공정 조건 데이터, 공장 연구실 데이터 및/또는 공장 제약에 관한 정보를 바람직하게는 포함한다. 공장 데이터는 공장 운영 파라미터, 공장 연구실 데이터, 공장 제약, 및 공장 공정 조건 데이터 중 적어도 하나를 포함한다고 생각해 볼 수 있다. 본 명세서에서 사용될 때, "공장 연구실 데이터"는 운영 공정 공장으로부터 얻은 유체의 주기적 연구실 분석의 결과를 지칭한다. 본 명세서에서 사용될 때, "공장 공정 데이터"는 공정 공장에서 센서에 의해 측정되는 데이터를 지칭한다.
단계(106)에서, 공장 공정 모델이 공장 운영 정보를 사용하여 생성된다. 공장 공정 모델은, 공장 운영 정보, 즉 공장(12a - 12n)이 어떻게 운영되는지를 기반으로 예상되는 공장 성과를 추정하거나 예측한다. 공장 공정 모델 결과는 공장(12a - 12n)의 건전성을 모니터링하고 임의의 혼란 또는 열악한 측정이 발생했는지를 결정하는데 사용될 수 있다. 공장 공정 모델은, 여러 공장 제약을 모델링하여 원하는 공장 공정 모델을 결정하는 반복 공정에 의해 바람직하게는 생성된다.
단계(108)에서, 공정 시뮬레이션 유닛이 공장(12a - 12n)의 운영을 모델링하는데 활용된다. 전체 유닛에 대한 시뮬레이션은 합리적인 시간양으로 해결하기에는 꽤 크고 복잡할 것이기 때문에, 각각의 공장(12a - 12n)은 관련된 단위 운영으로 구성되는 더 작은 가상의 서브섹션으로 나눌 수 있다. UniSim®Design Suite와 같은 예시적인 공정 시뮬레이션 유닛(10)이 미국 특허 공보 제 2010/026900호, 이제는 미국 특허 제 9,053,260호에 개시되어 있으며, 이것은 그 전체가 참조로서 인용된다. 공정 시뮬레이션 유닛(10)이 최적화 유닛(30)에 설치될 수 있음을 생각해 볼 수 있다. 기타 예시적인 관련 시스템은 공동으로 양도되는 미국 특허출원 제 xx/xxx,xxx 및 xx,xxx,xxx(2016년 3월 29일에 모두 출원된 대리인 관리번호 제 H0049323-01-8500호 및 제 H0049324-01-8500호)에 개시되어 있으며, 이들 미국 출원은 그 전체가 참조로서 인용된다.
예컨대, 일 실시예에서, 분류 컬럼 및 그 관련 장비(그 압축기, 수신기, 리보일러, 공급 교환기 및 펌프와 같은 것)가 서브섹션을 이룰 것이다. 온도, 압력, 및 흐름을 포함한, 유닛으로부터의 모든 이용 가능한 공장 데이터와 연구실 데이터가 측정된 변수로서 시뮬레이션에 포함된다. 복수의 세트의 공장 데이터가 공정 모델과 모델 적합화 파라미터에 대해 비교되어 최소 에러를 생성하는 측정 오프셋이 계산된다.
단계(110)에서, 미리 결정된 문턱값보다 크게 변화하는 적합 파라미터 또는 오프셋과, 미리 결정된 에러 범위를 초과하여 갖는 측정치가 추가 동작을 트리거할 수 있다. 예컨대, 오프셋 또는 적합 파라미터에서의 큰 변화는 모델 튜닝이 불충분할 수 있음을 지시할 수 있다. 데이터 세트에 대한 전체적인 데이터 품질은 이때 의심스러운 것으로 플래그될 수 있다.
단계(112)에서, 에러의 변화, 차이 또는 범위가 미리 결정된 값보다 클 때, 제어는 단계(104)로 복귀한다. 그렇지 않다면, 제어는 단계(114)로 진행한다. 큰 에러를 갖는 개별적인 측정치는 적합화 알고리즘에서 제거될 수 있으며, 경보 메시지 또는 경고 신호가 측정치가 검사되어 고쳐지도록 제기된다.
단계(114)에서, 튜닝 시스템(10)은 공장 공정 모델을 모니터링하고 실제 공장 성과와 비교하여 공장 공정 모델의 정확도를 보장한다. 통상적으로, 공정 모델이 효과적이기 위해, 이들 모델은 상업적 공정의 실제 운영 성능을 정확히 반영해야 한다. 이것은 모델을 중재된 데이터에 시준함으로써 달성한다. 절단 지점과 트레이 효율과 같은 핵심 운영 변수가 측정된 성과와 예측된 성과 사이의 차이를 최소화하도록 조정된다. 본 발명의 일 실시예에서, 공장 공정 모델과 실제 공장 성과 사이의 미리 결정된 차이가 있으면, 공장 공정 모델은 업데이트되며 업데이트된 공장 공정 모델이 방법의 다음 사이클 동안 사용된다. 업데이트된 공장 공정 모델은 또한 공장 공정을 최적화하는데 원하는 바에 따라 사용된다.
단계(116)에서, 공장 공정 모델은, 가변 피드스톡 및 운영 전략의 효과를 정확히 예측하는데 사용된다. 결국, 본 발명의 이 방법에 따른 공장 공정 모델의 정상적인 업데이트 또는 튜닝은 정제사가 공정 성능의 변화를 평가할 수 있게 한다. 이러한 타입의 시준되고 엄격한 모델은 정제소 운영 엔지니어와 계획 인력이 공정 성과 문제를 식별할 수 있게 할 수 있어서, 이들 문제는, 이들이 운영 경제적 상태에 심각한 충격을 주기 전에 해결될 수 있다.
예컨대, 수율, 제품 속성, 및 코크스 생산율과 같은 계산이, 시간에 걸친 트렌드로서 검사할 때 공정 문제의 핵심 지시자가 될 수 있다. 그러한 트렌드의 정상적인 관찰은 성과의 비정상적인 하락 또는 잘못된 운영을 지시할 수 있다. 휘발유 리포밍 유닛에서의 C5+ 탄화수소 수율의 급격한 하락이 관찰된다면, 이것은 증가하는 코크스 생산율을 지시할 수 있으며, 이러한 코크스 생산율은 반응기 회로에서의 부정확한 물-염소 균형 또는 부정확한 프랫포밍(platforming) 공급 사전-처리로 귀속될 수 있다. 또한, 공장 공정 모델이, 단기 운영 변화와 장기 개조 변경 모두를 고려하여 유닛에 관한 개선된 경제적 상황을 생성하는 개선 연구를 또한 지원할 수 있음을 또한 생각해 볼 수 있다.
단계(118)에서, 스코어링 모델이, 공장 운영 파라미터를 기반으로 현재의 공정 모델의 신뢰도를 결정하기 위해 만들어진다. 구체적으로, 공정 모델의 신뢰성 점수는, 부분 최소 제곱(PLS) 분석, 직교 PLS(OPLS) 분석, 및 종래 기술에서 알려진 기타 적절한 분석 기술을 사용한 공장 운영 파라미터 사이의 비교를 기반으로 생성된다. 앞서 논의한 바와 같이, 공장 운영 파라미터의 비교는, 미리 결정된 문턱값을 기반으로 한 시뮬레이션 엔진으로부터의 성과 공정 모델 결과로 실행된다.
운영 동안, 출력 인터페이스가, 공장 튜닝의 관심사항인 운영 경제적 성과(예컨대, 1톤의 제품 당 생산비)를 공장의 주요 운영 변수(예컨대, 열 교환기로의 증기 흐름 또는 컬럼 조성 제어기에 관한 설정 지점)에 직접 관련시키도록 설계된다. 이것은, 경제적 성과를 더욱 상세화된 스크린의 캐스캐이드를 통해 공장 운영에 관련시킴으로써 달성되며, 스크린 각각은, 어떤 변수가 타겟 경제적 성과로부터의 이탈을 초래하고 있는지를 사용자가 신속하게 볼 수 있게 하도록 설계된다.
본 발명의 이 방법의 이점은 장기간 지속가능성이다. 종종, 공장 수익성을 개선하기 위한 프로젝트가 적절한 지속기간 동안 합리적인 이익을 달성하지만, 이들 개선은 시간이 지남에 따라 쇠퇴한다. 이러한 쇠퇴는 보통 이용 가능한 사내 기술 인력의 불충분한 시간과 전문지식의 결과이다. 본 발명의 방법을 사용한 웹-기반 최적화는 운영자가 장기간 지속할 수 있는 방식으로 기존의 성과 갭을 중개하며 그 인력의 전문지식을 더 잘 이용하는 것을 돕는다.
일부 공장 운영자는 국부적으로 설치된 공정 모델을 사용하여 정제소의 최적화 필요를 해결하고자 시도하였다. 여러 그러한 공정 모델 제공이 시장에 존재하지만, 이들 툴은 시간이 지남에 따라 가치를 상실하며, 이는 이들 툴을 계속 튜닝되게 하며(예컨대, 모델링 촉매 불활성화, 임시 장비 제한 등) 공장 흐름 방식과 장비 변경을 고려하도록 구성되는 방법이 불충분하기 때문이다. 이 구성에서, 시간이 지남에 따라, 그러한 모델을 얻기 위해 이루어진 투자는 의도한 가치를 전해주지 못한다. 또한, 모델 유지보수 기능 실행과 관련된 비용은 상대적으로 클 수 있으며 전문지식은 유지하거나 교체하기 어렵다. 웹으로 가능한 플랫폼은, 모델을 원거리에서 호스팅하고 유지함으로써 구체적으로 이들 단점을 해결한다.
기술적 이점을 넘어, 본 튜닝 시스템(10)의 웹-기반의 방법의 구현은, 고객의 경영상의 도전을 해결하는 유형의 이점을 전달해 준다. 그러한 서비스는, 기술 인력의 훈련과 개발, 사업 공정의 자동화 및 운영상 우월성의 개발을 개선하는 것을 보조한다. 새로운 엔지니어와 운영자의 훈련은, 개별 공정 유닛에 대한 지식의 중앙저장소가 있기 때문에 간략화된다. 더 나아가, 엔지니어는 여러 공정 유닛 사이에서 더욱 쉽게 교대될 수 있어서 이들 엔지니어에게 더 넓은 경험을 줄 수 있다. 이러한 교대는, 지식의 일관성이 매우 반복 가능한 원거리의 성과 모니터링 공정에 의해 그리고 전문가가 능숙한 기술 서비스 인력과 교류함으로써 전해진다는 확신을 갖고 행할 수 있다.
단계(120)에서, 현재의 공정 모델은, 스코어링 모델을 기반으로 공장의 진정한 가능 성과를 정확히 나타내도록 튜닝된다. 공정 모델은, 시뮬레이션 공정이 중재된 공장 데이터와 매칭함을 보장하도록 또한 튜닝된다. 튜닝된 시뮬레이션 엔진은, 입력으로서 중재된 데이터의 세트로 실행되는 최적화 케이스에 대한 기초로서 사용되며, 이러한 단계로부터의 출력이 최적화된 데이터이다. 결국, 공장(12a - 12n)의 미래의 운영은 최적화되며 생산은 최대가 된다.
사업 최적화 작업 공정이, 결과를, 계획자, 관리자, 엔지니어 및 기술자와 같은 여러 이해당사자에게 보여주기 위한 공통 플랫폼을 제공함으로써 더욱 예측 가능하게 된다. 예컨대, 튜닝 시스템(10)은, 여러 위치에서 간략화되며 강력한 주시 공정 유닛을 제공하여, 최고 공급 처리 기회나 유지보수 및 업그레이드에 대한 대부분의 필요 중 어느 하나를 갖는 공정 유닛에 빠른 자원 할당을 허용하는데 사용된다.
추가 장점은, 공장 공정과 경계적 성과 사이의 링크를 명확히 구축하는 공통 하부구조(infrastructure)를 활용함으로써 달성된다. 모든 공정, 분석 및 경제 데이터가 공정 모델을 통해 링크되는 보고를 제공하는데 사용되므로, 모든 운영자는 공통 정보 세트로부터 효과적으로 통신하며 결정을 할 수 있어서, 전체 조직이 연속적인 경제적 성과 최대화에 집중하도록 몰아갈 수 있다.
본 튜닝 시스템의 특정 실시예가 본 명세서에서 기재되었지만, 그 더 넓은 양상에서 다음의 청구범위에 제시된 본 발명에서 벗어나지 않는다면 그러한 특정 실시예에 대한 변화와 변경이 이뤄질 수 있음을 당업자는 인식할 것이다.
특정 실시예
다음은 특정 실시예와 연계하여 기재되지만, 이러한 기재는 앞선 기재 및 수반하는 청구범위의 범위를 예시하고자 하며 제한하지 않고자 한다.
본 발명의 제1 실시예는, 공장의 운영을 개선하기 위한 시스템으로서, 이러한 튜닝 시스템은 통신 네트워크를 통해 공장과 통신하기 위해 튜닝 시스템에 결합되는 서버; 통신 네트워크를 통해서 공장의 운영에 관련된 공장 데이터를 수신하고 전송하기 위해 웹-기반 플랫폼을 갖는 컴퓨터 시스템; 공장 데이터를 쌍방향으로 디스플레이하기 위한 디스플레이 디바이스; 및 미리 결정된 참조 또는 설정 지점의 세트를 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 비교하여 공장으로부터의 실제 측정 데이터를 중재하기 위해 구성되는 중재 유닛을 포함하며, 중재 유닛은, 미리 결정된 문턱값의 세트를 사용하여 실제 측정 데이터와 성과 공정 모델에 대한 경험적 분석을 실행하는, 시스템이다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 중재 유닛은 컴퓨터 시스템을 통해 공장으로부터 공장 데이터를 수신하며, 수신된 공장 데이터는, 미리 결정된 시간 간격 동안 공장의 장비로부터의 실제 측정 데이터를 나타낸다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 튜닝 시스템, 공장 데이터를 저장하는 데이터베이스, 및 네트워크 사이의 인터페이스를 제공하기 위해 구성되는 인터페이스 모듈을 더 포함한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 공장 데이터의 비교를 기반으로 시뮬레이션 엔진의 현재 공정 모델의 신뢰성을 예측하기 위해 구성되는 예측 유닛을 더 포함한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 예측 유닛은, 분석 기술을 사용한 공장 데이터의 비교를 기반으로 대응하는 공정 모델의 신뢰성 점수를 계산한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 예측 유닛은, 적어도 하나의 공장 운영 파라미터를 기반으로 대응하는 공정 모델의 신뢰도를 결정하기 위한 스코어링 모델을 만든다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 신뢰성 점수는, 공장 데이터와, 대응하는 미리 결정된 문턱값 사이의 차이량을 기반으로 하여 가중된다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 스코어링 모델은 가중된 신뢰성 점수로 업데이트되며, 현재의 공정 모델은 스코어링 모델을 기반으로 조정되거나 튜닝된다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 예측 유닛은, 미리 결정된 시간 간격 동안 선택된 공장 파라미터와 대응하는 성과 모델 결과 사이의 차이를 누적 계산하여 공장의 운영에 관련된 시뮬레이션의 적합성을 결정한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 공장 공정 모델의 신뢰성 점수를 기반으로 공장의 적어도 일부분을 최적화하기 위해 구성되는 최적화 유닛을 더 포함한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 최적화 유닛은, 적어도 하나의 제약을 따르며, 소비된 소재, 생산된 제품, 및 활용된 유틸리티를 포함하는 특정 공정 동안 운영의 총 비용의 사용자-규정 계산으로서 목적 함수를 규정한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 동력학적 모델, 파라미터 모델, 분석 툴, 및 관련 지식과 최상의 실행 표준 중 적어도 하나를 기반으로 공장의 운영 상태를 결정하기 위해 구성되는 분석 유닛을 더 포함한다. 본 발명의 실시예는 본 단락의 제1 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 여기서 분석 유닛은, 실제 현재의 운영 파라미터 및 이력 운영 파라미터 중 적어도 하나를 기반으로 공장의 최종 제품의 타겟 운영 파라미터를 결정한다.
본 발명의 제2 실시예는 공장의 운영을 개선하기 위한 방법으로서, 이러한 튜닝 방법은 통신 네트워크를 통해 공장과 통신하기 위해 튜닝 시스템에 결합되는 서버를 제공하는 단계; 통신 네트워크를 통해서 공장의 운영에 관련된 공장 데이터를 수신하고 전송하기 위해 웹-기반 플랫폼을 갖는 컴퓨터 시스템을 제공하는 단계; 공장 데이터를 쌍방향으로 디스플레이하기 위해 디스플레이 디바이스를 제공하는 단계로서, 디스플레이 디바이스는 공장 데이터를 그래픽적으로 또는 문자적으로 수신하기 위해 구성되는, 디스플레이 디바이스 제공 단계; 네트워크를 통해 공장으로부터 공장 데이터를 획득하는 단계; 공장 데이터를 기반으로 예상되는 공장 성과를 추정하기 위해 공장 데이터를 기반으로 공장 공정 모델을 생성하는 단계; 공장 공정 모델을 기반으로 하여 공장의 건전성을 모니터링하는 단계; 미리 결정된 참조 또는 설정 지점의 세트를 기반으로 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 비교하여 공장으로부터의 실제 측정 데이터를 중재하는 단계; 공장 데이터를 기반으로 공장 공정 모델의 신뢰도를 결정하기 위해 스코어링 모델을 만드는 단계; 및 공장의 가능한 성과를 나타내기 위해 스코어링 모델을 기반으로 공장 공정 모델을 튜닝하는 단계를 포함하는 방법이다. 본 발명의 실시예는 본 단락의 제2 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 미리 결정된 문턱값의 세트를 사용하여 실제 측정 데이터와 성과 공정 모델에 대한 경험적 분석을 실행하는 단계를 더 포함한다. 본 발명의 실시예는 본 단락의 제2 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 미리 결정된 문턱값 또는 범위를 기반으로 공장 공정 모델의 튜닝에서 에러를 검출하는 단계를 더 포함한다. 본 발명의 실시예는 본 단락의 제2 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 공장 공정 모델을 모니터링하고 실제 공장 성과와 비교하여 공장 공정 모델의 정확도를 보장하는 단계를 더 포함한다. 본 발명의 실시예는 본 단락의 제2 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 공장 공정 모델의 튜닝을 기반으로 공장의 운영 전략의 효과를 예측하는 단계를 더 포함한다. 본 발명의 실시예는 본 단락의 제2 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 분석 기술을 사용한 공장 데이터의 비교를 기반으로 대응하는 공정 모델의 신뢰성 점수를 계산하는 단계를 더 포함한다. 본 발명의 실시예는 본 단락의 제2 실시예를 거쳐 본 단락에서 하나, 임의의 또는 모든 종래의 실시예이며, 튜닝된 공장 공정 모델을 기반으로 시뮬레이션 엔진의 중재된 공장 데이터 세트를 생성하는 단계를 더 포함한다.
추가로 상세하게 설명하지 않고도, 선행하는 기재를 사용하여, 당업자는 본 발명을 최대 범위까지 활용할 수 있으며, 본 발명의 사상과 범위에서 벗어나지 않고도, 본 발명의 핵심 특징을 쉽게 확인하여 본 발명의 여러 변화와 변경을 수행할 수 있으며 본 발명을 여러 용도와 조건에 적응시킬 수 있다고 믿어진다. 선행하는 바람직한 특정 실시예는 그러므로 단지 예시적인 것이며 본 발명의 나머지 부분을 어떤 식으로든 무엇이든지 간에 제한하지는 않는 것으로 해석될 것이며, 첨부한 청구항의 범위 내에 포함되는 등가의 배치와 여러 변경을 포함하고자 한다.
앞선 설명에서, 달리 지시가 없다면, 모든 온도는 섭씨로 기재되어 있으며, 모든 부분 및 백분율은 중량에 의한 것이다.

Claims (10)

  1. 공장(12a - 12n)의 운영을 개선하기 위한 튜닝 시스템(10)으로서,
    통신 네트워크(16)를 통해 상기 공장(12a - 12n)과 통신하기 위한, 상기 튜닝 시스템(10)에 결합되는 서버(14);
    상기 통신 네트워크(16)를 통해, 상기 공장(12a - 12n)의 운영에 관련된 공장 데이터를 수신하고 전송하기 위한 웹-기반 플랫폼을 갖는 컴퓨터 시스템(18);
    상기 공장 데이터를 쌍방향으로(interactively) 디스플레이하도록 구성되는 디스플레이 디바이스(20); 및
    중재 유닛(22)을 포함하고,
    상기 중재 유닛(22)은,
    상기 공장의 운영에 관련된 미리 결정된 참조 또는 설정 지점의 세트를 기반으로 하는, 시뮬레이션 엔진으로부터의 성과 공정 모델 결과와 상기 공장(12a - 12n)으로부터의 실제 측정 데이터 사이의 비교에 기반하여 상기 실제 측정 데이터를 중재하고,
    미리 결정된 문턱값의 세트를 사용하여 상기 실제 측정 데이터와 상기 성과 공정 모델 결과에 대한 경험적 분석을 실행하도록 구성되는 것인,
    튜닝 시스템.
  2. 제1항에 있어서,
    상기 중재 유닛(22)은, 상기 컴퓨터 시스템(18)을 통해 상기 공장(12a - 12n)으로부터 상기 공장 데이터를 수신하도록 구성되고,
    수신된 상기 공장 데이터는 미리 결정된 시간 간격 동안 상기 공장(12a - 12n)의 장비로부터의 상기 실제 측정 데이터를 나타내는 것인, 튜닝 시스템.
  3. 제1항에 있어서,
    인터페이스 모듈(24)을 더 포함하며,
    상기 인터페이스 모듈(24)은, 상기 튜닝 시스템(10), 상기 공장 데이터를 저장하는 데이터베이스(26), 및 상기 통신 네트워크(16) 사이의 인터페이스를 제공하도록 구성되는 것인, 튜닝 시스템.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    예측 유닛(28)을 더 포함하며,
    상기 예측 유닛(28)은, 상기 성과 공정 모델 결과와 상기 실제 측정 데이터 사이의 비교를 기반으로 상기 시뮬레이션 엔진의 현재 공정 모델의 신뢰성을 예측하도록 구성되는 것인, 튜닝 시스템.
  5. 제4항에 있어서,
    상기 예측 유닛(28)은,
    분석 기술을 사용하여, 상기 성과 공정 모델 결과와 상기 실제 측정 데이터 사이의 비교를 기반으로 성과 공정 모델의 신뢰성 점수를 계산하며,
    적어도 하나의 공장 운영 파라미터를 기반으로 상기 성과 공정 모델의 신뢰도를 결정하기 위한 스코어링 모델(scoring model)을 만들도록 구성되는 것인,
    튜닝 시스템.
  6. 제5항에 있어서,
    상기 예측 유닛(28)은,
    상기 공장 데이터와 상기 미리 결정된 문턱값 사이의 차이의 양을 기반으로 상기 신뢰성 점수를 가중하며,
    가중된 신뢰성 점수로 상기 스코어링 모델을 업데이트하고,
    상기 스코어링 모델을 기반으로 상기 현재 공정 모델을 조정하도록 구성되는 것인,
    튜닝 시스템.
  7. 제4항에 있어서,
    상기 예측 유닛(28)은, 미리 결정된 시간 간격 동안 선택된 공장 파라미터와 상기 성과 공정 모델 결과 사이의 차이를 누적 계산하여, 상기 공장(12a - 12n)의 운영에 관련된 시뮬레이션의 적합성을 결정하도록 구성되는 것인, 튜닝 시스템.
  8. 제1항 내지 제3항 중 어느 한 항에 있어서,
    최적화 유닛(30)을 더 포함하고,
    상기 최적화 유닛(30)은,
    상기 공장의 운영의 적어도 일부분에 대한 변화를 적어도 지시함으로써, 공장 공정 모델의 신뢰성 점수를 기반으로 상기 공장(12a - 12n)의 적어도 일부분을 최적화하며,
    소비된 소재, 생산된 제품, 및 활용된 유틸리티 - 상기 소비된 소재, 생산된 제품, 및 활용된 유틸리티는 적어도 하나의 제약을 따름 - 를 포함하는, 특정 공정 동안 상기 운영의 총 비용의 사용자-규정 계산으로서 목적 함수(objective function)를 규정하도록 구성되는 것인,
    튜닝 시스템.
  9. 제1항 내지 제3항 중 어느 한 항에 있어서,
    분석 유닛(32)을 더 포함하고,
    상기 분석 유닛(32)은, 동력학적 모델(kinetic model), 파라미터 모델, 분석 툴, 또는 관련 지식과 최상의 실행 표준 중 적어도 하나를 기반으로 상기 공장(12a - 12n)의 운영 상태를 결정하도록 구성되는 것인, 튜닝 시스템.
  10. 제9항에 있어서,
    상기 분석 유닛(32)은, 실제 현재의 운영 파라미터 또는 이력 운영 파라미터 중 적어도 하나를 기반으로 상기 공장(12a - 12n)의 최종 제품의 타겟 운영 파라미터를 결정하도록 구성되는 것인, 튜닝 시스템.
KR1020177028107A 2015-03-30 2016-03-30 공정 모델을 튜닝하기 위한 시스템과 방법 KR102069958B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562140029P 2015-03-30 2015-03-30
US62/140,029 2015-03-30
US15/084,237 US10180680B2 (en) 2015-03-30 2016-03-29 Tuning system and method for improving operation of a chemical plant with a furnace
US15/084,237 2016-03-29
PCT/US2016/024887 WO2016160913A1 (en) 2015-03-30 2016-03-30 System and method for tuning process models

Publications (2)

Publication Number Publication Date
KR20170126988A KR20170126988A (ko) 2017-11-20
KR102069958B1 true KR102069958B1 (ko) 2020-01-23

Family

ID=57005325

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177028107A KR102069958B1 (ko) 2015-03-30 2016-03-30 공정 모델을 튜닝하기 위한 시스템과 방법

Country Status (10)

Country Link
US (1) US10180680B2 (ko)
EP (1) EP3278279A4 (ko)
JP (1) JP6598872B2 (ko)
KR (1) KR102069958B1 (ko)
CN (1) CN107430398B (ko)
MY (1) MY172633A (ko)
RU (1) RU2686820C2 (ko)
SA (1) SA517390058B1 (ko)
SG (1) SG11201707824SA (ko)
WO (1) WO2016160913A1 (ko)

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9864823B2 (en) 2015-03-30 2018-01-09 Uop Llc Cleansing system for a feed composition based on environmental factors
US10095200B2 (en) 2015-03-30 2018-10-09 Uop Llc System and method for improving performance of a chemical plant with a furnace
WO2019028020A1 (en) * 2017-07-31 2019-02-07 Uop Llc IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT
US10222787B2 (en) 2016-09-16 2019-03-05 Uop Llc Interactive petrochemical plant diagnostic system and method for chemical process model analysis
JP6732676B2 (ja) * 2017-02-10 2020-07-29 三菱日立パワーシステムズ株式会社 シミュレーション結果の評価装置及び方法
US10754359B2 (en) 2017-03-27 2020-08-25 Uop Llc Operating slide valves in petrochemical plants or refineries
US10678272B2 (en) 2017-03-27 2020-06-09 Uop Llc Early prediction and detection of slide valve sticking in petrochemical plants or refineries
US10670353B2 (en) 2017-03-28 2020-06-02 Uop Llc Detecting and correcting cross-leakage in heat exchangers in a petrochemical plant or refinery
US10752845B2 (en) 2017-03-28 2020-08-25 Uop Llc Using molecular weight and invariant mapping to determine performance of rotating equipment in a petrochemical plant or refinery
US10962302B2 (en) 2017-03-28 2021-03-30 Uop Llc Heat exchangers in a petrochemical plant or refinery
US10794644B2 (en) 2017-03-28 2020-10-06 Uop Llc Detecting and correcting thermal stresses in heat exchangers in a petrochemical plant or refinery
US10670027B2 (en) 2017-03-28 2020-06-02 Uop Llc Determining quality of gas for rotating equipment in a petrochemical plant or refinery
US11037376B2 (en) 2017-03-28 2021-06-15 Uop Llc Sensor location for rotating equipment in a petrochemical plant or refinery
US10844290B2 (en) 2017-03-28 2020-11-24 Uop Llc Rotating equipment in a petrochemical plant or refinery
US10663238B2 (en) 2017-03-28 2020-05-26 Uop Llc Detecting and correcting maldistribution in heat exchangers in a petrochemical plant or refinery
US11130111B2 (en) 2017-03-28 2021-09-28 Uop Llc Air-cooled heat exchangers
US10752844B2 (en) 2017-03-28 2020-08-25 Uop Llc Rotating equipment in a petrochemical plant or refinery
US10816947B2 (en) 2017-03-28 2020-10-27 Uop Llc Early surge detection of rotating equipment in a petrochemical plant or refinery
US11396002B2 (en) 2017-03-28 2022-07-26 Uop Llc Detecting and correcting problems in liquid lifting in heat exchangers
US10794401B2 (en) 2017-03-28 2020-10-06 Uop Llc Reactor loop fouling monitor for rotating equipment in a petrochemical plant or refinery
US10695711B2 (en) 2017-04-28 2020-06-30 Uop Llc Remote monitoring of adsorber process units
US10913905B2 (en) 2017-06-19 2021-02-09 Uop Llc Catalyst cycle length prediction using eigen analysis
US11365886B2 (en) 2017-06-19 2022-06-21 Uop Llc Remote monitoring of fired heaters
US10739798B2 (en) 2017-06-20 2020-08-11 Uop Llc Incipient temperature excursion mitigation and control
US11130692B2 (en) 2017-06-28 2021-09-28 Uop Llc Process and apparatus for dosing nutrients to a bioreactor
US10994240B2 (en) 2017-09-18 2021-05-04 Uop Llc Remote monitoring of pressure swing adsorption units
US11194317B2 (en) 2017-10-02 2021-12-07 Uop Llc Remote monitoring of chloride treaters using a process simulator based chloride distribution estimate
US11676061B2 (en) 2017-10-05 2023-06-13 Honeywell International Inc. Harnessing machine learning and data analytics for a real time predictive model for a FCC pre-treatment unit
US11105787B2 (en) 2017-10-20 2021-08-31 Honeywell International Inc. System and method to optimize crude oil distillation or other processing by inline analysis of crude oil properties
US10901403B2 (en) 2018-02-20 2021-01-26 Uop Llc Developing linear process models using reactor kinetic equations
CN108446861B (zh) * 2018-03-28 2022-02-15 南方电网科学研究院有限责任公司 基于有向图排序的电力调度系统多源数据质量评价方法
US10734098B2 (en) 2018-03-30 2020-08-04 Uop Llc Catalytic dehydrogenation catalyst health index
EA035009B1 (ru) * 2018-04-27 2020-04-16 Общество С Ограниченной Ответственностью "Кловер Групп" Способ и система для диагностирования промышленного объекта
RU186040U1 (ru) * 2018-09-04 2018-12-26 Михаил Сергеевич Литовченко Электронное устройство для автоматизации управления предприятием
US11163297B2 (en) 2018-09-11 2021-11-02 International Business Machines Corporation Identifying equipment operating control settings using historical information
EP3623879A1 (en) * 2018-09-14 2020-03-18 Siemens Aktiengesellschaft System, apparatus and method for optimizing operation of an industrial plant
US11934159B2 (en) 2018-10-30 2024-03-19 Aspentech Corporation Apparatus and methods for non-invasive closed loop step testing with controllable optimization relaxation
US10953377B2 (en) 2018-12-10 2021-03-23 Uop Llc Delta temperature control of catalytic dehydrogenation process reactors
US11741377B2 (en) * 2019-01-09 2023-08-29 International Business Machines Corporation Target system optimization with domain knowledge
WO2020227383A1 (en) 2019-05-09 2020-11-12 Aspen Technology, Inc. Combining machine learning with domain knowledge and first principles for modeling in the process industries
US11782401B2 (en) 2019-08-02 2023-10-10 Aspentech Corporation Apparatus and methods to build deep learning controller using non-invasive closed loop exploration
JP7318460B2 (ja) * 2019-09-30 2023-08-01 横河電機株式会社 システム、方法、および、プログラム
JP7302414B2 (ja) * 2019-09-30 2023-07-04 横河電機株式会社 システム、方法、および、プログラム
WO2021076760A1 (en) 2019-10-18 2021-04-22 Aspen Technology, Inc. System and methods for automated model development from plant historical data for advanced process control
US20210255609A1 (en) * 2020-02-14 2021-08-19 Exxonmobil Research And Engineering Company Systems and methods for monitoring and predicting a risk state of an industrial process
KR102179350B1 (ko) * 2020-02-17 2020-11-16 주식회사 케이씨씨 고객 도장 작업 데이터 원격 수집 및 시뮬레이션 분석을 통한 라인 최적화 피드백 시스템
CN111598306B (zh) * 2020-04-22 2023-07-18 汉谷云智(武汉)科技有限公司 一种炼油厂生产计划优化方法及装置
CN111624908B (zh) * 2020-05-18 2024-01-23 武汉理工大学 一种基于物联网技术的智能冷藏车车载数据采集终端系统
US11774924B2 (en) 2020-12-03 2023-10-03 Aspentech Corporation Method and system for process schedule reconciliation using algebraic model optimization
US20220180295A1 (en) * 2020-12-03 2022-06-09 Aspen Technology, Inc. Method and System for Process Schedule Reconciliation Using Machine Learning and Algebraic Model Optimization
US11630446B2 (en) 2021-02-16 2023-04-18 Aspentech Corporation Reluctant first principles models
JP7171880B1 (ja) 2021-12-10 2022-11-15 株式会社日立パワーソリューションズ 異常予兆診断装置およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013109711A (ja) * 2011-11-24 2013-06-06 Yokogawa Electric Corp プラントモデル生成装置およびプラント運転支援システム
US20130253898A1 (en) * 2012-03-23 2013-09-26 Power Analytics Corporation Systems and methods for model-driven demand response
US20140337256A1 (en) * 2013-05-08 2014-11-13 Vigilent Corporation Influence learning in an environmentally managed system

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SA05260056B1 (ar) * 1991-03-08 2008-03-26 شيفرون فيليبس كيميكال كمبني ال بي جهاز لمعالجة الهيدروكربون hydrocarbon
EP0750757B1 (en) * 1994-03-17 2001-02-14 Dow Benelux N.V. System for real time optimization and profit depiction
US5666297A (en) 1994-05-13 1997-09-09 Aspen Technology, Inc. Plant simulation and optimization software apparatus and method using dual execution models
GB9903830D0 (en) * 1999-02-19 1999-04-14 Salamander Limited Process-systems integration method
JP3970483B2 (ja) * 1999-08-30 2007-09-05 株式会社東芝 設備運用状態の監視装置
JP2001106703A (ja) * 1999-10-06 2001-04-17 Mitsubishi Rayon Co Ltd 品質予測反応制御システム
WO2001069329A2 (en) * 2000-03-10 2001-09-20 Cyrano Sciences, Inc. Control for an industrial process using one or more multidimensional variables
US6760716B1 (en) * 2000-06-08 2004-07-06 Fisher-Rosemount Systems, Inc. Adaptive predictive model in a process control system
CA2356470A1 (en) * 2000-09-15 2002-03-15 General Electric Company Method and system for optimizing mill operation
WO2002023368A1 (en) 2000-09-15 2002-03-21 Wonderware Corporation A method and system for administering a concurrent user licensing agreement on a manufacturing/process control information portal server
US6795798B2 (en) * 2001-03-01 2004-09-21 Fisher-Rosemount Systems, Inc. Remote analysis of process control plant data
US20050027721A1 (en) * 2002-04-03 2005-02-03 Javier Saenz System and method for distributed data warehousing
US7067333B1 (en) * 2002-06-28 2006-06-27 Advanced Micro Devices, Inc. Method and apparatus for implementing competing control models
GB0216858D0 (en) 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
US7328078B2 (en) 2002-10-08 2008-02-05 Invensys Systems, Inc. Services portal
US7475073B2 (en) * 2004-01-27 2009-01-06 International Business Machines Corporation Technique for improving staff queries in a workflow management system
WO2005124491A1 (en) * 2004-06-12 2005-12-29 Fisher-Rosemount Systems, Inc. System and method for detecting an abnormal situation associated with a process gain of a control loop
RU44840U1 (ru) * 2004-12-07 2005-03-27 Общество с ограниченной ответственностью "Наука, технология, информатика, контроль" (ООО "Наука") Автоматизированная система управления предприятия
US20070059838A1 (en) * 2005-09-13 2007-03-15 Pavilion Technologies, Inc. Dynamic constrained optimization of chemical manufacturing
US7447611B2 (en) 2006-05-09 2008-11-04 Hsb Solomon Associates, Llc Power generation performance analysis system and method
US20080084027A1 (en) * 2006-10-10 2008-04-10 United Technologies Corporation Project board game process
RU63087U1 (ru) * 2006-10-26 2007-05-10 Государственное образовательное учреждение высшего профессионального образования "Самарская государственная академия путей сообщения" (СамГАПС) Автоматизированная система мониторинга на предприятии
US20100125347A1 (en) * 2008-11-19 2010-05-20 Harris Corporation Model-based system calibration for control systems
US9053260B2 (en) 2009-04-13 2015-06-09 Honeywell International Inc. Utilizing spreadsheet user interfaces with flowsheets of a CPI simulation system
CN102375937A (zh) * 2011-10-20 2012-03-14 王钰 一种定量评估仿真模型可信度的方法
US9152674B2 (en) * 2012-04-27 2015-10-06 Quixey, Inc. Performing application searches
EP2954427A4 (en) * 2013-02-05 2017-05-31 Yokogawa Corporation of America System, method and apparatus for determining properties of product or process streams
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
CN104091226A (zh) * 2014-06-17 2014-10-08 电子科技大学 一种面向运营商oss域的信息模型质量评价方法
CN104154531B (zh) * 2014-07-28 2016-06-22 广州市恒力安全检测技术有限公司 一种循环流化床机组能效优化方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013109711A (ja) * 2011-11-24 2013-06-06 Yokogawa Electric Corp プラントモデル生成装置およびプラント運転支援システム
US20130253898A1 (en) * 2012-03-23 2013-09-26 Power Analytics Corporation Systems and methods for model-driven demand response
US20140337256A1 (en) * 2013-05-08 2014-11-13 Vigilent Corporation Influence learning in an environmentally managed system

Also Published As

Publication number Publication date
CN107430398A (zh) 2017-12-01
SA517390058B1 (ar) 2021-04-10
JP6598872B2 (ja) 2019-10-30
MY172633A (en) 2019-12-06
RU2017133511A (ru) 2019-03-27
SG11201707824SA (en) 2017-10-30
WO2016160913A1 (en) 2016-10-06
EP3278279A4 (en) 2018-11-21
KR20170126988A (ko) 2017-11-20
JP2018511883A (ja) 2018-04-26
US10180680B2 (en) 2019-01-15
RU2686820C2 (ru) 2019-04-30
CN107430398B (zh) 2020-12-15
US20160291584A1 (en) 2016-10-06
RU2017133511A3 (ko) 2019-03-27
EP3278279A1 (en) 2018-02-07

Similar Documents

Publication Publication Date Title
KR102069958B1 (ko) 공정 모델을 튜닝하기 위한 시스템과 방법
US10839115B2 (en) Cleansing system for a feed composition based on environmental factors
US20180046155A1 (en) Identifying and implementing refinery or petrochemical plant process performance improvements
US20160260041A1 (en) System and method for managing web-based refinery performance optimization using secure cloud computing
RU2690886C2 (ru) Система очистки данных и способ для определения состава сырья
US10545487B2 (en) Interactive diagnostic system and method for managing process model analysis
CN107430706B (zh) 高级数据清理系统和方法
US20170315543A1 (en) Evaluating petrochemical plant errors to determine equipment changes for optimized operations
US8688405B2 (en) Remote monitoring systems and methods
NO20131384L (no) Fremgangsmåte og system for sanntidsoperasjoner og vedlikehold
WO2019028020A1 (en) IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT
WO2019005541A1 (en) ERROR ASSESSMENT OF A PETROCHEMICAL PLANT TO DETERMINE EQUIPMENT CHANGES FOR OPTIMIZED OPERATIONS
WO2019023210A1 (en) CLEANING SYSTEM FOR CHARGE COMPOSITION BASED ON ENVIRONMENTAL FACTORS
Carlucci et al. Data-centric Maintenance and Operational Knowledge and Its Impact on Classification
WO2021225812A1 (en) Real-time plant diagnostic system and method for plant process control and analysis

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right