KR20220042349A - 화학 생산 플랜트에서의 개선된 생산 계획을 위한 코킹 및 오손의 진행 예측 - Google Patents

화학 생산 플랜트에서의 개선된 생산 계획을 위한 코킹 및 오손의 진행 예측 Download PDF

Info

Publication number
KR20220042349A
KR20220042349A KR1020227002077A KR20227002077A KR20220042349A KR 20220042349 A KR20220042349 A KR 20220042349A KR 1020227002077 A KR1020227002077 A KR 1020227002077A KR 20227002077 A KR20227002077 A KR 20227002077A KR 20220042349 A KR20220042349 A KR 20220042349A
Authority
KR
South Korea
Prior art keywords
equipment
operating parameter
key performance
future
performance indicator
Prior art date
Application number
KR1020227002077A
Other languages
English (en)
Inventor
시메온 사우어
다니엘 케크
에릭 옌네
알렉산더 바딘스키
미리암 앙겔라 안나 하칼라
바르트 블랑케르스
헨드리크 데 비네
브리타 캐롤린 부크
Original Assignee
바스프 에스이
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 바스프 에스이 filed Critical 바스프 에스이
Publication of KR20220042349A publication Critical patent/KR20220042349A/ko

Links

Images

Classifications

    • 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
    • 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)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (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

화학 생산 플랜트의 장비 및/또는 처리 유닛, 예를 들어, 스팀 크래커의 건강-상태의 미래 진화를 예측하기 위해, 현재의 주요 성능 지표, 현재의 처리 조건, 및 예측 수평선에 걸친 처리 조건을 기반으로 미래 주요 성능 지표에 대한 데이터-기반 모델을 구축하는 컴퓨터-구현 방법이 제공된다.

Description

화학 생산 플랜트에서의 개선된 생산 계획을 위한 코킹 및 오손의 진행 예측
본 발명은 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 컴퓨터-구현 방법 및 장치에 관한 것이다.
화학 생산 플랜트는 코킹 또는 다른 오손 공정을 겪을 수 있다. 이러한 화학 생산 플랜트의 한 예는 스팀 크래커이다. 스팀 크래커는 약 850℃의 온도에서, 나프타 또는 액화 석유 가스 (LPG)와 같은 생성물인 원유를 "분해"하기 위해 스팀을 사용한다. 이것은 에틸렌, 프로필렌 및 C4-생성물과 같은 올레핀뿐만 아니라 방향족화합물, 예컨대 벤졸, 톨루올, 크실올 등을 생산한다. 이들은 화석 연료를 기반으로 하는 화학물질의 기본 생성물이다. 스팀-크래커의 작동 동안, 일부 장비 또는 처리 유닛은 코크스 잔류물의 축적을 겪을 수 있다. 예를 들어, 스팀-크래커의 노에서 크래킹 코일의 내벽은 작동 동안 코크스 층 형성을 겪는다. 동일한 문제가 노 바로 하류의 이송 라인 교환기에서 발생한다. 이것은 두 장비 유형의 성능을 모두 저하시키므로, 코크스는 연소(burn-off), 또는 기계적 수단에 의해 주기적으로 제거되어야 한다. 코크스가 적절한 시간에 제거되지 않으면, 감소된 유효성 또는 자산의 실패로 인해 계획되지 않은 생산 손실이 발생할 수 있다. 유사한 코킹, 또는 보다 일반적으로, 오손 공정은 다른 화학 플랜트에서도 공정 장비의 효율을 경감시킨다.
이러한 화학 생산 플랜트의 또 다른 예는 다음의 간행물: R. Kelling, G. Kolios, C. Tellaeche, U. Wegerle, V.M. Zahn, A. Seidel-Morgenstern: "Development of a control concept for catalyst regeneration by coke combustion", Chemical Engineering Science, Volume 83, 2012, Pages 138-148에 기재된 바와 같은, 탈수소화 반응기이다. 추가 예는 문헌 (Jens R. Rostrup-Nielsen: "Industrial relevance of coking", Catalysis Today, Volume 37, Issue 3, 1997, Pages 225-232)에서 찾을 수 있다.
추가 예로서, 또한 유동 층 반응기에 사용되는 아닐린 촉매도 작동 동안 코크스 형성을 겪는다. 이것은 아닐린 생산의 감소, 불충분한 열 소산, 층 높이의 감소 및 궁극적으로 유동화의 붕괴로 이어질 수 있다. 따라서, 코크스는 실행 중인 캠페인을 종료하는 산화에 의해 주기적으로 제거되어야 한다.
발명의 요약
예측 수평선에 걸쳐 화학 생산 플랜트의 장비 및/또는 처리 유닛의 예상되는 건강-상태-진화에 대한 합리적인 예측을 제공하기 위해 시스템을 제공할 필요가 있을 수 있다.
본 발명의 목적은 독립항의 대상에 의해 해결되며, 여기서 추가 실시양태는 종속항에 포함된다. 본 발명의 하기 기재된 측면은 컴퓨터 구현 방법 및 장치에 또한 적용된다는 점에 주목해야 한다.
본 발명의 제1 측면은 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 컴퓨터-구현 방법이며,
a) 장비의 적어도 하나의 작동 파라미터의 미래 값을 얻는 단계(110)로서,
여기서 적어도 하나의 작동 파라미터는 장비의 열화에 영향을 미치고,
여기서 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능하여, 적어도 하나의 작동 파라미터의 미래 값이 예측 수평선에 걸쳐 결정될 수 있는 것인 단계;
b) 예측 모델을 사용하여, 적어도 하나의 작동 파라미터의 미래 값을 포함하는 입력 데이터 세트에 기초하여 예측 수평선 내에서 적어도 하나의 주요 성능 지표의 미래 값을 추정하는 단계(120)로서,
여기서 예측 모델은 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 데이터를 포함하는 샘플 세트에 기초하여 파라미터화 또는 트레이닝되며, 여기서 적어도 하나의 공정 변수는 적어도 하나의 주요 성능 지표를 결정하는데 사용되는 것인 단계; 및
c) 적어도 하나의 주요 성능 지표의 미래 값에 기초하여 예측 수평선 내에서 장비의 열화의 진행을 예측하는 단계(130)
를 포함하는 컴퓨터-구현 방법을 제공한다.
다시 말해서, 데이터-기반 예측 모델은 화학 생산 플랜트의 장비, 예컨대 스팀 크래커의 열화의 예측에 사용된다. 특히, 열화 주요 성능 지표의 미래 진화는 주어진 시나리오, 즉 하나 이상의 주어진 작동 파라미터, 예컨대 예측 수평선에 걸쳐 플랜트 로드, 및 크래킹 온도의 가정 하에 예측될 수 있다. 이러한 정보를 기반으로, 필요한 조치는 공정 장비의 열화 또는 고장으로 인한 계획되지 않은 생산 손실을 방지하기 위해 구현될 수 있다. 예를 들어, 스팀-크래커의 상이한 노 사이의 비가동 시간(downtime)의 계획 및 정렬은, 예를 들어, 2개 이상의 노의 병렬 비가동 시간을 피함으로써 개선될 수 있다. 이러한 맥락에서 예측 모델을 위해 일반적으로 사용되는 데이터는 플랜트의 센서에 의해 생산 공정에 가깝게 생성된다.
하나 이상의 작동 파라미터의 미래 값으로, 예를 들어 예측 수평선에 걸쳐 감소된 공급 로드, 공급 조성 및 반응기 온도와 같은 공정 조건의 변화로서 "가정의" 시나리오를 시뮬레이션하는데 사용할 수 있다. 미래에 플랜트의 작동 조건 변경, 예컨대 연결된 플랜트로부터의 요구사항 변경 및/또는 생산 성능을 위한 최적화를 설명하기 위해 제안된 예측 모델은 과거 및/또는 현재 작동 상태에서 미래 작동 상태를 외삽하지 않고, 미래 작동 파라미터에 사용자 입력을 필요로 한다는 점에 주목한다. 미래 작동 파라미터에 대한 값의 사용은 플랜트 작동의 미래 변화를 설명할 수 있다. 주요 성능 지표는 시스템에 대한 로드의 함수이다. 미래 작동 파라미터에 대한 값을 사용함으로써, 예를 들어 예측을 위해 시스템 상에 미래 로드를 포함시킬 수 있다. 미래 작동 파라미터의 값을 플랜트의 계획에 기초하여 달라지도록 허용하면 추가적인 자유도를 제공할 수 있고, 이것은 예측 모델의 품질을 높일 수 있고 예측을 더욱 강력하게 만들 수 있다.
예를 들어, 예측 모델은 아닐린 생산을 위한 생산 계획 도구로서 사용될 수 있다. 아닐린 플랜트에서의 작동은 연결된 플랜트로부터의 요구사항 변경 및/또는 촉매 및 생산 성능을 위한 최적화를 설명하기 위해 캠페인 동안 일반적으로 조정된다. 따라서, 이들 작동 파라미터를 명시적으로 설정하고 모델에 변경되는 미래 작동 파라미터를 고려하는 것이 유익할 수 있다.
이하에서, 장비의 현재 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값은 또한 적어도 하나의 주요 성능 지표의 현재 값으로 지칭될 수 있다. 장비의 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값은 또한 적어도 하나의 주요 성능 지표의 과거 값으로 지칭될 수 있다. 유사하게, 장비의 현재 작동 동안 얻은 적어도 하나의 작동 파라미터의 값은 적어도 하나의 작동 파라미터의 현재 값으로 지칭될 수 있다. 장비의 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값은 적어도 하나의 작동 파라미터의 과거 값으로 지칭될 수 있다. 이것은 또한 이하에 기재된 바와 같은 다른 파라미터에도 적용된다.
두 가지 예시적인 예를 이하에서 상세히 설명할 것이다. 이러한 두 가지 예시적인 예의 간단한 요약은 하기에 기재되어 있다.
첫 번째 예에서, 스팀-크래커의 노에서 크래킹 코일의 내벽은 작동 동안 코크스 층 형성을 겪는다. 동일한 문제가 노 바로 하류의 이송 라인 교환기 (TLE)에서 발생한다. 이것은 두 장비 유형의 성능을 모두 저하시키므로, 코크스는 연소, 또는 기계적 수단에 의해 주기적으로 제거되어야 한다.
이 유지보수 절차를 예정하기 위해, 특정 임계 코일 벽 온도 (CWT) 또는 임계 TLE 출구 온도에 도달할 때를 적어도 1-2 주 전에 미리 아는 것이 매우 유리하다. 이러한 방식으로, 스팀-크래커의 상이한 노 사이의 비가동 시간의 계획 및 정렬은, 예를 들어 2개 이상의 노의 병렬 비가동 시간을 피함으로써 개선될 수 있다.
크래킹 코일의 코킹에 대한 주요 성능 지표 (KPI)는 코일 벽 온도 (CWT)일 수 있고; TLE의 경우에는, 그의 출구 온도일 수 있다.
두 KPI에 대해 모두, 예측 모델은 이력 생산 데이터를 기반으로 개발될 수 있다. 정량화된 신뢰 한계로, 향후 4 주에 걸쳐 크래킹 코일 및 TLE의 코킹의 진행을 예측할 수 있다. 또한, 적어도 하나의 작동 파라미터의 미래 값으로, "가정의" 시나리오, 즉 감소된 공급 로드, 공급 유형 또는 크래킹 온도와 같은 공정 조건의 변화를 시뮬레이션하는데 사용할 수 있다.
스팀 크래커에 대한 예측 모델을 사용하여, 그 다음 유지보수 사건까지 노 / TLE의 잔여 유효 수명 (RUL)을 정량화할 때, 여러 노의 병렬 셧다운의 위험을 줄일 수 있다. 추가로, 가까운 미래에 감소된 공급 로드, 공급 유형 또는 크래킹 온도와 같은 대체 생산 시나리오를 시뮬레이션할 수 있어, 공정 관리자가 세정 절차를 사전에 지연할 수 있게, 예를 들어 이를 다른 유지보수 작업과 동기화할 수 있게 할 수 있다.
두 번째 예에서, 또한 유동 층 반응기에 사용되는 아닐린 촉매도 작동 동안 코크스 형성을 겪는다. 이것은 촉매의 불활성화 및 이에 따라 아닐린 전환율의 감소를 유발하고, 이것은 결과적으로 더 짧은 캠페인, 더 빈번한 촉매 재생 및 이에 따라 생산의 손실로 이어진다. 두 번째 효과는 일부 경우에 유동화 품질의 저하 및 이에 따라 열 전달의 감소를 수반하는 층 높이의 감소이다. 따라서, 코크스는 실행 중인 캠페인을 종료하는 산화에 의해 주기적으로 제거되어야 한다.
또한 이 경우에, 반응기 성능 및 캠페인의 종료를 1-2 주 전에 미리 예측하는 것이 매우 유리할 수 있다. 이것은 다른 연결된 플랜트와의 생산 계획에 유용할 뿐만 아니라, 성능 및 촉매 수명을 최적화하는데 유용하다.
KPI는 여기서 코킹 (층 위에서의 압력 강하를 통해), 층 높이, 층과 열 교환기 파이프 사이의 열 전달 계수 및 아닐린 전환율이다.
모든 KPI의 경우, 하나의 반응기에 대한 이력 데이터를 사용하여 예측 모델을 개발할 수 있다. 전 세계적으로 더 많은 반응기에 대해 동일한 유형의 예측 모델을 또한 개발할 수 있다. 스팀 크래커의 경우에서와 동일하게, 이 모델은 정량화된 신뢰 한계로 캠페인의 명시된 종료까지, 아닐린 촉매의 코킹의 진행 및 층 높이, 열 전달 계수 및 아닐린 전환율의 진화를 예측할 수 있다. 예를 들어 감소된 공급 로드, 공급 조성 및 반응기 온도와 같은 공정 조건의 변화로서 "가정의" 시나리오를 또한 시뮬레이션할 수 있다.
아닐린 반응기에 대한 예측 모델은 다음의 이점 중 적어도 하나를 가질 수 있다:
a) 압력 강하, 층 높이, 열 전달 계수 및 아닐린 전환율의 예측을 이용하여 촉매 수명을 연장할 수 있다. 이것은 더 낮은 촉매 소비를 초래할 수 있다.
b) 대체 생산 시나리오, 예컨대 공급 로드, 공급 조성 및 반응기 온도를 시뮬레이션할 수 있는 것은 아닐린 생산의 최적화 및 더 나은 생산 계획과 연결된 플랜트와의 조직화를 가능하게 한다.
아닐린 유동 층 반응기에 대한 예측 모델로, 공정 관리는 가까운 미래에 추정되는 코킹의 진행뿐만 아니라 층 높이, 열 전달 계수 및 아닐린 전환율의 진화를 모니터링할 수 있다. 모든 KPI는 캠페인 길이를 예측하는데 사용되고 따라서 촉매의 재생을 예정할 수 있게 하여 더 나은 계획을 가능하게 한다. 또한, 코크스 축적을 최소화하여 촉매 수명을 연장할 수 있다. 이것은 공정 조건의 최적화에 의해 달성될 수 있고, 여기서 미래의 상이한 공정 조건을 시뮬레이션할 수 있다.
영향을 받는 매우 다양한 장비 및 화학 생산 플랜트, 뿐만 아니라 이들의 기반이 되는 완전히 상이한 물리적 또는 화학적 열화 공정이 있지만, 이들 장비의 열화는 다음의 특성 중 일부를 공유할 수 있다:
1. 화학 생산 플랜트의 고려되는 장비는 열화의 진행을 정량화할 수 있는 하나 이상의 주요 성능 지표를 가질 수 있다.
2. 일반적인 생산 시간 척도보다 긴 시간 척도, 예를 들어, 불연속 공정에 대한 배치 시간 또는 연속 공정에 대한 설정점 변화 사이의 일반적인 시간에, 주요 성능 지표는 비가역 열화 현상의 발생을 나타내는, 훨씬 더 높은 또는 더 낮은 값으로 다소 단조롭게 이동한다. 그러나, 더 짧은 시간 척도에, 주요 성능 지표는 열화 공정 자체에 의해 유도되지 않고, 주변 온도와 같은 공정 조건 또는 배경 변수를 달리함으로써 유도되는 변동을 나타낼 수 있다.
3. 주요 성능 지표는 오손된 열 교환기의 세정, 비활성 촉매의 교체 또는 재생 등과 같은 유지보수 사건 후 대략 이들의 기준선으로 복귀한다.
4. 열화는 공정 장비의 크리핑, 불가피한 마모 및/또는 인열에 의해 유도된다.
다시 말해서, 주요 성능 지표의 진화는 제어되지 않는 외부 요인이 아니라, 공정 조건에 의해 크게 결정되며, 이것은 이 시간 프레임에서 계획된 공정 조건을 고려해 볼 때, 열화 주요 성능 지표의 진화가 특정 시간 수평선에 걸쳐 예측될 수 있게 한다.
이러한 주요 성능 지표는 측정된 공정 데이터의 세트에 포함된 파라미터, 예컨대 하기 기재된 바와 같은 이송 라인 교환기의 출구 온도, 및/또는 측정된 공정 데이터의 세트에 포함된 하나 이상의 파라미터의 함수를 나타내는 파생된 파라미터를 포함하는 파라미터로부터 선택될 수 있다. 예를 들어, 촉매 활성은 공정 변수로 직접 측정되지 않지만, 공정의 감소된 수율 및/또는 전환율에서 자체적으로 나타난다.
본원에서 사용된 바와 같이, 특정 장비에 대한 측정이 실시간으로 수행될 수 없으므로, 용어 "현재"는 가장 최근의 측정을 나타낸다.
본원에서 사용된 바와 같이, 용어 "미래"는 예측 수평선 내에서의 특정 시점을 나타낸다. 이하에서 설명할 것이지만, 장비의 열화에 대한 유용한 예측 수평선은 일반적으로 몇 시간 내지 몇 개월의 범위이다. 적용되는 예측 수평선은 두 가지 요인에 의해 결정된다. 첫 번째로, 예측은 결정의 기준으로서 사용될 수 있도록 충분히 정확해야 한다. 정확도를 달성하기 위해, 미래 생산 계획의 입력 데이터는 이용가능해야 하고, 이것은 미래로의 제한된 일수 또는 주수에 대한 경우이다. 또한, 예측 모델 자체는 기초 예측 모델 구조 또는 잘못 정의된 파라미터로 인해 정확도가 부족할 수 있고, 이것은 모델 식별에 사용된 이력 데이터 세트의 잡음 있고 유한한 특성의 결과이다. 두 번째로, 예측 수평선은 유지보수 조치를 취하고, 계획 결정을 내리는 것과 같이, 관련 운영 문제를 해결할 수 있도록 충분히 길어야 한다.
예를 들어, 열화의 진행은 다음의 장비: 코크스 층 형성 및/또는 중합으로 인해 코킹 또는 다른 오손 공정을 겪는 열 교환기; 질량 유동이 코크스 층 형성 및/또는 중합으로 인해 코킹 또는 다른 오손 공정에 의해 방해받는 파이프; 코크스 층 형성, 중합, 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 코킹 또는 다른 오손 공정을 겪는 고정 층 반응기; 코크스 층 형성, 중합, 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 코킹 또는 다른 오손 공정을 겪는 유동 층 반응기; 및 중합 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 효율이 저하되는 필터 중 적어도 하나에서 예측된다.
일반적으로, 상기 및 하기 기재된 방법 및 장치는 코킹 또는 다른 오손 공정을 겪는 임의의 장비 부품에 적용될 수 있다. 예를 들어, 열 교환기는 코크스 층 형성 또는 중합으로 인해, 또는 미생물 또는 무기 침착물로 인해 코킹 또는 다른 오손 공정을 겪을 수 있다. 열 교환기의 코킹/오손 현상에 관한 상세한 논의를 위해, 다음의 간행물을 참조한다: Cai H, Krzywicki A, Oballa MC. Coke formation in steam crackers for ethylene production. Chemical Engineering and Processing: Process Intensication 2002;41(3):199-214, 및 Mueller-Steinhagen H. Heat exchanger fouling: Mitigation and cleaning techniques. IChemE; 2000. 추가 예로서, 파이프를 통한 질량 유동은 코크스 층 형성 및 중합으로 인해 코킹 또는 다른 오손 공정에 의해 방해받을 수 있다. 추가 예로서, 고정 층 반응기 및 유동 층 반응기의 성능은 코크스 층 형성, 중합, 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 코킹 또는 다른 오손 공정을 겪을 수 있다. 추가 예로서, 필터의 효율은 중합 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 저하될 수 있다.
예를 들어, 화학 생산 플랜트는 탈수소화 반응기, 스팀 크래커 또는 유동 층 반응기 중 적어도 하나를 포함한다.
일반적으로, 상기 및 하기 기재된 방법 및 장치는 화학 생산 플랜트가 코킹 또는 다른 오손 공정을 겪을 수 있는 장비 부품을 갖는 임의의 화학 생산 플랜트에 적용될 수 있다. 이러한 화학 생산 플랜트의 한 예는 스팀 크래커이다. 이러한 화학 생산 플랜트의 또 다른 예는 탈수소화 반응기 또는 유동 층 반응기이다.
한 예에서, 단계 b)는 현재 작동 전에 미리 정의된 기간 내에서 장비의 과거 작동 동안 측정되었던 적어도 하나의 공정 변수에 기초하여 적어도 하나의 주요 성능 지표의 과거 값을 결정하는 것을 추가로 포함한다. 단계 c)는 과거 작동 동안 장비의 적어도 하나의 작동 파라미터의 과거 값을 얻는 것을 추가로 포함한다. 단계 d)에서, 입력 데이터 세트는 적어도 하나의 주요 성능 지표의 과거 값 및 적어도 하나의 작동 파라미터의 과거 값을 추가로 포함한다.
과거 값은 지연 값(lagged value)으로 또한 지칭될 수 있다. 따라서, 예측 모델은 시간 경과에 따라 피드백을 통합하기 위해 지연 변수를 사용하여 보다 강력하다. 이에 반해, 지연 변수가 없는 모델은 현재 사건에만 독점적으로 응답하는 시스템을 나타낸다. 지연 값 / 지연 창에 대해 미리 정의된 시간 창은, 예를 들어, 장비의 유형에 따라 모델 개발자에 의해 선택될 수 있다. 예를 들어, 미리 정의된 기간은 장비의 두 가지 유지보수 조치 사이의 일반적인 시간 기간의 5%, 10%, 또는 15%일 수 있다.
본 발명의 한 실시양태에 따르면, 컴퓨터-구현 방법은 장비의 현재 및/또는 과거 작동 동안 획득된 장비의 적어도 하나의 작동 파라미터의 값을 얻는 것을 추가로 포함한다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 포함한다.
다시 말해서, 열화 주요 성능 지표의 미래 진화는 주어진 시나리오의 가정 하에 현재 및/또는 과거 작동 파라미터, 즉 하나 이상의 주어진 작동 파라미터, 예컨대 예측 수평선에 걸쳐 플랜트 로드, 및 크래킹 온도를 기반으로 예측될 수 있다. 따라서, 주요 성능 지표의 예측이 보다 정확할 수 있다.
본 발명의 한 실시양태에 따르면, 컴퓨터-구현 방법은 장비의 현재 및/또는 과거 작동 동안 측정된 적어도 하나의 공정 변수를 얻는 것 및 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 공정 변수에 기초하여 적어도 하나의 주요 성능 지표의 값을 결정하는 것을 추가로 포함한다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값을 추가로 포함한다.
다시 말해서, 열화 주요 성능 지표의 미래 진화는 장비의 현재 및/또는 과거 건강 상태를 반영하는 현재 및/또는 과거 주요 성능 지표에 기초하여 예측될 수 있다. 따라서, 열화 주요 성능 지표의 미래 진화의 예측이 보다 정확하다.
본 발명의 한 실시양태에 따르면, 컴퓨터-구현 방법은 추가 예측 수평선에 걸쳐 단계 a) 내지 c)를 반복적으로 수행하는 것을 추가로 포함한다.
예측 수평선은 첫 번째 예측 수평선으로서 지칭될 수 있고, 한편 추가 예측 수평선은 두 번째 예측 수평선으로서 또한 지칭될 수 있다.
지연 변수와 함께 반복 접근법을 사용하면 일반적으로 더 가까운 미래에 (아닐린의 경우에 1-2 주) 더 나은 예측으로 이어질 수 있다. 이것은 모델이 지속적으로 업데이트되는 초기 값을 사용한다는 사실 때문이다. 더 먼 미래에는 (아닐린의 경우에 >4 주), 지연 변수가 없는 더 단순한 모델이 더 나은 정확도를 갖는 경향이 있다. 더 먼 미래의 더 나쁜 성능은 모델의 반복적인 특성으로 인해 예측 오차의 합산에서 비롯된다.
본 발명의 한 실시양태에 따르면, 추가 예측 수평선은 예측 수평선과 부분적으로 중첩된다. 대안적으로, 추가 예측 수평선은 예측 수평선과 별개이다.
다시 말해서, 두 번째 예측 수평선, 즉 추가 예측 수평선은 첫 번째 예측 수평선 이후에 시작될 수 있다. 대안적으로, 이들 두 예측 수평선은 부분적으로 중첩될 수 있다.
본 발명의 한 실시양태에 따르면, 적어도 하나의 주요 성능 지표의 값은 적어도 하나의 공정 변수의 함수를 나타내는 적어도 하나의 변환된 공정 변수에 기초하여 결정된다.
예를 들어, 변환은 동일한 이송 라인 교환기 (TLE)에서 둘 다 흐르는 2개 이상의 파이프에서 공급 속도의 간단한 합계일 수 있다. 또 다른 접근법은 원시 데이터에 에너지/질량 균형 또는 비선형 변환을 사용하여 데이터의 정보 내용을 늘리는 것이다.
예를 들어, 입력 데이터 세트 및/또는 샘플 세트에서 적어도 하나의 작동 파라미터의 하나 이상의 값이 미리 정의된 세트의 작동 범위를 위반하는 경우, 적어도 하나의 작동 파라미터의 하나 이상의 값이 제거된다.
다시 말해서, 적어도 하나의 작동 파라미터의 하나 이상의 값이 미리 정의된 세트의 작동 범위를 위반하는 경우, 예측 모델은 입력 데이터 세트 및/또는 샘플 세트에서 적어도 하나의 작동 파라미터의 하나 이상의 값을 필터링 또는 제거함으로써 수정된다. 이러한 방식으로, 불합리한 관찰은 적어도 하나의 주요 성능 지표의 미래 값을 추정하기 위해 예측 모델을 트레이닝하는 단계 및/또는 사용하는 단계에서 필터링된다. 불합리한 관찰의 일부 예는 본 개시내용의 섹션 A (TLE)에서 제공된다.
본 발명의 한 실시양태에 따르면, 예측 모델은 임의로 정칙화를 포함하는 다중 선형 회귀 모델을 포함한다.
정칙화는 불량-조건 문제를 해결하거나 또는 과적합을 방지하기 위해 추가적인 정보를 도입하는데 사용될 수 있다.
본 발명의 한 실시양태에 따르면, 이력 데이터는 적어도 10회 세정 사이클, 바람직하게는 적어도 30회 세정 사이클의 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 값을 포함한다.
본원에서 사용된 바와 같이, 용어 "사이클"은 2회의 연속적인 세정 절차 사이의 시간 기간을 지칭할 수 있고, 이것은 스팀-크래커의 경우 2 내지 3 개월일 수 있다. 아닐린의 경우, 용어 "사이클"은 캠페인으로서 또한 지칭될 수 있다.
본 발명의 한 실시양태에 따르면, 장비는 스팀-크래커 노, 스팀 크래커의 이송 라인 교환기, 및 아닐린 촉매 중 적어도 하나를 포함한다.
스팀-크래커 노 및 이송 라인 교환기는, 이들의 건강 상태가 스팀-크래커의 전반적인 유효성에 더 큰 영향을 미치기 때문에 중요한 구성요소로 또한 지칭될 수 있다. 특히, 스팀-크래커의 노에서 크래킹 코일의 내벽은 작동 동안 코크스 층 형성을 겪는다. 동일한 문제가 노 바로 하류의 이송 라인 교환기에서 발생한다. 이것이 두 장비 유형의 성능을 모두 저하시키므로, 코크스는 연소에 의해, 또는 기계적 수단에 의해 주기적으로 제거되어야 한다. 유동 층 반응기에서 사용되는 아닐린 촉매는 작동 동안 코크스 형성을 겪는다. 이것은 아닐린 생산의 감소, 불충분한 열 소산, 층 높이의 감소 및 궁극적으로 유동화의 붕괴로 이어질 수 있다. 따라서, 코크스는 실행 중인 캠페인을 종료하는 산화에 의해 주기적으로 제거되어야 한다.
한 예에서, 스팀-크래커 노에서 코킹에 대한 적어도 하나의 주요 성능 지표는 스팀-크래커 노에서 크래킹 코일의 튜브 금속 온도를 포함한다. 이송 라인 교환기에서 코킹에 대한 적어도 하나의 주요 성능 지표는 이송 라인 교환기의 출구 온도를 포함한다.
한 예에서, 스팀-크래커 노에 대해 적어도 하나의 주요 성능 지표를 결정하기 위한 적어도 하나의 공정 변수는 스팀-크래커 노에서 크래킹 코일의 튜브 금속 온도를 포함한다. 이송 라인 교환기에 대해 적어도 하나의 주요 성능 지표를 결정하기 위한 적어도 하나의 공정 변수는 이송 라인 교환기의 출구 온도를 포함한다.
한 예에서, 적어도 하나의 작동 파라미터의 현재 값은 현재 나프타 공급 로드 및/또는 현재 크래킹 온도를 포함한다.
한 예에서, 적어도 하나의 작동 파라미터의 미래 값은 예측 수평선에 걸쳐 미래 나프타 공급 로드, 예측 수평선에 걸쳐 미래 크래킹 온도, 및 예측 수평선에 걸쳐 누적되고 예측 수평선 동안 이송 라인 교환기를 통과할 상이한 나프타 성분의 양의 각 성분의 중량 분율에 의해 가중된 공급 로드 중 적어도 하나를 포함한다. 나프타 성분은 n-파라핀, i-파라핀, 나프텐, 아로메이트, 및 올레핀 중 적어도 하나를 포함한다.
한 예에서, 이송 라인 교환기에 대한 적어도 하나의 작동 파라미터의 현재 값 및 미래 값은 현재 액화 석유 가스 공급 로드, 미래 액화 석유 가스 공급 로드, 및 예측 수평선에 걸쳐 누적되고 예측 수평선 동안 이송 라인 교환기를 통과할 상이한 액화 석유 가스 성분의 양의 각 성분의 중량 분율에 의해 가중된 공급 로드 중 적어도 하나를 추가로 포함한다. 액화 석유 가스 성분은 프로판, n-부탄, i-부탄, 이소-부텐, 1-부탄, 부텐-2-트랜스, 부텐-2-시스, 및 펜탄 중 적어도 하나를 포함한다.
본 발명의 추가 측면은 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 장치이며,
a) 장비의 적어도 하나의 작동 파라미터의 미래 값을 수신하도록 구성된 입력 유닛(210)으로서,
여기서 적어도 하나의 작동 파라미터는 장비의 열화에 영향을 미치고,
여기서 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능한 것인 입력 유닛(210);
b) - 예측 모델을 사용하여, 적어도 하나의 작동 파라미터의 미래 값을 포함하는 입력 데이터 세트에 기초하여 예측 수평선 내에서 적어도 하나의 주요 성능 지표의 미래 값을 추정하고,
여기서 예측 모델은 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 데이터를 포함하는 샘플 세트에 기초하여 파라미터화 또는 트레이닝되고, 여기서 적어도 하나의 공정 변수는 적어도 하나의 주요 성능 지표를 결정하는데 사용되는 것이고;
- 적어도 하나의 주요 성능 지표의 미래 값에 기초하여 예측 수평선 내에서 장비의 열화의 진행을 예측하도록
구성된 처리 유닛(220); 및
c) 장비의 열화의 예측된 진행을 출력하도록 구성된 출력 유닛(230)
을 포함하는 장치를 제공한다.
본 발명의 한 실시양태에 따르면, 입력 유닛은 장비의 현재 및/또는 과거 작동 동안 장비의 적어도 하나의 작동 파라미터의 값을 얻도록 구성된다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 포함한다.
본 발명의 한 실시양태에 따르면, 입력 유닛은 장비의 현재 및/또는 과거 작동 동안 측정된 적어도 하나의 공정 변수를 얻도록 구성된다. 처리 유닛은 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 공정 변수에 기초하여 적어도 하나의 주요 성능 지표의 값을 결정하도록 구성된다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값을 추가로 포함한다.
본 발명의 한 실시양태에 따르면, 처리 유닛은 추가 예측 수평선에 걸쳐 추정을 반복적으로 수행하도록 구성된다.
본 발명의 한 실시양태에 따르면, 추가 예측 수평선은 예측 수평선과 부분적으로 중첩된다. 대안적으로, 추가 예측 수평선은 예측 수평선과 별개이다.
본 발명의 한 실시양태에 따르면, 입력 데이터 세트 및/또는 샘플 세트에서 적어도 하나의 작동 파라미터의 하나 이상의 값이 미리 정의된 세트의 작동 범위를 위반하는 경우, 처리 유닛은 적어도 하나의 작동 파라미터의 하나 이상의 값을 제거하도록 구성된다.
본 발명의 한 실시양태에 따르면, 예측 모델은 임의로 정칙화를 포함하는 다중 선형 회귀 모델을 포함한다.
본 발명의 추가 측면은 처리 유닛에 의해 실행될 때, 방법을 수행하도록 적응된 장치에 명령하기 위해 컴퓨터 프로그램 요소를 제공한다.
본 발명의 추가 측면은 프로그램 요소를 저장한 컴퓨터 판독가능 매체를 제공한다.
본 발명의 이들 및 다른 측면은 예로서 하기 설명에 기재된 실시양태를 참조하고 첨부 도면을 참조하여 명백해질 것이고 추가로 설명될 것이며, 여기서
도 1은 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 컴퓨터-구현 방법을 설명하는 흐름도를 나타낸다.
도 2a는 TLE A에 대한 측정된 출구 온도 및 상응하는 14-일-예측을 보여준다.
도 2b는 TLE A 및 TLE B에 대한 상이한 예측 수평선에 대해 모델의 예측 오차를 보여준다.
도 3은 TLE B에 대한 14-일-예측의 결과를 보여준다.
도 4a 및 4b는 예측 모델의 원리를 보여준다.
도 5a 및 5b는 예측 수평선을 확장시킨 예를 보여준다.
도 6은 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 장치를 개략적으로 나타낸다.
도면은 순전히 도표이고 일정한 비율로 그려진 것이 아니라는 점에 주목해야 한다. 도면에서, 이미 설명된 요소에 상응하는 요소는 동일한 참조 번호를 가질 수 있다. 비제한적인 것으로 나타낸 것이든 또는 아니든, 예, 실시양태 또는 임의적인 특징은 본 발명을 청구된 바와 같이 제한하는 것으로 이해되어서는 안 된다.
실시양태의 상세한 설명
열화 진행을 예측하는 방법
도 1은 화학 생산 플랜트의 장비, 예컨대 스팀 크래커에서 열화의 진행을 예측하기 위한 컴퓨터-구현 방법(100)을 설명하는 흐름도를 나타낸다.
단계(110), 즉 단계 a)에서, 장비의 적어도 하나의 작동 파라미터의 미래 값을 얻는다. 적어도 하나의 작동 파라미터는 장비의 열화에 영향을 미친다. 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능하여, 적어도 하나의 작동 파라미터의 미래 값이 예측 수평선에 걸쳐 결정될 수 있다.
작동 파라미터에 대한 예는 나프타 공급 로드 및 크래킹 온도이다. 적어도 하나의 작동 파라미터는 장비의 열화의 진행에 영향을 미친다. 다시 말해서, 장비의 열화를 결정하는 것과 관련된 작동 파라미터만 선택된다. 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능하여, 적어도 하나의 작동 파라미터의 미래 값이 예측 수평선에 걸쳐 계획 또는 예상될 수 있다.
장비의 열화에 유용한 예측 수평선은 일반적으로 몇 시간 내지 몇 개월의 범위이다. 적용된 예측 수평선은 두 가지 요인에 의해 결정된다. 첫 번째로, 예측은 결정의 기준으로서 사용될 수 있도록 충분히 정확해야 한다. 정확도를 달성하기 위해, 미래 생산 계획의 입력 데이터가 이용가능해야 하고, 이것은 제한된 예측 수평선에 대해서만 이용가능하다.
또한, 예측 모델 자체는 기초 예측 모델 구조 또는 잘못 정의된 모델 파라미터로 인해 정확도가 부족할 수 있고, 이것은 모델 식별에 사용된 이력 데이터 세트의 잡음 있고 유한한 특성의 결과일 수 있다. 두 번째로, 예측 수평선은 유지보수 조치를 취하고, 계획 결정을 내리는 것과 같이, 관련 운영 문제를 해결할 수 있도록 충분히 길어야 한다.
임의로, 적어도 하나의 공정 변수는 예를 들어 장비의 현재 및/또는 과거 작동 동안 하나 이상의 센서에 의해 측정된다. 공정 변수의 예는 온도, 압력, 유동, 레벨, 및 조성을 포함할 수 있지만, 이에 제한되지는 않는다. 장비의 경우, 고려되는 장비의 건강 상태에 대해 정보를 제공하는 적절한 센서를 선택할 수 있다. 센서는 경험 및 공정 이해를 기반으로 선택할 수 있다.
중요한 구성요소의 건강 상태가 화학 생산 플랜트, 예컨대 스팀-크래커 또는 탈수소화 반응기의 유지보수 활동에 더 큰 영향을 미치기 때문에, 장비는 중요한 구성요소 중 하나일 수 있다. 중요한 구성요소의 선택에 관한 이러한 정보의 출처는 나쁜 행위자 분석 또는 일반적인 운영 경험일 수 있다. 장비의 예는 코크스 층 형성 및/또는 중합으로 인해 코킹 또는 다른 오손 공정을 겪는 열 교환기; 질량 유동이 코크스 층 형성 및/또는 중합으로 인해 코킹 또는 다른 오손 공정에 의해 방해받는 파이프; 코크스 층 형성, 중합, 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 코킹 또는 다른 오손 공정을 겪는 고정 층 반응기; 코크스 층 형성, 중합, 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 코킹 또는 다른 오손 공정을 겪는 유동 층 반응기; 및 중합 및/또는 상류 유닛 작동에서 비롯되는 고체 물질의 침착물로 인해 효율이 저하되는 필터를 포함하나, 이에 제한되지는 않는다.
임의로, 적어도 하나의 주요 성능 지표의 현재 값은 장비의 현재 작동 동안 얻은 적어도 하나의 공정 변수에 기초하여 결정된다. 임의로, 적어도 하나의 주요 성능 지표의 과거 값은 현재 작동 전에 미리 정의된 기간 내에서 장비의 과거 작동 동안 하나 이상의 센서에 의해 측정되었던 적어도 하나의 공정 변수에 기초하여 결정될 수 있다. 다시 말해서, 적어도 하나의 주요 성능 지표의 현재 값 이외에, 적어도 하나의 주요 성능 지표의 과거 값, 즉, 지연 값이 결정된다. 현재 작동 전에 미리 정의된 기간은 모델 개발자에 의해 설정될 수 있다. 예를 들어, 미리 정의된 기간은 장비의 두 가지 유지보수 조치 사이의 시간 기간의 10%일 수 있다.
주요 성능 지표는 원시 측정을 나타내는, 하나 이상의 측정된 공정 변수를 포함할 수 있다. 임의로, 적어도 하나의 주요 성능 지표의 현재 값 및/또는 과거 값은 적어도 하나의 공정 변수의 함수를 나타내는 적어도 하나의 변환된 공정 변수에 기초하여 결정된다. 다시 말해서, 원시 측정은 압력 보상 온도, 또는 체적 유동 측정으로부터 계산된 질량 유동과 같은 새로운 변수로 수학적으로 조합된다. 새로운 변수, 즉, 변환된 공정 변수는 공정 운영자에게 가장 익숙한 측정 버전을 포함하거나, 또는 예측 모델에 대한 데이터의 상관관계 구조를 개선하기 위해 생성될 수 있다. 주요 성능 지표는 사용자 (예를 들어 공정 운영자)에 의해 또는 통계 모델, 예를 들어 호텔링 T2 스코어 또는 주성분 분석 (PCA)에서 파생된 DModX 거리와 같은 관련 공정 변수의 다변량 공간에서 장비의 "건강" 상태, 즉 열화가 없는 상태까지의 거리를 측정하는 비정상 스코어에 의해 정의될 수 있다.
임의로, 현재 작동 동안 장비의 적어도 하나의 작동 파라미터의 현재 값이 얻어진다. 임의로, 과거 작동 동안 장비의 적어도 하나의 작동 파라미터의 과거 값, 즉 지연 값이 얻어질 수 있다.
단계(120), 즉 단계 b)에서, 예측 모델은 예측 수평선 내에서 적어도 하나의 주요 성능 지표의 미래 값을 추정하는데 사용된다. 예측 모델의 입력은 적어도 하나의 작동 파라미터의 미래 값을 포함하는 입력 데이터 세트를 포함한다.
임의로, 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 포함한다.
임의로, 입력 데이터 세트는 현재 및/또는 과거 작동 동안 장비의 건강 상태에 대해 정보를 제공하기 때문에, 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값을 추가로 포함한다. 적어도 하나의 주요 성능 지표의 현재 및/또는 과거 값을 입력으로서 포함하면 예측 정확도를 향상시킬 수 있다.
예측 모델은 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 데이터를 포함하는 샘플 세트에 기초하여 파라미터화 또는 트레이닝된다. 샘플 세트의 크기가 예측 모델의 성능에 영향을 미치기 때문에, 이력 데이터는 바람직하게는 적어도 10회 세정 사이클, 바람직하게는 적어도 30회 세정 사이클의 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 값을 포함한다. 예를 들어, 예측 모델은 과거의 세정 사이클의 80%를 사용하여 모델을 보정할 수 있고 과거의 세정 사이클의 20%를 사용하여 모델의 적합도(goodness-of-fit) 또는 예측 정확도를 검증할 수 있다. 모델에 의해 포착되지 않는 공정 변화를 해결하기 위해 모델을 정기적으로 재보정하는 것이 또한 중요하다.
임의로, 적어도 하나의 작동 파라미터의 하나 이상의 값이 미리 정의된 세트의 작동 범위를 위반하는 경우, 예측 모델은 입력 데이터 세트 및/또는 샘플 세트에서 적어도 하나의 작동 파라미터의 하나 이상의 값을 필터링 또는 제거함으로써 수정된다. 이러한 방식으로, 불합리한 관찰은 적어도 하나의 주요 성능 지표의 미래 값을 추정하기 위해 예측 모델을 트레이닝하는 단계 및/또는 사용하는 단계에서 필터링된다.
예측 모델의 한 예는 관찰된 데이터에 선형 방정식을 피팅함으로써, 2개 이상의 설명 변수, 즉 임의로는 적어도 하나의 주요 성능 지표의 현재 값, 적어도 하나의 작동 파라미터의 현재 값, 및 적어도 하나의 작동 파라미터의 미래 값, 및 응답 변수, 즉 적어도 하나의 주요 성능 지표의 미래 값 사이의 관계를 모델링하는 다중 선형 회귀 (MLR) 모델이다.
단계(130), 즉 단계 c)에서, 예측 수평선 내에서 장비의 열화의 진행은 적어도 하나의 주요 성능 지표의 미래 값에 기초하여 예측된다.
상기 작동은, 적용가능한 경우, 예를 들어, 입력/출력 관계에 의해 필요하게 되는 특정 순서에 따라, 임의의 적합한 순서, 예를 들어, 연속적으로, 동시에, 또는 이의 조합으로 수행될 수 있다는 것을 이해할 것이다.
예측 모델의 예
예측 모델이 며칠 및 몇 주 전에 미리 장비의 건강-상태를 예측하는데 또한 적용가능한지를 보여주기 위해, 스팀-크래커 노, 스팀 크래커의 TLE로 또한 공지된 이송 라인 교환기, 및 유동 층 반응기에 사용되는 아닐린 촉매를 포함하는 장비의 세 가지 예가 제공된다.
A. TLE
TLE는 코킹되기 쉽기 때문에, 이들의 냉각 능력은 시간 경과에 따라 저하되어, 이것은 출구에서 가스 온도를 증가시킬 수 있다. 새로 세정된 TLE로, 이 온도는 약 380℃이다. 이는 1-3 개월 내에 470-480℃로 증가하며, 이것은 (연소에 의해, 또는 기계적 수단에 의해) 디바이스를 세정하기 위한 임계값이다. 이전 섹션의 관점에서, 출구 온도는 열화 공정을 모니터링하는 주요 성능 지표이다. 세정 작업을 예정하기 위해, 임계 출구 온도에 도달할 때를 적어도 1-2 주 전에 미리 아는 것이 분명히 매우 유리하다.
TLE 코킹의 예측의 추가 이점은 가까운 미래에 감소된 공급 로드 또는 크래킹 온도와 같은 대체 시나리오를 시뮬레이션할 수 있어, 공정 관리자가 세정 절차를 사전에 지연할 수 있게, 예를 들어 다른 유지보수 작업과 동기화할 수 있게 한다는 것이다. 이러한 이유로, 출구 온도의 신뢰성 있는 예측은 엄청난 이점이다.
A1. TLE A
TLE A에 대한 예측 목표는 출구 온도, 즉 주요 성능 지표의 미래 값이다. 명확성을 위해, 이것은 예측 모델에 의해 미래의 고정된 시간 이동 - 예측 수평선 -에서 출구 온도의 값을 추정한다는 것을 의미한다.
모델에 대한 입력 수량은 다음의 방식에 의해 선택될 수 있다: 먼저, 코킹에 영향을 미치는 것으로 알려지거나 또는 여겨지는 모든 수량은, 예를 들어 도메인 전문가에 의해 선택된다. 이어서, 이들 수량 중 일부로부터 기능이 조합되고, 예측 모델의 적절한 수학적 형태가 선택되고, 모델 이력 데이터가 보정된다. 과거의 데이터에서 관련 없는 기능을 기억하여, 새로운 데이터를 정확하게 예측하는데 실패하는 ("과적합 문제") 모델을 피하는 것이 또한 바람직하다.
결과적으로, 다음의 기능이 모델에 대한 입력으로서 선택되었다:
a. 현재 시간 t현재 (예측이 이루어지는 날)에 측정된 수량:
- 현재 나프타 공급 로드 [t/h], TLE A에 연결된 모든 크래킹 코일에 대해 평균을 낸 것;
- 현재 크래킹 온도 (코일 길이의 90%에서), [℃]; 및
- 현재 TLE 출구 온도;
b. (적어도 원칙적으로) 미래에 알려져 있거나 또는 심지어 작동에 의해 제어되기 때문에, 예측 수평선에 걸쳐 신뢰할 수 있게 예상될 수 있는 수량:
- 예측이 이루어지는 날, t미래에서의 나프타 공급 로드, [t/h] ;
- t미래에서의 크래킹 온도, [℃];
- 예측 수평선 동안 [t]에 TLE를 통과할 상이한 나프타 성분의 양. 명확성을 위해, 이것은 예측 수평선에 걸쳐 누적되고 공급물에서의 성분의 중량 분율에 의해 가중된 공급 로드로서 정의되며, i-번째 성분에 대해 m i 에 의해 표시된다:
Figure pct00001
29개의 모든 측정된 성분을 고려하는 대신, 하기 부류의 성분으로 집계되는 중량 분율을 포함한다:
ㆍ n-파라핀;
ㆍ i-파라핀;
ㆍ 나프텐;
ㆍ 아로메이트; 및
ㆍ 올레핀.
변수 가공(feature engineering)의 추가적인 단계로서, 모델에 대한 모든 상기 입력 수량은 모든 입력에서 더 높은 다항식 차수, 예를 들어, 2차 계승 모델로 확장될 수 있다. 그 다음 단계는 다중 선형 회귀를 사용하여 이력 데이터로부터 이러한 입력 수량과 목표 주요 성능 지표 - 미래의 출구 온도 - 사이의 관계를 결정하는 것이다. 이를 위해, 1h의 샘플링 속도를 사용하여, 지난 48회 세정 사이클 (~10 년)의 모든 수량의 이력 값을 수집하였다. 시스템의 "나쁜" 관찰, 즉, 회귀에 사용해서는 안 되는 데이터 포인트를 필터링하기 위해 몇 가지 기준을 적용하였다:
- TLE가 시간 t현재 또는 t미래에 코크스-제거되었던 관찰
- 시간 t현재 또는 t미래에 "비정상적으로" 낮거나 또는 매우 높은 공급 로드를 갖는 관찰
- 시간 t현재 또는 t미래에 "비정상" 크래킹 온도 값을 갖는 관찰
- 입력 변수 또는 출력 중 하나가 측정되지 않은 관찰.
그 다음, 데이터 세트를 검증 세트 (8회 세정 사이클) 및 트레이닝 세트 (40회 사이클)로 나누었다. 트레이닝 세트만 사용하여, 다중 선형 회귀를 수행하였다.
모델 정확도에 미치는 이상점의 불리한 영향을 완화하기 위해 MLR의 최소-제곱 피팅 절차에 대한 강건화 방법을 사용하였다.
모델의 예측 오차 (1-σ-신뢰도에 대해)는 예측의 모델 추정값과 예측 수평선에서의 그의 값 사이의 제곱근 평균 제곱 편차 (RMSE)에 의해 정량화되었다. 검증 세트 및 트레이닝 세트에 대한 RMSE는 비슷한 크기를 가져, 모델이 과적합을 겪지 않는다는 것을 보여준다. 측정된 출구 온도 및 상응하는 14-일-예측은 이력의 예시적인 세그먼트에 대해 도 2a에 나와 있다. 특히, 출구 온도의 실제 값(10)을 2010년 10월과 2010년 11월 사이 및 2011년 2월과 2011년 4월 사이의 트레이닝 데이터(12)에 대한 상응하는 14-일-예측과 비교한다. 출구 온도의 실제 값(10)을 2010년 11월과 2011년 2월 사이의 검증 데이터(14)에 대한 상응하는 14-일-예측과 비교한다. 명확성을 위해, 곡선(12) 및 곡선(14)은 예측 수평선 동안 공급 로드, 및 공급 조성이 정확하게 예측된 경우, 시간보다 14 일 앞서 계산될 주어진 날짜에 대한 예측이다.
예측과 실제 값 사이의 일치도가 매우 양호하다. 순간적인 변화 (공급 로드에서의 급격한 변화에 의해 야기됨)뿐만 아니라 코킹에 의해 야기된 일반적인 증가 추세가 포착된다. 상이한 예측 수평선에 대한 모델의 예측 오차는 도 2b에 나와 있다. 예상대로, 불확실성은 미래를 예측하는 시간이 길어질수록 증가한다. 그러나, 모델은 최대 1 개월까지의 수평선에 대해 허용가능한 예측 (10℃ 미만의 오차)을 생성한다.
A2. TLE B
TLE A와 매우 유사하게, TLE B의 출구 온도에 대한 예측 모델을 확립하였다. 그러나, TLE A가 위치하는 노 A와 달리, TLE B가 위치하는 노 B는 나프타를 독점적으로 처리하지 않고, LPG 또는 둘 다의 혼합물이 또한 공급될 수 있다 ("공동-크래킹"). 이것은 사이클 길이 (즉, 두 세정 절차 사이의 시간 간격)의 더 큰 변동을 초래한다. 결과적으로, 플랜트 직원은 노 A에 비해 노 B의 코킹에 대해 훨씬 약한 "직감"을 갖고, 이것은 신뢰성 있는 예측 모델의 이점을 증가시킨다.
또한, 진행 열화에 미치는 공급 원료 스위칭 (예를 들어, 나프타에서 액화 석유 가스로)의 영향을 시뮬레이션할 수 있는 것은 TLE B에 대한 예측 모델의 추가적인 이점이다.
TLE B의 예측 모델에 대한 입력으로서, TLE A에 대한 것과 동일한 수량에서 시작하였고 다음을 추가하였다:
- 현재 LPG 공급 로드, [t/h];
- t미래에서의 LPG 공급 로드, [t/h]; 및
- 다음을 포함하는 상이한 LPG 성분의 양:
ㆍ 프로판;
ㆍ n-부탄;
ㆍ i-부탄;
ㆍ 이소-부텐:
ㆍ 1-부텐;
ㆍ 부텐-2-트랜스;
ㆍ 부텐-2-시스; 및
ㆍ 펜탄 (총);
불합리한 관찰을 필터링하기 위한 기준은, 더 큰 범위의 유효한 크래킹 온도 값을 제외하고, TLE A와 유사하였다. 모델 구축 공정의 모든 다른 단계는 TLE A에 대해 설명한 바와 같았다.
14-일-예측의 결과는 도 3에 나와 있다. 특히, 출구 온도의 실제 값(10)을 2008년 7월과 2008년 9월 사이 및 2008년 12월과 2009년 2월 사이의 트레이닝 데이터(12)에 대한 상응하는 14-일-예측과 비교한다. 출구 온도의 실제 값(10)을 2008년 9월과 2008년 12월 사이의 검증 데이터(14)에 대한 상응하는 14-일-예측과 비교한다. 예측 모델은 ~8℃의 허용가능한 오차까지 트레이닝 데이터 및 검증 데이터 둘 다에 대한 과거의 데이터를 설명한다. TLE B에 대한 예측 오차는 모든 수평선에 대해 TLE A에 대한 것보다 약간 크며, 이는 공동-크래킹 작동이 코킹을 예측하기 더 어렵게 만들기 때문에, 플랜트 직원의 기대치를 반영한다.
따라서, - 열화에 대한 중요한 주요 성능 지표인 - 출구 온도에 대해 개발된 예측 모델은 이용가능한 10 년의 과거의 데이터를 매우 잘 설명한다. 최대 2 주의 예측의 경우, (1-σ-신뢰도 수준에서) +/- 7℃의 정확도로 예측을 가능하게 하며, 이것은 출구 온도가 정상적으로 달라지는 온도 창에 비해 작다. 또한, 모델은 다가오는 날들에 공급 로드, 크래킹 온도 및 공급 조성이 출구 온도의 진행에 미치는 영향을 시뮬레이션할 수 있으므로, 작동이 그 다음 세정 절차 시간을 편리한 날짜로 맞출 수 있게 한다.
B. 스팀-크래커 노
스팀-크래커 노의 경우, TLE에 대한 것과 유사한 접근법을 사용한다. 스팀-크래커 노에서 코킹에 대한 주요 성능 지표는 스팀-크래커 노에서 크래킹 코일의 튜브 금속 온도를 포함한다. 주요 성능 지표를 결정하기 위해, 스팀-크래커 노에서 크래킹 코일의 튜브 금속 온도는 측정되는 공정 변수이다. 주요 성능 지표의 미래 값, 즉 크래킹 코일의 튜브 금속 온도를 예측하기 위해, 예측 모델은 상기 섹션 A에 기재된 접근법을 사용하여, 예를 들어 지난 10 년의 이력 생산 데이터를 기반으로 개발된다. 예측 모델은 정량화된 신뢰 한계로, 향후 4 주 이상에 걸쳐 크래킹 코일에서의 코킹의 진행을 예측할 수 있다. 또한, "가정의" 시나리오, 즉 공정 조건의 변화, 즉 감소된 공급 로드, 공급 유형 또는 크래킹 온도와 같은 작동 파라미터의 변화를 시뮬레이션하는데 사용된다.
작동 파라미터, 유효성 범위, 파생된 기능, 회귀 방법 등은 TLE에 대해 상기 설명한 것과 동일하다.
C. 아닐린 촉매
아닐린 촉매의 경우에, 코크스 축적은 또한 촉매의 성능 열화로 이어지고 이에 따라 아닐린의 감소된 생산으로 이어진다. 코크스의 축적 및 촉매 입자의 질량에서 초래된 증가는 유동 층 반응기의 층 위에서 증가하는 압력 강하로 이어진다. 촉매 입자의 질량의 변화뿐만 아니라 크기의 변화는 k-값으로 또한 약칭되는, 촉매 입자와 반응기 내부의 열 교환기 사이의 열 전달 계수 및 층 높이의 변화를 추가로 유발한다. 추가로, 코킹은 촉매의 불활성화로 인해 아닐린 전환율을 또한 감소시킨다. 이전 섹션 측면에서, 층 위에서의 압력 강하는 열화 공정을 모니터링하는 주요 성능 지표이다. 그러나, 열 전달 계수, 층 높이 및 아닐린 전환율은 캠페인의 종료 및 그것으로 촉매의 재생의 시작을 결정하는 주요 성능 지표이다. 캠페인의 종료는 일반적으로 열 교환기의 수준 아래로의 층 높이의 하락, 열 전달 계수의 감소 및/또는 특정 수준 아래로의 아닐린 전환율에 의해 정의된다. 이들 경우 각각은 궁극적으로 캠페인/사이클의 종료로 이어진다. 캠페인의 종료는 일반적으로 2-5 주 사이에 도달한다. 촉매의 재생을 예정하기 위해 적어도 그 다음 1-2 주 내에 주요 성능 파라미터의 진화 및 그것으로 캠페인/사이클의 대략적인 종료를 아는 것이 분명히 매우 유리하다.
앞서 설명한 예에서와 같이, 예측의 추가 이점은 증가된 공급 로드, 공급 조성 또는 반응기 온도와 같은 대체 시나리오를 시뮬레이션할 수 있어 공정 관리자가 촉매의 재생 및 이에 따라 플랜트와 다른 연결된 플랜트의 셧-다운을 조정할 수 있게 한다는 것이다.
더 나은 예측 결과에 도달하기 위해, 특정 사전-처리 단계를 모델의 목표 및 입력 파라미터에 적용한다. 모델의 목표 파라미터는 주요 성능 지표, 명시적으로는 층 위에서의 압력 강하, 층 높이 및 열 전달 계수 및 별도로 아닐린 전환율이다. 모든 목표 파라미터에, 범위가 단순 이동 평균에서 이중 지수 평활 알고리즘에 이르는 평활 알고리즘을 적용한다. 모델을 위한 입력 파라미터는 TLE의 예에서와 같이 유사하게 선택된다. 먼저 코킹, 열 전달 계수, 층 높이 및 전환율에 영향을 미치는 것으로 알려지거나 또는 여겨지는 모든 수량은 예를 들어 전문가에 의해 선택된다. 또한, 관련 없는 입력은 이것이 모델 정확도만 감소시킬 뿐이므로 무시한다. 또한, 더 나은 모델 정확도를 위해 입력 파라미터뿐만 아니라 목표에서 먼 이상점은 제거한다. 이어서 예측 모델의 적절한 수학적 형태를 선택한다. 이것은 모델의 한 번 반복에 대해 고려되는 과거 값 및 미래 값의 수의 결정을 포함한다. 또한, 트레이닝 데이터의 지나치게 정확한 예측 및 과적합으로 또한 공지된, 모델의 불충분한 일반화를 피하기 위해 정칙화 알고리즘 및 파라미터를 선택한다.
모델에 대한 가능한 입력으로서 하기 기능이 선택되었다:
a. 과거 및 현재에 측정되고 미래에 작동에 의해 정의될 작동 파라미터:
ㆍ 반응기로의 MNB 유량
ㆍ 반응기 온도
ㆍ 사이클 가스의 유량
ㆍ 오프-가스의 수소 농도
b. 과거 및 현재에 계산되고 미래 작동 파라미터로부터 얻을 수 있는 공정 변수:
ㆍ 촉매의 최초 사용 이후 촉매 톤당 생산된 MNB의 톤으로 환산한 촉매의 수명
ㆍ 실행 중인 캠페인 동안 촉매 톤당 생산된 MNB의 톤으로 환산한 캠페인 길이
ㆍ 현재 또는 이전 캠페인에서의 평균 코킹 속도
c. 초기 목표 변수
ㆍ 초기 층 높이
ㆍ 초기 열 전달 계수
ㆍ 초기 압력 강하
반응기의 작동 및 이에 따른 각각의 입력에 대한 목표 변수의 예측의 의존성에 따라, 입력 파라미터의 상이한 선택은 각 반응기에 대해 선택할 수 있다. 게다가, 목표 변수의 과거 및 현재 값 (층 위에서의 압력 강하, 열 전달 계수 및 층 높이)은 또한 모델에 대한 입력으로 사용된다.
모델의 트레이닝, 하이퍼 파라미터 튜닝 및 검증을 위해, 중첩 교차 검증 방법을 사용하였다. 반응기의 수명에 따라, 상이한 수의 캠페인이 몇 년 내지 10 년 초과까지 보류 중인 모델의 트레이닝에 이용가능하다. 여기서, 중첩 교차 검증의 내부 및 외부 폴드에 5개의 폴드를 사용하였다. 모델의 예측 오차 (1-σ-신뢰도에 대해)는 예측의 모델 추정값과 예측 수평선에서의 그의 값 사이의 제곱근 평균 제곱 편차 (RMSE)에 의해 정량화되었다. 여기서 외부 리샘플링에 대한 시험 세트에 대한 RMSE의 평균이 모델의 일반화 오차의 추정값을 제공하므로 사용되었다. 또한 여기서, 예측 수평선이 증가함에 따라 오차는 증가한다. 트레이닝 세트와 시험 세트 사이의 작은 차이는 모델이 과적합을 겪지 않는다는 것을 나타낸다.
장기적으로 우리는 시간에 따른 오차 진화가 랜덤 워크 중 하나와 유사하다고 가정하는 한편, 단기의 경우, 오차는 모델과 실제 데이터 간의 본질적인 차이에 의해 지배된다고 가정한다. 따라서 우리는 모델로서 다음을 제안한다:
Figure pct00002
여기서 상수 오프셋 'a'는 단기 오차를 나타내고 sqrt(t) 의존성은 랜덤 워크의 장기 진화를 나타낸다.
제안된 방법의 원리
이제, 제안된 방법의 원리를 보여주는 도 4a 및 4b를 참조한다. 제안된 예측 모델은 미래 작동 파라미터에 기초하여 주요 성능 지표를 예측한다.
선(2000)은 현재 시간일 수 있는, 예측의 첫 번째 반복의 시작을 반영한다. 과거의 방향은 화살표(2500)에 의해 표시되고, 반면 미래의 방향은 화살표(2600)에 의해 표시된다. 도 4a에 표시된 값은 중공 원(2100) 및 가득찬 원(2200)으로서 나타낸 과거 값을 포함하는 주요 성능 지표이다. 가득찬 원은 또한 예측 모델에 사용되는 과거 값을 반영한다. 비제한적인 예에서, 이들 주요 성능 지표는 층 위에서의 압력 강하 (코크스 함량), 열 전달 계수, 아닐린 촉매에 대한 층-높이 및 전환율 및 TLE에 대한 출구 온도와 같은 상기 예에서 설명한 하나 이상의 주요 성능 지표일 수 있다.
모델에 통합된 과거 값을 선택하기 위한 시간 기간은 (2300)으로 표시된다. 예측 수평선은 (2400)으로 표시된다. 예측된 KPI 값은 (2700)으로 나타나 있다. 일부 예에서, 예측의 한 번의 반복만 있을 수 있다. 일부 경우에, 예측 수평선을 확장하는 것이 유리할 수 있다. 이것은 첫 번째 예측 수평선 동안 또는 끝에서 예측을 반복적으로 수행함으로써 이루어질 수 있다.
도 4b는 상응하는 작동 값 및 공정 변수를 나타낸다. 도 4b에서, 작동 값 및 공정 변수(3000, 3100, 3200)는 시간 축을 따라 플로팅되어 있다. 예측 모델에서 고려되지 않는 과거 작동 값 및 공정 변수는 (3000)으로 표시된다. 예측에서 고려되는 과거 작동 값 및 공정 변수는 (3100)으로 표시되고 예측에서 고려되는 미래 작동 값 및 공정 변수는 (3200)으로 표시되고 예측 수평선 (2400) 내에 놓여 있다. 이들 작동 값 및 공정 변수의 예는 상기 "예측 모델의 예" 섹션에 기재되어 있다.
일부 예에서, 예측에 미래 작동 파라미터만 사용할 수 있다.
일부 예에서, 예측 모델을 위한 입력으로서 미래 공정 변수만 사용할 수 있다.
그 다음 예측 사이클은 (4000)에서 시작하며, 이것은 도 4a에서 첫 번째 예측 수평선(2400)의 끝을 표시한다.
일부 예에서, 예측의 한 번의 반복만 있을 수 있다.
일부 예에서, 예측 수평선을 확장하는 것이 유리할 수 있다. 이것은 첫 번째 예측 수평선의 끝에서 예측을 반복적으로 수행함으로써 이루어질 수 있다. 예는 도 5a 및 5b에 도시되어 있다. 대안적으로 (미도시), 이것은 첫 번째 예측 수평선 동안 반복적으로 수행함으로써 이루어질 수 있고 - 즉, 첫 번째 및 두 번째 반복은 서로 중첩될 수 있다.
지연 변수를 포함하는 반복적인 접근법을 사용하면 일반적으로 더 가까운 미래에 (아닐린의 경우에 1-2 주) 더 나은 예측으로 이어질 수 있다. 이것은 모델이 지속적으로 업데이트되는 초기 값을 사용한다는 사실 때문이다. 더 먼 미래에는 (아닐린의 경우에 >4 주), 지연 변수를 포함하지 않는 더 단순한 모델이 더 나은 정확도를 갖는 경향이 있을 수 있다. 더 먼 미래의 더 나쁜 성능은 모델의 반복적인 특성으로 인한 예측 오차의 합산에서 비롯된다.
도 5a를 살펴보면, 주요 파라미터 지표의 예측의 두 번째 반복이 예시되어 있다. 이 예측 사이클은 (4000)에서 시작하며, 이것은 도 4a의 첫 번째 예측 수평선(2400)의 끝을 표시한다. 파선(4000)은 도 4 및 6에서와 같은 동일한 시간을 표시한다. 모델에 통합된 과거 값을 선택하기 위한 시간 기간은 여기서 (4300)으로 표시된다. 예측 수평선은 여기서 (4400)으로 표시된다. 이러한 반복의 예측된 KPI 값은 (4700) 빈 십자가로 표시된다. 해시드 삼각형은 두 번째 반복에 대한 미래 작동 값 및 공정 변수를 나타낸다. 전체 예측은 이제 점 파선(2000) 내지 파선(6000)의 시간 기간을 포괄한다. 또한, 반복은 이동 창 접근법과 유사할 수 있다. 여기서 창은 첫 번째 예측 시간 기간의 끝으로 이동한다.
예측 수평선은 문제의 필요성에 따라 조정가능할 수 있다. 예를 들어, 예측 수평선은 미래로 며칠 또는 몇 주일 수 있다. 예를 들어, 촉매의 재생을 예정하기 위해 적어도 그 다음 1-2 주 내에 주요 성능 파라미터의 진화 및 그것으로 캠페인/사이클의 대략적인 종료를 아는 것이 분명히 매우 유리하다. 예를 들어, 캠페인/사이클의 종료는 일반적으로 2-5 주 사이에 도달한다.
시간 창(2300), 즉 모델에 통합된 과거 값을 선택하기 위한 시간 기간은 또한 문제의 필요성에 따라 조정가능할 수 있다. 예를 들어, 시간 창은 장비의 두 가지 유지보수 조치 사이의 시간 기간의 10%, 20%, 30%, 40% 또는 50%일 수 있다.
예측 모델은 다중 선형 회귀 모델일 수 있다. 일부 예에서, 예측 모델은 정칙화를 포함하는 다중 선형 회귀 모델일 수 있다. 정칙화는 불량-조건 문제를 해결하거나 또는 과적합을 방지하기 위해 추가적인 정보를 도입하는 공정이다. 정칙화하는 한 가지 방법은 손실 함수에 제약을 추가하는 것이다:
정칙화된 손실 = 손실 함수 + 제약
정칙화하는데 사용될 수 있는 다수의 상이한 형태의 제약이 있다. 예로는 리지 회귀(Ridge Regression), 라쏘(Lasso), 및 엘라스틱 넷(Elastic Net)을 포함하지만, 이에 제한되지는 않는다.
열화 진행을 예측하기 위한 장치
도 6은 화학 생산 플랜트의 장비, 예컨대 스팀 크래커에서 열화의 진행을 예측하기 위한 장치(200)를 개략적으로 나타낸다. 장치(200)는 입력 유닛(210), 처리 유닛(220), 및 출력 유닛(230)을 포함한다.
입력 유닛(210)은 장비의 적어도 하나의 작동 파라미터의 미래 값을 수신하도록 구성된다. 적어도 하나의 작동 파라미터는 장비의 열화에 영향을 미치고, 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능하여, 적어도 하나의 작동 파라미터의 미래 값이 예측 수평선에 걸쳐 결정될 수 있다.
임의로, 입력 유닛(210)은 장비의 현재 또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 수신하도록 추가로 구성된다.
임의로, 입력 유닛(210)은 장비의 현재 및/또는 과거 작동 동안 측정된 적어도 하나의 공정 변수를 수신하도록 구성된다.
따라서, 입력 유닛(210)은 한 예에서, 이더넷 인터페이스, USB (TM) 인터페이스, WiFi (TM) 또는 블루투스 (TM)와 같은 무선 인터페이스 또는 입력 주변기기와 처리 유닛(220) 사이에 데이터 전송을 가능하게 하는 임의의 유사한 데이터 전송 인터페이스로서 구현될 수 있다.
처리 유닛(220)은 예측 모델, 예컨대 다중 선형 회귀 모델을 사용하여, 입력 데이터 세트에 기초하여 예측 수평선 내에서 적어도 하나의 주요 성능 지표의 미래 값을 추정하도록 추가로 구성된다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값 및 적어도 하나의 작동 파라미터의 미래 값을 포함한다. 예측 모델은 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 데이터를 포함하는 샘플 세트에 기초하여 파라미터화 또는 트레이닝된다. 처리 유닛(220)은 적어도 하나의 주요 성능 지표의 미래 값에 기초하여 예측 수평선 내에서 장비의 열화의 진행을 예측하도록 추가로 구성된다.
임의로, 입력 유닛(210)은 장비의 현재 및/또는 과거 작동 동안 장비의 적어도 하나의 작동 파라미터의 값을 얻도록 구성된다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 포함한다.
임의로, 처리 유닛(220)은 적어도 하나의 공정 변수에 기초하여 적어도 하나의 주요 성능 지표의 값을 결정하도록 구성된다. 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값을 추가로 포함한다.
임의로, 처리 유닛은 추가 예측 수평선에 걸쳐 추정을 반복적으로 수행하도록 구성된다. 추가 예측 수평선 (두 번째 예측 수평선으로 또한 지칭됨)은 예측 수평선 (첫 번째 예측 수평선으로 또한 지칭됨)과 부분적으로 중첩된다. 대안적으로, 이들 두 예측 수평선은 서로 별개일 수 있다. 이것은 상기 및 특히 도 5a 및 5b에 도시된 실시양태와 관련하여 설명된다.
따라서, 처리 유닛(220)은 다양한 공정 및 방법을 수행하기 위해 컴퓨터 프로그램 명령을 실행할 수 있다. 처리 유닛(220)은 ASIC (Application Specific Integrated Circuit), 전자 회로, 하나 이상의 소프트웨어 또는 펌웨어 프로그램을 실행하는 프로세서 (공유, 전용, 또는 그룹) 및/또는 메모리 (공유, 전용, 또는 그룹), 조합 논리 회로, 및/또는 설명된 기능을 제공하는 다른 적합한 구성요소를 지칭하거나, 또는 이들의 일부이거나, 또는 이들을 포함할 수 있다. 또한, 이러한 처리 유닛(220)은 통상의 기술자에게 공지된 바와 같이 휘발성 또는 비-휘발성 기억장치, 디스플레이 인터페이스, 통신 인터페이스 등에 연결될 수 있다.
출력 유닛(230)은 장비에서 열화의 예측된 진행을 출력하도록 구성된다.
따라서, 출력 유닛(230)은 한 예에서, 이더넷 인터페이스, USB (TM) 인터페이스, WiFi (TM) 또는 블루투스 (TM)와 같은 무선 인터페이스 또는 출력 주변기기와 처리 유닛(230) 사이에 데이터 전송을 가능하게 하는 임의의 유사한 데이터 전송 인터페이스로서 구현될 수 있다.
본 발명의 이러한 예시적인 실시양태는 처음부터 본 발명을 사용하는 컴퓨터 프로그램 및 업데이트를 통해 기존 프로그램을 본 발명을 사용하는 프로그램으로 바꾸는 컴퓨터 프로그램을 모두 포괄한다.
추가로, 컴퓨터 프로그램 요소는 상기 설명된 바와 같이 방법의 예시적인 실시양태의 절차를 이행하기 위해 필요한 모든 단계를 제공할 수 있다.
본 발명의 추가 예시적인 실시양태에 따르면, CD-ROM과 같은 컴퓨터 판독가능 매체가 제공되며, 여기서 컴퓨터 판독가능 매체는 그것에 저장된 컴퓨터 프로그램 요소를 갖고 이 컴퓨터 프로그램 요소는 이전의 섹션에 설명되어 있다.
컴퓨터 프로그램은 다른 하드웨어와 함께 또는 그의 일부로서 공급된 광학 저장 매체 또는 고체 상태 매체와 같은 적합한 매체에 저장 및/또는 배포될 수 있지만, 또한 다른 형태로, 예컨대 인터넷 또는 다른 유선 또는 무선 전기통신 시스템을 통해 배포될 수 있다.
그러나, 컴퓨터 프로그램은 또한 월드 와이드 웹(World Wide Web)과 같은 네트워크를 통해 제공될 수 있고 이러한 네트워크로부터 데이터 프로세서의 작업 메모리로 다운로드될 수 있다. 본 발명의 추가 예시적인 실시양태에 따르면, 다운로딩에 이용가능한 컴퓨터 프로그램 요소를 만들기 위한 매체가 제공되며, 이 컴퓨터 프로그램 요소는 본 발명의 이전에 기재된 실시양태 중 하나에 따른 방법을 수행하도록 배열된다.
본 발명의 실시양태는 상이한 대상을 참조하여 설명된다는 점에 주목해야 한다. 특히, 일부 실시양태는 방법 유형 청구항을 참조하여 설명되지만 다른 실시양태는 디바이스 유형 청구항을 참조하여 설명된다. 그러나, 통상의 기술자는 달리 통지되지 않는 한, 한 유형의 대상에 속하는 기능의 임의의 조합에 더하여 상이한 대상에 관한 기능 간의 임의의 조합도 본 출원과 함께 개시된 것으로 여겨진다는 것을 상기 및 하기 설명으로부터 추측할 것이다. 그러나, 모든 기능은 조합되어 기능의 단순 합계 이상의 상승작용 효과를 제공한다.
본 발명이 도면 및 전술한 설명에서 상세히 예시되고 설명되었지만, 이러한 예시 및 설명은 예시적 또는 전형적이며 제한적이지 않은 것으로 간주되어야 한다. 본 발명은 개시된 실시양태로 제한되지 않는다. 개시된 실시양태에 대한 다른 변형은 청구된 본 발명을 실시함에 있어서 도면, 개시내용, 및 종속항의 연구로부터 통상의 기술자에 의해 이해되고 실행될 수 있다.
청구항에서, 단어 "포함하는"은 다른 요소 또는 단계를 배제하지 않고, 단수 표현은 복수를 배제하지 않는다. 단일 프로세서 또는 다른 유닛은 청구항에 나열된 여러 항목의 기능을 수행할 수 있다. 특정 조치가 서로 다른 종속항에 나열되어 있다는 단순 사실은 이들 조치의 조합이 유리하게 사용될 수 없다는 것을 나타내지 않는다. 청구항에서 임의의 참조 부호는 범주를 제한하는 것으로 해석되어서는 안 된다.

Claims (15)

  1. 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 컴퓨터-구현 방법(100)이며,
    a) 장비의 적어도 하나의 작동 파라미터의 미래 값을 얻는 단계(110)로서,
    여기서 적어도 하나의 작동 파라미터는 장비의 열화에 영향을 미치고,
    여기서 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능하여, 적어도 하나의 작동 파라미터의 미래 값이 예측 수평선에 걸쳐 결정될 수 있는 것인 단계;
    b) 예측 모델을 사용하여, 적어도 하나의 작동 파라미터의 미래 값을 포함하는 입력 데이터 세트에 기초하여 예측 수평선 내에서 적어도 하나의 주요 성능 지표의 미래 값을 추정하는 단계(120)로서,
    여기서 예측 모델은 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 데이터를 포함하는 샘플 세트에 기초하여 파라미터화 또는 트레이닝되며, 여기서 적어도 하나의 공정 변수는 적어도 하나의 주요 성능 지표를 결정하는데 사용되는 것인 단계; 및
    c) 적어도 하나의 주요 성능 지표의 미래 값에 기초하여 예측 수평선 내에서 장비의 열화의 진행을 예측하는 단계(130)
    를 포함하는 컴퓨터-구현 방법.
  2. 제1항에 있어서,
    - 장비의 현재 및/또는 과거 작동 동안 장비의 적어도 하나의 작동 파라미터의 값을 얻는 단계
    를 추가로 포함하며;
    여기서 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 포함하는 것인 컴퓨터-구현 방법.
  3. 제1항 또는 제2항에 있어서,
    - 장비의 현재 및/또는 과거 작동 동안 측정된 적어도 하나의 공정 변수를 얻는 단계;
    - 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 공정 변수에 기초하여 적어도 하나의 주요 성능 지표의 값을 결정하는 단계
    를 추가로 포함하며;
    여기서 입력 데이터 세트는 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값을 추가로 포함하는 것인 컴퓨터-구현 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    - 추가 예측 수평선에 걸쳐 단계 a) 내지 c)를 반복적으로 수행하는 단계
    를 추가로 포함하는 컴퓨터-구현 방법.
  5. 제4항에 있어서,
    추가 예측 수평선이 예측 수평선과 부분적으로 중첩되거나; 또는
    추가 예측 수평선이 예측 수평선과 별개인 컴퓨터-구현 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서, 예측 모델이 임의로 정칙화를 포함하는 다중 선형 회귀 모델을 포함하는 것인 컴퓨터-구현 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서, 장비가
    - 스팀-크래커 노;
    - 스팀 크래커의 이송 라인 교환기; 및
    - 아닐린 촉매
    중 적어도 하나를 포함하는 것인 컴퓨터-구현 방법.
  8. 화학 생산 플랜트 장비에서의 열화의 진행을 예측하기 위한 장치(200)이며,
    a) 장비의 적어도 하나의 작동 파라미터의 미래 값을 수신하도록 구성된 입력 유닛(210)으로서,
    여기서 적어도 하나의 작동 파라미터는 장비의 열화에 영향을 미치고,
    여기서 적어도 하나의 작동 파라미터는 예측 수평선에 걸쳐 공지되어 있고/거나 제어가능한 것인 입력 유닛(210);
    b) - 예측 모델을 사용하여, 적어도 하나의 작동 파라미터의 미래 값을 포함하는 입력 데이터 세트에 기초하여 예측 수평선 내에서 적어도 하나의 주요 성능 지표의 미래 값을 추정하고,
    여기서 예측 모델은 적어도 하나의 공정 변수 및 적어도 하나의 작동 파라미터의 이력 데이터를 포함하는 샘플 세트에 기초하여 파라미터화 또는 트레이닝되고, 여기서 적어도 하나의 공정 변수는 적어도 하나의 주요 성능 지표를 결정하는데 사용되는 것이고;
    - 적어도 하나의 주요 성능 지표의 미래 값에 기초하여 예측 수평선 내에서 장비의 열화의 진행을 예측하도록
    구성된 처리 유닛(220); 및
    c) 장비의 열화의 예측된 진행을 출력하도록 구성된 출력 유닛(230)
    을 포함하는 장치.
  9. 제8항에 있어서,
    입력 유닛이 장비의 현재 및/또는 과거 작동 동안 장비의 적어도 하나의 작동 파라미터의 값을 얻도록 구성되고;
    입력 데이터 세트가 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 작동 파라미터의 값을 포함하는 것인 장치.
  10. 제8항 또는 제9항에 있어서,
    입력 유닛이 장비의 현재 및/또는 과거 작동 동안 측정된 적어도 하나의 공정 변수를 얻도록 구성되고;
    처리 유닛이 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 공정 변수에 기초하여 적어도 하나의 주요 성능 지표의 값을 결정하도록 구성되고;
    입력 데이터 세트가 장비의 현재 및/또는 과거 작동 동안 얻은 적어도 하나의 주요 성능 지표의 값을 추가로 포함하는 것인 장치.
  11. 제8항 내지 제10항 중 어느 한 항에 있어서,
    처리 유닛이 추가 예측 수평선에 걸쳐 추정을 반복적으로 수행하도록 구성된 것인 장치.
  12. 제11항에 있어서,
    추가 예측 수평선이 예측 수평선과 부분적으로 중첩되거나; 또는
    추가 예측 수평선이 예측 수평선과 별개인 장치.
  13. 제9항 내지 제12항 중 어느 한 항에 있어서,
    예측 모델이 임의로 정칙화를 포함하는 다중 선형 회귀 모델을 포함하는 것인 장치.
  14. 처리 유닛에 의해 실행될 때, 제1항 내지 제7항 중 어느 한 항의 방법 단계를 수행하도록 적응된, 제8항 내지 제13항 중 어느 한 항에 따른 장치를 제어하기 위한 컴퓨터 프로그램 요소.
  15. 제14항의 프로그램 요소를 저장한 컴퓨터 판독가능 매체.
KR1020227002077A 2019-07-25 2020-07-27 화학 생산 플랜트에서의 개선된 생산 계획을 위한 코킹 및 오손의 진행 예측 KR20220042349A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19188437.8 2019-07-25
EP19188437 2019-07-25
EP19197875 2019-09-17
EP19197875.8 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
KR20220042349A true KR20220042349A (ko) 2022-04-05

Family

ID=71728747

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227002077A KR20220042349A (ko) 2019-07-25 2020-07-27 화학 생산 플랜트에서의 개선된 생산 계획을 위한 코킹 및 오손의 진행 예측

Country Status (7)

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

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
RU2016147744A (ru) * 2014-05-28 2018-07-02 Сабик Глобал Текнолоджис Б.В. Способ и система работы печи получения этилена
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
CN114127729A (zh) 2022-03-01
CA3146696A1 (en) 2021-01-28
US20220243133A1 (en) 2022-08-04
WO2021014025A1 (en) 2021-01-28
EP4004150A1 (en) 2022-06-01
JP2022542885A (ja) 2022-10-07

Similar Documents

Publication Publication Date Title
Ruiz-Sarmiento et al. A predictive model for the maintenance of industrial machinery in the context of industry 4.0
EP3289420B1 (en) Computer system and method for causality analysis using hybrid first-principles and inferential model
US20200004802A1 (en) Future reliability prediction based on system operational and performance data modelling
Nguyen et al. Joint optimization of monitoring quality and replacement decisions in condition-based maintenance
Samrout et al. Optimization of maintenance policy using the proportional hazard model
US7233910B2 (en) System and method for determining equivalency factors for use in comparative performance analysis of industrial facilities
KR20210128449A (ko) 화학 물질 생산 플랜트의 작동 조건 결정
US11754998B2 (en) System and methods for automated model development from plant historical data for advanced process control
WO2017163561A1 (ja) 稼働補助装置及び風力発電システム
KR20220042349A (ko) 화학 생산 플랜트에서의 개선된 생산 계획을 위한 코킹 및 오손의 진행 예측
Chin et al. Asset maintenance optimisation approaches in the chemical and process industries–A review
US11886154B2 (en) Systems and methods for optimizing refinery coker process
JP7145821B2 (ja) 故障確率評価システムおよびその方法
US20220373171A1 (en) Method and system for realtime monitoring and forecasting of fouling of air preheater equipment
US20190317459A1 (en) Predictive reactor effluent air cooler maintenance
EP4094195A1 (en) Augmentation of multimodal time series data for training machinelearning models
Lozano Santamaria et al. Online integration of optimal cleaning scheduling and control of heat exchanger networks under fouling
US10642249B2 (en) Method and system for real-time damage prediction and quantification
CN112752965A (zh) 基于剩余耐磨衬里厚度估计旋风除尘器寿命
AU2021201270B2 (en) Apparatus and method for controlling an industrial process on model-based controller performance
US20220083716A1 (en) System and method for identification and forecasting fouling of heat exchangers in a refinery
US20230143324A1 (en) System And Method for Determining Cleaning Schedules For Heat Exchangers And Fired Heaters Based On Engineering First Principles And Statistical Modelling
Kongkiatpaiboon Improving Offshore Condensate Production Optimization Processes with Prediction of Reid Vapor Pressure Using Machine Learning
EP4102421A1 (en) Prediction apparatus, prediction method, and program
Ge et al. Redesign Policy for a System with Uncertain Failure Rates