TWI794077B - 觸媒活性的監測方法與硫磺工場 - Google Patents

觸媒活性的監測方法與硫磺工場 Download PDF

Info

Publication number
TWI794077B
TWI794077B TW111113584A TW111113584A TWI794077B TW I794077 B TWI794077 B TW I794077B TW 111113584 A TW111113584 A TW 111113584A TW 111113584 A TW111113584 A TW 111113584A TW I794077 B TWI794077 B TW I794077B
Authority
TW
Taiwan
Prior art keywords
vectors
learning model
time points
machine learning
sulfur
Prior art date
Application number
TW111113584A
Other languages
English (en)
Other versions
TW202340722A (zh
Inventor
李銘偉
陳丁碩
張鈞程
蔡文誠
黃咨憲
Original Assignee
中國鋼鐵股份有限公司
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 中國鋼鐵股份有限公司 filed Critical 中國鋼鐵股份有限公司
Priority to TW111113584A priority Critical patent/TWI794077B/zh
Application granted granted Critical
Publication of TWI794077B publication Critical patent/TWI794077B/zh
Publication of TW202340722A publication Critical patent/TW202340722A/zh

Links

Images

Landscapes

  • Feedback Control In General (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

本揭露的實施例提出一種觸媒活性的監測方法，包括：取得關於觸媒製程在m個時間點的多個參數以作為訓練數據集；從訓練數據中取得d個自變數向量和(m-d)個應變數向量；根據自變數向量與應變數向量訓練一機器學習模型，並計算對應的(m-d)個相似度，將最小的相似度設定為一活性指標管制值；取得一新操作數據，將新操作輸入至機器學習模型以得到預測數據，計算預測數據與真實數據之間的目前相似度；以及如果目前相似度小於活性指標管制值，則判斷觸媒製程中的觸媒活性已經劣化。

Description

觸媒活性的監測方法與硫磺工場
本揭露是有關於觸媒活性的監測方法，可以判斷觸媒的活性是否劣化。
所謂觸媒(catalyst)就是反應催化劑，能降低化學反應所需的活化能(Activation Energy)而促進反應發生，觸媒本身在反應前後不會消耗，且可以引導反應的進行路徑，進而改變反應產物的選擇性，亦即對於相同反應物使用不同觸媒可以得到不同的產物。今日觸媒的運用非常廣泛，在石化工業中，關鍵步驟常需要觸媒，半導體產業的製程需要觸媒，於環境科學領域，例如汽車和工廠廢氣汙染物的處理需要觸媒，新能源的發展項是燃料電池也需要觸媒催化燃料進行反應以產生電能，甚至生物系統中促進生物體內反應進行的酵素也是一種觸媒。
然而觸媒在使用過程中，觸媒活性會因為各種原因使得觸媒活性降低或劣化，壽命縮短。當達不到系統的要求時，需要進行再生或更換新觸媒。如何及時掌握觸媒活 性狀況，判斷更換觸媒最佳時機，以確保製程能穩定生產是提高產能的關鍵因素。
本揭露的實施例提出一種觸媒活性的監測方法，適用於電腦系統。此監測方法包括：取得關於一觸媒製程在m個時間點的多個參數以作為訓練數據集，其中m為正整數；取得d個時間點所對應的參數作為d個自變數向量，並取得其餘(m-d)個時間點所對應的參數作為(m-d)個應變數向量，其中d為正整數，正整數d小於正整數m；根據d個自變數向量與(m-d)個應變數向量訓練一機器學習模型，並計算對應的(m-d)個相似度，將(m-d)個相似度中最小的相似度設定為一活性指標管制值；取得一新操作數據，將新操作輸入至機器學習模型以得到預測數據，計算預測數據與真實數據之間的目前相似度；以及如果目前相似度小於活性指標管制值，則判斷觸媒製程中的觸媒活性已經劣化。
在一些實施例中，訓練數據集表示為以下矩陣X。
Figure 111113584-A0305-02-0004-1
其中x ij 表示第j個時間點的第i個參數，i、j、n、m為正整數且j
Figure 111113584-A0305-02-0004-9
m，i
Figure 111113584-A0305-02-0004-10
n。在訓練機器學習模型時機器學習模型輸出(m-d)個預測應變數向量，(m-d)個相似度是根據以下數學式所計算。
Figure 111113584-A0305-02-0005-2
其中i=1,2,...,n，k=1,2,...,(m-d)，S k 表示(m-d)個相似度中的第k個相似度，L ik 為(m-d)個應變數向量中的第k個應變數向量的第i個元素，L est,ik 為(m-d)個預測應變數向量中的第k個預測應變數向量的第i個元素。
在一些實施例中，監測方法還包括：將m個時間點分為多個連續操作區間，將每一個連續操作區間中的最後一個時間點所對應的參數設定為應變數向量，並將連續操作區間中其餘時間點所對應的參數設定為自變數向量。
在一些實施例中，觸媒製程是在實施在硫磺工場，硫磺工場包括硫反應器，觸媒製程中的觸媒是使用在硫反應器中，上述的參數包括流量、溫度與壓力。
在一些實施例中，上述的機器學習模型為一極限梯度提升模型、隨機森林模型或深度學習模型。
以另一個角度來說，本揭露的實施例提出一種硫磺工場，包括硫反應器與電腦系統。硫反應器用以實施觸媒製程。電腦系統通訊連接至硫反應器，用以取得關於觸媒製程在m個時間點的多個參數以作為訓練數據集，其中m為正整數。其中電腦系統用以取得時間點中的d個時間點所對應的參數作為d個自變數向量，並取得其餘(m-d)個時間點所對應的參數作為(m-d)個應變數向量，其中d為正整數，正整數d小於正整數m。電腦系統用以根據d個 自變數向量與(m-d)個應變數向量訓練一機器學習模型，並計算對應的(m-d)個相似度，將(m-d)個相似度中最小的相似度設定為一活性指標管制值。電腦系統用以取得一新操作數據，將新操作輸入至機器學習模型以得到預測數據，計算預測數據與真實數據之間的一目前相似度。如果目前相似度小於活性指標管制值，電腦系統用以判斷觸媒製程中的觸媒活性已經劣化。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
100:硫磺工場
101:燃燒反應器
102,103:硫反應器
104:加熱器
105:冷凝器
111:酸氣
112:壓縮空氣
120:電腦系統
201~206,301~304:步驟
401:活性指標管制值
402:目前相似度
403:產硫率
圖1是根據一實施例繪示硫磺工場的示意圖。
圖2是根據一實施例繪示建模階段的流程圖。
圖3是根據一實施例繪示監測階段的流程圖。
圖4是根據一實施例繪示相似度與硫磺產出之間的相關曲線。
圖1是根據一實施例繪示硫磺工場的示意圖。請參照圖1，硫磺工場100至少包括了燃燒反應器(Burner Reactor)101、硫反應器102、硫反應器103、加熱器104、冷凝器105與電腦系統120。在硫磺工場100的前端製程例如是焦爐，焦爐所產生的氣體中的氨與硫化氫經 過蒸餾以後產出酸氣111，酸氣111與壓縮空氣112送至燃燒反應器101，硫化氫燃燒後一部分變成硫，剩下未經冷凝及未反應的硫化氫和二氧化硫則經溫度控制進入硫反應器102、103，在此使用觸媒來進行觸媒製程以製作出硫磺。
硫磺工場100中設置有多個感測器，用以感測流量、溫度、壓力等參數，本揭露並不限制這些感測器設置在哪裡，在一些實施例中至少部分的感測器是設置在硫反應器102與硫反應器103中。電腦系統120透過任意有線或無線的通訊手段通訊連接至硫反應器102與硫反應器103，硫反應器102與硫反應器103上的感測器所感測的參數會傳送至電腦系統120。此揭露提出一種觸媒活性的監測方法，可以監測觸媒活性是否已經劣化。特別的是，在此採用機器學習來預測參數，如果預測的參數與實際上的參數之間的相似度很低則表示觸媒活性已經劣化。以下將配合流程圖詳細說明。
圖2是根據一實施例繪示建模階段的流程圖。請參照圖2，首先在步驟201，取得觸媒製程採用新鮮觸媒時在多個時間點所產生的多個參數，這些參數例如包括在任意一個量測點(例如在硫反應器102與硫反應器103中)的流量、溫度、壓力等，本揭露並不在此限。這些參數作為訓練數據集，表示為以下矩陣X。
Figure 111113584-A0305-02-0007-3
其中x ij 表示第j個時間點的第i個參數。在此共有m個時間點，每個時間點有n個參數，i、j、n、m為正整數且j
Figure 111113584-A0305-02-0008-11
m，i
Figure 111113584-A0305-02-0008-12
n。矩陣X的大小為n×m，也就是說矩陣X包含了m個向量。
在步驟202，從訓練數據集中取出d個時間點所對應的參數作為d個自變數向量，其中d為正整數且d<m，這些自變數向量組成一個大小為n×d的矩陣D。在步驟203，取得其餘(m-d)個時間點所對應的參數作為(m-d)個應變數向量，這些應變數向量組成一個大小為n×(m-d)的矩陣L。在一些實施例中是每隔一段時間取得多個自變數向量搭配一個應變數向量。以另一個角度來說，可以將m個時間點分為多個連續操作區間，將每一個連續操作區間中的最後一個時間點所對應的參數設定為應變數向量，並將連續操作區間中其餘時間點所對應的參數設定為自變數向量。舉例來說，如果每個連續操作區間包括了10個時間點，前9個時間點所對應的參數可設定為9個自變數向量，而最後一個時間點所對應的參數設定為1個應變數向量。如果m=1000，則總共有d=900個自變數向量組成矩陣D，而且有(m-d)=100個應變數向量組成矩陣L。然而，本揭露並不限制要取得那些時間點作為自變數向量(應變數向量)。
在步驟204，根據d個自變數向量與(m-d)個應變數向量訓練一機器學習模型，此機器學習模型可為極限梯度提升模型、隨機森林模型、深度學習模型、神經網路 等任意合適的機器學習模型，本揭露並不在此限。在此，是要將矩陣D當作機器學習模型的輸入，而矩陣L則做為機器學習模型的輸出，但機器學習模型每次只預測一個向量。舉例來說，延續上述例子，每9個自變數向量可用來預測1個應變數向量，這視為一個訓練樣本，在上述例子中共有(m-d)=100個訓練樣本。因此，機器學習模型的輸入與輸出之間具有時序上的關係，在此實施例中是用較早發生的參數來預測尚未發生的參數。
上述的矩陣L可作為真實輸出(ground truth)，而機器學習模型則輸出預測應變數向量。接下來在步驟205，對於每一個訓練樣本都可以計算真實輸出與預測應變數向量之間的相似度，如以下數學式1所示。
Figure 111113584-A0305-02-0009-4
其中i=1,2,...,n，k=1,2,...,(m-d)。S k 表示第k個相似度，L ik 為矩陣L中的第k個應變數向量的第i個元素，L est,ik 為第k個預測應變數向量的第i個元素。換言之，在此是將應變數向量與預測應變數向量之間差異的L2範數的倒數作為相似度，相似度越大表示預測的越準確。由於每個訓練樣本都可以計算出對應的相似度，在此共會計算出(m-d)個相似度S k 。
接下來在步驟206中，從上述計算出的(m-d)個相似度中取得最小的相似度作為一活性指標管制值，這個 活性指標管制值可以當作是判斷觸媒活性是否已經劣化的臨界值。
圖3是根據一實施例繪示監測階段的流程圖。請參照圖3，在步驟301，取得新操作數據，在此表示為向量x obj ，此向量中同樣包含了上述n個參數。在步驟302中，將新操作數據輸入至上述訓練好的機器學習模型以得到預測數據，表示為向量x est (包含n個預測數值)。由於機器學習模型是預測下一個時間點的參數，在經過一段時間以後可以收集到對應的真實數據(同樣有n個參數)。在步驟303，根據上述數學式1計算預測數據x est 與對應真實數據之間的相似度(稱為目前相似度)。在步驟304，判斷目前相似度是否小於上數計算的活性指標管制值，如果是的話則表示目前相似度已經低於新鮮觸媒所建立的下限，因此可以判斷觸媒製程中的觸媒活性已經劣化。在判斷觸媒活性已經劣化以後，可以通知相關人員更換觸媒，但本揭露並不在此限。
圖4是根據一實施例繪示相似度與硫磺產出之間的相關曲線。請參照圖4，橫軸為時間，圖4繪示了活性指標管制值401、即時計算出的目前相似度402以及產硫率403。從圖4可以看出當目前相似度402小於活性指標管制值401以後，產硫率403也會跟著下降，因此目前相似度402可以有效的評估觸媒活性。
由於在監測階段中也會同時計算出每個參數的預測數值，申請人在一些實驗中觀察到當預測數值與實際數 值之間的差異越大時，觸媒活性也劣化的越嚴重，因此預測的準確度(相似度)可用來評估觸媒活性。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
201~206:步驟

Claims (10)

  1. 一種觸媒活性的監測方法，適用於一電腦系統，該監測方法包括：取得關於一觸媒製程在m個時間點的多個參數以作為訓練數據集，其中m為正整數；取得該些時間點中的d個時間點所對應的該些參數作為d個自變數向量，並取得其餘(m-d)個時間點所對應的該些參數作為(m-d)個應變數向量，其中d為正整數，該正整數d小於該正整數m；根據該d個自變數向量與該(m-d)個應變數向量訓練一機器學習模型，並計算對應的(m-d)個相似度，將該(m-d)個相似度中最小的相似度設定為一活性指標管制值；取得一新操作數據，將該新操作輸入至該機器學習模型以得到預測數據，計算該預測數據與真實數據之間的一目前相似度；以及如果該目前相似度小於該活性指標管制值，則判斷該觸媒製程中的觸媒活性已經劣化。
  2. 如請求項1所述之監測方法，其中該訓練數據集表示為以下矩陣X，
    Figure 111113584-A0305-02-0012-5
     其中x ij 表示第j個時間點的第i個參數，i、j、n、m為正整數且j
    Figure 111113584-A0305-02-0012-13
    m，i
    Figure 111113584-A0305-02-0012-14
    n， 其中在訓練該機器學習模型時該機器學習模型輸出(m-d)個預測應變數向量，該(m-d)個相似度是根據以下數學式所計算，
    Figure 111113584-A0305-02-0013-6
     其中i=1,2,...,n，k=1,2,...,(m-d)，S k 表示該(m-d)個相似度中的第k個相似度，L ik 為該(m-d)個應變數向量中的第k個應變數向量的第i個元素，L est,ik 為該(m-d)個預測應變數向量中的第k個預測應變數向量的第i個元素。
  3. 如請求項1所述之監測方法，還包括：將該m個時間點分為多個連續操作區間，將每一該些連續操作區間中的最後一個時間點所對應的該些參數設定為該(m-d)個應變數向量的其中之一，並將該連續操作區間中其餘時間點所對應的參數設定為該d個自變數向量中的至少其中之一。
  4. 如請求項1所述之監測方法，其中該觸媒製程是在實施在一硫磺工場，該硫磺工場包括至少一硫反應器，該觸媒製程中的該觸媒是使用在該至少一硫反應器中，該些參數包括流量、溫度與壓力。
  5. 如請求項1所述之監測方法，其中該機器學習模型為一極限梯度提升模型、隨機森林模型或深度學習 模型。
  6. 一種硫磺工場，包括：至少一硫反應器，用以實施一觸媒製程；以及一電腦系統，通訊連接至該至少一硫反應器，用以取得關於該觸媒製程在m個時間點的多個參數以作為訓練數據集，其中m為正整數，其中該電腦系統用以取得該些時間點中的d個時間點所對應的該些參數作為d個自變數向量，並取得其餘(m-d)個時間點所對應的該些參數作為(m-d)個應變數向量，其中d為正整數，該正整數d小於該正整數m，其中該電腦系統用以根據該d個自變數向量與該(m-d)個應變數向量訓練一機器學習模型，並計算對應的(m-d)個相似度，將該(m-d)個相似度中最小的相似度設定為一活性指標管制值，其中該電腦系統用以取得一新操作數據，將該新操作輸入至該機器學習模型以得到預測數據，計算該預測數據與真實數據之間的一目前相似度，其中如果該目前相似度小於該活性指標管制值，該電腦系統用以判斷該觸媒製程中的觸媒活性已經劣化。
  7. 如請求項6所述之硫磺工場，其中該訓練數據集表示為以下矩陣X，
    Figure 111113584-A0305-02-0015-7
     其中x ij 表示第j個時間點的第i個參數，i、j、n、m為正整數且j
    Figure 111113584-A0305-02-0015-15
    m，i
    Figure 111113584-A0305-02-0015-16
    n，其中在訓練該機器學習模型時該機器學習模型輸出(m-d)個預測應變數向量，該(m-d)個相似度是根據以下數學式所計算，
    Figure 111113584-A0305-02-0015-8
     其中i=1,2,...,n，k=1,2,...,(m-d)，S k 表示該(m-d)個相似度中的第k個相似度，L ik 為該(m-d)個應變數向量中的第k個應變數向量的第i個元素，L est,ik 為該(m-d)個預測應變數向量中的第k個預測應變數向量的第i個元素。
  8. 如請求項6所述之硫磺工場，其中該電腦系統還用以將該m個時間點分為多個連續操作區間，將每一該些連續操作區間中的最後一個時間點所對應的該些參數設定為該(m-d)個應變數向量的其中之一，並將該連續操作區間中其餘時間點所對應的參數設定為該d個自變數向量中的至少其中之一。
  9. 如請求項6所述之硫磺工場，其中該些參數包括流量、溫度與壓力。
  10. 如請求項6所述之硫磺工場，其中該機器學習模型為一極限梯度提升模型、隨機森林模型或深度學習模型。
TW111113584A 2022-04-11 2022-04-11 觸媒活性的監測方法與硫磺工場 TWI794077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW111113584A TWI794077B (zh) 2022-04-11 2022-04-11 觸媒活性的監測方法與硫磺工場

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111113584A TWI794077B (zh) 2022-04-11 2022-04-11 觸媒活性的監測方法與硫磺工場

Publications (2)

Publication Number Publication Date
TWI794077B true TWI794077B (zh) 2023-02-21
TW202340722A TW202340722A (zh) 2023-10-16

Family

ID=86689317

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111113584A TWI794077B (zh) 2022-04-11 2022-04-11 觸媒活性的監測方法與硫磺工場

Country Status (1)

Country Link
TW (1) TWI794077B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09164320A (ja) * 1995-12-18 1997-06-24 Ngk Insulators Ltd 排気ガス浄化触媒の劣化検知方法
CN106647285A (zh) * 2017-02-10 2017-05-10 泉州装备制造研究所 一种基于软测量技术的催化剂活性检测方法
JP2017180108A (ja) * 2016-03-28 2017-10-05 日本碍子株式会社 触媒劣化診断方法および触媒劣化診断システム
CN110094251A (zh) * 2019-05-05 2019-08-06 东南大学 基于分时段多模型建模的scr催化剂性能劣化分析方法
TW202033946A (zh) * 2019-03-11 2020-09-16 台灣電力股份有限公司 用於檢測觸媒活性的裝置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09164320A (ja) * 1995-12-18 1997-06-24 Ngk Insulators Ltd 排気ガス浄化触媒の劣化検知方法
JP2017180108A (ja) * 2016-03-28 2017-10-05 日本碍子株式会社 触媒劣化診断方法および触媒劣化診断システム
CN106647285A (zh) * 2017-02-10 2017-05-10 泉州装备制造研究所 一种基于软测量技术的催化剂活性检测方法
TW202033946A (zh) * 2019-03-11 2020-09-16 台灣電力股份有限公司 用於檢測觸媒活性的裝置
CN110094251A (zh) * 2019-05-05 2019-08-06 东南大学 基于分时段多模型建模的scr催化剂性能劣化分析方法

Also Published As

Publication number Publication date
TW202340722A (zh) 2023-10-16

Similar Documents

Publication Publication Date Title
Yuan et al. Stacked enhanced auto-encoder for data-driven soft sensing of quality variable
JP7009438B2 (ja) 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
Nkulikiyinka et al. Prediction of sorption enhanced steam methane reforming products from machine learning based soft-sensor models
EP3005004B1 (en) System and method for monitoring a process
US20220365521A1 (en) Virtual simulation manufacturing platform based on automatic control
Bogojeski et al. Forecasting industrial aging processes with machine learning methods
Guo et al. Deep learning technique for process fault detection and diagnosis in the presence of incomplete data
CN108287474B (zh) 基于原料不确定性的催化重整反应器鲁棒操作优化方法
Zheng et al. Improved mahalanobis distance based JITL-LSTM soft sensor for multiphase batch processes
CN116227673A (zh) 一种基于加氢裂化装置的自适应温度预警方法及系统
Zhu et al. Scalable soft sensor for nonlinear industrial big data via bagging stochastic variational Gaussian processes
CN118350262A (zh) 基于机器学习的碳酸锂制备设备参数优化方法及系统
TWI794077B (zh) 觸媒活性的監測方法與硫磺工場
Kaneko et al. Preparation of comprehensive data from huge data sets for predictive soft sensors
Azyus et al. Determining the method of predictive maintenance for aircraft engine using machine learning
CN114861759B (zh) 一种线性动态系统模型的分布式训练方法
He et al. Deep learning prediction of yields of fluid catalytic cracking via differential evolutionary dual-stage attention-based LSTM
CN113253682B (zh) 非线性化工过程故障检测方法
CN115206448A (zh) 一种基于ann模型的化学反应动力学计算方法
Kaneko et al. Data density-based fault detection and diagnosis with nonlinearities between variables and multimodal data distributions
Wang et al. Bayesian regularized Gaussian mixture regression with application to soft sensor modeling for multi-mode industrial processes
CN116312869A (zh) 催化裂化再生烟气氮氧化物预测方法、装置及系统
Peng et al. ILFDA Model: An Online Soft Measurement Method Using Improved Local Fisher Discriminant Analysis
Orantes et al. A new support methodology for the placement of sensors used for fault detection and diagnosis
WO2023175711A1 (ja) プラント構造物腐食予測装置、推論装置、機械学習装置、情報予測装置、プラント構造物腐食予測方法、推論方法、機械学習方法及び情報予測方法