Способ и система виртуального детектирования для управления переменной состава в процессе производства карбамида

Использование: для управления по меньшей мере одной переменной состава в процессе производства карбамида. Сущность изобретения заключается в том, что выполняют виртуальное детектирование для управления по меньшей мере одной переменной состава в процессе производства карбамида на основе множества измеряемых в режиме онлайн переменных процесса и модели, причем модель определяется и используется для оценки в ходе процесса производства карбамида по меньшей мере одной переменной состава, характеризующей содержание карбамида, на основе множества переменных процесса, измеряемых в режиме онлайн, и для изменения по меньшей мере одной из множества переменных процесса, измеряемых в режиме онлайн, для обеспечения того, чтобы значение по меньшей мере одной переменной состава было в пределах заданного диапазона. Технический результат: обеспечение возможности управления процессом производства карбамида в режиме онлайн с использованием компьютерного моделирования процесса производства карбамида. 3 н. и 6 з.п. ф-лы, 17 ил., 2 табл.

 

ОБЛАСТЬ ИЗОБРЕТЕНИЯ

Изобретение относится к способу и системе виртуального детектирования для управления по меньшей мере одной переменной состава в процессе производства карбамида (мочевины). Изобретение также относится к способу и системе виртуального детектирования для получения модели для управления по меньшей мере одной переменной состава в процессе производства карбамида. Кроме того, изобретение относится к компьютерной системе.

ПРЕДПОСЫЛКИ ИЗОБРЕТЕНИЯ

Карбамид - важный химический продукт, который в основном используется в качестве удобрений. Его можно получить в результате реакции между аммиаком и диоксидом углерода при высоком давлении (например, 13-30 МПа) и высокой температуре (например, 180-200°С). Существуют различные типы процессов производства карбамида. Согласно процессу полного рецикла, весь аммиак, выходящий из секции синтеза, возвращают в реактор, и общее преобразование аммиака в карбамид достигает приблизительно 99%. Хорошо известными примерами таких процессов являются процессы компаний Stamicarbon, Snamprogetti и Тоуо, в то время как компания Casale в основном занимается модификацией некоторых из этих технологий, применяя собственные процессы для модернизации мощностей заводов по производству карбамида. Например, установка синтеза карбамида на основе процесса Stamicarbon включает в себя реактор карбамида, конденсатор карбамата, стриппер и скруббер. В конденсаторе карбамата аммиак (NH₃) в жидкой фазе, диоксид углерода (СО₂) в газовой фазе и жидкий карбамат аммония из предшествующей секции частично реагируют с образованием дополнительного карбамата аммония, который находится в жидкой фазе. Эта реакция является равновесной. Непрореагировавшие аммиак и диоксид углерода вместе с жидким карбаматом аммония попадают в реактор карбамида, где аммиак и диоксид углерода продолжают реагировать с образованием карбамата аммония, который медленно реагирует с карбамидом и водой. Реакция протекает медленно, и требует объема для достижения времени пребывания.

Выход раствора из реактора карбамида проходит через стриппер, в котором непрореагировавший карбамат разлагается до аммиака и диоксида углерода благодаря теплу, подводимому паром к стороне кожуха, и аммиак, отделенный с помощью диоксида углерода подают в нижнюю часть стриппера. Отделенные газы подают в конденсатор карбамата. Для достижения оптимального выхода карбамида из реактора карбамида требуется, чтобы в процессе отделения карбамида реагенты присутствовали в оптимальном удельном соотношении, поскольку это может обеспечить стабильную работу секции синтеза карбамида, минимальное потребление энергии и/или максимальный выход карбамида. Одним из ключевых параметров для регулирования этого является молярное отношение N/C в реакторе карбамида, которое определяется как отношение между общим эквивалентом NH₃ и общим эквивалентом СО₂ в реакторе. Стабильность этого параметра влияет на стабильность последующей секции и потребляемых количеств.

Как правило, доступно лишь ограниченное количество возможностей для анализа переменной состава установки по производству карбамида. Например, когда переменную состава выбирают с включением в нее отношения N/C, могут возникнуть определенные проблемы. Часто установкой синтеза карбамида управляют путем ручного отбора проб для проведения лабораторного анализа, но высокому давлению, используемому в этом процессе, присущи риски безопасности и неточности. Например, пробы берут несколько раз в день, например - дважды в день. Затем оператору (операторам) необходимо ждать в течение длительного периода времени, например, от 4 до 6 часов, до получения результатов лабораторных исследований для отношения N/C, после чего можно воздействовать на переменные процесса, такие как подача NH₃ и/или СО₂, используемые в установке по производству карбамида, чтобы скорректировать соотношение N/C. Альтернативно, можно установить специальный измерительный прибор, который может измерять отношение N/C, например, посредством корреляции с плотностью. Известно, что плотность потока, выходящего из реактора карбамида, линейно соотносится с отношением N/C при определенных условиях температуры и давления (см., например, US 2006/0270872 А1, Yasuhiko Kojima, 30 ноября 2006 г.). Однако такие специализированные измерительные приборы обычно дороги и требуют технической поддержки.

Сложность процесса может привести к сильной интеграции, а также, возможно, к увеличению времени регулирования и к трудности понимания динамики процесса. Управление процессом для обеспечения стабильной работы является серьезной задачей, поэтому существует потребность в улучшении управления процессом производства карбамида.

В настоящее время изобретатели разработали способ виртуального детектирования, в частности - эмпирический способ виртуального детектирования, который исключает использование любого параметра состава в качестве входной переменной, измеряемой в режиме онлайн или офлайн, и основан исключительно на множестве переменных процесса, измеряемых в режиме реального времени, и на модели.

Методы виртуального детектирования, также называемые мягким детектированием, прокси-детектированием, логическим детектированием или суррогатным детектированием, обычно используются для обеспечения реальных и экономичных альтернатив дорогостоящим или непрактичным физическим измерительным приборам. Виртуальная сенсорная система использует информацию, полученную в результате других измерений и параметров процесса, для вычисления оценки требуемого количества. Несмотря на то, что доступны различные методы виртуального детектирования, подавляющее большинство из них можно классифицировать как аналитические методы, в которых расчет оценки измерения основан на аппроксимациях физических законов, которые регулируют взаимосвязь исследуемой величины с другими доступными измерениями и параметрами, или эмпирические методы, в которых расчет оценки измерения основан на доступных исторических данных измерения той же величины и на его корреляции с другими доступными измерениями и параметрами.

В документе US 2006/0270872 А1 (Yasuhiko Kojima, 30 ноября 2006 г.) раскрыт способ синтеза карбамида, который включает в себя этап измерения плотности конденсированной жидкости (т.е. переменной состава) и вычисления значения N/C конденсированной жидкости на основании измеренной температуры, определенной плотности и математической зависимости между ними.

В документе US 2009/0149981 А1 (Evans и др., 11 июня 2009 г.) раскрыта система для непрерывного онлайнового мониторинга химической или нефтеперегонной установки в режиме, близком к реальному времени. Способ мониторинга основан на многовариантной статистической модели, разработанной с использованием автономных выбранных исторических данных процесса. Способ представляет собой пассивный способ, ориентированный на мониторинг, а не на управление переменной в процессе, при этом он может быть основан на переменных процесса и состава, измеряемых в режиме офлайн и онлайн, и он не использовался для управления по меньшей мере одной переменной состава в процессе производства карбамида, основанном исключительно на множестве переменных процесса, измеряемых в режиме онлайн, и на модели, включая этап изменения по меньшей мере одной из множества переменных процесса, измеряемых в режиме онлайн, для обеспечения того, чтобы значение по меньшей мере одной переменной состава находилось в пределах заданного диапазона.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Цель изобретения заключается в создании способа виртуального детектирования и системы, которые лишены по меньшей мере одного из вышеупомянутых недостатков.

Альтернативно или дополнительно, целью является создание улучшенного или, по меньшей мере, альтернативного способа виртуального детектирования для управления процессом производства карбамида.

Для этого, согласно одному из аспектов, предложен способ виртуального детектирования для управления по меньшей мере одной переменной состава в процессе производства карбамида, основанный исключительно на множестве измеряемых в режиме онлайн переменных процесса и на модели, причем модель используют для оценки, в ходе процесса производства карбамида, по меньшей мере одной переменной состава на основе множества переменных процесса, измеряемых в режиме онлайн, при этом способ включает в себя изменение по меньшей мере одной из множества переменных процесса, измеряемых в режиме онлайн, для обеспечения того, чтобы значение по меньшей мере одной переменной состава было в пределах заданного диапазона, причем модель может быть получена путем получения, в течение первого периода времени в ходе процесса производства карбамида, множества данных онлайн-измерений, связанных с множеством заданных переменных процесса, с помощью множества датчиков, расположенных в установке синтеза карбамида, причем множество заданных переменных процесса включает в себя по меньшей мере одно из группы, состоящей из расхода, уровня жидкости, температуры и давления; получения, в моменты времени в пределах первого периода времени, множества данных офлайн-измерений по меньшей мере одной переменной состава; и обработку множества данных онлайн- и офлайн-измерений и выполнение статистического анализа для идентификации модели для вычисления по меньшей мере одной переменной состава на основе множества заданных переменных процесса.

В контексте изобретения выражение «исключительно на основе множества измеряемых в режиме онлайн переменных процесса и модели» означает, что параметры модели являются исключительно измеряемыми в режиме онлайн переменными процесса и не содержат измеряемых в режиме офлайн переменных процесса, а также любых переменных состава, таких как плотность, рН, проводимость и т.п., измеряемых в режиме онлайн или офлайн.

По меньшей мере одной переменной состава в процессе производства карбамида можно управлять на основе данных, измеренных в режиме онлайн, и заданной модели. Понятно, что модель может быть получена или задана отдельно от способа управления процессом производства карбамида. Например, модель может быть уже заданной и использоваться для управления параметрами процесса производства карбамида. Данные онлайн-измерений можно получить непосредственно из процесса (без вмешательства лаборатории). Данные онлайн-измерений можно получить в режиме реального времени.

Как правило, получение конечного продукта карбамида в процессе производства карбамида является наиболее эффективным при определенном соотношении N/C или в пределах заданного диапазона отношений N/C. Предпочтительно, параметры процесса настроены для улучшения производства конечного продукта карбамида. Переменная состава, подлежащая оценке, может указывать на содержание карбамида. Переменной состава, подлежащей оценке, может быть отношение N/C. Понятно, что также можно использовать другие переменные состава, кроме отношения N/C, такие как, например, отношение Н/С, определяемое как соотношение между общим количеством Н₂О и общим количеством СО₂, и/или степень завершенности реакции, определяемая как соотношение между карбамидом и общим количеством СО₂.

Предпочтительно, что при использовании модели измерение отношения N/C в реакторе карбамида с помощью анализа проб или специальных онлайн-инструментов может больше не требоваться. Следовательно, для проведения в режиме офлайн экспериментов в лаборатории больше не требуется вручную отбирать образцы, что часто сопряжено с повышенными рисками безопасности. Таким образом, для управления процессом производства карбамида с помощью модели требуется меньше времени и ресурсов. Дополнительно или альтернативно, также может больше не требоваться обеспечение узлов онлайн-измерения для измерения переменной состава, которые могут быть реализованы в процессе производства карбамида и которые сами могут обеспечивать (точное) указание соответствующей переменной состава, например - отношение N/C. Таким образом можно снизить связанные с этим затраты, поскольку такие узлы измерения обычно дороги, требуют значительного технического обслуживания и/или их часто трудно реализовать на существующей установке синтеза карбамида.

Модель можно рассматривать как математическую модель, которая выполнена с возможностью использования ряда параметров процесса в виде множества измеряемых в режиме онлайн переменных процесса, которые влияют на по меньшей мере одну переменную состава в процессе производства карбамида, такую как, например, отношение N/C. Предпочтительно, что использование модели позволяет предвычислить отношение N/C, не дожидаясь лабораторного анализа. Следовательно, управление процессом производства карбамида может быть улучшено, при этом также может быть улучшена эффективность процесса синтеза карбамида. Модель может быть определена для части высокого давления установки синтеза карбамида.

Таким образом, способ можно использовать для управления работой установки синтеза карбамида. Изменение по меньшей мере одной переменной процесса может включать в себя корректировку текущей переменной процесса в процессе производства карбамида на основе вычисленной с использованием модели по меньшей мере одной переменной состава. Концентрация карбамида из секции синтеза может рассматриваться как рабочий результат процесса производства карбамида. Концентрация карбамида может относиться к по меньшей мере одной переменной состава, предвычисляемой на основе модели. В ходе процесса производства карбамида настройки установки химического синтеза карбамида можно изменить для улучшения рабочих результатов. Переменные процесса выбирают для настройки режима, в котором, в соответствии с моделью, процесс синтеза карбамида выдает требуемую переменную состава, находящуюся в пределах заданного диапазона.

С помощью модели можно управлять процессом производства карбамида в направлении стабильной стационарной работы. Опционально, используют статистический метод для получения линейной стационарной модели для вычисления по меньшей мере одной переменной состава. В качестве переменной состава в процессе производства карбамида можно выбрать отношение N/C.

Опционально, множество измеряемых в режиме онлайн переменных процесса, полученных посредством онлайн-измерений в течение второго периода времени, отличного от первого периода времени, предусмотрены в качестве входных данных для установленной модели, при этом модель в качестве выходных данных обеспечивает по меньшей мере одну вычисленную переменную состава, которая является регулируемой.

Модель может быть получена или задана заранее, т.е. с использованием данных онлайн- и офлайн-измерений, полученных в течение первого периода времени. Первый период времени также можно рассматривать как период построения модели, в котором собирается достаточно данных за период времени (например, недели, месяцы) для построения модели. Когда модель получена или задана, ее можно использовать для вычисления переменной состава на основе измеренных в режиме онлайн переменных процесса, предоставляемых в качестве входных данных. Таким образом, модель может определить, какую конфигурацию переменных процесса нужно использовать для получения оптимальной (предвычисляемой моделью) переменной состава. Опционально, путем выполнения (менее частых) офлайн-измерений модель можно постоянно обновлять. Больше точек измерения может повысить точность модели, компенсировать изменения в установке синтеза карбамида и/или изменения условий окружающей среды.

Опционально, заданные переменные процесса, по меньшей мере, включают в себя одну или более температур в реакторе, взаимодействие между гидростатическим давлением текучей среды реактора и циркулирующим потоком текучей среды синтеза. Было обнаружено, что эти переменные процесса важны для определения точной модели для вычисления по меньшей мере одной переменной состава (например, отношения N/C) на основе измеряемых в режиме онлайн переменных процесса в процессе синтеза карбамида.

Опционально, переходное состояние не фиксируется установленной моделью.

Опционально, собранные датчиками данные онлайн-измерений сохраняют в хранилище данных, причем из хранилища данных получают сокращенный набор данных, при этом модель идентифицируют на основе сокращенного набора данных, причем модель обеспечивает корреляцию между сокращенным набором данных и по меньшей мере одной переменной состава.

Множество измеряемых в режиме онлайн переменных процесса можно отбирать различными способами, например, путем усреднения по времени (например, за 5-минутные интервалы времени). Опционально, используют компьютерный программный продукт, который выполнен с возможностью сбора, опционального упорядочивания, а также получения выборки больших объемов доступных исходных данных установки, относящихся к множеству измеряемых в режиме онлайн переменных процесса, которые измеряются с высоким разрешением с помощью множества датчиков.

Опционально, переменная состава представляет собой по меньшей мере одно из группы, включающей в себя, или например состоящий из отношения N/C, определяемого как отношение общего NH₃ к общему СО₂, отношения Н/С, определяемого как отношение общего Н₂О к общему СО₂, и/или степени завершенности реакции, определяемой как отношение карбамида к общему СО₂.

Опционально, переменная процесса представляет собой по меньшей мере одно из группы, включающей в себя следующее, или, например, состоящей из следующего: расход подачи СО₂, расход СО₂ на стриппер СО₂, расход пассивирующего воздуха на реактор, расход пассивирующего воздуха на любой стриппер, расход рециркуляции карбамата на конденсатор карбамата, расход рециркуляции карбамата на скруббер высокого давления, расход пара от конденсатора карбамата, общий расход NH₃, расход NH₃ на конденсатор карбамата, расход NH₃ на эжектор карбамата, расход NH₃ на реактор, расход пара в термостриппере, расход пара на стриппер СО₂, пар для давления в (любом) стриппере, давление синтеза в верхней части реактора, давление пара в конденсаторе карбамата, давление подачи NH₃, температура паров на выходе из стриппера СО₂, температура жидкости на выходе из стриппера СО₂, температура подачи NH₃, температура карбамата, температура в верхней части реактора, температура в середине реактора, температура раствора карбамида из реактора, температура в нижней части реактора, температура паров на выходе из термостриппера, температура жидкости на выходе из термостриппера, перепад давления на выходном клапане реактора карбамида, уровень жидкости в реакторе, уровень жидкости в скруббере высокого давления, уровень жидкости в сепараторе высокого давления.

Опционально, можно использовать набор из от 2 до 6 переменных процесса. Таким образом, можно избежать чрезмерной параметризации и зависимости от большого количества устройств онлайн-измерения. Опционально, используют набор из 2, 3, 4, 5 или 6 переменных процесса.

Опционально, используют набор переменных процесса, включающий в себя по меньшей мере одну или более реакторных температур и расход пара на термостриппер.

Опционально, используют набор переменных процесса, включающий в себя по меньшей мере три элемента из группы, содержащей следующее, или, например, состоящей из следующего: расход пара на первый стриппер NH₃, температура раствора карбамида из реактора, температура газа на выходе из второго стриппера NH₃, температура подачи NH₃, температура в середине реактора, и температура в верхней части реактора. В одном из примеров в модели используют все эти шесть переменных процесса.

Опционально, статистический анализ содержит алгоритм для выполнения анализа методом главных компонент или анализа методом частичных наименьших квадратов.

Опционально, алгоритм представляет собой алгоритм частичных ортогональных наименьших квадратов. Метод регрессии ортогональных частичных наименьших квадратов (OPLS, orthogonal partial least squares) можно использовать для получения линейной стационарной модели для вычисления по меньшей мере одной переменной состава. Модель можно рассматривать как эмпирическую модель установки синтеза карбамида. Другие методы, такие как корреляционный анализ или многомерная калибровка, также возможны для получения стационарной модели. Понятно, что статистический анализ может также включать алгоритм машинного обучения, такой как алгоритм нейронной сети (обучения).

Опционально, процесс производства карбамида представляет собой процесс отгонки СО₂ из карбамида компании Stamicarbon, процесс самоотгонки фирмы Snamprogetti, процесс Saipem, или процесс отгонки СО₂ и/или процесс термической отгонки, такой как процесс двойной изобарной рециркуляции.

Модель может использовать ряд переменных процесса (см. параметры процесса синтеза карбамида), которые влияют на отношение N/C. Отношение N/C можно предвычислить, не дожидаясь лабораторного анализа, чтобы можно было улучшить управление установкой с использованием модели и измеренных значений заданных переменных процесса, которые предоставляются в качестве входных данных для модели. Чтобы создать математическую модель вычисления для переменной состава (например, отношения N/C), можно выполнить следующие шаги:

1. Подбирают точки измерения переменных процесса (тегов/параметров установки синтеза карбамида), которые потенциально могут быть полезны для получения информации о выбранной переменной состава, предпочтительно - об отношении N/C. Опционально, заданные переменные процесса (теги) выбирают так, чтобы они были надежными и располагались достаточно близко к реактору, чтобы динамика и/или задержки процесса имели ограниченное влияние на измерения. Например, для детектирования можно выбрать двадцать пять переменных процесса.

2. Получают временную последовательность фактической установки производства карбамида за первый период времени (например, за множество месяцев) для всех выбранных (например, для двадцати пяти тегов переменных процесса). Эти результаты могут быть сведены к образцам, например, средних значений за один час. Опционально, можно не принимать во внимание образцы переменных процесса, демонстрирующие слишком большое изменение в течение этого часа. Таким образом, для построения прогностической математической модели можно использовать данные, относящиеся только к стабильной работе установки. Дополнительно или альтернативно, можно не принимать во внимание нехарактерную работу, такую как очень низкая производительность.

3. Опционально, выбирают перспективные переменные процесса из общего/исходного числа переменных процесса. Например, для начала можно выбрать шесть из двадцати пяти переменных процесса.

4. Применяют метод ортогональных частичных наименьших квадратов (или подобный) для нахождения надежного набора коэффициентов (а, b, с, …) для полного или текущего выбранного набора переменных процесса.

Кроме того, опционально, может применяться такой алгоритм, как имитация нормализации, чтобы найти набор переменных процесса (например, набор из шести элементов), который дает модель наилучшего качества. С этой целью текущий набор переменных процесса может быть изменен случайным образом для оценки качества (путем создания модели, как на шаге 4). Затем модификация может быть принята или отклонена с вероятностью, зависящей от того, насколько она улучшила качество модели (более высокая вероятность) или ухудшила качество модели (более низкая вероятность). Качество можно оценить с помощью коэффициента детерминации, а именно - значения R², которое должно быть достаточно близко к сумме квадратов ошибок прогноза, а именно - к значению Q², в результате использования достаточного числа выборок данных.

Таким образом, в результате вышеуказанного алгоритма выбирают (ограниченное число по сравнению с общим количеством) переменные процесса установки производства карбамида для использования с моделью для расчета переменной состава, предпочтительно - отношения N/C.

Преимущественно, модель может быть математической линейной стационарной моделью, имеющей множество коэффициентов, связанных с множеством переменных процесса.

В одном из примерных вариантов осуществления модель задается следующим уравнением:

Отношение N/C = а × расход пара первого стриппера NH₃ + b × температура раствора карбамида из реактора + с × температура на выходе газа из второго стриппера NH₃ + d × температура подачи NH₃ +е × температура в середине реактора + f × температура в верхней части реактора.

Здесь а, b, с, d, е и f - числовые коэффициенты. Эти коэффициенты, модель уравнения и параметры процесса могут относится к конкретной установке и могут зависеть от характеристик установки.

Таким образом, установкой синтеза/производства карбамида можно управлять, используя новые измеренные значения выбранных переменных процесса (введенных в уравнение) для оценки отношения N/C. Исходя из этого, некоторые параметры производственного процесса можно изменять, чтобы влиять на переменные процесса так, чтобы контролировать отношение N/C. Например, если отношение N/C повышается, то подачу NH₃ в установку производства карбамида можно снизить, и наоборот.

В соответствии с еще одним аспектом, изобретение обеспечивает способ получения модели для управления по меньшей мере одной переменной состава в процессе производства карбамида, включающий в себя следующие шаги: в течение первого периода времени в ходе процесса производства карбамида получают множество данных онлайн-измерений, относящихся к множеству заданных переменных процесса, с помощью множества датчиков, размещенных на установке синтеза карбамида, причем множество заданных переменных процесса содержит по меньшей мере одно из группы, состоящей из расхода, уровня жидкости, температуры и давления; в различные моменты времени в пределах первого периода времени получают множество данных офлайн-измерений по меньшей мере одной переменной состава; и обрабатывают множество данных онлайн- и офлайн-измерений и выполняют статистический анализ для идентификации модели для вычисления по меньшей мере одной переменной состава на основе множества заданных переменных процесса.

Модель может быть использована для управления процессом производства карбамида. Опционально, способ дополнительно включает в себя выполнение имитационной нормализации для идентификации выбора переменных процесса, используемых с моделью, причем имитационная нормализация включает в себя определение множества наборов переменных процесса с различными комбинациями переменных процесса и, для каждого из множества наборов переменных процесса, оценку качества вычисления по меньшей мере одной переменной состава, при этом для использования с моделью выбирают набор переменных процесса, обеспечивающий наивысшее качество вычисления по меньшей мере одной переменной состава. Модель может быть разной для разных установок синтеза карбамида.

Опционально, установленная модель дополнительно улучшается за счет учета дополнительных данных за дополнительный период времени.

В соответствии с еще одним аспектом изобретение относится к системе, включающей в себя контроллер, выполненный с возможностью управления по меньшей мере одной переменной состава в процессе производства карбамида на основе множества переменных процесса, измеряемых в режиме онлайн, и модели, причем контроллер выполнен с возможностью использования, в ходе процесса производства карбамида, модели для оценки по меньшей мере одной переменной состава, характеризующей содержание карбамида, на основе множества измеряемых в режиме онлайн переменных процесса, чтобы гарантировать, что значение по меньшей мере одной переменной состава находится в пределах заданного диапазона, при этом модель может быть получена следующим путем: в течение первого периода времени в ходе процесса производства карбамида получают множество данных онлайн-измерений, относящихся к множеству заданных переменных процесса, с помощью множества датчиков, расположенных на установке синтеза карбамида, причем множество заданных переменных процесса включает в себя по меньшей мере одно из группы, состоящей из расхода, температуры, уровня жидкости и давления; в различные моменты времени в пределах первого периода времени получают множество данных офлайн-измерений по меньшей мере одной переменной состава; и обрабатывают множества данных онлайн- и офлайн-измерений и выполняют статистический анализ для идентификации модели для вычисления по меньшей мере одной переменной состава на основе множества заданных переменных процесса.

Определение отношения N/C в установке синтеза карбамида может быть выполнено в режиме офлайн посредством лабораторных тестов/экспериментов. Это часто бывает медленным анализом, так что обратная связь является слишком медленной, чтобы можно было управлять процессом производства карбамида в реальном времени. При использовании модели больше не требуется устанавливать дорогостоящие инструменты для онлайн-измерения отношения N/C.

Часто процесс производства карбамида уже включает в себя датчики для измерения данных, относящихся к множеству различных переменных процесса (например, расходу подаваемого СО₂, расходу воздуха на стриппер, давлению подачи NH₃, температурам и т.д.). Эти данные теперь можно использовать вместе с одной или более измеряемыми в режиме офлайн переменными состава (например, отношением N/C) для определения прогностической модели. Прогностическая модель может быть определена на основе статистического анализа, например, включая выполнение анализа главных компонент.

В течение первого периода времени можно измерить множество различных переменных процесса, а также в течение этого первого периода времени можно выполнить в режиме офлайн лабораторное испытание для измерения состава раствора карбамида и вычисления отношения N/C. Затем данные онлайн-измерений переменных процесса можно сопоставить с отношением N/C для определения модели. Посредством анализа, такого как анализ главных компонент, можно определить, какие из переменных процесса лучше всего коррелируют с вычисленным отношением N/C. Модель может обеспечивать уравнение для вычисления переменной состава (например, отношения N/C).

Измеряемые в режиме онлайн переменные процесса (например, температура, расход, давление и т.д.) можно очень легко измерить. Опционально, определяют влияние переменных процесса на переменную состава, чтобы выбрать только выбранный набор переменных процесса, которые сильно коррелируют с отношением N/C. Таким образом, сложность модели можно уменьшить, обеспечивая при этом точные вычисления N/C. Как правило, измерение переменных процесса является недорогим. Модель можно рассматривать как откалиброванную модель, так что значение N/C можно точно оценить для конкретного процесса производства карбамида, используя текущие значения (выбранных) переменных процесса в качестве входных данных для модели.

В соответствии с еще одним аспектом, изобретение относится к системе для получения модели для управления по меньшей мере одной переменной состава в процессе производства карбамида, при этом система содержит контроллер, выполненный с возможностью осуществления следующих шагов: в течение первого период времени в ходе процесса производства карбамида получают множество данных онлайн-измерений, относящихся к множеству заданных переменных процесса, с помощью множества датчиков, размещенных на установке синтеза карбамида, причем множество заданных переменных процесса содержит по меньшей мере одно из группы, состоящей из расхода, уровня жидкости, температуры и давления; в различные моменты времени в пределах первого периода времени получают множества данных офлайн-измерений по меньшей мере одной переменной состава; и обрабатывают множество данных онлайн- и офлайн-измерений и выполняют статистический анализ для идентификации модели для вычисления по меньшей мере одной переменной состава на основе множества заданных переменных процесса.

Согласно еще одному аспекту, изобретение относится к компьютерной системе, содержащей процессор, память, связанную с процессором, причем память хранит программу, которая, при исполнении процессором, обеспечивает выполнение процессором способа согласно изобретению.

Согласно еще одному аспекту, изобретение относится к энергонезависимому машиночитаемому носителю, хранящему программу, которая, при исполнении процессором, обеспечивает выполнение процессором способа согласно изобретению.

Следует учесть, что любые аспекты, признаки и варианты, раскрытые применительно к способам, в равной степени применимы к системам и описанной компьютерной системе. Также понятно, что можно комбинировать любой один или более из вышеупомянутых аспектов, признаков и вариантов.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Далее изобретение объяснено на основе примерных вариантов его осуществления, которые представлены на чертежах. Примерные варианты осуществления даны в качестве неограничивающей иллюстрации. Следует отметить, что фигуры представляют собой схематические представления вариантов осуществления изобретения, которые приведены в качестве неограничивающего примера.

На чертежах:

на фиг. 1a-1d показаны схемы вариантов осуществления установок синтеза карбамида;

на фиг. 2a-2d показаны схемы других вариантов осуществления установок синтеза карбамида;

на фиг. 3 показана схема варианта осуществления корреляционной матрицы модели;

на фиг. 4 показан график сравнения прогнозированных данных модели с данными офлайн-измерений;

на фиг. 5 показан другой график сравнения прогнозированных данных модели с данными офлайн- измерений;

на фиг. 6 показан другой график сравнения прогнозированных данных модели с данными офлайн-измерений;

на фиг. 7 показан временной график с онлайн- и офлайн-измерениями;

на фиг. 8 показана блок-схема способа;

и на фиг. 9 показана другая блок-схема способа.

ПОДРОБНОЕ РАСКРЫТИЕ ИЗОБРЕТЕНИЯ

На фиг. 1а показана схема примера установки 100 синтеза карбамида. Пример на фиг. 1а относится к установке 100, представляющей собой традиционную установку синтеза карбамида. В этом примере установка 100 включает в себя компрессор 20 СО₂, аммиачный насос 34 высокого давления, реактор 22 карбамида, декомпозер 27b среднего давления, колонну 37 разделения аммиака и карбамата, декомпозер 27 с низкого давления, испарительную секцию 30, секцию 49 финальной обработки (на схеме показана секция приллирования, но, альтернативно, могут быть установлены другие секции финальной обработки, такие как секция гранулирования, секция сферодайзера, секция кристаллизации, смешивание с раствором нитрата аммония для получения жидкой карбамидо-аммиачной смеси), очиститель 50 сточных вод (на схеме показан десорбер 50 (стриппер сточных вод), но качестве альтернативы может быть установлена секция, включающая в себя гидролизатор для удаления следов карбамида из воды) и секцию 31 вакуумной конденсации.

На фиг. 1b показана схема альтернативного примера установки 100 синтеза карбамида. Пример на фиг. 1b относится к установке 100, реализующей процесс Stamicarbon получения карбамида с отгонкой СО₂. В этом примере установка 100 включает в себя компрессор 20 СО₂, реактор 21 удаления водорода, реактор 22 карбамида, стриппер 23 высокого давления, конденсатор 24 карбамата высокого давления (альтернативно, конденсатор карбамата высокого давления может быть конденсатором с падающей пленкой, как на схеме, или конденсатором бассейнового типа), скруббер 25 высокого давления, эжектор (XX) карбамата высокого давления, абсорбер низкого давления 26, декомпозер и ректификатор 27 низкого давления, предварительный испаритель 28, конденсатор 29 карбамата низкого давления, секцию 30 испарения (альтернативно образуемую одним или двумя испарителями, в зависимости от того, является ли секция финальной обработки секцией приллирования, секцией гранулирования, секцией сферодайзера, секцией кристаллизации или секцией КАС (карбамидно-аммиачной смеси)), секцию 31 вакуумной конденсации и секцию 32 обработки технологического конденсата. На фиг. 1b «ОВ» обозначает охлаждающую воду, а «ООВ» обозначает охлажденную охлаждающую воду.

На фиг. 1 с показана схема альтернативного примера установки 100 синтеза карбамида. Пример на фиг. 1 с относится к установке 100, реализующей процесс самоотгонки Snamprogetti. В этом примере установка 100 включает в себя компрессор 20 СО₂, реактор 22 карбамида, эжектор 33 высокого давления, аммиачный насос 34 высокого давления, сепаратор 35 карбамата, конденсатор 24 карбамата высокого давления, насос 36 карбамата высокого давления, стриппер 23 высокого давления, декомпозер и ректификатор 27а среднего давления, колонну 37 разделения аммиака и карбамата, конденсатор 38 аммиака, приемник 39 аммиака, аммиачный насос 40 низкого давления, аммиачный скруббер 41, декомпозер и ректификатор 27 низкого давления, конденсатор 29 карбамата низкого давления, приемник 42 карбамата низкого давления, скруббер 43 отходящих газов низкого давления, первый испарительный нагреватель 44, первый испарительный сепаратор 45, второй испарительный нагреватель 46, второй испарительный сепаратор 47, секцию 48 очистки сточных вод и секция 31 вакуумной конденсации. На фиг. 1 с «ОВ» обозначает охлаждающую воду.

Процесс синтеза карбамида, выполняемый в установках 100, изображенных на фиг. 1а, 1b, 1с и 1d, хорошо известен специалистам в данной области и не требует дополнительных разъяснений в рамках настоящего описания.

На фиг. 1d показана схема альтернативного примера установки 100 синтеза карбамида. Установка 100 синтеза карбамида может, например, представлять собой процесс изобарного двойного рецикла (IDR, isobaric double recycle), который может быть особо комплексным. В этом примере установка 100 включает в себя реактор 22 карбамида, термостриппер 23а, стриппер 23b СО ₂, конденсатор 24 карбамата, сепаратор карбамата 35.

Нарушения в проводимом процессе обычно приводят к изменениям состава в части процесса синтеза, причем эти изменения важно нивелировать посредством активного регулирования, чтобы стабилизировать управление процессом синтеза карбамида при оптимальных или почти оптимальных условиях.

Состав потоков в процессе синтеза в основном характеризуется содержанием СО₂, NH₃, Н₂О и карбамида в реакторе 22. В целях удобства, отношение N/C определяют как отношение общего эквивалента NH₃ к общему эквиваленту СО₂, а отношение Н/С как отношение общего эквивалента Н₂О к общему эквиваленту СО₂. Содержание карбамида может быть выражено в виде массовой доли или степени завершенности реакции, то есть в виде соотношения между карбамидом и общим СО₂. Эти показатели состава непосредственно не измеряются, поскольку затраты, связанные с непосредственным измерением этих переменных состава (например, с помощью специального узла измерения) как правило очень высоки. Также может возникнуть проблема с интеграцией таких узлов в существующие установки.

Онлайн-измерения расходов, температур, уровней и давлений могут быть проанализированы с помощью статистических методов для оценки неизвестных составов или переменных состава. Вычисленные переменные состава, такие как отношения N/C, можно соотнести с потреблением энергии установкой. Комбинирование физического моделирования со статистическим анализом может обеспечить модель, которая еще не достаточно устойчива, чтобы учитывать неопределенности измерения.

Более того, как СО₂, так и части NH₃ могут попадать в реактор 22 не напрямую, а, например, через стриппер 23 (23а, 23b) и/или конденсатор 24 карбамата. Кроме того, в реактор могут возвращаться пары от термической отгонки продуктов реакции. В этом случае создание физической модели может оказаться затруднительным, и она может не обеспечить достаточно точных результатов для создания прогностической модели работы стриппера. С другой стороны, часто в установках получения карбамида образцы для лабораторных анализов продуктов реакции берутся регулярно, например ежедневно. Следовательно, на практике доступно достаточно данных об установке. Этот факт позволяет собрать разумный объем данных об установке в качестве основы для статистической/эмпирической модели.

На фиг. 1а, 1b, 1с и 1d приведен обзор процессов производства карбамида в установке 100 синтеза карбамида. Однако понятно, что способ и система согласно изобретению могут использоваться и с другими типами установок синтеза карбамида.

Как для эмпирической модели, так и для физической модели важную роль играет объем знаний о системе. Слишком узкий объем не охватывает достаточно характеристик процесса в качестве основы для надежной модели, обеспечивающей точные оценки или вычисления переменной состава. Слишком широкий объем содержит больше шума и динамики процесса, но также требует большего числа независимых переменных, то есть степеней свободы, для определения подходящей модели.

На фиг. 2а, 2b, 2с и 2d показаны схемы примеров установки 100 синтеза карбамида. На этом чертеже для примерной установки 100 синтеза карбамида представлены потенциально подходящие приборы/датчики для обеспечения измерения параметров процесса в режиме онлайн. Следует понимать, что также можно использовать другие типы установок 100 синтеза карбамида. Датчики могут обеспечивать онлайн-измерения. В таблице ниже описаны теги, связанные с датчиками.

Анализ данных может быть выполнен на основе полученных лабораторных данных, относящихся к измеренной в режиме офлайн по меньшей мере одной переменной состава. Лабораторные данные могут быть получены, например, в формате, содержащем отметку времени и молярную концентрацию NH₃, СО₂, карбамида и/или Н₂О. Например, пробы могут быть взяты в момент времени в интервале приблизительно 30 минут от заявленного времени отбора проб.

Онлайн-измерения множества переменных процесса посредством датчиков могут быть получены как исходные данные на основе событий, имеющие относительно высокое разрешение по времени, например до одной пробы в секунду (т.е. 1 Гц). Также могут использоваться другие частоты дискретизации. Данные можно усреднить, например, по заданному времени, интервалам, например перед сохранением. Данные могут, например, усредняться по пятиминутным интервалам. Онлайн-данные могут быть получены за период времени (например, двухчасовой период) в пределах номинального времени анализа пробы (например, от -90 минут до +30 минут). Для каждого офлайн-измерения или пробы лабораторного анализа данные могут быть отклонены, если

a. лабораторный анализ не дает в сумме значений от 97 до 103%;

b. онлайн-данные указывают на ненормальную работу;

и/или с. изменение онлайн-данных указывает на преобладающее переходное состояние.

В результате может быть получен набор данных: проверенных: образцов, содержащий как оффлайн-измерения (т.е. лабораторные измерения), так и, например, усредненные, онлайн-измерения (здесь онлайн-данные).

Вышеуказанные шаги могут выполняться по мере необходимости. Могут быть добавлены дополнительные шаги, или некоторые шаги могут быть опущены. Многие из приведенных примерных шагов можно рассматривать как опциональные.

На следующем шаге исходные значения лабораторного анализа офлайн-измерений могут быть преобразованы в требующиеся и независимые алгебраические молярные отношения N/C, Н/С и X, которые здесь определены как

Лабораторные анализы дают массовые доли w_i, которые преобразуются в мольные доли x_i с использованием молекулярных масс M_i с помощью

Кроме того, вводится массовый коэффициент подачи FR, связывающий общее количество подаваемого NH₃ с общим количеством подаваемого СО₂:

На фиг. 3 показана схема варианта осуществления корреляционной матрицы модели. В этом примере в набор данных введена категориальная переменная РУ, определенная как ноль для всех выборок до определенной даты и как единица для всех выборок после этой даты, чтобы учесть существенные изменения в условиях работы, которые реализованы на эту определенную дату. На фиг.3 показана матрица коэффициентов корреляции для полученного набора данных, в которой заголовки столбцов идентичны заголовкам строк. Корреляционная матрица включает в себя мольные отношения из лабораторного анализа (см. строки 0-2 матрицы), онлайн-измерений (см. строки 3-30 матрицы) и производные переменные FR (см. строку 31 матрицы) и РУ (см. строку 32 матрицы). Коэффициенты корреляции (corr) отображаются в виде целых чисел, т.е. floor(10 corr) (floor - округление до ближайшего целого), например, +2 означает положительную корреляцию между 0,20 и 0,29. Все коэффициенты с абсолютным значением менее 0,2 в этом примере опущены.

В этом примере отношение N/C хорошо коррелирует с температурами реактора (см. строки 12-20, обведенные в матрице). Более того, здесь обнаружено, что важной переменной является падение давления на клапане между реактором и стриппером (см. строки 28-30, обведенные в матрице), поскольку оно косвенно измеряет плотность содержимого реактора. Из-за естественной циркуляции с общим напором и плотностью в качестве движущей силы, уровень жидкости и перепад давления связаны через расход, который первично задается другими ограничениями процесса.

Изменение рабочих условий (РУ) показывает, что были значительно изменены многие параметры процесса, такие как давление синтеза, расход рециркуляции карбамата и расход пара в стриппер СО₂. Содержание анализируемого карбамида также значительно увеличилось.

Наиболее прогностическая линейная модель получается путем подбора вектора p параметров и постоянного смещения р₀ для минимизации невязок уравнения:

для всех выборок i. Здесь x_i - это полный набор доступных онлайн-измерений заданных переменных процесса, начиная с индекса 3 до 27 в примерной матрице корреляции, см. фиг. 3. В этом примере полученная модель учитывает 78% наблюдаемой дисперсии N/C. С исходными онлайн-данными это можно рассматривать как теоретический предел. Оставшиеся 22% дисперсии не коррелируют ни с одной из наблюдаемых переменных процесса, и основная часть этого может быть шумом измерения, погрешностями лабораторных измерений и т.п.

Чтобы понять этот предел, рассматривается дисперсия ошибки лабораторного анализа: σ2_lab. Наблюдаемое значение R² (=0,78) определяется на основе дисперсии как

Даже с идеальной моделью, т.е. (N/C)_calc=(N/C)_true, ограничивающее условие может быть задано как

Для данного примерного набора данных var[(N/C)_lab]=0,0094, следовательно, σ_lab<0,045.

Ошибка лабораторного анализа в отношении N/C, составляющая приблизительно 0,045, более чем удовлетворительна, поскольку она связана с ошибкой в анализе отдельных видов, составляющей приблизительно 0,5%.

Следовательно, для данного примерного набора данных нельзя ожидать, что установленная модель достигнет значения R², превышающего 0,78, и это значение из-за ограниченного количества выборок будет включать в себя ложные корреляции между ошибкой офлайн-измерений (т.е. лабораторных измерений) и онлайн-измерением переменных процесса.

Кроме того, при использовании всех доступных онлайн- и офлайн-измерений регрессионная модель может оказаться неустойчивой к ошибкам измерения и шуму процесса. Например, тег Р1 переменной процесса получает коэффициент 0,8, следовательно, реальное изменение давления приблизительно на 0,5 бар приведет к крайним оценкам прогнозирования отношений N/C, составляющим приблизительно 0,4.

Преимущественно, общий набор независимых: переменных может быть сокращен до тех, которые действительно коррелируют с отношением N/C. Согласно фиг. 3, это, например, реакторные температуры и расход пара на термостриппер 22. Реакторные температуры могут сильно коррелировать друг с другом. Включение всех реакторных температур в качестве независимых переменных может вызвать те же проблемы, что описаны выше. Следующее уравнение представляет собой удовлетворительную модель стремя независимыми переменными:

Однако модель в этом примере объясняет только 44% фактической дисперсии N/C (R²=0,44). Результаты этого подхода можно улучшить путем включения измерений уровня и падения давления. Однако, как правило, при заданном наборе онлайн-измерений переменных процесса можно найти компромисс между устойчивостью и прогностическими свойствами.

В одном из предпочтительных вариантов реализации, для идентификации модели реализовано ограничение по установившемуся состоянию. Однако, альтернативно, динамическая модель может быть установлена на основе экспериментов отклика или на основе надежного физического моделирования динамики процесса. Подход с пошаговым тестированием может потребовать частого отбора проб жидкости синтеза (см. переменную состава) посредством офлайн-измерений, которые необходимо анализировать в лаборатории. При использовании стационарного подхода частый отбор проб может не потребоваться.

С помощью физического моделирования можно было бы оценить постоянные времени, чтобы добавить информацию о динамике к модели стационарного усиления, полученной с помощью регрессии данных. То есть, узнавая влияние при стационарном состоянии измеренной переменной процесса на отношение N/C посредством анализа данных стационарного состояния, физическая модель должна обеспечить информацию о переходных процессах. Такая модель может быть реализована либо с помощью, например, фильтра состояний (фильтр Калмана), либо в виде отдельных задержек измерений с использованием модели квазистационарного состояния.

Стационарная модель может быть эффективной по времени, и ее легче получить, чем динамическую модель. Это особенно выгодно, поскольку установка производства карбамида может включать в себя множество рециркуляционных потоков и, следовательно, очень комплексную динамику процесса. Может быть обеспечена прогностическая модель стационарного состояния, которая не испытывает проблем от негативного воздействия переходных процессов (которые могут усиливаться) на вычисления по меньшей мере одной переменной состава, такой как, например, отношения N/C.

Когда прогнозируемое стационарное состояние реализовано в распределенной системе управления DCS (distributed control system), также может быть реализован детектор стационарного состояния, который может быть выполнен с возможностью вычисления стандартного отклонения ключевых измерений в течение временного интервала движения в реальном времени. Если это стандартное отклонение превышает некоторый порог, определенный для каждой входной переменной, вычисленные значения отношения N/C могут быть помечены или не приняты во внимание, так как эти значения могут быть неточными (т.е. ограниченное использование предоставленных значений).

Для получения модели можно использовать моделирование методом частичных наименьших квадратов. Как показано выше, выбор лишь нескольких независимых переменных может привести к значительному снижению R², в то время как использование всех измерений может дать модель, которая слишком чувствительна к возмущениям. В предпочтительном подходе не все выбранные переменные процесса рассматриваются как независимые переменные. Например, может быть целесообразным использовать много онлайн-тегов для переменных процесса (см. таблицу выше), но не обрабатывать каждый из онлайн-тегов независимо. Например, как уже указано в приведенном выше уравнении, можно использовать среднюю температуру.

Системный подход может быть обеспечен с помощью метода (ортогональных) частичных наименьших квадратов (OPLS). Метод OPLS преобразует заданные входные переменные, чтобы максимизировать корреляцию с выходной переменной (N/C). Таким образом, в модель могут быть включены только наиболее коррелированные преобразованные входные переменные. Параметр порядка к может определять, сколько из этих, так называемых, направлений должно быть включено в модель. Следовательно, метод OPLS может помочь в получении прогностической модель без риска чрезмерной параметризации.

Поскольку для процесса производства карбамида, такого как, например, представленный на фиг. 2d, между доступными онлайн-измерениями может быть сильная корреляция, набор входных переменных процесса может быть резко сокращен без значительной потери качества вычисления модели. Таким образом, дополнительно или альтернативно, может быть улучшена устойчивость модели к сбоям сигналов измерения переменных процесса.

Метод OPLS может быть использован для определения начального порядка модели, необходимого для фиксации значимой корреляции между измеряемыми в режиме онлайн переменными процесса (см. онлайн-измерения) и измеряемой (измеряемыми) в режиме офлайн переменной (переменными) состава (см. лабораторный анализ отношения N/C). Впоследствии можно последовательно снимать по одному датчику, выбранному по его минимальному негативному влиянию на качество модели. Подбор данных OPLS можно повторять на каждом шаге. Это дает представление о качестве модели, доступной для ограниченного числа задействованных датчиков.

Наконец, можно выполнить регрессивную последовательность Монте-Карло (непосредственный отбор) для любой комбинации датчиков, чтобы найти максимальное значение R² для модели с ограниченным количеством используемых датчиков. Также могут использоваться другие аналогичные методы. Из-за сильной корреляции онлайн-измерений видно, что несколько различных наборов датчиков дают очень схожие результаты.

В следующей таблице приведены коэффициенты четырех примерных моделей, полученные путем применения OPLS с k=4 κ 8-ми случайным наборам измерений в качестве входных данных для регрессии Монте-Карло с 10⁵ итерациями в каждой.

Все эти модели имеют одинаковое качество, т.е. в пределах 70,6% ≤ R² ≤ 70,7%. Таблица содержит четыре наилучшие модели для примерной установки 100 производства карбамида. Можно видеть, что все модели имеют аналогичные прогностические свойства.

На фиг. 4 (а), (b) показан график сравнения прогнозированных данных модели с данными офлайн-измерений. На фиг. 4(a) показано, что четыре разные альтернативные модели, использующие данные онлайн-измерений за первый период времени, дают аналогичные прогнозные данные, очень схожие с офлайн-измерениями (лабораторные анализы N/C).

При необходимости полученная модель может быть проверена и/или улучшена. Чтобы проверить и/или улучшить идентифицированную модель (модели), от установки может быть получен второй набор данных, охватывающий второй период времени. Выбранный набор переменных процесса для построения модели может быть ограничен наиболее перспективными вариантами входных переменных. Периоды с доступными данными в отношении данных офлайн-измерений (значения лабораторного анализа) могут быть объединены для получения нового набора данных. Обратимся к фиг. 4(b). В этом примере из-за технических проблем данные о расходе подачи СО₂ были недоступны в некоторые периоды, при этом невозможно было сделать вычисления в течение этих временных интервалов, поскольку все установленные модели опираются на эту переменную процесса. Хотя модель все еще прогнозирует общие тенденции, наблюдается явное ухудшение, видимое как отклонение в сторону более высоких вычислений N/C. Тем не менее, вычисления всех четырех моделей остаются очень схожими.

Наблюдаемое отклонение (как, например, показано на фиг. 4(a), (b)) может быть, например, вызвано:

(a) чрезмерной параметризацией моделей,

(b) изменениями в процессе получения карбамида

(c) значительными изменениями в работе, вызывающими нелинейные воздействия,

и/или (d) использованием рычагов управления, которые не использовались в равной степени в период калибровки.

Вариант (а) довольно маловероятен, поскольку используются только четыре главных компоненты, а множество различных моделей (в зависимости от набора выбранных входных переменных) дают очень схожие результаты. Вариант (b) нельзя исключать, но подобные изменения процесса обычно являются менее динамичными. Могут применяться оба варианта (с) и (d), что не в последнюю очередь вызвано значительными изменениями окружающих условий, особенно во второй половине периода калибровки. Мерами по смягчению последствий для обоих последних случаев является улучшение модели путем включения новых выборок данных в калибровку. В данных этого примера с даты начала второго периода времени было реализовано несколько рабочих изменений.

На фиг. 4(b) показан график сравнения прогнозированных данных модели с данными офлайн-измерений. На этом рисунке представлена проверка модели с использованием более свежих данных.

На основе полного набора данных можно провести ремоделирование. Более широкая база данных дает модель, более устойчивую к аналогичным воздействиям в будущем, гипотеза, которая, естественно, должна подтверждаться с течением времени. Чтобы получить новые модели, можно использовать другой подход, нежели (только) максимизация значения R². Из-за отсутствия данных калибровки приоритет может быть отдан вычислениям новых данных, что не гарантируется простым увеличением R². Статистическим инструментом для количественной оценки этого свойства является вычисление Q², определяемое следующим образом:

1. Для всех выборок (i) в наборе данных:

a. Исключить выборку (i) и генерировать модель, используя все оставшиеся образцы в наборе данных, в данном случае - используя метод ортогональных частичных наименьших квадратов.

b. Добавить отклонение i-й выборки (y_i,calc - y_i,meas)² к сумме, обозначенной PRESS.

с. добавить отклонение i-й выборки к среднему значению (y_i,meas - y_mean)² к сумме, обозначенной TSS.

2. Вычислить Q²=1 - PRESS / TSS, где TSS=общая сумма квадратов.

Для чрезмерно параметризованных моделей Q² быстро уменьшается и даже становится отрицательным, то есть модель становится хуже, чем утверждение, что N/C постоянна при ее среднем значении. Максимизация Q² дает уверенность в прогностических свойствах модели, но требует больших затрат для расчета, а метод Монте-Карло для поиска наилучшего набора переменных обработки (см. теги) может больше не давать оптимального решения за разумное время расчета. Опционально, можно применить оптимизирующий метод имитационной нормализации для идентификации оптимального набора тегов.

Используя шесть входных переменных обработки (см. теги), наибольшее значение Q² для модели можно получить, например, посредством четырех главных компонент. Операционные изменения, реализованные во втором наборе данных, способствуют использованию другого набора входных переменных. В следующей таблице показаны коэффициенты предпочтительной модели для примерного варианта осуществления установки 100 производства карбамида по фиг. 2d.

Примерная модель 5 выполнена с возможностью вычисления отношения N/C на основе полного набора данных.

Ясно, что обнаруженная модель 5 имеет значение Q², очень близкое к R², что означает, что модель будет выполнять вычисления так же хорошо, как и описание данных калибровки, если процесс и/или его работа существенно не изменятся. Это ожидаемо, поскольку модель является эмпирической.

На фиг. 5 показан график сравнения прогнозированных данных модели с данными офлайн-измерений. График предназначен для идентифицированной прогностической модели 5 для первого набора данных (фиг. 5(a)) и второго набора данных (фиг. 5(b)). Как показано на фиг. 5(a), идентифицированная модель дает очень схожие вычисления по сравнению с ранее разработанными моделями для первого набора данных первого периода времени. На фиг. 5(b) показано такое же сравнение для второго набора данных, это - второй период времени. Здесь окончательной модели удается устранить смещение, которое наблюдалось при использовании исходных моделей.

На фиг. 6 показан график сравнения прогнозированных данных модели с данными офлайн-измерений, в частности, значений отношения N/C в качестве переменной состава. На этом рисунке соответствие модели визуализировано в виде непосредственного графика сравнения, на котором нет значительных признаков отклонения от линейной зависимости.

Опционально, идентифицированные (эмпирические) модели могут быть расширены дополнительным набором данных, например, с исходных данных за три месяца до данных за шесть месяцев. Настоятельно рекомендуется проводить дальнейший мониторинг и проверку лабораторных данных. Определенная модель может быть оптимальной с точки зрения прогностических свойств с учетом набора имеющихся данных. Ухудшение модели все еще может произойти, например, при изменении условий окружающей среды (ближе к лету) или рабочих изменений. Вследствие работ по модернизации может потребоваться повторная калибровка модели.

Такая повторная калибровка может быть выполнена вручную или может быть, по меньшей мере - частично, автоматизирована. Такая автоматизация может быть достигнута с помощью компьютерного программного продукта, выполненного с возможностью считывания данных установки (либо непосредственно с установки, либо через файлы данных) и выполнения необходимых шагов для генерирования нового набора коэффициентов для модели. Компьютерный программный продукт может быть выполнен с возможностью поддержки (файловой) базы данных исторических данных, которые можно повторно использовать в процессе калибровки и проверки.

Кроме того, концепция вычисления N/C на основе модели может быть расширена до вычисления на основе модели других переменных состава, таких как, например, отношение Н/С и/или степень завершенности реакции. Преимущество отношения N/C в качестве выбранной переменной состава состоит в том, что его довольно легко предвычислить на основе измеренных в режиме онлайн данных переменных процесса.

Способ и система, с физическим моделированием или без него, в значительной степени помогают оптимизировать производство карбамида на установках производства карбамида.

На фиг. 7 показан временной график 200 с онлайн-измерениями 201 и офлайн-измерениями 202. В этом примере множество онлайн-измерений 201 выполняется на последующих временных шагах или временных точках. Кроме того, множество автономных офлайн-измерений 202 выполняется на последующих временных шагах. Модель может быть построена на основе данных измерений, полученных в первый период 203 времени. Понятно, что также может использоваться другой период времени, например, включающий в себя другие временные рамки и/или другие данные. Также предусмотрено, что в течение периода 203 времени конкретные данные онлайн- и/или офлайн-измерений не принимаются во внимание для идентификации модели. Например, данные измерений на определенных временных шагах могут быть опущены (например, резко отклоняющиеся значения).

Измеряемые в режиме онлайн переменные процесса могут быть отобраны через регулярные промежутки времени. Временной интервал между последующими офлайн-измерениями обычно больше по сравнению с временным интервалом между измеряемыми в режиме онлайн переменными процесса. Это может быть, например, связано с тем, что измерения переменных процесса в режиме онлайн получить довольно легко по сравнению с офлайн-измерениями по меньшей мере одной переменной состава (включая лабораторные испытания).

Множество данных 202 офлайн-измерений может быть получено путем отбора по меньшей мере одной переменной состава в разные моменты времени. Результаты офлайн-измерений могут быть получены для временного шага, на котором была взята в режиме офлайн проба для определения по меньшей мере одной переменной состава. Однако результаты офлайн-измерений, например, получаемые с помощью лабораторных тестов, могут быть получены позже. Лабораторные тесты могут занять, например, несколько часов, в то время как онлайн-измерения могут выполняться часто или в режиме реального времени (или квазиреального времени).

На фиг. 8 показана блок-схема способа 1000 управления процессом производства карбамида на основе множества измеряемых в режиме онлайн переменных процесса и модели. На первом шаге 1001 модель используют для оценки, в ходе процесса производства карбамида, по меньшей мере одной переменной состава, характеризующей содержание карбамида, на основе множества измеряемых в режиме онлайн переменных процесса. На втором шаге 1002 по меньшей мере одну из множества переменных процесса, измеряемых в режиме онлайн, изменяют для обеспечения того, чтобы значение по меньшей мере одной переменной состава находилось в пределах заданного диапазона. Модель может быть создана путем получения, в течение первого периода времени в ходе процесса производства карбамида, множества данных онлайн-измерений, относящихся к множеству заданных переменных процесса, с помощью множества датчиков, размещенных на установке синтеза карбамида, причем множество заданных переменных процесса, содержат по меньшей мере одно из группы, включающей в себя расход, уровень жидкости, температуру и давление; получения, на разных временных шагах в пределах первого периода времени, множества данных офлайн-измерений по меньшей мере одной переменной состава; и обработки множества данных онлайн- и офлайн-измерений и выполнения статистического анализа для идентификации модели для вычисления по меньшей мере одной переменной состава на основе множества заданных переменных процесса.

На фиг. 9 показана блок-схема способа 2000 получения модели процесса производства карбамида. На первом шаге 2001, в течение первого периода времени во ходе процесса производства карбамида, множество данных онлайн-измерений, относящихся к множеству заданных переменных процесса, получают с помощью множества датчиков, размещенных на установке синтеза карбамида, причем множество заданных переменных процесса содержит по меньшей мере одно из группы, содержащей расход, уровень жидкости, температуру и давление. На втором шаге 2002, на разных временных шагах в течение первого периода времени, получают множество данных офлайн-измерений по меньшей мере одной переменной состава. На третьем шаге 2003 обрабатывают множество данных онлайн- и офлайн-измерений и выполняют статистический анализ для идентификации модели для вычисления по меньшей мере одной переменной состава на основе множества заданных переменных процесса.

Алгоритм ортогональных частичных наименьших квадратов может быть реализован различными способами. Как уже указывалось выше, данные измерений можно собирать, (пере)упорядочивать и/или понижать дискретизацию различными способами, если необходимо.

Следует понимать, что способ может включать в себя компьютерно-реализуемые шаги. Например, все вышеупомянутые шаги могут быть компьютерно-реализуемыми. Варианты осуществления могут содержать компьютерное устройство, причем процессы выполняются компьютерным устройством. Изобретение также распространяется на компьютерные программы, в частности компьютерные программы на носителе или в носителе, предназначенные для реализации изобретения на практике. Программа может быть в виде исходного или объектного кода или в любом другом виде, подходящем для использования при реализации процессов согласно изобретению. Носителем может быть любой объект или устройство, способное содержать программу. Например, носитель может включать в себя носитель данных, такой как ROM, например, полупроводниковый ROM или жесткий диск. Кроме того, носитель может быть передаваемым носителем, таким как электрический или оптический сигнал, который может передаваться по электрическому или оптическому кабелю, по радио или другим средствам, например через Интернет или облако.

Некоторые варианты осуществления могут быть реализованы, например, с использованием машины или материального машиночитаемого носителя или продукта, который может хранить инструкцию или набор инструкций, которые, если они выполняются машиной, могут обеспечить выполнение машиной способа и/или операций в соответствии с вариантами осуществления.

Различные варианты осуществления могут быть реализованы с использованием аппаратных элементов, программных элементов или их комбинации. Примеры аппаратных элементов могут включать в себя процессоры, микропроцессоры, схемы, специализированные интегральные схемы (ASIC, application specific integrated circuit), программируемые логические устройства (PLD, programmable logic device), цифровые сигнальные процессоры (DSP, digital signal processors), программируемую вентильную матрицу (FPGA, field programmable gate array), логические вентили, регистры, полупроводниковое устройство, микрочипы, чипсеты и т.д. Примеры программного обеспечения могут включать в себя программные компоненты, программы, приложения, компьютерные программы, прикладные программы, системные программы, машинные программы, программное обеспечение операционной системы, мобильные приложения, межплатформенное программное обеспечение, микропрограммное обеспечение, программные модули, программы, подпрограммы, функции, компьютерно-реализуемые способы, процедуры, программные интерфейсы, интерфейсы прикладных программ (API, application program interfaces), способы, наборы команд, вычислительный код, компьютерный код и т.д.

В настоящем документе изобретение раскрыто со ссылкой на конкретные примеры вариантов его осуществления. Однако очевидно, что в него могут быть внесены различные модификации, вариации, альтернативы и изменения без отклонения от сущности изобретения. Для ясности и краткости описания признаки раскрыты в настоящем документе как часть тех же или отдельных вариантов осуществления, однако альтернативные варианты осуществления, содержащие комбинации всех или некоторых функций, раскрытых в этих отдельных вариантах осуществления, также возможны и считаются входящими в рамки притязаний, определенные в формуле. Соответственно, описание, рисунки и примеры следует рассматривать в иллюстративном, а не в ограничительном смысле. Изобретение охватывает все альтернативы, модификации и вариации, которые находятся в пределах сущности и объема прилагаемой формулы. Кроме того, многие из описанных элементов являются функциональными объектами, которые могут быть реализованы как дискретные или распределенные компоненты или в сочетании с другими компонентами в любой подходящей комбинации и в любом подходящем месте.

В формуле изобретения любые ссылочные позиции, помещенные в круглые скобки, не должны рассматриваться как ограничение признаков. Слово «содержащий» не исключает наличия других признаков или шагов, отличных от перечисленных в формуле. Кроме того, употребление единственного числа не должно толковаться как ограничение «только один/одна/одно», а на самом деле используется для обозначения «по меньшей мере один/одна/одно» и не исключает множественности. Наконец, факт того, что некоторые признаки изложены в разных пунктах формулы, не означает невозможность эффективной комбинации этих признаков.

1. Способ виртуального детектирования для управления по меньшей мере одной переменной состава в процессе производства карбамида, основанный исключительно на множестве измеряемых в режиме онлайн переменных процесса и на модели, которую используют для оценки, в ходе процесса производства карбамида, указанной по меньшей мере одной переменной состава на основе указанного множества переменных процесса, измеряемых в режиме онлайн,

причем указанная переменная состава выбрана из группы, содержащей отношение N/C, определяемое как отношение общего эквивалента NH₃ к общему эквиваленту CO₂, отношение H/C, определяемое как отношение общего эквивалента H₂O к общему эквиваленту CO₂, и/или степень завершенности реакции или степень превращения диоксида углерода, определяемую как отношение карбамида к общему эквиваленту CO₂,

причем способ включает в себя изменение по меньшей мере одной из указанного множества переменных процесса, измеряемых в режиме онлайн, для обеспечения того, чтобы значение указанной по меньшей мере одной переменной состава было в пределах заданного диапазона,

причем модель создана путем: получения, в течение первого периода времени в ходе процесса производства карбамида, множества данных онлайн-измерений, связанных с множеством заданных переменных процесса, с помощью множества датчиков, расположенных на установке синтеза карбамида, причем множество заданных переменных процесса включает в себя по меньшей мере одно из группы, состоящей из расхода, уровня жидкости, температуры и давления;

получения, в моменты времени в пределах указанного первого периода времени, множества данных офлайн-измерений указанной по меньшей мере одной переменной состава;

и обработки указанного множества данных онлайн- и офлайн-измерений и выполнения статистического анализа для идентификации модели, причем статистический анализ содержит алгоритм для выполнения анализа главных компонент или анализа методом частичных наименьших квадратов,

причем указанная переменные процесса выбраны из группы, содержащей: расход подачи CO₂, расход CO₂ на стриппер CO₂, расход пассивирующего воздуха на реактор, расход пассивирующего воздуха на любой стриппер, расход рециркуляции карбамата на конденсатор карбамата, расход рециркуляции карбамата на скруббер высокого давления, расход пара от конденсатора карбамата, общий расход NH₃, расход NH₃ на конденсатор карбамата, расход NH₃ на эжектор карбамата, расход NH₃ на реактор, расход пара в термостриппере, расход пара на стриппер CO₂, давление пара на любом стриппере, давление синтеза в верхней части реактора, давление пара в конденсаторе карбамата, давление подачи NH₃, температуру паров на выходе из стриппера CO₂, температуру жидкости на выходе из стриппера CO₂, температуру подачи NH₃, температуру карбамата, температуру в верхней части реактора, температуру в середине реактора, температуру раствора карбамида из реактора, температуру в нижней части реактора, температуру паров на выходе из термостриппера, температуру жидкости на выходе из термостриппера, перепад давления на выходном клапане реактора карбамида, уровень жидкости в реакторе, уровень жидкости в скруббере высокого давления, уровень жидкости в сепараторе высокого давления.

2. Способ по п. 1, в котором указанное множество измеряемых в режиме онлайн переменных процесса, полученных посредством онлайн-измерений в течение второго периода времени, отличного от первого периода времени, используют в качестве входных данных для идентифицированной модели, при этом модель в качестве выходных данных обеспечивает по меньшей мере одну прогнозированную переменную состава, которая является регулируемой.

3. Способ по п. 1 или 2, в котором собранные датчиками данные онлайн-измерений сохраняют в хранилище данных, причем из хранилища данных получают сокращенный набор данных, при этом модель идентифицируют на основе сокращенного набора данных, причем модель обеспечивает корреляцию между сокращенным набором данных и указанной по меньшей мере одной переменной состава.

4. Способ по любому из предшествующих пунктов, в котором используют набор из 2-6 переменных процесса.

5. Способ по любому из предшествующих пунктов, в котором используют набор переменных процесса, включающий в себя по меньшей мере одну или более реакторных температур и расход пара на термостриппер.

6. Способ по любому из предшествующих пунктов, в котором используют набор переменных процесса, включающий в себя по меньшей мере три элемента из группы, состоящей из следующего: расход пара на первый стриппер NH₃, температура раствора карбамида из реактора, температура газа на выходе из второго стриппера NH₃, температура подачи NH₃, температура в середине реактора и температура в верхней части реактора.

7. Способ по любому из предшествующих пунктов, в котором процесс производства карбамида представляет собой процесс отгонки CO₂ и/или процесс термической отгонки, такой как процесс двойной изобарной рециркуляции.

8. Компьютерная система, содержащая процессор, память, связанную с процессором, причем память хранит программу, которая, при исполнении процессором, обеспечивает выполнение процессором способа по любому из пп. 1-7.

9. Энергонезависимый машиночитаемый носитель, хранящий программу, которая, при исполнении процессором, обеспечивает выполнение процессором способа по любому из пп. 1-7.