CN101547994A - 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 - Google Patents
用于异常情况预防的流体催化裂化器中催化剂损耗的探测 Download PDFInfo
- Publication number
- CN101547994A CN101547994A CNA2007800428811A CN200780042881A CN101547994A CN 101547994 A CN101547994 A CN 101547994A CN A2007800428811 A CNA2007800428811 A CN A2007800428811A CN 200780042881 A CN200780042881 A CN 200780042881A CN 101547994 A CN101547994 A CN 101547994A
- Authority
- CN
- China
- Prior art keywords
- cyclone
- fluid catalytic
- equipment
- differential pressure
- catalytic cracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种探测和/或预测流体催化裂化单元中的异常催化剂损耗水平的方法和***。该方法和***测量流体催化裂化器的部件,例如反应器旋风器或再生器旋风器的差压,并且在差压从基准差压显著改变时,确定异常催化剂损耗。所要求的方法和***使用计算机设备实现算法,以基于流体催化裂化单元中的监控的差压中的改变,探测或预测异常状况。
Description
本申请要求于2006年9月29日提交的美国临时专利申请No.60/848,596的权益,该申请的全部内容通过引用合并于此。
技术领域
本专利总的来说涉及在加工厂中施行诊断和维护,更具体地说,涉及以降低或预防加工厂内的异常情况的方式在加工厂内提供诊断能力。
背景技术
流体催化裂化是现代炼油厂将高分子量的油(碳氢化合物)裂化成包括液态石油气、汽油、航空燃料和柴油的较轻组分常用的过程。通常,流体催化裂化过程使用催化剂首先分解高分子量的碳氢化合物,然后使用至少一个旋风器将得到的混合物分离成可采集的副产品。所使用的催化物质然后可以被回收以注入另一反应循环。流体催化裂化过程中可能会发生的一个问题是反应器部件或再生器部件的催化剂损耗可能过高。如果不进行纠正,这种催化剂损耗可能会导致流体催化裂化器下游的后续处理单元中出现问题。
发明内容
所要求的方法和***探测和/或预测流体催化裂化单元中的异常催化剂损耗率。可以监控流体催化裂化器的部件,例如反应器旋风器或再生器旋风器的压差。流体催化裂化单元的部件在正常操作期间的正常差压显著变化可以指示催化剂损耗增加,并且还可以指示流体催化裂化器中发生故障或需要维护。所要求的方法和***使用计算设备实现算法,以基于所监控的流体催化裂化旋风器的差压探测或预测异常状况。在探测到异常情况时,可以生成警告以通知合适的实体。
附图说明
图1图示出流体催化裂化单元;
图2图示出可以用于实现统计过程监控(SPM)算法的计算设备;
图3图示出可以在计算设备上实现的SPM模块;
图4图示出使用回归模型的异常操作探测(AOD)模块的实施例;
图5图示出使用回归探测催化剂损耗的过程流程图;
图6图示出可以实现异常情况预防***的示例加工厂;以及
图7图示出加工厂中示出与各种设备通信的异常情况预防***的一部分。
具体实施方式
总的来说,图1图示出用于对高分子量油实现流体催化裂化过程的流体催化裂化装置10。包括高分子量油的进料12可以在反应器14的底部流入,反应器14为竖直或向上倾斜的管,有时称为“提升管”。高活性催化剂16可以被导入提升管14从而接触进料12。进料12可以被预加热,并通过进料喷嘴(未示出)被喷洒于提升管14的底部,其中进料12在进料喷嘴处接触极热的已流化的催化剂。分散蒸汽18可以用于喷洒通过进料喷嘴的进料12。当热催化剂接触进料12时,催化剂使进料12蒸发,并对将高分子量油分解成诸如液化石油气(LPG)、汽油和柴油之类的较轻组分的裂化反应进行催化。催化剂-碳氢化合物混合物然后可以向上流经提升管14,并最终流入离析容器19。催化剂-碳氢化合物混合物可以在反应器旋风器20中被采集,并且混合物中的碳氢化合物部分可以通过该旋风器20与催化剂分离。大部分催化剂可以从旋风器20中输出并沉积到离析容器19中。主要包括不含催化剂的碳氢化合物的旋风器反应器流出物22可以被输送至主分馏器(未示出),以进一步分离成燃气、LPG、汽油、柴油和喷气燃料中使用的轻循环油、重燃气等。
当裂化催化剂在提升管14中向上移动时,在催化剂上沉积焦炭从而降低催化剂的活性和选择性的反应使得裂化催化剂被“消耗”。已使用的催化剂从离析容器19中的裂化碳氢化合物容器中被离析出来,并发送到汽提塔24,在汽提塔24中,汽提蒸汽可以接触已使用的催化剂从而去除催化剂中剩余的残留碳氢化合物。所消耗的催化剂随后可以被引入流化床再生器28,在流化床再生器28中用热空气30(或在某些情况下,空气加氧)烧掉焦炭沉积物,以将催化剂恢复到活性状态,并为下一反应循环提供必需的热量。燃烧焦炭沉积物产生包括二氧化碳和一氧化碳的烟道气。可以用再生器旋风器31从再生器28的固态催化剂和固态焦炭混合物中分离出或过滤出烟道气。“再生的”催化剂可以返回提升管14的底部,以重复循环。
流体催化裂化装置的操作中可能发生的问题是沿循环催化剂通道可能发生催化剂损耗。尽管流体催化裂化过程中可能会预料到某标称催化剂损耗,但是较大的催化剂损耗可能表明装置故障(例如泄露)或需要维护和维修。在一个实施例中,可以通过测量如图1所示的反应器旋风器20和再生器旋风器31中的一者或两者的差压(ΔP)来探测催化剂损耗。例如,可以在反应器旋风器20的旋风输入端32和流出物输出端34之间或在再生器旋风器31的旋风输入端36和烟道气输出端38之间获得差压。在该实施例中,对于正常操作,差压可以保持接近于稳定值。如果差压从初始(正常)状态显著减小,则可能发生催化剂损耗的异常增加。这可以指示多于正常量的催化剂正在与反应器旋风器的反应器流出物或与再生器旋风器的烟道气一起漏出。
探测异常催化剂损耗
可以实施这里所述的异常操作探测***,以预测或探测催化剂损耗,从而可以采用预防性测量降低流体催化裂化单元中的催化剂损耗。异常操作探测***可以在现有的过程控制***中实现,或者被安装成独立运转的计算单元。通常,异常操作探测***可以用硬件或在计算设备上运行的软件实现。下面描述可以由异常操作探测***实现以探测或预测流体催化裂化器中的催化剂损耗的各种类型的算法。
统计过程监控
可以用于确定流体催化裂化单元中的催化剂损耗的一种算法是统计过程监控(SPM)算法。SPM可以用于监控与过程相关联的诸如品质变量之类的变量,并且在该品质变量被探测到已偏离其“统计”标准时通知操作员。SPM算法通常可以计算诸如压差之类的过程变量在非交叠采样窗口内的均值和标准差。
图2图示出在一个实施例中,可以用于实现SPM算法或SPM功能块的计算设备。计算设备50的部件可以包括但不限于处理单元52、***存储器54和将各种***部件连接至处理单元52的***总线56。存储器54可以是可由处理单元52访问的任意可用介质,包括易失性和非易失性介质、可移动和不可移动的介质。用户可以通过诸如键盘和定点设备之类的用户输入设备66向计算设备50输入命令和信息。这些以及其它输入设备可以通过可连接至***总线56的用户输入接口60连接到处理单元52。监控器或其它类型的显示设备也可以经由用户接口60连接到处理器52。也可以使用其它接口或总线结构。具体而言,可以在计算设备50处通过输入/输出(I/O)接口58接收其它设备(例如传感器)的输入62,并且可以由输入/输出(I/O)接口58向其他设备提供计算设备120的输出64。接口58和60将各种设备通过***总线56连接到处理器52。
图3图示出可以在图2的计算设备50上实现的统计过程监控(SPM)模块70。逻辑块72可以接收过程信号集合74,并且可以计算该过程信号集合74的统计特征或统计参数。这些统计参数可以基于第一过程变量数据的滑动窗口或基于第一过程变量数据的非交叠窗口来计算。计算出的统计参数或统计特征可以包括例如过程信号的均值、标准差、方差(S2)、均方根(RMS)、变化率(ROC)和范围(ΔR)。这些统计参数可以通过以下公式给出:
S=标准差=σ
ΔR=XMAX-XMIN
在以上公式中,N是采样阶段的数据点的总数,xi和xi-1是过程信号的两个连续值,T是两个值之间的时间间隔。进一步,XMAX和XMIN分别是过程信号在采样或训练时段的最大值和最小值。可以单独计算或以任意组合的方式计算这些统计参数。另外,应当理解,除了明确列出的统计参数之外,本发明还包括可以被实现以分析过程信号的任意统计参数。计算出的统计参数可以由计算块76接收,计算块76按照规则块78中包含的规则操作。规则块78可以例如在计算设备50的存储器54(图2)的一部分中实现,并且可以定义用于探测或计算异常情况的算法,如以下进一步论述的。
在另一实施例中,可以由例如计算设备50计算并周期性地更新训练值。例如,在一个实施例中,可以由统计参数逻辑块72生成训练值,统计参数逻辑块72生成或学习在第一操作阶段的标称或正常统计参数,第一操作阶段通常是过程正常操作的阶段。这些标称统计参数然后可以作为训练值存储在训练值块80中,以供未来使用(如以下进一步描述的)。该操作允许针对特定的环路和操作状况动态调节训练值80。在这种情况下,可以基于过程动态响应时间在用户可选择的时段内对统计参数(可用于训练值)进行监控。在一个实施例中,诸如计算设备50之类的计算设备可以生成或接收训练值或用于向另一过程设备发送训练值。
在一个实施例中,可以用图3中图示出的SPM块70实现通过接收诸如流体催化裂化器的反应器或再生器旋风器的压差之类的输入来探测流体催化裂化器中的催化剂损耗的算法,并用于确定异常状况。在该实施例中,SPM块70可以充当异常操作探测(AOD)模块。在该配置中,规则块78可以包括用于基于所输入的旋风器的压差计算异常状况的规则。计算块76可以被编程以在探测到异常状况时输出警告82。这里,观测到的压差可以以常规间隔被采样,并作为过程信号74被输入至图3的SPM块70。在学习阶段,逻辑块72可以确定压差(ΔP)的基准(baseline)均值(μ)和基准标准差(σ)。可以认为这些参数是过程处于“正常”状况的表示。然后基准均值和基准标准差可以作为训练值(即使用块80)存储在存储器54中。在监控阶段,实现该算法的SPM块70可以获得压差的当前值并计算在与学习阶段所使用的采样窗口具有相同长度的非交叠采样窗口内的过程均值(x)和标准差(s)。
通过SPM块70使用SPM算法,如果实际均值或当前均值与基准均值的差大于某阈值,则在计算块76可以探测到催化剂损耗,并且可以输出指示或警报82。例如,如果当前均值比基准均值低达大于特定百分比:
其中α是某用户定义的百分比(例如5%)。该公式可以被表示为规则块78中的一个以上规则。在一个实施例中,SPM块70可以包括探测阈值的输入(例如由用户确定的探测阈值)。在该实施例中,探测阈值可以被存储为训练值。
上述方法的一个缺点可能在于具有该过程的知识的用户可能必须为α确定合适的值。如果存在需要设置阈值的很多不同过程变量,则该要求可能是乏味且耗时的。
在另一个实施例中,可以基于在学习阶段观测的变量设置阈值。例如,如果x<μ-3σ,则可以探测到催化剂损耗。在这种情况下,可以通过训练值块80将所观测到的变量存储在存储器54中。因此,在该实施例中,可以自动确定探测阈值,从而可以减小手动配置的量。应当注意的是,除了三之外,还可以根据所观测到或所探测到的变量针对标准差使用任意其它倍数。另外,尽管可以由SPM模块自动计算出方差变量(variance variable),但是该变量可以是作为训练变量(例如通过用户I/O 66)输入的用户可配置的参数。
回归和残差监控
如果压差ΔP仅在发生高催化剂损耗时改变,则SPM算法可以适于探测催化剂损耗。然而,如果压差ΔP由于其它因素而改变(例如,当压差ΔP由于负荷改变或其它预期过程状况而改变时),则SPM算法可能会触发错误的警报。在一个实施例中,根据流体催化裂化单元的操作状况或操作状态,可能会生成多于一个源自SPM的特性集合(例如均值、标准差等)。例如,如果裂化单元以两个不同的负荷操作,则计算块76可以被编程以实现针对第一负荷条件的一个规则集合和实现针对第二负荷条件的第二规则集合。在该实施例中,可以使用两个SPM块。可以基于探测到的负荷条件或其它预期的过程条件激活一个或另一个SPM块。
尽管对于单个条件改变(例如,当只可能存在两个负荷时)可以使用多个SPM块,但当存在多个预期的操作条件时,多个SPM块可能是效率低的。在这种情况下,可以使用某种形式的回归(例如,建立回归模型,然后监控残差)来探测催化剂损耗。
通常,在学习阶段,从旋风器压差ΔP(y)和对旋风器压差ΔP(x1,x2,…,xm)具有某种影响的过程变量中采集数据。可以建立模型以预测作为x的函数的y值:
该模型可以是从简单多元线性回归模型到诸如神经网络模型之类的更复杂的模型的任何模型,所述简单多元线性回归模型例如为:
f(x1,x2,…,xm)=a0+a1x1+a2x2+…+amxm,
系数是根据任意已知方法,例如普通最小平方(OLS)、主成分回归(PCR)、偏最小平方(PLS)、变量子集选择(VSS)、支持向量机(SVM)等)计算出的。如下面进一步论述的,一旦模型在监控阶段建立,该模型即可用于计算残差(实际值和预测值之间的差)。如果残差超出某个阈值,则可以探测到异常情况。
图4图示出可以用于实现回归和残差监控算法的异常操作探测(AOD)模块90的实施例。AOD模块90可以包括连接至模型实现块96的第一SPM块92和第二SPM块94。第一SPM块92可以以类似于图3示出的SPM模块70的方式操作。同样,第一SPM块92接收第一过程变量并根据第一过程变量生成第一统计数据。如以上所论述的,该操作可以包括生成根据第一过程变量计算出的统计特征数据,例如均值数据、中值数据、标准差数据、变化率数据、范围数据等。这种数据可以基于第一过程变量数据的滑动窗口或基于第一过程变量数据的非交叠窗口来计算。作为一个示例,第一SPM块92可以使用最近的第一过程变量样本和前49个第一过程变量样本生成均值数据。在该示例中,可以针对由第一SPM块92接收的每个新的第一过程变量样本生成变量均值。作为另一示例,第一SPM块92可以使用非交叠时段生成均值数据。在该示例中,可以使用五分钟的窗口(或某个其它合适的时段),从而每五分钟就会生成一个变量均值。以类似的方式,第二SPM块94接收第二过程变量,并以类似于SPM块92的方式根据该第二过程变量生成第二统计数据。在一个实施例中,可以只使用SPM块92或94中的一个(例如,仅使用块92)。在另一个实施例中,可以不使用SPM块92或94。
模型实现块96可以在第一阶段接收表示旋风器的差压ΔP的因变量Y和表示可能对ΔP具有某种影响的过程变量的自变量X的集合。如下面将更详细地描述的,模型实现块96可以使用多个数据集(X,Y)为作为X(例如影响ΔP的一个以上自变量)的函数的模型Y(例如压差ΔP)生成回归模型。
模型实现块96可以包括一个以上回归模型,每个回归模型可以使用函数针对X的任意范围、X的指定范围和/或X的多个范围,将因变量Y建模为自变量X的函数。例如,可以使用单个X变量预测所有正常操作状况下的Y变量。在这种情况下,可以使用任何已知的一元回归方法。在另一个实施例中,可以针对不同的范围建立不同的模型。例如,在可扩展的回归方法中,可以针对自变量X的多个范围建立回归模型。·该普通方法在美国申请No.11/492,467中进行了进一步描述,该申请通过引用合并于此。
在一个实施例中,回归模型可以包括或使用线性回归模型。通常,线性回归模型使用函数f(X)、g(X)、h(X)等某种线性组合对工业过程进行建模,通常,适当的线性回归模型可以包括X的一阶函数(例如Y=m*X+b)或X的二阶函数(例如Y=a*X2+b*X+c)。当然,也可以使用其它类型的函数,例如更高阶的多项式、正弦函数、对数函数、指数函数、幂函数等。
在模型已被训练后,可以用模型实现块96基于给定自变量X输入在第二操作阶段生成因变量Y的预测值(YP)。在流体催化裂化单元的情况下,YP可以表示预测的差压ΔP,而Y可以表示差压ΔP的实际测量值或当前测量值。模型实现块96的预测ΔP(或YP)可以被提供给偏离探测器98。偏离探测器98可以接收块96的回归模型的预测的ΔP(或YP)以及因变量输入Y(表示ΔP的实际测量值或当前测量值)。通常来说,偏离探测器98可以将实际压差ΔP与预测的压差ΔP进行比较,以确定实际压差ΔP是否显著偏离于预测的压差ΔP。如果实际压差ΔP显著偏离于预测的压差ΔP,则可以指示异常情况催化剂损耗已经发生、正在发生或可能在不远的将来发生。因此,偏离探测器98可以生成偏离指示符。在某些实施方式中,指示符可以是指示异常催化剂损耗的警告或警报。
实际压差ΔP与预测的压差ΔP之间的差可以称为残差。偏离探测器98可以被配置为仅在达到或超过特定残差阈值之后生成警报。可以使用各种已知方法中的任意方法建立阈值以探测异常催化剂损耗状况。与上述的SPM模型类似,阈值可以是例如预测的Y值的特定百分比,也可以基于使用训练数据计算的残差的方差(variance)。在生成工厂人员看到的警报之前,可以使用任意形式的警报逻辑(例如,超出阈值的两个或两个以上连续观测值)。
本领域技术人员将认识到,可以以各种方式修改AOD模块90。例如过程变量数据在被SPM块92和94接收之前,可以被滤波、削减等。在另一实施例中,可以不使用SPM块92和94。另外,尽管块96中使用的模型被图示为具有单个自变量输入X、单个因变量输入Y和单个预测的值YP,但块96中的模型可以包括将多个变量Y(例如两个或两个以上旋风器的差压)建模为多个变量X的函数的回归模型。块96中的模型可以包括多元线性回归(MLR)模型、主成分回归(PCR)模型、偏最小平方(PLS)模型、脊形回归(RR)模型、变量子集选择(VSS)模型、支持向量机(SVM)模型等。在一个实施例中,可以对两个差压进行建模,例如反应器旋风器20的差压ΔP1和再生器旋风器31的差压ΔP2。以这种方式,自变量集X合可以表示同时影响反应器旋风器20的差压ΔP1和再生器旋风器31的差压ΔP2的过程特性。
图5图示出探测或预测流体催化裂化单元中的异常催化剂损耗的示例方法的过程流程图。方法100可以使用图4的示例AOD模块90来实现。在块101处,可以训练模型实现块,例如模型块96。例如,可以使用自变量X和因变量Y数据集训练模型以配置该模型,从而预测作为X的函数的Y。该模型可以包括例如多个回归模型,每个回归模型针对X的不同范围将Y建模为X的函数。
然后,在块102处,所训练的模型使用其接收的自变量X的值生成因变量Y的预测值(YP)。接下来,在块103处,将Y的实际值与对应的预测值YP进行比较,以确定Y是否显著偏离于YP。例如,偏离探测器98可以接收模型块96的输出YP,并将该输出YP与因变量Y进行比较。如果确定Y已显著偏离于YP,则可以在块104处生成偏离指示符。例如,在AOD模块90中,偏离探测器98可以生成指示符。该指示符可以是指示已探测到显著偏离的例如警告或警报,或任意其它类型的信号、标志、消息等。
如以下将更详细论述的,在模型已被初始训练且已生成因变量Y的预测值YP之后,可以重复块101。例如,如果过程中的设定点已经改变,或者在过程操作的其它时刻,可以重新训练模型。
与AOD模块一起使用的过程控制***
流体催化裂化单元可以在加工厂中作为很多组互连装置中的一部分或一个装置操作,从而形成过程线。通常,可以使用诸如图6和7所示的过程控制***控制和管理该装置。
具体参见图6,其中可以实现异常情况预防***的示例加工厂210包括通过一个以上通信网络互连在一起的若干个控制和维护***。具体而言,图6的加工厂210包括一个以上过程控制***212和214。过程控制***212可以是传统的过程控制***,例如PROVOX或RS3***,或任意其它控制***,包括连接至控制器212B和输入/输出(I/O)卡212C的操作员接口212A,输入/输出(I/O)卡212C又连接至诸如模拟和高速可寻址远程变送器(HART)现场设备215之类的各种现场设备。过程控制***214可以是分布式过程控制***,包括通过诸如以太网总线之类的总线连接至一个以上分布式控制器214B的一个以上操作员接口214A。控制器214B可以是例如由得克萨斯州奥斯汀市的爱默生过程管理公司销售的DeltaVTM控制器或任意其它期望类型的控制器。控制器214B通过I/O设备连接到一个以上现场设备216,例如HART或 Fieldbus现场设备,或任意其它包括例如使用、、、AS-Interface以及CAN协议中的任意智能或非智能现场设备。通常,过程控制器可以与工厂网络***通信以提供关于在过程控制器的管理下操作(例如现场设备操作)的信息,并从调节过程控制器的操作时使用的工厂网络***接收设定点信号。已知的是,现场设备216控制物理过程参数(例如作为致动器)或者可以测量物理过程参数(例如作为传感器)。现场设备可以与控制器214B通信,以接收过程控制信号或提供关于物理过程参数的数据。该通信可以通过模拟或数字信号进行。I/O设备可以从现场设备接收用以与过程控制器通信的消息,或者可以从过程控制器为现场设备接收消息。操作员接口214A可以存储和执行过程控制操作员可用的工具217、219,以控制过程的操作,所述工具217、219包括例如控制优化器、诊断专家、神经网络、调谐器等。
更进一步,维护***可以连接至过程控制***212和214或连接至其中的单个设备以施行维护和监控活动。例如,维护计算机218可以通过任意期望的通信线路或网络(包括无线或手持设备网络)连接至控制器212B和/或连接至设备215,以与设备215通信,并在某些情况下重新配置设备215或对设备215施行维护活动。类似地,维护应用程序可以安装在与分布式过程控制***214相关联的一个以上用户接口214A上,并由所述用户接口214A执行,以施行包括与设备216的操作状态有关的数据采集的维护和监控功能。
如图6所示,计算机***274可以实现异常情况预防***235的至少一部分,具体而言,计算机***274可以存储并实现配置应用程序238和异常操作探测***242。另外,计算机***274可以实现警告/警报应用程序243。
图7示出图6的示例加工厂210的一部分250,以描述异常情况预防***235和/或警告/警报应用程序243可以与示例加工厂210的部分250中的各种设备通信的一种方式。
一般而言,异常情况预防***235可以与可选地位于加工厂210内的现场设备215、216,控制器212B、214B(在图7中示出)以及任意其它期望设备或装置中的异常操作探测***(未在图6中示出)和/或计算机***274中的异常操作探测***242通信,以配置这些异常操作探测***中的每一个,并在这些异常操作探测***监控时接收关于这些设备或子***的操作的信息。异常情况预防***235可以以可通信的方式通过硬线总线245连接到工厂210内的至少某些计算机或设备中的每一个,或者可替代地,可以通过包括例如无线连接、使用OPC的专用连接、诸如依靠手持设备采集数据等的间歇性连接的任何其它期望通信连接,连接到工厂210内的至少某些计算机或设备中的每一个。同样,异常情况预防***235可以通过LAN或诸如因特网、电话连接等的公共连接(在图6中示出为因特网连接246)获得与加工厂210内的现场设备和装置有关的数据以及由例如第三方服务提供商采集的数据。进一步,异常情况预防***235可以以可通信方式通过包括例如以太网、Modbus、HTML、XML、专有技术/协议等的各种技术和/或协议连接至工厂210中的计算机/设备。
图7中示出的加工厂210的部分250包括具有一个以上过程控制器260的分布式过程控制***254,过程控制器260通过可以是符合任意期望通信或控制器协议的任意期望类型的输入/输出I/O设备的I/O卡或设备268和270连接到一个以上现场设备264和266。现场设备264被示出为HART现场设备,现场设备266被示出为 Fieldbus现场设备,但是这些现场设备可以使用其它任意期望的通信协议操作。另外,现场设备264和266中的每一个可以是任意类型的设备,例如传感器、阀、变送器、***等,并且可以符合任意期望的开放、专有或其它通信或编程协议,应当理解I/O设备268和270应当与现场设备264和266所使用的期望协议相兼容。
在任意情况下,可由诸如配置工程师、过程控制操作员、维护人员、工厂管理员、监管员等的工厂人员访问的一个以上用户接口或计算机272和274(可以是任意类型的个人计算机、工作站等)通过通信线路或总线276被连接至过程控制器260,其中通信线路或总线276可以使用任意期望的硬线或无线通信结构和使用诸如以太网协议之类的任意期望的或合适的通信协议来实现。另外,数据库278可以连接至通信总线276,以作为采集或存储配置信息以及在线过程变量数据、参数数据、状态数据以及与加工厂210中的过程控制器260和现场设备264和266相关联的其它数据的历史数据库操作。因此,数据库278可以操作为配置数据库,以存储包括过程配置模块的当前配置,并且在过程控制***254的控制配置信息下载并存储到过程控制器260以及其它现场设备264和266时存储过程控制***254的控制配置信息。同样地,数据库278可以存储历史异常情况预防数据,包括由加工厂210内的现场设备264和266采集的统计数据(例如训练数据)、根据由现场设备264和266采集的过程变量确定的统计数据、以及其它类型的数据。
过程控制器260、I/O设备268和270以及现场设备264和266通常位于且遍布于有时严峻的工厂环境中,而工作站272、274和数据库278经常位于可由操作员、维护人员等轻松访问的控制室、维护室或其它不太严峻的环境中。
一般而言,过程控制器260可以存储并执行使用多个不同的、独立执行的控制模块或块实现控制策略的一个以上控制器应用程序。控制模块中的每一个可以由通常所说的功能块组成,其中每个功能块是总控制例程中的一部分或子例程,并且与其它的功能块结合起来操作(通过称为链路的通信),以实现加工厂210中的过程控制环路。公知的是,可以作为面向对象的编程协议中的对象的功能块通常施行输入功能、控制功能或输出功能之一。例如,输入功能可以与变送器、传感器或其它过程参数测量设备相关联。控制功能可以与施行PID、模糊逻辑等控制的控制例程相关联。输出功能可以控制诸如阀之类的一些设备的操作,以施行加工厂250中的某些物理功能。当然,还存在诸如模型预测控制器(MPC)、优化器等的混合和其它类型的复杂功能块。应当理解的是,尽管Fieldbus协议和DeltaVTM***协议使用以面向对象的编程协议设计和实现的控制模块和功能块,但是控制模块也可以使用包括例如顺序功能块、梯形逻辑等的任意期望的控制编程方案来设计,并且不限于使用功能块或任意其它特定的编程技术来设计。
如图7所示,维护工作站274包括处理器274A、存储器274B和显示设备274C。存储器274B以下面的方式存储针对图1所讨论的异常情况预防应用程序235和警告/警报应用程序243,即可以在处理器274A上实现这些应用程序以通过显示器274C(或诸如打印机之类的任意其它显示设备)向用户提供信息。
一个以上现场设备264和266中的每一个现场设备都可以包括存储器(未示出),以存储诸如用于实现与检测设备所检测的一个以上过程变量有关的统计数据采集的例程和/或以下将描述的用于异常操作探测的例程之类的例程。一个以上现场设备264和266中的每一个还可以包括处理器(未示出),该处理器用于执行诸如实现统计数据采集的例程和/或用于异常操作探测的例程之类的例程。统计数据采集和/或异常操作探测不需要由软件来实现。相反,本领域普通技术人员会认识到,这种***可以由一个以上现场设备和/或其它设备中的软件、固件和/或硬件的任意组合来实现。
如图7所示,现场设备264和266中的某些(并且有可能是所有)可以包括异常操作探测块280和282。尽管图7的块280和282被示为位于设备264之一和设备266之一中,但是这些模块或类似的模块可以位于任意数目的现场设备264和266中,或者位于其它诸如控制器260、I/O设备268、270之类的或图6中所示的任意设备之类的设备中。另外,模块或块280和282可以在现场设备264和266的任意子集中。
一般而言,块280和282或这些块的子元素从它们所处的设备和/或从其它设备采集诸如过程变量数据之类的数据。另外,块280和282或这些块的子元素可以出于若干原因对变量数据进行处理并对该数据施行分析。换句话说,块280和282可以表示上述的AOD模块70或90。因此,块280或282可以包括一组以上统计过程监控(SPM)块或单元,例如块SPM1-SPM4。
应该理解,尽管在图7中块280和282被示为包括SPM块,但是相反,SPM块可以是与块280和282分离的独立块,并且可以位于与对应的块280或282相同的设备中,也可以位于不同的设备中。这里所讨论的SPM块可以包括已知的Foundation Fieldbus SPM块、或者与已知的Foundation FieldbusSPM块相比具有不同的或附加能力的SPM块。这里使用的术语“统计过程监控(SPM)块”是指采集诸如过程变量数据之类的数据并对该数据施行某些统计处理以确定诸如均值、标准差等的统计测量值的任意类型的块或元件。因此,该术语意在覆盖可以施行该功能的软件、固件、硬件和/或其它元件,而不管这些元件是否采用功能块、或其它类型的块、程序、例程或元件的形式,也不管这些元件是否符合Foundation Fieldbus协议或诸如Profibus、HART、CAN等协议之类的某些其它协议。如果需要,块250的基础操作可以至少部分如美国专利No.6,017,143中所描述的那样来施行或实现,该专利通过引用合并于此。
进一步应当理解,尽管在图7中块280和282被示为包括SPM块,但是SPM块能力不是块280和282所必需的。例如,块280和282的异常操作探测例程可以使用未被SPM块处理的过程变量数据来操作。作为另一示例,块280和282可以各自接收由位于其它设备中的一个以上SPM块提供的数据,并对该数据进行操作。作为再一示例,过程变量数据可以通过并不是由很多典型的SPM块提供的方式来处理。仅作为一个示例,过程变量数据可以由诸如带通滤波器或某种其它类型的滤波器之类的有限脉冲响应(FIR)或无限脉冲响应(IIR)滤波器滤波。作为另一示例,可以对过程变量数据进行削减,从而使其保持在特定的范围内。当然,可以对已知的SPM块进行修改,以提供这种不同的或附加的处理能力。
示出为与变送器相关联的图7的块282,可以具有接通线路探测单元,该接通线路探测单元分析由变送器采集的过程变量数据以确定工厂内的线路是否接通。另外,块282可以包括一个以上SPM块或单元,例如可以采集变送器内的过程变量或其它数据并对所采集的数据施行一种以上统计计算以确定所采集的数据的例如均值、中值、标准差等的块SPM1-SPM4。尽管块280和282被示出为各自包括四个SPM块,但是块280和282中可以具有其它任意数目的SPM块以采集和确定统计数据。
实现AOD模块
图3和4的AOD模块70和90分别可以在图6和7所示的过程控制***中实现。例如,AOD模块70和90可以全部或部分在现场设备中实现,并且现场设备然后可以连接至反应器旋风器20和再生器旋风器31中的任一者或两者。例如,如果使用AOD模块90,则AOD模块90的SPM块92和94可以在现场设备266中实现,而模型实现块96和/或偏离探测器98可以在过程控制器260、或工作站274(例如通过探测应用程序242)或某其它设备中实现。类似地,AOD模块70的过程块全部在现场设备(例如264或266)中实现,或者分布在现场设备和过程控制器之间。在一个特定实施方式中,AOD***70或90可以实现为功能块,例如上述的且在实现 Fieldbus协议的过程控制***中使用的功能块。这种功能块可以包括也可以不包括SPM块92和94。在另一种实施方式中,AOD 70和90的块中的至少一个可以实现为功能块。
由于可以使用旋风器20和31的差压探测催化剂损耗,图6和7中描述的具有差压传感器的任意现场设备可以用于获取差压的测量值。然而,使用具有内置信号处理的现场设备(例如,具有异常情况预防的Rosemount3051S)可能是有利的。具体而言,由于过程控制现场设备具有对以远快于主机***(例如通过过程控制器从现场设备采集测量值的工作站)的速率采样的数据的访问权,因此现场设备中计算的统计特征可能更加准确。结果,现场设备中实现的AOD和SPM模块通常能够针对所采集的过程变量数据比位于其中过程变量数据被采集的设备外部的块确定更好的统计计算。
应当注意到,Rosemount 3051 Fieldbus变送器具有具备SPM能力的高级诊断块(ADB)。该SPM块可以具有以下能力:学习过程变量的基线均值和标准差,将学习的过程变量与当前均值和标准差进行比较,并且如果这些中的任一项改变得多于用户指定的阈值,则触发PlantWeb警告。假设差压ΔP不会由于过程进入其它正常操作区域而改变,则现场设备中的SPM功能可以被配置为基于这里的描述作为AOD模块(例如AOD模块70)操作以探测催化剂损耗是可能的。
警告/警报应用程序243可以用于管理和/或路由由可以包括AOD模块70和/或90的AOD模块280和282创建的警告。在这种情况下,当探测到催化剂损耗时,可以向负责监控和维护操作的人或组(例如,操作员、工程师、维护人员等)提供有意义的警告。可以提供指导性的帮助以(例如在连接到过程控制***的工作站272或274上)通过用户接口帮助人解决情况。可以响应于警告而向用户呈现的校正活动可以包括以下指导:a)增加再生器中的压力;b)修理旋风器;和/或c)使用更重的催化剂。
AOD模块70和/或90可以通过警告应用程序243和/或加工厂中的其它***向异常情况预防***235提供信息。例如,由偏离探测器98或计算块76生成的偏离指示符可以被提供给异常情况预防***235和/或警告/警报应用程序243,以向操作员通知异常状况。作为另一示例,在AOD模块90的模型实现块96的模型已经被训练之后,模型的参数可以被提供给异常情况预防***235和/或加工厂中的其它***,从而使操作员可以检查模型和/或使模型参数可以存储在数据库中。作为再一示例,AOD模块70或90可以向异常情况预防***235提供X、Y和/或YP值,从而使操作员可以(例如在已经探测到偏离时)查看这些值。
在过程控制***中,AOD模块70或90(通过现场设备或过程控制器实现)可以与配置应用程序238通信,以允许用户配置AOD模块70或90。例如,模块70或90的一个以上块可以具有用户可配置参数,这些参数可以通过配置应用程序238被修改。
尽管正文列出对众多不同实施例的详细描述,但是应当理解,该描述的法律范围由在本专利列出的权利要求中的文字来限定。该详细描述应当被解释为仅仅是示例性的,并没有描述每个可能的实施例,因为描述每个可能的实施例非不可能即不实际。可以使用仍落入这些权利要求的范围之内的当前技术或者在本专利的申请日之后开发的技术实现众多可替换的实施例。
Claims (25)
1、一种探测流体催化裂化器中的催化剂损耗的方法,包括:
测量流体催化裂化器中的旋风器的差压;
在流体催化裂化器的第一操作阶段,确定旋风器的初始平均差压;
在流体催化裂化器的第二操作阶段,监控旋风器的当前平均差压;以及
如果所述旋风器的当前平均差压比所述旋风器的初始平均差压低多于阈值,则确定异常催化剂损耗事件。
2、根据权利要求1所述的方法,包括使用统计过程监控算法来确定所述旋风器的初始平均差压。
3、根据权利要求2所述的方法,包括在现场设备或过程控制器中的至少一个中实现所述统计过程监控算法的一部分。
4、根据权利要求2所述的方法,包括将所述阈值设置为所述初始平均差压的百分比。
5、根据权利要求1所述的方法,包括使用统计过程监控算法来确定所述旋风器的初始平均差压的标准差,并且将所述阈值设置为初始平均差压的标准差的倍数。
6、一种探测流体催化裂化单元中的催化剂损耗的方法,包括:
监控流体催化裂化器中旋风器的差压;
监控影响所述旋风器的差压的过程参数集合;
基于所监控的差压以及所采集的影响所述旋风器的差压的监控的过程参数集合,在学习阶段生成回归模型;
使用所述回归模型计算预测的差压;
如果旋风器的当前差压与旋风器的预测的差压之间的差大于阈值,则确定异常催化剂损耗事件。
7、根据权利要求6所述的方法,包括使用一元回归生成所述回归模型。
8、根据权利要求6所述的方法,包括使用可扩展的回归生成所述回归模型,所述可扩展的回归针对过程参数集合的多个范围提供多个回归模型。
9、根据权利要求6所述的方法,其中过程参数集合的至少一子集是在现场设备中计算出的统计特征数据。
10、根据权利要求6所述的方法,包括测量流体催化裂化器的反应器旋风器或再生器旋风器中至少一个的差压。
11、一种探测流体催化裂化单元中的异常催化剂损耗的设备,包括:
传感器集合,用于周期性地测量流体催化裂化单元中旋风器的压差;
逻辑模块,确定在一时段内周期性地测得的压差的统计参数集合;
规则模块,存储指令集合;
训练模块,存储过程参数集合;
计算模块,基于所述规则模块中的指令集合和所述训练模块中的过程参数集合来确定异常催化剂损耗事件,其中所述计算模块在发生异常催化剂损耗事件时生成指示。
12、根据权利要求11所述的设备,其中所述逻辑模块计算压差在一时段内的均值和标准差。
13、根据权利要求11所述的设备,其中所述训练模块包含与周期性地测得的统计参数集合相对应的第一基准统计参数集合,其中所述第一基准统计参数集合是在设备的初始学习阶段确定的。
14、根据权利要求13所述的设备,其中计算块在测得的压差大于在初始学***均压差时,确定异常催化剂事件。
15、根据权利要求13所述的设备,包括:根据第一过程参数集合和第二过程参数集合操作所述流体催化裂化单元,并且其中在所述流体催化裂化单元根据第一过程参数集合操作时,所述第一基准统计参数集合在学习阶段被确定,并且在所述流体催化裂化单元根据第二过程参数集合操作时,第二基准统计参数集合在学习阶段被确定。
16、根据权利要求15所述的设备,其中所述计算块在所述流体催化裂化单元根据第一过程参数集合操作时,基于所述第一基准统计参数集合确定异常催化剂事件,并且在所述流体催化裂化单元根据第二过程参数集合操作时,基于第二基准统计参数集合确定异常催化剂事件。
17、一种探测流体催化裂化单元中的异常催化剂损耗的设备,包括:
第一输入,用于接收关于流体催化裂化单元中旋风器的压差的数据;
第二输入,用于接收关于影响所述压差的过程参数集合的数据;
模型实现单元,用于基于所述过程参数集合计算预测的压差值;
偏离探测器,将预测的压差值与实际压差值进行比较,并且在预测的压差值与实际压差值之间的差超出阈值时生成信号。
18、根据权利要求17所述的设备,其中所述模型使用一元回归。
19、根据权利要求17所述的设备,其中所述过程参数集合的至少一子集是在现场设备中计算出的统计特征数据。
20、根据权利要求17所述的设备,其中所述流体催化裂化器的反应器旋风器或再生器旋风器中的至少一个的差压被测量。
21、一种探测流体催化裂化单元中的异常催化剂损耗的***,包括:
过程控制***,包括工作站、过程控制器和多个现场设备,其中所述工作站、过程控制器和所述多个现场设备以可通信的方式彼此连接;
流体催化裂化单元,具有反应器旋风器和再生器旋风器,其中至少一个现场设备适于测量所述反应器旋风器或所述再生器旋风器的压差;
异常操作探测设备,适于接收关于所测量的压差的数据,访问针对压差的正常操作值集合,以及在所测量的压差与正常操作值集合之间的差超出阈值时生成警告。
22、根据权利要求21所述的***,进一步包括警报管理设备,其适于从所述异常操作设备接收所述警告,并显示催化剂损耗的指示。
23、根据权利要求21所述的***,进一步包括在所述工作站上运行的配置应用程序,其适于与所述异常操作探测通信,并提供所述正常操作值集合。
24、根据权利要求21所述的***,其中所述异常操作探测设备在所述多个现场设备或所述过程控制器中的一个中实现。
25、根据权利要求21所述的***,其中所述异常操作探测设备使用统计过程监控算法或回归算法中的一种算法,在初始训练阶段计算压差的正常操作值集合。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US84859606P | 2006-09-29 | 2006-09-29 | |
US60/848,596 | 2006-09-29 | ||
US11/861,985 | 2007-09-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101547994A true CN101547994A (zh) | 2009-09-30 |
Family
ID=41194404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007800428811A Pending CN101547994A (zh) | 2006-09-29 | 2007-09-27 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101547994A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577887A (zh) * | 2012-07-20 | 2014-02-12 | 郑芳田 | 标的装置的基底预测保养方法 |
CN104039436A (zh) * | 2012-01-12 | 2014-09-10 | 住友化学株式会社 | 反应装置和ε-己内酰胺的制造方法 |
CN106030101A (zh) * | 2014-02-12 | 2016-10-12 | Ntn株式会社 | 用于风力发电装置的状态检测设备 |
CN111339627A (zh) * | 2018-11-30 | 2020-06-26 | 斗山重工业建设有限公司 | 计算流体动力学分析异常症候预测***及方法 |
CN113424159A (zh) * | 2018-11-27 | 2021-09-21 | 区块链联合香港有限公司 | 运算设备维护方法及装置、存储介质和程序产品 |
CN113454605A (zh) * | 2018-11-27 | 2021-09-28 | 区块链联合香港有限公司 | 运算设备维护方法及装置、存储介质和程序产品 |
CN114084024A (zh) * | 2021-12-27 | 2022-02-25 | 青岛科技大学 | 基于充电网的电动汽车大功率充电监控与多级预报警方法 |
CN116705184A (zh) * | 2023-05-29 | 2023-09-05 | 上海海德利森科技有限公司 | 一种液氢蒸发损耗量预测方法、装置、设备及介质 |
-
2007
- 2007-09-27 CN CNA2007800428811A patent/CN101547994A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104039436A (zh) * | 2012-01-12 | 2014-09-10 | 住友化学株式会社 | 反应装置和ε-己内酰胺的制造方法 |
CN104039436B (zh) * | 2012-01-12 | 2017-03-08 | 住友化学株式会社 | 反应装置和ε‑己内酰胺的制造方法 |
CN103577887B (zh) * | 2012-07-20 | 2017-09-15 | 郑芳田 | 标的装置的基底预测保养方法 |
US10242319B2 (en) | 2012-07-20 | 2019-03-26 | National Cheng Kung University | Baseline predictive maintenance method for target device and computer program product thereof |
CN103577887A (zh) * | 2012-07-20 | 2014-02-12 | 郑芳田 | 标的装置的基底预测保养方法 |
CN106030101A (zh) * | 2014-02-12 | 2016-10-12 | Ntn株式会社 | 用于风力发电装置的状态检测设备 |
CN113454605A (zh) * | 2018-11-27 | 2021-09-28 | 区块链联合香港有限公司 | 运算设备维护方法及装置、存储介质和程序产品 |
CN113424159A (zh) * | 2018-11-27 | 2021-09-21 | 区块链联合香港有限公司 | 运算设备维护方法及装置、存储介质和程序产品 |
CN111339627A (zh) * | 2018-11-30 | 2020-06-26 | 斗山重工业建设有限公司 | 计算流体动力学分析异常症候预测***及方法 |
CN111339627B (zh) * | 2018-11-30 | 2024-04-12 | 斗山重工业建设有限公司 | 计算流体动力学分析异常症候预测***及方法 |
CN114084024A (zh) * | 2021-12-27 | 2022-02-25 | 青岛科技大学 | 基于充电网的电动汽车大功率充电监控与多级预报警方法 |
CN116705184A (zh) * | 2023-05-29 | 2023-09-05 | 上海海德利森科技有限公司 | 一种液氢蒸发损耗量预测方法、装置、设备及介质 |
CN116705184B (zh) * | 2023-05-29 | 2024-04-05 | 上海海德利森科技有限公司 | 一种液氢蒸发损耗量预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101547994A (zh) | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 | |
US20080120060A1 (en) | Detection of catalyst losses in a fluid catalytic cracker for use in abnormal situation prevention | |
US10739798B2 (en) | Incipient temperature excursion mitigation and control | |
CN102393735B (zh) | 一种用于处理加工厂中收集的与过程参数有关的数据的方法 | |
US20080116051A1 (en) | Main column bottoms coking detection in a fluid catalytic cracker for use in abnormal situation prevention | |
CN100524131C (zh) | 用于检测加热器相关的反常状态的***和方法 | |
Vedam et al. | PCA-SDG based process monitoring and fault diagnosis | |
US11720072B2 (en) | Plant state operating analysis and control | |
Sundarraman et al. | Monitoring transitions in chemical plants using enhanced trend analysis | |
US11169508B2 (en) | Contextual analytics mapping | |
EP2057518A2 (en) | Abnormal situation prevention in a coker heater | |
CN101473281A (zh) | 使用催化剂状态评估的过程控制的方法和设备 | |
RU2764214C1 (ru) | Оценка срока службы циклона на основании оставшейся толщины абразивостойкой футеровки | |
US10953377B2 (en) | Delta temperature control of catalytic dehydrogenation process reactors | |
US20200103836A1 (en) | Generating actionable plant tasks from two or more operational data sources | |
Ramachandran et al. | Data analysis, modeling and control performance enhancement of an industrial fluid catalytic cracking unit | |
Melin et al. | Refinery Operations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20090930 |