JP6752298B2 - 炭化水素処理流内の蒸気圧をオンラインで測定するためのシステムおよび方法 - Google Patents

Description

関連出願の相互参照
本出願は、２０１６年６月７日に提出された、「ガソリンなどの最終炭化水素生成物内のＲＶＰならびに縮合物および原油などの上流の石油生成物内のＲＶＰの高精度高頻度オンライン測定のためのシステムおよび方法」と題する特許文献１の明細書の利益を主張し、２０１３年２月５日に提出された、「生成物またはプロセス流の特性を決定するためのシステム、方法、および装置」と題する特許文献２の明細書の利益を主張する、２０１４年２月５日に提出された、「生成物流またはプロセス流の特性を決定するためのシステム、方法、および装置」と題する特許文献３の明細書の一部継続出願であり、これらの出願の内容はすべて、参照により本明細書に事実上組み込まれる。

本発明は、一般に炭化水素流の特性を推定するシステム、方法、および装置に関する。詳細には、本発明のシステム、方法、および装置は、高頻度および高精度で炭化水素流の特性を測定することに関する。

製造工場の作業工程は、たとえば、実験室測定またはオンライン分析を使用することによる分析手法を利用できることにより影響を与えられてきた。これらのタイプの結果は、典型的には信頼できるとみなされるので、工場の作業工程により重んじられる。たとえば、炭化水素および／または精製の作業工程については、１次試験方法（ｐｒｉｍａｒｙ ｔｅｓｔ ｍｅｔｈｏｄ、ＰＴＭ）は、ＡＳＴＭインターナショナルにより開発され、公表された試験方法などの業界標準試験方法に従って特性が確認された生成物を管理移送するために決定的に重要な基礎となる。

これらのＰＴＭは、その重要性にもかかわらず、ある種の不十分さを欠点として持つ。たとえば、実験室測定は、典型的には１日に１回だけまたは数回しか利用できない場合がある。さらに、離散的サンプルを得ることと、それに対して遂行された試験から得られる結果を報告することとの間に数時間経過する可能性があり、これらの結果に基づき作業工程を制御する可能性を厳しく制限する。その上、サンプル安定性、サンプル汚染、代表サンプリングの問題、および試験手順の実行に関連する不確実性は、誤差のあるサンプル値が戻される結果をもたらす場合がある。

試験データの可用性、完全性、および再現性を改善することは、多くの場合、オンライン測定を導入する動機となる。さらに、遂行する測定および分析のタイプに応じて、オンライン分析器のためのサイクル時間は、１０分以上の、場合によっては１時間以上のオーダーになる場合があり、これは、場合によっては、作業工程効率または生成物品質を最大にする目的に依然として不十分である場合がある。

製造業界は、従来、ある種のプロセス流の特性を予測することができる２次測定技法を制定することにより、１次測定の時間遅れ問題および信頼性に対応した。そのような２次技法は、一般に何らかの形態のモデルを、たとえば、対象となる特性が「従属変数」と呼ばれる場合があり、かつプロセス入力が「独立変数」と呼ばれる場合があるプロセス入力を使用して、対象となるある種の特性を予測することができる多変量統計モデルを使用することを含んでいた。

モデルに基づくこれらの取り組み方法の重要なクラスが、典型的にはソフトウェアに属するので「ソフトセンサ」とも呼ばれる「推論に基づく分析器」である。ソフトセンサは、少なくとも２つの理由で魅力的である。第一に、ソフトセンサはしばしば、典型的にはすでに利用できる場合がある温度、圧力、および流量などの測定に依存するので、プロセスユニット内に追加センサを設置する必要がない。第二に、分散制御システムの出現とともに、典型的にはソフトセンサが依存する、１秒またはそれ未満の離散サンプリングレートさえも有する入力測定が、実質的にリアルタイムで利用できる。これらの利点は、典型的にはプロセス制御システムが必要とする間隔よりも大きな間隔で特性予測を提供することにより、１次測定に関連する時間遅れという欠点に少なくとも対処する。その上、これらの利点は、サンプルを物理的に得る必要がないようにし、代表サンプリングおよびサンプル完全性の問題をなくする。

これらのモデルの忠実度は、数時間からおそらくは数日の範囲にさえ及ぶ限られた時間にわたりかなり良好である場合があるが、推論に基づく従来の分析器は、全体としてモデルへの入力の役割を果たす独立変数が、典型的には、プロセス流の化学的性質に間接的に関係があるだけではなく不完全な関係にもあるので、堅牢性が不十分な傾向がある。これらのモデルは、プロセスに関するセンサの読取り値がプロセス条件とプロセス内の材料の両方の関数であるという限りにおいて、化学的性質の間接表現であり、モデルで使用する独立変数の数が、プロセスシステムとプロセスシステムによって処理される材料の両方に関係があるシステム内自由度よりも小さい限り、不完全である。しかし、定常状態または準定常状態の条件が優勢であり、かつ多くのプロセスおよび流れの変数が表面上一定であるとき、たとえば、供給品質およびプロセスシステムの作業工程が実質的に不変であるとき、１つの表現が見いだされる。そのようなとき、独立変数は、数学的意味で流れの化学的性質を「決定する」場合があり、推論に基づく分析器による特性予測は、非常に信頼できる場合がある。さらに、基本的な問題は、モデルが一般に相関関係にあるということであり、相関関係は、原因を示すわけでは必ずしもないので、推論に基づくモデルは、大部分は経験から得られる場合があり、第１原理は、ほんのわずかな影響しか及ぼさない。実際は、文献では、おそらくは最も一般的なモデリング取り組み方法を「ブラックボックス法」として大まかに呼んでいる。要するに、推論に基づく分析器による特性予測は、主要な原因（サンプルの化学的性質により最終的に決定される流れの特性）から結果（予測値）が取り除かれる限りにおいて、不安定である。

前述の一般的議論は、ＰＴＭが炭化水素サンプルの蒸気圧を測定する「ハード」測定器を用いて実現され、センサが分子分光法技法に基づく分光計であり、ソフト（推論に基づく）分析器が、分光計が測定したサンプルのスペクトルに適用されるモデルであるという特有の関連性を見いだす。一般的な慣行は、（ｉ）可能な供給原料組成および特性の範囲の変化、（ｉｉ）監視されている生成物の中に組み合わされている供給流の割合の変化、および（ｉｉｉ）生成物特性明細の変化を含むがこれらに限定されないさまざまな変数から生じる、モデルの不正確な点を克服するために、モデルを定期的に更新することである。さらに、モデル更新は事後になり、典型的には蒸気圧予測が不正確であることが示されたときに行われる。容易に引き出せる結論は、任意の所与の瞬間に、推論に基づく予測の妥当性がかなり不確かな場合があり、実際に、必要な精度を欠いている場合があるということである。

米国特許仮出願第６２／３４６，９１４号明細書 米国特許仮出願第６１／７６０，８７９号明細書 米国特許出願第１４／１７３，３０１号明細書

Ｔｒｙｇｓｔａｄ ｅｔ ａｌ．、ＩＳＡ ２０１５ ＴｒｙｇｓｔａｄおよびＨｏｒｇｅｎ、ＩＳＡ ２０１４ Ｔｒｙｇｓｔａｄ ｅｔ ａｌ．、ＩＳＡ ２０１６

炭化水素流内の蒸気圧に関する知識がわずかに不正確であることさえ、石油精製所および他の炭化水素処理作業で見られるプロセスユニットに類似する大規模プロセスに関する生成物の経済性に大きな影響を及ぼす可能性がある。したがって、当技術分野で、ハードでもソフトでも、現在の方法の信頼性を徐々に揺るがす可能性のある作業条件で、前述の変化があるにもかかわらず高精度で、好ましくはオンラインで、実質的にリアルタイムで蒸気圧測定を達成し、検証するための改善された方法が必要である。

本発明の一様態は、プロセス流の蒸気圧を決定するためのシステムを含む。システムは、時間増分ｔ１、ｔ２、…、ｔｎに流体プロセス流のサンプルの蒸気圧に関する値を生成するように構成されたハード分析器を含む。１つまたは複数のセンサは、時間増分に流体プロセス流のサンプルに関する独立変数の形をとる１つまたは複数の出力を生成する。ハード分析器および１つまたは複数のセンサに連結した経験的知識に基づく品質マネージャ（ｃｏｇｎｉｔｉｖｅ ｑｕａｌｉｔｙ ｍａｎａｇｅｒ、ＣＱＭ）は、１つまたは複数の出力、およびハード分析器が生成した値を取得し、集約して、集約応答を形成する集約モジュールを含む。ＣＱＭは、集約応答を使用して、ハード分析器が生成した値に１つまたは複数の出力を関係づけるモデルを生成する。ＣＱＭはまた、１つまたは複数の出力にモデルを適用して、時間増分の間にある時間ｔｘに、流体プロセス流のサンプルの蒸気圧の予測値を生成する。

本発明の別の様態は、前述のシステムを使用して、プロセス流の蒸気圧を決定するための方法を含む。

本発明のこれらの実施形態、ならびに本発明の他の様態および実施形態は、添付図面と併せて取り上げる以下の記述を再検討すると明らかになるであろう。しかしながら、本発明は、添付の特許請求の範囲により、詳細に指摘される。

このように一般的な言い方で本発明について記述してきたが、次に添付図面を参照する。

モデルに基づくソフト分析器を使用して特性を予測するステップ、およびハード分析器と協力してモデルを更新するステップを含む、本発明の実施形態の機能構成図である。 本発明の実施形態とともに使用してもよい特性モデルを適用することによるモデル開発および特性予測のためのステップを示す流れ図である。

次に、すべてではないが本発明のいくつかの実施形態を示す添付図面を参照して、本発明のいくつかの実施形態について本明細書で以後、より完全に記述する。実際は、本発明のさまざまな実施形態は、多くの異なる形態で具体化されてもよく、本明細書に示す実施形態に限定されると解釈すべきではなく、むしろ、これらの実施形態は、本開示が適用可能な法的必要条件を満足させるように提供される。

本明細書および添付の特許請求の範囲で使用するとき、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、前後関係が他の方法で明確に示さない限り、複数の参照を含む。たとえば、「分析器（ａｎ ａｎａｌｙｚｅｒ）」の参照は、複数のそのような分析器（ａｎａｌｙｚｅｒｓ）を含む。別の例では、「分析（ａｎ ａｎａｌｙｓｉｓ）」への参照は、複数のそのような分析（ａｎａｌｙｓｅｓ）を含む。

本明細書で特有の用語を採用するが、特有の用語は、一般的で説明的な意味で使用され、限定する目的で使用されるわけではない。技術的および科学的用語を含むすべての用語は、本明細書で使用するとき、用語が他の方法で規定されない限り、本発明が属する当業者により一般に理解されるのと同じ意味を有する。辞書で一般に規定される用語などの用語は、本発明が属する当業者により一般に理解されるような意味を有すると解釈されるべきであることがさらに理解されよう。一般に使用される辞書で規定される用語などの用語は、関連する技術分野および本開示の文脈での用語の意味と整合性のある意味を有すると解釈されるべきであることがさらに理解されよう。そのような一般に使用される用語は、本明細書で本開示が他の方法で明示的にそのように規定しない限り、理想的な、または過度に形式的な意味で解釈されることはない。

本明細書で使用するとき、用語「ハード分析器」は、プロセス流および／またはプロセス流のサンプルに関連する特定の特性に関する値を実質的に直接検知および測定することができる、オンライン分析器またはオフラインの実験室に基づく機器を含む分析器を指す。測定されたこれらの特性は、「従属変数」と呼ばれる。従属変数の例は、サンプル内の成分の濃度、ならび引火点および蒸留特性などの「熱特性」、または曇り点、凝固点、目詰まり点、およびディーゼルの流動点などの冷特性を含む、サンプルの特徴を含んでもよい。これらの分析器の例は、それぞれＢａｒｔｅｃ Ｂｅｎｋｅ ＧｍｂＨ（Ｈａｍｂｕｒｇ、Ｇｅｒｍａｎｙ）から入手できるＦＰＡ−４、ＤＰＡ−４、ＣＰＡ−４、ＦＲＰ−４、ＣＦＰＰ−４．２、およびＰＰＡ−４を含み、一方では、横河電機（東京、日本）から入手可能なＧＣ８０００オンラインＧＣは、模擬蒸留（ｓｉｍｄｉｓｔ）分析を遂行するために使用されてもよい。用語「１次測定」、「測定」、「特性値」、および「従属変数」は、ハード分析器の出力を指す。これらの測定または従属変数は、単一の分析の結果であっても、複数の分析の集約であってもよい。本明細書で使用するとき、用語「推論に基づく分析器」および「ソフトセンサ」は、１つまたは複数のセンサが取得したさまざまな独立変数に対して動作して、ハード分析器により他の方法で測定してもよい特性に対応する、プロセス流体のさまざまな特性に関する値を推論するコンピュータ実装モデルを指す。独立変数の例は、ＤＣＳ（Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ、分散制御システム）へのプロセス圧力、温度、および流れの入力、ならびに分光計を用いて記録したプロセスサンプルのスペクトル内の強度応答を含む。推論したこれらの特性はまた、「予測従属変数」、「推論に基づく」もしくは「モデルに基づく」測定値、「対象となる特性」、または単に「予測」と呼ばれる。本発明の実施形態で使用する場合がある「推論に基づく分析器」の一例は、ＩｎｆｏＭｅｔｒｉｘ． Ｉｎｃ．（Ｓｅａｔｔｌｅ、Ｗａｓｈｉｎｇｔｏｎ）によるＰｉｒｏｕｅｔｔｅ（登録商標）多変量モデリングプログラムを用いて開発された特性モデルを含む。

本明細書で使用するとき、「プロセス流」または「プロセス流体」は、プロセスに関連する任意の流れまたは流体である。限定しない例では、プロセス流は、プロセスプラント内部のプロセスの任意の中間プロセス流を含む。本明細書で使用するとき、「生成物流」または「生成物流体」は、製造プロセス内部の作業ユニットから得られる出力であるプロセス流であり、別の作業ユニットへの供給原料であってもよい、または実質的に、プロセスプラントが製造する生成物のための基礎原料になってもよい。しかしながら、プロセス流のより限定的な実例である「生成物流」は、たとえば、所望の特性の最終生成物を提供するために、他の処理ユニット、またはタンクもしくはブレンダ内部での配合によりさらに修正を受けてもよいプロセス流を依然として包含してもよい。本発明の方法およびシステムは、プロセス流のより限定的な実例である場合がある、すべてのプロセス流およびすべての生成物流に関係することが意図される。ある種の実施形態では、本発明の方法およびシステムは、最終生成物自体に適用されてもよい。

用語「コンピュータ」および「エンドユーザ機器」は、ワークステーション、パーソナルコンピュータ、携帯情報端末（ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ、ＰＤＡ）、無線電話、またはプロセッサ、コンピュータ可読コード（命令および／またはデータを含む）を配置してもよいコンピュータ可読媒体、およびユーザインタフェースを含む、任意の他の適切なコンピューティング機器を包含することを意味する。用語「リアルタイム」は、外部事象発生に伴いほぼ同時に（たとえば、ミリ秒またはマイクロ秒の範囲内で）、または機器が外部プロセスに遅れないでついていくことができるようにするほど十分高速に、外部事象を検知し、それに応答することを指す。プロセス制御に関連して、「リアルタイム」データの頻度は、絶対的な用語ではなく相対的用語で規定される。したがって、数分のオーダーの時間フレームで著しい変化が発生する可能性があるプロセスに関しては、プロセス制御の観点から３０秒ごとに入手可能な新しい分析結果はリアルタイムである。そのため、１０分〜１５分よりも長い時間フレームで著しいプロセス変動が発生するとき、５分の測定時間間隔はリアルタイムである。精製所ガソリン配合作業工程の作業工程を最適化するための、３０秒〜６０秒ごとの分析結果はリアルタイムである。

用語「ＤＣＳ」および「分散制御システム」は、横河電機から市販されているＣｅｎｔｕｍ ＶＰ（登録商標）などのコンピュータ実装プロセス制御システムを指す。

化学処理および石油化学処理、炭化水素処理、ならびに精製作業工程での連続プロセス流などのプロセス流の特性に関する、実質的にリアルタイムな情報の可用性は、処理量を最大にする、生成物品質を制御する、および／またはプロセスプラントの作業工程が環境にとって健全で安全であることを確実にするためにしばしば重要になる場合がある。

本発明者は、プロセス流の特性を決定するためのシステムおよび方法を考え出した。本発明の一実施形態では、プロセス流は、炭化水素プロセス流であってもよい。本発明のある種の実施形態では、本発明のシステムおよび方法は、生成物流の１つまたは複数の特性を決定するために使用されてもよい。本発明のある種の実施形態によるシステムおよび方法は、測定値を頻繁に高精度で提供する。

本明細書で以下に記述する代表的実施形態は、ハード分析器とソフト分析器の両方の強みを活用し、さらにまたそれらの弱点を克服する目的で適用されてもよく、この場合、ハード分析器は、基本的手段によりサンプルのある種の特性ｊに関する値Ｐ（ｊ）を測定する機器であり、一方では、ソフト分析器は、同じ特性に関する値Ｐ’（ｊ）を推論するための数学的モデルまたはアルゴリズムを採用する。ハード分析器は、１次の、または第１原理の結果を提供するが、ソフト分析器から得られる結果は、２次の、推論に基づく、または予測したと記述されてもよい。より具体的には、ソフト分析器による値Ｐ’（ｊ）の予測は、サンプルの特徴であるが特性ｊではない、１つまたは複数のセンサが測定した応答に基づく。この場合、モデルは、１つまたは複数のセンサの応答を値Ｐ’（ｊ）に変換するのに役立つ。応答は、対象となる特性ｊと事実上無関係である１つまたは複数のセンサ出力である限り、関連する独立変数またはセンサの数がいくらであれ、含意などなしに、本明細書で以後１つまたは複数の「センサ応答」と交換可能に呼ぶ「独立変数」である。本発明の特定の実施形態では、経験的知識に基づく品質マネージャ（ＣＱＭ）は、図１に示すように両方を統合して、炭化水素混合物の蒸気圧の特性測定を実質的にリアルタイムで提供し、それにより、ハード分析器の強みはソフト分析器の弱点を直接軽減し、逆もまた同様である。

ハード分析器の主要な強みは、ハード分析器が、材料に関する値Ｐ（ｊ）を物理機械機構または機器から得られる第１原理信号として得ることである。出力は、何らかの標準と比較した較正を伴ってもよい何らかの基本的数学関数を適用することにより調整されてもよいが、ハード分析器が生成する信号の重要な特徴は、その信号が特性ｊに比例し、かつ特性ｊに関して実質的に選択的であり、一方ではさらにまた、分析された物質の他の特性の影響を実質的に受けないことを含む。重要なことには、ハード分析器は多くの場合、標準試験法（ＡＳＴＭ法）を開発し、統計的に特徴づけ、公表する、石油製品および潤滑油に関するＡＳＴＭ委員会Ｄ０２による努力の対象であり、方法は、１次試験方法（ＰＴＭ）と呼ばれ、１次試験方法を用いて行った測定は、１次試験方法の結果（Ｐｒｉｍａｒｙ Ｔｅｓｔ Ｍｅｔｈｏｄ Ｒｅｓｕｌｔ、ＰＴＭＲ）と呼ばれる。ＰＴＭの較正、およびそのＰＴＭＲの再現性および反復性は、対応するＡＳＴＭ法で規定されるので、この方法に従って実行した測定値は、多くの場合管理移送に関連する材料認証のための基礎となる。

ハード分析器の限界は、例として、（ａ）プロセス制御および最適化を可能にするために最適な頻度に対して長い分析サイクル時間、（ｂ）正確なプロセス時間軸との調和を必要とする場合がある測定結果をハード分析が発行する際に結果として起こる遅れ、（ｃ）分析される連続するサンプルが異種であるときに分析器センサおよびシステム内部で発生するヒステリシス、（ｄ）前述の長い分析サイクル時間のため、さらにまた時間的および物理的に離散的なサンプルに対する単変量応答を分析器が生成するため、統計的手段により測定精度を改善する可能性が限定されること、（ｄ）サンプルによる分析器装置の付着物または詰まりを含むがこれらに限定されない、分析条件の下でサンプルの挙動に関係がある厄介な問題およびその結果生じる整備、（ｅ）多数の流れを監視するために特定のタイプの多数のハード分析器を実装する費用、ならびに（ｆ）流れの間の切替え、プロセス・サンプル・タップから分析器へ流れを輸送する際の遅れ、一方の流れに関する結果を、他の流れに対して測定を行っている間に報告する際の遅れ、および流れの特性が異種であるときに、分析器センサおよびシステム内部で発生するヒステリシスを含むがこれらに限定されない、複数の流れを監視するために単一のハード分析器を適用することに関係する厄介な問題を含む場合がある。

ソフト分析器の強みは、主に３つの要因に、すなわち、即時性、代表性、および多重度に関係がある。即時性は、監視されているプロセスで変化が発生する割合と比較して高い予測の速度および頻度、さらにまた大部分のハード分析器の分析サイクル時間に関係する。代表性および多重度は、即時性の結果であり、代表制は、短い時間フレームで複数の結果を得る可能性に関係し、多重度は、ソフト分析器が複数の特性および／または複数の流れを同時に、または迅速に連続して監視するように構成されてもよい特徴である。代表性の重要な利点は、サンプル流に関する、連続する結果に平均化関数または減衰関数を適用することを含む統計的手段により精度を改選する可能性である。さらに、いくつかの実施形態では、推論に基づくモデルを作成するために使用してもよい多変量回帰技法は、ＰＴＭＲに関連する不正確さを、および図２に示すモデル導入で使用するデータベースでのセンサ応答をフィルタ処理する際に、非常に効果的であることが示され、フィルタ処理には、参考とする方法（非特許文献１）の不確実性よりも約８０％低い不確実性よりもモデル予測での不確実性が大きくてもよいように、統計的手段によりＰＴＭＲと応答を関係づけるという利点がある。

ソフト分析器の主な欠点は、ソフト分析器が、対象となる特性を実際には測定しないということである。むしろソフト分析器は、対象となる特性ではなく、プロセスまたはプロセス流に連通信可能に連結された１つまたは複数のセンサの出力であるセンサ応答に、モデルである何らかの数学関数ｆを適用することにより特性を予測する。以下でより詳細に論じるように、いくつかの実施形態では、ソフト分析器は、対象となる特性に関する値とセンサ応答である独立変数との間に相関関係を適用する。したがって、
Ｐ’（ｊ）＝ｆ（センサ応答） 式（１）
であり、式中、Ｐ’（ｊ）は、値Ｐ（ｊ）を予測したことを示し、ｆは、Ｐ’（ｊ）を得るためにセンサ応答に適用された関数であり、この関数は、図２に示す手順などの手順により作成され、適用されたモデルであり、手順は、予測供給連鎖である。センサ応答を、時には独立変数と呼ばれる、ハード分析器が測定したＰＴＭＲ、すなわちＰ（ｊ）ではない１つまたは複数の変数を備えるとみなしてもよい。分析が、本明細書で使用するように、センサ応答にモデルを提供することであるということを考慮に入れると、ソフト分析器は、モデルと、モデルを使用して、対象となる特性にセンサ応答を相関させるように構成されたプロセッサとを含む。ソフト分析器への入力の役割を果たすセンサ応答自体とソフト分析器を混同すべきではない。ソフトウェアで実装されても、ファームウェアで実装されても、分析器モデルが作成され、コンピュータプログラムを用いてデジタルで適用されるので、ソフト分析器という用語が適用される（時には、ソフトセンサと呼ばれる）。しかし、ソフトという用語はまた、センサ応答が所与の特性を引き起こす化学的性質すべてを極限では考慮するわけではないので、ソフト分析器が、ハード分析器の堅牢性を一般に欠くという意味で、ソフト分析器による予測が確固たるものではないので、比喩的に適用され、この場合、堅牢な、および堅牢性という用語は、本明細書で使用するとき、何らかの規定された初期時間フレームの範囲内で達成された予測精度が、プロセス変化、および監視している流れの化学的性質に付随する変化があるにもかかわらず、経時的に実質的に変化しないまま残る品質を指す。

ＰＴＭおよびソフト分析器は、２つの重要な点で違いがある、すなわち、ＰＴＭは、対象となる特性を直接測定する物理的機器に依存するが、ソフト分析器は、１つまたは複数のセンサから得られる独立変数に適用される数学関数を含み、１つまたは複数のセンサの出力は、それぞれ第１原理の測定および予測であり、予測は、推論に基づく予測である。さらに、ＡＳＴＭ法の範囲に含まれるＰＴＭは、管理移送のための生成物品質を認証するために広く使用されるが、本明細書で上記に列挙した理由のために、プロセス監視のための手軽なオンライン実装に常に対応できるわけではない場合がある。それに反して、ソフト分析器に関するＡＳＴＭ認可が一般に欠如しているからといって、プロセス監視およびプロセス制御でソフト分析器を使用することが排除されるわけではない。ソフト分析器は、そのような適用分野でハード分析器の代わりをすることができるので、代理センサと呼ばれることがふさわしい場合がある。

石油流および石油生成物の蒸気圧を測定するために適用されるハード分析器およびソフト分析器は、本明細書で上記に列挙した欠点のすべてを示す場合がある。典型的には、ハード分析器は、ＡＳＴＭ法などの標準的方法に従って蒸気圧を自動的に無人で、オンラインで決定する市販の機器である。事実上、ハード分析器は、ＡＳＴＭを無人で反復して実行するために工学的に作り出された従来の実験室分析器の自動化版である。ソフト分析器は、推論に基づく分光計を用いて蒸気圧を予測し、近赤外線（ｎｅａｒ−ｉｎｆｒａｒｅｄ、ＮＩＲ）、中赤外線（ＦＴＩＲ）、ラマン、および核磁気共鳴（ｎｕｃｌｅａｒ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ、ＮＭＲ）などの何らかの特定の分子分光法技法により計測したサンプルスペクトルに適用される、適切な処理手段上で実行される多変量モデルを含む。多変量モデリング法を分子分光法技法と組み合わせることは、多くの業界で周知であり、石油およびディーゼルを含む炭化水素混合物の特性を予測するために数１０年間、精製業界で実施されてきた。しばしば計量化学と呼ばれる、多変量特性モデルを作るのに適したソフトウェアパッケージが広く入手可能であり、分光計供給者とサードパーティの両方により提供され、Ｐｉｒｏｕｅｔｔｅ（登録商標）は、世界的に販売された代表的計量化学プログラムである。したがって、
Ｐ’（蒸気圧）＝ｆ（サンプルスペクトル） 式（２）
であり、上式は、数学関数ｆが、蒸気圧に関する予測値Ｐ’（蒸気圧）を得るためにサンプルスペクトルに適用されたモデルであることを示す。しかし、本発明者は、従来の知識に反して、従来の分子分光法技術により得た、複雑な液体炭化水素混合物のスペクトルが、サンプルの化学組成の一意の表現ではないことを認識した。他の場所で（非特許文献２）詳述されている理由は、分光法が化学的性質を十分に決定するわけではない、すなわち、化学組成の変化が、サンプルスペクトル内に、対応する一意の変化を作り出すわけでは必ずしもないということである。数学的用語では、理由は、対象となる特性の大きさの原因となっているサンプル組成が、対応するサンプルスペクトルよりも多くの自由度を有するということである。化学の用語で理解すると、ちょうどアルファベットの最初の５文字だけを使用して数ダースの単語を組み立てることができるように、官能基と呼ばれる、比較的少数の構成単位を組み合わせることにより、混合物内で炭化水素分子の大きな多様性が達成される。類推を続けると、赤外線（ｉｎｆｒａｒｅｄ、ＩＲ）、近赤外線（ＮＩＲ）、ラマン、および核磁気共鳴（ＮＭＲ）分光法などの技法は、文字、または隣接する文字のグループとして応答を記録するが、極限では、ａ〜ｅを使用して綴られた、異なる量のこれらすべての単語を含む混合物内で全単語をそれぞれ拾い上げることができるわけではない。この制限は、分子量（語長）を増大させる機能として作用し始める。より問題なことには、他の場所で（Ｔｒｙｇｓｔａｄ、ｅｔ ａｌ．、ＩＳＡ ２０１５）より完全に論じられているように、意味のある変化を蒸気圧に作り出す、成分の濃度変化は、ガソリンなどの複雑な石油混合物、原油、および同種のもののスペクトルに、対応する測定可能な変化を作り出さない場合がある。

問題は、最も高い蒸気圧を有する、したがって、ＲＶＰに最も強く寄与する化合物が、その純粋な形態で、スペクトル応答を示さないということではない。むしろ、ＲＶＰに変化を伴うスペクトル変化は、混合物内のすべての化合物に関する集約応答の中で失われた場合があり、このスペクトル変化が、分子分光法技法の検出限界以下である場合があることを意味する。多変量相関関係を作成することができないこともまた問題ではない。実際は、石油精製などの炭化水素処理作業工程は、物理的および経済的に制約付きであり高度に統合されているので、蒸留作動温度または元素状硫黄の百万分率など、分光法に基礎をまったく有しない特性に関してさえ、多変量分光測定モデルを必然的に得ることができるように、生成物の品質と組成の間に相関関係が存在する。しかし、そのような相関関係は、状況により、第１原理ではなく、しばしば完全に識別できない、または未知の、原因となる条件に起源をもち、したがって、格言によれば、相関関係は因果関係を意味しない。一般にソフト分析器に伴う周知の問題は、予測値が置換することを目指すＰＴＭの測定信頼性を有する予測を一般に達成することができない、推論に基づく分光法で特に悪名高い。それに応じて、分光測定代行による蒸気圧（本明細書でＲＶＰと呼ぶ）予測は、変化するプロセス条件の結果として生じる、変化する化学組成全体にわたって予測堅牢性を欠き、したがって、普及する要件は、特性モデルを更新し、調整し、または変更するために、蒸気圧予測を実施する人がしばしばかなりの努力を継続してささげなければならないということである。そのような努力は、一般にリモデリングまたは再較正と呼ばれ、多くの適用分野でモデルによる予測の品質を回復する傾向にあるが、リモデリングには、任意の所与の瞬間での予測の信頼性、およびリモデリングを必要とする段階まで信頼性が劣化したときの判断という２つの固有の不確実性がある。典型的には、上記の判断は、ＰＴＭによる通常の分析を通して生成された結果を用いて結果を統計的に比較することによってだけ確認することができる。

したがって、ハード分析器とソフト分析器の両方に関して、本明細書で上記に列挙した弱点を克服する一方で、さらにまたハード分析器およびソフト分析器それぞれの強みに対応する特徴を提供する、蒸気圧を分析する取り組み方法の必要性が当技術分野に存在する。したがって、図１に示すように、本発明の特定の実施形態は、対象となる特性が炭化水素（ｈｙｄｒｏｃａｒｂｏｎ、ＨＣ）プロセス流の蒸気圧である、高精度で実質的にリアルタイムのオンライン測定を提供する技術融合によって、それぞれハード分析器３１０’およびソフト分析器３１２’を統合するＣＱＭ３１６を用いて、上記の取り組み方法を達成し、プロセス１０は、ＨＣプロセス流１２を得る、取り扱う、移送する、または修正するように設計された任意の作業工程であり、ハード分析器３１０’は、プロセス流インタフェース２２を介してプロセス流に通信可能に連結され、特定の実施形態では、分析器３１０’は、プロセスから得られるサンプルの蒸気により加えられる圧力Ｐ（蒸気圧）の第１原理測定を可能にするように、圧力センサ２４を装備する内部サンプルセルを含む。ソフト分析器３１２’は、ＰＴＭにより、たとえばインタフェース２２でプロセスのサンプルに通信可能に連結された、Ｐ（蒸気圧）を測定するセンサを含まない１つまたは複数のセンサ３４２から得たセンサ応答３４０に適用されるとき、プロセス流のサンプルに関する蒸気圧値Ｐ’（蒸気圧）を推論するモデル３１９を含む。本明細書で以下により詳細に論じるように、センサ３４２は、分光計３４１のうち任意の１つまたは複数と、１つまたは複数の単変量特性センサおよび／またはガスクロマトグラフ（ｇａｓ ｃｈｒｏｍａｔｏｇｒａｐｈ、ＧＣ）を含んでもよい特性センサ３４３とを含んでもよい。プロセス流インタフェース２２は、センサおよび／またはハード分析器がプロセス流に通信可能に連結されてもよい、従来のサンプルセル、流路、サンプル容器および／または本来の場所で読取り値を得るための、プロセス流の中に入り込む１つもしくは複数の挿入物を含む任意の数のインタフェースを含むことに留意されたい。さらに、実質的に連続流れ方式のプロセス流１２に関して主に示し、記述するが、本発明の範囲を逸脱することなく、本発明の実施形態をストップト・フロー・モード（ｓｔｏｐｐｅｄ−ｆｌｏｗ ｍｏｄｅ）で動作させてもよいことを認識されたい。

蒸気圧という用語は、本明細書では、混合物内の成分によりＨＣ混合物のサンプルの表面上に加えられる圧力を非常に一般的に言及するために、蒸気圧という用語の従来の規定と矛盾なく使用される。より詳細には、本明細書で使用するとき、蒸気および液体が、密閉容器内に含まれ、同じ温度にあり、蒸気対液体の比が規定され、固定されるとき、蒸気圧は、気相炭化水素を発生させる液体ＨＣ混合物と熱力学的平衡にある気相炭化水素により加えられる圧力である。

プロセス流（１２）という用語は、本明細書で使用するとき、限定しない例として、プロセス内に含まれる、またはプロセスを通して流れている液体ＨＣ混合物であって、配合ガソリン；配合ガソリンを作り出すために使用する複数の配合成分のいずれか；ユニットランダウンまたは生成物とも呼ばれる、精製所内部の作業ユニットから得られる出力；精製所内の任意の作業ユニットへの供給原料；揮発性石油生成物；坑口装置から精製所の原油蒸留ユニット（ｃｒｕｄｅ ｄｉｓｔｉｌｌａｔｉｏｎ ｕｎｉｔ、ＣＤＵ）への供給連鎖内の任意の地点での原油；および処理されていない、部分的に処理されている、完全に処理されている、または混合されている場合がある、原油、縮合物、留出物、天然ガス液（ｎａｔｕｒａｌ ｇａｓ ｌｉｑｕｉｄ、ＮＧＬ）、シェール油などを含む石油流；ならびに／またはこれらの組合せもしくは混合物からなるグループから選択される液体ＨＣ混合物を指す。

プロセス（１０）という用語は、本明細書で使用するとき、限定しない例として、抗井、パイプライン、気動車、固定されたタンク、トラック、または船舶から得られるＨＣ混合物を実質的に変えることなく受け取り、取り扱うこと；抗井、パイプライン、気動車、固定されたタンク、トラック、または船舶の間でＨＣ混合物を運搬すること；ＨＣ混合物がプロセス供給原料であり、かつ分離された成分が生成物である、沸点に基づき成分を分離するように設計された蒸留塔を用いてＨＣ混合物の物理的特性を、詳細にはＨＣ混合物の蒸留プロファイルを修正すること；ＨＣ混合物がプロセス供給原料であり、かつ修正された混合物が生成物である混合物内の成分の一部またはすべての化学構造を変化させることにより、ＨＣ混合物の化学的特性および／または物理的特性を修正すること；集約した物理的特性および／または科学的特性、ならびに集約した値が供給原料流に関する物理的特性および／または科学的特性の集約の間の中間である１つまたは複数の生成物流を得るために、プロセス供給原料流である複数のＨＣ混合物を組み合わせること；ならびに／またはこれらの組合せもしくは混合物からなるグループから選択される１つまたは複数の目的を有する作業工程を指す。プロセスは、複数のプロセスを備えてもよく、目的が、１つまたは複数のプロセス流の修正であるとき、１つまたは複数の生成物流の集約値は、１つまたは複数の供給物流の集約値よりも一般に大きい。蒸気圧を制御することは、限定しない例として、プロセス流の封じ込めで使用する船の圧力限界、およびプロセス流を運搬するために使用するパイプラインの圧力限界；自動車燃料などの最終用途の要件；および環境規制を含む多様な理由でしばしば重要である。所与のＨＣ混合物の蒸気圧は、その最低分子量成分の濃度に最も強く依存するので、多くのプロセスは、最低分子量成分の濃度を修正または制御するように設計され、そのような修正または制御は、一般に供給物流および／または生成物流の蒸気圧に関する、正確で実質的にリアルタイムの情報の可用性に依存する。

ハード分析器（またはＲＶＰ分析器）３１０’という用語は、本明細書で使用するとき、たとえば、流れセルなどのプロセス流インタフェース２２を介してプロセスに通信可能に連結され、かつプロセス流のサンプルを取得して、サンプルセルの中に受け入れられた液体サンプルの相対体積を制御すること、液体の上方の、セル内の上部空間、サンプルの液体および気相の温度、および圧力センサ２４を用いてセル内の気相により加えられる圧力の読取りを含む標準的方法論に従って水蒸気圧を測定し、蒸気圧に関する結果を発行するように構成された機器を指す。方法が、石油製品の蒸気圧に関する標準試験方法（リード法（Ｒｅｉｄ Ｍｅｔｈｏｄ））であるＡＳＴＭ Ｄ３２３であるとき、蒸気圧は、リード蒸気圧（Ｒｅｉｄ Ｖａｐｏｒ Ｐｒｅｓｓｕｒｅ、ＲＶＰ）と呼ばれる。Ｄ４０５７、Ｄ４９５３、Ｄ５１８８、Ｄ５１９９、Ｄ６３７７、Ｄ６３７８、Ｄ６８９７などのような他の関連するＡＳＴＭ試験方法により、さらにまたＡＳＴＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ、もしくは他の国際機関および国際組織により公表された他の標準方法により、蒸気圧を測定してもよい。本明細書で以後、他の方法で指摘したときを除き、蒸気圧を便宜上ＲＶＰと呼ぶが、リード法による蒸気圧の測定は、一般に蒸気圧を測定するための任意の数の方法を表すこと、ならびに本明細書で以後記述する本発明の実施形態は、一般に液体ＨＣ混合物の蒸気圧を測定するための第１原理方法すべてに適用されることが理解されよう。商用ハード分析器（ＲＶＰ分析器）３１０’の一例は、Ｅｒａｖａｐ Ｏｎｌｉｎｅ（Ｅｒａｌｙｔｉｃｓ ＧｍｂＨ、Ｖｉｅｎｎａ、Ａｕｓｔｒｉａ）である。

ソフト分析器（３１２’）という用語は、本明細書で使用するとき、プロセス流に関するＲＶＰ値Ｐ’（ＲＶＰ）を実質的にリアルタイムで予測するように構成され、かつハード分析器に関して本明細書で上記に記載した以外の手段による読取り値をセンサが得るプロセス流に通信可能に連結された１つまたは複数のセンサにより生成されたセンサ応答に適用される、適切なプロセッサ上で実行される数学モデル３１９を含む。使用するモデリングアルゴリズムとは無関係に、モデルは、ハード相関関係であっても、直接相関関係であってもよい、センサ応答との第１原理関係に関してＲＶＰ値を説明するわけでは必ずしもない。むしろ、モデルという用語は、主に、ＲＶＰモデルが、それを作成するために使用するデータセットの変動を説明するという理由で適用され、モデルが、センサ応答の変動に対するＲＶＰの変動を考慮することを意味する。このような考慮は、根本的にはＨＣ混合物の化学的性質、および混合物が生成されたプロセスに基づくが、そのことは、不明瞭であり、弱く、状況により、または一般に第１原理に関して理解されない、もしくは説明できない場合があるので、結果として得られるモデルは、時にはブラック・ボックス・モデルと呼ばれる場合がある。したがって、ソフト分析器は、ＲＶＰにセンサ応答を関係づける数学関数に基づくが、その関係は、センサ応答が、ＲＶＰの原因となる、基になる化学的性質を前述のように十分に決定しないために、間接的で不完全な因果関係でしかない場合がある。したがって、ソフト分析器は、その数学関数をソフト（たとえば、ハード相互関係ではない）または状況によると考えてもよい推論に基づく分析器であり、対象となる特性の原因となる化学的性質の表現は、それぞれ直接的であるが、不明瞭である、または間接的かつ不明瞭である（非特許文献３）。図示するように、本発明の実施形態は、予測蒸気圧Ｐ’（ＲＶＰ）を使用して、たとえばデジタル制御システム（ｄｉｇｉｔａｌ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ、ＤＣＳ）３２０’を介して、流体処理流１２を含むプロセス１０をリアルタイムで制御するように構成されたプロセスオプティマイザ３１４’を含む。

モデル３１９が受け入れて、予測ＲＶＰ値Ｐ’（ＲＶＰ）に変換するセンサ応答（３４０）という用語は、本明細書で使用するとき、特定のタイプのセンサに依存する場合がある、当業者に公知の適切な手段により、たとえばプロセス流インタフェース２２で、プロセス流に通信可能に連結した１つまたは複数のセンサ３４２から得られる出力を指す。特定の実施形態では、センサ３４２は分光計３４１を含み、プロセス流インタフェースは、サンプル流セルであり、分光計は、限定しない例としてＦＴＩＲ、ＦＴＮＩＲ、ＡＯＴＦ−ＮＩＲ、スキャニング分散ＮＩＲ、ダイオードアレイＮＩＲ、ＭＥＭＳ−ＮＩＲ（ＩＲ／ＮＩＲ）を含む中赤外線または近赤外線電磁放射の吸収；ラマン効果散乱（ラマン）；および核磁気共鳴（ＮＭＲ）からなるグループから選択される分子分光法技法を適用するように構成される。プロセスＦＴＩＲ分光計の一例は、Ａｐｐｌｉｅｄ Ｉｎｓｔｒｕｍｅｎｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ、 Ｉｎｃ．（Ｕｐｌａｎｄ Ｃａｌｉｆｏｒｎｉａ）から市販されている。市販のさまざまなＮＩＲ分光計技術の例は、ＱｕａｓＩＲ ２０００ ＦＴＮＩＲ（Ｇａｌａｘｙ Ｓｃｉｅｎｔｉｆｉｃ、Ｎａｓｈｕａ、Ｎｅｗ Ｈａｍｐｓｈｉｒｅ）、ＰＩＯＮＩＲ（Ａｐｐｌｉｅｄ Ｉｎｓｔｒｕｍｅｎｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ．）、およびＶｅｒａｘ ＶＰＡ（ＪＰ３ Ｍｅａｓｕｒｅｍｅｎｔ ＬＬＣ、Ａｕｓｔｉｎ、ＴＸ）を含む。プロセスラマン分光計の例は、ＨｙｐｅｒＦｌｕｘ Ｐ．Ｒ．Ｏ． Ｐｌｕｓ（Ｔｏｒｎａｄｏ Ｓｐｅｃｔｒａｌ Ｓｙｓｔｅｍｓ、Ｔｏｒｏｎｔｏ、Ｏｎｔａｒｉｏ）およびＰＩ−２００（Ｐｒｏｃｅｓｓ Ｉｎｓｔｒｕｍｅｎｔｓ、Ｉｎｃ．、Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ、Ｕｔａｈ）を含む。ＭＯＤ−８００ ＭＲＡ（Ｍｏｄｃｏｎ Ｓｙｓｔｅｍｓ Ｌｔｄ．、Ｌｏｎｄｏｎ、Ｅｎｇｌａｎｄ）は、プロセスＮＭＲ分光計の一例である。センサ３４２はまた、本明細書で、以下でより詳細に記述するようなＧＣまたは単変量センサ３４３などの、１つまたは複数の特性センサ３４３を含んでもよい。

上述のように、センサ応答３４０は、分光計３４１が生成し、かつ光学機器、または分光計とサンプルの間の接触を容易にするのに適した機器の集合であってもよいプロセス流インタフェース２２を用いて得たサンプルスペクトル３２２’を含んでもよく、機器は、（ｉ）流れているサンプル流の中に挿入されたプローブ、または（ｉｉ）分光法のために採用された電磁放射との接触を達成するようにプロセス流のサンプルが流れてもよいフローセルでもあるセルを含んでもよい。特定の一実施形態では、セルは、セルからの出口の後方に位置するサンプル遮断弁（図示せず）により達成されるストップト・フロー・モードで、セル内で得た離散サンプルのスペクトル３２２’を取得する、ラマン分光計、ＮＩＲ分光計、またはＦＴＩＲ分光計に光学的に連結された光学セルである。別の特定の実施形態では、分光計は、連続流モードで得たサンプルのスペクトルを取得し、この場合、得られるスペクトルは、体積がｒ×ｔに等しい離散サンプルに対応するスペクトルであり、式中、ｒ＝［セルを通るサンプル流量］であり、ｔ＝［サンプルスペクトルを取得するのに必要な時間］であり、記録されたスペクトルは、スペクトル取得開始後の時間ｔ／２に対応する平均スペクトルである。サンプル温度の変動は、サンプル組成の変化により引き起こされた変動と容易に区別されない場合があり、かつそれを不明瞭にさえする場合がある、スペクトル特徴の微妙な変化を引き起こす場合がある。極限では、温度に依存するスペクトル摂動は、モデリングアルゴリズムの忠実度を危うくする場合がある。したがって、センサ応答が、サンプルスペクトル３２２’を含む、１つまたは複数のセンサ３４２から得られる出力である場合、特定の実施形態では、接触のモードがストップト・フローまたは連続流であるときに、かつ温度が約３０℃未満、約３５℃未満、約４０℃未満、約５０℃未満、約６０℃未満、約８０℃未満、または約１００℃未満であり、温度制御許容範囲が約±０．５℃未満、約±１．０℃未満、または約±２．０℃未満である場合、光学フローセル２２の温度、および用途に適した温度で流れるサンプルの温度を制御する。

上記で論じたように、分光計３４１が出力するセンサ応答３４０’は、サンプルスペクトル３２２’である。サンプルスペクトルは、規定した周波数範囲全体にわたる強度値を含み、混合物内のすべての化合物に含まれるさまざまな官能基の集約表現を表し、強度は、その位置が官能基の識別情報および官能基の集約濃度に関係があるピークを規定する。ＨＣ混合物の特性は、サンプル混合物内の成分の性質および濃度により決定されることは自明である。これは、明らかにＲＶＰ３１０’にあてはまり、同様に、混合物の特性であると言うこともできるサンプルスペクトル３２２’にもあてはまる。サンプルスペクトルに適用するために開発されたソフト分析器モデル３１９から得られる出力は、式（２）に規定するようなＰ’（蒸気圧）である。

別の特定の実施形態では、所与のサンプルに関するセンサ応答３４０は、分光計３４１を用いて測定したサンプルスペクトル３２２’と、プロセス流と通信可能に連結された単変量特性センサなどの対応する特性センサ３４３により測定した密度、粘度、屈折率、および温度からなるが、それらに限定されないグループから選択された特性に関する１つまたは複数の値とを含む。密度、粘度、および屈折率を測定するための代表的な単変量特性センサは、それぞれＲｏｔａＭＡＳＳコリオリ質量流量および密度計（Ｒｏｔａ Ｙｏｋｏｇａｗａ ＧｍｂＨ ＆ Ｃｏ． ＫＧ、Ｗｅｈｒ、Ｇｅｒｍａｎｙ）、ＭＩＶＩプロセス粘度計（Ｓｏｆｒａｓｅｒ、Ｖｉｌｌｅｍａｎｄｅｕｒ、Ｆｒａｎｃｅ）、およびＰＲ−２３−ＲＰプロセス屈折計（Ｋ−Ｐａｔｅｎｔｓ、Ｖａｎｔａａ、Ｆｉｎｌａｎｄ）である。さまざまな実施形態では、センサ応答３４０は、単変量応答、たとえば、超音波、誘電分光法、およびガスクロマトグラフィに基づく単変量応答であっても、そうではなくてもよい応答を含んでもよいことを認識されたい。さらに他の特定の実施形態では、センサ応答３４０は、分光計３４１から得られるサンプルスペクトル３２２’を除外した、前述の特性センサ３４２のうち１つまたは複数から得られる出力である。さらに本明細書で使用するとき、用語「単変量センサ」は、一般に一体化した温度補正を有する従来の密度、粘度、および屈折率のセンサなどを包含することが意図される。

本明細書では以後、センサ応答３４０は、一般に分光計３４１から得られるスペクトル３２２’を含んでもよい、１つまたは複数のセンサ３４２から得られる出力；密度、粘度、屈折率、および温度を取得する単変量センサを含む１つまたは複数の特性センサ３４３から得られる出力、および／またはガスクロマトグラフから得られるクロマトグラムを意味する。それに応じて、ＲＶＰに関する予測値を次式で表現してもよい。
Ｐ’（ＲＶＰ）＝ｆ（センサ応答）＝ｆ（サンプルスペクトル，ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ），Ｃ（ＨＣ）） 式（３）
式中、関数ｆは、センサ応答内の１つまたは複数の要素に対して動作するモデルである、推論に基づく分析器であり、ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、１つまたは複数の他のセンサから得られる出力であり、Ｃ（ＨＣ）は、ＨＣ混合物のガスクロマトグラムから得られる強度対時間出力である。センサ応答が複数の要素である実施形態に関連して、本明細書では、要素が数学的に構成され、配列され、グループ化され、表現される形に関する何かを、または要素が１つまたは複数のセンサにより発行されたとして使用されるか、最初に当業者に公知の方法により何らかの方法で修正または処置されたかどうかに関する何かを意味するものが何かあると考えてはならない。特定の一実施形態では、センサ応答３４０は、１つまたは複数の他の特性センサ３４３から得られる１つまたは複数の出力を伴うサンプルスペクトル３２２’の濃度である。

ＣＱＭ機能。ＣＱＭによるハード分析器およびソフト分析器の前述の統合は、図に示す活動に対応する３つの活動／機能を、すなわち、データベース取得、モデル開発、およびＲＶＰ測定を伴う。データベース３１８取得は、（ｉ）ハード分析器３１０’から得られる値Ｐ（ＲＶＰ）の応答４０’の収集および集約とプロセスサンプルの母集団に関するセンサ応答３４０の集約とを同期させるため、ならびに（ｉｉ）これらの収集および集合を達成するための処理および機構である。モデル開発は、サンプルのＰ（ＲＶＰ）（ハード分析器）応答４０’とデータベース内の対応するセンサ応答３４０の関係づけを通して特性モデル３１９を作成することである。ＲＶＰ測定は、モデル開発によって作成した特性モデル３１９を、いわゆる未知のプロセスサンプルに関するセンサ応答３４０に適用することにより、実質的にリアルタイムで値Ｐ’（ＲＶＰ）を生成することである。次に、これらについて、図を参照して詳細に記述する。

データベース取得．データベース３１８取得は、時間ｔ（０）から始まり、このとき、ＲＶＰ分析器３１０’は、信号をＣＱＭ３１６’に送信し、ＣＱＭ３１６’は、信号を得て、分析用サンプルの調整を開始する、または代わりに、ＣＱＭ３１６’がＲＶＰ分析器３１０’に信号を送り、ＲＶＰ分析器は、信号に応答して、信号を得て、分析用サンプルの調整を開始する。特定の一実施形態では、ＣＱＭ３１６’は、時間ｔ（０）に分光計３４１に信号を送信して、プロセス流インタフェース２２内のサンプルのサンプルスペクトル３２２’を取得する。ＲＶＰ分析器３１０’は、典型的には約４分〜約１０分の間の値を有する固定した測定サイクル時間ｔ（ＲＶＰ）に対応する頻度でサンプルを得て、分析する。スペクトル取得に必要な時間ｔ（スペクトル）は、当業者に公知の因子を考慮することにより設定されるが、典型的には大部分のプロセス分光計の場合、約０．２分〜約２．０分の間であるが、ＰＩ−２００に関しては約４分〜約１０分にもなる場合がある。ＰＩ−２００の場合を除き、比ｔ（ＲＶＰ）／ｔ（スペクトル）は、約２〜約２０であり、約５分〜約８分の典型的なｔ（ＲＶＰ）値については、および約３０秒〜約６０秒の典型的なｔ（スペクトル）値については、約５〜約１６の比が代表的である。分光計３４１がサンプルスペクトルの取得を完了し、ＲＶＰ分析器３１０’がＲＶＰ測定を完了すると、ＣＱＭは、サンプルスペクトルとＲＶＰ値の両方を一緒に受信し、分光計およびＲＶＰ分析器がサンプルを得た時間であるｔ（０）の値付きでデータベース３１８に保管する。

サンプルデータベース３１８の完全性は、プロセス流の同じ物理サンプルに対して、またはプロセス流と実質的に同一のプロセス流の物理サブサンプルに対して取得されている各サンプルに関して保管されたすべてのデータに依存する。したがって、センサ応答３４０を発生させるために使用する１つまたは複数のセンサ３４２は、ＲＶＰ分析器３１０’が取得し分析するセンサ応答３４０に時間的および空間的に近傍のプロセス流のサンプルに通信可能に連結されるべきである。ＲＶＰ分析器および分光計によるサンプリングを同期させるための戦略については、本明細書で上記に論じた。しかし、当業者は、時間スケールｔ（スペクトル）でのサンプル組成の変化が重要ではない場合、サンプルスペクトル３２２’である、またはサンプルスペクトル３２２’を含むセンサ応答３４０の取得が、ＲＶＰ分析器３１０’によりサンプルを得ることと正確に同期する必要がない場合があるという可能性を認識されよう。そのような場合、センサ応答３４０は、ＲＶＰ分析器３１０’がサンプルを得た時間に最も近くに対応するサンプルスペクトルを単に使用してもよい。１つまたは複数の他の単変量センサから得られる１つまたは複数の読取り値との同期は、これらの読取り値が実質的にリアルタイムで入手できるので、些細なことであり、選択可能な測定間隔は、約１秒〜約１０秒という短さであり、より長い間隔も同様に利用可能である。

固定間隔でのデータベース取得。特定の実施形態では、ＲＶＰ分析器３１０’は、総サイクル時間ｔ（ＲＶＰ）を用いてサンプルに関するＲＶＰを得て、調整して、分析し、一方では、結果は、ｔ（ＲＶＰ）の固定整数倍「ｎ」である間隔ｔ（ｉ）でＣＱＭ３１６’により得られ、データベース３１８に保管される。したがって、ｔ（ｉ）は、最小値ｔ（ＲＶＰ）を有し、一方では、他の値は、２×ｔ（ＲＶＰ）、３×ｔ（ＲＶＰ）、４×ｔ（ＲＶＰ）などに等しくてもよい。サイクル時間が約４分〜約１０分の範囲に及ぶ市販のＲＶＰ分析器では、ｔ（ｉ）の値は、約１５分未満、約２０分未満、約３０分未満、約４５分未満、約６０分未満、約２時間未満、約４時間未満、約８時間未満、約１２時間未満、および約２４時間未満であってもよい。ＣＱＭ３１６’は、ＲＶＰ分析器３１０’がサンプルを得る時間ｔ（０）＋ｔ（ｉ）に対応する次のセンサ応答３４０を取得するように構成される。次いで、ＣＱＭ３１６’は、測定したＲＶＰ値を受け取り、時間ｔ（０）＋ｔ（ｉ）のセンサ応答３４０と共にデータベース３１８に保管する。データベース３１８開発は、ｔ（ｉ）の値により決定された時間にＲＶＰ分析器３１０’および分光計３４１によりサンプルを得ること、それに続き対応するセンサ応答３４０、ＲＶＰ値（ＲＶＰ応答）４０’、およびサンプリング時間をＣＱＭ３１６’が受信し、３１８で保管することを継続する。今ここで記述したデータベース開発戦略は、限定しない例として提供したこと、および固定間隔データを用いて相関関係データベースにデータを追加するために、他のシナリオを考案してもよいことが理解されよう。たとえば、ＣＱＭ３１６’は、単変量センサから得られる、対応する値が実質的に瞬時に入手可能である間、サンプルデータを周期的に得るようＲＶＰ分析器３１０’、分光計３４１、および／またはガスクロマトグラフに指示するように構成されてもよい。

可変間隔でのサンプルデータ取得。最大の可能な堅牢性を備える特性モデル３１９を開発するために、データベース内で表現されるサンプルは、（ｉ）モデルが適用されるサンプルの特性値に対応し、かつ（ｉｉ）多変量モデリング法を適用することにより統計的に堅牢な相関関係がもたらされるように十分に多様な特性値の範囲およびサンプル組成の範囲に及ぶべきである。したがって、データベース開発の目的は、ｔ（ｉ）が比較的小さいときに発生する可能性がある多数のサンプルに関するデータを単に蓄積することではない。プロセス変動の時間スケールが、ｔ（ＲＶＰ）と比較して比較的長いとき、流れの組成またはＲＶＰ値が後続のサンプル間で著しく変化する尤度は低いことを考慮する。結局、連続するサンプルを使用してデータベースを開発する場合、多くの冗長なサンプルが生じるであろう。

したがって、他の特定の実施形態では、ＣＱＭ３１６’は、時間以外の基準に基づき、データが保存されるサンプルを選択する。そのような選択は、ＲＶＰ分析器３１０’および分光計３１４が連続して動作し、各々によるサンプル獲得を同期させることなく、それぞれ総サイクル時間ｔ（ＲＶＰ）およびｔ（スペクトル）を用いて測定を行うことに依存する。ＣＱＭは、ＲＶＰ分析器および分光計から出力が入手可能になったときに出力を受け取り、次いで、ＲＶＰ分析器および分光計の各々によるサンプル獲得をいつ命令するか判断し、判断は、（ａ）何らかの規定された時間フレーム内で、連続する測定の中でのＲＶＰ値４０’の著しい変化、（ｂ）データベース３１８が及ぶ範囲の限界に近い、またはその範囲の外側のＲＶＰ値４０’、（ｃ）何らかの規定された時間フレーム内で取得した連続するサンプルの中でのセンサ応答３４０の著しい変化、（ｄ）現在のデータベース３１８内のサンプルに関するセンサ応答と比較して孤立値であるセンサ応答３４０、（ｅ）圧力、温度、および流れを含むがこれらに限定されないプロセスパラメータの変化に関して評価された、何らかの時間フレーム内でのプロセス条件の著しい変化、ならびに（ｆ）現在のデータベース内のサンプルに対応するプロセス条件と比較して孤立値を表す、特定の瞬間のプロセス条件からなるグループから選択された統計的に著しい１つまたは複数の事象を検出することができる方法に基づく。当業者はまた、所与のサンプルのＲＶＰ値４０’とセンサ応答３４０を組み合わせることにより、所与のサンプルに関する集約応答４２を任意選択で規定する可能性、および集約応答４２を用いて２つの他の統計的に著しい事象を、すなわち、（ｇ）何らかの規定された時間フレーム内で取得した連続するサンプルの中での集約応答４２の著しい変化、および（ｈ）現在のデータベース３１８内のサンプルに関する集約応答４２と比較して孤立値である集約応答４２を規定する確率を認識されよう。統計的に著しい事象（ａ）〜（ｈ）の検出は、当業者に公知の方法を使用して遂行されてもよく、（ａ）および（ｂ）は、統計的品質制御（ｓｔａｔｉｓｔｉｃａｌ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ、ＳＱＣ）に関して採用される単変量統計的方法を含むがそれに限定されない単変量統計的方法を適用することにより一般に検出される場合があり、（ｃ）〜（ｈ）の検出は、パターン認識法、または主成分分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ、ＰＣＡ）、階層的クラスタ分析（ｈｉｅｒａｒｃｈｉｃａｌ ｃｌｕｓｔｅｒ ａｎａｌｙｓｉｓ、ＨＣＡ）、トポロジ分析などを含むがこれらに限定されない多変量統計法により達成されてもよい。

固定間隔および可変間隔でのサンプルデータ取得。固定間隔と可変間隔の両方でサンプルに関するデータを取得するようにＣＱＭを構成することが望ましい場合がある。たとえば、プロセスは、可変間隔でのサンプルデータ取得に関する基準ではサンプルを選択しなくてもよい、約１時間〜約２時間の間の、長い時間フレームの間、非常に安定している場合がある。したがって、本発明の別の実施形態では、ＣＱＭは、本明細書で上記に記述したように、可変間隔でサンプルデータを取得するように、さらにまた、約１時間未満、約２時間未満、約４時間、約８時間未満、または約１２時間未満の、何らかの所定の時間間隔ｔ（ｉ）の範囲内で、オンデマンドでサンプルデータを取得するように構成される。さらに別の特定の実施形態では、データベースに含むために、ある種のサンプルを選択した後、第２の後続のデータもまた保管され、この場合、第２のサンプルは、間隔ｔ（ｉ）＝ｔ（ＲＶＰ）だけ置いて直後に続くサンプルである。さらにまた、ｔ（ｉ）が２×ｔ（ＲＶＰ）以上であるとき、この取り組み方法を固定取り組み方法と組み合わせてもよい。すでに確立されているように、第２のサンプルに関するＲＶＰ値およびセンサ応答は、第２のサンプルの直前のサンプルに関するＲＶＰ値およびセンサ応答と実質的に同一である可能性が高く、事実上、第１のデータセットおよび冗長な第２のデータセットを生成する。これは、当業者が容易に理解できる利点を２つ提供する。第一に、連続するサンプルがほぼ同じであることにより、反復性に関する統計的基準を規定することが可能になり、これによりさらにまた、サンプル対の検証、またはこれらの基準が満たされないときにサンプル対の拒絶が可能になる。同じ統計情報が、ハード分析器が測定したＲＶＰに関するだけではなく、モデル開発および継続しているＲＶＰ測定に関連して予測したＲＶＰ値に関する、反復性の有用な推定を提供する。第二に、冗長なサンプルセットを使用して、第１のセットを用いて開発されたＰＣＡモデルを検証することができ、その後、ＣＱＭが冗長なサンプルセットを使用して、データベースに含むために可変間隔サンプルを選択することができる。

図２に描く予測供給連鎖に関連して、ソフト分析器による特性予測の忠実度は、サンプルデータベースの品質に暗示的に依存し、サンプルデータベースはさらにまた、プロセスサンプルの母集団の化学的特徴および特性の範囲に、さらにまた対応するＰＴＭＲおよびセンサ応答の品質にも依存する。その依存は、サンプルスペクトル（すなわち、分光計３４１から得られる）で典型的であるように、ＲＶＰ変動に最も大きな影響を及ぼす、混合物内のより軽い化合物の濃度の変動がセンサ応答３４０にはっきりと表に出ないＲＶＰに関して特に激しい場合がある。したがって、データベース取得を支配する本発明の実施形態は、データの品質、さらにまたＰ（ＲＶＰ）値４０’とセンサ応答３４０の間の空間的および時間的関係の完全性を最大にするための、新規で非自明の手段を表す。

初期モデル開発。データベース３１８獲得がサンプルセットをもたらし、サンプルセットのＲＶＰ値４０’およびサンプルの化学的性質の多様性がプロセス流を表すとき、サンプルセットを初期モデル開発で使用して、新しいサンプルに関して測定したセンサ応答３４０に適用するときにＲＶＰに関する予測値Ｐ’（ＲＶＰ）を出力するモデル３１９を作成する。そのようなモデル３１９を作成するための手段および方法は、当業者に公知であり、モデルは、限定しない例として、相関関係、単純な線形回帰モデル（ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ、ＬＲＭ）、多重線形回帰（ｍｕｌｔｉｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ、ＭＬＲ）、古典的最小２乗（ｃｌａｓｓｉｃａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ、ＣＬＳ）モデル、逆最小２乗（ｉｎｖｅｒｓｅ ｌｅａｓｔ ｓｑｕａｒｅｓ、ＩＬＳ）モデル、多変量統計モデル、部分最小２乗（ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ、ＰＬＳ）モデル、主成分回帰（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ｒｅｇｒｅｓｓｉｏｎ、ＰＣＲ）モデル、トポロジモデル、ニューラルネットワーク、数学アルゴリズム、またはたとえばＰＣＡ、およびＰＬＳなどの回帰アルゴリズムを採用する階層的クラスタ分析（ＨＣＡ）を用いたこれらの組合せである。

特定の実施形態では、モデル３１９は、較正サンプルの母集団内の公知のＲＶＰ値４０’と較正サンプルの各々に対応するセンサ応答３４０を相関させる部分最小２乗（ＰＬＳ）アルゴリズムを用いて生成され、適用される。別の特定の実施形態では、モデル３１９は、データベース全体に及ぶ単一モデルから得られるよりも正確な予測Ｐ’（ＲＶＰ）を生成するように、データベース内のサンプルのサブセットに及ぶように作成された複数のモデルである。さらにまた別の実施形態では、モデル３１９は、（ｉ）センサ応答３４０が未知のサンプルのセンサ応答に最も密に関係づけられるデータベース３１８サンプルを選択するステップ、（ｉｉ）そのサンプルを使用してカスタマイズされたモデル３１９’を生成するステップ、および（ｉｉｉ）カスタマイズされたモデル３１９’を未知のサンプルに適用して、Ｐ’（ＲＶＰ）に関する値を生成するステップからなる実行中のプロセスにより、いわゆる未知のサンプルに関する値Ｐ’（ＲＶＰ）を予測するトポロジアルゴリズムを採用する。

ＲＶＰ測定。本明細書で、上記で論じたように初期モデル開発によって生成したモデル３１９は、次にＲＶＰのリアルタイム測定のためにＣＱＭ３１６’により実装される用意ができている。さまざまな実施形態では、実装手順は、データベース開発で使用した実装手順に実質的に直接関係があり、したがって、詳細に記述しない。

センサ応答取得。ＣＱＭは、モデル開発で使用した１つまたは複数のセンサ３４２から得た出力と同じ、データベース３１８開発で使用する手法と実質的に同一の手法で得たセンサ応答３４０を、受け入れるように構成される。ＲＶＰを測定するために使用するハード分析器３１０’を自明のこととして除外する複数のセンサの出力に基づくとき、必要に応じてこれらのセンサの読取り値の同期をとってもよく、センサ応答は、モデル開発のためのセンサ応答と同じ方式で構成される。

ＲＶＰ予測：ソフト分析器。この場合、ＣＱＭ３１６’は、センサ応答３４０に特性モデル３１９を適用して、式（３）に従ってＰ’（ＲＶＰ）に関する初期予測を得る。センサ応答３４０が、分光計３４１を含む複数のセンサ３４２から得られる出力を含む実施形態では、予測頻度は、ｔ（スペクトル）の値により決定され、実質的にリアルタイムである。予測頻度は、センサ応答３４０が、たとえば単変量センサを使用して得た密度、粘度、屈折率、および温度からなるグルーの中から１つまたは複数の測定値を含むとき、さらに高い。

ＲＶＰ測定：ハード分析器。ソフト分析器３１２’が値Ｐ’（ＲＶＰ）を発行する間じゅう、ハード分析器３１０’は、ｔ（ＲＶＰ）により決定される頻度で値Ｐ（ＲＶＰ）を測定する。

ＲＶＰ測定：ＣＱＭ。本開示を考慮して、当業者は、従来のソフト分析器の手法と同じ手法で、ＣＱＭ３１６’による特性モデル３１９の適用を遂行してもよいことを認識されよう。しかし、本発明の創意に富む面は、ハード分析器およびソフト分析器の、前述の統合を達成して、ハード分析器とソフト分析器の両方の強み、およびそれらの弱点の軽減を表す、単なる予測ではない測定値と適切にみなしてもよいＲＶＰに関する出力を生成する３つの機能からなる、ＣＱＭによる成果である。

１．検証。有益には、本明細書に記述する実施形態に従って作成した初期モデルによるＲＶＰ予測の精度および堅牢性は、推論に基づく分光法などの従来の取り組み方法により行われる精度および堅牢性に対して改選されている場合があり、改善は、一部はモデル開発で使用したサンプルに関するＰ（ＲＶＰ）値４０’およびセンサ応答３４０の空間および時間がきわめて接近していることによる。さらに、これらの予測の忠実度は、説明した理由のために最終的に悪くなる。ソフト分析器を使用するＲＶＰ予測の限界に対処する最初のステップは、予測忠実度が受け入れ可能なままである、または不確定であることを確認するための、継続する、実質的にリアルタイムの予測検証である。

特定の実施形態では、検証は、データ対の一致の水準を定量化するのに適した一般的な単変量ＳＱＣ技法を採用する。たとえば、Ｐ（ＲＶＰ）４０’またはＰ’（ＲＶＰ）３４０に関して連続する値を比較することにより、プロセス、サンプリング、または測定が不規則であることによる過渡的な孤立値を検出するための統計的フレームワークが提供される。同様に、データ対［Ｐ（ＲＶＰ），Ｐ’（ＲＶＰ）］にＳＱＣ技法を適用することにより、個々のＲＶＰ予測Ｐ’（ＲＶＰ）の精度を、またはより精密には、Ｐ（ＲＶＰ）からＰ’（ＲＶＰ）の短期および長期の偏差を明らかにすることができる。比較的短時間の後に消滅する、Ｐ（ＲＶＰ）に対するＰ’（ＲＶＰ）の短時間のオフセットである短期偏差は、サンプルの過渡的化学的性質が、モデルにより、したがってサンプルデータベース内で、十分に表現されていないことを伝えている場合がある。対照的に、持続する長期偏差は、過渡的オフセットではなく、統計的偏りであり、プロセス流の化学的性質が、モデル開発のために使用したサンプルと比較して体系的に変化したことを伝えている場合がある。

センサ応答３４０の少なくとも１つの要素がサンプルスペクトル３２２’である特定の実施形態では、所与のサンプルに関するセンサ応答３４０または集約応答４２をそれぞれ、本明細書で、上記で論じた技法を使用して、データベース内のサンプルに関するセンサ応答３４０または集約応答４２と比較して検証することができる。そのような取り組み方法は、前述の実施形態で記述した、より簡単なＳＱＣ法の多変量類似物であり、場合によっては、プロセス変化に対して、より大きな感度を有する場合があるが、単変量および多変量の取り組み方法は、補完する可能性が高く、それぞれ状況に従って変わってもよい診断値を有する。

２．自動モデル更新。ソフト分析器３１２’によるＰ’（ＲＶＰ）の型どおりの予測のためにＣＱＭ３１６’が受け取ったデータは通常、保管されない。しかし、特定の実施形態では、ＣＱＭ３１６’は、検証活動に、および初期データベース開発を支配していた基準に基づき、普通ではないと判断された新しいサンプルに関するデータを保管するように構成され、次いでその後、その新しいサンプルをモデル更新のために使用してもよい。特定の一実施形態では、保管することにより、データベース３１８拡張が容易になり、それにより、現在のサンプルデータベースで表現されないサンプルは、データベース３１８に追加される。別の特定の実施形態では、保管は、データベース増進であり、増進は、時間に関して理解され、支配的なプロセス条件に関してデータベースの普遍性を確実にするように、最新のサンプルが、最も古いサンプルに取って代わる。データベース拡張では、基礎となる前提は、初期モデル開発で使用したサンプルが、プロセスで示された場合があるＲＶＰ値またはサンプル組成の全範囲に完全に及んでいるわけではなかったということである。対照的に、データベース増進の論理的根拠は、プロセス、したがってプロセス流が、センサ応答３４０とＰ（ＲＶＰ）４０’の間の関係に影響を及ぼす形で、比較的長い時間フレーム全体にわたり変化する可能性があるということである。したがって、データベース拡張では、新しいサンプルに関するデータが追加され、残存するサンプルに関するデータは保持され、一方では、データベース増進は、最も古いサンプルと新しいサンプルの置換を伴い、新しいサンプルは、現在のプロセスおよびプロセス流に、より大きな関連性を有するとみなされる。別の特定の実施形態では、データベース更新は、サンプル置換の基準が、サンプルの古さとデータベース内のサンプルの集約応答間の多変量関係の両方であるデータベース増進であり、目的は、データベース内のサンプル間の冗長性を最小にしながら、サンプルの関連性およびサンプルの普遍性を確実にすることである。当業者に周知の従来のさまざまな取り組み方法のいずれかを使用して、単に新しいデータを書き込み、古いデータを削除することにより、データベース３１８を更新してもよい。

特定の実施形態では、データベース３１８更新は、モデル３１９更新のための前提条件である。初期モデル開発後、本明細書の教示を考慮して、当業者は、ＣＱＭ３１６’による自動実行のための適用可能なモデリングパラメータを直接実装してもよい。したがって、本発明の特定の一実施形態は、自動データベース開発を自動モデル開発と対にして、継続する動的ＲＶＰモデル３１９更新の能力をＣＱＭ３１６’に与える。

３．ＲＶＰ測定の精度改善。本発明の予測検証および自動モデル更新の機能は、限界を克服するための、ハード分析器およびソフト分析器の技術の融合を表し、ＲＶＰ測定に関連してハード分析器とソフト分析器の両方の利点を利用する。簡潔な概観として、ＰＴＭ（ハード分析器による）を自動で、オンラインで適用する利点は、ＲＶＰの第１原理測定を実際に遂行することであり、一方では、従来の取り組み方法の２つの主な限界は、比較的長い分析サイクル時間、および結果として生じるヒステリシスである。推論に基づく技法（ソフト分析器による）は、実質的にリアルタイムの予測を提供することによりこれらの限界を克服するが、従来の取り組み方法はまた、（ｉ）流れの組成とＲＶＰの間の関係を変える、変化するプロセス条件全体にわたり予測堅牢性が継続しないこと、（ｉｉ）所与の予測の妥当性に関して任意の所与の瞬間に結果として生じる不確実性、および（ｉｉｉ）モデルを周期的に更新して、許容できる予測精度を経時的に維持するための要件を欠点として持つ。ＣＱＭ３１６’の第３の機能は、予測検証および自動モデル更新を頼りにして、多くの適用分野で従来のＰＴＭの精度をはるかに超えるＲＶＰ測定精度を提供する。

まず、ＣＱＭが、ＲＶＰを単に予測するのではなく測定するという、前文の主張に留意されたい。さまざまな実施形態で、ＣＱＭが、自動モデル更新と組み合わせて連続して検証を提供するという事実は、任意の所与の瞬間に、ＣＱＭが出力するＰ’（ＲＶＰ）値の精度が、Ｐ（ＲＶＰ）のハード測定により考慮から外され、厳密に適格性を付与されることを意味する。これにより、ｔ（ＲＶＰ）に等しい時間間隔で生成されたＰ’（ＲＶＰ）値の検証だけではなく、連続するＰ（ＲＶＰ）測定の間にある時間ｔ（ｘ）に、たとえば、ｔ（ＲＶＰ）よりも短い間隔で行われたＰ’（ＲＶＰ）の１つまたは複数の、間にある予測もまた提供される。その上、Ｐ’（ＲＶＰ）の値は、ｔ（スペクトル）だけの時間のずれしか示さないが、ハード分析器による値Ｐ（ＲＶＰ）の報告は、ｔ（ＲＶＰ）に等しい時間間隔だけ実際の処理より遅れる。本明細書で、上記で論じたように、ｔ（スペクトル）は、多くの適用分野でｔ（ＲＶＰ）よりもはるかに小さい。さらに、特定の実施形態では、検証は、連続するＰ（ＲＶＰ）の値をＰ’（ＲＶＰ）と比較して、過渡的孤立値を検出し、取り除いて、流体プロセス流に関する、向上した推論ＲＶＰ値（Ｐ”（ＲＶＰ））を生成するステップを含んでもよい。

特定の実施形態では、回帰技法が生成するモデルについては、データベース値の不正確さを前述のようにフィルタ処理することにより、測定精度の著しい改善がさらに得られる。詳細には、ＰＬＳに基づくモデルは、ＰＴＭの不確実性の２０％未満の不確実性で特性値を予測することができることが示された（Ｔｒｙｇｓｔａｄ、ｅｔ ａｌ．、ＩＳＡ ２０１５）。ＡＳＴＭ Ｄ３２３は、実験室に基づくＲＶＰ分析器の再現性を、平方インチ当たり（ｐｅｒ ｓｑｕａｒｅ ｉｎｃｈ、ｐｓｉ）±０．１５ポンドと規定している。これらのモデルに対応するオンラインのモデルは、プロセス流を自動的にサンプリングし、分析するように構成されるが、典型的には同じ中核技術を共有する。測定再現性は、表面上は同じであるが、精製者の一般的体験では、配合作業工程で、これらのオンラインのモデルは、いわゆるＡＳＴＭ再現性を達成していない。むしろ、オンラインＲＶＰ測定の実際の不確実性は、本明細書で上記に詳しく述べた理由で、いくらか大きくなる場合がある。

たった今記述した３つの部分からなる利点は、かなり大きく、実質的であるが、Ｐ（ＲＶＰ）４０’とソフト分析器３１２’が生成したＰ’（ＲＶＰ）との間の相違は、簡単で役立つ有効な方法により短期間で調和させられるが、これらの方法は、長期間の堅牢性を与えるために必要な厳格さを欠く。たとえば、ある種の実施形態では、何らかの規定された時間フレームにわたりハード分析器３１０’が測定したＰ（ＲＶＰ）の値を、対応するＰ’（ＲＶＰ）に関する値と比較して、バイアス補正を決定し、適用してもよい。特定の実施形態では、固定時間フレームは、約８時間未満、約１６時間未満、約２４時間未満、約４８時間未満、約７２時間未満、および約９６時間未満である。時間フレームが、固定されているが、連続する新しいＰ（ＲＶＰ）およびＰ’（ＲＶＰ）の決定と調子を合わせて進む場合、連続するＰ’（ＲＶＰ）の値にバイアスを適用することにより、Ｐ（ＲＶＰ）に対して表面上正確な結果がもたらされる場合がある。しかし、さらに長い時間フレームにわたり、そのようなバイアスの符号が、不定ではなく、かつそのようなバイアスの絶対値が表面上一定である、または増大する場合、そのような状態は、本明細書で上記に記述したＣＱＭの１つまたは複数の検証機能によって具体化される、モデルの系統誤差を示唆する。本発明者は、継続する予測の信頼性が、単に、結果にバイアスをかけることではなく、モデル更新に最終的に依存することを発見した。

ＲＶＰギブアウェイ（ｇｉｖｅａｗａｙ）。ガソリンの混合バッチに関するＲＶＰが、何らかの規定された規格限界を超えていないことを認証するには、一般に混合プロセス中に取得した多数のサンプルの合成物である単一の実験室サンプルの試験を伴う。合成物サンプルは、事後に試験されるので、混合中にＲＶＰをリアルタイムで連続して制御するために使用することができる情報を何も提供しない。そのような制御は、（ｉ）配合制御システムの中に入力されるＲＶＰ値のオンライン測定に関する不確実性、および（ｉｉ）配合制御システムによる、最終ガソリン生成物を作り出すために使用する配合成分の流量の制御に依存する。ＲＶＰ規格限界と配合の実際のＲＶＰとの間の差は、ガソリン配合の当業者がよく理解することができる理由で、より高いＲＶＰのガソリンを作り出すコストが、より低いＲＶＰのガソリンのコストよりも低いので、一般にＲＶＰギブアウェイと呼ばれる。事実上、精製者は、ＲＶＰに関する超えてはならない規格限界と配合生成物の実際のＲＶＰとの間の差に比例して利益を与える。

ＲＶＰギブアウェイ低減。ＲＶＰ測定だけの不確実性を考慮すると、ガソリン配合中のＲＶＰに関する配合の設定点または目標値を、限定しない例として次式で表現してもよい。
［ＲＶＰ設定点］＝［生成物に関する最大ＲＶＰ限界］−［２×Ｕ（ＲＶＰ）］ 式（４）
さらに、本明細書で上記に規定したように、
ＲＶＰギブアウェイ＝［生成物に関する最大ＲＶＰ限界］−［ＲＶＰ設定点］ 式（５）
＝２×Ｕ（ＲＶＰ）
であり、式中、Ｕ（ＲＶＰ）は、９５％信頼水準（ｃｏｎｆｉｄｅｎｃｅ ｌｅｖｅｌ、ＣＬ）でのＲＶＰ測定の不確実性である。たとえば、Ｕ（ＲＶＰ）＝±０．２５ｐｓｉである場合、ＲＶＰギブアウェイ＝０．５である。ＲＶＰ測定不確実性をＵ（ＲＶＰ）＝±０．０５まで８０％低減することにより、０．５ｐｓｉ−２×（０．０５ｐｓｉ）＝０．４ｐｓｉだけＲＶＰギブアウェイが低減され、このとき、新しいＲＶＰ設定点の値は、［生成物に関する最大ＲＶＰ限界］よりも０．１ｐｓｉ低い。原油処理能力が、米国での中央値である１２５，０００バレル／日（ｂａｒｒｅｌ ｐｅｒ ｄａｙ、ｂｐｄ）に等しい精製所については、ＲＶＰギブアウェイ低減の値を、限定しない例として、式（６）に従って計算してもよい。
０．４×０．４５×１２５，０００×３６５×１．００ドル＝８．２百万ドル／年 式（６）
式中、１．００ドルは、ＲＶＰ−バレルの値を現し、バレル／バレル原油単位での平均的ガソリン収率は、北米では０．４５である。圧力単位ｐｓｉをｋＰａに変換する係数は、０．１４５０３８である。したがって、
０．１４５０３８×ｋＰａ＝ｐｓｉ、およびｐｓｉ／０．１４５０３８＝ｋＰａ 式（７）
である。

実際のガソリン配合作業工程では、ＲＶＰの制御は、配合モデルの忠実度、配合成分の特性に関する知識、ＲＶＰに影響を及ぼす他の特性を測定および制御する能力を含むがこれらに限定されない、いくつかの付加的な不確実性の関数である。これらの不確実性は、非加算的な方式で組み合わせられる。それにもかかわらず、ＲＶＰ測定での不確実性は、一般に配合作業工程に注入され、ＲＶＰの制御に支配的影響を及ぼす。それに応じて、式（６）により得られるＲＶＰギブアウェイの低減は、本発明により生じる、ＲＶＰ測定での精度改善という利益を表し、総価値は、所与の精製所の原油処理能力に比例して高くなる。したがって、６０，０００ｂｐｄの原油を処理する製油所の典型的年収改善は、約３．９百万ドルになり、一方では、２５０，０００ｂｐｄの製油所では１６．４百万ドルになる。

ガソリン配合作業工程への投資で著しい潜在的収益があるにもかかわらず、それでも精製者は、ただＲＶＰギブアウェイを低減するためだけのために本発明の実施形態の購入および設置を正当化することができない場合がある。しかし、精製者が、ガソリンのオクタン価などの他の自動車燃料特性を測定するために、推論に基づく分光計をさらにまた活用しようとする場合、必要とされる正当化がもたらされる場合がある。したがって、ハードのオンラインＲＶＰ分析器がすでに設置され、分子分光法技法により、たとえば、オンラインＦＴＩＲ、ＮＩＲ、ラマン、またはＮＭＲ分光計により測定したガソリンスペクトルを使用して、推論に基づく分光法によりオクタン分析を遂行しているとき、本発明の著しい価値が実現される場合がある。あるいは、オンラインガソリン監視のために分光計だけ、またはＲＶＰ分析器だけがすでに設置されている場合、本発明によれば、他方を取得することができ、向上したＲＶＰ測定のために分光計とＲＶＰ分析器の両方を一体化するようにＣＱＭを実装することができる。オンライン分光計もオンラインＲＶＰ分析器も所有しない精製者は、オクタンなどの他の特性を測定するために、推論に基づく分光法を適用することにより追加利益を得ながら、ＲＶＰギブアウェイの低減だけに基づき、オンライン分光計とオンラインＲＶＰ分析器の両方の購入を正当化してもよい。特定の一実施形態では、本発明は、オンラインＲＶＰ分析器と、オンラインＨｙｐｅｒＦｌｕｘ Ｐ．Ｒ．Ｏ． Ｐｌｕｓラマン分光計と、ガソリン配合作業工程でのデータベース取得、継続的データベース更新、およびリアルタイムＲＶＰ測定を可能にするように、本明細書で上記に記述した実施形態に従って構成されたＣＱＭとを含む。さらに別の特定の実施形態では、分光計はＦＴＮＩＲ分光計であり、一方では、他の特定の実施形態は、ＦＴＩＲ分光計またはＮＭＲ分光計を採用する。

代替実施形態
本明細書で上記に記述した実施形態は、式（３）に示すようにＰ’（ＲＶＰ）を予測する限りにおいて、実施形態Ｆと呼ばれる場合があり、この場合、数学関数ｆは、サンプルスペクトル、および１つまたは複数の他のセンサから得た出力からなるグループから選択される１つまたは複数の要素を含むセンサ応答に適用され、ｆは、モデルがＰ（ＲＶＰ）にセンサ応答を関係づけることを意味する。したがって、いわゆる未知のプロセスサンプルでＲＶＰを予測するための基礎となるセンサ応答３４０は、モデル開発に関連して記述した実施形態に従ってモデルを作成するために使用するセンサ応答３４０と同じ要素を実質的に含む。その上、本明細書で、上記で論じたように、センサ応答３４０の要素は、何らかの標準方法に従ってハード分析器３１０’が測定したＰ（ＲＶＰ）４０’ではない特性に対応する独立変数である。

代わりの一実施形態では、ハード分析器は、非標準方法による蒸気圧Ｐ（非標準）を得るように構成され、ソフト分析器は、標準方法により計測される蒸気圧Ｐ（標準）に対応するＲＶＰ値４０’にセンサ応答３４０を関係づけるモデルを含む。蒸気圧を測定するための非標準方法は、１つまたは複数の方法パラメータが、ＡＳＴＭ Ｄ３２３などの標準方法で規定されるパラメータから逸脱し、かつデータベース開発が、サンプル値Ｐ（非標準）、および密度、粘度、屈折率、および温度からなるグループから選択される１つまたは複数の特性値を取得し、記憶するステップを含む方法である、したがって、そのような実施形態では、
Ｐ’（標準）＝ｇ（センサ応答）
＝ｇ（Ｐ（非標準），ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ）） 式（８）
である。便宜上、一般に式（８）により記述される実施形態を実施形態Ｇと呼ぶものとする。特定の一実施形態Ｇでは、非標準パラメータは、分析用設定点温度，および／または測定セル内の蒸気対液体体積である。

別の特定の実施形態Ｇでは、モデル開発は、サンプル値Ｐ（非標準）と、代表的ではあるが限定しない２つの手順のうち一方によりすべてが取得された値Ｐ（標準）を含む、対応するセンサ応答３４０との関係づけに基づく。第１の手順では、較正サンプルに関する集約応答は、（ｉ）Ｐ（非標準）を測定するように構成された計器であるハード分析器３１０’、および（ｉｉ）Ｐ（非標準）を測定するように構成された、同じまたは異なる計器、および任意選択で追加のサンプル応答を測定するように構成された１つまたは複数の実験室計器を含む特性センサ３４２を用いて、実験室で取得される。第２の手順では、較正サンプルに関する集約応答は、（ｉ）データベース開発のために本明細書で上記に記述したようにオンラインで収集したサンプルに関するＰ（非標準）値、および（ｉｉ）Ｐ（非標準）値の獲得と同期した時間に、オンラインで自動的に取得したプロセスサンプルに対して実験室で測定したＰ（標準）を含む、１つまたは複数の特性センサに関する応答値を含み、そのように取得するための方法は、当業者に公知である。特定の実施形態Ｇのいずれかで取得したデータを使用して、センサ応答に対して動作するモデルである、本明細書で上記に規定するようなＰ’（標準）を予測する数学関数ｇを作成し、測定頻度は、Ｐ（非標準）を測定するために採用されたハード分析器の分析サイクル時間により決定される。

さらに別の特定の実施形態では、有益には、実施形態Ｇを適用して、非標準の高温で高パラフィン縮合物および原油内のＲＶＰを測定して、標準温度で動作するハードのＲＶＰ分析器で発生する、プロセスサンプルから得られるパラフィンが堆積することにより引き起こされる付着物を軽減または除去する。

本発明のさらに別の代替実施形態では、ハード分析器は、Ｐ（標準）またはＰ（非標準）に関する値４０’を測定するように構成され、センサ応答３４０は、ＲＶＰを決定する際の役割がまさっている、ＨＣプロセス流内の軽量炭化水素（ｌｉｇｈｔ ｈｙｄｒｏｃａｒｂｏｎ、ＬＨ）成分の濃度を定量化するように構成されたオンライン・ガス・クロマトグラフ（ＧＣ）から得られる値を含み、ソフト分析器は、これらの成分の濃度を含むセンサ応答から得られるＰ’（ＲＶＰ）の計算を可能にするモデル３１９を含み、ＨＣプロセス流は、原油、軽量原油、縮合物、留出物、天然ガス、天然ガス液（ＮＧＬ）、シェール油などである。これらの実施形態で使用するのに適したプロセスＧＣの一例は、横河電機によるＧＣ８０００である。したがって、そのような実施形態では、
Ｐ’（ＲＶＰ）＝ｈ（センサ応答）
＝ｈ（Ｃ（ＬＨ），ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ）） 式（９）
であり、式中、Ｃ（ＬＨ）は、ガスクロマトグラフにより決定された、ＬＨ成分１、２、３、…、ｎに関する濃度行列［ｃ（１），ｃ（２），ｃ（３），…，ｃ（ｎ）］であり、ＬＨ成分１、２、３、…、ｎは、ＲＶＰを決定する際の役割がまさっているメタン、エタン、プロパンなどであり、濃度行列は、限定しない例として、当業者に公知の手段により生成された、模擬蒸留プロファイルであってもよく、ソフトセンサｈは、センサ応答に適用されたモデルである。便宜上、一般に式（９）により記述される実施形態を実施形態Ｈと呼ぶものとする。特定の実施形態Ｈでは、データベース取得は、モデル開発を支援するのに適したサンプルの母集団に関するＰ（ＲＶＰ）およびセンサ応答の集合であり、収集は、代表的であるが限定しない、いずれかの手順、または２つの手順により達成される。一方の手順は、（ｉ）Ｐ（ＲＶＰ）を測定するように構成された計器、（ｉｉ）Ｃ（ＬＨ）を測定するＧＣ、および任意選択で（ｉｉｉ）密度、粘度、屈折率、および温度からなるグループから選択された、１つまたは複数のセンサ出力であるｍ（１）、ｍ（２）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）を測定する計器を用いて、１組の較正サンプルに関するデータベース値を実験室で取得することを伴う。代替手順では、Ｃ（ＬＨ）、および１つまたは複数の値ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、データベース開発に関して本明細書で上記に記述したようにオンラインで収集され、一方では、Ｐ（ＲＶＰ）に関する値は、Ｃ（ＬＨ）を測定するハード分析器によるプロセスサンプルの獲得と同期した時間にオンラインで自動的に取得したプロセスサンプルに対して実験室で測定され、そのように取得する方法は、当業者に公知である。プロセスを表す流れの組成の範囲に及ぶデータベースをこのように取得すると、実施形態Ｈに関するモデル開発は、関連する（ｉ）多変量モデリング技法を適用することによる、Ｐ（ＲＶＰ）に対するセンサ応答、（ｉｉ）第１原理を適用することによる、温度および圧力などの規定された条件の下での、対応するＬＨ成分の既知の蒸気圧に対するＣ（ＬＨ）、（ｉｉｉ）ＨＣ混合物の残余の組成変動に対する、ＬＨ成分に関する上記の既知の蒸気圧の変動からなる、１つまたは複数の取り組み方法を採用し、（ｉｉｉ）の変動は、Ｃ（ＬＨ）を得るために使用するＧＣ分析により、または密度および／または粘度との相関関係により決定される、または近似される。

別の特定の実施形態Ｈでは、ＧＣは、炭素数に従って軽量ＨＣ化合物の定量化を可能にするように、さらにまた温度および／または炭素数の関数として蒸留収量を定量化するのに十分な水準で同じ混合物内のより重いＨＣ化合物を分離するように、２個〜約１０個の間の炭素原子を有する混合物内の軽量ＨＣ化合物を実質的に分離するように構成された高速ＧＣであり、分析は、約３分未満、約４分未満、および約５分未満のサイクル時間で遂行される。高速ＧＣの一例は、Ｆａｌｃｏｎ Ａｎａｌｙｔｉｃａｌ Ｓｙｓｔｅｍｓ ＆ Ｔｅｃｈｎｏｌｏｇｙ、ＬＬＣ（Ｌｅｗｉｓｂｕｒｇ、ＷＶ）によるＣａｌｉｄｕｓである。そのような方式で得た定量的サンプル情報および対応するＲＶＰ値に基づき、当業者は、第１原理と経験から得られる相関関係の組合せを適用して、ＨＣ混合物内の軽量炭化水素の濃度およびより重い化合物の分布の関数としてＲＶＰを予測するモデルを作成してもよい。

実施形態ＧおよびＨの様態は、実施形態Ｆの利点のすべてでは必ずしもないが、一部を提供することに留意されたい。たとえば、実施形態ＧおよびＨは、ＨＣ混合物が、ＲＶＰ分析器内で蝋様堆積物を潜在的に作り出す可能性があるパラフィンを大量に含有するときに発生する場合がある、測定装置の付着物により必要となる整備を含む、ハードプロセス分析器内に実装されたＰＴＭによるＲＶＰ測定限界の一部を克服する。さらに、センサ応答が、ハードＲＶＰ測定およびプロセス変化に関する時間スケールで実質的に瞬時の粘度、密度、および屈折率の読取り値を提供するセンサから得られる読取り値を含むとき、そのような読取り値を活用して、実質的にリアルタイムの予測Ｐ’（ＲＶＰ）を生成する可能性がある。また、多変量方法論は、予測を検証して、それにより、予測が実利的であるという、何らかの水準の保証を提供する可能性をもたらす。さらに、実施形態Ｆでもたらされる、ＲＶＰモデルの継続的自動更新の可能性は、実施形態ＧおよびＨのいくつかの適用分野で利用できない。しかし、そのような能力の必要性は、実施形態ＧおよびＨの適用分野ではセンサ応答が実質的にＰ（ＲＶＰ）に関係がないので、軽減される、または大きく除去される。したがって、いくつかの実施形態Ｇでは、センサ応答の要素はＰ（非標準）であり、一方では、Ｃ（ＬＨ）は、実施形態Ｈでのセンサ応答の要素である。それに応じて、モデルを、実施形態Ｆのモデルと比べて「より安定している」または「より堅固である」とみなしてもよく、ＲＶＰは、状況によって、またはきわめて間接的にセンサ応答に関係があり、したがって、モデルは、きわめてソフト的である。別様に言い替えると、実施形態ＧおよびＨのモデルは、ＲＶＰがセンサ応答により実質的に決定されるので、より堅牢であり、一方では、実施形態Ｆのモデルは、センサ応答がＲＶＰを十分に決定しないので、堅牢ではない。他の場所で論じたように、ハードから状況によるモデルへ徐々に変化することは、モデルの堅牢性の低下、およびモデル更新の必要性の増大を示す（非特許文献３）。

実施形態ＦおよびＨの特定の実施形態は、当業者に公知の流れ多重化を用いて、複数の処理流を、各処理流からサンプルを受け取るようにハード分析器を構成することにより監視する可能性を提供する。通常、多数の流れを測定するために単一の従来のハードＲＶＰ分析器を適用することは、組成およびＲＶＰが実質的に異なるサンプルに対する後続の測定で、前述のヒステリシスの可能性があるために、実用的ではない。多数の流れを監視するために多数のＲＶＰ分析器を設置するという代替手段は、財政上の理由で実用的ではない場合があるが、そうすることにより、本明細書で上記に詳述した、ハード分析器の固有の限界が克服されるわけではない。対照的に、分光法に基づく、推論に基づくＲＶＰの監視は、流れ多重化または光学的多重化という一般的な慣行により簡単に可能になる場合があるが、それでもやはりそうすることにより、予測堅牢性が欠如しているために、値が限定される。しかし、ＣＱＭは、ハード分析器およびソフト分析器に関してたった今記述した流れ多重化の限界を軽減する可能性を提供する。実施形態Ｆの特定の一実施形態では、ＣＱＭは、ハード分析器による第１の流れの順次測定の間の一致を、統計的均等物を意味する範囲内まで安定させながら、予測を行う。このように適格性を付与され、ハード分析器が測定した１つまたは複数の値を、第１の流れに関する集約応答のデータベースに追加してもよい。次いで、サンプリングシステムは、ハード分析器に第２の流れのサンプルを提供し、プロセスは、流れの各々が分析されるまで繰り返される。別の特定の実施形態では、今度は、実施形態Ｈのガスクロマトグラフおよび任意選択の他のセンサは、複数の流れの各々をサンプリングし、モデルｈを適用して、ＲＶＰに関する予測を生成する。

本明細書に示した、本発明の多くの修正形態および他の実施形態は、前述の記述および関連する図面に提示した教示の恩恵を受ける、これらの発明に関係する当業者が思いつくであろう。たとえば、本明細書に示し、記述した「モデル」は、多変量統計法に、たとえば、ＰＣＡ（主成分分析）、ＰＬＳ（部分最小２乗）、およびＭＬＲ（多重線形回帰）に基づくモデルを含むだけではなく、ＲＢＦ（ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ、放射基底関数）、ニューラルネットワーク、第１原理に基づくモデル、およびこれらの組合せもまた、将来開発される場合がある、実質的に任意のモデルタイプと共に含むことを認識されたい。同様に、さまざまな代表的分析器技術について、本明細書でさまざまな実施形態に関して示し、記述してきたが、ＴＤＬ（ｔｕｎａｂｌｅ ｄｉｏｄｅ ｌａｓｅｒ、可同調ダイオードレーザ）、ＱＣＬ（ｑｕａｎｔｕｍ ｃａｓｃａｄｅ ｌａｓｅｒ、量子カスケードレーザ）、およびＣＲＤ（ｃａｖｉｔｙ ｒｉｎｇ−ｄｏｗｎ、キャビティ・リング・ダウン）分光法、ならびにこれらの組合せに基づく技術などの他の技術を、任意の将来開発される分析器技術と共に、本発明の範囲を逸脱することなく使用してもよいことを認識されたい。したがって、本発明は、開示する特有の実施形態に限定されないこと、ならびに修正形態および他の実施形態は、添付の特許請求の範囲に含まれることが意図されることを理解されたい。さらに、前述の記述および関連する図面は、要素および／または機能の、ある種の代表的組合せに関連する代表的実施形態について記述しているが、要素および／または機能の異なる組合せは、添付の特許請求の範囲から逸脱することなく代替実施形態により提供されてもよいことを認識されたい。これに関しては、たとえば、上記に明示的に記述した組合せと異なる、要素および／または機能の組合せもまた、添付の特許請求の範囲で示される場合があると企図される。本明細書で特有の用語を採用するが、特有の用語は、一般的かつ説明的な意味だけで使用され、限定する目的で使用されるわけではない。

Claims (54)

1. 炭化水素流体プロセス流の蒸気圧をリアルタイムで決定するためのシステムであって、
   少なくとも１つのプロセス流インタフェースに前記流体プロセス流を運搬するように構成された液体流経路と、
   時間増分ｔ１、ｔ２、…、ｔｎに前記流体プロセス流のサンプルの蒸気圧に関する値を直接検知および測定するように構成された、前記プロセス流インタフェースに通信可能に連結されたハード分析器と、
   前記時間増分に前記流体プロセス流のサンプルに関する独立変数の形をとる１つまたは複数の出力を生成するように構成された、前記プロセス流インタフェースに通信可能に連結された１つまたは複数のセンサと、
   前記１つまたは複数の出力、および前記ハード分析器が生成した前記値を取得し、集約して、集約応答を形成するように構成された集約モジュールを含む、前記ハード分析器および前記１つまたは複数のセンサに通信可能に連結された経験的知識に基づく品質マネージャ（ｃｏｇｎｉｔｉｖｅ ｑｕａｌｉｔｙ ｍａｎａｇｅｒ、ＣＱＭ）と
   を備え、
   前記ＣＱＭは、前記集約応答を使用して、前記ハード分析器が生成した前記値に前記１つまたは複数の出力を関係づけるモデルを生成するように構成され、
   前記ＣＱＭは、前記１つまたは複数の出力に前記モデルを適用して、前記時間増分の間にある１つまたは複数の時間ｔｘに前記流体プロセス流のサンプルの蒸気圧の予測値を生成するように構成されるシステム。
2. 前記ＣＱＭは、前記値および前記１つまたは複数の出力を用いて前記モデルをリアルタイムで更新するように構成される、請求項１に記載のシステム。
3. 前記ハード分析器は、１次試験方法（Ｐｒｉｍａｒｙ Ｔｅｓｔ Ｍｅｔｈｏｄ 、ＰＴＭ）に従って蒸気圧に関する前記値を生成する、請求項１に記載のシステム。
4. ＲＶＰに関する前記予測値は、以下の式（３）により表現され、
   Ｐ’（ＲＶＰ）＝ｆ（センサ応答）＝ｆ（サンプルスペクトル，ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ），Ｃ（ＨＣ）） 式（３）
   前記式中、前記関数ｆは、前記モデルであり、前記サンプルスペクトルは、分光計から得られる出力であり、前記ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、前記１つまたは複数のセンサから得られる出力であり、前記Ｃ（ＨＣ）は、前記サンプルのガスクロマトグラムから得られる強度対時間出力である、
   請求項３に記載のシステム。
5. 前記ＰＴＭは、リード（Ｒｅｉｄ）法であり、前記リード法により生成された値は、リード蒸気圧（Ｒｅｉｄ Ｖａｐｏｒ Ｐｒｅｓｓｕｒｅ、ＲＶＰ）、すなわちＰ（ＲＶＰ）である、請求項３に記載のシステム。
6. 前記ハード分析器は、非標準試験方法に従って蒸気圧に関する前記値を生成する、請求項１に記載のシステム。
7. 前記非標準試験方法は、１つまたは複数のパラメータが、１次試験方法（ＰＴＭ）で規定されたパラメータから逸脱する方法であり、蒸気圧に関する前記予測値は、以下の式（８）により表現され、
   Ｐ’（標準）＝ｇ（センサ応答）
   ＝ｇ（Ｐ（非標準），ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ）） 式（８）
   式中、前記関数ｇは、前記モデルであり、前記ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、前記１つまたは複数のセンサから得られる出力である、
   請求項６に記載のシステム。
8. 前記１つまたは複数のセンサは、分光計を備える、請求項１に記載のシステム。
9. 前記１つまたは複数のセンサは、分光計、密度センサ、粘度センサ、屈折率センサ、および温度センサからなるグループから選ばれる、請求項１に記載のシステム。
10. 前記分光計は、近赤外線（ＮＩＲ）分光計、フーリエ変換赤外線（ＦＴＩＲ）分光計、ラマン分光計、および核磁気共鳴（ＮＭＲ）分光計からなるグループから選ばれる、請求項９に記載のシステム。
11. 前記ＣＱＭは、前記集約応答を受信し、サンプルデータベース内に保管するように構成される、請求項１に記載のシステム。
12. 前記データベースは、前記モデルを開発するために使用される、請求項１１に記載のシステム。
13. 前記モデルは、数学的モデル、アルゴリズム、および／または多変量統計モデルである、請求項１２に記載のシステム。
14. 前記集約モジュールは、前記Ｐ（ＲＶＰ）および前記１つまたは複数の出力を使用して、検証された応答を形成するようにさらに構成され、
    前記ＣＱＭは、前記検証された応答を読み込んだデータベースと、前記データベースを使用して、前記モデルを生成するように構成されたモデルエンジンとを含み、
    前記モデルは、前記１つまたは複数の時間ｔｘに前記流体プロセス流のサンプルに関する前記ＲＶＰの予測値（Ｐ’（ＲＶＰ））を生成するように構成される、
    請求項５に記載のシステム。
15. 前記ＣＱＭは、前記Ｐ（ＲＶＰ）の連続する値と前記Ｐ’（ＲＶＰ）の対応する値の比較を生成し、かつ前記比較を使用して、過渡的な孤立値を検出し、取り除いて、前記流体プロセス流に関する向上した推論ＲＶＰ値（Ｐ”（ＲＶＰ））を生成するようにさらに構成される、請求項１４に記載のシステム。
16. 前記Ｐ’（ＲＶＰ）および／またはＰ”（ＲＶＰ）を使用して、前記流体プロセス流をリアルタイムで制御するように構成されたプロセスオプティマイザをさらに備える、請求項１５に記載のシステム。
17. 前記プロセスオプティマイザから命令を受信したことに応答して、前記流体プロセス流の１つまたは複数のパラメータを調節するように構成された、前記プロセスオプティマイザと活動化可能に連動するプロセス制御システムをさらに備える、請求項１６に記載のシステム。
18. 前記独立変数は、温度、屈折率、粘度、密度、特定の波長または周波数で測光機器または分光機器により測定した強度応答、ガスクロマトグラフから得られるクロマトグラム、および／またはこれらの任意の組合せのうち１つまたは複数を含む、請求項１に記載のシステム。
19. 前記１つまたは複数の出力および／または前記値を使用して、前記モデルを更新するように構成される、請求項１に記載のシステム。
20. 前記比較は、前記１つまたは複数の出力の少なくとも１つの検証を含む、請求項１５に記載のシステム。
21. 前記１つまたは複数の出力が検証されると、前記モデルを調節する、および／または前記流体プロセス流を制御するように構成される、請求項２０に記載のシステム。
22. 前記検証された１つまたは複数の出力の古さ、および、前記１つまたは複数の出力を測定した時間でのプロセスの状態と比較した、現在のプロセスの状態、のうち少なくとも一方に基づき、前記モデルを調節するために前記検証された１つまたは複数の出力を使用するかどうかを判断するように構成される、請求項２１に記載のシステム。
23. 前記比較のモジュールは、統計的多変量手順を使用して前記比較を生成するように構成される、請求項２０に記載のシステム。
24. 前記１つまたは複数のセンサは、前記流体プロセス流のサンプルのクロマトグラムを取得および評価することにより、前記１つまたは複数の出力を生成するように構成されたガスクロマトグラフを備える、請求項１に記載のシステム。
25. 前記ＲＶＰに関する前記予測値は、以下の式（９）により表現され、
    Ｐ’（ＲＶＰ）＝ｈ（センサ応答）
    ＝ｈ（Ｃ（ＬＨ），ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ）） 式（９）
    式中、前記関数ｈは、前記モデルであり、前記ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、前記１つまたは複数のセンサから得られる出力であり、前記Ｃ（ＬＨ）は、前記ガスクロマトグラフが決定するような、前記サンプルの成分１、２、３、…、ｎに関する濃度行列［ｃ（１），ｃ（２），ｃ（３），…，ｃ（ｎ）］である、
    請求項２４に記載のシステム。
26. 前記ＣＱＭは、前記予測値Ｐ’（ＲＶＰ）および／またはＰ”（ＲＶＰ）を実質的にリアルタイムで生成するように構成され、前記ハード分析器は、前記予測値Ｐ’（ＲＶＰ）および／またはＰ”（ＲＶＰ）を生成する頻度よりも低い頻度で前記値Ｐ（ＲＶＰ）を生成するオンライン分析器であり、前記比較は、前記モデルを調節するために、および／または前記流体プロセス流を実質的にリアルタイムで制御するために使用される、請求項１５に記載のシステム。
27. 複数の炭化水素流体プロセス流の蒸気圧をリアルタイムで決定するように構成され、複数の前記液体流経路および複数の前記プロセス流インタフェースを備える、請求項１に記載のシステム。
28. 炭化水素流体プロセス流の蒸気圧をリアルタイムで決定するための方法であって、
    液体流経路を通して少なくとも１つのプロセス流インタフェースに前記流体プロセス流を運搬するステップと、
    時間増分ｔ１、ｔ２、…、ｔｎに前記流体プロセス流のサンプルの蒸気圧に関する値を直接検知および測定するように構成されたハード分析器を、前記プロセス流インタフェースに通信可能に連結するステップと、
    前記時間増分に前記流体プロセス流のサンプルに関する独立変数の形をとる１つまたは複数の出力を生成するように構成された１つまたは複数のセンサを、前記プロセス流インタフェースに通信可能に連結するステップと、
    前記１つまたは複数の出力、および前記ハード分析器が生成した前記値を取得し、集約して、集約応答を形成するように構成された集約モジュールを含む経験的知識に基づく品質マネージャ（ＣＱＭ）を、前記ハード分析器および前記１つまたは複数のセンサに通信可能に連結するステップと、
    前記ＣＱＭを用いて、前記集約応答を使用して、前記ハード分析器が生成した前記値に前記１つまたは複数の出力を関係づけるモデルを生成するステップと、
    前記ＣＱＭを用いて、前記１つまたは複数の出力に前記モデルを適用して、前記時間増分の間にある１つまたは複数の時間ｔｘに前記流体プロセス流のサンプルの蒸気圧の予測値を生成するステップと
    を備える方法。
29. 前記ＣＱＭを用いて、前記値および前記１つまたは複数の出力を用いて前記モデルをリアルタイムで更新するステップをさらに備える、請求項２８に記載の方法。
30. 前記ハード分析器は、１次試験方法（ＰＴＭ）に従って蒸気圧に関する前記値を生成する、請求項２８に記載の方法。
31. ＲＶＰに関する前記予測値は、以下の式（３）により表現され、
    Ｐ’（ＲＶＰ）＝ｆ（センサ応答）＝ｆ（サンプルスペクトル，ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ），Ｃ（ＨＣ）） 式（３）
    前記式中、前記関数ｆは、前記モデルであり、前記サンプルスペクトルは、分光計から得られる出力であり、前記ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、前記１つまたは複数のセンサから得られる出力であり、Ｃ（ＨＣ）は、前記サンプルのガスクロマトグラムから得られる強度対時間出力である、
    請求項３０に記載の方法。
32. 前記ＰＴＭは、リード法であり、前記リード法により生成された値は、リード蒸気圧（ＲＶＰ）、すなわちＰ（ＲＶＰ）である、請求項３０に記載の方法。
33. 前記ハード分析器は、非標準試験方法に従って蒸気圧に関する前記値を生成する、請求項２８に記載の方法。
34. 前記非標準試験方法は、１つまたは複数のパラメータが、１次試験方法（ＰＴＭ）で規定されたパラメータから逸脱する方法であり、前記蒸気圧に関する前記予測値は、以下の式（８）により表現され、
    Ｐ’（標準）＝ｇ（センサ応答）
    ＝ｇ（Ｐ（非標準），ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ）） 式（８）
    式中、前記関数ｇは、前記モデルであり、前記ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、前記１つまたは複数のセンサから得られる出力である、
    請求項３３に記載の方法。
35. 前記１つまたは複数のセンサは、分光計を備える、請求項２８に記載の方法。
36. 前記１つまたは複数のセンサは、分光計、密度センサ、粘度センサ、屈折率センサ、および温度センサからなるグループから選ばれる、請求項２８に記載の方法。
37. 前記分光計は、近赤外線（ＮＩＲ）分光計、フーリエ変換赤外線（ＦＴＩＲ）分光計、ラマン分光計、および核磁気共鳴（ＮＭＲ）分光計からなるグループから選ばれる、請求項３６に記載の方法。
38. 前記ＣＱＭを用いて、前記集約応答を受信し、サンプルデータベース内に保管するステップをさらに備える、請求項２８に記載の方法。
39. 前記データベースは、前記モデルを開発するために使用される、請求項３８に記載の方法。
40. 前記モデルは、数学的モデル、アルゴリズム、および／または多変量統計モデルである、請求項３９に記載の方法。
41. 前記集約モジュールを用いて、前記Ｐ（ＲＶＰ）および前記１つまたは複数の出力を使用して、検証された応答を形成するステップと、
    前記ＣＱＭを用いて、前記検証された応答をデータベースに読み込むステップと、モデルエンジンを用いて、前記データベースを使用して、前記モデルを生成するステップと、
    前記モデルを用いて、前記１つまたは複数の時間ｔｘに前記流体プロセス流のサンプルに関する前記ＲＶＰの予測値（Ｐ’（ＲＶＰ））を生成するステップと
    をさらに備える、請求項３２に記載の方法。
42. 前記ＣＱＭを使用して、前記Ｐ（ＲＶＰ）の連続する値とＰ’（ＲＶＰ）の対応する値の比較を生成し、かつ前記比較を使用して、過渡的な孤立値を検出し、取り除いて、前記流体プロセス流に関する向上した推論ＲＶＰ値（Ｐ”（ＲＶＰ））を生成するステップをさらに備える、請求項４１に記載の方法。
43. プロセスオプティマイザを使用して、前記Ｐ’（ＲＶＰ）および／またはＰ”（ＲＶＰ）を使用して、前記流体プロセス流をリアルタイムで制御するステップをさらに備える、請求項４２に記載の方法。
44. 前記プロセスオプティマイザから命令を受信したことに応答して、プロセス制御システムを前記プロセスオプティマイザと活動化可能に連動させて、前前記流体プロセス流の１つまたは複数のパラメータを調節するステップをさらに備える、請求項４３に記載の方法。
45. 前記独立変数は、温度、屈折率、粘度、密度、特定の波長または周波数で測光機器または分光機器により測定した強度応答、ガスクロマトグラフから得られるクロマトグラム、および／またはこれらの任意の組合せのうち１または複数を含む、請求項２８に記載の方法。
46. 前記１つまたは複数の出力および／または前記値を使用して、前記モデルを更新するステップをさらに備える、請求項２８に記載の方法。
47. 前記比較は、前記１つまたは複数の出力の少なくとも１つの検証を含む、請求項４２に記載の方法。
48. 前記１つまたは複数の出力が検証されると、前記モデルを調節する、および／または前記流体プロセス流を制御するステップをさらに備える、請求項４７に記載の方法。
49. 前記検証された１つまたは複数の出力の古さ、および前記１つまたは複数の出力を測定した時間でのプロセスの状態と比較した、現在のプロセスの状態のうち少なくとも一方に基づき、前記モデルを調節するために前記検証された１つまたは複数の出力を使用するかどうかを判断するステップをさらに備える、請求項４８に記載の方法。
50. 前記比較のモジュールを使用して、統計的多変量手順を使用して前記比較を生成するステップをさらに備える、請求項４７に記載の方法。
51. 前記１つまたは複数のセンサは、前記流体プロセス流のサンプルのクロマトグラムを取得および評価することにより、前記１つまたは複数の出力を生成するように構成されたガスクロマトグラフを備える、請求項２８に記載の方法。
52. 前記ＲＶＰに関する前記予測値は、以下の式（９）により表現され、
    Ｐ’（ＲＶＰ）＝ｈ（センサ応答）
    ＝ｈ（Ｃ（ＬＨ），ｍ（１），ｍ（２），ｍ（３），…，ｍ（ｎ）） 式（９）
    式中、前記関数ｈは、前記モデルであり、前記ｍ（１）、ｍ（２）、ｍ（３）、…、ｍ（ｎ）は、前記１つまたは複数のセンサから得られる出力であり、前記Ｃ（ＬＨ）は、前記ガスクロマトグラフが決定するような、前記サンプルの成分１、２、３、…、ｎに関する濃度行列［ｃ（１），ｃ（２），ｃ（３），…，ｃ（ｎ）］である、
    請求項５１に記載の方法。
53. 前記ＣＱＭを用いて、前記予測値Ｐ’（ＲＶＰ）および／またはＰ”（ＲＶＰ）を実質的にリアルタイムで生成するステップをさらに備え、前記ハード分析器は、前記予測値Ｐ’（ＲＶＰ）および／またはＰ”（ＲＶＰ）が生成される頻度よりも低い頻度で前記値Ｐ（ＲＶＰ）を生成するオンライン分析器であり、前記比較は、前記モデルを調節するために、および／または前記流体プロセス流を実質的にリアルタイムで制御するために使用される、請求項４２に記載の方法。
54. 複数の前記液体流経路および複数の前記プロセス流インタフェースを用いて、複数の炭化水素流体プロセス流の蒸気圧をリアルタイムで決定するステップをさらに備える、請求項２８に記載の方法。

Images