WO2023128828A1 - Прогнозирование изменения активности катализатора в установке гидроочистки дизельного топлива - Google Patents

Прогнозирование изменения активности катализатора в установке гидроочистки дизельного топлива Download PDF

Info

Publication number
WO2023128828A1
WO2023128828A1 PCT/RU2022/050376 RU2022050376W WO2023128828A1 WO 2023128828 A1 WO2023128828 A1 WO 2023128828A1 RU 2022050376 W RU2022050376 W RU 2022050376W WO 2023128828 A1 WO2023128828 A1 WO 2023128828A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
values
inlet
reactor
temperature
Prior art date
Application number
PCT/RU2022/050376
Other languages
English (en)
French (fr)
Inventor
Олег Сергеевич ВЕДЕРНИКОВ
Александр Васильевич ПАНОВ
Дмитрий Юрьевич КЛИМИН
Алексей Евгеньевич ПУЗЫРЕВ
Виталий Михайлович ПАМПУРА
Дамир МУХАЕВ
Андрей Андреевич КУСАКОВ
Руслан Фаридович МЕРКУЛОВ
Original Assignee
Публичное акционерное общество "Газпром нефть"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from RU2021139653A external-priority patent/RU2786783C1/ru
Application filed by Публичное акционерное общество "Газпром нефть" filed Critical Публичное акционерное общество "Газпром нефть"
Publication of WO2023128828A1 publication Critical patent/WO2023128828A1/ru

Links

Classifications

    • CCHEMISTRY; METALLURGY
    • C10PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10GCRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G45/00Refining of hydrocarbon oils using hydrogen or hydrogen-generating compounds
    • C10G45/02Refining of hydrocarbon oils using hydrogen or hydrogen-generating compounds to eliminate hetero atoms without changing the skeleton of the hydrocarbon involved and without cracking into lower boiling hydrocarbons; Hydrofinishing
    • C10G45/04Refining of hydrocarbon oils using hydrogen or hydrogen-generating compounds to eliminate hetero atoms without changing the skeleton of the hydrocarbon involved and without cracking into lower boiling hydrocarbons; Hydrofinishing characterised by the catalyst used
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/17Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30Prediction of properties of chemical compounds, compositions or mixtures
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70Machine learning, data mining or chemometrics

Definitions

  • the present invention generally relates to a system and method for controlling a process plant, such as, for example, a middle distillate refinery, and in particular, to a system and method for predicting changes in catalyst activity in a diesel fuel hydrotreater (HD DF) ).
  • a process plant such as, for example, a middle distillate refinery
  • HD DF diesel fuel hydrotreater
  • the proposed invention relates to a computer-readable medium containing a software product, which, when executed by the processor, provides the ability to predict the change in catalyst activity in the installation of GO DF.
  • hydrotreating is a process of upgrading raw materials on the active surface of a catalyst in a hydrogen-containing gas (HCG) environment.
  • the kinetics of the hydrotreating process is significantly influenced by a number of factors, including, for example, temperature, pressure, feed space velocity, WASH cycle times, cycle gas purity, partial hydrogen pressure, contact time of the feedstock with the catalyst in the reaction zone, catalyst activity. It is extremely difficult for the plant operator to control some of these parameters, but these parameters must be taken into account in order to effectively control the plant. In this case, the process is controlled primarily by changing the temperature in the reaction zone.
  • the proposed method, system, and computer-readable medium provide the ability to predict with the required accuracy the change in catalyst activity in the GO DF unit in order to assess its residual resource and optimal use without reference to the manufacturer, type, and brand of catalyst.
  • the present invention allows real-time assessment of the effect of a controlled process variable on the predicted rate of catalyst deactivation, as well as reducing the frequency of laboratory analyzes.
  • a system for predicting the change in catalyst activity in a diesel fuel hydrotreater (HD DF), including: a parameter value receiving unit configured to receive hydrotreating process parameter values, wherein the hydrotreating process parameter values include laboratory analysis data raw materials at the inlet of the diesel fuel hydrotreatment unit and hydrotreated diesel fuel at the outlet of the specified unit and data from the sensors of the GO DT unit; parameter value storage unit configured to be saved accepted values of the parameters of the hydrotreating process in the form of one or more time series; a block for generating and training a model, configured to: filter the stored values of time series based on Shewhart control charts, determine the values of the integral load F sum of the reactor, which reflects the amount of raw material processed by the plant since the beginning of the use of the analyzed catalyst, form a training set based on the filtered values of time series , determining the optimal size of the moving learning window based on the root-mean-square deviation of the HSS temperature at the reactor inlet and
  • the parameter receiving unit may be configured to obtain new values of the hydrotreating process parameters
  • the model generation and training unit may be configured to automatically retrain the models based on the received new values of the hydrotreating process parameters.
  • the predictor may be configured to communicate the obtained estimate of catalyst activity to the plant operator.
  • the predictor may be configured to transmit the obtained estimate of catalyst activity to the plant control unit.
  • said determination of the values of the integral load Fsum of the reactor is carried out according to the formula: where ti is the i-th point in time, F(t) is the load at time t.
  • said construction of a linear approximation of the integral load Fsum is carried out according to the formula: 1 sum - a d * t 4 '- and b where t is time, a and b are linear coefficients found by the least squares method.
  • a system for predicting the change in catalyst activity in a diesel fuel hydrotreatment unit (HD DF), including: a hydrotreatment process parameter value receiving unit configured to receive hydrotreatment process parameter values, including data from laboratory analyzes of raw materials at the unit inlet hydrotreatment of diesel fuel and hydrotreated diesel fuel at the outlet of the specified unit and data from the sensors of the GO DT unit; a parameter value storage unit configured to store the received parameter values of the hydrotreating process; a predictor configured to: determine the rate of change of the linear approximation of temperature using the trained polynomial regression model with adjacent terms based on the average values of the regressors over a predetermined period of time and linearly approximated values of the integral load F SU m; estimating catalyst activity based on the rate of change of said linear temperature approximation; at the same time, the regressors of the mentioned model are the mentioned parameters of the hydrotreating process, including: consumption R1 of raw materials per thread, point R2 of boiling
  • a method for predicting the change in catalyst activity in a diesel fuel hydrotreater including: receiving and storing the values of the hydrotreating process parameters in the form of one or more time series, while the values of the hydrotreating process parameters include laboratory analysis data raw materials at the inlet of the unit and hydrotreated diesel fuel at the outlet of the unit and data from the sensors of the GO DT unit; filtering time series values using Shewhart control charts; determining the values of the integral load Fsum of the reactor, which reflects the amount of raw material processed by the installation from the beginning of the use of the analyzed catalyst; formation of a training set based on filtered time series; determining the size of the moving learning window based on the standard deviation of the GSS temperature at the reactor inlet and the maximum correlation coefficient between the historical and predicted values of the temperature at the reactor inlet; formation of a GSS temperature model at the inlet to the reactor of the GO DT installation, while the mentioned model is a polynomial
  • the method may further include the step of obtaining new values for the parameters of the hydrotreating process and automatic retraining of the model based on the mentioned new values of the parameters of the hydrotreating process.
  • the method may further include the step of communicating the obtained estimate of catalyst activity to the plant operator.
  • the method may further include the step of transmitting the obtained estimate of catalyst activity to the unit control unit.
  • said determination of the values of the integral load Fsum of the reactor is carried out according to the formula: where ti is the i-th point in time, F(t) is the load at time t.
  • said construction of a linear approximation of the integral load Fsum is carried out according to the formula: - a * t 4 - b where t is time, a and b are linear coefficients found by the least squares method.
  • a method for predicting the change in catalyst activity in a diesel fuel hydrotreater including: receiving and storing the values of the hydrotreating process parameters in the form of one or more time series, while the values of the hydrotreating process parameters include laboratory analysis data raw materials at the inlet of the unit and hydrotreated diesel fuel at the outlet of the unit and data from the sensors of the GO DT unit; determining the values of the integral load F sum of the reactor, reflecting the amount of raw materials processed by the installation from the beginning of the use of the analyzed catalyst; determining the rate of change of the linear approximation of temperature using the trained polynomial regression model with adjacent terms based on the average values of the regressors over a predetermined period of time and linearly approximated values of the integral load F SU m; evaluating the activity of the catalyst based on the rate of change of said linear temperature approximation; at the same time, the regressors of the mentioned model are the mentioned parameters of
  • a computer-readable medium stores a program product with program instructions that, when executed by a processor, perform one of the above methods.
  • Figure 1 is a schematic diagram of a typical diesel hydrotreater in accordance with the prior art
  • FIG. 2 is a schematic representation of a diesel fuel hydrotreater (HD DF) with a catalyst activity change prediction system implemented in accordance with the present invention
  • Figures 3 and 4 show examples of information displayed on the screen of an operator's and/or process engineer's terminal.
  • FIG. 1 shows an example of a typical diesel fuel hydrotreater (HDF) unit 11 comprising, without limitation, two reactors 12 that can be used simultaneously.
  • HDF diesel fuel hydrotreater
  • This configuration of unit 11 provides for hydrotreatment in two independent parallel feed streams, which makes it possible to carry out repair work without a complete shutdown of production.
  • the installation 11 GO DF may contain a different number of reactors, for example, one or more than two.
  • the raw material from the buffer tanks 13 of the tank farm is fed by means of the pump 14 to the mixing tee 15, in which the raw material is mixed with circulating hydrogen-containing gas (CVG).
  • CVG hydrogen-containing gas
  • the raw materials can be, for example, light gas oil and straight-run diesel fractions.
  • HSS heating means 16 which may include furnaces and/or heat exchangers, and fed to the inlet of the reactor 12.
  • the CVSG pressure in the hydrogen-containing gas circulation system is provided by the CVSG compressor 17, while to maintain the required hydrogen concentration, hydrogen can be supplied to the hydrogen-containing gas circulation system through the make-up WASH compressor 18, obtained, for example, from hydrogen production and / or catalytic reforming plants naphtha.
  • the hydrotreating reactor 12 is the main equipment of the hydrotreating process and is a vertical cylindrical vessel with a convex bottom of a spherical or close to elliptical shape, the height of which is greater than its diameter. According to the number of catalyst beds, the reactor 12 can be one-, two- or multi-sectional: reactors with one or two catalyst beds are typical for distillate hydrodesulfurization plants, and for hydrocracking plants with four to five. Cold recycle HSG (quench) may be fed into the reactor as an additional lever to control the temperature in the reactor 12. Above and below the catalyst beds may be limited by layers of porcelain beads and/or protective layers larger than the catalyst particles.
  • the catalyst layer becomes less permeable. This is especially true for the upper part. Therefore, the pressure drop in the reactor 12 at the end of the operating run is greater than at the beginning. This effect is explained by a number of factors, for example, the accumulation of corrosion products and coke in the layer, a decrease in the strength of catalyst particles, sintering, etc. With an increase in pressure drop, the costs of circulating hydrogen-containing gas increase.
  • Deactivation of the catalyst leads to a decrease in the activity of the catalyst and, as a consequence, to a decrease in the degree of desulfurization.
  • the consumption of make-up HSG or the pressure of the gas-feed mixture at the inlet to the reactor is increased, or the partial pressure of hydrogen in the mixture is increased.
  • One of the main methods for leveling catalyst deactivation is to increase the temperature of the feed stream at the reactor inlet. An increase in the temperature of the feed mixture at the inlet to the reactor due to the deactivation of the catalyst leads to an increase in the yield of by-products of gas and gasoline, and therefore reduces the efficiency of the diesel fuel hydrotreatment unit.
  • Catalyst sintering leads to a decrease in the surface of the support, as well as to "coalescence” or loss of fineness of the metal crystallites. The loss of dispersity leads to a sharp decrease in activity. Poisoning by impurities proceeds under the influence of adsorption on the active centers of small amounts of a substance called poison and specific for this catalyst.
  • the feedstock is fed through a nozzle, which may be located in the upper part of the reactor 12, and is evenly distributed over the entire cross section of the reactor 12.
  • the reactor 12 can be provided with a radial input of feedstock.
  • mesh baskets immersed in the top layer of the catalyst can be used. Mesh baskets are not only a filtering device, but also serve to uniformly distribute raw materials with gases over the horizontal section of the reactor 12.
  • the main factors in the hydrotreatment process in the reactor 12 are, for example, temperature, pressure, feed space velocity, HCG cycle times, cycle gas purity, catalyst physicochemical characteristics.
  • the reaction temperature is one of the most important process parameters. It is very sensitive to the depth and selectivity of hydrotreating reactions and And hydrocracking, since with increasing temperature their rate constants increase exponentially. On the other hand, an increase in the reaction temperature inevitably accelerates coke formation due to an increase in the rate of condensation of unstable cracking products. Therefore, to achieve the required selectivity, the temperature must be selected in accordance with the chemistry of the process.
  • the control of the reaction temperature can be carried out, for example, by changing the temperature of the GSS entering the reactor 12, using means 16 for heating the GSS. For example, it may be possible to change the temperature in the furnace by increasing the supply of fuel gas to the furnace nozzles.
  • the reaction temperature can be changed by changing other parameters, for example, by changing the volume of feed to the reactor 12 using appropriate valves, compressors, pumps, and the like.
  • the temperature increases as one moves down the bed.
  • the main problem in hydrotreatment operations is temperature control, for example, by setting a certain temperature of the GSS at the inlet to the reactor.
  • the total catalyst volume is distributed over several layers with intermediate cooling between them.
  • one layer is usually sufficient, since the heat release is relatively low, but in the case of heavier feedstock, a single-layer reactor may not be feasible due to excessive temperature rise.
  • the catalytic beds are arranged so as to achieve a more favorable temperature distribution.
  • the temperature distribution in the reactor 12 is also affected by the loss of catalyst activity. During the cycle, it is compensated by a periodic increase in temperature, as a result of which the amplitude of the temperature profile gradually shifts upward. When the upper temperature limit reaches the maximum allowable for the reactor construction material, the cycle is terminated. At the end of the operating run, the average temperature in the reactor 12 may exceed the initial temperature, for example by 20-60°C. If the temperature along the axis of the reactor 12 is not correctly distributed, premature forced shutdown is possible - especially with a rapid loss of activity, as in the hydro-refrigeration of residues. In such cases, it is desirable to choose the lowest possible temperature rise in the layer in order to delay the moment of reaching the maximum allowable temperature. This means an increase in the number of layers and, accordingly, the dimensions of the reactor, which is necessary to accommodate additional equipment for intermediate cooling.
  • the hydrotreating process is affected by both the total pressure in the reactor 12 and the partial pressure of hydrogen.
  • the degree of desulfurization increases with an increase in the total pressure in the reactor 12, or more precisely, the partial pressure of hydrogen. This slows down the reactions of dehydrogenation of naphthenic hydrocarbons, reduces the coking of the catalyst, accelerates the reactions of hydrogen saturation of unsaturated hydrocarbons and hydrogenation of aromatic hydrocarbons.
  • the total consumption of hydrogen increases with increasing pressure.
  • the volumetric feed rate of raw materials Reducing the duration of contact as a result of increasing the space velocity of the feedstock (the ratio of the volume of liquid feedstock entering in 1 hour to the volume of the catalyst, counting by bulk density) reduces the depth of desulfurization. As a result, the consumption of hydrogen and the degree of coking of the catalyst are reduced.
  • WASH circulation rate In industrial practice, hydrotreatment processes are carried out with an excess amount of hydrogen, given that with an increase in its partial pressure, the reaction rates increase.
  • the circulation rate is selected based on the goals of the process and economic considerations. If its value is lower than the calculated value, coke formation increases and the degree of conversion decreases.
  • the circulation rate is especially important for prolonging the catalyst cycle, which for this reason is usually carried out at very high hydrogen to feed ratios (1000-2000 m3/m3). At the same time, maintaining a high circulation rate requires an increase in the flow rate of heat carriers and a more powerful compressor.
  • Gas circulation affects the balance of the liquid and gas phases in the reactor. Most hydrotreaters operate with partially vaporized hydrocarbon feeds. This circumstance affects the composition of the gas and the reaction rates. By increasing the ratio of hydrogen to the feedstock, one can achieve the concentration of the heaviest and most stable compounds in the liquid phase and increase the time of their contact with the catalyst. But, on the other hand, an increase in the gas circulation rate can lead to the fact that some substances in the evaporated fraction will not have access to the active centers of the catalyst particles.
  • the reaction products coming from the outlet of the reactor 12 are separated in the form of a gas-vapor mixture into hydrogen sulfide-enriched CVSG, hydrotreated gasoline and / or GO diesel fuel, as well as purification of hydrogen sulfide-enriched CVSG from reaction products with raw materials.
  • the corresponding devices known in the prior art refrigerators, heat exchangers, condensers, separators, stabilization columns, washing sections, etc. that are part of the purification unit 19 are not shown in the drawings and are not disclosed in this description. .
  • a prediction system 20 is provided that is capable of predicting a change in catalyst activity in installation 11 GO DT, using forecasting models, which are models of mathematical regression.
  • the key parameters of the technological process and indicators of the quality of raw materials and product flows act as regressors that are part of the models.
  • the prediction system 20 includes a hydrotreating parameter value receiving unit 21, a parameter value storage unit 22, a filtering unit 23, a model generation and training unit 24, and a prediction unit 25.
  • the parameter value receiving unit 21 is configured to receive the values of the physical and/or chemical parameters of the hydrotreating process from sensors located on the unit 11.
  • the parameter value receiving unit 21 together with the sensors can be, for example, an industrial data acquisition system (DSS) , that is, a set of hardware or firmware that collects, selects, converts, stores and initially processes various input analog and / or digital signals.
  • DSS industrial data acquisition system
  • the sensors can also be structurally and functionally separate devices containing one or more primary measuring transducers that generate a signal with information about the measurement in a form that is compatible with the block 21 for receiving parameter values.
  • the signal from each of the sensors can be transmitted to the parameter value receiving unit 21 via, for example, a wired, fiber optic, wireless connection, or a combination thereof.
  • the sensors may include one or more of the following: a raw material flow sensor R1 per thread, which can be installed on the production line before the mixing tee 15, a raw material flow sensor R5 on the installation 11 , which can be installed on the production line between the buffer tank 13 and the mixing tee 15, the sensor R6 for the make-up WASH flow rate to the unit 11, which can be installed at the inlet to the WASH circulation system, the sensor R7 for the CVSG flow into the mixing tee 15, which can be installed at the CVSG inlet to the mixing tee 15, sensors R8 for the consumption of diesel fuel and R9 of gasoline at the outlet of the installation 11, which can be installed at the outlets of the purification unit 19, sensor R10 for the flow of light gas oil (LG) at the installation 11, sensor Rl 1 for the temperature of the GSS at the inlet to the reactor 12, which can be installed on the feed line before entering the reactor 12, the pressure sensor R12 at the outlet of the heating means 16, which can be installed at the outlet of the HSS
  • the parameter value receiving unit 21 can be configured to receive laboratory analysis data, for example, data on the sulfur content R13 in the final product, data on the boiling point R2 of 50% of the raw material at the inlet of the installation 11, data on the point R3 boil-off of 95% of the raw material at the inlet to unit 11, data on the density R4 of the raw material at the inlet to unit 11.
  • the sequences of values received by the parameter value receiving unit 21 are transferred to the parameter value storage unit 22 for indexing these values by the time of measurement or by the time of acquisition and storage in the form of time series.
  • the block 22 for storing parameter values can be configured to store the values of various parameters in the form of a plurality of one-dimensional time series, each of which reflects the development of only one process over time, or in the form of one or a plurality of multidimensional time series, each of which contains observations for changing more than one parameter.
  • the values of the time series are obtained by registering the corresponding parameter of the process under study at certain time intervals. In this case, depending on the nature of the data and the nature of the tasks being solved, either the current value or the sum of the values accumulated over a certain time interval can be recorded.
  • the parameter value storage unit 22 can also be configured to aggregate data.
  • the parameter value storage unit 22 may be configured to record, store, process data, and provide access to data.
  • the parameter value storage unit 22 may be implemented using any kind of volatile or non-volatile memory, or a combination thereof, such as static random access memory (SRAM), electrically erasable programmable read only memory (EEPROM), erasable programmable read only memory (EPROM), programmable read-only memory (PROM), read-only memory (ROM), magnetic memory, flash memory, magnetic or optical disk, disk array or other storage device, or any other medium capable of storing the required data and which can be accessed using a computing device.
  • SRAM static random access memory
  • EEPROM electrically erasable programmable read only memory
  • EPROM erasable programmable read only memory
  • PROM programmable read-only memory
  • ROM read-only memory
  • magnetic memory flash memory
  • magnetic or optical disk disk array or other storage device
  • disk array or other storage device or any other medium capable of storing the required data and which can be accessed using
  • the filter unit 23 may be implemented with one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers. , microprocessors or other electronic components.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers microcontrollers.
  • microcontrollers microcontrollers or other electronic components.
  • the filtering unit 23 can also be implemented on the basis of a personal or industrial computer with sufficient computing power or a distributed network of such computing facilities.
  • the filter unit 23 may also be equipped with an input/output interface providing an interface between the filter unit 23 and peripheral devices such as a keyboard, display, and the like. Peripheral devices can be used, for example, to make changes to the program code under which the filter unit
  • the source data filtering algorithms are based on the principle of Shewhart's control charts.
  • the input of the filtering unit 23 receives data in a “raw” form for a period that is determined by the number of laboratory analysis points (or the retraining window).
  • the incoming data are sets of vectors of different lengths, from which the retraining matrix will be compiled.
  • the work with each vector in the loop comes the work with each vector in the loop.
  • the coefficients of the borders are selected in accordance with a table of predetermined coefficients for calculating the lines of the control charts. Further, in the current vector, groups that go beyond the control boundaries are determined and removed. These groups do not participate in retraining.
  • the filter unit 23 can also be configured to further filter and transform the original data (time series) by methods known in the art to obtain a training set.
  • prediction system 20 also includes a model generation and training unit 24 .
  • the model generation and training unit 24 may be implemented using one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), field programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers, microprocessors or other electronic components.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs field programmable logic devices
  • FPGAs field programmable gate arrays
  • Block 24 of the formation and training of the model can also be implemented on the basis of a personal or industrial computer with sufficient computing power or a distributed network of such computing facilities.
  • the model building and learning unit 24 may also be equipped with an input/output interface providing an interface between the model building and learning unit 24 and peripheral devices such as a keyboard, display, and the like.
  • Peripheral devices can be used, for example, to make changes to the program code under the control of which the block 24 for generating and training the model performs its functions.
  • regression analysis is used, which, as was found by the authors of the invention, is optimal for solving the problem and allows finding correlations between input and output variables.
  • each input parameter affects the resulting value with its own specific weight - the regression coefficient, which makes it possible to assess the physical reliability of the model.
  • the model generation and training unit 24 may be configured to determine the optimal size of the moving learning window. In this case, the calculation is performed on the basis of the root-mean-square deviation of the simulated HSS temperature at the reactor 12 inlet from the predicted values and the maximum correlation coefficient between the historical (retrospective) and predicted values of the HSS temperature at the reactor 12 inlet. calculation of correlation coefficients and the size that provides the greatest correlation coefficient. Defining a learning window allows you to highlight the most significant data in the process history. From the entire time sample, a certain number of the latest points are selected, which are used for training to exclude old and weakly influencing data.
  • block 24 of the formation and training of the model can be made in the form of a software and hardware complex that allows the operator to manually set the size of the moving learning window.
  • the model generation and training unit 24 can also be configured to evaluate the relative importance of regressors, search for multicollinear regressors, calculate regression coefficients, evaluate the model for historical data, add and remove regression coefficients, and perform other functionality that allows you to improve performance model quality.
  • the block 24 generation and training of the model allows you to generate polynomial models of arbitrary order with adjacent members to build models that are more closely approximated to real non-linear systems.
  • Polynomials of more than the first order include the products of regressors and their degrees of more than the first.
  • Block 24 of the formation and training of the model can additionally be configured to build predictive models to reflect the impact of current readings of process parameters on possible subsequent changes in the final product.
  • the block 24 of the formation and training of the model can be made with the possibility of correcting the effects of individual technological parameters for the most accurate processing of possible disturbances.
  • This functionality can be implemented, for example, by adding to the final result the product of the change in the parameter by the modifying coefficient when a significant perturbation in the modifying parameter is accumulated.
  • the following regressors can be included in the model for predicting the temperature of the GSS at the inlet to the reactor 12 of the installation 11 of the GO of diesel fuel: the consumption R1 of raw materials per thread, the point R2 of boiling out 50% of the raw materials at the inlet to installation 11, the point R3 of boiling out of 95% of the raw materials at the inlet to the hydrotreatment unit 11, the density R4 of the feedstock at the inlet to the hydrotreatment unit 11, the flow rate R5 of the raw material to the hydrotreatment unit 11, the flow rate R6 of make-up WSG to the hydrotreatment unit 11, the flow rate R7 of the CFSG to the mixing tee 15, the flow rate R8 of diesel fuel at the outlet of the unit 11, gasoline consumption R9 at the outlet of unit 11, LH flow rate R10 at unit 11, HSS temperature R11 at the inlet to the reactor 12, pressure R12 at the outlet of the HSS heating means 16, sulfur content R13 in hydrotreated diesel fuel, sulfur content R14 in the feedstock, pressure drop R15 between the inlet and
  • an additional regressor "integral load" should be introduced into the model, reflecting the amount of raw material used by the 11 GO DT unit from the beginning of the use of the catalyst .
  • the integral load at a particular point in time can be calculated by the block 24 for the formation and training of the model, for example, based on the known consumption of raw materials per thread and the time elapsed since the installation of the catalyst.
  • the regressor integral load F sum should also be included in the model.
  • the equation for calculating the integral load F sum can be as follows: where ti is the i-th point in time, F(t) is the load at time t.
  • F(t) is the load at time t.
  • F sum (t) - reflects the amount of raw materials that have passed through the block since the given moment to.
  • the calculation of the integral load Fsum is carried out in block 24 of the formation and training of the model.
  • the regression equation of the mathematical model may have, for example, the following form: where Tmodel is the GSS temperature model at the inlet to the reactor 12, Ci are the model coefficients, Ri are the regressors, F SU m is the integral load with the corresponding coefficient Cpsum-
  • the block 24 for generating and training the model can also be configured to retrain the models with further accumulation of the historical sample, for example, with the arrival of new data from laboratory analyzes, with a change in the regression coefficients Ci. This allows you to correct the approximate functions of the models in the vicinity of the current equilibrium point of the real nonlinear process, thereby increasing their accuracy. In this case, retraining can be carried out automatically upon receipt of new retrospective data to block 21 for receiving parameter values.
  • all data on technological parameters entering the model are taken on an hourly average.
  • the parameter value receiving unit 21 may also be configured to receive a second set of values, which may be hydrotreating process parameter values that are not included in the training set, i.e., are not retrospective.
  • Block 21 for receiving parameter values can also be configured to receive values of individual parameters from the operator, for example, to predict the effect of changing one of the parameters included in the model on the rate of catalyst deactivation.
  • the models generated and trained by the block 24 for generating and training the model, as well as the data received from the block 21 for receiving parameter values, are fed to the block 25 for predicting.
  • the predictor 25 may be implemented with one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), field programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers, microprocessors or other electronic components.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs field programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers microcontrollers, microprocessors or other electronic components.
  • the prediction block 25 can also be implemented on the basis of a personal or industrial computer with sufficient computing power or a distributed network of such computing facilities.
  • the prediction unit 25 may also be equipped with an input/output interface providing an interface between the prediction unit 25 and peripheral devices such as a keyboard, display, and the like. Peripheral devices can be used, for example, to make changes to the program code under which the predictor 25 performs its functions.
  • the process of catalytic hydrotreating is accompanied by the release of heat during the exothermic reactions caused by the catalyst. Over time, the catalyst loses its properties, and therefore the amount of heat released during the hydrotreatment process decreases, or the quality of the resulting product deteriorates at the same process temperatures.
  • the temperature at the inlet to the reactor 12 which is necessary to maintain the required sulfur content, will under normal conditions show an upward trend.
  • the rate of change in the temperature of the GSS at the inlet to the reactor 12, required to maintain the required quality of the product directly indicates the rate of catalyst deactivation.
  • This principle can be used by predictor 25 to predict catalyst activity.
  • the predictor 25 may be configured to determine a time-based linear approximation of the temperature (indirectly via the integral load linear approximation) based on the generated model, the linearly approximated integral load and the average values of the regressors for a predetermined period of time: where avg(Ri) are the average values of the regressors for a predetermined period of time with their respective coefficients Ci , F sumi is a linearly approximated integral load with the corresponding coefficient Crsum-
  • the linearly approximated integral load F SU mi can be calculated by the predictor 25, for example, using the least squares method:
  • Fsumi a * t + b where t is time and a and b are linear coefficients found by the least squares method.
  • the linear velocity of the obtained temperature approximation may be determined.
  • the linear velocity of the resulting temperature approximation can be determined using the following formula: dT mocie ii
  • Tmodeii is a linear approximation of the temperature
  • t en d is the current time
  • to is the start time
  • the time difference can be counted in days.
  • the results of predicting the change in catalyst activity and other process parameters can be sent to the operator and/or process engineer terminal 26 for display on the screen of the operator and/or process engineer terminal 26, for example, by plotting appropriate graphs.
  • the visualization of the technological process on the screen of the terminal 26 of the operator and/or process engineer can be carried out in real time.
  • the terminal 26 of the operator and/or process engineer may also provide the ability to select additional objects and parameters for analysis and monitoring using appropriate user interface elements.
  • Examples of information displayed on the screen of the terminal 26 of the operator and / or process engineer are shown in Figs. 3 and 4. In Fig.
  • the rate of deactivation at the onset of this case increased and amounted to 4.48°C/month, instead of the previously indicated 4.2°C/month.
  • the model predicted that the GSS temperature at the reactor inlet would be almost 380°C, instead of the previously predicted value of 375°C. Since at a catalyst deactivation rate of 4.48 °C / month. reaching the temperature limit in the reactor would have been reached much earlier than the required time, the light gas oil pumping was reduced and the deactivation rate returned to 3 °C/month.
  • Figure 4 shows the results of predicting catalyst deactivation after model training in the first 9 months of plant operation.
  • the possibility of setting arbitrary values of controlled parameters using the terminal 26 of the operator and / or process engineer allows you to provide real-time decision support.
  • the forecasting system provides the ability to build real-time forecasts of changes in the process when one or more parameters change.
  • the operator and / or process engineer has the opportunity to assess the impact of proposed changes on the process before they are directly implementation.
  • the corresponding commands can be transmitted from the terminal 26 of the operator and / or process engineer to the controller that controls the pump 14, the compressor 18, the valves installed on the production lines and / or the means for heating the gas-feed mixture at the inlet to the reactor 2.
  • the temperature in the furnace of the heating means 16 is, for example, changed by increasing the supply of fuel gas to the furnace nozzles. Other temperatures can be changed by adjusting other parameters.
  • Commands from the terminal 26 of the operator and/or process engineer can also be sent to the appropriate controller and without the participation of the operator.
  • predefined commands may be sent to the controller when the model predicts a deviation in the catalyst deactivation rate from a predetermined value.
  • Operator and/or process engineer terminal 26 may be a computing device (such as a personal computer, industrial computer, server, laptop, or mobile computing device) or an appliance (such as a workstation (AWS)) .
  • Terminal 26 of the operator and/or process engineer may be equipped with a user interface and configured to receive, process and transmit data.
  • prediction models which are mathematical regression models, generated and trained, for example, using the prediction system 20, which is described above.
  • the values of the parameters of the hydrotreating process are stored in the form of one or more time series.
  • the values of the parameters of the hydrotreatment process include data from laboratory analyzes of raw materials at the inlet of the unit and hydrotreated diesel fuel at the outlet of the unit and data from the sensors of the GO DT unit.
  • the formation of the training set is performed and the size of the moving training window is determined based on the standard deviation and the maximum correlation coefficient between historical and predicted values.
  • a model for predicting the temperature of the GSS at the inlet to the reactor 12 is performed based on a polynomial regression model of an arbitrary order with adjacent members, the regressors of which are the mentioned process parameters, including: consumption R1 of raw material per thread, point R2 of boiling 50% of the raw material at the inlet into unit 11 GO DF, point R3 of boiling up 95% of the feedstock at the inlet to unit 11 GO DF, density R4 of raw material at the inlet to hydrotreatment unit 11, flow rate R7 plant 11 GO DF, the content of R13 sulfur in hydrotreated DF and integral loading F sum .
  • the model is formed, it is trained on the training set to obtain regression coefficients that provide indicators of the compliance of the predicted reactor inlet temperature with historical values above a predetermined level.
  • a time-based linear approximation of the temperature is determined using the predictor 25 based on the generated model, the linearly approximated integral load, and the average values of the regressors over a predetermined time period.
  • the present invention makes it possible to facilitate and provide support in decision-making by personnel when changing the parameters of technological processes, with the functions of online analysis of data arrays, calculation of the optimal temperature in the reactor; increase the flexibility of planning and process control; to increase the loading of technological installations due to a more complete use of the resource of the catalytic system and better controllability of technological processes; increase the yield of more valuable products due to better process control and mode softening; reduce the time to involve the operating personnel of process units to perform manual calculations in order to analyze the state of catalytic systems; increase the yield of target products due to milder processing conditions; increase the amount of processed raw materials on one catalyst; reduce the operating costs of the catalyst; reduce the risk the occurrence of unscheduled downtime for the replacement of catalytic systems due to premature deactivation; improve planning accuracy.
  • the division into blocks used in the present description is only a division according to logical functions.
  • one or more functional blocks can be implemented, for example, in a single set of firmware (eg, a general purpose signal processor, microcontroller, random access memory, hard disk, etc.).
  • firmware eg, a general purpose signal processor, microcontroller, random access memory, hard disk, etc.
  • several blocks or components can be combined or integrated into another system. Alternatively, some functions may be omitted or not performed.
  • an interconnection or direct connection or communication connection shown or discussed may be an indirect connection or communication connection via interfaces, devices or blocks, or may also be an electrical, mechanical or other type of connection.
  • the functionality of one or more units may be implemented, for example, by means of a computer-readable medium on which program code is recorded, when executed by the processor of the computing device, the computing device performs the corresponding functions.
  • the blocks are implemented in the form of separate software and hardware systems, communication between them, as well as with sensors at the 11 GO DT unit, can be carried out using wireless communication tools, for example, through the Industrial Internet of Things (IoT), technologies Wireless Local Area Network (WiFi), Long-Term Evolution (LTE), Broadcast Channels, Near Field Communication (NFC), Bluetooth (BT), and other wired and/or wireless technologies.
  • IoT Industrial Internet of Things
  • WiFi Wireless Local Area Network
  • LTE Long-Term Evolution
  • NFC Near Field Communication
  • BT Bluetooth
  • the blocks shown in figure 2 system 20 prediction can be implemented on the basis of an industrial computer or distributed network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

Предложен способ, система и машиночитаемый носитель с программным продуктом для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива на основании скорости изменения линейной аппроксимации температуры ГСС на входе в реактор установки гидроочистки дизельного топлива, определенной с помощью модели температуры газо-сырьевой смеси на входе в реактор. При этом модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются параметры технологического процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку Fsum.

Description

ПРОГНОЗИРОВАНИЕ ИЗМЕНЕНИЯ АКТИВНОСТИ КАТАЛИЗАТОРА В УСТАНОВКЕ ГИДРООЧИСТКИ ДИЗЕЛЬНОГО ТОПЛИВА
ОБЛАСТЬ ТЕХНИКИ
[0001] Предложенное изобретение, в целом, относится к системе и способу управления технологической установкой такой как, например, нефтеперерабатывающая установка облагораживания средних дистиллятов и, в частности, к системе и способу для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ)).
[0002] Кроме того, предложенное изобретение относится к машиночитаемому носителю, содержащему программный продукт, который при выполнении процессором обеспечивает возможность прогнозирования изменения активности катализатора в установке ГО ДТ.
УРОВЕНЬ ТЕХНИКИ
[0003] В настоящее время промышленность нефтепереработки имеет множество нерешенных проблем, связанных с введением более жестких требований к бензину, керосину и дизельному топливу для получения экологически чистых моторных топлив высокого класса. Сравнительно быстро меняющиеся требования вынуждают инвестировать средства в создание новых и модернизацию действующих установок.
[0004] Одним из основных методов облагораживания бензинов, дизельных топлив, газойлей и прочих нефтяных фракций являются гидропроцессы. Под облагораживанием в данной области техники понимается помимо прочего удаление из сырья соединений, содержащих в своем составе атомы серы. Сернистые соединения ухудшают качество топлив, вызывают повышенное коксо- и нагарообразование в двигателе, увеличивают выбросы в атмосферу оксидов серы. Гидроочистка (или гидрообессеривание) - это процесс облагораживания сырья на активной поверхности катализатора в среде водородсодержащего газа (ВСГ).
[0005] На кинетику процесса гидроочистки оказывает значительное влияние ряд факторов, в число которых входят, например, температура, давление, объемная скорость подачи сырья, кратность циркуляции ВСГ, чистота циркулирующего газа, парциальное давление водорода, время контакта сырья с катализатором в реакционной зоне, активность катализатора. Реализация возможности контроля некоторых из этих параметров оператором технологической установки чрезвычайно сложна, однако эти параметры должны учитываться для осуществления эффективного управления установкой. При этом управление процессом осуществляется, в первую очередь, с помощью изменения температуры в реакционной зоне.
[0006] Таким образом, разработка моделей процессов гидроочистки нефтяных фракций и прогнозирование параметров этих процессов является важной задачей для обеспечения возможности прогнозирования выхода конечного продукта, его качества и параметров работы технологической установки, а также для планирования дальнейшего экономического эффекта. В настоящее время известно несколько подходов к моделированию и прогнозированию различных показателей для компонентов и этапов производственного процесса. Так, например, в статье «In-line estimation of sulfur and nitrogen contents during hydrotreating of middle distillates» Pacheco M. E., Salim V. M., Pinto J. C. Brazilian Journal of Chemical Engineering (2009) описан способ прогнозирования содержания серы в конечном продукте на основании анализа разницы между удельной плотностью исходного сырья и удельной плотностью конечных продуктов. В статье «Цифровой двойник. Моделирование процесса гидрооблагораживания нефтяных фракций с применением методов машинного обучения» [Электронный ресурс] // URL: https://magazine.neftegaz.ru/articles/tsifrovizatsiya/504792-tsifrovoy-dvoynik-modelirovanie- protsessa-gidrooblagorazhivaniya-neftyanykh-fraktsiy-s-primeneniem-m/ (дата обращения: 22.04.2020)) для анализа остаточного содержания серы предлагается использовать модель процесса, использующую нейронную сеть с архитектурой «долгая краткосрочная память» (Long short-term memory, LSTM). В статье «Catalyst Life Management with a Predictive Catalyst Deactivation Model», Robinson Paul, NPRA Plant Automation and Decision Support Conference (2004) описан способ прогнозирования деактивации катализатора на основании кинетической модели технологического процесса, входными параметрами которой являются: химические характеристики сырья и продукта, данные о технологическом процессе предыдущего пробега катализатора, детальное описание ожидаемого состава сырья, описание ожидаемых режимов и условий работы. В статье «Разработка кинетической модели процесса гидроочистки дизельного топлива», Афанасьева Ю.И., Кривцова Н.И. и др., Известия ТПУ №3 (2012) для прогнозирования активности катализатора предлагается использовать компьютерную моделирующую систему, в основе которой лежит кинетическая модель технологического процесса, учитывающая превращения сернистых соединений, присутствующих в сырье процесса гидроочистки.
[0007] Несмотря на то, что известные в настоящее время подходы позволяют проектировать модели нефтехимических и нефтеперерабатывающих процессов, большинство из них либо являются чрезвычайно трудоемкими (прим, физико-химическое моделирование), либо сложными с точки зрения понимания конечной структуры разработанной модели (прим, машинное обучение), либо не обеспечивают достаточной точности прогнозирования.
[0008] В связи с этим, в настоящее время существует потребность в создании способа, системы и машиночитаемого носителя с программным продуктом, позволяющих просто и с высокой точностью прогнозировать параметры технологического процесса в режиме реального времени, в частности прогнозировать изменение активности катализаторов, используемых на технологических установках ГО ДТ в целом, с целью оценки его остаточного ресурса и оптимального использования, без привязки к производителю, типу и марке катализатора, а также для оптимизации потребления энергоресурсов, целесообразного расходования ресурса катализатора и удержания качества производимого продукта на требуемом уровне.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[0009] Предложенные способ, система и машиночитаемый носитель обеспечивают возможность с требуемой точностью прогнозировать изменение активности катализатора в установке ГО ДТ с целью оценки его остаточного ресурса и оптимального использования без привязки к производителю, типу и марке катализатора. Настоящее изобретение позволяет в реальном времени оценить влияние контролируемого технологического параметра на прогнозируемую скорость дезактивации катализатора, а также снизить частоту проведения лабораторных анализов.
[0010] Согласно первому аспекту изобретения предложена система для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающая: блок приема значений параметров, выполненный с возможностью приема значений параметров процесса гидроочистки, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива и гидроочищенного дизельного топлива на выходе указанной установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки в виде одного или более временных рядов; блок формирования и обучения модели, выполненный с возможностью: фильтрации сохраненных значений временных рядов на основании контрольных карт Шухарта, определения значений интегральной загрузки Fsum реактора, отражающей количество сырья, обработанного установкой с начала использования анализируемого катализатора, формирования обучающего множества на основании фильтрованных значений временных рядов, определения оптимального размера движущегося окна обучения на основании среднеквадратичного отклонения температуры ГСС на входе в реактор и максимума коэффициента корреляции между историческими и предсказываемыми значениями температуры на входе в реактор, и формирования модели температуры ГСС на входе в реактор установки ГО ДТ, при этом упомянутая модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку Fsum, обучения модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой температуры ГСС на входе в реактор ретроспективным значениям выше заранее заданного уровня; блок прогнозирования, выполненный с возможностью: определения скорости изменения линейной аппроксимации температуры с помощью упомянутой модели на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки Fsum; оценка активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры.
[0011] Согласно одному из вариантов выполнения изобретения блок приема параметров может быть выполнен с возможностью получения новых значений параметров процесса гидроочистки, и блок формирования и обучения модели может быть выполнен с возможностью автоматического переобучения моделей на основании упомянутых полученных новых значений параметров процесса гидроочистки.
[0012] Согласно другому варианту выполнения блок прогнозирования может быть выполнен с возможностью передачи полученной оценки активности катализатора оператору установки. [0013] Согласно другому варианту выполнения блок прогнозирования может быть выполнен с возможностью передачи полученной оценки активности катализатора на блок управления установкой.
[0014] Согласно другому варианту выполнения упомянутое определение значений интегральной загрузки Fsum реактора осуществляется по формуле:
Figure imgf000007_0001
где ti - i-ый момент времени, F(t) - загрузка в момент времени t.
[0015] Согласно другому варианту выполнения упомянутое построение линейной аппроксимации интегральной загрузки Fsum осуществляют по формуле: 1 sum — а d * t 4 '- и b где t - время, а и b - линейные коэффициенты, найденные методом наименьших квадратов.
[0016] Согласно второму аспекту изобретения предложена система для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающая: блок приема значений параметров процесса гидроочистки, выполненный с возможностью приема значений параметров процесса гидроочистки, включающих данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива и гидроочищенного дизельного топлива на выходе указанной установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки; блок прогнозирования, выполненный с возможностью: определения скорости изменения линейной аппроксимации температуры с помощью обученной полиномиальной регрессионной модели со смежными членами на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки FSUm; оценки активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры; при этом регрессорами упомянутой модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку Fsum, отражающую количество сырья, обработанного установкой с начала использования анализируемого катализатора.
[0017] Согласно третьему аспекту изобретения предложен способ прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающий: прием и сохранение значений параметров процесса гидроочистки в виде одного или более временных рядов, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки и гидроочищенного дизельного топлива на выходе установки и данные от датчиков установки ГО ДТ; фильтрацию значений временных рядов с применением контрольных карт Шухарта; определение значений интегральной загрузки Fsum реактора, отражающей количество сырья, обработанного установкой с начала использования анализируемого катализатора; формирование обучающего множества на основании фильтрованных временных рядов; определение размера движущегося окна обучения на основании среднеквадратичного отклонения температуры ГСС на входе в реактор и максимума коэффициента корреляции между историческими и предсказываемыми значениями температуры на входе в реактор; формирование модели температуры ГСС на входе в реактор установки ГО ДТ, при этом упомянутая модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку Fsum; обучение упомянутой модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой температуры ГСС на входе в реактор ретроспективным значениям выше заранее заданного уровня; определение скорости изменения линейной аппроксимации температуры с помощью упомянутой модели на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки Fsum; оценку активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры.
[0018] Согласно одному из вариантов выполнения способ может дополнительно включать шаг получения новых значений параметров процесса гидроочистки и автоматическое переобучение модели на основании упомянутых новых значений параметров процесса гидроочистки.
[0019] Согласно другому варианту выполнения способ может дополнительно включать шаг передачи полученной оценки активности катализатора оператору установки.
[0020] Согласно другому варианту выполнения способ может дополнительно включать шаг передачи полученной оценки активности катализатора на блок управления установкой.
[0021] Согласно другому варианту выполнения упомянутое определение значений интегральной загрузки Fsum реактора осуществляется по формуле:
Figure imgf000009_0001
где ti - i-ый момент времени, F(t) - загрузка в момент времени t.
[0022] Согласно другому варианту выполнения упомянутое построение линейной аппроксимации интегральной загрузки Fsum осуществляют по формуле: — а * t 4- b где t - время, а и b - линейные коэффициенты, найденные методом наименьших квадратов.
[0023] Согласно четвертому аспекту изобретения предложен способ прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающий: прием и сохранение значений параметров процесса гидроочистки в виде одного или более временных рядов, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки и гидроочищенного дизельного топлива на выходе установки и данные от датчиков установки ГО ДТ; определение значений интегральной загрузки Fsum реактора, отражающей количество сырья, обработанного установкой с начала использования анализируемого катализатора; определение скорости изменения линейной аппроксимации температуры с помощью обученной полиномиальной регрессионной модели со смежными членами на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки FSUm; оценку активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры; при этом регрессорами упомянутой модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку Fsum, отражающую количество сырья, обработанного установкой с начала использования анализируемого катализатора.
[0024] Согласно пятому аспекту изобретения предложен машиночитаемый носитель, хранящий программный продукт с программными инструкциями, при исполнении которых процессором обеспечивается выполнение одного из указанных выше способов.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[0025] Далее описаны неограничивающие примеры предпочтительных вариантов выполнения предложенного изобретения со ссылкой на чертежи, которые иллюстрируют раскрытые примеры предпочтительных вариантов выполнения и не ограничивают объем изобретения. На чертежах:
[0026] на фиг.1 схематически изображена типовая установка гидроочистки дизельного топлива в соответствии с уровнем техники;
[0027] на фиг.2 схематически изображена установка гидроочистки дизельного топлива (ГО ДТ) с системой прогнозирования изменения активности катализатора, выполненной в соответствии с предложенным изобретением;
[0028] на фиг.З и 4 показаны примеры выводимой на экран терминала оператора и/или инженера-технолога информации.
ОПИСАНИЕ ПРЕДПОЧТИТЕЛЬНЫХ ВАРИАНТОВ ВЫПОЛНЕНИЯ
[0029] На фиг.1 показан пример типовой установки 11 гидроочистки дизельного топлива (ГО ДТ), содержащей, без ограничения указанным, два реактора 12, которые могут быть использованы одновременно. Такая конфигурация установки 11 обеспечивает ведение гидроочистки по двум независимым параллельным потокам сырья, что позволяет проводить ремонтные работы без полной остановки производства. Для специалиста в данной области техники очевидно, что установка 11 ГО ДТ может содержать другое количество реакторов, например, один или более двух.
[0030] Сырье из буферных емкостей 13 резервуарного парка посредством насоса 14 подается в тройник 15 смешения, в котором происходит смешение сырья с циркулирующим водородосодержащим газом (ЦВСГ). В качестве сырья могут выступать, например, легкий газойль и прямогонные дизельные фракции. После смешения газо-сырьевая смесь нагревается в средствах 16 нагревания ГСС, которые могут включать печи и/или теплообменники, и подается на вход реактора 12.
[0031 ] Давление ЦВСГ в системе циркуляции водородсодержащего газа обеспечивается компрессором 17 ЦВСГ, при этом для поддержания требуемой концентрации водорода в систему циркуляции водородсодержащего газа посредством компрессора 18 подпиточного ВСГ может подаваться водород, получаемый, например, на установках по производству водорода и/или каталитического риформирования нафты.
[0032] Реактор 12 гидроочистки является основным оборудованием процесса гидроочистки и представляет собой вертикальный цилиндрический сосуд с выпуклым днищем сферической или близкой к эллиптической формы, высота которого больше его диаметра. По числу слоев катализатора реактор 12 может быть одно-, двух- и многосекционным: для установок гидрообессеривания дистиллятов типичны реакторы с одним или двумя слоями катализатора, а для установок гидрокрекинга с четырьмя - пятью. В реактор может подводиться холодный рециркулирующий ВСГ (квенч) в качестве дополнительного рычага по контролю за температурой в реакторе 12. Сверху и снизу слои катализатора могут быть ограничены слоями фарфоровых шариков и/или защитными слоями, более крупными, чем частицы катализатора.
[0033] В ходе эксплуатации слой катализатора становится менее проницаемым. Особенно это относится к верхней его части. Поэтому перепад давления в реакторе 12 в конце рабочего пробега больше, чем в начале. Данный эффект объясняется рядом факторов, например, накоплением в слое продуктов коррозии и кокса, уменьшением прочности частиц катализатора, спеканием и др. С увеличением перепада давления растут затраты на циркуляцию водородсодержащего газа.
[0034] Дезактивация катализатора приводит к снижению активности катализатора и, как следствие, к уменьшению степени обессеривания. Для уменьшения воздействия на процесс гидроочистки фактора дезактивации катализатора повышают расход подпиточного ВСГ или давление газо-сырьевой смеси на входе в реактор, или увеличивают парциальное давление водорода в смеси. Одним из основных методов нивелирования дезактивации катализатора является повышение температуры сырьевого потока на входе в реактор. Повышение температуры сырьевой смеси на входе в реактор вследствие дезактивации катализатора ведет к увеличению выхода побочных продуктов газа и бензина, и поэтому снижает эффективность работы установки гидроочистки ДТ.
[0035] Выделяют три основные причины дезактивации катализатора: спекание или термическая дезактивация, отравление и блокировка активных центров коксом. [0036] К уменьшению поверхности носителя, а также к "коалесценции" или потере дисперсности кристаллитов металла приводит спекание катализатора. Потеря дисперсности приводит к резкому снижению активности. Отравление примесями протекает под воздействием адсорбции на активных центрах малых количеств вещества, называемого ядом и специфического для данного катализатора.
[0037] В реактор 12 сырье подается через штуцер, который может располагаться в верхней части реактора 12, и равномерно распределяется по всему сечению реактора 12. Кроме того, в реакторе 12 может быть обеспечен радиальный ввод сырья. В целях очистки сырья от механических примесей могут быть использованы сетчатые корзины, погруженные в верхний слой катализатора. Сетчатые корзины являются не только фильтрующим устройством, но и служат для равномерного распределения по горизонтальному сечению реактора 12 сырья с газами.
[0038] В уровне техники известно множество видов катализаторов, применяемых для гидроочистки. В большинстве мировых и российских предприятий наибольшее распространение получили алюмокобальтмолибденовые (АКМ), алюмоникель- молибденовые (АНМ) и смешанные алюмоникелькобальтмолибденовые (АНКМ) катализаторы. В процессах глубокого гидрирования соединений с содержанием азота, а также ароматических соединений, парафинов и масляных фракций, применяют алюмоникель- или алюмокобальтвольфрамовые катализаторы (АНВ или АКВ). Выбор конкретного катализатора зависит от требуемых на производстве физических и химических характеристик, формы и физической прочности частиц, селективности, гидрирующей активности, активности обессеривания, диапазонов рабочего давления и др.
[0039] Детальное описание реакций не приводятся в настоящей заявке, так как реакции гидроочистки зависят от состава промышленного сырья. Нефтяные фракции, в зависимости от интервала их кипения, могут содержать от нескольких сотен до нескольких тысяч различных соединений. Это подразумевает огромное множество последовательно и параллельно протекающих реакций. Ввиду высокой степени полидисперсности углеводородных смесей химическая активность реагентов, участвующих в таких реакциях, меняется в широких пределах.
[0040] Основными факторами процесса гидроочистки в реакторе 12 являются, например, температура, давление, объемная скорость подачи сырья, кратность циркуляции ВСГ, чистота циркулирующего газа, физико-химические характеристики катализатора.
[0041] Температура. Температура реакций один из важнейших параметров процесса. К ней очень чувствительны глубина и избирательность реакций гидроочистки и И гидрокрекинга, так как с увеличением температуры константы их скоростей возрастают экспоненциально. С другой стороны, увеличение температуры реакции неизбежно ускоряет коксообразование вследствие роста скорости конденсации нестабильных продуктов крекинга. Поэтому для достижения требуемой избирательности температуру необходимо подбирать в соответствии с химией процесса. Контроль температуры реакции может быть осуществлен, например, посредством изменения температуры ГСС, входящей в реактор 12, с помощью средств 16 нагревания ГСС. Например, может быть обеспечена возможность изменения температуры в печи за счет увеличения подачи топливного газа на форсунки печи. Кроме того, температура реакции может быть изменена посредством изменения других параметров, например, посредством изменения объема поступающего в реактор 12 сырья с помощью соответствующих клапанов, компрессоров, насосов и т.п.
[0042] Гидроочистку средних дистиллятов проводят в интервале температур достаточно высоких для почти полного завершения реакций гидрообессеривания (330- 390 °C). При более высоких температурах возможно расщепление легких углеводородов вследствие термического крекинга и, в случае гидроочистки, неблагоприятного смещения равновесия реакции гидрирования ароматических соединений. Повышение температуры дает несколько побочных эффектов, которые нуждаются в тщательной оценке. Даже небольшое превышение температуры выше приемлемых значений ведет к потере избирательности и чрезмерной активации катализатора. Поэтому для каждого отдельного случая существует определенная предельно допустимая температура. Увеличение температуры реакции неизбежно ускоряет коксообразование вследствие роста скорости конденсации нестабильных продуктов крекинга. Высокие температуры увеличивают степень обессеривания, но в тоже время ускоряют необратимую потерю активности из-за осаждения металлов. Температуры выше 410 °C способствуют термическому крекингу ценных углеводородных компонентов с образованием значительных количеств низкомолекулярных жидкостей и газов. Кроме того, крекинг остатков в жестких условиях может вызвать образование осадков, склонных загрязнять оборудование всех видов.
[0043] В промышленных реакторах с неподвижным слоем температура по мере продвижения вниз по слою возрастает. По этой причине основную проблему в операциях гидроочистки составляет контроль температуры, например, с помощью задания определенной температуры ГСС на входе в реактор. Обычно для ограничения тепловыделения меньшими и безопасными порциями общий объем катализатора распределяют по нескольким слоям с промежуточным охлаждением между ними. Для гидроочистки бензиновой фракции и керосина обычно достаточно одного слоя, так как тепловыделение сравнительно невелико, но в случае более тяжелого сырья однослойный реактор может оказаться нецелесообразным ввиду чрезмерного роста температуры. В подобных случаях каталитические слои располагают так, чтобы добиться более благоприятного распределения температур.
[0044] На распределение температур в реакторе 12 влияет также потеря активности катализатора. В течение цикла её компенсируют периодическим увеличением температуры, вследствие чего амплитуда профиля температур постепенно смещается вверх. Когда верхняя граница температуры достигает предельно допустимой для материала конструкции реактора, цикл прекращают. В конце рабочего пробега средняя температура в реакторе 12 может превышать первоначальную, например, на 20-60 °C. Если температура по оси реактора 12 распределена неправильно, возможна преждевременная вынужденная остановка - особенно при быстрой потере активности, как при гидрооолагораживании остатков. В таких случаях желательно выбрать минимально возможную величину прироста температуры в слое, чтобы задержать момент достижения предельно допустимой температуры. Это означает увеличение числа слоев и соответственно габаритов реактора, что необходимо для размещения дополнительного оборудования промежуточного охлаждения.
[0045] Таким образом, гидрогенизационное обессеривание нефтяных фракций - процесс экзотермический. Поэтому температура газо-сырьевой смеси по мере прохождения ею слоя катализатора повышается. В общем, чем выше расход водорода на реакции, тем больше, выделяется тепла. Для обеспечения возможности регулирования температуры по высоте ректора 12 обеспечивают возможность введения холодного водородсодержащего газа (квенча) в зоны между слоями катализатора.
[0046] Давление. На процесс гидроочистки влияет как общее давление в реакторе 12, так и парциальное давление водорода. Степень обессеривания увеличивается с возрастанием общего давления в реакторе 12 или, точнее, парциального давления водорода. При этом замедляются реакции дегидрирования нафтеновых углеводородов, уменьшается закоксовывание катализатора, ускоряются реакции насыщения водородом непредельных углеводородов и гидрогенизации ароматических углеводородов. Общий расход водорода с ростом давления увеличивается.
[0047] Хотя повышение парциального давления водорода играет положительную роль, для него есть определенные практические ограничения. Допустимое давление ограничено техническими характеристиками оборудования. Поэтому, чтобы максимально приблизить парциальное давление водорода к проектному, важно поддерживать чистоту циркулирующего водорода на максимально высоком уровне. Другой фактор, ограничивающий давление - сильное удорожание реактора: для поддержания высокого рабочего давления необходимо увеличивать толщину его стенки.
[0048] При существенном повышении общего давления часть сырья, даже сравнительно легкого, например, дистиллята дизельного топлива, поступает в реактор 12 в жидком состоянии, что негативным образом влияет на эффективность процесса, так как скорость диффузии водорода через жидкие углеводороды мала, а активные центры катализатора в заполненных жидкостью порах практически не участвуют в реакциях.
[0049] Объемная скорость подачи сырья. Уменьшение длительности контакта в результате повышения объемной скорости подачи сырья (отношения объема жидкого сырья, поступающего за 1 час к объему катализатора, считая по насыпной плотности) снижает глубину обессеривания. В результате уменьшаются расход водорода и степень закоксовывания катализатора.
[0050] Кратность циркуляции ВСГ. В промышленной практике процессы гидроочистки осуществляют с избыточным количеством водорода, учитывая, что с ростом его парциального давления скорости реакций повышаются. Скорость циркуляции выбирается исходя из целей процесса и экономических соображений. Если ее величина ниже расчетной, усиливается коксообразование и уменьшается степень превращения. Скорость циркуляции особенно важна для продления цикла службы катализатора, который по этой причине обычно проводят при очень высоких значениях кратности водорода к сырью (1000-2000 и. мЗ/мЗ). Вместе тем поддержание высокой скорости циркуляции требует увеличения расхода теплоносителей и более мощного компрессора.
[0051] Циркуляция газа влияет на равновесие жидкой и газовой фаз в реакторе. Большинство установок гидроочистки работает с частично испаренным углеводородным сырьем. Это обстоятельство влияет на состав газа и скорости реакций. Повышением кратности водорода к сырью можно добиться концентрирования наиболее тяжелых и стойких соединений в жидкой фазе и увеличения времени их контакта с катализатором. Но, с другой стороны, увеличение скорости циркуляции газа может привести к тому, что некоторые вещества в испаренной фракции не будут иметь доступа к активным центрам частиц катализатора.
[0052] При прохождении каждого слоя в реакторе кратность водорода к сырью снижается из-за его химического расхода. Промежуточное охлаждение играет роль источника пополнения водородом на входе в следующий слой. Распределение кратности водорода к сырью вдоль оси реактора обратно пропорционально распределению температуры.
[0053] Существует оптимальная кратность циркуляции ВСГ. Низкая степень обессеривания сырья при малой кратности циркуляции объясняется недостаточной подачей в реактор 12 молекулярного водорода. Снижение степени обессеривания при расходе газа выше оптимального, но с прежней пропускной способностью реактора 12 по сырью, связано с уменьшением длительности контакта его с катализатором. Кратность циркуляции газа для различных условий может составлять 220-700 нм33 жидкого сырья. Энергетические затраты на сжатие ЦВСГ компрессором 17 растут с увеличением кратности водорода к сырью, а также гидравлического сопротивления системы циркуляции ВСГ, оцениваемого по разности давлений ЦВСГ на выходе из компрессора 17 и на входе в него.
[0054] При прочих равных условиях с увеличением кратности водородсодержащего газа к сырью-дистилляту количество неиспарившегося сырья уменьшается и при достижении достаточно высокой кратности в реактор 12 поступает однофазная газопаровая смесь.
[0055] Чистота циркулирующего газа. Для гидроочистки часто используют водородсодержащий газ с установок каталитического риформинга, кроме того могут быть использованы специализированные установки по производству водорода. Очевидно, что концентрация водорода в подпиточном газе может варьироваться в зависимости от предъявляемых требований. В ЦВСГ содержание водорода обычно несколько ниже, так как к поступающим извне балластным газам (в составе свежего газа) присоединяются газообразные углеводороды, образующиеся в реакторе 12. Однако на некоторых установках концентрация водорода в ЦВСГ может быть выше чем в подпиточном ВСГ вследствие использования многоступенчатой очистки в блоке 19 очистки.
[0056] В блоке 19 очистки происходит сепарация поступающих с выхода реактора 12 продуктов реакции в виде парогазовой смеси на обогащенный сероводородом ЦВСГ, гидроочищенный бензин и/или ГО ДТ, а также очистка обогащенного сероводородом ЦВСГ от продуктов реакции с сырьем. Для упрощения понимания настоящего изобретения, соответствующие известные в уровне техники устройства (холодильники, теплообменники, конденсаторы, сепараторы, стабилизационные колонны, секции промывки и т.п.), входящие в состав блока 19 очистки, не показаны на чертежах и не раскрываются в настоящем описании.
[0057] В соответствии с изобретением предложена система 20 прогнозирования, выполненная с возможностью прогнозирования изменения активности катализатора в установке 11 ГО ДТ, использующая модели прогнозирования, представляющие из себя модели математической регрессии. В качестве регрессоров, входящих в состав моделей, выступают ключевые параметры технологического процесса и показатели качества сырьевых и продуктовых потоков.
[0058] В одном варианте выполнения, показанном на фиг.2, система 20 прогнозирования включает блок 21 приема значений параметров процесса гидроочистки, блок 22 хранения значений параметров, блок 23 фильтрации, блок 24 формирования и обучения модели, и блок 25 прогнозирования.
[0059] Блок 21 приема значений параметров выполнен с возможностью приема значений физических и/или химических параметров процесса гидроочистки от датчиков, размещенных на установке 11. Блок 21 приема значений параметров совместно с датчиками может представлять собой, например, промышленную систему сбора данных (ССД), то есть набор аппаратных или программно-аппаратных средств, осуществляющий сбор, выборку, преобразование, хранение и первоначальную обработку различных входных аналоговых и/или цифровых сигналов. Датчики также могут быть конструктивно и функционально обособленными устройствами, содержащими один или более первичных измерительных преобразователей, формирующих сигнал с информацией об измерении в форме, которая совместима с блоком 21 приема значений параметров. Сигнал от каждого из датчиков может быть передан в блок 21 приема значений параметров посредством, например, проводного, оптоволоконного, беспроводного соединения или их комбинации.
[0060] В одном варианте выполнения датчики могут включать один или более из следующего: датчик R1 расхода сырья на нитку, который может быть установлен на технологической линии перед тройником 15 смешения, датчик R5 расхода сырья на установку 11 , который может быть установлен на технологической линии между буферной емкостью 13 и тройником 15 смешения, датчик R6 расхода подпиточного ВСГ на установку 11, который может быть установлен на входе в систему циркуляции ВСГ, датчик R7 расхода ЦВСГ в тройник 15 смешения, который может быть установлен на входе ЦВСГ в тройник 15 смешения, датчики R8 расхода ДТ и R9 бензина на выходе установки 11 , которые могут быть установлены на выходах блока 19 очистки, датчик R10 расхода легкого газойля (ЛГ) на установку 11, датчик Rl 1 температуры ГСС на входе в реактор 12, который может быть установлен на линии подачи сырья перед входом в реактор 12, датчик R12 давления на выходе из средств 16 нагревания, который может быть установлен на выходе печи нагревания ГСС. [0061] Кроме того, блок 21 приема значений параметров может быть выполнен с возможностью приема данных лабораторных анализов, например, данных о содержании R13 серы в конечном продукте, данных о точке R2 выкипания 50% сырья на входе в установку 11, данных о точке R3 выкипания 95% сырья на входе в установку 11, данных о плотности R4 сырья на входе в установку 11.
[0062] Принятые блоком 21 приема значений параметров последовательности значений передаются в блок 22 хранения значений параметров для индексирования этих значений по времени измерения или по времени получения и сохранения в виде временных рядов. При этом блок 22 хранения значений параметров может быть выполнен с возможностью сохранения значений различных параметров в виде множества одномерных временных рядов, каждый из которых отражает развитие во времени только одного процесса, или в виде одного или множества многомерных временных рядов, каждый из которых содержит наблюдения за изменением более одного параметра. Значения временного ряда получаются путем регистрации соответствующего параметра исследуемого процесса через определённые промежутки времени. При этом в зависимости от природы данных и характера решаемых задач может регистрироваться либо текущее значение, либо сумма значений, накопленная на определенном интервале времени.
[0063] Ввиду того, что данные от датчиков и данные лабораторных анализов могут фиксироваться через неравные интервалы времени, блок 22 хранения значений параметров может быть также выполнен с возможностью агрегирования данных.
[0064] В целом блок 22 хранения значений параметров может быть выполнен с возможностью записи, хранения, обработки данных и обеспечения доступа к данным. Блок 22 хранения значений параметров может быть выполнен с использованием любого вида энергозависимых или энергонезависимых запоминающих устройств или их комбинации, таких как статическое оперативное запоминающее устройство (SRAM), электрически стираемое программируемое постоянное запоминающее устройство (EEPROM), стираемое программируемое постоянное запоминающее устройство (EPROM), программируемое постоянное запоминающее устройство (PROM), постоянное запоминающее устройство (ROM), магнитная память, флэш-память, магнитный или оптический диск, дисковый массив или другое запоминающее устройство или любой другой носитель, выполненный с возможностью хранения требуемых данных, и к которому можно обращаться с помощью вычислительного устройства. Кроме того, для реализации блока 22 хранения значений параметров могут применяться комбинации и совокупности любых вышеуказанных устройств. Для выполнения обработки данных и их индексирования блок 22 хранения значений параметров может также включать специализированное вычислительное устройство и/или вычислительное устройство общего назначения, выполненное с возможностью осуществления требуемых операций.
[0065] Для повышения точности работы модели прогнозирования исходные данные, сохраненные в виде временных рядов, могут быть подвергнуты фильтрации в блоке 23 фильтрации. Блок 23 фильтрации может быть реализован с помощью одной или более специализированных интегральных схем (ASIC), цифровых сигнальных процессоров (DSP), устройств цифровой обработки сигналов (DSPD), программируемых логических устройств (PLD), программируемых вентильных матриц (FPGA), контроллеров, микроконтроллеров, микропроцессоров или других электронных элементов. Блок 23 фильтрации может быть также реализован на базе персонального или промышленного компьютера достаточной вычислительной мощности или распределенной сети таких вычислительных средств. Блок 23 фильтрации может быть также оборудован интерфейсом ввода/вывода, обеспечивающим интерфейс между блоком 23 фильтрации и периферийными устройствами, например, клавиатурой, дисплеем и т.п. Периферийные устройства могут быть использованы, например, для внесения изменений в программный код, под управлением которого блок 23 фильтрации выполняет свои функции.
[0066] В настоящем изобретении алгоритмы фильтрации исходных данных базируются на принципе контрольных карт Шухарта. Перед формированием матрицы переобучения модели, на вход блока 23 фильтрации поступают данные в “сыром” виде за период, который определяется числом точек лабораторного анализа (или окном переобучения). При этом поступающие данные являются наборами векторов разной длины, из которых будет составляться матрица переобучения. Далее идет работа с каждым вектором в цикле. В одной итерации обрабатывается один вектор для матрицы переобучения. Для каждого вектора происходит разбиение на N подгрупп (например, N=5), и формируется матрица подгрупп и вектор размахов каждой подгруппы. После этого определяется средняя размахов для всех подгрупп, а также верхняя и нижняя контрольные границы, коэффициенты границ выбираются в соответствии с таблицей заранее заданных коэффициентов для вычислений линий контрольных карт. Далее в текущем векторе определяются и удаляются группы, выходящие за контрольные границы. Эти группы не учувствуют в переобучении.
[0067] Выполнение фильтрации исходных данных позволяет повысить точности работы модели вследствие того, что обучение модели осуществляется только на корректном наборе исходных данных, из состава которых исключены выбросы, «битые» и ошибочные значения.
[0068] Блок 23 фильтрации может быть также выполнен с возможностью дополнительной фильтрации и преобразования исходных данных (временных рядов) известными в уровне техники способами для получения обучающего множества.
[0069] В одном варианте выполнения система 20 прогнозирования включает также блок 24 формирования и обучения модели. Блок 24 формирования и обучения модели может быть реализован с помощью одной или более специализированных интегральных схем (ASIC), цифровых сигнальных процессоров (DSP), устройств цифровой обработки сигналов (DSPD), программируемых логических устройств (PLD), программируемых вентильных матриц (FPGA), контроллеров, микроконтроллеров, микропроцессоров или других электронных элементов. Блок 24 формирования и обучения модели может быть также реализован на базе персонального или промышленного компьютера достаточной вычислительной мощности или распределенной сети таких вычислительных средств. Блок 24 формирования и обучения модели может быть также оборудован интерфейсом ввода/вывода, обеспечивающим интерфейс между блоком 24 формирования и обучения модели и периферийными устройствами, например, клавиатурой, дисплеем и т.п. Периферийные устройства могут быть использованы, например, для внесения изменений в программный код, под управлением которого блок 24 формирования и обучения модели выполняет свои функции. В настоящем изобретении для построения модели прогнозирования активности катализатора в установке 11 ГО ДТ используется регрессионный анализ, который, как было выявлено авторами изобретения, является оптимальным для решения поставленной задачи и позволяет найти корреляции между входными и выходными переменными. При этом каждый входной параметр влияет на результирующее значение со своим определенным весом - коэффициентом регрессии, что позволяет оценить физическую достоверность модели.
[0070] Блок 24 формирования и обучения модели может быть выполнен с возможностью определения оптимального размера движущегося окна обучения. При этом расчет производится на основании среднеквадратичного отклонения моделируемой температуры ГСС на входе в реактор 12 от предсказываемых значений и максимума коэффициента корреляции между историческими (ретроспективными) и предсказываемыми значениями температуры ГСС на входе в реактор 12. Для каждого из заранее заданной выборки размеров движущегося окна обучения производится расчет коэффициентов корреляции и выбирается тот размер, который обеспечивает наибольший коэффициент корреляции. Определение обучающего окна позволяет выделить наиболее значащие данные в истории процесса. Из всей временной выборки выделяется некоторое количество последних точек, используемых для обучения для исключения старых и слабо- влияющих данных.
[0071] Кроме того, блок 24 формирования и обучения модели может быть выполнен в виде программно-аппаратного комплекса, обеспечивающего возможность задания размера движущегося окна обучения оператором вручную.
[0072] Блок 24 формирования и обучения модели может быть также выполнен с возможностью оценки относительной значимости регрессоров, поиска мультиколлинеарных регрессоров, расчета коэффициентов регрессии, оценки соответствия модели историческим данным, добавления и устранения коэффициентов регрессии, а также для выполнения другой функциональности, позволяющей повышать показатели качества модели.
[0073] Совмещение переобучающихся полиномиальных регрессионных моделей с оптимальной величиной движущегося окна обучения моделей позволяет значительно увеличить точность сформированной модели. При этом большее количество степеней свободы позволяет строить более точные модели за счет усложнения вычислительного процесса.
[0074] В одном из вариантов выполнения блок 24 формирования и обучения модели позволяет формировать полиномиальные модели произвольного порядка со смежными членами для построения моделей, более точно приближенных к реальным нелинейным системам. Полиномы более первого порядка включают в себя произведения регрессоров и их степеней более первой. Блок 24 формирования и обучения модели дополнительно может быть выполнен с возможностью построения прогнозных моделей для отражения влияния текущих показаний технологических параметров на возможные последующие изменения в конечном продукте.
[0075] В одном из вариантов выполнения блок 24 формирования и обучения модели может быть выполнен с возможностью коррекции влияний отдельных технологических параметров для наиболее точной отработки возможных возмущений. Данная функциональность может быть реализована, например, с помощью прибавления к итоговому результату произведения изменения по параметру на модифицирующий коэффициент при накоплении существенного возмущения по модифицирующему параметру. [0076] В модель прогнозирования температуры ГСС на входе в реактор 12 установки 11 ГО ДТ могут быть включены, например, следующие регрессоры: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11, точка R3 выкипания 95% сырья на входе в установку 11 гидроочистки, плотность R4 сырья на входе в установку 11 гидроочистки, расход R5 сырья на установку 11 гидроочистки, расход R6 подпиточного ВСГ на установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R8 ДТ на выходе установки 11, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11, температура R11 ГСС на входе в реактор 12, давление R12 на выходе из средств 16 нагревания ГСС, содержание R13 серы в гидроочищенном ДТ, содержание R14 серы в сырье, перепад R15 давления между входом и выходом реактора, перепад R16 температуры между входом и выходом реактора.
[0077] Авторами настоящего изобретения было установлено, что для получения приемлемых коэффициента корреляции и стандартного (среднеквадратического) отклонения в модель, предпочтительно, должны быть включены следующие регрессоры: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11, расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ.
[0078] Кроме того, для учета влияния астрономического времени прошедшего с момента установки катализатора на непосредственно рассматриваемом объекте на химико- физические процессы в модель должен быть введен дополнительный регрессор «интегральная загрузка», отражающий количество сырья, отработанного установкой 11 ГО ДТ с начала использования катализатора. Интегральная загрузка в конкретный момент времени может быть рассчитана блоком 24 формирования и обучения модели, например, на основании известного расхода сырья на нитку и времени, прошедшего с момента установки катализатора.
[0079] Таким образом, предпочтительно, в модель также должен быть включен регрессор интегральная загрузка Fsum. При этом уравнение для расчёта интегральной загрузки Fsum может иметь следующий вид:
Figure imgf000022_0001
где ti - i-ый момент времени, F(t) - загрузка в момент времени t. Таким образом, в каждый момент времени Fsum(t) - отражает количество сырья, прошедшего через блок начиная с заданного момента to. [0080] В одном из вариантов выполнения изобретения вычисление интегральной загрузки Fsum осуществляется в блоке 24 формирования и обучения модели.
[0081] В одном из вариантов выполнения уравнение регрессии математической модели может иметь, например, следующий вид:
Figure imgf000023_0001
где Tmodel - модель температуры ГСС на входе в реактор 12, Ci - коэффициенты модели, Ri - регрессоры, FSUm - интегральная загрузка с соответствующим коэффициентом Cpsum-
[0082] Для удобства перечень регрессоров, включенных в указанную выше модель температуры ГСС, представлен в следующей таблице:
Figure imgf000023_0002
[0083] Блок 24 формирования и обучения модели может быть также выполнен с возможностью переобучения моделей при дальнейшем накоплении исторической выборки, например, с поступлением новых данных лабораторных анализов, с изменением коэффициентов Ci регрессии. Это позволяет корректировать приближенные функции моделей в окрестности текущей точки равновесия реального нелинейного процесса, тем самым повышая их точность. При этом переобучение может осуществляться автоматически при поступлении новых ретроспективных данных на блок 21 приема значений параметров.
[0084] Предпочтительно все данные по технологическим параметрам поступающие в модель берутся с усреднением в час.
[0085] Блок 21 приема значений параметров также может быть выполнен с возможностью приема второго набора значений, которые могут представлять собой значения параметров процесса гидроочистки, которые не входят в обучающее множество, то есть не являются ретроспективными. Блок 21 приема значений параметров также может быть выполнен с возможностью приема значений отдельных параметров от оператора, например, для прогнозирования влияния изменения одного из параметров, входящих в модель, на скорость дезактивации катализатора.
[0086] Модели, сформированные и обученные блоком 24 формирования и обучения модели, а также данные, полученные от блока 21 приема значений параметров, поступают в блок 25 прогнозирования.
[0087] Блок 25 прогнозирования может быть реализован с помощью одной или более специализированных интегральных схем (ASIC), цифровых сигнальных процессоров (DSP), устройств цифровой обработки сигналов (DSPD), программируемых логических устройств (PLD), программируемых вентильных матриц (FPGA), контроллеров, микроконтроллеров, микропроцессоров или других электронных элементов. Блок 25 прогнозирования может быть также реализован на базе персонального или промышленного компьютера достаточной вычислительной мощности или распределенной сети таких вычислительных средств. Блок 25 прогнозирования может быть также оборудован интерфейсом ввода/вывода, обеспечивающим интерфейс между блоком 25 прогнозирования и периферийными устройствами, например, клавиатурой, дисплеем и т.п. Периферийные устройства могут быть использованы, например, для внесения изменений в программный код, под управлением которого блок 25 прогнозирования выполняет свои функции.
[0088] Как было описано выше, процесс каталитической гидроочистки сопровождается выделением тепла при протекании экзотермических реакций, вызываемых катализатором. Со временем катализатор теряет свои свойства в связи с чем уменьшается количество тепла выделяемого при протекании процесса гидроочистки, либо ухудшается качество получаемого продукта при тех же температурах процесса. Например, при заранее заданном фиксированном регрессоре «содержание R13 серы в ГО ДТ», который задает требуемое качество продукта, температура на входе в реактор 12, которая необходима для поддержания требуемого содержания серы, будет в обычных условиях показывать тренд к увеличению. Таким образом, скорость изменения температуры ГСС на входе в реактор 12, требуемая для поддержания требуемого качества продукта, прямо указывает на скорость дезактивации катализатора. Данный принцип может быть использован блоком 25 прогнозирования для прогнозирования активности катализатора.
[0089] Блок 25 прогнозирования может быть выполнен с возможностью определения линейной аппроксимации температуры с привязкой ко времени (опосредованно через линейную аппроксимацию интегральной загрузки) на основании сформированной модели, линейно аппроксимированной интегральной загрузки и средних значений регрессоров за заранее заданный период времени:
Figure imgf000025_0001
где avg(Ri) - средние значения регрессоров за заранее заданный период времени с соответствующими им коэффициентами Ci , Fsumi - линейно аппроксимированная интегральная загрузка с соответствующим ему коэффициентом Crsum-
[0090] При этом линейно аппроксимированная интегральная загрузка FSUmi может быть рассчитана блоком 25 прогнозирования, например, с помощью метода наименьших квадратов:
Fsumi = a * t + b где t - время, а и b - линейные коэффициенты, найденные методом наименьших квадратов.
[0091] Далее в блоке 25 прогнозирования может быть определена линейная скорость полученной аппроксимации температуры. В одном варианте выполнения линейная скорость полученной аппроксимации температуры может быть определена с помощью следующей формулы: dTmocieii
- - - = 30.42
Figure imgf000025_0003
Figure imgf000025_0002
где Tmodeii линейная аппроксимация температуры, tend - текущее время, to - начальное время.
[0092] В одном из вариантов выполнения настоящего изобретения разница во времени может считаться в днях.
[0093] Результаты прогнозирования изменения активности катализатора и других технологических параметров могут быть направлены на терминал 26 оператора и/или инженера-технолога для отображения на экране терминала 26 оператора и/или инженера- технолога, например, посредством построения соответствующих графиков. При этом визуализация технологического процесса на экране терминала 26 оператора и/или инженера-технолога может осуществляться в режиме реального времени. Терминал 26 оператора и/или инженера-технолога может также обеспечивать возможность выбора дополнительных объектов и параметров для анализа и мониторинга с помощью соответствующих элементов интерфейса пользователя. [0094] Примеры выводимой на экран терминала 26 оператора и/или инженера- технолога информации показаны на фиг.З и 4. На фиг.З представлены результаты прогнозирования дезактивации катализатора после обучения модели на первых 5-ти месяцах работы реальной установки ГО ДТ. В данном случае рассматривается ситуация, при которой произошло существенное изменение качества сырья - его «утяжеление». Время возникновения события - конец ноября 2019г., что обозначено в нижней зоне фиг.З. Вследствие изменения качества сырья имело место повышение температуры ГСС на входе в реактор, аналогичным образом отреагировала и модель, что подтверждается изменением угла наклона приведенной температуры. На графике (верхняя зона) отражено, что после наступления описываемого случая модель дала прогноз по увеличению скорости дезактивации катализатора, относительно прошлого периода. Разница обозначена символом «А». Скорость дезактивации при наступлении данного случая возросла и составила 4,48°С/мес., взамен ранее указанных 4,2 °С/мес. В данном случае, к концу рассматриваемого периода - июнь 2020, модель спрогнозировала, что температура ГСС на входе реактор составит практически 380°С, взамен ранее прогнозируемого значения в 375°С. Так как при скорости дезактивации катализатора в 4,48 °С/мес. выход на ограничение по температуре в реактор был бы достигнут значительно ранее требуемого времени, было произведено уменьшение подкачки легкого газойля и скорость дезактивации вернулась к 3 °С/мес.
[0095] На Рис.4 представлены результаты прогнозирования дезактивации катализатора после обучения модели на первых 9-ти месяцах работы установки. В данном случае рассматривается ситуация, при которой в период с конца апреля 2020г. и до середины мая 2020г. было существенное снижение загрузки установки - более чем в 1,5 раза, о чем свидетельствует снижение реальной температуры ГСС на входе в реактор. После периода значительного падения загрузки прогнозирующая точность модели не ухудшилась.
[0096] При этом возможность задания с помощью терминала 26 оператора и/или инженера-технолога произвольных значений контролируемых параметров, например, расхода R5 сырья на установку, расхода R6 подпиточного ВСГ на установку, температуры Rl 1 ГСС на входе в реактор, расход квенча и др. позволяет обеспечить поддержку в принятии решений в реальном времени. Например, система прогнозирования обеспечивает возможностью построения в режиме реального времени прогнозов по изменению технологического процесса при изменении одного или более параметров. Таким образом, у оператора и/или инженера-технолога возникает возможность оценки влияния предполагаемых изменений на технологический процесс до их непосредственного осуществления. После оценки и выбора требуемого изменения параметров соответствующие команды могут быть переданы с терминала 26 оператора и/или инженера- технолога на контроллер, управляющий насосом 14, компрессором 18, установленными на технологических линиях клапанами и/или средствами нагревания газо-сырьевой смеси на входе в реактор 2. Температуру в печи средств 16 нагревания, например, изменяют за счет увеличения подачи топливного газа на форсунки печи. Другие температуры могут быть изменены за счет регулирования других параметров.
[0097] Команды с терминала 26 оператора и/или инженера-технолога могут быть также отправлены на соответствующий контроллер и без участия оператора. Например, заранее заданные команды могут отправляться на контроллер при предсказании моделью отклонения скорости дезактивации катализатора от заранее заданного значения.
[0098] Терминал 26 оператора и/или инженера-технолога может представлять собой вычислительное устройство (такое как персональный компьютер, промышленный компьютер, сервер, портативный компьютер или мобильное вычислительное устройство) или программно-аппаратный комплекс (например, автоматизированное рабочее место (АРМ)). Терминал 26 оператора и/или инженера-технолога может быть оборудован интерфейсом пользователя и выполнен с возможностью приема, обработки и передачи данных.
[0099] В соответствии с изобретением предложен также способ прогнозирования изменения активности катализатора в установке 11 ГО ДТ на основании моделей прогнозирования, представляющих из себя модели математической регрессии, сформированных и обученных, например, с помощью системы 20 прогнозирования, которая описана выше.
[0100] В соответствии с предложенным способом прогнозирования изменения активности катализатора в установке 11 ГО ДТ в блоке 21 приема значений параметров принимают, а в блоке 22 хранения значений параметров сохраняют значения параметров процесса гидроочистки в виде одного или более временных рядов. Значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки и гидроочищенного дизельного топлива на выходе установки и данные от датчиков установки ГО ДТ.
[0101] Далее, выполняют фильтрацию значений в упомянутых временных рядах с применением контрольных карт Шухарта.
[0102] После этого, на основании фильтрованных временных рядов выполняют формирование обучающего множества и определяют размер движущегося окна обучения на основании среднеквадратичного отклонения и максимума коэффициента корреляции между историческими и предсказываемыми значениями.
[0103] Далее, выполняют формирование модели прогнозирования температуры ГСС на входе в реактор 12 на основе полиномиальной регрессионной модели произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 ГО ДТ, точка R3 выкипания 95% сырья на входе в установку 11 ГО ДТ, плотность R4 сырья на входе в установку 11 гидроочистки, расход R7 ЦВСГ в тройник 15 смешения, расход R9 бензина на выходе установки 11 , расход R10 ЛГ на установку 11 ГО ДТ, содержание R13 серы в гидроочищенном ДТ и интегральную загрузку Fsum.
[0104] После формирования модели ее обучают на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия прогнозируемой температуры на входе в реактор историческим значениям выше заранее заданного уровня.
[0105] Далее определяют с помощью блока 25 прогнозирования линейной аппроксимации температуры с привязкой ко времени на основании сформированной модели, линейно аппроксимированной интегральной загрузки и средних значений регрессоров за заранее заданный период времени.
[0106] После чего в блоке 25 прогнозирования может быть определена линейная скорость полученной аппроксимации температуры и оценка скорости дезактивации катализатора.
[0107] Настоящее изобретение позволяет облегчить и обеспечить поддержку в принятии решения персоналом при изменении параметров технологических процессов, с функциями оперативного анализа массивов данных, расчета оптимальной температуры в реакторе; повысить гибкость планирования и управления технологическими процессами; увеличить загрузку технологических установок за счет более полного использования ресурса каталитической системы и лучшей управляемости технологическими процессами; увеличить выхода более ценных продуктов за счет лучшей управляемости технологическими процессами и смягчения режимов; сократить время на привлечение оперативного персонала технологических установок для выполнения ручных расчетов с целью анализа состояния каталитических систем; увеличить выход целевой продукции за счет более мягких условий переработки; увеличить количество переработанного сырья на одном катализаторе; снизить эксплуатационные затраты на катализатор; снизить риск возникновения внеплановых простоев для замены каталитических систем вследствие преждевременной дезактивации; повысить точность планирования.
[0108] Приведенное выше описание предназначено исключительно для иллюстрации предложенного изобретения, а не для его ограничения. Описанные варианты выполнения и их аспекты могут использоваться, например, в комбинации друг с другом. Кроме того, предложенное изобретение может быть модифицировано для приспособления к конкретным ситуациям и условиям, при этом подобные модификации также входят в объем охраны. Множество других вариантов выполнения будут очевидны для специалистов в данной области техники после ознакомления с настоящим описанием. Поэтому объем охраны предложенного изобретения определяется прилагаемой формулой изобретения, наряду со всем объемом эквивалентов, на которые такая формула изобретения дает право.
[0109] Например, деление на блоки, использованное в настоящем описании является лишь делением согласно логическим функциям. Таким образом, один или более функциональных блоков могут быть реализованы, например, в едином комплексе программно-аппаратных средств (например, процессоре для обработки сигналов общего назначения, микроконтроллере, оперативном запоминающем устройстве, жестком диске и т.п.). Кроме того, несколько блоков или компонентов могут быть объединены или интегрированы в другую систему. В качестве варианта некоторые функции могут опускаться или не выполняться. Кроме того, показанное или обсуждаемое взаимное соединение или прямое соединение, или коммуникационное соединение может быть косвенным соединением или коммуникационным соединением через интерфейсы, устройства или блоки, или также может быть электрическим, механическим или другим видом соединения. Функциональность одного или более блоков может быть реализована, например, с помощью машиночитаемого носителя, на котором записан программный код, при выполнении которого процессором вычислительное устройство обеспечивает выполнение соответствующих функций. В случае реализации блоков в виде отдельных программно-аппаратных комплексов связь между ними, а также с датчиками на установке 11 ГО ДТ, может осуществляться с помощью средств беспроводной связи, например, посредством системы Промышленного Интернета Вещей (Industrial Internet of Things, ПоТ), технологий беспроводной локальной сети (WiFi), технологий стандарта долговременного развития (Long-Term Evolution, LTE), широковещательных каналов, модулей коммуникации ближнего поля (Near field communication, NFC), технологии Bluetooth (ВТ) и других проводных и/или беспроводных технологий. [0110] Блоки показанной на фиг.2 системы 20 прогнозирования могут быть реализованы на базе промышленного компьютера или их распределенной сети.
[0111] Используемый в настоящем описании элемент, изложенный в единственном числе, не должен пониматься как исключающий множественное число упомянутых элементов, если только такое исключение не указано явно. Кроме того, ссылки на "один вариант выполнения" предложенного изобретения не должны быть интерпретированы как исключающие существование дополнительных вариантов выполнения, которые также включают указанные отличительные признаки. Более того, если явно не указано обратное, варианты выполнения изобретения "включающие" или "содержащие" элемент или множество элементов, имеющих конкретное свойство, могут дополнительно включать такие элементы, которые не имеют этого свойства.

Claims

29 ФОРМУЛА ИЗОБРЕТЕНИЯ
1. Система для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающая: блок приема значений параметров, выполненный с возможностью приема значений параметров процесса гидроочистки, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки ГО ДТ и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки в виде одного или более временных рядов; блок фильтрации, выполненный с возможностью фильтрации сохраненных значений временных рядов с применением контрольных карт Шухарта; блок формирования и обучения модели, выполненный с возможностью: определения значений интегральной загрузки FSUm реактора, отражающей количество сырья, обработанного установкой с начала использования анализируемого катализатора, формирования обучающего множества на основании фильтрованных значений временных рядов, определения оптимального размера движущегося окна обучения на основании среднеквадратичного отклонения температуры ГСС на входе в реактор и максимума коэффициента корреляции между историческими и предсказываемыми значениями температуры на входе в реактор, и формирования модели температуры ГСС на входе в реактор установки ГО ДТ, при этом упомянутая модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку ГО ДТ, точка R3 выкипания 95% сырья на входе в установку ГО ДТ, плотность R4 сырья на входе в установку гидроочистки, расход R7 ЦВСГ в тройник смешения, расход R9 бензина на выходе установки, расход R10 ЛГ на установку ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку Fsum,
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 30 обучения модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой температуры ГСС на входе в реактор ретроспективным значениям выше заранее заданного уровня; блок прогнозирования, выполненный с возможностью : определения скорости изменения линейной аппроксимации температуры с помощью упомянутой модели на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки Fsum; оценка активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры.
2. Система по п.1, в которой блок приема параметров выполнен с возможностью получения новых значений параметров процесса гидроочистки, и блок формирования и обучения модели выполнен с возможностью автоматического переобучения моделей на основании упомянутых полученных новых значений параметров процесса гидроочистки.
3. Система по любому из предшествующих пунктов, в которой блок прогнозирования выполнен с возможностью передачи полученной оценки активности катализатора на терминал оператора и/или инженера-технолога.
4. Система по любому из предшествующих пунктов, в которой блок прогнозирования выполнен с возможностью передачи полученной оценки активности катализатора на блок управления установкой ГО ДТ.
5. Система по любому из предшествующих пунктов, в которой упомянутое определение значений интегральной загрузки FSUm реактора осуществляется по формуле:
Figure imgf000032_0001
где ti - i-ый момент времени, F(t) - загрузка в момент времени t.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26)
6. Система по любому из предшествующих пунктов, в которой упомянутое построение линейной аппроксимации интегральной загрузки FSUm осуществляют по формуле: sum а * t + Ь где t - время, а и b - линейные коэффициенты, найденные методом наименьших квадратов.
7. Система для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающая: блок приема значений параметров процесса гидроочистки, выполненный с возможностью приема значений параметров процесса гидроочистки, включающих данные лабораторных анализов сырья на входе установки ГО ДТ и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки; блок прогнозирования, выполненный с возможностью : определения скорости изменения линейной аппроксимации температуры с помощью обученной полиномиальной регрессионной модели со смежными членами на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки FSUm; оценки активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры; при этом регрессорами упомянутой модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку ГО ДТ, точка R3 выкипания 95% сырья на входе в установку ГО ДТ, плотность R4 сырья на входе в установку гидроочистки, расход R7 ЦВСГ в тройник смешения, расход R9 бензина на выходе установки, расход R10 ЛГ на установку ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку FSUm, отражающую количество сырья, обработанного установкой с начала использования анализируемого катализатора.
8. Способ прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающий: прием и сохранение значений параметров процесса гидроочистки в виде одного или более временных рядов, при этом значения параметров процесса гидроочистки
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) включают данные лабораторных анализов сырья на входе установки ГО ДТ и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; фильтрацию сохраненных значений временных рядов с применением контрольных карт Шухарта; определение значений интегральной загрузки FSUm реактора, отражающей количество сырья, обработанного установкой с начала использования анализируемого катализатора; формирование обучающего множества на основании фильтрованных временных рядов; определение размера движущегося окна обучения на основании среднеквадратичного отклонения температуры ГСС на входе в реактор и максимума коэффициента корреляции между ретроспективными и предсказываемыми значениями температуры на входе в реактор; формирование модели температуры ГСС на входе в реактор установки ГО ДТ, при этом упомянутая модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку ГО ДТ, точка R3 выкипания 95% сырья на входе в установку ГО ДТ, плотность R4 сырья на входе в установку гидроочистки, расход R7 ЦВСГ в тройник смешения, расход R9 бензина на выходе установки, расход R10 ЛГ на установку ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку FSUm; обучение упомянутой модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой температуры ГСС на входе в реактор ретроспективным значениям выше заранее заданного уровня; определение скорости изменения линейной аппроксимации температуры с помощью упомянутой модели на основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки Fsum; оценку активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 33
9. Способ по п.8, который дополнительно включает шаг получения новых значений параметров процесса гидроочистки и автоматическое переобучение модели на основании упомянутых новых значений параметров процесса гидроочистки.
10. Способ по любому из и. и. 8-9, который дополнительно включает шаг передачи полученной оценки активности катализатора на терминал оператора и/или инженера- технолога.
11. Способ по любому из п.п. 8-10, который дополнительно включает шаг передачи полученной оценки активности катализатора на блок управления установкой.
12. Способ по любому из п.п. 8-11, в котором упомянутое определение значений интегральной загрузки FSUm реактора осуществляется по формуле:
Figure imgf000035_0001
где ti - i-ый момент времени, F(t) - загрузка в момент времени t.
13. Способ по любому из п.п. 8-12, в котором упомянутое построение линейной аппроксимации интегральной загрузки FSUm осуществляют по формуле:
Fsum а * t + Ь где t - время, а и b - линейные коэффициенты, найденные методом наименьших квадратов.
14. Способ прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива (ГО ДТ), включающий: прием и сохранение значений параметров процесса гидроочистки в виде одного или более временных рядов, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки ГО ДТ и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; определение значений интегральной загрузки FSUm реактора, отражающей количество сырья, обработанного установкой с начала использования анализируемого катализатора; определение скорости изменения линейной аппроксимации температуры с помощью обученной полиномиальной регрессионной модели со смежными членами на
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 34 основании средних значений регрессоров за заранее заданный промежуток времени и линейно аппроксимированных значений интегральной загрузки FSUm; оценку активности катализатора на основании скорости изменения упомянутой линейной аппроксимации температуры; при этом регрессорами упомянутой модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку ГО ДТ, точка R3 выкипания 95% сырья на входе в установку ГО ДТ, плотность R4 сырья на входе в установку гидроочистки, расход R7 ЦВСГ в тройник смешения, расход R9 бензина на выходе установки, расход R10 ЛГ на установку ГО ДТ, содержание R13 серы в гидроочищенном ДТ, интегральную загрузку FSUm, отражающую количество сырья, обработанного установкой с начала использования анализируемого катализатора.
15. Машиночитаемый носитель, хранящий программный продукт с программными инструкциями, при исполнении которых процессором обеспечивается выполнения способа по любому из п.п.8-14.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26)
PCT/RU2022/050376 2021-12-29 2022-11-30 Прогнозирование изменения активности катализатора в установке гидроочистки дизельного топлива WO2023128828A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2021139653 2021-12-29
RU2021139653A RU2786783C1 (ru) 2021-12-29 Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива

Publications (1)

Publication Number Publication Date
WO2023128828A1 true WO2023128828A1 (ru) 2023-07-06

Family

ID=87000021

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2022/050376 WO2023128828A1 (ru) 2021-12-29 2022-11-30 Прогнозирование изменения активности катализатора в установке гидроочистки дизельного топлива

Country Status (1)

Country Link
WO (1) WO2023128828A1 (ru)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2443472C2 (ru) * 2006-08-03 2012-02-27 Шелл Интернэшнл Рисерч Маатсхаппий Б.В. Высокостабильный катализатор гидрообессеривания тяжелых углеводородов и способы его получения и применения
RU2671868C1 (ru) * 2017-06-02 2018-11-07 Вячеслав Валентинович Пащенко Способ определения оптимальных параметров при облагораживании светлых нефтепродуктов и устройство для его осуществления
US20200191073A1 (en) * 2018-12-18 2020-06-18 Caterpillar Inc. Fuel content detection based on a measurement from a sensor and a model estimation of the measurement
CN111899793A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 一种分子级装置的实时优化方法、装置、***及存储介质
CN111899813A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 柴油加氢装置的产物预测模型优化方法、***、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2443472C2 (ru) * 2006-08-03 2012-02-27 Шелл Интернэшнл Рисерч Маатсхаппий Б.В. Высокостабильный катализатор гидрообессеривания тяжелых углеводородов и способы его получения и применения
RU2671868C1 (ru) * 2017-06-02 2018-11-07 Вячеслав Валентинович Пащенко Способ определения оптимальных параметров при облагораживании светлых нефтепродуктов и устройство для его осуществления
US20200191073A1 (en) * 2018-12-18 2020-06-18 Caterpillar Inc. Fuel content detection based on a measurement from a sensor and a model estimation of the measurement
CN111899793A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 一种分子级装置的实时优化方法、装置、***及存储介质
CN111899813A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 柴油加氢装置的产物预测模型优化方法、***、设备及存储介质

Similar Documents

Publication Publication Date Title
AU2002331207B2 (en) Process to prepare a hydrocarbon product having a sulphur content of below 0.05 wt %
CN106778008B (zh) 一种用于优化加氢裂化过程反应条件的方法
da Rocha Novaes et al. Modeling, simulation and kinetic parameter estimation for diesel hydrotreating
AU2007337863B2 (en) System and method for prediction of deterioration
US20220299952A1 (en) Control system with optimization of neural network predictor
US11993751B2 (en) Predictive control systems and methods with fluid catalytic cracking volume gain optimization
Iranshahi et al. Modeling and simulation of a novel membrane reactor in a continuous catalytic regenerative naphtha reformer accompanied with a detailed description of kinetics
CN108287474B (zh) 基于原料不确定性的催化重整反应器鲁棒操作优化方法
Ivanchina et al. Mathematical modeling and optimization of semi-regenerative catalytic reforming of naphtha
RU2786783C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива
RU2797753C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования изменения послойной активности катализатора в установке гидроочистки дизельного топлива
RU2796210C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования оптимальной температуры газо-сырьевой смеси на входе в реактор установки гидроочистки дизельного топлива
WO2023128828A1 (ru) Прогнозирование изменения активности катализатора в установке гидроочистки дизельного топлива
RU2786373C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования содержания серы в гидроочищенном дизельном топливе
WO2023128829A1 (ru) Способ прогнозирования изменения послойной активности катализатора топлива
WO2023128827A1 (ru) Прогнозирование температуры газо-сырьевой смеси при гидроочистке дизельного топлива
WO2023128826A1 (ru) Система прогнозирования содержания серы в гидроочищенном дизельном топливе
Fan et al. Modelling and simulation of industrial trickle bed reactor hydrotreating for whole fraction low-temperature coal tar simultaneous hydrodesulfurisation and hydrodenitrification
Shakoor Catalytic reforming of heavy naphtha, analysis and simulation
Galiasso Tailleur et al. Optimal hydrogen production through revamping a naphtha-reforming unit: catalyst deactivation
Sadighi et al. Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network
Pinos et al. Modelling of H2 consumption and process optimization for hydrotreating of light gas oils
Gökçe Model predictive controller design of hydrocracker reactors
US12049592B2 (en) Predictive control systems and methods with hydrocracker conversion optimization
Jurado et al. Reactor Model for Heavy Oil Hydrotreating with Catalyst Deactivation Based on Vanadium and Coke Deposition

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22916898

Country of ref document: EP

Kind code of ref document: A1