Optimalizace statistických procesů (PASPO) pro zlepšování procesů v rafinériích

Principal component analysis-aided statistical process optimisation (PASPO) for process improvement in industrial refineries

článek v časopise ve Web of Science, Jimp

en

Integrated refineries and industrial processing plant in the real-world always face management and design difficulties to keep the processing operation lean and green. These challenges highlight the essentiality to improving product quality and yield without compromising environmental aspects. For various process system engineering application, traditional optimisation methodologies (i.e., pure mix-integer non-linear programming) can yield very precise global optimum solutions. However, for plant-wide optimisation, the generated solutions by such methods highly rely on the accuracy of the constructed model and often require an enumerate amount of process changes to be implemented in the real world. This paper solves this issue by using a special formulation of correlation-based principal component analysis (PCA) and Design of Experiment (DoE) methodologies to serve as statistical process optimisation for industrial refineries. The contribution of this work is that it provides an efficient framework for plant-wide optimisation based on plant operational data while not compromising on environmental impacts.

Větší petrochemické závody čelí v průmyslové praxi novým problémům s návrhem i efektivním řízením. Zvyšuje se totiž důraz na jejich energetickou efektivitu i ohleduplnost vůči životnímu prostředí. Tradiční optimalizační metody přináší obvykle velmi přesná řešení pro celou řadu úloh procesního inženýrství. Pro optimalizaci rozsáhlejšího průmyslového závodu však tyto metody nedostačují. Jsou totiž závislé na přesnosti navrženého modelu a v zájmu optimalizace často vyžadují nadměrné zásahy do procesu. Článek řeší tento problém pomocí speciální formulace tzv. analýzy hlavních komponent (PCA) a technikou plánovaných experimentů (DoE). Tyto postupy jsou základem statistické optimalizace procesů pro průmyslové rafinérie. Přínosem práce je popis nové efektivní metody pro optimalizaci celého závodu založenou na provozních datech a zaměřenou na ochranu životního prostředí.

Integrated refineries and industrial processing plant in the real-world always face management and design difficulties to keep the processing operation lean and green. These challenges highlight the essentiality to improving product quality and yield without compromising environmental aspects. For various process system engineering application, traditional optimisation methodologies (i.e., pure mix-integer non-linear programming) can yield very precise global optimum solutions. However, for plant-wide optimisation, the generated solutions by such methods highly rely on the accuracy of the constructed model and often require an enumerate amount of process changes to be implemented in the real world. This paper solves this issue by using a special formulation of correlation-based principal component analysis (PCA) and Design of Experiment (DoE) methodologies to serve as statistical process optimisation for industrial refineries. The contribution of this work is that it provides an efficient framework for plant-wide optimisation based on plant operational data while not compromising on environmental impacts.

Principal Component Analysis, Design of experiment, Plant-wide optimisation, Statistical process optimisation, PASPO, Big data analytics

10.07.2019

Elsevier

Oxford, England

0959-6526

225

1

359–375

17