[发明专利]用于推断原料成分的数据清理系统和方法

说明书

交叉引用

本申请要求根据35 U.S.C§119(e)于2015年3月30日提交的美国临时申请第62/140,043号的优先权，其全部内容通过引用并入本文。

技术领域

本发明涉及用于诸如化工厂或炼油厂之类的工厂的数据清理过程，并且更具体地说，涉及一种执行数据清理过程以便推断原料成分的方法和系统。

背景技术

在如今的环境下，运营炼油厂和石化厂的公司通常面临着严峻的挑战。这些挑战可以包括不断被侵蚀的财务毛利、日益复杂的技术、工人经验水平的降低、以及不断改变的环境法规。

此外，由于原料和产品价格越来越不稳定，经营者经常发现做出能够优化其财务毛利的经营决策越发困难。可以预见在未来这种不稳定的趋势将持续，但是，对于那些能够快速识别和响应市场机会(当它们出现时)的公司，这代表了经济潜力。

来自资本市场的压力通常迫使运营公司不断增大现存资产的回报。作为响应，催化剂、吸附剂、设备、以及控制系统供应商开发了更复杂的能够增加资产绩效的系统。这些高级系统的维护和运营通常需要提高的技能水平，考虑到如今技术人员的时间压力和有限资源，难以形成、维护和传授这些技能水平。这意味着这些日益复杂的系统不能一直发挥最大潜力。另外，当现存资产运营接近或者超过其设计极限时，会出现可靠性问题和运营风险。

工厂运营方一般用以下几种策略中的一种或几种应对上述挑战，例如，减小可用性风险、建立价值链以及持续经济优化。减小可用性风险一般强调实现充分的工厂运营(与最大化经济绩效相对)。建立价值链一般强调提高原料和产品结构与资产能力和市场需求的匹配。持续经济优化一般采用工具、系统和模型来不断监视和弥补工厂绩效中的经济和运营差距。

在典型的数据清理过程中，只有流量计被纠正。执行数据清理以纠正流量计校准和流体密度变化，之后质量平衡包络中流量计的总误差被平均以强制净原料与净产品流量之间的100％质量平衡。但是，此常规数据清理实践忽略其它可用的相关工艺信息(例如，温度、压力和内部流量)并且不允许显著误差的早期检测。特别是，与流量计相关的误差分散在各流量计之间，所以很难检测特定流量计的误差。

通常，工厂测量包括连续收集的传感器数据、以及间歇采样并传送到实验室进行实验室分析的实验室测量。因此，当基于实际运营数据评估工厂绩效时，经常难以确定工厂运营状况，因为接收在实验室分析之后从实验室返回的工厂实验室数据时存在时间滞后。

在许多情况下，因为以稀疏时间间隔(例如每天或每周一次)收集实验室数据，所以实验室数据在该间隔内不可用，因此本身变得过时。由于稀疏更新的实验室数据，工厂运营者经常使用最后可用的实验室数据集进行绩效评估，假设最后的实验室数据集仍然适用于当前运营数据。这种假设通常是误导和不适当的，因为最后的实验室数据集在工厂绩效评估时可能不可靠。

因此，需要一种使用环境因素执行工厂运营的早期检测和诊断而基本上不依赖于实验室数据的改进的数据清理系统和方法。

发明内容

本发明的一个总体目标是提高化工厂和炼油厂的运营效率。本发明的一个更具体的目标是克服上述问题中的一者或多者。通过一种改进工厂的运营的方法能够至少部分地实现本发明的一个总体目标。该方法包括从所述工厂获得工厂运营信息。

本发明进一步包括一种用于改进工厂的运营的方法，该方法包括：从所述工厂获得工厂运营信息；以及使用所述工厂运营信息生成工厂工艺模型。本发明还进一步包括一种用于改进工厂的运营的方法。该方法包括：通过因特网接收工厂运营信息，以及使用所述工厂运营信息自动生成工厂工艺模型。

本发明执行一种增强的数据清理过程，其允许基于一个或多个环境因素对测量误差进行早期检测和诊断。所述环境因素包括至少一个主要因素和可选的次要因素。所述主要因素包括例如温度、压力、原料流量、产品流量等。所述次要因素包括例如密度、具体成分等。利用所述主要因素和次要因素，计算测量与工艺模型信息之间的至少一个偏移。所述偏移可以用于推断与可用的工厂运营数据对应的原料成分。

本发明利用经配置的工艺模型来协调个体工艺单元、操作模块和/或完整处理系统内的测量。对模型预测值和实际测量值的例行和频繁分析允许早期识别测量误差，能够对所述测量误差采取动作以最小化对运营的影响。