Principal component analysis-aided statistical process optimisation (PASPO) for process improvement in industrial refineries
| Autor: | Jun Hao Teoh, Bing Shen How, Sin Yong Teng, Wei Dong Leong, Adrian Chee Siang Cheah, Hon Loong Lam, Zahra Motavasel |
|---|---|
| Rok vydání: | 2019 |
| Předmět: |
Computer science
Process (engineering) 020209 energy Strategy and Management media_common.quotation_subject 02 engineering and technology Statistical process optimisation Big data analytics Industrial and Manufacturing Engineering 0202 electrical engineering electronic engineering information engineering Plant-wide optimisation Quality (business) Process engineering 0505 law General Environmental Science media_common Principal Component Analysis Design of experiment Renewable Energy Sustainability and the Environment business.industry Design of experiments 05 social sciences Oil refinery PASPO Statistical process control Proof of concept Principal component analysis 050501 criminology Programming paradigm business |
| Zdroj: | Journal of Cleaner Production. 2019, vol. 225, issue 1, p. 359-375. |
| ISSN: | 0959-6526 |
| DOI: | 10.1016/j.jclepro.2019.03.272 |
| Popis: | 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. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|
Full Text from ScienceDirect