Optimización y control de un proceso de mezclas Rundown para la fabricación de gasolinas

Rafael González-Martín, Fernando Morilla
DOI: https://doi.org/10.4995/riai.2019.10639

Resumen

La gasolina comercial es una mezcla de componentes obtenidos de la destilación del petróleo. El reto del Sistema de Optimización y Control es maximizar el margen económico del proceso utilizando la mezcla de componentes más barata, satisfaciendo la composición de las mezclas, los inventarios, la disponibilidad de las unidades de producción y las restricciones hidráulicas de las líneas. La complejidad de estos sistemas de mezcla ha ido aumentando debido a la competencia creciente en el sector, las refinería más competitivas realizan las mezclas con componentes que provienen directamente de unidad sin pasar por almacenamiento intermedio, método rundown, se disminuyen inventarios y se aumenta el beneficio. En este artículo se presenta un método innovador consistente en aplicar distintos niveles de automatización emulando la estrategia de control en cascada. Los resultados obtenidos en simulación han permitido aplicar el método propuesto en una instalación real, donde se ha podido contrastar la bondad del método y su generalización a un sistema con dimensionamiento real.

Palabras clave

Control de procesos; Control predictivo; Optimización; Control de caudal; Control de calidad; Industria Química

Clasificación por materias

Teoria de control y sistemas;ingenieria de control de procesos e instrumentacion;tecnicas de control avanzado;control de procesos industriales

Texto completo:

PDF

Referencias

Agrawal, S. (1995). Integrate blending control, optimization and planning. Hydrocarbon Processing, 129-139.

Auckland, M., & Charnock, D. (1969). The Development of Linear Blending Indices for Petroleum Properties". J. Institute of Petroleum, 55(545), 322-329.

Baird, C. T. (1989). Guide to Petroleum Blending. Austin, Texas: HPI Consultants, Inc.

Borden, G., & Friedmann, P. G. (1998). Control Valves: Practical Guides for Measurement and Control. International Society of Automation.

Camacho, E., & Bordons, C. (2007). Model Predictive Control. London: Springer. https://doi.org/10.1007/978-0-85729-398-5

Campo López, A. (2014). Valvulas de Control: Selección y Cálculo. Ediciones Diaz de Santos.

Chebre, M., Creff, Y., & Petit, N. (2010). Feedback Control and Optimization for the production of commercial fuels by blending. Journal of Process Control, 441-451. https://doi.org/10.1016/j.jprocont.2010.01.008

Chen, W., & Yang, J. (2016). A double loop optimization method for gasoline online blending. IEEE International Conference on Industrial Technology (ICIT) (págs. 622-627). Taipei, Taiwan: IEEE. https://doi.org/10.1109/ICIT.2016.7474821

Cheng, H., Zhong, W., & Qian, F. (2011). Real Time Optimization of the Gasoline Blending Process with Unscented Kalman Filter. International Conference on Internet Computing and Information Services (págs. 148-151). IEE Computer Society. https://doi.org/10.1109/ICICIS.2011.43

De Keyser, R. (1991). Basic Principles of Model Based Predictive Control. ECC 91 European Control Conference, (págs. 1753-1758). Grenoble.

Diaz, A., & Barsamian , J. (1996). Meeting changing fuel requirements with online optimization. Hidrocarbon Processing, 71-76.

Fisher. (2017). Control Valve Handbook 5th Ed. Singapore: Fisher Controls International LLC.

Forbes, J., & Marlin, T. (1994). Model accuracy for economic optimizing controllers. The bias update case. Industrial Engineering Chemistry fundamentals , 1919-1929. https://doi.org/10.1021/ie00032a006

Garcia, C., & Morari, M. (1982). Internal Model Control-I. A unifying review and some new results. IECPDD(21), 308-323. https://doi.org/10.1021/i200017a016

Givens, L. (1985). Modern petroleum refining: An overview. Automotive Engineering, 69-77.

ISA, I. S. (2013). ANSI/ISA-95.00.03-2013 Enterprise Control System Integration Part 3. North Carolina USA: Research Triangle Park ISA.

Kalman, R. (1960). A new approach to linear filtering and prediction problems. Transactions of the ASME-Journal of Basic Engineering, 35-45. https://doi.org/10.1115/1.3662552

Marlin, T. E. (2000). Process Control, Designing Processes and Control System for Dynamic Performance 2nd ed. New York: McGraw-Hill.

Morilla, F., Garrido, J., & Vázquez, F. (2013). Control Multivariable por Desacoplo. Revista Iberoamericana de Automática e Informática industrial, 10(1), 3-17 https://doi.org/10.1016/j.riai.2012.11.001

Morris, W. (1975). The Interaction Approach to Gasoline Blending. NPRA 73rd Annual Meeting. San Antonio, Texas.

Perry, R. H. (1989). Perry's Chemical Engineers Handbook 6th Ed. USA: McGraw-Hill.

Qi, Z., & Fisher, D. (1994). Robust stability of model predictive control. American Control Conference, (págs. 3258-3262). Baltimore USA. https://doi.org/10.1109/ACC.1994.735177

Qin, S., & Badgwell, T. (2003). A survey of industrial model predictive control technology. Control Engineering Practice, 733-764. https://doi.org/10.1016/S0967-0661(02)00186-7

Ramsey, J., & Truesdale, P. (1990). Blend optimization integrated into refinery wide strategy. Oil & Gas Journal, 40-44.

Rusin, M., Chung, H., & Marshall, J. (1981). A transformation method for calculating the research and motor octane numbers of gasoline blends. Industrial Engineering Chemistry Fundamentals, 195-204. https://doi.org/10.1021/i100003a003

Seborg, D. (1999). A perspective on Advanced Strategies for Process Control (revisited). New York: Springer-Verlag. https://doi.org/10.1007/978-1-4471-0853-5_4

Singh, A., Forbes, J., Vermeer, P., & Woo, S. (1997). Model Updating in the Presence of Stochastic Feedstock Disturbances for Real-Time Optimization of Blending Operations. American Control Conference. https://doi.org/10.1109/ACC.1997.612001

Singh, A., Forbes, J., Vermeer, P., & Woo, S. (2000). Model based real time optimization of automotive gasoline blending operations. Journal of Process Control, 43-48. https://doi.org/10.1016/S0959-1524(99)00037-2

Sullivan, T. (Mayo de 1990). Refinery-wide blend control and optimization. Hydrocarbon Processing, 93-96.

Treiber, S. e. (1998). Reformulated Gasoline: The challenge to conventional Gasoline Blending Technology. Hydrocarbon Processing Process Optimization Conference. Houston, USA.

Wang, W., Li, Z., Zhang, Q., & Li, Y. (2007). On-line optimization model design of gasoline blending system under parametric uncertainty. Proceedings of the 15th Mediterranean Conference on Control & Automation. Athens, Greece. https://doi.org/10.1109/MED.2007.4433757

Zang, Y., Monder, D., & Forbes, J. (2002). Real-time optimization under parametric uncertainty: aprobability constrained approach. Journal of Process Control, 373-389. https://doi.org/10.1016/S0959-1524(01)00047-6

Abstract Views

2326
Metrics Loading ...

Metrics powered by PLOS ALM


Bookmark and Share

 

Citado por (artículos incluidos en Crossref)

This journal is a Crossref Cited-by Linking member. This list shows the references that citing the article automatically, if there are. For more information about the system please visit Crossref site

1. Industrial Control under Non-Ideal Measurements: Data-Based Signal Processing as an Alternative to Controller Retuning
Ivan Pisa, Antoni Morell, Ramón Vilanova, Jose Lopez Vicario
Sensors  vol: 21  num.: 4  primera página: 1237  año: 2021  
doi: 10.3390/s21041237



Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912