Teknologien er basert på at du utvikler en matematisk modell for et prosessavsnitt basert på en analyse av prosessdata. Denne modellen benyttes deretter til styring av prosessavsnittet. Med det kan du oppnå økt inntjening, mindre utslipp og økt produksjon.
Innen noen prosessindustrier er dette en moden teknologi – de første systemene ble utviklet og implementert i oljeraffinerier allerede for over 20 år siden.
Matematiske modeller
Tradisjonelt er systemer for driftsoptimalisering og styring delt i to nivåer. På det overordnede nivået beregnes optimale produksjonsrater og produktkvaliteter. I store prosessanlegg som for eksempel oljeraffinerier resulterer dette i store optimaliseringsberegninger hvor produksjonsbegrensninger, produktpriser og råvarepriser er inngangsparametre.
Resultatet fra slike optimaliseringer blir overført til reguleringssystem som sørger for implementering av de beregnede produksjonsratene og produktkvalitetene.
MPC ble utviklet og tatt i bruk til styring av oljeraffinerier på 1970- og 80-tallet. Teknologien er senere blitt videreutviklet og overført til andre prosessindustrier. Den baserer seg på at det blir gjort systematiske eksperimenter med de aktuelle prosessenhetene som skal styres.
Prosessdata fra disse eksperimentene blir benyttet til å identifisere en lineær dynamisk modell for det prosessavsnittet som skal styres. Modellen brukes til å predikere prosessens forløp fram i tid, og pådragsvariablene til prosessen optimaliseres slik at prosessen følger et ønsket forløp.
Avansert styring
Teknologien har hatt stor fremgang, og er innen flere prosessindustrier ensbetydende med det man gjerne kaller avansert prosesstyring – Advanced Process Control (APC). Noen grunner til dette er at teknologien ofte gir en god multivariabel regulering av en prosess rundt en stasjonær driftstilstand.
Videre handteres prosessbegrensninger på en god måte, og man unngår bruk av komplisert logikk knyttet til mer konvensjonell regulering. Optimale driftsbetingelser er ofte gitt av begrensinger i prosessen. MPC er velegnet til å handtere mange slike begrensinger samtidig.
Må videreutvikles
Den rådende MPC-teknologien baserer seg på bruk av empiriske modeller. Disse modellene identifiseres direkte fra prosessdata, og inneholder ingen kunnskap om prosessen som skal styres ut over det som kan estimeres fra dataene. Når teknologien nå overføres til andre typer prosesser enn den opprinnelig var utviklet for, blir det også klart at den må utvikles videre.
En ulempe med MPC basert på empiriske modeller er at det kreves omfattende eksperimentering med prosessen for å fremskaffe gode data til modellidentifiseringen. Hvis det blir gjort endringer i prosessen, eller hvis du endrer driftsbetingelsene, kan det bli nødvendig å gjenta disse eksperimentene.
Mange produksjonsprosesser er preget av behovet for raske omstillinger mellom produktkvaliteter. Dette gjør prosessenes ulineære egenskaper mer fremtredende. MPC-teknologi basert på lineære, empiriske modeller kan være mindre egnet. For satsvise prosesser blir denne problemstillingen enda mer fremtredende. MPC-teknologi basert på lineære modeller vil normalt være uegnet for styring av slike prosesser.
Fysikalske modeller
Et alternativ til bruk av empiriske modeller er å utvikle prosessmodeller basert på prosessens fysiske og kjemiske egenskaper. Slike fysikalske eller mekanistiske modeller er gjerne basert på masse- og energibalanser, reaksjonskinetikk og termodynamikk.
Modellene er normalt ulineære, og kan gi en god beskrivelse av prosessens egenskaper over skiftende driftsbetingelser. MPC basert på fysikalske modeller kan gi betydelig forbedret styring av en rekke kompliserte prosessenheter. Videre er det mulig å styre beregnede størrelser – for eksempel reaksjonsrate i en kjemisk reaktor.
Mange fortrinn
Styring basert på fysikalske modeller kan gi mange fordeler for prosessindustrien:
– Økt produksjonsrate for kontinuerlige prosesser og redusert syklustid for satsvise prosesser. I en PVC-reaktor er maksimal reaksjonsrate bestemt av tilgjengelig kjølekapasitet. Ved å optimalisere temperaturprofil og initiatordosering kan du styre prosessen slik at du utnytter kjølekapasiteten maksimalt gjennom hele satsen og samtidig oppnår riktig kvalitet.
– Forbedret produktkvalitet gjennom reduserte kvalitetsvariasjoner, raske produktoverganger og mindre produksjon utenom spesifikasjonene.
– Økt sikkerhet gjennom styring og overvåking av kritiske variabler som ikke kan måles direkte. Ved å overvåke reaksjonsvarme og kjølekapasitet i en kjemisk reaktor kan potensielt farlige situasjoner knyttet til feildosering eller groing i kjølesystemer oppdages på et tidlig tidspunkt.
– Redusert energiforbruk og reduserte utslipp av miljøskadelige stoffer.
– Økt prosessforståelse og mange sekundære gevinster ved at prosesskunnskap kvantifiseres og beskrives på en presis måte.
Bredt nedslagsfelt
Her er noen eksempler på prosesser hvor bruk av fysikalske modeller for modellbasert styring har klare fortrinn:
– Styring av kontinuerlig polymerisasjonsreaktor, for eksempel til produksjon av polyetylen eller polypropylen. Raske produktoverganger for å minimalisere produksjon utenfor spesifikasjonene er viktig. Dette krever ulineære modeller.
– Styring av satsvis polymerisasjonsreaktor, for eksempel til produksjon av PVC. Optimalisering og regulering av temperaturprofil, initiatordosering og reaksjonsrate er viktig for optimal produksjon, høy sikkerhet og riktig kvalitet.
– Optimalisering av satsvis manganraffinering. Her har man ikke utføre on-line målinger av de egenskapene man ønsker å styre, og kvaliteten på prosessmodellen er derfor avgjørende.
– Styring av forbrenningsprosesser. Det er sterkt ulineære sammenhenger mellom dannelse av uønskede avgasser som NOx og CO, og prosessens driftsbetingelser.
Utviklingstrender
På Interkama-messen i september var det tydelig å se at flere leverandører utvikler produkter som i større grad enn tidligere er basert på detaljerte prosessmodeller, selv om disse modellene ikke nødvendigvis benyttes direkte til styring. De forskjellige leverandørene velger noe forskjellig innfallsvinkel til dette.
For direkte bruk av fysikalske modeller til styring gjøres det betydelig utvikling internt hos større prosessindustribedrifter. De betrakter dette som strategisk viktig teknologi, og utvikler skreddersydde systemer for sine egne prosesser. Enkelte mindre leverandører satser også på direkte bruk av fysikalske modeller for modellbasert styring.
Utvikling innen prosesstyring har i lengre tid vært konsentrert rundt generelle systemløsninger som kan benyttes innen de fleste prosessindustrier. Den rådende MPC-teknologien er også av denne typen. Det er nå en klar trend mot mer spesialiserte løsninger som inneholder mer kunnskap om prosessen.
Utvikling av slike systemer krever imidlertid mer prosesspesifikk kompetanse enn det som tradisjonelt har vært tilgjengelig hos de rådende leverandørene av styresystemer. På Interkama kom det klart fram at mindre spesialistfirmaer ofte har de mest avanserte løsningene. Samtidig inngår de store leverandørene i økende grad allianser med slike firmaer.
