Process data reconciliation : from theoretical framework to industrial application on a sweetening plant

Reliable process monitoring in real-time is of primary concern in chemical industry due to its effect on the production costs as well as on decision making, emissions and safety issues. This can be achieved by using data reconciliation (DR) and gross error (GE) detection to mitigate the effects of random measurements errors and possible instrument malfunctioning. Data reconciliation is a numerical procedure used to correct measurements in order to fulfil material and energy balances. In this way it is possible to obtain a more reliable estimate of the true process state. Steady-state data reconciliation is the simplest form of DR but offers the benefits of short computational time. In this work a complete linear steady state data reconciliation framework has been implemented in MATLAB®. This framework enables to perform variable classification, gross error detection and elimination, measurements reconciliation and unmeasured process variables estimation. A deep analysis on different GE detection algorithm has been performed to select the more suitable. The nonlinear steady state and the dynamic data reconciliation has also been investigated studying their performances. Concerning the dynamic DR, particular attention has been addressed to the moving time window approach and its tuning. The proposed linear steady state data reconciliation framework and the dynamic DR approach have been applied on industrial plant data.

Un monitoraggio real-time affidabile del processo è di primaria importanza negli impianti chimici per via dell’impatto che esso può avere sui costi di produzione, così come sul processo decisionale, sulle emissioni e sulle problematiche relative alla sicurezza. Questo può essere compiuto tramite la data reconciliation (DR) e la gross error (GE) detection, mitigando l’effetto degli errori di misura randomici e dei possibili malfunzionamenti della strumentazione. La data reconciliation è una procedura numerica usata per correggere le misure in maniera tale che i bilanci materiali ed energetici siano soddisfatti. In questo modo si può ottenere una stima più accurata del reale stato di un processo. La data reconciliation in stazionario è la più semplice forma di DR ma ha il grande vantaggio di richiedere un breve tempo computazionale. In questo lavoro, un framework completo di data reconciliation lineare in stazionario è stato implementato in MATLAB®. Questo framework è in grado di eseguire una classificazione delle variabili, trovare possibili misure affette da gross error ed eliminarle, effettuare la riconciliazione delle misure e stimare le variabili di processo non misurate. È stata eseguita un’analisi approfondita su differenti algoritmi che permettono di trovare gross error per scegliere il più adeguato. Sono state investigate anche la data reconciliation non lineare e la data reconciliation in dinamico, studiando le loro performance. Per quanto riguarda la data reconciliation in dinamico, particolare attenzione è stata posta sull’approccio di orizzonte temporale mobile e il suo tuning. Il framework di data reconciliation lineare proposto e l’approccio della data reconciliation in dinamico sono stati applicati su dati industriali.