In lube base oil production, a vacuum distillation unit is a crucial unit operation which must be controlled tightly to meet final product specifications. However, it is hard to analyze the process accurately due to the instability of the online measurement and there is no rigorous protocol for the process operation. To address this problem, model-based optimal control can be employed, which requires an accurate model relating to the operation and quality variables involved. However, the mathematical modeling of VDU is hampered by the lack of process knowledge and the limited online data acquisition capability for key quality variables. As a recourse, data-based modeling can be attempted to develop inferential sensors and controllers but one is faced with the problem of temporal credit assignment due to the complex characteristics of the VDU process dynamics, e.g., varying time-lags among the variables. To overcome this difficulty, the use of a stacked RNN structure and attention mechanism with sequence length are proposed for the prediction of kinematic viscosity. In addition, regression models for distillation temperature are constructed through the investigation of a huge model structure library. Then, these quality predictors are applied in developing a real-time optimizer which adjusts key operating variables in order to satisfy the product specifications despite various disturbances. Accuracies of the soft sensor and the optimization model are evaluated, first offline and then, online through a commercial plant test performed at SK Ulsan Refinery Complex in Korea. The overall approach and framework are general and can be used for the development of inferential sensors and controllers in other similar situations.
윤활기유 제조공정의 감압증류장치는 제품의 성상을 결정하는 데에 매우 중요하다. 그러나 기존의 분석방법은 실시간 계측값의 불안정성 등으로 인해 공정을 파악하기 어려우며, 공정 운전의 표준화된 프로토콜이 마련되지 않다는 한계가 존재한다. 이를 해결하기 위해, 주요 변수들을 예측하는 정교한 모델과 개발된 모델 기반의 실시간 공정 최적화 프레임워크 구축이 필요하다. 그러나 일반적인 수학적 모델은 공급 원료의 상세한 물성정보를 요구하기 때문에 추가적인 실험이 수행되어야 하며, 이는 실시간으로 변화하는 원료에 대응하기 어려움을 야기한다.
본 연구에서는 장기간의 상업공정 운전데이터를 취합하여, 다양한 중요변수들을 예측하는 시계열 데이터 기반 소프트 센서를 개발하였다. 특히 운전조건마다 출력변수에 미치는 시간적 영향이 다른 분리공정의 특성을 반영하기 위해, stacked RNN, attention 메커니즘을 도입하였다. 개발된 모델들은 실시간 최적화에 적용되어 제품 물성의 목표치를 만족하기 위한 최적운전조건을 탐색하였으며, 최적화 문제는 운전조건의 안정적인 변화를 위해 다양한 수식적 표현이 고려되었다. 개발된 모든 프레임워크는 사례연구 및 상업공정 테스트를 통해 정량적으로 검증되었으며, 실공정에 도입하기로 결정되었다.
