Apoyo a la toma de decisión en una red de evaporadores industriales

  1. Kalliski, Marc
  2. Pitarch, José Luis
  3. Jasch, Christian
  4. de Prada, César
Revista:
Revista iberoamericana de automática e informática industrial ( RIAI )

ISSN: 1697-7920

Año de publicación: 2019

Volumen: 16

Número: 1

Páginas: 26-35

Tipo: Artículo

DOI: 10.4995/RIAI.2018.9233 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista iberoamericana de automática e informática industrial ( RIAI )

Resumen

La planificación de la producción y tareas de mantenimiento en una red de  equipos es una tarea cuya complejidad aumenta exponencialmente con el número de productos, equipos y tareas. Encontrar soluciones óptimas económicas o de eficiencia de recursos) se hace especialmente difícil para un planificador humano, más aún cuando se requiere tomar decisiones en breves periodos de tiempo. Este trabajo aborda el problema de distribución de carga en tiempo real y programación de limpiezas en una red de evaporadores industriales mediante herramientas de ayuda a la decisión basadas en optimización mixta entera con modelos. Las herramientas propuestas tienen en cuenta las preferencias de visualización de los operarios y están integradas con el sistema de supervisión de la planta. Además de proporcionar recomendaciones para la operación óptima de la red, se incluye un sistema semiautomático de actualización de modelos basado en datos históricos de operación.

€ Ver financiación

Información de financiación

Financiadores

Referencias bibliográficas

  • Başar, T., Bernhard, P., 2008. H∞-optimal control and related minimax design problems: A dynamic game approach. Springer, Boston. https://doi.org/10.1007/978-0-8176-4757-5
  • Bandler, J.W., Charalambous, C., 1974. Nonlinear programming using minimax techniques. Journal of Optimization Theory and Applications, 13 (6), 607-619. https://doi.org/10.1007/BF00933620
  • Bizet, V.M., Grossmann, I.E., Juhasz, N.M., 2005. Optimal production and scheduling of a process with decaying catalyst. AIChE Journal, 51 (3), 909-921. https://doi.org/10.1002/aic.10342
  • Bliek, C., Bonami, P., Lodi, A., 2014. Solving mixed integer quadratic programming problems with IBM-CPLEX: a progress report. Proceedings of the 26th RAMP Symposium, 171-180.
  • Bonami, P., Biegler, L.T., Conn, A.R., Cornuéjols, G., Grossmann, I.E., Laird, C.D., Lee, J., Lodi, A., Margot, F., Sawaya, N., Wächter, A., 2008. An algorithmic framework for convex mixed integer nonlinear programs. Discrete Optimization, 5(2), 186-204. https://doi.org/10.1016/j.disopt.2006.10.011
  • Burton, D.M., 1976. Elementary Number Theory. Allyn & Bacon, Boston.
  • Charnes, A., Cooper, W.W., 1959. Chance-constrained programming. Management Science, 6 (1), 73-79. https://doi.org/10.1287/mnsc.6.1.73
  • Engell, S., Harjunkoski, I., 2012. Optimal operation: Scheduling, advanced control and their integration. Computers & Chemical Engineering, 47, 121-133. https://doi.org/10.1016/j.compchemeng.2012.06.039
  • Heluane, H., Blanco, A.M., Hernández, M.R., Bandoni, J.A., 2012. Simultaneous re-design and scheduling of multiple effect evaporator systems. Computers & Operations Research, 39 (5), 1173-1186. https://doi.org/10.1016/j.cor.2011.06.015
  • Kalliski, M., Krahé, D., Beisheim, B., Krämer, S., Engell, S., 2015. Resource efficiency indicators for real-time monitoring and optimization of integrated chemical production plants. Computer Aided Chemical Engineering, 37, 1949-1954. https://doi.org/10.1016/B978-0-444-63576-1.50019-4
  • Krämer, S., Engell, S. (Eds.), 2017. Resource Efficiency of Processing Plants: Monitoring and Improvement. Wiley-VCH Verlag.
  • Kujanpää, M., Hakala, J., Pajula, T., Beisheim, B., Krämer, S., Ackerschott, D., Kalliski, M., Engell, S., Enste, U., Pitarch, J.L., 2017. Successful Resource Efficiency Indicators for process industries. VTT Technology, 290, Helsinki.
  • LeiKon, 2014. D4.1 Requirement specification for the integrated deployment platform, Outcomes of the MORE Project. http://www.more-nmp.eu/outcomes/deliverables/
  • Mason, A.J., 2012. OpenSolver – An open source add-in to solve linear and integer programmes in Excel. En: Klatte, D., Lathi, H., Schmedders, K. (Eds.), Operations Research Proceedings 2011. Springer-Verlag, Berlin Heidelberg, 401-406. https://doi.org/10.1007/978-3-642-29210-1_64
  • Melouk, S.H., Freeman, N.K., Miller, D., Dunning, M., 2013. Simulation optimization-based decision support tool for steel manufacturing. International Journal of Production Economics, 141 (1), 269-276. https://doi.org/10.1016/j.ijpe.2012.08.001
  • Pereira, M.V.F., Pinto, L.M.V.G., 1991. Multi-stage stochastic optimization applied to energy planning. Mathematical Programming, 52, 359-375. https://doi.org/10.1007/BF01582895
  • Pitarch, J.L., Palacín, C.G., Merino, A., de Prada, C., 2017. Optimal operation of an evaporation process. En: Bock, H.G., Phu, H.X., Rannacher, R., Schlöder, J. (Eds.), Modeling, Simulation and Optimization of Complex Processes HPSC 2015. Springer, Cham. https://doi.org/10.1007/978-3-319-67168-0_16
  • Rockafellar, R.T., Wets, R. J.-B., 1991. Scenarios and policy aggregation in optimization under uncertainty. Mathematics of Operations Research, 16 (1), 119-147. https://doi.org/10.1287/moor.16.1.119
  • Sala, A., Pitarch, J.L., 2016. Optimisation of transient and ultimate inescapable sets with polynomial boundaries for nonlinear systems. Automatica, 73, 82-87. https://doi.org/10.1016/j.automatica.2016.06.017
  • Schulz, E.P., Bandoni, J.A., Diaz, M.S., 2006. Optimal shutdown policy for maintenance of cracking furnaces in ethylene plants. Industrial & Engineering Chemistry Research, 45 (8), 2748-2757. https://doi.org/10.1021/ie050341r
  • Tremblay, G., Berriah, S., Veillette, M., 2009. Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization. U.S. Patent No. 7,616,006, Washington DC.
Fuente de los datos: Dialnet