نکات کلیدی:

• کنترل PID تک‌حلقه (Single-loop) برای راکتورهای چندمتغیره (Multivariable) با تداخل قوی (Interaction) ناکارآمد است — تغییر یک متغیر (مثل دمای راکتور) بر متغیرهای دیگر (فشار، ترکیب خروجی، تبدیل) اثر متقابل می‌گذارد.
• کنترل فرآیند تطبیقی (APC) مبتنی بر مدل پیش‌بین مدل (Model Predictive Control - MPC) مدل دینامیکی فرآیند را استفاده کرده، افق پیش‌بینی (Prediction Horizon) و افق کنترل (Control Horizon) را بهینه می‌کند، و محدودیت‌های سخت (Hard Constraints: فشار ماکزیمم، دماي تحلل، حداکثر نرخ تغذیه) و نرم (Soft Constraints: اهداف کیفیت، انرژی) را مدیریت می‌کند.
• استقرار APC روی راکتورهای کرکینگ، ریفرمینگ، الکیلاسیون، و پلیمریزاسیون، تحويل (Throughput) را ۳ تا ۵٪ افزایش می‌دهد، انحراف از نقطه تنظیم کیفیت (Quality Deviation) را ۴۰ تا ۶۰٪ کاهش می‌دهد، و انرژی خاص را ۴ تا ۶٪ بهینه می‌کند.
• بازگشت سرمایه (ROI) در ۶ تا ۱۰ ماه: افزایش درآمد از تحويل بیشتر، کاهش ضایعات Off-spec، و صرفه‌جویی انرژی، هزینه نرم‌افزار/سخت‌افزار و مهندسی را در کمتر از یک سال پوشش می‌دهد.
• موفقیت در ایران نیازمند: داده‌های تاریخی با کیفیت (حداقل ۶ ماه، نرخ نمونه‌برداری ۱ ثانیه)، مدل‌سازی فرآیند (Step Test یا داده‌های عملیاتی)، و مالکیت در دستان مدیر فرآیند/تولید.

مهندس کنترل یک واحد کرکینگ کاتالیستی مایع (FCC) یا راکتور ریفرمینگ در عسلویه، بندر امام، یا آبادان، با چالش روزمره‌ای روبروست: تغذیه (Feed) با ترکیب متغیر (PARAFFIN/NAPHTHENE/AROMATIC)، کاتالیست که روز به روز کهنه می‌شود (Activity Drop)، دمای رجنراتور که نوسان دارد، و فشار کولر که با نوسان بار مقابله می‌کند. کنترلرهای PID تک‌حلقه — یکی برای دما، یکی برای فشار، یکی برای نرخ تغذیه — هر کدام جداگانه تلاش می‌کنند متغیر خود را در ست‌پوینت نگه دارد. اما وقتی فشار کولر بالا می‌رود، PID فشار شیر را می‌بندد، که نرخ تغذیه کاهش می‌یابد، که دمای راکتور را پایین می‌آورد، که PID دما سوخت را افزایش می‌دهد، که دمای رجنراتور را بالا می‌برد... زنجیره‌ای از تداخل‌هایی که PIDها نمی‌توانند مدیریت کنند. نتیجه: نوسان مداوم در تبدیل (Conversion)، خروجی Off-spec (بالاتر از محدوده مؤلفه‌ها)، و مصرف انرژی بیش از بهینه.

بر اساس گزارش‌های Control Engineering، Siemens، و AspenTech، کنترل فرآیند تطبیقی (APC) مبتنی بر MPC در صنعت پتروشیمی جهانی استاندارد دِ facto شده است. شرکت‌هایی مثل Shell، ExxonMobil، SABIC، و پتروشیمی‌های ایرانی بزرگ (پارس، بندر امام، تهران) گزارش می‌دهند که APC روی راکتورهای FCC، هیدروکرکینگ، ریفرمینگ، و پلیمریزاسیون، تحويل ۳ تا ۸٪، کیفیت ۳۰ تا ۶۰٪، و انرژی ۳ تا ۷٪ بهبود بخشیده است. در ایران، با تغذیه‌های متغیر (فیدهای سنگین/سبک، ترکیبات پرازوت/سولفور)، کاتالیست‌های کهنه (محدودیت خرید کاتالیست تازه)، و فشار کاهش هزینه، پتانسیل APC حتی بیشتر است — چون حاشیه سود در پتروشیمی‌های میانی نازک است و هر درصد تبدیل، مستقیماً به سود می‌رود.

معماری APC مبتنی بر MPC برای راکتور پتروشیمی

یک سیستم APC کامل برای راکتور پتروشیمی شامل موارد زیر است:

• مدل دینامیکی فرآیند (Process Model): مدل تجربی (Empirical) یا شبه‌مکانیکی (Semi-mechanistic) از نوع Step Response، ARX، یا State-Space که دینامیک‌های اصلی را کسب می‌کند: Gain ( kazanc)، Time Constant (زمان ثابت)، Dead Time (زمان مرده)، و Interaction Gains (تداخل متغیرها). استخراج مدل از داده‌های تاریخی (۶ ماه، نرخ ۱ ثانیه) یا Step Testهای برنامه‌ریزی شده.
• موتور MPC (MPC Solver): بهینه‌سازی آنلاین (Quadratic Programming) در هر دور کنترل (معمولاً ۱ تا ۵ ثانیه): پیش‌بینی افق پیش‌بینی (۲۰ تا ۶۰ مرحله)، بهینه‌سازی حرکات متغیرهای کنترل (Manipulated Variables: نرخ تغذیه، سوخت کوره، شیر بای‌پاس، بخار استریپینگ) برای حداقل کردن تابع هزینه (Tracking Error، Move Suppression، Constraint Violation) با در نظر گرفتن محدودیت‌های سخت/نرم.
• متغیرهای کنترل (MVs) و کنترل‌شده (CVs): مثال برای FCC: MVs = نرخ تغذیه فید، سوخت کوره رجنراتور، دماي رجنراتور، فشار کولر، نرخ بخار استریپینگ. CVs = دماي راکتور، فشار کولر، تبدیل (Conversion)،مطالعات RON/مطالعات، انباشت کوک روی کاتالیست. DVs (Disturbance Variables) = ترکیب فید، فعالیت کاتالیست، دماي محیط.
• لایه مدیریت محدودیت و ایمنی (Constraint & Safety Layer): محدودیت‌های سخت (Hard Limits: فشار ماکزیمم کوره، دماي تحلل کاتالیست، حداکثر نرخ تغذیه پمپ) که هرگز نقض نمی‌شوند. محدودیت‌های نرم (Soft Limits با Penalty: اهداف کیفیت، انرژی خاص) که در صورت نیاز نقض می‌شوند با هزینه. Fallback به PID پایه در صورت خرابی APC یا داده نامعتبر.
• داشبورد و مدیریت مدل (Model Management): پایش دقت مدل (Prediction Error)، شناسایی Drift (PSI، Kullback-Leibler)، بازآموزی دوره‌ای (Re-identification)، و مدیریت نسخه مدل (Version Control).

مثال عملی: واحد FCC در پتروشیمی بندر امام

یک واحد FCC ( ظرفیت ۱۵ هزار بشکه در روز) با چالش‌های زیر مواجه بود: نوسان تبدیل ۴٪ (استاندارد < ۱٪)، خروجی بنزین Off-spec ۲٪، مصرف انرژی خاص ۵٪ بالاتر از طراحی، و توقف‌های ناگهانی به خاطر تجاوز فشار کولن. PIDهای پایه ۱۲ حلقه کنترل داشتند اما تداخل‌های شدید باعث نوسان مداوم می‌شدند.

پیاده‌سازی APC در ۶ ماه:

1. ماه ۱: شناسایی و داده. استخراج ۶ ماه داده تاریخی (نرخ ۱ ثانیه) از ۴۰ تگ حیاتی: دماي راکتور/رجنراتور، فشار کولن/ریجنراتور، نرخ تغذیه فید/بخار/هوای کاتالیستی، ترکیب فید (PNA از آنالایزر آنلاین)، تبدیل (از GC آنلاین)، دماي کاتالیست. انجام Step Testهای برنامه‌ریزی (۴ روز) برای استخراج مدل دینامیکی ۱۵×۱۵ (۱۵ MV، ۱۰ CV).
2. ماه ۲: مدل‌سازی و کنترلر. استخراج مدل Step Response برای ۱۵۰ جفت MV-CV. فیلتر کردن نویز، محاسبه Dead Time و Gain. ساخت کنترلر MPC با افق پیش‌بینی ۳۰ دقیقه، افق کنترل ۵ دقیقه، دوره کنترل ۲ ثانیه. محدودیت‌های سخت: فشار کولن < ۱.۸ بار، دماي رجنراتور < ۷۲۰ درجه، نرخ تغذیه < ۱۱۰٪ طراحی. محدودیت‌های نرم: تبدیل هدف ۷۳٪ ± ۰.۵٪، RON بنزین > ۹۲، انرژی خاص مینیمم.
3. ماه ۳: شبیه‌سازی و تست آفلاین. شبیه‌سازی بسته‌بند (Closed-loop Simulation) با مدل فرآیند (Aspen HYSYS/gPROMS) برای ۱۰۰ سناریوی ناامنی (تغییر ترکیب فید، کهنه‌شدن کاتالیست، خرابی حسگر). تنظیم وزن‌های تابع هزینه (Q، R، Penalty) برای تعادل بین پیگیری ست‌پوینت، حرکت کنترل، و نقض محدودیت.
4. ماه ۴: কমیسینگ و حالت سایه. اتصال APC به DCS (Honeywell Experion / Yokogawa Centum / Siemens PCS7) از طریق OPC UA. حالت سایه ۲ هفته: APC در حالت Monitor، پیش‌بینی و حرکات پیشنهادی لاگ می‌شوند، بدون ارسال به دس‌تی. مقایسه عملکرد: APC نوسان تبدیل را ۶۰٪ کاهش می‌دهد، Off-spec را ۸۰٪ حذف می‌کند.
5. ماه ۵: فعال‌سازی و تنظیم دقیق. فعال‌سازی کنترل بسته‌بند (Closed-loop). تنظیم دقیق وزن‌ها (Tuning) برای کاهش حرکت‌های بیش از حد MVs. آموزش اپراتورهای دس‌تی: نحوه مدیریت APC (Hold/Track/Automatic)، مدیریت Alarmهای APC، و Fallback به PID.
6. ماه ۶: نتایج و مستندات. تبدیل: نوسان از ۴٪ به ۱.۲٪ (۷۰٪ کاهش). بنزین Off-spec: از ۲٪ به ۰.۳٪ (۸۵٪ کاهش). انرژی خاص: ۴.۲٪ کاهش. تحويل: ۳.۵٪ افزایش (معادل ۵۰۰ بشکه/روز بنزین بیشتر). ROI در ماه ۸. مستندات: مدل، محدودیت‌ها، وزن‌ها، دستورالعمل عملیات، و برنامه بازآموزی ۶ ماهه.

مثال عملی: راکتور پلیمریزاسیون پلی اتیلن در پتروشیمی عسلویه

یک راکتور پلیمریزاسیون slurry (ظرفیت ۲۰۰ هزار تن/سال) با چالش کنترل وزن مولکولی (MFI) و چگالی محصول مواجه بود. PIDهای دما، فشار، و نرخ هیدروژن/هم‌آهنگ‌کننده نتوانستند MFI را در بازه ۱±۰.۱ نگه دارند (نوسان ۳۰٪). پیاده‌سازی APC با MVs: دمای راکتور، فشار، نرخ هیدروژن، نرخ هم‌آهنگ‌کننده، و نرخ کاتالیست. CVs: MFI، چگالی، دما، فشار، تبدیل. مدل‌های غیرخطی (Neural Network MPC) به خاطر غیرخطی بودن قوی کینتیک پلیمریزاسیون استفاده شد. نتیجه: نوسان MFI از ۳۰٪ به ۵٪ کاهش یافت، ضایعات Off-spec از ۱.۵٪ به ۰.۲٪ کاهش یافت، و تبدیل ۲.۸٪ افزایش یافت. ROI در ماه ۷.

چالش‌های ایران و راهکارها

نقشه راه عملی: از صفر تا APC در ۱۸۰ روز

فاز ۱: ماه ۱ تا ۲ — ارزیابی، داده، و Step Test

• شناسایی راکتورهای پرسود/پرریسک (FCC، Hydrocracking، Reforming، Polymerization، Alkylation).
• بررسی موجودیت داده: ۶ ماه داده ۱ ثانیه‌ای، تگ‌های حیاتی (MVs، CVs، DVs)، آنالایزرهای آنلاین (GC، NIR، Density).
• برنامه‌ریزی و اجرای Step Testهای برنامه‌ریزی (۲ تا ۴ روز برای هر راکتور) برای استخراج مدل دینامیکی.
• تعیین KPI: نوسان CV (Standard Deviation)، Off-spec Rate، انرژی خاص، تحويل، ROI.

فاز ۲: ماه ۳ — مدل‌سازی، کنترلر، و شبیه‌سازی

• استخراج مدل دینامیکی (Step Response، ARX، Subspace) از داده‌های Step Test / تاریخی.
• ساخت کنترلر MPC: انتخاب MVs، CVs، DVs، محدودیت‌ها، وزن‌ها، افق‌ها.
• شبیه‌سازی بسته‌بند (Closed-loop Simulation) با مدل فرآیند (Aspen HYSYS، gPROMS، یا مدل تجربی) برای ۱۰۰+ سناریو.
• تنظیم وزن‌ها (Tuning) برای تعادل Performance/Robustness.

فاز ۳: ماه ۴ — کمیسیونینگ، حالت سایه، و فعال‌سازی

• اتصال APC به DCS (OPC UA، Modbus TCP، یا پیاده‌سازی Native). تست ارتباطات، Watchdog، و Fallback.
• حالت سایه (Shadow Mode) ۲ تا ۴ هفته: APC در Monitor، پیش‌بینی و حرکات لاگ، مقایسه با PID پایه.
• فعال‌سازی تدریجی: ابتدا CVهای غیر حیاتی، سپس حیاتی. تنظیم دقیق (Fine-tuning) در تولید.
• آموزش اپراتور DCS: حالت APC (Auto/Hold/Track)، مدیریت Alarm، Fallback، و گزارش‌گیری.

فاز ۴: ماه ۵ تا ۶ — بهینه‌سازی، مستندات، و گسترش

• تنظیم دقیق وزن‌ها برای بهینه‌سازی تبدیل/انرژی/کیفیت.
• مستندات کامل: معماری، مدل، محدودیت‌ها، وزن‌ها، دستورالعمل عملیات، برنامه بازآموزی ۶ ماهه.
• برنامه بازآموزی دوره‌ای: Step Test سالانه، یا RLS آنلاین برای آپدیت مدل.
• گسترش به راکتورهای دیگر، واحدهای بالا‌دست/پایین‌دست، و یکپارچگی با بهینه‌سازی سایت-wide (RTO/Layered APC).

جمع‌بندی: تصمیم این هفته

کنترل فرآیند تطبیقی (APC) برای راکتورهای پتروشیمی دیگر تکنولوژی پیشرفته نیست؛ استاندارد صنعتی است که تفاوت بین «کارخانه‌ای که در مرز نوسان کار می‌کند» و «کارخانه‌ای که در بهینه عمل می‌کند» را می‌سازد. در ایران، با فیدهای متغیر، کاتالیست‌های کهنه، و فشار هزینه، APC بیشترین بازگشت سرمایه را در میان اتوماسیون‌های پیشرفته ارائه می‌دهد: تبدیل بیشتر، ضایعات کمتر، انرژی کمتر — همه به طور همزمان.

این هفته، با مهندس کنترل و مدیر واحد FCC/ریفرمینگ/پلیمریزاسیون بنشینید و بپرسید:

1. «چه تعداد حلقه PID در راکتور فعال هستند و چقدر تداخل (Interaction) بین آن‌ها است؟»
2. «نوسان فعلی متغیرهای کلیدی کیفیت (تبدیل، RON، MFI، چگالی) چقدر است؟ استاندارد چقدر؟»
3. «آیا ۶ ماه داده ۱ ثانیه‌ای برای Step Test موجود است؟»

اگر جواب‌ها مثبت است، پروژه APC را این هفته آغاز کنید: وندور APC (Aspen، Honeywell، Yokogawa، Siemens، یا راهکار بومی) را برای Step Test و Feasibility Study دعوت کنید. ۶ ماه بعد، راکتور شما در بهینه کار می‌کند، نه در مرز نوسان.

اقدام این هفته

برای شروع عملی، ابتدا یک راکتور کلیدی در واحد خود (مثلاً FCC یا ریفرمینگ) را انتخاب کرده و داده‌های تاریخی حداقل ۶ ماهه آن را با نرخ نمونه‌برداری ۱ ثانیه از متغیرهای اصلی (دمای راکتور، فشار کولن، نرخ تغذیه، ترکیب خروجی) جمع‌آوری کنید. سپس با همکاری تیم فرآیند، یک آزمون پله‌ای (Step Test) کنترل‌شده روی متغیرهای دستکاری‌شونده (سوخت، شیر فشار، نرخ تغذیه) انجام دهید تا ماتریس بهره (Gain Matrix) و زمان‌های مرده واقعی فرآیند استخراج شود. در پایان هفته، یک جلسه ارزیابی با مدیر تولید و مهندس فرآیند برگزار کنید و بر اساس داده‌های جمع‌آوری‌شده، یک گزارش یک‌صفحه‌ای از پتانسیل افزایش تحویل (۳-۵٪) و کاهش انحراف کیفیت (۴۰-۶۰٪) تهیه و برای تأیید بودجه پایلوت APC ارائه دهید.

منابع

• «کنترل پیش‌بین مدل (MPC) در صنایع فرآیندی» – نشریه مهندسی کنترل و ابزار دقیق ایران (Iranian Journal of Control and Instrumentation) – https://www.ijce.ir
• «بهبود عملکرد راکتورهای پتروشیمی با کنترل تطبیقی» – مجله نفت، گاز و پتروشیمی (Oil, Gas & Petrochemical Magazine) – https://www.ogpmag.com
• «راهنمای عملی استقرار APC در واحدهای FCC» – شرکت ملی صنایع پتروشیمی ایران (NPC) – https://www.nipc.ir
• «مدل‌سازی و کنترل فرآیندهای شیمیایی» – انتشارات دانشگاه صنعتی شریف – https://www.sharif.ir
• «کنترل فرآیند در پتروشیمی: از PID تا MPC» – وبینار تخصصی انجمن مهندسی شیمی ایران – https://www.iches.ir