Modelado y Optimizado de columnas

Anuncio
SIX-SIGMA: MODELIZACIÓN Y
OPTIMIZACIÓN DE COLUMNAS DE
DESTILACIÓN
Proyecto Fin de Carrera:
Departamento Ingeniería Energética
Luz Marina Gallego Fernández
Ingeniero Técnico Superior en Química Industrial
1
INDICE DE CONTENIDOS
CAPITULO 1. INTRODUCCIÓN……………………………………………...3
1.1. ESTADO DEL ARTE ............................................................................................ 3
CAPITULO 2. DESCRIPCIÓN DE LA UNIDAD…………………….........8
2.1 OBJETIVO DE LA PLANTA ................................................................................. 8
2.2 PROCESO ................................................................................................................. 8
2.2.1.
2.2.2.
2.2.3.
ZONA DE PRE-FRACCIONAMIENTO DE AROMAX ......................................................................... 8
ZONA DE HYDROBÓN ................................................................................................................. 9
ZONA DE PLATFORMING........................................................................................................... 10
2.3. EQUIPOS .............................................................................................................. 12
2.3.1.
2.3.2.
2.3.3.
2.3.4.
COLUMNAS .............................................................................................................................. 12
REACTORES .............................................................................................................................. 18
HORNOS ................................................................................................................................... 19
COMPRESORES ......................................................................................................................... 21
CAPITULO 3.APLICACIÓN DE LA METODOLOGÍA...…………….23
3.1. ¿EN QUÉ SE BASA? ........................................................................................... 23
3.2. PASOS A SEGUIR PARA LA IMPLANTACIÓN ........................................... 23
3.3. FASES DE LA METODOLOGÍA ...................................................................... 25
3.3.1.
3.3.2.
3.3.3.
3.3.4.
3.3.5.
DEFINIR .................................................................................................................................... 25
MEDIR ...................................................................................................................................... 25
ANALIZAR ................................................................................................................................ 26
MEJORAR ................................................................................................................................. 26
CONTROLAR ............................................................................................................................. 26
3.4. USO DE LAS HERRAMIENTAS ESTADÍSTICAS ........................................ 27
3.4.1.
3.4.2.
3.4.3.
3.4.4.
3.4.5.
PROCESS MAP .......................................................................................................................... 27
MATRIZ C&E (MATRIZ CAUSA – EFECTO) .............................................................................. 28
GRÁFICOS DE MATRIZ .............................................................................................................. 30
GRÁFICOS DE DISPERSIÓN ........................................................................................................ 31
ANÁLISIS MULTIVARIABLE ....................................................................................................... 32
CAPITULO 4. RESULTADOS...………………………………………………39
4.1. DEFINIR ............................................................................................................... 39
4.1.1.
4.1.2.
INFORMACIÓN DEL PROCESO.................................................................................................... 39
INFORMACIÓN DE LAS VARIABLES DEL PROCESO...................................................................... 40
4.2. MEDIR .................................................................................................................. 47
4.3. ANALIZAR ........................................................................................................... 54
4.3.1.
4.3.2.
¿CUÁL ES EL DATO? ................................................................................................................. 55
¿CUÁLES SON LAS VARIABLES A ANALIZAR? ............................................................................ 55
2
CAPITULO 5. ANÁLISIS DE RESULTADOS……………………………64
5.1. INTRODUCCIÓN ................................................................................................ 64
5.2. ANÁLISIS DEL PROCEDIMIENTO ................................................................ 64
5.2.1.
5.2.2.
5.2.3.
5.2.4.
5.2.5.
DEFINICIÓN .............................................................................................................................. 64
MEDIDA ................................................................................................................................... 64
ANÁLISIS .................................................................................................................................. 66
MEJORA ................................................................................................................................... 80
CONTROL ................................................................................................................................. 80
CAPITULO 6. OPTIMIZACIÓN DE COLUMNAS........................……..81
6.1. INTRODUCCIÓN ................................................................................................ 81
6.2. METODOLOGÍA................................................................................................. 81
6.3. RESULTADOS ..................................................................................................... 82
6.3.1.
6.3.2.
6.3.3.
6.3.4.
OPTIMIZACIÓN DE LA DESBUTANIZADORA ............................................................................... 82
FILTRADO POR TIPO DE NAFTAS................................................................................................ 82
DETERMINACIÓN DE LOS RANGOS DE VARIACIÓN DE RR Y P ................................................... 83
APLICACIÓN DE SOLVER ........................................................................................................ 83
6.4. DETERMINACIÓN DEL AHORRO................................................................. 84
6.4.1.
6.4.2.
OPTIMIZACIÓN DESDE EL PUNTO DE VISTA CONSERVADOR ....................................................... 85
OPTIMIZACIÓN MENOS CONSERVADORA DE LA COLUMNA ......................................................... 85
CAPITULO 7. CONCLUSIONES………………………………….................87
7.1. INTRODUCCIÓN ................................................................................................ 87
7.2. CUMPLIMIENTO DE LOS OBJETIVOS ........................................................ 87
7.2.1.
7.2.2.
7.2.3.
OBTENCIÓN DE LOS MODELOS .................................................................................................. 88
DETERMINACIÓN DE LAS VARIABLES MÁS INFLUYENTES DEL PROCESO ................................... 88
OPTIMIZACIÓN DE LA DESBUTANIZADORA............................................................................... 88
7.3. VALORACIÓN FINAL ....................................................................................... 88
CAPITULO 8. REFERENCIAS…………………….…………………...….…90
CAPITULO 9. ANEXOS.......................................................................................91
3
CAPÍTULO 1. INTRODUCCIÓN
El presente proyecto tiene como fin modelar y optimizar las columnas de
destilación de una planta de refinado de naftas.
Se apuesta, para ello, por implantar una metodología basada en Six Sigma,
con la que se tratará de satisfacer las exigencias del cliente, haciendo un
manejo eficiente de los datos y herramientas estadísticas que permitan
eliminar la variabilidad en el proceso, alcanzando el menor número de
defectos posibles en la operación.
1.1. ESTADO DEL ARTE
La historia de Six Sigma se inicia en Motorola cuando el ingeniero Mikel
Harry comienza a influenciar en la organización para que se estudie y
reduzca la variación en los procesos como una manera de mejorar los
mismos, tratando de lograr lo que Crosby ya planteaba, la teoría del cero
defectos. Esta iniciativa se convirtió en el punto principal del esfuerzo para
mejorar la calidad en Motorola, logrando llamar la atención del presidente
de esta compañía, Bob Galvin. Harry sería posteriormente el fundador de la
Six Sigma Academy.
Contando con el apoyo del presidente de la compañía, se dio énfasis no sólo
al análisis de la variación de los procesos sino también a una mejora
continua, estableciendo como meta obtener 3,4 defectos por millón de
oportunidades en los procesos, algo casi cercano a la perfección del cero
defectos.
Esta iniciativa de Motorola llegó a conocimientos de Lawrence Bossidy,
quién en 1991 y tras una exitosa carrera en General Electric, toma las
riendas de Allied Signal para transformar una empresa con problemas en
una organización exitosa.
Durante la implantación de Six Sigma en los años 90 (con el liderazgo de
Bossidy), Allied Signal aumentó sus ventas y sus ganancias de manera
significativa. Texas Instruments, siguió el mismo ejemplo, logrando
resultados similares.
Durante el verano de 1995 el presidente de General Electric, Jack Welch, se
entera del éxito de esta nueva estrategia por parte del mismo Lawrece
Bossidy, dando lugar a la mayor transformación iniciada en esta enorme
organización.
El respaldo y el liderazgo de Jack Welch transformaron a General Electric en
una “organización Six Sigma”, con resultados impactantes en todas sus
divisiones.
4
Algunos ejemplos de aplicaciones en diferentes ámbitos del sector, fueron:
-
GE Medical Systems, que en el 1998 lanzó un scanner para
diagnóstico médico con un tiempo de scan de sólo 17 segundos frente
a 180 segundos de tiempo de procesado normal.
-
GE Plastics, la cual mejoró altamente uno de los procesos para
incrementar su producción en 500 mil toneladas, obteniendo un
beneficio mayor.
A la vista del éxito alcanzado tras la implantación de esta metodología,
varias fueron las empresas que consideraron Six Sigma como una cultura
de calidad necesaria en la empresa, tomando la decisión acertada de aplicar
dicha metodología como forma de trabajo:
1986:
MOTOROLA
Recientemente:
1988:
Texas
Instruments
1990:
IBM
1993:
1994:
Asea
Brown
Boveri
Allied
Signal/
Kodak
1995:
General
Electric
1996/98:
Invensys &
Polaroid
•Ford
•DuPont
•Dow Chemical
•Microsoft
•American
Express
Fig.1. Evolución de la aplicación de Six Sigma
En la actualidad, el empuje de dicho método viene infundado por
asociaciones y empresas como ASQ (American Society for Quality) y Six
Sigma Academy, aplicándose en otros sectores en actual desarrollo como es
el sector energético. De esta forma, Six Sigma intenta incorporarse como
instrumento fundamental para la eficiencia energética en la industria con
éxitos probados en varios proyectos de energía. Estos resultados se
muestran en las siguientes tablas:
5
MEJORAS EN SISTEMAS DE COMPRESIÓN DE AIRE
Planteamiento del problema
La demanda de aire comprimido en una
planta es variable en función de la
producción en la misma. Se diponían de
seis compresores para mantener la
presión de operación, pero resultaron
insuficientes en el crecimiento de la
cantidad de producto demandado. Por
ello, se contrató más capacidad de
compresión para el mantenimiento de
las condiciones de operación, siendo
necesaria igualmente la reducción en la
producción, al ser la demanda superior
a la capacidad contratada para el
mantenimiento de las condiciones.
Objetivo
Reducir el aire demandado en la planta
en un 10%.
Medidas
Cantidad total de aire comprimido
generada por los seis compresores
instalados en la planta.
Resultados
140.000$/año de ingresos recurrentes
Tabla 1. Resultados Six Sigma en sistemas de compresión
MEJORAS EN INTERCAMBIADORES DE CALOR
Planteamiento del problema
190 millones libras de vapor al año a un
coste variable de 663.000$
es
necesario para calentar una superficie
de filtración de agua de lavado. El vapor
caliente
condensado
del
proceso de micronización se recicla a un
tanque de cabeza y reduciéndose el
vapor requerido para la calefacción.
Objetivo
Reducir la cantidad de vapor necesaria
para calentar el agua de lavado.
Medidas
Flujo de vapor necesario en sistema de
agua de lavado.
Resultados
577.000 $/año de ahorro de energía.
Tabla 2. Resultados Six Sigma en intercambiadores de calor
6
REDUCCIÓN DE LA PRESIÓN EN CABEZA EN UNA TORRE DE
REFRIGERACIÓN
Planteamiento del problema
Aumento en un 10% en la presión de
cabeza de la torre de refrigeración,
aumentándose de esta forma
el
consumo en la potencia de la bomba.
Objetivo
Reducir la presión de cabeza de 68 psig
a 62 psig.
Medidas
Medida de la presión en cabeza de la
torre.
Resultados
133.000 $/año de ahorro de energía
eléctrica.
Tabla 3. Resultados Six Sigma en cabeza de torre de refrigeración
MEJORAS EN CALDERAS CON SOPLADORES DE HOLLÍN
La generación de hollín en las calderas
hace necesario el uso de sopladores de
hollín cada cierto tiempo.
Planteamiento del problema
Esto produce la reducción en un 2% en
la eficiencia de la caldera, traduciéndose
en aumentos de la temperatura de
operación
y
en
incrementos
de
40.000$/año
en
el
coste
del
combustible.
Objetivo
Disminuir el efecto en la eficiencia en un
1,2%, disminuyendo la temperatura de
operación.
Medidas
Medidas
en
la
temperatura
de
chimenea, correlacionándolo con el flujo
de vapor.
Resultados
26.000$/año en ahorro de combustible.
Tabla 4. Resultados Six Sigma en hornos
7
Visto el éxito de Six Sigma en el ámbito de la eficiencia energética, la ETN
(DuPont‟s Energy Technology Network) ha creado un „Virtual Workshops‟,
una especie de comunidad de la energía, en la cual, se muestran los éxitos
de la aplicación de esta metodología en diversos proyectos energéticos.
Conclusión
La innovación en el desarrollo de este proyecto está presente de forma
continúa. La evolución de esta metodología en ámbitos energéticos se hace
necesaria a la vista de los resultados que de su aplicación se deriva.
Es por ello, el enfrentarnos ante un reto nunca antes probado: La aplicación
de una metodología basada en Six Sigma en una planta de refino, con el fin
de modelar y optimizar las columnas de destilación instaladas en la zona de
Platforming.
8
CAPITULO 2. DESCRIPCIÓN DE LA UNIDAD
2.1 OBJETIVO DE LA PLANTA
La planta de Reformado de naftas tiene como objeto la obtención de
aromáticos (bencenos y toluenos) a partir de naftas de petróleo, para
aumentar el octanaje de las gasolinas consiguiendo, con ello, una mejor
calidad del producto base de la refinería.
2.2 PROCESO
La planta consta de tres zonas: una unidad de pre-fraccionamiento de
naftas, una unidad de Hydrobon y una unidad de Platforming, en la cual
tienen lugar las reacciones de refino de la nafta previamente acondicionada
en las unidades anteriores.
Fig.2.Esquema general de planta
La nafta, también conocida como éter de petróleo, es un derivado del
petróleo extraído por destilación directa utilizado principalmente como
materia prima de la industria petroquímica ("nafta petroquímica" o "nafta
no energética") en la producción de alquenos, como etileno y propileno, así
como de otras fracciones líquidas, como benceno, tolueno y xilenos. Esta
nafta se divide en dos cortes en la unidad de pre-fraccionamiento, donde el
corte de pesados constituye la materia prima del resto del proceso.
Se denomina nafta ligera a la obtenida como corriente del producto de tope
a los 80°C - 100°C de temperatura final de destilación (punto final) y nafta
pesada a la obtenida como punto final de 150°C - 180°C; la nafta total es la
suma de ambas.
2.2.1.
Zona de pre-fraccionamiento de Aromax
La zona de pre-fraccionamiento, está compuesta por dos columnas de
destilación, Splitter I y Splitter II. Estas columnas tienen como finalidad
principal la separación por destilación de una fracción de nafta ligera, con
un contenido máximo de C8‟s de un 2,5 %, que sirve de alimento a la
unidad de Aromax, no contemplada dentro de los límites de este estudio, y
otra de nafta pesada que alimenta al Platforming de Petroquímica.
9
El control de presión de las columnas se hace por medio de un acumulador
con entrada de gas blanketing o de salida del mismo a antorcha en Splitter I
y con la propia corriente de destilado en el Splitter II.
La temperatura de cada uno de los Splitters es controlada por el reflujo
correspondiente a cada columna y el nivel de líquido en fondo a través de
un controlador de nivel dispuesto en cada una de ellas.
Los fondos de las columnas (nafta pesada) son dirigidos a la unidad de
Hydrobón.
Fig.3.Esquema de zona de pre-fraccionamiento
2.2.2.
Zona de Hydrobón
A la corriente procedente de la zona de pre-fraccionamiento hacia la zona
de Hydrobón, se le inyecta hidrógeno derivado del absorbedor de la zona de
Platforming, pasando, posteriormente, por un intercambiador hacia un
horno de cuatro pasos donde la corriente es precalentada antes de su paso
al reactor de Hydrobón. De este reactor la corriente sale libre de metales,
azufre, haluros y nitrógeno.
Las sales formadas en este proceso acompañan a la corriente hasta un
botellón en el que se depositan en una especie de filtro. Del botellón salen
tres corrientes: una de gases, que controla la presión en el sistema de
hydrobón, el producto, que va al stripper, y agua ácida, que sale por la
parte inferior del botellón y que parte de ella se destina al stripper de agua
ácida de combustible.
El producto procedente del stripper se enfría, pasando una gran parte del
mismo a la zona de Platforming (PP) y el resto se devuelve nuevamente al
stripper. La corriente de cabeza de esta columna se devuelve en su
totalidad al equipo, actuando nuevamente un acumulador como regulador
de la presión.
10
Fig.4. Esquema de zona de Hydrobón
2.2.3.
Zona de Platforming
La carga procedente del fondo del stripper, libre de metales, N2, SH2,… se
introduce en el Packinof (equipo constituido por una serie de
intercambiadores) y, desde aquí, en un intercambiador en el cual se une
con un gas de reciclo procedente de un separador situado aguas abajo de la
zona de reacción. Mezclados, van al horno de Platforming, de tres pasos,
donde se precalienta la corriente de alimentación de cada uno de los
reactores que constituyen dicha zona.
La corriente que sale de la zona de reacción de Platforming, atraviesa una
serie de intercambiadores, condensando parcialmente e introduciéndose
seguidamente en el separador mencionado con anterioridad, donde se
separa en una corriente gaseosa y en una corriente líquida. Esta última
pasa a una desbutanizadora, dirigiéndose la corriente de gas a la zona de
absorción.
En la zona de Platforming cabe destacar una serie de sub-zonas:

Zona de compresores y absorbedores
El gas procedente del separador se enfría y pasa a un decantador, en el cual
el gas, impulsado por un compresor, pasa por un enfriador hacia un
absorbedor. En éste, se mezcla con una corriente de naftas pobres
procedente del fondo de la desbutanizadora con objeto de captar los
hidrocarburos pesados contenidos en el gas y que no se han separado
hasta el momento. La corriente de fondo pasa a la desbutanizadora
calentándose previamente.
El efluente gaseoso que sale por la cabeza del absorbedor es rico en H2,
distribuyéndose a lo largo de la planta o destinándose a ventas.
11

Sección de fraccionamiento
En esta sección tiene lugar la separación de diversos cortes de la nafta
unifinada, es decir, la nafta que ha sido debidamente acondicionada para
llevar a cabo los diferentes procesos de separación. Esta zona está formada
principalmente por tres columnas de destilación: desbutanizadora,
desbenzanizadora y despentanizadora, cada una con finalidades diferentes:
Desbutanizadora
Su objetivo es separar de la corriente de nafta unifinada, los C4 (butanos),
como corriente de cabeza.
La corriente procedente del absorbedor de la zona de reacción de
Platforming, junto con el fondo del separador de la misma zona, se
precalientan para servir de carga a esta columna, donde el destilado
constituye una corriente de hidrocarburos ligeros (C1- C4) y el fondo una
corriente de hidrocarburos pesados ( Cortes > C4).
Casi la totalidad de los hidrocarburos pesados se destinan a la
desbenzanizadora, siendo una pequeña cantidad de los mismos enviada a
un absorbedor. El destilado o corriente de cabeza de la columna puede
retornar a la columna o ir directamente a consumo de refinería para
gasolinas.
Desbencenizadora
En este equipo se obtiene una corriente de aromáticos libre de
hidrocarburos pesados como efluente de cabeza, partiendo de una
alimentación correspondiente a la corriente de fondo de la Desbutanizadora,
columna anterior a ésta. Dicha corriente libre de pesados, se envía a la
despentanizadora. El fondo de la desbenzanizadora se almacena y parte se
recircula por termosifón a la columna.
Despentanizadora
A partir de la corriente procedente de la cabeza de la desbenzanizadora,
esta columna tiene como objetivo, la obtención de una corriente libre de
bencenos por cabeza, es decir, una corriente de hidrocarburos con número
de carbonos inferiores a C6, y la producción de una corriente rica en
bencenos y toluenos por fondo.
La corriente de cabeza rica en pentanos, C5, se almacenará en esferas
destinándose a la formulación de gasolinas. El fondo, rico en benceno y
toluenos, se enviará a la unidad de Morphylane (unidad de
acondicionamiento de aromáticos).
12
Fig.5. Esquema zona Platforming
2.3. EQUIPOS
En esta sección se describirán a nivel tanto geométrico como funcional, los
equipos más importantes de la planta.
2.3.1.

Columnas
Splitter I
CARACTERÍSTICAS
ALTURA (m)
27.5
DIÁMETRO (m)
1.6
Nº DE PLATOS
38
CAPACIDAD (m3)
54.5
Tabla 5. Características Splitter I
Por la cabeza de la torre se efectúa una extracción que está constituida por
nafta ligera. Esta se envía, junto a la extracción de cabeza del Splitter II, al
tanque de alimentación de los Unifining y, una vez desulfurada, a un tanque
que proporcionará una carga a Aromax. En esta línea de cabeza se lleva a
13
cabo el control de presión de la torre enviando gases a la antorcha o bien
metiéndolos desde el sistema de gas blanketing.
La entrada de reflujo a la torre se efectúa en el primer plato, controlándose
la temperatura en el plato con un controlador de flujo.
Del fondo de la torre sale una línea que se bifurca en dos, una que va al
reboiler de la columna, donde se controla la temperatura de fondo de la
torre en cascada con el control de vapor de media, y otra que, bajo control
de nivel, se une a la salida de fondo del Splitter II constituyendo ambas la
carga a Hydrobón.

Splitter II
CARACTERÍSTICAS
ALTURA (m)
23
DIÁMETRO (m)
1.5
Nº DE PLATOS
30
CAPACIDAD (m3)
43
Tabla 6. Características Splitter II
Esta torre se utiliza para mejorar la calidad de la carga que sale por cabeza
y está constituida por la fracción más ligera de los aromáticos pesados. Esta
extracción se enfría con agua antes de llegar al acumulador.
La presión se controla en cabeza mediante una toma en la línea de salida
de cabeza de la torre y que actúa sobre una válvula situada después del
enfriador y anterior al acumulador. Igualmente, hay una línea que sale
directamente a antorcha.
Del fondo del acumulador y mediante bombas, se envía bajo control de
nivel, hacia un tanque de almacenamiento junto con la corriente de cabeza
del Splitter I, previamente enfriado en un aéreo-refrigerador y en uno de
agua. Antes, de la impulsión de las bombas, sale una línea que constituye el
reflujo a la torre cuya temperatura de cabeza es controlada mediante el
caudal de reflujo a la misma.
La extracción de fondo, constituida por nafta pesada, se envía junto con la
del Splitter I, como carga a Hydrobón mediante una serie de bombas.
Ambas corrientes son enfriadas cediendo calor en una serie de
intercambiadores y, posteriormente, en un refrigerador de agua.
14

Stripper:
CARACTERÍSTICAS
ZONA 1
ALTURA (m)
ZONA 2
17.6
DIÁMETRO (m)
1.5
0.8
Nº DE PLATOS
14
6
CAPACIDAD (m3)
23.8
Tabla 7. Características Stripper
La columna separa por cabeza los ligeros, junto con SH2 y la posible agua
que pudiera llevar la nafta, y por el fondo la nafta unifinada que va de carga
a Platforming.
La salida de gases por cabeza tiene lugar por una línea a la que llega la
inyección de un inhibidor.
La salida de fondo se bifurca en dos:
1. Una que es impulsada por bombas hacia el horno reboiler de la propia
columna, para retornar a la torre por debajo de la zona de platos.
2. Otra que es impulsada como carga a Platforming, cediendo
previamente calor a la carga al Stripper que entra por un distribuidor
en el plato 7.
El control de presión de la columna es semejante al de las columnas
anteriores.
15

Absorbedor:
CARACTERÍSTICAS
ALTURA (m)
13.8
DIÁMETRO (m)
1
Nº DE PLATOS
25
CAPACIDAD (m3)
10
Tabla 8. Características Absorbedor
La función de esta torre es purificar un gas rico en H2 mediante una nafta
en contracorriente que retiene los hidrocarburos más pesados que lleve el
gas. Este gas procede del separador situado en la zona de reacción de
Platforming y hace su entrada en el equipo por un distribuidor situado en el
plato 20. La nafta pobre lo hace por el plato 1.

Desbutanizadora:
CARACTERÍSTICAS
ZONA 1
ALTURA (m)
ZONA 2
26.7
DIÁMETRO (m)
1.5
2.2
Nº DE PLATOS
18
18
CAPACIDAD (m3)
75.3
Tabla 9. Características desbutanizadora
Los 18 platos de la zona superior son con bajantes en los extremos en
posiciones alternativas. Los otros 18 de la zona inferior son con bajantes en
centro y extremo alternativamente, con el consiguiente flujo de líquido
cruzado entre ellos.
16
Por cabeza sale una corriente de hidrocarburos ligeros. Es en esta línea
donde se encuentra la toma de presión que la mantiene en la torre.
Algo más abajo, en el plato 1 y sobre un distribuidor, entra la línea de
reflujo. La carga se introduce en el plato 19, saliendo por el fondo una línea
que se bifurca en tres:
1. Una que fluye hacia el horno reboiler de la propia columna para volver
caliente a la torre por debajo del plato 36.
2. Otra que constituye el flujo de nafta pobre al absorbedor.
3. Otra que constituye la línea de producto.

Desbencenizadora:
CARACTERÍSTICAS
ALTURA (m)
23.9
DIÁMETRO (m)
1.6
Nº DE PLATOS
42
CAPACIDAD (m3)
47.9
Tabla 10. Características desbencenizadora
Por la cabeza de la columna se realiza la extracción de pentanos y en esa
línea está la toma de control de la presión de la torre, enviando gases a la
antorcha o bien metiéndolos desde el sistema de gas blanketing.
Algo más abajo de la línea de salida de cabeza está la entrada de reflujo,
que lo hace concretamente por encima del plato 1, mediante difusor. La
temperatura de cabeza está controlada con el caudal de reflujo a la
columna.
Entre los platos 21 y 22, también con difusor, está la entrada de la línea
carga de la torre.
17
Por el fondo sale una línea que se bifurca en dos:
1. Una que constituye la salida de fondo hacia un tanque de
almacenamiento.
2. Otra que va al reboiler dónde se controla la temperatura de fondo de
la torre mediante control en cascada con el vapor de media.

Despentanizadora:
CARACTERÍSTICAS
ALTURA (m)
28.8
DIÁMETRO (m)
1.25
Nº DE PLATOS
54
CAPACIDAD (m3)
34.4
Tabla 11. Características despentanizadora
Esta columna es reutilizada.
fraccionadora de benceno.
Originalmente
funcionaba
como
una
La carga entra, a través de un distribuidor, por la parte superior del plato
30. Posee una extracción de cabeza que va al acumulador, previamente
enfriada en los aerorefrigeradores del cual succionan una serie de bombas
que bajo control envían reflujo a la torre, entrando a través de un
distribuidor por encima del plato 1.
Los pentanos extraídos son enviados a tanques para su almacenamiento, al
igual que la extracción de fondo.
18
2.3.2.

Reactores
Reactor de Hydrobón:
CARACTERÍSTICAS
ALTURA (m)
5.75
DIÁMETRO (m)
1.84
PESO (Kg)
8670
CAPACIDAD (m3)
10
Tabla 12. Características Reactor de Hydrobón
Utiliza unos catalizadores de Co y Mo en base de Alúmina y otros dos tipos
utilizados en menor cantidad respecto a los primeros, los cuales
contribuirán a que tengan lugar las reacciones que eliminarán de la nafta
los compuestos de Azufre, Oxígeno, Nitrógeno y pequeñas porciones de
otros metales y contaminantes. El catalizador tiene forma de bolitas
esféricas, con un diámetro entre 1,1 y 1,5 mm, y está depositado sobre
unos lechos de bolas de cerámicas de 1/8”, 1/4” y 3/4”.

Reactores de Platforming:
Están fabricados con un acero de baja aleación de 1,25% de cromo y 0,5%
de Molibdeno. El fondo está recubierto por un lecho de ladrillos refractarios.
Características
Reactor 1
Reactor 2
Reactor 3
DIAMETRO (mm)
1.833
1.981
2.294
ALTURA (mm)
6.553
7.747
8.891
PESO (Kg)
23.810
28.575
40.950
ESPESOR ENVOLVENTE (mm)
62
60
67
Tabla 13. Características reactores de Platforming
19
Los tres reactores son de las mismas características. El flujo entra por
arriba y mediante el distribuidor y la tapa reflectora llega a los scalops, que
son unos semitubos perforados que están colocados alrededor de toda la
envolvente. Con ello, nos aseguramos que el flujo pasa por todo el lecho del
catalizador atravesándolo horizontalmente y entran en el llamado tubo
central que también está perforado y, por el cual, llega el flujo a la salida de
fondo.
El catalizador es de Platino y Renio en base de Alúmina. Tienen geometría
esférica de diámetros entre 1,1 y 1,5 mm.
En la parte baja dispone además de un tubo para descarga del catalizador.
En estos reactores tienen lugar las reacciones cuya finalidad fundamental es
elevar el contenido en aromáticos de la nafta unifinada y, como
consecuencia de ello, elevar el número de octano mediante un proceso de
reformado catalítico.
2.3.3.

Hornos
Horno de Hydrobón:
Es de tipo cilíndrico vertical, de tiro natural y dispone de 4 quemadores de
F.G. y 4 de F.O.
Los humos salen de la zona de convección por una chimenea que se une a
las salidas de humos de los hornos reboilers del stripper y de la
desbutanizadora, antes de salir a la atmósfera.
La temperatura de salida del horno se controla actuando sobre las
automáticas de F.G. o F.O, o de ambas a la vez, según el combustible que
se esté utilizando.
El horno dispone de unos disparos que cortan el combustible produciendo el
apagado del horno por las siguientes causas:
1. Muy baja presión a los mecheros de F.G.
2. Muy baja presión a los mecheros de F.O.
3. Muy baja presión de F.G a pilotos.
4. Muy baja presión caudal de H2 de aportación.
20

Horno reboiler del stripper:
Es de tipo cilíndrico vertical, que dispone de 3 quemadores de F.G y es de
tiro natural.
La temperatura se controla actuando sobre la automática del F.G.
Dispone de unos disparos que apagan el horno, cortando al F.G. a los
mecheros por:
1. Muy baja presión F.G. a mecheros.
2. Muy baja presión F.G. a pilotos.

Horno de Platforming:
Es el horno que prepara la carga a los reactores de Platforming para
obtener la temperatura necesaria en cada uno de ello.
Es un horno con tres hogares, uno para cada paso. El control de
temperatura en cada uno de ellos se lleva a cabo de forma semejante a los
hornos descritos con anterioridad.
Para optimizar los consumo de combustibles en el horno se ha montado un
sistema de precalentamiento de aire teniendo la opción de utilizarlo o no.
Igualmente, se dispone de sistemas de seguridad que producen la parada
del horno en caso de:
1. Muy baja presión F.O a mecheros.
2. Muy baja presión F.G a mecheros.
3. Muy baja presión F.G. a pilotos.
4. Muy bajo flujo de gas de reciclo.

Horno reboiler desbutanizadora:
Es un horno cilíndrico vertical de tiro natural y dispone de 4 quemadores de
F.G. La temperatura de salida está controlada a través del flujo de F.G.
Tiene un sistema de disparo que apaga el horno si:
1. Muy baja presión F.G a mecheros.
2. Muy baja presión F.G a pilotos.
21
2.3.4.

Compresores
Compresor de la zona de reacción:
Es un compresor multietapas que está
comprimir gases a alta presión. Es de tipo
conexiones de succión y descarga están
Consta de una parte fija (carcasa, cabeza,
móvil (eje, impulsores, equilibrador, etc.)
expresamente diseñado para
vertical y de acero forjado. Las
soldadas a la propia carcasa.
sello, cojinetes, etc.) y de otra
Este compresor centrífugo no requiere un mantenimiento periódico, pero si
una vigilancia constante sobre sus caracteres, tales como:
a. Temperatura del aceite de retorno de los cojinetes y sello.
b. La presión de aceite de entrada a los puntos de sellado y lubricación.
c. La presión diferencial en el circuito de sellado.
d. La cantidad de aceite que retorna de los sellos.
e. Las vibraciones.
En general, podemos decir que el compresor centrífugo tiene ventajas y
desventajas.
Las ventajas son:
a. Impulsan grandes volúmenes de gases.
b. Tienen un amplio rango de operación.
c. Tienen una baja interrupción para el mantenimiento.
d. Pueden ser movidos por motor o turbina.
e. Tienen un flujo suave y sin pulsaciones.
Las desventajas son:
a. Gran sensibilidad al peso molecular del gas impulsado.
b. Velocidades muy altas para conseguir presiones altas de impulsión.
c. Complicados sistemas de sello y lubes.
22
Este compresor succiona del separador, situado en la misma zona de
reacción, los gases procedentes de las reacciones que tienen lugar en los
diferentes reactores de la zona y lo impulsa como gas de reciclo a
Platforming. El resto va, impulsado por un segundo compresor, al
consumidor.

Compresor de la zona de absorción:
Es un compresor alternativo de doble acción, en el que la compresión del
gas se efectúa en ambos extremos del cilindro mediante el movimiento de
un émbolo.
Las válvulas de aspiración y descarga se abren o se cierran por efecto de la
diferencia de presión entre el interior y el exterior del cilindro. Según la
presión neumática que se mande hacia la válvula ésta actuará de 0 a 100
%, según convenga. En la aspiración y en la descarga se sitúan pulmones
amortiguadores
para mantener constante tanto la presión como la
velocidad del gas.
Este compresor se utiliza para elevar la presión del gas a Hydrobon y poder
trabajar así en Platforming a menos presión, tomando el gas de la impulsión
del compresor anterior y elevando su presión tanto como, en la zona de
Hydrobón, sea necesario.
23
CAPITULO 3. APLICACIÓN DE LA METODOLOGÍA
3.1.
¿EN QUÉ SE BASA?
La metodología aplicada en este proyecto se basa en Six-Sigma,
procedimiento que se ha convertido en una disciplina adoptada por gran
variedad de industrias. Está concebida como una metodología soportada por
un gran número de poderosas herramientas estadísticas que hacen posible
reducir la variación en un proceso para poder llevar acabo mejoras en el
mismo.
Puede considerarse un "remake" de métodos tradicionales: métodos de
resolución de problemas, las siete herramientas de la calidad, Q.F.D
(despliegue de la „función de calidad‟), control estadístico de procesos
S.P.C/CEP, estudios de capacidad, métodos estadísticos más o menos
complejos, equipos de mejora o círculos de calidad y la aplicación del ciclo
de mejora continua.
Es semejante al P.D.C.A (Plan, Do, Check, Act) sólo que se interrelacionan
dichos métodos y se aplica ya no sólo a un área de la empresa (como
tradicionalmente podía ser producción) sino a toda en su conjunto,
priorizando las actuaciones sobre aquellos procesos clave que aporten valor
añadido al cliente.
En el desarrollo de esta metodología no sólo se pretende alcanzar un
servicio o producto final “sin errores”, sino lograr una optimización de todos
los procesos que permitan obtener un producto o servicio rentable y de
calidad, eliminando las operaciones ineficientes dentro de la empresa.
3.2.
PASOS A SEGUIR PARA LA IMPLANTACIÓN
Para resolver un problema, la metodología adoptada debe ser capaz de
contemplar todas las posibles causas que puedan ocasionar el problema en
cuestión. Si la metodología utilizada para solventar el problema no cumple
estos requisitos, los resultados obtenidos no serán los correctos y el
problema volverá a surgir tarde o temprano. En la figura 6, se muestra el
diagrama de flujo de la metodología adoptada.
En esta metodología intervienen tanto el propio proceso como una serie de
herramientas de mejora (Lista de chequeo, diagrama de Pareto, Matriz
causa-efecto, histogramas, gráficos de dispersión, gráficos de control,…) y
el factor humano, actuando esto último como herramientas de calidad
(técnicas estadísticas, contrastes de hipótesis,…).
24
Fig.6. Diagrama de flujo de la metodología
La implantación de la metodología comienza desarrollando su propio
lenguaje DMAIC, es decir, dividiendo el problema en fases correspondientes
a las diferentes etapas del proyecto.
25
3.3.
FASES DE LA METODOLOGÍA
No existe un camino único para la aplicación de las diferentes fases pero,
para desarrollar lo que se denomina un D.F.S.S (Design For Six Sigma), se
seguirá el siguiente esquema:
Analizar
Mejorar
Controlar
Medir
Definir
Fig.7. Fases de la metodología
3.3.1.
Definir
En esta primera fase se identificarán los procesos críticos y se actuarán
sobre ellos, para ahorrar esfuerzos y costes.
Es fundamental el tener muy claro los requisitos del cliente, definiéndose las
funciones de calidades pertinentes (Q.F.D).
Se elaborará un SIPOC (Supplier, Input, Process, Output, Customer) para
facilitar la comprensión del problema y determinar el alcance del proyecto.
3.3.2.
Medir
Se establecerá sobre cada proceso sus características claves, parámetros
críticos de cara al cliente, etc., es decir, se determinarán los factores que
tienen más influencia en el resultado final, observando las variables del
proceso y la influencia sobre éste.
Se recurrirá a herramientas estadísticas tales como Process Maps, matriz
causa-efecto, diagrama de Pareto,….
26
3.3.3.
Analizar
Se analizarán los datos de manera conveniente para, posteriormente,
aplicar las técnicas estadísticas y de mejora correspondientes (gráficos de
matriz, gráficos de dispersión, análisis multivariable,…).
3.3.4.
Mejorar
Con esta fase se pretende llevar acabo la mejora del proceso en base a los
resultados obtenidos. Para ello, se podría buscar nuevas formas de proceder
o nuevos enfoques, redefinir de nuevo el proceso, informatizar el mismo,
utilizar métodos estadísticos, técnicas de simulación, etc…, que permitan
comprobar la mejoras realizadas con respecto a la forma de actuación
anterior.
3.3.5.
Controlar
No es más que habilitar los controles y chequeos necesarios que permitan
comprobar y mantener los resultados conseguidos.
Definir
Medir
•Definir el proceso
•Conocer requisitos del cliente (Q.F.D)
•Identificar procesos críticos
•Establecer características claves de cada
proceso
•Establecer parámetros críticos de cara al
cliente (factores con mayor influencia en el
resultado final)
•Medirlos, cuantificarlos
Analizar
•Analizar los datos disponibles
•Aplicar técnicas estadísticas y de mejora
correspondientes
Mejorar
•Mejorar el proceso a partir de los resultados
obtenidos (Técnicas de simulación)
Controlar
•Mantener los resultados obtenido
Fig.8. Desarrollo del DMAIC
27
3.4.
USO DE LAS HERRAMIENTAS ESTADÍSTICAS
Cada una de las fases anteriores se desarrolla en base a una serie de
herramientas estadísticas que permiten la reducción progresiva de las
variables consideradas como influyentes al comienzo del estudio del
proceso.
Medida
•Process Map
•Matriz C&E
Análisis
•Gráficos de Matriz
•Gráficos de dispersión
•Análisis multivariable
Mejora
•Gráficos de control
•Regresión
Control
•Control de plantas
Todas las X‟s
Variables de
influencia claves
VIC‟s
Fig.9. Evolución de variables en la metodología
3.4.1.
Process Map
Para la realización del mapeado del proceso, se seguirán los siguientes
pasos:
a.
Se determinarán los inputs (X‟s) y los outputs (Y‟s) del proceso,
siendo estos últimos los requerimientos del cliente o aquellas
variables cuyo mantenimiento sean fundamentales para un correcto
funcionamiento del mismo. Se considerarán los inputs como aquellas
variables que influyen en el proceso.
b.
Se dividirá el proceso en tantos “escalones” como sean posibles,
quedando definido el problema cómo varias cajas negras.
c.
Se listarán las variables de salida de cada “escalón” considerado.
d.
De igual forma, se procederá con las variables de entrada en cada
bloque, especificando si son controladas o incontroladas en el
proceso.
28
e.
Se añadirán las especificaciones disponibles
variables de entrada al mismo.
3.4.2.
del proceso a las
Matriz C&E (Matriz Causa – Efecto)
En ella aparecerán todas los inputs y outputs considerados en el apartado
anterior, marcando una relación entre ellos cuyo nivel de influencia se
cuantifica con la asignación de un número. A continuación, se mostrará de
forma gráfica los pasos secuenciales a seguir para la construcción de esta
matriz:
29
Fig.10. Elaboración de matriz C&E
El criterio a seguir para la asignación de valores que permitan estimar el
orden de magnitud de influencia de los inputs respecto de los outputs, es el
indicado en la siguiente tabla:
Niveles de influencia
Nivel de significancia
0
No influye
1
Influencia relativa
3
Efectos moderados sobre los requerimientos del
cliente
9
Fuerte influencia sobre las variables de salida
Tabla 14. Criterio de evaluación de influencia de INPUTS
30
Asignados los valores se puede estimar la importancia de la variable sobre
el proceso procediendo como se muestra:
Fig.11. Elaboración de matriz C&E
Las variables con valores correspondientes a la última columna de la matriz,
son las que representan mayor influencia sobre las variables objetivo
consideradas en el proceso.
La elaboración, a partir de la matriz anterior, de un diagrama de Pareto,
hace posible una identificación gráfica, a la vez que rápida, de aquellas
variables con más influencia. Esto llevará a reducir las variables
consideradas en el análisis inicial del proceso.
3.4.3.
Gráficos de matriz
Este tipo de gráficos es útil cuando se pretende evaluar la relación existente
entre varios pares de variables al mismo tiempo.
No son más que la combinación de varios gráficos de dispersión
individuales. También son denominados matriz de gráficos y muestran una
gráfica de cada combinación de variables posibles.
En los gráficos de matriz los extremos inferiores izquierdos son imágenes
especulares de los gráficos de la parte superior derecha. A continuación, se
muestra un ejemplo de este tipo de diagramas:
31
Gráfica de matriz de variables de temperaturas
510 516 522
420
450
480
480
490
500
10
15
20
536
528
Tentrada PP_V5 (ºC)
520
522
516
Tentrada PP_V6 (ºC)
510
516
510
Tentrada PP_V7 (ºC)
504
480
450
T salida PP_V5 (ºC)
420
500
490
T salida PP_V6 (ºC)
480
500
490
T salida PP_V7 (ºC)
480
40
30
T DELTA PP_V6
20
20
15
T DELTA PP_V7
10
100
T DELTA PP_V5
75
50
520
528
536
504 510
516
480 490
500
20
30
40
50
75
100
Fig.12. Gráfico de Matiz de variables de temperatura
Del gráfico anterior puede desprenderse información acerca del grado de
dependencias y tipo de relación entre variables: lineal, cuadrática,…
Igualmente permite excluir, de un futuro modelo, aquellas variables que
claramente no muestran relación alguna con la variable que se quiere
modelar.
3.4.4.
Gráficos de dispersión
Los gráficos de dispersión son utilizados para representar la relación
existente entre dos variables ó graficar una variable en el tiempo.
Gráfica de dispersión de KPI desbence vs. KPI)consumo desbence
KPI relativa_desbence
0,40
0,35
0,30
0,25
0,20
40
50
60
70
80
KPI)consumo desbence
90
100
Fig.13. Gráfico de dispersión de KPI’s desbencenizadora
110
32
Se puede determinar visualmente si la relación es lineal o curva, o
simplemente si no existe relación entre variables, como es el caso. En el
gráfico anterior cabe deducir que la KPI) consumo de la columna en
cuestión no es un buen predictor de la KPI del mismo equipo.
3.4.5.
Análisis multivariable
Como análisis multivariable se entenderá al proceso de análisis de todas las
variables procedentes de la fase de medida (variables influyentes) utilizando
la regresión paso a paso o Stepwise. Es una manera cuantitativa de verificar
la relación existente entre variables que con los gráficos de matriz
visualmente se intuyeron.
La regresión paso a paso es un procedimiento que elimina y agrega
variables al modelo de regresión, con el propósito de identificar un
subconjunto útil de los predictores o variables independientes. Es decir,
tiene como fin último buscar, de entre todas las posibles variables
explicativas, aquellas que más y mejor expliquen a la variable dependiente
sin que ninguna de ellas sea combinación lineal de las restantes.
Este procedimiento implica que:
a. En cada paso sólo se introduzcan aquellas variables que cumple unos
criterios de entrada.
b. Una vez introducidas, en cada paso, se valora si alguna de las
variables cumplen criterios de salida.
c. En cada paso se estudia la bondad del ajuste de los datos al modelo
de regresión lineal y se calculan los parámetros del modelo,
verificado en dicho paso.

Verificación de los criterios de probabilidad de entrada
El p-valor asociado al estadístico T, o probabilidad de entrada, indica si la
información proporcionada por cada una de las variables es redundante. Si
este valor p es menor que un determinado valor crítico, la variable será
seleccionada.
El criterio de tolerancia puede ser aplicado como un criterio adicional a la
probabilidad de entrada. Esta aplicación ayuda a identificar si alguna de las
variables del modelo es una combinación lineal de las restantes. Si dicho
valor es próximo a 0, la variable analizada será una combinación lineal de
las restantes variables independientes introducidas. Si el valor de la
tolerancia se aproxima a 1 se puede reducir la parte de la variabilidad de Y
no explicada por las restantes. En síntesis, si la tolerancia para una variable
es muy pequeña se excluirá del modelo.
33

Verificación del criterio de probabilidad de salida
Si el p-valor asociado al estadístico T, o probabilidad de salida, es mayor
que un determinado valor crítico, la variable será eliminada. Nótese que si
se desea que la variable no pueda entrar y salir de la ecuación en dos
pasos consecutivos, el valor crítico de la probabilidad de salida debe ser
mayor que el de la probabilidad de entrada.

Gráficos de control
Los gráficos de control de valores individuales, como su propio nombre
indica, son gráficos donde se muestran las observaciones individuales de
las variables que en ellos se representan.
Estos gráficos suelen utilizarse para rastrear el nivel del proceso y detectar
la presencia de causas especiales. Se hará uso de estos gráficos de control
cuando se pretenda conocer la estabilidad del proceso en el tiempo y
detectar la presencia de causas especiales, correspondientes a ocurrencias
poco comunes que no son parte normal del proceso.
En estos gráficos aparece:
-
Una línea central en el promedio de la estadística.
-
Un límite de control superior (LCS) en 3σ sobre la línea central.
-
Un límite de control inferior (LCI) en 3σ bajo la línea central.
A continuación, se muestra un gráfico de control de valores individuales
(fig.14) correspondiente a la variable que representa el consumo de vapor
de media en la despentanizadora de la zona de Platforming de la planta
sometida a estudio.
De la interpretación de la gráfica puede deducirse que la mayoría de los
valores están dentro de los límites de control salvando ciertos datos que se
salen del límite superior establecido. Estos valores podrían ser
consecuencias de posibles formas de operar no comunes en la planta.
Igualmente, se puede decir que, a partir de determinadas observaciones, el
consumo se mantiene prácticamente constante en el tiempo, detectándose
posibles anomalías en el propio proceso.
34
Gráfica de control de KPI)consumo despenta
120
111
1
Valor individual
110
100
1
1
90
1
22
80
UCL=84,56
_
X=72,05
70
2
22
2
2
60
1
6
11
16
22
22
2
2
2 222 22 222 22 222
LCL=59,55
2
21
26
31
Observación
36
41
46
Fig.14. Gráfico de control individual de KPI) consumo despentanizadora

Regresión Lineal Multivariable
Está basado en la generación de una ecuación para describir tanto la
relación estadística entre una o más variables independientes o predictoras
y la variable independiente o variable respuesta como para predecir nuevas
observaciones.
La regresión, generalmente, utiliza el método de mínimos cuadrados
ordinarios del cual se obtiene la ecuación al minimizar la suma de los
residuos cuadrados.
Los resultados de dicha regresión indican la dirección, el tamaño y la
significancia estadística de la relación entre una variable predictora y una
variable respuesta:
-
El signo de cada coeficiente indica la dirección de la relación.
-
Los coeficientes representan la variación de la media en la respuesta
para una unidad de cambio en el predictor manteniéndose constantes
el resto de variables predictoras del modelo.
-
El valor p de cada coeficiente, prueba la hipótesis nula de que el
coeficiente es igual a cero (no tiene efecto). Por lo tanto, los valores
de p bajos sugieren que el predictor sea una adición significativa a su
modelo.
-
La ecuación predice nuevas observaciones dados valores de variables
independientes específicas.
35
De esta regresión se obtienen los estadísticos de bondad de ajuste (R, R2,
R2 ajustado, R2 predicho, error estándar de la estimación, suma de
cuadrados de la predicción), el análisis de varianza y tanto el estadístico T
como el p valor. Estos parámetros se presentan normalmente en dos
tablas: Bondad del ajuste y análisis de la varianza.
Los principales elementos a considerar en el análisis de regresión múltiple
son:
-
Los coeficientes de correlación múltiple (R): oscilan entre 1
(fuerte asociación lineal positiva: a medida que aumenten los valores
de una variable aumentarán los de la otra) y –1 (fuerte asociación
lineal negativa: a medida que aumenten los valores de una variable
disminuyen los de la otra). Cuando los valores de este estadístico se
aproximen a 0 nos estará indicando que entre las dos variables no
existe asociación lineal y, en consecuencia, carece de sentido
determinar el modelo y/o ecuación de regresión lineal.
-
Coeficiente de Correlación Múltiple al Cuadrado o Coeficiente
de Determinación (R Square “R2”): mide la proporción
(porcentaje si lo multiplicamos por 100) de la variabilidad de la
variable dependiente explicada por las variables independientes que
en ese momento han sido admitidas en el modelo.
-
Coeficiente de Determinación Ajustado (Adjusted R Square): El
coeficiente de determinación ajustado evalúa de igual forma que R2
pero, en este caso, no queda influenciado por el número de variables
que se introduce.
-
Error estándar de la predicción: nos indica la parte de la variable
dependiente que dejamos por explicar. A medida que se incrementa
el coeficiente de determinación el error desciende.
-
Análisis de Varianza: permite valorar hasta qué punto es adecuado
el modelo de regresión lineal para estimar los valores de la variable
dependiente. La tabla de análisis de varianza se basa en que la
variabilidad total de la muestra puede descomponerse entre la
variabilidad explicada por la regresión y la variabilidad residual. La
tabla de ANOVA proporciona el estadístico F a partir del cual podemos
contrastar la hipótesis nula (H0) de que R2 es igual a 0, la pendiente
de la recta de regresión es igual a 0, o lo que es lo mismo, la
hipótesis de que las dos variables están incorrelacionadas. Si el p
valor asociado al estadístico F es menor que el nivel de significación
(normalmente 0.05), rechazaremos la hipótesis nula planteada. En el
caso de análisis de regresión múltiple la tabla del análisis de varianza
nos indica los p valores asociados al estadístico F en cada uno de los
modelos generados.
-
Análisis Residuales: los residuos son la estimación de los
verdaderos errores. En regresión lineal la distribución de la variable
formada por los residuos debe ser Normal, esto es, los residuos
36
observados y los esperados bajo hipótesis de distribución normal
deben ser parecidos. Además, los residuos deben ser independientes.
En consecuencia, el análisis de los residuos nos va a permitir no solo
profundizar en la relación que se produce entre las variables, sino
también, ponderar la bondad de ajuste de la regresión obtenida. Por
su parte, el estadístico de Durbin-Watson mide el grado de
autocorrelación entre el residuo correspondiente a cada observación y
el anterior (si los residuos son independientes, el valor observado en
una variable para un individuo no debe estar influenciado en ningún
sentido por los valores de esta variable observados en otro
individuo). Si el valor del estadístico es próximo a 2 los residuos
están in-correlacionados; si el valor del estadístico es menor que uno,
se debe prestar atención, al indicar este hecho que la regresión de
mínimos cuadrados no es aplicable para llevar acabo el ajuste del
modelo.
Una vez analizado el carácter e intensidad de la relación entre las variables,
se procede a estimar los parámetros de regresión lineal.
Los estadísticos asociados a la variable independiente que ha pasado a
formar parte del modelo de regresión son:
-
Coeficiente de regresión: Este coeficiente indica el número de
unidades que aumentará la variable dependiente por cada unidad que
aumente la variable independiente.
-
Constante: El valor de la constante coincide con el punto en el que
la recta de regresión corta el eje de ordenadas. En la ecuación de
predicción se mantiene constante para todos los individuos.
-
Valor T: El estadístico T nos permite comprobar si la regresión entre
una variable independiente y la dependiente es significativa. Si el p
valor asociado al estadístico T es mayor al nivel de significación
(normalmente 0.05) rechazaremos que la regresión sea significativa
para las dos variables relacionadas.
Del estudio de regresión lineal múltiple se arrojan una serie de gráficos que
permiten evaluar la validez del modelo. Éstos son:
-
Histogramas de residuos: es una herramienta exploratoria que
muestra las características generales de los datos incluyendo valores
típicos, dispersión y forma, así como los valores inusuales en los
datos. La presencia de grandes colas en las gráficas pueden ser
indicativo de sesgos en la distribución. De igual forma, si una o dos
barras están lejos de las demás puede deberse a valores atípicos en
la serie de datos. Debido a que el aspecto del histograma cambia
según el número de datos considerados, se suele hacer uso de
gráficos de probabilidad de la normal para evaluar la normalidad de
los residuos.
37
Histograma
(la respuesta es KPI)consumo_desbence )
14
12
Frecuencia
10
8
6
4
2
0
-6
-4
-2
0
Residuo
2
4
6
Fig.15. Histograma de residuos del modelo KPI) consumo Desbencenizadora
-
Gráficos de probabilidad de la normal: los puntos de esta gráfica
deben de formar una recta si los residuos están normalmente
distribuidos. Si lo anterior no se cumpliese, el supuesto de
normalidad puede ser inválido. Si el número de registros no es lo
suficientemente elevado, puede producirse una curvatura en las colas
de la recta, aún si los residuos están normalmente distribuidos. A
medida que el número de observaciones disminuye, la gráfica de
probabilidad podría mostrar una variación sustancial no linealidad,
aun si los residuos están normalmente distribuidos.
-
Residuos versus ajuste: Esta gráfica debe mostrar un patrón de
residuos aleatorio en ambos lados del 0. Si uno de los puntos se
encuentra lejos de la mayoría de los puntos, podría tratarse de un
valor atípico. Además, no debería haber ningún patrón reconocible en
la gráfica de residuos. Lo siguiente podría indicar un error que no es
aleatorio:
o
Una serie de puntos crecientes o decrecientes.
o
La predominancia de residuos positivos o una predominancia
de residuos negativos.
o
Patrones, tales
crecientes.
como
residuos
crecientes,
con
ajustes
Se debe resaltar que los gráficos representan valores estandarizados de los
residuos (residuos estandarizados o residuos stunderizados). Éstos son
útiles en la detección de valores atípicos porque los residuos sin procesar
38
pueden ser escasos indicadores de valores atípicos debido a su varianza no
constante.
El residuo estandarizado es igual al valor de un residuo divido entre un
estimado de su desviación estándar. Los residuos estandarizados mayores
que 2 y menores que 2 usualmente son considerados grandes por lo que
las observaciones correspondientes son etiquetadas con una 'R' en la tabla
de observaciones inusuales y en la tabla de ajustes y residuos.
39
CAPITULO 4. RESULTADOS
En este capítulo se muestran los resultados obtenidos en cada una de las
fases de la metodología.
4.1.
DEFINIR
El conocimiento del proceso y de las variables que influyen en el mismo es
fundamental a la hora de llevar acabo la implantación de esta metodología.
La determinación de la zona de estudio y los requerimientos del cliente son
la clave en esta fase.
4.1.1.
Información del Proceso
Se presenta, a continuación, un diagrama de bloque general de la planta:
Fig.16. Esquema general de la planta
La unidad de aromáticos y la unidad de Morphilane no se consideran dentro
de los límites de batería de este proyecto. Será la zona de reformado
catalítico (sombreada en la figura anterior), el centro de atención en el
desarrollo del mismo. El conocimiento de los diferentes equipos y secciones
que constituyen la planta de reformado es conveniente, con el fin de
conseguir un cierto grado de acercamiento e implicación en el proceso:
40
Fig.17.Esquema de la sección de reformado catalítico
4.1.2.
Información de las variables del proceso
En el proceso se distinguen dos clases de variables: las independientes y las
dependientes, siendo éstas últimas aquellas cuyas modificaciones afectan
directamente a las condiciones de operación de la planta.
Variables Independientes

Severidad
Es una medida del craqueo (ruptura de cadenas de hidrocarburos, HC) que
se lleva a cabo en los rectores de la zona de Platforming. Se ve afectado por
la temperatura y la presión en dichos equipos, así como por la relación
H2/HC en la corriente de alimentación a los mismos.
Cuando el rendimiento de la operación desciende en gran medida, la
temperatura de trabajo deberá estar comprendida entre 531ºC y 537ºC.

Temperatura de reacción (WAIT)
Indirectamente
catalizador.

nos
proporciona
información
acerca
del
estado
del
Presión
Es la variable más influyente del proceso. Para la producción de aromáticos
es de interés una presión lo más baja posible llevando dicha disminución de
presión a una disminución de la presión parcial de H2, favoreciéndose la
41
coquización del catalizador y reduciéndose el ciclo operativo. No obstante, la
coquización puede reducirse actuando sobre la carga a Platforming,
disminuyendo su punto final.

Relación H2/HC
Será la suficiente para aportar a los reactores el H2 necesario para llevar a
cabo las reacciones pertinentes y evitar la coquización del catalizador. Un
aumento en la cantidad de gas reciclado supone un aumento de dicha
relación, derivando todo ello a un aumento en el consumo de combustible
en los hornos, un aumento en la velocidad de paso por los reactores y un
aumento en el WAIT para la misma cantidad de catalizador y calidad de
carga. Actualmente, se trabaja con una relación de 3,5 – 4,5 molar.

Características de la carga
La actuación directa sobre la calidad de la carga no es posible pero sí lo es
una mezcla de diferentes naftas con calidades diferentes adecuándolas al
funcionamiento de la unidad.
Unas especificaciones adecuadas de carga serían:
Especificaciones de la carga
Punto inicial
> 65ºC
Punto final
< 204 ºC
Azufre
< 0,5 ppm
Agua
< 5 ppm
Nitrógeno
< 0,5 ppm
Tabla 15. Especificaciones de la carga

Inyección de Cl2 al proceso PP
La inyección se lleva acabo mediante una mezcla de agua y compuestos
cloraros. Se asegurará un contenido en HCl <1ppm.
42
Los efectos que puede causar el Cl2 en el proceso es función de su exceso o
defecto en la propia operación. Así, un exceso se manifiesta con una bajada
en el rendimiento de Platforming y, un defecto, con una subida del mismo.

Humedad en gas de reciclo
Es fundamental un contenido en humedad inferior al 30 ppm.
Variables Dependientes
Las variables dependientes son aquellas que se ven afectadas por una
variación de las anteriores.

Actividad del catalizador
Esta variable se ve afectada tanto por la temperatura del catalizador,
medida indirectamente por el WAIT, como por la calidad de los productos
(RON). Se puede estimar comparando el WAIT) teórico con el WAIT) real.

Selectividad del catalizador
Es función de la calidad de la carga (Naftenos y Aromáticos), de la presión
en los reactores y de la temperatura. En este caso, la presión y la
temperatura interesa lo más baja posible.

Estabilidad del catalizador
Si la velocidad de desactivación del catalizador disminuye, se produce:

Un aumento en la calidad de la carga (Naftenos y Aromáticos)

Un descenso en el punto final de destilación de la carga

Un aumento de la presión promedio en los reactores

ΔT de los reactores
Esta variable se ve fuertemente influenciada por la calidad de la carga a
Platforming más que por el efecto de una variación en la presión.
43

Envenenamiento del catalizador
Son los metales Na, Ca y Mg, los principales causantes del envenenamiento
del catalizador. La presencia de N2 en la carga a los reactores es causante,
igualmente, de dicho efecto debido a la recombinación en el interior de
dichos equipos con Cl- dando lugar a NH4Cl, el cual, se deposita en el
enfriador previo al PP_V8. Las propiedades que evitan el envenenamiento
del catalizador se muestran en la siguiente tabla:
Propiedades que evitan envenenamiento
Azufre
< 0,5 ppm
Ácido sulfhídrico ( gas
de reciclo)
< 2 ppm
Arsénico (carga)
< 1 ppb
Agua(carga PP)
< 5 ppm
Agua (gas de reciclo)
< 30 ppm
Nitrógeno
< 0,3 ppm
Tabla 16. Propiedades que evitan envenenamiento de catalizador

Punto final de la carga a PP
Se intentará un punto final inferior a 204ºC.
En la tabla 17 se presenta, de manera resumida, lo mencionado
anteriormente, es decir, las variables influyentes en el proceso y los efectos
que variaciones en ella causan sobre el mismo.
44
Tabla 17. Tendencias de las variables de operación
Realizado el estudio en profundidad del proceso, el siguiente paso es
conocer los requerimientos del cliente. Para ello, la comunicación con el
personal experto en planta es fundamental. Así, se define tanto la zona de
estudio (fig.18.) como los objetivos del proyecto y las variables que a groso
modo pueden afectar al funcionamiento de la planta.
45
Fig.18. Zona de estudio
Tras este estudio se elabora un SICOP, sirviendo de base para asentar
principales ideas que se desarrollarán a lo largo del estudio. De ello,
desprende la conformidad del cliente sobre los objetivos propuestos,
como el compromiso de seguimiento durante la aplicación de
metodología. El esquema del SICOP se muestra en la figura 19.
las
se
así
la
46
Fig.19. SICOP del proceso
47
4.2.
MEDIR
Esta fase se centrará en el estudio tanto de las variables influyentes como
de las variables objetivo de este proyecto.
En colaboración directa con el personal experto en planta, se elabora un
Process Map. Éste está constituido por un Big Block, donde se resaltan
aquellas variables que podrían influir en el global de la planta, y un Block
Step, en el cual, se definen todas las posibles variables que podrían afectar
a diferentes bloques dentro de la misma.
A continuación, se muestra un esquema del resultado del Big Block (fig. 20)
y del Block Steps (fig. 21), llevado acabo sobre la zona de estudio
establecida en la fase anterior:
Fig.20. Big Block de la zona de estudio
48
49
50
Fig.21. Block Steps de la zona de estudio
Una vez establecidas las variables en cada uno de los diferentes bloques de
la zona de Platforming, se determinan aquellas que podrían ser
las
variables más influyentes. Para ello, se hace uso de la matriz causa-efecto,
en la cual se cuantifica numéricamente la influencia de las variables
anteriores sobre los objetivos (véase Cap. 3). El resultado de esta matriz se
muestra en la figura 22.
51
Fig.22. Resultados de la matriz C&E
Una vez elaborada la matriz C&E se construye un diagrama de Pareto, en el
que se representa en un diagrama de barras de manera decreciente, el total
de la puntuación de cada una de las variables cuantificadas en la matriz:
900
800
700
600
500
400
300
200
100
0
Fig.23. Diagrama de Pareto resultado de Matriz C&E
52
De este diagrama se obtienen las variables con las que se trabajarán a lo
largo del desarrollo del proyecto, al considerarse éstas como las más
relevantes en el propio proceso (las situadas en la zona a la izquierda de la
línea que divide el diagrama). Estas variables se listan en la siguiente tabla:
Variables de influencia
•T entrada PP_V5, PP_V6, PP_V7
•T salida PP_V5, PP_V6, PP_V7
•PP_V8
•Densidad del gas de reciclo
•Carga a PP
•T_ambiente
•LPG Aromax
•WAIT
•F PP_V8 a PP_V11
•ΔT PP_V5, ΔT PP_V6, ΔT PP_V7
•ΔT PP_V5/V6/V7
•ΔT PP_V5/ΔT)total
•ΔT)PP_V6/ΔT)total
•ΔT)PP_V7/ΔT)total
•Carga acumulada
Variables de operación
•KPI_consumo desbence
•KPI_consumo desbuta
•P_V11,T_cab_V11, T_fond_V11
•P_V13, T_cab_V13, T_fond_V13
•RR_desbuta
•RR_desbence
Tabla 18. Variables del proceso
Llegados a este punto, el problema queda definido tal y como se muestra en
la figura 24.
Los INPUTS de la zona de estudio serán las variables resultados del análisis
anterior, y los OUTPUTS los objetivos del cliente:
(ec. 1)
53
(ec. 2)
Las ecuaciones 1 y 2, son ecuaciones genéricas, es decir, para cada una de
las columnas que constituyen la zona de Platforming se definen unos KPI‟s
de rendimientos y consumos. Así, se tendría como OUTPUTS del proceso los
representados en la tabla 19:
Columna
Rendimientos
Consumos
Desbutanizadora
Desbencenizadora
Tabla 19. OUTPUTS del proceso
Para cada una de las variables de salida se ha de generar:

Un modelo que relacione los rendimientos con las variables de
influencia.

Un modelo que relacione los consumos con los rendimientos definidos
en la tabla anterior.
Especificada la zona de estudio, los INPUTS y los OUTPUTS del proceso, se
comienza con la recopilación de datos de planta necesarios para la
realización del estudio.
54
Fig.24. Definición del problema
4.3.
ANALIZAR
En esta fase tiene lugar el tratamiento de datos. El análisis de datos es
esencial pero a menudo no se le da la prioridad apropiada. El hecho de
llevar acabo un pobre análisis de datos puede ocasionar resultados
engañosos.
El análisis de datos incluye todos los posibles factores influyentes en los
objetivos del proyecto. Estos registros deben de ser recogidos con la más
alta frecuencia posible para detectar cualquier variación en el proceso.
El objetivo del análisis de datos es comprender mejor el efecto de las
variables sobre la operación y la propia influencia entre ellas, calcular los
objetivos y generar modelos que los definan.
El diagrama mostrado en la figura 25 presenta de manera resumida, los
temas que se tratarán en esta sección.
55
4.3.1.
¿Cuál es el dato?
Los datos de este proyecto incluyen:

Variables medidas de forma directa (temperaturas,
caudales,…)
presiones,

Variables calculadas a partir de las medidas de forma directa (KPI,
∆T,…)

Variables de la zona de reacción

Variables de operación de las diferentes columnas
Es esencial tener datos de las variables influyentes para poder:

Comprender las causas de las posibles variaciones en el proceso

Establecer objetivos que pueden darse con la situación actual de la
planta

Modelar los objetivos
4.3.2.

¿Cuáles son las variables a analizar?
Preparación de datos

Recopilación de datos
En primer lugar, se debe hacer constar aquellos registros del proceso de los
cuales se tiene información almacenada (fig. 26).
Fig.26. Datos de planta
56
Análisis de datos
¿Cuál es el dato?
Preparación de
datos
Recopilación de
datos
¿Porqué es
necesario el
análisis de datos?
¿Cuáles son los
datos a analizar?
Comprensión de
la variabilidad
Cálculo de los
índices de
eficiencia
Generación Base
de Datos
Índice de
rendimiento
(KPI rendimiento)
Índice de
consumo (KPI
consumo)
Gráficos de
dispersión
Gráficos de
matriz
Planta
Visual Basic
(MACRO)
Filtrado de datos
Regresión paso a
paso
Regresión
multivariable
Fig. 25. Diagrama de bloques del análisis de datos
57
Para la obtención de dichos registros se recurre al Planta, un complemento
de Excel a partir del cual se deriva cualquier dato medido y almacenado en
cualquier periodo de tiempo solicitado (VER ANEXO I).
Para la recopilación de datos se generan previamente las denominadas
„hojas de datos‟. Estas hojas presentan la siguiente estructura:
FECHA
NOMBRE DE LAS VARIABLES QUE SE SOLICITEN
Periodo de
tiempo
CÓDIGOS TAGS DE IDENTIFICACIÓN DE CADA VARIABLE
datos
datos
Fig.27. Estructura de una hoja de datos
La estructura que presenta esta hoja la hace adecuada para introducir en el
complemento Excel y obtener de manera automática los datos que en ellas
se solicitan.
Recopilada esta información, es necesario generar una base de datos apta
para el desarrollo del estudio.

Generación de la base de datos
La generación de una base de datos es de vital importancia debido a la
diferencia de registros existentes entre diversos archivos recibidos del
„Planta‟. Estos archivos deben ser unificados, al trabajar de manera
conjunta con los datos que en ellos se recogen.
Por ello, se hace imprescindible elaborar una hoja donde se reflejen los
datos correspondientes tanto a variables de influencia como a datos de
composición de los diferentes efluentes de las columnas.
Visual Basic
La creación de la base de datos se lleva acabo desarrollando, en Visual
Basic, un programa que permita leer registros de fechas y horas en los
archivos correspondientes a „datos de variables de influencia‟ y a „datos de
composición‟, de tal forma que, para cada registro de fecha y hora
semejantes en ambos archivos, se tome el dato de composición de la hoja
de „datos de composición‟ correspondiente a la que la macro esté leyendo
en ese momento. Este valor será seleccionado y copiado en la hoja de
58
„variables de influencia‟, generándose de este modo, una base de datos con
registros tanto de variables como de composiciones. Ello permitirá hacer
sucesivos filtrados para cumplir con especificaciones en las corrientes de
cabeza y fondo de las diferentes columnas.
Filtrado de datos
Una condición necesaria para la obtención de los modelos de rendimientos
de las columnas es que los datos utilizados para generarlos cumplan
especificaciones. Estas restricciones, especificadas
por el cliente, se
muestran en la tabla 20.
Columnas
Corriente de cabeza
Corriente de fondo
Desbutanizadora
LPGL < 1% p/p C5
< 1% p/p C4
Desbencenizadora
< 10% Tolueno
< 1% C6H6
Despentanizadora
< 1% C6H6
< 1% C5
Tabla 20. Especificaciones de los efluentes de las columnas
Por ello, es necesario llevar acabo un filtrado de la base de datos generada,
con el fin de obtener una serie de registros para cada una de las columnas,
que cumplan especificaciones tanto de cabeza como de fondo.
En cambio, para los modelos de consumos se hará uso de todos los
registros almacenados en la base de datos anteriormente generada,
cumpliendo o no especificaciones.
Señalar la ausencia de algunos registros de composición en ciertos días del
año en algunas de las corrientes de cabeza o fondo de las torres. Estos
registros se han considerado como valores dentro de los límites de
especificación.

Cálculo de los índices de eficiencia
Generada la base de datos, ya se dispone de los recursos suficientes para
trabajar con las propias variables. De esta manera, se calcularán aquellas
variables que resultan combinaciones de las variables disponibles de forma
directa por el „Planta‟, así como los índices de eficiencia, objetivos del
proyecto:
59
Columna
Rendimientos
Consumos
Desbutanizadora
Desbencenizadora
Tabla 21. Índices de eficiencia

Comprensión de la variabilidad
Hay una serie de técnicas que pueden ser usadas para estudiar la
variabilidad de los datos. A continuación, se enumeran y desarrollan las
utilizadas en este análisis:

Análisis multivariable
El objetivo de este estudio es la determinación de posibles relaciones entre
variables influyentes y la consecuente posibilidad de sustituir unas por otras
a la hora de generar los modelos. De igual forma, la elaboración de este
estudio permitirá eliminar de aquellas variables que en un principio se
consideraron, las que claramente no muestren ninguna tendencia cuando se
enfrentan a las variables objetivos: rendimientos y consumos.
Este estudio está basado en gráficos de matriz, apoyados por la regresión
paso a paso (véase Cap.2) para llevar acabo un estudio de la tendencia
tanto de forma cualitativa como cuantitativamente. De la regresión paso a
paso o Stepwise, se obtendrán las variables de influencia claves (VIC‟s).
La realización de esta fase conllevará una reducción de variables de
influencias bastante considerable. Serán estas variables, resultado del
estudio de regresión paso a paso, las que se considerarán a la hora de
generar los modelos.
Para el estudio basado en gráficos de matriz se ha llevado acabo un análisis
por fases, es decir, se han analizado las diferentes variables de influencia
por pasos:

Gráficos de matriz de variables de temperatura.

Gráficos de matriz de variables de influencia.

Gráficos de matriz de variables de operación de las columnas.
60
Gráfico de matriz de variables tanto de la zona de reacción de
Platforming (variables influyentes) como de operación de las
columnas.

Los resultados de cada uno de los pasos anteriores se muestran en el Anexo
II, al final del proyecto.
Las mismas variables representadas en los gráficos de matriz se han
analizado mediante una regresión paso a paso para ver de forma
cuantitativa la posible relación entre las mismas.
Los resultados obtenidos de la aplicación de los dos métodos han de ser
semejantes, pues este tipo de regresión se ha llevado acabo con el fin de
poder aclarar aquellas tendencias que cualitativamente no muestran
claridad.

Regresión lineal multivariable
Se hace uso de esta herramienta estadística para la generación de los
modelos de los índices definidos anteriormente.
Modelos
•Errores de modelado
•Errores de validación
Fig. 28. Elaboración de los modelos
Modelos de Rendimiento
Para la elaboración de los modelos de rendimiento se partirá de datos que
cumplan las especificaciones de corrientes de cabeza y fondo de la columna
para la cual se esté realizando dicho modelo.
Elaborada la base de datos cumpliendo especificaciones, se lleva acabo la
regresión, utilizando para ello Minitab 15 Statistical Software, un paquete
estadístico que permite además de esta opción, realizar los gráficos de
matriz y la regresión paso a paso que se
desarrollaron en etapas
anteriores.
Los modelos se ajustan teniendo en cuenta los parámetros más relevantes
en este tipo de regresión (véase aptdo.3.4).
61
Procediendo de esta forma, se obtendrán modelos de KPI‟s de rendimientos
para cada una de las columnas, con la siguiente estructura:
(ec.3)
Modelos de Consumo
Para los modelos de consumo se hace uso de la base de datos generada
inicialmente (sin cumplimiento de especificaciones). Se procederá a la
obtención de los modelos del mismo modo que para la generación de los
modelos de rendimiento.
Para este caso, cabe destacar la inclusión de las variables de operación de
las columnas en el desarrollo de estos modelos, a petición del cliente, pues
no hay que olvidar la aplicabilidad práctica de éstos en planta. De esta
forma, se evitan que los modelos obtenidos sean puramente estadísticos,
perdiéndose, por tanto, el sentido físico del proceso.
Los modelos de consumos obtenidos, presentan la siguiente estructura:
(ec.4)
o
Errores del modelo
Una vez realizados los modelos de rendimientos y consumos, el cálculo del
error relativo de modelado resulta de interés.
Este cálculo se lleva acabo introduciendo, en el propio modelo, los datos a
partir de los cuales éstos se obtuvieron y comparándolos con los datos
reales de planta.
El error relativo queda definido como:
(ec.5)
62
o
Validación de los modelos
Posterior a la generación de los modelos tiene lugar el proceso de
validación. Para ello, se dispone de datos correspondientes a un ciclo
anterior de la planta (entiéndase por ciclo, al periodo de tiempo desde que
se regenera el catalizador hasta que se agota) y datos correspondientes al
ciclo actual.
Para llevar acabo la validación se realiza, previamente, un tratamiento de
datos semejante al que se llevó acabo para la generación de la base de
datos con la que se ha estado trabajando hasta el momento. Se generarán
nuevas bases de datos contando con los registros correspondientes a cada
uno de los diferentes periodos de los que se dispone para realizar este
trabajo de validación. Cada una de ellas contará, igualmente, con registros
que cumplen o no especificaciones.
Generada la base de datos para cada uno de los periodos anteriores, se
lleva acabo un gráfico de control con el fin de eliminar aquellos puntos que
salen fuera de la evolución normal del proceso, y que, por tanto, serán
causa de errores en la validación.
Eliminados estos registros se procede al cálculo del error del modelo con
datos correspondientes a periodos independientes al utilizado para su
generación.
Las figuras 29 y 30, muestran de manera esquemática el desarrollo de los
modelos:
• Validación del
modelo en ciclo
anterior de
operación (anterior
a regeneración del
catalizador)
Datos de ciclo anterior
que cumplen
especificación
Modelo
rendimiento
•Datos cumplen
especificaciones
•Errores del modelo
•Validación del
modelo en ciclo
actual de operación
Datos actuales de
validación que cumplen
especificación
Fig. 29. Esquema de elaboración de modelos de rendimiento
63
•Gráficos de control de
datos
•Validación del modelo
en ciclo anterior de
operación (anterior a
regeneración del
catalizador)
Datos de ciclo
anterior que cumplen
o no especificación
Modelo
consumo
•Datos que
cumplen o no
especificación
•Errores del
modelo
•Gráfico de control de
datos
•Validación del modelo
en ciclo actual de
operación
Datos actuales de
validación que
cumplen o no
especificaciones
Fig.30. Esquema de elaboración de modelos de consumo
Cabe destacar que el periodo de ciclo anterior se divide, a su vez, en dos
periodos, debido a que al comienzo de este ciclo la planta no operaba tal
cual lo hace en la actualidad. Una de las columnas estaba fuera de servicio
realizando la desbencenizadora la función de la despentanizadora, actuando
como una despentanizadora.
64
CAPITULO 5. ANÁLISIS DE RESULTADOS
5.1. INTRODUCCIÓN
En este capítulo se analizaran los resultados desde el punto de vista del
consumidor, pues, es el grado de satisfacción del cliente el colofón de este
proyecto.
El sentido práctico de los modelos generados a lo largo del estudio, es decir,
la posibilidad de implantar las ecuaciones de ajuste de operación de cada
una de las columnas en la propia planta, hace que el enfoque del problema
no se haga de manera meramente estadístico sino aplicando el sentido
físico y la experiencia del personal de planta para llevar a cabo el análisis de
dichos resultados.
De ahí, la necesidad de compenetración entre el grupo de trabajo y el
profesional de planta para colmatar los resultados, cumpliendo con las
expectativas esperadas por el cliente.
5.2. ANÁLISIS DEL PROCEDIMIENTO
5.2.1.
Definición
Conocer el funcionamiento de la planta era primordial para la elaboración
del estudio, así como el conocer cuáles eran las variables más influyentes
del proceso desde el punto de vista de la experiencia.
Para ello, se mantuvieron sucesivas reuniones en las que se daban a
conocer los avances en el conocimiento del proceso y se aclaraban las
dudas que pudiesen surgir al respecto.
Se nos dotó de material suficiente para profundizar en la forma de operar:
manuales de operación de planta, manuales de variables influyentes, listas
de tags para la denominación de los registros de planta, lista de tags de
laboratorio, ensayos, pantallas del proceso,… .Con toda esta información se
completó la fase de definición del problema.
5.2.2.
Medida
Con el conocimiento adquirido en la fase anterior, se procedió a especificar
aquellas variables que resultaban ser las más influyentes en el proceso.
65
Éstas correspondían a variables presentes tanto en la zona de reacción
como en la zona de Platforming, así como a variables tanto controladas
como incontroladas durante la operación de la planta.
Todo ello se llevó acabo recurriendo a las herramientas ya mencionadas en
capítulos anteriores, como son el Big Block, Block Steps, matriz C&E y
diagrama de Pareto.
El resultado de este análisis redujo el número de variables iniciales y llevó a
determinar aquellas variables objeto de estudio a lo largo del presente
proyecto. A continuación, se muestra de forma gráfica, la evolución de estas
variables:
Fig. 31. Evolución de las variables del proceso
Especificadas las variables influyentes, se definieron los requerimientos del
cliente:
REQUERIMIENTOS
KPI_ relativa desbuta
DEFINICIÓN
66
KPI_relativa desbence
KPI_consumo desbuta
KPI_consumo desbence
Tabla 22. Requerimientos del cliente
Para cada uno de los índices definidos en la tabla anterior se concretó
generar unos modelos capaces de reproducir el funcionamiento de las
diferentes columnas dadas unas condiciones de operación en un periodo
determinado.
Con las variables de influencia especificadas y los objetivos marcados, el
problema quedaba totalmente definido. A partir de este momento, se
comenzó el análisis de datos.
5.2.3.
Análisis
El análisis de datos se hizo fundamental llegados a este punto, pues la
generación de una base de datos apropiada para el desarrollo del proyecto
era la base del estudio.
El siguiente esquema muestra, de manera resumida, los pasos seguidos
para llevar acabo el análisis de datos (ver aptdo.3.3).
67
Datos de
planta
Macro
Generación
de la Base de
datos
Fig.32. Pasos para el análisis de datos
Una vez generada la base de datos se realizó un análisis multivariable, en el
que se emplearon herramientas como: gráficos de matriz, gráficos de
dispersión y regresión paso a paso.
Lo anterior permitió obtener las variables de influencia clave (VIC‟s) con las
que se llevarían acabo cada uno de los diferentes modelos.
A continuación, se muestran las variables de influencia clave obtenidas a
partir de los gráficos de matriz y regresión paso a paso:
KPI_relativa desbuta
LPG Aromax
Wait
DT_V7
Carga acumulada
KPI_relativa desbence
Wait
LPG Aromax
DT total
KPI_consumo desbuta
RR)desbuta
KPI_relativa desbuta
P_V11
Wait
KPI_consumo desbence
RR)desbence
KPI_relativa desbence
T_fondo V13
KPI_relativa desbuta
Wait
Tabla 23. Resultados de gráficos de matriz
68
KPI_relativa desbuta
Dens.gas reciclo
LPG Aromax
WAIT
T DELTA PP_V7
T ambiente
KPI_consumo desbuta
F PP-V8 a PP-V11
P PP_V8
RR)desbuta
LPG Aromax
T ambiente
Carga acumulada
T_fond_V11
T_cab_V11
T DELTA PP_V7
KPI_relativa desbence
LPG Aromax
T DELTA PP_V5/6/7
Carga a PP
T ambiente
T DELTA PP_V7
P PP_V8
KPI_consumo desbence
F PP-V8 a PP-V11
T_fond_V13
T_cab_V13
Carga acumulada
Dens.gas reciclo
KPI relativa_desbence
RR)desbence
Carga a PP
KPI relativa_desbuta
WAIT
T DELTA PP_V6
Tabla 24. Resultados de Regresión Paso a Paso
Como se puede observar las variables de influencia clave difieren al aplicar
cada uno de los métodos de manera independiente.
Como se comentó en capítulos anteriores, la regresión paso a paso es un
estudio complementario a los gráficos de matriz, pues mientras que estos
últimos permiten obtener de manera cualitativa, es decir, observando la
influencia de cada variable con la variable objetivo mediante la aparición de
una tendencia clara en los resultados, la regresión paso a paso permite la
identificación de las variables de forma cuantitativa, llevando acabo una
combinación de todas las variables con todas y no sólo de la objeto de
estudio.
Teniendo en cuenta esto, si se observan los gráficos de matriz obtenidos del
análisis realizado con las variables, pueden verse influencias entre variables
de reacción de forma independiente a la influencia sobre la variable
objetivo. Esto mismo es lo que la regresión paso a paso detecta, incluyendo
dichas variables como influyentes en la variable objetivo. Así, si una
variable influye sobre la variable objeto de estudio, y a su vez se ve
afectada por otra variable influyente, ésta última afecta sobre el objetivo,
apareciendo como resultado de la regresión paso a paso.
Con el razonamiento anterior, se tomó como variables influyentes las
proporcionadas por la regresión paso a paso.
69
A petición del cliente, en base al criterio de aplicabilidad práctica, se acordó
eliminar la temperatura ambiente como variables de influencia, al ser esta
una variable incontrolable con gran aleatoriedad (depende de las
condiciones atmosféricas).
Teniendo en cuenta lo anterior, se procedió a la obtención de los modelos.

Elaboración de los modelos
Para la elaboración de los modelos se recurrió a la regresión lineal
multivariable considerando cada una de las variables objetivos en función
de las variables influyentes obtenidas en etapas anteriores. Posteriormente,
el modelo se fue ajustando a los datos atendiendo a:
- El coeficiente de regresión (R2)
- El p_valor de cada una de las variables (< 0,05)
- El estadístico „t‟ (t > p)
- ANOVA (F > p)
- Estadístico de Durbin-Watson1 (d>1)
- Análisis de los gráficos de residuos

Ajustes de los modelos
El ajuste de los modelos de índice de rendimiento, se realiza con registros
que cumplen especificaciones pues interesa obtener rendimientos para
condiciones de operación satisfactorias de las columnas. Sin embargo, para
la elaboración de los modelos de consumos las especificaciones no tienen
porque cumplirse.
El propio ajuste de los modelos descarta ciertas variables de las
consideradas en un principio. En este ajuste se valoró tanto los gráficos de
los residuos proporcionados en cada uno de los pasos de elaboración del
modelo, como el análisis de los parámetros propios de la regresión.
1
1
Indicador de la aplicabilidad de los mínimos cuadrados.
70
Para la validación de los gráficos de residuos se consideró el siguiente
criterio:
2
El hecho de considerar el error estandarizado como uno de los parámetros
de ajuste se debe a que es una de las mejores medidas para la detección de
valores atípicos.

Resultados de los modelos
Tras la aplicación de la regresión lineal multivariable y las pertinentes
valoraciones de los parámetros correspondientes para un buen ajuste de los
diferentes modelos, se obtuvieron los resultados que se muestran en la
tabla 25 adjunto.
De estos resultados cabe mencionar que para el modelado del consumo
correspondiente a la desbencenizadora, se han obtenido dos posibles
modelos.
El primer modelo, correspondiente al modelo de consumo I, es un modelo
basado en pura estadística, pues en él se incluyen todas las variables que
tienen efectos sobre el consumo, bien sean variables de la zona de reacción
ó variables de operación de la columna.
Sin embargo, el segundo modelo obtenido, modelo de consumo II, está más
orientado a la aplicabilidad práctica en planta que en representar el efecto
de todas las variables sobre el consumo. Para este modelo se han impuesto
las variables de operación de cada columna obviando la influencia del resto
de las variables. Señalar que a este modelo se ha llegado por petición del
propio cliente.
En el Anexo III se muestran los informes generados de los modelos con sus
gráficos de residuos correspondientes y sus parámetros de regresión.
2
El residuo estandarizado se diferencia del normalizado en la definición. Se define como el valor del
residuo dividido por su desviación estándar.
71
Tabla 25. Resultados de los modelos

Errores de modelado
Determinar el error en cada uno de los modelos es primordial para asegurar
un buen ajuste a los datos considerados.
Dos caminos son los seguidos para efectuar estos cálculos, en función del
tipo de modelo que del cual se pretenda determinar su error. Éstos se
muestran en las figura 33 y figura 34.
Los gráficos resultados del análisis de errores relativos de los modelos se
muestran en el Anexo IV.
72
Registros de la Base de Datos generada
Datos de modelado
Filtrado de datos por especificación
Datos que cumplen especificaciones
Análisis Estadístico
Gráficos de errores de modelado
Errores de modelado
Fig.33. Errores de los modelos de rendimiento
Registros de la Base de Datos generada
Datos de modelado
Análisis Estadístico
Gráficos de errores de modelado
Errores de modelado
Fig.34. Validación de los modelos de consumo

Validaciones de los modelos
La validación de los modelos permite conocer si éstos se ajustan al
funcionamiento diario de la planta y, en caso de no ser así, predecir cuál es
la variable causante de dicho desajuste.
73
Las validaciones se han llevado acabo para dos periodos de funcionamiento
bien diferenciados de la planta:
1. Correspondiente a un ciclo anterior al actual, es decir, un ciclo
anterior a la regeneración del catalizador (Mayo 2007 - Enero 2009).
2. Correspondiente al ciclo actual de funcionamiento de la planta (Enero
2010 - Mayo 2010).
En el periodo de validación del ciclo anterior hay que distinguir, a su vez,
otro periodo, en el cual la despentanizadora estaba fuera de funcionamiento
y la desbencenizadora realizaba su función. Este periodo no será
considerado en la validación de los modelos, al ser la forma de operar
diferente a la que los propios modelos definen.
Según se consideren los modelos de las KPI‟s de rendimientos de las
columnas o los modelos de las KPI‟s de consumos, las validaciones se llevan
acabo de diferente forma. A continuación, se muestra de manera
esquemática la forma de proceder según el tipo de modelo a validar:
Registros de la Base de Datos generada
Ciclo anterior
(funcionamiento normal de la planta)
Ciclo actual
Filtrado de datos por especificación
Datos del ciclo anterior que
cumplen especificaciones
Datos del ciclo actual que
cumplen especificaciones
Gráficos de errores de validación
Errores de validación ciclo
anterior
Errores de validación ciclo actual
Fig.35. Validación de los modelos de rendimiento
74
Registros de la Base de Datos generada
Ciclo anterior
(funcionamiento normal de la planta)
Ciclo actual
Análisis de control de los datos
Datos del ciclo anterior tras
gráfico de control
Datos del ciclo actual tras gráfico
de control
Gráficos de errores de validación
Errores de validación ciclo
anterior
Errores de validación ciclo actual
Fig.36. Validación de los modelos de consumo
Los resultados obtenidos tras las validaciones (VER ANEXO V) aplicadas a
cada una de los modelos de las diferentes columnas, se muestran a
continuación:
DESBUTANIZADORA
A la hora de validar los modelos tanto de rendimiento como de consumo de
la desbutanizadora se apreciaron diferencias de errores considerables entre
ambos modelos. Esto lleva a pensar que debe existir una variable presente
en el modelo de consumo ausente en el de rendimiento, que sea la
causante de tal desajuste en el mismo sobre los datos del periodo de
validación.
75
Fig. 37. Errores modelos desbutanizadora
Para determinar la variable posible causante de tal desajuste se procedió tal
y como se detalla en la figura 38. Los resultados de este estudio pueden
verse en el Anexo VI.
El resultado de este análisis arrojó que la variable causante de tales errores
en la validación del modelo de consumo de la desbutanizadora era la
presión en el interior del equipo, la cual resultaba para el periodo
correspondiente al ciclo anterior fuera del rango de modelado de dicha
columna.
76
Determinación de las
variables causantes del
desajuste entre
modelos desbuta
Datos de validación
Datos de modelado
(ciclo anterior)
Variables no comunes
entre modelos desbuta
Variables no comunes
entre modelos desbuta
Gráficos de control
Gráficos de control
Rangos de validez de
modelado de las
variables
Rango de variación de
variables
Comparación
entre rangos
Determinación
de la/s
variable/s
problema/s
Fig.38. Determinación de la/s variable/s causantes del desajuste entre modelos
77
DESBENCENIZADORA
Durante la validación de esta columna también se apreciaron observaciones
de interés. La determinación del error de validación del modelo de consumo
en el ciclo anterior dio como resultado un gráfico en el cual se observaba
una tendencia clara durante un periodo de tiempo para una posterior
estabilización de los datos.
Fig.39. Error de validación KPI consumo desbence
Hay que señalar que para esta columna se determinaron dos modelos de
consumos: uno puramente estadístico (cuya gráfico de validación es el que
se muestra en la fig.39) y otro de aplicabilidad práctica en la planta (fig.40),
a petición exclusiva del cliente.
Fig.40. Error de validación KPI consumo desbence
78
La tendencia mencionada anteriormente parece que se mantiene en la
validación de ambos modelos pero, en este último, desplazada hacia arriba.
Este hecho lleva a investigar el por qué de esa tendencia y el por qué del
desplazamiento de la misma hacia arriba en el caso del segundo modelo.
Para analizar la tendencia se siguió el esquema mostrado en la figura 41.
Determinación de las
variables causantes
de la tendencia.
Datos de
validación en
periodo
descendente
Datos de
validación del
periodo de
estabilidad
Variables del
modelo de
consumo
desbence
Variables del
modelo de
consumo
desbence
Gráficos de
control
Gráficos de
control
Rangos de
variación de las
variables durante
el periodo de
descenso
Rangos de
variación de las
variables
durante periodo
de estabilidad
Comparación
entre rangos
Determinación
de la/s
variable/s
causantes de
tendencia
Fig.41. Determinación de variables causantes de la tendencia en la validación
79
Las variables cuyos rangos rompen con la tendencia que siguen en el
periodo de estabilidad resultaron ser la T cabeza de la columna, que va
descendiendo hasta mantenerse constante, la relación de reflujo, RR, cuyo
valor va ascendiendo hasta la constancia, y la KPI de rendimiento de la
propia columna, la cual varía al variar en un determinado instante la carga
a la unidad.
Los gráficos obtenidos en estos estudios se adjuntan en el Anexo VII.
La causa del desplazamiento de la tendencia se analizó siguiendo los pasos
mostrados a continuación:
Determinación de las
variables causantes del
desplazamiento de la
curva
Datos de
ajuste del
modelo
Variables de
modelo 1
Datos de
validación
Variables de
modelo 2
Gráficos de
control
Gráficos de
control
Rango de
validez de las
variables
Rango de
validez de las
variables
Variables del
modelo de
consumo
estadístico
(modelo1)
Variables del
modelo de
consumo
cliente
(modelo2)
Gráficos de
control
Gráficos de
control
Rangos de
variación de las
variables que
difieren del
modelo 2
Rangos de
variación de las
variables del
modelo
Comparación entre
rangos de validación
y variación
Variables
causantes del
desplazamiento
Fig.42. Determinación de variables causantes del desplazamiento de la curva
80
El resultado de este análisis ha sido que las variables de T cabeza y T fondo,
podrían ser las que ocasionen tal desplazamiento al estar estas variables
fuera de los rangos impuestos por el modelo, lo que ocasiona grandes
errores de validación. Estos errores se acentúan más en el modelo que
considera las variables de operación (modelo 2) debido a que el efecto de
éstas variables se hace más pronunciado que si se consideran las variables
de influencia. Un modelo con menos variables es más sensible a los cambios
que un modelo con más variables independientes y más aún cuando las
variables presentes en el modelo más reducido son las causantes de los
errores en las validaciones.
Los resultados de este estudio se muestran en el Anexo VIII.
5.2.4.
Mejora
Obtenidas y analizadas las ecuaciones de los modelos, se decide optimizar
la desbutanizadora, al ser los errores de modelados menores que los
derivados de la desbencenizadora.
Con esta optimización se pretende cumplir con otro de los objetivos
especificados por el cliente: Determinar condiciones de operación (P_V11 y
RR) para los que el consumo de combustible (Fuel gas, en esta columna) es
mínimo, obteniéndose, de este modo, un ahorro máximo.
Determinando dichas condiciones nos aseguraremos de mejorar el proceso,
pues para las condiciones especificadas se estará trabajando obteniendo un
producto con la calidad deseada y con un mínimo consumo de combustible,
lo que se traduce económicamente en grandes beneficios para la empresa.
5.2.5.
Control
Esta fase no es considerada en este proyecto pues el control y
mantenimiento de los modelos obtenidos depende del personal de planta.
81
CAPITULO 6. OPTIMIZACIÓN DE COLUMNAS
6.1. INTRODUCCIÓN
El objetivo en este capítulo es mostrar las ventajas que aporta el hecho de
trabajar bajo condiciones de operaciones adecuadas para una columna de
destilación, así como la metodología llevada acabo para obtener dichas
condiciones óptimas de funcionamiento.
El proceso de optimización consistirá básicamente en maximizar el ahorro
económico minimizando el consumo de combustible. Este combustible será
Fuel Gas, ya que la optimización se aplicará a la desbutanizadora.
6.2. METODOLOGÍA
El proceso de optimización se ha desarrollado siguiendo los pasos que se
muestran en la siguiente figura 43.
Minimizar consumo
de combustible
Optimización de la
desbutanizadora
Base de
datos
Tipo 1: 75ºC-95ºC
(85ºC)
Tipo 2: 95ºC-120ºC
(110ºC)
Filtro por Tipo
de Nafta
Tipo 3: 120ºC -140ºC
(130ºC)
Se determina el
máximo y mínimo de
variación de RR y P
Determinación de
rangos de variación
de RR y P
Restricciones:
Mínimo<RR<Máximo
Mínimo<P< Máximo
Aplicación
de SOLVER
Consumo :real> óptimo
Fig.43. Proceso de optimización de la Desbutanizadora
82
6.3. RESULTADOS
Procediendo con la metodología de optimización planteada en la figura 43,
se obtienen los siguientes resultados:
6.3.1.
Optimización de la desbutanizadora
La elección de esta columna para el desarrollo de la optimización se ha
realizado teniendo en cuenta el error cometido en la validación de cada uno
de los modelos obtenidos para cada una de las columnas. Al ser la
desbutanizadora la columna que mejor se ajusta a los datos de validación,
se tomó la determinación acertada de considerarla para llevar acabo futuras
medidas de ahorro.
Estas medidas consistirán en minimizar el consumo de combustible en dicho
equipo produciéndose, de esta forma, un ahorro económico para la
empresa.
La base de datos utilizada para desarrollar este planteamiento será la
correspondiente al periodo utilizado para el ajuste del modelo de consumo.
Señalar que otra ventaja de seleccionar la desbutanizadora como columna a
optimizar, es que en toda la base de datos utilizada se cumplen las
especificaciones de cabeza y fondo de esta columna, por lo que no es
necesario llevar acabo un filtrado de la misma agilizando el desarrollo de
esta etapa del proyecto.
6.3.2.
Filtrado por tipo de naftas
Con la base de datos y asegurado el cumplimiento de especificaciones en
toda ella, se decide llevar acabo un filtrado por tipo de naftas ya que las
condiciones de operación de la columna difieren en función del tipo de nafta
procesada.
Llegados a este punto, se entenderá por condiciones de operación a los
valores tomados por la relación de reflujo y la presión de la columna.
De esta forma, para cada tipo de nafta se especificará un rango de variación
de la relación de reflujo y de la presión, siendo estas mismas las variables
cuya variación darán lugar al óptimo de consumo buscado.
Este filtrado se realizará teniendo en cuenta el incremento total de
temperatura en los reactores de la zona de reacción, específicos para cada
tipo de nafta.
83
Tipo de Nafta
Rango de temperatura
Tipo 1
75ºC-95ºC
Tipo 2
95ºC-120ºC
Tipo 3
120ºC -140ºC
Tabla 26 .Rangos de temperatura por tipo de nafta
6.3.3.
Determinación de los rangos de variación de
RR y P
Para determinar los rangos de variación, no cabe más que calcular el valor
mínimo y máximo de cada una de estas variables para los tipos de naftas
considerados. De esta forma, se determinarán lo que constituirán dos
futuras restricciones a la hora de aplicar el Solver.
Los rangos obtenidos para cada tipo de naftas se muestran a continuación:
Tipo de Nafta
Rango RR
Rango P
Tipo 1
2,7-5
14-15
Tipo 2
2,5-5
14-15,6
Tipo 3
2,7-7,5
13-16
Tabla 27. Rangos de variación de las variables aleatorias
6.3.4.
Aplicación de SOLVER
Para el desarrollo de la optimización de la columna se recurre a Solver, una
herramienta de cálculo complemento de Excel.
Para ello se procede como sigue:
-
Se selecciona la variable que se desea optimizar, en este caso, el
KPI) consumo de la columna.
-
Se determina el valor de la celda objetivo, es decir, se especifica si la
variable a optimizar será de valor máximo, mínimo ó de un valor
determinado.
84
-
Se hace referencia a las celdas de aquellas variables que cambiarán
durante la búsqueda del óptimo. En este caso, dichas variables serán
la relación de reflujo (RR) y la presión de operación de la columna
(P).
-
Se imponen las restricciones que sean oportunas para la realización
de dicha búsqueda. Éstas quedan definidas como:
RR) mínimo <= RR) óptimo <= RR) máximo
P) mínimo >= P) óptimo<= P) máximo
KPI) consumo real>= KPI) consumo óptimo
6.4. DETERMINACIÓN DEL AHORRO
Una vez aplicado SOLVER y obtenidos los diferentes KPI) consumo para los
diferentes tipos de naftas, se calculan los consumos de Fuel Gas óptimos:
(ec.6)
El ahorro de combustible se calcula por diferencia entre el consumo de
combustible real y el óptimo determinado. Con ello, se obtendrá el ahorro
en términos económicos, procediendo como sigue:
(ec.7 )
Una vez realizado lo anterior, se opta por considerar una optimización desde
un punto de vista más conservador y otro desde un punto de vista más
objetivo.
85
6.4.1.
Optimización desde el punto de vista
conservador
Se considerará, para cada tipo de nafta, el día en el que el ahorro en
términos económicos sea máximo. Estos días corresponderán a unos
valores determinados de relación de reflujo y presión de operación de la
columna.
Si asumimos dichas condiciones para todo el periodo en el que se está
operando con el tipo de nafta considerado, se obtendrá un ahorro total para
dicho periodo de operación de la planta.
El ahorro total del periodo de funcionamiento considerado para este
proyecto resultará de la suma del total de ahorro de los tres periodos
correspondientes a cada tipo de nafta.
Los resultados se muestran en la siguiente tabla:
Periodo
Tipo de Nafta
Ahorro (€)
Ahorro (ptas.)
1
1
2.840 €
472.531
2
2
72.275 €
12.025.538
3
3
283.682 €
47.200.707
Ahorro Total
358.797 €
59.698.775
Tabla 28. Ahorro con operación conservadora
6.4.2.
Optimización menos conservadora de la
columna
En este caso, una optimización de la columna desde un punto de vista más
objetivo sería considerando el ahorro en cada uno de los registros
correspondientes a cada periodo de operación con cada tipo de nafta,
independientemente de si el ahorro es máximo o no lo es para dicho
periodo.
Así, para cada periodo, se obtendría un ahorro total sumatorio del ahorro
correspondiente a cada registro del periodo en cuestión.
El ahorro total para el periodo de funcionamiento correspondería a la suma
de los ahorros totales en cada uno de los periodos.
86
Los resultados obtenidos son:
Periodo
Tipo de Nafta
Ahorro (€)
Ahorro (ptas.)
1
1
2.015 €
335.253
2
2
29.565 €
4.919.158
3
3
125.809 €
20.932.805
Ahorro Total
157.388 €
26.187.216
Tabla 29. Ahorro con operación menos conservadora
87
CAPITULO 7. CONCLUSIONES
7.1. INTRODUCCIÓN
Todo proceso desarrollado en el ámbito industrial lleva involucrado tres
etapas principales: una entrada (personal, material, equipo, políticas,
procedimientos, métodos y el medio ambiente), una realización del
producto o servicio (proceso) y una salida (brindar un servicio y/o
elaboración de un producto).
En dichas etapas se comenten errores que afectan a la calidad del producto
y/o servicio. Todos los días se genera un defecto durante el desarrollo de
cada una de las etapas anteriores, tomándose un tiempo adicional para
probar, analizar y reparar. Estas actividades no adicionales requieren
espacio, equipo, materiales y gente.
Resulta, por ello, interesante la aplicación de una metodología capaz de
ayudar a prevenir los errores en los procesos industriales, siendo una de
ellas la aplicada y desarrollada en este proyecto, Six-Sigma (6σ). Ésta es
empleada para ofrecer un mejor producto o servicio, más rápido y al costo
más bajo.
Visitas elaboradas a empresas que han implantado esta metodología en su
operación diaria, dan a conocer que la calidad de los productos y servicios
después de haber aplicado la metodología es mucho mejor que antes de
aplicarla. Es por eso que las empresas que utilizan Six-Sigma, son parte de
las empresas reconocidas por su calidad de productos y servicios y las que
no la aplican están en proceso de utilizarla.
El interés despertado por este proyecto y la dedicación en la elaboración del
mismo han hecho que los resultados obtenidos sean satisfactorios
cumpliéndose las expectativas esperadas desde un principio, reforzando aún
más el éxito de la aplicación de dicha metodología.
7.2. CUMPLIMIENTO DE LOS OBJETIVOS
El cumplimiento de los objetivos de este proyecto tras la aplicación de la
metodología era primordial.
La innovación, respaldaba la elaboración del mismo, al ser la primera vez
que Six-Sigma rozaba procesos industriales tales como el refino del crudo.
Las esperanzas depositadas en el éxito de esta aplicación hicieron que
finalmente se obtuviesen resultados interesantes a la vez que agradables de
cara al cliente.
88
7.2.1.
Obtención de los modelos
La obtención de unos modelos que describiesen el comportamiento de las
columnas de destilación de la planta, era uno de los objetivos por cumplir.
Con estos modelos, además de reproducir la forma de operar de los
equipos, se proporciona información sobre variables del proceso que son
más influyentes durante el periodo de operación de las mismas, obteniendo
calidades de productos aptas para su comercialización. De igual forma, son
capaces de reproducir resultados futuros si se producen variaciones en
algunas de las variables que más se hacen notar en el proceso.
7.2.2.
Determinación de las variables más
influyentes del proceso
La determinación de las variables más influyentes del proceso es un
resultado indirecto de la obtención de los modelos. Para la elaboración de
éstos, fue necesario determinar las variables que más influían en la
operación de la planta.
El desarrollo de este proceso para determinar las variables que finalmente
constituirían los modelos, llevó a una reducción considerable en el número
de variables del proceso, permitiendo conocer cuáles eran las variables que
ante una variación, causaban efectos sobre la forma de operar de las
columnas, ó, lo que es lo mismo, sobre la calidad del producto.
7.2.3.
Optimización de la Desbutanizadora
La optimización de esta columna es uno de los resultados que despierta
más interés en el proyecto, pues es de dónde se obtiene el producto final de
la aplicación de la metodología. Este resultado se traduce en beneficios para
la planta: ahorro en términos económicos.
7.3. VALORACIÓN FINAL
Los resultados obtenidos tras la realización de la optimización dieron por
concluido los objetivos de este proyecto, depositándose gran confianza en la
aplicación de esta metodología en otros sectores de carácter energético.
De cara al cliente, la satisfacción mostrada hizo asentar aún más la
posibilidad de implantar esta metodología en diferentes ámbitos fuera de las
fronteras de los procesos de refino.
89
El sentido práctico adoptado a la hora de obtener los resultados y la forma
de proceder para obtener los mismos, hace que los modelos obtenidos sean
aplicables de forma directa en la propia planta y modificados, en caso de ser
necesarios.
90
CAPITULO 8. REFERENCIAS
-
Office of Energy Efficiency of Natural Resources Canada.(2004).Energy
Management Information Systems:achieving improved energy efficiency.
Canadá: James H. Hooke, Byron J. Landry, David Hart.
-
Daniel R. Summers, P.E.(Febrero 2010). Evaluating and Documenting Tower
Performance.Sulzer Chemtech USA, Inc. .USA
-
Colin S. Howat, Ph.D, P.E, Jonh E., Winifred E.Sharp(1999): Analysis of Plant
Performance.The McGraw-Hill Companies Inc. (capítulo 30).Kansas
-
Mintab.(2006). Manual Minitab 15 Statistical Software. Minitab, Inc..USA
-
E-book. Estadística para Ingenieros. http://www.itl.nist.gov/div898/handbook/
-
E-book. Economía. Método de Monte Carlos. http://economiaexcel.blogspot.com
-
Bruno Scibilia. Monte Carlo Simulation with Minitab Statistical Software.
Minitab Quality, Analysis, Results.
-
Minitab Quality trainer. Entrenamiento personal de Minitab Statistical
Software. Minitab.
-
Young-Hak Lee, Kwang Gi Min, Chonghun Han, Kun Soo Chang, Tae Hwa
Choi.(2003). Process improvement methodology based on multivariate
statistical analysis methods. Elsevier Ltd. Control Engineering Practice 12
(2004) 945–961.
-
Jang G.S, Jeon J.H. A Case Study on Six Sigma Project for Heat Efficiency
Improvement of a Hot Stove System in a Korean Steel Manufacturing
Company. A Six Sigma Methodology Using Data Mining (2009) 72-80.
-
Tony Cooper. (Octubre
www.aiche.org/cep.
-
Jang G.S, Jeon J.H, Lee D.H.: Development of Multi-stage Combustion
Pattern Control System in Hot Stove Using Data Mining. In: 9th World MultiConference on Systemics, Cybernetics and Informatics, pp.136-140 (2005).
2009).Understanding
Operating
Data.
CEP.
91
CAPITULO 9. ANEXOS
ANEXO I: INFORMACIÓN DE „PLANTA‟
1. INSTALACIÓN
Los requisitos mínimos para la instalación y ejecución del complemento de
Pl@nt@ son:
-
Sistema Operativo: Windows 95, 98, NT, 2000 ó XP.
-
Office: 97, 2000, XP.
-
Descarga del Complemento y descompresión en c:\pl@nt@\add-in.
-
Parser XML 3.0. En caso de Windows 95 y 98, de no tener instalado el
parser puede ser que nos pida el siguiente programa
\\Maddeinf\PLANTA\Descargas\InstMsiA.exe
para
realizar
la
instalación.
Añadir complemento en Excel.
Pasos:
1) Descarga del complemento de EXCEL.
Este proceso debe realizarse con la aplicación Microsoft Excel cerrada.
Ejecutar: \\madplanta\descargas\complementoexcel\Pl@nt@.exe
Sin modificar nada, presionar el botón Unzip. Esto realizará la copia del
complemento al directorio local en c:\Pl@nt@\addin.
92
Saldrá una ventana indicando que se han descomprimido los ficheros
correctamente.
Pulsar OK y pulsar Close de la ventana del WinZip Self-Extractor.
2) Añadir el complemento en Excel.
Abrir la aplicación Microsoft Excel y en el menú herramientas, pulsar
complementos.
Accederemos a la siguiente ventana.
Dar a examinar en la ventana y seleccionar del disco duro local en
c:\pl@nt@\addin\Planta.xla. Pulsar aceptar.
93
En caso de producirse algún error al cargar nos lo notificará debidamente y
abría
que
cerrar
el
excel
e
instalar
el
parser
XML:
\\maddeinf\planta\descargas\msxml3sp2setup
2. MENÚ
El menú de pl@nt@ contiene las siguientes entradas:
Ultimo valor puntual: Valor en el momento actual.
Ultimo valor bruto: Último valor almacenado.
Valor muestreado en fecha: Valor interpolado en
una fecha dada.
Valor bruto en fecha: Valor almacenado en una
fecha dada.
Valores muestreados entre fechas: Valores
interpolados entre dos fechas dadas y espaciados por
un intervalo.
Valores brutos entre fechas:
almacenados entre dos fechas.
Valores
brutos
Valor agregado: Valor Medio, máximo, mínimo o
desviación en un periodo de tiempo.
94
Valores agregados: Valores Medios, máximos, mínimos,.. entre fechas y
en cada intervalo.
Petición General: Cualquier petición a pl@nt@, resultado en Función no
matricial.
EyA: Peticiones a las fuentes EyA. Eventos y alarmas de HoneyWell.
Expresiones: Ejecución de una expresión pl@nt@.
Refrescar Todo: Refresca todas las funciones del libro activo.
Búsqueda de entidades: Permite buscar entidades del sistema Pl@nt@
Atributo de entidad: Permite buscar atributos de las entidades del
sistema Pl@nt@.
Se detalla a continuación, cada una de las opciones anteriores:
2.1.
Ultimo valor puntual:
Devuelve el valor muestreado para el atributo de una entidad, aplicando si
fuera necesario el modificador, en la fecha actual. Para el cálculo del valor
aplicará el método de interpolación seleccionado (lineal, escalar hacia atrás,
escalar around, escalar adelante). Así mismo, ese valor interpolado tendrá
una confianza (validez del dato suministrado) que se calculará en base al
método de huecos.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las unidades de medida que tenga asignado
el dato por defecto.
95
2.2.
Ultimo valor bruto
Devuelve el último valor almacenado del atributo de una entidad, aplicando
si fuera necesario el modificador.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las unidades de medida que tenga asignado
el dato por defecto.
96
2.3.
Valor muestreado en fecha
Valor interpolado del atributo de una entidad en una fecha determinada,
aplicando si fuera necesario el modificador. Calcula un valor para una fecha
determinada mediante la interpolación o extrapolación de valores brutos.
Para el cálculo del valor aplicará un método de interpolación seleccionado
(lineal, escalar hacia atrás, escalar Around, escalar adelante). Así mismo,
este valor tendrá una confianza (validez del dato suministrado) que se
calculará en base al método de huecos. Ver Anexo I para descripción del
método de huecos.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las últimas unidades de medida.
2.4.
Valor bruto en fecha
Obtiene el valor bruto del atributo de una entidad, aplicando si fuera
necesario el modificador, en una fecha dada.
En caso de no existir un registro almacenado con la misma fecha que se
solicita, no devolverá valores.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las últimas unidades de medida.
97
2.5.
Valores Muestreados entre fechas
Muestra los valores interpolados del atributo de una entidad, aplicando si
fuera necesario el modificador, entre dos fechas determinadas.
Se calculará un valor por cada espacio de tiempo especificado en el campo
"Intervalo". Para el cálculo de dichos valores se aplicará el método de
interpolación seleccionado (lineal, escalar hacia atrás, escalar around,
escalar adelante). Así mismo, ese valor interpolado tendrá una confianza
(validez del dato suministrado) que se calculará en base al método de
huecos.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las últimas unidades de medida.
98
2.6.
Valores brutos entre fechas
Retorna todos los valores almacenados entre dos fechas para el atributo de
una entidad dada, aplicando si fuera necesario el modificador.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las últimas unidades de medida.
99
2.7.
Valor Agregado
Valor medio, máximo, mínimo o desviación, dependiendo del valor
seleccionado en el campo Método, entre dos fechas del atributo de una
entidad, aplicando si fuera necesario el modificador.
Tras recuperar todos los valores almacenados entre las dos fechas, realiza
el cálculo seleccionado (AVG - La media de los valores , MAX – El máximo
valor, MIN – El mínimo valor ,STD – La desviación ,SUM – La suma de los
valores) con los valores encontrados.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las últimas unidades de medida.
2.8.
Valores agregados
Valores medio, máximo, mínimo, desviación, dependiendo del valor
seleccionado en el campo método, entre dos fechas cada un cierto intervalo
del atributo de una entidad, aplicando si fuera necesario el modificador.
Se calculará un valor por cada espacio de tiempo especificado en el campo
"Intervalo".
Tras recuperar todos los valores almacenados entre las dos fechas (inicio y
fin del intervalo), realiza el cálculo seleccionado (AVG - La media de los
valores, MAX – El máximo valor, MIN – El mínimo valor, STD – La
desviación, SUM – La suma de los valores) con los valores encontrados.
100
Nos devolverá el primer resultado en fecha y hora determinada que vendrá
definida por la fecha de inicio, el intervalo y por el método del intervalo. Ver
Anexo I para descripción del parámetro Mét. Intervalo.
El resultado nos lo devolverá en las unidades que coloquemos en el
parámetro de entrada "Unidad SDR", como es un campo opcional en caso
de dejarlo en blanco, lo hará en las últimas unidades de medida.
2.9.
Petición General
Las características principales de este formulario, y de la función Excel que
tiene asociadas son:
• Posibilidad de pedir cualquier dato al sistema aplicando cualquier método
de cálculo, intervalo, interpolación, etc.
• La posibilidad de poder pedir datos de varias entidades, atributos,
modificadores en una sola petición.
• Poder combinar los resultados en fecha de manera que se puedan tener
ordenados y colocados dentro de una misma matriz diferentes valores en
diferentes fechas.
• La manera en la que retorna los datos.
101
Al tratarse de un formulario desde el que se pueden pedir datos de
diferentes entidades, atributos y modificadores, se ha habilitado la
posibilidad de especificar varios valores en los campos Cód. Compuesto,
Atributo y Modificador.
Por ejemplo:
Estamos realizando 4 Peticiones:
Código Compuesto ---- CC1:CC2
Atributo ---- Atr1
Modificador ----- Mod1:Mod2
CC1:Atr1:Mod1
CC1:Atr1:Mod2
CC2:Atr1:Mod1
CC2:Atr1:Mod2
102
Igualmente, también se muestra el resultado de pedir los valores brutos de
dos entidades diferentes, 1PHD:XA01MA0001.PV y 1PHD:OSL101.PV
(atributo valor):
En la primera columna se encuentran, de forma ordenada, todas las fechas
para las que hay al menos un valor.
Así podemos ver como tenemos fechas para las que hay datos para todas
las entidades (señalado en rojo) y fechas para los que solo hay algunos
(amarillo y naranja).
Por el mismo mecanismo, si pedimos los valores muestreados (SNAP),
tendremos valores para todas las fechas y por lo tanto una matriz completa.
En caso de que se produjera un error en alguno de los datos pedidos, se
generaría un mensaje de error para cada fecha.
103
2.10. Solicitar Consulta
Desde este formulario se pueden solicitar ejecuciones de Entidades de tipo
Consulta de manera desatendida.
Cuando el servidor procese la solicitud, resolverá los datos asociados a la
consulta solicitada entre las fechas e intervalo indicados, enviará un
mensaje de correo confirmando la ejecución (si se solicito) y dejara el
resultado asociado a la consulta y disponible para su obtención desde el
formulario Resultados Consulta que de describe a continuación.
• Centro: Nombre del centro al que pertenece la entidad de tipo solicitud.
Cada vez que se cambia el centro se recarga el “combo” consulta con las
diferentes ocurrencias.
• Consulta: Desplegable con el nombre y descripción de las entidades de
tipo consulta disponibles.
• Ver sólo las consultas propias: Opción que permite al usuario mostrar
en el desplegable “Consulta” solamente las entidades de tipo Consulta que
hayan sido creadas por el.
• Fecha Inicio Datos: Fecha de inicio de petición de los datos relacionados
con la consulta.
• Fecha Fin Datos: Fecha de fin de petición de los datos relacionados con
la consulta.
• Intervalo Datos: Intervalo de petición de los datos relacionados con la
consulta.
104
• Combinar en fecha: Opción mediante la cual podemos decidir si
queremos si los resultados de la ejecución de la consulta se combinen en
fecha.
• Descripción: Descripción que queremos dar a la solicitud de la consulta.
• Avisar en Fallo Ejecución: Opción mediante la cual el usuario decide si
quiere recibir un correo electrónico si se produjese un error en la ejecución
de la solicitud.
Se enviar un correo a la dirección de correo electrónico asociada el usuario
en el sistema Pl@nt@.
• Avisar en Ejecución Correcta: Opción mediante la cual el usuario decide
si quiere recibir un correo electrónico cuando se haya realizado la ejecución
de la solicitud. Se enviar un correo a la dirección de correo electrónico
asociada el usuario en el sistema Pl@nt@.
2.11. Resultados Consulta
Este formulario puede recibir y pasar a una hoja Excel el resultado generado
tras la solicitud de una Consulta:
105
2.12. EyA
Desde este formulario, se pueden pedir datos de la fuente de datos EYA,
eventos y alarmas de HoneyWell.
Este formulario, y de la función Excel que tiene asociado es la manera en la
que retorna los datos en forma de función con rango asociado. Podemos
pedir ALARMAS, MENSAJES o CAMBIOS DE PROCESO.
Los parámetros del formulario, realizan filtro sobre los resultados de la
petición según las siguientes tablas.
106
2.13. Expresiones
Nos permite ejecutar una expresión pl@nt@. El método que utilizará para
resolver las entidades viene asignado en el parámetro de entrada "Método".
Y el intervalo utilizado lo obtendrá del parámetro "Intervalo".
El resultado lo estampillará en las unidades que coloquemos en el
parámetro de entrada "Unidad Medida".
Se ha incluido la posibilidad de hacer referencia a valores de las celdas
desde el código de una expresión a Planta.
Dicha referencia
se hace mediante la “función” VALORCELDA
(dirección_celda) que retorna el contenido de la celda a la que apunta.
Como podemos en la ilustración, hemos construido el texto de una
expresión con referencias a celdas de la hoja.
Si queremos ver cual es el resultado de la expresión, con el retorno de las
funciones, podemos hacer doble “click” sobre el campo de las expresiones y
se mostrará un formulario con el resultado, además podremos copiar el
resultado.
107
Advertencia: VALORCELDA no es una función de Excel, por lo que
solamente es válida de uso desde el campo Expresión del formulario de
expresiones. Si se actualiza algún campo a la que la expresión hace
referencia mediante la función VALORCELDA, no se actualizara
automáticamente las expresiones que la referencia.
108
2.14. Búsqueda de entidades
Permite la búsqueda de entidades dadas de alta dentro del catálogo del
sistema Pl@nt@.
Cada uno de los ocho parámetros actúan como filtros de búsqueda para
encontrar la entidad que necesitamos. Todos ellos son opcionales y en la
medida que acotemos nuestras búsquedas estas serán más eficientes. Una
vez elegidos los filtros con los que realizaremos la búsqueda, haremos
“click” en el botón de buscar que nos devolverá en la parte inferior del
formulario todas aquellas entidades que coincidan con los parámetros
indicados. El máximo número de resultados será de 300, en caso de existir
más coincidencias, se deberá acotar mas los parámetros de búsqueda. Una
vez encontradas las entidades resultado, podremos marcar una o varias de
ellas y después pinchar en el botón de aceptar. El botón Limpiar deja en
blanco la zona de resultados de búsqueda y el botón “Sel. Todo”, selecciona
todos los resultados obtenidos.
109
En el caso en que hayamos llamado a este formulario desde el menú de
planta, podremos poner las ocurrencias seleccionadas en la hoja activa de
Excel y podemos indicar mediante la selección de la opción transponer:
• Si queremos poner los resultados en columnas (transponer no marcado)
• Si queremos poner los resultados en filas (transponer marcado).
2.15. Atributo de entidad
Permite buscar los atributos de una entidad.
Cód. Compuesto: Código compuesto de la entidad para la que queremos
buscar la entidad. La selección de este se puede hacer o bien desde el
control de selección, bien desde una celda o bien buscando una entidad en
el formulario de búsqueda de entidades mediante la pulsación del botón con
el icono de la mano.
Una vez seleccionada, al pinchar en el botón de "Buscar " aparecerán en la
parte inferior del formulario los atributos que tiene relacionadas dichas
110
entidades. En primer lugar tendremos el atributo por defecto del tipo de
entidad.
En el caso en que hayamos llamado a este formulario desde el menú de
planta, podremos poner las ocurrencias seleccionadas en la hoja activa de
Excel y podemos indicar mediante la selección de la opción transponer:
• Si queremos poner los resultados en columnas (transponer no marcado)
• Si queremos poner los resultados en filas (transponer marcado).
111
ANEXO II: ANÁLISIS DE VARIABLES: GRÁFICOS DE
MATRIZ
112
113
114
115
116
ANEXO III: RESULTADOS DE MINITAB

Informe salida MINITAB para desbutanizadora
KPI rendimiento
La ecuación de regresión es
KPI relativa_desbuta = 1,73 - 0,593 Dens.gas reciclo (kg/Nm3)
+ 0,0120 LPG Aromax (m3/h)
- 0,00160 WAIT PLATFORMING (ºC) + 0,00129 T DELTA PP_V7
Predictor
Constante
Dens.gas reciclo (kg/Nm3)
LPG Aromax (m3/h)
WAIT PLATFORMING (ºC)
T DELTA PP_V7
S = 0,00580607
Coef
1,72678
-0,59313
0,0119854
-0,0016014
0,0012936
R-cuad. = 97,6%
PRESS = 0,00440022
Coef. de EE
0,09464
0,01540
0,0003380
0,0001885
0,0003180
T
18,25
-38,50
35,46
-8,50
4,07
P
0,000
0,000
0,000
0,000
0,000
R-cuad.(ajustado) = 97,5%
R-cuad.(pred) = 97,38%
Análisis de varianza
Fuente
Regresión
Error residual
Total
GL
4
120
124
SC
0,163676
0,004045
0,167721
Fuente
Dens.gas reciclo (kg/Nm3)
LPG Aromax (m3/h)
WAIT PLATFORMING (ºC)
T DELTA PP_V7
GL
1
1
1
1
MC
0,040919
0,000034
F
1213,84
P
0,000
SC sec.
0,108819
0,052245
0,002053
0,000558
Observaciones poco comunes
Obs
2
22
Dens.gas
reciclo
(kg/Nm3)
0,253
0,349
KPI
relativa_desbuta
0,800596
0,733469
Ajuste
0,793368
0,740376
Ajuste SE
0,002050
0,002063
Residuo
estándar
1,33 X
-1,27 X
Residuo
0,007228
-0,006906
X denota una observación cuyo valor X le concede gran influencia.
Estadístico de Durbin-Watson = 1,21465
117
Gráfica de probabilidad normal
(la respuesta es KPI relativa_desbuta)
99,9
99
Porcentaje
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-3
-2
-1
0
1
Residuo estandarizado
2
3
vs. ajustes
(la respuesta es KPI relativa_desbuta)
Residuo estandarizado
2
1
0
-1
-2
0,70
0,75
0,80
Valor ajustado
0,85
0,90
118
Histograma
(la respuesta es KPI relativa_desbuta)
12
Frecuencia
10
8
6
4
2
0
-1,8
-1,2
-0,6
0,0
0,6
Residuo estandarizado
1,2
1,8
119
KPI consumo
La ecuación de regresión es
IEE_desbuta carga unidad = +
+
Predictor
Constante
Carga a PP (m3/h)
P PP_V8 (bar)
RR)desbuta
T_fond_V11
T DELTA PP_V7
P_V11
KPI relativa_desbuta
S = 0,283022
4,78 - 0,0368 Carga a PP (m3/h)
0,255 P PP_V8 (bar) + 0,0793 RR)desbuta
0,0372 T_fond_V11 - 0,0867 T DELTA PP_V7
0,269 P_V11 + 11,0 KPI relativa_desbuta
Coef
-4,777
-0,036779
-0,25456
0,07928
0,037192
-0,08668
0,26874
11,041
PRESS = 9,80801
R-cuad. = 84,9%
Coef. de EE
1,591
0,006694
0,03493
0,03413
0,005214
0,01958
0,07475
1,253
T
-3,00
-5,49
-7,29
2,32
7,13
-4,43
3,60
8,81
P
0,003
0,000
0,000
0,022
0,000
0,000
0,000
0,000
R-cuad.(ajustado) = 83,9%
R-cuad.(pred) = 82,59%
Análisis de varianza
Fuente
Regresión
Error residual
Total
GL
7
106
113
Fuente
Carga a PP (m3/h)
P PP_V8 (bar)
RR)desbuta
T_fond_V11
T DELTA PP_V7
P_V11
KPI relativa_desbuta
SC
47,8568
8,4908
56,3476
GL
1
1
1
1
1
1
1
MC
6,8367
0,0801
F
85,35
P
0,000
SC sec.
30,0850
0,5294
6,3433
4,4074
0,0056
0,2706
6,2155
Observaciones poco comunes
Obs
15
Carga a
PP (m3/h)
58,3
IEE_desbuta
carga unidad
8,9232
Ajuste
8,7521
Ajuste SE
0,1315
Residuo
0,1711
Residuo
estándar
0,68 X
X denota una observación cuyo valor X le concede gran influencia.
Estadístico de Durbin-Watson = 1,62908
120
Gráfica de probabilidad normal
(la respuesta es IEE_desbuta carga unidad)
99,9
99
Porcentaje
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-3
-2
-1
0
1
Residuo estandarizado
2
3
vs. ajustes
(la respuesta es IEE_desbuta carga unidad)
Residuo estandarizado
2
1
0
-1
-2
8,0
8,5
9,0
9,5
10,0
Valor ajustado
10,5
11,0
11,5
121
Histograma
(la respuesta es IEE_desbuta carga unidad)
14
12
Frecuencia
10
8
6
4
2
0
-1,50
-0,75
0,00
0,75
Residuo estandarizado
1,50
122

Informe salida MINITAB para desbencenizadora
KPI rendimiento
La ecuación de regresión es
KPI relativa_desbence = 0,415 + 0,0183 LPG Aromax (m3/h)
- 0,000964 T DELTA PP_V5/6/7 - 0,00121 Carga a PP
(m3/h)
- 0,00396 T DELTA PP_V7
Predictor
Constante
LPG Aromax (m3/h)
T DELTA PP_V5/6/7
Carga a PP (m3/h)
T DELTA PP_V7
S = 0,00947227
Coef
0,41541
0,0183305
-0,00096425
-0,0012117
-0,0039605
R-cuad. = 94,8%
PRESS = 0,00640724
Coef. de EE
0,01358
0,0009918
0,00009488
0,0001751
0,0008207
T
30,60
18,48
-10,16
-6,92
-4,83
P
0,000
0,000
0,000
0,000
0,000
R-cuad.(ajustado) = 94,5%
R-cuad.(pred) = 93,85%
Análisis de varianza
Fuente
Regresión
Error residual
Total
GL
4
60
64
Fuente
LPG Aromax (m3/h)
T DELTA PP_V5/6/7
Carga a PP (m3/h)
T DELTA PP_V7
SC
0,098823
0,005383
0,104206
GL
1
1
1
1
MC
0,024706
0,000090
SC sec.
0,056787
0,033678
0,006268
0,002090
F
275,35
P
0,000
123
Gráfica de probabilidad normal
(la respuesta es KPI relativa_desbence)
99,9
99
Porcentaje
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-3
-2
-1
0
1
Residuo estandarizado
2
3
vs. ajustes
(la respuesta es KPI relativa_desbence)
Residuo estandarizado
2
1
0
-1
-2
0,15
0,20
0,25
Valor ajustado
0,30
0,35
124
Histograma
(la respuesta es KPI relativa_desbence)
18
16
14
Frecuencia
12
10
8
6
4
2
0
-2
-1
0
Residuo estandarizado
1
2
125
KPI consumo (I)
La ecuación de regresión es
IEE_desbence carga unidad = +
+
+
+
Predictor
Constante
F PP-V8 a PP-V11 (m3/h)
T_fond_V13
T_cab_V13
Carga acumulada
Dens.gas reciclo (kg/Nm3)
KPI relativa_desbence
RR)desbence
Carga a PP (m3/h)
KPI relativa_desbuta
WAIT PLATFORMING (ºC)
T DELTA PP_V6
S = 4,47896
Coef
-752,0
-4,7472
1,1229
0,6492
-0,00008446
-123,16
167,94
34,144
3,7288
88,85
1,0702
-1,1446
R-cuad. = 91,0%
PRESS = 3215,15
752 - 4,75 F PP-V8 a PP-V11 (m3/h)
1,12 T_fond_V13 + 0,649 T_cab_V13
0,000084 Carga acumulada
123 Dens.gas reciclo (kg/Nm3)
168 KPI relativa_desbence + 34,1 RR)desbence
3,73 Carga a PP (m3/h) + 88,9 KPIrelativa_desbut
1,07 WAIT PLATFORMING (ºC) - 1,14 T DELTA PP_V6
Coef. de EE
109,4
0,7681
0,1340
0,1328
0,00000850
22,53
14,04
2,750
0,7374
29,20
0,2212
0,1417
T
-6,87
-6,18
8,38
4,89
-9,94
-5,47
11,96
12,42
5,06
3,04
4,84
-8,08
P
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,003
0,000
0,000
R-cuad.(ajustado) = 90,2%
R-cuad.(pred) = 89,28%
Análisis de varianza
Fuente
Regresión
Error residual
Total
GL
11
135
146
SC
27295,3
2708,2
30003,5
Fuente
F PP-V8 a PP-V11 (m3/h)
T_fond_V13
T_cab_V13
Carga acumulada
Dens.gas reciclo (kg/Nm3)
KPI relativa_desbence
RR)desbence
Carga a PP (m3/h)
KPI relativa_desbuta
WAIT PLATFORMING (ºC)
T DELTA PP_V6
MC
2481,4
20,1
GL
1
1
1
1
1
1
1
1
1
1
1
F
123,69
P
0,000
SC sec.
8730,7
6821,9
1,1
2482,3
2867,9
1099,6
3200,1
703,7
2,1
76,5
1309,5
Observaciones poco comunes
Obs
38
F PP-V8
a PP-V11
(m3/h)
45,3
IEE_desbence
carga unidad
68,822
Ajuste
70,632
Ajuste SE
2,296
Residuo
-1,811
Residuo
estándar
-0,47 X
X denota una observación cuyo valor X le concede gran influencia.
126
Estadístico de Durbin-Watson = 1,26300
Gráfica de probabilidad normal
(la respuesta es IEE_desbence carga unidad)
99,9
99
Porcentaje
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-3
-2
-1
0
1
Residuo estandarizado
2
3
vs. ajustes
(la respuesta es IEE_desbence carga unidad)
Residuo estandarizado
2
1
0
-1
-2
40
50
60
70
Valor ajustado
80
90
100
127
Histograma
(la respuesta es IEE_desbence carga unidad)
18
16
14
Frecuencia
12
10
8
6
4
2
0
-1,8
-1,2
-0,6
0,0
0,6
Residuo estandarizado
1,2
1,8
128
KPI consumo (II)
La ecuación de regresión es
IEE_desbence carga unidad = +
+
Predictor
Constante
F PP-V8 a PP-V11 (m3/h)
T_fond_V13
T_cab_V13
KPI relativa_desbence
RR)desbence
KPI relativa_desbuta
S = 3,33916
Coef
-254,31
-0,90052
2,28046
0,64285
172,48
48,968
-145,63
R-cuad. = 95,9%
PRESS = 1277,40
254 - 0,901 F PP-V8 a PP-V11 (m3/h)
2,28 T_fond_V13 + 0,643 T_cab_V13
172 KPI relativa_desbence + 49,0 RR)desbence
146 KPI relativa_desbuta
Coef. de EE
14,58
0,05941
0,07898
0,06923
12,09
2,112
12,93
T
-17,44
-15,16
28,87
9,29
14,26
23,18
-11,27
R-cuad.(ajustado) = 95,7%
R-cuad.(pred) = 95,35%
Análisis de varianza
Fuente
Regresión
Error residual
Total
GL
6
100
106
SC
26367,3
1115,0
27482,3
Fuente
F PP-V8 a PP-V11 (m3/h)
T_fond_V13
T_cab_V13
KPI relativa_desbence
RR)desbence
KPI relativa_desbuta
GL
1
1
1
1
1
1
P
0,000
0,000
0,000
0,000
0,000
0,000
0,000
MC
4394,5
11,1
F
394,13
SC sec.
9371,8
10483,3
332,8
8,5
4755,6
1415,2
Estadístico de Durbin-Watson = 1,36901
P
0,000
129
Gráfica de probabilidad normal
(la respuesta es IEE_desbence carga unidad)
99,9
99
Porcentaje
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-3
-2
-1
0
1
Residuo estandarizado
2
3
vs. ajustes
(la respuesta es IEE_desbence carga unidad)
Residuo estandarizado
2
1
0
-1
-2
30
40
50
60
70
80
Valor ajustado
90
100
110
120
130
Histograma
(la respuesta es IEE_desbence carga unidad)
16
14
Frecuencia
12
10
8
6
4
2
0
-1,50
-0,75
0,00
0,75
Residuo estandarizado
1,50
131
ANEXO IV: ERRORES DE LOS MODELOS

Desbutanizadora
KPI rendimiento
Error relativo del modelo KPI_desbuta
70,00
50,00
30,00
10,00
-10,00
-30,00
-50,00
-70,00
KPI consumo
Error relativo modelo KPI_consumo desbuta
70,000
50,000
30,000
10,000
-10,000
-30,000
-50,000
-70,000
132

Desbencenizadora
KPI rendimiento
KPI consumo (I)
133
KPI consumo (II)
134
ANEXO V: RESULTADO DE LAS VALIDACIONES

Periodo Mayo 2007- Enero 2009
Modelo KPI_ rendimiento desbutanizadora
Error validación modelo KPI_ desbuta
70,00
50,00
30,00
10,00
-10,00
-30,00
-50,00
-70,00
Modelo KPI_ consumo desbutanizadora
Error validación KPI_consumo desbuta
0,00
-10,00
-20,00
-30,00
-40,00
-50,00
-60,00
-70,00
-80,00
-90,00
-100,00
135
Modelo KPI_ rendimiento desbencenizadora
Modelo KPI_ consumo (I) desbencenizadora
136
Modelo KPI_ consumo (II) desbencenizadora
137

Periodo Enero 2010 - Mayo 2010
Modelo KPI_ rendimiento desbutanizadora
Error validación modelo KPI_desbuta
70,00
50,00
30,00
10,00
-10,00
-30,00
-50,00
-70,00
Modelo KPI_ consumo desbutanizadora
Error validación KPI_consumo desbuta
70,00
50,00
30,00
10,00
-10,00
-30,00
-50,00
-70,00
138
Modelo KPI_ rendimiento desbencenizadora
Error validación modelo KPI_desbence
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00
-10,00
-20,00
-30,00
-40,00
-50,00
-60,00
-70,00
Modelo KPI_ consumo (I) desbencenizadora
Error de validación modelo KPI_consumo desbence
70,0
50,0
30,0
10,0
-10,0
-30,0
-50,0
-70,0
139
Modelo KPI_ consumo (II) desbencenizadora
70,0
50,0
30,0
10,0
-10,0
-30,0
-50,0
-70,0
Error de validación KPI _consumo desbence
140
ANEXO VI: ESTUDIO DE VARIABLES CAUSANTES DEL
DESAJUSTE ENTRE KPI‟S DESBUTANIZADORA

Análisis
de
control
variables
KPI_rendimiento (04/2008)
KPI_consumo
vs.
Gráfica I de Dens.gas reciclo
0,55
UCL=0,5101
0,50
2
Valor individual
0,45
2
0,40
_
X=0,3617
0,35
0,30
22
0,25
LCL=0,2132
0,20
1
6
11
16
21
26
31
Observación
36
41
46
51
141
Gráfica I de LPG Aromax
6
1
1
1
UCL=5,149
Valor individual
5
4
_
X=3,558
3
2
LCL=1,967
1
1
1
6
11
16
21
26
31
Observación
36
41
46
51
Gráfica I de WAIT PLATFORMING
522,5
1
1
1
1
520,0
22
2
Valor individual
517,5
2
2
1 1
2
_
X=514,71
515,0
2
512,5
2
510,0
507,5
UCL=520,36
2
1 1
1
1
505,0
LCL=509,07
2
11
1
1
1
1
6
11
16
21
26
31
Observación
36
41
46
51
142
Gráfica I de T ambiente
26
11
UCL=24,20
24
Valor individual
22
22
20
_
X=18,36
2
18
2
2
16
2
2
14
2
2
22
LCL=12,51
12
1
10
1
6
11
16
21
26
31
Observación
36
41
46
51
Gráfica I de Carga
1
70
1 11
UCL=66,19
Valor individual
60
2
_
X=54,80
2
50
LCL=43,42
40
1
1
1
30
1
6
11
16
21
26
31
Observación
36
41
46
51
143
Gráfica I de P PP_V8
1 1
1
1
20
19
Valor individual
UCL=18,481
18
17
_
X=16,119
16
2
15
2
14
2
LCL=13,757
1
13
1
6
11
16
1
21
26
31
Observación
36
41
46
51
Gráfica I de RR)desbuta
12
1
Valor individual
10
UCL=8,11
8
6
_
X=3,97
4
2
2
2
2
2
0
LCL=-0,17
1
6
11
16
21
26
31
Observación
36
41
46
51
144
Gráfica I de T_fond_V11
240
UCL=236,36
235
22
Valor individual
230
_
X=224,36
225
220
215
LCL=212,36
210
205
1
1
6
11
16
21
26
31
Observación
36
41
46
51
Gráfica I de P_V11
UCL=17,030
17,0
Valor individual
16,5
16,0
_
X=15,799
15,5
2
2
15,0
2
22 22 22
LCL=14,569
14,5
1
6
11
16
21
26
31
Observación
36
41
46
51
145
Gráfica I de KPI_relativa desbuta
0,90
UCL=0,8833
Valor individual
0,85
0,80
_
X=0,7840
0,75
0,70
LCL=0,6847
1

6
11
16
21
26
31
Observación
36
41
46
51
Análisis de variables Enero 2010-Mayo2010
Gráfica I de P PP_V8
21
1
20
UCL=19,688
Valor individual
19
2
18
17
_
X=16,212
16
15
2
14
2
13
LCL=12,735
12
1
6
11
16
21
26
31
Observación
36
41
46
146
Gráfica I de RR)desbuta
1
8
7
1
UCL=6,291
Valor individual
6
5
_
X=3,656
4
2
3
2
2
22
2
LCL=1,021
1
0
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de T_fond_V13
160
1
1
1
1
1
155
Valor individual
1
22
2
UCL=154,34
2
150
_
X=148,57
2
2 22
145
2
LCL=142,79
140
11
1
1
1
1
1
1
6
11
16
21
26
31
Observación
36
41
46
147
Gráfica I de P_V11
16,5
1
16,0
1
Valor individual
15,5
UCL=15,405
15,0
_
X=14,525
14,5
2
2
14,0
LCL=13,646
13,5
1
1
13,0
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de KPI_relativa desbuta
0,925
1
UCL=0,9106
Valor individual
0,900
0,875
2
_
X=0,8486
0,850
0,825
0,800
LCL=0,7866
1
1
6
11
16
21
26
31
Observación
36
41
46
148
Gráfica I de Dens.gas reciclo
1
1
0,40
UCL=0,3950
Valor individual
0,35
_
X=0,2934
0,30
0,25
2
0,20
LCL=0,1917
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de LPG Aromax
1
9
UCL=8,132
8
Valor individual
7
2
6
5
2
2
_
X=5,902
2
2
4
LCL=3,671
1
3
1
2
1
1
1
6
11
16
21
26
31
Observación
36
41
46
149
Gráfica I de WAIT PLATFORMING
530
2
22
22
2
2
2
111
2
1
1
_
X=524,91
525
Valor individual
UCL=530,19
2
520
LCL=519,64
1
111
515
510
1
1
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de T ambiente
22,5
2
20,0
2
2
2
17,5
Valor individual
UCL=21,62
2
2
_
X=14,39
15,0
12,5
10,0
2
7,5
LCL=7,16
1
5,0
1
6
11
16
21
26
31
Observación
36
41
46
150

Análisis de variables Enero09-Enero10 (datos de modelo)
Gráfica I de Carga a PP (m3/h)
111
70
111
1
65
11111111 111111
60
Valor individual
1
1
11
1
1111
1
111 1
1
22222222
55
2
2 222
222
2 22222222
2
2
UCL=60,20
2
2
2
_
X=52,38
2
50
222
2
22222222 222
22 22222222
22
1
45
40
2
22
LCL=44,57
11
1
1
1
111
1
35
1
1111
1
111111111
1
19
37
55
73
91
109
Observación
127
1
1
1
145
163
Gráfica I de P PP_V8 (bar)
22
111
1
21
Valor individual
20
1
1
1
1
1
11
19
1
1
2
2
2
18
2
17
1
11
11
1
1
UCL=18,199
2
2
22
2
2
2
16
15
2
2 22
22
14
22
2
2
222 2 2
2
2
2
2 22 2 222 22
2
2
2 22
1
_
X=16,064
2
2
2
222222 2111111111111
LCL=13,929
11
13
1
19
37
55
73
91
109
Observación
127
145
163
151
Gráfica I de RR)desbuta
1
25
Valor individual
20
15
10
1
1
2
222
5
22
22
2
2
22
222
2
2222222222
2
2
LCL=1,36
0
1
19
37
55
73
91
109
Observación
127
145
UCL=7,15
_
X=4,26
163
Gráfica I de T_fond_V11
250
Valor individual
240
230
1
11
1
1
1 11
1 1
1
1 1 2
2
22
22
22 2
2
2 22 2
22 2
2 22
2
2
22
2
2
UCL=238,33
2
22
2 22 2
22 2
2
2
2
220
2
22 2
2
_
X=227,94
2
2
2
2
2 2 2
22
2
1
1
210
1
19
37
55
73
91
109
Observación
127
22 2
22 2
2
2
22
22 2 2
2
222 2
11
1
1 11
11
145
163
LCL=217,56
152
Gráfica I de P_V11
16,0
11111111111
1
11
111111111111
15,5
Valor individual
1111111
1111111111
2
1
1
1
1
1
1
1
1
11
1 1 11
11
1
1
22
222
15,0
UCL=15,451
_
X=15,107
2
2
1
14,5
1
2
222
22
221
1
1
111
1
2
222 2
11
1
11 11111111
11
1
1
22
LCL=14,763
1111 11
1
11
11
1111
14,0
111
1
13,5
1
1
19
37
55
73
91
109
Observación
127
145
163
Gráfica I de Dens.gas reciclo (kg/Nm3)
1
0,40
1
212
2
2
2
2
2
1
Valor individual
0,35
2
22
2
0,30
UCL=0,3885
2
_
X=0,2914
2
2
0,25
2
2
2
2
2
2
2
22
2
2
22
22
2
0,20
1
1
1
19
37
55
73
91
109
Observación
127
145
163
LCL=0,1944
153
Gráfica I de LPG Aromax (m3/h)
8
1
7
11111
1 1
Valor individual
6
11
2
2 22
5
4
3
2
1
22
1
1
11 11
1
1
1 11
11
1 111
1
1
1
111 1
1 1
1
11 11 11 11 11 1 1 11
1111
1
1
2
2
2
UCL=5,724
22
_
X=4,527
2
22
2 2
22 2
22
2
2
12 2 11222222
1
1
1
11 1 1 1
1 11 11
11 1
11 111111 1 11 111 1 1111 1
1
1
1
1
111
11
11 1
1
1
1
1
LCL=3,330
1
1
1
19
37
55
73
91
109
Observación
127
145
163
Gráfica I de WAIT PLATFORMING (ºC)
1
22
222
520
22
2
32212
22222
1 2
2222222222222
2222222222
2222 2222
2 222
12 1
500
Valor individual
UCL=521,6
_
X=514,6
LCL=507,6
1
480
460
440
1
420
1
19
37
55
73
91
109
Observación
127
145
163
154
Gráfica I de T ambiente (ºC)
30
11
11
1
11
1 1 1111
1
1
1
1
11
1 2 2 22
2
2
2 2
2
2
2
22
2 222 2 2
2 22 22 2
2
22
22
2
2
22
2
2 2
22 22 2
2
2
Valor individual
25
20
10
5
2
2 2
22
22
22
2
2 222
22
2
1 1 12
1
1
1
22
2 2
2
2 2
2
15
1
11
2
UCL=24,45
_
X=17,26
2
22222
2
2
2
2
2
2
1
1
1
1
1
1
0
1
19
37
55
73
91
109
Observación
127
145
163
11
LCL=10,07
155
ANEXO VII: ANÁLISIS DE LA TENDENCIA DE LA
DESBENCENIZADORA

Análisis tendencia descendente 14/04/2008 – 2/07/2008
Gráfica I de F PP-V8 a PP-V11
60
2
2
UCL=55,14
2
Valor individual
50
2
_
X=40,90
40
30
LCL=26,65
20
1
1
3
5
7
9
11
13
15
Observación
17
19
21
23
156
Gráfica I de Carga acumulada
480000
1
Valor individual
460000
440000
3
3
1
1
1
1
1
1
1
1
UCL=434621
_
X=422686
420000
400000
1
380000
360000
1
1
1
1
1
1
1
2
1
LCL=410750
2
1
1
1
3
5
7
9
11 13 15
Observación
17
19
21
23
Gráfica I de T_cab_V13
100
1
UCL=99,104
99
Valor individual
98
97
_
X=95,604
96
95
94
93
LCL=92,104
92
91
1
1
3
5
7
9
11 13
15
Observación
17
19
21
23
157
Gráfica I de T_fond_V13
172
1
UCL=170,18
Valor individual
170
168
166
_
X=165,38
164
2
162
LCL=160,58
160
1
3
5
7
9
11 13
15
Observación
17
19
21
23
Gráfica I de RR)desbence
1
1
2,0
UCL=1,838
Valor individual
1,5
_
X=0,916
1,0
2
0,5
2
0,0
LCL=-0,005
1
3
5
7
9
11
13
15
Observación
17
19
21
23
158
Gráfica I de T DELTA PP_V7
Valor individual
20
UCL=19,88
15
_
X=11,43
2
10
5
LCL=2,98
1
3
5
7
9
11
13
15
Observación
17
19
21
23
Gráfica I de KPI_relativa desbence
0,40
UCL=0,3826
0,35
2
Valor individual
2
2
0,30
2
2
2
_
X=0,2541
2
0,25
0,20
2
0,15
LCL=0,1255
0,10
1
3
5
7
9
11 13
15
Observación
17
19
21
23
159
Gráfica I de T DELTA PP_V6
40
UCL=39,64
Valor individual
35
30
_
X=25,14
25
2
20
15
LCL=10,64
10
1
3
5
7
9
11
13
15
Observación
17
19
21
23
Gráfica I de WAIT PLATFORMING
UCL=517,88
517,5
Valor individual
515,0
512,5
2
_
X=511,38
510,0
507,5
2
505,0
LCL=504,88
1
3
5
7
9
11 13 15
Observación
17
19
21
23
160
Gráfica I de Dens.gas reciclo
0,50
UCL=0,4736
Valor individual
0,45
0,40
_
X=0,3482
0,35
0,30
0,25
LCL=0,2228
0,20
1
3
5
7
9
11 13
15
Observación
17
19
21
23
Gráfica I de Carga
70
2
2
UCL=68,68
2
Valor individual
60
2
_
X=55,31
50
2
LCL=41,94
40
1
30
1
3
5
7
9
11
13
15
Observación
17
19
21
23
161
Gráfica I de P PP_V8
1
20
1
1
1
Valor individual
19
UCL=18,971
18
17
_
X=16,504
16
15
2
LCL=14,038
14
1
3
5
7
9
11
13
15
Observación
17
19
21
23
Gráfica I de P_V13
1
1,30
Valor individual
1,25
1,20
1,15
UCL=1,1415
1,10
2
1
3
5
7
2
9
2
2
2
2
2
2
11 13
15
Observación
2
2
17
2
2
19
2
2
21
2
2
_
X=1,1074
2
LCL=1,0733
23
162

Análisis tendencia descendente 2/07/2008 – Enero/2009
Gráfica I de F PP-V8 a PP-V11
55
11
50
1
1
Valor individual
45
2
40
22
2
22
UCL=45,44
2
2
2
22
2
_
X=36,37
35
22 2 22
22
2
30
LCL=27,31
25
1
20
1
1
1
11
6
1
1
11
16
21
26
Observación
31
36
41
46
Gráfica I de Carga acumulada
640000
620000
Valor individual
600000
580000
560000
33
540000
520000
1
500000
480000
460000
1
1
11
1
1
1
11
6
11
11
11
1
1
11
22
3
1
11
11
1
1
11
11
1
11
11
1
1
11
11
_
UCL=557444
X=548933
LCL=540422
2
11
16
21
26
31
Observación
36
41
46
163
Gráfica I de T_cab_V13
2
97
UCL=97,16
96
2
Valor individual
95
94
_
X=93,47
93
92
91
2
2
90
1
89
LCL=89,78
11
88
1
1
6
11
16
21
26
Observación
31
36
41
46
Gráfica I de T_fond_V13
1
172
1
Valor individual
170
UCL=169,31
168
166
2
_
X=164,44
164
2
162
160
LCL=159,57
1
6
11
16
21
26
31
Observación
36
41
46
164
Gráfica I de RR)desbence
UCL=2,023
2,0
Valor individual
1,5
2
_
X=0,941
1,0
2
0,5
0,0
LCL=-0,142
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de T DELTA PP_V7
20,0
UCL=18,95
Valor individual
17,5
15,0
22
_
X=13,09
12,5
10,0
7,5
LCL=7,23
1
5,0
1
6
1
11
16
21
26
31
Observación
36
41
46
165
Gráfica I de KPI_relativa desbence
0,45
1
0,40
UCL=0,3512
Valor individual
0,35
0,30
0,25
_
X=0,2144
0,20
2
2
2
2
0,15
0,10
LCL=0,0777
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de T DELTA PP_V6
40
UCL=37,12
Valor individual
35
2
30
_
X=24,88
25
2
2
20
2
2
2
2
2
15
2
LCL=12,65
1
10
11
1
6
11
16
21
26
Observación
31
36
41
46
166
Gráfica I de WAIT PLATFORMING
11
1
1
520
22 2
2
2 22
2
2
2
2
2
Valor individual
UCL=520,90
_
X=516,39
515
2
LCL=511,88
510
1
11
1
1
1
1
505
1
1
1
500
1
6
11
16
21
26
31
Observación
36
41
46
Gráfica I de Dens.gas reciclo
1
11
0,50
UCL=0,4963
Valor individual
0,45
2
2
2
2
2
0,40
2
2
_
X=0,3718
2
0,35
0,30
0,25
2
1
6
11
16
21
26
31
Observación
36
41
46
LCL=0,2472
167
Gráfica I de Carga
1
70
1
1
Valor individual
60
11
2
2
2
22
2 2 22
22
2
UCL=59,06
_
X=51,33
50
22 2 22 2 2 22 2
LCL=43,60
40
1
1
1
1 11
1
30
1
6
11
16
21
26
Observación
31
36
41
46
Gráfica I de P PP_V8
22
1
21
Valor individual
20
19
2
18
2
17
UCL=17,826
22
2
2
16
_
X=15,559
2
22
2
15
2
14
2
13
LCL=13,293
21
1
6
11
16
21
26
31
Observación
36
41
46
168
Gráfica I de P_V13
1,17
1,16
1
1
1
Valor individual
1,15
1
1,14
1
11
1
UCL=1,13335
1,13
1,12
_
X=1,10820
1,11
2
1,10
22
1,09
2
2
2
22
22
1,08
22
2
2
2
2
22
2
2
LCL=1,08306
2
1
1
2
6
11
16
21
26
31
Observación
36
41
46
169
ANEXO VIII: ANÁLISIS DEL TRASLADO DE LA CURVA
KPI_CONSUMO DESBENCENIZADORA

Rango de variación de las variables del modelo de consumo
(II)
Gráfica I de F PP-V8 a PP-V11 (m3/h)
65
111
60
11
1
1
1
1
UCL=56,59
Valor individual
55
50
_
X=47,80
45
40
LCL=39,01
111
11
1 1
1
35
1
1
30
1
1
12
23
34
45
56
67
Observación
78
89
100
170
Gráfica I de T_fond_V13
1
Valor individual
160
1
1
111
1
11
1 1
1
1
1
11 1
1
1
UCL=156,39
155
_
X=151,51
150
LCL=146,64
11
145
11
11
1
1
1
1
140
1
12
23
34
45
56
67
Observación
78
89
100
Gráfica I de KPI relativa_desbuta
0,90
1
1
1
UCL=0,8745
Valor individual
0,85
_
X=0,8031
0,80
0,75
LCL=0,7318
1
0,70
1
12
23
34
45
56
67
Observación
78
89
100
171
Gráfica I de KPI relativa_desbence
1
1
0,35
11
1
Valor individual
1
UCL=0,3245
0,30
_
X=0,2567
0,25
0,20
LCL=0,1888
1
0,15
1
12
23
34
45
56
67
Observación
78
89
100
Gráfica I de RR)desbence
1,75
1
1
1
Valor individual
1,50
1
UCL=1,453
1,25
1,00
_
X=0,903
0,75
0,50
LCL=0,354
1
12
23
34
45
56
67
Observación
78
89
100
172
Gráfica I de T_cab_V13
100
1
1
11 1
1 1
Valor individual
95
1
1
111
1 1
11
1
1
11
1 1
1
11
1 11 1
1 1
1
90
UCL=86,21
85
_
X=81,80
80
LCL=77,39
1
75
1
1
1 1
1
1 1111 1 1 11
1 1 11
1 11
11
1
70
1
1
12
23
34
45
56
67
Observación
78
89
1
1 1
11
1
1
1
100
173

Rango de variación de las variables del modelo de consumo
(II) en periodo de validación
Gráfica I de F PP-V8 a PP-V11
55
11
1
1
50
1
UCL=49,59
Valor individual
45
_
X=39,17
40
35
30
LCL=28,75
25
20
1
1
7
13
19
25
31
37
Observación
43
49
55
Gráfica I de T_fond_V13
172
1
170
Valor individual
UCL=169,24
168
166
_
X=164,55
164
162
160
LCL=159,86
1
7
13
19
25
31
37
Observación
43
49
55
174
Gráfica I de KPI_relativa desbuta
0,88
UCL=0,8639
0,86
Valor individual
0,84
0,82
_
X=0,7944
0,80
0,78
0,76
0,74
LCL=0,7249
0,72
1
7
13
19
25
31
37
Observación
43
49
55
Gráfica I de KPI_relativa desbence
0,45
1
0,40
1
UCL=0,3528
Valor individual
0,35
0,30
0,25
_
X=0,2191
0,20
0,15
0,10
LCL=0,0854
1
7
13
19
25
31
37
Observación
43
49
55
175
Gráfica I de RR)desbence
11
2,0
UCL=1,968
Valor individual
1,5
_
X=0,981
1,0
0,5
0,0
LCL=-0,005
1
7
13
19
25
31
37
Observación
43
49
55
Gráfica I de T_cab_V13
100
1
98
1
UCL=96,96
Valor individual
96
_
X=94,03
94
92
LCL=91,11
1
90
1
1
11
88
1
86
1
7
13
19
25
31
37
Observación
43
49
55
176

Análisis de rangos de variables que difieren en el modelo KPI
consumo (I) y KPI consumo (II)
Gráfica I de T DELTA PP_V6
1
1
45
UCL=41,97
Valor individual
40
35
_
X=29,78
30
25
20
LCL=17,60
1
1
12
23
34
45
56
67
Observación
78
89
100
Gráfica I de WAIT PLATFORMING (ºC)
525
1
1
11 1
UCL=520,95
Valor individual
520
_
X=515,67
515
LCL=510,39
510
1
1
1
1
1
12
23
34
45
56
67
Observación
78
89
100
177
Gráfica I de Carga a PP (m3/h)
11
70
111
1
1
1
1
65
UCL=64,21
Valor individual
60
_
X=55,27
55
50
45
40
LCL=46,33
11111111
111 1
1
1
1
35
1
1
12
23
34
45
56
67
Observación
78
89
100
Gráfica I de Dens.gas reciclo (kg/Nm3)
1
0,40
1
UCL=0,3893
Valor individual
0,35
0,30
_
X=0,2856
0,25
0,20
LCL=0,1818
1
12
23
34
45
56
67
Observación
78
89
100
178

Análisis de rangos de variables que difieren en el modelo KPI
consumo (I) y KPI consumo (II) en el periodo de validación
Gráfica I de T DELTA PP_V6
40
UCL=37,90
Valor individual
35
30
_
X=26,60
25
20
15
LCL=15,30
1
1
7
13
19
25
31
37
Observación
43
49
55
Gráfica I de WAIT PLATFORMING
522,5
11
1
1
11
11 1
520,0
UCL=520,38
Valor individual
517,5
_
X=515,56
515,0
512,5
LCL=510,74
510,0
1
11
1
507,5
1 1
1
11
1
1
1
1
505,0
1
7
13
19
25
31
37
Observación
43
49
55
179
Gráfica I de Carga
75
1
70
1
1
1
Valor individual
65
1
UCL=63,25
60
_
X=53,80
55
50
45
LCL=44,35
1
40
35
1
1
7
13
19
25
31
37
Observación
43
49
55
Gráfica I de Dens.gas reciclo
0,50
UCL=0,4711
Valor individual
0,45
0,40
_
X=0,3550
0,35
0,30
0,25
LCL=0,2389
1
7
13
19
25
31
37
Observación
43
49
55
180
Descargar