способ управления производством смазочных материалов

Формула изобретения

1. Способ прогнозирования рабочих характеристик базового компонента смазочного материала, предназначенного для использования при производстве смазочного материала для конкретного применения, причем этот базовый компонент характеризуется множеством составляющих компонентов, которые являются общими для множества базовых компонентов смазочных материалов, и количество каждого составляющего компонента в соответствующем базовом компоненте различно, содержащий следующие этапы: идентификации конкретного множества составляющих компонентов в базовом компоненте смазочного материала, которые в комбинации характеризуют рабочие характеристики смазочного материала для множества вариантов применения; определения приемлемого диапазона для комбинации идентифицированных составляющих компонентов для двух или большего количества значений вязкости из множества тестов рабочих характеристик множества смазочных материалов, имеющих различные величины вязкости, для определения модели составляющих компонентов для каждого значения вязкости; определения количества идентифицированных составляющих компонентов в базовом компоненте кандидате смазочного материла для получения приемлемого диапазона составляющих компонентов в комбинации при значении вязкости базового компонента кандидата смазочного материала, и определения, находится ли количество каждого идентифицированного компонента в базовом компоненте кандидате в комбинации в пределах приемлемого диапазона для идентифицированных компонентов.

2. Способ по п. 1, отличающийся тем, что определенный приемлемый диапазон для каждого идентифицированного компонента выбирают из группы, состоящей из приемлемого диапазона, который является независимым от любого другого идентифицированного компонента, и приемлемого диапазона, связанного с приемлемым диапазоном другого идентифицированного компонента.

3. Способ по п. 1, отличающийся тем, что этап идентификации содержит выбор составляющих компонентов из группы, состоящей из азотистых оснований, серы, алифатической серы, ароматических соединений и их комбинации.

4. Способ по п. 1, отличающийся тем, что приемлемый диапазон для комбинации идентифицированных составляющих компонентов определяют для двух или большего количества значений вязкости из множества тестов рабочих характеристик в отношении множества продуктов смазочных материалов, имеющих различные величины вязкости, для определения модели составляющих компонентов для каждого значения вязкости, и выполняют корректировку отклонения вязкости для базовых компонентов смазочного материала, величины вязкости которых отличаются от выбранных величин вязкости, путем корректировки параметров модели составляющих компонентов из, по меньшей мере, двух моделей составляющих компонентов при величинах вязкости, отличающихся от величин вязкости базового компонента кандидата смазочного материала, для получения приемлемого диапазона составляющих компонентов в комбинации при значении вязкости базового компонента кандидата смазочного материала.

5. Способ по п. 4, отличающийся тем, что корректировку отклонений вязкости выполняют путем интерполяции параметров модели составляющих компонентов между параметрами модели составляющих компонентов для моделей составляющих компонентов при величине вязкости, которая ближе всего и выше величины вязкости базового компонента кандидата смазочного материала, и параметрами модели составляющих компонентов при степени вязкости, которая ближе всего и ниже степени вязкости базового компонента кандидата смазочного материала.

6. Способ по п. 5, отличающийся тем, что модели составляющих компонентов, по меньшей мере, для одной из моделей составляющих компонентов при следующей более высокой величине вязкости и следующей более низкой величине вязкости генерируют с изменением уровня вязкости с корректировкой отклонений вязкости в пределах данного уровня вязкости, которые получаются путем масштабирования отклонений состава в отношении вязкости.

7. Способ по п. 1, отличающийся тем, что множество базовых компонентов смазочного материала выбирают из множества базовых компонентов смазочного материала, предназначенных для использования при производстве смазочного материала для конкретного варианта применения путем определения требуемого количества каждого из множества выбранных базовых компонентов для комбинирования, для определения комбинации, которая должна использоваться в окончательном составе смазочного материала, рабочие характеристики которого находятся в пределах приемлемой области для каждого идентифицированного компонента, и осуществляют смешивание требуемого количества каждого выбранного базового компонента, которое необходимо для формирования окончательного состава смазочного материала.

8. Способ по п. 1, отличающийся тем, что базовый компонент смазочного материала выбирают из ряда базовых компонентов смазочного материала в соответствии с определением, сделанным с помощью данного способа.

9. Способ по п. 1, отличающийся тем, что базовый компонент смазочного материала выбирают из двойной смеси двух базовых компонентов, ни один из которых не имеет состав, который является приемлемым для выбранного базового компонента для конкретного варианта применения.

10. Способ смешивания комбинации потоков рафинирования нефти из множества таких потоков рафинирования для производства базового компонента смазочного материала для конкретного варианта применения смазочного материала, причем каждый из этих потоков может использоваться для базовых компонентов смазочного материала, характеризующихся множеством составляющих компонентов, которые являются общими для множества базовых компонентов, и каждый составляющий компонент имеет разный количественный состав в отношении каждого базового компонента, содержащий следующие этапы: идентификации конкретных компонентов из множества составляющих компонентов в базовом компоненте, которые в комбинации формируют набор рабочих свойств смазочного материала для конкретного варианта применения; определения приемлемой области для комбинации идентифицированных составляющих компонентов, по меньшей мере, для двух значений вязкости из множества тестов рабочих характеристик в отношении множества смазочных материалов с различной вязкостью, определяя, таким образом, модель составляющих компонентов для каждого из этих, по меньшей мере, двух значений вязкости; получения приемлемой области составляющих компонентов в комбинации при значении вязкости базового компонента кандидата смазочного материала; идентификации количественного состава идентифицированных составляющих компонентов для базового компонента смазочного материала, который должен быть рафинирован из множества потоков рафинирования; определения состава смеси потоков в соответствии с комбинацией идентифицированных компонентов в пределах приемлемой области для таких идентифицированных компонентов для конкретного варианта применения, и смешивания потоков в соответствии с определенным составом.

11. Способ по п. 10, отличающийся тем, что выполняют корректировку отклонений вязкости для базовых компонентов смазочного материала, величины вязкости которых отличаются от этих двух величин вязкости, путем корректировки параметров модели составляющих компонентов, по меньшей мере, двух моделей составляющих компонентов для величин вязкости, отличающихся от величин вязкости базового компонента кандидата смазочного материала.

12. Способ по п. 10, отличающийся тем, что множество базовых компонентов смазочных материалов смешивают для получения базового компонента смазочного материала для конкретного варианта применения, в котором ни один из множества базовых компонентов не является приемлемым в качестве выбранного базового компонента смазочного материала, причем этот способ включает определение состава для смеси выбранных базовых компонентов, такого, что этот состав смешанной комбинации базовых компонентов по отношению к идентифицированным компонентам находится в пределах приемлемой области для таких идентифицированных компонентов для базового компонента для конкретного варианта применения, и производят смешивание базовых компонентов в соответствии с составом, определенным для смеси.

13. Способ по п. 12, отличающийся тем, что смесь представляет собой двойную смесь двух базовых компонентов, ни один из которых не имеет состав, являющийся приемлемым для выбранного базового компонента для конкретного варианта применения.

14. Способ по п. 13, отличающийся тем, что составы базовых компонентов, которые не являются приемлемыми для выбранного базового компонента для конкретного варианта применения, являются взаимодополняющими для, по меньшей мере, одного из идентифицированных компонентов.

15. Способ по п. 14, отличающийся тем, что, по меньшей мере, один из базовых компонентов, который не является приемлемым для выбранного базового компонента, имеет состав, в котором количество, по меньшей мере, одного из идентифицированных компонентов находится ниже приемлемого диапазона для этого компонента в выбранном базовом компоненте и количество этого же, по меньшей мере, одного компонента в базовом компоненте, имеющего взаимодополняющий состав, выше, чем приемлемый диапазон для этого компонента.

16. Способ по п. 11, отличающийся тем, что выполняют корректировку отклонений вязкости путем интерполяции параметров модели составляющих компонентов между параметрами модели составляющих компонентов для модели составляющих компонентов при значении вязкости, которое является следующим и выше, чем значение вязкости кандидата базового компонента смазочного материала, и параметры модели составляющих компонентов для значения вязкости, которое является следующим и ниже значения вязкости кандидата базового компонента смазочного материала.

17. Способ по п. 16, отличающийся тем, что выполняют корректировку отклонений вязкости путем интерполяции параметров модели составляющих компонентов между параметрами модели составляющих компонентов для модели составляющих компонентов при значении вязкости следующем и выше, чем величина вязкости кандидата базового компонента смазочного материала, и параметров модели составляющих компонентов при величине вязкости следующей и ниже величины вязкости кандидата базового компонента смазочного материала.

18. Способ по п. 16, отличающийся тем, что выполняют корректировку отклонений вязкости путем экстраполяции параметров модели составляющих компонентов от параметров модели составляющих компонентов при величинах вязкости, отличающихся от значения вязкости базового компонента кандидата смазочного материала.

19. Способ по п. 10, отличающийся тем, что определенный приемлемый диапазон для каждого идентифицированного компонента выбирают из группы, состоящей из приемлемого диапазона, который является независимым от каких-либо других идентифицированных компонентов, и приемлемого диапазона, который находится во взаимосвязи с приемлемым диапазоном другого идентифицированного компонента.

20. Способ по п. 13, отличающийся тем, что определение смеси состава смеси потоков выполняют в соответствии с составом потоков и моделью обработки рафинированием, которая коррелирует состав потока с составом базового компонента смазочного материала в соответствии с идентифицированными компонентами.

21. Способ изготовления смазочного материала, который используется при производстве смазочного материала для конкретного варианта применения из потока рафинирования нефти путем рафинирования базового компонента смазочного материала и этот поток рафинирования характеризуется множеством составляющих компонентов, которые являются общими для базового компонента и для потока рафинирования, причем каждый составляющий компонент отличается по количеству для различных базовых компонентов смазочного материала и для различных потоков рафинирования, содержащий следующие этапы: идентификации конкретных составляющих компонентов из множества составляющих компонентов в базовом компоненте, которые в комбинации формируют рабочие характеристики смазочного материала для конкретного варианта применения; определения приемлемого диапазона для комбинации идентифицированных составляющих компонентов для двух или большего количества значений вязкости из множества тестов рабочих характеристик для множества продуктов смазочных материалов, причем каждый продукт смазочного материала имеет определенную величину вязкости, причем множество продуктов смазочных материалов имеет множество различных значений вязкости, определяя, таким образом, модель составляющих компонентов для каждых двух значений вязкости; определения количества идентифицированных компонентов, которые необходимы для базового компонента, при величине вязкости, выбранной для данного базового компонента смазочного материала, для получения приемлемых рабочих характеристик в конкретном варианте применения; определения количества идентифицированных компонентов в потоке рафинирования в комбинации, которое не попадает в приемлемый диапазон для таких идентифицированных компонентов, и определения потоков рафинирования для получения базового компонента смазочного материала, имеющего идентифицированные компоненты в комбинации в диапазонах составляющих компонентов для приемлемых рабочих характеристик базового компонента смазочного материала в конкретном варианте применения.

22. Способ по п. 21, отличающийся тем, что включает корректировку отклонений вязкости для базовых компонентов смазочного материала, величины вязкости которых отличаются от тех двух значений вязкости, путем корректировки параметров модели составляющих компонентов на основе двух моделей составляющих компонентов для величин вязкости, отличающихся от величины вязкости базового компонента кандидата смазочного материала, для определения приемлемого диапазона составляющих компонентов в комбинации для величины вязкости базового компонента кандидата смазочного материала.

23. Способ по п. 21, отличающийся тем, что определенный приемлемый диапазон для каждого идентифицированного компонента выбирают из группы, состоящей из приемлемого диапазона, который является независимым от любого другого идентифицированного компонента и от приемлемого диапазона, который находится во взаимосвязи с приемлемым диапазоном другого идентифицированного компонента.

24. Способ по п. 21, отличающийся тем, что этап идентификации содержит выбор составляющих компонентов из группы, состоящей из азотистого основания, серы, алифатической серы, ароматических соединений и комбинации этих компонентов.

25. Способ по п. 21, отличающийся тем, что потоки рафинирования рафинируют в соответствии с составом потока для состава, требуемого для базового компонента смазочного материала, и моделью обработки рафинированием, которая коррелирует состав потока с составом базового компонента смазочного материала в соответствии с идентифицированными компонентами потока рафинирования и базового компонента.

26. Способ по п. 21, отличающийся тем, что потоки рафинирования представляют собой сырую нефть или газойль.

27. Способ по п. 25, отличающийся тем, что сырая нефть подвергается моделированию процесса рафинирования, состоящему из типового субтрактивного рафинирования, которое выполняет вычисления изменений в составе, которые зависят от изменений в операциях типового субтрактивного рафинирования.

28. Способ по п. 21, отличающийся тем, что выполняют корректировки отклонений вязкости путем интерполяции параметров модели составляющих компонентов между параметрами модели составляющих компонентов при величине вязкости следующей и выше, чем величина вязкости кандидата базового компонента смазочного материала, и параметров модели составляющих компонентов при величине вязкости следующей и ниже, чем величина вязкости кандидата базового компонента смазочного материала.

29. Способ по п. 28, отличающийся тем, что модели составляющих компонентов для, по меньшей мере, одной из моделей составляющих компонентов при величине вязкости следующей и выше и следующей и ниже генерируются с отклонениями в пределах сорта вязкости с корректировками для отклонений вязкости в пределах сорта вязкости, которые выполнены путем масштабирования отклонений состава с данным значением вязкости.

30. Способ по п. 21, отличающийся тем, что корректировку отклонений вязкости выполняют путем экстраполяции параметров модели составляющих компонентов из параметров модели составляющих компонентов для значений вязкости, отличающихся от величины вязкости кандидата базового компонента смазочного материала.

31. Способ по п. 21, отличающийся тем, что ни один из потоков рафинирования не может быть рафинирован при приемлемых условиях рафинирования в выбранный базовый компонент смазочного материала и состав для смешанных потоков рафинирования определяют так, что смешанная комбинация будет рафинирована в базовый компонент смазочного материала, в котором количество каждого идентифицированного компонента в комбинации будет находиться в пределах приемлемого диапазона для таких идентифицированных компонентов для конкретного варианта применения, и эти потоки смешивают в соответствии с определенным составом.

32. Способ по п. 30, отличающийся тем, что определение состава смеси потоков выполняют в соответствии с составом этих потоков и моделью обработки рафинирования, которая коррелирует состав потока с составом выбранного базового компонента смазочного материала в соответствии с идентифицированными компонентами.

33. Устройство для прогнозирования рабочих характеристик базового компонента смазочного материала, предназначенного для использования в производстве смазочного материала для конкретного варианта применения, причем каждый из базовых компонентов характеризуется в соответствии с множеством составляющих компонентов, которые являются общими для всех базовых компонентов, каждый из которых отличается по количеству для каждого базового компонента, содержащее компьютер и машиносчитываемый накопитель, имеющий записанные на нем выполняемые компьютером инструкции для выполнения следующих этапов: идентификации конкретных составляющих компонентов из множества составляющих компонентов в базовом компоненте, которые формируют рабочие характеристики смазочного материала для множества вариантов применения; определения приемлемого диапазона для комбинации идентифицированных составляющих компонентов для двух или большего количества значений вязкости на основании множества тестов рабочих характеристик для множества продуктов смазочных материалов, причем каждый продукт смазочного материала имеет определенное значение вязкости, причем множество продуктов смазочных материалов имеют множество различных величин вязкости, определяя, таким образом, модель составляющих компонентов для, по меньшей мере, двух значений вязкости; корректировки отклонений вязкости для базовых компонентов смазочных материалов, значения вязкости которых отличаются от этих двух значений вязкости, для определения приемлемого диапазона составляющих компонентов в комбинации при значении вязкости базового компонента кандидата смазочного материала; определения количеств идентифицированных составляющих компонентов в базовом компоненте кандидате, и определения, находится ли количество для каждого идентифицированного компонента в базовом компоненте кандидате в пределах приемлемого диапазона для такого идентифицированного компонента.

34. Устройство по п. 33, отличающееся тем, что накопитель содержит инструкции, предназначенные для выполнения этапов корректировки отклонений вязкости базовых компонентов смазочных материалов, значения вязкости которых отличаются от этих, по меньшей мере, двух величин вязкости, путем корректировки параметров модели составляющих компонентов, по меньшей мере, двух моделей составляющих компонентов для величин вязкости, отличающихся от величины вязкости базового компонента кандидата смазочного материала, для получения приемлемого диапазона составляющих компонентов в комбинации при величине вязкости базового компонента кандидата смазочного материала.

35. Устройство по п. 34, отличающееся тем, что накопитель содержит инструкции для выполнения следующих этапов: выбора одного из базовых компонентов в качестве базового компонента кандидата, определения количеств идентифицированных составляющих компонентов в базовом компоненте кандидате и определения, находится ли количество каждого идентифицированного компонента в базовом компоненте кандидате в пределах приемлемого диапазона для идентифицированного компонента.

Описание изобретения к патенту

Настоящее изобретение направлено на производство смазочных материалов на основе нефтепродуктов. В частности, настоящее изобретение относится к способу управления качеством смазочных материалов и управления процессом, основанным на рафинировании и смешивании, с помощью способа, который включает технологию прогнозирования качества конечного продукта смазочного материала и его рабочих характеристик на основе параметров составляющих компонентов.

Смазочные масла, по большей части, основаны на фракциях нефти, с температурой кипения выше 232^oС (450^oF). Молекулярный вес их углеводородных составляющих является высоким, и эти составляющие имеют почти все возможные структуры и типы структур, зависящие в значительной степени от типа сырой нефти, из которой они были получены.

Суть рафинирования при производстве смазочных материалов состоит в том, что подходящая сырая нефть на основании экспериментальных данных или на основании данных анализа может быть рафинирована с получением базового компонента смазочного материала, который имеет заранее определенный набор свойств, таких как, например, соответствующая вязкость, стабильность параметров при окислении и сохранение жидкого состояния при низких температурах. Процесс рафинирования, применяемый для изолирования базового компонента смазочного материала, в настоящее время состоит из набора типовых субтрактивных операций, в процессе которых удаляют нежелательные компоненты. Такие типовые операции включают дистилляцию, сольвентную очистку, гидрообработку и депарафинизацию, каждая из которых, в принципе, представляет собой процесс разделения.

Базовый компонент смазочного материала (то есть, полученный из рафинированной сырой нефти) может использоваться в качестве смазочного компонента, или может смешиваться с другим базовым компонентом смазочного материала, имеющим несколько отличающиеся свойства. Конкретный базовый компонент, перед использованием его в качестве смазочного материала, обычно смешивают с одной или большим количеством добавок, таких как антиоксиданты, добавки, работающие при избыточных давлениях, и добавки, улучшающие коэффициент вязкости (V. I.). Используемый здесь термин "компонент", независимо от того, будет ли этот термин определен дополнительно, относится только к углеводородному маслу без добавок. Термин "компонент, рафинированный растворителем" или "рафинат", относится к маслу, которое было получено способом сольвентной экстракции, например, с помощью фурфурола. Термин "депарафинированный компонент" относится к маслу, которое было обработано любым способом для удаления парафина, содержащегося в масле, или другим способом для его преобразования, что, таким образом, понижает температуру потери текучести масла. Термин "парафинистое", используемый здесь, относится к маслу с достаточно большим содержанием парафина, что приводит к потере текучести при температуре выше 4^oС (+25^oF). Термин "базовый компонент" относится к маслу, рафинированному до степени, пригодной для определенного практического использования, такого, как приготовление автомобильных масел, масел для морских двигателей, гидравлических масел и т.п.

Используемый в настоящее время на практике способ приготовления базовых компонентов высококачественных смазочных масел изображен на фиг.1. Весь процесс обозначен цифрой 10. Первый этап представляет собой вакуумную перегонку остатка соответствующей сырой нефти, полученной в атмосферной колонне (этап 100). На этом этапе получают один или большее количество базовых компонентов с диапазоном температуры кипения от 700^oF (371^oC) до 1000^oF (538^oC), которые обозначаются как легкие 15 (от 700 до 810^oF), средние 20 (от 810 до 890^oF) и тяжелые 30 (от 890 до 1000^oF) нейтральные компоненты, а также вакуумный остаток 40. Каждый из них характеризуется различным диапазоном вязкости, например, легкие нейтральные базовые компоненты имеют самый низкий диапазон вязкости (от 3,5 до 5,5 сантистокс KV при 100^oС), и тяжелые нейтральные компоненты имеют наивысший диапазон вязкости (от 10,0 до 15,3 сантистокс KV при 100^oС). После приготовления каждый сырой компонент проходит экстракцию растворителем, например, фурфуролом, фенолом или хлорексом, который является избирательным растворителем для ароматических углеводородов и который удаляет нежелательные компоненты (этап 140). Вакуумный остаток 40 обычно требует применения дополнительного этапа для удаления асфальтенового материала перед этапом экстракции растворителем (этап 120). Рафинат после этапа сольвентной очистки обычно является сильно парафинизированным и для него обычно требуется депарафинизация (этап 160). Депарафинизацию рафинатов обычно выполняют с помощью депарафинизации растворителем или путем каталитической депарафинизации в условиях, которые позволяют получить заранее заданное значение температуры текучести базового компонента.

При производстве базового компонента машинного масла может дополнительно потребоваться этап гидрообработки депарафинизированного базового компонента (этап 180). Гидрообработка представляет собой добавление водорода к базовому компоненту с целью удаления определенных загрязнителей, которые могут ухудшить свойства смазочного материала, в зависимости от спецификаций конечного продукта смазочного материала. Гидрообработка особенно является полезной для удаления серы, поскольку водород соединяется с серой, формируя сероводород. Этап депарафинизации (этап 160) или этап гидрообработки (этап 180), или оба эти этапа, могут позволить получить компонент с достаточным качеством, которое позволяет использовать его в качестве базового компонента для смазочного материала конечного состава.

Затем к базовому компоненту добавляют соответствующие материалы или добавки для улучшения смазочных свойств базового компонента, а также для удовлетворения требований спецификаций, таких как требование в отношении коэффициента вязкости (VI) (как показано на фиг. 6).

Исторически производство смазочных материалов было неизменным. Базовый компонент, получаемый из новых источников сырья, рассматривался как "новый" базовый компонент и должен был быть сертифицирован для использования его в качестве смазочного материала. В соответствии с системой сертификации базовых компонентов машинных масел требовалось, чтобы базовый компонент, получаемый из нового сырья, подвергался дорогостоящему и длительному процессу сертификации прежде, чем его можно было использовать в качестве смазочного материала. Полная сертификация образцов, полученных из нового сырья или базового компонента, требовала значительных объемов лабораторных и машинных испытаний, которые, в общем, полностью занимали от 5 до 10 месяцев. Изменения условий процесса производства также требовали получения повторного сертификата с проведением дополнительных лабораторных и машинных испытаний. Высокая стоимость лабораторных и машинных испытаний позволяла проводить оптимизацию условий производства только для наиболее часто используемых видов сырья. Кроме того, необходимость упрощения этой системы стала чрезвычайно важной в результате быстрых изменений в составе видов сырья, поступающих, по меньшей мере, из некоторых географических мест, проблем с обеспечением качества при закупках базовых компонентов, и получения экономической выгоды от увеличения гибкости применения машинных масел. Поэтому в данной области техники существует потребность в повышении гибкости при производстве смазочных материалов и в упрощении системы сертифицирования сырья для машинных масел, базовых компонентов и смесей этих базовых компонентов.

В соответствии с настоящим изобретением, базовый компонент смазочного материала, предназначенный для использования в процессе производства смазочного материала для конкретного применения, может быть выбран с помощью определенного способа. Базовый компонент - кандидат смазочного материала - характеризуется множеством составляющих компонентов, которые являются общими для всех базовых компонентов смазочного материала, и количественное содержание каждого составляющего компонента является разным для каждого базового компонента. Модель, позволяющая производить прогнозирование свойств базового компонента смазочного материала в конечном продукте, формируется путем идентификации конкретного компонента из множества составляющих компонентов в базовом компоненте смазочного материала, которые являются определяющими для свойств смазочного материала для множества вариантов применения в комбинации.

Затем определяется приемлемый диапазон для комбинации идентифицированных составляющих компонентов с помощью множества тестов свойств, требуемых для множества продуктов смазочных материалов, в которых смазочный материал имеет различную вязкость. После того как будет определен приемлемый диапазон, предпочтительно, выполняются корректировки отклонений вязкости каждого базового компонента смазочного материала путем прогнозирования количества составляющих компонентов, по меньшей мере, из одного другого приемлемого диапазона для базового компонента с другим значением вязкости, в котором приемлемый диапазон определен для комбинации идентифицированных составляющих компонентов на основании множества испытаний их рабочих характеристик. Затем анализируют базовый компонент - кандидат для определения количества идентифицированных компонентов. Затем определяется, является ли количество каждого идентифицированного компонента, в комбинации, в базовом компоненте - кандидате в пределах приемлемого диапазона свойств.

Базовые компоненты смазочных материалов, состав которых выходит за пределы приемлемого диапазона, спрогнозированного с помощью модели составляющих компонентов, также могут смешиваться для формирования смазочного материала с удовлетворительными свойствами. Этот способ начинается с определения приемлемого диапазона и корректировки отклонений вязкости, как описано выше. Затем выбирают два или большее количество базовых компонентов смазочного материала с взаимодополняющими составами. Вычисляют количество каждого требуемого компонента, который должен комбинироваться, для определения окончательного состава смазочного материала в пределах приемлемого диапазона в соответствии с прогнозом по модели составляющих компонентов. Затем производят смешивание базовых компонентов смазочного материала.

Модель для прогнозирования может также применяться для процесса производства смазочного материала с использованием степени воздействия известных параметров рафинирования, таких как условия гидрообработки, скорость обработки растворителем и температура, в заданном диапазоне рафинированных базовых компонентов, которые используются при производстве смазочных материалов. В данном варианте применения прогнозирующей модели, базовый компонент смазочного материала, который должен использоваться при производстве смазочного материала для конкретного варианта применения из потока рафинирования, характеризуется множеством составляющих компонентов, являющихся общими для данного базового компонента и потока рафинирования. Этот способ начинается с определения приемлемого диапазона корректировки отклонений вязкости, как описано выше. Затем определяется количество идентифицированных составляющих компонентов для базового компонента смазочного материала, которые в комбинации являются необходимыми для обеспечения приемлемых свойств смазочного материала, и определяется количество идентифицированных компонентов в комбинации, в потоке рафинирования, которое выходит за пределы приемлемого диапазона для этих идентифицированных компонентов. Затем производится рафинирование в потоке рафинирования для производства базового компонента смазочного материала, который имеет комбинацию идентифицированных компонентов в пределах приемлемого диапазона, определенного с помощью модели.

При расширении данной техники, комбинация потоков рафинирования нефти, которые должны пройти рафинирование для получения базового компонента смазочного материала, может смешиваться в потоке рафинирования, который может затем обрабатываться для получения требуемого конечного компонента или компонентов. Этот способ начинается с определения приемлемого диапазона и корректировки отклонений вязкости, как описано выше. Затем определяют количество идентифицированных составляющих компонентов для базового компонента смазочного материала, который должен пройти рафинирование из потоков рафинирования, и определяют состав смеси в соответствии с комбинацией идентифицированных компонентов в пределах приемлемого диапазона, который определяют с помощью модели. Потоки затем смешивают в соответствии с определенным составом и производят их рафинирование. В одном из вариантов потоки рафинирования представляют собой сырую нефть. В другом варианте воплощения потоки рафинирования выбирают из любого из типовых процессов при рафинировании.

На чертежах:

фиг. 1 изображает схему, представляющую современный процесс производства базового компонента машинного масла;

фиг.2 - схему процесса, представляющую способ в соответствии с настоящим изобретением;

фиг.3 - график, представляющий, как модель спецификации составляющих компонентов составляется для множества тестов свойств смазочного материала в соответствии с одним из вариантов воплощения настоящего изобретения;

фиг. 4 - график, представляющий перекрытие моделей спецификации составляющих компонентов, разработанных для легких и тяжелых нейтральных базовых компонентов в соответствии с одним из вариантов воплощения настоящего изобретения;

фиг.5 - график, представляющий модель спецификации составляющих компонентов для легких нейтральных базовых компонентов, где подобный график используется вместе со способом смешения множества базовых компонентов для получения конечного смешанного базового компонента, состав которого находится в пределах приемлемого диапазона, спрогнозированного с помощью модели составляющих компонентов;

фиг. 6 - график, аналогичный графику, изображенному на фиг.5, и представляет модель спецификации составляющих компонентов по фиг.5, используемую с данными степени воздействия экстракции для получения базового компонента, состав которого находится в пределах приемлемого диапазона, спрогнозированного с помощью модели составляющих компонентов; и

фиг.7 - блок-схему, иллюстрирующую работу одного из вариантов воплощения настоящего изобретения.

В настоящем изобретении создана и используется компьютерная модель 801 на фиг. 7 для прогнозирования качества базового компонента смазочного материала, предназначенного для использования во множестве продуктов, имеющих множество величин вязкости. Эта модель основана на количественном анализе ключевых составляющих параметров и критериев свойств для множества продуктов, представляющих множество величин вязкости. Такая модель называется здесь общей моделью составляющих компонентов и, как будет показано ниже, обычно и предпочтительно состоит из моделей составляющих компонентов, разработанных для конкретных величин вязкости.

Модели составляющих компонентов, кроме других характеристик, позволяют спрогнозировать, является ли состав нового базового компонента смазочного материала аналогичным или отличающимся от известных составов базовых компонентов смазочных материалов, которые ранее прошли или не прошли испытания рабочих характеристик. Таким образом, производится оценка новых составов базовых компонентов смазочных материалов, с точки зрения базовых компонентов смазочных материалов, которые показали приемлемые рабочие характеристики во множестве продуктов.

Статистический анализ свойств базового компонента показал, что рабочие характеристики смазочного материала могут быть спрогнозированы по химическому составу базового компонента. В частности, различные химические параметры состава комбинируют для получения полного прогноза рабочих характеристик смазочного материала. На фиг.2 изображена схема процесса, иллюстрирующего способ прогнозирования рабочих характеристик смазочного материала базового компонента в соответствии с одним из вариантов воплощения настоящего изобретения. Параметры составляющих компонентов, которые входят в модель составляющих компонентов, представляют собой химические компоненты базового компонента, которые были определены как существенные для рабочих характеристик смазочного материала (этап 200). Примеры таких компонентов представляют собой общее количество серы, алифатической серы, азотистых оснований, распределение ароматических соединений, азота, распределения алифатических соединений, степень разветвления алифатической цепи, распределение молекулярного веса или какие-либо их комбинации. Предпочтительный вариант воплощения включает общее количество серы, алифатической серы, азотистого основания, общее количество ароматических соединений, распределение ароматического кольца или комбинацию этих параметров.

Как минимум, только два из этих факторов используют для создания модели состава компонентов для точного прогнозирования рабочих характеристик смазочного материала базового компонента в конечном составе смазочного материала. Количественное содержание всех компонентов определяется в соответствии со стандартными методиками аналитической химии. Например, общее количество ароматических соединений определяют по хемометрической корреляции ультрафиолетового спектра. В частности, используется спектрометр Перкина-Элмера Лямбда 19. Распределение ароматического кольца определяется с помощью обычных методик классификации ароматических колец, известных для специалистов в данной области техники. Азотистое основание определяется в соответствии с методом D2896 стандарта ASTM. Общее количество серы определяется с помощью метода D2622 стандарта ASTM. Содержание алифатической серы может быть определено способом ультрафиолетовой спектрофотометрии на основе определения количественного состава йодистого комплекса алифатических сульфидов в соответствии с методикой, описанной авторами Друшел и Миллер, Anal. Chem. 27, 495 (1955); и Anal. Chem. 39, 1819 (1967). Этот способ, с помощью которого, по существу, измеряется степень поглощения комплекса на длине волны 310 нм, обеспечивает надежное определение алифатической серы, с учетом помех, оказываемых азотными соединениями и ароматическими углеводородами, которые всегда присутствуют в сырье, используемом при производстве машинных масел.

Определение параметра рабочих характеристик модели составляющих компонентов (этап 210) содержит оценку рабочих параметров множества продуктов, имеющих различные величины вязкости. Отклонения в параметрах модели составляющих компонентов, как описано ниже, в соответствии с отклонениями вязкости продуктов смазочных материалов обеспечивают исключительную степень прогнозирования рабочих характеристик смазочных материалов по сравнению с масштабированием параметров составляющих элементов в соответствии с их вязкостью. Величины вязкости продуктов, таким образом, являются функцией конечного использования продуктов. Например, рабочие параметры модели составляющих элементов включают рабочие характеристики моторного масла для смазочных материалов автомобильных двигателей, рабочие характеристики морских двигателей для смазочных материалов морских двигателей, рабочие характеристики для промышленного оборудования для смазочных материалов промышленного оборудования и рабочие характеристики для гидравлического оборудования для гидравлических смазочных материалов. Поскольку каждый вариант применения требует использования продуктов с различной вязкостью, модель составляющих компонентов, таким образом, содержит множество кинетических вязкостей в диапазоне от 3,5 до, по меньшей мере, 20 сантистоксов (100^oС).

Корректировки отклонений вязкости могут быть выполнены с помощью простой линейной интерполяции, полученной по аналогичным моделям составляющих компонентов, которые имеют различные определенные параметры по различным величинам вязкости. Кроме того, возможно, хотя это является менее предпочтительным, регулировать изменения вязкости путем масштабирования состава, а не параметров моделей для отклонений вязкости между образцами, которые прошли обработку для аналогичного коэффициента вязкости из одного и того же сырья. Факторы состава масштабируют по вязкости в соответствии с законом степени, где состав при определенной температуре и вязкости относится к составу с опорной величиной вязкости в масштабе, определяемом степенью отношения величин вязкости при выбранной температуре и исходной температуре; при такой взаимосвязи величина экспоненты изменяется обычно от -2 до 2 (в зависимости от единицы измерения и, возможно, от других факторов, определяемых эмпирически) для факторов состава, указанных выше, величина которых по многих случаях находится в диапазоне от 0,1 до 1,0. Наибольшая чувствительность взаимозависимости масштабирования, как было определено, существует по отношению к содержанию азотистых оснований, и наименьшая к общему количеству ароматических соединений, полициклических ароматических соединений (два или большее количество колец), а также к сере (общему количеству и алифатической сере), которые занимают сравнимые промежуточные ранги.

Меньшие отклонения вязкости за пределами диапазона, определенного с помощью модели композиционного состава, также могут быть экстраполированы. Было определено, что можно удовлетворительно генерировать модели композиционного состава для каждого типа смазочного материала как, например, для легких и тяжелых нейтральных материалов, с использованием ограниченного диапазона величин вязкости, вместо использования единичной величины вязкости для каждого типа. Как будет показано ниже, полная модель составляющих компонентов будет содержать отдельные модели составляющих компонентов.

Ограничения параметров рабочих характеристик определяют с помощью стандартных испытаний рабочих характеристик, которые являются конкретными для каждого конкретного продукта и соответствующих вязкостей. Например, для продуктов, изготовленных из легкого нейтрального сырья, могут использоваться следующие испытания рабочих характеристик (которые сопровождаются конкретным вариантом применения и приемлемым уровнем рабочих характеристик) в качестве примеров испытаний рабочих характеристик, с помощью которых можно сделать оценку рабочих характеристик смазочного материала. Другие испытания рабочих характеристик могут использоваться в соответствии со стандартными требованиями производителя смазочного материала.

Тест - Уровень рабочей характеристики

Sequence IIIE (Автомобильные масла) - АСЕА А3-96

Sequence VE (Автомобильные масла) - АСЕА А3-96

Mack T-8 (Автомобильные масла) - Mack EOL

TOST life (Гидравлические масла) - > 1500 ч

Для продуктов, изготовленных из тяжелого нейтрального сырья, следующие испытания рабочих характеристик (которые сопровождаются конкретным вариантом применения и приемлемым уровнем рабочих характеристик) могут использоваться в качестве примера тестов рабочих характеристик, с помощью которых могут быть оценены рабочие характеристики смазочного материала. Другие испытания рабочих характеристик могут использоваться в соответствии со стандартными требованиями производителя смазочного материала:

Тест - Уровень рабочей характеристики

Catl-G2/1M-PC (Масла для морских двигателей) - CF

CatlM-PC (Автомобильные масла) - CF

TOST life (Гидравлические масла) - > 1000 ч

Специалистам в данной области техники известны такие испытания, которые применяются для тестирования рабочих характеристик. Для построения модели композиционных составляющих продукты смазочного материала, при тестировании в соответствии с одной из вышеприведенных методик испытаний, обозначаются либо как "прошедшие", либо "не прошедшие" испытания. Затем, определяется приемлемая область в многомерном пространстве, которая указывает на хорошие рабочие характеристики смазочного материала путем определения границ рабочих характеристик (то есть, "прохождения" или "непрохождения" испытаний) по отношению к ключевым параметрам составляющих элементов. Это выполняется в отношении широкого диапазона вариантов применения продукта и степени вязкости. Такая приемлемая область затем представляется моделью композиционных составляющих. Конечный результат состоит в том, что модель составляющих компонентов позволяет произвести прогноз рабочих характеристик смазочного материала в отношении всех возможных составов и величин вязкости базового компонента.

Для разработки полной модели составляющих компонентов (этап 220), сначала разрабатывают отдельные модели составляющих компонентов для конкретных величин вязкости. Параметры модели для значения тестовой вязкости находят путем интерполяции между параметрами модели и следующей, более высокой величиной вязкости, и параметрами модели для ближайшей величины вязкости, меньшей, чем тестовая вязкость. Ниже описано, как разрабатывают полную модель составляющих компонентов путем первоначальной разработки отдельных моделей составляющих компонентов для легкой нейтральной вязкости (кинематическая вязкость при 100^oС составляет 4,5 сантистоксов) и тяжелой нейтральной вязкости (кинематическая вязкость при 100^oС составляет 12,5 сантистоксов). Небольшие отклонения вязкости испытуемых образцов от этих величин вязкости, такие, которые находятся в пределах величины вязкости данного сорта масла, учитывают путем масштабирования состава в соответствии с типичными тенденциями состава по вязкости. Они могут быть непосредственно определены специалистами в данной области техники путем приближения тенденций в составе к величинам вязкости, полученным из одного и того же сырья:

Масштабируемый состав=(состав при у KV 100^oС)(у/исходная вязкость)^z,

где ^ обозначает "в степени"; исходная величина кинематической вязкости при 100^oС равна 4,5 или 12,5 сантистоксов; и z обычно выбирают от 0 до 1.

С учетом вышеизложенного, разработка приемлемого диапазона (этап 220) для отдельных моделей составляющих компонентов выполняется одинаково для базовых компонентов всех величин вязкости. Ряд базовых компонентов и рабочих характеристик проходят испытания рабочих характеристик для множества составов продуктов, в которых используются базовые компоненты одного диапазона вязкости. Предпочтительно, каждый состав продуктов смазочного материала представляет собой продукты смазочного материала для различных вариантов применения, то есть, автомобильные, гидравлические, промышленные и т.д. Как было указано, области образуют вокруг точек, которые "прошли" испытания для каждого состава, так, что эти области исключают базовые компоненты, "не прошедшие" испытания.

Способ, применяемый для определения приемлемых областей, то есть, областей, вычерченных вокруг точек, которые "прошли" испытания для каждого состава, предпочтительно, представляет собой способ, включающей кластерный анализ данных испытания рабочих характеристик. Один из таких способов представляет собой, например, мягкий анализ независимой классификации (SIMCA), описанный авторами Мухаммад А. Шараф, Дебора Л. Иллман и Брюс Р. Ковальски, Chemometriсs, Джон Увили и сыновья. Инк., Нью-Йорк, 1986 г. Модели SIMCA были построены для моделирования составов базовых компонентов, которые либо проходят, либо не проходят испытания на двигателе. Модели SIMCA, однако, прежде всего, зависят от различных рабочих характеристик или переменных методик выбора, используемых для отсеивания свойств базового компонента. Методика отсеивания определяет оптимальные входные данные для модели классификации. Для выбора переменных используются две одновариантные стратегии, вариации и веса Фишера, которые позволяют произвести дискриминацию между прохождением и непрохождением испытаний двигателя.

Вес отклонения представляет собой отношение отклонения между категориями и суммой отклонений внутри категории для данной рабочей характеристики. Она аппроксимирует расстояние между двумя распределениями. Например, общее отклонение для процентного содержания фракции ароматических соединений в базовом компоненте вычисляют для прохождения испытаний на двигателе Caterpillar 1-G и делят на сумму отклонений для прошедших испытания. Общие веса отклонений для n>2 категорий представляет собой геометрическое среднее весов отклонений индивидуальной категории. Веса отклонений определяются с помощью следующей формулы:



где w = вес отклонения для двух категорий;

х = составляющий параметр базового компонента, то есть, сера, алифатическая сера, азотистые основания или распределение ароматических соединений;

N = количество образцов для данного класса;

Р или F обозначают данные по прошедшим или не прошедшим испытания.

В табл. 1 приведен пример весов отклонения для двух кластеров базовых компонентов.

Большие значения указывают на большую вероятность того, что эта категория отличается по прошедшим и не прошедшим испытания. В данном примере большее число для тиофенов указывает, что оно является наиболее значимым. Таким образом, сначала для использования можно выбирать наиболее существенные категории анализа.

Для определения весового коэффициента Фишера используют расстояние между средними значениями в двух распределениях, поделенное на сумму отклонений, для определения степени дискриминации переменных. В целом, весовой коэффициент Фишера для n>2 категорий представляют собой среднее значение весовых коэффициентов Фишера индивидуальной категории. Весовой коэффициент Фишера определяют по следующей формуле:



В способе SIMCA используют анализ принципиальных составляющих для построения модели для каждого класса, то есть, прохождения/непрохождения испытаний. Факторный анализ используют для вычисления существенной химической структуры для каждого класса. Существенные структуры известны как принципиальные компоненты. Анализ принципиальных компонентов представляет собой удобный способ сжатия данных. Он также обеспечивает вращение данных (состава базового компонента) для ортогонального базиса, который удаляет какие-либо колинеарности данных. Принципиальные компоненты формируют новый набор осей для данных (свойств базового компонента).

Для оценки моделей, составляющих компонентов используют два основных статистических теста, F-тест и дистанция Махаланобиса (Mahalanobis Distance). F-тест представляет собой измерение остаточной ошибки, которое описывает расстояние между образцом и пространством, определяемым основными компонентами. Дистанция Махаланобиса описывает расстояние от центроида составляющих модели составляющих компонентов. F-тест определяет, является ли ошибка, связанная с образцом, статистической ошибкой или она вызвана неспособностью основных компонентов моделировать данные. Расстояние Махаланобиса указывает, является ли прогноз экстраполяцией модели составляющих компонентов.

Модели составляющих компонентов используются путем проецирования неизвестных образцов на каждую модель. Химическая структура для каждой модели прикладывается для нового базового компонента. Остаточная ошибка и расстояние от центроида для каждого класса формируют основу для определения схожести неизвестных образцов. Неизвестные образцы могут принадлежать к одному или нескольким классам.

Мягкие модели, то есть, локальные кластеры данных, смоделированных независимо, и независимые модели используются для точного прогноза или классификации образцов. Например, составы базовых компонентов, которые продемонстрировали способность прохождения испытаний, например. Caterpillar 1-G2, могут рассматриваться как один кластер; составы базовых компонентов, не прошедших испытания, поэтому, представляют собой другой кластер. Образцы, прошедшие испытания, будут формировать основу для одной модели, и образцы, не прошедшие испытания, формируют основу для второй модели. Модель SIMCA комбинирует кластерный анализ с регрессией принципиальных компонентов. Эта методика включает управляемое обучение; образцы, используемые для построения моделей составляющих компонентов, должны быть классифицированы.

В модели SIMCA используется анализ основных компонентов (РСА) для вычисления химической структуры для каждого класса. РСА представляет собой статистическую основу для выбора существенных химических структур. РСА представляет собой методику повторного выражения исходных данных. Матрица исходных данных, свойства базового компонента X_i разлагаются в линейную комбинацию величин подсчета, L_i (веса) и структуры V_i ^T собственного вектора:

X_i=L_iV_i ^T. (A-3)

Для разложения матрицы используется ряд методик. Одна методика разложения матрицы представляет собой Разложение сингулярной величины (SVD), как описано авторами Голуб, Гене X., и Чарльз Ван Лоан, в Matrix Computations, 2-ое издание, стр.70, Johns Hopkins University Press, Балтимор (1989 г.):

X_i=U_iS_iV_i ^T. (A-4)

SVD позволяет получить две ортогональные матрицы U и V, которые могут использоваться для построения модели SIMCA. Диагональ S матрицы содержит сингулярные величины, которые представляют собой положительные квадратные корни собственных значений матрицы Х^TХ. Собственные значения позволяют получить прямую индикацию ранга матрицы X. Количество используемых существенных компонентов определяется с помощью кумулятивного отклонения, которое вычисляется по сингулярным величинам. Матрица V содержит собственные вектора X, причем эти собственные вектора используются как химическая структура для образцов в матрице Х данных. Перемножение матриц U_iS_i позволяет получить множество L_i.

L_i=U_iS_i. (A-5)

Термины "эмпирический" и "прогнозируемый" будут теперь использоваться для идентификации различных видов базовых компонентов. Эти термины не являются взаимозаменяемыми. Термин "эмпирический" указывает, что для построения модели составляющих компонентов использовался образец базового компонента. Термин "прогнозируемый" указывает, что образец базового компонента представляет собой действительный прогноз и не использовался для построения модели составляющих компонентов. Все уравнения, которые приведены ниже, основаны на матричных вычислениях для обеспечения перевода в Matlab. Matlab представляет собой программное обеспечение для коммерческих вычислений, поставляемое компанией Math Works, Inc., (город Нэйтик, штат Массачусетс), и обеспечивает выполнение разложения сингулярной величины для матриц SVD.

Модель SIMCA требует, чтобы вычислялась остаточная ошибка для каждого класса. Анализ основных компонентов обеспечивает определенную фильтрацию ошибки исходных данных. Поэтому остаточное свойство каждого базового компонента также подвергается анализу. Остаточная ошибка представляет собой указание на "плотность" каждой клетки составляющего компонента. В модели SIMCA используются измеренные свойства базового компонента и их химический состав, или собственные вектора базового компонента и их химический состав, или собственные вектора для вычисления остаточной ошибки для каждого образца. Оценка остаточной ошибки может быть сделана с использованием методик линейной регрессии. Эмпирическая остаточная ошибка определяется как разность между наблюдаемой величиной X_i и эмпирическими, то есть, спроецированными величинами X_i:

,

.

Эмпирические величины X_i могут быть вычислены на основании того, что:

матрица Н обычно обозначается как матрица покрытия и преобразует наблюдаемые отклики в эмпирические отклики. Оценку матрицы Н производят следующим образом

H=X(X^TX)^-1X^T, (A-8)

как описано авторами Вайсбер, Санфорд, Applied, Linear Regression, 2-е издание, стр. 47, John Wiley & Sons, Inc., Нью-Йорк, 1985 г. Эмпирическая остаточная ошибка может быть повторно выражена как

e=(1-H)X_i. (A-9)

Ортогональная матрица U, усеченная до ее наиболее существенных основных компонентов, представляет собой основу для важной проекции, связанной с SVD:

U_iU_i ^T = проекция на ранг (Х). (A-10)

Проекция на ранг Х представляет собой способ преобразования наблюдаемых откликов в эмпирические отклики. Проекция на диапазон Х из SVD матрицы X_i данных позволяет получить способ, основанный на основных компонентах, предназначенных для оценки матрицы покрытия:

H=U_iU_i ^T. (A-11)

Затем производят оценку остаточной ошибки эмпирических данных по следующему уравнению:

.

Остаточное отклонение каждого класса вычисляют по уравнению:

,

где NS представляет собой количество образцов, NV - количество отклонений (свойств базовых компонентов) и NC представляет собой количество основных компонентов.

Остаточную ошибку неизвестного образца Х_u, спроецированного в класс "i", оценивают по существенным собственным векторам и сингулярным величинам:

U_u=X_uV_iS_i ^-1 (А-14)

и

.

Остаточные отклонения неизвестных образцов оценивают по формулам:

,

B_i=V_iS_i ^-1U_i ^TX_i, (A-17)

,

,

F-тест используют для определения, находится ли образец за пределами клетки (объема) составляющих компонентов:

.

Как было описано выше, вторая важная статистика, используемая в моделях SIMCA, представляет собой дистанцию Махаланобиса, как описано автором Гордон А.Д. в публикации Classification, Чапмэн и Холл, 1981 г., которая приводится здесь в качестве ссылки. Дистанция Махаланобиса (М-расстояние) указывает, является ли экстраполяцией проекция на пространство модели составляющих компонентов. М-дистанцию оценивают по формуле:

.

Ковариационная матрица Г представляет собой несмещенную оценку ковариационной матрицы и вычисляется по формуле:

.

Ковариационная матрица может быть повторно выражена в терминах SVD X_i:

.

Дистанция Махаланобиса для эмпирических образцов становится равной:

Г_i ^-1=(NS-1)(V_iS_i ²V_i ^T)^-1, (A-24)

где

(V_iS_i ²F_i ^T)^-1=(V_i ^T)^-1(S_i ²)^-1(V_i)^-1, (A-25)

V_i ^T=V_i ^-1, (A-26)

Г_i ^-1=(NS-1)(V_iS_i ^-2V_iSUPT) (A-27)

,

,

и аналогично дистанция Махаланобиса (М) для спрогнозированных образцов становится равной:

.

Таким образом, график дистанции М по вычисленной величине F представляет собой графическое представление состава базового компонента. Максимальная величина дистанции М представляет собой прямое измерение размера пространства основного компонента. Образцы базовых компонентов не должны превышать дистанцию М, вычисленную по данным, используемым для построения модели составляющих компонентов. Статистика F указывает на тип остатков, которые остаются после того, как образец будет спроецирован на пространство основного компонента. Малые величины F для модели, разработанной со статистически существенным количеством образцов основного масла, F<4, >95% представляет собой доверительную границу, указывающую на отсутствие остатков свойства базового компонента. Ошибки прогнозирования вызваны нормальными ошибками, связанными со сбором данных анализа. Если величина F будет больше 4, это означает, что основные компоненты не точно моделируют данные, и образец не попадает в модель составляющих компонентов.

Для получения полной модели составляющих компонентов строят отдельные модели составляющих компонентов, как для легких, так и для тяжелых нейтральных компонентов, как описано выше. Эти модели составляющих компонентов для легких и тяжелых нейтральных компонентов разрабатывают путем повторения вышеописанного процесса для каждого теста для рабочих характеристик для соответствующего базового компонента, таких, как описаны выше.

На фиг. 3 представлена упрощенная иллюстрация того, как, в общем, разрабатывают приемлемую область для каждого сорта вязкости. На фиг.3 представлены рабочие характеристики ряда базовых компонентов смазочных материалов одинакового сорта вязкости, которые измерялись в двух тестах на рабочие характеристики. Тесты на рабочие характеристики могут выполняться либо для одного и того же состава продукта смазочного материала, либо в отношении составов продуктов, предназначенных для различных вариантов применения, например, для автомобильных смазочных материалов, промышленных смазочных материалов, смазочных материалов морских двигателей и т.д.

Как видно на фиг.3, области "прохождения" испытаний, х и z, для каждого теста обозначены на одном графике. Для простоты х и у представляют области "прохождения" испытаний только для двух тестов рабочих характеристик продуктов, выполненных либо для легкого, либо для тяжелого нейтрального базового компонента. Области перекрытия "прохождения" испытаний представляют собой приемлемую область, определяющую соответствующую модель составляющих компонентов для легких или тяжелых нейтральных базовых компонентов, и являются, таким образом, прогнозирующей рабочей характеристикой смазочного материала в пределах широкого диапазона продуктов смазочных материалов.

Коррекция отклонений вязкости (этап 230) может быть выполнена в этой точке с помощью, например, простой линейной интерполяции, получаемой с помощью аналогичных моделей составляющих компонентов, имеющих отличающиеся определенные параметры для отличающихся значений вязкости. Незначительные отклонения в степени вязкости за пределами диапазона, определенного моделью составляющих компонентов, также могут быть экстраполированы. Оказалось удовлетворительным генерировать модели составляющих компонентов для каждого типа смазочного материала такого, как, например, легкие и тяжелые нейтральные компоненты, с использованием ограниченного диапазона величин вязкости вместо использования одиночного значения вязкости для каждого типа, с корректировками для незначительных вариаций значений вязкости образцов в пределах каждого сорта вязкости, выполненных путем масштабирования состава в соответствии с обычными тенденциями вариаций состава с вязкостью, как описано выше. Таким образом, после разработки модели состава компонентов для соответственно легких и тяжелых нейтральных основных компонентов, полная модель составных компонентов позволяет выполнить точную интерполяцию приемлемых областей рабочих характеристик базовых компонентов с промежуточными значениями вязкости по легким и тяжелым нейтральным моделям. Интерполяция выполняется с помощью других действий.

Для интерполяции моделей составляющих компонентов используют следующий принцип моделирования составляющих компонентов: базовый компонент промежуточной вязкости принимается, если возможно имитировать его состав как смесь двух приемлемых легкого и тяжелого нейтральных компонентов.

В одном из вариантов воплощения настоящего изобретения в модели составляющих компонентов для определения приемлемых областей используются эллипсы или эллипсоиды, однако, могут также использоваться другие геометрические фигуры. Например, может использоваться такая простая линейная интерполяция концов основных компонентов "эллипсоида", обозначенного как область приемлемых рабочих характеристик, что для каждого значения вязкости будет использоваться различный эллипс. Линейные интерполяции ортогональных осей, однако, не являются ортогональными, и желательные свойства основных компонентов могут быть потеряны.

Таким образом, интерполяции выполняются путем "плавного" преобразования одного эллипсоида в другой, то есть, линейного преобразования центра эллипса как функции вязкости, при постепенном вращении эллипсоида, и растяжении/сжатии осей эллипсоида в соответствии с их шкалами сингулярной величины. Это может быть выполнено, если модели составляющих компонентов будут находиться в одном "пространстве" и будут иметь одинаковое количество основных компонентов.

При вращении матрицы используется квадратная несимметричная матрица Т преобразований вращением, которая применяется к матрице V₀ средне-сцентрованных ортонормальных основных компонентов, которая будет вращать ее точно в ортогональные основные компоненты другой модели V₁:

TV₀=V₁. (B1)

Поскольку V₀ является ортонормальной, Т выражается просто как

T_V0V₀=T=V₁V₀. (B2)

Промежуточные оси между моделью 0 и моделью 1 могут быть выражены как фракционные вращения Т. К счастью, для фракционных преобразований существует хорошо проработанная алгебра матриц. Если мы определяем z=0 для модели 0 (легкий нейтральный компонент), и z= 1 для модели 1 (тяжелый нейтральный компонент), любой промежуточный набор вращаемых осей V_z может быть выражен как:

V_z=T^zV₀=ED^zEV₀, (B3)

где Т^z представляет собой матрицу Т в степени z, которая вычисляется из собственного анализа Тs Т Е - Е D, где Е является ортонормальной и D диагональной, и D^z также является диагональной, с элементами диагонали D, возведенными в степень z. Поскольку Т является несимметричной, как Е, так и D будут содержать сопряженные пары комплексных собственных векторов - собственных величин, которые требуют применения комплексной алгебры.

Перед вычислением V_z для данного V₁ и V₀ необходимо разрешить дополнительные сложности. Одна из них представляет собой хиральность, и другая представляет собой совмещение. Хиральные объекты представляют собой зеркальное отображение друг друга. Поэтому становится невозможным вращать хиральный объект в его зеркальное изображение. Аналогично, набор ортогональных векторов в многомерном пространстве имеет определенные характеристики или "смысл", которые аналогичны хиральности. Единственные разрешенные варианты вращения, которые не приводят к значительной деформации векторов в воображаемых плоскостях, в промежуточных этапах, представляют собой те, которые преобразуются между наборами векторов с одинаковой хиральностью или смыслом. Таким образом, для преодоления этой проблемы колонки V₁ перемножают на -1 до тех пор, пока векторы V_0,5 промежуточных преобразований не будут находиться в действительной плоскости.

Последняя сложность с совмещением решается путем вычисления всех возможных вращений в действительной плоскости и сравнения "расстояния их вращения для 1-го, 2-го, . .., N-го основных компонентов до тех пор, пока не будет найдено вращение с минимальным угловым изменением, как функция изменения z. Как только будет найдено надлежащее вращение, остальные параметры модели составляющих компонентов будут интерполированы соответствующим образом. Среднее значение, масштабирование оси и дистанция Махаланобиса интерполируются линейно, в то время как отношение f и остаточное отклонение интерполируются квадратично.

Эта технология может быть расширена на более высшие или низшие сорта вязкости, чем у тяжелых или легких нейтральных компонентов, соответственно. Например, путем разработки модели составляющих компонентов для высоковязкого цилиндрового масла (брайтсток) (то есть, VI составляет приблизительно 30 сантистоксов), специалист в данной области техники может свободно провести интерполяцию для диапазонов вязкости между тяжелыми нейтральными компонентами и брайтстоком.

Прогноз рабочих характеристик для продуктов всех значений вязкости выполняют и сравнивают с действительными рабочими характеристиками для этих значений вязкости. Если точность прогноза для вязкостей между величинами, для которых были разработаны модели составляющих компонентов, будет меньше, чем для величин вязкости, для которых были разработаны модели составляющих компонентов, могут быть разработаны дополнительные модели составляющих компонентов для большего количества значений вязкости, до тех пор, пока не будет достигнута удовлетворительная точность. После того как будет определена полная модель составляющих компонентов для множества продуктов, например, PVL, CVL, морские и промышленные смазочные материалы, эта полная модель составляющих компонентов обязательно включает уровни рабочих характеристик для каждого конечного состава продукта. Таким образом, любой базовый компонент смазочного материала, выбранный в соответствии с любым из способов, имеющим любое значение вязкости, причем рабочие характеристики этого смазочного материала являются неизвестными, состав конечного продута смазочного материала должен быть просто проанализирован в отношении химических концентраций ключевых параметров составляющих компонентов (этап 240). После проведения оценки по модели составляющих компонентов, базовый компонент смазочного материала либо попадает в приемлемую область, либо нет. Таким образом, модель составляющих компонентов позволяет производить прогнозирование, является ли базовый компонент смазочного материала приемлемым для использования во всех продуктах смазочных материалов или не приемлемым для использования в качестве смазочного материала, по меньшей мере, в его данной форме.

На фиг. 4 изображена модель составляющих компонентов, составленная из приемлемых областей составляющих компонентов для моделей легких и тяжелых нейтральных компонентов. Хотя на чертеже наблюдается значительное перекрытие между приемлемыми областями для моделей составляющих компонентов легких и тяжелых нейтральных компонентов, такое использование модели составляющих компонентов не является самым эффективным. Наиболее эффективным способом использования модели составляющих компонентов скорее является ее полная форма, поскольку в такой полной модели составляющих компонентов используются все разумные интерполяции для значений вязкости между этими крайними значениями. Поскольку как легкий, так и тяжелый нейтральные компоненты изготовлены из данного сырья, модель составляющих компонентов, такая, как изображена на фиг. 4, указывает, что большое количество потенциальных видов сырья являются пригодными для использования их для продуктов смазочного материала с множеством значений вязкости, до тех пор, пока они перекрываются в приемлемых областях, которые определяются с помощью модели составляющих компонентов для множества значений вязкости. Область пониженного содержания серы и ароматических соединений, однако, является приемлемой для легких нейтральных компонентов, но не приемлема для тяжелых нейтральных компонентов. Как показано на чертеже, такая область, в общем, позволяет получить хорошие характеристики для Sequence VE, Mack Т-8 и СЕО Caterpillar 1M-PC.

Как описано выше, модель составляющих компонентов основывается на составах базового компонента смазочного материала, известного, как дающего хорошие смазочные материалы. В других вариантах воплощения настоящего изобретения возможны варианты выбора для тех составов базовых компонентов, которые были обозначены моделью составляющих компонентов как "не прошедшие" испытания. Например, в одном из вариантов воплощения настоящего изобретения "не прошедший" испытания образец может смешиваться с базовым компонентом, который "прошел" испытания, для получения приемлемого состава. Этот вариант воплощения изображен на фиг.5.

На фиг.5 изображено приближение двумерного представления приемлемой области модели составляющих компонентов для легкого нейтрального компонента с концентрацией общего содержания ароматических соединений в зависимости от общего содержания серы, как составляющих параметров. Легкие нейтральные базовые компоненты множества видов сырья обозначены на графике в соответствии с относительными концентрациями общего количества ароматических соединений и общего количества серы. Некоторые из видов сырья позволяют получить легкие нейтральные компоненты, составляющие компоненты которых попадают в приемлемую область модели составляющих компонентов, а некоторые не позволяют. Те, которые не попадают в приемлемую область, однако, могут быть смешаны с составами базовых компонентов, которые попадают в приемлемую область. Составы базовых компонентов могут смешиваться только, если составы между двумя или большим количеством базовых компонентов, которые должны смешиваться (этап 260), являются взаимодополняющими. Например, на фиг.5 легкий нейтральный базовый компонент, полученный из сырья J, содержит высокое количество ароматических соединений и высокую концентрацию общего количества серы. Такой базовый компонент, полученный из сырья J, может смешиваться с легким нейтральным базовым компонентом, полученным из сырья D, например, который содержит более низкий уровень, как общего количества ароматических соединений, так и серы так, что полученный в результате продукт будет уверенно попадать в приемлемую область, в соответствии с прогнозом, выполненным с помощью модели составляющих компонентов. Знание концентрации составляющих параметров позволяет вычислять количество каждого базового компонента, требуемое для получения результирующего состава базовых компонентов, составляющие параметры которого будут в пределах приемлемой области (этапы 270 и 280).

Два "не прошедших" испытания базовых компонента также могут быть скомбинированы таким же образом, если только их составы будут взаимодополняющими таким образом, чтобы их комбинация привела к получению базового компонента, составляющие параметры которого попали бы в приемлемую область, спрогнозированную моделью составляющих компонентов. Как можно снова видеть на фиг.5, легкий нейтральный базовый компонент, полученный из сырья А, например, может быть скомбинирован с легким нейтральным базовым компонентом, полученным из сырья X, для формирования "проходящего" испытания легкого нейтрального базового компонента АХ. В противоположность этому, легкий нейтральный базовый компонент, полученный из сырья А, не может быть скомбинирован с легким нейтральным базовым компонентом, полученным из сырья Y так, чтобы была получена "проходящая" испытание комбинация, поскольку смещение в составе каждого базового компонента не является в достаточной степени пригодным для получения "проходящего" испытание базового компонента.

Модель составляющих компонентов позволяет произвести интеграцию известных данных по рафинированию с прогнозом рабочих характеристик смазочного материала. Например, составы базовых компонентов, полученных из имеющихся в мире видов сырья, могут быть прямо определены с помощью обычных аналитических методик специалистами в данной области техники. Таким образом, знание либо выбранного сырья, либо данных рафинирования выбранного базового компонента, позволяет определить, могут ли выбранное сырье или базовый компонент быть рафинированы так, чтобы они попали в приемлемую область, которая была спрогнозирована с помощью модели составляющих компонентов (этап 285). В случае определенного вида сырья, зная данные рафинирования выбранного сырья, становится возможным определить, может ли выбранное сырье быть рафинировано для получения базового компонента, состав которого будет находиться в приемлемой области, спрогнозированной с помощью модели составляющих компонентов. Например, в данной области техники производства машинного масла известно, что при повышении степени воздействия при экстракции растворителем, например, фурфуролом (этап 140 на фиг.1), определенные ключевые составляющие элементы, такие как, например, общее количество ароматических соединений или алифатической серы, уменьшается при экстракции базового компонента с помощью растворителя.

Для этого этапа экстракции может использоваться любой коммерческий способ рафинирования экстракцией, однако, обычно процесс экстракции представляет собой непрерывный процесс. В большинстве коммерческих непрерывных процессов масло подают в нижнюю часть резервуара с множеством смесителей, установленных внутри него. Множество смесителей позволяет при рафинировании управлять степенью воздействия при экстракции. Растворитель вводят вблизи к верхней части резервуара. Растворитель обычно представляет собой жидкую двуокись серы, смешанную с бензолом, фурфуролом, пропаном, фенолом, N-метилпирролидоном или тому подобное. Экстракция фурфуролом является предпочтительной. Растворитель, который работает таким образом, распространяясь по направлению к донной части резервуара, растворяет экстракт по мере его движения. Остающийся компонент сольвентной очистки, или рафинат, поднимается к верхней части резервуара и отделяется от экстракта, содержащего растворитель.

Кроме того, гидрообработка (этап 180 на фиг.1) также может использоваться для удаления серы и других гетероатомов из базового компонента. При этом может использоваться любой коммерческий способ гидрообработки при рафинировании. Большая часть коммерческих способов гидрообработки приводит к перемешиванию потока базового компонента с водородом при температурах от 260 до 425^oС. Масло, комбинированное с водородом, затем подают в резервуар, заполненный катализатором, в котором могут происходить требуемые реакции. Масло затем направляют в испарительную колонну для удаления неорганических гетероатомов, таких как сероводород, и любых легких углеводородов, которые могут быть образованы во время каталитической реакции.

Результат воздействия процессов коммерческой экстракции на, например, легкие нейтральные базовые компоненты показан по отношению к легкой нейтральной модели составляющих компонентов с концентрацией общих ароматических соединений по отношению к общему количеству серы в качестве составляющих параметров, представленных на фиг.6. Для определения, может ли базовый компонент быть рафинирован для получения состава, находящегося в приемлемой области, отображается набор базовых компонентов, полученных из различных видов сырья, для иллюстрации воздействия степени экстракции на базовые компоненты. Степень воздействия процессов экстракции на индекс вязкости (VI) также показана на чертеже. Очевидно, что, если базовый компонент, полученный из определенного сырья, имеет высокую концентрацию, например, общего количества ароматических соединений и общего количества серы так, что он будет находиться за пределами приемлемой области, спрогнозированной моделью составляющих компонентов, такой, например, как базовый компонент, полученный из сырья К, этот базовый компонент может быть дополнительно рафинирован (этап 290) до такой степени, когда его состав попадет в приемлемую область, спрогнозированную с помощью модели составляющих компонентов. Аналогично, экстрагированные базовые компоненты могут быть скомбинированы таким образом, как было описано выше, для получения составов, находящихся в пределах приемлемой области спрогнозированной модели составляющих компонентов.

Степень воздействия рафинирования на ряд различных видов сырья позволяет произвести прогнозирование параметров смеси, которая будет изготовлена на основании состава базовых компонентов, полученных из этих видов сырья. Аналогично, зная состав и вязкость любого потока при рафинировании, такого, например, как представлен на фиг.1, можно сделать прогноз состава и произвести его смешивание, которое при дальнейшем рафинировании позволяет получить базовый компонент, имеющий состав, находящийся в пределах приемлемой области, определенной с помощью данной модели.

Изменения состава, которые зависят от изменений процесса сольвентной очистки или гидрообработки, являются хорошо известными и могут быть легко смоделированы с целью выбора подходящих потоков рафинирования из известных источников сырья и для выбора самих подходящих видов сырья. В частности, степень воздействия типовых процессов, таких как, например, дистилляция, экстракция растворителем, депарафинизация и гидрообработка, могут быть смоделированы и могут использоваться в соответствии с настоящим изобретением. Это моделирование включает такие элементы, как уровень и тип ароматических соединений, уровень и типы серы, уровень и типы азота, и, если потребуется, может включать другие параметры. В степень воздействия типовых процессов следует включать такие параметры, как температуры кипения фракции дистилляции, дозировка и температура растворителя, увеличение времени контакта, дозы депарафинизации и температурные профили, давление водорода, температура, тип катализатора, скорость преобразования и обработки водородом.

Рассмотрим теперь фиг.7, на которой можно видеть, что в одном из вариантов воплощения настоящего изобретения модель 801 обработки рафинированием, разработанная как описано выше, работает на компьютере или процессоре 803, к которому подключено запоминающее устройство 805. Процессор 803 и запоминающее устройство 805 могут представлять собой подходящий процессор и запоминающее устройство, соответственно, без отхода от объема и сущности настоящего изобретения. Например, процессор может представлять собой процессор на основе персонального компьютера или на основе универсальной вычислительной машины, и запоминающее устройство может представлять собой ОЗУ, ПЗУ или любое соответствующее устройство накопления информации, такое как жесткий диск и т.п.

Как видно на фиг.7, на вход модели обработки обычно поступают данные, представляющие базовый компонент 807 или базовые компоненты 807, такие как газойли (в случае смеси), или данные, представляющие сырье 809 или несколько видов сырья 809 (в случае рафинирования). Что касается данных, представляющих сырье (виды сырья) 809, на вход модели также могут поступать данные, представляющие данные 810 рафинирования конкретного сырья (видов сырья) 809. Как правило, параметры составляющих, фактически, вводятся в случае базового компонента (компонентов), или производится их прогнозирование в случае сырья (видов сырья). Обычно соответствующая информация по составляющим параметров является доступной как экспериментальные данные, которые записаны в запоминающем устройстве 805 в случае базового компонента (компонентов). В случае сырья такие параметры составляющих могут быть спрогнозированы из данных промышленной библиотеки, которые также записаны в запоминающем устройстве 805. После ввода таких данных модель составляющих компонентов производит прогнозирование, являются ли введенный базовый компонент (компоненты) 807 или сырье (виды сырья) 809 приемлемыми в соответствии со способом, описанным выше, и вычисляет соответствующие выходные данные 811.