Continuous process improvement is a critical element in maintaining competitiveness of the process industries. An important category of process improvement is process debottlenecking which is associated with plants that have sold-out products while making a profit. In such cases, market conditions and the prospects for enhancing revenues and profits drive the process to increase production. To overcome the limitation of conventional sequential unit-by-unit debottlenecking approach, this work introduces a new approach. This new approach is simultaneous in nature and is based on posing the debottlenecking task as a process integration task which links all the design and operating degrees of freedom and exploits synergies among the units and streams to attain maximum debottlenecking. Additionally, this new approach considers heat integration of the process while simultaneously performing the debottlenecking. Because of the general nonconvexity of the process model, a rigorous interval-based bounding technique is used to determine the target for maximum extent of debottlenecking aside from the problem nonconvexity. Inclusion isotonicity using interval arithmetic is used to determine a global bound for the maximum extent of process debottlenecking. Focus is given to no/low cost debottlenecking such as modest changes in design and operating degrees of freedom. Two case studies are solved to illustrate the applicability of the new approach and its superior results compared to the conventional sequential approach. Intensification, to debottleneck a process and to improve process safety is also addressed in this work. A new definition and classification of intensification is introduced. This classification distinguishes between two types of intensification: single unit and whole process. Process integration and optimization techniques are used to develop a systematic procedure for process intensification. Focus is given to the interaction among the process units while enhancing the intensification of the process. A case study is solved to illustrate the usefulness of the developed approach.

S tím, jak se neustále vyvíjejí nové technologie pro energeticky náročná průmyslová odvětví, stávající zařízení postupně zaostávají v efektivitě a produktivitě. Tvrdá konkurence na trhu a legislativa v oblasti životního prostředí nutí tato tradiční zařízení k ukončení provozu a k odstavení. Zlepšování procesu a projekty modernizace jsou zásadní v udržování provozních výkonů těchto zařízení. Současné přístupy pro zlepšování procesů jsou hlavně: integrace procesů, optimalizace procesů a intenzifikace procesů. Obecně se v těchto oblastech využívá matematické optimalizace, zkušeností řešitele a provozní heuristiky. Tyto přístupy slouží jako základ pro zlepšování procesů. Avšak, jejich výkon lze dále zlepšit pomocí moderní výpočtové inteligence. Účelem této práce je tudíž aplikace pokročilých technik umělé inteligence a strojového učení za účelem zlepšování procesů v energeticky náročných průmyslových procesech. V této práci je využit přístup, který řeší tento problém simulací průmyslových systémů a přispívá následujícím: (i)Aplikace techniky strojového učení, která zahrnuje jednorázové učení a neuro-evoluci pro modelování a optimalizaci jednotlivých jednotek na základě dat. (ii) Aplikace redukce dimenze (např. Analýza hlavních komponent, autoendkodér) pro vícekriteriální optimalizaci procesu s více jednotkami. (iii) Návrh nového nástroje pro analýzu problematických částí systému za účelem jejich odstranění (bottleneck tree analysis – BOTA). Bylo také navrženo rozšíření nástroje, které umožňuje řešit vícerozměrné problémy pomocí přístupu založeného na datech. (iv) Prokázání účinnosti simulací Monte-Carlo, neuronové sítě a rozhodovacích stromů pro rozhodování při integraci nové technologie procesu do stávajících procesů. (v) Porovnání techniky HTM (Hierarchical Temporal Memory) a duální optimalizace s několika prediktivními nástroji pro podporu managementu provozu v reálném čase. (vi) Implementace umělé neuronové sítě v rámci rozhraní pro konvenční procesní graf (P-graf). (vii) Zdůraznění budoucnosti umělé inteligence a procesního inženýrství v biosystémech prostřednictvím komerčně založeného paradigmatu multi-omics.