Los procesos de producción se toman muestras de forma rutinaria para determinar la concentración de componentes clave para cumplir con los criterios de seguridad, ambientales o de calidad. La implementación de densímetros con temperatura compensada brinda la oportunidad de monitorear el proceso en vivo para reemplazar el muestreo fuera de línea. Los datos de procesos históricos no son adecuados para la construcción de modelos, ya que el análisis fuera de línea ocurre esporádicamente, con incertidumbre sobre el momento exacto del muestreo y con una variabilidad limitada en los resultados.
Hoy les hablaré sobre cómo podemos utilizar JMP para construir sensores blandos para el monitoreo eficiente de los procesos de producción química. Me gustaría comenzar agradeciendo a Chris Knight, quien realizó el trabajo de laboratorio para recopilar los datos, y a Daniel Garten, quien ayudó con la transferencia de los modelos del laboratorio al proceso de producción. Estas cosas comienzan, como suele ocurrir en la ciencia de datos, cuando alguien le pide que cree un modelo. Naturalmente, eso te lleva a preguntarte: ¿de dónde provienen los datos? ¿Cómo se generó? Y con el tiempo ha habido una mejora en los sensores disponibles para nosotros en nuestros procesos de fabricación de productos químicos.
Y esta miniaturización y mejora en realidad ha llevado al punto en que ahora podemos usar los mismos sensores en el laboratorio que a escala de producción completa. Esto abre muchas oportunidades interesantes porque con estos sensores se puede construir un modelo en una escala y transferirlo directamente a la otra porque utilizan exactamente el mismo equipo. En este caso, voy a hablar de densímetros con compensación de temperatura, que son un tipo de dispositivo que usamos no solo para medir el flujo, sino que también se puede usar para medir la densidad y la temperatura al mismo tiempo.
Es un dispositivo interesante. Como puede ver aquí, uno está en el laboratorio. Tenemos nuestro pequeño sistema aquí, y tenemos un circuito donde pasamos el líquido a través del sensor, y luego esta es la electrónica que comunica los resultados al controlador. Ahora bien, cuando se trata de este enfoque, muy rápidamente se llega a un problema. Entonces, naturalmente, la primera inclinación es, bueno, tengo diferentes concentraciones. Puedo inventarlos. Son fáciles de hacer. Y puedo variar la temperatura. Eso es fácil de hacer. Entonces eso es lo que haré. Variaré la concentración y la temperatura, y mediré la densidad. Ahora bien, cuando haces eso, surgen una serie de problemas a la hora de construir un modelo. Primero, debido a que tenía concentraciones fijas a diferentes temperaturas, termina con solo una cantidad limitada de resultados en su eje Y cuando se trata de la parte de predicción del modelo. Del mismo modo, si hay interacciones entre la temperatura y la densidad, este conjunto de datos no las capturará. No podrás hacer lo contrario. No puedes tomar la ecuación e invertirla, que es lo que quieres hacer.
Si damos un paso atrás y pensamos en cómo se generan los datos en el mundo real, lo que sucede en el mundo real es que tenemos una solución, nuestra temperatura fija, que alcanza la densidad con nuestro control. Luego tomamos una muestra de esa solución y la analizamos para encontrar cuál es la concentración del analito. Esto realmente informa nuestro proceso de laboratorio. En el laboratorio, lo que podemos hacer es si tomamos una solución a una temperatura fija y la diluimos o agregamos analitos, podemos llegar al punto en el que fijamos como objetivo nuestra densidad. Y luego tomamos una muestra para determinar cuál era la concentración del analito. Y esto imita la forma en que funciona en el proceso químico, pero también nos da la misma estructura de error y luego nos permite ajustar un modelo apropiado. Y el error aquí es aproximadamente la mitad del error aquí. Entonces eso es una mejora. Así que hemos pasado de aproximadamente 0,6, más o menos 0,6 % peso/peso a más o menos 0,3 % peso/peso en los errores de predicción individuales. Entonces esto es una mejora. Entonces, ¿cómo se ve esto en la práctica?
Aquí hay un ejemplo donde hemos tomado cinco temperaturas. Tomamos densidades espaciadas uniformemente y tratamos de colocarlas dentro del rango de analitos de cuatro a 12. Luego podemos ver aquí que las pendientes de las líneas cambian a medida que cambiamos las temperaturas, lo que sugiere que hay una interacción en algún lugar entre la densidad y la temperatura. Por tanto, este modelo tendría esto en cuenta. Si no lo hubiéramos hecho de esta manera, es posible que hubiéramos perdido la oportunidad de tener en cuenta esa interacción. Ahora tenemos este modelo. Luego podemos aplicarlo a escala de proceso. Una forma de hacerlo es que nuestros procesos se monitoreen mediante un software llamado Seeq. La herramienta de fórmulas en Seeq y la herramienta de fórmulas en JMP son muy similares. Una simple búsqueda y reemplazo puede tomar una fórmula integrada en JMP y luego puede usarse directamente en Seeq. Lo que podemos hacer ahora es haber creado un modelo y queremos validarlo. Aquí podemos ver a lo largo del tiempo que tenemos los límites superior e inferior del modelo, junto con algunas barras que representan cuándo se toman las muestras de proceso y los resultados obtenidos en esas muestras de proceso.
Puede ver que estamos logrando un acuerdo razonable. Tener este modelo activo nos permite determinar cuándo queremos que se tomen muestras. En lugar de que todos provengan de la misma parte del rango, cuando es bajo o alto, podemos comenzar a apuntar deliberadamente y decir: "Está bien, para validar nuestro modelo, queremos una distribución de datos en toda la escena del rango y no solo en puntos en el límite superior o inferior." Nos da mejores datos. Cuando hayamos hecho eso, podremos volver a nuestro proceso de modelado. Aquí tengo un ejemplo donde tenemos la dispersión a escala de laboratorio en rojo con círculos y la dispersión vista en el proceso, que está en cruces azules. Podemos ver aquí que los datos del proceso tienden a ser de un rango mucho más estrecho, lo que presentaría problemas para construir modelos si solo usamos datos del proceso. Esta es la razón por la que la fortaleza de tener datos voluntarios es que podemos construir un modelo en un rango más amplio, que es válido en todo el rango que normalmente se ve en el proceso. Ahora que lo tenemos, podemos volver a ejecutar nuestro proceso de modelado. En este caso, uso SVEM.
... Validación de modelos de muestra. Ajusté 100 modelos usando regresión lineal generalizada con LASU. Luego tomamos el promedio de esos modelos para tener en cuenta la variabilidad que podría deberse a las muestras que tenemos disponibles. A partir de eso, no pude ver que en este sistema donde no podía obtener líquidos de proceso reales y tenía que trabajar en sustitutos ideales, había una compensación del 1% entre lo que estábamos viendo en el laboratorio, lo que estamos viendo en la planta y en el proceso. Ahora lo hemos sometido a SVEM, hemos alineado ese problema y ahora tenemos un modelo que sabemos que funciona tanto a escala de laboratorio como a escala de proceso. Queremos hacer algo con eso ahora. Queremos hacerlo más permanente. Más allá de Seeq, podemos pensar en algo como Power BI. Aquí tomamos la misma ecuación y ahora la ponemos en Power BI y tenemos nuestro más o menos. Nuestra densidad y temperatura pasan a Power BI desde los Historiadores de Procesos. Eso se calcula con nuestro modelo para darnos nuestros valores esperados. Luego, los resultados de nuestro sistema de control de calidad también entran en Power BI y luego podemos trazarlos juntos en el gráfico.
Del mismo modo, podemos hacer cálculos, para poder descubrir qué tan diferente es el modelo del resultado y darlo como límites de acción. Incluso podemos recibir correos electrónicos. Ahora podemos automatizarlo para recibir un correo electrónico que diga: Esta es la diferencia entre el modelo y la última verificación de rutina, y qué acciones tomar si hay un problema. Esto es bueno porque el problema no siempre está en el modelo. Con estos densímetros de densidad y temperatura compensada, un problema que a veces se tiene son las interrupciones del proceso o los problemas del proceso causados por recubrimientos y suciedad. Luego obtendrá una compensación, un cambio repentino en la densidad medida para un mismo líquido de proceso. Luego, este modelo también nos da una advertencia que dice: "Mira, el estado del sensor de proceso es un problema y debes considerar actuar al respecto".
En conclusión, hemos mejorado la seguridad de los operadores de procesos. Ya no tienen que tomar tantas muestras, por lo que en lugar de tomar muestras diariamente, ahora solo tenemos que tomar muestras una vez al mes para comprobar que nuestros sistemas de medición y nuestro modelo siguen coincidiendo. También nos ha ayudado a pasar de un proceso reactivo a uno proactivo. Antes, no sabían lo que estaba sucediendo en el proceso, pero ahora podemos decir: "Está bien, claro. Estamos avanzando y tal vez dentro de tres días, necesito programar un cambio porque el líquido del proceso es estar dentro del rango sobre el que queremos actuar en lugar de adivinar y tomar muestras todos los días y tratar de determinar dónde podría estar dentro de tres días". Tenemos una trayectoria mucho mejor porque, como pueden ver aquí, no siempre es lo mismo. No. A veces aumenta bastante rápidamente. Otras veces, estos valores aumentan más lentamente dependiendo de lo que sucede en el proceso. Eso ha sido útil. Del mismo modo, también se eliminan los retrasos, porque antes de tomar una muestra, ésta iría al laboratorio de control de calidad, quien la analizaría y obtendría el resultado, y luego usted decidiría su acción.
Ahora podemos ser más proactivos y eso es bueno en términos de mayor rendimiento a través de un proceso. Y luego también hay un ahorro directo, es decir, unos 15.000 euros al año por proceso, al reducir la mano de obra necesaria para supervisar estos procesos y los consumibles necesarios para analizarlos. Si está interesado en más detalles, he resumido toda la charla en un documento sobre la comunidad, donde puede encontrar los datos junto con un método detallado. Muchas gracias.
