Les processus de production sont régulièrement échantillonnés pour déterminer la concentration des composants clés afin de répondre aux critères de sécurité, d'environnement ou de qualité. Le déploiement de densimètres à compensation de température offre la possibilité de surveiller les processus en direct pour remplacer l'échantillonnage hors ligne. Les données de processus historiques ne conviennent pas à la création de modèles, car les analyses hors ligne se produisent de manière sporadique, avec une incertitude quant à l'heure exacte de l'échantillonnage et une variabilité limitée des résultats.
Aujourd'hui, je vais vous parler de la manière dont nous pouvons utiliser JMP pour créer des capteurs logiciels permettant une surveillance efficace des processus de production chimique. J'aimerais commencer par remercier Chris Knight, qui a effectué le travail de laboratoire pour recueillir les données, et Daniel Garten, qui a aidé au transfert des modèles du laboratoire vers le processus de production. Ces choses commencent, comme c'est souvent le cas en science des données, lorsque quelqu'un vous demande de créer un modèle. Naturellement, cela vous amène à vous poser la question : d’où proviennent les données ? Comment a-t-il été généré ? Et les capteurs dont nous disposons pour nos processus de fabrication de produits chimiques se sont améliorés au fil du temps.
Et cette miniaturisation et cette amélioration ont en fait conduit au point où nous pouvons désormais utiliser les mêmes capteurs en laboratoire qu’à l’échelle de production complète. Cela ouvre de nombreuses opportunités intéressantes car ces capteurs, vous pouvez ensuite construire un modèle à une échelle et le transférer directement à l'autre car ils utilisent exactement le même équipement. Dans ce cas, je vais parler de densimètres à compensation de température, qui sont une forme d'appareil que nous utilisons non seulement pour mesurer le débit, mais qui peut également être utilisé pour mesurer la densité et la température en même temps.
C'est un appareil intéressant. Comme vous pouvez le voir ici, l'un d'eux est dans le laboratoire. Nous avons notre petit système ici, et nous avons une boucle dans laquelle nous faisons passer le liquide à travers le capteur, puis c'est l'électronique qui communique les résultats au contrôleur. Or, avec cette approche, on arrive très vite à un problème. Alors naturellement, la première tendance est, eh bien, j’ai différentes concentrations. Je peux les inventer. Ils sont faciles à faire. Et je peux faire varier la température. C'est facile à faire. C'est donc ce que je vais faire. Je ferai varier la concentration et la température, et je mesurerai la densité. Or, lorsque vous faites cela, un certain nombre de problèmes se posent lorsqu’il s’agit de construire un modèle. Premièrement, comme vous aviez des concentrations fixes à différentes températures, vous vous retrouvez avec seulement un nombre limité de résultats sur votre axe Y en ce qui concerne la partie prédiction du modèle. De même, s’il existe des interactions entre la température et la densité, celles-ci ne seront pas capturées par cet ensemble de données. Vous ne pourrez pas faire l’inverse. Vous ne pouvez pas prendre l’équation et l’inverser, c’est ce que vous voulez faire.
Si nous prenons du recul et réfléchissons à la manière dont les données sont générées dans le monde réel, ce qui se passe dans le monde réel est que nous avons une solution, notre température fixe, qui atteint la densité sous notre contrôle. Ensuite, nous prélevons un échantillon de cette solution et l’analysons pour déterminer la concentration de l’analyte. Cela éclaire vraiment notre processus de laboratoire. En laboratoire, ce que nous pouvons faire, c'est que si nous prenons une solution à une température fixe et que nous la diluons ou ajoutons des analytes, nous pouvons alors arriver au point où nous ciblons notre densité. Et puis nous l’échantillonnons pour déterminer la concentration de l’analyte. Et cela imite à la fois la façon dont cela fonctionne dans le processus chimique, mais nous donne également la même structure d'erreur et nous permet ensuite d'ajuster un modèle approprié. Et l’erreur ici représente environ la moitié de l’erreur ici. C'est donc une amélioration. Nous sommes donc passés d'environ 0,6, plus ou moins 0,6 % poids/poids à plus ou moins 0,3 % poids/poids sur les erreurs de prédiction individuelles. C'est donc une amélioration. Alors, à quoi cela ressemble-t-il en pratique ?
Voici un exemple où nous avons pris cinq températures. Nous avons pris des densités régulièrement espacées et essayé de les placer dans la plage d'analytes de quatre à 12. Nous pouvons alors voir ici que les pentes des lignes changent à mesure que nous changeons les températures, ce qui suggère qu'il y a une interaction quelque part entre la densité et la température. Ce modèle en tiendrait donc compte. Si nous n'avions pas procédé de cette façon, nous aurions peut-être raté l'occasion de prendre en compte cette interaction. Maintenant, nous avons ce modèle. Nous pouvons ensuite l'appliquer à l'échelle du processus. Une façon d’y parvenir est de surveiller nos processus à l’aide d’un logiciel appelé Seeq. L'outil de formule de Seeq et l'outil de formule de JMP sont très similaires. Une simple recherche et remplacement peut prendre une formule construite dans JMP, et elle peut ensuite être utilisée directement dans Seeq. Ce que nous pouvons faire maintenant, c'est que nous avons construit un modèle et que nous voulons le valider. Ici, nous pouvons voir au fil du temps, nous avons les limites supérieure et inférieure du modèle, ainsi que quelques barres représentant le moment où les échantillons de processus sont prélevés et les résultats obtenus dans ces échantillons de processus.
Vous voyez que nous parvenons à un accord raisonnable. Avoir ce modèle en direct nous permet de cibler le moment où nous souhaitons que les échantillons soient prélevés. Plutôt que de les voir tous provenir de la même partie de la plage, lorsqu'elle est basse ou haute, nous pouvons commencer à cibler délibérément et dire : « D'accord, pour valider notre modèle, nous voulons une répartition des données sur toute la scène de la plage et pas seulement en des points situés à la limite supérieure ou inférieure. Cela nous donne de meilleures données. Lorsque nous avons fait cela, nous pouvons alors revenir à notre processus de modélisation. Ici, j'ai un exemple où nous avons la propagation à l'échelle du laboratoire en rouge avec des cercles et la propagation observée dans le processus, qui est en croix bleues. Nous pouvons voir ici que les données de processus ont tendance à avoir une plage beaucoup plus étroite, ce qui poserait des problèmes pour construire des modèles si nous utilisons uniquement des données de processus. C'est la raison pour laquelle la force de disposer de données volontaires réside dans le fait que nous pouvons construire un modèle sur une plage plus large, qui est valable sur toute la plage généralement observée dans le processus. Maintenant que nous avons cela, nous pouvons réexécuter notre processus de modélisation. Dans ce cas, j'utilise SVEM.
... Validation sur des exemples de modèles. J'ai ajusté 100 modèles en utilisant la régression linéaire généralisée avec LASU. Ensuite, nous avons pris la moyenne de ces modèles afin de tenir compte de la variabilité qui pourrait être due aux échantillons dont nous disposons. À partir de là, je n'ai pas pu voir que dans ce système où je ne parvenais pas à obtenir de vrais liquides de procédé et où je devais travailler sur des substituts idéaux, il y avait un décalage de 1 % entre ce que nous voyions en laboratoire, ce que nous voyions en laboratoire et ce que nous voyions en laboratoire. nous le constatons dans l'usine et dans le processus. Maintenant, nous avons soumis cela au SVEM, nous avons aligné ce problème et nous disposons désormais d'un modèle qui, nous le savons, fonctionne à la fois à l'échelle du laboratoire et à l'échelle du processus. Nous voulons faire quelque chose avec cela maintenant. Nous voulons le rendre plus permanent. Au-delà de Seeq, nous pouvons penser à quelque chose comme Power BI. Ici, nous prenons cette même équation, et nous la mettons maintenant dans Power BI, et nous avons notre plus ou moins. Notre densité et notre température sont entrées dans Power BI par les historiens des processus. Cela est calculé avec notre modèle pour nous donner nos valeurs attendues. Ensuite, les résultats de notre système de contrôle qualité sont également transférés dans Power BI, et nous pouvons ensuite les tracer ensemble sur le graphique.
De la même manière, nous pouvons faire des mathématiques, afin de découvrir à quel point le modèle est différent du résultat et de le donner comme limite d'action. Nous pouvons même recevoir des e-mails. Nous pouvons donc désormais l'automatiser pour recevoir un e-mail indiquant : Voici la différence entre le modèle et le dernier contrôle de routine, et quelles actions prendre en cas de problème. C’est bien car le problème ne vient pas toujours du modèle. Avec ces densimètres à compensation de température, l'un des problèmes que vous rencontrez parfois est celui des interruptions de processus ou des problèmes de processus causés par un revêtement et un encrassement. Ensuite, vous obtiendrez un décalage, un décalage de changement d'étape soudain dans la densité de mesure pour un même liquide de traitement. Ce modèle nous donne également un avertissement disant : « Écoutez, l'état du capteur de processus est un problème, et vous devez envisager d'agir en conséquence. »
En conclusion, nous avons amélioré la sécurité des opérateurs de processus. Ils n'ont plus besoin de prélever autant d'échantillons, donc plutôt que de prélever quotidiennement, nous n'avons plus qu'à prélever une fois par mois pour vérifier que nos systèmes de mesure et notre modèle sont toujours en accord. Cela nous a également aidé à passer d'un processus réactif à un processus proactif. Avant, ils étaient aveugles à ce qui se passait dans le processus, mais maintenant nous pouvons dire : « D'accord, c'est vrai. Nous y allons, et peut-être que dans trois jours, je devrai planifier un changement parce que le liquide du processus est " Nous avons une bien meilleure trajectoire car vous pouvez voir ici, ce n'est pas toujours la même. Non. Parfois, cela augmente assez rapidement. D'autres fois, ces valeurs augmentent plus lentement en fonction de ce qui se passe au cours du processus. Cela a donc été utile. De même, en supprimant les délais, car avant de prélever un échantillon, celui-ci serait envoyé au laboratoire de contrôle qualité qui l'analyserait et récupérerait votre résultat, puis vous décideriez de votre action.
Nous pouvons désormais être plus proactifs, et c'est une bonne chose en termes d'augmentation du débit d'un processus. Et puis il y a aussi une économie directe, soit environ 15 000 € par an et par processus, en réduisant la main d'œuvre nécessaire au suivi de ces processus et les consommables nécessaires à leur analyse. Si vous souhaitez plus de détails, j'ai résumé l'ensemble de l'exposé sous forme d'un article sur la communauté, où vous pouvez trouver les données ainsi qu'une méthode détaillée. Merci beaucoup.
