生产过程中会定期取样，以确定关键成分的浓度，以满足安全、环境或质量标准。部署温度补偿密度计为实时过程监控取代离线取样提供了机会。历史过程数据不适合建立模型，因为离线分析偶尔发生，取样的确切时间不确定，结果的可变性有限。
在测量密度之前（在实验室中）改变温度和浓度的简单方法会导致误差过大（因为浓度是期望的预测值）。该方法的优点在于它只涉及溶剂添加和温度控制，可以实现自动化。我们展示了如何将此模型用作第一遍，以均匀分布的温度和密度为目标，然后进行采样以确定浓度，从而生成预测不确定性低得多的模型。
将模型导出到 Seeq 和 PowerBI 可实现持续监控，并将每日采样成本降低每年 15,000 欧元（单个流程）。实施消除了等待离线分析的延迟，降低了操作员接触工艺化学品的风险，并使生产团队能够预测和计划干预措施，从而延长了操作时间。
今天，我将与大家讨论如何使用 JMP 构建软传感器，以便高效监控化学生产过程。首先，我要感谢 Chris Knight，他负责实际的实验室工作以收集数据，以及 Daniel Garten，他帮助将模型从实验室转移到生产过程中。这些事情的开始，就像数据科学中经常发生的那样，是有人要求你建立一个模型。自然而然地，这会让你问一个问题，数据从哪里来？它是如何生成的？随着时间的推移，我们在化学制造过程中可用的传感器不断改进。
这种小型化和改进实际上已经导致我们现在可以在实验室中使用与全生产规模相同的传感器。这带来了许多有趣的机会，因为这些传感器可以在一个规模上构建模型，然后直接将其转移到另一个规模上，因为它们运行的是完全相同的设备。在这种情况下，我将讨论温度补偿密度计，这是一种我们不仅用于测量流量，还可以同时用于测量密度和温度的设备。
这是一个有趣的设备。正如你在这里看到的，一个在实验室里。我们这里有一个小型系统，我们有一个循环，液体通过传感器，然后电子设备将结果传回控制器。现在，当谈到这种方法时，你很快就会遇到一个问题。所以很自然地，第一个倾向是，好吧，我有不同的浓度。我可以配制它们。这很容易做到。我可以改变温度。这很容易做到。因此，这就是我要做的。我将改变浓度和温度，然后测量密度。现在，当你这样做时，在建立模型时会遇到许多问题。首先，因为你在不同温度下有固定的浓度，所以当涉及到模型的预测部分时，你的 Y 轴上只有有限数量的结果。同样，如果温度和密度之间存在任何相互作用，这些将不会被这个数据集捕获。你将无法执行相反的操作。您不能取该等式并将其反转，而这正是您想要做的。
如果我们退一步思考，思考现实世界中数据是如何生成的，现实世界中发生的事情是，我们有一个解决方案，我们的固定温度，通过我们的控制达到密度。然后我们取该溶液的样本，并对其进行分析，以找出分析物的浓度。这确实为我们的实验室过程提供了信息。在实验室中，我们可以做的是，如果我们取固定温度下的溶液，然后将其稀释或添加分析物，我们就可以达到我们目标密度的程度。然后我们对其进行取样，以确定分析物的浓度。这既模仿了它在化学过程中的工作方式，也为我们提供了相同的误差结构，并使我们能够拟合适当的模型。这里的误差大约是这里的误差的一半。所以这是一个改进。所以我们已经从大约 0.6（正负 0.6 重量/重量%）下降到正负 0.3（重量/重量%）的单个预测误差。所以这是一个改进。那么这在实践中是什么样的呢？
这里有一个例子，我们取了五个温度。我们取了均匀分布的密度，并试图让它们处于 4 到 12 的分析物范围内。然后我们可以看到，随着温度的变化，线的斜率也在变化，这表明密度和温度之间存在相互作用。因此，这个模型会考虑到这一点。如果我们不这样做，我们可能会错过考虑这种相互作用的机会。现在，我们有了这个模型。然后我们可以在流程规模上应用它。一种方法是使用名为 Seeq 的软件监控我们的流程。Seeq 中的公式工具和 JMP 中的公式工具非常相似。简单的查找和替换可以获取 JMP 中内置的公式，然后可以直接在 Seeq 中使用它。我们现在可以做的是，我们已经建立了一个模型，我们想要验证它。在这里我们可以看到，随着时间的推移，我们得到了模型的上限和下限，以及一些表示何时采集过程样本以及在这些过程样本中获得的结果的条形图。
您可以看到，我们得到了合理的一致意见。有了此模型，我们可以确定何时进行采样。我们不必让所有样本都来自同一范围，无论是低点还是高点，而是可以开始有意识地确定目标，并说：“好吧，为了验证我们的模型，我们需要在整个范围场景中分布数据，而不仅仅是在上限或下限的点。” 这样可以为我们带来更好的数据。完成此操作后，我们就可以返回到建模过程。这里有一个例子，其中实验室规模的分布用红色圆圈表示，过程中的分布用蓝色十字表示。我们可以看到，过程数据的范围往往要窄得多，如果我们仅使用过程数据，那么构建模型就会出现问题。这就是自愿数据的优势所在，因为我们可以在更宽的范围内构建模型，该模型在过程中通常看到的范围内有效。现在我们有了它，我们可以重新运行建模过程。在这种情况下，我使用 SVEM。
... 在样本模型上进行验证。我使用 LASU 的广义线性回归拟合了 100 个模型。然后我们取这些模型的平均值，以解释可能由我们可用的样本引起的变化。从那里，我无法看到在这个我无法获得真实工艺液体并且必须研究理想替代品的系统中，我们在实验室中看到的东西、我们在工厂中看到的东西和在工艺中看到的东西之间存在 1% 的偏移。现在我们将其通过 SVEM，我们已经解决了这个问题，现在我们有一个我们知道在实验室规模和工艺规模上都有效的模型。我们现在想用它做点什么。我们想让它更持久。除了 Seeq，我们可以考虑像 Power BI 这样的东西。在这里，我们采用相同的方程式，现在我们将其放入 Power BI，我们得到了正数或负数。我们的密度和温度从 Process Historians 进入 Power BI。这是通过模型计算得出的，可得出预期值。然后，质量控制系统的结果也会进入 Power BI，然后我们可以将它们一起绘制在图表上。
同样，我们可以进行数学运算，这样我们就可以找出模型与结果之间的差异，并将其作为行动限度。我们甚至可以收到电子邮件。因此，我们现在可以自动执行该操作，以收到一封电子邮件，说明这是模型与上次例行检查之间的差异，以及如果出现问题应采取哪些措施。这很好，因为问题并不总是出在模型上。使用这种密度、温度补偿密度计，您有时会遇到的一个问题是工艺中断或工艺问题导致涂层和污垢。然后，您会得到一个偏移量，即相同工艺液体的测量密度中突然出现的阶跃变化偏移量。然后，该模型还会向我们发出警告，说“看，工艺传感器的健康状况有问题，您需要考虑采取行动。”
总之，我们提高了工艺操作员的安全性。他们不再需要采集那么多样本，因此我们现在只需每月采样一次，而不是每天采样，以检查我们的测量系统和模型是否仍然一致。这也帮助我们从被动过程转变为主动过程。以前，他们对过程中发生的事情一无所知，但现在我们可以说，“好的，对。我们正在前进，也许三天后，我需要安排一次更换，因为工艺液体正在进入我们想要采取行动的范围。而不是猜测和每天采样，并试图找出三天后我会在哪里？”我们有一个更好的轨迹，因为您可以在这里看到，它并不总是相同的。不。有时它会迅速增加。其他时候，这些值会根据过程中发生的事情而缓慢增加。所以这很有帮助。同样，也可以消除延迟，因为在您采集样本之前，样本会送到质量控制实验室进行分析并返回结果，然后您再决定采取何种行动。
因此，现在我们可以更加积极主动，这对于提高整个流程的吞吐量来说是一件好事。此外，通过减少监控这些流程所需的劳动力和分析这些流程所需的耗材，还可以直接节省每个流程每年约 15,000 欧元。如果您对更多细节感兴趣，我已经将整个演讲总结为社区论文，您可以在其中找到数据以及详细方法。非常感谢。
