Bei Produktionsprozessen werden regelmäßig Proben entnommen, um die Konzentration wichtiger Komponenten zu bestimmen und so Sicherheits-, Umwelt- oder Qualitätskriterien zu erfüllen. Der Einsatz temperaturkompensierter Dichtemessgeräte bietet die Möglichkeit, die Offline-Probenahme durch Live-Prozessüberwachung zu ersetzen. Historische Prozessdaten sind für die Modellbildung nicht geeignet, da Offline-Analysen sporadisch erfolgen, Unsicherheiten hinsichtlich des genauen Zeitpunkts der Probenahme bestehen und die Ergebnisse nur eine begrenzte Variabilität aufweisen.
Heute werde ich Ihnen erklären, wie wir mit JMP Softsensoren für die effiziente Überwachung chemischer Produktionsprozesse erstellen können. Zunächst möchte ich Chris Knight danken, der die eigentliche Laborarbeit zur Datenerfassung durchgeführt hat, und Daniel Garten, der bei der Übertragung der Modelle vom Labor in den Produktionsprozess geholfen hat. Diese Dinge beginnen, wie so oft in der Datenwissenschaft, damit, dass Sie jemand bittet, ein Modell zu erstellen. Das führt natürlich dazu, dass Sie sich fragen: Woher kamen die Daten? Wie wurden sie generiert? Und im Laufe der Zeit wurden die Sensoren, die uns für unsere chemischen Herstellungsprozesse zur Verfügung stehen, verbessert.
Und diese Miniaturisierung und Verbesserung hat tatsächlich dazu geführt, dass wir jetzt im Labor dieselben Sensoren verwenden können wie in der vollen Produktionsgröße. Das eröffnet viele interessante Möglichkeiten, denn diese Sensoren können Sie dann in einem Maßstab modellieren und direkt auf den anderen übertragen, da sie mit genau derselben Ausrüstung betrieben werden. In diesem Fall werde ich über temperaturkompensierte Dichtemessgeräte sprechen, eine Art Gerät, mit dem wir nicht nur den Durchfluss messen, sondern mit dem wir auch gleichzeitig Dichte und Temperatur messen können.
Es ist ein interessantes Gerät. Wie Sie hier sehen können, steht eines im Labor. Wir haben hier unser kleines System und eine Schleife, in der wir die Flüssigkeit durch den Sensor leiten, und dann ist dies die Elektronik, die die Ergebnisse an den Controller zurückmeldet. Bei diesem Ansatz stößt man sehr schnell auf ein Problem. Die erste Neigung ist natürlich: Nun, ich habe verschiedene Konzentrationen. Die kann ich mir ausdenken. Das ist einfach. Und ich kann die Temperatur variieren. Das ist einfach. Also mache ich das. Ich variiere die Konzentration und die Temperatur und messe die Dichte. Wenn Sie das tun, gibt es eine Reihe von Problemen beim Erstellen eines Modells. Erstens: Da Sie feste Konzentrationen bei unterschiedlichen Temperaturen hatten, erhalten Sie beim Vorhersageteil des Modells nur eine begrenzte Anzahl von Ergebnissen auf Ihrer Y-Achse. Ebenso werden etwaige Wechselwirkungen zwischen Temperatur und Dichte nicht von diesem Datensatz erfasst. Umgekehrt können Sie das nicht tun. Sie können die Gleichung nicht nehmen und umkehren, obwohl Sie das ja möchten.
Wenn wir einen Schritt zurückgehen und darüber nachdenken, wie Daten in der realen Welt generiert werden, dann ist es so, dass wir eine Lösung haben, unsere feste Temperatur, die die Dichte mit unserer Kontrolle erreicht. Dann nehmen wir eine Probe dieser Lösung und analysieren sie, um die Konzentration des Analyten zu ermitteln. Dies ist wirklich eine Information für unseren Laborprozess. Im Labor können wir eine Lösung bei einer festen Temperatur nehmen und sie entweder verdünnen oder Analyten hinzufügen, um den Punkt zu erreichen, an dem wir unsere Dichte anvisieren. Und dann nehmen wir eine Probe, um die Analytkonzentration zu ermitteln. Und dies ahmt sowohl die Funktionsweise im chemischen Prozess nach, gibt uns aber auch dieselbe Fehlerstruktur und ermöglicht es uns, ein geeignetes Modell anzupassen. Und der Fehler hier ist etwa halb so groß wie hier. Das ist also eine Verbesserung. Wir sind also von etwa 0,6 plus minus 0,6 Gewichtsprozent auf plus minus 0,3 Gewichtsprozent bei den einzelnen Vorhersagefehlern heruntergekommen. Das ist also eine Verbesserung. Wie sieht das also in der Praxis aus?
Hier ist ein Beispiel, bei dem wir fünf Temperaturen gemessen haben. Wir haben gleichmäßig verteilte Dichten genommen und versucht, sie in den Analytbereich von vier bis zwölf zu bringen. Dann können wir hier sehen, dass sich die Steigungen der Linien ändern, wenn wir die Temperaturen ändern, was darauf hindeutet, dass es irgendwo eine Wechselwirkung zwischen Dichte und Temperatur gibt. Daher würde dieses Modell dies berücksichtigen. Wenn wir es nicht so gemacht hätten, hätten wir möglicherweise die Gelegenheit verpasst, diese Wechselwirkung zu berücksichtigen. Jetzt haben wir dieses Modell. Wir können es dann auf Prozessebene anwenden. Eine Möglichkeit, dies zu tun, besteht darin, dass unsere Prozesse mit einer Software namens Seeq überwacht werden. Das Formeltool in Seeq und das Formeltool in JMP sind sehr ähnlich. Ein einfaches Suchen und Ersetzen kann eine in JMP erstellte Formel übernehmen und diese dann direkt in Seeq verwenden. Was wir jetzt tun können, ist, dass wir ein Modell erstellt haben und es validieren möchten. Hier können wir im Laufe der Zeit die Ober- und Untergrenzen des Modells sehen, zusammen mit einigen Balken, die darstellen, wann Prozessproben entnommen werden und welche Ergebnisse in diesen Prozessproben erzielt werden.
Sie sehen, dass wir eine angemessene Übereinstimmung erzielen. Wenn dieses Modell live ist, können wir gezielt festlegen, wann wir Proben nehmen möchten. Anstatt dass sie alle aus demselben Teil des Bereichs kommen, wenn dieser niedrig oder hoch ist, können wir gezielt beginnen und sagen: „Okay, um unser Modell zu validieren, möchten wir eine Datenverteilung über den gesamten Bereich und nicht nur an Punkten an der oberen oder unteren Grenze.“ Dadurch erhalten wir bessere Daten. Wenn wir das getan haben, können wir zu unserem Modellierungsprozess zurückkehren. Hier habe ich ein Beispiel, bei dem wir die Verteilung über die Laborskala in Rot mit Kreisen und die Verteilung im Prozess in Blau mit Kreuzen haben. Wir können hier sehen, dass die Prozessdaten tendenziell einen viel engeren Bereich abdecken, was beim Erstellen von Modellen Probleme bereiten würde, wenn wir nur Prozessdaten verwenden. Aus diesem Grund liegt die Stärke der freiwilligen Daten darin, dass wir ein Modell über einen größeren Bereich erstellen können, das über den Bereich gültig ist, der normalerweise im Prozess zu sehen ist. Jetzt, da wir das haben, können wir unseren Modellierungsprozess erneut ausführen. In diesem Fall verwende ich SVEM.
... Validierung anhand von Beispielmodellen. Ich habe 100 Modelle mithilfe der verallgemeinerten linearen Regression mit LASU angepasst. Dann haben wir den Durchschnitt dieser Modelle ermittelt, um die Variabilität zu berücksichtigen, die auf die uns zur Verfügung stehenden Proben zurückzuführen sein könnte. Daraus konnte ich nicht erkennen, dass es in diesem System, in dem ich keine echten Prozessflüssigkeiten erhalten konnte und mit idealen Ersatzstoffen arbeiten musste, eine Abweichung von 1 % zwischen dem gab, was wir im Labor sahen, dem, was wir in der Anlage und im Prozess sahen. Jetzt haben wir das durch SVEM geleitet, dieses Problem angepasst und jetzt haben wir ein Modell, von dem wir wissen, dass es sowohl im Labormaßstab als auch im Prozessmaßstab funktioniert. Damit wollen wir jetzt etwas anfangen. Wir wollen es dauerhafter machen. Über Seeq hinaus können wir über so etwas wie Power BI nachdenken. Hier nehmen wir dieselbe Gleichung, geben sie jetzt in Power BI ein und haben unser Plus oder Minus. Unsere Dichte und Temperatur gehen von den Process Historians in Power BI ein. Das wird mit unserem Modell berechnet, um unsere erwarteten Werte zu erhalten. Dann fließen auch die Ergebnisse unseres Qualitätskontrollsystems in Power BI ein, und wir können sie dann gemeinsam im Diagramm darstellen.
Ebenso können wir Berechnungen durchführen, um herauszufinden, wie sehr sich das Modell vom Ergebnis unterscheidet, und dies als Aktionsgrenzen festlegen. Wir können sogar E-Mails erhalten. Wir können es jetzt automatisieren, sodass wir eine E-Mail erhalten, in der steht: „Dies ist die Differenz zwischen dem Modell und der letzten Routineprüfung, und welche Maßnahmen zu ergreifen sind, wenn ein Problem auftritt.“ Das ist gut, denn das Problem liegt nicht immer am Modell. Bei diesen temperaturkompensierten Dichtemessgeräten gibt es manchmal Probleme mit Prozessunterbrechungen oder Prozessproblemen, die durch Beläge und Verschmutzungen verursacht werden. Dann erhalten Sie einen Offset, einen plötzlichen sprunghaften Offset in der gemessenen Dichte für dieselbe Prozessflüssigkeit. Dieses Modell gibt uns dann auch eine Warnung, die besagt: „Sehen Sie, der Zustand des Prozesssensors ist ein Problem, und Sie müssen in Erwägung ziehen, dagegen vorzugehen.“
Fazit: Wir haben die Sicherheit der Prozessbediener verbessert. Sie müssen nicht mehr so viele Proben nehmen. Statt täglich müssen wir jetzt nur noch einmal im Monat Proben nehmen, um zu prüfen, ob unsere Messsysteme und unser Modell noch übereinstimmen. Es hat uns auch geholfen, von einem reaktiven zu einem proaktiven Prozess überzugehen. Früher wussten sie nicht, was im Prozess vor sich ging, aber jetzt können wir sagen: „Okay, richtig. Wir steigen, und vielleicht muss ich in drei Tagen einen Wechsel einplanen, weil die Prozessflüssigkeit in den Bereich kommt, in dem wir etwas unternehmen wollen. Anstatt jeden Tag zu raten und Proben zu nehmen und herauszufinden, wo ich in drei Tagen sein könnte?“ Wir haben eine viel bessere Flugbahn, denn Sie können hier sehen, dass sie nicht immer gleich ist. Nein. Manchmal steigt sie ziemlich schnell an. Manchmal steigen diese Werte langsamer an, je nachdem, was im Prozess vor sich geht. Das war also hilfreich. Ebenso werden Verzögerungen vermieden, denn bevor Sie eine Probe entnehmen, wird diese an das Qualitätskontrolllabor geschickt, wo sie analysiert wird und Sie Ihr Ergebnis erhalten. Anschließend entscheiden Sie über Ihr weiteres Vorgehen.
Jetzt können wir also proaktiver sein, und das ist eine gute Sache im Hinblick auf den erhöhten Durchsatz durch einen Prozess. Und dann gibt es auch eine direkte Einsparung, also etwa 15.000 € pro Jahr und Prozess durch die Reduzierung des Arbeitsaufwands zur Überwachung dieser Prozesse und der Verbrauchsmaterialien, die zu ihrer Analyse erforderlich sind. Wenn Sie an weiteren Einzelheiten interessiert sind, habe ich den gesamten Vortrag als Dokument in der Community zusammengefasst, wo Sie die Daten zusammen mit einer detaillierten Methode finden können. Vielen Dank.
