生産プロセスでは、安全性、環境、品質基準を満たすために、主要成分の濃度を決定するために定期的にサンプリングが行われます。温度補正密度計を導入すると、オフライン サンプリングの代わりにライブ プロセス モニタリングが可能になります。オフライン分析は散発的に行われ、サンプリングの正確な時間が不確実で、結果の変動が限られているため、履歴プロセス データはモデル構築には適していません。
密度を測定する前に温度と濃度を変えるという単純なアプローチでは、誤差が大きくなりがちです (濃度が望ましい予測値であるため)。この方法には、溶媒の追加と温度制御のみを必要とし、自動化できるという利点があります。このモデルを最初のパスとして使用して、均等間隔の温度と密度をターゲットにし、その後、濃度を決定するためのサンプリングを行って、予測の不確実性を大幅に低減したモデルを作成する方法を示します。
モデルを Seeq と PowerBI にエクスポートすることで、継続的な監視が可能になり、毎日のサンプリングにかかるコストが年間 15,000 ユーロ (単一プロセスの場合) 削減されました。実装により、オフライン分析を待つ遅延がなくなり、オペレーターがプロセス化学物質にさらされるリスクが軽減され、生産チームが介入を予測して計画できるようになり、運用時間が長くなりました。
今日は、JMP を使用して化学製造プロセスを効率的に監視するためのソフト センサーを構築する方法についてお話しします。まず、実際に実験室でデータを収集した Chris Knight 氏と、実験室から製造プロセスへのモデルの移行を支援した Daniel Garten 氏に感謝したいと思います。データ サイエンスではよくあることですが、こうしたことは、モデルを構築するよう誰かに依頼されることから始まります。当然、そのデータはどこから来たのか、どのように生成されたのかという疑問が湧いてきます。化学製造プロセスで利用できるセンサーは、時間の経過とともに改善されてきました。
そして、この小型化と改良により、現在では、研究室でもフル生産規模で使用しているのと同じセンサーを使用できるようになっています。これにより、多くの興味深い機会が生まれます。これらのセンサーは、まったく同じ装置で動作しているため、ある規模でモデルを構築し、それを別の規模に直接転送できるからです。この場合、温度補償型密度計についてお話しします。これは、流量を測定するだけでなく、密度と温度を同時に測定するために使用するタイプのデバイスです。
これは興味深い装置です。ご覧のとおり、1 つは実験室にあります。ここに小さなシステムがあり、ループで液体をセンサーに通します。そして、これが結果をコントローラーに返す電子機器です。このアプローチでは、すぐに問題にぶつかります。当然、最初の傾向は、さまざまな濃度があるということです。それは自分で作ることができます。簡単にできます。そして、温度を変えることもできます。これは簡単です。したがって、それを行います。濃度と温度を変えて、密度を測定します。そうすると、モデルを構築するときにいくつかの問題が発生します。1 つは、さまざまな温度で固定濃度を使用したため、モデルの予測部分になると、Y 軸に限られた数の結果しか表示されなくなります。同様に、温度と密度の間に相互作用がある場合、それらはこのデータ セットでは捕捉されません。逆のことはできません。方程式を逆にすることはできません。それがあなたのやりたいことです。
一歩下がって、現実世界でデータがどのように生成されるかを考えてみましょう。現実世界では、制御によって密度に達する固定温度の溶液があります。次に、その溶液のサンプルを採取し、分析して分析物の濃度を調べます。これは、ラボのプロセスに非常に役立ちます。ラボでは、固定温度の溶液を採取し、希釈するか分析物を追加すると、目標の密度に到達できます。次に、サンプルを採取して分析物の濃度を調べます。これは、化学プロセスでの動作を模倣するだけでなく、同じエラー構造を提供し、適切なモデルを当てはめることができます。ここでのエラーは、ここでのエラーの約半分です。これは改善です。したがって、個々の予測エラーは、約 0.6、プラスマイナス 0.6 重量/重量 % から、プラスマイナス 0.3 重量/重量 % に減少しました。これは改善です。では、実際にはどのように見えるのでしょうか?
これは、5 つの温度を取った例です。等間隔の密度を取り、4 から 12 の分析対象物の範囲内に収めようとしました。すると、温度を変えると線の傾きが変わることがわかります。これは、密度と温度の間に相互作用があることを示しています。したがって、このモデルはこれを考慮します。このようにしていなければ、その相互作用を考慮する機会を逃していたかもしれません。これで、このモデルができました。これをプロセス スケールで適用できます。これを行う 1 つの方法は、Seeq というソフトウェアを使用してプロセスを監視することです。Seeq の数式ツールと JMP の数式ツールは非常に似ています。簡単な検索と置換で、JMP で構築された数式を取得し、それを Seeq で直接使用できます。今できることは、モデルを構築し、それを検証することです。ここでは、時間の経過に伴うモデルの上限と下限、およびプロセス サンプルが取得されたタイミングとそれらのプロセス サンプルで得られた結果を表すいくつかのバーを確認できます。
妥当な合意が得られていることがわかります。このモデルをライブにすることで、サンプルをいつ採取するかをターゲットにすることができます。サンプルがすべて同じ範囲から採取されるのではなく、範囲が低かったり高かったりするときに、意図的にターゲットを絞って、「モデルを検証するには、範囲のシーン全体に広がるデータが必要であり、上限や下限のポイントだけではありません」と言うことができます。これにより、より優れたデータが得られます。これが完了したら、モデリング プロセスに戻ることができます。ここでは、実験室スケールの広がりを赤の円で示し、プロセスで見られる広がりを青の十字で示した例を示します。ここで、プロセス データは非常に狭い範囲になる傾向があることがわかります。プロセス データのみを使用すると、モデルの構築に問題が生じます。これが、自発的なデータを使用することの強みです。これにより、プロセスで通常見られる範囲全体で有効な、より広い範囲のモデルを構築できます。これで、モデリング プロセスを再実行できます。この場合はSVEMを使用します。
... サンプル モデルで検証しています。LASU で一般化線形回帰を使用して 100 個のモデルを当てはめました。次に、利用可能なサンプルに起因する可能性のある変動を考慮するために、それらのモデルの平均を取りました。そこから、実際のプロセス液体を入手できず、理想的な代替品で作業しなければならなかったこのシステムでは、実験室で確認したものと、工場で確認したもの、およびプロセスで確認したものの間に 1% のオフセットがあることを確認できませんでした。これを SVEM に通して、その問題を調整し、実験室規模とプロセス規模の両方で機能することがわかっているモデルを作成しました。これを使って何かを行いたいと考えています。より永続的なものにしたいと考えています。Seeq を超えて、Power BI のようなものを検討できます。ここでは、同じ方程式を Power BI に入力して、プラスまたはマイナスを取得します。密度と温度は、プロセス ヒストリアンから Power BI に入力されます。これはモデルで計算され、期待値が得られます。次に、品質管理システムからの結果も Power BI に入力され、それらをグラフにまとめてプロットできます。
同様に、数学的に計算できるので、モデルと結果の差を調べて、それをアクションの制限として与えることができます。電子メールを受け取ることもできます。つまり、モデルと前回の定期チェックの差はこれです、問題がある場合はどのようなアクションを取るべきかという電子メールを受け取るように自動化できるようになりました。問題が常にモデルにあるとは限らないので、これは便利です。この密度、温度補正密度計では、コーティングや汚れによってプロセスが中断したり、プロセスの問題が発生することがあります。すると、同じプロセス液体の測定密度に突然のステップ変化オフセットが発生します。このモデルは、「プロセス センサーの健全性に問題があります。対処を検討する必要があります」という警告も出します。
結論として、プロセス オペレーターの安全性が向上しました。オペレーターは以前ほど多くのサンプルを採取する必要がなくなったため、毎日サンプルを採取するのではなく、月に 1 回サンプルを採取して、測定システムとモデルがまだ一致しているかどうかを確認すればよくなりました。また、これは、リアクティブ プロセスからプロアクティブ プロセスへの移行にも役立ちました。以前は、プロセスで何が起こっているのかわかりませんでしたが、今では「わかりました。上昇傾向にあります。3 日後には、プロセス液が対策を講じたい範囲内に入っているので、切り替えをスケジュールする必要があります。推測して毎日サンプルを採取し、3 日後にはどこまで進んでいるかを計算するのではなく」と判断できます。軌道ははるかに良くなりました。ここでわかるように、常に同じではありません。いいえ。時には、非常に急速に増加します。また、プロセスで何が起こっているかに応じて、これらの値がよりゆっくりと増加することもあります。これは役立っています。同様に、遅延も排除されます。サンプルを採取する前に、サンプルは品質管理研究所に送られ、そこで分析されて結果が返され、その後で対応を決定するからです。
今では、より積極的に行動できるようになっています。これは、プロセス全体のスループットの向上という点で良いことです。また、これらのプロセスを監視するために必要な労力と、それらを分析するために必要な消耗品を削減することで、プロセスごとに年間約 15,000 ユーロの直接的な節約も実現しています。詳細にご興味がおありでしたら、コミュニティに関する論文として講演全体を要約しました。詳細な方法とともにデータもご覧いただけます。ありがとうございました。
