생산 공정은 안전, 환경 또는 품질 기준을 충족하는 주요 구성 요소의 농도를 결정하기 위해 정기적으로 샘플링됩니다. 온도 보상 밀도계의 배포는 오프라인 샘플링을 대체할 수 있는 실시간 공정 모니터링 기회를 제공합니다. 오프라인 분석은 산발적으로 발생하고 정확한 샘플링 시간에 대한 불확실성이 있고 결과의 변동성이 제한되어 있으므로 과거 프로세스 데이터는 모델 구축에 적합하지 않습니다.
(실험실에서) 밀도를 측정하기 전에 온도와 농도를 변화시키는 순진한 접근 방식은 (농도가 원하는 예측이기 때문에) 부풀려진 오류를 초래합니다. 이 방법은 용매 첨가 및 온도 제어만 포함하고 자동화할 수 있다는 장점이 있습니다. 우리는 이 모델을 첫 번째 단계로 사용하여 균일한 간격의 온도와 밀도를 목표로 한 다음 샘플링을 통해 농도를 결정하고 예측 불확실성이 훨씬 낮은 모델을 생성할 수 있는 방법을 보여줍니다.
모델을 Seeq 및 PowerBI로 내보내면 지속적인 모니터링이 가능하고 일일 샘플링 비용이 연간 €15,000(단일 프로세스 기준) 절감되었습니다. 구현을 통해 오프라인 분석 대기 시간이 줄어들고 작업자가 공정 화학 물질에 노출될 위험이 줄어들었으며 생산 팀이 개입을 예측하고 계획할 수 있게 되어 운영 시간이 늘어났습니다.
오늘은 JMP를 사용하여 화학 생산 공정을 효율적으로 모니터링하기 위한 소프트 센서를 구축하는 방법에 대해 이야기하겠습니다. 먼저 데이터 수집을 위해 실제 실험실 작업을 수행한 Chris Knight와 실험실에서 생산 공정으로 모델을 이전하는 데 도움을 준 Daniel Garten에게 감사를 표하고 싶습니다. 데이터 과학에서 흔히 그렇듯이 이러한 작업은 누군가가 모델 구축을 요청하면서 시작됩니다. 당연히 이는 데이터가 어디서 왔는가라는 질문을 하게 만듭니다. 어떻게 생성되었나요? 그리고 시간이 지남에 따라 화학 제조 공정에서 사용할 수 있는 센서가 개선되었습니다.
그리고 이러한 소형화 및 개선으로 인해 이제 전체 생산 규모에서와 마찬가지로 실험실에서도 동일한 센서를 사용할 수 있게 되었습니다. 이러한 센서는 동일한 장비를 실행하기 때문에 한 규모에서 모델을 구축하고 다른 규모로 직접 전송할 수 있기 때문에 많은 흥미로운 기회가 열립니다. 이번 경우에는 유량 측정뿐만 아니라 밀도와 온도를 동시에 측정하는 데 사용할 수 있는 장치 형태인 온도 보상 밀도계에 대해 이야기하겠습니다.
흥미로운 장치입니다. 여기에서 볼 수 있듯이 하나는 실험실에 있습니다. 여기에는 작은 시스템이 있고 센서를 통해 액체를 통과시키는 루프가 있습니다. 그리고 이것이 결과를 컨트롤러에 다시 전달하는 전자 장치입니다. 이제 이 접근 방식을 사용하면 매우 빠르게 문제에 직면하게 됩니다. 따라서 자연스럽게 첫 번째 성향은, 음, 집중력이 다르다는 것입니다. 제가 해결해드릴 수 있어요. 쉽게 할 수 있습니다. 그리고 온도를 다양하게 바꿀 수 있어요. 그건 쉽습니다. 그러므로 그것이 내가 할 일입니다. 농도와 온도를 변경하고 밀도를 측정하겠습니다. 이제 그렇게 하면 모델을 구축할 때 여러 가지 문제가 발생합니다. 첫째, 다양한 온도에서 농도를 고정했기 때문에 모델의 예측 부분에서 Y축의 결과 수가 제한적입니다. 마찬가지로 온도와 밀도 사이에 상호 작용이 있는 경우 이 데이터 세트에서는 이러한 상호 작용이 캡처되지 않습니다. 그 반대로는 할 수 없습니다. 방정식을 취하여 뒤집을 수는 없습니다. 이것이 바로 여러분이 원하는 것입니다.
한발 물러서서 현실 세계에서 데이터가 어떻게 생성되는지 생각해 보면 현실 세계에서 일어나는 일은 우리가 제어할 수 있는 밀도에 도달하는 고정 온도라는 솔루션이 있다는 것입니다. 그런 다음 해당 용액의 샘플을 채취하여 분석하여 분석물의 농도가 얼마인지 알아냅니다. 이는 실제로 우리 연구실 프로세스에 영향을 미칩니다. 실험실에서 우리가 할 수 있는 일은 고정된 온도에서 용액을 취하고 이를 희석하거나 분석물을 추가하면 밀도를 목표로 하는 지점에 도달할 수 있다는 것입니다. 그런 다음 샘플을 채취하여 분석 물질 농도가 무엇인지 확인합니다. 그리고 이는 화학 공정에서 작동하는 방식을 모방할 뿐만 아니라 동일한 오류 구조를 제공하고 적절한 모델을 적합할 수 있게 해줍니다. 그리고 여기 오류는 여기 오류의 약 절반입니다. 그래서 그것은 개선되었습니다. 따라서 우리는 개별 예측 오류에 대해 약 0.6 ± 0.6 중량/중량 %에서 ± 0.3 중량/중량 %로 줄었습니다. 그래서 이것은 개선된 것입니다. 그렇다면 실제로는 어떤 모습일까요?
다음은 5개의 온도를 측정한 예입니다. 우리는 균일한 간격의 밀도를 선택하고 이를 4~12의 분석물 범위 내에 두려고 노력했습니다. 그러면 여기서 온도를 변경함에 따라 선의 기울기가 변하는 것을 볼 수 있으며 이는 밀도와 온도 사이 어딘가에 상호 작용이 있음을 시사합니다. 따라서 이 모델에서는 이를 고려하게 됩니다. 이런 식으로 처리하지 않았다면 해당 상호 작용을 고려할 기회를 놓쳤을 수도 있습니다. 이제 우리는 이 모델을 가지고 있습니다. 그런 다음 이를 프로세스 규모에 적용할 수 있습니다. 이를 수행하는 한 가지 방법은 Seeq라는 소프트웨어를 사용하여 프로세스를 모니터링하는 것입니다. Seeq의 공식 도구와 JMP의 공식 도구는 매우 유사합니다. JMP에 내장된 공식을 사용하여 간단한 찾기 및 바꾸기를 수행한 다음 Seeq에서 직접 사용할 수 있습니다. 지금 우리가 할 수 있는 것은 모델을 구축하고 이를 검증하는 것입니다. 여기에서 시간이 지남에 따라 모델의 상한과 하한을 확인할 수 있으며, 프로세스 샘플을 채취한 시점과 해당 프로세스 샘플에서 얻은 결과를 나타내는 일부 막대도 얻을 수 있습니다.
합리적인 합의를 이루고 있다고 볼 수 있습니다. 이 모델을 라이브로 사용하면 샘플을 채취할 시기를 타겟팅할 수 있습니다. 모두 범위의 동일한 부분에서 나오는 대신, 낮거나 높을 때 의도적으로 타겟팅을 시작하고 "좋아, 우리 모델을 검증하려면 데이터가 범위 장면 전체에 분산되기를 원합니다. 상한 또는 하한의 지점에서." 그것은 우리에게 더 나은 데이터를 제공합니다. 이 작업을 마치면 모델링 프로세스로 돌아갈 수 있습니다. 여기에는 원이 있는 빨간색으로 실험실 규모 전반에 걸쳐 확산이 있고 파란색 십자가로 표시되는 프로세스에서 볼 수 있는 확산이 있는 예가 있습니다. 여기서는 프로세스 데이터의 범위가 훨씬 더 좁은 경향이 있다는 것을 알 수 있습니다. 이는 프로세스 데이터만 사용하는 경우 모델을 구축하는 데 문제가 있을 수 있습니다. 이것이 자발적 데이터를 보유함으로써 강점이 나오는 이유는 더 넓은 범위에 걸쳐 모델을 구축할 수 있다는 것입니다. 이는 프로세스에서 일반적으로 볼 수 있는 범위 전반에 걸쳐 유효합니다. 이제 이를 얻었으므로 모델링 프로세스를 다시 실행할 수 있습니다. 이 경우에는 SVEM을 사용합니다.
... 샘플 모델을 검증하는 중입니다. LASU의 일반화 선형 회귀를 사용하여 100개의 모델을 적합했습니다. 그런 다음 우리가 사용할 수 있는 샘플로 인해 발생할 수 있는 변동성을 설명하기 위해 해당 모델의 평균을 취했습니다. 그로부터 저는 실제 공정 액체를 얻을 수 없고 이상적인 대체품을 연구해야 하는 이 시스템에서 우리가 실험실에서 본 것과 1%의 상쇄가 있다는 것을 알 수 없었습니다. 우리는 공장과 그 과정에서 보고 있습니다. 이제 우리는 SVEM을 통해 문제를 조정했으며 이제 실험실 규모와 프로세스 규모 모두에서 작동하는 모델을 갖게 되었습니다. 우리는 지금 그것으로 뭔가를 하고 싶습니다. 우리는 그것을 더욱 영구적으로 만들고 싶습니다. Seeq를 넘어 Power BI와 같은 것을 생각할 수 있습니다. 여기서는 동일한 방정식을 취하고 이제 이를 Power BI에 넣으면 플러스 또는 마이너스가 표시됩니다. 밀도와 온도는 Process Historians의 Power BI로 전달됩니다. 이는 우리의 기대값을 제공하기 위해 모델을 사용하여 계산되었습니다. 그런 다음 품질 관리 시스템의 결과도 Power BI에 입력되어 그래프에 함께 표시할 수 있습니다.
마찬가지로 우리는 수학을 할 수 있으므로 모델이 결과와 얼마나 다른지 알아내고 이를 조치 제한으로 제공할 수 있습니다. 이메일도 받을 수 있어요. 이제 우리는 이를 자동화하여 "이것이 모델과 마지막 정기 점검의 차이점이며, 문제가 있는 경우 어떤 조치를 취해야 하는지"라는 내용의 이메일을 받을 수 있습니다. 문제가 항상 모델에만 있는 것은 아니기 때문에 이는 좋은 일입니다. 이 밀도, 온도 보상 밀도계를 사용하면 때때로 발생하는 한 가지 문제는 공정 중단이나 코팅 및 오염으로 인한 공정 문제입니다. 그런 다음 동일한 공정 액체에 대한 측정 밀도에서 오프셋, 갑작스러운 단계 변경 오프셋을 얻게 됩니다. 그런 다음 이 모델은 "보세요. 프로세스 센서 상태가 문제이므로 이에 대한 조치를 고려해야 합니다."라고 경고합니다.
결론적으로, 공정 작업자의 안전성을 향상시켰습니다. 더 이상 많은 샘플을 채취할 필요가 없으므로 매일 샘플링하는 대신 한 달에 한 번만 샘플링하여 측정 시스템과 모델이 여전히 일치하는지 확인하면 됩니다. 이는 또한 우리가 사후 대응 프로세스에서 사전 대응 프로세스로 전환하는 데 도움이 되었습니다. 전에는 프로세스에서 무슨 일이 벌어지고 있는지 전혀 몰랐지만 이제는 "알았어, 알았어. 우리는 가고 있는데 아마도 3일 후에는 프로세스 액체가 너무 빠르기 때문에 변경 일정을 잡아야 할 것 같다"고 말할 수 있습니다. 매일 추측하고 샘플을 채취하여 3일 안에 내가 어디에 있을지 알아내려고 노력하는 것보다 우리가 조치를 취하고 싶은 범위 내에 들어가는 것입니다. 여기에서 볼 수 있듯이 우리는 훨씬 더 나은 궤도를 가지고 있습니다. 항상 같은 것은 아닙니다. 아니요. 때로는 매우 빠르게 증가하는 경우도 있습니다. 다른 경우에는 프로세스 진행 상황에 따라 이러한 값이 더 느리게 증가합니다. 그래서 도움이 되었습니다. 마찬가지로 지연도 제거됩니다. 왜냐하면 샘플을 채취하기 전에 품질 관리 실험실로 가서 이를 분석하고 결과를 받은 후 조치를 결정하기 때문입니다.
이제 우리는 보다 적극적으로 대응할 수 있으며 이는 프로세스를 통한 처리량 증가 측면에서 좋은 것입니다. 또한 이러한 프로세스를 모니터링하는 데 필요한 노동력과 이를 분석하는 데 필요한 소모품을 줄임으로써 프로세스당 연간 약 €15,000의 직접적인 비용 절감 효과도 있습니다. 더 자세한 내용이 궁금하시다면 전체 강연을 커뮤니티에 논문으로 요약해 놓았고, 여기서 자세한 방법과 함께 데이터도 보실 수 있습니다. 매우 감사합니다.
