I processi di produzione vengono regolarmente campionati per determinare la concentrazione dei componenti chiave per soddisfare criteri di sicurezza, ambientali o di qualità. L'implementazione di densimetri con compensazione della temperatura offre l'opportunità di monitorare il processo in tempo reale per sostituire il campionamento offline. I dati storici del processo non sono adatti per la costruzione di modelli poiché l'analisi offline avviene sporadicamente, con incertezza sull'esatto momento del campionamento e con una variabilità limitata nei risultati.
Oggi vi parlerò di come possiamo utilizzare JMP per costruire sensori software per il monitoraggio efficiente dei processi di produzione chimica. Vorrei iniziare ringraziando Chris Knight, che ha svolto il lavoro di laboratorio per raccogliere i dati, e Daniel Garten, che ha contribuito al trasferimento dei modelli dal laboratorio al processo di produzione. Queste cose iniziano, come spesso accade nella scienza dei dati, con qualcuno che ti chiede di costruire un modello. Naturalmente, questo ti porta a chiederti: da dove provengono i dati? Come è stato generato? E nel tempo c'è stato un miglioramento nei sensori a nostra disposizione nei nostri processi di produzione chimica.
E questa miniaturizzazione e miglioramento hanno effettivamente portato al punto in cui ora possiamo utilizzare in laboratorio gli stessi sensori che utilizziamo su vasta scala di produzione. Ciò apre molte opportunità interessanti perché con questi sensori è possibile costruire un modello su una scala e trasferirlo direttamente sull'altra perché utilizzano la stessa identica attrezzatura. In questo caso, parlerò dei densimetri con compensazione della temperatura, che sono un tipo di dispositivo che utilizziamo non solo per misurare il flusso, ma può anche essere utilizzato per misurare la densità e la temperatura allo stesso tempo.
È un dispositivo interessante. Come potete vedere qui, uno è nel laboratorio. Abbiamo il nostro piccolo sistema qui, e abbiamo un circuito in cui facciamo passare il liquido attraverso il sensore, e poi questa è l'elettronica che comunica i risultati al controller. Ora, quando si arriva a questo approccio, molto rapidamente si arriva a un problema. Quindi, naturalmente, la prima inclinazione è, beh, ho diverse concentrazioni. Posso inventarli. Sono facili da fare. E posso variare la temperatura. È facile da fare. Quindi, questo è quello che farò. Varierò la concentrazione e la temperatura e misurerò la densità. Ora, quando lo fai, ci sono una serie di problemi quando si tratta di costruire un modello. Innanzitutto, poiché avevi concentrazioni fisse a temperature variabili, ti ritroverai con solo un numero limitato di risultati sull'asse Y quando si tratta della parte di previsione del modello. Allo stesso modo, se ci sono interazioni tra temperatura e densità, queste non verranno catturate da questo set di dati. Non sarai in grado di fare il contrario. Non puoi prendere l'equazione e invertirla, che è quello che vuoi fare.
Se facciamo un passo indietro e pensiamo a come vengono generati i dati nel mondo reale, ciò che accade nel mondo reale è che abbiamo una soluzione, la nostra temperatura fissa, che raggiunge la densità fuori dal nostro controllo. Quindi prendiamo un campione di quella soluzione e lo analizziamo per trovare qual è la concentrazione dell'analita. Questo informa davvero il nostro processo di laboratorio. In laboratorio, quello che possiamo fare è prendere una soluzione a una temperatura fissa e diluirla o aggiungere analiti, quindi arrivare al punto in cui fissiamo la nostra densità. E poi lo campioniamo per capire quale fosse la concentrazione dell'analita. E questo imita il modo in cui funziona nel processo chimico, ma ci fornisce anche la stessa struttura di errore e ci consente quindi di adattare un modello appropriato. E l'errore qui è circa la metà dell'errore qui. Quindi questo è un miglioramento. Quindi siamo passati da circa 0,6, più o meno 0,6 peso/peso%, fino a più o meno 0,3 peso/peso% sui singoli errori di previsione. Quindi questo è un miglioramento. Allora, come si presenta in pratica?
Ecco un esempio in cui abbiamo preso cinque temperature. Abbiamo preso densità equidistanti e abbiamo cercato di farle rientrare nell'intervallo degli analiti compreso tra 4 e 12. Quindi possiamo vedere qui che le pendenze delle linee cambiano al variare della temperatura, suggerendo che c'è un'interazione da qualche parte tra densità e temperatura. Pertanto questo modello ne terrà conto. Se non avessimo fatto in questo modo, forse avremmo perso l'opportunità di tenere conto di questa interazione. Ora abbiamo questo modello. Possiamo quindi applicarlo alla scala del processo. Un modo per farlo è che i nostri processi siano monitorati utilizzando un software chiamato Seeq. Lo strumento formula in Seeq e lo strumento formula in JMP sono molto simili. Una semplice ricerca e sostituzione può prendere una formula creata in JMP e può quindi essere utilizzata direttamente in Seeq. Ciò che possiamo fare ora è che abbiamo costruito un modello e vogliamo convalidarlo. Qui possiamo vedere nel tempo, abbiamo i limiti superiore e inferiore del modello, insieme ad alcune barre che rappresentano quando vengono prelevati i campioni di processo e i risultati ottenuti in tali campioni di processo.
Come puoi vedere, stiamo raggiungendo un accordo ragionevole. Avere questo modello attivo ci consente di stabilire quando vogliamo che vengano prelevati i campioni. Invece di provenire tutti dalla stessa parte dell'intervallo, quando è basso o alto, possiamo iniziare a mirare deliberatamente e dire: "Okay, per convalidare il nostro modello, vogliamo una diffusione di dati in tutta la scena dell'intervallo e non solo nei punti al limite superiore o inferiore." Ci fornisce dati migliori. Fatto ciò, possiamo tornare al nostro processo di modellazione. Qui ho un esempio in cui abbiamo lo spread su scala di laboratorio in rosso con cerchi e lo spread visto nel processo, che è in croci blu. Possiamo vedere qui che i dati di processo tendono ad avere un intervallo molto più ristretto, il che presenterebbe problemi nella costruzione di modelli se utilizzassimo solo dati di processo. Questo è il motivo per cui il vantaggio di disporre di dati volontari è che possiamo costruire un modello su un intervallo più ampio, che sia valido nell’intervallo tipicamente osservato nel processo. Ora che abbiamo capito tutto, possiamo eseguire nuovamente il nostro processo di modellazione. In questo caso utilizzo SVEM.
... Convalida su modelli campione. Ho adattato 100 modelli utilizzando la regressione lineare generalizzata con LASU. Quindi abbiamo preso la media di questi modelli per tenere conto della variabilità che potrebbe essere dovuta ai campioni a nostra disposizione. Da ciò, non sono riuscito a vedere che in questo sistema in cui non ero in grado di ottenere liquidi di processo reali e dovevo lavorare su sostituti ideali, c'era uno scostamento dell'1% tra ciò che vedevamo in laboratorio, ciò che stiamo vedendo nello stabilimento e nel processo. Ora lo abbiamo sottoposto a SVEM, abbiamo allineato il problema e ora abbiamo un modello che sappiamo funzionare sia su scala di laboratorio che su scala di processo. Vogliamo fare qualcosa adesso. Vogliamo renderlo più permanente. Andando oltre Seeq, possiamo pensare a qualcosa come Power BI. Qui prendiamo la stessa equazione e la inseriamo in Power BI e otteniamo il nostro più o meno. La nostra densità e temperatura entrano in Power BI dai Process Historians. Questo viene calcolato con il nostro modello per darci i nostri valori attesi. Quindi anche i risultati del nostro sistema di controllo qualità entrano in Power BI e possiamo quindi tracciarli insieme sul grafico.
Allo stesso modo, possiamo fare calcoli, in modo da scoprire quanto il modello è diverso dal risultato e fornirlo come limite di azione. Possiamo anche ricevere e-mail. Quindi ora possiamo automatizzarlo per ricevere un'e-mail che dice: Questa è la differenza tra il modello e l'ultimo controllo di routine e quali azioni intraprendere in caso di problema. Questo è bello perché il problema non è sempre con il modello. Con questi misuratori di densità con compensazione della temperatura, un problema che a volte si riscontra sono le interruzioni del processo o problemi di processo causati dal rivestimento e dall'imbrattamento. Quindi otterrai un offset, un improvviso cambiamento di passo nella densità di misura per lo stesso liquido di processo. Questo modello poi ci dà anche un avvertimento per dire: "Guarda, la salute del sensore di processo è un problema e devi considerare di agire di conseguenza".
In conclusione, abbiamo migliorato la sicurezza degli operatori del processo. Non devono più prelevare tanti campioni, quindi invece di campionare quotidianamente, ora dobbiamo campionare solo una volta al mese per verificare che i nostri sistemi di misurazione e il nostro modello siano ancora in accordo. Ci ha anche aiutato a passare da un processo reattivo a uno proattivo. Prima erano ciechi rispetto a ciò che accadeva nel processo, ma ora possiamo dire: "Okay, giusto. Stiamo andando avanti e, forse tra tre giorni, devo programmare un cambiamento perché il liquido del processo è rientrare nell'intervallo su cui vogliamo agire, piuttosto che tirare ad indovinare e prelevare campioni ogni giorno e cercare di capire dove potrei essere tra tre giorni?" Abbiamo una traiettoria molto migliore perché come puoi vedere qui, non è sempre la stessa. No. A volte aumenta piuttosto rapidamente. Altre volte questi valori aumentano più lentamente a seconda di ciò che accade nel processo. Quindi è stato utile. Allo stesso modo, eliminando anche i ritardi, perché prima di prelevare un campione, questo andrebbe al laboratorio di controllo qualità che lo analizzerebbe e otterrebbe il risultato, e poi tu deciderai la tua azione.
Quindi ora possiamo essere più proattivi, e questa è una buona cosa in termini di aumento della produttività attraverso un processo. E poi c'è anche un risparmio diretto, quindi circa 15.000 euro all'anno per processo, riducendo la manodopera necessaria per monitorare questi processi e i materiali di consumo necessari per analizzarli. Se sei interessato a maggiori dettagli, ho riassunto l'intero discorso in un documento sulla comunità, dove puoi trovare i dati insieme a un metodo dettagliato. Grazie mille.
