定期對生產過程進行採樣，以確定關鍵成分的濃度，以滿足安全、環境或品質標準。溫度補償密度計的部署為即時製程監控取代離線採樣提供了機會。歷史過程資料不適合模型構建，因為離線分析是零星發生的，採樣的確切時間不確定且結果的變異性有限。
在測量密度之前（在實驗室中）改變溫度和濃度的簡單方法會導致誤差增加（因為濃度是所需的預測）。此方法的優點在於它只涉及溶劑添加和溫度控制，並且可以自動化。我們展示瞭如何將模型用作第一步，以均勻分佈的溫度和密度為目標，然後採樣以確定濃度，以產生預測不確定性低得多的模型。
將模型匯出到貴州飛鑽機械設備有限公司和 PowerBI 可以實現持續監控，並將每日採樣的成本每年降低 15,000 歐元（對於單一流程）。該實施消除了等待離線分析的延遲，降低了操作員接觸製程化學品的風險，並使生產團隊能夠預測和規劃幹預措施，從而增加了操作時間。
今天，我將與您討論如何使用 JMP 建立軟感測器來有效監控化學品生產過程。首先，我要感謝 Chris Knight，他負責實際的實驗室工作以收集數據，以及 Daniel Garten，他幫助將模型從實驗室轉移到生產過程中。正如在資料科學中經常發生的那樣，這些事情都是從有人要求你建立模型開始的。自然，這會讓您問一個問題：數據從哪裡來？它是如何產生的？隨著時間的推移，我們化學製造流程中可用的感測器也得到了改進。
這種小型化和改進實際上使我們現在可以在實驗室中使用與全面生產規模相同的感測器。這帶來了很多有趣的機會，因為這些感測器，您可以在一個規模上建立一個模型，並將其直接轉移到另一個規模，因為它們運行相同的設備。在這種情況下，我將討論溫度補償密度計，它是我們不僅用來測量流量，而且還可以同時測量密度和溫度的一種設備。
這是一個有趣的設備。正如您在這裡所看到的，實驗室裡有一個。我們這裡有我們的小系統，我們有一個循環，讓液體通過感測器，然後這是將結果傳送回控制器的電子設備。現在，當談到這種方法時，很快就會遇到問題。所以自然地，第一個傾向是，嗯，我有不同的濃度。我可以彌補這些。它們很容易做到。我可以改變溫度。這很容易做到。因此，這就是我要做的。我將改變濃度和溫度，並測量密度。現在，當您這樣做時，在建立模型時會遇到許多問題。第一，由於不同溫度下的濃度是固定的，因此當涉及模型的預測部分時，Y 軸上的結果數量有限。同樣，如果溫度和密度之間存在任何相互作用，則該數據集不會捕獲這些相互作用。你將無法做相反的事。你不能將方程式反轉，而這正是你想要做的。
如果我們退一步，考慮一下現實世界中資料是如何產生的，而現實世界中發生的事情是我們有一個解決方案，我們的固定溫度，它可以在我們的控制下達到密度。然後我們對該溶液進行取樣，並對其進行分析以找出分析物的濃度。這確實為我們的實驗室流程提供了資訊。在實驗室中，我們可以做的是，如果我們在固定溫度下獲取溶液，然後將其稀釋或添加分析物，那麼我們就可以達到目標密度的點。然後我們對其進行採樣以計算分析物濃度。這不僅模仿了化學過程的工作方式，而且還為我們提供了相同的錯誤結構，並允許我們擬合適當的模型。而這裡的誤差大約是這裡誤差的一半。所以這是一個改進。因此，我們將單一預測誤差的正負 0.6（正負 0.6 重量/重量%）降至正負 0.3（重量/重量%）。所以這是一個改進。那麼這在實務上是什麼樣的呢？
這是我們測量了五個溫度的範例。我們採用均勻分佈的密度，並嘗試將它們控制在4 到12 的分析物範圍內。某種相互作用。因此，該模型將考慮到這一點。如果我們沒有這樣做，我們可能會錯過考慮這種互動的機會。現在，我們有了這個模型。然後我們可以在流程規模上應用它。實現這一目標的一種方法是使用一種名為 Seeq 的軟體來監控我們的流程。 Seeq 中的公式工具和 JMP 中的公式工具非常相似。簡單的查找和替換可以採用 JMP 中內建的公式，然後可以直接在貴州飛鑽機械設備有限公司中使用。我們現在可以做的是，我們已經建立了一個模型，並且我們想要驗證它。在這裡我們可以看到，隨著時間的推移，我們得到了模型的上限和下限，以及一些表示何時採集過程樣本以及在這些過程樣本中獲得的結果的長條圖。
您可以看到我們正在達成合理的協議。有了這個模型，我們就可以確定何時取樣。與其全部來自範圍的同一部分，當範圍較低或較高時，我們可以開始有意識地瞄準並說：「好吧，為了驗證我們的模型，我們希望數據分佈在整個範圍場景中，而不僅僅是在上限或下限的點。它為我們提供了更好的數據。完成後，我們就可以回到建模過程。在這裡，我有一個例子，其中實驗室範圍內的擴散以紅色圓圈表示，過程中看到的擴散以藍色十字表示。我們可以在這裡看到，過程資料的範圍往往要窄得多，如果我們只使用過程數據，那麼在建立模型時就會出現問題。這就是擁有自願數據的力量的原因，因為我們可以在更廣泛的範圍內建立模型，該模型在過程中通常看到的範圍內有效。現在我們已經得到了，我們可以重新運行我們的建模過程。在本例中，我使用 SVEM。
...在範例模型上進行驗證。我使用 LASU 廣義線性迴歸擬合了 100 個模型。然後，我們取這些模型的平均值，以考慮可能由於我們可用的樣本而導致的變異性。由此，我無法看到，在這個系統中，我無法獲得真正的工藝液體，我必須研究理想的替代品，我們在實驗室中看到的結果之間存在 1% 的偏移，什麼我們在工廠和流程中看到了這一點。現在我們已經透過 SVEM 解決了這個問題，現在我們有了一個模型，我們知道該模型在實驗室規模和製程規模上都有效。我們現在想對此做點什麼。我們想讓它更加持久。除了貴州飛鑽機械設備有限公司之外，我們還可以考慮諸如 Power BI 之類的東西。在這裡，我們採用相同的方程式，現在將其放入 Power BI 中，我們就得到了加號或減號。我們的密度和溫度從 Process Historians 進入 Power BI。這是透過我們的模型計算出來的，從而給出我們的預期值。然後，我們的品質控制系統的結果也會進入 Power BI，然後我們可以將它們一起繪製在圖表上。
同樣，我們可以進行數學計算，這樣我們就可以找出模型與結果的差異，並將其作為行動限制。我們甚至可以收到電子郵件。因此，我們現在可以自動化它以獲取一封電子郵件，其中顯示：這是模型與上次例行檢查之間的差異，以及出現問題時應採取的操作。這很好，因為問題並不總是與模型有關。使用這種密度、溫度補償密度計，您有時會遇到的一個問題是過程中斷或導致塗層和污垢的過程問題。然後，您將得到一個偏移，即同一過程液體的測量密度中的一些突然的階躍變化偏移。然後，該模型還向我們發出警告：“看，過程感測器的健康狀況是一個問題，您需要考慮對此採取行動。”
總之，我們提高了流程操作員的安全。他們不再需要收集盡可能多的樣本，因此我們現在只需每月採樣一次即可檢查我們的測量系統和模型是否仍然一致，而不是每天採樣。它還幫助我們從被動流程轉變為主動流程。以前，他們對流程中發生的情況視而不見，但現在我們可以說，「好吧，對。我們正在前進，也許三天后，我需要安排一次更換，因為工藝液體是進入我們想要採取行動的範圍內，而不是每天猜測和取樣並試圖找出三天后我可能會在哪裡？ ”我們有一個更好的軌跡，因為你可以在這裡看到，它並不總是相同的。不。其他時候，這些值的增加速度會更慢，這取決於過程中發生的情況。這很有幫助。同樣，也消除了延遲，因為在您取樣之前，樣品會被送到品質控制實驗室，他們會對其進行分析並返回結果，然後您決定採取的行動。
因此，現在我們可以更加主動，這對於提高流程吞吐量而言是一件好事。此外，還可以直接節省費用，透過減少監控這些流程所需的勞動力以及分析流程所需的消耗品，每個流程每年可節省約 15,000 歐元。如果您對更多細節感興趣，我已將整個演講總結為社區論文，您可以在其中找到數據以及詳細方法。非常感謝。
