In Produktionsprozessen werden routinemäßig Proben entnommen, um die Konzentration wichtiger Komponenten zu bestimmen und so Sicherheits-, Umwelt- und Qualitätskriterien zu erfüllen. Der Einsatz temperaturkompensierter Dichtemessgeräte ermöglicht die Echtzeit-Prozessüberwachung anstelle der Offline-Probenahme. Historische Prozessdaten eignen sich nicht für die Modellbildung, da Offline-Analysen nur sporadisch erfolgen, der genaue Probenahmezeitpunkt unklar ist und die Ergebnisse nur eine geringe Variabilität aufweisen.
Heute möchte ich Ihnen zeigen, wie wir mit JMP Softsensoren für die effiziente Überwachung chemischer Produktionsprozesse entwickeln können. Zunächst möchte ich Chris Knight danken, der die Daten im Labor erhoben hat, und Daniel Garten, der uns bei der Übertragung der Modelle in den Produktionsprozess unterstützt hat. Wie so oft in der Datenwissenschaft beginnt alles damit, dass man gebeten wird, ein Modell zu erstellen. Das führt natürlich zu der Frage: Woher stammen die Daten? Wie wurden sie generiert? Und die uns für unsere chemischen Produktionsprozesse zur Verfügung stehenden Sensoren haben sich im Laufe der Zeit verbessert.
Diese Miniaturisierung und Verbesserung hat dazu geführt, dass wir dieselben Sensoren nun im Labor wie in der Serienproduktion einsetzen können. Das eröffnet viele interessante Möglichkeiten, denn man kann ein Modell in einem Maßstab erstellen und es direkt auf den anderen übertragen, da die Anlagen identisch sind. In diesem Fall spreche ich über temperaturkompensierte Dichtemessgeräte. Diese Geräte messen nicht nur den Durchfluss, sondern gleichzeitig auch die Dichte und die Temperatur.
Es ist ein interessantes Gerät. Wie Sie hier sehen, steht eines im Labor. Wir haben hier unser kleines System mit einer Schleife, in der die Flüssigkeit durch den Sensor fließt. Die Elektronik übermittelt die Ergebnisse dann an die Steuerung. Bei diesem Ansatz stößt man jedoch schnell auf ein Problem. Der erste Gedanke ist natürlich: Ich habe verschiedene Konzentrationen. Die kann ich einfach einstellen. Und ich kann die Temperatur variieren. Auch das ist einfach. Also werde ich genau das tun: Konzentration und Temperatur variieren und die Dichte messen. Dabei ergeben sich jedoch einige Probleme beim Erstellen eines Modells. Erstens: Da man feste Konzentrationen bei unterschiedlichen Temperaturen verwendet, erhält man für die Vorhersage nur eine begrenzte Anzahl von Ergebnissen auf der Y-Achse. Zweitens: Wechselwirkungen zwischen Temperatur und Dichte werden durch diesen Datensatz nicht erfasst. Und umgekehrt ist dies nicht möglich. Man kann die Gleichung nicht einfach umkehren, und genau das wollen Sie ja tun.
Wenn wir einen Schritt zurücktreten und uns überlegen, wie Daten in der realen Welt generiert werden, sehen wir Folgendes: Wir haben eine Lösung bei einer festgelegten Temperatur, die die gewünschte Dichte erreicht. Anschließend entnehmen wir eine Probe dieser Lösung und analysieren sie, um die Konzentration des Analyten zu bestimmen. Dies ist für unsere Laborprozesse von großer Bedeutung. Im Labor können wir eine Lösung bei einer festgelegten Temperatur nehmen und sie entweder verdünnen oder Analyten hinzufügen, um die gewünschte Dichte zu erreichen. Dann entnehmen wir eine Probe, um die Analytkonzentration zu bestimmen. Dies ahmt den Ablauf des chemischen Prozesses nach und liefert uns dieselbe Fehlerstruktur, sodass wir ein geeignetes Modell anpassen können. Der Fehler ist hier etwa halb so groß wie hier. Das ist eine Verbesserung. Wir haben die individuellen Vorhersagefehler von etwa 0,6 ± 0,6 Gew.-% auf ± 0,3 Gew.-% reduziert. Auch dies ist eine Verbesserung. Wie sieht das in der Praxis aus?
Hier ist ein Beispiel mit fünf verschiedenen Temperaturen. Wir haben gleichmäßig verteilte Dichten gewählt und versucht, diese innerhalb des Analytenbereichs von vier bis zwölf zu platzieren. Man sieht, dass sich die Steigungen der Geraden mit der Temperatur ändern, was auf eine Wechselwirkung zwischen Dichte und Temperatur hindeutet. Dieses Modell berücksichtigt diese Wechselwirkung. Hätten wir es anders gemacht, hätten wir diese Wechselwirkung möglicherweise übersehen. Nun haben wir dieses Modell. Wir können es auf Prozessebene anwenden. Eine Möglichkeit hierfür ist die Überwachung unserer Prozesse mit der Software Seeq. Das Formel-Tool in Seeq und das Formel-Tool in JMP sind sehr ähnlich. Mit einer einfachen Suchen-und-Ersetzen-Funktion kann eine in JMP erstellte Formel direkt in Seeq verwendet werden. Wir haben nun ein Modell erstellt und möchten es validieren. Hier sehen wir im Zeitverlauf die oberen und unteren Grenzen des Modells sowie Balken, die die Zeitpunkte der Prozessprobenentnahme und die in diesen Proben erzielten Ergebnisse darstellen.
Man sieht, dass wir eine gute Übereinstimmung erzielen. Mit diesem Live-Modell können wir gezielt Proben entnehmen. Anstatt dass alle Proben aus demselben Bereich stammen, wenn die Werte niedrig oder hoch sind, können wir gezielt Proben entnehmen und sagen: „Um unser Modell zu validieren, benötigen wir Daten über den gesamten Bereich und nicht nur an den oberen oder unteren Grenzwerten.“ Das liefert uns bessere Daten. Anschließend können wir mit unserem Modellierungsprozess fortfahren. Hier ist ein Beispiel: Die Streuung im Labormaßstab ist rot (Kreise) dargestellt, die Streuung im Prozess (blaue Kreuze). Man sieht, dass die Prozessdaten tendenziell einen viel engeren Bereich abdecken, was Probleme beim Erstellen von Modellen verursachen würde, wenn wir nur Prozessdaten verwenden würden. Deshalb ist die Verwendung freiwilliger Daten so vorteilhaft: Wir können ein Modell über einen breiteren Bereich erstellen, das für den typischerweise im Prozess beobachteten Bereich gültig ist. Jetzt können wir unseren Modellierungsprozess erneut durchführen. In diesem Fall verwende ich SVEM.
... Validierung anhand von Beispielmodellen. Ich habe 100 Modelle mittels generalisierter linearer Regression mit LASU angepasst. Anschließend haben wir den Mittelwert dieser Modelle berechnet, um mögliche Schwankungen aufgrund der verfügbaren Proben zu berücksichtigen. Dabei konnte ich feststellen, dass in diesem System, in dem ich keine realen Prozessflüssigkeiten verwenden konnte und mit idealisierten Ersatzstoffen arbeiten musste, eine Abweichung von 1 % zwischen den Labor-, Anlagen- und Prozesswerten bestand. Nachdem wir dies mit SVEM analysiert und das Problem behoben haben, verfügen wir nun über ein Modell, das sowohl im Labormaßstab als auch im Prozessmaßstab funktioniert. Dieses Modell möchten wir nun weiterentwickeln und dauerhaft implementieren. Neben Seeq können wir beispielsweise Power BI verwenden. Hierfür verwenden wir dieselbe Gleichung in Power BI und erhalten unsere Vorzeichen. Dichte und Temperatur werden aus den Prozesshistorien in Power BI importiert. Das wird mithilfe unseres Modells berechnet, um uns unsere Erwartungswerte zu liefern. Anschließend fließen die Ergebnisse unseres Qualitätskontrollsystems ebenfalls in Power BI ein, und wir können sie dann gemeinsam in einem Diagramm darstellen.
Genauso gut können wir Berechnungen durchführen, um die Abweichung des Modells vom Ergebnis zu ermitteln und darauf basierende Handlungsgrenzen festzulegen. Wir können sogar E-Mails versenden. So können wir den Vorgang automatisieren und eine E-Mail erhalten, die die Differenz zwischen dem Modell und der letzten Routineprüfung sowie die zu ergreifenden Maßnahmen bei Problemen enthält. Das ist hilfreich, da das Problem nicht immer im Modell liegt. Bei diesen Dichtemessgeräten mit Temperaturkompensation kann es beispielsweise zu Prozessunterbrechungen oder durch Ablagerungen und Verschmutzungen verursachten Prozessproblemen kommen. In diesem Fall tritt ein Offset auf, eine plötzliche, sprunghafte Änderung der gemessenen Dichte für dieselbe Prozessflüssigkeit. Das Modell gibt uns dann auch eine Warnung: „Achtung, der Zustand des Prozesssensors ist problematisch, und Sie sollten Maßnahmen ergreifen.“
Zusammenfassend lässt sich sagen, dass wir die Sicherheit der Prozessbediener verbessert haben. Sie müssen nicht mehr so viele Proben entnehmen. Statt täglich genügt nun eine Probenahme pro Monat, um die Übereinstimmung unserer Messsysteme und unseres Modells zu überprüfen. Dies hat uns auch geholfen, von einem reaktiven zu einem proaktiven Prozess überzugehen. Früher wussten die Bediener nicht, was im Prozess vor sich ging, jetzt können wir sagen: „Okay, gut. Die Werte steigen, und vielleicht muss ich in drei Tagen eine Umstellung einplanen, weil die Prozessflüssigkeit den Bereich erreicht, bei dem wir Maßnahmen ergreifen wollen.“ Anstatt zu raten, täglich Proben zu entnehmen und zu versuchen, den Wert in drei Tagen vorherzusagen, haben wir jetzt eine deutlich bessere Prognose. Wie Sie hier sehen, ist der Verlauf nicht immer gleich. Manchmal steigen die Werte sehr schnell an. In anderen Fällen steigen sie langsamer an, je nachdem, was im Prozess passiert. Das war sehr hilfreich. Ebenso werden Verzögerungen vermieden, denn bevor man eine Probe entnehmen kann, muss diese an das Qualitätskontrolllabor geschickt werden, wo sie analysiert und das Ergebnis übermittelt wird, und erst dann kann man über das weitere Vorgehen entscheiden.
Wir können nun proaktiver vorgehen, was sich positiv auf den Durchsatz der Prozesse auswirkt. Zudem ergeben sich direkte Einsparungen von etwa 15.000 € pro Jahr und Prozess, da der Arbeitsaufwand für die Prozessüberwachung und der Verbrauch von Analysematerialien reduziert wird. Falls Sie an weiteren Details interessiert sind, habe ich den gesamten Vortrag als Paper in der Community zusammengefasst. Dort finden Sie die Daten sowie eine detaillierte Methodenbeschreibung. Vielen Dank.
