I processi di produzione vengono campionati regolarmente per determinare la concentrazione di componenti chiave al fine di soddisfare criteri di sicurezza, ambientali o di qualità. L'impiego di densimetri a temperatura compensata offre l'opportunità di monitorare il processo in tempo reale, sostituendo il campionamento offline. I dati storici di processo non sono adatti alla creazione di modelli, poiché l'analisi offline avviene sporadicamente, con incertezza sul momento esatto del campionamento e con una variabilità limitata nei risultati.
Oggi vi parlerò di come possiamo usare 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 sono stati generati? E nel tempo si è assistito a un miglioramento nei sensori a nostra disposizione nei nostri processi di produzione chimica.
Questa miniaturizzazione e questo miglioramento hanno portato al punto in cui ora possiamo utilizzare in laboratorio gli stessi sensori che utilizziamo su scala di produzione. Questo apre molte opportunità interessanti perché con questi sensori è possibile costruire un modello in una scala e trasferirlo direttamente all'altra, perché utilizzano esattamente la stessa apparecchiatura. In questo caso, parlerò dei densimetri a compensazione di temperatura, un tipo di dispositivo che utilizziamo non solo per misurare la portata, ma anche per misurare contemporaneamente densità e temperatura.
È un dispositivo interessante. Come potete vedere qui, uno è in 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 tratta di questo approccio, molto rapidamente, si incontra un problema. Quindi, naturalmente, la prima inclinazione è, beh, ho diverse concentrazioni. Posso inventarle. Sono facili da fare. E posso variare la temperatura. È facile da fare. Quindi, ecco cosa farò. Varierò la concentrazione e la temperatura e misurerò la densità. Ora, quando si fa questo, ci sono una serie di problemi quando si tratta di costruire un modello. Primo, poiché si hanno concentrazioni fisse a temperature variabili, si finisce con un numero limitato di risultati sull'asse Y per quanto riguarda la parte predittiva del modello. Allo stesso modo, se ci sono interazioni tra temperatura e densità, queste non saranno catturate da questo set di dati. Non potrai fare il contrario. Non puoi prendere l'equazione e invertirla, che è ciò che vuoi fare.
Se facciamo un passo indietro e pensiamo a come vengono generati i dati nel mondo reale, quello che succede nel mondo reale è che abbiamo una soluzione, a temperatura fissa, che raggiunge la densità desiderata senza il nostro controllo. Quindi preleviamo un campione di quella soluzione e lo analizziamo per determinare la concentrazione dell'analita. Questo influenza 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, per arrivare al punto in cui raggiungiamo la densità desiderata. Quindi la campionamo per determinare la concentrazione dell'analita. Questo imita il funzionamento del processo chimico, ma ci fornisce anche la stessa struttura di errore e ci permette di adattare un modello appropriato. E l'errore qui è circa la metà dell'errore qui. Quindi questo è un miglioramento. Siamo passati da circa 0,6, più o meno 0,6% peso/peso, a più o meno 0,3% peso/peso sui singoli errori di predizione. Quindi questo è un miglioramento. Come si traduce tutto questo in pratica?
Ecco un esempio in cui abbiamo preso cinque temperature. Abbiamo preso densità uniformemente distanziate e abbiamo cercato di riportarle nell'intervallo di analita da 4 a 12. Possiamo quindi vedere che le pendenze delle linee cambiano al variare delle temperature, suggerendo che esiste un'interazione tra densità e temperatura. Pertanto, questo modello ne terrebbe conto. Se non avessimo proceduto in questo modo, avremmo potuto perdere l'opportunità di tenere conto di tale interazione. Ora abbiamo questo modello. Possiamo quindi applicarlo a livello di processo. Un modo per farlo è monitorare i nostri processi utilizzando un software chiamato Seeq. Lo strumento formule in Seeq e lo strumento formule in JMP sono molto simili. Una semplice funzione di ricerca e sostituzione può prendere una formula creata in JMP e può quindi essere utilizzata direttamente in Seeq. Quello che possiamo fare ora è che abbiamo costruito un modello e vogliamo validarlo. Qui possiamo vedere nel tempo i limiti superiore e inferiore del modello, insieme ad alcune barre che rappresentano il momento in cui vengono prelevati i campioni di processo e i risultati ottenuti in tali campioni di processo.
Come potete vedere, stiamo ottenendo un accordo ragionevole. Avere questo modello attivo ci permette di stabilire quando vogliamo che i campioni vengano prelevati. Invece di farli provenire tutti dalla stessa parte dell'intervallo, quando è basso o alto, possiamo iniziare a definire un targeting mirato e dire: "Ok, per convalidare il nostro modello, vogliamo una distribuzione dei dati su tutta la scena dell'intervallo e non solo su punti al limite superiore o inferiore". Questo ci fornisce dati migliori. Fatto questo, possiamo tornare al nostro processo di modellazione. Qui ho un esempio in cui abbiamo la distribuzione su scala di laboratorio in rosso con cerchi e la distribuzione osservata nel processo, che è rappresentata dalle croci blu. Possiamo vedere qui che i dati di processo tendono a essere in un intervallo molto più ristretto, il che presenterebbe problemi nella costruzione di modelli se utilizzassimo solo i dati di processo. Questo è il motivo per cui il punto di forza dell'avere dati volontari è che possiamo costruire un modello su un intervallo più ampio, valido per l'intervallo tipicamente osservato nel processo. Ora che abbiamo questo, possiamo rieseguire il nostro processo di modellazione. In questo caso utilizzo SVEM.
... Validazione su modelli campione. Ho adattato 100 modelli utilizzando la regressione lineare generalizzata con LASU. Poi abbiamo calcolato la media di quei 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 vedevamo nell'impianto e nel processo. Ora abbiamo sottoposto tutto questo a SVEM, abbiamo allineato il problema e ora abbiamo un modello che sappiamo funzionare sia su scala di laboratorio che su scala di processo. Ora vogliamo fare qualcosa con questo. 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, ottenendo il nostro più o meno. La densità e la temperatura vengono inserite in Power BI dagli storici di processo. Vengono calcolate con il nostro modello per ottenere i valori attesi. Quindi i risultati del nostro sistema di controllo qualità vengono trasferiti anche a Power BI e possiamo quindi rappresentarli insieme sul grafico.
Allo stesso modo, possiamo fare calcoli matematici per scoprire quanto il modello differisce dal risultato e indicarlo come limiti di intervento. Possiamo persino ricevere e-mail. Quindi ora possiamo automatizzare il processo 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 problemi". Questo è utile perché il problema non è sempre nel modello. Con questi densimetri a compensazione di temperatura, un problema che si verifica a volte sono le interruzioni del processo o problemi di processo causati da rivestimenti e incrostazioni. In questo caso si ottiene un offset, un improvviso cambiamento di offset nella densità di misura per lo stesso liquido di processo. Questo modello ci invia anche un avviso per dire: "Guarda, lo stato del sensore di processo è un problema e devi valutare di intervenire".
In conclusione, abbiamo migliorato la sicurezza degli operatori di processo. Non devono più prelevare così tanti campioni, quindi, anziché campionare quotidianamente, ora dobbiamo campionare solo una volta al mese per verificare che i nostri sistemi di misura e il nostro modello siano ancora in accordo. Ci ha anche aiutato a passare da un processo reattivo a uno proattivo. Prima, non si vedeva cosa stava succedendo nel processo, ma ora possiamo dire: "Ok, giusto. Stiamo andando avanti e forse tra tre giorni devo programmare un cambio di produzione perché il liquido di processo sta rientrando nell'intervallo su cui vogliamo intervenire. Invece di tirare a indovinare e prelevare campioni ogni giorno e cercare di capire dove potrei essere tra tre giorni?". Abbiamo una traiettoria molto migliore perché, come potete vedere qui, non è sempre la stessa. No. A volte aumenta piuttosto rapidamente. Altre volte, questi valori aumentano più lentamente a seconda di cosa sta succedendo nel processo. Quindi questo 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 ti restituirebbe il risultato, dopodiché potresti decidere cosa fare.
Ora possiamo essere più proattivi, e questo è positivo in termini di aumento della produttività di un processo. E poi c'è anche un risparmio diretto, 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 siete interessati a maggiori dettagli, ho riassunto l'intero intervento in un documento per la community, dove potete trovare i dati insieme a un metodo dettagliato. Grazie mille.
