生産プロセスでは、安全性、環境性、または品質基準を満たすために、主要成分の濃度を測定するために日常的にサンプリングが行われます。温度補償型密度計を導入することで、オフラインサンプリングに代わるライブプロセスモニタリングが可能になります。過去のプロセスデータは、オフライン分析が散発的に行われ、サンプリングの正確な時刻が不確実で、結果の変動が限られているため、モデル構築には適していません。
実験室で密度を測定する前に温度と濃度を変化させるという単純なアプローチは、誤差を増大させます（濃度が予測値であるため）。この手法は、溶媒の添加と温度制御のみを必要とし、自動化できるという利点があります。このモデルを最初のパスとして用いて、均一な温度と密度をターゲットとし、その後、濃度を決定するためのサンプリングを行うことで、予測の不確実性を大幅に低減したモデルを作成する方法を示します。
モデルをSeeqとPowerBIにエクスポートすることで継続的なモニタリングが可能になり、毎日のサンプリングにかかるコストを年間15,000ユーロ（単一プロセスの場合）削減しました。この導入により、オフライン分析による遅延が解消され、オペレーターのプロセス化学物質への曝露リスクが低減しました。また、生産チームは介入を予測・計画できるようになり、運用時間も向上しました。
本日は、JMPを用いて化学製造プロセスを効率的に監視するためのソフトセンサーを構築する方法についてお話しします。まず、実験室で実際にデータ収集を行ったChris Knight氏と、実験室から製造プロセスへのモデル移行を支援してくれたDaniel Garten氏に感謝の意を表したいと思います。データサイエンスの世界ではよくあることですが、こうした作業は、誰かからモデル構築を依頼されることから始まります。当然のことながら、データはどこから来たのか、どのように生成されたのかという疑問が湧いてきます。そして、化学製造プロセスで利用できるセンサーは、時とともに進化してきました。
この小型化と改良により、実生産スケールで使用するのと同じセンサーを研究室でも使用できるようになりました。これにより、多くの興味深い可能性が開かれます。これらのセンサーは、全く同じ装置で稼働しているため、あるスケールでモデルを構築し、それを別のスケールに直接転送できるからです。今回は、温度補償型密度計についてお話します。これは、流量を測定するだけでなく、密度と温度を同時に測定できる装置です。
これは興味深い装置です。ご覧の通り、実験室に設置されています。ここに小さなシステムがあり、液体をセンサーに通すループがあります。そして、この電子回路が結果をコントローラーに送り返します。このアプローチを使うと、すぐに問題に直面することになります。当然、最初の考えは「濃度はいくつかある。自分で作れる。簡単に作れる。温度も変えられる。これも簡単だ」というものです。そこで、濃度と温度を変えて密度を測定します。そうすると、モデル構築においていくつかの問題が発生します。まず、様々な温度で濃度を固定しているため、モデルの予測部分ではY軸に表示される結果の数が限られてしまいます。同様に、温度と密度の間に相互作用がある場合、このデータセットではそれらは捉えられません。逆はできません。方程式を逆にすることもできません。それがあなたのやりたいことです。
少し立ち止まって、現実世界でデータがどのように生成されるかを考えてみましょう。現実世界では、溶液と固定温度があり、制御下で密度に到達します。次に、その溶液のサンプルを採取し、分析して分析対象物質の濃度を調べます。これは、私たちの実験プロセスに非常に役立ちます。実験室では、固定温度の溶液を採取し、希釈するか分析対象物質を加えることで、目標とする密度に到達できます。そして、それを採取し、分析対象物質の濃度を計算します。これは化学プロセスでの挙動を模倣するだけでなく、同じ誤差構造を与え、適切なモデルを当てはめることを可能にします。ここでの誤差は、ここでの誤差の約半分です。これは改善です。つまり、個々の予測誤差は、約0.6（重量/重量%）から、約0.3（重量/重量%）に減少しました。これは改善ですね。では、実際にはどのように見えるのでしょうか？
これは5つの温度を取った例です。密度は等間隔で、分析対象物の範囲である4から12に収まるようにしました。温度を変えると直線の傾きが変化することがわかります。これは、密度と温度の間に相互作用があることを示しています。したがって、このモデルはこれを考慮に入れます。もしこの方法を採用していなかったら、この相互作用を考慮する機会を逃していたかもしれません。これでこのモデルが完成しました。これをプロセススケールに適用できます。その方法の一つとして、Seeqというソフトウェアを使ってプロセスを監視することが挙げられます。Seeqの計算式ツールとJMPの計算式ツールは非常に似ています。JMPで作成した計算式は、簡単な検索と置換でSeeqで直接使用できます。これでモデルを構築できたので、それを検証したいと考えています。ここでは、時間の経過に伴うモデルの上限と下限、およびプロセス サンプルが取得されたタイミングとそれらのプロセス サンプルで得られた結果を表すいくつかのバーが表示されます。
妥当な一致が得られていることがわかります。このモデルを稼働させることで、サンプルをいつ採取すべきかを明確にすることができます。サンプルがすべて同じ範囲、つまり範囲の下限や下限の同じ部分から採取されるのではなく、意図的にターゲットを絞り、「モデルを検証するためには、上限や下限の点だけでなく、範囲全体にわたってデータを広げる必要がある」と判断できます。これにより、より良いデータが得られます。これが、モデリングプロセスに戻るための例です。ここでは、実験室スケールでの広がりを赤い丸で示し、プロセスで見られる広がりを青い十字で示しています。プロセスデータは非常に狭い範囲に収まる傾向があることがわかります。プロセスデータのみを使用すると、モデル構築に問題が生じます。これが、自発的なデータを使用することの強みです。より広い範囲でモデルを構築でき、プロセスで通常見られる範囲全体で妥当なモデルを構築できるのです。これで、モデリングプロセスを再実行できます。この場合はSVEMを使います。
...サンプルモデルで検証しています。LASUを用いた一般化線形回帰を用いて100個のモデルを当てはめました。そして、利用可能なサンプルに起因する可能性のある変動を考慮するために、これらのモデルの平均を取りました。その結果、実際のプロセス液を入手できず、理想的な代替物で作業しなければならなかったこのシステムでは、実験室で観測された値と工場およびプロセスで観測された値の間に1%のオフセットがあることは確認できませんでした。これをSVEMに通すことで、問題の整合性が取れ、実験室規模とプロセス規模の両方で機能することが確認できるモデルができました。私たちはこれを活用して何かを行いたいと考えています。より永続的なものにしたいと考えています。Seeqに加えて、Power BIのようなものも考えられます。ここでは、同じ式をPower BIに入力して、プラスマイナスを計算します。密度と温度は、Process HistoriansからPower BIに入力されます。モデルを使って計算し、期待値を得ます。その後、品質管理システムの結果もPower BIに入力し、グラフにまとめてプロットできます。
同様に、数学的にモデルと結果の差を調べ、それを対策限界値として提示することもできます。メールの受信も可能で、モデルと前回の定期点検の差と、問題が発生した場合の対策を記載したメールを自動で受信できるようになりました。これは、問題が必ずしもモデルにあるとは限らないため、非常に便利です。この密度計、温度補償型密度計では、コーティングや汚れによるプロセス中断やプロセスの問題が発生することがあります。すると、同じプロセス液体の測定密度にオフセット、つまり突然のステップ変化が発生します。このモデルは、「プロセスセンサーの健全性に問題があります。対策を検討する必要があります」という警告も表示します。
結論として、プロセスオペレーターの安全性が向上しました。以前ほど多くのサンプルを採取する必要がなくなったため、毎日採取するのではなく、月に一度採取して測定システムとモデルが一致しているかどうかを確認するだけで済みます。また、これは、事後対応型のプロセスから事前対応型のプロセスへの移行にも役立ちました。以前はプロセスで何が起こっているか全く把握できませんでしたが、今では「よし、上昇傾向にある。3日後にはプロセス液が対策を講じたい範囲内に入っているので、切り替えのスケジュールを立てる必要がある」と判断できます。毎日サンプルを採取して推測し、3日後にはどこまで到達しているかを計算するのではなく、状況把握の軌道が大幅に改善されました。ご覧のとおり、常に同じではありません。時には急激に上昇することもありますし、プロセスの状況に応じて、値がゆっくりと上昇することもあります。これは非常に役立っています。同様に、遅延も排除されます。サンプルを採取する前に、サンプルは品質管理研究所に送られ、そこで分析されて結果が返され、その後で対応を決定するからです。
そのため、より積極的に行動できるようになりました。これは、プロセス全体のスループット向上という点で良いことです。さらに、これらのプロセスを監視するための労力と、それらを分析するために必要な消耗品を削減することで、プロセスごとに年間約15,000ユーロの直接的な節約も実現できます。詳細にご興味がおありでしたら、講演全体をコミュニティに関する論文としてまとめましたので、データと詳細な手法をご覧いただけます。ありがとうございました。
