생산 공정에서는 안전, 환경 또는 품질 기준을 충족하기 위해 주요 구성 요소의 농도를 측정하기 위한 샘플링이 정기적으로 수행됩니다. 온도 보상형 밀도계를 도입하면 오프라인 샘플링을 대체할 수 있는 실시간 공정 모니터링이 가능해집니다. 과거 공정 데이터는 오프라인 분석이 불규칙적으로 이루어지고 샘플링 시점에 대한 불확실성이 있으며 결과의 변동성이 제한적이기 때문에 모델 구축에 적합하지 않습니다.
오늘은 JMP를 활용하여 화학 생산 공정을 효율적으로 모니터링할 수 있는 소프트 센서를 구축하는 방법에 대해 이야기해 보겠습니다. 먼저, 실제 데이터 수집을 위한 실험실 작업을 수행해 주신 크리스 나이트와 실험실에서 생산 공정으로 모델을 이전하는 작업을 도와주신 다니엘 가르텐에게 감사를 표하고 싶습니다. 데이터 과학에서 흔히 그렇듯이, 이러한 작업은 누군가 모델 구축을 요청하는 것에서 시작됩니다. 자연스럽게 데이터는 어디에서 왔는지, 어떻게 생성되었는지에 대한 질문이 떠오르게 됩니다. 그리고 시간이 지남에 따라 화학 제조 공정에 사용할 수 있는 센서도 개선되어 왔습니다.
이러한 소형화와 개선 덕분에 이제는 실험실 규모와 대규모 생산 규모에서 동일한 센서를 사용할 수 있게 되었습니다. 이는 매우 흥미로운 가능성을 열어줍니다. 왜냐하면 이러한 센서를 사용하면 한 규모에서 모델을 구축한 후 동일한 장비를 사용하기 때문에 다른 규모로 직접 이전할 수 있기 때문입니다. 이번 글에서는 온도 보상형 밀도계에 대해 이야기해 보겠습니다. 이 장치는 유량뿐만 아니라 밀도와 온도까지 동시에 측정할 수 있습니다.
흥미로운 장치입니다. 보시다시피, 실험실에 하나가 설치되어 있습니다. 여기 작은 시스템이 있고, 액체가 센서를 통과하는 루프가 있으며, 이 전자 장치가 결과를 컨트롤러로 전달합니다. 그런데 이런 접근 방식을 사용하면 곧바로 문제가 발생합니다. 당연히 처음에는 농도를 다양하게 만들 수 있을 거라고 생각할 수 있습니다. 농도는 쉽게 만들 수 있고, 온도도 쉽게 조절할 수 있으니까요. 그래서 농도와 온도를 변화시키면서 밀도를 측정해 보려고 할 것입니다. 하지만 이렇게 하면 모델을 구축하는 데 여러 가지 문제가 발생합니다. 첫째, 온도는 변화시키면서 농도는 고정되어 있기 때문에 모델의 예측 부분에서 Y축에 사용할 수 있는 결과값이 제한적입니다. 또한 온도와 밀도 사이에 상호작용이 있다면, 이 데이터 세트로는 포착할 수 없습니다. 반대로는 할 수 없습니다. 방정식을 뒤집어서 역으로 만들 수는 없는데, 바로 당신이 원하는 것이죠.
잠시 뒤로 물러나 실제 세계에서 데이터가 생성되는 방식을 생각해 보면, 현실에서는 고정된 온도에서 용액을 만들어 목표 밀도에 도달하게 합니다. 그런 다음 용액 샘플을 채취하여 분석함으로써 분석 대상 물질의 농도를 측정합니다. 이것이 바로 실험실 공정에 중요한 정보입니다. 실험실에서는 고정된 온도의 용액을 희석하거나 분석 대상 물질을 첨가하여 목표 밀도에 도달하게 한 후, 샘플을 채취하여 분석 대상 물질의 농도를 측정합니다. 이 방법은 화학 공정의 작동 방식을 모방할 뿐만 아니라 동일한 오차 구조를 제공하여 적절한 모델을 구축할 수 있도록 합니다. 여기서의 오차는 여기서의 오차의 절반 수준으로 줄어들었습니다. 즉, 개별 예측 오차가 약 0.6 ± 0.6 중량%에서 ± 0.3 중량%로 감소한 것입니다. 이는 분명한 개선입니다. 그렇다면 이것이 실제로 어떻게 나타날까요?
여기서는 다섯 가지 온도를 예로 들어 보겠습니다. 밀도는 4에서 12 사이의 분석물 범위 내에 있도록 균일하게 분포시켰습니다. 그러면 온도가 변함에 따라 선의 기울기가 변하는 것을 볼 수 있는데, 이는 밀도와 온도 사이에 어떤 상호작용이 있음을 시사합니다. 따라서 이 모델은 이러한 상호작용을 고려합니다. 만약 이러한 방식으로 접근하지 않았다면, 이러한 상호작용을 고려할 기회를 놓쳤을 수도 있습니다. 이제 우리는 이 모델을 만들었습니다. 이제 이 모델을 공정 규모에 적용할 수 있습니다. 한 가지 방법은 Seeq라는 소프트웨어를 사용하여 공정을 모니터링하는 것입니다. Seeq의 수식 도구와 JMP의 수식 도구는 매우 유사합니다. 간단한 찾기 및 바꾸기 기능을 사용하여 JMP에서 만든 수식을 Seeq에서 직접 사용할 수 있습니다. 이제 우리는 모델을 구축했으므로, 이를 검증하고자 합니다. 여기서는 시간에 따른 모델의 상한선과 하한선을 볼 수 있으며, 공정 샘플을 채취한 시점과 해당 샘플에서 얻은 결과를 나타내는 막대도 함께 표시됩니다.
보시다시피, 합리적인 합의점을 얻고 있습니다. 이 모델을 실제로 적용하면 샘플 채취 시점을 정확하게 지정할 수 있습니다. 모든 샘플이 낮은 값이나 높은 값과 같은 특정 범위에서만 추출되는 것이 아니라, 의도적으로 특정 시점을 지정하여 "모델 검증을 위해서는 상한선이나 하한선뿐만 아니라 전체 범위에 걸쳐 데이터를 수집해야 한다"고 판단할 수 있습니다. 이렇게 하면 더 나은 데이터를 얻을 수 있습니다. 이 과정을 마치면 모델링 프로세스로 돌아갈 수 있습니다. 여기 예시에서 빨간색 원으로 실험실 규모의 데이터 분포를, 파란색 십자 표시로 공정에서의 데이터 분포를 나타냈습니다. 여기서 공정 데이터는 훨씬 좁은 범위에 집중되는 경향이 있는데, 공정 데이터만 사용하면 모델 구축에 어려움이 따릅니다. 자발적으로 제공된 데이터의 장점은 바로 이러한 넓은 범위에 걸쳐 유효한 모델을 구축할 수 있다는 점입니다. 이제 이 데이터를 바탕으로 모델링 프로세스를 다시 실행할 수 있습니다. 이 경우에는 SVEM을 사용합니다.
...샘플 모델을 검증했습니다. LASU를 사용하여 일반화 선형 회귀 방식으로 100개의 모델을 적합시켰습니다. 그런 다음 사용 가능한 샘플로 인해 발생할 수 있는 변동성을 고려하기 위해 모델들의 평균값을 구했습니다. 그 결과, 실제 공정 액체를 구할 수 없고 이상적인 대체 물질을 사용해야 했던 이 시스템에서는 실험실, 공장 및 공정에서 관찰되는 값 사이에 1%의 오차가 발생하는 것을 확인할 수 있었습니다. 이제 SVEM을 통해 이 문제를 해결하고 실험실 규모와 공정 규모 모두에서 작동하는 모델을 확보했습니다. 이제 이 모델을 더욱 영구적으로 활용하고자 합니다. Seeq를 넘어 Power BI와 같은 도구를 생각해 볼 수 있습니다. 동일한 방정식을 Power BI에 입력하면 양수 또는 음수 값을 얻을 수 있습니다. 밀도와 온도는 공정 이력 데이터에서 Power BI로 입력됩니다. 저희 모델을 사용하여 예상 값을 계산합니다. 그런 다음 품질 관리 시스템의 결과도 Power BI로 가져와서 그래프에 함께 표시할 수 있습니다.
마찬가지로, 수학 계산을 통해 모델과 결과값의 차이를 파악하고 이를 조치 한계값으로 설정할 수 있습니다. 이메일 알림 기능도 있어, 모델과 마지막 정기 점검 결과의 차이와 문제 발생 시 취해야 할 조치를 알려주는 이메일을 자동으로 발송하도록 설정할 수 있습니다. 이는 문제가 항상 모델 자체에 있는 것은 아니기 때문에 유용합니다. 온도 보상형 밀도 측정기의 경우, 공정 중단이나 코팅 및 오염으로 인한 공정 문제가 발생할 수 있습니다. 이로 인해 동일한 공정 유체에서 측정된 밀도에 갑작스러운 편차가 발생할 수 있습니다. 이 모델은 이러한 경우에도 "공정 센서 상태에 문제가 있으니 조치를 취해야 합니다."라는 경고를 제공합니다.
결론적으로, 우리는 공정 운영자의 안전을 향상시켰습니다. 더 이상 매일 샘플링할 필요가 없어졌기 때문에, 이제는 측정 시스템과 모델이 여전히 일치하는지 확인하기 위해 한 달에 한 번만 샘플링하면 됩니다. 또한, 반응적인 공정에서 선제적인 공정으로 전환하는 데 도움이 되었습니다. 이전에는 공정에서 무슨 일이 일어나고 있는지 알 수 없었지만, 이제는 "좋아, 지금 수치가 상승하고 있군. 3일 후에는 공정액 농도가 우리가 조치를 취해야 할 범위에 들어갈 것 같으니 교체 일정을 잡아야겠어."라고 판단할 수 있습니다. 매일 샘플링을 하면서 3일 후의 상황을 추측하는 대신, 훨씬 더 정확한 예측이 가능해졌습니다. 보시다시피, 수치가 항상 같은 추세를 보이는 것은 아닙니다. 때로는 매우 빠르게 증가하기도 하고, 공정 상황에 따라 더 천천히 증가하기도 합니다. 이러한 점이 매우 유용했습니다. 마찬가지로, 지연 시간도 줄일 수 있습니다. 이전에는 샘플을 채취하여 품질 관리 연구소로 보내 분석하고 결과를 받은 후에야 조치를 결정할 수 있었기 때문입니다.
이제 우리는 더욱 적극적으로 대응할 수 있게 되었고, 이는 프로세스 처리량 증가라는 측면에서 긍정적인 효과를 가져옵니다. 또한, 프로세스 모니터링에 필요한 인력과 분석에 필요한 소모품 비용을 줄임으로써 프로세스당 연간 약 15,000유로의 직접적인 비용 절감 효과도 있습니다. 더 자세한 내용을 알고 싶으시면, 제가 발표 내용을 요약한 논문을 커뮤니티에 게시했으니 참고해 주세요. 논문에는 데이터와 상세한 방법론이 포함되어 있습니다. 감사합니다.
