生产过程中通常会进行抽样，以确定关键成分的浓度，从而满足安全、环保或质量标准。温度补偿密度计的应用为实时过程监测提供了可能，可以取代离线抽样。历史过程数据不适用于模型构建，因为离线分析是零星进行的，抽样时间的准确性存在不确定性，且结果的变异性有限。
在实验室中，直接改变温度和浓度再测量密度会导致误差过大（因为浓度是需要预测的值）。该方法的优点在于它仅涉及溶剂添加和温度控制，这两个步骤都可以自动化。我们展示了如何利用该模型进行初步筛选，以获得均匀分布的温度和密度值，然后通过采样确定浓度，从而构建一个预测不确定性更低的模型。
将模型导出到 Seeq 和 Power BI 后，即可实现持续监控，并因每日采样而节省成本，每年可降低 15,000 欧元（针对单个工艺流程）。该方案消除了等待离线分析的延误，降低了操作人员接触工艺化学品的风险，并使生产团队能够预测和规划干预措施，从而延长了运行时间。
今天，我将和大家探讨如何使用 JMP 构建软传感器，以高效监控化学品生产过程。首先，我要感谢 Chris Knight，他完成了实际的实验室数据采集工作；还要感谢 Daniel Garten，他协助将模型从实验室转移到生产流程中。正如数据科学领域常见的情况一样，很多工作都是从有人委托你构建模型开始的。自然而然地，你会想到：数据来自哪里？它是如何生成的？随着时间的推移，我们可用于化学品生产过程的传感器也在不断改进。
这种小型化和改进实际上已经使我们能够在实验室和生产规模上使用相同的传感器。这带来了许多令人兴奋的机会，因为这些传感器可以在一个规模上建立模型，然后直接转移到另一个规模，因为它们运行的设备完全相同。在这里，我将讨论温度补偿密度计，这种设备不仅可以测量流量，还可以同时测量密度和温度。
这是一个很有意思的装置。正如你所看到的，实验室里就有一台。我们这里有一个小型系统，它有一个回路，液体会流经传感器，然后这部分电子元件会将结果传回控制器。但是，这种方法很快就会遇到问题。所以，很自然地，人们首先会想到，我可以设置不同的浓度。我可以调整浓度，这很容易。我也可以改变温度，这也很容易。因此，我会改变浓度和温度，然后测量密度。但是，这样做在构建模型时会遇到一些问题。首先，由于你只改变了温度，浓度是固定的，所以在模型的预测部分，Y轴上的结果数量有限。同样，如果温度和密度之间存在任何相互作用，这些相互作用也无法被这个数据集捕捉到。你无法进行反向推导。你不能把这个等式反过来，而这正是你想要做的。
如果我们退一步，思考一下现实世界中数据是如何产生的，现实世界中的情况是这样的：我们有一个溶液，温度固定，密度达到我们设定的目标值。然后我们取样分析该溶液，以确定待测物的浓度。这实际上为我们的实验室流程提供了信息。在实验室中，我们可以这样做：取一个固定温度下的溶液，然后稀释或添加待测物，使其达到我们设定的目标密度。之后我们取样测定待测物的浓度。这不仅模拟了化学过程中的操作方式，而且还提供了相同的误差结构，使我们能够拟合合适的模型。这里的误差大约是之前误差的一半。这是一个进步。因此，单个预测误差从大约 0.6±0.6 wt% 降低到 ±0.3 wt%。这是一个改进。那么，这在实践中是什么样的呢？
这里举个例子，我们选取了五个温度点。我们选取了等间距的密度值，并尽量使它们落在分析物浓度范围 4 到 12 之间。然后我们可以看到，随着温度的变化，曲线的斜率也在变化，这表明密度和温度之间存在某种相互作用。因此，这个模型会考虑这种相互作用。如果我们没有采用这种方法，可能就错过了考虑这种相互作用的机会。现在，我们有了这个模型。接下来，我们可以将其应用于工艺流程。一种方法是使用名为 Seeq 的软件来监控我们的工艺流程。Seeq 中的公式工具和 JMP 中的公式工具非常相似。只需简单的查找和替换操作，就可以将 JMP 中构建的公式直接导入 Seeq 使用。现在，我们已经构建了一个模型，接下来需要验证它。在这里我们可以看到，随着时间的推移，我们有了模型的上限和下限，以及一些表示何时进行过程采样和在这些过程采样中获得的结果的条形图。
您可以看到，我们达成了一项合理的协议。有了这个实时模型，我们就可以精准地控制采样时间。与其让所有样本都来自同一范围的低值或高值区域，不如我们可以有意识地进行定向采样，例如：“为了验证我们的模型，我们需要在整个范围内分布数据，而不仅仅是上限或下限的点。”这样就能获得更优质的数据。完成之后，我们就可以回到建模过程了。这里有一个例子，红色圆圈代表实验室尺度的分布，蓝色十字代表过程数据的分布。我们可以看到，过程数据的范围往往要窄得多，如果只使用过程数据来构建模型，就会遇到问题。这就是自愿数据的优势所在：我们可以构建一个覆盖更广范围的模型，该模型在过程的典型范围内都有效。现在我们有了这些数据，就可以重新运行建模过程了。在这种情况下，我使用SVEM。
……在样本模型上进行验证。我使用 LASU 和广义线性回归拟合了 100 个模型。然后，我们取这些模型的平均值，以消除可能由可用样本引起的变异性。由此，我发现，在这个系统中，由于无法获得真实的工艺液体，只能使用理想替代品，我们在实验室、工厂和工艺过程中观察到的结果之间存在 1% 的偏差。现在，我们通过 SVEM 解决了这个问题，并得到了一个在实验室规模和工艺规模下均有效的模型。我们现在想利用这个模型做一些事情，使其更加稳定。除了 Seeq 之外，我们还可以考虑使用 Power BI 之类的工具。在这里，我们将相同的方程输入到 Power BI 中，并计算出正负值。密度和温度数据来自过程历史记录器，并导入到 Power BI 中。这是通过我们的模型计算出来的，从而得出我们的预期值。然后，我们质量控制系统的结果也会导入到 Power BI 中，之后我们可以将它们一起绘制在图表上。
同样，我们可以进行数学计算，从而找出模型与实际结果之间的差异，并将其作为操作限值。我们甚至可以接收电子邮件。现在，我们可以实现自动化，自动发送邮件告知：这是模型与上次例行检查之间的差异，以及如果出现问题应采取的措施。这很实用，因为问题并不总是出在模型上。对于这种温度补偿密度计，有时会遇到一个问题，即工艺中断或工艺问题导致传感器被涂层或污垢覆盖。这时，对于同一种工艺液体，测量密度会出现偏移，即突然的阶跃变化。该模型还会发出警告，提示：“注意，工艺传感器的健康状况存在问题，您需要考虑采取措施。”
总之，我们提高了工艺操作员的安全保障。他们不再需要采集那么多样品，现在只需每月采样一次，即可检查我们的测量系统和模型是否仍然一致，而无需像以前那样每天采样。这也有助于我们从被动应对转变为主动预防。以前，他们对工艺流程的运行情况一无所知，但现在我们可以说：“好的，情况正在好转，也许三天后，我需要安排一次换型，因为工艺液体的浓度已经达到了我们想要采取措施的范围。” 而不是像以前那样每天猜测并采集样品，试图预测三天后的情况。我们现在能够更好地掌握变化趋势，因为正如您所看到的，变化趋势并非总是相同的。有时浓度上升得很快，有时则上升得比较慢，这取决于工艺流程的具体情况。所以，这种转变非常有帮助。同样，也要消除延误，因为在你采集样本之前，样本会被送到质量控制实验室进行分析并返回结果，然后你才能决定采取什么行动。
现在我们可以更加积极主动，这对于提高流程效率来说是件好事。此外，还能直接节省成本，通过减少监控流程所需的人力以及分析流程所需的耗材，每个流程每年大约可以节省 15,000 欧元。如果您想了解更多细节，我已经将整个演讲内容总结成一篇论文，发布在社区中，您可以在其中找到数据和详细的方法。非常感谢。
