Los procesos de producción se muestrean rutinariamente para determinar la concentración de componentes clave y cumplir con los criterios de seguridad, ambientales o de calidad. La implementación de densímetros con compensación de temperatura ofrece la oportunidad de monitorizar el proceso en vivo, reemplazando el muestreo fuera de línea. Los datos históricos del proceso no son adecuados para la construcción de modelos, ya que el análisis fuera de línea se realiza esporádicamente, con incertidumbre sobre el momento exacto del muestreo y con una variabilidad limitada en los resultados.
Hoy les hablaré sobre cómo podemos usar JMP para construir sensores blandos que permitan la monitorización eficiente de los procesos de producción química. Me gustaría comenzar reconociendo a Chris Knight, quien realizó el trabajo de laboratorio para recopilar los datos, y a Daniel Garten, quien ayudó con la transferencia de los modelos del laboratorio al proceso de producción. Estos procesos comienzan, como suele ocurrir en la ciencia de datos, cuando alguien te pide que construyas un modelo. Naturalmente, esto nos lleva a preguntarnos: ¿de dónde provienen los datos? ¿Cómo se generaron? Con el tiempo, los sensores disponibles en nuestros procesos de fabricación química han mejorado.
Esta miniaturización y mejora nos ha permitido usar los mismos sensores en el laboratorio que a escala de producción. Esto abre muchas oportunidades interesantes, ya que con estos sensores se puede construir un modelo a una escala y transferirlo directamente a la otra, ya que utilizan el mismo equipo. En este caso, me referiré a los densímetros con compensación de temperatura, un dispositivo que no solo mide el caudal, sino que también permite medir la densidad y la temperatura simultáneamente.
Es un dispositivo interesante. Como pueden ver, hay uno en el laboratorio. Tenemos nuestro pequeño sistema aquí, con un circuito por donde pasamos el líquido a través del sensor, y este es el sistema electrónico que comunica los resultados al controlador. Con este enfoque, surge rápidamente un problema. Naturalmente, la primera idea es: "Tengo diferentes concentraciones. Puedo inventarlas. Es fácil de hacer. Y puedo variar la temperatura. Es fácil de hacer. Por lo tanto, eso es lo que haré. Variaré la concentración y la temperatura, y mediré la densidad". Al hacer esto, surgen varios problemas al construir un modelo. Primero, al tener concentraciones fijas a diferentes temperaturas, se obtiene un número limitado de resultados en el eje Y para la predicción del modelo. Igualmente, si hay interacciones entre la temperatura y la densidad, estas no serán capturadas por este conjunto de datos. No podrás hacer lo contrario. No puedes tomar la ecuación e invertirla, que es lo que quieres hacer.
Si retrocedemos un paso y analizamos cómo se generan los datos en el mundo real, lo que ocurre es que tenemos una solución, a una temperatura fija, que alcanza la densidad deseada con nuestro control. Luego, tomamos una muestra de esa solución y la analizamos para determinar la concentración del analito. Esto realmente informa nuestro proceso de laboratorio. En el laboratorio, podemos tomar una solución a una temperatura fija y diluirla o añadir analitos para determinar la densidad deseada. Luego, tomamos una muestra para determinar la concentración del analito. Esto imita el funcionamiento del proceso químico, pero también nos proporciona la misma estructura de error y nos permite ajustar un modelo adecuado. El error aquí es aproximadamente la mitad del error anterior. Esto representa una mejora. Hemos pasado de aproximadamente un 0,6 % (más o menos un 0,6 % peso/peso) a un 0,3 % (más o menos un 0,3 % peso/peso) en los errores de predicción individuales. Esto representa una mejora. ¿Y cómo se ve esto en la práctica?
Aquí hay un ejemplo donde hemos tomado cinco temperaturas. Hemos tomado densidades uniformemente espaciadas e intentado que estén dentro del rango de analito de 4 a 12. Entonces podemos ver que las pendientes de las líneas cambian a medida que cambiamos las temperaturas, lo que sugiere que hay una interacción entre la densidad y la temperatura. Por lo tanto, este modelo lo tendría en cuenta. Si no lo hubiéramos hecho de esta manera, podríamos haber perdido la oportunidad de considerar esa interacción. Ahora, tenemos este modelo. Podemos aplicarlo a escala de proceso. Una forma de hacerlo es monitorizar nuestros procesos con un software llamado Seeq. La herramienta de fórmulas en Seeq y la herramienta de fórmulas en JMP son muy similares. Una simple búsqueda y reemplazo puede tomar una fórmula creada en JMP y luego puede usarse directamente en Seeq. Lo que podemos hacer ahora es crear un modelo y queremos validarlo. Aquí podemos ver a lo largo del tiempo que tenemos los límites superior e inferior del modelo, junto con algunas barras que representan cuándo se toman muestras de proceso y los resultados obtenidos en esas muestras de proceso.
Pueden ver que estamos logrando un acuerdo razonable. Tener este modelo activo nos permite determinar cuándo queremos que se tomen las muestras. En lugar de que todas provengan de la misma parte del rango, ya sea bajo o alto, podemos empezar a determinarlo deliberadamente y decir: "Bien, para validar nuestro modelo, necesitamos una dispersión de datos en todo el rango, no solo en los puntos del límite superior o inferior". Esto nos proporciona mejores datos. Una vez hecho esto, podemos retomar nuestro proceso de modelado. Aquí tengo un ejemplo donde tenemos la dispersión a escala de laboratorio en rojo con círculos y la dispersión observada en el proceso, que está en cruces azules. Podemos ver que los datos del proceso tienden a ser de un rango mucho más estrecho, lo que presentaría problemas para construir modelos si solo usáramos datos del proceso. Esta es la razón por la que la ventaja de tener datos voluntarios radica en que podemos construir un modelo en un rango más amplio, válido en el rango que se observa típicamente en el proceso. Ahora que tenemos esto, podemos volver a ejecutar nuestro proceso de modelado. En este caso, uso SVEM.
Validación de modelos de muestra. Ajusté 100 modelos mediante regresión lineal generalizada con LASU. Luego, calculamos el promedio de esos modelos para considerar la variabilidad que podría deberse a las muestras disponibles. A partir de esto, no pude observar que en este sistema, donde no pude obtener líquidos de proceso reales y tuve que trabajar con sustitutos ideales, había una diferencia del 1 % entre lo que observábamos en el laboratorio, lo que observamos en la planta y en el proceso. Ahora lo hemos procesado con SVEM, hemos alineado el problema y tenemos un modelo que sabemos que funciona tanto a escala de laboratorio como a escala de proceso. Queremos implementarlo ahora. Queremos que sea más permanente. Más allá de Seeq, podemos considerar algo como Power BI. Aquí, tomamos la misma ecuación y la introducimos en Power BI, obteniendo nuestro resultado positivo o negativo. La densidad y la temperatura se ingresan en Power BI desde los Historiadores de Proceso. Esto se calcula con nuestro modelo para obtener nuestros valores esperados. Luego, los resultados de nuestro sistema de control de calidad también entran en Power BI y podemos representarlos gráficamente en conjunto.
Igualmente, podemos hacer cálculos para determinar la diferencia entre el modelo y el resultado y establecer esos límites de acción. Incluso podemos recibir correos electrónicos. Ahora podemos automatizarlo para recibir un correo electrónico que indique: "Esta es la diferencia entre el modelo y la última comprobación de rutina, y qué acciones tomar si hay un problema". Esto es útil porque el problema no siempre reside en el modelo. Con estos densímetros con compensación de temperatura, un problema a veces son las interrupciones o problemas del proceso que causan recubrimientos y suciedad. En ese caso, se produce una desviación, un cambio repentino en la densidad medida para el mismo líquido de proceso. Este modelo también nos advierte: "Mire, el estado del sensor de proceso es un problema y debe considerar tomar medidas al respecto".
En conclusión, hemos mejorado la seguridad de los operadores de proceso. Ya no tienen que tomar tantas muestras; en lugar de tomarlas a diario, ahora solo tenemos que hacerlo una vez al mes para comprobar que nuestros sistemas de medición y nuestro modelo siguen coincidiendo. Esto también nos ha ayudado a pasar de un proceso reactivo a uno proactivo. Antes, desconocían lo que ocurría en el proceso, pero ahora podemos decir: "Bien, vamos hacia arriba, y quizás en tres días, necesito programar un cambio porque el líquido del proceso está entrando en el rango que queremos controlar. En lugar de adivinar, tomar muestras a diario e intentar calcular dónde estaré dentro de tres días", hemos mejorado mucho la trayectoria, porque, como pueden ver, no siempre es la misma. No. A veces aumenta bastante rápido. Otras veces, estos valores aumentan más lentamente según lo que ocurra en el proceso. Esto ha sido muy útil. Igualmente, con la eliminación de retrasos también, porque antes de tomar una muestra, esta iría al laboratorio de control de calidad, donde la analizarían y obtendrían el resultado, y luego ustedes deciden su acción.
Ahora podemos ser más proactivos, lo cual es positivo en términos de mayor rendimiento en un proceso. Además, se produce un ahorro directo de unos 15.000 € al año por proceso al reducir la mano de obra necesaria para supervisar estos procesos y los consumibles necesarios para analizarlos. Si les interesa más información, he resumido la charla completa en un documento en la comunidad, donde pueden encontrar los datos junto con un método detallado. Muchas gracias.
