批处理过程的监视与控制
多年来，化学和过程工业已经成功地使用统计过程控制(SPC)作为监控和维护过程系统一致性和运行的工具。传统的SPC方法包括绘制重要质量参数的趋势，并确保这些趋势不违反预先指定的控制限制。
|
多年来，化学和过程工业已经成功地使用统计过程控制(SPC)作为监控和维护过程系统一致性和运行的工具。传统的SPC方法包括绘制重要质量参数的趋势，并确保这些趋势不违反预先指定的控制限制。尽管这种方法取得了成功，但有几个局限性影响了它提供批处理过程精确监视的能力。
例如，由于SPC中可能记录了许多变量，这些变量需要解释多个图表，这可能很困难。此外，由于在批处理操作中通常无法实现稳态，变量之间的相互作用可能会导致偏差，这可能不会出现在SPC图中，这些图将变量作为独立的测量来监控。
近年来的应用研究表明，多元统计技术可以为复杂批处理过程的一致性操作提供一定的支持。多元统计在很大程度上依赖于被称为主成分分析(PCA)和偏最小二乘(PLS)的统计例程。主成分分析是一种在数据集中提取主要特征的技术。通过这种方式，主成分分析可以识别一些统计数据，提供有关工艺装置运行的重要信息。(参见“主成分分析”侧栏)。
在使用主成分分析监测过程装置时，最常用的统计量被称为统计量SPE(平方预测误差)。SPE提供与正常操作条件下确定的过程变量之间的关系比较的度量。
作为一个简单的例子，考虑发酵过程中，在容器中的pH值是通过操纵酸进料率来控制的。PCA可以识别pH值与酸流量有关。如果稍后pH传感器出现故障，pH值测量和酸流量之间的关系将会改变。这一变化将导致一个提升SPE价值。的SPE在正常情况下，值应该很小，它的上升将表明过程测量的行为不正常。
| 在这个方形预测误差图中，超过95%的值警告过程状态异常;99%或以上的值表示操作限制，表明进程行为异常，应该采取步骤解决问题。 |
第二种多元方法PLS是一种回归工具，用于识别包含许多高度相关变量的过程系统中的因果关系。使用更传统的回归工具(如多元线性回归(MLR))很难确定这种关系。然而，PLS能够提取过程数据中的关系，可以用来估计难以测量的质量变量。
发酵的研究
在这个应用中，主成分分析应用于发酵过程的监测。发酵过程中含有活的有机体，因此，可能是极其不可预测的，对过程变化非常敏感。例如，pH传感器故障可能很快导致问题。该故障可能导致pH值被控制到不适当的值，从而导致生物体死亡。通过在重大工艺影响之前检测工艺故障，可以采取纠正措施来恢复批次。
“固相萃取图表”图形显示了在特定发酵批次中计算的固相萃取统计量。上图显示的是SPE的绝对值，下图显示的是该极限的相应统计值——在该图中，超过95%的值将发出过程异常状态的警告;99%或以上的值表示操作限制，表明进程行为异常，应该采取步骤解决问题。在图表中，介于95-99%之间的SPE值为黄色，高于99%的值为红色。
在这个特定的批处理中，SPE统计数据在批处理进行到四分之一时变为红色，因此表明处理过程中存在潜在的问题。通过分析贡献图，可以进一步检查这个异常事件，贡献图表明了每个过程变量对异常的贡献。了解这些信息可以帮助确定是根本原因的工具或过程。
将PCA应用于从更多发酵批次收集的数据，发现在那些导致低产量生产的批次中，PCA可以识别出超过25%的批次中的异常情况。相比之下，传统的SPC技术只能在7%的批次中识别问题。如果在低产量批次中了解多变量分析的信息，就可能采取纠正措施，从而提高产量。
钢炉研究
批量操作工艺是SSAB Oxelösund炼钢厂的一部分。所研究的工艺通过将氧气吹入浴槽中以形成低碳钢来降低铁中的碳含量。当碳含量降低到低水平时，进入炉内的氧气具有氧化铁的不良影响。工艺操作人员面临的挑战是在最佳时间关闭氧气流速，即在炉膛内不发生明显氧化的情况下，从铁中去除碳量最大的那一点。
| 生产过程中氧化铁含量的测量是保证钢铁稳定生产的关键。绿线是每个模型估计的氧化铁浓度，洋红色线是实际氧化铁浓度。 |
由于炉内环境恶劣，没有在线质量测量来帮助操作人员做出决策。准确的氧气切断时间可以使碳含量目标更接近，减少批量周期时间，并增加产品的一致性。
这项研究的目的是使用测量。对进入炉内的原料的测量和批生产过程中记录的在线测量提供了炉渣中铁含量的估计值。在批处理的最后阶段，该值应增加，以表明炉内正在发生氧化，此时应停止氧气流动。
在这个过程中测量了近100个变量。变量之间的相关性使得传统的识别算法不适合。然而，PLS能够识别该系统的模型，以估计炉渣中最终的氧化铁浓度。由于氧化铁测量仅在每个批次周期结束时可用，PLS模型提供的估计值的准确性随着批次接近周期结束而提高。
“在线FeO含量估计”图形说明了该模型提供的在线估计的一个示例。图中的绿线是模型估计的氧化铁浓度，洋红色线是实验室在批次结束时得出的实际氧化铁浓度。
多元统计模型
| 跟踪发酵容器中的青霉素产量表明，当使用预测控制器时，与在开环控制下操作的过程相反，产品浓度以更大的速度增加。 |
先进的控制系统，特别是模型预测控制(MPC)，在化学和过程工业中应用越来越频繁，并已被证明可以提高过程性能。不幸的是，难以建立精确的批处理模型，阻碍了这种技术在此类系统中的广泛应用。使用多元统计模型，如上述研究中确定的那些，有可能开发精确的批处理模型，并将模型预测控制应用于批处理过程。
为了说明这种方法的潜力，考虑其应用于青霉素发酵过程的模拟。在这样的系统中，青霉素形成的控制通常是通过在预先指定的轨迹上保持操作条件以开环方式实现的。然而，这种控制不能最大限度地提高产品收率，并充分应对工艺干扰。
相比之下，使用模型预测控制提供了自动操纵发酵容器内变量的机制，以提高植物产量和对抗植物干扰。“开环与预测控制生产率比较”图表显示了如何使用模型预测控制器可以提高发酵容器中的青霉素产量——与在开环控制下操作的过程相比，使用预测控制器时发酵容器内产品的浓度以更大的速度增加。
在这项研究中，通过使用模型预测控制器，生产率提高了40%。此外，通过使用自动控制器，减少了批次之间生产率的变化，从而提高了产品的一致性。
有关相关主题的更多信息，请访问www.globalelove.com或在www.monitormv.com上的Perceptive Engineering
| 作者信息 |
| Barry Lennox博士和ognjen Marjanovic博士隶属于英国曼彻斯特大学工程学院;技术顾问David Sandoz和总经理David Lovett就职于英国柴郡Perceptive Engineering Ltd.。 |
主成分分析
当主成分分析应用于一个数据集时，它识别出人工变量——原始过程变量的线性组合。这些线性组合被称为分数，代表主要的数据变化。在任何给定的数据集上计算的分数的数量等于测量变量的数量。计算第一个分数是为了捕捉数据中的主要特征或模式，而最终分数则识别不太重要的信息，如过程噪声。通过这种分析，包含在许多过程变量中的信息将包含在数量少得多的人工变量中。这些人工变量的公式为:
T = XP
在哪里T是一个人工变量的矩阵，有大小米xn（米对原始数据和进行观察的次数是多少n为过程变量的个数)。X矩阵也是大小的吗米xn，包含原过程变量和P系数矩阵是指大小的载荷吗nxn．
在确定了我们认为重要的分数后，我们可以将上面的方程反转，重新计算原始变量:
在哪里Pr列P,r被认为是重要的分数X是一个包含重新计算的原始变量的矩阵。
在正常情况下，X而且X应该是类似的。但在异常条件下，两种基质会有显著差异。这种增加可以通过监控SPE统计数据来识别。SPE是两者之间的平方误差之和X而且X．
您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。
