Высококачественное производство с объединением знаний о процессе и технологии анализа данных - Анализ данных процесса с помощью машинного обучения -

Краткая информация

Sumitomo Seika Chemicals Company производит суперабсорбирующие полимеры, функциональные химикаты, промышленные газы и другие продукты, которые используются в производстве потребительских товаров, медицинского оборудования, фармацевтических препаратов, электроники и автомобилей. Компания хорошо известна и имеет высокую репутацию во всем мире благодаря высокому качеству своей продукции, которая производится с использованием запатентованных технологий полимеризации и микропартикуляции. Суперабсорбирующий полимер, основной продукт компании, обладает такими преимуществами, как равномерный диаметр частиц и высокая текучесть, что позволяет производить высококомфортные конечные продукты, такие как одноразовые подгузники и гигиенические салфетки.

На главном заводе компании в Химэдзи, Япония, используются запатентованные технологии полимеризации и эмульгирования для производства функциональных полимеров, латексов и эмульсий. В качестве головного предприятия на заводе в Химэдзи работает лаборатория, которая изучает способы улучшения качества продукции и повышения производительности, а результаты исследований применяются на производственных предприятиях компании по всему миру.

 

Задачи и предлагаемые решения

Решение для анализа данных процесса для повышения качества и приобретения знаний

Завод Himeji Works производит функциональные химикаты, такие как специальные полимеры, которые производятся с использованием процесса радикальной полимеризации периодического действия. Иногда наблюдались колебания качества в одном конкретном рецепте среди различных рецептов специального полимерного продукта. Чтобы разобраться в этой проблеме, компания Sumitomo Seika обратилась к решению Yokogawa по анализу данных процесса.

Казухиса Уэмура, генеральный директор завода в Химэдзи и исполнительный директор компании Sumitomo Seika, о решении использовать решение Yokogawa:
«Наша компания уже проводила различные усовершенствования на основе анализа данных, и это дало определенные результаты. Однако в ходе беседы с операторами завода я понял, насколько сложен процесс производства этого специального полимерного продукта, и насколько важны их обширные ноу-хау для достижения качественного результата. Стало ясно, что потребуется много напряженной работы, чтобы собрать и систематизировать всю информацию об этом производственном процессе. Именно поэтому я решил использовать решение Yokogawa для анализа данных процесса, чтобы улучшить качество продукции и упорядочить негласные знания, которыми обладает каждый человек.
Кроме того, поскольку наша компания уделяет особое внимание устранению барьеров между организациями, я ожидал, что члены проектной группы будут активно сотрудничать между отделами».

На заводе в Химэдзи была собрана проектная группа, в которую вошли люди из производственного отдела, которые действительно работали с рассматриваемым процессом и имели много ноу-хау о нем, люди из отдела развития, которые разбирались в химической инженерии, люди из исследовательской лаборатории, которые отвечали за разработку новых рецептов и продуктов, и люди из административного отдела, которые имели хорошее общее представление о работе завода. К команде проекта также присоединился инженер компании Yokogawa.

Области экспертизы в команде проекта анализа

Составление списка пунктов наблюдения членами проекта

В процессах, связанных с химическими реакциями, часто присутствует более одного фактора аномалии, и соотношение между этими факторами часто бывает сложным. Необходимо также учитывать влияние таких возмущений, как температура и примеси. Процесс, о котором идет речь на заводе в Химэдзи, был особенно сложным: реакция протекала при добавлении присадок во время повышения температуры.

Команда проекта подробно обсудила этот вопрос в зале заседаний и собрала огромное количество информации о производственных ноу-хау, которыми владеют операторы участка, а также мнения сотрудников отдела разработки и исследовательской лаборатории. Они исследовали возможные причины отклонений во всем производственном процессе и классифицировали их на основе 4M, а затем выдвинули гипотезы относительно возможных физических причин. Наконец, на основе всего этого они подготовили список пунктов наблюдения в качестве руководства для анализа.

Рабочий процесс анализа данных процесса

1. Стратификация данных процесса

Инженер Yokogawa начал с анализа не только технологических данных, которые были собраны системой управления информацией завода, но и репрезентативных значений для управления качеством продукции и рабочими условиями, а также записей в журналах операторов.

На предприятиях, где используются процессы серийного производства, различные продукты могут быть произведены путем изменения рецептуры. Если материал из предыдущего рецепта немного остается внутри производственного оборудования, это может повлиять на качество продукции. А если время производства отличается, то будут отличаться и условия производства, например, длительность хранения сырья и количество накипи, образующейся внутри оборудования. Кроме того, как это было на заводе в Химэдзи, операторы иногда полагаются на свои технологические ноу-хау, чтобы вручную скорректировать условия работы, например, в ответ на масштабирование производственного оборудования.
Когда разные партии рецепта были произведены в разных условиях, трудно провести сравнение данных процесса, что поможет выявить причину производственной проблемы. По этой причине инженер Yokogawa сосредоточил свой анализ на тех производственных партиях, которые имели те же условия, что и те, при которых были произведены аномальные партии.

2. Проблемы

При анализе периодических процессов, включающих химические реакции, примеси являются одним из видов помех, которые необходимо учитывать. Команда проекта определила факторы и вещества, такие как примеси, которые препятствуют реакциям. Затем, поскольку было трудно проверить влияние этих примесей на реакцию, просто изучив собранные данные о процессе, они исследовали это в лаборатории. Данные, полученные в лаборатории, были полезны для выработки решений.

Список пунктов наблюдения

3. Извлечение признаков

Также полезно анализировать пакетные процессы путем извлечения характерных поведений процесса, скрытых в данных, которые показывают ход химических реакций, и их количественной оценки в виде извлечения признаков.
Для извлечения признака необходимо использовать не только данные, но и физические величины, такие как теплотворная способность, которые рассчитываются на основе нескольких видов данных, или использовать какой-либо вид обработки преобразования, например, интегрирование или нормализацию. Изменение данных путем конверсионной обработки может помочь выявить ранее незамеченные различия в поведении процесса. Извлечение признаков является эффективным средством для выявления причин отклонений.

Инструмент Yokogawa Process Data Analytics позволяет извлекать характеристики, помогает понять взаимосвязь между извлеченными характеристиками и эффективно идентифицировать аномальные факторы.

Экран аналитики данных процесса

4. Извлечение признаков на каждом этапе реакции

Даже если признаки могут быть извлечены, невозможно определить истинную причину аномалии, просто анализируя взаимосвязь между значениями качества и извлеченным признаком. Для этого необходимо анализировать данные по мере протекания реакции. Команда проекта разделила фазу реакции на раннюю, среднюю и последнюю стадии, определила извлеченные признаки для каждой стадии и проанализировала связь между качеством продукции и отдельными извлеченными признаками.

Для примера был проведен следующий анализ:
Команда проекта заметила, что потребление электроэнергии увеличилось в результате увеличения нагрузки на перемешивание по мере продвижения реакции и осаждения полимеров в полимеризационном баке. Они определили момент времени, когда потребление энергии достигло максимума, как извлеченный признак для последней стадии реакции. Была выявлена сильная корреляция между извлеченным признаком, значением качества и общим количеством добавок. Однако, чтобы сохранить высокое качество продукции, операторы должны были принять меры до того, как потребление энергии достигнет пика. Команда проекта продолжила поиск других характеристик на протяжении всего производственного процесса и выяснила, что теплотворная способность, образующаяся после начала реакции на средней стадии реакции, оказывает решающее влияние на характеристику последней стадии (потребление энергии на перемешивание). Они пришли к выводу, что значение качества можно контролировать, регулируя количество добавки в зависимости от уровня теплотворной способности, которая образуется сразу после начала реакции.

Для решения проблем таким образом, конечно, необходимо обнаружить корреляции между значениями качества и извлеченными признаками, а также взаимосвязи между извлеченными признаками, используя данные. Кроме того, важно также интерпретировать результаты этих анализов, рассматривая их с более широкой точки зрения, принимая во внимание такие факторы, как производство, химические реакции, химическая инженерия и 4M. Объединение знаний о процессе и аналитических технологий имеет важное значение.

5. Проверка извлечения признаков с помощью машинного обучения

Изменения в извлеченных признаках на каждом этапе реакции в большей или меньшей степени влияют на качество продукта. Машинное обучение позволяет определить доминирующий извлеченный признак и проверить достоверность этого вывода. Машинное обучение также способно снизить риски при реализации плана действий по стабилизации качества продукции.

Команда проекта проверила достоверность извлеченных признаков с помощью метода статистического анализа — пошаговой регрессии. Из извлеченных признаков были выбраны три объясняющие переменные, которые вносят вклад в реакцию, включая значение нагрева, полученное сразу после начала реакции. Согласно полученным результатам, значение качества может быть надежно оценено с помощью этих объясняющих переменных. Команда проекта пришла к выводу, что значение качества можно правильно контролировать, управляя тремя извлеченными характеристиками.

Результат моделирования с помощью пошаговой регрессии

Результаты

После выявления факторов, вызывавших колебания качества продукта, команда проекта разработала новые рабочие процедуры, которые включали регулировку количества добавки в зависимости от извлеченной характеристики, показывающей ход реакции. Они также разработали дисплей, который сравнивает текущие извлеченные признаки с прошлыми партиями. Система позволяет операторам участка выполнять свои обязанности, контролируя ход реакции. Ожидается, что новые операционные процедуры по контролю колебаний качества с помощью значения качества позволят снизить затраты на несколько миллионов иен в год.

В этом аналитическом проекте команда составила список объектов для наблюдения, выдвинула гипотезы и проверила гипотезы с помощью данных. Кроме того, в процессе анализа и проверки данных иногда обнаруживались новые объекты наблюдения. Выполняя эти задания, они смогли получить общее представление о проблемах предприятия, выявить истинные причины отклонений и разработать контрмеры. Были и вторичные результаты, например, обнаружение новых проблем, которые необходимо решить для повышения качества продукции. 

Пересмотр списка объектов наблюдения стал возможен благодаря объединенным знаниям всех участников проекта, и это преимущество подтверждено данными и может быть использовано в качестве технического стандарта для продвижения технологических инноваций на заводе в Химэдзи. Завод Himeji Works стремится к дальнейшему улучшению качества продукции и повышению своей конкурентоспособности путем продвижения использования анализа данных и объединения знаний о технологическом процессе и технологии анализа данных.

Удовлетворенность заказчиков

Господин Уэмура:

«Изначально я думал, что все будет хорошо, если мы просто соберем негласные знания, которыми обладает каждый человек, с помощью решения Yokogawa для анализа данных процесса. Однако мы смогли найти определенные результаты в улучшении качества продукции. Кроме того, мы смогли внести улучшения в операционную деятельность, расширить возможности на местах и укрепить внутреннее сотрудничество между отделами. Прежде всего, создание списка предметов наблюдения способствовало преобразованию неявных знаний в явные. Это превзошло мои ожидания, и я очень доволен. Для того чтобы продолжать поставлять на рынок высококачественную химическую продукцию, мы хотели бы добиться дальнейших улучшений, используя знания и опыт, полученные в ходе этого аналитического проекта».

Члены проекта:

В. Каково было ваше впечатление, когда вас выбрали для участия в проекте?

«Было абсолютно необходимо улучшить этот рецепт, поэтому я решил, что мы должны продолжить анализ данных процесса».

«Поскольку у меня не было опыта работы с анализом данных, я не представляла, что мне делать в самом начале. Я знал, что наш завод уже испробовал традиционные подходы для улучшения, но пока не достиг всех желаемых улучшений с помощью этого рецепта. Поэтому мои ожидания от анализа Yokogawa были высоки».

«Для меня было большой честью быть выбранным. Я занимаюсь бухгалтерской работой в административном офисе и не вовлечена в производство, поэтому мне было интересно, какой вклад я смогу внести, когда я начала работать над этим проектом».

В. Что вы получили от проекта?

«Мы можем найти новые точки зрения, которые отличаются от общепринятых знаний. И обычные знания, которые у нас были, также были подтверждены данными».

«Мне понравилось свободное и активное обсуждение с людьми из других отделов. В прошлом, основываясь на своем опыте, мы смутно представляли, какими свойствами будет обладать продукт, произведенный в определенных условиях. Но после завершения проекта по анализу, я думаю, теперь я могу понять, что происходит в процессе. Я хотел бы использовать аналитический метод в других рецептах продуктов».

«Я знал, что Yokogawa будет использовать сложные аналитические методы, но они внимательно выслушали нас, чтобы понять нашу деятельность. Yokogawa проделала очень стабильную работу, и я понял, что организация огромного количества данных принципиально важна, если вы хотите планомерно продвигаться в решении задач».

«Мы часто были связаны правилами, и эти негласные знания в каждом отделе были закрыты для других. Мы успешно организовали и визуализировали эту информацию в рамках данного проекта. Это также было очень полезно с точки зрения управления персоналом – обмениваться знаниями и идеями между отделами».

В. Изменилось ли что-нибудь в результате вашего опыта работы с проектом?

«Мое отношение к бухгалтерским данным изменилось, как только я понял, насколько они ценны. Теперь я думаю о том, как извлечь знания из большого количества данных, и поэтому у меня другая точка зрения на то, как я буду использовать данные».

«Теперь я чаще использую программы для работы с электронными таблицами. Когда-то я думал, что между данными нет корреляции, но теперь знаю, что с помощью тщательного анализа с использованием стратификации и других функций можно обнаружить взаимосвязи между данными».

«Я начал просить операторов производственных площадок по возможности предоставлять достоверные данные, чтобы объяснить, что происходит на заводе. Операторы, которые раньше использовали только описания типа "горячо" или "холодно", стали давать более конкретные объяснения, подкрепленные цифровыми данными».

«Непродуктивные задачи были устранены, что значительно снизило нагрузку на оператора».

В. Хотите ли вы попробовать провести анализ еще раз?

«Мы уже проанализировали другой рецепт. Возможности для обсуждения с людьми из других отделов также расширились».

«Взяв за основу список пунктов наблюдения, мы проводили различные испытания, используя лабораторное и реальное производственное оборудование. Благодаря этому списку мы можем проводить анализ плавно и непредвзято».

«Исследовательская лаборатория снова разработала новый сложный рецепт! Это также сложно и трудно, но используя знания, которые мы получили в ходе этого аналитического проекта, мы сможем продолжать производить высококачественную продукцию».

«Несмотря на то, что работа по извлечению производственных данных на объекте была хлопотной, мне понравился проект. Это было весело!»

Томотака Маки, инженер компании Yokogawa:

«При разработке аналитического решения для компании Sumitomo Seika я отвечал за все, начиная с начального этапа стимулирования продаж и заканчивая завершением проекта, и выполнял фактическую работу по анализу.
Анализ данных процесса не всегда работает хорошо, если у заказчика отсутствует сильное желание улучшить ситуацию и он не проявляет лидерских качеств. Трудно сказать, как это будет, пока мы не начнем работу над проектом. Г-н Уэмура с самого начала потратил много времени на то, чтобы понять деятельность компании Yokogawa, и назначил для работы над проектом компетентных сотрудников из разных отделов. Я искренне оценил его доброе сотрудничество.
Я надеюсь, что культура анализа приживется в компании Sumitomo Seika. Объединение знаний о процессе и технологии анализа данных может способствовать повышению качества и эффективности работы. Я надеюсь, что участники проекта будут продолжать активно внедрять инновации. Я также верю, что они нашли опыт анализа данных полезным и что они чувствуют чувство удовлетворения от того, что добились улучшений».

Задний ряд (слева направо)
Г-н Такенака (Административный офис)
Г-н Мацуура (Секция функциональных полимеров)
Г-н Маки (Yokogawa)
Г-н Ямагучи (Секция функциональных полимеров, руководитель проекта)
Г-н Мураками (Лаборатория исследования функциональных химикатов)

Первый ряд (слева направо)
Г-н Эндо (Технический офис)
Г-н Масуи (Секция функциональных полимеров)
Г-н Тацуми (Технический офис)