简化AI/机器学习在化学工业中的使用:化学计量学

摘要

人工智能和机器学习是我们经济中消费方面推动工作的必然结果。问题不在于它是否会影响炼油厂和化工厂的运营，而在于它需要多快、多长时间才能使收益超过成本。目的是区分视觉和幻觉，并为在这一复杂领域取得进展提供一些实际指导。有三种类型的测量为我们提供了数据，这些数据将构成任何解释系统的基础:单一用途的传感器、色谱仪和光谱仪。化学计量学可以用于所有这三种类型，事实上，对于解释任何类型的光谱仪的输出都是至关重要的。我们可以很容易地证明，对三个数据源(单独或组合)使用多元分析可以提供更快的响应，改进来自这些数据的信息流，并为流程理解提供重要帮助。这些信息是可用的，而且几乎是免费的。

简介

随着计算机在40年前上线，自动化质量控制变得切实可行，但我们仍然没有利用这种处理能力，而是坚持工程启发式，并使大多数可用数据无法控制。这同样适用于过程变量的监控和分析器总体。在过程传感器领域，所有的测量可以组合在一起，形成一个单元甚至整个工厂的虚拟仪器，从噪声中隔离与过程相关的信号。这样做的好处是可以近乎实时地识别和管理以前未见的流程中断。光谱分析仪和色谱分析仪已经与计算机建立了更密切的关系，但我们还没有开发出将原始数据处理成可操作的过程信息的潜力。成功的关键是不要仅仅专注于使用多元分析来提取数据流的信息内容。更关键的是将这些结果与特定于应用程序的产品知识相结合。即使这样也不够;如果我们不专注于混合信息内容的有效交付，那么一切都将失去。来自多种来源的工具可以帮助实现适当的混合，但是成功的工程师需要使用系统工程方法来处理任务。 Any integration must be both useful and used.
在文献和媒体中，关于使用多元分析来管理信息收集和性能预测的任何讨论中，都存在术语混淆。人工智能、机器学习和化学计量学代表了重叠的研究领域，它们本身并没有规定一条理解数据所告诉你的东西的路径，更不用说促进构建有用的过程模型了。我之所以选择化学计量学这个术语，是因为它将化学理解的思想与我们使用的数学相结合，将我们的注意力集中在与碳氢化合物加工相关的行业上。
无论使用何种标签，目标是使用数学工具以经济有效和可靠的方式评估产品质量。在这些示例中，我使用了Infometrix软件，但是还有许多选项，特别是对于与统计社区有大量重叠的过程变量。让我们看看通过化学计量学的简单应用几乎可以立即获得经济效益的三个领域。

流程变量

多元数据分析虽然功能强大，但外行可能会望而却步。它有自己的行话和概念，乍一看似乎很奇怪。通常，新手用户只有在经历了一段时间的困惑和挫折后才会适应多元方法。何苦呢?多元数据分析背后的原理很简单:单变量方法虽然在许多应用中都很容易理解和证明，但有时会产生误导性的结果，并忽略复杂数据集中有意义的信息。
针对单变量数据开发了单变量方法。应用单变量方法来处理测量可能是有用的，但这也等于放弃所有的测量，只留下一个。虽然对单个变量进行彻底的统计分析可能会导致一些问题，但在应用于多元数据时，这种方法有几个缺点。基本上，如果多变量关系很重要，这是不完整的。如果测量值很多且/或相关，建议将它们作为一个单元处理。化学计量技术是天然的垃圾收集器，因为数据处理不容易被不稳定的数据来源劫持。应用第一原则来指导多元过程模型是长期成功的关键。
在工艺设置中发挥作用的大多数传感器是压力、温度、流量和液位监控器，可以一起考虑，将它们融合成一个定制的工艺仪表。我们可以使用两种技术中的一种来从混合信息中提取信息内容:主成分分析帮助我们对流程的状态进行分类(例如，是否有流程中断?)偏最小二乘允许我们预测性能指标(如产量)。这些工具可用于调优结果以适应手头的流程，并用于自动化数据流的例行评估。

色谱法

在碳氢化合物加工业中，色谱法是监测化学成分的传统技术。这是测量单个分子浓度最直接的方法。随着当前一代快速、高效的气相色谱和过程超高性能液相色谱仪的出现，分析可以以与光学光谱相当的速度完成。
由于各种原因，在过去的几十年里，使用多元技术处理色谱数据在很大程度上被忽视了。除了最简单的色谱应用之外，任何自动化处理都需要两种多变量技术:一种是对色谱迹线进行校准的信号处理步骤，另一种是对色谱迹线(或表格结果)进行完整信息含量的挖掘(如前一节所述的过程变量方法所演示的那样)。

光谱学

化学计量学在管理为监测化学过程而收集的光谱学数据方面有很多用途，并且经常集成到分析工作流程中，以改善信号并将特征处理为有用的定量和定性信息。但是，典型的工艺系统需要升级。仪器系统的多变量校准是在仪器首次安装时进行的，但通常会因为仪器质量漂移或工艺条件变化而受到影响。
我们20年前的工作比今天做得更好。现在，对计算结果进行监控，但很少或根本不考虑处理中固有的任何质量诊断。这种情况因缺乏培训而加剧:显然，这是一种需要避免的费用和时间投入。
化学计量学处理已经取得了进展，并将一些简单的概念集成到通信回路中，校准程序可以简化和自动化。集成光谱测量是可能的，其简单程度几乎与我们放置简单温度传感器的努力相同。

结论

经常被引用的一句话“你不能控制你不测量的东西”很容易导致“测量的质量决定了控制的质量”。我们可以进一步将测量质量分解为两个子部分:1)测量的精度和特异性;2)我们用来从这些数据中提取信息内容的系统。在油气加工行业，我们有三个主要的数据来源，单变量传感器(通常是温度、压力、流量和液位)、光谱仪(主要是光学)和色谱仪(主要是气相色谱)。
每一个数据源类别都需要一个校准步骤才能进入多元控制的世界。
•对于过程变量的集合，我们期望模型持续很长时间;大多数的异常警告都与单个传感器的故障有关。
•在色谱中，使用基于相关的化学计量校准解决了大部分变异性，使这些分析仪的校准要求大大降低，并使我们有机会实现仪器的互换性和仪器之间甚至植物之间的通用解释基础仪器。
•尽管光谱分析长期以来一直与多元分析联系在一起，但很少有公司利用可以简化校准、减轻维护负担、提高模型质量以减少对不同操作人员经验水平的依赖的工具。
本文讨论了信息提取过程以及如何利用化学计量分析更快速和自动地评估数据。这种分析的输出是客观的，可以验证的，并且是一种通用的方法。这样做的好处是简化了程序，为分析人员腾出时间来执行其他任务。如果我们希望这一切都能奏效，我们就需要投资新技术;我们不能像过去那样做事了。想想我们部署了多少具有相同功能的分析仪;我们需要在全球范围内管理它们。化学计量工具是现成的，可以促进这一管理任务，并将与大多数计算机感知的遗留设备一起工作。这确实使得向多元的过渡基本上是免费的，并使我们迈出了一大步，超越了当前的分析仪维护“工业物联网”专注于简单地数字化纸质控制图。它还可以简化和简化校准过程，并提供一个客观的、自动化的评估系统。