کنترل کیفیت Realtime با ۱۴ مدل Soft-Sensor و کاهش وابستگی به آزمایشگاه آفلاین

زمینه پروژه

این مجتمع پتروشیمی بزرگ با چند واحد تولید پیوسته و ظرفیت سالانه چندصدهزار تن، کیفیت محصول نهایی را تنها از طریق نمونه‌برداری آزمایشگاهی آفلاین کنترل می‌کرد. فاصله زمانی میان نمونه‌برداری تا گزارش، کشف انحراف را با ۴ تا ۸ ساعت تأخیر مواجه می‌کرد.

چالش

• کنترل کیفیت صرفاً به آزمایشگاه آفلاین وابسته بود و کشف انحراف با ۴ تا ۸ ساعت تأخیر
• نبود اندازه‌گیری برخط برای مشخصه‌های کلیدی کیفیت (melt index، خلوص)
• داده DCS ثانیه‌ای و داده Lab چندساعتی همگام‌سازی نشده بودند
• تنظیمات setpoint محافظه‌کارانه و دستی که انرژی و mass yield را قربانی می‌کرد
• نبود یکپارچگی میان لایه کنترل (DCS) و MES برای علت‌یابی ریشه‌ای انحراف

معماری راهکار

یک لایه Advanced Process Control روی زیرساخت DCS موجود طراحی کردیم که ۱۴ مدل Soft-Sensor مبتنی بر ML مشخصه‌های کیفیت را برخط برآورد می‌کنند. این برآوردها از طریق GITA APC به موتور بهینه‌سازی setpoint و به MES تغذیه می‌شوند تا انحراف کیفیت پیش از وقوع شناسایی و اصلاح شود.

یکپارچه‌سازی‌ها

• OPC UA / OPC DA برای خواندن برخط tagهای فرایندی از DCS
• Modbus TCP برای تجهیزات و کنترلرهای جانبی
• OPC HDA و اتصال به Data Historian برای داده تاریخی
• REST/MQTT برای تبادل نتایج Soft-Sensor با MES و Dashboard
• ISA-95 برای یکپارچگی لایه کنترل و MES
• LIMS API برای دریافت خودکار نتایج آزمایشگاه و کالیبراسیون

فازهای پیاده‌سازی

1. 1

   فاز ۱ – جمع‌آوری و همگام‌سازی داده

   tagهای کلیدی DCS را از طریق OPC UA استخراج و با نتایج LIMS برچسب‌گذاری زمانی کردیم و dataset تاریخی پاک‌سازی‌شده با هم‌ترازی فرکانس ساختیم.

2. 2

   فاز ۲ – توسعه و اعتبارسنجی Soft-Sensorها

   ۱۴ مدل برای مشخصه‌های کلیدی توسعه و با داده held-out و آزمون موازی با Lab اعتبارسنجی شد.

3. 3

   فاز ۳ – استقرار APC و یکپارچگی با MES

   موتور APC ابتدا در حالت advisory و سپس closed-loop روی DCS مستقر و نتایج به MES برای ردگیری batch متصل شد.

4. 4

   فاز ۴ – پایش drift و بهینه‌سازی پیوسته

   بازآموزی دوره‌ای و پایش model drift فعال شد تا با تغییر شرایط خوراک، دقت Soft-Sensorها حفظ شود.