Métodos estadísticos multivariados para monitoreo y control de procesos. Aplicación a procesos de polimerización

Abstract

En este trabajo se desarrollan y evalúan técnicas estadísticas multivariadas basadas en regresión por mínimos cuadrados parciales (PLSR) para monitoreo de procesos industriales. Inicialmente, se presenta una metodología para construir y evaluar un sensor algorítmico PLSR capaz de monitorear adecuadamente la producción industrial de caucho estireno-butadieno (SBR), ofreciendo una guía para desarrollos similares. A continuación, se extiende el modelado PLSR para obtener una descomposición en línea de las mediciones con estadísticos específicos y herramientas diagnósticas asociadas. Esto, a su vez, derivo en una técnica capaz de: i) detectar anomalías (mediante un índice global que combina estadísticos específicos sin solapar sus dominios de aplicación), ii) clasificarlas en una de seis clases, e iii) identificar las variables perturbadas. Esta técnica se validó simulando procesos estáticos y dinámicos, particularmente, simulando la operación de un reactor químico controlado. También se desarrollo una técnica de monitoreo inferencial de calidad multivariada no medible en línea, que incluye un límite de control multivariado modificado por las especificaciones. La misma detecta y diagnostica fallas (particularmente producción fuera de especificación), y reconstruye lecturas defectuosas para mejorar la predicción. Dicha técnica se aplico al proceso SBR industrial. Luego, se comparó analítica y numéricamente PLSR con análisis de componentes principales (PCA), describiéndose propiedades geométricas relacionadas. Principalmente, se presentan equivalencias entre sus modelos latentes, sus modelos predictivos, sus estadísticos y sus técnicas diagnosticas. También se definen y evalúan factores de similitud basados en PLSR y PCA. Finalmente, se derivó una técnica de monitoreo de procesos fuertemente no-lineales basada en Kernel-PLS.

In this work, multivariate statistical techniques based on partial least squares regression (PLSR) are developed and evaluated for industrial process monitoring. Initially, it is presented a PLSR methodology to build and evaluate a soft-sensor, capable of monitoring properly the industrial production of styrene-butadiene rubber (SBR), providing a guide for similar developments. Then, the PLSR modeling is extended to obtain an online decomposition of the measurements with specific statistics and associated diagnostic tools. This led to a technique capable of: i) detecting anomalies (using a global index that combines specific statistics without overlapping their application domains), ii) classifying anomalies into one of six classes, and iii) identifying the disturbed variables. The technique is validated simulating dynamic and static processes, in particular, the operation of a controlled chemical reactor. Furthermore, it is developed an inferential monitoring technique of (unmeasurable online) multivariate quality, which includes a multivariate control limit modified by the specifications. This detects and diagnoses faults (particularly off-specification production), and reconstructs faulty readings to improve the prediction. This technique is applied to an industrial SBR process. Then, it is analytically and numerically compared PLSR with principal component analysis (PCA), describing related geometric properties. Mainly, it is presented equivalences between: their latent models, their predictive models, their statistics and their diagnostic techniques. Furthermore, similarity factors based on PLSR and PCA are defined and evaluated. Finally, it is derived a strongly nonlinear process monitoring technique based on kernel-PLS.