Description
One of the key issues in petrochemical industry is the high amount of time-consuming laboratory (off-line) analyses performed every day. However, these analyses are crucial for the control of the final product quality over time and for the detection of possible plant faults. In this context, to reduce operators’ effort and chemical wastes and to perform a quick detection of deviations from normal operation conditions, models able to predict in real time the quality parameters of the final products are needed. The main objective of the current study was to apply different multiblock regression approaches, fusing NIR and process sensors data, to compute real time monitoring models for the prediction of two Acrylonitrile-Butadiene-Styrene (ABS) properties. Along the ABS production plant, operating in continuous, four NIR probes were installed on-line in the key areas of the process, in addition to standard process sensors. The data coming from these two types of sensors were arranged in different blocks, one for each area of the process, and fused in a single dataset. Both Multiblock-PLS (MB-PLS) and Response-Oriented Sequential Alternation (ROSA) (Liland et al., 2016) methods were explored to evaluate which were the most important sensors and plant areas for the prediction of the two quality parameters. Multiple prediction models were computed considering data acquired by sensors present in different process areas. Good prediction performance was obtained by means of both multiblock methods that allowed to identifying the most relevant blocks of data for the prediction of ABS quality. Furthermore, prediction yielded by errors models constructed without involving data blocks belonging to the final stage of the process were comparable to those obtained considering all the available data blocks. Hence, a good real time estimation of the ABS quality can be achieved before the product is completed, drastically reducing the off-line laboratory analysis.
Uno dei maggiori problemi nell'industria petrolchimica è l'elevata quantità di analisi di laboratorio eseguite ogni giorno. Tuttavia, queste analisi sono fondamentali per il controllo della qualità del prodotto finito e per la rilevazione di eventuali guasti dell'impianto. Per ridurre gli sprechi ed il carico di lavoro degli operatori, e per effettuare una rapida rilevazione degli scostamenti dalle condizioni operative standard, sono necessari modelli in grado di prevedere in tempo reale la qualità dei prodotti. L'obiettivo del presente lavoro è l’applicazione di diversi approcci di regressione multiblocco a spettri NIR e dati di sensori di processo per calcolare modelli di monitoraggio per la predizione in tempo reale di due proprietà del polimero acrilonitrile-butadiene-stirene (ABS). Lungo l'impianto produttivo dell'ABS, che opera in continuo, sono state installate on-line quattro sonde NIR nelle aree chiave del processo, oltre ai sensori di processo standard. Queste due tipologie di dati sono state organizzate in blocchi diversi, uno per ciascuna area del processo, e fusi in un unico set di dati. I metodi Multiblock-PLS (MB-PLS) e Response-Oriented Sequential Alternation (ROSA) (Liland et al., 2016) sono stati esplorati per valutare quali fossero i sensori e le aree d’impianto più importanti per la predizione dei parametri di qualità. Sono stati calcolati diversi modelli predittivi considerando i dati acquisiti dai sensori presenti in diverse aree di processo. Sono state ottenute buone prestazioni in predizione mediante entrambi i metodi che hanno consentito di identificare i blocchi di dati più rilevanti per la predizione della qualità dell'ABS. Inoltre, gli errori di predizione ottenuti da modelli costruiti senza considerare i blocchi appartenenti alla fase finale del processo sono paragonabili a quelli ottenuti considerando tutti i blocchi disponibili. È quindi possibile ottenere una buona stima in tempo reale della qualità dell'ABS prima del completamento del prodotto, riducendo drasticamente il numero di analisi di laboratorio.
Keywords: polymer quality prediction; low-level data fusion; multiblock-partial least squares, (MB-PLS); response-oriented sequential alternation (ROSA); multivariate statistical process control; real-time monitoring.
REFERENCES
Liland, K.H., Næs, T., Indahl, U.G., 2016. ROSA—A fast extension of partial least squares regression for multiblock data analysis. J. Chemom., 30, 651–662.
