Development and implementation of strategies for process data fusion, modelling and control

Abstract

With the emergence of Industry 4.0 and the increasing availability of sensors and data acquisition systems, modern manufacturing processes are now generating large amounts of process data on a scale as never seen before. During the past few decades, the intense development of powerful data-driven methodologies for process analytics has demonstrated the importance of multivariate data analysis for this field. Still, new strategies inspired by current methodologies and yet to be developed will continuously be required to tackle new challenges posed by the digital revolution in process analytics. This thesis has been focused on the development and application of chemometric tools for process analytical technology (PAT) and includes approaches for process monitoring, modeling and control of batch processes. All the methodology proposed has been tested on real batch processes of diverse nature monitored with sensor of different typology. The chemometric tools developed in this thesis are meant to be used in two different contexts: a) process monitoring, modeling, and control using spectroscopic probes and process sensors, and b) process monitoring using hyperspectral images. In the context of process monitoring using spectroscopic probes and process sensors, different methodologies have been designed to handle information coming from synchronized and non-synchronized batch process data. For synchronized batch process data, new strategies for offline and online Multivariate Statistical Process Control (MSPC) have been designed. Offline MSPC models, meant to control complete batches, were built based on information coming from original sensor variables or from compressed spectral information, issued from multivariate exploratory and resolution analysis outputs. Online process control methodologies were based on the use of local MSPC models built exploring the effect of different designs of process time windows onto the capacity to discriminate between observations following normal operation conditions (NOC) and showing an abnormal behavior. For non-synchronized batch data, a novel batch synchronization-free online MSPC methodology for tracking process evolution and control was proposed based on the idea of a global batch process trajectory and the use of local MSPC models. A clear improvement of the results linked to all MSPC scenarios is linked to the use of new mid-level data fusion strategies. The novel contribution in this thesis is the extension of the idea of data fusion to incorporate both diverse sensor outputs and diverse model outputs issued from the same sensor, but related to different modeling tasks. These model outputs, which are much more specific than mere compressed scores, help significantly to tune the information introduced in the MSPC models and to a better interpretation of the sources of abnormal process behavior. The chemometric solutions proposed for process monitoring using hyperspectral images (HSI) were mainly oriented to take advantage of the spatial information of the

measurement for the qualitative and quantitative heterogeneity assessment in blending processes. The qualitative description of heterogeneity is linked to HSI unmixing analysis, which provides pure component distribution maps that offer a good visual representation of the evenness in the spatial distribution of the different materials in the blending formulation. The quantitative characterization of heterogeneity is obtained from the variographic analysis of the distribution maps and results in two indices: the Global Heterogeneity Index (GHI), related to the scatter of the individual pixel concentration values, and the Distributional Uniformity Index (DUI), describing the distributional heterogeneity, usually overlooked in traditional approaches, that expresses the evenness in the spatial distribution of the different materials forming a blend. These indices have been proven to be a powerful process analytical tool to characterize the heterogeneity in blending processes monitored atline and inline with NIR-HSI. For image-based inline process monitoring, an extension of this methodology, called SWiVIA (Sliding Window Variographic Image Analysis), has been adapted for the continuous assessment of heterogeneity in real-time blending process monitoring. The versatility of the SWiVIA methodology enables heterogeneity assessment at the time resolution and spatial scale of scrutiny required for the blending application of interest.

Amb l'arribada de la Indústria 4.0 i la creixent disponibilitat de sensors i sistemes d'adquisició de dades, els processos de fabricació moderns generen quantitats ingents de dades de procés a una escala mai vista. Durant les últimes dècades, el desenvolupament continuat de metodologies d'anàlisi de processos basades en la interpretació directa de la mesura ha confirmat la importància de l'anàlisi multivariant de dades en aquest camp. Tot i així, caldrà desenvolupar noves aproximacions inspirades en metodologies existents o encara per descobrir per afrontar els nous reptes que planteja la revolució digital en l'anàlisi de processos. Aquesta tesi s'ha centrat en el desenvolupament i aplicació d'eines quimiomètriques lligades a la tecnologia analítica de processos (PAT) per al seguiment, modelització i control de processos per lots. Tota la metodologia proposada ha estat provada en processos reals de diversa naturalesa monitorats amb sensors de diferents tipologies. Les eines quimiomètriques desenvolupades en aquesta tesi estan pensades per ser utilitzades en dos contextos diferents: a) el seguiment, modelització i control de processos mitjançant sondes espectroscòpiques i sensors de procés, i b) el seguiment de processos mitjançant imatges hiperespectrals.

En el context del monitoratge de processos mitjançant sondes espectroscòpiques i sensors de procés, s'han dissenyat diferents metodologies per gestionar la informació procedent de dades de procés per lots sincronitzats i no sincronitzats. Per a dades de lots sincronitzats, s'han dissenyat noves estratègies per al control estadístic multivariant de processos (MSPC, Multivariate Statistical Process Control) offline i online. Els models MSPC offline, destinats a controlar lots complets, es van construir a partir d'informació associada a variables originals de sensors o d'informació espectral comprimida, procedent de resultats de models d'anàlisi exploratòria i de resolució multivariant. Les metodologies de control de processos online es van basar en l'ús de models locals de MSPC construïts explorant l'efecte de diferents dissenys de finestres de temps de procés sobre la capacitat de discriminar observacions seguint condicions normals d’operació (NOC, Normal Operation Conditions) d’observacions amb un comportament anòmal. Per a les dades de lots no sincronitzats, es va proposar una nova metodologia MSPC online exempta de l’etapa de sincronització per fer un seguiment de l'evolució i el control del procés basada en l’ús d'una trajectòria global del procés per lots, que serveix per a la construcció de models locals de MSPC.

Una millora clara dels resultats associada a tots els escenaris de models MSPC està vinculada a l'ús de noves estratègies de fusió de dades de nivell intermedi (mid-level data fusion). La nova contribució d'aquesta tesi és l'extensió de la idea de fusió de dades a la incorporació tant de respostes de sensors diversos com de resultats de models multivariants obtinguts de respostes d’un mateix sensor, però relacionats amb

diferents tasques de modelització. Aquests resultats de models multivariants, que aporten informació molt més específica que els scores de PCA, per exemple, permeten una tria més acurada de la informació que s’introdueix en els models MSPC i faciliten una millor interpretació de les causes de comportaments anòmals en el procés. Les solucions quimiomètriques proposades per al seguiment de processos mitjançant imatges hiperespectrals (HSI, Hyperspectral Images) es van orientar principalment a aprofitar la informació espacial de la mesura per a l'avaluació qualitativa i quantitativa de l'heterogeneïtat en els processos de mescla. La descripció qualitativa de l'heterogeneïtat està vinculada al resultat de l’anàlisi de resolució multivariant de les dades HSI, que proporciona mapes de distribució de components purs que ofereixen una bona representació visual de la uniformitat en la distribució espacial dels diferents materials en la mescla estudiada. La caracterització quantitativa de l'heterogeneïtat s'obté de l'anàlisi variogràfica dels mapes de distribució i està basada en dos índexs: l'índex d'heterogeneïtat global (GHI, Global Heterogeneity Index), relacionat amb la dispersió dels valors de concentració dels píxels individuals, i l'índex d'uniformitat distribucional (DUI, Distributional Uniformity Index), que descriu l'heterogeneïtat distribucional, normalment ignorada en plantejaments tradicionals, que expressa el grau d’uniformitat en la distribució espacial dels diferents materials que formen una mescla. S'ha demostrat que aquests índexs són una eina PAT potent per caracteritzar l'heterogeneïtat dels processos de mescla seguits amb mesures discretes o en temps real mitjançant imatgeria hiperespectral d’infraroig proper (NIR-HSI). Per al seguiment de processos en temps real basat en imatges, s'ha adaptat una extensió d'aquesta metodologia, anomenada SWiVIA (Sliding Window Variographic Image Analysis – Anàlisi variogràfica d’imatges basada en finestres mòbils), per a l'avaluació en temps real de l'heterogeneïtat en el seguiment continu de processos. La versatilitat de la metodologia SWiVIA permet l'avaluació de l'heterogeneïtat amb la resolució temporal i l'escala espacial d'escrutini desitjada segons les característiques del procés de mescla estudiat.