石油和天然气行业中预测性SPC的威力

本文最初出现在The Minitab Blog

石油和天然气行业涉及持续产出的资本密集型过程。原油等原材料被大规模转化为石油产品，这使得过程控制变得至关重要。原材料的化学和物理性质往往具有很大的可变性，这可能会对过程输出产生显著的影响。工程师倾向于利用科学原理和经验来确定可能产生预期结果的工艺设置；然而，这种做法可能会不成功。统计过程控制图(SPC)对于指示变得不稳定的过程非常有用。使用SPC来提醒工艺转变的不利之处在于，可疑产品会同时产生。

制造商将检验原材料的大部分责任转移给了供应商。在收到材料之前，通常是在材料使用前几天或几周，将认证发送给客户是很常见的。如果供应商信息可用于在流程执行前预测流程转变，以考虑缓解措施，情况会怎样？本文解释了如何使用流程模型的操作部署来创建用于此目的的预统计流程图。还有许多其他行业的流程涉及资本密集型设备、连续流程和包含显著变化的原材料。食品、营养补充品和化学品的制造是可以从利用预测性SPC中获益的一些示例行业。

随着Minitab的最新发展，建模技术变得非常强大和易于使用。许多组织使用过程模型进行开发和改进。根据供应商测量和流程输入(由技术人员控制)创建流程模型，以确定与关键输出的关系。工程师找到正确的输入数量和模型类型，以便对输出做出合理的预测。该模型部署在模型操作并连接到新的数据流来进行预测。根据模型预测创建SPC图表，并监控其稳定性。如果识别出不利的趋势，则审查该模型以找到可以被操纵以减轻该趋势的过程变量。所有这些工作都在流程执行之前完成，这对于最小化质量风险非常有效。

该示例涉及16个连续变量，其中一个是由原材料发货前发送的供应商认证提供的度量。有离散变量，包括用于处理的单位和两个主要设置。利用逐步变量选择，从478行历史处理数据中创建了具有良好拟合性(r-square ~ 67%)的线性多元回归模型。

响应优化图说明了最重要的预测变量的杠杆作用。供应商认证措施和初始压力具有陡峭的线性关系，因为值的微小变化会在关键响应中产生显著差异。冷却温度指示较小的响应，并且单位的变化看起来对关键响应有分组影响。

回归模型在预测历史数据的关键响应结果方面做得很好。工程师只需点击一下鼠标，就可以轻松地将模型从Minitab统计软件发布到ModelOps。

收集新数据，以便对关键输出进行预测。该数据包括来自供应商认证的测量值、设置的静态输入值，以及具有已知变化的过程变量的分布生成数据。加工温度是分布生成变量的一个例子。工程师知道过程点的实际温度会随着控制设置而变化。变量的参数是从设备制造商的过程测量点或技术规格创建的。从选定的分布计算变量，以获得实际的处理场景。这与蒙特卡洛模拟中使用的技术基本相同。

Minitab Connect轻松地每小时检索一次数据，并发送给模型运营部以获得预测。利用一个单独的移动范围控制图来监测趋势。确保使用历史参数计算统计控制限值非常重要；使用模拟数据来计算限值是不合适的。下图所示的预测SPC图说明了在最后3次观察之前的预期稳定过程。所有三个最终观察值都低于历史控制下限，如果不稳定的趋势持续下去，可能会产生质量问题。

工程团队审查过程模型，并确定初始压力很容易从90增加到120。模型优化器表明，控制设置的变化可能会减轻由于供应商认证措施的变化而导致的结果下降。在源数据表中完成对初始压力设置的建议更改，并重新启动Connect中的数据提取和制图。最终的图表确实提供了初始压力的变化减轻了供应商措施变化的负面影响的信息。

SPC的概念包括对导致不稳定的变化趋势的及时反应。不稳定的过程包含质量风险，可能导致不合格或降级的材料。在流程执行前根据数据创建流程控制图的能力非常有价值，因为现在有可能在产生任何实际结果之前减轻不利趋势。在石油和天然气行业，由于所生产产品的数量和潜在收入，收益可能高达数百万美元。Minitab解决方案使创建和监控预测性SPC的过程成为质量管理的重要组成部分。

本文最初出现在Minitab博客上。

审核编辑 黄昊宇