Sản xuất lớp phủ và chất kết dính polyurethane

II. Công nghệ giám sát thời gian thực tiên tiến

Để vượt qua những thách thức vốn có trong sản xuất PU, việc chuyển đổi từ phương pháp thử nghiệm truyền thống trong phòng thí nghiệm sang giám sát trực tuyến theo thời gian thực là điều cần thiết. Mô hình mới này dựa trên một loạt các công nghệ cảm biến tiên tiến có thể cung cấp dữ liệu liên tục và hữu ích về các thông số quy trình quan trọng.

2.1. Giám sát đặc tính lưu biến trực tuyến

Các đặc tính lưu biến như độ nhớt và mật độ là yếu tố cơ bản quyết định sự thành công của phản ứng polyurethane. Chúng không chỉ đơn thuần là các đặc tính vật lý mà còn là những chỉ số trực tiếp của quá trình trùng hợp và liên kết ngang. Việc theo dõi các đặc tính này trong thời gian thực được thực hiện bằng cách sử dụng máy đo độ nhớt và máy đo mật độ tích hợp trong quy trình.

Các dụng cụ nhưLonngặp gỡerPolymerViscometerVàViscosicảm ơnChuyên nghiệpcessorCác thiết bị này được thiết kế để lắp đặt trực tiếp vào đường ống và lò phản ứng, cho phép đo liên tục độ nhớt, mật độ và nhiệt độ của chất lỏng. Chúng hoạt động dựa trên các nguyên lý như công nghệ càng rung, vốn rất bền, không cần bộ phận chuyển động và không bị ảnh hưởng bởi các rung động bên ngoài và sự thay đổi lưu lượng. Khả năng này cung cấp một phương pháp không phá hủy, theo thời gian thực để theo dõi quá trình trùng hợp. Ví dụ, tỷ lệ mol NCO/OH và sự hình thành các liên kết phân cực ảnh hưởng trực tiếp đến độ nhớt, làm cho nó trở thành một chỉ số đáng tin cậy cho tiến trình phản ứng. Bằng cách đảm bảo độ nhớt nằm trong phạm vi quy định, nhóm sản xuất có thể xác nhận rằng phản ứng đang diễn ra như mong muốn và kiểm soát việc bổ sung chất kéo dài chuỗi để đạt được trọng lượng phân tử và liên kết chéo mục tiêu. Sự kiểm soát chặt chẽ, theo thời gian thực này giúp cải thiện chất lượng sản phẩm và giảm lãng phí bằng cách ngăn chặn việc sản xuất các lô hàng không đạt tiêu chuẩn.

2.2. Phân tích quang phổ để xác định thành phần hóa học

Trong khi các đặc tính lưu biến cho biết trạng thái vật lý của vật liệu,phân tích quang phổ thời gian thựcPhương pháp này cung cấp sự hiểu biết sâu sắc hơn, ở cấp độ hóa học, về phản ứng. Quang phổ cận hồng ngoại (NIR) là một phương pháp vượt trội để liên tục theo dõi phản ứng cốt lõi bằng cách định lượng nồng độ isocyanate (%NCO) và các nhóm hydroxyl.

Phương pháp này thể hiện một bước tiến đáng kể so với phương pháp chuẩn độ trong phòng thí nghiệm truyền thống, vốn chậm và sử dụng hóa chất cần được xử lý đúng cách. Khả năng của hệ thống NIR thời gian thực trong việc giám sát nhiều điểm quy trình từ một máy phân tích duy nhất mang lại lợi thế đáng kể về hiệu quả và an toàn. Tỷ lệ NCO/OH không chỉ là một biến số quy trình; nó là yếu tố quyết định trực tiếp đến các đặc tính của sản phẩm cuối cùng, bao gồm độ bền kéo, mô đun đàn hồi và độ cứng. Bằng cách cung cấp dữ liệu liên tục, thời gian thực về tỷ lệ quan trọng này, cảm biến NIR cho phép điều chỉnh chủ động tốc độ cấp liệu. Điều này chuyển đổi quy trình kiểm soát từ phương pháp phản ứng, dựa trên lỗi sang chiến lược chủ động, chất lượng theo thiết kế, trong đó tỷ lệ NCO/OH chính xác được duy trì trong suốt phản ứng để đảm bảo kết quả chất lượng cao.

2.3. Phân tích điện môi (DEA) để giám sát trạng thái đóng rắn

Phân tích điện môi (DEA), còn được gọi là Phân tích nhiệt điện môi (DETA), là một kỹ thuật mạnh mẽ để theo dõi quá trình "đóng rắn trong khuôn mà không nhìn thấy được", vốn rất quan trọng đối với chất lượng sản phẩm cuối cùng. Nó đo trực tiếp sự thay đổi độ nhớt và trạng thái đóng rắn của vật liệu bằng cách áp dụng điện áp hình sin và đo sự thay đổi về độ linh động của các hạt mang điện (ion và lưỡng cực). Khi vật liệu đóng rắn, độ nhớt của nó tăng lên đáng kể, và độ linh động của các hạt mang điện này giảm xuống, cung cấp một thước đo trực tiếp, định lượng được về tiến trình đóng rắn.

DEA có thể xác định chính xác điểm tạo gel và thời điểm kết thúc quá trình đóng rắn, ngay cả đối với các hệ thống đóng rắn nhanh. Nó cung cấp một cái nhìn chi tiết bổ sung cho các công nghệ khác. Trong khi máy đo độ nhớt nội tuyến đo độ nhớt tổng thể của vật liệu, cảm biến DEA cung cấp thông tin chi tiết về sự tiến triển ở cấp độ hóa học của phản ứng liên kết ngang. Sự kết hợp của mộtmáy đo độ nhớt nội tuyến(đo lường)kết quảcủa phương pháp chữa trị) và một cảm biến DEA (đo lườngsự tiến triển(của quá trình chữa trị) cung cấp một cái nhìn toàn diện, hai cấp độ về quy trình, cho phép kiểm soát và chẩn đoán chính xác cao. DEA cũng có thể được sử dụng để theo dõi hiệu quả của các chất phụ gia và chất độn khác nhau.

Việc so sánh các công nghệ này cho thấy tính chất bổ sung cho nhau của chúng. Không một cảm biến nào có thể cung cấp bức tranh hoàn chỉnh về phản ứng PU phức tạp. Một giải pháp toàn diện đòi hỏi sự tích hợp nhiều cảm biến để theo dõi đồng thời các tính chất vật lý và hóa học khác nhau.

Bảng 2.1: So sánh các công nghệ giám sát trực tuyến tiên tiến cho sản xuất PU

III. Các khung mô hình dự báo định lượng

Các luồng dữ liệu phong phú từ các công nghệ giám sát tiên tiến là điều kiện tiên quyết cho quá trình số hóa, nhưng giá trị thực sự của chúng chỉ được phát huy khi được sử dụng để xây dựng các mô hình dự đoán định lượng. Các mô hình này chuyển đổi dữ liệu thô thành những thông tin chi tiết có thể hành động được, cho phép hiểu sâu hơn về quy trình và chuyển hướng sang tối ưu hóa chủ động.

3.1. Mô hình hóa động học hóa lưu biến và quá trình đóng rắn

Việc chỉ thu thập dữ liệu từ cảm biến là chưa đủ để đạt được sự kiểm soát quy trình thực sự; dữ liệu phải được sử dụng để xây dựng mô hình giải thích hành vi cơ bản của phản ứng hóa học. Các mô hình động học hóa học và động học đóng rắn liên kết sự chuyển đổi hóa học với các thay đổi vật lý, chẳng hạn như sự tăng độ nhớt và thời gian tạo gel. Các mô hình này đặc biệt có giá trị đối với các hệ thống đóng rắn nhanh, nơi tính chất nhất thời của hiện tượng khiến việc phân tích truyền thống trở nên khó khăn.⁵

Các phương pháp đẳng chuyển đổi, còn được gọi là phương pháp không dựa trên mô hình, có thể được áp dụng cho dữ liệu không đẳng nhiệt để dự đoán động học phản ứng của nhựa đông cứng nhanh. Các mô hình này liên quan đến phân tích nhiệt-hóa-lưu biến học kết hợp chặt chẽ, có nghĩa là chúng xem xét sự tương tác giữa nhiệt độ, thành phần hóa học và tính chất dòng chảy của vật liệu. Bằng cách xây dựng một mô hình toán học cho toàn bộ phản ứng, các mô hình này vượt ra ngoài việc giám sát đơn giản để cung cấp sự hiểu biết thực sự về quy trình. Chúng có thể dự đoán độ nhớt sẽ thay đổi như thế nào theo thời gian đối với một hồ sơ nhiệt độ nhất định, hoặc sự thay đổi trong chất xúc tác sẽ làm thay đổi tốc độ phản ứng ra sao, cung cấp một công cụ tinh vi để kiểm soát và tối ưu hóa.

3.2. Phân tích hóa lượng và hồi quy đa biến

Sản xuất polyurethane là một quá trình đa biến, trong đó nhiều yếu tố tương tác với nhau để quyết định chất lượng sản phẩm cuối cùng. Phương pháp thí nghiệm truyền thống chỉ sử dụng một yếu tố tốn nhiều thời gian và không thể nắm bắt được mối quan hệ phức tạp, phi tuyến tính giữa các biến số. Các kỹ thuật hóa học thống kê, chẳng hạn như hồi quy bình phương tối thiểu từng phần (PLS) và phương pháp bề mặt đáp ứng (RSM), được thiết kế để giải quyết thách thức này.

Hồi quy bình phương tối thiểu từng phần (PLS) là một kỹ thuật rất phù hợp để phân tích các tập dữ liệu lớn, có tương quan cao, chẳng hạn như dữ liệu được tạo ra bởi máy quang phổ NIR thời gian thực. PLS giảm bớt vấn đề từ một số lượng lớn các biến có liên quan đến nhau xuống một số lượng nhỏ các yếu tố được trích xuất, làm cho nó trở nên tuyệt vời cho mục đích dự đoán. Trong bối cảnh sản xuất polyurethane, PLS có thể được sử dụng để chẩn đoán các vấn đề trong quy trình và tiết lộ cách các biến chất lượng thay đổi theo không gian trong sản phẩm.

Phương pháp bề mặt đáp ứng (RSM) là một phương pháp toán học và thống kê mạnh mẽ, đặc biệt hữu ích cho việc mô hình hóa và tối ưu hóa các điều kiện thí nghiệm. RSM cho phép phân tích tác động tổng hợp của nhiều yếu tố—như tỷ lệ NCO/OH, hệ số kéo dài chuỗi và nhiệt độ đóng rắn—lên một biến đáp ứng mong muốn như độ bền kéo. Bằng cách đặt các điểm thí nghiệm một cách chiến lược trong các vùng quan trọng, RSM có thể mô tả chính xác các mối quan hệ phi tuyến tính và tác động tương tác giữa các yếu tố. Một nghiên cứu đã chứng minh hiệu quả của phương pháp này, với một mô hình dự đoán các đặc tính cuối cùng với sai số chính xác ấn tượng chỉ 2,2%, cung cấp một bằng chứng xác thực thuyết phục về phương pháp luận. Khả năng lập bản đồ toàn bộ "bề mặt đáp ứng" cho một chỉ số chất lượng cho phép kỹ sư xác định sự kết hợp tối ưu của tất cả các yếu tố cùng một lúc, dẫn đến một giải pháp vượt trội.

3.3. Mô hình song sinh kỹ thuật số của quy trình sản xuất

Mô hình song sinh kỹ thuật số là một bản sao ảo, năng động của một tài sản, hệ thống hoặc quy trình vật lý. Trong sản xuất hóa chất, bản sao này được vận hành bởi dữ liệu thời gian thực từ các cảm biến IoT và các mô hình dự đoán. Nó đóng vai trò như một mô phỏng sống động, có độ chính xác cao của dây chuyền sản xuất. Giá trị thực sự của mô hình song sinh kỹ thuật số nằm ở khả năng cung cấp một môi trường rủi ro thấp cho việc tối ưu hóa có tính rủi ro cao.

Sản xuất polyurethane là một quy trình tốn kém do nguyên liệu thô đắt tiền và tiêu thụ năng lượng cao. Do đó, việc tiến hành các thí nghiệm vật lý để tối ưu hóa quy trình là một nỗ lực rủi ro cao và tốn kém. Mô hình song sinh kỹ thuật số giải quyết trực tiếp thách thức này bằng cách cho phép các kỹ sư chạy hàng ngàn kịch bản "nếu như" trên mô hình ảo mà không tiêu tốn bất kỳ nguyên liệu thô hoặc thời gian sản xuất nào. Khả năng này không chỉ đẩy nhanh thời gian đưa sản phẩm mới ra thị trường mà còn giảm đáng kể chi phí và rủi ro của việc tối ưu hóa quy trình. Hơn nữa, mô hình song sinh kỹ thuật số có thể thu hẹp khoảng cách giữa các công nghệ kỹ thuật số mới và các hệ thống cũ bằng cách tích hợp dữ liệu thời gian thực từ cơ sở hạ tầng hiện có, cung cấp một môi trường kỹ thuật số thống nhất mà không cần phải đại tu rộng rãi.

IV. Trí tuệ nhân tạo/Học máy trong điều khiển quy trình và phát hiện bất thường

Các mô hình dự đoán chuyển đổi dữ liệu thành sự hiểu biết, nhưng trí tuệ nhân tạo (AI) và học máy (ML) tiến thêm một bước nữa: chuyển đổi sự hiểu biết thành hành động tự động và điều khiển thông minh.

4.1. Hệ thống phát hiện bất thường và lỗi

Các hệ thống điều khiển quy trình truyền thống dựa vào các ngưỡng cố định, được mã hóa cứng để kích hoạt cảnh báo. Cách tiếp cận này dễ xảy ra lỗi, vì nó có thể không phát hiện được những sai lệch dần dần vẫn nằm trong phạm vi chấp nhận được hoặc có thể tạo ra các cảnh báo gây phiền nhiễu làm giảm sự nhạy cảm của người vận hành. Phát hiện bất thường dựa trên trí tuệ nhân tạo (AI) đại diện cho một sự thay đổi mô hình đáng kể. Các hệ thống này được huấn luyện trên dữ liệu lịch sử để học các mô hình hoạt động bình thường của một quy trình. Sau đó, chúng có thể tự động xác định và gắn cờ bất kỳ sự sai lệch nào so với mô hình đã học này, ngay cả khi một tham số chưa vượt qua ngưỡng cố định.

Ví dụ, sự gia tăng dần dần nhưng ổn định về độ nhớt trong một khoảng thời gian cụ thể, mặc dù vẫn nằm trong phạm vi chấp nhận được, có thể là dấu hiệu báo trước của một vấn đề sắp xảy ra mà hệ thống truyền thống sẽ bỏ sót. Hệ thống phát hiện bất thường bằng trí tuệ nhân tạo (AI) sẽ nhận ra đây là một mô hình bất thường và đưa ra cảnh báo sớm, cho phép nhóm thực hiện các biện pháp chủ động để ngăn ngừa lô hàng bị lỗi. Khả năng này giúp tăng cường đáng kể việc kiểm soát chất lượng bằng cách phát hiện các sai lệch so với thông số kỹ thuật mong muốn, giảm nguy cơ sản phẩm lỗi và đảm bảo tuân thủ các tiêu chuẩn.

4.2. Bảo trì dự đoán cho các tài sản quan trọng

Thời gian ngừng hoạt động ngoài kế hoạch là một trong những chi phí đáng kể nhất trong sản xuất công nghiệp. Các chiến lược bảo trì truyền thống hoặc là phản ứng ("sửa chữa khi hỏng") hoặc dựa trên thời gian (ví dụ: thay bơm sáu tháng một lần, bất kể tình trạng của nó). Bảo trì dự đoán, được hỗ trợ bởi các mô hình học máy, cung cấp một giải pháp thay thế vượt trội hơn nhiều.

Bằng cách liên tục phân tích dữ liệu thời gian thực từ các cảm biến (ví dụ: độ rung, nhiệt độ, áp suất), các mô hình này có thể xác định các dấu hiệu sớm của sự xuống cấp thiết bị và dự báo khả năng hỏng hóc. Hệ thống có thể cung cấp "dự báo thời gian hỏng hóc", cho phép nhóm lên kế hoạch sửa chữa trong thời gian ngừng hoạt động đã được lên kế hoạch trước đó vài tuần hoặc thậm chí vài tháng. Điều này giúp loại bỏ thời gian ngừng hoạt động tốn kém do sự cố bất ngờ và cho phép lập kế hoạch tốt hơn về nhân lực, phụ tùng và hậu cần. Lợi tức đầu tư (ROI) cho phương pháp này là đáng kể và được ghi nhận rõ ràng trong các nghiên cứu điển hình. Ví dụ, một nhà máy lọc dầu đã đạt được ROI gấp 3 lần bằng cách triển khai chương trình kiểm tra chủ động, trong khi một công ty dầu khí đã tiết kiệm được hàng triệu đô la với hệ thống cảnh báo sớm phát hiện các bất thường của thiết bị. Những lợi ích tài chính hữu hình này chứng minh cho việc chuyển đổi từ chiến lược bảo trì phản ứng sang chiến lược bảo trì dự đoán.

4.3. Kiểm soát chất lượng dự đoán

Kiểm soát chất lượng dự đoán về cơ bản thay đổi vai trò của đảm bảo chất lượng từ việc kiểm tra sau sản xuất thành một chức năng chủ động, trong suốt quá trình sản xuất. Thay vì chờ sản phẩm cuối cùng được kiểm tra các đặc tính như độ cứng hoặc độ bền kéo, các mô hình học máy có thể liên tục phân tích dữ liệu quy trình theo thời gian thực từ tất cả các cảm biến để dự đoán, với độ tin cậy cao, các thuộc tính chất lượng cuối cùng sẽ như thế nào.

Mô hình dự đoán chất lượng có thể xác định sự tương tác phức tạp giữa chất lượng nguyên liệu thô, thông số quy trình và điều kiện môi trường để xác định các thiết lập sản xuất tối ưu nhằm đạt được kết quả mong muốn. Nếu mô hình dự đoán sản phẩm cuối cùng sẽ không đạt tiêu chuẩn (ví dụ: quá mềm), nó có thể cảnh báo người vận hành hoặc thậm chí tự động điều chỉnh thông số quy trình (ví dụ: tốc độ cấp chất xúc tác) để khắc phục sai lệch trong thời gian thực. Khả năng này không chỉ giúp ngăn ngừa khuyết tật trước khi chúng xảy ra mà còn đẩy nhanh quá trình nghiên cứu và phát triển bằng cách cung cấp dự đoán nhanh hơn về các đặc tính và xác định các mô hình tiềm ẩn trong dữ liệu. Cách tiếp cận này là một yêu cầu chiến lược đối với các nhà sản xuất đang tìm cách tối đa hóa năng suất và cải thiện hiệu quả hoạt động.