石油和天然气行业涉及持续输出的资本密集型过程。原材料（如原油）大规模转化为石油产品使过程控制变得至关重要。原材料的化学和物理性质往往会发生很大的变化，这可能会对过程输出产生显著影响。工程师往往会利用科学原理和经验来确定可能产生预期结果的过程设置；然而，这样的做法可能时好时坏。对于标记变得不稳定的过程，统计过程控制图 (SPC) 非常有用。使用 SPC 发出过程偏移提醒的一个缺点是会同时产生可疑产品。
制造商会将保证原材料合格的大部分责任转移给供应商。一般在收到材料之前，向客户发送认证。通常是在使用材料的前几天或前几周。如果在过程执行之前，可以使用供应商信息来预测过程偏移，从而允许采取缓解措施，结果会如何？本文解释了如何使用过程模型的运营部署来创建用于实现此目的的预统计过程图。还有许多其他行业的过程涉及资本密集型设备、连续流以及具有显著变化的进厂原材料。例如，食品、营养补充剂和化学品制造业可以从使用预测性 SPC 中受益。
随着 Minitab 增加新的开发功能，建模技术变得非常强大而且易于使用。许多组织使用过程模型进行开发和改进。根据供应商测量和过程输入（由技术人员控制）创建过程模型，以确定与关键输出的关系。工程师找到正确的输入数量和为实现良好拟合所需的模型类型，以便对输出进行合理的预测。模型部署在 ModelOps 中，并连接到新数据流以进行预测。根据模型预测创建 SPC 图表，并对模型稳定性进行监控。如果发现了不利趋势，则对模型进行审查，以找出可通过操控来缓解不利趋势的过程变量。所有这些工作都在过程执行之前完成，这对于尽可能降低质量风险非常有效。
该示例涉及 16 个连续变量，其中一个变量是由原材料发货前发送的供应商认证提供的测量。该示例中还存在离散变量（包括用于处理的单位，以及两个主要设置）。利用逐步变量选择（表 A），从 478 行历史处理数据中创建具有良好拟合（r 平方 ~ 67%）的线性多元回归模型。
表 A
响应优化器图（图 1）说明了最重要的预测变量的作用。供应商认证测量与初始压力之间具有陡峭的线性关系，因为值的微小变化会让关键响应产生显著差异。冷却温度表明响应较小，单位变化似乎对关键响应产生分组影响。
图 1
回归模型能够很好地预测历史数据的关键响应结果。工程师只需单击一下，就可以从 Minitab Statistical Software 轻松地将模型发布到 ModelOps（图 2）。
图 2
收集新数据，以便对关键输出进行预测。这些数据包括来自供应商认证的测量、用于设置的静态输入值以及已知变异的过程变量的分布生成数据。处理温度是分布生成变量的一个示例。工程师知道过程点的实际温度会随控制设置的不同而变化。变量的参数是根据过程点测量值或设备制造商的技术规范创建。根据所选的分布对变量进行计算，以获得实际处理场景。这与 Monte Carlo 模拟中使用的技术基本相同。
Minitab Connect 每小时轻松检索一次数据，并将数据发送给 Model Ops 以获取预测结果。利用单值和移动极差控制图来监控趋势。确保使用历史参数来计算统计控制限是非常重要的；使用模拟数据来计算限制是不合适的。图 3 中所示的预测性 SPC 图表明，在最后 3 个观测值之前，过程稳定，符合预期。最后 3 个观测值均低于历史控制限，如果不稳定趋势持续，可能会造成质量问题。
图 3
工程团队对过程模型进行审查，并确定初始压力很容易从设定值 90 增加到 120。模型优化器表明，控制设置的变更可能会降低由于供应商认证测量的变更而导致的结果下降。在源数据表中对初始压力设置完成建议变更，并重新启动 Connect 中数据提取和图表。所得到的图表（图 4）提供的信息的确表明，初始压力的变更缓解了由于供应商测量发生改变而产生的负面影响。
图 4
SPC 概念涉及对导致不稳定的偏移趋势做出及时反应。不稳定的过程涉及质量风险，这可能导致材料不合格或降级。在执行过程之前根据数据创建过程控制图的能力极其有用，从而可以缓解不利趋势，避免产生任何实际影响。在石油和天然气行业，由于生产的产品量和潜在收入，其收益可能高达数百万美元。Minitab 解决方案很容易使创建和监控预测性 SPC 的过程成为质量管理的一个重要部分。