CETTE HISTOIRE EST EN ATTENTE D'APPROBATION DU CLIENT. CONSIDÉREZ QUE LA SOCIÉTÉ EST CONFIDENTIELLE. NE PAS DIVULGUER.
Conduire vers un meilleur pneu
Chez Michelin, l'expérimentation multifactorielle crée des gains d'efficacité clés en R&D. Cette innovation pourrait bien débloquer les futurs processus chimiques nécessaires à un pneu 100 % durable
_____________________________________________________________________________________
Défi: Alors que Michelin s'efforce d'atteindre des objectifs ambitieux de durabilité environnementale pour son portefeuille de pneus, il est devenu évident que le plan d'expériences (DOE) classique ne suffit plus au rythme impératif de l'innovation. Pour accélérer le développement de procédés chimiques et réduire les coûts associés à l'expérimentation, l'entreprise a cherché à surmonter les inefficacités créées par leur dépendance à une boîte à outils inadéquate.
La solution: Reconnaissant la nécessité de créer des économies d'échelle, la direction technique de Michelin a donné son feu vert à la proposition de Florent Mathieu, ingénieur procédé sur le site de l'entreprise en Auvergne-Rhône-Alpes, France, d'octroyer une licence au logiciel de découverte statistique JMP®. "Les fonctionnalités DOE offertes par JMP sont beaucoup plus efficaces que d'autres outils", explique-t-il, ajoutant qu'en plus de rationaliser la gestion et l'exploration des données, le logiciel permet désormais aux ingénieurs et aux scientifiques d'optimiser une multitude de variables expérimentales avec des interactions complexes.
Résultats: Depuis sa mise en œuvre, JMP a aidé les équipes d'ingénierie à atteindre une optimisation multi-objectifs ; par exemple, atteindre la plus longue durée de vie possible des pneus tout en maximisant l'adhérence. Mathieu déclare : "Depuis que nous avons commencé à utiliser JMP, le nombre d'expériences dont nous avons besoin a été considérablement réduit, tout comme le coût associé à ces expériences."
_____________________________________________________________________________________
En plus de ses objectifs ambitieux de réduction des émissions de ses opérations logistiques et de fabrication, le groupe Michelin a annoncé en 2021 qu'il réduirait de 70 % les émissions de CO2 liées aux matières premières, augmenterait l'efficacité énergétique de son portefeuille de produits (10 % d'ici 2030) et fabriquerait un pneu entièrement durable d'ici 2050. De tels objectifs, bien qu'atteignables, nécessiteront une innovation sans précédent – une réalité à laquelle l'entreprise n'a pas hésité.
Alors que Michelin cherche à remplacer tous les matériaux fossiles par les substituts de biomatériaux désormais disponibles via les chaînes d'approvisionnement émergentes, l'entreprise a également adopté des solutions créatives pour accroître l'efficacité et accélérer le développement. En R&D, les personnes chargées de créer les futurs processus chimiques nécessaires à la production d'un pneu 100 % durable considèrent que l'engagement de l'entreprise en faveur de la durabilité environnementale va de pair avec un changement radical de la culture analytique.
Des procédés chimiques innovants pour un pneu 100% durable
Lorsque Florent Mathieu, PhD, a rejoint Michelin pour la première fois en 2021, il a bien compris le cahier des charges - mettre en place des procédés chimiques pour produire des matières premières entièrement biosourcées - et ce qui serait nécessaire pour y parvenir. Expert dans la construction de stratégies d'intensification de processus basées sur des conceptions expérimentales non linéaires, Mathieu est venu dans l'industrie du pneumatique après avoir travaillé dans les sciences de la vie où il avait conçu un procédé de synthèse de globules rouges artificiels pour la startup de biotechnologie EryPharm.
Intégré à une équipe d'ingénierie des procédés chimiques sur le site de Michelin à Clermont-Ferrand, Auvergne-Rhône-Alpes, France, Mathieu a commencé par faire le point sur les flux de données existants pour identifier les opportunités d'amélioration stratégique qui pourraient introduire un nouveau niveau d'efficacité dans l'organisation R&D. . « L'analyse statistique nous permet d'être plus objectifs dans tout ce que nous faisons », dit-il.
« Je crois fermement que toutes les données que nous capturons – qu'il s'agisse de données de processus historiques ou autres – sont très importantes pour comprendre [la science] et les phénomènes que nous observons. Il est désormais possible d'accéder à de plus en plus de données, nous avons donc absolument besoin d'outils plus efficaces pour gérer ces données, ainsi que pour les analyser, les explorer et les modéliser.
Un agent de changement plaide pour des capacités statistiques améliorées
Alors que l'équipe d'ingénierie des procédés de Michelin disposait déjà d'un ensemble de bonnes pratiques statistiques, Mathieu a vu une opportunité de créer des efficacités transformatrices en passant d'un plan d'expériences (DOE) classique à un DOE moderne et en mettant en œuvre l'automatisation pour créer des économies d'échelle. Augmenter la capacité statistique de l'ensemble de l'organisation à première vue semblait un objectif ambitieux, dit-il, mais une grande partie de ce défi pourrait être réalisée simplement en introduisant un nouvel outil.
Réfléchissant à sa première incursion dans un rôle industriel chez EryPharm, Mathieu dit que son impulsion initiale a été d'utiliser les outils de programmation sur lesquels il s'était appuyé dans le milieu universitaire. Mathieu a vite appris, cependant, que le rythme de développement requis dans l'industrie ne laisserait pas suffisamment de temps pour le codage.
« Vous devez non seulement être beaucoup plus rapide, mais également partager vos données et vos outils avec vos collègues », déclare-t-il. "Je devais trouver une autre façon de travailler plus visuellement et d'être plus efficace, alors j'ai commencé à chercher un outil statistique et je suis tombé sur JMP®."
Ayant utilisé auparavant le logiciel de découverte statistique, Mathieu a rapidement constaté que le principal limiteur de taux chez Michelin n'était pas une connaissance insuffisante, mais des outils inadéquats. Sans accès au bon logiciel, les scientifiques et les ingénieurs étaient limités à des approches d'expérimentation beaucoup plus lentes.
"La conception classique d'expériences n'est tout simplement pas aussi efficace que ce qui peut être fait dans JMP", explique Mathieu. "Donc, l'une des premières choses que j'ai faites chez Michelin a été de proposer de racheter JMP." Une fois que la direction technique de l'entreprise a vu ce que l'outil pouvait faire, dit-il, "il n'a pas été très difficile de leur prouver que JMP était vraiment puissant et efficace". Cette puissance s'est rapidement traduite par moins d'expériences, des coûts d'expérimentation réduits et des cycles de développement plus courts.
"Chez Michelin, les expériences coûtent très cher, donc si vous pouvez réduire le nombre d'expériences dont vous avez besoin pour arriver à une réponse, vous pouvez économiser beaucoup d'argent et de temps", dit-il. "Depuis que nous avons commencé à utiliser JMP, le nombre d'expériences dont nous avons besoin a été considérablement réduit... En fait, j'ai fait une estimation du nombre d'expériences que nous pouvons économiser - et des coûts associés - et j'ai découvert qu'en moins d'un mois, avec juste l'économie d'expériences que nous n'avions pas à faire grâce à JMP, les économies fait plus que payer une licence.
La conception personnalisée des expériences permet une compréhension plus complète du processus
Malgré son omniprésence dans la vie de tous les jours, le pneu est en réalité un objet de très haute technologie. Produit de formulations chimiques complexes, le pneu moyen comprend plus de 200 matières premières uniques, notamment des caoutchoucs naturels et synthétiques, du noir de carbone et de la silice, des résines, des huiles, du soufre, des câbles, des tringles et des renforts textiles comme la rayonne et le polyester.
L'un des ingrédients les plus importants de toute formulation de pneu est l'élastomère, un polymère caractérisé à la fois par sa viscosité et son élasticité. Les propriétés d'un élastomère constituant dictent fréquemment la composition des sorties de formulation, et les élastomères eux-mêmes varient dans une large mesure. En d'autres termes, explique Mathieu, la manipulation des élastomères au sein d'une formulation - des petits ajustements aux changements majeurs comme le remplacement de matériaux non renouvelables par des composants biosourcés - affecte les autres facteurs via des interactions complexes.
"C'est pourquoi il est si important d'explorer l'ensemble de l'espace de conception", explique Mathieu, ajoutant que lorsqu'il est appliqué aux réactions chimiques, le DOE donne un aperçu de variables telles que la température, la pression, la réactivité et le rapport catalyseur/matière première. Avec plus de 200 composants dans n'importe quelle formulation, les conditions doivent être examinées soit par l'expérimentation d'un facteur à la fois, soit par le DOE.
« Il y a beaucoup de gens qui croient que pour comprendre quelque chose, ils doivent adopter une approche un facteur à la fois », explique Mathieu. « Nous pensons de manière linéaire et oublions souvent que nous ne comprenons pas intuitivement les interactions. C'est pourquoi nous devons concevoir des expériences pour obtenir plus d'informations.
Avec JMP, les ingénieurs et scientifiques de Michelin ont désormais accès à une suite d'outils pour des conceptions de criblage définitives et des DOE personnalisés qui peuvent être utilisés dans presque toutes les situations expérimentales pour fournir des solutions hautement personnalisées. Des conceptions entières peuvent être exécutées dans les limites des ressources. Vous n'avez que les ressources nécessaires pour exécuter 12 expériences ? Aucun problème. Vous avez un ensemble de données partiel et vous ne voulez pas recommencer à zéro ? Il est facile d'enrichir de nouvelles expériences avec les données que vous avez déjà collectées. « Cela signifie que vous n'êtes pas en train de recommencer une expérience », dit Mathieu. "L'utilisation des données que vous avez déjà collectées est une efficacité très importante."
En plus de son efficacité en termes de coûts et de temps, explique-t-il, l'une des capacités les plus puissantes de JMP est sa capacité à trouver le compromis optimal entre des objectifs contradictoires. Un pneu conçu pour durer longtemps, par exemple, devrait être très dur, tandis qu'un pneu conçu pour avoir beaucoup d'adhérence devrait être très mou. Atteindre le bon équilibre entre les deux est essentiel pour produire un produit de haute qualité et, dit-il, l'optimisation multi-objectifs est là où JMP brille vraiment.
"La meilleure façon de prouver aux [sceptiques] que le DOE est important est de le leur montrer avec leurs propres données", explique Mathieu. "Quand je leur montre une carte de toutes les données qu'ils ont recueillies et de toutes les expériences qu'ils ont menées, ils comprennent que [sans DOE] ils n'exploraient pas tout l'espace de conception."
De la visualisation de données de base au DOE avancé et à l'explorateur de données fonctionnelles, le tout dans un seul outil
Ses collègues profitant désormais pleinement de la capacité accrue d'un DOE à la pointe de la technologie, Mathieu a été libéré pour rechercher d'autres moyens d'exploiter les statistiques pour introduire des gains d'efficacité dans la conception des processus. Utilisateur de JMP Pro, il a exploré différentes manières d'utiliser la plate-forme FDE (Functional Data Explorer) de l'outil pour prédire certaines propriétés des élastomères à l'aide de données issues de la spectroscopie de masse. En mesurant des paramètres clés tels que la pression, la température et la conversion avec des réactions par lots, Mathieu peut comprendre comment un profil de lot influence les propriétés d'un produit - et ajuster les paramètres au fil du temps pour optimiser les propriétés souhaitables.
"L'idée de FDE est de transformer des données fonctionnelles en un vecteur, de créer un modèle et de faire une analyse statistique sur ce vecteur", explique-t-il. « C'est tellement puissant parce qu'avec un spectre, vous pouvez prédire certaines propriétés très importantes pour un élastomère et imaginer comment modifier au mieux la réaction et les composants chimiques. C'est un outil très prédictif.
Si tout le monde dans l'organisation n'a pas besoin de se pencher sur des données fonctionnelles, le fait que des utilisateurs de tous niveaux puissent travailler au sein du même outil est un atout majeur. Selon Mathieu, JMP a amélioré l'efficacité de la gestion et de l'accès aux données, ainsi que la visualisation et l'exploration des données, des fonctionnalités qui concernent tout le monde. La visualisation est ce qu'il considère comme l'une des principales caractéristiques de l'outil et encourage tous les utilisateurs à d'abord visualiser leurs données comme une étape obligatoire dans tout flux de travail statistique. De plus, avec JMP, toutes ces étapes peuvent être standardisées autour d'un ensemble unique de meilleures pratiques, automatisées et déployées dans toute l'organisation.
« La direction a très vite compris les avantages d'utiliser un tel outil car il permet de bien formuler la problématique, d'identifier ses objectifs et d'avoir une bonne méthodologie », précise-t-il. « La communauté [des utilisateurs de Michelin] s'agrandit de jour en jour. Et lorsque nous présentons les raisons pour lesquelles nous utilisons JMP, tout le monde devient intéressé et curieux d'en savoir plus et d'obtenir le logiciel.
