Mattia Vallerio, spécialiste du contrôle avancé des procédés, Solvay
Francisco Navarro, scientifique des données industrielles, Solvay
Carlos Perez-Galvan, scientifique des données industrielles, Solvay
Les procédés discontinus sont soumis à une forte variabilité : composition des matières premières, état initial, dégradation unitaire, et leur nature dynamique intrinsèque. De plus, ils se caractérisent par plusieurs phases et étapes distinctes qui modifient radicalement les conditions au cours du processus de fabrication. Dans cette présentation, nous illustrerons avec un exemple industriel comment utiliser la science des données et l'apprentissage automatique pour convertir cette grande variabilité et cet excès apparent de données en informations précieuses. Tout d'abord, nous montrerons comment résumer les propriétés de lot en fonctionnalités et utiliser le complément open source Predictor Explainer pour identifier les plus pertinentes à l'aide d'AutoML et d'ExplicitableAI. Ensuite, nous discuterons de la nécessité d'aligner les données dans le temps avant d'effectuer une analyse de trajectoire, en introduisant brièvement les avantages et les inconvénients des différentes méthodologies pour obtenir ce résultat. Enfin, nous plongerons dans l'analyse de trajectoire. Dans cette dernière étape, nous utiliserons la fonctionnalité Functional Data Explorer de JMP Pro pour surveiller et identifier les écarts. L'analyse de ces écarts nous conduira à identifier les améliorations clés du contrôle des processus pour optimiser davantage la production.
