Les procédés de production font l'objet d'échantillonnages réguliers afin de déterminer la concentration des composants clés et de répondre aux critères de sécurité, environnementaux ou de qualité. Le déploiement de densimètres à compensation de température permet une surveillance en temps réel des procédés, remplaçant ainsi l'échantillonnage hors ligne. Les données historiques de procédés ne se prêtent pas à la modélisation, car les analyses hors ligne sont réalisées de manière sporadique, avec une incertitude quant au moment précis de l'échantillonnage et une faible variabilité des résultats.
Aujourd'hui, je vais vous expliquer comment utiliser JMP pour concevoir des capteurs virtuels permettant une surveillance efficace des procédés de production chimique. Je tiens à remercier tout d'abord Chris Knight, qui a réalisé le travail de laboratoire pour collecter les données, et Daniel Garten, qui a contribué au transfert des modèles du laboratoire vers le processus de production. Comme souvent en science des données, tout commence par une demande de modélisation. Naturellement, cela amène à se demander : d'où proviennent les données ? Comment ont-elles été générées ? Par ailleurs, les capteurs disponibles pour nos procédés de fabrication chimique se sont considérablement améliorés au fil du temps.
Cette miniaturisation et ces améliorations nous permettent désormais d'utiliser les mêmes capteurs en laboratoire et à l'échelle industrielle. Cela ouvre de nombreuses perspectives intéressantes, car il est possible de concevoir un modèle à une échelle et de le transposer directement à une autre, les deux systèmes fonctionnant avec le même équipement. Je vais ici aborder le sujet des densimètres à compensation de température, des appareils qui permettent de mesurer non seulement le débit, mais aussi la densité et la température simultanément.
C'est un dispositif intéressant. Comme vous pouvez le voir, il y en a un ici, au laboratoire. Nous avons notre petit système, avec une boucle où le liquide passe à travers le capteur. L'électronique transmet ensuite les résultats au contrôleur. Or, avec cette approche, on rencontre rapidement un problème. Naturellement, le premier réflexe est de se dire : « J'ai différentes concentrations. Je peux les inventer. C'est facile. Et je peux faire varier la température. C'est facile aussi. » C'est donc ce que je vais faire : faire varier la concentration et la température, et mesurer la densité. Mais en procédant ainsi, plusieurs problèmes se posent pour la construction d'un modèle. Premièrement, avec des concentrations fixes à des températures variables, on se retrouve avec un nombre limité de résultats sur l'axe Y pour la partie prédiction du modèle. De même, s'il y a des interactions entre la température et la densité, elles ne seront pas prises en compte par cet ensemble de données. On ne pourra pas faire l'inverse. Vous ne pouvez pas prendre l'équation et l'inverser, ce que vous souhaitez pourtant faire.
Si l'on prend du recul et que l'on considère la génération des données dans le monde réel, on constate que l'on dispose d'une solution à température fixe, atteignant la densité cible. On prélève ensuite un échantillon de cette solution et on l'analyse pour déterminer la concentration de l'analyte. Cette information est essentielle à notre protocole de laboratoire. En laboratoire, on peut procéder comme suit : en prélevant une solution à température fixe et en la diluant ou en y ajoutant des analytes, on atteint la densité cible. On prélève ensuite un échantillon pour déterminer la concentration de l'analyte. Ce procédé imite le fonctionnement du processus chimique, tout en présentant la même structure d'erreur et en permettant l'ajustement d'un modèle approprié. L'erreur est ici environ deux fois moindre, ce qui représente une amélioration. On passe ainsi d'une erreur de prédiction individuelle d'environ 0,6 % (poids/poids) à 0,3 % (poids/poids). Il s'agit donc d'une amélioration significative. Alors, à quoi cela ressemble-t-il en pratique ?
Voici un exemple où nous avons utilisé cinq températures. Nous avons également utilisé des densités régulièrement espacées, en veillant à ce qu'elles se situent dans la plage d'analyse (de 4 à 12). On observe alors que les pentes des droites varient en fonction de la température, ce qui suggère une interaction entre la densité et la température. Ce modèle prend donc en compte cette interaction. Sans cette approche, nous aurions pu passer à côté de cette interaction. Maintenant que nous disposons de ce modèle, nous pouvons l'appliquer à l'échelle du procédé. Pour ce faire, nous utilisons le logiciel Seeq, qui permet de surveiller nos procédés. L'outil de formules de Seeq et celui de JMP sont très similaires. Une simple opération de recherche et de remplacement permet d'utiliser directement une formule créée dans JMP dans Seeq. Nous avons maintenant construit un modèle et nous souhaitons le valider. L'image montre l'évolution temporelle des limites supérieure et inférieure du modèle, ainsi que des barres représentant les prélèvements d'échantillons et les résultats obtenus.
Vous pouvez constater que nous obtenons un accord satisfaisant. Ce modèle opérationnel nous permet de cibler les prélèvements d'échantillons. Plutôt que de prélever tous les échantillons dans la même zone de la plage de valeurs, lorsque celle-ci est basse ou haute, nous pouvons cibler délibérément et dire : « Pour valider notre modèle, nous avons besoin de données réparties sur l'ensemble de la plage et pas seulement aux limites inférieure et supérieure. » Cela nous fournit des données de meilleure qualité. Une fois cette étape franchie, nous pouvons reprendre notre processus de modélisation. L'exemple ci-contre illustre la répartition des données à l'échelle du laboratoire (cercles rouges) et la répartition observée dans le processus (croix bleues). On constate que les données de processus ont tendance à couvrir une plage beaucoup plus étroite, ce qui poserait problème pour la modélisation si nous utilisions uniquement ces données. C'est là que réside l'intérêt des données volontaires : nous pouvons construire un modèle sur une plage plus large, valable pour l'ensemble de la plage généralement observée dans le processus. Maintenant que nous disposons de ces données, nous pouvons relancer notre processus de modélisation. Dans ce cas, j'utilise SVEM.
… Validation sur des modèles d'échantillon. J'ai ajusté 100 modèles par régression linéaire généralisée avec LASU. Nous avons ensuite calculé la moyenne de ces modèles afin de tenir compte de la variabilité potentielle due aux échantillons disponibles. Dans ce système, où je n'avais pas accès aux liquides de procédé réels et où j'ai dû utiliser des substituts idéaux, je n'ai pas constaté d'écart de 1 % entre les résultats obtenus en laboratoire, en usine et en production. Après avoir traité ces résultats avec SVEM, nous avons corrigé ce problème et obtenu un modèle fonctionnel à la fois à l'échelle du laboratoire et à l'échelle industrielle. Nous souhaitons maintenant l'exploiter et le pérenniser. Au-delà de Seeq, nous pouvons envisager un outil comme Power BI. Nous reprenons la même équation et l'intégrons dans Power BI, ce qui nous permet d'obtenir les valeurs attendues. La densité et la température, issues des historiens de procédés, sont importées dans Power BI. Notre modèle effectue ensuite des calculs pour nous fournir les valeurs attendues. Ensuite, les résultats de notre système de contrôle qualité sont également intégrés à Power BI, et nous pouvons ensuite les représenter ensemble sur le graphique.
De même, nous pouvons effectuer des calculs pour déterminer l'écart entre le modèle et le résultat, et définir des seuils d'intervention. Nous pouvons même recevoir des alertes par e-mail. Ainsi, nous pouvons automatiser la réception d'un e-mail indiquant la différence entre le modèle et le dernier contrôle de routine, ainsi que les actions à entreprendre en cas de problème. C'est un avantage considérable, car le problème ne provient pas toujours du modèle. Avec ces densimètres à compensation de température, il arrive parfois que des interruptions ou des problèmes de processus entraînent un encrassement. On observe alors un décalage, une variation brutale de la densité mesurée pour un même liquide. Ce modèle nous alerte également : « Le capteur de processus présente un problème ; une intervention est nécessaire. »
En conclusion, nous avons amélioré la sécurité des opérateurs de procédé. Ils n'ont plus besoin de prélever autant d'échantillons ; au lieu d'un prélèvement quotidien, un seul prélèvement mensuel suffit désormais pour vérifier la concordance entre nos systèmes de mesure et notre modèle. Cela nous a également permis de passer d'un processus réactif à un processus proactif. Auparavant, les opérateurs ignoraient tout du déroulement du procédé, mais maintenant, nous pouvons dire : « Très bien. La concentration augmente, et dans trois jours, je devrai peut-être programmer un changement car le liquide de procédé atteint la plage critique. » Plutôt que de procéder par tâtonnements, de prélever des échantillons quotidiennement et d'essayer de prédire l'évolution dans trois jours, nous obtenons une trajectoire bien plus fiable. Comme vous pouvez le constater, la concentration n'est pas constante. Parfois, elle augmente très rapidement. D'autres fois, elle augmente plus lentement, en fonction du déroulement du procédé. C'est donc un progrès significatif. De même, il s'agit aussi de supprimer les délais, car avant de prélever un échantillon, celui-ci devait être envoyé au laboratoire de contrôle qualité qui l'analysait et vous communiquait le résultat, et ensuite vous preniez votre décision.
Nous pouvons donc désormais être plus proactifs, ce qui est un atout majeur pour l'amélioration du rendement des processus. De plus, cela génère des économies directes d'environ 15 000 € par an et par processus grâce à la réduction du travail nécessaire à leur suivi et des consommables requis pour leur analyse. Si vous souhaitez plus de détails, j'ai résumé l'intégralité de cette présentation dans un article disponible sur la plateforme communautaire, où vous trouverez les données ainsi qu'une description détaillée de la méthode. Merci beaucoup.
