L'utilisation de différentes approches de cartes de contrôle pour les mesures complexes en cours de processus (telles que les courbes et les distributions), ainsi que la manière dont les outils statistiques sont utilisés conjointement avec l'automatisation et la gestion des données, sont essentielles pour des processus de fabrication efficaces et durables.
Alors que la R&D privilégie l'extraction de nombreuses mesures complexes pour caractériser les produits, la production se base généralement sur un nombre réduit de paramètres, souvent des données à valeur unique. Nous nous efforçons de combler le fossé entre la R&D et la production en explorant des outils analytiques permettant d'exploiter les précieuses mesures complexes réalisées en cours de fabrication pour le suivi et le contrôle des procédés.
Bonjour, je m'appelle Patricia Blanco García. Je suis chercheuse principale au sein de l'équipe Formulations du centre technologique de Johnson Matthey, près de Reading, dans le sud de l'Angleterre. Chimiste de formation, j'utilise les logiciels JM depuis environ quatre à cinq ans. Dans cet article, je vais aborder le rôle de l'analyse des données dans les nouvelles technologies d'analyse des procédés. Si vous ne connaissez pas Johnson Matthey, sachez que JM est un leader mondial des solutions technologiques durables. L'entreprise aide les plus grandes sociétés des secteurs de l'énergie, de la chimie et de l'automobile à décarboner leurs activités, à réduire leurs émissions polluantes et à améliorer leur durabilité.
À titre d'exemple, une voiture sur trois est équipée d'un pot catalytique Johnson Matthey. En novembre 2023, JM a permis le premier vol transatlantique commercial au monde, propulsé entièrement par du carburant d'aviation durable. La plupart des produits Johnson Matthey sont formulés, comme l'illustre cette image. De gauche à droite, on voit des pots catalytiques qui s'insèrent dans le système d'échappement des voitures ; ces derniers sont recouverts d'une suspension contenant le catalyseur actif.
La deuxième image représente une encre pour pile à combustible. Ces matériaux sont déposés pour former des couches de revêtement destinées aux applications de piles complètes et d'électrolyseurs. On trouve également des poudres utilisées dans les encres, mais aussi pour fabriquer des catalyseurs granulés ou pastillés, employés dans la production de produits chimiques.
Les formulations contiennent un mélange de particules dispersées, de polymères et d'additifs dans un solvant. Comme je l'ai mentionné, un exemple est celui du catalyseur utilisé dans les systèmes de contrôle des émissions. Dans ce cas, les matières actives du catalyseur sont dispersées sur des poudres d'oxydes métalliques mélangés, formant ainsi une suspension. Cette suspension est ensuite appliquée sur les supports qui seront intégrés au système d'échappement du véhicule.
Chez JM, nous produisons des lots de plusieurs centaines de kilos de ces suspensions, broyées selon un cahier des charges précis. Pour nous, la maîtrise de chaque étape de la transformation de ces matériaux est essentielle à la durabilité, tant du point de vue de l'utilisation des ressources que de la consommation d'énergie. C'est pourquoi la mise en place de mesures en temps réel est primordiale.
L'équipe au sein de laquelle je travaille participait à un projet Horizon 2020 visant à développer une technologie de diffraction laser en temps réel pour l'analyse granulométrique lors du traitement de dispersions de catalyseurs inorganiques. L'analyse granulométrique est une mesure essentielle pour de nombreux produits de JM et fait partie d'une suite de caractérisation permettant de définir les critères de qualité antérieurs des produits dans différents secteurs d'activité.
Cependant, les mesures de granulométrie ne sont pas effectuées en temps réel. Idéalement, une mesure en temps réel serait souhaitable, mais dans notre cas, les échantillons sont principalement prélevés manuellement à des intervalles de temps précis, puis analysés en laboratoire. Les échantillons peuvent se dégrader et être mesurés par différents opérateurs. Cette méthode est inefficace et peut engendrer des erreurs de répétabilité et de reproductibilité. Par conséquent, les mesures en temps réel sont essentielles car elles permettent une évaluation précise du point final des procédés de broyage coûteux et minimisent les risques de surtraitement.
Ce que je souhaite aborder dans cette affiche, c'est l'utilisation de différentes approches de cartes de contrôle pour des mesures complexes en cours de processus, telles que les courbes et les distributions, et comment l'utilisation d'outils statistiques, associée à l'automatisation et à la gestion des données, est essentielle à des processus de fabrication efficaces et durables.
En R&D, l'accent est mis sur l'extraction de nombreuses mesures complexes pour caractériser les produits en cours de fabrication. Les critères de non-conformité traditionnels reposent généralement sur un nombre réduit de paramètres, souvent basés sur une seule valeur. Par exemple, les percentiles d'une distribution granulométrique, comme illustré ici à droite, sont utilisés, alors qu'une distribution granulométrique complexe est mieux décrite par la courbe complète, comme celles de gauche.
À gauche, les différentes couleurs correspondent aux différents intervalles de temps. Dans les deux cas, nous comparons des données en ligne et hors ligne. On constate que les tendances sont comparables, mais l'interprétation reste subjective. L'utilisation d'outils statistiques permet de réduire cette subjectivité. Le premier outil que je souhaite vous présenter est une carte de contrôle. Les cartes de contrôle servent spécifiquement à surveiller une ou plusieurs variables de processus, comme la température ou la pression. L'axe des abscisses représente le temps.
Dans cet exemple, nous analysons la granulométrie d'un échantillon de poudre et suivons le pourcentage de chaque particule indépendamment. Nous disposons des valeurs D10, D50 et D90. Bien que fréquemment utilisées, les percentiles ne sont pas des indicateurs pertinents pour la détection de la distribution multimodale. Par conséquent, l'objectif final est de visualiser la courbe complète, et non seulement les percentiles.
Nous pouvons créer des cartes de contrôle de courbes pour visualiser une distribution complète, et non une simple valeur. Cette méthodologie, que nous avons adaptée de Nicola Brammer de Solvay (présentée lors du sommet de l'année dernière), est utilisée pour le suivi d'un processus par lots. Nous l'avons adaptée au suivi des mesures de taille de particules.
Des cartes de contrôle individuelles sont construites pour chaque classe de taille afin de pouvoir élaborer la carte de contrôle de la courbe. Les limites de contrôle représentent la variation inhérente au processus. Nous utilisons des mesures historiques pour calculer ces limites à partir des mesures précédentes. Visuellement, nous pouvons déterminer si le processus est hors contrôle, c'est-à-dire si une courbe dépasse ses limites de contrôle. La ligne verte représente une mesure actuelle comparée à la moyenne des mesures (ligne noire continue), ainsi qu'aux limites de contrôle supérieure et inférieure (lignes pointillées). Outre les limites de contrôle, nous pourrions également ajouter des limites de spécification.
Ce graphique est sans doute supérieur au précédent car il permet d'observer la distribution complète et non un simple ensemble de valeurs, même s'il reste purement visuel. En allant plus loin et en utilisant l'analyse en composantes principales, on peut suivre la distribution des tailles, c'est-à-dire les composantes principales de chaque courbe. Dans ce cas, le graphique de contrôle basé sur l'analyse en composantes principales permet de surveiller la distribution à l'aide des composantes fonctionnelles et principales de chaque courbe. Un graphique de contrôle peut ainsi être créé pour représenter la distribution complète, à partir des composantes principales fonctionnelles.
J'espère vous avoir démontré que la mesure en temps réel des paramètres de processus est essentielle à leur maîtrise et que les outils statistiques permettent d'exploiter au mieux les données produites. Nous travaillons actuellement à l'application de cette approche à des études de cas concrets, tant en R&D qu'en production. Pour conclure, je tiens à remercier George Platt et Chand Malde pour leur contribution aux données de fraisage présentées ici. Pilar Gomez a également joué un rôle déterminant dans la transformation de mes idées en outils applicables à nos données. Merci de votre attention.
