Élie Maricau , PhD, ingénieur en contrôle de processus avancé, BASF
elie.maricau
Une usine chimique a souvent recours à des analyses en laboratoire pour surveiller la qualité de ses produits et ajuster son processus de production. Cependant, ces analyses ne sont effectuées qu'à quelques heures d'intervalle. Entre deux analyses, la qualité de la production est inconnue et peut varier. De plus, les variations de qualité sont parfois difficiles à distinguer des erreurs de mesure. Par conséquent, les opérateurs de l'usine ne savent pas toujours quels paramètres de procédé modifier en cas de variation de la qualité. Dans certains cas, les problèmes décrits ci-dessus peuvent être résolus en développant un modèle inférentiel de la qualité du produit. Pour une usine de production spécifique de BASF à Anvers, un tel modèle a été développé dans JMP Pro. Ce modèle a été élaboré à partir d'un jeu de données brutes comprenant plus de 8 000 paramètres de procédé contenant de nombreuses valeurs manquantes et valeurs aberrantes, et présente une bonne puissance prédictive. Les techniques utilisées comprennent le nettoyage des données avec imputation et détection des valeurs aberrantes, la sélection de caractéristiques par partitionnement en forêt bootstrap, l'identification des paramètres clés par analyse multivariée et clustering de variables, et la régression élastique avec données d'apprentissage et de validation pour le développement final du modèle. Cette présentation présentera l'approche générale, des conseils et astuces spécifiques pour développer le modèle avec JMP et l'utiliser comme outil de discussion des résultats avec le personnel de l'usine. L'analyse aide l'usine à mieux comprendre les paramètres qui influencent la qualité du produit, tandis que le modèle prédictif offre une aide à la décision pour déterminer quand et comment ajuster le processus de production.
