Bienvenue et merci de l'intérêt que vous portez à notre conférence d'aujourd'hui. Je m'appelle Wendy Zhang et je co-présenterai cette conférence avec mon collègue Bill Worley. Nous travaillons tous deux avec des clients qui cherchent à accroître l'impact des plans d'expériences au sein de leurs organisations. Ce sujet nous passionne.
Nombre d'entre vous êtes des scientifiques et des ingénieurs qui mènent des expériences planifiées au sein de vos organisations afin d'innover. Ou peut-être travaillez-vous avec des collègues qui réalisent de telles expériences. Ces expériences planifiées, communément appelées plans d'expériences (DOE), sont de précieuses sources d'apprentissage. C'est pourquoi nous les menons : pour mieux comprendre un nouveau système ou processus et utiliser ces connaissances pour l'améliorer et innover. Comment garantir le partage de ces précieux DOE avec nos collaborateurs et parties prenantes afin que notre organisation puisse en tirer le meilleur parti ? Nos collaborateurs doivent pouvoir y accéder facilement, interagir avec elles, y contribuer et prendre des décisions en toute fluidité. La session d'aujourd'hui portera sur la manière dont notre impact, en tant que scientifiques et ingénieurs, peut être accru grâce au partage, à l'utilisation et à la collaboration sur les DOE dans JMP Live.
JMP Live est un outil complémentaire à JMP qui facilite la collaboration et le partage des connaissances à l'échelle de l'entreprise. Nous allons vous présenter deux exemples d'organisations utilisant JMP Live pour optimiser leur collaboration par plans d'expériences (DOE). Ces exemples seront illustrés par une entreprise fictive : Aquapure. Aquapure est une entreprise chimique qui fabrique des matières premières pour d'autres entreprises au sein de son unité commerciale industrielle et des produits de consommation au sein de son unité commerciale grand public. Le premier exemple décrit comment les ingénieurs en développement de produits et en procédés de l'unité commerciale industrielle d'Aquapure collaborent avec JMP Live. Le développement de produits est responsable de la mise au point des procédés de fabrication de nouveaux produits et de l'amélioration des produits existants. Ils utilisent la méthode DOE pour identifier les variables de procédé importantes et comprendre leur interaction afin d'obtenir les caractéristiques spécifiques du produit. Une fois les facteurs et les plages de paramètres nécessaires à la fabrication d'un produit de haute qualité identifiés, ces connaissances sont transmises à l'ingénierie des procédés, qui met en place le procédé à l'échelle pilote pour produire le produit. Examinons de plus près comment les équipes de développement de produits et d'ingénierie des procédés d'Aquapure ont collaboré pour commercialiser un nouveau solvant, le solvant PureSolv.
Les responsables du développement produit de PureSolv ont mené plusieurs plans d'expériences (DOE) dans JMP lors de la mise au point du procédé pilote final de PureSolv. Ces diagrammes cubiques sont fréquemment utilisés pour représenter différents types de DOE. Le cube représente le procédé de base évalué, et les points représentent les essais expérimentaux. Lors du développement d'un nouveau procédé, il est courant de réaliser plusieurs expériences. La première, le criblage, vise à identifier les facteurs importants. Cette expérience peut ensuite être approfondie pour étudier les interactions entre les facteurs, puis une expérience finale peut être menée afin d'optimiser l'espace de paramètres du procédé pour obtenir les meilleures performances. Le DOE final des ingénieurs en développement produit d'Aquapure s'est concentré sur l'optimisation des variables du procédé pour atteindre un rendement supérieur à 90 % de manière constante. L'équipe de développement produit a utilisé ce DOE pour définir les points de consigne et les plages de valeurs du volume, du temps, de la température et du catalyseur, afin d'obtenir des lots de PureSolv systématiquement supérieurs à 90 % de rendement. Examinons de plus près comment l'ingénieur en développement produit a procédé.
Merci Wendy, je vais partager mon écran maintenant. Est-ce que tout le monde voit mon écran ?
Oui.
Comme l'a dit Wendy, l'optimisation a été réalisée, ou plutôt, le plan d'expériences d'optimisation (DOE) a été finalisé. Nous souhaitions ensuite passer à l'étape suivante et avons développé un modèle des moindres carrés prometteur pour la production de lots avec un rendement supérieur à 90 %. Nous avons utilisé un profileur de prédiction pour vérifier que le procédé correspondait probablement à nos attentes, mais nous devions explorer différents scénarios pour identifier un procédé optimal. Dans un premier temps, nous avons voulu vérifier plusieurs points et utiliser la fonction de contrôle d'extrapolation du profileur de prédiction. Nous avons rapidement constaté que nous n'avions peut-être pas suffisamment d'essais DOE avec les faibles combinaisons de volume et de catalyseur pour être certains de l'impact d'une éventuelle augmentation du rendement dans ces conditions. Le service de développement produit souhaitait approfondir cette question à mesure que le procédé mûrissait. L'étape d'optimisation s'est déroulée sans problème apparent, mais l'ingénieur de production a souligné qu'il serait quasiment impossible d'appliquer les paramètres exacts prédits lors de l'optimisation en raison de la variabilité du procédé.
Ils ont demandé s'il était possible d'assouplir les paramètres par mesure de sécurité et pour obtenir un processus plus robuste. Nous avons donc décidé d'essayer un nouvel outil du profileur de prédiction, appelé Design Space Profiler, afin de répondre à leurs préoccupations. Nous avons constaté que, pour les plages d'entrée du plan d'expériences initial, le processus n'était conforme aux spécifications qu'environ 6,3 % du temps. Soucieux d'informer tout le monde, nous avons discuté de ce problème avec les ingénieurs procédés. Nous allions partager ces informations avec eux du mieux possible. L'étape suivante, avec le Design Space Profiler, nous a permis d'utiliser une simulation de Monte Carlo avec 10 000 points simulés afin d'ajuster les plages du plan d'expériences. Ainsi, les ingénieurs procédés pouvaient obtenir un lot conforme aux spécifications avec un niveau de confiance allant jusqu'à 99 %.
Nous avons ainsi obtenu des paramètres de processus garantissant un taux de conformité d'au moins 90 % pour chaque cycle de production. Comme vous pouvez le constater, notre limite inférieure de spécification était de 90 %. En ajustant le profileur d'espace de conception et en modifiant les paramètres, nous avons pu atteindre une certitude d'environ 99 % d'obtenir des lots conformes à chaque fois. Je vais maintenant vous faire une brève démonstration. Je vais sortir de cette fenêtre. (Échap. Réduire la fenêtre) et afficher mon tableau de données. Il s'agit des données issues des expériences de conception. Nous avons pu réaliser pratiquement tout ce dont nous avions besoin avec ces données, puis les communiquer aux ingénieurs de procédés selon les besoins. Je souhaitais construire un modèle, et nous utilisons ici la méthode des moindres carrés. Tous nos facteurs sont configurés, et nous allons lancer le processus. Nous obtenons une configuration satisfaisante. Je vais rapidement supprimer quelques éléments pour optimiser la situation.
Je supprime ça. Encore deux ou trois trucs, et on sera bons. Notre modèle est configuré, notre profileur de prédiction aussi, et on a également configuré la désirabilité. Réduisons un peu la taille pour mieux voir. On a commencé par tester le contrôle d'extrapolation. Il se trouve dans le profileur de prédiction. C'est un outil JMP Pro, mais on voulait vous montrer de quoi il s'agit. C'est important, pas les profileurs d'interaction. C'est de ma faute. Voilà. Contrôle d'extrapolation des interactions. On va activer l'avertissement pour repérer les zones potentiellement problématiques. Si on regarde le volume, on le déplace vers le bas, et la température aussi. On commence alors à voir des anomalies, et le catalyseur également, si on le réduit à environ cinq.
Bien sûr, ça ne fonctionne pas. Voilà. Il nous montre l'extrapolation. Nous avons une extrapolation possible aux niveaux inférieurs. C'est un point que nous devrons approfondir. Désactivons-le. Retournons au profileur de prédiction et activons le profileur d'espace de conception. Cela pourrait vite devenir fastidieux si nous le faisons manuellement ou si nous laissons JMP s'en charger. Je vais vous montrer différentes options à activer ici, et nous allons créer et connecter un tableau aléatoire. Nous utiliserons 10 000 points et nous intégrerons un nuage de points de l'espace des facteurs. Maintenant, nous voyons… Ce tableau ne nous gêne pas. Bien sûr, ça va être pénible. Voilà. Désolé. C'est fait. Maintenant, nous allons explorer ces outils. Nous avons l'espace de 10 000 points.
Nous voulons voir comment optimiser la partie InSpec pour atteindre un niveau de confiance d'au moins 99 % du temps, avec un rendement de 90 % ou plus. Faisons quelques essais. Ajustons les paramètres. Si nous le souhaitions, nous pourrions simplement saisir les valeurs qui fonctionnent. Nous allons faire des essais pour vous montrer. Comme vous pouvez le constater, l'espace se réduit progressivement sur le nuage de points et dans l'espace des facteurs. En affinant ces paramètres, les résultats s'améliorent. Nous sommes déjà à 58 %, presque 59 %. Continuons à explorer pour mieux comprendre. Déplaçons légèrement le catalyseur. Nous sommes à 86 %, et peut-être un peu plus. Nous avons ainsi atteint 95 %, voire 99 %.
Voyons si on peut monter un peu plus haut et atteindre les 99 % promis. Raté. On s'est trompés de chemin. Voilà. On y est presque. On a maintenant ces valeurs, et elles sont bien plus précises qu'avant. Ce sont ces valeurs-là qu'on utilisera, ou qu'on partagera avec les ingénieurs via JMP Live. Je redonne la parole à Wendy.
Parfait. Je vous laisse la parole. La démonstration de Bill a montré comment l'ingénieur en développement produit a utilisé JMP pour définir les plages de paramètres du procédé. Une fois ce travail terminé, les responsables du développement produit ont pu partager ces résultats avec l'équipe d'ingénierie des procédés directement depuis JMP Live. Outre les facteurs de procédé spécifiques et les plages recommandées, ils ont fourni aux ingénieurs procédés les résultats de l'étude d'expériences (DOE) sous forme de résultats interactifs. Ces mêmes résultats interactifs, que vous avez pu observer dans JMP avec le profileur de prédiction, ont été partagés avec les ingénieurs procédés, qui pouvaient y accéder ainsi qu'à JMP Live via un navigateur.
Avant l'utilisation de JMP Live chez Aquapure, les ingénieurs de procédés recevaient des informations limitées, sous forme statique, par e-mail et dans des présentations PowerPoint. Explorons maintenant JMP Live pour voir comment l'ingénierie des procédés exploite les résultats interactifs des plans d'expériences (DOE) afin de prendre des décisions basées sur les données. Nous accédons au portail JMP Live d'Aquapure via un navigateur web. Examinons les plans d'expériences (DOE) dans le dossier dédié à PureSolv, au sein du dossier de leur unité commerciale industrielle. Ce dossier est accessible à tous les ingénieurs travaillant sur PureSolv.
Examinons le plan d'expériences (DOE) d'optimisation du rendement final, tel qu'il a été réalisé par les ingénieurs procédés. Le profileur d'espace de conception (Design Space Profiler) explique comment les plages de paramètres du procédé ont été déterminées et contribue à renforcer la confiance dans ces plages. Par exemple, le profileur d'espace de conception nous permet de comprendre pourquoi les plages de volume recommandées se situent entre 2,5 et 5,2. Voici le graphique spécifique au volume ; les lignes verticales pointillées représentent cette plage recommandée de 2,5 à 5,2. On constate que c'est dans cette plage que le pourcentage de conformité aux spécifications (InSpec) est le plus élevé. Dans ce cas précis, InSpec contribue à l'objectif de produire un produit avec un rendement constamment supérieur à 90 %. Passons maintenant au profileur de prédiction. Ce dernier permet aux ingénieurs procédés d'explorer l'espace de paramètres cartographié par le DOE. Pour ceux qui ne connaissent pas le profileur de prédiction, il s'agit de la représentation d'un modèle. Vous avez pu observer Bill construire ce modèle à l'aide de la fonction « fit model » et de la méthode des moindres carrés. Dans ce cas, le modèle représente les résultats du DOE montrant comment le volume, le temps, la température et le catalyseur sont liés au rendement.
Cela permet aux ingénieurs des procédés d'interroger le plan d'expériences (DOE). Ils peuvent ainsi comprendre les compromis liés aux modifications des variables du procédé. Examinons le profileur et voyons ce qu'il nous apprend. Par exemple, les pentes montrent que la température et le catalyseur ont une influence beaucoup plus marquée que le volume et le temps. Cela signifie que le rendement est très sensible aux variations de température et de catalyseur, comparativement au volume et au temps. Nous pouvons le constater non seulement par les pentes, mais aussi en modifiant, dans ce cas précis, la valeur de la température à l'aide de la souris. Nous pouvons alors observer comment cela se répercute sur la valeur de rendement prévue. Utilisons maintenant le profileur, comme l'ont fait les ingénieurs des procédés, pour résoudre deux problèmes spécifiques. Le premier est apparu lors de la mise en place initiale du procédé de fabrication de PureSolv à l'échelle pilote. Les ingénieurs des procédés souhaitaient augmenter le volume initial, initialement limité à 5,2 litres, afin de produire davantage de produit en une seule opération. À l'aide du profileur, je déplace actuellement le curseur qui modifie la valeur du volume.
Ils ont constaté qu'ils pouvaient augmenter le volume jusqu'à environ 6, soit au-delà du seuil recommandé de 5,5, tout en conservant un rendement supérieur à 90 %. Le second défi s'est présenté au moment du transfert du procédé à la production. Le prix du catalyseur ayant considérablement augmenté, la direction a demandé au service d'ingénierie des procédés d'étudier la possibilité de réduire la quantité de catalyseur utilisée dans la réaction sans impacter significativement le rendement. Grâce au profileur, ils ont pu réduire la quantité de catalyseur et prédire son impact sur le rendement. Ils ont ainsi pu constater qu'il était possible de diminuer la quantité de catalyseur en dessous de la valeur recommandée de 8,5, d'augmenter la température et de maintenir un rendement proche de 90 %.
Résumons ce que les ingénieurs de procédés pouvaient faire avec les résultats de la planification d'expériences (DOE) dans JMP Live. Grâce au profileur d'espace de conception, ils pouvaient observer comment les plages d'entrée du procédé étaient déterminées et comment elles étaient associées au pourcentage de conformité aux spécifications. Ils pouvaient également comprendre la sensibilité du rendement aux variations de volume et apporter des modifications de manière autonome et en toute confiance.
Ils pouvaient également prendre rapidement une décision basée sur les données pour réduire la quantité de catalyseur, car ils pouvaient observer l'impact du rendement par unité de variation de catalyseur, ainsi que la dépendance du catalyseur à la température. Avant l'adoption de JMP Live, le processus d'étude des alternatives et de mise en œuvre des modifications était lent, car les ingénieurs de procédés n'avaient aucune visibilité sur les résultats des plans d'expériences (DOE) au-delà des plages qui leur étaient fournies. Tout ajustement qu'ils souhaitaient effectuer nécessitait de communiquer principalement par courriel avec le service de développement produit, ce qui, de ce fait, les empêchait de prendre des décisions en toute autonomie. Revenons à JMP Live pour voir comment ces deux équipes ont communiqué au sein de la plateforme. Nous voici de retour dans JMP Live, sous l'œil attentif du plan d'expériences d'optimisation final. En cliquant sur ces commentaires, nous pouvons consulter la conversation qui a eu lieu entre le développement produit et l'ingénierie des procédés lors de la mise en place du procédé pilote.
Vous pouvez mentionner vos collaborateurs, et ils recevront des notifications par e-mail les informant qu'une question est posée. Récapitulons la première histoire.
Dans ce premier exemple, les ingénieurs en développement produit ont partagé les résultats de la planification d'expériences (DOE) avec les ingénieurs procédés de manière interactive dans JMP Live. Ces derniers ont pu explorer la DOE et prendre des décisions de manière efficace et efficiente grâce à la possibilité de réaliser des analyses de scénarios et d'appréhender les compromis de façon indépendante. La collaboration entre les ingénieurs en développement produit et les ingénieurs procédés au sein de JMP Live s'est déroulée en toute transparence pour tous les membres de l'équipe. Le second exemple provient des formulateurs R&D de la division produits de consommation d'Aquapure. Ces formulateurs utilisent la DOE pour développer de nouveaux produits et reformuler les produits existants. JMP Live leur permet de transformer ces DOE en une source de connaissances et un espace de collaboration. Pour découvrir ce second exemple, suivez le lien du code QR afin de visionner le webinaire à la demande. Ceci conclut notre présentation.
