<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Elie Maricau , PhD, Ingénieur en contrôle de processus avancé, BASF
elie.maricau
Une usine chimique utilise souvent des analyses de laboratoire pour surveiller la qualité du produit et ajuster le processus de production. Celles-ci ne sont toutefois effectuées que toutes les quelques heures. Entre deux analyses, la qualité de la production n'est pas connue et peut varier. De plus, les variations de qualité sont parfois difficiles à distinguer des erreurs de mesure. En conséquence, les opérateurs de l’installation ne savent pas toujours quels paramètres de processus doivent être modifiés si la qualité varie. Dans certains cas, les problèmes décrits ci-dessus peuvent être résolus en développant un modèle inférentiel pour la qualité du produit. Un tel modèle a été développé dans JMP Pro pour une usine de production particulière de BASF Anvers. Le modèle a été développé à partir d'un ensemble de données brutes comprenant plus de 8 000 paramètres de processus contenant de nombreuses valeurs manquantes et aberrantes, et possède un bon pouvoir prédictif. Les techniques utilisées incluent le nettoyage des données avec imputation et détection des valeurs aberrantes, la sélection des caractéristiques avec le partitionnement de la forêt bootstrap, l'identification des paramètres clés avec l'analyse multivariée et le regroupement de variables et la régression par réseau élastique avec les données d'apprentissage et de validation pour le développement final du modèle. Cette présentation fournira un aperçu de l'approche générale, des astuces et conseils spécifiques pour développer le modèle avec JMP, et l'utilisation de JMP comme outil pour discuter des résultats avec le personnel de l'usine. L'analyse aide l'usine à mieux comprendre les paramètres qui affectent la qualité du produit, tandis que le modèle prédictif offre une aide à la décision pour savoir quand et comment s'adapter au processus de production.
