← Retour à la catégorie Acquisition de données, réseautage, communications et IIoT

Opérer dans la voie rapide

TrendMiner1

Contextualiser les données de série chronologique pour une analyse plus intelligente

Par Edwin van Dijk, TrendMiner

Dans le monde de IIoT, les données sont considérées comme la nouvelle huile. Mais tout le potentiel ne sera libéré que si le contexte opérationnel peut être pris en compte lors de l'analyse, du suivi ou de la prévision des performances opérationnelles. La mise en lumière des données chronologiques nécessaires par le biais d'une contextualisation dynamique vous permet de faire passer vos processus à la vitesse supérieure d'excellence opérationnelle et votre entreprise dans le futur.

Les usines capturent et stockent aujourd'hui une quantité énorme de données directement ou indirectement liées au processus de production. Toutes ces données capturées aboutissent généralement aux meilleures applications métier répondant à des objectifs opérationnels spécifiques. Certaines des données sont stockées dans des historiens, d'autres dans le système d'information qualité, le système de gestion de la maintenance, le système de gestion des incidents, etc. Souvent, toutes ces données ne sont pas connectées. La question est de savoir si vous pouvez trouver la relation entre les données dans différents référentiels, lorsque vous analysez vos données de processus dans votre historien?

Toutes les données capturées dans votre organisation éclairent-elles vos installations de production pour vous permettre d’opérer plus rapidement? Dans de nombreux cas, nous voyons que si une usine est gérée par des experts, même avec toutes leurs connaissances en tête, vous dirigez votre usine dans l’obscurité. L'analyse en libre-service des données de séries chronologiques met déjà en lumière les performances opérationnelles. Mais si vous disposez de toutes les informations contextuelles disponibles, capturées pendant la production et exploitées à partir d'autres applications, vous bénéficiez d'une visibilité bien meilleure sur vos opérations. Par analogie, vous pouvez conduire beaucoup plus vite sur une autoroute éclairée que dans l'obscurité. C'est également le cas lorsque les informations contextuelles vous aident à analyser plus rapidement, à fonctionner plus efficacement et à obtenir un meilleur rendement.

TrendMiner2

L'utilisation des données de votre série chronologique générées par des capteurs et saisies dans votre historique offre de nombreuses possibilités pour améliorer les performances opérationnelles grâce à l'analyse en libre-service, comme le montre cet exemple pratique:

Cas d'utilisation pratiques: assurer des performances de processus stables en évitant les déclenchements de la colonne de distillation

TrendMiner3

Figure 2 Améliorer la qualité du produit en assurant le processus
performance en colonne de distillation

Dans un processus de production continu, les colonnes de distillation d'une usine de produits chimiques spécialisés servent à séparer l'acétate de méthyle et le méthanol en ajoutant de l'eau sur le dessus pour rompre l'azéotrope. Un régulateur de température situé au bas de la colonne est conçu pour s’assurer que l’acétate de méthyle n’est pas entraîné. Un pic de pression s'est récemment produit, ce qui a eu un impact négatif sur la production et la qualité. Le but est de savoir s’il s’agissait d’un incident isolé ou s’il s’est produit auparavant et, dans l’affirmative, s’il est possible de trouver la cause première du problème.

Pour vérifier si la situation s'était déjà produite, le profil de pression a été utilisé pour rechercher un comportement similaire dans toutes les données chronologiques historiques. En effectuant une recherche de similarité et en superposant les résultats, un événement très similaire (> 90% match) a été trouvé, ce qui s'est passé il y a quelques mois. En superposant les résultats, la structure des événements présente la même forme, ce qui a naturellement amené les ingénieurs à croire qu'ils pourraient être dus à une cause similaire.

TrendMiner4

Au lieu de rechercher manuellement les causes profondes potentielles, le moteur de recommandation a été utilisé pour obtenir des suggestions de la solution d'analyse en libre-service. L’expert en la matière peut facilement parcourir les informations qu’il recherche. Dans ce cas, assez rapidement, le logiciel a proposé à l’ingénieur d’étiquettes intéressantes à évaluer. Il est devenu évident que la combinaison d'un reflux élevé avec une ébullition insuffisante ou de la vapeur dans le rebouilleur (évaporation à la vapeur) au cours de la phase de démarrage de la colonne était la principale cause de la hausse.

Grâce au moteur de recommandation, il est également apparu clairement qu'une température plus élevée du plateau dans la colonne était un bon indicateur précoce de la pointe de pression. Un moniteur est mis en place pour alerter l’ingénieur de production dès que la température commence à baisser, ce qui permet de prendre des mesures rapides et d’atténuer les conséquences.

L'analyse a montré qu'une combinaison indésirable de conditions de traitement conduirait à un fonctionnement instable de la colonne, ce qui conduirait à une mauvaise séparation et à une mauvaise qualité du produit de fond. Les moniteurs mis en place laisseront aux ingénieurs et aux opérateurs suffisamment de temps pour réagir et éviter que de telles situations ne se reproduisent. Chaque événement entraînerait de manière réaliste plusieurs heures de perte de production et de qualité dégradée. Avec un débit moyen de 25t / h, cela permet d'économiser plus de 100 de produits hors spécifications par événement et, inversement, des tonnes de 100 supplémentaires produits sur spécification en évitant l'événement.

Une analyse plus intelligente avec des données contextuelles

L'utilisation de données chronologiques saisies, associée à la connaissance de vos experts en processus et en actifs, vous permet d'opérer plus rapidement et d'améliorer les performances globales. Comme indiqué précédemment, les données opérationnelles directes et indirectes sont capturées par diverses applications métiers. Si ces données peuvent être liées aux données de série chronologique lors de l’analyse des tendances, d’autres améliorations opérationnelles peuvent être obtenues.

TrendMiner5Un premier ajout logique d'informations contextuelles consiste à lier les données de test de qualité provenant du laboratoire aux données de processus. En particulier dans le cas de la production par lots, où le contexte d’un lot (tel que son numéro, son temps de cycle, etc.) peut être lié aux données de test du laboratoire. De cette manière, chaque traitement par lots spécifique est non seulement lié à ses données de processus, mais également à ses propres données de qualité. Ces informations supplémentaires liées permettent une évaluation plus rapide des meilleures exécutions pour la création d'empreintes digitales de lots dorés afin de surveiller les lots futurs. Il est également utile de collecter les lots les moins performants pour démarrer votre analyse afin d'améliorer le processus de production.

Courir plus rapidement en tirant parti de toutes les informations contextuelles?

Que vous ayez un processus de production continu ou que vous travailliez par lots, un large éventail de données contextuelles peut apporter un nouvel éclairage sur vos performances opérationnelles. Pensez aux événements capturés pendant le processus de production, tels que les arrêts de maintenance, les anomalies de processus, les informations sur la santé des actifs, les événements externes, les pertes de production, etc. De plus, la dégradation des performances des équipements peut indiquer que la qualité du produit sera affectée, ce qui peut être utilisé la qualité des produits. Toutes ces informations contextuelles aident à mieux comprendre les performances opérationnelles et à donner de nouveaux points de départ aux projets d'optimisation lors de l'utilisation de votre plate-forme d'analyse avancée.

TrendMiner6

Figure 5 De nombreux facteurs influent sur les performances opérationnelles et, partant, sur la qualité du produit, qu'il est possible d'inclure pour analyser, surveiller et prévoir les performances opérationnelles.

Pensées finales

De nombreuses entreprises du secteur de la fabrication de process utilisent déjà leurs données chronologiques pour améliorer leurs performances opérationnelles. Les meilleurs résultats sont obtenus lorsque des experts en la matière peuvent analyser eux-mêmes les données à l’aide de logiciels d’analyse avancée en libre-service. Lorsque les données d'autres applications métier peuvent être liées aux données de série chronologique, de nouvelles informations peuvent être acquises. Les données contenues dans ces applications métier constituent un nouveau point de départ pour l'amélioration des processus. Ces informations peuvent permettre aux moniteurs de capturer de nouveaux événements pour une évaluation plus en profondeur du processus de production et d’entraîner ainsi un cycle d’amélioration continue. Cette approche contribuera à réduire les coûts liés aux déchets, à l’énergie et à la maintenance et d’accroître les rendements grâce à des produits de qualité. Globalement, la rentabilité du site s’améliore, ce qui vous permet d’opérer dans la voie rapide.

Pour plus d'informations, contactez TrendMiner, au:

+32 11 263830
[EMAIL PROTECTED]
www.trendminer.com

Industrie de process Informer

nouvelles connexes

Laissez un commentaire

Ce site utilise Akismet pour réduire les spams. Découvrez comment vos données de commentaire sont traitées.

Partage via
Copier le lien