WO2020109945A1 - Procede de regulation d'un processus industriel - Google Patents

Procede de regulation d'un processus industriel Download PDF

Info

Publication number
WO2020109945A1
WO2020109945A1 PCT/IB2019/060058 IB2019060058W WO2020109945A1 WO 2020109945 A1 WO2020109945 A1 WO 2020109945A1 IB 2019060058 W IB2019060058 W IB 2019060058W WO 2020109945 A1 WO2020109945 A1 WO 2020109945A1
Authority
WO
WIPO (PCT)
Prior art keywords
industrial
parameter
data
parameters
performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/IB2019/060058
Other languages
English (en)
Inventor
Hervé CROS
Sylvain RUBAT DU MERAC
Laurent LAPORTE
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Braincube SAS
Original Assignee
Braincube SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from FR1871850A external-priority patent/FR3089024A1/fr
Priority claimed from FR1903341A external-priority patent/FR3094504A1/fr
Application filed by Braincube SAS filed Critical Braincube SAS
Publication of WO2020109945A1 publication Critical patent/WO2020109945A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a digital apparatus for regulating an industrial process designed for the manufacture of a family of products, said industrial process comprising a plurality of machine elements designed to operate with ranges of parameter values of setpoint within which the products of the family of products can be produced, the machine elements being coupled to sensors adapted to receive data of operational parameters of the industrial process during the production of the products.
  • Document EP3379357 describes an industrial process monitoring system using an advanced process controller (APC) connected to process status sensors and an industrial process anomaly detection module using models from machine learning (MLM).
  • APC advanced process controller
  • MLM machine learning
  • the system generates alerts in the event of abnormal operation of the industrial process or the APC.
  • This type of system is based on one or more models trying to represent the industrial process. Modeling is often a very complex process, making this approach tedious for complex industrial processes. There is also still a gap between the model and the actual process. Detecting process operating errors does not improve the process or process performance.
  • the document EP0097053 describes a digital PID type control device intended to calculate a control signal in the form of a process input signal. This device makes it possible to regulate a process during operation by detecting the error in relation to a setpoint. No means is provided to allow the process to start under optimal conditions or to optimize the process in progress. In addition, one or more instructions must be provided to the device.
  • Document EP2042958 describes a quality control process for a production line in which the production data are collected to constitute a history. This data is then used to control the quality of the manufacturing process in subsequent phases. The method thus makes it possible to detect possible deviations. However, the process does not and does not provide any means for optimizing the process and / or the product.
  • the invention provides different technical means.
  • a first objective of the invention is to provide a process to facilitate the launch of an industrial manufacturing process with a view to obtaining specific characteristics in the shortest possible time.
  • Another objective of the invention consists in providing a process which makes it possible to regulate an industrial process without having to use a modeling of this process.
  • Yet another objective of the invention consists in providing a process which makes it possible to optimize the operational parameters of a manufacturing process.
  • the invention provides a method for adjusting (setting) process parameters in an industrial process in a factory, said method being controlled by a control module, said method comprising the following steps:
  • a step of obtaining historical data using a historical data module in relation to a plurality of data sources in relation to the industrial process, said historical data comprising parameter adjustment data, process performance parameter data and product specification data from the industrial process;
  • Such an embodiment makes it possible to facilitate the launching of an industrial manufacturing process with a view to obtaining specific characteristics in the shortest possible time, without having to use a modeling of this process.
  • the process works advantageously without modeling the process. Due to the imprecision of the models, and / or the great difficulty in modeling the complex industrial processes often involving several thousand parameters, the fact of being able to be based solely on historical data (without modeling) allows obtaining results reliable, at favorable costs.
  • the method is advantageously designed for families of products (for example different types of paper or different colors of paint, etc.) and / or processes with industrial performances included in a range of values (for example several speeds, temperatures , humidities, etc.) called to vary on a recurring basis according to needs and / or production constraints.
  • the new data from the process is transmitted to the historical database for future iterations.
  • At least one item of product specification data is modified and a new iteration is repeated in step ii.
  • At least one value of the industrial process performance parameter is modified and a new iteration is repeated in step ii.
  • certain process performance parameters correspond to adjustable parameters (by the control module acting on the production line) by sending an adjustment value to the control module.
  • This can be for example, the scrolling speed, the temperature of an oven, etc.
  • some process performance parameters do not have corresponding adjustable parameters. It can be, for example, the time, the weather, the composition or the quality level of an element used as a raw material, etc.
  • step viii is carried out based on the values maximizing the rank, or maximizing the effective rank.
  • the process steps are advantageously repeated one or more times until a stop criterion is reached, such as for example the end of a production, obtaining a stabilized result, or the like.
  • a latency time is advantageously provided between each new setpoint. This lag time allows the technical effect linked to the new setpoint to have time to occur.
  • At least one operational parameter to be optimized corresponds to a technical specification of the product to be manufactured.
  • the optimization step is based on the analysis of the data of the operational parameters and the instructions of the previous iterations, in order to aim for a continuous improvement of the operational parameter to be optimized.
  • the optimization or continuous improvement step includes a sub-step for separating data from previous iterations from industrial parameters around a median.
  • the method advantageously comprises a step of maximization or minimization or stabilization.
  • the invention also provides a digital device for regulating (or automatically controlling) an industrial process designed for the manufacture of a family of products, said industrial process comprising a plurality of machine elements designed to operate at within ranges of setpoint parameter values within which the products of the product family can be produced, the machine elements being coupled to sensors adapted to receive data of effective operational parameters of the industrial process during the manufacture of the products, said digital regulation device comprising:
  • an industrial parameters module receiving from said sensors integrated into the industrial process data of effective operational parameters of the process during the production of products by the process;
  • a setpoint calculation module by automatic learning retaining the operational parameter data of previous iterations of the industrial process in relation to the setpoint data applied to each machine element during these previous iterations, said setpoint calculation module by automatic learning being designed to define (without calling on a modeling of the industrial process) a set of setpoint values to be assigned to said machine elements according on the one hand to the technical specifications of a type of product to be manufactured and to other part of all or part of the operational parameter data from previous iterations of the industrial process so as to optimize at least one of the operational parameters of the industrial process by using the operational parameter data from previous iterations of the industrial process for identical technical specifications or neighbors;
  • a machine element control module connected to the setpoint calculation module by automatic learning, and to each of said machine elements, capable of controlling the industrial manufacturing process by supplying each of said machine elements with at least one setpoint obtained by said setpoint calculation module by automatic learning.
  • the module for technical specifications of products comprises data of technical specifications of products to be manufactured by the industrial process and data of operational parameters to be optimized.
  • the industrial parameters module comprises non-adjustable parameter data coming from sensors of non-adjustable parameters data of the industrial process and the setpoint calculation module comprises historical data of non-adjustable parameters.
  • FIG. 1 is a schematic representation of an example of a digital control device connected to an industrial process
  • FIG. 2 is a functional flow diagram of an example of an automatic regulation method. DETAILED DESCRIPTION OF THE INVENTION
  • non-adjustable parameter means a parameter for which a setpoint given to a machine element of the industrial process has no direct effect on this parameter. This can be due to the fact that the parameter cannot (or can hardly) be controlled by a machine element (weather, time parameter, etc.) It can be for example a physical value linked to the environment in which the industrial process is implemented and on which no machine element can act, or a parameter extrinsic to the manufacturing process with its machine elements, such as for example the chemical composition or the origin of a raw material used in the manufacturing process. It can also be a parameter which can no longer be modified when the setpoint is calculated.
  • a reserve of paper pulp is produced at a certain time, with a composition which is the result of adjustments, but once this reserve has been constituted, the rest of the industrial process uses this reserve without modifying its composition.
  • the adjustment parameters that were used for making the dough are then seen as non-adjustable parameters for the rest of the process.
  • Figure 1 is a schematic representation of an industrial process 20 intended for the manufacture of a family of products 30.
  • family of products is meant a product which may have several variants or versions, these variants or versions being distinguished each other by specific product technical specifications.
  • the industrial process 20 is implemented by a plurality of machine elements 21.
  • Each machine element 21 implements one or more manufacturing functions for which it is specifically designed.
  • Each of the machine elements is controlled by one or more adjustment values 13 calculated by an adjustment module 4 as described below.
  • the values are generally included within ranges of setpoint parameter values within which the products of the family of products can be produced.
  • a module 5 for controlling machine elements 21 is connected to each of said machine elements 21 and is adapted to control the industrial manufacturing process by supplying each of these machine elements 21 with the calculated setting value (s) 13 making it possible to manufacture the desired product, with the desired technical specifications.
  • the actual or actual data of the operational parameters making it possible to qualify and / or measure and / or monitor and / or supervise the process are captured or detected by a plurality sensors 22 and 23 provided at the machine elements 21 and / or in the environment of the industrial process.
  • the digital apparatus 1 for regulating (or automatically piloting) the industrial process 20 makes it possible to generate and automatically supply the setting (s) (or instructions) to the control module 5.
  • It includes a module 2 of technical specifications of products 30 to be manufactured by the industrial process 20. This module brings together all of the data 10 of technical specifications of the family of products that can be manufactured by the industrial process, as well as the parameter data 11 of industrial process performance. It also includes an industrial performance objective module 3, incorporating the performance objective data 12 to be achieved, either at the level of product specification and / or at the level of industrial performance parameters to be optimized.
  • An adjustment module 4 includes the adjustment value data.
  • This adjustment module 4 is furthermore designed to define a set of values 13 of instructions or adjustment to be assigned to the machine elements 21 as a function either of the technical specifications 10 of a type of product to be produced, or of operational parameters 11 of the industrial process, and in relation to all or part of the historical data from previous iterations of the industrial process, so as to achieve a pre-established performance objective.
  • a module 8 of historical data includes all of the historical data 14 of adjustment, performance and product in connection with the manufacturing process.
  • this module stores the operational parameter data from previous iterations of the industrial process in relation to the setpoint data applied to each machine element 21 during the previous iterations of the industrial process. These data come from sensors 22 and 23 integrated into the industrial process.
  • a microprocessor 6 and operating instructions 7 allow the digital control device to operate autonomously. Examples 1 to 3, presented below, make it possible to describe and illustrate the optimization mode implemented by the adjustment module.
  • FIG. 2 illustrates the main steps of the parameter adjustment process (or automatic piloting) of industrial process 20.
  • the historical data module 8 receives historical data 14 of the industrial process.
  • Step 41 consists of receiving specifications 10 of a product to be manufactured and receiving performance parameters 11 of the corresponding industrial process.
  • Step 42 allows the identification of at least one product specification and / or of a performance parameter of the industrial process to be improved, constituting the industrial performance objective 12 to be achieved.
  • step 43 at least one setting value 13 of the control module 50 of the industrial process enabling the product 30 to be produced according to the specifications 10 is determined, by analysis of the historical data, while aiming to achieve objective 12 of industrial performance.
  • Step 44 is a sub-step of step 43, in which an identification is made of the parameters of the process impacting said process and / or the product implemented by said process as well as the corresponding impact level data. on the process for each of the parameters.
  • Step 45 consists in selecting a non-adjustable parameter impacting as a function of its high level of impact on the process and / or the product used.
  • Step 46 consists in identifying, in the historical data 14, a subset of values where the identified impacting parameters have values identical to or close to the current value of the identified impacting parameter.
  • Step 47 consists of an identification, in the subset, of the historical adjustment values which correspond to the objective 12 of industrial performance. If at the end of step 45 at least one non-adjustable impacting parameter is identified, then we go to step 44 to identify other possible non-adjustable parameters impacting in this history sub-set.
  • the identified setting values 13 are transmitted to the industrial process control module 50 which performs an implementation of the industrial process according to these values.
  • the operational parameter data of the iterations of the industrial process are kept in relation to the setpoint data applied to each machine element 21 during these iterations. Keeping the new data obtained, in addition to historical data, makes it possible to change the set values with a view, for example, to continuous development.
  • a stop criterion such as the end of production, or any other stop criterion, such as for example obtaining a stabilized result. It is also possible to provide a latency time after a setpoint while the technical effect of the previous setpoint occurs.
  • the operational parameter or parameters to be optimized can correspond to one or more technical specifications of the product to be manufactured, such as for example the whiteness or the grammage of a paper to be manufactured.
  • the specifics of the identification calculation are presented in the historical data of a subset of values where the identified impacting parameter has values identical or close to the current value of the identified impacting parameter.
  • the method advantageously uses two scoring approaches to identify the relevant data of the process to be optimized. These ratings qualify a subset of the historical data: for example, the history respecting a rule expressed by a minimum and a maximum for a set of parameters. These concepts can only be used in cases where the historical data are partitioned into two parts: the historical data which led to good production, and those which led to bad production. This partitioning is done using the information received during steps i) and ii) previously described.
  • the first approach concerns the rank. This is the probability of being in a selection of historical data for a good production, or satisfying the established criteria, minus the probability of being in a selection of historical data, for a production to be rejected, or not satisfying to the established criteria.
  • the method preferably uses an improved approach to rank, referred to below as the "effective rank".
  • the rank measures the power of separation, between the two classes, of an interval of a variable or of the combination of several variable intervals.
  • the two classes identify productions or products which one wishes to reproduce (good products) and others which one wishes to avoid (bad products). It is thus possible to separate the batches of a production according to the quantity of energy consumed or the yield for example.
  • any interval has a rank
  • the actual rank does not correspond to the calculated gross rank value, but to this value minus the rank of a random data set having the same characteristics (number of points, distribution between the two categories).
  • the result obtained is therefore additional information compared to the randomness: the effective rank makes it possible to guard against the mathematical artefacts to which the rank could be subject. Any combination of intervals has an effective rank.
  • the calculation of the effective rank of a variable consists in calculating the rank of all possible intervals (or of all possible combinations of intervals in multivariate) and of retaining the interval having the highest rank.
  • the method can optimize the calculations so that it is not necessary to test all the intervals to find the best one. From a mathematical point of view, if a point is in the interval presenting the maximum effective rank, then its probability of being in the good class is maximum and conversely if a point is in the complementary interval, its probability of to be bad is maximum.
  • the rank and the effective rank are advantageously multiplied by 100 for a better interpretation. It therefore varies from -100 for historical data subsets containing all and only bad products, to 100 for those containing all and only good products. The value 0 indicates that the proportion of good and bad of the subset is equivalent to the proportion contained in the history.
  • EXAMPLE 1 application of a layer of paint
  • This first example relates to the manufacture of a toy, in particular a step of applying a layer of paint at a certain temperature.
  • the part is therefore heated before or during the application of the paint, in order to improve the quality of the finish.
  • Parts pass through at a speed v in an oven at temperature t in order to fix a paint on the part.
  • the conveyor speed is subjected (depending on an upstream process for example) and only the oven temperature is adjustable. To have an optimal paint finish, the part must receive a certain amount of energy. If the speed is high, then it is necessary to increase the temperature value. Conversely, if the speed decreases it is necessary to reduce the temperature value so that the total amount of energy received by the room remains stable.
  • the amount of energy is equal to the temperature t divided by the speed v.
  • the historical values have only four values, ie the last four parts or batches produced.
  • the digital control device and the control method aim to define the set point values to be used for this manufacturing, or manufacturing phase without any prior model or device establishing the link between quality, temperature and speed.
  • the following data are the historical operational parameters of the production chain.
  • the lines are sorted chronologically. We aim for an amount of energy received per room as close as possible to 20.
  • Product No. 5 must now be painted, and the automatic regulation process makes it possible to provide a set value as a function of the operational characteristic to be optimized.
  • the four points in the history are separated into two populations around the median of the goal. Since we want to maximize the objective, the "good” parts will be those of the group with a strong objective (parts 3 and 4). Parts 1 and 2 are therefore considered in this breakdown as being "bad” parts. With this cutting, if we consider the temperatures, we get: 80 ° corresponds to a bad part, 85 ° corresponds to a bad and a good part, and 92.5 ° corresponds to a good part.
  • the interval which contains the most favorable data and the least unfavorable data or interval which maximizes the rank is therefore [85 ° 92.5 °].
  • Its rank is the probability of being in 85-92.5 considering only the good historical data (two pieces are in 85-92.5 on the two good pieces) minus the probability of being between 85-92.5 for bad pieces (one piece is between 80-92.5 on the two bad).
  • the setpoint is extracted by taking for example the average: in the history, the following measurements correspond to the range of the rank: 85 , 85, 92.5.
  • the average (87.5 °) is thus assigned as the temperature setting setpoint for room 5.
  • a value other than the average can be used, such as the median, the minimum or the maximum depending on the case.
  • a more complex operation can also be carried out on this interval to obtain an even more adjusted value, such as for example, choosing the value of the interval for which the ratio of favorable data is maximum. Since in this theoretical example, only the last four pieces are taken into account, the first piece is ignored, and the process continues with pieces 2, 3, 4 and 5 which allow to obtain a new cutting, and therefore another setting for room 6 (86.3 °).
  • the digital control device and the automatic control method of the invention make it possible to dispense with a model representing manufacturing. Factors disruptive, whether internal or external, are taken into account indirectly. For example, if there is wear on the oven insulation, the known method, which is based on modeling, does not take into account the amount of energy lost, and therefore the quality level of the painted parts does not is not optimal, because the energy lost due to the lack of insulation is not taken into account.
  • the previously presented process is based on a history including measures where the insulation is already damaged, taking into account the impact on the quality level. The calculated setpoints are therefore adjusted automatically.
  • the second example comes from the technical field of paper mills. As in any industry, what is made (here paper) must meet specifications. The whiteness is part of the specifications that the papermakers must respect, this example will illustrate the process of regulation of this specification. In a paper production line, the whiteness is measured by a camera which counts the dark spots present on the surface. A spot density is thus determined. The value that is targeted in this example is 100: the closer the value measured at the end of the process to 100, the better. These spots partly come from the composition of the dough. To limit the number of spots it must be sufficiently well filtered. The operational parameter called "refusal ratio" allows you to act on this filtration. The spots can also come from a poor flow of the dough. An operational parameter is also associated with it.
  • the rate of recycled paper (%) used in the pulp is also an important parameter, but this parameter is undergone. It depends on external factors (economic, availability, etc.). No adjustment can therefore be made on this parameter, however impacting. It is however recorded in the production history so that the settings of the other parameters (the operational ones) can be adjusted to take account of variations in the parameters undergone.
  • This process is called contextualization.
  • the density of dark spots is modeled by the following function: rejection ratio (%) / pulp flow rate (l / min) + recycled paper rate / 10 - 2. This formula is given to follow the calculations of The example. In a real factory, as mentioned earlier, the spot density is measured, not calculated, and the underlying physical process is only partially known. In the following table, one line corresponds to a reel of paper produced. This is for educational purposes, and any other production unit can be used instead. The following table shows the initial data available concerning the desired whiteness paper production 100. The data for the last 4 reels are present.
  • Coil No. 5 must now be produced, and the automatic regulation process makes it possible to provide a set value as a function of the operational characteristic to be optimized.
  • the four historical points are separated into two populations around the median of the whiteness rate.
  • the "good” coils will be the two with the spot rate closest to 100 (coils 2 and 4).
  • the coils 1 and 3 are therefore considered in this division as being "bad” coils. With this breakdown, if we consider the rejection ratios, we obtain: "1 1.20 corresponds to a bad reel, 11.80 corresponds to a good one, 12.30 corresponds to a bad one, and 12.40 corresponds to a good one.”
  • the non-adjustable recycling ratio parameter cannot be used to separate the good from the bad because it is constant. No contextualization is therefore carried out for the moment.
  • the range interval which best separates the good reels from the bad reels is [11.80; 12.40]
  • the module uses the average to assign a value. 3 coils are included in this interval and their rejection ratios are 11.80, 12.30 and 12.40. The average (12.17) is therefore applied to the operational parameter of refusal ratio.
  • the spot rate approaches 100 which is the optimal production value. But the last reel, due to the high recycling rate, deviates from the optimal production.
  • the coil 9 must be produced, always with a history of 4 coils.
  • the 2 reels classified as good are 7 and 5.
  • the distillation columns are used to separate the components of a raw material.
  • the raw material is subjected to a vapor which heats it and causes the gasification of the desired element.
  • the process requires a supply of heat which is delivered in the form of steam.
  • Distillation columns are widely used in the chemical industry. From this process, a gas emerges which mainly contains the component sought by the manufacturer. But it also contains impurities, including a residual moisture content. The residual humidity should be minimized, but there is no need to waste too much energy for this. Above a certain threshold, the product is acceptable. In this example the threshold is set at 1.5%. If the final product contains more than 1.5% the quality will not be optimal, and if it contains less, energy will have been wasted and therefore the production cost will not be optimal (nor the environmental impact). A value around 1.5% is therefore sought.
  • the main operational parameter impacting the humidity rate is the vapor flow rate (T / h) which is used in the distillation column.
  • another parameter also has an impact on the distillation process: the outside temperature.
  • This parameter is of course not adjustable, but its measurement, recorded by sensors, is recorded in the history.
  • a history of four elements is used. In this case, it is a production in flow, and therefore a line in the following table does not represent an actual element, but rather a sample of production. A measurement is made at regular intervals, and the value of the measured sample feeds the history.
  • the history of this example is as follows:
  • the regulation module Before the measurement of the sample 5 takes place, the regulation module has the possibility of acting on the factory by modifying the operational flow parameter. For that, as in the previous examples, the history is used in order to obtain a more adequate adjustment, the aim being to approach a residual humidity rate of 1.5%.
  • the 4 points are separated into two groups: the two points closest to a rate of 1.5% together (they constitute the good points) and the others (the bad points).
  • Points 1 and 3 are therefore the two good points.
  • the module deduces the rank interval which maximizes the separation of good from bad for the two parameters: flow [4.9; 5.2] and outside temperature [0; 0]
  • the flow interval allows to isolate two good samples (samples 1 and 3 are good, and are in the flow interval [4.9; 5.2]) while the temperature interval only allows to isolate '' a single sample (only sample 1 is linked to an outside temperature of 0 °).
  • the flow parameter therefore has a higher rank. Being an operational parameter, it will be used to carry out the adjustment. Again, this is the average that will be used to extract the value from the interval. There are only two samples in the interval, and their average is 5.05. The operational flow parameter is therefore fixed at 5.05. Production will be affected, and the resulting sample (n ° 5) is displayed in the following table:
  • the first sample is then replaced by the last, then a new good / bad cutting is carried out to prepare the sample 6.
  • the good points are then n ° 3 and 5.
  • the interval of the row separating the best always on the flow parameter, and it is [4.9; 5.05] It only contains two points, and its mean (4.98) is therefore assigned to the operational parameter of flow. As the following table shows, this brings the residual rate of 1.5 even closer:
  • the method can then iterate using the new history.
  • the following production is obtained:
  • the last 4 samples are divided into two groups, the good ones being those with the residual rate closest to 1.5. Only the last sample (9) is therefore considered bad since it is the one with the most distant residual rate (6 and 7 are equidistant and 8 is perfect).
  • the best range range for flow is [4.98; 4.98], but this range contains only one of the 3 good samples.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

Procédé d'ajustement de paramètres de processus dans un processus industriel d'une usine, comprenant une étape d'obtention de données historiques, une étape d'introduction de spécifications d'un produit à fabriquer à l'aide du processus industriel et d'introduction de paramètres de performances du processus industriel correspondant, une étape d'identification d'au moins une spécification du produit ou d'un paramètre de performance du processus industriel à améliorer, constituant l'objectif de performance industrielle à atteindre, une étape de détermination, par analyse des données historiques, d'au moins une valeur de réglage du module de commande du processus industriel permettant de fabriquer le produit selon les spécifications tout en visant l'atteinte de l'objectif de performance industrielle.

Description

Procédé de régulation d’un processus industriel
DOMAINE TECHNIQUE DE L'INVENTION
[001] La présente invention concerne un appareil numérique de régulation d’un processus industriel conçu pour la fabrication d’une famille de produits, ledit processus industriel comprenant une pluralité d’éléments de machine conçus pour opérer avec des plages de valeurs de paramètres de consigne à l’intérieur desquelles les produits de la famille de produits sont susceptibles d’être fabriqués, les éléments de machines étant couplés à des capteurs adaptés pour recevoir des données de paramètres opérationnels du processus industriel lors de la fabrication des produits.
ETAT DE LA TECHNIQUE ANTERIEURE
[002] Le document EP3379357 décrit un système de surveillance de procédé industriel utilisant un contrôleur de procédé avancé (APC) relié à des capteurs de statut du procédé et un module de détection d’anomalie du procédé industriel utilisant des modèles provenant d’apprentissage automatique (MLM). Le système permet de générer des alertes en cas de fonctionnement anormal du procédé industriel ou de l’APC. Ce type de système est basé sur un ou plusieurs modèles tentant de représenter le procédé industriel. L’établissement de modèles est un processus souvent très complexe, rendant cette approche fastidieuse pour des procédés industriels complexes. Il existe par ailleurs toujours un écart entre le modèle et le procédé réel. Le fait de détecter les erreurs de fonctionnement du procédé ne permet pas pour autant d’améliorer le procédé ou les performances du procédé.
[003] Le document EP0097053 décrit un appareil numérique de régulation de type PID destiné à calculer un signal de régulation sous la forme d’un signal d’entrée d’un processus. Ce dispositif permet d’effectuer une régulation d’un processus en cours de fonctionnement en détectant l’erreur par rapport à une consigne. Aucun moyen n’est fourni pour permettre de lancer le processus dans des conditions optimales ni pour optimiser le processus en cours. Par ailleurs, une ou plusieurs consignes doivent être fournies au dispositif.
[004] Le document US2004267399 décrit un procédé de contrôle de la fabrication de semi-conducteurs permettant à un contrôleur de surveiller l’évolution de la fabrication de plaques de semi-conducteur entre deux phases de fabrication. Le procédé fait appel à une modélisation du procédé. La mise en place d’une modélisation fidèle et véritablement représentative d’un procédé peut s’avérer très lourde et souvent très longue. Le procédé est prévu pour la fabrication de tranches de semi-conducteurs, soit un produit unique, qui doit être constant dans le temps, sans variation des paramètres. Le procédé ne convient pas pour un processus impliquant diverses familles de produits, car, à chaque changement de produit ou de paramètre, la modélisation devrait être revue, ce qui serait particulièrement fastidieux et coûteux. D’autre part, les processus industriels de fabrication ou de production sont intrinsèquement très complexes, avec plusieurs centaines ou milliers de paramètres, qu’une modélisation ne peut pas prendre en compte de façon fiable, exacte ou véritablement exhaustive. Enfin, le procédé ne permet pas et ne donne aucun moyen permettant de mettre en oeuvre une optimisation du procédé et/ou du produit.
[005] Le document EP2042958 décrit un procédé de contrôle de qualité d’une chaîne de fabrication dans lequel on collecte les données de production pour constituer un historique. Ces données sont ensuite utilisées afin de contrôler la qualité du processus de fabrication lors des phases ultérieures. Le procédé permet ainsi de détecter des déviations éventuelles. Toutefois, le procédé ne permet pas et ne donne aucun moyen permettant de mettre en oeuvre une optimisation du procédé et/ou du produit.
[006] Il existe donc un besoin pour un dispositif qui permet de faciliter le démarrage d’un procédé de fabrication et pour permettre d’optimiser le procédé une fois ce dernier en cours. Pour pallier ces différents inconvénients, l’invention prévoit différents moyens techniques.
EXPOSE DE L'INVENTION
[007] Tout d’abord, un premier objectif de l’invention consiste à fournir un procédé permettant de faciliter le lancement d’un procédé industriel de fabrication en vue de l’obtention de caractéristiques spécifiques dans un délai le plus court possible.
[008] Un autre objectif de l’invention consiste à fournir un procédé qui permet de réguler un procédé industriel sans devoir utiliser une modélisation de ce procédé.
[009] Encore un autre objectif de l’invention consiste à fournir un procédé qui permet d’optimiser les paramètres opérationnels d’un procédé de fabrication. [0010] Pour ce faire, l’invention prévoit un procédé d’ajustement (setting) de paramètres de processus dans un processus industriel d’une usine, ledit procédé étant contrôlé par un module de commande, ledit procédé comprenant les étapes suivantes :
i) une étape d’obtention de données historiques, à l’aide d’un module de données historiques en relation avec une pluralité de sources de données en relation avec le processus industriel, lesdites données historiques comprenant des données d’ajustement de paramètres, des données de paramètres de performances du processus et des données de spécifications du produit issu du processus industriel ;
ii) une étape de réception de spécifications d’un produit à fabriquer à l’aide du processus industriel et de réception de paramètres de performances du processus industriel correspondant ;
iii) une étape d’identification d’au moins une spécification du produit ou d’un paramètre de performance du processus industriel à améliorer, constituant l’objectif de performance industrielle à atteindre ;
iv) une étape de détermination, par analyse des données historiques, d’au moins une valeur de réglage (dites valeur de réglage d’atteinte d’objectif) du module de commande du processus industriel permettant de fabriquer le produit selon les spécifications tout en visant l’atteinte de l’objectif de performance industrielle ;
v) l’étape d’analyse des données historiques comportant une phase d’identification des paramètres de performance du processus impactant ledit processus et/ou le produit mis en oeuvre par ledit processus ainsi que les données correspondantes de niveau d’impact sur le processus pour chacun des paramètres ;
vi) une étape de sélection d’au moins un paramètre impactant en fonction de son niveau élevé d’impact sur le processus et/ou le produit mis en oeuvre ;
vii) une étape d’identification dans les données historiques d’un sous-ensemble de valeurs où le paramètre impactant identifié présente des valeurs identiques ou voisines de la valeur actuelle du paramètre impactant identifié ;
viii) une étape d’identification, dans le sous-ensemble, des valeurs historiques de réglage qui correspondent à l’objectif de performance industrielle ;
ix) une étape d’envoi des valeurs de réglage identifiées au module de contrôle du processus industriel et mise en oeuvre du processus selon ces valeurs.
[0011] Un tel mode de réalisation permet de faciliter le lancement d’un procédé industriel de fabrication en vue de l’obtention de caractéristiques spécifiques dans un délai le plus court possible, sans devoir utiliser une modélisation de ce procédé. Le procédé fonctionne avantageusement sans modélisation du processus. Du fait de l’imprécision des modélisations, et/ou de la grande difficulté à modéliser les processus industriels complexes impliquant souvent plusieurs milliers de paramètres, le fait de pouvoir se baser uniquement sur les données historiques (sans modélisation) permet l’obtention de résultats fiables, à des coûts avantageux.
[0012] Le procédé est avantageusement conçu pour des familles de produits (par exemple différents types de papiers ou différentes couleurs de peintures, etc) et/ou des processus avec des performances industrielles comprises dans une gamme de valeurs (par exemple plusieurs vitesses, températures, humidités, etc) appelées à varier de façon récurrentes en fonction des besoins et/ou des contraintes de production.
[0013] De manière avantageuse, les nouvelles données issues du processus sont transmises à la base de données historiques pour de futures itérations.
[0014] Selon un premier mode de réalisation avantageux, au moins une donnée de spécifications de produits est modifiée et une nouvelle itération est reprise à l’étape ii.
[0015] Selon un autre mode de réalisation avantageux, au moins une valeur de paramètre de performance du processus industriel est modifiée et une nouvelle itération est reprise à l’étape ii.
[0016] De manière avantageuse, certains paramètres de performance du processus correspondent à des paramètres réglables (par le module de commande agissant sur la chaîne de fabrication) par l’envoi d’une valeur de réglage au module de commande. Il peut s’agir par exemple, la vitesse de défilement, la température d’un four, etc.
[0017] En variante, certains paramètres de performance du processus ne comportent pas de paramètres réglables correspondants. Il peut s’agir par exemple, l’heure, la météo, la composition ou le niveau de qualité d’un élément servant de matière première, etc.
[0018] Selon divers modes de réalisation, l’étape viii est réalisée en se basant sur les valeurs maximisant le rang, ou maximisant le rang effectif. [0019] Les étapes du procédé sont avantageusement répétées une ou plusieurs fois jusqu’à atteinte d’un critère d’arrêt, comme par exemple la fin d’une production, l’obtention d’un résultat stabilisé, ou autre.
[0020] Un temps de latence est avantageusement prévu entre chaque nouvelle consigne. Ce temps de latence permet que l’effet technique lié à la nouvelle valeur de consigne ait le temps de se produire.
[0021] Selon un autre mode de réalisation, au moins un paramètre opérationnel à optimiser correspond à une spécification technique du produit à fabriquer.
[0022] De manière avantageuse, l’étape d’optimisation est basée sur l’analyse des données des paramètres opérationnels et des consignes des itérations antérieures, pour viser une amélioration continue du paramètre opérationnel à optimiser.
[0023] Egalement de manière avantageuse, l’étape d’optimisation ou d’amélioration continue comprend une sous-étape de séparation des données d’itérations antérieures de paramètres industriels autour d’une médiane.
[0024] Le procédé comprend avantageusement une étape de maximisation ou de minimisation ou de stabilisation.
[0025] L’invention prévoit également un appareil numérique de régulation (ou pilotage automatique) d’un processus industriel conçu pour la fabrication d’une famille de produits, ledit processus industriel comprenant une pluralité d’éléments de machine conçus pour opérer à l’intérieur de plages de valeurs de paramètres de consigne à l’intérieur desquelles les produits de la famille de produits sont susceptibles d’être fabriqués, les éléments de machines étant couplés à des capteurs adaptés pour recevoir des données de paramètres opérationnels effectifs du processus industriel lors de la fabrication des produits, ledit appareil numérique de régulation comprenant :
i) un module de spécifications techniques de produits à fabriquer par le processus industriel ;
ii) un module de paramètres industriels, recevant desdits capteurs intégrés au processus industriel des données de paramètres opérationnels effectifs du processus lors de la fabrication de produits par le processus ; iii) un module de calcul de consigne par apprentissage automatique, conservant les données de paramètres opérationnels d’itérations antérieures du processus industriel en relation avec les données de consignes appliquées à chaque élément de machine lors de ces itérations antérieures, ledit module de calcul de consigne par apprentissage automatique étant conçu pour définir (sans faire appel à une modélisation du processus industriel) un ensemble de valeurs de consignes à affecter auxdits éléments de machine en fonction d’une part des spécifications techniques d’un type de produit à fabriquer et d’autre part de tout ou partie des données de paramètres opérationnels d’itérations antérieures du processus industriel de façon à optimiser au moins un des paramètres opérationnels du processus industriel en utilisant les données de paramètres opérationnels d’itérations antérieurs du processus industriel pour des spécifications techniques identiques ou voisines ;
iv) un module de commande d’éléments de machine, relié au module de calcul de consigne par apprentissage automatique, et à chacun desdits éléments de machine, apte à commander le processus industriel de fabrication en fournissant à chacun desdits éléments de machine au moins une valeur de consigne obtenue par ledit module de calcul de consigne par apprentissage automatique.
[0026] Selon un mode de réalisation avantageux, le module de spécifications techniques de produits comprend des données de spécifications techniques de produits à fabriquer par le processus industriel et des données de paramètres opérationnels à optimiser.
[0027] Selon une variante avantageuse, le module de paramètres industriels comprend des données de paramètres non réglables provenant de capteurs de données de paramètres non réglables du processus industriel et le module de calcul de consignes comprend des données historiques de paramètres non réglables.
DESCRIPTION DES FIGURES
[0028] Tous les détails de réalisation sont donnés dans la description qui suit, complétée par les figures 1 et 2, présentées uniquement à des fins d’exemples non limitatifs, et dans lesquelles:
-la figure 1 est une représentation schématique d’un exemple d’appareil numérique de régulation connecté à un processus industriel;
-la figure 2 est un organigramme fonctionnel d’un exemple de procédé de régulation automatique. DESCRIPTION DETAILLEE DE L’INVENTION
[0029] Par paramètre non réglable, on entend un paramètre pour lequel une consigne donnée à un élément de machine du processus industriel n'a pas d'effet direct sur ce paramètre. Ceci peut être dû au fait que le paramètre ne peut pas (ou peut difficilement) être contrôlé par un élément de machine (météo, paramètre temporel, etc.) Il peut s'agir par exemple d'une valeur physique liée à l'environnement dans lequel le processus industriel est mis en oeuvre et sur lequel aucun élément de machine ne peut agir, ou un paramètre extrinsèque au processus de fabrication avec ses éléments de machines, comme par exemple la composition chimique ou la provenance d'une matière première utilisée dans le processus de fabrication. Il peut aussi s'agir d'un paramètre qui n'est plus modifiable au moment où la consigne est calculée. Par exemple une réserve de pâte à papier est fabriquée à un certain moment, avec une composition qui est la résultante de réglages, mais une fois cette réserve constituée, la suite du processus industriel utilise cette réserve sans en modifier la composition. Les paramètres de réglage qui ont été employés pour la fabrication de la pâte sont alors vus comme des paramètres non réglables pour la suite du processus.
[0030] La figure 1 est une représentation schématique d’un processus industriel 20 prévu pour la fabrication d’une famille de produits 30. Par famille de produits, on entend un produit pouvant présenter plusieurs variantes ou versions, ces variantes ou versions étant distinguées les unes des autres par des spécifications techniques de produits 30 spécifiques.
[0031] Le processus industriel 20 est mis en oeuvre par une pluralité d’éléments de machine 21. Chaque élément de machine 21 met en oeuvre une ou plusieurs fonctions de fabrication pour lesquelles il est spécifiquement conçu. Chacun des éléments de machine est commandé par une ou plusieurs valeurs de réglage 13 calculées par un module de réglage 4 tel que décrit ci-après. Les valeurs sont en général comprises à l’intérieur de plages de valeurs de paramètres de consigne à l’intérieur desquelles les produits 30 de la famille de produits sont susceptibles d’être fabriqués. Un module 5 de commande d’éléments de machine 21 est relié à chacun desdits éléments de machine 21 et est adapté pour commander le processus industriel de fabrication en fournissant à chacun de ces éléments de machine 21 la ou les valeurs de réglage 13 calculées permettant de fabriquer le produit souhaité, avec les spécifications techniques souhaitées. [0032] Pendant le déroulement du processus industriel, en particulier pendant la fabrication des produits, les données effectives ou réelles des paramètres opérationnels permettant de qualifier et/ou mesurer et/ou suivre et/ou superviser le processus sont captés ou détectés par une pluralité de capteurs 22 et 23 prévus au niveau des éléments de machine 21 et/ou dans l’environnement du processus industriel.
[0033] L’appareil numérique 1 de régulation (ou pilotage automatique) du processus industriel 20 permet de générer et de fournir de façon automatique le ou les réglages (ou consignes) au module 5 de commande. Il comprend un module 2 de spécifications techniques de produits 30 à fabriquer par le processus industriel 20. Ce module regroupe l’ensemble des données 10 de spécifications techniques de la famille de produits pouvant être fabriqués par le processus industriel, ainsi que les données des paramètres 11 de performance du processus industriel. Il comprend également un module 3 d’objectif de performance industrielle, compotant les données 12 d’objectif de performance à atteindre, soit au niveau de spécification du produit et/ou au niveau de paramètres de performance industrielle à optimiser.
[0034] Un module de réglage 4, décrit ci-après, comporte les données de valeurs de réglage. Ce module 4 de réglage est par ailleurs conçu pour définir un ensemble de valeurs 13 de consignes ou réglage à affecter aux éléments de machine 21 en fonction soit des spécifications techniques 10 d’un type de produit à fabriquer, soit de paramètres opérationnels 1 1 du processus industriel, et en relation avec tout ou partie des données 14 historiques d’itérations antérieures du processus industriel, de façon à atteindre un objectif 12 de performance préétabli.
[0035] Un module 8 de données historiques comporte l’ensemble des données historiques 14 de réglage, de performance et de produit en liaison avec le processus de fabrication. Dans l’exemple illustré, ce module conserve les données de paramètres opérationnels d’itérations antérieures du processus industriel en relation avec les données de consignes appliquées à chaque élément de machine 21 lors des itérations antérieures du processus industriel. Ces données proviennent des capteurs 22 et 23 intégrés au processus industriel. Un microprocesseur 6 et des instructions 7 de mise en oeuvre permettent à l’appareil numérique de régulation de fonctionner de façon autonome. [0036] Les exemples 1 à 3, présentés plus loin, permettent de décrire et illustrer le mode d’optimisation mis en oeuvre par le module de réglage.
[0037] La figure 2 illustre les principales étapes du procédé d’ajustement de paramètres (ou pilotage automatique) de processus industriel 20. A l’étape 40, le module 8 de données historiques reçoit des données historiques 14 du processus industriel. L’étape 41 consiste en la réception de spécifications 10 d’un produit à fabriquer et réception de paramètres de performances 11 du processus industriel correspondant. L’étape 42 permet l’identification d’au moins une spécification du produit et/ou d’un paramètre de performance du processus industriel à améliorer, constituant l’objectif 12 de performance industrielle à atteindre.
[0038] A l’étape 43, on détermine, par analyse des données historiques, au moins une valeur de réglage 13 du module de commande 50 du processus industriel permettant de fabriquer le produit 30 selon les spécifications 10 tout en visant l’atteinte de l’objectif 12 de performance industrielle. L’étape 44 est une sous-étape de l’étape 43, dans laquelle on procède à une identification des paramètres du processus impactant ledit processus et/ou le produit mis en oeuvre par ledit processus ainsi que les données correspondantes de niveau d’impact sur le processus pour chacun des paramètres.
[0039] L’étape 45 consiste en une sélection d’un paramètre non réglable impactant en fonction de son niveau élevé d’impact sur le processus et/ou le produit mis en oeuvre. L’étape 46 consiste à identifier, dans les données historiques 14, un sous-ensemble de valeurs où les paramètres impactant identifiés présentent des valeurs identiques ou voisines de la valeur actuelle du paramètre impactant identifié.
[0040] L’étape 47 consiste en une identification, dans le sous-ensemble, des valeurs historiques de réglage qui correspondent à l’objectif 12 de performance industrielle. Si à l’issue de l’étape 45 au moins un paramètre impactant non réglable est identifié, alors on passe à l’étape 44 pour identifier d’autres éventuels paramètres non réglables impactant dans ce sous ensemble d’historique. A l’étape 48, les valeurs de réglage 13 identifiées sont transmises au module 50 de contrôle du processus industriel qui effectue une mise en oeuvre du processus industriel selon ces valeurs. [0041] Selon un mode de réalisation, les données de paramètres opérationnels des itérations du processus industriel sont conservées en relation avec les données de consignes appliquées à chaque élément de machine 21 lors de ces itérations. Le fait de conserver les nouvelles données obtenues, en plus de données historiques permet de faire évoluer les valeurs de consigne en vue par exemple d’une évolution continue. Ainsi, les étapes préalablement décrites sont avantageusement répétées jusqu’à atteinte d’un critère d’arrêt tel que la fin de la production, ou tout autre critère d’arrêt, comme par exemple l’obtention d’un résultat stabilisé. On peut par ailleurs prévoir un temps de latence après une consigne le temps que l’effet technique de la consigne précédente se produise.
[0042] Diverses variantes du procédé sont possibles. Par exemple, le ou les paramètres opérationnels à optimiser peuvent correspondre à une ou plusieurs spécifications techniques du produit à fabriquer, comme par exemple la blancheur ou le grammage d’un papier à fabriquer.
[0043] Dans ce qui suit, sont présentées les spécificités du calcul d’identification dans les données historiques d’un sous-ensemble de valeurs où le paramètre impactant identifié présente des valeurs identiques ou voisines de la valeur actuelle du paramètre impactant identifié.
[0044] Le procédé utilise avantageusement deux approches de notation pour identifier les données pertinentes du processus à optimiser. Ces notations qualifient un sous-ensemble des données historiques: par exemple, l’historique respectant une règle exprimée par un minimum et un maximum pour un ensemble de paramètres. Ces notions sont utilisables uniquement dans les cas où les données historique sont partitionnées en deux parties: les données historiques ayant conduit à une production bonne, et celles ayant conduit à une mauvaise production. Ce partitionnement est fait en utilisant les informations reçues lors des étapes i) et ii) préalablement décrites.
[0045] La première approche concerne le rang. Il s'agit de la probabilité d'être dans une sélection des données historiques pour une production bonne, ou satisfaisant aux critères établis, moins la probabilité d'être dans la sélection des données historiques, pour une production à rejeter, ou ne satisfaisant pas aux critères établis. [0046] Le procédé utilise de préférence une approche perfectionnée du rang, dénommée dans ce qui suit le « rang effectif ».
[0047] Etant donné un objectif catégorisé en deux classes (une classe à reproduire, une autre à éviter), le rang mesure le pouvoir de séparation, entre les deux classes, d'un intervalle d'une variable ou de la combinaison de plusieurs intervalles de variables. Classiquement les deux classes identifient des productions ou produits que l'on souhaite reproduire (produits bons) et d'autres que l'on souhaite éviter (produits mauvais). On peut ainsi séparer les lots d'une production selon la quantité d'énergie consommée ou le rendement par exemple.
[0048] Comme tout intervalle possède un rang, on peut obtenir des rangs avec un jeu de données aléatoire. Le rang effectif ne correspond pas à la valeur de rang brute calculée, mais à cette valeur diminuée du rang d'un jeu de données aléatoires possédant les mêmes caractéristiques (nombre de points, répartition entre les deux catégories). Le résultat obtenu est donc un supplément d'information par rapport à l'aléatoire : le rang effectif permet de se prémunir des artefacts mathématiques auxquels le rang pourrait être sujet. Toute combinaison d'intervalles possède un rang effectif.
[0049] On introduit ensuite la notion de rang effectif d'une variable ou d'un ensemble de variables : il s'agit du rang effectif de l'intervalle de la variable ou de la combinaison d'intervalles de variables possédant le rang maximum. Schématiquement, le calcul du rang effectif d'une variable consiste à calculer le rang de tous les intervalles possibles (ou de toutes les combinaisons d'intervalle possible en multi-varié) et de retenir l'intervalle présentant le rang le plus élevé. En variante, le procédé peut optimiser les calculs de sorte qu'il n'est pas nécessaire de tester tous les intervalles pour trouver le meilleur. D'un point de vue mathématique, si un point est dans l'intervalle présentant le rang effectif maximal, alors sa probabilité d'être dans la classe bonne est maximum et inversement si un point est dans l'intervalle complémentaire, sa probabilité d'être mauvais est maximale.
[0050] Le rang et le rang effectif sont avantageusement multipliés par 100 pour une meilleure interprétation. Il varie donc de -100 pour les sous-ensembles de données historiques contenant tous et que les produits mauvais, à 100 pour ceux contenant tous et que les produits bons. La valeur 0 indique que la proportion de bons et de mauvais du sous-ensemble est équivalente à la proportion contenue dans l’historique. EXEMPLE 1 : application d’une couche de peinture
[0051] Pour illustrer l’invention, un premier exemple simplifié, avec un nombre très faible de données, est présenté. Ce premier exemple concerne la fabrication d’un jouet, en particulier une étape d’application d’une couche de peinture à une certaine température. La pièce est donc chauffée avant ou pendant l’application de la peinture, afin d’améliorer la qualité de finition.
[0052] Des pièces transitent à une vitesse v dans un four à température t afin de fixer une peinture sur la pièce. La vitesse du convoyeur est subie (en fonction d'un processus en amont par exemple) et seule la température du four est ajustable. Pour avoir une finition de peinture optimale, il faut que la pièce reçoive une certaine quantité d'énergie. Si la vitesse est élevée, alors il est nécessaire d’augmenter la valeur de la température. A l'inverse, si la vitesse diminue il est nécessaire de réduire la valeur de la température pour que la quantité totale d’énergie reçue par la pièce reste stable.
[0053] Pour illustrer cet exemple, la quantité d'énergie est égale à la température t divisée par la vitesse v. La quantité d'énergie qui maximise la qualité de la peinture est t/v = 20.
[0054] Dans cet exemple, l'objectif consiste à se rapprocher de cet optimal. On peut illustrer un tel objectif de la façon suivante : Objectif = 100 / (1 +|20-(t/v)|).
[0055] Ainsi, pour un niveau de qualité maximal à 100, soit l’idéal à atteindre, on observe une dégradation de la qualité (valeurs inférieures à 100) des pièces peintes au fur et à mesure que l'on s'éloigne de la qualité optimale.
[0056] A titre illustratif, les valeurs d’historique ne comportent que quatre valeurs, soit les quatre dernières pièces ou lots fabriqués. L’appareil numérique de régulation et le procédé de régulation visent à définir les valeurs de consignes à utiliser pour cette fabrication, ou phase de fabrication sans modèle préalable ou dispositif établissant le lien entre qualité, température et vitesse. Les données suivantes sont les données de paramètres opérationnels historiques de la chaîne de fabrication. Les lignes sont triées chronologiquement. On vise une quantité d’énergie reçue par pièce le plus près possible de 20.
Figure imgf000015_0001
[0057] Le produit n°5 doit à présent être peint, et le procédé de régulation automatique permet de fournir une valeur de consigne en fonction de la caractéristique opérationnelle à optimiser. Les quatre points de l’historique sont séparés en deux populations autour de la médiane de l’objectif. Puisque l’on veut maximiser l’objectif, les « bonnes » pièces seront celles du groupe avec un fort objectif (les pièces 3 et 4). Les pièces 1 et 2 sont donc considérées dans ce découpage comme étant des « mauvaises » pièces. Avec ce découpage, si l’on considère les températures, on obtient: 80° correspond à une pièce mauvaise, 85° correspond à une mauvaise et une bonne, et 92,5° correspond à une pièce bonne.
[0058] L’intervalle qui contient le plus de données favorables et le moins de données défavorables ou intervalle qui maximise le rang est donc [85° 92,5°]. Son rang est la probabilité d’être dans 85-92,5 en ne considérant que les données historiques bonnes (deux pièces sont dans 85-92,5 sur les deux pièces bonnes) moins la probabilité d’être entre 85-92,5 pour les pièces mauvaises (une seule pièce est entre 80-92,5 sur les deux mauvaises). Le rang est donc de (2/2-1 /2)*100 = 50. De cet intervalle, la consigne est extraite en prenant par exemple la moyenne : dans l’historique, les mesures suivantes correspondent à la plage du rang: 85, 85, 92,5. La moyenne (87,5°) est ainsi affectée en tant que consigne de réglage de la température pour la pièce 5.
Figure imgf000015_0002
[0059] En variante, une valeur autre que la moyenne peut être utilisée, comme par exemple la médiane, le minimum ou encore le maximum selon les cas. Une opération plus complexe peut aussi être menée sur cet intervalle pour obtenir une valeur encore plus ajustée, comme par exemple, choisir la valeur de l'intervalle pour laquelle le ratio de données favorables est maximal. Puisque dans cet exemple théorique, seules les quatre dernières pièces sont prises en compte, la première pièce est ignorée, et le procédé se poursuit avec les pièces 2, 3, 4 et 5 qui permettent d’obtenir un nouveau découpage, et donc un autre réglage pour la pièce 6 (86,3°).
Figure imgf000016_0001
[0060] A chaque itération, les meilleures pièces de l’historique récent sont utilisées pour générer la prochaine valeur de consigne à appliquer en fonctions de ces bonnes pièces. On observe que le niveau de qualité progresse à chaque nouvelle consigne.
Figure imgf000016_0002
[0061] Il est entendu que cet exemple est volontairement simplifié à des fins illustratives. En outre, pour ce cas, une modélisation simple, permet d’identifier la température idéale, t=20.v. Dès que la vitesse est connue, la température idéale peut être déduite. Mais une telle démarche requière une modélisation du processus de fabrication en cours, ce qui est facile dans cet exemple. En pratique, du fait de la très grande complexité des fabrications industrielles, une telle modélisation n’est pas toujours possible. Lorsqu’elle est possible, elle ne donne que rarement un résultat exact car il y a toujours des facteurs perturbateurs (parfois non mesurés) qui rendent les modélisations imprécises, voire fausses.
[0062] L’appareil numérique de régulation et le procédé de régulation automatique de l’invention permettent de s’affranchir d’un modèle représentant la fabrication. Les facteurs perturbateurs, qu’ils soient internes ou externes, sont pris en compte de façon indirecte. Par exemple s’il y a une usure de l’isolation du four, la méthode connue qui s’appuie sur une modélisation, ne prend pas en compte la quantité d’énergie perdue, et donc le niveau de qualité des pièces peintes n’est pas optimal, car l’énergie perdue à cause du manque d’isolation n’est pas prise en compte. Le procédé préalablement présenté s’appuie sur un historique incluant des mesures où l’isolation est déjà endommagée, en prenant en compte l’impact sur le niveau de qualité. Les consignes calculées sont donc ajustées automatiquement.
EXEMPLE 2 : Blancheur de papier
[0063] Le second exemple est issu du domaine technique des papeteries. Comme dans toute l’industrie, ce qui est fabriqué (ici du papier) doit respecter des spécifications. La blancheur fait partie des spécifications que les papetiers doivent respecter, cet exemple illustrera le procédé de régulation de cette spécification. Dans une chaîne de production papier, la blancheur est mesurée par une caméra qui dénombre les taches sombres présentes en surface. Une densité de taches est ainsi déterminée. La valeur qui est visée dans cet exemple est 100 : plus la valeur mesurée en fin de procédé est proche de 100, mieux c’est. Ces taches viennent en partie de la composition de la pâte. Pour limiter le nombre de taches il faut qu’elle soit suffisamment bien filtrée. Le paramètre opérationnel nommé“ratio de refus” permet d’agir sur cette filtration. Les taches peuvent également provenir d’un mauvais débit de la pâte. Un paramètre opérationnel lui est également associé.
[0064] Enfin le taux de papier recyclé (%) utilisé dans la pâte est aussi un paramètre important, mais ce paramètre est subi. Il dépend de facteurs externes (économique, disponibilité, etc.). Aucun réglage ne peut donc être réalisé sur ce paramètre pourtant impactant. Il est cependant enregistré dans l’historique de production de façon à ce que les réglages des autres paramètres (ceux opérationnels) puissent être ajustés pour prendre en compte les variations des paramètres subis. Ce processus est appelé contextualisation. Dans cet exemple la densité de taches sombres est modélisée par la fonction suivante : ratio de refus (%) / débit de la pâte (l/min) + taux de papier recyclé / 10 - 2. Cette formule est donnée pour suivre les calculs de l’exemple. Dans une usine véritable, comme mentionné précédemment, la densité de taches est mesurée, non calculée, et le processus physique sous jacent n’est que partiellement connu. [0065] Dans le tableau suivant, une ligne correspond à une bobine de papier produite. Cela est mis à titre didactique, et toute autre unité de production peut être utilisée à la place. Le tableau suivant affiche les données initiales disponibles concernant la fabrication de papier de blancheur souhaitée 100. Les données des 4 dernières bobines sont présentes.
Figure imgf000018_0001
[0066] La bobine n°5 doit à présent être produite, et le procédé de régulation automatique permet de fournir une valeur de consigne en fonction de la caractéristique opérationnelle à optimiser. Les quatre points de l’historique sont séparés en deux populations autour de la médiane du taux de blancheur. Les « bonnes » bobines seront les deux ayant le taux de taches le plus proche de 100 (les bobines 2 et 4). Les bobines 1 et 3 sont donc considérées dans ce découpage comme étant des « mauvaises » bobines. Avec ce découpage, si l’on considère les ratios de refus, on obtient :“ 1 1.20 correspond à une bobine mauvaise, 11.80 correspond à une bonne, 12.30 correspond à une mauvaise, et 12.40 à une bonne.”
[0067] Le paramètre non réglable ratio recyclage n’est pas utilisable pour séparer les bons des mauvais car il est constant. Aucune contextualisation n’est donc réalisée pour le moment. En ne considérant que le ratio de refus, l'intervalle du rang qui départage le mieux les bobines bonnes des bobines mauvaises est [11.80 ; 12.40] Dans cet exemple le module utilise la moyenne pour attribuer une valeur. 3 bobines sont comprises dans cet intervalle et leurs ratios de refus sont 11.80, 12.30 et 12.40. La moyenne (12.17) est donc appliquée au paramètre opérationnel de ratio de refus.
[0068] Un processus similaire est opéré pour le second paramètre opérationnel (débit). L’intervalle [1190, 1220] est donc retenu, et la valeur moyenne 1205 est affectée au paramètre opérationnel du débit. Ces affectations sont visibles sur la ligne 5 du tableau suivant. Tous les paramètres opérationnels étant affectés, l’usine peut procéder à la fabrication de la bobine n°5 et le taux de taches obtenu est de 99.
Figure imgf000019_0001
[0069] Dans cet exemple, un historique de taille 4 est utilisé pour réaliser le pilotage. Ainsi, pour opérer les réglages de la bobine 6, la bobine 1 est ignorée. La bobine 5 par contre est ajoutée à l'historique. En suivant le même processus avec le nouvel historique, la bobine 6 est produite suivant les paramètres affichés dans le tableau :
Figure imgf000019_0002
[0070] Le pilotage continue ainsi de suite et donne lieux aux bobines 7 et 8. Pour illustrer le processus de contextualisation, un changement de taux d’utilisation de papier recyclage intervient à la bobine 8. Les données suivantes sont donc obtenues :
Figure imgf000019_0003
[0071] A chaque itération, le taux de taches se rapproche de 100 qui est la valeur optimale de production. Mais la dernière bobine, à cause du taux de recyclage élevé, s’écarte de l’optimal de production.
[0072] A présent la bobine 9 doit être produite, toujours avec un historique de 4 bobines. Les 2 bobines classées comme bonnes sont les 7 et 5.
[0073] Dans ces conditions, l’impact des paramètres non réglables est maintenant plus important : les bobines produites avec un taux de recyclage>=30 sont toutes mauvaises. Avant de poursuivre le calcul des paramètres opérationnels, une contextualisation est donc réalisée :“taux de recyclage >= 30“ est ajouté aux conditions de contextualisation.
[0074] Le processus de calcul de paramètres opérationnels reprend donc du début, mais avec un historique différent : l’historique qui correspond au nouveau contexte. Ainsi, les 4 dernières bobines qui ont été produites avec un recyclage supérieur ou égal à 30% constituent le nouvel historique (les numéros de bobines ne correspondent plus: la bobine anciennement 8 correspond à la bobine 4 à présent et les 1 , 2, 3 sont issues de données passées et donc n’étaient pas visibles jusqu’alors). Avec ce nouvel historique plus proche de la situation actuelle, le même processus conduit à la production suivante :
Figure imgf000020_0001
[0075] La production s’est donc adaptée à ce changement en se basant sur des données plus proches de la situation présente, et a rapidement modifié les paramètres opérationnels pour contrer le changement d’un paramètre non réglable afin de converger vers son optimum de production : un taux de tache proche de 100. EXEMPLE 3 : Taux d’humidité résiduelle
[0076] Dans le domaine de la chimie, les colonnes de distillation sont utilisées pour séparer les éléments constituant d’une matière première. La matière première est soumise à une vapeur qui l’échauffe et provoque la gazéification de l’élément recherché. Le processus demande un apport de chaleur qui est délivré sous forme de vapeur. Les colonnes de distillations sont très utilisées dans l’industrie chimique. De ce processus, il en ressort un gaz qui contient principalement le composant recherché par l’industriel. Mais il contient également des impuretés, dont un taux d’humidité résiduelle. Le taux d’humidité résiduelle est à minimiser, mais il n’est pas nécessaire de trop gaspiller d'énergie pour cela. A partir d’un certain seuil, le produit est acceptable. Dans cet exemple le seuil est défini à 1.5%. Si le produit final contient plus de 1.5% la qualité ne sera pas optimale, et s’il en contient moins, de l’énergie aura été gaspillée et donc le coût de production ne sera pas optimal (ni l’impact environnemental). Une valeur autour de 1.5% est donc recherchée.
[0077] Dans cet exemple, le principal paramètre opérationnel impactant le taux d’humidité est le débit de vapeur (T/h) qui est utilisé dans la colonne de distillation. En plus du débit vapeur, un autre paramètre a également un impact sur le processus de distillation : la température extérieure. Ce paramètre n’est bien sûr pas réglable, mais sa mesure, relevée par des capteurs, est enregistrée dans l’historique. Pour pouvoir illustrer le fonctionnement dans un tableau, la formule suivante définit l’impact du débit sur le taux d’humidité : taux d’humidité = (débit*4) - 18,5 - température extérieure / 50. Tout comme les exemples suivants, un historique de quatre éléments est utilisé. Dans le cas présent, il s’agit d’une production en flux, et donc une ligne du tableau suivant ne représente pas un élément réel, mais plutôt un échantillon de production. Une mesure est réalisée à intervalles réguliers, et la valeur de l’échantillon mesuré alimente l'historique. L’historique de cet exemple est le suivant :
Figure imgf000021_0001
[0078] Avant que la mesure de l’échantillon 5 n’intervienne, le module de régulation a la possibilité d’agir sur l’usine en modifiant le paramètre opérationnel de débit. Pour cela, comme dans les exemples précédents, l'historique est utilisé afin d'obtenir un réglage plus adéquat, le but étant de se rapprocher d’un taux résiduel d’humidité de 1.5%. Les 4 points sont séparés en deux groupes : les deux points les plus proches d’un taux de 1.5% ensemble (ils constituent les bons points) et les autres (les mauvais points).
[0079] Les points 1 et 3 sont donc les deux points bons. Le module en déduit l'intervalle du rang qui maximise la séparation des bons des mauvais pour les deux paramètres : débit [4.9 ; 5.2] et température extérieure [0; 0] L’intervalle de débit permet d’isoler deux échantillons bons (les échantillons 1 et 3 sont bons, et sont dans l’intervalle de débit [4.9 ; 5.2]) alors que l’intervalle de température ne permet d’isoler qu’un seul échantillon (seul l’échantillon 1 est lié à une température extérieure de 0°). Le paramètre de débit a donc un rang supérieur. Etant un paramètre opérationnel, il sera utilisé pour réaliser le réglage. Ici encore, c’est la moyenne qui sera utilisée pour extraire la valeur de l’intervalle. Seuls deux échantillons se trouvent dans l’intervalle, et leur moyenne est 5.05. Le paramètre opérationnel de débit est donc fixé à 5.05. La production en sera impactée, et l’échantillon (n°5) qui en résulte est affiché dans le tableau suivant :
Figure imgf000022_0001
[0080] Le premier échantillon est ensuite remplacé par le dernier, puis un nouveau découpage bon/mauvais est réalisé pour préparer l’échantillon 6. Les points bons sont alors les n°3 et 5. L’intervalle du rang séparant le mieux porte toujours sur le paramètre de débit, et il s’agit de [4.9 ; 5.05] Il ne contient que deux points, et sa moyenne (4.98) est donc affectée au paramètre opérationnel de débit. Comme le montre le tableau suivant, cela rapproche encore davantage du taux résiduel de 1.5 :
Figure imgf000022_0002
[0081] Le procédé peut alors itérer en utilisant le nouvel historique. La production suivante est obtenue :
Figure imgf000023_0001
[0082] Sur cet exemple encore nous pouvons voir comment le procédé arrive à emmener une production sur un objectif définit en agissant sur les paramètres opérationnels : ici le taux résiduel de 1.5% est rapidement obtenu. Et cela sans avoir recours à une modélisation. Seul le traitement de l’historique est utilisé.
[0083] A présent, pour illustrer le mécanisme de contextualisation automatique, nous supposons que le processus de fabrication de ce type de produit s’arrête (pour fabriquer un autre produit), puis reprend quelques mois plus tard alors que les conditions extérieures ont changées (voir échantillon 9 à 20°). La production obtenue devient la suivante :
Figure imgf000023_0002
[0084] Comme pour les itérations précédentes, les 4 derniers échantillons sont répartis en deux groupes, les bons étant ceux avec le taux résiduel le plus proche de 1 ,5. Seul le dernier échantillon (9) est donc considéré comme mauvais puisque c’est celui qui a le taux résiduel le plus éloigné (6 et 7 sont équidistants et 8 est parfait). Dans ces conditions, la meilleure plage de rang pour débit est [4.98 ; 4.98], mais cette plage ne contient qu’un seul des 3 échantillons bons. Alors que la meilleure plage de rang pour le paramètre température est [0 ; 2] et lui contient tous les échantillons bons. Le paramètre température est donc meilleur pour séparer les bons des mauvais : son rang est supérieur et il est donc retenu. Mais comme il s’agit d’un paramètre non réglable, il est par définition impossible d’agir dessus, le contexte “température >= 20” est donc créé. Puis le processus est repris depuis le début en ne prenant en compte que les échantillons prélevés avec des températures extérieures supérieures à 20°, quitte à aller chercher des échantillons plus anciens. Le nouvel historique pourrait être alors celui-ci :
Figure imgf000024_0001
[0085] Avec cet historique, la population est divisée en deux en prenant comme bon, les échantillons 4 et 1 qui sont plus proches de 1.5. Et la plage idéale de rang trouvée porte maintenant sur le débit [4,99 ; 5,46] qui contient 2 échantillons bons, et aucun mauvais. La moyenne est donc prise pour consigne : 5,23. Le processus itère et donnera, selon la température extérieure, le résultat suivant :
Figure imgf000024_0002
[0086] Dans cet exemple, le taux résiduel de 1 ,5% est atteint en seulement quelques itérations, alors même que le contexte vient de changer. A présent, le contexte “température >= 20” est identifié. Il est donc mémorisé de sorte que dès que le temps extérieur changera, le contexte changera également, et l’historique utilisé correspondra à la météo de production. Numéros de référence employés sur les figures
Figure imgf000025_0001

Claims

REVENDICATIONS
1. Procédé d’ajustement de paramètres de processus dans un processus industriel d’une usine, ledit procédé étant contrôlé par un module (5) de commande, ledit procédé comprenant les étapes suivantes :
i) une étape (40) d’obtention de données historiques (14), à l’aide d’un module (8) de données historiques en relation avec une pluralité de sources de données (22, 23) en relation avec le processus industriel, lesdites données historiques (14) comprenant des données d’ajustement de paramètres, des données de paramètres de performances du processus et des données de spécifications du produit (30) issu du processus industriel ; ii) une étape (41) de réception de spécifications (10) d’un produit à fabriquer à l’aide du processus industriel et de réception de paramètres (1 1) de performances du processus industriel correspondant ;
iii) une étape (42) d’identification d’au moins une spécification du produit ou d’un paramètre de performance du processus industriel à améliorer, constituant l’objectif (12) de performance industrielle à atteindre ;
iv) une étape (43) de détermination, par analyse des données historiques effectuées par un module (4) de réglage, d’au moins une valeur de réglage (13) du module (5) de commande du processus industriel permettant de fabriquer le produit (30) selon les spécifications (10) tout en visant l’atteinte de l’objectif (12) de performance industrielle ; v) l’étape d’analyse des données historiques comportant une phase (44) d’identification des paramètres de performance du processus impactant ledit processus et/ou le produit mis en oeuvre par ledit processus ainsi que les données correspondantes de niveau d’impact sur le processus pour chacun des paramètres ;
vi) une étape (45) de sélection d’au moins un paramètre impactant en fonction de son niveau élevé d’impact sur le processus et/ou le produit mis en oeuvre ;
vii) une étape (46) d’identification dans les données historiques d’un sous-ensemble de valeurs où le paramètre impactant identifié présente des valeurs identiques ou voisines de la valeur actuelle du paramètre impactant identifié ;
viii) une étape (47) d’identification, dans le sous-ensemble, des valeurs historiques de réglage qui correspondent à l’objectif de performance industrielle ;
ix) une étape (48) d’envoi des valeurs de réglage (13) identifiées au module (5) de contrôle du processus industriel et mise en oeuvre du processus selon ces valeurs.
2. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel les nouvelles données issues du processus sont transmises à la base de données historiques pour de futures itérations.
3. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel au moins une donnée de spécifications de produits est modifiée et une nouvelle itération est reprise à l’étape ii.
4. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel au moins une valeur de paramètre de performance du processus industriel est modifiée et une nouvelle itération est reprise à l’étape ii.
5. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel certains paramètres de performance du processus correspondent à des paramètres réglables par l’envoi d’une valeur de réglage au module de commande.
6. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel certains paramètres de performance du processus ne comportent pas de paramètres réglables correspondants.
7. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel l’étape viii est réalisée en se basant sur les valeurs maximisant le rang.
8. Procédé d’ajustement de paramètres selon la revendication 1 , dans lequel l’étape viii est réalisée en se basant sur les valeurs maximisant le rang effectif.
PCT/IB2019/060058 2018-11-26 2019-11-22 Procede de regulation d'un processus industriel Ceased WO2020109945A1 (fr)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
FR18/71850 2018-11-26
FR1871850A FR3089024A1 (fr) 2018-11-26 2018-11-26 Appareil numérique de régulation d’un processus industriel
FR19/03341 2019-03-29
FR1903341A FR3094504A1 (fr) 2019-03-29 2019-03-29 Appareil numérique de régulation d’un processus industriel avec contexte

Publications (1)

Publication Number Publication Date
WO2020109945A1 true WO2020109945A1 (fr) 2020-06-04

Family

ID=68699491

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2019/060058 Ceased WO2020109945A1 (fr) 2018-11-26 2019-11-22 Procede de regulation d'un processus industriel

Country Status (1)

Country Link
WO (1) WO2020109945A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0097053A2 (fr) 1982-06-16 1983-12-28 Kabushiki Kaisha Toshiba Appareil comportant un contrôle de processus PID numérique
US20040267399A1 (en) 2003-06-30 2004-12-30 Tokyo Electron Limited Feedforward, feedback wafer to wafer control method for an etch process
EP2042958A2 (fr) 2007-09-27 2009-04-01 Rockwell Automation Technologies, Inc. Systèmes industriels adaptatifs via des données historiques intégrées
EP3379357A1 (fr) 2017-03-24 2018-09-26 ABB Schweiz AG Système informatique et procédé de surveillance de l'état de systèmes de processus industriel

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0097053A2 (fr) 1982-06-16 1983-12-28 Kabushiki Kaisha Toshiba Appareil comportant un contrôle de processus PID numérique
US20040267399A1 (en) 2003-06-30 2004-12-30 Tokyo Electron Limited Feedforward, feedback wafer to wafer control method for an etch process
EP2042958A2 (fr) 2007-09-27 2009-04-01 Rockwell Automation Technologies, Inc. Systèmes industriels adaptatifs via des données historiques intégrées
EP3379357A1 (fr) 2017-03-24 2018-09-26 ABB Schweiz AG Système informatique et procédé de surveillance de l'état de systèmes de processus industriel

Similar Documents

Publication Publication Date Title
CA2944120C (fr) Procede et dispositif de surveillance d'un parametre d'un moteur de fusee
CA2699447C (fr) Procede et dispositif de marquage d'une surface par nanostructures periodiques controlees
FR2692037A1 (fr) Procédé de diagnostic d'un processus évolutif.
EP0047218B1 (fr) Procédé de contrôle et de régulation de paramètres de marche d'une machine de coulée continue de bandes entre cylindres
FR2939928A1 (fr) Standardisation de donnees utilisees pour la surveillance d'un moteur d'aeronef
EP3451110B1 (fr) Procédé et dispositif de gestion de la température d'un module d'une ligne de production
EP3676677B1 (fr) Méthode d'audit de qualité en ligne en "temps reel" d'un processus numérique de fabrication de lentilles ophtalmiques
FR3094504A1 (fr) Appareil numérique de régulation d’un processus industriel avec contexte
FR3060123A1 (fr) Methode amelioree de mesure en ligne sur les unites en lit mobile simule ou les unites de separation hybrides par lit mobile simule et cristallisation et application au controle et regulation desdites unites.
EP3828081B1 (fr) Procede et dispositif d'evaluation d'un ecart de hauteurs entre au moins deux pales d'un rotor, et procede d'equilibrage
EP1672454A1 (fr) Procédé de contrôle des performances énergétiques d'une unité industrielle
WO2008149010A2 (fr) Procede et dispositif d'inspection d'articles transparents ou translucides en vue d'optimiser le fonctionnement d'une machine de controle
EP0692751B1 (fr) Procédé et dispositif de régulation sur une plage admissible avec anticipation sur contextes utilisant la logique floue
FR3089024A1 (fr) Appareil numérique de régulation d’un processus industriel
EP1536872A2 (fr) Methode pour optimiser le fonctionnement d une unite de sepa ration de xylenes par contre courant simule
EP4240952B1 (fr) Procédé de détermination de défaut d'un rendement d'un module d'un turbomoteur d'un aéronef
CN111972693A (zh) 烟叶打叶复烤异常工况的识别方法、装置、介质及终端
EP3785000A1 (fr) Procédé et système de traitement d'un signal de mesure d'une température délivré par un capteur
EP3748373B1 (fr) Diagnostic de reseau de distribution électrique
EP3680734B1 (fr) Méthode pour évaluer un niveau de bouchage d'un filtre à air dans une unité hvac
FR2977185A1 (fr) Procede et installation pour la coupe en tranches d'une denree alimentaire, et pour l'individualisation des tranches obtenues
EP3380947B1 (fr) Procédé et dispositif de prévision de nébulosité par traitement statistique de données sélectionnées par analyse spatiale
EP4655657A1 (fr) Procédé pour détecter des anomalies de fonctionnement d'un équipement industriel à partir de scores d'anomalie et installation correspondante
WO2024105337A1 (fr) Procédé de fabrication additive d'objets tridimensionnels
FR3040906B1 (fr) Procede de realisation d'un plateau en planches

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19809924

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19809924

Country of ref document: EP

Kind code of ref document: A1